頸椎病(CSM)是55歲以後嚴重脊髓功能障礙的主要原因之一。手術是阻止疾病發展的主要治療方法;然而，患者的術後效果並不盡人意。現階段，研究大多著重於確定CSM患者長期預後的預測指標。部分研究報告表明，與不良預後相關的常規MRI指標包括矢狀麵/橫斷麵上的脊髓信號強度增加(ISI)和表示橫斷麵上脊髓壓迫嚴重程度的壓縮比(CR)。然而，最近的研究表明，使用傳統的成像特征可能難以達到預測的準確性。

放射組學使醫生客觀、定量地描述病變成為可能，機器學習模型可以有效地整合放射組學特征。多項研究顯示，機器學習和放射組學的結合在脊髓相關疾病中表現出其顯著的優越性。

近日，發表在European Radiology雜誌的一項研究將放射組學特征與機器學習算法應用於CSM，為CSM患者的預後建立了穩定的預測模型。

本研究納入了151名在術前接受了T2/T2*加權成像(WI)檢查和手術治療的CSM患者。根據恢複率，他們被分為預後好/差組。來自多台掃描儀的數據集被隨機分為訓練集和內部驗證集，而來自獨立掃描儀的數據集被用於外部驗證。從最大壓迫水平的橫斷脊髓中提取放射學特征。在訓練集中依次應用閾值選擇算法、勾稽關係去除和基於樹的特征選擇，以獲得最佳的放射學特征。選擇T2/T2*WI上的髓內高信號和T2*WI上的脊髓壓迫比作為常規MRI特征。臨床特征為年齡、術前mJOA和症狀持續時間。共構建了四個模型：放射學模型、放射學模型、臨床-放射學模型和臨床-放射學模型。根據DeLong測試，AUC明顯>0.5被認為是有意義的預測性能。雜質的平均減少量被用來衡量特征的重要性。P<0.05被認為具有統計學意義。

在內部和外部驗證中，放射學和臨床放射學模型以及放射學和臨床放射學模型的AUC分別為0.71至0.81(顯著>0.5)和0.40至0.55。Wavelet-LL一階方差是放射學模型中最重要的特征。

本研究表明，放射組學特征可用於建立CSM患者術後恢複的預測指標。本研究指出，放射性組學比傳統的MRI指標有更廣泛的應用平台。