基于增强CT机器学习模型和临床决策算法的肾囊性病变恶性风险分层

• 作者: 张雅欣（译） 袁涛（校）
• 来源期刊: 国际医学放射学杂志
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 国际期刊连线
• 页码范围: 495
• 页数: 1页
• 语种: 中文
• DOI: 10.19300/j.2022.e0612

摘要

目的 使用基于增强CT的影像组学模型和临床决策算法鉴别肾囊性病变（CRL）良恶性。方法 回顾性纳入2个医疗中心的2005—2018年18岁以上的CRL病人。参考标准是组织病理学或4年影像学随访。训练组和验证组分别来自2个医疗中心。采用肾实质期CT影像进行定量3D影像组学分析。对训练组数据进行十折交叉验证最小绝对值收敛和选择算子（LASSO）回归分析获得最优鉴别特征。对训练组进行逻辑回归分析鉴别恶性病变，并在独立数据集验证。评价指标包括受试者操作特征曲线（AUC）下面积和均衡准确度。对验证组进行手术分层的决策曲线分析。联合Bosniak分类影像学共识与基于影像组学的风险因素建立决策算法。结果 训练组纳入149个CRL[139例；65岁（56，72岁）]，包括35个为Bosniak（B）-ⅡF级（8.6%恶性肿瘤）、23个B-Ⅲ级（43.5%）和23个B-Ⅳ级（87.0%）；验证组纳入50个CRL[46例；61岁（51，68岁）]，包括12个B-ⅡF级（8.3%）、10个B-Ⅲ级（60.0%）和9个B-Ⅳ级（100%）。验证组机器学习模型预测恶性的诊断效能高（AUC=0.96；均衡准确度为94%）。与基于Bosniak分类管理指南相比，临床决策算法阈值概率具有明显优势。结论 基于CT的影像组学模型可准确区分良恶性CRL，优于Bosniak分类。该决策算法可为手术和积极监测提供最佳病变分层。