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...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。展开更多
文摘目的观察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。
