刘佳怿, 张林岑, 刘永康, 汤俊, 夏亮, 张俊
临床放射学杂志. 2025, 44(9): 1730-1738.
目的 探讨基于CT图像的深度学习与基于深度学习的影像组学(DLR)模型在鉴别急慢性骨质疏松性椎体骨折(OVFs)中的应用价值,评估最佳DLR模型结合临床基线特征构建的联合模型在预测急慢性OVFs的临床价值。方法 回顾性搜集1031例(1156个椎体)同时有椎体CT检查和MRI扫描的OVFs患者,分为训练集(n=787)、内部验证集(n=197)、外部验证集(n=116)和测试集(n=56)。使用ResNet-50模型结构进行深度迁移学习(DTL),基于融合特征模型(RadImageNet)与融合特征模型(ImageNet)数据集分别进行预训练,从OVFs患者CT图像中提取DTL特征和影像组学特征并进行特征融合,采用最小绝对收缩和选择算子(LASSO)算法Logistic回归来选择最佳融合特征,以MRI显示椎体骨髓水肿作为急性OVFs的“金标准”,使用受试者工作特征曲线(ROC)评估模型性能,评估八种机器学习分类模型鉴别诊断急慢性OVFs的效能,结合临床基线资料构建诺莫图实现分类评估的可视化。使用Delong检验比较最佳RadImageNet模型和ImageNet模型的预测效能,使用决策曲线分析(DCA)评价诺莫图的临床价值。结果 基于RadImageNet与ImageNet数据集分别对训练集进行预训练,经过特征筛选与融合后分别得到50个和57个融合特征,两组DLR模型中最有效的机器学习算法均是逻辑回归。RadImageNet和ImageNet在训练集、内部验证集、外部验证集和测试集中的曲线下面积(AUC)分别为0.894 vs. 0.913、0.864 vs. 0.840、0.794 vs. 0.814、0.783 vs. 0.790,采用Delong检验发现两两比较差异均无统计学意义(P>0.05)。DCA表明RadImageNet具有较高的临床价值,故将RadImageNet与临床基线特征相结合构建联合模型,RadImageNet和联合模型在训练集、内部验证集、外部验证集和测试集中的AUC分别为0.894 vs. 0.982、0.864 vs. 0.941、0.794 vs. 0.969、0.783 vs. 0.875,采用Delong检验发现两两比较差异均具有统计学意义(P<0.05),且DCA显示联合模型具有较高的临床价值,联合模型在训练集和测试集的校准曲线显示预测概率曲线与实际概率曲线接近(Hosmer-Lemeshow检验,χ²=21.212、19.209,P=0.069、0.117)。结论 与ImageNet模型相比,RadImageNet模型对于鉴别急慢性OVFs具有更高的诊断价值。此外,将该模型与临床基线特征结合以构建诺莫图时,其诊断性能进一步提升。