基于机器学习的MRI放射组学技术能够识别患有退行性颈椎脊髓病的患者，并预测其基线功能状态

摘要

目的

退行性颈椎脊髓病（DCM）的诊断依赖于临床评估和常规磁共振成像（MRI），但早期症状较为微妙且缺乏特异性，这导致了诊断上的不确定性。老年人中无症状的颈椎脊髓压迫情况较为普遍，进一步增加了关于手术干预的临床决策复杂性。基于MRI的放射组学分析通过纹理分析量化脊髓的微结构病变，是一种潜在的客观影像生物标志物。本研究旨在评估使用MRI放射组学的机器学习模型是否能够准确分类DCM并预测疾病严重程度。我们还想评估成像分辨率对诊断性能的影响。

方法

我们纳入了79名临床诊断为DCM并接受手术评估的患者以及51名健康对照组。参与者接受了高分辨率的3D T2加权MRI检查。图像通过自动化脊髓分割技术进行处理，然后使用Pyradiomics软件包提取放射组学特征，并通过相关性、方差、方差分析（ANOVA）和互信息分析进行筛选。机器学习算法（XGBoost、CatBoost、LightGBM、随机森林、SVM）通过Optuna进行了超参数优化，并通过5折交叉验证进行评估。对于DCM与健康对照组的分类，模型性能还在一个内部保留的测试集上进行了额外评估；但由于样本量有限，未在独立数据集上进行外部验证。疾病严重程度的预测仅通过5折交叉验证进行评估。

结果

使用MRI放射组学的机器学习在内部保留的测试集中以高准确率区分了DCM和健康对照组（AUROC = 0.93，准确率 = 0.88，F1分数 = 0.90，MCC = 0.76，精确度 = 93.3%，敏感性 = 87.5%，特异性 = 90%）。与标准MRI和传统形态测量方法相比，高分辨率3D MRI的放射组学特征显示出更优的诊断性能。这些模型能够有效分类疾病严重程度（宏观平均AUROC = 0.855 ± 0.062），显著优于传统的影像测量方法。

结论

基于MRI的放射组学结合机器学习在预测DCM状态和估计疾病严重程度方面表现出强大的准确性，且不依赖于临床或人口统计数据。这些发现强调了MRI放射组学作为DCM筛查客观影像生物标志物的潜力。然而，本研究未进行外部验证，需要在更大规模、多供应商的独立数据集上进行进一步验证，才能实现更广泛的临床应用。