综述：泌尿系统结石疾病中的成像工程与人工智能：低剂量计算机断层扫描、光谱技术及预测模型 饭岛庄太（Shota Iijima）、 宇守隆信（Takanobu Utsumi）、 池田梨乃（Rino Ikeda）、 石塚直树（Naoki Ishitsuka）、 野保隆秀（Takahide Noro）、 铃木勇太（Yuta Suzuki）、 杉崎由香（Yuka Sugizaki）、 相本隆敏（Takatoshi Somoto）、 冈良（Ryo Oka）以及 铃木宏敏（Hiroyoshi Suzuki） + 另有2位作者

《Eng》：Imaging Engineering and Artificial Intelligence in Urinary Stone Disease: Low-Dose Computed Tomography, Spectral Technologies, and Predictive Models Shota Iijima, Takanobu Utsumi, Rino Ikeda, Naoki Ishitsuka, Takahide Noro, Yuta Suzuki, Yuka Sugizaki, Takatoshi Somoto, Ryo Oka and Hiroyoshi Suzuki + 2 authors

　　摘要 尿石症是一种常见且容易复发的疾病，目前越来越多地通过影像学检查来进行诊断和管理。然而，标准剂量的肾脏、输尿管和膀胱CT扫描（CT KUB）引发了关于累积辐射暴露的担忧，同时定量影像信息在风险分层中的应用也较为有限。本文综合了当前关于优化剂量CT、先进光谱技术和人工智能（AI）驱动的分析方法的最新证据，这些技术正在重塑诊断、治疗选择和分诊的方式。文章总结了支持低剂量和超低剂量CT方案的数据，这些方案在保持诊断准确性的同时显著降低了辐射剂量，并讨论了双能量CT、光子计数CT和放射组学在非侵入性结石特征描述以及提取除大小和位置之外的影像生物标志物方面的应用。此外，文章还探讨了AI技术在CT、KUB和超声波检查中的自动检测、分割和体积量化应用，强调了这些技术在标准化结石负担指标方面的潜力。同时，文章还分析了包括逻辑回归、 nomograms和机器学习在内的预测模型，用于预测术后感染并发症、急诊科就诊或干预、手术成功率以及长期复发情况，并概述了报告和验证框架及实施注意事项，包括作为医疗设备的软件监管和人为监督等方面。与以往仅分别考虑影像学和AI的综述不同，本文将剂量降低、光谱特征分析和AI驱动的分析结合到实际临床路径中，以区分已建立的临床应用和仍处于研究阶段的方案。将先进的CT和AI成果整合到经过充分验证的预测模型中，并嵌入到实际工作流程中，可能实现更安全的影像检查、更一致的分诊以及更加个性化的尿石症随访。

1. 引言
尿石症在全球范围内非常普遍，且伴随着日益增加的临床和经济负担。最近的一项全球疾病负担分析估计，每年新发病例超过1亿例，尽管年龄标准化率有所下降，但2000年至2021年间新发病例数、死亡人数和伤残调整生命年都显著增加[1]。尿石患者通常年龄较轻或中年，且经常复发；流行病学证据表明其10年复发率为30%-50%，尿石症与肥胖、糖尿病和心血管疾病的关系日益密切[2]。急诊科（ED）的就诊率也随之上升。在美国，从20世纪90年代初到2010年代，与尿石症相关的急诊就诊、影像学检查和药物治疗显著增加，现在大多数怀疑肾绞痛的情况都会进行计算机断层扫描（CT）检查[3]。对快速影像学检查和及时干预的依赖也暴露了尿石症治疗路径对系统级冲击的脆弱性[4]。非造影剂肾脏、输尿管和膀胱CT（CT KUB）已成为急性腰痛评估的参考标准，因为它具有高灵敏度和特异性，能够排除其他诊断[5]。在许多医疗系统中，非造影剂CT KUB被广泛用于评估怀疑肾绞痛的非妊娠成人患者，因为其具有高诊断准确性和检测其他诊断的能力。然而，不同指南和实践环境中的初始影像学建议存在差异，对于儿童、孕妇和部分低风险成人，通常首选超声检查（US），而在诊断不明确或持续临床怀疑时才会选择CT[6,7]。然而，CT检查涉及电离辐射的暴露，而反复发作的患者可能需要终生进行多次影像学检查；此外，许多治疗路径仍然依赖于二元判断（“有结石吗？”“是否梗阻？”），而非基于定量风险的评估，如败血症、紧急减压或复发风险的评估。

