《Frontiers in Medicine》:Prediction of residual stones after ESWL for ureteral calculi using deep learning-radiomics-based stone heterogeneity and body composition: an interaction analysis
编辑推荐:
目的:探讨基于深度学习-影像组学的结石异质性、身体成分与输尿管结石体外冲击波碎石(extracorporeal shock wave lithotripsy, ESWL)术后残余结石之间的关联。方法:这项回顾性研究纳入2024年1月至2025年12月期间接受E
目的:探讨基于深度学习-影像组学的结石异质性、身体成分与输尿管结石体外冲击波碎石(extracorporeal shock wave lithotripsy, ESWL)术后残余结石之间的关联。方法:这项回顾性研究纳入2024年1月至2025年12月期间接受ESWL的200例输尿管结石患者,构成开发队列。另将2026年1月至2026年6月期间接受治疗的57例患者纳入作为时间测试队列。收集基线临床数据和影像学数据。提取输尿管结石的深度学习(deep learning, DL)和影像组学特征,并进行特征选择以构建DL-影像组学模型(Radscore)。使用TotalSegmentator量化T12-S4区域内脏脂肪(visceral fat)、骨骼肌(skeletal muscle)和皮下脂肪(subcutaneous fat)体积。比较临床-身体成分模型、DL-影像组学模型和列线图(nomogram)模型的预测性能。进行亚组分析(subgroup analysis)以评估列线图模型的稳定性。使用训练集得出的最佳截断值进一步探讨Radscore与身体成分在残余结石方面的交互作用(interaction)。结果:开发队列按7:3比例随机分为训练集和验证集。内脏脂肪和骨骼肌体积被纳入临床-身体成分模型,其受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)分别为0.792(0.706,0.878)、0.821(0.577,1.000)和0.827(0.710,0.943)。DL-影像组学模型的AUC分别为0.778(0.679?0.876)、0.704(0.363?1.000)和0.742(0.547?0.937)。列线图模型的AUC分别为0.893(0.835,0.952)、0.824(0.630,1.000)和0.898(0.807,0.989)。对结石位置、结石侧别和肾周炎的亚组分析显示,列线图模型无显著交互作用(P > 0.05)。校准(calibration)和决策曲线分析(decision curve analysis, DCA)表明列线图模型具有良好一致性和临床实用性。在Radscore与身体成分的交互分析中,内脏脂肪体积显著减弱了高结石Radscore相关的残余结石风险。结论:基于深度学习-影像组学的结石异质性对ESWL术后残余结石表现出良好预测性能。此外,较低的内脏脂肪体积显著减弱结石异质性对残余结石形成的影响。
论文解读:基于DL-radiomics结石异质性与身体成分预测输尿管结石ESWL术后残余结石的交互作用分析
研究背景与问题:输尿管结石是泌尿系结石常见类型,估计患病率接近20%。体外冲击波碎石(extracorporeal shock wave lithotripsy, ESWL;一种非侵入性碎石治疗)因非侵入、易操作、患者耐受性好和恢复快而广泛用于输尿管结石治疗。根据欧洲泌尿外科学会指南,小于20 mm的结石可将ESWL作为主要治疗选择,但ESWL成功率报道差异较大,范围为35%至89%,因此识别最可能获益的患者仍是临床挑战。既往研究显示,ESWL疗效受结石成分和结构特征、患者性别、皮肤至结石距离(skin-to-stone distance, SSD)、体质指数(body mass index, BMI)等多因素影响。就结石内异质性而言,Mustafa等通过纹理分析证明峰度、熵、不相似性和能量等参数是ESWL结局的重要预测因素。随着影像组学(radiomics;从医学图像中高通量提取定量特征)和深度学习(deep learning, DL;多层神经网络表征学习方法)发展,更细致表征结石微结构成为可能。