深度学习-影像组学模型预测输尿管软镜手术失败风险：迈向泌尿外科临床决策支持

为解决可重复使用输尿管软镜(fURS)术中易损毁的临床难题，香港大学深圳医院团队开展了一项结合CT影像组学特征与深度学习算法的预测模型研究。通过分析457例上尿路结石患者的术前影像及临床数据，构建的DTL+Rad模型在训练组和验证组分别达到AUC 0.871(95% CI 0.800-0.942)和0.744(95% CI 0.617-0.871)，决策曲线分析显示其临床净获益显著。该研究为个性化手术方案制定提供了量化工具，可降低医疗成本并优化手术资源分配。

　　

在泌尿外科领域，输尿管软镜(fURS)已成为治疗2cm以下上尿路结石的一线方案，其相较于体外冲击波碎石(SWL)和经皮肾镜取石术(PCNL)具有更低的严重并发症风险。然而这些精密器械的脆弱性却成为临床痛点——术中过度弯曲、激光碎石操作或消毒流程都可能导致镜体破损、光纤断裂，单次维修成本高达数万元，更因此延长患者手术等待时间。据统计，传统软镜平均仅能耐受6-15次操作就需要维护，而现有评估手段无法在术前准确预测器械损耗风险。

香港大学深圳医院的研究团队创新性地将人工智能技术与临床实践相结合。他们收集了2017-2021年间457例接受fURS手术的上尿路结石患者数据，通过64排CT扫描获取结石影像特征，并记录包括BMI、肾盂输尿管连接部角度(IPA)、术者资历等28项临床参数。研究采用迁移学习策略，以预训练的ResNet-50网络提取深度特征，结合LASSO算法筛选的4个关键影像组学特征（几何形状、纹理特征等），最终构建出融合临床-影像组学特征的预测模型(DLR-signature)。

关键技术包括：1) 采用3D Slicer软件进行CT图像标准化处理和感兴趣区域(ROI)标注；2) 通过最小绝对收缩选择算子(LASSO)回归从107个手工特征中筛选关键变量；3) 应用余弦衰减学习率算法优化DenseNet-121迁移学习模型；4) 采用5折交叉验证评估模型性能。所有特征均通过组内相关系数(ICC>0.85)验证其稳定性。

研究结果显示，结石体积≥1.9996cm³、IPA≤51.0337°、术者为初级医师等参数与器械损伤显著相关(p<0.001)。在模型比较中：

• 单纯放射组学特征(Rad-signature)的预测AUC为0.698
• 深度迁移学习特征(DTL-signature)达0.803
• 二者融合的DLR模型性能最优，训练组AUC提升至0.872(95% CI 0.811-0.933)，验证组为0.770(95% CI 0.546-0.994)

决策曲线分析证实，当阈值概率设定在0.892时，DLR模型可为每100例患者避免23次不必要的高成本处置。值得注意的是，该模型特异性在训练组和验证组分别达到0.935和0.806，显著优于传统评估方法。

讨论部分指出，这是首个将术前CT影像组学与术中内镜特征整合的风险分层研究。相较于需要>5000例样本的纯深度学习模型，该迁移学习方法在中等样本量(457例)下即实现临床级精度。实际应用中，高风险患者可优先选用一次性软镜，而低风险患者仍能受益于可重复器械的成本优势。研究同时揭示了结石空间分布特征（如位于肾下盏）与器械损耗的力学关联，为改进软镜设计提供了生物力学依据。

该研究的局限性包括单中心回顾性设计，以及未标准化不同术者的碎石策略（粉末化vs分段化）。作者建议未来开展多中心前瞻性验证，并探索将模型集成到手术导航系统中的可行性。论文发表于《Current Problems in Surgery》，为泌尿外科精准医疗提供了可量化的决策工具，据估算全面应用后可使医疗机构节省15-20%的器械维护支出。

（注：全文严格依据原文数据呈现，专业术语如fURS、SWL、PCNL等均在首次出现时标注英文全称，模型性能指标保留原文95%置信区间格式，统计学显著性标注p值范围。作者署名按原文顺序保留Jian Hou, Yi Ding等完整信息，单位名称按要求未使用英文表述。）