过去十年中，CT工程和图像分析领域的创新开始改变这一现状。系统性回顾和荟萃分析表明，低剂量和超低剂量CT（LDCT和ULDCT）在保持优异诊断准确性的同时，可将辐射暴露降低40%-80%，相比标准肾部CT方案[8,9]。光子计数CT（PCCT）进一步提高了空间分辨率和对比度噪声比，可能实现高效剂量的尿石症治疗方案[10]。双能量CT（DECT）和放射组学方法现在可以非侵入性地推断结石成分，从而指导治疗选择，例如药物溶解疗法与冲击波碎石术或内镜介入治疗[11,12,13]。与此同时，人工智能（AI）迅速应用于尿石症影像学检查。深度学习模型已在非造影剂CT上展现出强大的自动结石检测和体积分割能力[14,15]，类似方法也已扩展到肾脏、输尿管和膀胱（KUB）的普通X光检查以及超声检查[16,17]。除了检测之外，放射组学和AI衍生的影像特征正越来越多地与临床变量结合，用于预测全身炎症反应综合征（SIRS）或败血症的风险、急诊科就诊或泌尿科干预的需要以及长期复发风险[18,19,20,21,22]。对于长期预后，肾结石复发（ROKS）nomogram利用临床和影像学预测因子提供了个体化的第二症状发作风险估计，修订后的ROKS工具表明每次复发都会使复发风险急剧增加[18,19]。在内镜手术决策中，也逐渐倾向于量化方法：术前评分系统和nomograms利用术前影像学和患者因素来预测柔性输尿管镜检查后的无结石结局，从而实现个性化咨询和预期设定[20]。在急性护理中，预测输尿管结石患者尿路感染的nomograms，包括最近的外部验证和优化研究，强调了如何结合临床、实验室和CT数据来识别高风险患者[21]。关于机器学习（ML）在尿石症中的应用，更广泛的综述涵盖了其在诊断、治疗和预后方面的多种用途，同时指出了方法学上的异质性和严格外部验证的必要性[22,23,24,25]。本文从临床角度综合了这些进展，评估了LDCT/ULDCT和先进CT技术（DECT、PCCT、放射组学），总结了CT、KUB和超声检查中的AI模型，并讨论了预测建模和AI驱动的分诊策略。本文独特地整合了：(i) 优化剂量的CT采集方案；(ii) 用于精确结石特征描述的光谱CT平台（DECT/PCCT）和放射组学；(iii) 在CT、KUB放射学和超声检查中由AI驱动的检测和分割；(iv) 预测和分诊模型，重点讨论了报告标准、验证和实施注意事项。通过将这些元素与实际临床路径相结合，本文明确了已确立的临床应用和仍处于研究阶段的方案，并提供了可行的指导，以将其转化为常规实践。

2. 文献识别与选择
在PubMed中进行了针对性的文献搜索。搜索策略结合了与尿石症/肾结石、LDCT、CT KUB、DECT、光子计数CT、放射组学、深度学习、分割和预测模型/分诊相关的术语。优先考虑了英文的人类研究、荟萃分析和具有临床相关性的关键技术评估。还筛选了纳入文章的参考文献列表以识别其他相关 publication。最终的综述重点关注了代表当前关于优化剂量CT、光谱特征分析、基于AI的检测/分割和预测模型证据的出版物。

