基于对比增强超声影像组学的机器学习模型在鉴别透明细胞与非透明细胞肾细胞癌中的临床应用价值

本研究针对肾细胞癌(RCC)亚型术前鉴别诊断的临床需求，开发了基于对比增强超声(CEUS)影像组学的机器学习模型。通过回顾性分析292例经病理证实的RCC患者数据，研究团队采用逻辑回归(LR)等6种算法构建模型，最终筛选出8个关键影像组学特征。验证集结果显示，联合临床CEUS特征的组合模型AUC达0.925，显著优于单一临床模型(0.768)，为无创鉴别透明细胞肾癌(ccRCC)与非透明细胞肾癌(non-ccRCC)提供了可靠工具。

　　

肾脏肿瘤的精准诊断一直是临床面临的重大挑战。肾细胞癌(RCC)作为最常见的肾脏恶性肿瘤，其亚型鉴别直接影响治疗决策——透明细胞肾癌(ccRCC)生长更快、转移风险更高，对消融治疗反应较差，却对全身治疗更敏感；而非透明细胞肾癌(non-ccRCC)包含乳头状、嫌色细胞等亚型，具有完全不同的生物学行为。传统活检存在取样误差和并发症风险，而CT、MRI等影像学方法又受限于辐射暴露、造影剂肾毒性或主观判断的局限性。

针对这一临床困境，中山大学附属医院的研究团队创新性地将对比增强超声(CEUS)与影像组学技术相结合，在《Ultrasound in Medicine》发表了一项突破性研究。该团队回顾性收集了292例经病理证实的RCC患者数据，通过提取皮质期和实质期CEUS图像的2250个定量特征，采用逻辑回归(LR)、支持向量机等6种机器学习算法构建鉴别模型，最终开发出性能优异的组合诊断工具。

关键技术方法包括：1) 多中心回顾性队列设计(开发集231例，验证集61例)；2) CEUS影像组学特征提取与筛选；3) 临床CEUS特征的单因素/多因素逻辑回归分析；4) 6种机器学习算法比较与模型优化；5) 通过受试者工作特征曲线(AUC)评估模型效能。

【研究结果】

1. 特征筛选：从初始2250个影像组学特征中最终筛选出8个最具鉴别价值的特征。
2. 模型比较：逻辑回归(LR)在验证集表现最优且稳定性最佳，影像组学模型AUC达0.927，显著高于临床模型(0.768)。
3. 组合优势：整合临床CEUS特征的组合模型AUC提升至0.925，且校准曲线显示良好一致性。

【讨论与结论】
该研究首次证实CEUS影像组学在RCC亚型鉴别中的卓越价值。组合模型不仅克服了传统影像学的主观局限性，其无辐射、低成本的优势更适用于肾功能不全患者。特别值得注意的是，研究揭示了肿瘤异质性在CEUS图像中的定量表达规律——通过捕捉人眼无法识别的微血管灌注差异，8个关键特征有效反映了ccRCC更具侵袭性的生物学本质。

这项成果为临床提供了重要的决策支持工具：对于组合模型预测的高危ccRCC患者，可优先考虑手术切除或靶向治疗；而预测为non-ccRCC的病例则可能更适合主动监测或消融治疗。研究者特别指出，该模型在少数民族人群(喀什地区病例)中同样保持稳定性能，展现了良好的临床普适性。随着超声人工智能技术的发展，这项研究为肿瘤精准诊疗开辟了新的技术路径。