摘要

目的：探究CT纹理特征联合机器学习对发生骨质疏松性压缩骨折（OVCFs）的预测价值。方法：回顾性分析45例新鲜的腰椎OVCFs患者的CT图像（实验组，选择相邻的无骨折的椎体共152个）和同期45例无OVCFs患者的腰椎椎体的CT图像（对照组，选择所有腰椎椎体共225个）。在CT图像上勾画ROI，并提取纹理特征参数。将所有患者按8∶2比例分为训练集和验证集，用费希尔算法（Fisher）、分类错误率+平均相关系数算法（POE+ACC）、交互信息算法（MI）3种方法对提取的特征参数进行降维筛选，再经t检验/秩和检验、Spearman相关分析做进一步筛选，采用筛选出的参数建立人工神经网络分类模型，结合5倍交叉验证法评估其效能。结果：经筛选，获得S(0,3)SumAverg、WavEnLL＿s-4、Perc.50%3个CT纹理特征参数，其中S(0,3)SumAverg的曲线下面积（AUC）最高（0.817）。建立人工神经网络分类模型后，训练集和验证集的AUC分别为0.906和0.867。结论：CT纹理特征结合人工神经网络分类模型对可能发生OVCFs的患者的预测效果较好。

关键词