基于CE-T 1WI影像组学的机器学习模型鉴别结核性与布鲁氏菌性脊柱炎的多中心研究OA

目的:探讨基于CE-T 1WI影像组学的机器学习模型在鉴别结核性脊柱炎与布鲁氏菌性脊柱炎中的价值。方法:回顾性收集4所医学中心确诊的274例患者(结核性脊柱炎131例,布鲁氏菌性脊柱炎143例)的临床资料与CE-T 1WI图像。使用3D-Slicer勾画感兴趣区域(region of interest,ROI)并提取影像组学特征,经Mann-Whitney U检验(P<0.05)、Spearman相关性分析(相关系数>0.9)及LASSO算法进行特征筛选。按8∶2比例将样本随机分为训练集(219例)与验证集(55例),采用随机森林(Random Forest)、额外树(Extra Trees)、极端梯度提升决策树(XGBoost)、轻量级梯度提升决策树(LightGBM)4种机器学习算法构建模型,并通过受试者工作特征(receiver operating characteristic curve,ROC)曲线评估诊断效能。结果:从CE-T 1WI影像中共提取107个影像组学特征,经统计学检验及LASSO算法筛选后,最终保留11个最优特征用于模型构建,包括7个纹理特征、3个形态学特征及1个一阶统计特征。基于上述特征构建的Random Forest、Extra Trees、XGBoost和LightGBM模型在验证集中的受试者工作特征曲线下面积(area under curve,AUC)分别为0.773、0.822、0.838和0.702。其中,XGBoost模型表现出最佳的综合诊断效能,准确率、敏感度和特异度均处于较高水平。结论:基于CE-T 1WI影像组学特征构建的机器学习模型能有效鉴别结核性脊柱炎与布鲁氏菌性脊柱炎,其中XGBoost模型辅助诊断效能最佳,有望成为辅助临床决策的有效工具。