基于腹腔镜超声的影像组学机器学习模型预测肾脏小肿块良、恶性的价值

目的探讨基于腹腔镜超声的不同影像组学机器学习模型预测最大直径≤4 cm的肾脏肿块良、恶性的价值。方法回顾性分析2012年12月至2019年12月在华中科技大学同济医学院附属同济医院行腹腔镜手术肾脏实质性肿块患者的术中腹腔镜超声检查资料,根据病理结果分为恶性组(n=80)和良性组(n=62),随机选取60%的病例为训练组(n=84),40%的病例为验证组(n=58)。采用Pyradiomics包提取良性组和恶性组病灶的107个影像组学特征。采用独立样本t检验或Mann-Whitney U检验对训练组中的特征进行筛选,基于支持向量机(SVM)、随机森林(RF)、逻辑回归(LR)、极限学习机(ELM)和K最近邻(KNN)这5种机器学习方法建模,采用ROC曲线评估模型诊断效能,并通过验证组数据验证模型的稳定性。结果一共142个病灶纳入研究,影像组学方法初步提取107个特征,筛选出在肾脏肿块良、恶性分类中起主要作用的10个高度重复且非冗余的稳定特征。5种机器学习模型的预测性能分别为:SVM(ROC下面积、敏感度、特异度、准确度分别为0.816、0.882、0.750、0.828)、RF(ROC下面积、敏感度、特异度、准确度分别为0.881、0.971、0.792、0.897)、LR(ROC下面积、敏感度、特异度、准确度分别为0.866、0.794、0.708、0.759)、ELM(ROC下面积、敏感度、特异度、准确度分别为0.808、0.824、0.792、0.810)和KNN(ROC下面积、敏感度、特异度、准确度分别为0.831、0.912、0.750、0.845)。结论基于腹腔镜超声影像组学的机器学习模型可以区分肾脏小肿块的良、恶性。

CT偶发肾脏肿块的管理--美国放射学院(ACR)偶发病变委员会白皮书

美国放射学院(American College of Radiology,ACR)偶发病变委员会(Incidental Findings Committee,IFC)发布了针对CT偶发性肾脏肿块的管理建议。这些建议更新了美国放射学院杂志(JACR)2010年发布的关于肾上腺、肾脏、肝脏及胰腺偶发病变管理白皮书的肾脏部分内容。肾脏亚组委员会(包括6位腹部放射学家和1位泌尿科医师)制订这份管理流程。这些建议结合已发表的文献和专家意见,通过非正式的反复协商达成共识。文中每张流程图描述需要进一步行影像学检查、随访或转诊治疗的肾脏肿块的影像特征。我们的目的是对偶发性肾脏肿块的管理提供指导建议,从而改善医疗质量。

Kidney function outcomes following thermal ablation of small renal masses

The diagnosis of small renal masses(SRMs) continues to increase likely attributable to widespread use of axial cross-sectional imaging. Many of these SRMs present in elderly patients with abnormal baseline renal function. Such patients are at risk for further decline following therapeutic intervention. Renal thermal ablation presents one approach for management of SRMs whereby tumors are treated in situ without need for global renal ischemia. These treatment characteristics contribute to favorable renal function outcomes following kidney tumor ablation particularly in patients with an anatomic or functional solitary renal unit.