目的:探讨脂肪抑制(FS)-T2WI序列联合机器学习模型在布鲁氏菌性脊柱炎(BS)与结核性脊柱炎(TS)鉴别诊断中的效能。方法:回顾性分析2017年1月至2022年1月在新疆医科大学第一附属医院经临床或术后病理确诊的74例BS与81例TS患者的临床及影像资料,所有患者治疗前均行脊柱磁共振成像(MRI)检查。以8∶2的分配比例将患者随机分成训练组(
n = 123)和测试组(
n = 32),对FS-T2WI序列图像进行影像组学特征提取及降维分析。采用4种机器学习算法[包括K邻近算法(KNN)、支持向量机(SVM)、随机森林(RF)及逻辑回归(LR)]构建影像组学模型,并使用受试者工作特征(ROC)曲线分析各模型对BS与TS的鉴别诊断效能。
结果:共提取出1 409个影像组学特征,经筛选纳入了7个相关的特征用于鉴别BS和TS,其中Maximum2DDiameterColumn特征值表现出较强的相关性,BS与TS患者间比较差异有统计学意义(
P < 0.001)。在测试组中,SVM模型鉴别BS和TS的ROC曲线下面积(AUC)值为0.886,敏感度为0.53,特异度为0.88,模型诊断精确率为0.81;在训练组中,SVM模型鉴别BS和TS的AUC值为0.811,敏感度为0.68,特异度为0.72,模型诊断精确率为0.78。
结论:基于FS-T2WI序列联合机器学习建立的模型可
作者:帕哈提·吐逊江;杨来红;何雄;常玉山;刘文亚;夏雨薇;郭辉
来源:中华地方病学杂志 2023 年 42卷 5期