基于T2^*WI影像组学模型鉴别布鲁菌性脊柱炎和结核性脊柱炎

摘要

目的 基于不同机器学习算法的T2^*WI序列构建影像组学模型，探究其鉴别布鲁菌性脊柱炎（brucellar spondylitis,BS）和结核性脊柱炎（tuberculous spondylitis,TS）的诊断价值。方法 纳入2018年10月—2022年4月在大连医科大学附属第一医院就诊的临床症状均有背痛和发热的脊柱病变患者84例，193个椎体。均于术前接受磁共振成像（magnetic resonance imaging,MRI）检查，报告为BS 34例（78个椎体）、TS 50例（115个椎体）。以7∶3的分配比例将所有椎体随机分为训练集和测试集，从T2^*WI序列中共提取107个影像组学特征。采用相关系数法和最小绝对收缩和选择运算符（least absolute shrinkage and selection operator,LASSO）进行特征降维，使用六种机器学习分类器构建影像组学模型，分别是支持向量机（support vector machine,SVM）、逻辑回归（Logistic regression,LR）、决策树（decision tree,DT）、K邻近算法（K-nearest neighbor algorithm,KNN）、高斯朴素贝叶斯（Gaussian naive Bayes,GNB）和随机森林（random forest,RF）。采用受试者工作特征（receiver operating characteristic,ROC）曲线比较各影像组学模型的诊断效能，模型预测效能的比较采用DeLong检验。通过夏普利加性解释（Shapley additive explanations,SHAP）分析可视化特征在模型中的贡献。结果 TS和BS患者在受累椎体数量方面差异有统计学意义（P=0.037）,TS相较于BS更易出现2个及以上椎体受累。经过LASSO降维，最终保留8个相关性最强的影像组学特征，包括3个形状特征、1个一阶特征和4个纹理特征。上述六种模型在训练集的AUC分别为0.920、0.922、1.000、0.960、0.888和1.000，在测试集的AUC分别为0.909、0.913、0.779、0.810、0.892和0.901。在多种机器学习模型中，表现最佳的为LR模型，其在训练集和测试集的AUC分别为0.922（95%CI:0.839～0.970）和0.913（95%CI:0.823～0.980）。Delong检验显示在测试集LR模型效能明显优于DT模型（P<0.05），与其余模型相比，差异无统计学意义（P>0.05）。结论 基于LR分类器构建的T2^*WI序列影像组学模型有助于鉴别临床症状相似的BS与TS。

关键词

脊柱炎 / 磁共振成像 / 影像组学 / 诊断,鉴别