基于术前CT影像组学-临床联合模型的腹腔镜胆囊切除术难度预测：一项回顾性单中心研究

本研究针对腹腔镜胆囊切除术(LC)难度预测的临床挑战，通过整合术前CT影像组学特征与临床指标，开发了首个基于随机森林算法的放射组学-临床预测模型。研究人员对2055例胆囊炎患者进行回顾性分析，采用超分辨率重建技术提升CT图像质量，结合Boruta-LASSO算法筛选出10个关键特征（包括Rad-Score、胆囊壁厚度GBWT、纤维蛋白原Fbg等），构建的模型在训练组和验证组分别达到0.938和0.874的AUC值，显著优于既往模型，为个体化手术规划提供了可靠工具。

　　

胆囊切除术作为胆囊炎的标准治疗方式，腹腔镜技术(LC)因其创伤小、恢复快等优势已成为金标准。然而临床实践中，约15-30%的LC手术会面临严重技术挑战，包括术中出血增加、手术时间延长、中转开腹率升高等问题，甚至可能导致胆管损伤等严重并发症。传统预测方法主要依赖临床经验和简单形态学指标，存在主观性强、准确性不足的缺陷。如何实现LC手术难度的客观、精准预测，成为临床亟待解决的关键问题。

青岛大学附属医院肝胆胰外科的研究团队创新性地将人工智能技术与临床实践相结合，开展了这项迄今最大规模的LC难度预测研究。通过整合2055例患者的术前CT影像组学特征与28项临床指标，首次构建了基于随机森林算法的多模态预测模型，相关成果发表在《World Journal of Emergency Surgery》上。

研究采用三大关键技术方法：首先应用生成对抗网络(GAN)进行图像超分辨率重建，将CT空间分辨率提升4倍至0.25×0.25×5 mm³；其次采用Boruta-LASSO双算法从2658个影像组学特征中筛选出9个最具预测价值的特征；最后通过SMOTE算法处理数据不平衡问题，并比较6种机器学习模型的性能。

研究结果部分，作者首先创新性地制定了DLC评分标准（表1），包含手术时间、中转开腹、术中并发症等6项参数，将2055例患者分为DLC组(646例)和NDLC组(1409例)。临床特征分析（表2）显示DLC患者具有更显著的炎症反应（CRP 17.68 vs 2.47 mg/L，p<0.001）和胆囊形态改变（GBWT 0.43 vs 0.33 cm，p<0.001）。特征选择过程（图3-4）通过严格的多步骤筛选，最终确定10个预测因子，其中GBWT的SHAP值最高(0.116)，显示其最强预测力。模型比较（表3）证实放射组学-临床联合模型的AUC(0.938)显著优于单一模型，DCA分析（图6c-d）证明其临床实用价值最高。

讨论部分着重强调了三个重要发现：一是首次证实LDL-C和apoA-1与手术难度呈负相关，揭示了"脂质悖论"现象在胆囊疾病中的存在；二是通过SHAP分析（图7）实现了模型可解释性，显示急性胆囊炎患者的DLC风险是慢性患者的5.9倍；三是开发的在线预测工具(http://123.56.229.150:1003)为临床实践提供了便捷接口。

这项研究突破了传统预测方法的局限性，通过多学科交叉融合，建立了首个基于AI的LC难度预测体系。其创新价值主要体现在三个方面：技术上，采用超分辨率重建解决了胆囊壁薄、难以精准分割的难题；方法学上，通过Boruta-LASSO-SHAP的组合实现了高维特征的有效降维和可视化解释；临床上，提供的在线预测工具可直接服务于手术方案制定。该成果为肝胆外科精准医疗实践提供了新范式，对降低手术并发症、优化医疗资源配置具有重要指导意义。