Predizione preoperatoria del grasso perirenale aderente. (APF)

Importanza:

Per i pazienti con tumori renali che richiedono un trattamento chirurgico, il grasso perirenale adesivo è una variabile frustrante che i chirurghi incontrano durante l'intervento, ma l'attuale sistema di punteggio morfometrico renale dipendente dall'immagine utilizzato per prevedere la potenziale difficoltà dell'intervento ignora questo fattore. Una previsione preoperatoria accurata dello stato del grasso perirenale rimane una necessità urgente.

Scopo:

Per determinare se le caratteristiche radiomiche del grasso perirenale derivate da immagini di tomografia computerizzata possono fornire informazioni preziose per giudicare lo stato del grasso perirenale, sviluppare un modello di previsione basato sulla radiomica TC combinata con il deep learning e convalidare le prestazioni del modello in una coorte indipendente.

Progettazione, allestimento e partecipanti:

Lo studio ha incluso un set di dati retrospettivo e un set di dati prospettici provenienti da quattro centri medici tra gennaio 2020 e settembre 2023. La TC semplice del rene è stata eseguita in xx pazienti adulti con nefrectomia parziale o nefrectomia radicale. Il set di formazione, il set di validazione e il set di test interni sono stati forniti dal Primo Ospedale dell'Università di Jilin, mentre il set di test esterni è stato fornito dal Primo Ospedale della città di Siping, dall'Ospedale Centrale di Liaoyuan e dall'Ospedale della contea di Dongfeng. Questo studio diagnostico ha utilizzato dati di un singolo istituto da gennaio 2020 a maggio 2023 per estrarre le caratteristiche omiche dell'imaging dalla regione del grasso perirenale (test T del campione indipendente, contrazione assoluta minima e regressione logistica dell'operatore di selezione è stato utilizzato per selezionare le migliori caratteristiche omiche dell'imaging ). Sono state eseguite analisi univariate e multivariate delle variabili cliniche nei pazienti prima della chirurgia renale per determinare i predittori indipendenti del grasso perirenale aderente in ambito clinico. Sono stati utilizzati diversi classificatori per costruire modelli di previsione utilizzando solo le funzionalità di image-omics e modelli di previsione della fusione utilizzando predittori clinici indipendenti combinati con le funzionalità di image-omics. Le sue prestazioni sono verificate in due set di test.

Principali risultati e misure:

La prestazione discriminante del modello omics dell'immagine è stata valutata dall'area sotto la curva caratteristica operativa del ricevitore e confermata dall'analisi della curva decisionale.