多发性骨髓瘤（MM）和椎体溶骨性转移瘤（VOM）是脊柱中最常见的恶性肿瘤。MM是血液系统中第二常见的恶性肿瘤，是由恶性单克隆浆细胞的入侵和增殖引起的。VOM是由原发骨组织外形成的恶性肿瘤的血源性转移引起的，并对骨骼造成损害。这两种疾病都涉及骨髓，表现为单个或多个病变，在影像学上表现相似。类似的影像学结果（如溶骨性改变）和临床症状（如骨痛）使VOM与MM难以区分，尤其是在找不到原发肿瘤的VOM患者中。然而，这两种疾病的治疗方案是完全不同的。因此，迫切需要对这两项疾病进行正确的区分，这对临床治疗的合理选择至关重要。

骨髓活检是MM最重要的诊断方法之一；但是，该方式是侵入性的，可能存在感染和出血等风险。当有多个病灶时，不可能逐一进行活检。现阶段，磁共振成像（MRI）和单光子发射计算机断层成像（SPECT）是最常用的检查方法。对于有疼痛和身体状况不佳的患者来说，冗长的MRI检查是无法忍受的，而SPECT的假阳性率高且特异性低。同时，MM和VOM都表现出高度的新陈代谢，这在SPECT上往往是无法区分的。CT具有扫描速度快、成本低的优点；遗憾的是，当MM和VOM在CT成像上都表现出溶骨性病变时，传统CT有限的定量参数无法区分这些疾病。

近年来，双能量计算机断层扫描（DECT）因其多参数定量而被广泛应用于临床实践。虚拟无钙技术（VNCa）可以去除骨小梁上高度衰减的钙质，并产生骨髓图直接显示骨髓的衰减，这在诊断骨髓疾病方面取得了可喜的进展。研究人员发现，VNCa可以检测到骨髓水肿，评估骨髓浸润的准确性与MRI相当，并可监测MM患者的治疗反应。此外，DECT的光谱霍恩斯菲尔德单位（Hu）曲线的斜率（λHu）可以准确地从Schmorl结节中识别出VOM。有效原子数（Zeff）的纵向动态变化对于临床医生监测骨转移瘤的疾病进展和修改治疗方案至关重要。上述研究表明，来自DECT的多参数（mpDECT）在MM和VOM患者中有广阔的应用前景。

近年来，机器学习通过对数据的自动识别和智能分析产生了预测模型，与传统的统计方法相比，预测模型的分类性能有了很大的提高。极限梯度提升（XGBoost）具有良好的可扩展性和高速度，使其成为一种成功的机器学习方法。一项研究发现，XGBoost结合MRI放射组学特征在区分短暂性骨质疏松症和血管性坏死方面表现良好。

近日，发表在European Radiology杂志的一项研究评估了XGBoost结合mpDECT与单变量分析相比在区分脊柱MM和VOM方面的表现。

本项回顾性研究纳入了28名脊柱MM患者（83个病灶）和23名VOM患者（54个病灶），所有患者都接受了DECT。获得了每个病变的mpDECT，包括标准化的有效原子数、光谱Hu单位曲线的斜率、CT衰减和虚拟非钙（VNCa）。使用Boruta来选择关键参数，随后与XGBoost合并产生预测模型。病变按3:1的比例分为训练组和测试组。使用Delong测试将单变量分析的最高性能与XGBoost进行比较。 

MM的mpDECT明显低于VOM（所有P<0.05）。在单变量分析中，VNCa在训练组（0.81）和测试组（0.87）的接受者操作特征曲线下面积最高。基于Boruta，DECT的6个参数被选为XGBoost模型的构建。如训练组（AUC为1.0）和测试组（AUC为0.97）所示，XGBoost模型取得了优异而稳定的诊断效果，其敏感性为80%，特异性为95%，准确性为88%，优于VNCa（P<0.05）。 

图 具有代表性的DECT图像。患者1：一位53岁的男性，患有肺腺癌，并有多处溶骨性转移（箭头）。患者2：一位69岁的女性，患有活动性多发性骨髓瘤和单克隆免疫球蛋白IgG-K型（箭头）。DECT，双能量计算机断层扫描

本项研究表明 ，XGBoost联合mpDECT在区分脊柱的MM和VOM方面有很好的表现，为临床的早期、准确诊断提供了技术支持。
原文出处：

Jinfang Shi,Haiping Huang,Suqin Xu,et al.XGBoost-based multiparameters from dual-energy computed tomography for the differentiation of multiple myeloma of the spine from vertebral osteolytic metastases.DOI:10.1007/s00330-023-09404-7