徐剛，陳鵬，李宇龍，朱蕓，謝宗玉*

作者單位 1.安徽理工大學(xué)附屬淮南新華醫(yī)院醫(yī)學(xué)影像科，淮南 232000；2.湖州市中心醫(yī)院放射科，湖州 313000；3.安徽理工大學(xué)附屬淮南新華醫(yī)院脊柱骨科，淮南 232000；4.蚌埠醫(yī)科大學(xué)第一附屬醫(yī)院放射科，蚌埠 233000

0 引言

脊髓型頸椎?。╟ervical spondylotic myelopathy,CSM）是由于脊柱退行性改變或周圍結(jié)構(gòu)受力情況發(fā)生變化而產(chǎn)生脊髓壓迫或缺血的一種神經(jīng)系統(tǒng)疾病，常導(dǎo)致肢體殘疾及嚴(yán)重的神經(jīng)功能損傷，是成人脊髓損傷最常見的病因[1-3]。MRI是診斷CMS最有效的影像學(xué)方法，可以清晰地觀察脊髓、椎間盤及周圍軟組織等結(jié)構(gòu)及信號(hào)，進(jìn)一步對(duì)CSM 進(jìn)行診斷和危險(xiǎn)度評(píng)估[4-5]。由于早期脊髓受壓或缺血并不會(huì)出現(xiàn)明顯信號(hào)異常，從而導(dǎo)致MRI 對(duì)CMS 診斷及危險(xiǎn)度分級(jí)敏感性往往不高[6-7]，因此，準(zhǔn)確、客觀且有效地診斷CMS對(duì)臨床術(shù)前診斷和術(shù)后療效評(píng)價(jià)具有重要的意義。放射組學(xué)（radiomics）和機(jī)器學(xué)習(xí)（machine learning, ML）是一種通過量化和分析肉眼看不到的圖像信息進(jìn)行診斷和分類的新技術(shù)，近年來受到學(xué)界廣泛關(guān)注[8-10]。有學(xué)者[11]開發(fā)了基于T2WI 圖像的影像組學(xué)模型，該模型很好地預(yù)測(cè)了CSM 術(shù)后恢復(fù)情況，HOPKINS 等[12]通過構(gòu)建ML 模型很好的預(yù)測(cè)CSM 的嚴(yán)重程度，深度學(xué)習(xí)也可以用于CSM 的評(píng)估[13]，因此ML 和影像組學(xué)在CSM 具有良好的應(yīng)用前景。ML 中常用分類器方法包括邏輯回歸（logistic regression, LR）、自適應(yīng)增強(qiáng)機(jī)（adabosst, AB）、貝葉斯算法（native bayes, NB）及支持向量機(jī)（support vector machine, SVM），其中LR 為常用的線性模型，在ML和影像組學(xué)應(yīng)用中最為廣泛，各種增強(qiáng)機(jī)算法及SVM 算法也多用于ML模型，而NB類似于傳統(tǒng)的決策樹和神經(jīng)網(wǎng)絡(luò)，但是算法卻更為簡單和快速[14]。WANG 等[15]通過SVM 和NB 來預(yù)測(cè)CSM 的嚴(yán)重程度，ZHANG 等[16]通過14 個(gè)二元分類器構(gòu)建最佳ML模型來預(yù)測(cè)CSM 患者的術(shù)后脊髓功能，均取得較好的預(yù)測(cè)效能。但是既往的研究多集中于評(píng)估術(shù)后療效，較少關(guān)注臨床表現(xiàn)和放射組學(xué)特征之間潛在聯(lián)系，并且對(duì)開發(fā)的機(jī)器模型缺乏一定的解釋，因此，本研究基于MRI 影像組學(xué)提取特征并建立不同ML模型對(duì)CSM 進(jìn)行危險(xiǎn)度分級(jí)，并分析特征與臨床表現(xiàn)之間的聯(lián)系，從而為臨床術(shù)前診斷提供參考。