3. 当前影像工作流程与未满足的需求
在当前的实践中，CT KUB是许多医疗系统中怀疑肾绞痛的成人患者的主要评估手段。综合回顾和指南声明一致认为，CT对于上尿路结石具有最高的灵敏度和特异性，已成为非妊娠成人急诊科的实际情况标准[5,6,7,26,27]。CT可以在一次检查中确认输尿管结石、准确测量其大小和位置、评估梗阻情况，并排除其他诊断。指南声明和专家评论普遍认为，对于许多怀疑尿石症的非妊娠成人来说，非造影剂CT是首选的诊断方法，因为它具有高灵敏度和特异性，能够评估梗阻和其他诊断。尽管如此，不同专业协会和护理环境中的影像学路径存在差异，当优先避免辐射或临床风险较低时，通常采用超声检查首先；而在超声检查无法确诊或症状持续存在时，才选择CT[6,7,28,29]。因此，在许多急诊科，典型的肾绞痛患者会直接进行CT KUB检查，而超声或KUB检查则更为选择性使用[5]。相比之下，儿童、孕妇和部分低风险成人通常首先采用超声检查，只有在超声检查结果不确定或临床怀疑仍存在时才选择CT[5,29]。对于随访，指南和专家评论通常推荐使用超声和/或KUB来确认结石是否排出或监测残留碎片，仅在症状持续、解剖结构复杂或检查结果不确定时才使用CT[5,6,7]。然而，实际证据表明，在随访过程中仍然大量使用CT，尤其是当采用标准剂量CT方案时，反复发作的患者可能会在多年影像学检查中累积大量辐射[3,5]。这种护理模式存在几个未满足的需求：辐射管理：在年轻且复发的患者中平衡CT的诊断性能与累积剂量问题；定量分诊：超越二元检测，将影像特征（大小、数量、位置、Hounsfield单位、梗阻）整合到对败血症、紧急干预和复发风险的结构性预测中；工作流程效率和公平性：解决扫描仪访问、报告延迟和专业知识差异等问题，这些问题可能会妨碍快速、一致的分诊。总体而言，这些差距推动了LDCT/ULDCT、先进光谱CT和AI工具的广泛应用，这些工具可以从每次影像学检查中提取更大的临床价值，同时减少危害。图1展示了一个以工作流程为导向的框架，说明了优化剂量CT、光谱CT/放射组学和AI工具在急诊分诊、手术计划和随访中的价值。

