AI如何改善护理水平限制肾脏肿瘤患者不必要的手术

根据发表在《学术放射学》上的新发现，基于机器学习的CT纹理分析可以帮助评估实体肾肿块。这可以帮助减少接受不必要手术的患者数量吗?

专家通常会假设实体肾脏肿块是恶性的，因此必须通过手术将其去除，以免对患者造成进一步的伤害。但是，这些人群中多达16%最终是良性的，导致研究人员寻求更精确的非侵入性方法来区分恶性和良性发现。

主要作者卡格里·厄尔丁(Cagri Erdim)写道：“纹理分析，或无法由人类评估的重复形态学模式的像素级定量评估，可能为当前无法区分良性和恶性实体肾肿块所引起的问题提供了答案。”土耳其Sultangazi Haseki培训研究医院医学博士及其同事。“最近的研究表明，越来越多的证据表明，通过计算机图像分析获得的纹理特征可能与疾病的组织病理学特征有关。在这种情况下，将纹理分析与AI或机器学习算法相结合可能是一项令人振奋的冒险，可能会为肾质量表征带来可喜的收益。”

该团队分析了来自79名患者的数据，这些患者总共有84个实体肾脏肿块。从2013年1月至2018年5月，所有患者均在同一家医院接受治疗。对未增强和增强对比的CT图像进行分析后，提取了271个纹理特征。然后，将八种机器学习算法(决策树，局部加权学习，k近邻，朴素贝叶斯，逻辑回归，支持向量机，神经网络和随机森林)用于分类目的。

总体而言，未增强的CT图像具有198个可重复性良好的特征，而对比度增强的CT图像则具有244个。此外，研究小组还发现，性能最佳的随机森林算法的准确度为90.5%，ROC曲线下的面积为0.915。

这组作者写道：“我们的发现表明，基于机器学习的分类算法的定量CT纹理分析可用于无创性鉴别良性和恶性实体肾肿块。”“通过在皮质髓质相衬增强CT图像上使用随机森林方法，我们能够正确地识别出大约十分之一的患者的良性和恶性病例。”

团队的研究存在某些局限性。例如，这是一项回顾性研究，样本量“相对较小”。此外，尽管始终遵循相同的成像方案，但使用两个不同的扫描仪对患者成像。

作者补充说：“最后，我们将内部数据集用于培训和测试。”为了克服潜在的偏差，我们执行了嵌套的交叉验证程序。但是，采用独立的外部数据集或使用两组患者(一组用于培训，一组用于测试)将进一步验证研究中使用的分类器。”