1 材料與方法

1.1 一般資料

回顧性分析2019 年9 月至2022 年5 月安徽理工大學(xué)附屬淮南新華醫(yī)院經(jīng)臨床診斷為CSM并行頸椎MRI 檢查的患者病例。納入標(biāo)準(zhǔn)：（1）臨床診斷符合CSM 診斷標(biāo)準(zhǔn)；（2）MRI 圖像清晰，臨床資料完善；（3）頸部無放化療及手術(shù)等病史。排除標(biāo)準(zhǔn)：（1）患者有除CSM外其他神經(jīng)系統(tǒng)疾?。唬?）患者自主意識(shí)差等原因影響評(píng)分結(jié)果。通過日本骨科協(xié)會(huì)（Japanese Orthopaedic Association, JOA）評(píng)估治療分?jǐn)?shù)[17]對(duì)可疑的CSM 患者進(jìn)行評(píng)估，通過上肢運(yùn)動(dòng)功能、下肢運(yùn)動(dòng)功能、肢體感覺及膀胱功能四個(gè)方面來進(jìn)行評(píng)估，根據(jù)JOA分?jǐn)?shù)將CSM分為輕癥組（JOA分?jǐn)?shù)13～16 分）和中重度組（JOA 分?jǐn)?shù)5～12 分）。采用完全隨機(jī)方法將所有患者按7∶3 比例分為訓(xùn)練組和驗(yàn)證組。本研究遵守《赫爾辛基宣言》，經(jīng)安徽理工大學(xué)附屬淮南新華醫(yī)院倫理委員會(huì)批準(zhǔn)，免除受試者知情同意，批準(zhǔn)文號(hào)：新醫(yī)倫審（2019）3號(hào)。

1.2 掃描方法及參數(shù)

采用1.5 T Achieva、3.0 T Ingenia DNA 磁共振掃描儀，16 通道高分辨頸胸腰一體化脊柱相控陣線圈（1.5 T Achieva 為獨(dú)立線圈，3.0 T Ingenia DNA 為掃描床一體線圈）進(jìn)行頸椎常規(guī)軸位T2WI掃描。掃描范圍：C2/3～C6/7椎間盤。掃描序列參數(shù)見表1。

表1 不同磁共振掃描儀掃描序列參數(shù)Tab.1 Scanning sequence parameters of different magnetic resonance scanners

1.3 感興趣區(qū)勾畫及特征提取

從影像存儲(chǔ)及傳輸系統(tǒng)（picture archiving and communication system, PACS）系統(tǒng)中以DICOM 格式導(dǎo)出病例圖像，使用Python（版本3.10.2，https://www.python.org）軟件將導(dǎo)出的DICOM 格式圖像轉(zhuǎn)化為NRRD 格式并導(dǎo)入ITK-SNAP 軟件（版本3.6.0，https://www.itksnap.org）。由2 名分別具有5 年以上和15 年以上診斷經(jīng)驗(yàn)的主治醫(yī)師和副主任醫(yī)師在雙盲情況下手動(dòng)勾畫橫軸位T2WI 脊髓受壓最嚴(yán)重節(jié)段感興趣區(qū)域（region of interest, ROI），在勾畫時(shí)避開椎間盤、硬膜囊及腦脊液（圖1）。將數(shù)據(jù)導(dǎo)入FAE（FAE,V0.5.2, https://github.com/salan668/FAE）軟件進(jìn)行放射組學(xué)特征提取和圖像特征轉(zhuǎn)化，提取特征類型包括一階特征、二階特征及高階特征，圖像轉(zhuǎn)化包括小波變化、對(duì)數(shù)濾波及三維局部二值等。FAE軟件將所有提取的特征進(jìn)行數(shù)據(jù)清洗，檢查數(shù)據(jù)中的空白信息，無效信息、文本信息及空數(shù)據(jù)，并自動(dòng)去除這些無效特征，保留有計(jì)算意義的特征，從而提升運(yùn)算效率。

圖1 感興趣區(qū)勾畫。1A為頸椎橫軸位圖像；1B為勾畫后圖像，紅色為勾畫的脊髓感興趣區(qū)域。Fig.1 Delineation of the region of interest.1A is the transverse axis image of the cervical spine； 1B is the drawn image, and red is the drawn region of interest of the spinal cord.

