基于胸部CT平扫图像的胸椎纹理分析及机器学习对骨质疏松患者骨折前风险的精准预测方法研究
Research at risk for insufficiency fractures of thoracic vertebral body on plain chest CT in osteoporotic patients using texture analysis and machine learning作者机构:广州医科大学附属第六医院<清远市人民医院>影像科广东清远511518
出 版 物:《影像研究与医学应用》 (Journal of Imaging Research and Medical Applications)
年 卷 期:2023年第7卷第1期
页 面:36-39,43页
学科分类:0831[工学-生物医学工程(可授工学、理学、医学学位)] 08[工学]
摘 要:目的:基于胸部CT平扫图像胸椎的纹理分析和机器学习算法,判定患者有无骨质疏松,以及能否对脆性骨折做出精准预测。方法:回顾性分析2017年1月—2021年12月清远市人民医院PACS系统确认的48例患者为病例组,共50个稳定型胸椎椎体和50个不稳定型椎体,并随机筛选50例非骨质疏松患者胸椎椎体作为对照组。病例组骨质疏松患者均行两次以上连续扫描,第一次扫描椎体正常,若二次扫描发生骨折,为不稳定型椎体,若二次扫描未发生骨折,则为稳定型椎体。对照组的年龄、性别和椎体位置与不稳定型椎体相匹配。用传统组学方法对病例组和对照组之间、稳定型椎体和不稳定型椎体之间分别行纹理分析和机器学习。结果:共纳入150个椎体。病例组和对照组之间存在显著差异,使用支持向量机、随机森林、极度随机树、LightGBM进行分类的ROC曲线分析得出的AUC值均0.95,其中SVM最佳,为0.99[95%置信区间(CI),0.96~1.00]。稳定型椎体和不稳定型椎体之间的组学特征没有显著差异,所有机器学习模型的准确度均较低(正确率范围为0.38~0.76),其中决策树(Decision Tree)的AUC值最高,为0.73 [95%置信区间(CI),0.49~0.97]。结论:骨纹理分析和机器学习可在胸部CT平扫中精准判定胸椎椎体骨质疏松,然而,单个椎体脆性骨折风险的预测效果欠佳。