3.0/Q1，“片子明明是好的，怎么就骨质疏松了？”南京医从CT里“挖”851个特征，机器学习一包装，骨质疏松诊断就发了个文章

小骨今天聊的这篇文章，把影像组学和机器学习玩得很溜。
传统诊断骨质疏松，要么靠DEXA（术前专门去做麻烦），要么看CT值或MRI评分（信息不全，还只是二维评估）。而这文章的思路是：直接从腰椎CT里挖出851个肉眼看不见的定量特征，再用mRMR和LASSO筛出9个关键特征，构建一个影像组学标签。接着让四种机器学习算法PK，结果XGBoost以AUC高达0.91胜出，吊打传统方法。

这种生信分析的发文优势很明显：①临床缺口明确：脊柱术前漏诊骨质疏松是个痛点，解决痛点好发文。②方法标准可复制：影像组学+机器学习流程已经很成熟（分割→提特征→降维→建模），有CT数据就能上手。③图表漂亮：ROC曲线、校准曲线、决策曲线，审稿人看着舒服。
前景也不错。随着深度学习发展，未来可以实现自动分割、一键建模。而且这个套路不限于腰椎，骨关节炎、股骨头坏死、肿瘤转移预测都能套用。

训练集（525个椎体）与验证集（131个椎体）在骨质疏松患病率、年龄、性别、BMI、VBQ、HU、影像组学评分等方面无显著差异。

骨质疏松组与正常组在年龄、VBQ、HU、影像组学评分上存在显著差异。

从851个影像组学特征中筛选出450个高重复性特征（ICC > 0.90）。使用mRMR算法选出30个特征，再通过LASSO回归选出9个非零系数特征用于构建影像组学标签。

影像组学评分在骨质疏松组与正常组之间差异显著。