1.4 放射組學(xué)特征的觀察者一致性評(píng)價(jià)

為了保證操作者勾畫ROI 的可重復(fù)性和特征提取的一致性，進(jìn)行組內(nèi)/間相關(guān)系數(shù)（intra-/inter- class correlation coefficient, ICC）評(píng)價(jià)。兩名醫(yī)師對(duì)所有患者圖像進(jìn)行ROI 勾畫并進(jìn)行放射組學(xué)特征提取，形成數(shù)據(jù)集（data set, DS）DS1、DS2，8 周后其中一名醫(yī)生對(duì)所有病例進(jìn)行再次ROI 勾畫并提取放射組學(xué)特征，形成數(shù)據(jù)集DS3。將DS1 和DS2 的所有特征進(jìn)行觀察者間一致性評(píng)價(jià)，將DS1 和DS3 的所有特征進(jìn)行觀察內(nèi)一致性評(píng)價(jià)。認(rèn)為兩次評(píng)價(jià)中ICC＞0.8的特征具有良好的可重復(fù)性及一致性。

1.5 特征降維、篩選及模型構(gòu)建

對(duì)訓(xùn)練組所有患者放射組學(xué)特征使用人工少數(shù)類過采樣法（synthetic minority over-sampling technique,SMOTE）進(jìn)行數(shù)據(jù)平衡，Z-score Normalization進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，使得所有特征值統(tǒng)一度量，皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient, PCC）進(jìn)行維數(shù)縮減（設(shè)定PCC=0.80），遞歸特征消除（recursive feature elimination, RFE）進(jìn)行特征篩選。對(duì)篩選后的特征分別使用LR、AB、NB 及SVM 四種分類器模型來構(gòu)建ML模型，并進(jìn)行10折交叉驗(yàn)證。

1.6 統(tǒng)計(jì)學(xué)分析

采用SPSS 26.0 軟件和R 軟件（版本4.2.1）進(jìn)行統(tǒng)計(jì)學(xué)分析。通過Kolmogorov-Smirnov 檢驗(yàn)對(duì)計(jì)量資料進(jìn)行正態(tài)性檢驗(yàn)，正態(tài)分布使用（xˉ±s）標(biāo)準(zhǔn)差表示，組間比較采用獨(dú)立樣本t檢驗(yàn)，不滿足正態(tài)分布使用中位數(shù)（四分位數(shù)）表示，組間比較采用Mann-WhitneyU檢驗(yàn)，計(jì)數(shù)資料比較采用皮爾森卡方檢驗(yàn)。采用多因素logistic 回歸分析構(gòu)建預(yù)測(cè)模型，通過受試者工作特征（receiver operating curve,ROC）曲線下面積（area under the curve, AUC）評(píng)價(jià)模型效能，DeLong檢驗(yàn)用于比較兩個(gè)ROC曲線的性能，檢驗(yàn)AUC的顯著性。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一般資料

最終入組病例317 例，其中男168 例，女149 例，年齡27～89（61.2±10.9）歲。使用JOA 評(píng)分將所有病例分為輕癥組和中重癥組，其中輕癥組193 例，男99 例，女94 例，年齡34～86（61.2±10.8）歲，中重癥組124 例，男69 例，女55 例，年齡27～89（61.2±11.0）歲。所有病例按7∶3 比例分為訓(xùn)練組222 例和驗(yàn)證組95 例。訓(xùn)練組和驗(yàn)證組病例的年齡、性別差異無統(tǒng)計(jì)學(xué)意義（P＞0.05）（表2）。

表2 患者基本資料Tab.2 Basic information of patients

2.2 放射組學(xué)特征聚類分析

從CSM 輕癥組和中重癥組病例中各隨機(jī)抽取5 例作為小樣本進(jìn)行聚類分析，經(jīng)數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)降維后，選取前50個(gè)放射組學(xué)特征進(jìn)行分析，結(jié)果顯示，輕癥組和中重癥組在聚類分析中分類效果明顯，放射組學(xué)特征之間具有一定相關(guān)性（輕癥組：F=34.891，P＜0.001；中重癥組：F=90.353，P＜0.001），對(duì)CSM風(fēng)險(xiǎn)具有一定的分級(jí)能力（圖2）。

圖2 放射組學(xué)特征聚類分析結(jié)果。2A：放射組學(xué)特征樹形圖；2B：放射組學(xué)特征熱圖。Fig.2 Cluster analysis results of radiomics characteristics.2A: Radiomics characteristics tree; 2B: Radiomics characteristics heat map.

