基于MRI影像组学的机器学习模型对创伤性颈髓损伤患者预后的预测效能评估

doi:10.3760/cma.j.cn501098-20241129-00675

摘要
图/表
参考文献(0)
相关文章 (15)

全文: PDF (553 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要目的　评估基于MRI影像组学的多种机器学习模型对创伤性颈髓损伤患者预后的预测效能。方法　采用回顾性队列研究分析2020年1月至2024年1月上海交通大学医学院附属第九人民医院收治的135例创伤性颈髓损伤患者的颈部MRI平扫影像学资料，其中男107例，女28例；年龄24~89岁［（56.0±11.9）岁］。将患者以7∶3的比例随机分为训练组（94例）和测试组（41例）。根据日本骨科学会（JOA）评分，患者预后包括56例无自理能力（0~8分）和79例有自理能力（9~17分）。勾画所有患者颈髓损伤区域，采用Z‑Score标准化统一图像信号强度分布后，提取该区域影像组学特征，通过皮尔森相关系数法进行影像组学特征数据降维。在训练组中，使用Lasso回归模型筛选与预后无自理能力显著相关的影像组学特征，并输入支持向量机、随机森林、极端随机树、轻量级梯度提升机、自适应增强、朴素贝叶斯及K近邻7种分类器中，构建预测模型。在测试组中，采用准确率、灵敏度、特异度、精确率、F1分数、受试者工作特征（ROC）曲线下面积（AUC）及Hosmer‑Lemeshow（H‑L）拟合优度评估模型的预测效能，并采用临床决策曲线分析（DCA）评估各模型的临床适用性。结果　共筛选出14个影像组学特征，包括1个一阶特征和13个纹理特征。在测试组中，支持向量机、随机森林、极端随机树、轻量级梯度提升机、自适应增强、朴素贝叶斯、K近邻7种模型的准确率分别为0.85、0.81、0.90、0.90、0.71、0.73、0.71；精确率分别为1.00、0.95、0.92、0.96、0.72、0.75、0.88；灵敏度分别为0.76、0.72、0.92、0.88、0.84、0.84、0.60；特异度分别为1.00、0.94、0.88、0.94、0.50、0.56、0.88；F1分数分别为0.86、0.82、0.92、0.92、0.78、0.79、0.71；AUC分别为0.93、0.92、0.94、0.97、0.58、0.67、0.88；H‑L拟合优度检验的P 值分别为0.211、0.112、0.218、0.089、<0.001、<0.001、0.105；DCA结果表明，支持向量机在0~1区间内，临床获益率均>0，优于其余模型。结论　基于MRI影像组学的支持向量机、随机森林、极端随机树、轻量级梯度提升机4种模型对创伤性颈髓损伤患者的预后均具有较好的预测效能，其中支持向量机模型具有最佳的临床适用性。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	许一奇乔涵张凯赵杰

引用本文:

许一奇乔涵张凯赵杰. 基于MRI影像组学的机器学习模型对创伤性颈髓损伤患者预后的预测效能评估[J]. 中华创伤杂志, 2025, 41(4): 345-352.

链接本文:

http://manu24.magtech.com.cn/jweb_zgcszz/CN/10.3760/cma.j.cn501098-20241129-00675 或 http://manu24.magtech.com.cn/jweb_zgcszz/CN/Y2025/V41/I4/345