苏州大学团队用胫骨平台X线参数加机器学习识别完全与不完全盘状半月板，验证集AUC达0.885与0.861
核心概要
这项回顾性研究纳入494例患者（145例完全盘状半月板CDLM、64例不完全盘状半月板ICDLM、285例正常外侧半月板对照），测量多项胫骨平台X线解剖参数，经LASSO筛选出性别、外侧关节间隙、外侧胫骨棘高度、外侧胫骨棘外侧斜度、内侧胫骨棘外侧斜度及胫骨隆起宽度/胫骨平台宽度比六个特征，构建七种机器学习模型并在留出验证集评估，CDLM最佳模型（支持向量机）AUC为0.885，ICDLM最佳模型（梯度提升）AUC为0.861。
x-ray (Figure 1a);
· 第 4 页深度剖析
研究把不完全盘状半月板（ICDLM）纳入分析框架，并报告其可被同一组X线参数识别，最佳模型为梯度提升，验证集AUC 0.861、特异度0.964、准确度0.856。 原文指出既往研究多聚焦CDLM而忽视ICDLM，作者称本研究首次将不完全盘状半月板纳入分析框架，并给出亚型专属模型。 单中心回顾性队列，ICDLM仅64例，性能在内部留出验证集评估，AUC的95%置信区间由DeLong法估计，其余指标由5000次分层自助重抽样得到。
研究用LASSO在训练集内筛选出六个特征：性别、外侧关节间隙、外侧胫骨棘高度、外侧胫骨棘外侧斜度、内侧胫骨棘外侧斜度、胫骨隆起宽度/胫骨平台宽度比，并据此构建七种机器学习模型。 原文强调既往单因素预测模型准确率约50%，本研究以多变量组合替代单指标判断，并报告λmin=0.0092时的筛选结果。 数据按7:3随机划分训练与验证集，划分先于全部预处理与特征选择以降低信息泄漏，惩罚参数由10折交叉验证按最小交叉验证损失选取，所选特征集原样应用于验证数据。
SHAP分析显示外侧关节间隙是CDLM与ICDLM预测的首要贡献因素；两种亚型中，更宽的外侧关节间隙、更高的胫骨隆起宽度/胫骨平台宽度比、更大的内侧胫骨棘外侧斜度、更低的外侧胫骨棘高度与更低的外侧胫骨棘外侧斜度均与更高的预测概率相关。 原文指出性别对CDLM预测贡献更突出，但对ICDLM重要性有限，提示性别应与影像参数联合解读而非作为独立因果决定因素。 SHAP值用fastshap包经100次蒙特卡洛模拟估计，采用平均绝对SHAP值与依赖图评估特征重要性和效应方向。
校准与决策曲线分析显示，CDLM的SVM模型校准截距/斜率0.671/1.848、Brier分数0.147，ICDLM的梯度提升模型为0.258/1.144与0.104；在阈值概率0.13–0.50（CDLM）和0.02–0.50（ICDLM）区间净获益优于全部治疗与不治疗策略。 作者据此把模型定位为常规影像评估的辅助工具，用于识别高预测可能性患者并支持及时转诊MRI或专科评估。 校准与决策曲线均在内部验证集完成，模型特异度高而敏感度相对较低，作者据此提出其定位为辅助筛查而非确诊工具。
启示与展望
该研究面向因膝关节X线检查而可获得标准化正位片的人群，用于在常规影像评估中识别盘状半月板高预测可能性患者，并支持及时转诊MRI或专科评估；作者将模型定位为高特异度、敏感度相对较低的辅助工具，适用于初步风险分层与转诊决策，而非替代关节镜这一诊断与形态分类的参考标准。
原文为不完整读取，正文中Figure 1至Figure 6、Supplementary Table 1至4及Supplementary Figure 1至6的具体内容未载入，因此各影像参数在三组间的具体数值与组间比较细节无法在此复述；此外，模型性能仅来自单中心内部验证，跨人群、跨影像协议与跨机构的表现、以及模型辅助评估对临床流程与患者结局的影响，均属尚待前瞻研究回答的开放问题。