【摘要】目的：构建基于 MRI 影像组学的多种机器学习模型，比较各模型对布鲁菌性脊柱炎（BS）与脊柱结核（STB）鉴别诊断效能， 筛选最优模型。方法：回顾性纳入 2020 年 1 月—2025 年 1 月肃南裕固族自治县人民医院确诊的 BS、STB 患者各 48 例，按 7 ∶ 3 比例 分为训练集 67 例与测试集 29 例。基于脊柱 MRI T2WI 脂肪抑制序列手动勾画病灶感兴趣区，提取影像组学特征，经 Z-score 标准化、 Spearman 相关性分析及 LASSO 回归筛选核心特征并构建影像组学评分。分别建立 Logistic 回归、随机梯度下降、支持向量机、决策树、 自适应提升算法、K 近邻算法、随机森林 7 种机器学习鉴别模型，通过受试者工作特征曲线、校准曲线、决策曲线（DCA）分析综合评 估各模型诊断效能、拟合度及临床应用价值，采用多因素 Logistic 回归筛选独立预测因子。结果：最终筛选出 12 个核心影像组学特征， 其中病灶体积、灰度共生矩阵（GLCM）对比度、GLCM 能量为鉴别 BS 与 STB 的独立预测因子；7 种机器学习模型均具备良好的鉴别能 力，其中随机森林模型鉴别效能最优，训练集曲线下面积（AUC）为 0.94，测试集 AUC 为 0.91，校准曲线及 DCA 证实模型拟合度好、 临床净收益高。结论：MRI 影像组学联合机器学习模型可有效鉴别 BS 与 STB，以随机森林模型诊断效能最佳，能提升鉴别准确率，可为 基层医院临床诊疗提供客观、可靠的影像学参考依据。
【关键词】磁共振成像；影像组学；布鲁菌性脊柱炎；脊柱结核；机器学习；鉴别诊断