基于平扫CT影像组学预测尿酸肾结石：一项结合临床指标的诊断模型研究

《BMC Medical Imaging》：Radiomics application using non-contrast computed tomography for predicting uric acid kidney stones

本研究针对尿酸(UA)肾结石术前无创鉴别难题，开发了基于平扫CT(NCCT)的影像组学结合临床指标的预测模型。研究纳入195例经双能CT(DECT)确诊结石成分的患者，通过手动勾画感兴趣区域(ROI)提取1834个影像组学特征，经特征降维后筛选出6个关键特征，并利用LightGBM算法构建联合模型。结果显示联合模型在训练集和测试集的AUC分别达0.886和0.805，决策曲线分析(DCA)证实其临床实用性，为UA结石的个体化治疗提供了非侵入性预测工具。

　　

在全球范围内，尿石症是一种高发病率和高复发率的疾病，其中尿酸(UA)结石约占所有尿石症病例的10-15%。与其它类型的结石不同，尿酸结石可以通过尿液碱化溶解，从而避免体外冲击波碎石等有创治疗带来的并发症。此外，识别尿酸结石还能揭示潜在的代谢异常，有助于采取针对性措施预防复发。因此，在治疗前确定结石是否为尿酸成分具有重要的临床意义。

目前，双能CT(DECT)是识别尿酸结石成分的有效方法，其敏感性和特异性均超过90-95%。然而，双能CT设备昂贵，检查费用高，尚未广泛普及。因此，开发基于平扫CT(NCCT)的模型来识别尿酸结石具有显著的临床应用价值。影像组学(Radiomics)作为一种新兴的图像分析技术，能够从医学图像中提取大量定量特征，反映疾病的病理生理过程，为疾病诊断和治疗决策提供支持。

本研究旨在基于NCCT影像组学特征和临床特征，以双能CT为诊断金标准，建立联合模型，以无创方式术前预测尿酸结石，辅助临床制定诊疗决策。

研究人员为开展本研究，主要应用了几项关键技术方法。回顾性收集了衢州市人民医院2022至2024年间195例接受双能CT扫描并经确认肾结石成分的患者数据，按8:2比例随机划分为训练集(156例)和测试集(39例)。采用ITK-SNAP软件手动逐层勾画结石感兴趣区域(ROI)，使用PyRadiomics平台从NCCT图像中提取了1834个影像组学特征。通过组内相关系数(ICC)、Spearman等级相关系数和最小绝对收缩和选择算子(LASSO)回归进行特征降维和选择。利用逻辑回归(LR)、支持向量机(SVM)、多层感知器(MLP)、ExtraTrees和LightGBM等机器学习算法构建模型，并通过SHAP方法增强模型可解释性。

临床数据分析和模型构建

本研究分析了195例具有完整临床和影像学数据的患者。训练集包括156例患者(139例男性，17例女性)，其中66例为尿酸结石，90例为非尿酸结石。验证集包括39例患者(4例男性，35例女性)，其中17例为尿酸结石，22例为非尿酸结石。临床基线数据分析显示，在训练集中，Diameter、CT_H和CT_ave存在显著差异(P<0.05)。单因素和多因素logistic回归分析未发现独立的临床危险因素，根据文献和临床数据分析，选择CT_H、CT_ave和Blood_uric_acid构建临床预测模型。该模型在训练集的AUC为0.744，在验证集的AUC为0.778。

影像组学特征提取和筛选

从每个ROI中共提取1834个影像组学特征。经过ICC筛选后保留1563个特征，再通过Pearson相关系数筛选保留25个特征，最后使用LASSO回归进一步筛选，保留6个特征建立影像组学模型。

Rad_signature计算公式为：

Rad_signature=0.4230769230769231

-0.039878*exponential_gldm_LargeDependenceHighGrayLevelEmphasis

+0.008011*lbp_3D_m2_glrlm_ShortRunEmphasis

+0.025358*square_glszm_LargeAreaLowGrayLevelEmphasis

+0.021019*wavelet_LHH_glcm_InverseVariance

+0.039738*wavelet_LHH_ngtdm_Busyness

-0.012840*wavelet_LLL_firstorder_Median

不同影像组学模型的构建与比较

本研究比较了逻辑回归(LR)、支持向量机(SVM)、多层感知器(MLP)、ExtraTrees和LightGBM五种机器学习算法构建的预测模型。结果显示，LightGBM算法在训练集和测试集表现最佳，AUC分别为0.831和0.634。

影像组学模型的可解释性

通过计算LightGBM模型中各影像组学特征的SHAP值，发现square_glszm_LargeAreaLowGrayLevelEmphasis、wavelet_LHH_glcm_InverseVariance和wavelet_LHH_ngtdm_Busyness与尿酸结石有强相关性。这些纹理特征可能反映了尿酸结石在CT成像上的两个关键特征：内部均匀性和相对较低的密度。

临床-影像组学联合模型的构建与评估

通过整合临床特征和影像组学特征，使用LightGBM算法构建的联合模型在训练集和测试集的AUC分别达到0.886和0.805。Delong检验显示，在训练集中，联合模型的性能显著优于临床模型和影像组学模型(0.886 vs. 0.744, P<0.001；0.886 vs. 0.831, P=0.015)。

决策曲线分析和列线图临床应用

决策曲线分析(DCA)显示，与无预测模型干预的情况相比，临床模型、影像组学模型和联合模型均显著改善了患者干预结局，其中联合模型提供的获益最大。在大多数阈值概率范围内，使用列线图能够获得更大的净获益。

本研究开发并验证了一种基于NCCT的影像组学列线图模型，通过整合影像组学特征和临床指标，用于术前无创预测尿酸结石。该模型表现出良好的预测性能，可为临床决策提供有价值的参考。准确术前预测尿酸结石成分对于制定个体化治疗方案至关重要。与以往研究相比，本研究的优势在于使用双能CT作为参考标准，实现了治疗前的无创预测，具有更大的临床实用性。

通过特征筛选，本研究确定了六个具有最高预测价值的影像组学特征，其中五个为纹理特征，一个为一阶特征。这些特征有效反映了结石内部的异质性信息和微观结构信息。特别值得注意的是，所选纹理特征可能反映了尿酸结石在CT成像上的两个关键特征：内部均匀性和相对较低的密度，从整体密度分布、局部均匀性和边界清晰度等角度提供了定量指标，共同形成了识别尿酸结石的稳健影像学标志物。

研究的局限性包括患者来自单中心，模型的普适性需要多中心数据验证；虽然手动分割是金标准，但耗时耗力；本研究采用传统机器学习方法，未纳入先进的深度学习算法；在多发结石情况下应用"一人一石"原则，可能忽略了同一患者内结石的异质性。

总之，本研究开发并验证了一种基于NCCT的术前预测尿酸结石成分的方法，该方法结合了影像组学和临床特征的列线图，为肾结石患者及其医生的疾病管理和精准医疗提供了一种有效、无创且便捷的方法。该研究成果发表在《BMC Medical Imaging》期刊上，为尿酸结石的无创诊断提供了新的思路和方法。