摘要: BosniakⅢ级肾脏囊性病变为术前良恶性不能确定的肾脏占位性病变，尽管接近50%的BosniakⅢ级肾脏病变在切除后被证实为良性，但在临床工作中依旧推荐手术切除该类占位。纹理分析是指通过图像处理技术从图像中提取出纹理特征参数，获得定量特征的过程。... 展开 BosniakⅢ级肾脏囊性病变为术前良恶性不能确定的肾脏占位性病变，尽管接近50%的BosniakⅢ级肾脏病变在切除后被证实为良性，但在临床工作中依旧推荐手术切除该类占位。纹理分析是指通过图像处理技术从图像中提取出纹理特征参数，获得定量特征的过程。影像组学指的是从影像图像中高通量、自动化地提取大量特征，对获得的影像组学数据进行筛选并加以分析，获取有价值的特征参数以指导临床疾病的诊治。大量研究已经证明，纹理分析和影像组学方法在多种疾病的诊断、疗效评价及预测预后方面颇具意义，并能够客观地、定量地且非侵入性地提供组织的相关信息。 机器学习为人工智能的一个分支，近年来已迅速成长为多领域交叉学科。其研究的主要内容为：在计算机上从数据中产生算法和模型，当面对新情况时，可以通过模型对新的情况进行分析和判断。因其具有自主学习的特点以及相对于传统统计学较高的精确度，在医学领域应用广泛。 基于此，本研究分为三部分，旨在寻找最具有诊断效能的纹理特征参数，并应用不同的降维方法以及机器学习方法，构建能够精确判别BosniakⅢ级肾脏囊性病变良恶性的机器学习模型，从而达到避免不必要的外科手术并让更多的患者受益的目的。三部分研究分别如下： （一）CT纹理分析在诊断BosniakⅢ级肾脏囊性病变中的应用 目的： 探究良性及恶性BosniakⅢ级肾脏囊性病变在CT检查各个时期纹理特征的差异。 材料与方法： 回顾性分析2012年6月至2020年11月于我院术前行计算机断层扫描（Computerizedtomography，CT）检查，影像学特征符合BosniakⅢ级诊断标准的肾脏囊性病变患者45例（22例为良性肿物，23例为肾细胞癌（Renalcellcarcinoma，RCC）)，获取其基本临床资料、术前CT图像及术后病理结果。采用ImageJ软件对图像进行预处理，并使用MaZda软件进行图像分割以及特征提取，获得各时期灰度直方图特征、灰度共生矩阵（Gray-levelco-occurrencematrix，GLCM）特征以及灰度游程长度矩阵（Gray-levelrun-lengthmatrix，GLRLM）特征共33个。对组内相关系数（Interobservercorrelationcoefficient，ICC）大于0.8的纹理特征采用非参数Mann-WhitneyU检验比较良性与恶性病变CT纹理特征差异，对具有统计学差异的纹理特征绘制受试者工作特征（Receiveroperatingcharacteristic，ROC）曲线，计算敏感度（Sensitivity，SEN）、特异度(Specificity，SPE）、Cutoff值、约登指数以及ROC曲线下面积（Areaundercurve，AUC），用以评估每个特征的诊断能力。对最具诊断能力的3个纹理特征绘制ROC曲线，评估多因素分析的诊断价值。 研究结果： 在提取的33个特征中，共有16个特征具有较好的观察者间信度（ICC＞0.8），且在两组之间具有显著的统计学差异（p＜0.05）。经Holm-Bonferroni校正后，8个特征在两组之间具有显著的统计学差异。 1.平扫期纹理分析结果：逆差矩、差熵、长游程增强以及短游程增强在良性组和RCC组之间存在统计学差异（p＜0.05）。其中差熵具有相对较好的诊断效能以及一定的准确性（AUC＞0.7）。 2.皮髓期纹理分析结果：峰度、偏度、角二阶矩、和熵、差熵、长游程增强以及短游程增强在良性组和RCC组之间存在统计学差异（p＜0.05）。经Holm-Bonferroni校正后，偏度、和熵、差熵以及长游程增强具有相对较好的诊断效能以及一定的准确性（AUC＞0.7）。 3.实质期纹理分析结果：峰度、偏度、逆差矩、和熵以及差熵，在良性组和RCC组之间存在统计学差异（P＜0.05）。经Holm-Bonferroni校正后，峰度、偏度、逆差矩以及差熵，具有相对较好的诊断效能以及一定的准确性（AUC＞0.7）。 4.对最具判别能力的3个纹理参数绘制ROC曲线后，得到AUC值为0.864，多因素分析相对于单因素分析具有较高的诊断能力。 结论： CT纹理特征在良性及恶性BosniakⅢ级肾脏囊性病变之间具有明显差异，可以初步作为临床诊断的依据。 （二）CT纹理分析与机器学习在诊断BosniakⅢ级肾脏囊性病变中的应用 目的： 构建基于不同算法的机器学习模型，探究纹理分析方法结合机器学习在判别BosniakⅢ级肾脏囊性病变良恶性中的诊断效能。 材料与方法： 回顾性分析2012年6月至2020年11月于我院术前行CT检查，影像学特征符合BosniakⅢ级诊断标准的肾脏囊性病变45例（22例为良性肿物，23例为肾细胞癌），并获取其基本临床资料、术前CT图像及术后病理结果。采用ImageJ软件对图像进行预处理，并使用MaZda软件进行图像勾勒以及特征提取，获得各时期灰度直方图特征，GLCM特征，GLRLM特征共33个。应用4种降维方法及5种机器学习算法对ICC大于0.8的纹理特征参数进行降维以及模型构建，计算敏感度、特异度、准确度（Accuracy，ACC）以及AUC，用以评估每个模型的诊断效能。 