论文部分内容阅读
目的早期诊断椎体压缩性骨折将使患者有较大的临床获益,然而X线诊断OVCF容易发生漏诊,检出率较低,漏诊患者若未能获得进一步MRI检查,则导致无法得到相应有效的治疗。所以本研究旨在开发一种可以提高X线对OVCF患者检出率的方法。方法本研究收集自2018年01月至2020年12月被核磁共振确诊为腰椎椎体压缩性骨折患者的腰椎侧位X线片,纳入符合入排标准的患者共有231例。在经过预处理的X线片上以每个椎体作为独立样本勾画感兴趣区域并数据扩增,样本量达到1155,按照4:1随机分为训练队列（n=924）和独立验证队列（n=231）。用pyradiomics从每个ROI中提取出466个影像学特征,用Lasso筛选出50个重要特征,进一步用XGBoost构建基于X线片椎体压缩性骨折的辅助诊断模型,采用k-fold交叉验证模型并确立最优模型后,在独立验证队列当中对模型诊断效能进行验证。同时3名影像科医师对所有病例进行阅片,记录每一个椎体的高度丢失的百分比,对椎体是否存在骨折进行诊断。选出诊断准确率最高的医师,与模型联合再次阅片,观察诊断准确率是否进一步提高。按照椎体高度丢失百分比分为轻、中、重三组进行亚组分析,对比模型和人工阅片在不同亚组中的表现。本研究经过广州医科大学附属第二医院伦理委员会审批,伦理审批号为:2020-YJSks-04。结果本研究成功建立了基于X线片椎体压缩性骨折的辅助诊断模型,在训练队列中5-fold平均AUC为0.98,ACC为0.93,召回率为0.83,特异性为0.93;独立验证队列中AUC为0.96,ACC为0.91,召回率为0.86,特异性为0.93。人工阅片ACC为0.87,召回率为0.56,特异性为0.97;人工阅片联合本辅助诊断模型ACC提高至0.89,召回率为0.63,特异性为0.97,远远高于单一影像科医师的临床诊断水平。在亚组分析中,轻度OVCF亚组中人工阅片召回率为0.20,而模型诊断召回率0.70。结论基于X线片能够通过人工智能影像组学的方式建立临床辅助诊断模型并能达到理想的诊断水平,尤其在轻度压缩骨折中模型性能远高于人工阅片水平,有较大的临床转化空间。