基于MRI影像组学评估结核与布氏杆菌性脊柱炎的初步研究

作     者：樊知昌 

作者单位：山西医科大学 

学位级别：硕士

导师姓名：甄俊平

授予年度：2022年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 1002[医学-临床医学] 08[工学] 10[医学] 

主      题：脊柱 结核病 布氏杆菌病 磁共振 影像组学 

摘      要：目的:分析结核性脊柱炎(tuberculous spondylitis,TBS)与布氏杆菌性脊柱炎(brucella spondylitis,BS)病变椎体的磁共振(magnetic resonance imaging,MRI)影像组学特征,并基于相应标签构建机器学习模型以探讨影像组学在TBS与BS的鉴别诊断及评估TBS细菌培养结果中的价值。方法:回顾性收集2016年1月-2022年1月间于山西医科大学第二医院行MR检查并经病原学或病理检查证实的59例BS、63例TBS(+)及71例TBS(-)患者。于T2加权脂肪抑制序列(T2 weighted image fat suppression,T2WI-FS)图像上分割病变椎体并提取影像组学特征。基于两两对比分组,采用逻辑回归(logistic regression,LR)筛选传统MRI标签(年龄、性别、病变椎体部位、椎间盘是否受累及椎旁脓肿大小)并构建LR模型。依次使用T检验、Select KBest以及套索回归筛选影像组学标签,基于影像组学标签、影像组学联合传统MRI标签(简称联合标签)分别建立随机森林(random forest,RF)、支持向量机(support vector machines,SVM)模型。利用交叉验证(cross validation,CV)划分训练集与测试集,绘制各模型的受试者操作特征曲线(receiver operating characteristic curve,ROC):曲线下面积(area under curve,AUC)及其95%置信区间(confidence interval,CI)、特异度、敏感度等指标用来评价分类效能。使用Z检验比较AUC间的差异,决策曲线分析(decision curve analysis,DCA)评价模型的实际净收益,Hosmer-Lemeshow检验评价模型的拟合度及预测概率误差。结果:基于BS vs TBS(+)、BS vs TBS(-)、TBS(+)vs TBS(-)分组情况:分别提取到14、12、10个影像组学标签,基于上述影像组学标签的SVM模型AUC分别为0.877(95%CI 0.753-1.000)、0.923(95%CI 0.843-1.000)、0.857(95%CI 0.739-0.957),RF模型AUC分别为0.914(95%CI 0.824-1.000)、0.924(95%CI 0.846-1.000)、0.929(95%CI 0.854-1.000),两种机器模型间的AUC不存在显著统计学差异(P均0.05)。在前两组中,TBS患者的椎间盘更易受累(P值分别为0.002与0.001),同时椎旁脓肿的体积更大(P值均为0.009),基于其建立的LR模型AUC分别为0.769(95%CI 0.683-0.856)、0.776(95%CI 0.694-0.858);在第三组中,传统MRI标签均不存在显著统计学差异(P均0.05),无法评估TBS的细菌培养结果。基于联合标签的机器学模型在前两组中的AUC分别为SVM:0.904(95%CI 0.799-1.000)、0.944(95%CI 0.863-1.000);RF:0.950(95%CI 0.886-1.000)、0.947(95%CI 0.884-1.000)。基于影像组学标签、联合标签的RF模型分类效能均优于基于MRI标签的LR模型(P均0.05),但同任务下机器学习模型预测误差更小。结论:影像组学不仅有助于TBS与BS的鉴别诊断,并能够区分TBS(+)与TBS(-)病例,具备评估结核杆菌细菌培养结果的潜力。影像组学在脊柱感染性病变中具有较高的应用价值。