2.3 放射組學(xué)特征提取及ML模型構(gòu)建

FAE 軟件共提取1633 個(gè)放射組學(xué)特征，刪除無效特征和ICC＜0.80 的特征后剩余758 個(gè)放射特征，經(jīng)數(shù)據(jù)標(biāo)準(zhǔn)化、降維及特征篩選后，剩余15個(gè)放射組學(xué)特征用來進(jìn)行模型構(gòu)建（表3）。使用SVM、AB、LR及NB四種分類器模型進(jìn)行ML模型構(gòu)建，結(jié)果顯示，SVM 及LR 在模型構(gòu)建中效能較好（兩種模型訓(xùn)練組AUC 為0.833 和0.831，驗(yàn)證組AUC 為0.813 和0.812），AB 在訓(xùn)練組中分類效果明顯（AUC=0.984），但是驗(yàn)證組欠佳（AUC=0.725），模型穩(wěn)定性較SVM和LR 兩種分類器略差（表4、圖3）。通過DeLong 檢驗(yàn)來比較各分類器ROC 曲線性能，檢驗(yàn)AUC 的一致性，結(jié)果表明，SVM 和LR 兩種分類器之間差異無統(tǒng)計(jì)學(xué)意義（表5）。

圖3 各分類器的分類效果。3A：訓(xùn)練組ROC 曲線；3B：驗(yàn)證組ROC 曲線；3C：四種分類器的分類效果柱狀圖。ROC：受試者工作特征；LR：邏輯回歸；NB：貝葉斯算法；SVM：支持向量機(jī)；AB：自適應(yīng)增強(qiáng)機(jī)；AUC：曲線下面積。Fig.3 Classification effect of each classifier.3A: ROC curve of the training group; 3B: ROC curve of the verification group; 3C: Histogram of classification effect of the four classifiers.ROC: receiver operating characteristic;LR: logistic regression; NB: native Bayes; SVM: support vector machine; AB: adaboost; AUC: area under the curve.

表3 經(jīng)RFE篩選的放射組學(xué)特征Tab.3 Radiomic characteristics screened by RFE

表4 不同分類器機(jī)器學(xué)習(xí)模型效能比較Tab.4 Effectiveness comparison of machine learning models for different classifiers

表5 不同模型AUC值的DeLong檢驗(yàn)結(jié)果Tab.5 DeLong test results for AUC value of different models

3 討論

本研究首次應(yīng)用基于MRI 放射組學(xué)特征的ML模型對(duì)CSM 進(jìn)行危險(xiǎn)度分級(jí)，結(jié)果表明ML 模型能夠較為準(zhǔn)確地對(duì)CSM 進(jìn)行危險(xiǎn)度分級(jí)，SVM 和LR模型的分級(jí)效果最佳（兩種模型訓(xùn)練組AUC 為0.833 和0.831，驗(yàn)證組AUC 為0.813 和0.812），模型穩(wěn)定性也較高，對(duì)臨床決策具有一定的參考價(jià)值。

3.1 臨床表現(xiàn)與CSM之間聯(lián)系

CSM 已經(jīng)成為軀體疼痛和殘疾的重要病因[18]。目前多數(shù)研究認(rèn)為，CSM 的直接病因是脊髓受壓缺血導(dǎo)致一部分神經(jīng)功能障礙，從而產(chǎn)生臨床癥狀，但是，在病理生理學(xué)上，CSM 臨床癥狀的直接病因還未完全了解清楚[19]。本研究中，對(duì)患者一般資料分析發(fā)現(xiàn)，輕癥組和中重癥組之間年齡的性別的差異無統(tǒng)計(jì)學(xué)意義，說明CSM 疾病的危險(xiǎn)度與年齡和性別無關(guān)。目前研究普遍認(rèn)為CSM 是一種退行性疾病，本研究中最年輕患者為27歲，并且是中重癥組患者，可能的原因是椎管骨性結(jié)構(gòu)的改變或獲得性損傷導(dǎo)致CSM 患者癥狀加重，而并非完全由椎間盤的退變導(dǎo)致，這與既往研究結(jié)果相符[20]。既往有研究表明，脊髓受壓嚴(yán)重患者臨床癥狀很輕，而脊髓輕度受壓患者其臨床癥狀卻很重，這可能與壓迫位置、神經(jīng)纖維束走向、腦脊液壓力及椎管狀態(tài)等因素有關(guān)[21]。因此，在臨床證據(jù)不明確時(shí)，影像學(xué)檢查對(duì)CSM的診斷有一定的價(jià)值，但目前日本和歐美等地區(qū)仍然以臨床表現(xiàn)作為首要的診斷因素，而影像學(xué)檢查僅作為一種支持診斷的依據(jù)[22-23]。

