中国医学计算机成像杂志投稿格式参考范文：基于CT机器学习在尿石症中的研究进展

　　泌尿系结石是全球性疾病，又称 “尿石”。世界范围内尿石复发率高，我国发病率约 5.8% 且呈上升趋势，好发于男性，与机体代谢异常等因素有关，症状与结石多种因素相关，不及时治疗会引发严重并发症。在影像学检查中，CT 凭借无创、可重复性高、检查时间短、检出率高及时间分辨力高等优势成为尿石筛查的主流影像学方法。

　　基于 CT 机器学习在尿石症中的研究进展

　　尿石症作为泌尿系统常见疾病，严重影响患者的健康和生活质量。CT 检查在尿石症术前诊断中占据重要地位，而机器学习技术的兴起，为尿石症的诊断、治疗及预后评估带来了新的契机。本文将详细阐述基于 CT 机器学习在尿石症中的研究进展。

　　泌尿系结石与 CT 检查：泌尿系结石，也就是常说的 “尿石”，是一种全球性的疾病。相关研究显示，在世界范围内，尿石 1 年内的复发率约为 14%，5 年内可升至 25%，10 年内更是高达 52%。在我国，泌尿系结石的发病率约为 5.8%，并且呈现出逐年上升的趋势，这无疑给社会发展增添了负担。尿石在男性群体中更为多发，其形成主要与机体代谢异常、局部病变以及药物等因素有关，这些因素会致使尿液中成石物质浓度升高。尿石患者的症状和结石的形状、直径、位置以及是否存在感染等因素密切相关，多数患者会出现腰腹部疼痛、血尿及排石等典型症状。若不及时治疗，往往会引发尿路梗阻、肾盂积水或尿路感染等严重并发症。在众多影像学检查方法中，CT 凭借无创、可重复性高、检查时间短、检出率高以及时间分辨力高等优势，成为了临床上尿石筛查的主流影像学方法。

　　机器学习与影像组学：人工智能是计算机领域的智能化技术，应用范围广泛。机器学习作为人工智能的重要分支，如今已在医学领域得到大量应用。它通过分析大规模数据，挖掘其中的规律与模式，进而对新数据进行预测和分类。深度学习又是机器学习的一个子集，在医学图像应用中成果显著，像图像配准、重建、分割以及病灶检测等方面都有它的身影。影像组学是一种从医学图像中提取高通量人眼不可见定量特征，以此研究临床结果的计算方法。近年来发展迅速，它基于大量的数据特征算法，自动或半自动地提取医学图像中的定量特征，再运用多种统计和数据挖掘方法，提取、剥离出关键影像信息，还能进一步联合临床数据、放射学特征等建立组学模型。影像组学借助机器学习算法分析医学影像数据，通过提取有用特征构建预测模型，能够显著提高预测结果的准确性，对疾病的辅助诊断、分类或预测大有益处，有助于更精准地指导临床决策。

　　机器学习在尿石症中的应用

　　尿石分割与提取：准确地对尿石进行分割和提取，能够让手术医师提前知晓结石与肾窦的相对位置，更好地了解肾脏内部结构，这对于手术的规划和指导有着重要意义。基于深度学习建立的 CT 图像智能分割模型，在急诊时能快速精准地检测出结石，帮助医师迅速完成诊断。Parakh 等人回顾性分析了 535 名疑有尿石的成年人腹盆腔 CT 图像，开发了 2 个卷积神经网络模型，用于自动识别尿路和分割结石，研究发现 GrayNet 模型的分类器精度比 ImageNet 或随机初始化的模型更高，这充分体现了深度学习模型在尿路识别及结石分割方面的高应用价值。Caglayan 等人利用尿石症患者冠、矢、轴三个方位的 CT 影像数据构建深度学习模型，证实了 CT 矢状面图像的诊断准确率比其他方位图像更高。这些研究都表明，基于 CT 图像的深度学习模型可以实现尿石的自动分割，在一定程度上节省了诊断成本，缩短了患者的等待时间。

　　鉴别静脉石和尿石：静脉石常见于盆腔，是钙化的纤维组织层，上面覆盖着与静脉壁内膜层相连的内皮层。它和输尿管结石的位置、影像表现很相似，较小的尿石也会呈现高密度，这就增加了两者鉴别的难度。而且，针对尿石和静脉石的临床治疗方式差异很大，所以快速、准确地区分它们，对及时制定患者的临床治疗方案非常关键。众多研究显示，基于 CT 图像的机器学习模型在鉴别静脉石和尿石方面性能优异。Jendeberg 等人首次利用卷积神经网络对 384 个盆腔钙化数据集的局部图像特征进行分类，最终准确率达到 92%，高于 7 位放射科医生的平均准确率。随着人们辐射防护意识的增强，CT 低剂量相关研究逐渐增多，Perrot 等人在降低辐射剂量的情况下，利用非增强 CT 的机器学习模型区分盆腔尿石和静脉石，从 CT 图像中提取大量放射组学特征并通过机器学习分类器完成预测，结果的曲线下面积值高达 0.90，这证明了机器学习模型在急诊时能够快速、精准地鉴别尿石。由此可见，基于 CT 影像组学特征建立的机器学习模型是鉴别尿石和静脉石的有力工具，尤其在急诊时能辅助影像医师快速、准确地做出诊断，为患者的预后争取时间。

