Preoperativ prediksjon av adherent perirenalt fett. (APF)

Betydning:

For pasienter med nyresvulster som krever kirurgisk behandling, er adhesivt perirenalt fett en frustrerende variabel som kirurger møter under operasjonen, men det nåværende bildeavhengige nyremorfometriske skåringssystemet som brukes til å forutsi potensielle vanskeligheter med kirurgi ignorerer denne faktoren. Nøyaktig preoperativ prediksjon av perirenal fettstatus er fortsatt et presserende behov.

Hensikt:

For å finne ut om radiomikrofunksjoner i perirenalt fett avledet fra computertomografibilder kan gi verdifull informasjon for å bedømme perirenalt fettstatus, utvikle en prediksjonsmodell basert på CT-radiomiks kombinert med dyp læring, og validere ytelsen til modellen i en uavhengig kohort.

Design, oppsett og deltakere:

Studien inkluderte ett retrospektivt datasett og ett prospektivt datasett fra fire medisinske sentre mellom januar 2020 og september 2023. Ren nyre-CT-skanning ble utført hos xx voksne pasienter med partiell nefrektomi eller radikal nefrektomi. Treningssettet, valideringssettet og det interne testsettet ble levert av First Hospital of Jilin University, og det eksterne testsettet ble levert av First Hospital of Siping City, Liaoyuan Central Hospital og Dongfeng County Hospital. Denne diagnostiske studien brukte enkeltinstitusjonsdata fra januar 2020 til mai 2023 for å trekke ut imaging-omics-funksjoner fra den perirenale fettregionen (uavhengig prøve-T-test, minimum absolutt sammentrekning og seleksjonsoperatørlogistisk regresjon ble brukt til å screene for de beste imaging-omics-funksjonene ). Univariate og multivariate analyser av kliniske variabler hos pasienter før nyrekirurgi ble utført for å bestemme uavhengige prediktorer for adherent perirenalt fett i klinisk setting. Ulike klassifikatorer ble brukt til å bygge prediksjonsmodeller ved å bruke bare bilde-omics-funksjonene og fusjonsprediksjonsmodeller ved å bruke uavhengige kliniske prediktorer kombinert med image-omics-funksjonene. Ytelsen verifiseres i to testsett.

Hovedprestasjoner og tiltak:

Den diskriminerende ytelsen til bildeomics-modellen ble evaluert av området under mottakerens driftskarakteristikk og bekreftet ved beslutningskurveanalyse.