基于人工智能的非增强CT自动估算单肾肾小球滤过率与分肾功能
本研究纳入两个中心共245例萎缩肾或肾积水患者,利用深度学习自动分割非增强CT上的肾实质与肾积水区域并提取影像组学特征,结合临床特征估算单肾GFR与分肾功能。估算值与SPECT测量值显著相关,rcGFR的r=0.75、MAE为10.66 mL/min/1.73 m2、CCC为0.70,rcphSRF的r=0.92、MAE为7.87%、CCC为0.88。
要点
- 非增强CT联合AI可估算单肾GFR与分肾功能,与SPECT测量值显著相关。
- 深度学习自动分割较手动分割平均时间缩短434.6倍至3.4秒。
- rcphSRF估算分肾功能r=0.92,MAE为7.87%,CCC为0.88。
核心结论
- 非增强CT与人工智能方法在萎缩肾或肾积水患者中估算单肾GFR和分肾功能是可行的。
研究设计与样本
- 多中心研究,训练集为来自中心I的128例患者(2015年8月至2021年8月),测试集为来自中心II的117例患者(2017年1月至2019年12月),共245例。
- 中心I使用GE Discovery NM/CT 670 SPECT/CT扫描仪行非增强CT,管电压120 V、管电流180 mA、层厚5 mm、矩阵512×512。
- 中心II使用Canon Aqulion 64排螺旋CT扫描仪行非增强CT,管电压120 V、管电流230 mA、层厚5 mm、矩阵512×512。
- 参考标准为SPECT动态显像(99mTc-DTPA)测量的单肾GFR与SRF,采用Gates法计算。
- 采用UNETR深度学习模型自动分割肾实质与肾积水区域,并提取2260个影像组学特征。
关键影像表现/征象
- 自动分割肾实质的平均DSC在训练集为0.893±0.105、测试集为0.844±0.132。
- 自动分割肾积水的平均DSC在训练集为0.732±0.323、测试集为0.686±0.305。
- 自动分割平均处理时间仅3.4秒/例,手动分割平均1477.9秒/例。
- 最终保留33个特征,ElasticNet从中识别5个特征生成rGFR公式,其中4个来自肾实质区域、1个来自肾积水区域。
诊断标准与关键数值
- rcGFR与SPECT测量单肾GFR相比:r=0.75(p<0.001),MAE为10.66 mL/min/1.73 m2,CCC为0.70。
- rcphSRF与SPECT测量SRF相比:r=0.92(p<0.001),MAE为7.87%,CCC为0.88。
- 肾功能受损判定为单肾GFR≤30 mL/min×1.73 m2,正常为单肾GFR>30 mL/min×1.73 m2。
- 无功能肾判定为单肾GFR<10 mL/min×1.73 m2,有功能肾为单肾GFR≥10 mL/min×1.73 m2。
- 肾切除判定为SRF<15%,非肾切除为SRF≥15%;肾功能较低判定为SRF<45%,非较低为SRF≥45%;非优势肾判定为SRF≤60%,优势肾为SRF>60%。
临床应用与阅片要点
- rcGFR和rcphSRF在区分不同健康状态肾脏时总体AUC、准确率和特异度较高,但敏感度相对较低,尤其在识别无功能肾或需肾切除的肾脏时。
- 在区分肾功能受损或正常、肾功能较低与否、非优势或优势肾时,rcGFR和rcphSRF的表现相对均衡。
- 所有区分肾脏健康状态的任务中,基于手动分割与自动分割提取特征的rcGFR和rcphSRF之间AUC无显著差异。
局限性
- 使用5 mm层厚的非增强CT可能因部分容积效应影响影像组学特征提取,而使用1 mm层厚可能减轻该影响并提高估算性能。
- 纳入队列缺乏血尿素氮和血肌酐测量,因本研究主要目的是探讨非增强CT联合AI估算单肾GFR和SRF的可行性;未来需要前瞻性研究探索纳入这些血液标志物能否进一步优化模型。
- 对于SRF估算,基于手动分割与基于自动分割的模型之间存在显著误差差异,主要源于依赖肾实质和肾积水区域体积的pSRF和hSRF,而自动分割的性能仍不理想。
全文中译12 节 · 点击展开
引言
肾小球滤过率(GFR)是衡量肾功能的最佳指标[1]。对于萎缩肾或肾积水患者,术前评估需要获取单肾GFR[2, 3]。分肾功能(SRF)代表单肾GFR对总GFR的相对贡献,对泌尿外科手术决策具有重要意义[4–6]。
