一种基于CT放射组学和SHAP算法的可解释性预后模型，用于血管化骨移植后的髋关节保护

基于CT放射组学的可解释预后模型研究显示，联合临床指标（年龄、PLR）与放射组学评分（9特征）的XGBoost模型在107例患者中AUC达0.90（95%CI 0.81-0.98），较单独模型提升31%和28%（p<0.05），SHAP分析确认高放射组学评分、高PLR及高龄为差预后关键预测因素。

摘要

本研究的目的是开发一种基于CT放射组学的可解释性预后诊断模型，用于评估血管化骨移植在髋关节保护中的效果，旨在预测术后髋关节的保护结果。研究共招募了107名患者，收集了他们的术前CT扫描数据和术前血液生化指标。其中27名患者的预后良好，80名患者的预后较差。研究采用了五种机器学习算法来构建预测模型，以评估改良型血管化骨植入物在髋关节保护中的有效性。通过SHapley Additive exPlanations（SHAP）方法评估了表现最佳的模型的可解释性。从术前CT扫描中提取了9个放射组学特征，用于构建放射组学评分。通过单变量和多变量逻辑回归分析，保留了包括患者年龄和术前血小板与淋巴细胞比值（PLR）在内的临床指标。最终构建了15个模型，这些模型结合了临床信息、放射组学数据以及多种算法的组合方法。使用XGBoost算法的组合模型表现优异，在训练集上的AUC为0.90（95%置信区间0.81–0.98），在测试集上的AUC为0.87（95%置信区间0.75–1.00）。与表现最佳的临床模型和放射组学模型相比，该模型的预测准确性分别提高了约31%和28%（p<0.05）。高放射组学评分、高PLR值以及高龄被确定为预后不良的显著预测因素。利用XGBoost算法开发了一个稳健的临床-放射组学联合模型，用于预测髋关节保护手术的预后。该模型的预测结果通过SHAP方法进行解释，以增强其在临床应用中的实用性。