一种可解释的机器学习模型，该模型整合了基于磁共振成像（MRI）获得的椎旁肌肉参数，用于预测椎体增强术后新发生的椎体压缩性骨折

摘要

目的

开发并验证可解释的机器学习（ML）模型，该模型结合了通过MRI获得的椎旁肌肉参数，以预测椎体增强术后新的椎体压缩性骨折（NVCF）。

材料与方法

这项多中心回顾性研究包括了接受椎体增强治疗的骨质疏松性椎体压缩性骨折（OVCF）患者，并进行了2年的随访。来自两个中心的数据被合并并随机分为训练集和测试集（8:2），而第三个中心的数据作为独立的外部验证集。分析了临床变量、放射学参数以及通过MRI获得的肌肉参数，包括椎旁肌肉脂肪浸润（PMFI）和腰大肌指数（PMI）。变量选择使用了LASSO和逻辑回归方法。训练了七种监督式ML算法，并通过曲线下面积（AUC）、校准和决策曲线分析进行了比较。SHAP值被用来提高ML模型的临床可解释性，为模型预测提供透明的解释。

结果

共有359名患者（中位年龄75岁 [IQR 69–80岁]；77名男性）被纳入研究，其中133名患者（37.0%）发生了NVCF。确定了六个独立预测因子——年龄、骨密度（BMD）、PMFI、PMI、驼背角矫正率（KACR）和Genant半定量分级（GSQ）。随机森林模型表现最佳，在训练集、测试集和外部验证集中的AUC分别为0.963、0.913和0.837（n = 53）。SHAP分析表明，PMI、PMFI、年龄和BMD对模型预测的贡献最大。

结论

这种结合了基于MRI的肌肉指标和传统因素的可解释ML模型具有强大的预测性能，可能有助于椎体增强后的个性化管理。

关键点

问题椎体增强术后新的椎体压缩性骨折会导致显著的发病率，但目前缺乏可靠的风险分层方法，而且通过MRI获得的椎旁肌肉的预后价值仍不清楚。

发现一种结合了通过MRI获得的椎旁肌肉脂肪浸润和腰大肌指数的可解释随机森林模型能够准确预测椎体增强术后新的椎体压缩性骨折。

临床意义将基于MRI的椎旁肌肉质量纳入机器学习模型中，可以改善新椎体压缩性骨折的风险分层，支持个性化的临床决策、有针对性的随访以及椎体增强后的早期预防策略。

图形摘要

此图像的替代文本可能是由AI生成的。