临床放射学杂志

作者：王莹, 魏东风, 柏根基

单位：223700 泗阳县第一人民医院（王 莹）; 223300 淮安工业园区人民医院（魏东风）; 223300 淮安,南京医科大学附属淮安第一医院（柏根基）

关键词：机器学习,细胞外容积分数,肾细胞癌,体层摄影术,X线计算机

<b>目的</b> 开发一种基于CT衍生的细胞外容积分数（ECV）联合传统特征的机器学习可解释模型术前无创性准确预测透明细胞肾细胞癌（ccRCC）的世界卫生组织/国际泌尿病理协会（WHO/ISUP）分级,为临床决策提供重要信息。<b>方法</b> 回顾性分析2017年1月至2023年12月接受肾肿瘤切除术的222例患者。采用6种机器学习算法构建ccRCC WHO/ISUP 分级的预测模型：极端梯度提升（XGBoost）、逻辑回归（LR）、轻量级梯度提升机(LightGBM)、高斯朴素贝叶斯（GNB）、支持向量机（SVM）和K近邻（KNN）模型。使用受试者工作特征曲线（ROC）分析评价模型性能,包括曲线下面积（AUC）、敏感度、特异度、准确率、阳性预测值、阴性预测值和F1评分。校准图用于模型校准的目视评价。进行临床决策曲线分析,通过计算净获益评估潜在临床效用。<b>结果</b> 按照7&#x02236;3比例随机分为训练集（155例）和验证集（67例）。机器学习结果表明XGBoost是针对此数据集的最佳模型选择,该模型在训练集和验证集中的AUC分别为1.000（95%CI：1.000~1.000）和0.873（95%CI：0.837~0.996）,在独立测试集中AUC为0.861（95%CI：0.757~0.964),准确率为0.806,敏感度为0.389,特异度为0.959,阳性预测值为0.778,阴性预测值为0.810,F1评分为0.519。<b>结论</b> CT衍生的ECV结合传统CT特征的机器学习可解释模型是术前预测WHO/ISUP分级的可行性工具,以XGBoost机器学习模型更准确和稳健。

来源：2025年第7期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第7期