单光子发射计算机断层扫描(SPECT)是测量单肾GFR和SRF的金标准。与SPECT相比,计算机断层扫描(CT)因成本较低、成像速度较快和辐射暴露较少而更为常用。既往研究曾使用对比增强CT(CECT)评估肾功能[7, 8]。然而,碘对比剂的使用会增加肾毒性风险[9, 10]。为避免使用碘对比剂,一些研究发现基于非增强CT的肾实质体积(RPV)与单肾GFR相关[8, 11],且RPV百分比可用于估算SRF[5, 12, 13]。然而,仅凭RPV不足以全面评估肾组织的健康状态,导致效能中等。此外,在既往研究中,RPV的计算依赖于肾实质区域的勾画,这主要通过费时费力的人工分割实现,临床应用潜力有限。
人工智能(AI)方法,包括深度学习和影像组学,在医学图像处理中发挥着重要作用[14, 15]。利用深度学习算法,可以以高效、全自动的方式完成器官分割[16]。此外,通过影像组学将医学图像转化为定量特征,在提取更具代表性的疾病相关图像特征方面具有巨大潜力[14]。肾实质是尿液滤过的主要部位,其状况与GFR直接相关。此外,研究表明肾积水严重程度增加与更差的GFR相关[17, 18]。因此,我们假设从肾实质和肾积水区域提取的影像组学特征可用于估算单肾GFR和SRF。
本研究旨在开发并验证一种基于AI的自动估算方法,利用非增强CT对肾积水和萎缩肾患者的单肾GFR和SRF进行估算。此外,我们评估了估算在区分不同健康状态肾脏方面的临床实用性。
材料与方法
数据集与研究设计
纳入在SPECT成像前后30天内接受非增强CT检查的萎缩肾或肾积水患者。萎缩肾定义为长度小于8 cm且明显小于对侧肾脏,或肾实质厚度小于1.5 cm的肾脏。肾积水定义为肾盂前后径超过10 mm的情况。
病因包括输尿管结石、输尿管狭窄或肾盂输尿管连接部(UPJ)先天性异常。排除标准包括以下内容:(1)直径超过1 cm的肾脏肿瘤或囊肿;(2)肾移植、先天性或解剖性孤立肾;(3)肾盂或肾盏的解剖变异,如壶腹型肾盂;(4)SPECT或CT成像前的肾脏手术。随后,共纳入中心I在2015年8月至2021年8月期间的128例患者作为训练集,同时纳入中心II在2017年1月至2019年12月期间的117例患者作为独立测试集。
非增强CT扫描在中心I使用GE Discovery NM/CT 670 SPECT/CT扫描仪进行,管电压为120 V,管电流为180 mA。层厚设定为5 mm,矩阵配置为512 × 512。中心II的非增强CT使用Canon Aqulion 64排螺旋CT扫描仪进行,管电压为120 V,管电流为230 mA,层厚为5 mm,矩阵大小为512 × 512。
SPECT成像在中心I使用GE Discovery NM/CT 670 SPECT/CT扫描仪进行,在中心II使用GE Infinia SPECT进行。通过99mTc-DTPA SPECT动态成像测量单肾GFR [8]。中心I和中心II采用相同的成像参数,包括矩阵大小128 × 128、放大倍数1.0、每帧采集时间设定为15 s,共采集60帧。检查后,原始数据经工作站处理获得时间-放射性曲线,并利用Gates方法确定单肾GFR值。随后,SRF计算为单肾GFR对总GFR的相对贡献。
本研究获得了所有参与中心机构审查委员会的批准,鉴于其回顾性性质,免除了知情同意的要求。图1展示了本多中心研究的工作流程。
肾实质和肾积水的自动分割
肾实质和肾积水区域由两名具有10年经验的放射科医师使用MITK软件(版本2018.04)对每侧肾脏进行手动勾画,并由一名具有25年经验的放射科医师确认。在非增强CT上勾画肾实质区域时,排除肾盂、肾窦脂肪及肾门处可见的主要血管(肾动脉和肾静脉)。肾积水区域定义为呈水样密度的肾盂区域。非增强CT图像的体素强度范围裁剪至肾窗(窗宽 = 260 HU,窗位 = 60 HU),并使用z-score方法进行归一化。
所有3D平扫CT图像均重采样至256×256×80大小。接下来,使用标注和3D平扫CT图像训练3D分割模型UNETR[19],用于肾实质和肾积水的自动分割。UNETR保持了U-Net[20]的U形结构,同时使用Transformer[21]作为编码器,其优势在于能够提取不同尺度的图像特征,适合分割大小不同的肾实质和肾积水区域。UNETR在工作站中使用Python 3.9、PyTorch 1.9进行训练,配备NVIDIA GeForce RTX 3090。参数如下:最大epoch,1000;损失函数,diceloss;优化器,adamw;学习率,0.0001。模型训练过程中进行了数据增强,包括随机裁剪、翻转和旋转。