　　尿石成分预测和分析：尿石的形成原因复杂，存在明显的地区差异，而且不同性质的结石，其预防和治疗方案也大不相同。因此，明确结石成分对于探究结石成因、制定合理治疗措施至关重要。然而，结石成分通常要在术后才能确定，这给个体化治疗方案的选择带来了不便。基于 CT 图像构建机器学习模型，能够提取客观、定量且不可视的结石成分信息，实现术前无创性预测结石成分。目前，大多数研究主要集中在感染性结石、尿酸结石以及含钙结石的鉴别诊断上。

　　鉴别感染性结石：感染性结石约占泌尿系结石疾病的 10% - 15%，主要由磷酸镁铵组成，部分还含有碳酸磷灰石成分。这类结石成分复杂、复发率高，给治疗带来很大挑战。Zheng 等人纳入了来自 3 个中心的 1198 例泌尿系结石患者，从 CT 图像中提取数据，运用最小绝对收缩和选择算子方法降维后，筛选出 24 个与感染性结石成分关联较强的影像组学特征，并结合尿亚硝酸盐、是否存在产脲酶菌等临床特征，建立了感染性结石鉴别诊断的放射组学模型，证实了机器学习模型可作为非侵入性工具，高效识别体内感染性结石成分。Chen 等人使用 5 种算法和 15 个术前变量(包括性别、尿白细胞计数及尿 pH 值等重要临床因素)构建基于 CT 图像的机器学习模型来鉴别感染性结石，并与传统 logistic 模型对比，结果显示 5 个机器学习模型都有较强的预测效能，其中随机森林分类器性能最佳，显著优于传统 logistic 模型。这表明机器学习模型在感染性结石鉴别中具有优越的预测性能，可用于临床风险评估，对优化尿石症疾病管理、改善患者预后意义重大。

　　鉴别尿酸性结石：与其他尿石成分不同，尿酸性结石通常采用保守治疗，即通过提高尿液 pH 值来溶解结石，这样可以避免患者不必要的手术。所以术前判断结石成分对治疗方式的选择至关重要。双源 CT 在结石成分分析方面表现出色，但会增加辐射剂量，对患者健康有潜在危害。Jendeberg 等人验证了利用机器学习提取单源 CT 图像中的混合特征，该模型对尿酸性结石的分类准确率与双能量 CT 相当，这意味着基于机器学习特征的单源 CT 技术在减少辐射剂量方面有潜在应用前景。Chen 等人纳入 8 个临床影响因素，基于机器学习模型在术前成功区分了单一成分的尿酸结石和其他结石，取得了优异的效能。这些研究表明，基于机器学习可以有效鉴别单能量 CT 图像中的尿酸结石，为术前诊断尿石性质提供了便捷、可靠的方法。

　　鉴别含钙结石：大多数结石都含有草酸钙成分，含钙类混合结石质地致密、坚硬，在进行体外冲击波碎石时，治疗效果往往不理想。因此，术前了解结石的含钙成分，有助于临床医师提前规划手术方式。高亚明等人利用结石的 CT 图像结合机器学习算法，对二维和三维图像进行预处理，提取感兴趣区域的特征，再使用最小冗余最大相关算法和基于高斯径向基核函数的支持向量机分类器进行训练，最终该算法能够准确分析出体内尿路结石中的单纯草酸钙和无水尿酸成分，曲线下面积达 0.89。使用机器学习模型，医生可以更准确地预测手术中可能出现的问题，比如检测到含钙成分过多时，可适当提高钬激光的功率，从而减少手术并发症，缩短手术时间，提高手术效率。

　　尿石症术后疗效分析：结石的位置、大小、CT 值及性质等因素，对选择最佳治疗方式起着关键作用。对于药物治疗无效的尿石患者，临床通常建议进行手术干预，常见的手术方式有体外冲击波碎石术、经输尿管软镜碎石术、经皮肾镜碎石术。机器学习可以提取术前结石特征，预测不同手术方式的疗效，为医师提供客观的数据参考，降低二次手术的发生概率。

　　在体外冲击波碎石中的应用：体外冲击波碎石术因其无创性，成为治疗直径 < 20mm 上尿路结石的常用方法。但该方法一个疗程后的失败率较高，临床急需一种能在术前根据患者结石情况预测其有效性的方法，以便提前规划治疗方案。目前，机器学习在预测体外冲击波碎石术疗效的研究中表现突出。Yang 等人使用基于决策树的机器学习算法，分析接受该治疗患者的 CT 数据，结果显示随机森林分类器、极端梯度提升树及轻梯度提升方法对结石清除率的预测准确率分别为 86.0%、87.5% 和 87.9%，其中轻梯度提升方法获得了最高准确率。这表明机器学习方法在体外冲击波碎石术的治疗选择和预后预测方面，能够提供有价值的指导方案。CT 设备的分辨率、层厚等扫描参数会影响手术的预测结果，不过具有良好泛化能力的机器学习可以在一定程度上削弱这种影响。Nakamae 等人对来自不同 CT 扫描设备的 216 例输尿管结石患者的 CT 图像建立非线性的支持向量机模型预测体外冲击波碎石术效果，此时模型的平均曲线下面积达 0.742。还有研究使用随机森林分类器对患者的薄层图像(1mm)的 CT 图像建立机器学习预测模型，其预测的曲线下面积为 0.81，高于 Nakamae 等人的研究结果。由此可见，机器学习的有效性与训练数据特征和学习算法的性能密切相关，数据的多样性可能会增加预测的难度。

