通过多层CT特征融合术前预测保留的肾实质体积：一项概念验证研究

《Abdominal Radiology》：Preoperative prediction of preserved renal parenchymal volume via multilevel CT feature fusion: a proof-of-concept study

精准预测术后保留肾体积的多模态CT建模研究。

　　

摘要

目的

在部分肾切除术（PN）后，准确预测保留的肾实质体积（RPV）对于个性化的术后管理至关重要。然而，目前的评估方法在精确度和泛化能力方面仍存在局限性。本研究旨在开发并验证一种基于CT的多层次特征模型，以准确预测PN后的保留RPV。

方法

在这项回顾性研究中，纳入了2019年至2023年间在中山大学癌症中心接受PN治疗的185名患者。使用基于nnUNetV2的分割模型自动勾画肾实质和肿瘤，生成术后RPV的参考值。构建了感兴趣区域，并提取了三个层次的特征集：（1）通过PyRadiomics进行方差和相关性过滤后的放射组学特征；（2）基于R.E.N.A.L.肾体积测量评分加权图像膨胀得到的手工特征；（3）通过专有网络进行主成分分析（PCA）降维处理后的深度学习（DL）特征。使用五折交叉验证训练了十种机器学习和深度学习回归器，并将其与临床医生估算的RPV值进行比较。通过Shapley加性解释（SHAP）评估了特征的重要性。

结果

分割模型的平均Dice相似系数为0.93，表明其勾画精度很高。在所有回归器中，TabPFN模型的预测性能最佳。仅使用放射组学特征的模型的R2值为0.873，平均绝对百分比误差（MAPE）为6.8%；加入手工特征后性能有所提升（R2=0.883，MAPE = 6.7%），再加入DL特征后性能进一步提高（R2 = 0.900，MAPE = 6.4%），显著优于手动临床估算（R2=0.780，MAPE = 9.7%）。SHAP分析表明，这三个特征层次都对整体预测精度做出了重要贡献。

结论

所提出的基于CT的多层次特征模型能够高度准确地预测PN后的保留RPV，显著优于传统的临床评估方法。该模型提供了一个稳健、可解释的框架，以支持精确的手术规划和个性化的肾功能保护策略。