European Radiology：基于机器学习模型和临床决策算法的肾囊性病变的风险分层
2022-06-04 shaosai MedSci原创
肾脏囊性病变风险分层的标准放射学标准，即Bosniak分类系统，于1986年引入，旨在将复杂肾脏囊肿的描述标准化，并为区分非手术性和手术性囊性病变提供分类指南。
随着影像学检查的普及，肾囊肿已成为横断面影像学检查中一个频繁的发现。肾囊肿的管理和长期影像学随访在成本和影像学资源的利用方面是医疗系统的一个重要负担。此外，对最终被证实为良性的囊肿进行不必要的手术治疗会导致肾功能的下降。尽管大多数肾囊肿是良性的，但高达20%的复杂囊肿病变可能会演变为恶性。
肾脏囊性病变风险分层的标准放射学标准，即Bosniak分类系统，于1986年引入，旨在将复杂肾脏囊肿的描述标准化，并为区分非手术性和手术性囊性病变提供分类指南。Bosniak分类系统的一个基本限制是需要通过对囊肿形态进行视觉评估，其中Bosniak III类病变不确定性较高，可包括上皮性或纤维性囊肿以及肾癌，所有这些病变可能与基于Bosniak分类系统的恶性病变有共同的影像学特征。2019年Bosniak标准的更新，引入了更多的鉴别性定义和新的量化标准，目的是为了提高高风险类别的特异性以增加随访而非切除，并为个别术语提供具体定义以提高阅读者之间的一致性。
为了克服定性视觉图像解读的一些局限性，近年来，定量图像分析方法，即放射组学，在放射学中获得了越来越多的重视。据我们所知，基于扩散加权MRI和CE-CT的肾囊肿评估的初步放射组学研究十分稀少。
近日，发表在European Radiology杂志的一项研究使用从复杂的肾脏囊性病变（CRL）的CE-CT图像中提取的最先进的放射组学的定量图像进行分析，以实现准确、可重复地恶性肿瘤预测，为进一步提高囊性肾癌的检出率及诊断准确性提供了参考。
本项双中心回顾性研究纳入了2005年至2018年期间18岁以上的CRL患者。参考标准是组织病理学或4年成像随访，训练和测试数据集从两个机构获得，并对肾脏CT图像进行了定量的三维放射组学分析。对训练数据集进行了十倍交叉验证的LASSO回归，以确定最具鉴别性的特征。训练了一个逻辑回归模型来对恶性肿瘤进行分类，并在独立数据集上进行测试。报告的指标包括受试者工作特征曲线下的面积（AUC）和平衡精度。在测试数据集中进行了对患者进行手术分层的决策曲线分析。通过结合Bosniak类别的共识放射学读数和基于放射组学的风险建立了决策算法。
共有149名CRL（139名患者；65岁[56-72]）被纳入训练数据集--35名Bosniak(B)-IIF（8.6%恶性）、23名B-III（43.5%）和23名B-IV（87.0%），50名CRL（46名患者；61岁[51-68]）纳入测试数据集--12名B-IIF（8.3%）、10名B-III（60.0%）和9名B-IV（100%）。在测试数据集中，机器学习模型在预测恶性肿瘤方面取得了很高的诊断性能（AUC=0.96；平衡精度=94%）。与Bosniak类别相比，使用临床决策算法在不同的阈值概率上的效果都更佳。
图 使用Bosniak分类法2005版评估的CT上的Bosniak IIF类复杂囊性肾脏病变（测试数据集）以及放射组学模型。a肾良性囊性病变被放射学模型正确预测为良性，放射学风险为7.2%，不需要随访。增强CT扫描（肾实质期）显示出薄的分隔和厚的钙化（箭头）。诊断为的良性肾囊肿，但根据决定算法被归类为需要影像学随访。c 恶性程度低的肾多囊性病变被放射学模型错误地预测为良性，但与2005年所有良性Bosniak IIF病变的平均风险（测试组为9.6%）相比，恶性风险增加（23.6%）。增强CT扫描（肾实质期）显示出薄的分隔（箭头）
本项研究表明，将训练有素的放射科医生根据标准指南进行的视觉评估与强大的机器学习相结合，可以增强医生的诊断准确性。
原文出处：
Jérémy Dana,Thierry L Lefebvre,Peter Savadjiev,et al.Malignancy risk stratification of cystic renal lesions based on a contrast-enhanced CT-based machine learning model and a clinical decision algorithm.DOI:10.1007/s00330-021-08449-w
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#机器学习模型#
35
#临床决策#
37
#囊性#
33
#PE#
34
学习了
47
很好的资料，值得学习
36
#风险分层#
40
#决策#
0
#机器#
44