摘要
目的： 尿石症是一种全球性疾病，发病率及复发率都很高，结石成分与治疗方法、手术方式、预防措施的选择息息相关，但是目前尚缺乏一种简单、快捷、无创、易于临床推广的体内泌尿系结石成分分析手段。人工智能（artificialintelligence,AI）与影像学相结合，利用先进的计算机算法深度挖掘蕴藏于医学影像数据中的多维度特征，已经广泛应用于放射学各个领域，在疾病诊断、病灶分割、肿瘤分级分期、预后预测等方面显现出了巨大的潜力和广阔的应用前景。本研究采用泌尿系CT平扫图像建立AI模型，旨在探讨该模型对体内不同成分结石的预测能力及临床应用价值，以求为泌尿外科医生提供更为准确、全面的结石诊断信息，进一步指导泌尿系结石患者治疗方法、手术方式、预防措施的选择。 材料和方法： 1.回顾性收集经红外线光谱分析法确定成分的结石病例60例，两位专科医师根据CT图像、结石形态、平均CT值及个人经验预测结石成分。分别计算其多分类预测的准确率、敏感度、特异度、阳性预测值、阴性预测值。2.回顾性分析单中心经红外线光谱确定成分的泌尿系结石患者的CT平扫图像，一水草酸钙结石（calciumoxalatemonohydrate,COM）337例，非COM结石170例，人工分割并提取图像特征，按7:3比例随机分为训练集及测试集，采用最小绝对收缩和选择操作算法（leastabsoluteshrinkageandselectionoperationalgorithm,LASSO）构建AI模型并进行分类训练及测试。3.回顾性分析中心A和中心B经红外线光谱确定成分的泌尿系结石病例1880例，包括COM1448例，无水尿酸（anhydrousuricacid,AUA）176例，碳酸磷灰石（carbonateapatite,CA）97例，六水磷酸铵镁（magnesiumammoniumphosphate,MAP）95例，尿酸铵（ammoniumurate,AAU）64例，所有泌尿系CT平扫图像经人工分割并提取特征，中心A数据按7:3比例随机分为训练集及内部验证集，中心B数据作为外部测试集。采用LASSO算法构建7个二分类模型（COMvs.non-COM、AUAvs.non-AUA、AAUvs.non-AAU、MAPvs.non-MAP、CAvs.non-CA、AUAvs.AAU、MAPvs.CA）和1个五分类模型（COMvs.MAPvs.CAvs.AUAvs.AAU），分别进行内部验证和外部测试，二分类模型以受试者工作特征曲线（receiveroperatingcharacteristiccurve,ROC）的曲线下面积（areaunderthecurve,AUC）评估，多分类模型以准确率、精确率、召回率及F1分数进行评估。4.随机抽取中心B数据集中同一CT机型、同一扫描参数的病例30例，将1mm薄层图像在CT后处理工作站重建为层厚2mm、5mm的两组图像，两位放射科医生独立对所有CT图像进行人工分割然后提取特征，使用一致性相关系数（consistencycorrelationcoefficient,CCC）计算每个病例图像特征的可重复性，CCC＜0.85则可重复性差，对比分析不同层厚条件下图像特征的可重复性。 结果： 1.对于四种成分的60例泌尿系结石，医生A预测准确率为27.08%（95%CI:0.1528-0.4185），医生B预测准确率为31.67%（95%CI:0.2026-0.4496）。2.单中心研究中，AI模型预测COM和非COM结石的准确率、敏感度、特异度分别为88.3%、90.1%、84.3%，验证集AUC为0.933。3.双中心研究中，COMvs.non-COM、AUAvs.non-AUA、AAUvs.non-AAU、MAPvs.non-MAP、CAvs.non-CA五组的AUC分别为0.753、0.785、0.804、0.763、0.710。对于感染性结石的两个亚类（MAPvs.CA）及尿酸结石的两个亚类（AUAvs.AAU），两组AUC分别为0.714和0.838。五分类模型（COMvs.MAPvs.CAvs.AUAvs.AAU）预测五种结石的准确率分别为69.1%、94.3%、92.8%、82.5%、95.0%，对MAP、CA及AAU三种结石的预测准确率均达到90%以上。预测COM的精确率为0.703，召回率为0.952，F1分数为0.809，而其他4种结石的召回率均小于0.1，F1分数均小于0.2。4.同一医生、不同层厚图像条件下所有分组的平均CCC均小于0.85（P＜0.05）；医生A分割病灶获得的结石特征中1mmvs.2mm组、2mmvs.5mm组、1mmvs.5mm组间可重复性差的特征分别为50.13%、79.91%、82.38%，CT图像间层厚差距越大，图像特征的可重复性越差。相同层厚条件下，1mm组两位医生间可重复性差的特征201个（12.74%），2mm组582个（36.88%），5mm组674个（42.71%），层厚越厚，图像特征的可重复性越差。 结论： 1.专科医生结合结石形态学特点、CT值及个人诊疗经验预测泌尿系结石成分的准确性不高。2.基于单中心泌尿系CT平扫图像的人工智能模型实现了对体内一水草酸钙结石的成分预测，模型诊断性能良好，是一种新型的、简单的、无创的体内结石成分分析方法。3.基于双中心泌尿系CT平扫图像的人工智能模型可以准确区分体内一水草酸钙、磷酸铵镁、碳酸磷灰石、无水尿酸及尿酸铵结石，并且准确区分感染性结石及尿酸结石的不同亚型，为泌尿外科医生提供更为准确、全面的结石诊断信息，但是部分模型诊断性能不稳定，尚需扩大结石样本量对其稳定性进行进一步优化。4.不同参数对图像特征的可重复性具有显著的影响，直接关系着模型的鲁棒性，人工智能模型应用于多中心临床实践的过程中仍面临着很多的问题和挑战。
NETL