摘要目的 探讨基于MRI放射组学特征的机器学习(machine learning,ML)模型对脊髓型颈椎病(cervical spondylotic myelopathy,CSM)进行危险度分级的价值.材料与方法 回顾性分析临床诊断为CSM的患者病例317例,并使用日本骨科协会(Japanese Orthopaedic Association,JOA)评估治疗分数分为轻症组193例和中重度组124例.手动勾画脊髓轴位T2WI像生成感兴趣区(region of interest,ROI)并提取放射组学特征,使用Z-Score标准化进行统一量度,皮尔森相关系数(Pearson correlation coefficients,PCC)进行数据降维.使用递归特征消除(recursive feature elimination,RFE)进行特征筛选,并使用逻辑回归(logistic regression,LR)、自适应增强机(adaboost,AB)、贝叶斯算法(native Bayes,NB)及支持向量机(support vector machine,SVM)四种分类器模型来构建ML模型.通过受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under the curve,AUC)评价模型效能.结果 共筛选出15个放射组学特征用于模型构建,四种分类器中,SVM(训练组和验证组AUC分别为0.833和0.813)和LR(训练组和验证组AUC分别为0.831和0.812)模型分级能力较好,且较稳定,模型之间差异无统计学意义,AB分类器在训练组中分级能力最佳(AUC=0.984),但在验证组中能力欠佳(AUC=0.725),模型稳定性低于SVM和LR模型.结论 基于MRI影像组学的ML模型对CSM有良好危险度分级能力,能够为临床术前诊断提供一定参考价值.