客观的
在立体定向体放射治疗(SBRT)脊柱转移的治疗中，椎体压缩性骨折(VCF)是一种常见的潜在的并发症。为了评估预防措开云体育世界杯赔率施，需要更好的方法来识别辐射诱发VCF的高风险患者。前处理成像的放射学特征可用于更准确地预测VCF。本研究的目的是开发和评估基于临床特征和前处理成像的放射学特征的机器学习模型，以预测SBRT后脊髓转移的VCF风险。
开云体育世界杯赔率
C2至L5椎节段有SBRT转移的患者，如果他们之前没有接受过手术或放疗，目标划定基于共识指南，并有1年的随访数据。临床特征，包括患者的特点，疾病，治疗，从图表回顾。在预处理CT和t1加权MRI上从规划靶体积(PTV)中提取放射学特征。通过最小绝对收缩和选择算子(LASSO)回归选择的临床和放射学特征纳入随机森林分类模型，训练该模型预测SBRT后1年内的VCF。采用留一交叉验证方法评估模型性能。
结果
在SBRT后的1年内，分析的95个椎体节段中有15个出现了新的或进展性VCF。选择的临床特征包括BMI、表现状态、总处方剂量、PTV达到99%的剂量、腰椎位置和脊柱不稳定肿瘤评分(SINS)的2个组成部分:溶瘤特征和脊柱错位。所选放射学特征包括5个CT特征和3个MRI特征。表现最好的分类模型，来自于选择的临床和放射学特征的组合，显示敏感性为0.844，特异性为0.800，受试者工作特征(ROC)曲线下面积(AUC)为0.878。该模型明显比仅从选定临床特征(AUC = 0.795, p = 0.048)或仅从SINS成分(AUC = 0.579, p < 0.0001)获得的替代模型更准确。
结论
在SBRT治疗脊柱转移瘤中，结合临床特征和前处理成像的放射学特征的机器学习模型预测了SBRT后1年的VCF，具有出色的敏感性和特异性，优于仅根据临床特征或SINS成分开发的模型。如果得到验证，这些发现可能会使选择患者进行预防干预更加明智。