GFR和SRF的估算
对于手动分割和自动分割,我们使用PyRadiomics从肾实质和肾积水区域的3D平扫CT体积中提取了2260个影像组学特征,包括28个形状特征、36个一阶统计特征、150个纹理特征和2046个滤波特征。形状特征、一阶统计特征和纹理特征从原始图像中提取,而滤波特征从小波、平方、对数和梯度滤波图像中提取[22]。
为提高影像组学特征的可重复性,手动分割与自动分割之间的组内相关系数(ICC)低于0.9的特征被排除。此外,我们计算了两两特征之间的Spearman相关系数(SCC),SCC>0.9的特征对被认定为高度相关。在每对高度相关的特征对中,计算一个特征与所有其他特征之间的SCC,平均SCC较大的特征被视为冗余并被排除。剩余特征输入ElasticNet[23]以生成影像组学估算的GFR(rGFR)。ElasticNet能够选择最具代表性的特征并确定特征的权重以估算单肾GFR。ElasticNet的超参数通过十折交叉验证确定。rGFR进一步使用多元线性回归(MLR)与临床特征相结合,以获得更准确的影像组学-临床估算GFR(rcGFR)。
然后,计算了四种SRF估算值:(1)rcSRF计算为单肾rcGFR对总体rcGFR的相对贡献;(2)pSRF使用相对肾实质体积(RPV)百分比通过线性回归计算[5, 24–26];(3)hSRF使用肾积水体积(RHV)百分比通过线性回归计算;(4)rcphSRF通过MLR将rcSRF、pSRF和hSRF相结合计算。
统计分析
采用Mann–Whitney U检验(针对连续参数)和χ2检验(针对分类变量)比较训练集与测试集的基线临床特征。以人工分割作为金标准,采用Dice相似系数(DSC)评估肾实质与肾积水的自动分割性能。采用简化主轴法的斜率与截距、Lin一致性系数(CCC)、平均绝对误差(MAE)、均方误差(MSE)以及带一致性限(LoA)的Bland-Altman图,探讨模型预测值与基于SPECT的测量值之间的一致性与差异。同时报告真实值与预测值之间的Pearson相关分析和配对样本t检验。采用Wilcoxon符号秩检验比较基于人工分割与自动分割提取特征的估计值之间的MAE和MSE。
为评估估计值的临床价值,采用既往报道的截断值区分不同健康状态的肾脏[5, 24, 27–31]:(1)肾功能受损肾脏(单肾GFR ≤ 30 mL/min × 1.73 m2)或正常肾脏(单肾GFR > 30 mL/min × 1.73 m2);(2)无功能肾脏(单肾GFR < 10 mL/min × 1.73 m2)或有功能肾脏(单肾GFR ≥ 10 mL/min × 1.73 m2);(3)行肾切除术(SRF < 15%)或未行肾切除术(SRF ≥ 15%);(4)肾功能较低肾脏(SRF < 45%)或非较低肾脏(SRF ≥ 45%);(5)非优势肾脏(SRF ≤ 60%)或优势肾脏(SRF > 60%)。计算估计值在区分不同健康状态肾脏时的受试者工作特征曲线下面积(AUC)、准确率、灵敏度和特异度。采用Delong检验比较基于人工分割与自动分割提取特征的估计值之间的AUC。
建模和统计分析使用R(版本3.6.1)进行。p值 < 0.05被认为具有统计学意义。
结果
肾实质与肾积水的自动分割性能
以人工分割(平均每例分割时间1477.9 s)为参考标准,自动肾实质分割的平均DSC在训练集中为0.893 ± 0.105,在测试集中为0.844 ± 0.132;自动肾积水分割的平均DSC在训练集中为0.732 ± 0.323,在测试集中为0.686 ± 0.305。分割的平均处理时间仅为每例3.4 s。自动分割的代表性结果见图2。
GFR的估计
基于自动分割的结果,从CT图像中肾实质区域和肾积水区域共提取了2260个影像组学特征。在剔除低重复性和高度冗余特征后,保留了33个特征。ElasticNet最终从33个特征中确定了5个特征以生成rGFR的公式(表S1),包括来自肾实质区域的4个特征和来自肾积水区域的1个特征。
rGFR与SPECT测得GFR之间的相关性见表2和图3。Pearson相关分析表明,rGFR与SPECT测得GFR相关性良好(r = 0.72,p < 0.001)。配对样本t检验显示,rGFR与SPECT测得GFR之间无显著差异(p > 0.05)。同时,rGFR的CCC相对较低,为0.60。
