来源：期刊VIP网 时间：
作者：杜润泽;蔡晓宇;徐韬;牙克甫·阿卜力孜;高书涛;王婷;盛伟斌;买尔旦·买买提;
单位：新疆医科大学第一附属医院脊柱外科;
摘要：目的：通过构建、比较基于临床特征、实验室指标及影像参数的9种主流机器学习算法的性能，筛选可智能鉴别脊柱结核与布鲁氏菌性脊柱炎的最优模型，以实现快速、准确的疾病分类，为临床提供可解释性强、效率高的辅助决策工具。方法：采用回顾性队列研究方法，收集新疆医科大学第一附属医院自2021年1月至2025年3月期间收治的感染性脊柱炎患者。参照入组标准共纳入232例脊柱结核患者与108例布鲁氏菌性脊柱炎患者数据用于9种主流机器学习模型[包括人工神经网络（ANN）、决策树（DT）、极限随机树（ET）、梯度提升机（GBM）、K近邻（KNN）、LightGBM(LGBM)、随机森林（RF）、支持向量机（SVM）和极端梯度提升（XGBoost）]的训练和测试。使用LightGBM分类器模型计算指标重要性，从20个指标中过滤出重要指标集合；构建并训练9种机器学习算法进行对比分析，并在验证集中进一步验证模型的稳定性和预测能力。结果：研究共筛选出由7个常规检验指标组成的重要指标集合，并训练构建出脊柱结核与布鲁氏菌性脊柱炎的鉴别模型。此外，通过多种机器学习算法对比实验，发现极限随机树算法效果最好，其曲线下面积、F1值、准确率、敏感度和特异度等评估指标均在0.71～0.98之间，并在验证集中的预测准确率达97.89%。结论：极限随机树模型具有良好的鉴别诊断价值，能够准确鉴别脊柱结核与布鲁氏菌性脊柱炎，可为疾病早期诊断提供决策。
关键词：脊柱,结核;;脊柱,布鲁氏菌;;诊断,鉴别;;机器学习
基金资助：新疆维吾尔自治区自然科学基金（2024D01D25）
