Przedoperacyjne przewidywanie przylegania tłuszczu okołonerkowego. (APF)

Znaczenie:

W przypadku pacjentów z guzami nerki wymagającymi leczenia chirurgicznego przylegający tłuszcz okołonerkowy jest frustrującą zmienną, z którą chirurdzy spotykają się podczas operacji, ale obecny system morfometrycznej oceny nerek zależny od obrazu, stosowany do przewidywania potencjalnej trudności operacji, ignoruje ten czynnik. Dokładne przedoperacyjne przewidywanie stanu tkanki tłuszczowej okołonerkowej pozostaje pilną potrzebą.

Zamiar:

Aby określić, czy cechy radiomiki tkanki tłuszczowej okołonerkowej uzyskane na podstawie obrazów tomografii komputerowej mogą dostarczyć cennych informacji do oceny stanu tkanki tłuszczowej okołonerkowej, należy opracować model predykcyjny oparty na radiomice CT w połączeniu z głębokim uczeniem się i zweryfikować działanie modelu w niezależnej kohorcie.

Projekt, konfiguracja i uczestnicy:

Badanie obejmowało jeden retrospektywny zbiór danych i jeden prospektywny zbiór danych z czterech ośrodków medycznych w okresie od stycznia 2020 r. do września 2023 r. U xx dorosłych pacjentów po częściowej lub radykalnej nefrektomii wykonano tomografię komputerową nerek. Zestaw treningowy, zestaw walidacyjny i zestaw testów wewnętrznych zostały dostarczone przez Pierwszy Szpital Uniwersytetu Jilin, a zestaw testów zewnętrznych dostarczył Pierwszy Szpital miasta Siping, Szpital Centralny Liaoyuan i Szpital Hrabstwa Dongfeng. W tym badaniu diagnostycznym wykorzystano dane pochodzące z jednej instytucji od stycznia 2020 r. do maja 2023 r. w celu wyodrębnienia cech omików obrazowych z obszaru tkanki tłuszczowej okołonerkowej (do przesiewu pod kątem najlepszych cech omików obrazowania wykorzystano test T niezależnej próbki, minimalny skurcz bezwzględny i regresję logistyczną operatora selekcji). ). Przeprowadzono jedno- i wieloczynnikową analizę zmiennych klinicznych u pacjentów przed operacją nerek w celu określenia niezależnych czynników predykcyjnych przylegającej tkanki tłuszczowej okołonerkowej w warunkach klinicznych. Do zbudowania modeli predykcyjnych wykorzystujących wyłącznie funkcje obrazomiki wykorzystano różne klasyfikatory, a modele przewidywania fuzji wykorzystujące niezależne predyktory kliniczne w połączeniu z funkcjami obrazomiki – wykorzystano różne klasyfikatory. Jego działanie sprawdzane jest w dwóch zestawach testowych.

Główne osiągnięcia i działania:

Wydajność dyskryminacyjną modelu omiki obrazu oceniano na podstawie obszaru pod krzywą charakterystyki działania odbiornika i potwierdzono poprzez analizę krzywej decyzyjnej.