基于FS-T2WI序列联合机器学习对布鲁氏菌性脊柱炎与结核性脊柱炎的鉴别诊断

摘要：

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用于鉴别BS与TS，其中SVM模型的诊断效能优且性能稳定。

关键词：机器学习、布鲁氏菌性脊柱炎、结核性脊柱炎、脂肪抑制、鉴别诊断

所属期刊栏目：42

资助基金：省部共建中亚高发病成因与防治国家重点实验室开放课题基金SKL-HIDCA-2021-22;State Key Laboratory of Pathogenesis, Prevention and Treatment of High Incidence Diseases in Central Asia FoundSKL-HIDCA-2021-22

在线出版日期：2023-07-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：356-362