CT影像组学机器学习模型预测逆行输尿管软镜碎石术后泌尿系结石清石率

CT radiomics machine learning model for predicting stone free rate of urinary calculi after retrograde intrarenal surgery

二维码有效期 120s

摘要目的观察CT影像组学机器学习(ML)模型预测泌尿系结石经逆行输尿管软镜碎石术(RIRS)后清石率(SFR)的价值.方法回顾性纳入216例接受RIRS的泌尿系结石患者并将其分为残余组(n=73)及无残余组(n=143).以单因素及多因素logistic回归分析临床资料及结石CT表现,筛选RIRS后SFR独立预测因素.分别利用窗宽窗位归一化联合最大最小归一化(记为方法a)、最大最小归一化(记为方法b)、窗宽窗位归一化(记为方法c)及无归一化(记为方法d)对RIRS前腹部CT进行预处理,基于结石最佳影像组学特征建立ML模型[包括支持向量机(SVM)、逻辑回归(LR)和随机梯度下降(SGD)模型]并筛选其中最佳者;行RUSS及改良S.T.O.N.E评分预测RIRS后泌尿系结石SFR;联合独立预测因素及最佳ML模型构建联合模型.评估各模型及评分系统的预测效能.结果结石数量、最大结石CT值及体积均为RIRS后SFR的独立预测因素(P均＜0.05).以方法b预处理后图像构建SVM模型的曲线下面积(AUC)最高(0.861),高于RUSS及改良S.T.O.N.E总评分(AUC=0.750、0.759,P均＜0.05)而与联合模型的AUC差异无统计学意义(AUC=0.853,P=0.775).结论基于最大最小归一化法预处理CT图像构建的影像组学SVM模型可有效预测泌尿系结石经RIRS后SFR.