　　在输尿管软镜碎石术中的应用：随着泌尿外科腔内技术的发展，经输尿管软镜碎石术广泛应用于尿石的临床治疗，逐渐成为直径 < 20mm 肾结石的主要治疗方法之一。但该方法的清石效果受结石体积等多种因素影响，多数患者在单次碎石术后仍有尿石残留，还可能出现输尿管狭窄、损伤等并发症，影响治疗效果。应用机器学习构建疗效预测模型，有助于医师选择合适的诊疗策略。Zhu 等人基于随机森林分类器和极端梯度提升树两种机器学习算法建立预测模型，并前瞻性收集 71 例尿石患者的临床资料进行外部验证，结果表明体重指数、结石体积、平均和最大结石密度是影响经输尿管软镜碎石术无石率的显著因素。该研究认为，一方面，基于这两种算法建立的机器学习模型可准确预测经输尿管软镜碎石术的清除状态;另一方面，将 CT 图像的影像学特征与临床信息相结合构建的组学模型，有利于提升预测精度和评估效能。

　　在经皮肾镜碎石术中的应用：经皮肾镜取石术是目前尿石症治疗中常用的微创技术，结石清除率较高。但对于复杂性肾结石，仍存在结石残留率偏高、肾周围脏器易损伤等问题，其临床应用存在一定局限性。近年来，大量研究聚焦于利用机器学习预测经皮肾镜碎石术的术后疗效。通过筛选有意义的临床特征，运用机器学习模型可以成功预测经皮肾镜碎石术的取石效率。有学者对 222 名接受该手术的患者数据进行回顾性分析，包含个体变量、肾和结石因素以及手术因素等 26 个参数，评估了 4 种不同机器学习技术的预测效能，并与 Guy's 评分、S.T.O.N.E 评分系统进行比较。研究结果表明，机器学习方法可以预测结石清除率，且预测效能不低于上述两种评分系统。因此得出结论，基于机器学习构建的模型能有效提升经皮肾镜碎石术的预测性能。机器学习模型在手术难度较大的鹿角型结石的预测中也表现出良好的效能。Hou 等人在一项多中心研究中，通过提取鹿角形肾结石患者 CT 图像中的特征预测经皮肾镜碎石术预后，利用放射学特征、深度迁移学习、临床特征及深度迁移学习 + 放射学特征成功构建了机器学习模型，结果显示基于深度迁移学习 + 放射学特征的机器学习模型在训练集和外部验证集中均表现出良好的预测效能。该研究为肾鹿角形结石患者经皮肾镜碎石术后的疗效建立了预测模型，充分展示了机器学习模型在预测经皮肾镜碎石术治疗成效方面的稳健性和高效性。

　　总结及展望：多项研究表明，机器学习在尿石症的临床管理中发挥着重要的诊疗作用。通过运用各种机器学习算法，如 XGBoost、CNN、k 近邻、SVM 及 RFC 等，可以提高尿石分割及诊断、结石类型预测及疗效评估的准确性，从而更有效地辅助医师完善尿石症的治疗策略。考虑到临床因素，大多数研究者将相关的生化因素，如基因组学、病理组学等加入机器学习模型中，这不仅大大提高了模型的预测效能，还增强了模型的可解释性和实用性，对促进医学研究与实践的发展意义重大。随着机器学习算法在不同领域的应用越来越广泛，关于尿石症的可用信息数量呈指数增长。这些技术与改进的机器学习算法相结合，为尿石症的临床诊疗提供了更为精确的路径。需要注意的是，机器学习模型在医学影像应用中取得良好性能的同时，也面临诸多挑战。目前缺乏大型、注释良好且平衡的医学影像数据集，这类数据集能为机器学习模型提供稳定丰富的训练资料，有助于提高模型在医学图像诊断中的准确性和可靠性。不同设备参数来源的数据集在部署时，机器学习模型的泛化性有待提升，这可能是因为不同成像系统采集和重建的图像特征存在差异。结石的复发率较高，利用影像组学提取的放射学特征结合机器学习模型预测结石复发，对临床医生和患者的提前管理干预具有重要意义，值得进一步探索。隐私保护、伦理问题以及模型的可解释性仍是需要持续关注和努力解决的挑战。

周 聪;王亚洲;朱永月;王默涵;廖雯欣;王道清,河南中医药大学第一附属医院放射科;河南中医药大学第一临床医学院;河南中医药大学第三临床医学院,202405