基于CT影像组学的机器学习模型评估分肾功能的应用价值

作     者：邹俊杰 李瑞东 宋虎 王凤 丁宁 张孔源 

作者机构：山东第二医科大学医学影像学院 潍坊市第二人民医院放射科 山东第二医科大学附属医院影像中心 潍坊市人民医院介入导管中心 

出 版 物：《中国辐射卫生》 (Chinese Journal of Radiological Health)

年 卷 期：2025年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 100210[医学-外科学(含：普外、骨外、泌尿外、胸心外、神外、整形、烧伤、野战外)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100106[医学-放射医学] 100602[医学-中西医结合临床] 10[医学] 

主　　题：分肾功能 影像组学 机器学习 计算机体层成像 肾小球滤过率 

摘      要：[目的]探讨基于CT平扫影像组学的机器学习模型在分肾功能评估中的应用价值。[方法]回顾性分析临床怀疑肾功能异常患者的CT平扫图像，共纳入240个单肾的CT平扫图像，依据SPECT肾动态显像结果分为GFR正常组（118例）和GFR下降组（122例）。在CT平扫图像上勾画感兴趣区（ROI）并提取影像组学特征，通过相关性分析和最小绝对收缩与选择算子法（LASSO）筛选影像组学特征，并基于决策树（DT）、支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）和极端梯度提升（XGBoost）算法构建机器学习模型。绘制受试者工作特征曲线（ROC）并计算曲线下面积（AUC）、准确率、灵敏度和特异度以比较不同模型的预测效能。[结果]最终获得16个影像组学特征用于构建机器学习模型。在不同算法构建的五种模型中，SVM模型对分肾功能的评估效能较好，AUC值为0.883（95％CI：0.804～0.961），准确率0.778、灵敏度0.811、特异度0.743。[结论]基于CT平扫影像组学构建的机器学习模型可以初步评估分肾功能，为临床诊断提供了一种新的、便捷、安全的方法，对治疗具有积极意义。