多因素线性回归显示,年龄和rGFR为独立预测因子,rcGFR计算为年龄和rGFR的线性组合(表S2)。与rGFR相比,rcGFR在测试集中表现出更强的相关性(r = 0.75 vs. 0.72)、更小的MAE(10.66 vs. 11.74)和MSE(164.07 vs. 195.11),以及更高的CCC值(0.70 vs. 0.60)。此外,rcGFR表现出更小的斜率(1.46 vs. 1.85)和更大的截距(−17.53 vs. −33.68),使其更接近完美一致(斜率 = 1,截距 = 0)。这些发现表明rcGFR相比rGFR具有更优的预测能力。
此外,图4中的Bland-Altman图证实,估计GFR与SPECT测得GFR之间的大部分差异均在LoA范围内,表明一致性良好。
对于GFR的估算(表S4),基于手动分割和自动分割的模型之间未观察到显著的误差差异。这些估算依赖于稳健的影像组学特征,手动分割与自动分割之间ICC低于0.9的不稳定特征被排除在分析之外。
SRF的估算
rcSRF由rcGFR衍生而来,与SPECT测得SRF表现出强相关性(r = 0.83,p < 0.001),以及中等程度的CCC为0.78。与rcSRF相比,pSRF表现出相似的相关性(r = 0.84 vs. 0.83)和CCC(0.79 vs. 0.78),斜率(1.43 vs. 1.52)和截距(−0.26 vs. −0.22)相当,但MAE(10.09 vs. 10.65)和MSE(158.91 vs. 162.32)更小。另一方面,hSRF表现出最弱的相关性(r = 0.73,p < 0.001)、最低的CCC为0.53,并且具有最大的MAE为13.89和MSE为281.95。
通过多因素线性回归,rcSRF、pSRF和hSRF被确定为SRF的独立预测因子,随后被组合形成复合估计值rcphSRF(表S3)。在测试集中,rcphSRF达到了最强的相关性(r = 0.92,p < 0.001),最小的MAE为7.87和MSE为93.45,以及最高的CCC为0.88。此外,rcphSRF表现出最接近完美一致的斜率(1.37)和截距(−0.18)。这些发现证实rcphSRF在其他估计值中具有最佳的预测能力。
Bland-Altman图进一步证实,超过90%的估计SRF与SPECT测量的SRF之间的差异位于LoA范围内,表明良好的一致性。
对于SRF的估计(表S4),基于手动分割的模型与基于自动分割的模型之间在误差方面存在显著差异。这一差异主要源于对肾实质和肾积水区域体积(pSRF和hSRF)的依赖,而自动分割在这些区域的性能仍不够理想。
估计值在区分不同健康状态肾脏方面的性能
rcGFR和rcphSRF对不同健康状态肾脏的区分性能经计算后呈现在表3中。区分受损或正常肾脏以及无功能或功能肾脏的性能数值属于rcGFR,其他性能数值属于rcphSRF。总体而言,rcGFR和rcphSRF均表现出较高的AUC、准确性和特异性,但敏感性相对较低,尤其是在识别无功能肾脏或需要肾切除术的肾脏方面。在区分受损或正常、肾功能是否较低、非优势或优势肾脏方面,rcGFR和rcphSRF的性能相对均衡。
对于所有与区分肾脏健康状态相关的任务,基于手动和自动分割提取的特征,rcGFR和rcphSRF估计值之间的AUC未观察到显著差异(表S5)。由于这些任务依赖于预定义的截断值,它们对连续估计值的误差相对不敏感。
讨论
我们的研究结果表明,深度学习模型能够自动分割平扫CT中的肾实质和肾积水区域。从这两个区域提取的影像组学特征可用于估计单肾GFR和SRF。这些估计值在区分不同健康状态的肾脏方面表现出较高的准确性和特异性。尽管训练集和测试集之间的患者特征存在差异,模型在两个数据集中均表现出良好的性能。这表明模型在不同患者群体中具有良好的泛化能力。
既往研究报道,增强CT(CECT)可用于评估肾功能[7, 8]。然而,CECT期间使用对比剂可能损害肾功能,并且对于肾功能恶化或有对比剂过敏史的患者属于禁忌[5]。随后,若干研究尝试基于平扫CT估算单肾GFR和SRF,并报道肾实质体积(RPV)及RPV百分比与GFR和SRF相关[5, 11–13]。然而,仅凭RPV不足以[8]全面评估肾组织的健康状态,导致效能中等。此外,这些研究通常纳入来自单中心的小样本队列,其泛化性仍需进一步验证。再者,RPV的计算依赖于劳动密集型的手动肾脏分割(每例患者约15分钟[12]),限制了其临床应用。