4. 用于尿石症的LD和ULD CT
从实际角度来看，尿石症的CT策略位于剂量与信息之间的连续谱上：优化剂量的方案保持了诊断能力，而光谱技术则增加了可能影响治疗的特征描述。表1简洁地总结了这种比较，图2说明了这些CT方法与尿石症更广泛临床工作流程的关系。表1. 尿石症CT方法的实用总结。图2. 尿石症CT技术的演变：辐射剂量与信息产出的关系。DECT，双能量CT；LDCT，低剂量CT；PCCT，光子计数CT；SECT，单能量CT；ULDCT，超低剂量CT。标准肾部CT方案通常提供的有效剂量在8-16毫希沃特（mSv）范围内，这引发了关于累积暴露的担忧，特别是在年轻和反复发作的患者中[5]。早期的剂量降低研究表明，显著减少管电流和电压是可行的，但需要荟萃分析数据来支持广泛采用[30]。然而，实际采用降低剂量的CT方案在不同机构和实践环境中的情况仍然参差不齐[31]。Niemann等人进行了最早专注于尿石症的LDCT荟萃分析之一，汇集了7项研究（1061名患者），这些研究使用的方案有效剂量低于3 mSv。他们报告的合并灵敏度和特异性分别为0.966和0.949，与标准剂量CT相比，结果表明LDCT可以作为疑似肾绞痛的初始影像学技术，尽管在肥胖患者中存在一些限制[32]。Xiang等人后来对LDCT KUB进行了系统回顾和荟萃分析，同样发现LDCT对于临床意义显著的结石具有出色的诊断准确性，合并灵敏度和特异性分别为93.1%和96.6%[8]。不同研究中报告的LDCT诊断性能存在差异，原因包括患者体型和图像噪声、结石大小和解剖位置（尤其是小的远端输尿管结石）以及类似静脉结石的混淆因素。此外，采集参数（kVp/mAs和剂量目标）、重建方法和结果定义的差异限制了直接跨研究的比较。Rodger等人[9]通过区分LDCT（<3.5 mSv）和ULDCT（<1.9 mSv）方案，在1529名患者中进行了研究。他们发现，相对于标准剂量CT，LDCT和ULDCT的诊断准确性分别为94.3%和95.5%，个别系列的灵敏度高达98%，特异性高达100%[9]。单中心研究支持了这些发现。Klüner等人显示，与腹部KUB相当剂量的多层ULDCT（男性/女性：0.5/0.7 mSv）能够可靠地检测到肾结石和输尿管结石[33]。Moore等人报告称，在急诊科患者中，降低剂量的CT保持了高灵敏度和特异性，能够在90天内检测到几乎所有需要干预的结石[34]。最近，ULDCT在随访环境中也得到了评估。Cheng等人证明，亚毫希沃特的ULDCT在随访尿石症方面非常有效，能够检测到KUB或超声经常遗漏的小型和远端输尿管结石，同时保持非常低的有效剂量[35]。Kandasamy等人前瞻性地比较了已知患有尿石症的患者中，肾脏、输尿管和膀胱的亚毫希沃特（sub-mSv）超低剂量计算机断层扫描（ULDCT）与X射线KUB的结果，发现ULDCT在相似或更低的剂量下对肾内和输尿管结石的检测敏感性更高，这支持ULDCT作为CT可用的情况下KUB的更优替代方案[36]。由于重建技术的进步，使得CT剂量可以从低剂量降低到超低剂量。迭代重建技术可以减少噪声，并在不影响结石检测或泌尿系统外病变评估的情况下减少40-60%的剂量[37]。深度学习重建进一步改善了噪声-纹理特性，并能够在亚毫希沃特剂量下恢复图像质量。Zhang等人比较了低剂量CT与混合迭代重建以及使用深度学习重建的ULDCT在疑似肾结石患者中的效果；使用深度学习重建的ULDCT在大约25%的低剂量CT剂量下达到了类似的检测率[38]。在实际应用中，LDCT/ULDCT在对患者进行中等至高预测试概率评估且没有严重肥胖的情况下表现最佳，并且在已知结石存在和位置的情况下进行随访时特别有用[37,38,39]。总体而言，这些数据支持LDCT/ULDCT作为注重辐射安全的泌尿系统结石疾病成像策略中的核心工具（表2）。表2. 尿石症中低剂量和超低剂量CT的临床证据。

5. 先进的CT技术：频谱CT、光子计数CT和放射组学
结石的成分是管理的关键决定因素：尿酸结石可能适合通过药物溶解治疗，而草酸钙结石、 Brushite结石和胱氨酸结石则更常需要内镜介入治疗，并且对冲击波碎石术的反应不同。DECT是首个专为非侵入性成分评估设计的重大CT创新。在一项开创性的体内研究中，Hidas等人证明DECT可以利用衰减率阈值区分尿酸结石、胱氨酸结石和钙化结石，其总体准确率约为82%，与X射线衍射相比[11]。Eliahou等人回顾了DECT在尿石症中的应用，并得出结论DECT可以可靠地区分尿酸结石和非尿酸结石，并经常识别胱氨酸结石，从而为选择药物溶解或手术治疗提供依据[40]。Leng等人在一个模拟研究中将DECT扩展到混合结石的检测，表明DECT可以在不同的模拟人体尺寸下以较低的误差量化尿酸结石和非尿酸结石的比例，比二元分类提供了更细致的描述[41]。在实际应用DECT时，了解技术特定问题和结石模拟物有助于提高解读效果[42]。PCCT代表了一种新的探测器技术，它在光子级别捕获能量分解信息，并且在相同或更低剂量下提供了更高的空间分辨率和对比度噪声性能。Niehoff等人评估了98例尿石症患者的低剂量腹部PCCT，报告称逐步降低图像质量水平可以在不损害定量指标或放射科医生对结石检测信心的前提下大幅节省剂量[10]。总之，这些数据表明PCCT可以通过提高小结石的可见度和实现更丰富的光谱特征来与LD/ULDCT策略协同工作，而不会降低诊断质量。

