【摘要】目的：基于胸部 CT 平扫图像胸椎的纹理分析和机器学习算法，判定患者有无骨质疏松，以及能否对脆性骨折做出精准预测。 方法：回顾性分析 2017 年 1 月—2021 年 12 月清远市人民医院 PACS 系统确认的 48 例患者为病例组，共 50 个稳定型胸椎椎体和 50 个不稳 定型椎体，并随机筛选 50 例非骨质疏松患者胸椎椎体作为对照组。病例组骨质疏松患者均行两次以上连续扫描，第一次扫描椎体正常，若 二次扫描发生骨折，为不稳定型椎体，若二次扫描未发生骨折，则为稳定型椎体。对照组的年龄、性别和椎体位置与不稳定型椎体相匹配。 用传统组学方法对病例组和对照组之间、稳定型椎体和不稳定型椎体之间分别行纹理分析和机器学习。结果：共纳入 150 个椎体。病例组和 对照组之间存在显著差异，使用支持向量机、随机森林、极度随机树、LightGBM 进行分类的 ROC 曲线分析得出的 AUC 值均＞ 0.95，其中 SVM 最佳，为 0.99[95% 置信区间（CI），0.96 ～ 1.00]。稳定型椎体和不稳定型椎体之间的组学特征没有显著差异，所有机器学习模型的 准确度均较低（正确率范围为 0.38 ～ 0.76），其中决策树（Decision Tree）的 AUC 值最高，为 0.73[95% 置信区间（CI），0.49 ～ 0.97]。 结论：骨纹理分析和机器学习可在胸部 CT 平扫中精准判定胸椎椎体骨质疏松，然而，单个椎体脆性骨折风险的预测效果欠佳。 

【关键词】脊柱；传统影像组学；机器学习；骨质疏松症；CT