3.2 與本研究相關(guān)的影像組學(xué)及ML方法對(duì)比

通過提取醫(yī)學(xué)圖像中高通量特征參數(shù)進(jìn)行計(jì)算、分析和學(xué)習(xí)并進(jìn)行分類處理的ML是近些年熱度較高的研究方法，因?yàn)樾畔⒘炕黠@，可操作性和可分析性較強(qiáng)，因此被廣泛應(yīng)用于病灶良惡性鑒別、病理類型鑒別、預(yù)測(cè)生物學(xué)行為及風(fēng)險(xiǎn)等級(jí)判定等方面[24-25]。ZHANG 等[11]利用MRI 影像組學(xué)模型來預(yù)測(cè)CSM 術(shù)后恢復(fù)情況，聯(lián)合臨床特征的影像組學(xué)模型AUC達(dá)到0.81，預(yù)測(cè)效能較好。ZHANG等[16]利用影像組學(xué)聯(lián)合ML來預(yù)測(cè)CSM患者預(yù)后效果，結(jié)果顯示SVM模型預(yù)測(cè)效果優(yōu)于常規(guī)放射模型，其AUC 為0.74±0.08。MERALI 等[26]通過MRI 建立深度學(xué)習(xí)模型評(píng)估CSM脊髓受壓情況，發(fā)現(xiàn)有助于幫助診斷醫(yī)師準(zhǔn)確識(shí)別CSM 患者脊髓受壓狀態(tài)及預(yù)后評(píng)估。WANG 等[15]通過擴(kuò)散張量成像（diffusion tensor imaging, DTI）聯(lián)合ML 尋找CSM 脊髓MRI 信號(hào)差異，從而得出基于小樣本頸椎DTI 圖像的ML 模型可以很好預(yù)測(cè)CSM 并且可以推斷出脊髓病變節(jié)段，而本研究中，通過提取最嚴(yán)重節(jié)段脊髓的放射組學(xué)特征，并且使用小樣本聚類分析也可得出CSM輕癥組和中重癥組之間特征具有一定的差異性，這與WANG 等研究結(jié)論相符。由此不難推斷，對(duì)于人眼未能發(fā)現(xiàn)的圖像和信號(hào)差異，影像組學(xué)能夠很好地尋找其差異性，并從具有差異的特征中尋找差異原因，可能為今后治療方案的臨床干預(yù)提供一定思路。其次，既往研究[11,16]多數(shù)提取的特征數(shù)較少，且圖像轉(zhuǎn)化形式較少，本研究中，提取了大量的高階放射組學(xué)特征，并且通過三維局部二值、小波變換、平方濾波和對(duì)數(shù)濾波等方式進(jìn)行圖像轉(zhuǎn)化，從而發(fā)掘出更多的特征用于尋找差異，并用于常見的機(jī)器模型構(gòu)建，四種ML 模型的AUC 均大于0.75，能夠很好對(duì)CSM 進(jìn)行危險(xiǎn)度分級(jí)。因此，利用ML 模型對(duì)CSM 患者進(jìn)行術(shù)前診斷和術(shù)前分級(jí)均具有一定的優(yōu)勢(shì)和潛力。

3.3 放射組學(xué)特征差異性的可能原因及ML算法優(yōu)缺點(diǎn)