放射组学为这些成像数据集增加了一个分析层次[45]。Kaviani等人应用基于阈值的分割和放射组学方法对单能量无对比剂CT图像进行尿酸结石与非尿酸结石的分类，获得了0.78的接收者操作特征曲线下面积（AUC），并证明可以从标准CT中提取与成分相关的特征，而无需专门的DECT协议[12]。Huang等人使用常规CT对195名患者开发了一个放射组学模型，报告称该模型在识别尿酸结石时的AUC为0.81-0.89，优于简单的Hounsfield单位（HU）阈值方法[13]。Hertel等人利用基于PCCT的频谱放射组学在一个体外数据集中对六种结石类型进行了分类，实现了稳健的多类区分，并展示了PCCT结合放射组学如何实现细微的结石分型[46]。除了成分分析外，放射组学还被探索用于风险分层。Lu等人将CT放射组学与临床变量结合起来，区分肾结石相关的尿路感染与非感染结石，取得了优异的区分效果，并支持放射组学衍生生物标志物在早期识别感染结石方面的潜在用途[47]。总体而言，DECT在拥有该技术的中心已经足够成熟，可以用于常规的成分分类[11,41,48]，而PCCT和放射组学仍然是实现高效、信息丰富的成像的具有前景的方法，这些成像方法可以指导治疗选择和风险分层[10,12,13,46,47]。

6. 用于自动化检测、分割和量化的AI
在已发表的尿石症AI研究中，公开的成像数据集仍然有限，大多数模型是使用单中心回顾性队列开发的。数据集的构成，包括患者选择、模拟情况的普遍性、扫描仪供应商、剂量和重建设置，以及注释策略和是否存在外部测试，都会显著影响报告的性能和临床泛化能力。表3总结了代表性研究中数据集特征和评估设计的要素，包括训练、验证和测试分割，以及外部验证[3]。基于CT的AI在尿石症领域发展迅速。Parakh等人开发了一个级联卷积神经网络（CNN）用于在未增强CT图像上检测尿石，报告了0.95的AUC，并且在内部和外部数据集中对具有临床意义的结石都具有高敏感性[14]。Elton等人开发了一个深度学习系统，用于在无对比剂CT图像上进行自动肾脏结石检测和体积分割；在他们的队列中，病变级别的敏感性为0.86，自动体积估计与手动参考标准高度一致[15]。这些研究表明，AI可以达到放射科医生水平的检测性能，同时为手术计划和长期随访提供客观、可重复的结石负荷指标。Cui等人结合三维深度学习和阈值分割技术来自动化结石检测，并从CT计算S.T.O.N.E.肾结石测量评分，从而将AI生成的输出与经过验证的经皮肾结石切除术（PCNL）复杂度分级框架联系起来[49]。Kim等人在一个无对比剂CT上训练了一个深度学习分割网络，报告了大约0.80的Dice系数用于结石掩模的分类，并且在结石计数上具有高度一致性，即使在多结石患者中也支持完全自动化的分割[50]。AI还被扩展到成本较低的成像模式。Kobayashi等人开发了一个基于CNN的计算机辅助诊断系统，用于在1017名患者的KUB图像上诊断上泌尿道结石；该模型在诊断近端输尿管结石方面具有高敏感性，并提高了读者的性能[16]。Preedanan等人提出了一个级联U形网络流程，用于在腹部KUB图像上进行尿石分割，结合了器官定位、结石嵌入数据增强和病变大小重新加权，以提高小结石的召回率[51]。Liu等人开发了一个基于深度学习的计算机辅助诊断系统，用于在KUB图像上检测尿石症，使用了104名患者的355张图像，并进行了额外的预处理和增强[52]。他们的研究支持AI辅助KUB解读在急性护理环境中的可行性，并强调了此类系统在需要快速图像审查时帮助急诊医生的潜力。Ahmed等人应用了一个基于视觉几何组16层网络的分类器，结合梯度加权类激活映射来识别KUB X光片上的结石，达到了大约95%的准确率，同时生成了定位模型预测的图像区域的heatmap[53]。Obaid等人开发了一个集成深度学习系统，用于将噪声 kidneys超声图像分类为正常与含结石，展示了AI在噪声条件下的稳健性能，并强调了AI增强具有挑战性的超声检查的潜力[17]。总的来说，这些研究表明AI可以自动化CT、KUB和超声的检测、分割、体积测量和评分，并可能减轻放射科医生的工作负担，同时提供标准化的定量输出。这些输出包括结石的存在、数量、大小、体积和成分替代指标，可以整合到风险预测模型中。然而，大多数已发表的模型仍然是单中心和回顾性的，受到有限训练数据集的限制，并缺乏全面的外部验证，这凸显了需要进行严格的前瞻性评估和多中心测试的必要性[22]。尽管进展迅速，但许多结石检测/分割研究仍然是回顾性的和单中心的，样本量通常较小，外部验证也有限。报告的性能可能受光谱效应和不同机构间的注释惯例的影响。此外，指标往往是在精心挑选的测试集上报告的，可能无法反映现实世界中模拟情况的普遍性或操作限制。因此，目前的许多文献可以被视为概念验证，强调了多站点外部验证、在校准评估中的需要，以及量化临床效用和工作流整合的前瞻性影响研究。为了提高可重复性和临床可解释性，应按照如《医学成像中的人工智能检查表》等既定清单报告数据集构成、参考标准和评估设计[54]。

