颈椎病(CSM)是55岁以后严重脊髓功能障碍的主要原因之一。手术是阻止疾病发展的主要治疗方法;然而，患者的术后效果并不尽人意。现阶段，研究大多着重于确定CSM患者长期预后的预测指标。部分研究报告表明，与不良预后相关的常规MRI指标包括矢状面/横断面上的脊髓信号强度增加(ISI)和表示横断面上脊髓压迫严重程度的压缩比(CR)。然而，最近的研究表明，使用传统的成像特征可能难以达到预测的准确性。

放射组学使医生客观、定量地描述病变成为可能，机器学习模型可以有效地整合放射组学特征。多项研究显示，机器学习和放射组学的结合在脊髓相关疾病中表现出其显著的优越性。

近日，发表在European Radiology杂志的一项研究将放射组学特征与机器学习算法应用于CSM，为CSM患者的预后建立了稳定的预测模型。

本研究纳入了151名在术前接受了T2/T2*加权成像(WI)检查和手术治疗的CSM患者。根据恢复率，他们被分为预后好/差组。来自多台扫描仪的数据集被随机分为训练集和内部验证集，而来自独立扫描仪的数据集被用于外部验证。从最大压迫水平的横断脊髓中提取放射学特征。在训练集中依次应用阈值选择算法、勾稽关系去除和基于树的特征选择，以获得最佳的放射学特征。选择T2/T2*WI上的髓内高信号和T2*WI上的脊髓压迫比作为常规MRI特征。临床特征为年龄、术前mJOA和症状持续时间。共构建了四个模型：放射学模型、放射学模型、临床-放射学模型和临床-放射学模型。根据DeLong测试，AUC明显>0.5被认为是有意义的预测性能。杂质的平均减少量被用来衡量特征的重要性。P<0.05被认为具有统计学意义。

在内部和外部验证中，放射学和临床放射学模型以及放射学和临床放射学模型的AUC分别为0.71至0.81(显著>0.5)和0.40至0.55。Wavelet-LL一阶方差是放射学模型中最重要的特征。

本研究表明，放射组学特征可用于建立CSM患者术后恢复的预测指标。本研究指出，放射性组学比传统的MRI指标有更广泛的应用平台。