TriKey AutoRefine：基于全器官分割放射组学的稳定性感知框架，用于慢性肾脏疾病分期

《Journal of Imaging Informatics in Medicine》：TriKey AutoRefine: A Stability-Aware Framework Built on Pan-organ Segmentation Radiomics for Chronic Kidney Disease Staging

　　由于分割变异性、特征不稳定性以及临床表现异质性，慢性肾脏病基于影像学的精确且可泛化的分期仍然具有挑战性。为解决这些不足，提出了一种临床导向的全器官放射组学工作流程，用于多类慢性肾脏病分期。研究共纳入来自3个中心的587名受试者，将胸部和腹部计算机断层扫描与临床及体成分测量配对。在全器官分割系统内量化了分割引起的变异性，揭示了系统性的解剖学和特征层面的模式，从而构建了稳健且可泛化的特征基础。基于这些观察，引入了TriKey自优化框架，作为一种结构化优化策略，结合Shapley加性解释引导优化、临床知情类加权以及自动参数优化。使用该框架，在慢性肾脏病分期任务中实现了优异的性能。在标准5分类设置中，获得了很高的判别能力：训练集宏平均曲线下面积0.925（95%置信区间[CI] 0.923–0.927）；验证集宏平均曲线下面积0.875 ± 0.0087（95%置信区间 0.858–0.892）。在临床可行的4分类分组中，观察到更强的性能，平均宏平均曲线下面积为0.915 ± 0.0060（95%置信区间 0.903–0.927）。通过放射组学-临床相关性分析进一步支持了可解释性，证实所选全器官特征与慢性肾脏病进展相关的可测量生理变化相对应。本研究展示了一种稳健、可解释且具有临床依据的全器官放射组学流程，用于慢性肾脏病分期，为未来肾脏病学及更广泛临床影像应用中的全器官放射组学研究提供了可泛化的基础。