CT纹理特征联合机器学习对发生骨质疏松性压缩骨折的预测价值

摘要：

目的:探究CT纹理特征联合机器学习对发生骨质疏松性压缩骨折(OVCFs)的预测价值.方法:回顾性分析 45 例新鲜的腰椎OVCFs患者的CT图像(实验组,选择相邻的无骨折的椎体共 152 个)和同期 45 例无OVCFs患者的腰椎椎体的CT图像(对照组,选择所有腰椎椎体共 225 个).在CT图像上勾画ROI,并提取纹理特征参数.将所有患者按 8∶2 比例分为训练集和验证集,用费希尔算法(Fisher)、分类错误率+平均相关系数算法(POE+ACC)、交互信息算法(MI)3 种方法对提取的特征参数进行降维筛选,再经t检验/秩和检验、Spearman相关分析做进一步筛选,采用筛选出的参数建立人工神经网络分类模型,结合 5倍交叉验证法评估其效能.结果:经筛选,获得S(0,3)SumAverg、WavEnLL_s-4、Perc.50％3 个CT纹理特征参数,其中S(0,3)SumAverg的曲线下面积(AUC)最高(0.817).建立人工神经网络分类模型后,训练集和验证集的AUC分别为 0.906 和 0.867.结论:CT纹理特征结合人工神经网络分类模型对可能发生OVCFs的患者的预测效果较好.

关键词：骨质疏松性骨折、体层摄影术、X线计算机

所属期刊栏目：34

分类号：R683.2;R814.42(骨科学（运动系疾病、矫形外科学）)

资助基金：云南省医学学科带头人培养项目D-2019024

在线出版日期：2023-07-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：428-432