7. 尿石症的预测模型和AI分诊
逻辑回归模型将结果的概率表示为p = 1/(1 + e?(β0 + βTx))，从而得出基于临床和影像特征的可解释的比值风险估计。支持向量机（SVM）模型定义了一个最大化类别间边界的决策边界，并可以通过核函数处理非线性关系。集成方法，如梯度提升，结合多个弱学习器以提高区分能力，当预测因子之间存在复杂交互作用时尤其有用。无论模型家族如何，校准和具有临床意义的决策阈值对于安全实施都是必不可少的。尿石症中的预测模型涵盖了围手术期感染、急诊室处置和干预以及长期结果。表4提供了代表性模型、关键输入和目标终点的概述[4]。7.1. 围手术期感染
PCNL和输尿管镜检查后的SIRS和尿脓毒症是风险预测的关键目标。Tang等人在785名PCNL患者中开发了一个逻辑回归Nomogram，使用中性粒细胞与淋巴细胞比率、S.T.O.N.E.评分、女性性别和阳性尿培养来预测术后系统感染（SIRS和尿脓毒症），获得了约0.8的C指数和良好的校准效果[55]。Zhang等人比较了337例PCNL病例中的逻辑回归和多种机器学习算法，发现SVM模型在预测SIRS方面的AUC为0.94，优于逻辑回归；关键预测因子包括炎症指标、结石特征和手术因素[56]。对于有输尿管结石的患者，也开发了Nomogram来预测尿脓毒症的风险。一项最近的Diagnostics研究在日本队列中对外部验证了Hu的Nomogram，并识别出新的基于CT的风险因素，如结石的低CT衰减和更高的肾积水等级，从而创建了一个改进的模型，用于早期预测输尿管结石患者的尿脓毒症[21]。这些模型展示了如何结合临床、实验室和CT特征来识别可能需要早期减压、长期抗生素治疗或重症监护病房监测的高风险患者[7.2. 急诊室分诊、入院和干预
在急诊室， immediata分诊问题不仅仅是是否有结石，还包括谁需要入院或紧急泌尿系统干预。Daniels等人分析了475名通过CT确认有输尿管结石的成人患者，发现只有20%的患者被收入院，17%在90天内接受了泌尿系统干预[57]。入院和干预的预测因子包括症状负担和临床严重性的标志物，以及与结石相关的因素，如较大的结石大小和近端输尿管位置。这些发现强调了结果的可变性和预测工具在标准化决策中的潜在作用。Haifler等人将ML应用于≤5毫米的 输尿管结石患者，表明临床和影像特征的结合可以预测需要手术干预的情况，并具有良好的区分能力[58]。有影响力的变量包括结石大小、结石位置和反映急性表现严重性的选定的临床参数。他们的研究表明，增强ML的分诊可以帮助避免不必要的入院和危险出院，通过识别不太可能通过保守治疗自行排石的小结石患者[7.3. 长期复发和手术成功率
在更长的时间范围内，预测模型关注复发和手术成功率。Rule等人最初的ROKS Nomogram使用了Olmsted County的首次结石形成者人群来估计第二次症状发作的风险，5年复发风险根据年龄、性别、身体质量指数（BMI）、家族史、结石类型和基线因素而有所不同，范围从<1%到接近50%[18]。沃恩等人后来使用超过3000例结石形成病例和多个发作事件，创建了一个修订版的ROKS工具，结果显示每次发作后复发风险都会显著增加，并且还受到成像特征的影响，如结石位于肾脏下极、结石数量和最大直径等因素[19]。这些工具为预防策略的强度提供了依据，并且可以在未来的随访算法中与成像-AI输出集成。在外科领域，用于预测内镜泌尿科手术后无结石率（SFR）的诺模图和评分系统已经大量出现。最近，日本泌尿协会发布了一份综述，概述了开发、验证和实施泌尿系统肿瘤诺模图的逐步框架，其中强调的原则同样适用于与结石相关的预测工具[25]。最近，李等人开发并对外部验证了一种针对下极肾结石患者逆行肾内手术后SFR的机器学习模型；Light Gradient Boosting Machine模型的预测性能最高，而结石负荷、Hounsfield单位（HU）、盆腔结石角度和肾盂长度被证明是影响最大的特征[59]。这些发现表明，非线性算法可能更好地捕捉到结石负荷、密度和肾盂肾盏解剖结构之间的相互作用，尽管仍需进行前瞻性验证和更广泛的普遍性研究。