就身体习惯和组织成分而言,SSD被广泛认为影响ESWL疗效,但该传输路径并非简单几何距离,而由内脏脂肪、骨骼肌、皮下脂肪和皮肤等多层组织构成;若将路径视为均质,可能忽略不同组织间声阻抗不匹配导致的能量散射和衰减。Juan等发现内脏脂肪和肾周脂肪是ESWL失败的独立风险因素,支持周围组织衰减作用。既往研究虽认识到脂肪和肌肉成分影响,但评估常依赖手动测量,耗时且存在观察者间变异,限制常规临床应用。因此,研究人员系统评估结石异质性和身体成分在输尿管结石ESWL后残余结石中的预测作用,具体目标包括:用深度学习和影像组学联合方法量化结石异质性并评估其与ESWL结局的关联;使用TotalSegmentator自动分割腹部内脏脂肪、骨骼肌和皮下脂肪并分析其与ESWL后残余结石关系;建立整合结石异质性和身体成分特征的预测模型,并进一步探讨其潜在交互作用。研究遵循影像生物标志物标准化倡议(IBSI)和TRIPOD+AI报告指南。
关键技术方法:研究人员采用回顾性研究。开发队列为2024年1月至2025年12月接受ESWL的200例输尿管结石患者,按7:3随机分为训练集140例和验证集60例;时间测试队列为2026年1月至2026年6月连续治疗的57例患者。收集临床和计算机断层扫描(computed tomography, CT)影像数据。使用U-Net结合通道变换器模块提取DL特征;3D Slicer勾画感兴趣区(region of interest, ROI);PyRadiomics提取形状、一阶、灰度共生矩阵、灰度游程矩阵及滤波后影像组学特征。TotalSegmentator量化T
12-S
4区域内脏脂肪、骨骼肌和皮下脂肪体积。经组内相关系数(intraclass correlation coefficient, ICC)、F检验、相关性过滤、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)和支持向量机-递归特征消除(support vector machine-recursive feature elimination, SVM-RFE)选择特征,构建Radscore和列线图,并进行校准、决策曲线、亚组和交互分析。
研究结果:
3.1 基线特征:共257例患者,年龄18-92岁,平均48.54±15.06岁;残余结石42例。两组在年龄、性别、高血压、最大结石直径、平均结石密度、远端输尿管直径、输尿管壁厚度、骨骼肌体积、内脏脂肪体积和Radscore差异显著(P<0.05)。训练集、验证集和测试集基线特征无显著差异。通过基线分析得出研究人群和事件分布。
3.2 特征选择与Radscore构建:ICC过滤后保留710个DL-影像组学特征,包括479个手工影像组学特征和231个DL特征。零方差过滤后612个,F检验后568个,相关性过滤后313个。LASSO与SVM-RFE交集保留4个PyRadiomics特征和1个DL特征。Radscore=β
0+β
1F
1+β
2F
2+β
3F
3+β
4F
4+β
5F
5。β
0为截距(?1.5064)。F
1为original_shape_Maximum2DdiameterRow,β
1=?0.0186;F
2为wavelet-HLH_firstorder_InterquartileRange,β
2=0.2107;F
3为DL_160,β
3=0.2824;F
4为wavelet-HHL_glszm_SizeZoneNonUniformity,β
4=1.5144;F
5为wavelet-LLL_glcm_ClusterProminence,β
5=0.4419。Dice相似系数(Dice similarity coefficient, DSC)为0.912(四分位距0.870-0.937)。内部平均AUC经调整至0.671。通过特征选择构建Radscore公式。
