yes可参考着写论文。
机器学习在预测脊髓型颈椎病中的应用:一项28名参与者的事后初步研究
Machine Learning for the Prediction of Cervical Spondylotic Myelopathy: A Post Hoc Pilot Study of 28 Participants
背景:脊髓型颈椎病(CSM)的严重程度和症状的存在往往很难仅根据临床影像学预测。同样，改进的机器学习技术提供了具有巨大临床潜力的新工具。
方法:共14例脊髓型颈椎病患者和14例对照组接受颈椎影像学检查。训练了两种不同的人工神经网络模型;1)预测脊髓型颈椎病诊断;2)预测CSM严重程度。
模型1包括6个输入，包括3个常用的评估脊髓压缩的成像量表，以及3个客观的磁共振成像测量。模型1预测CSM诊断的结果是二次的。
模型2由23个输入变量组成，这些输入变量来自压缩区域白质束的概率体积映射测量。模型2的结果是线性的，可以预测改良的日本骨科协会（mJOA）评分。
结果:采用模型1预测脊髓型颈椎病。
方法模型1:预测CSM诊断
回顾性图像，并使用3种常用文献量表(Kang、Nagata和Chang)以及3种MRI测量值(矢状管宽度、椎体高度与椎间盘高度比)。利用这6个特征，使用Keras开源Python包(https://keras.io/)训练一个深度神经网络分类模型(图1)。采用交叉验证对模型进行训练和测试，将数据随机划分为训练(n=18)和测试(n=10)数据集。在训练中，18张训练图像通过一系列的7层，每层都有不同程度的前向和后向通信节点(神经元)。偶尔引入Dropout层，防止一定比例的神经元在训练过程中的不同时间点向前或向后通信，以防止过拟合，并保持模型的可泛化性。然后，通过总共200个随机分区对模型进行训练和测试，使用4到25次迭代的批量大小来训练模型。平均和中位交叉验证的准确性、敏感性、特异性、阳性预测值和阴性预测值被用来评估模型的性能。
模型2:预测CSM严重程度
使用脊髓工具箱(3.0.7版本)、https://sourceforge.net/ projects/spinalcordtoolbox/和前面描述的PAM50脊髓模板对每个横切切片的图像进行进一步分析。对脊髓区域进行分段，收集每个感兴趣区域的体积和横断面测量值。感兴趣的区域包括前/后径、脊髓偏心、腹侧皮质脊髓束、腹侧网状脊髓束、内侧网状脊髓束、外侧皮质脊髓束、侧网状脊髓束、腹侧网状脊髓束、和内侧纵束(每个用体素测量体积，用毫米测量)。以下的性别、年龄、身高、体重、水平和前面提到的参数被输入到我们的深度神经网络中，共包含23个输入变量，唯一的输出变量是mJOA评分。图2概述了模型2规范。模型的训练数据被划分为2个数据集:训练(n=78)和测试(n=26)。与前面描述的类似，78个训练数据点被输入到layer 9，每层都有不同程度的节点(神经元)。就像模型1中那样添加了零星的 drop out 层，以防止过拟合。完成后，使用3次批量和1250次迭代对模型进行了进一步的培训和测试。类似地，这个过程总共重复了150次，以更好地描述人口数据。输出被定义为mJOA分数的数值预测。基于均方误差评估模型性能，并计算后续预测中的平均误差。误差定义为预测mJOA尺度值与实际mJOA尺度值的总差值。
机器学习为脊髓型颈椎病的预测和诊断提供了一种很有前景的方法。在这项初步研究中，在回顾了仅18张图像的特征后，我们的分类模型能够预测来自对照的CSM。