从预测模型到人工智能辅助的分诊，在这些领域中可以发现几个方法学主题。首先，许多模型来自样本量有限的单一中心队列，容易发生过拟合；独立的外部验证相对较少[22,55,56,57,58,59]。其次，尽管有证据表明CT衰减、结石体积和放射组学特征具有预后信息，但只有少数泌尿系统结石模型结合了除大小和位置之外的图像衍生特征[12,13,19,21]。第三，临床实用性很少通过决策曲线分析、工作流模拟或影响研究来进行前瞻性测试[60]。可以使用预测模型偏倚风险评估工具及其最新的人工智能扩展来系统地评估偏倚风险和适用性，从而补充透明报告并促进更安全的转化[61,62]。在整个文献中，没有一种机器学习模型是普遍优越的，因为性能取决于具体任务和底层数据结构。对于以成像为中心的任务，如结石检测和分割，深度学习方法通常通过直接从CT、KUB或超声图像中学习层次化特征来展示最一致的性能提升。对于表格预测任务，如SIRS/败血症或急诊科（ED）干预，当临床、实验室和图像衍生预测因子之间存在复杂相互作用时，非线性模型（如SVM和梯度提升）可能提高区分度；然而，直接比较受到终点异质性、队列组成和外部验证的限制。

在概念上，向人工智能辅助分诊过渡的道路是清晰的。自动化成像流程可以输出标准化描述符，如结石存在、数量、最大直径、总体积、HU分布和阻塞等级，这些描述符输入到预测模型中，用于术前SIRS/败血症、急诊科入院/干预和长期复发的预测。然后，逻辑回归和机器学习模型可以将这些特征与临床和实验室数据结合起来，生成在护理点显示的个性化风险估计。TRIPOD和TRIPOD + AI提供了确保这些模型透明开发和报告的框架[23,24,25]。图3展示了一个概念性流程，将成像输入与基于人工智能的检测、分割和量化以及校准后的预测模型连接起来，用于急诊科分诊决策和纵向管理。

在泌尿系统结石的预测和分诊模型中，由于结果定义和时间范围的异质性，直接比较性能指标是有限的。感染结果可能从SIRS到尿路败血症不等，急诊科的终点也从入院到干预不等。预测因子定义也各不相同，校准报告也不一致，许多研究仅关注区分度。一致采用透明报告框架、明确的结果定义和常规的校准评估将提高可解释性，促进外部验证，并支持更安全的临床转化。