3.3 所有模型的特征选择与性能评价:训练队列28例残余结石,按事件每变量(events-per-variable, EPV)原则可纳入3-5个特征。LASSO回归选择8个预测因子:性别、高血压、最大结石直径、平均结石密度、远端输尿管直径、输尿管壁厚度、骨骼肌体积和内脏脂肪体积。多因素logistic回归识别输尿管壁厚度、骨骼肌体积和内脏脂肪体积为ESWL后残余结石独立预测因子。临床-身体成分模型在训练、验证和测试集的AUC分别为0.792(95%CI 0.706-0.878)、0.821(0.577-1.000)和0.827(0.710-0.943)。DL-影像组学模型AUC分别为0.778(0.679-0.876)、0.704(0.363-1.000)和0.742(0.547-0.937)。列线图模型AUC分别为0.893(0.835-0.952)、0.824(0.630-1.000)和0.898(0.807-0.989)。校准和决策曲线分析显示列线图一致性和临床实用性良好。连续净重分类改善(net reclassification improvement, NRI)和综合判别改善(integrated discrimination improvement, IDI)显示训练队列列线图较临床-身体成分模型有显著增量,验证和测试队列无显著增量。亚组分析显示结石位置、结石侧别和肾周炎状态无显著交互(P>0.05)。通过模型比较得出列线图具有较好综合性能。
3.4 身体成分特征与Radscore的交互作用:依据Youden指数,Radscore(?0.917)、骨骼肌体积(3560.578)和内脏脂肪体积(3645.864)被二分为高、低组。交互分析显示,与骨骼肌体积相比,低内脏脂肪体积显著减弱高Radscore对ESWL后残余结石风险的影响;低内脏脂肪且低Radscore患者风险最低。骨骼肌体积与Radscore交互中,骨骼肌对残余结石的保护作用相对Radscore本身较弱。通过交互分析得出身体成分可修饰结石异质性相关风险。
讨论总结与结论翻译:研究人员评估了输尿管结石特征和身体成分特征经DL-影像组学方法对ESWL后残余结石的预测价值。DL-影像组学模型表现良好(AUC=0.704-0.778,95%CI 0.363-1.000),提示结石性质在微结构层面存在明显内在异质性。既往研究报道输尿管壁厚度而非结石大小、位置或HU值是ESWL失败唯一独立风险因素;本研究显示身体成分参数,尤其内脏脂肪和骨骼肌体积,可能比传统解剖距离指标更强独立预测。低内脏脂肪体积显著减弱高Radscore对残余结石的不良影响;骨骼肌保护作用不一致,仅见于低Radscore亚组。研究人员强调这些交互发现需谨慎解释,主要作为假设生成。列线图在训练、验证和测试队列稳健,亚组无显著交互。Radscore整合宏观几何特征和微观纹理异质性,其中SizeZoneNonUniformity预测权重最高,提示结石基质内空间非均匀分布可能是能量传递受损和不完全碎裂的关键决定因素。与常规平均CT衰减相比,高阶影像组学特征提供内部晶体组织空间复杂性信息。Arikan等、Yamashita等、Xu等、Song等、Yang等研究报道的特征不同;本研究联合LASSO和SVM-RFE可更稳健识别非线性特征,DL_160补偿手工影像组学局限。时间测试队列正式统计检验未显示加入Radscore后显著增量,可能因事件数少(n=8)导致统计功效低,但AUC点估计数值提高。病理生理上,临床变量输尿管壁厚度捕获宏观炎症环境和解剖嵌顿,Radscore解码阻碍冲击波能量传递的微观晶体异质性。?oban等在传统临床预测中AUC=0.949;Pareek等在2005年报道BMI和HU值独立预测ESWL后无石率;Juan等进一步显示内脏和肾周脂肪是ESWL失败显著独立风险因素。输尿管壁厚度并非纯解剖参数,可能反映内脏脂肪、骨骼肌和皮下脂肪等多种周围组织复合效应。TotalSegmentator量化腹部身体成分后发现,除内脏脂肪外骨骼肌体积也是独立预测因子,但为保护作用。内脏脂肪分布不规则,常位于腹部器官之间,形成多个异质声界面,冲击波通过低密度和高密度交替介质时发生非线性散射和折射,导致能量耗散和聚焦效率降低;骨骼肌结构更有序均匀,含水高,声阻抗较低,冲击波通过时散射损失少;皮下脂肪未保留在最终多因素模型,可能因其位于浅层,主要作为相对均匀声介质增加皮肤至结石绝对距离,而内脏脂肪直接围绕腹膜后和输尿管,形成高度不规则密集声界面。局限包括:单中心回顾性;时间测试队列样本量小(n=57)且残余结石事件少(n=8),AUC置信区间宽,高灵敏度可能是低事件数数学伪影;缺乏直接声学或生物力学测量,结石成分数据不可用,机制解释仍属推测;生化参数和BMI缺失,无法全面评估BMI和生化标志物;无法确定ESWL后结石清除确切时间,缺乏生存分析。研究结论翻译:基于深度学习-影像组学的结石异质性对ESWL术后残余结石显示出良好预测性能。此外,较低的内脏脂肪体积显著减弱结石异质性对残余结石形成的影响。