目的观察CT影像组学机器学习(ML)模型预测泌尿系结石经逆行输尿管软镜碎石术(RIRS)后清石率(SFR)的价值。方法 回顾性纳入216例接受RIRS的泌尿系结石患者并将其分为残余组(n=73)及无残余组(n=143)。以单因素及多因素logistic回归分析临床资料及结石CT表现,筛选RIRS后SFR独立预测因素。分别利用窗宽窗位归一化联合最大最小归一化(记为方法 a)、最大最小归一化(记为方法 b)、窗宽窗位归一化(记为方法 c)及无归一化(记为方法 d)对RIRS前腹部CT进行预处理,基于结石最佳影像组学特征建立ML模型[包括支持向量机(SVM)、逻辑回归(LR)和随机梯度下降(SGD)模型]并筛选其中最佳者;行RUSS及改良S. T. O. N. E评分预测RIRS后泌尿系结石SFR;联合独立预测因素及最佳ML模型构建联合模型。评估各模型及评分系统的预测效能。结果 结石数量、最大结石CT值及体积均为RIRS后SFR的独立预测因素(P均<0.05)。以方法 b预处理后图像构建SVM模型的曲线下面积(AUC)最高(0.861),高于RUSS及改良S. T. O. N. E总评分(AUC=0.750、0.759,P均<0.05)而与联合模型的AUC差异无统计学意义(AUC=0.853,P=0.775)。结论 基于最大最小归一化法预处理CT图像构建的影像组学SVM模型可有效预测泌尿系结石经RIRS后SFR。
目的分析C.O.L.V.E.I.评分系统对预测逆行输尿管软镜碎石术(retrograde intrarenal surgery,RIRS)术后结石清除率的价值。方法回顾性分析2020年10月至2021年10月湖南医药学院第一附属医院122例行RIRS的输尿管上段及肾结石患者的临床资料,建立C.O.L.V.E.I.评分系统[主要包括结石最大直径(cumulative stone diameter,C)、梗阻程度(obstruction,O)、肾盏漏斗部长度(length of calyces funnel,L)、累及肾盏数(visible number of calyces,V)、结石密度(essence of stone,E)、肾盂输尿管长轴线与肾下盏漏斗部长轴线的夹角(IPA,I)]进行评价,根据评分情况分成低分组41例、中分组66例、高分组15例,根据术后有无结石残留分成残留组28例与无残留组94例,观察患者手术相关情况,比较不同结石残留组C.O.L.V.E.I.评分差异,采用相关性分析C.O.L.V.E.I.评分系统预测RIRS术后结石清除率的价值。结果患者手术均顺利完成,结石总清除率为77.05%。高分组手术时间最长,低分组结石清除率最高,三组比较差异有统计学意义(P<0.05)。残留组C、L、V、E评分均高于无残留组,差异有统计学意义(P<0.05);在O、I评分方面,两组比较差异无统计学意义(P>0.05);评分系统中C、L、V同术后结石清除率有显著相关性,差异有统计学意义(P<0.05);C、O、L、V、E、I联合与结石清除率的相关性最为明显,差异有统计学意义(P<0.05)。结论应用C.O.L.V.E.I.评分系统预测RIRS术后结石清除率的价值突出。
暂无评论