为了便于实际应用，所回顾的技术根据转化准备度进行了分类，从而帮助临床医生和工程师将他们的期望与实际可部署性对齐。表1总结了本综述中讨论的成像和人工智能方法的转化准备度。表1. 尿石症成像和人工智能的转化准备度图。临床已建立的• 适用于适当选择成年人的疑似结石的LDCT协议，注意体型和协议标准化。• 在具有适当采集和后处理能力的中心，基于DECT区分含有尿酸的结石和含有钙的结石。新兴但有前景的• 用于结石成像和剂量高效光谱特征的PCCT应用。• 基于CT的放射组学用于结石成分或脆弱性评估，尽管外部验证仍然有限。实验/概念验证• 无稳健多站点外部验证的人工智能辅助急诊科分诊工具和自动检测/分割模型。• 基于机器学习的并发症或干预预测模型，缺乏一致的结果定义、校准报告或前瞻性影响评估。

在临床实践中，该框架可用于将急诊科分诊、手术计划或随访与最低剂量和最佳验证的选项对齐，从而可能影响管理。它还可以帮助机构区分需要前瞻性验证、工作流测试或监管成熟的技术与仍需常规部署的技术。尿石症的人工智能辅助成像和预测工具属于医疗设备（SaMD）这一更广泛的类别。美国食品药品监督管理局（FDA）的人工智能/机器学习SaMD行动计划及相关指南概述了针对人工智能/机器学习设备的监督框架，强调严格的上市前评估、上市后性能监测和模型更新管理，以及减少不同人群亚组间的偏倚[63]。FDA还维护了一个授权的人工智能/机器学习医疗设备的公共注册表，其中许多是专注于放射学的。在欧洲，医疗器械法规和欧盟人工智能法案的结合预计会将许多医疗AI系统归类为高风险，需要风险管理系统、高质量训练数据、透明度和人类监督[64]。放射学中的人工智能伦理指导强调系统应促进福祉、最小化伤害、公平分配利益、尊重隐私和自主权、保持透明和可靠，并保留人类责任[65,66]。在尿石症中，这些原则转化为对代表性数据集（包括多样化的患者群体和扫描仪平台）、稳健的外部验证、透明报告（TRIPOD+AI）以及临床医生保留最终决策权的工作流程的要求。

除了实验原型之外，市售的后处理平台已经可以在常规临床实践中支持结石特征的关键组成部分。例如，专用应用可以实现结石负荷的标准化量化（例如最大直径、体积和衰减衍生指标），并生成可视化输出（例如叠加图像），从而增强放射学和泌尿科之间的沟通。此外，特别是DECT中的光谱CT后处理可以促进与成分相关的评估，包括区分尿酸结石和非尿酸结石，前提是具备适当的采集和处理流程。总之，这些例子突显了一条通往临床转化的实际途径；然而，实际影响取决于统一的成像协议、明确的预期用途定义、与临床信息系统的互操作性以及持续的性能监控。来自其他放射学人工智能工具的实施经验表明，无缝集成到图像存档和通信系统以及放射学信息系统中，自动背景处理，以及提供简洁、可操作的输出（例如结石叠加图像、标准化指标、风险分数）对于采用至关重要。建议在激活临床决策支持之前，先进行前瞻性 silent-mode 部署，在此期间人工智能运行而不影响护理，同时系统地监控性能和故障模式[63,65,67]。

尿石症的未来重点包括：整合高级成像输出（DECT/PCCT特征、放射组学、人工智能分割）与临床和实验室数据的多模态模型。根据TRIPOD+AI指南，对预测模型进行严格的、透明的评估，包括校准、决策曲线分析和外部验证[23,24]。前瞻性影响研究，以确定人工智能辅助分诊是否能够缩短梗阻性感染结石的减压时间、优化入院决策或减少不必要的成像而不增加不良事件。当将人工智能辅助工具作为临床干预进行评估时，试验方案和报告应遵循《干预试验标准方案：人工智能（SPIRIT-AI）》和《报告试验的统一标准：人工智能（CONSORT-AI）》扩展，以确保完整性和透明度[68,69]。评估性别、年龄、种族、BMI、合并症、扫描仪类型和剂量水平的公平性和稳健性。优先考虑增强临床医生表现和患者沟通而非仅自动化的人工智能-人类协作范式[22,65,66]。

如果解决了这些技术、监管和伦理挑战，尿石症将成为临床上有意义的成像工程和人工智能整合的典范。