研究结果： 本部分研究共构建了20组机器学习模型，其中以主成分分析（Principalcomponentanalysis，PCA）、最小绝对值收缩与选择算子回归算法(Leastabsoluteshrinkageandselectionoperatorregression，LASSO）和Boruta算法为降维方式的模型诊断效能相对较高，平均AUC分别为0.84±0.04、0.86±0.06和0.86±0.07，而最大相关最小冗余法（Max-relevanceandmin-redundancy，mRmR)的诊断效能相对较差，平均AUC为0.73±0.14。在5种机器学习算法中，基于逻辑回归（Logisticregression，LR）以及随机森林（Randomforest，RF）算法的模型诊断效能相对较高，平均AUC分别为0.86±0.08和0.88±0.04。在20组模型中，LASSO-LR模型（AUC=0.93±0.04，SEN=0.95±0.08，SPE=0.81±0.07，ACC=0.87±0.06）、LASSO-RF模型（AUC=0.90±0.04，SEN=0.90±0.17，SPE=0.83±0.05，ACC=0.84±0.10）、Boruta-SVM（Supportvectormachine，支持向量机）模型（AUC=0.91±0.07，SEN=0.87±0.23，SPE=0.83±0.21，ACC=0.84±0.21）、Boruta-RF模型(AUC=0.91±0.08，SEN=0.93±0.13，SPE=0.81±0.02，ACC=0.89±0.10)、以及mRmR-RF模型（AUC=0.90±0.02,SEN=0.92±0.07，SPE=0.92±0.08，ACC=0.91±0.04）的诊断效能较高，显著优于其他模型（AUC＞0.9）。 结论： 机器学习结合纹理分析技术可有效地鉴别BosniakⅢ级肾脏囊性病变的良恶性，具有较高的诊断效能，尤其以LASSO-LR模型、LASSO-RF模型、Boruta-SVM模型、Boruta-RF模型以及mRmR-RF模型的诊断效能为佳。纹理特征参数结合机器学习方法构建的模型，其诊断效能显著优于纹理分析。 （三）CT影像组学与机器学习在诊断BosniakⅢ级肾脏囊性病变中的应用 目的： 构建基于不同算法的机器学习模型，探究影像组学方法结合机器学习在鉴别BosniakⅢ级肾脏囊性病变良恶性中的诊断效能。 材料与方法： 回顾性分析2012年6月至2020年11月于我院术前行CT检查，影像学特征符合BosniakⅢ级诊断标准的肾脏囊性病变45例（22例为良性肿物，23例为肾细胞癌），并获取其基本临床资料、术前CT图像及术后病理结果。采用ImageJ软件对图像进行预处理，并使用MaZda软件进行图像分割以及特征提取，获得影像组学特征共839个。应用4种降维方法以及5种机器学习算法对ICC大于0.8的影像组学特征进行降维以及模型构建，计算敏感度、特异度、准确度以及AUC，用以评估每个模型的诊断效能。 研究结果： 本部分研究共构建了20组机器学习模型，其中以LASSO算法为降维方式的模型诊断效能较高，平均AUC为0.93±0.04。在5种机器学习算法中，基于SVM算法、LR算法和RF算法的模型诊断效能较高，平均AUC分别为0.91±0.05、0.90±0.03以及0.91±0.04。在20组模型中，LASSO-KNN模型（AUC=0.95±0.03，SEN=0.88±0.11，SPE=0.92±0.07，ACC=0.89±0.04)、LASSO-SVM模型（AUC=0.94±0.06，SEN=0.96±0.07，SPE=0.89±0.11，ACC=0.91±0.04）、LASSO-LR模型（AUC=0.94±0.05，SEN=0.90±0.17，SPE=0.81±0.07，ACC=0.84±0.10）、LASSO-RF模型（AUC=0.95±0.04，SEN=0.93±0.13，SPE=0.96±0.07，ACC=0.93±0.07)、Boruta-SVM模型(AUC=0.92±0.03，SEN=0.81±0.06，SPE=0.79±0.06，ACC=0.80±0.03)、Boruta-RF模型（AUC=0.95±0.03，SEN=0.96±0.07，SPE=0.91±0.16，ACC=0.93±0.07）、mRmR-SVM模型（AUC=0.94±0.06，SEN=0.94±0.10，SPE=0.85±0.17，ACC=0.89±0.14）以及mRmR-LR模型（AUC=0.91±0.09，SEN=0.83±0.02，SPE=0.80±0.11，ACC=0.81±0.07）的诊断效能显著优于其他模型(AUC＞0.9)。 结论： 机器学习结合影像组学方法可有效地鉴别BosniakⅢ级肾脏囊性病变的良恶性且具有较高的诊断效能，尤其以LASSO-KNN模型、LASSO-SVM模型、LASSO-LR模型、LASSO-RF模型、Boruta-SVM模型、Boruta-RF模型、mRmR-SVM模型以及mRmR-LR模型的诊断效能为佳。影像组学参数结合机器学习方式构建的模型，其诊断效能显著优于纹理分析以及机器学习结合纹理分析的诊断能力。 收起