基于 ResNet 的影像组学模型预测颈脊髓损伤患者预后的研究成果

为预测颈脊髓损伤（cSCI）患者预后，研究人员构建联合模型，其预测性能良好，助力临床决策。

　　颈脊髓损伤（cSCI）犹如一颗 “不定时炸弹”，给患者的生活带来了巨大的不确定性。患者受伤后的恢复情况差异极大，从轻微麻痹到严重的长期残疾都有可能，这使得后续的治疗决策和康复计划制定变得异常困难。以往仅依靠临床观察来预测预后，局限性明显，就像用一把简陋的尺子去丈量复杂的世界，难以精准把握。而近年来，影像组学和深度学习技术的兴起，为医学领域带来了新的希望，就如同给医学研究装上了 “透视眼”，能够更深入地挖掘疾病信息。但如何将这些先进的影像特征与临床数据有机结合，却一直是个未解之谜。

为了攻克这一难题，东南大学医学院以及东南大学附属中大医院等机构的研究人员挺身而出。他们开展了一项极具意义的研究，旨在构建一个融合影像和临床特征的联合模型，来预测 cSCI 患者受伤 6 个月后的预后情况，从而为临床决策提供有力支持，优化康复方案。这项研究成果发表在《Scientific Reports》上，为该领域的发展带来了新的曙光。

在研究过程中，研究人员采用了多种关键技术方法。首先，他们收集了大量患者数据，包括 168 例 2018 年 1 月 1 日至 2023 年 6 月 30 日在中大医院接受治疗的 cSCI 患者作为回顾性队列，并将其随机分为训练集（134 例）和测试集（34 例），另外还有 43 例 2023 年 7 月 1 日至 11 月 30 日治疗的患者作为前瞻性队列用于验证。其次，利用 Pyradiomics 和基于 ResNet152 的深度学习方法从磁共振成像（MRI）图像中提取影像组学特征。同时，分析年龄、吸烟史、饮酒史等多种临床因素，通过 LASSO 算法筛选特征，再运用多种机器学习模型构建预测模型，最后用受试者工作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）评估模型性能 。

下面来看看具体的研究结果：

1. 影像组学模型：研究人员采用手工绘制感兴趣体积（VOI）和定义感兴趣区域（ROI）两种方式分别进行手工特征和深度学习特征提取。经过一系列处理，最终筛选出 31 个特征。在众多机器学习模型中，支持向量机（SVM）表现最为出色，在训练集中曲线下面积（AUC）达到 1.000，测试集中为 0.915。
2. 临床模型：通过对各项临床因素的分析发现，年龄、糖尿病和治疗方式是影响预后的独立临床风险因素。基于这些因素，研究人员利用逻辑回归（LR）构建了临床模型，LR 因其简单、可解释性强等特点被选用。
3. 联合模型：将影像组学特征和临床因素相结合构建的联合模型，展现出了卓越的性能。在训练集、测试集和验证集中，AUC 分别为 1.000、0.952 和 0.815。校准曲线显示该模型预测结果与实际情况匹配良好，DCA 也表明在不同阈值概率下，联合模型性能更优。研究人员还绘制了列线图，方便直观地评估患者预后风险。

在研究结论与讨论部分，研究人员指出，他们构建的联合模型能够有效评估 cSCI 患者受伤 6 个月后的日常生活功能和生活质量，凸显了影像组学和人工智能技术在制定个性化治疗方案方面的潜力。选择国际神经修复学会（IANR）评分作为评估指标，全面反映了患者康复状况，提升了模型的科学性和准确性。同时，研究中采用的两种影像特征提取方法相互补充，结合临床数据进一步提高了预后预测的可靠性。不过，该研究也存在一些局限性，比如传统 MRI 难以揭示微观层面的分子信息，无法为模型提供可解释的生物学机制，而且还需要更多外部独立验证集来确保研究结果的普遍适用性。

尽管如此，这项研究仍然意义重大。它为 cSCI 患者预后预测提供了新的方向和有力工具，能够帮助医生在治疗前更准确地评估患者情况，制定更科学合理的治疗和康复计划，有望改善患者的生活质量，推动颈脊髓损伤治疗领域的发展，让更多患者看到康复的希望。