据我们所知,这是首次尝试使用人工智能基于平扫CT评估肾功能。我们的结果表明,该深度学习模型能够实现肾实质和肾积水区域的自动分割,将平均分割时间缩短434.6倍至3.4秒,从而使基于分割的肾功能评估具有临床可行性。
此外,基于平扫CT的影像组学特征可用于估算单肾GFR作为rGFR。在用于计算rGFR的影像组学特征中,大多数(4/5)来自肾实质区域,这与肾实质是尿液滤过的主要部位、其状况与GFR直接相关的事实相一致。对于肾实质特征,系数均为正值,意味着特征值越大,rGFR越大。较高的LargeAreaHighGrayLevelEmphasis和TotalEnergy值可能提示肾实质中存在较大且固有高密度的区域。这可与较少的水肿或纤维化相关,因为这些病理状态通常会降低组织的CT值。健康的肾实质通常具有较高的组织密度,这意味着更好的结构完整性和较低程度的病理改变,可能提示更好的肾功能。此外,CT上较高的SizeZoneNonUniformity和Busyness值可能反映肾实质内不同组织结构的复杂性和多样性,它可能代表肾小球与肾小管之间维持正常肾单位功能(如滤过和重吸收)所必需的正常差异。对于肾积水区域,特征Busyness的系数为负值,意味着Busyness越大,rGFR越小。较高的Busyness值反映CT值变化较大,可能提示肾积水成分更复杂,表明肾积水更严重且持续时间更长、肾功能更差。此外,年龄是GFR的另一独立预测因素,这与既往研究结果一致,即年龄相关的肾脏结构变化可导致肾功能逐渐下降[32]。再者,年龄可补充rGFR以实现更好的估算(rcGFR)。
rcGFR进一步用于计算一种新的SRF估算值rcSRF。rcSRF、pSRF和hSRF被确定为SRF的独立预测因子。基于平扫CT的rcSRF和pSRF与基于SPECT的测量值表现出相似的强相关性,且其相关性均强于hSRF。同时,这些预测因子可以联合形成比单独使用更好的估算值rcphSRF,表明不同的估算方法具有互补性以减少误差。相比之下,既往研究仅关注pSRF [5, 12, 13]。
很少有研究探讨估算值的临床实用性,而本研究检验了rcGFR和rcphSRF在区分不同健康状态肾脏时的准确性、灵敏度和特异度。总体而言,rcGFR和rcphSRF均表现出较高的性能。然而,总体灵敏度相对较低,可能是由于真实临床环境中样本分布不均衡,健康状态较差的肾脏数量少于健康肾脏,尤其是那些需要肾切除术的肾脏或无功能肾脏。
本研究存在若干局限性。第一,使用5 mm层厚的平扫CT可能因部分容积效应影响影像组学特征的提取,而使用1 mm层厚的平扫CT可能减轻该效应以提高估算性能。第二,纳入队列中缺乏血尿素氮和血肌酐测量值,因为本研究的主要目的是探讨使用平扫CT联合人工智能估算单肾GFR和SRF的可行性。未来需要前瞻性研究来探索纳入这些血液标志物是否能进一步优化模型。第三,对于SRF的估算,基于手动分割的模型与基于自动分割的模型之间存在显著的误差差异。这凸显了一个局限性,强调未来需要开展研究以提高肾实质和肾积水自动分割的准确性。
总之,利用平扫CT和人工智能技术能够对萎缩肾或肾积水患者的单肾GFR和SRF进行自动估算。我们的方法在有效减少辐射暴露、提高估算效率和降低相关成本方面显示出巨大潜力。
补充信息
电子补充材料
引用
- Wang Y, Xu F, Han Q, et al. AI-based automatic estimation of single-kidney glomerular filtration rate and split renal function using non-contrast CT. Insights Imaging. 2025. PMID: 40192862. doi:10.1186/s13244-025-01959-x
- 全文:PMC11977085(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11977085/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。