基于放射组学和机器学习的输尿管结石ESWL疗效预测模型构建与验证

本研究针对输尿管结石体外冲击波碎石术(ESWL)疗效预测难题，通过整合放射组学特征与常规影像参数，开发了机器学习预测模型。研究团队回顾性分析329例患者数据，筛选出近端输尿管直径(UDPS)、结石-皮肤距离(SSD)等关键指标，结合LASSO算法提取的6个放射组学特征构建Rad-score。逻辑回归(LR)模型表现最优，测试集AUC达0.888，为临床决策提供量化工具。该成果发表于《BMC Medical Imaging》，推动了个体化治疗策略发展。

　　

输尿管结石是全球范围内日益增长的泌尿系统疾病，患者常因剧烈疼痛急诊就医。体外冲击波碎石术(ESWL)作为无创治疗手段，虽具有成本低、并发症少等优势，但单次治疗成功率波动较大。传统预测方法主要依赖结石大小、密度等直观参数，难以全面评估复杂影响因素。如何精准预测ESWL疗效，避免患者承受多次无效治疗，成为临床亟待解决的难题。

重庆西部医院的研究团队开展了一项创新性研究，通过融合放射组学(Radiomics)与机器学习(ML)技术，建立了输尿管结石ESWL疗效预测系统。该研究回顾性纳入了329例接受单次ESWL治疗的患者，采用非对比CT图像提取1595个放射组学特征，结合常规影像参数，开发了具有临床实用价值的预测模型。研究成果发表于《BMC Medical Imaging》，为个体化治疗决策提供了新思路。

研究采用多学科交叉方法：首先通过3D Slicer软件手动勾画结石感兴趣区域(ROI)，利用PyRadiomics提取标准化特征；采用LASSO回归筛选特征构建Rad-score；最后比较随机森林(RF)、K近邻(KNN)等五种机器学习算法性能。所有CT参数测量均由两名放射科医师独立完成，通过组内相关系数(ICC)评估一致性。

患者特征
纳入标准严格限定为4-20mm单侧输尿管结石患者，训练集与测试集按7:3比例随机分配。基线分析显示两组在年龄、性别等参数上无显著差异，保证了数据可比性。

特征选择与Rad-score构建
从1093个稳定特征中筛选出6个关键特征，包括灰度游程矩阵(GLRLM)的RunEntropy等纹理特征。Rad-score计算公式整合了各特征权重，成功区分治疗成功与失败组(P<0.01)。

机器学习模型性能比较
逻辑回归(LR)模型展现出最佳平衡性：测试集准确率83.8%，敏感性84.9%，特异性82.6%。SHAP分析揭示Rad-score和UDPS是最具预测力的特征，校准曲线证实模型具有良好临床适用性。

讨论与结论
该研究创新性地将微观纹理特征与宏观解剖参数相结合，解决了传统预测方法的局限性。提出的LR模型不仅性能优异（AUC 0.888），还通过诺模图(Nomogram)实现了可视化应用。研究局限性包括单中心回顾性设计，未来需通过前瞻性多中心验证。这项成果标志着人工智能辅助泌尿系结石治疗迈出重要一步，为临床医生提供了可靠的决策支持工具。

值得注意的是，模型特别强调了近端输尿管扩张(UDPS)的关键作用，这与输尿管蠕动功能受损的病理机制相符。而放射组学特征对结石内部异质性的量化，超越了传统CT值的单一评估维度。该系统的推广应用有望优化医疗资源配置，减少患者不必要的治疗痛苦，代表了个体化医疗在泌尿外科实践中的重要进展。