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