AI如何改善護理水平限制腎臟腫瘤患者不必要的手術

根據(jù)發(fā)表在《學術放射學》上的新發(fā)現(xiàn)，基于機器學習的CT紋理分析可以幫助評估實體腎腫塊。這可以幫助減少接受不必要手術的患者數(shù)量嗎?

專家通常會假設實體腎臟腫塊是惡性的，因此必須通過手術將其去除，以免對患者造成進一步的傷害。但是，這些人群中多達16%最終是良性的，導致研究人員尋求更精確的非侵入性方法來區(qū)分惡性和良性發(fā)現(xiàn)。

主要作者卡格里·厄爾丁(Cagri Erdim)寫道：“紋理分析，或無法由人類評估的重復形態(tài)學模式的像素級定量評估，可能為當前無法區(qū)分良性和惡性實體腎腫塊所引起的問題提供了答案。”土耳其Sultangazi Haseki培訓研究醫(yī)院醫(yī)學博士及其同事。“最近的研究表明，越來越多的證據(jù)表明，通過計算機圖像分析獲得的紋理特征可能與疾病的組織病理學特征有關。在這種情況下，將紋理分析與AI或機器學習算法相結合可能是一項令人振奮的冒險，可能會為腎質量表征帶來可喜的收益。”

該團隊分析了來自79名患者的數(shù)據(jù)，這些患者總共有84個實體腎臟腫塊。從2013年1月至2018年5月，所有患者均在同一家醫(yī)院接受治療。對未增強和增強對比的CT圖像進行分析后，提取了271個紋理特征。然后，將八種機器學習算法(決策樹，局部加權學習，k近鄰，樸素貝葉斯，邏輯回歸，支持向量機，神經(jīng)網(wǎng)絡和隨機森林)用于分類目的。

總體而言，未增強的CT圖像具有198個可重復性良好的特征，而對比度增強的CT圖像則具有244個。此外，研究小組還發(fā)現(xiàn)，性能最佳的隨機森林算法的準確度為90.5%，ROC曲線下的面積為0.915。

這組作者寫道：“我們的發(fā)現(xiàn)表明，基于機器學習的分類算法的定量CT紋理分析可用于無創(chuàng)性鑒別良性和惡性實體腎腫塊。”“通過在皮質髓質相襯增強CT圖像上使用隨機森林方法，我們能夠正確地識別出大約十分之一的患者的良性和惡性病例。”

團隊的研究存在某些局限性。例如，這是一項回顧性研究，樣本量“相對較小”。此外，盡管始終遵循相同的成像方案，但使用兩個不同的掃描儀對患者成像。

作者補充說：“最后，我們將內(nèi)部數(shù)據(jù)集用于培訓和測試。”為了克服潛在的偏差，我們執(zhí)行了嵌套的交叉驗證程序。但是，采用獨立的外部數(shù)據(jù)集或使用兩組患者(一組用于培訓，一組用于測試)將進一步驗證研究中使用的分類器。”