本研究在進(jìn)行特征提取時(shí)，使用FAE 獲得了大量的放射組學(xué)特征，為了提升ML 的效率，采用了PCC 來進(jìn)行數(shù)據(jù)降維，獲得了理想的效果。PCC 是一種線性相關(guān)系數(shù)，在ML中通常用來計(jì)算特征與類別間的相似度，從而快速降低數(shù)據(jù)維度，減少數(shù)據(jù)計(jì)算量，進(jìn)而提升結(jié)果的穩(wěn)健性，使得ML 過程變得高效[27-28]。在特征篩選方面，RFE 共篩選出6 類放射組學(xué)特征，在這6 個(gè)方面，CSM 患者輕癥和中重癥之間存在一定差異。形狀特征和一階特征存在差異性的原因可能是因?yàn)榧顾枋軌汉?，中重癥組脊髓形態(tài)較輕癥組形態(tài)更加不規(guī)則，多樣性增加，而灰度類特征存在差異性可能是因?yàn)樵诩顾枋軌汉螅M管脊髓在肉眼上難以觀察其信號(hào)改變，但是其細(xì)微結(jié)構(gòu)已經(jīng)出現(xiàn)差異，功能已經(jīng)出現(xiàn)變化，這與既往研究大致相符[29-31]。在進(jìn)行ML 分類器的選取時(shí)，選取常見的AB、NB、LR 和SVM 四種分類器對(duì)CSM 進(jìn)行危險(xiǎn)度分級(jí)，從各個(gè)分類器結(jié)果看，SVM 和LR 分類器效果最佳，在訓(xùn)練組和驗(yàn)證組中分級(jí)效能均較好，AB 模型在訓(xùn)練組中分類效果最好（AUC 達(dá)到0.984），但是在驗(yàn)證組中卻表現(xiàn)不佳，NB 模型分類效果劣于其他分類器模型。SVM 是一種監(jiān)督式學(xué)習(xí)方法，其優(yōu)點(diǎn)是分類思想簡單，并可以通過核函數(shù)向高維空間映射，從而得到更好的分類效果，目前在ML 中應(yīng)用廣泛[32]。LR 是常用的分類方法，與SVM 有異曲同工之妙，但是對(duì)于大樣本，LR 的分類能力優(yōu)于SVM，并且LR對(duì)遠(yuǎn)點(diǎn)敏感[33]。AB是一種迭代算法，通過多種弱分類器來集合成強(qiáng)分類器，對(duì)數(shù)據(jù)分類精度較高，但是隨著迭代次數(shù)增加，其分類誤差也越來越大，模型的穩(wěn)定性不高，這也是導(dǎo)致本研究驗(yàn)證組分類效果較訓(xùn)練組變差的原因[34]。NB是一種概率框架下的分類器，即基于概率選取分類標(biāo)準(zhǔn)從而完成分類，目的是降低總體化風(fēng)險(xiǎn)，當(dāng)樣本量較大時(shí)，其概率計(jì)算也較準(zhǔn)確，其算法的分類效果也越好，但是對(duì)于小樣本，其分類效果則劣于其他類別的分類器[35]。在本研究中，通過數(shù)據(jù)降維和特征篩選，使得最終選取的特征數(shù)為15 個(gè)，其優(yōu)點(diǎn)是在運(yùn)行分類器進(jìn)行分類時(shí)計(jì)算次數(shù)少，時(shí)間短、效率高，可以快速計(jì)算出結(jié)果，但是卻喪失了從圖像中提取出的大部分?jǐn)?shù)據(jù)，這可能會(huì)導(dǎo)致運(yùn)算結(jié)果片面化和特征的利用率低，這也可能是導(dǎo)致本研究中NB和AB這種依賴大量數(shù)據(jù)的分類器效果欠佳的原因。對(duì)于臨床研究，通常樣本量不大，因此，對(duì)于ML 模型的選擇來說，SVM 和LR 模型的分類效果優(yōu)于NB和AB。

3.4 本研究的局限性

本研究具有一定的局限性：（1）本研究為回顧性分析，樣本量較少且為單中心研究，模型在其他中心的適用性有待驗(yàn)證；（2）本研究模型選擇較少，只選用了4 種ML 模型，可能會(huì)導(dǎo)致存在分類效果更佳的分類器，在今后研究中將增加分類器數(shù)量，以期尋找到效果更好的分類器；（3）本研究只選取T2WI 橫軸位圖像，且僅勾畫壓迫最嚴(yán)重的椎間盤節(jié)段脊髓，可能導(dǎo)致脊髓信息不夠全面，今后將采用多種勾畫方法進(jìn)行對(duì)比研究。

4 結(jié)論

綜上所述，基于MRI影像組學(xué)的ML模型能夠在術(shù)前較為準(zhǔn)確地預(yù)測(cè)CSM 的危險(xiǎn)度分級(jí)，有效指導(dǎo)臨床設(shè)計(jì)對(duì)CSM 患者的治療方案，并提供了客觀的數(shù)據(jù)分析，可以為臨床精準(zhǔn)化醫(yī)療提供新的思路。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：謝宗玉設(shè)計(jì)本研究的方案，對(duì)稿件重要內(nèi)容進(jìn)行了修改，獲得了安徽省重點(diǎn)研究與開發(fā)計(jì)劃資助；徐剛起草和撰寫稿件，獲取、分析及解釋本研究的數(shù)據(jù)；陳鵬、李宇龍、朱蕓獲取、分析或解釋本研究的數(shù)據(jù)，對(duì)稿件重要的內(nèi)容進(jìn)行了修改，朱蕓獲得了安徽省高等學(xué)校自然科學(xué)研究項(xiàng)目資助；全體作者都同意發(fā)表最后的修改稿，同意對(duì)本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。