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
