目的本研究的目的在于探究基于SPECT/CT图像的影像组学鉴别肿瘤患者脊椎骨转移和骨良性病变的应用,以及这种方法与传统方法相比是否可以提高诊断性能。方法本回顾性研究收集2019年1月到2020年10月大连医科大学附属第二医院核医学科PACS系统行SPECT/CT检查患者的图像。将收集得到的病灶按7:3的比例随机分为训练组和验证组。所有的图像通过BMP的格式导入Ma Zda软件（version 4.6）并以2D的模式在病灶的最大横截面上进行特征的提取。通过μ±3σ的方法对图像进行统一的标准化的预处理。共得到6大类以及279小类影像组学特征。接着,对所提取的特征之间进行Pearson相关性分析并排除相关性系数大于0.9的特征。然后,采用最小绝对值收敛和选择算子算法（LASSO）以及十折交叉验证的方法用于特征的筛选。基于最后筛选得到的非零特征通过逻辑回归的方法构建CT以及SPECT影像组学模型。我们通过结合CT模型和SPECT模型的特征构建了联合模型（Com Model）。除此之外,传统方法的分类识别性能的评估由两位具有20年工作经验的人类专家通过目视法进行。所有分类预测模型的性能通过受试者工作特征（ROC）曲线下面积（AUC）、准确率,敏感性、特异性、阴性预测值和阳性预测值进行比较评价。采用Delong检验比较各模型间的诊断效果。此外,采用校正曲线和Brier评分评价分类模型的预测能力和拟合优度。采用决策曲线分析（decision curve analysis,DCA）评价分类预测模型的临床净效益和临床实用性。采用独立样本T检验或Mann-Whitney U检验对骨转移组和良性骨病变组的连续变量进行非正态分布比较。两组间的分类变量采用卡方检验或Fisher精确检验进行评估。影像组学模型的所有特征的筛选、模型构建以及模型诊断性能的评估和比较均在R软件（version 4.1.1）和Python（version 3.8.1）中进行。IBM SPSS（version 21.0）和Med Calc软件（version 20.0）用于其他临床数据分析和ROC曲线的绘制。结果一共192个病灶来源于132位患者,包括79位患者确诊为骨转移,53位患者确诊为骨良性病变。对于训练组和验证组的患者,性别、年龄、病变形式和确诊方式在骨转移病变与良骨种病变方式之间无统计学差异（P＞0.05）。经过Pearson相关性分析并提出相关性系数大于0.9的特征后,分别从CT以及SPECT图像中提取203和234个特征。经过LASSO回归以及十折交叉验证筛选后,共得到12,13以及18个特征用于模型的构建。在训练组中,CT模型、SPECT模型以及Com Model模型均得到非常高的AUC值以及诊断性能,AUC值分别为0.894（95%CI:0.829-0.941）、0.914（95%CI:0.853-0.956）和0.951（95%CI:0.899-0.981）,三者间的Delong检验无统计学差异（P值分别为0.622、0.193和0.072）。在验证组中,三个影像组学模型同样取得了较好的诊断性能,Com Model模型（0.926;95%CI:0.827-0.978）较CT（0.844;95%CI:0.725-0.026）以及SPECT模型（0.871;95%CI:0.757-0.945）诊断性能有显著提高（P分别为0.024和0.063）。此外,SPECT模型也较CT模型有统计学差异（P=0.042）。两名人类专家独立评估的结果经过Kappa检验,观察者间一致性的加权k值为0.814（95%CI:0.713-0.895）,意味着观察者间一致性较好,在训练组以及验证组的AUC值分别为0.849（95%CI:0.775-0.907）和0.839（95%CI:0.753-0.906）。在训练组,SPECT模型和Com Model与人类专家的差异有统计学意义（P=0.021和P=0.001）,而CT模型与人类专家的差异无统计学意义（P=0.091）。在验证组,Com Model和SPECT模型的诊断效果优于人类专家（P=0.007和P=0.037）,而CT模型的诊断效果无显著性差异（P=0.094）。在校正曲线上,三个模型具有较好的拟合和预测能力。Com Model模型Brier评分较低且拟合度优于CT模型和SPECT模型。在临床决定曲线方面,Com Model模型相对于其他模型总是有更好的整体临床净收益,SPECT模型也比人类专家临床净收益略高,CT模型和人类专家相比并没有观察到显著性差异。结论我们的研究首次证明基于SPECT/CT图像的放射组学模型可以有效区分椎骨转移瘤和骨良性病变,并且这项研究表明影像组学模型的分类诊断性能优于传统方法。这项技术可能是一种新的非侵入性方法,有助于防止不必要的诊断延误,以及对疾病分期和治疗计划做出潜在贡献。