超聲影像組學(xué)在腎炎組織學(xué)分型中的應(yīng)用價(jià)值

摘要：目的 探討基于灰階超聲圖像的超聲影像組學(xué)技術(shù)對(duì)腎小球腎炎組織學(xué)分型的鑒別診斷價(jià)值。方法 納入204例患者的腎穿刺活檢病理結(jié)果和超聲資料，根據(jù)病理結(jié)果分為膜性腎病組133例和系膜增生性腎小球腎炎組71例。由2位醫(yī)師對(duì)超聲影像進(jìn)行勾畫(huà)并提取影像組學(xué)特征，對(duì)獲得的全部組學(xué)特征數(shù)據(jù)通過(guò)最大相關(guān)和最小冗余算法（mRMR）初步篩選超聲影像組學(xué)特征，然后利用經(jīng)最小絕對(duì)收縮和選擇算子（LASSO）算法從已篩選特征中選擇最優(yōu)有效特征，并利用隨機(jī)森林（RF）、支持向量機(jī)（SVM）、邏輯回歸（LR）、K近鄰（KNN）法4種分類(lèi)器建立預(yù)測(cè)模型。所有病例按照7︰3比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集，4種模型分別利用訓(xùn)練集訓(xùn)練后，在驗(yàn)證集中驗(yàn)證，通過(guò)比較受試者工作特征（ROC）曲線(xiàn)、Delong檢驗(yàn)、GiViTI校準(zhǔn)曲線(xiàn)，選擇最佳預(yù)測(cè)模型。采用決策曲線(xiàn)分析評(píng)估模型的臨床實(shí)用性。結(jié)果 從每幅圖像提取837個(gè)影像組學(xué)特征，經(jīng)mRMR+LASSO算法共篩選出16個(gè)有意義的特征。RF、SVM、LR、KNN 4種預(yù)測(cè)模型中表現(xiàn)最好的是LR模型，其ROC曲線(xiàn)下面積為0.944，特異度為0.867，敏感度為0.878。GiViTI校準(zhǔn)曲線(xiàn)提示模型具有較好的準(zhǔn)確度（P＞0.05），決策曲線(xiàn)顯示預(yù)測(cè)模型具有較好的臨床實(shí)用價(jià)值。結(jié)論 超聲影像組學(xué)對(duì)較為常見(jiàn)的腎小球腎炎組織學(xué)類(lèi)型具有較好的鑒別能力，具有良好的應(yīng)用前景。

關(guān)鍵詞：超聲檢查；影像組學(xué)；腎小球腎炎；機(jī)器學(xué)習(xí)；預(yù)測(cè)模型

中圖分類(lèi)號(hào)：R445.1，R692.31 文獻(xiàn)標(biāo)志碼：A DOI：10.11958/20231935

The application value of ultrasound radiomics in the histological classification of nephritis

WANG Zhong， ZHAO Jingwen， WANG Tianchi， TANG Ying△

Department of Ultrasonograph， Tianjin First Central Hospital， Tianjin 300192， China

△Corresponding Author E-mail： drtang2002@aliyun.com

Abstract： Objective To explore the application value of ultrasound radiomics technology based on grayscale ultrasound images in the differential diagnosis of histological classification of glomerulonephritis. Methods A total of 204 patients with renal biopsy were selected from our hospital， and according to pathological results， they were divided into the membranous nephropathy group （n=133） and the mesangial proliferative glomerulonephritis group （n=71）. The ultrasound images were sketched and the image omics features were extracted by two physicians.nbsp; The pathological results and ultrasound data of renal biopsy were collected from the two groups， and the ultrasound radiomics features were preliminarily screened by the maximum correlation and minimum redundancy algorithm （mRMR） algorithm for all the obtained omics feature data. Then the optimal effective features were selected from the screened features by minimum absolute shrinkage and selection operator （LASSO） algorithm， and random forest （RF）， support vector machine （SVM）， logistic regression （LR）， four kinds of classifiers of K-nearest neighbor （KNN） method were used to establish a prediction model. All cases were randomly divided into the training set and the validation set according to the ratio of 7∶3， and the four models were trained by the training set， and then validated in the validation set， and the best prediction model was selected by comparing the receiver operating characteristic （ROC） curve， Delong test and GiViTI calibration curve. Decision curve analysis （DCA） was used to evaluate the clinical utility of the model. Results The radiomics method was used to extract 837 radiomics features per image， and 16 meaningful features were finally screened out by using the mRMR + LASSO algorithm. Among the four prediction models of RF， SVM， LR and KNN， the best performing model was LR model， with the AUC of 0.944， the specificity of 0.867 and the sensitivity of 0.878. The GiViTI calibration curve showed that the model had good accuracy （P＞0.05）， and the decision curve showed that the prediction model had good clinical practical value. Conclusion Ultrasound radiomics has a good ability to distinguish the more common histological types of glomerulonephritis， and is a non-invasive method with good application prospects.

Key words： ultrasonography; radiomics; glomerulonephritis; machine learning; prediction model

腎小球腎炎是一種常見(jiàn)且多發(fā)性疾病，我國(guó)的發(fā)病率約為10%［1］，成為繼心腦血管疾病、糖尿病之后的又一公共健康問(wèn)題。腎小球腎炎組織學(xué)分型復(fù)雜，其中膜性腎?。╩embranous nephropathy，MN）和系膜增生性腎小球腎炎（mesangial proliferative glomerulo nephritis，MsPGN）是最為常見(jiàn)的類(lèi)型，對(duì)二者的準(zhǔn)確診斷和鑒別具有重要意義。目前，腎穿刺活檢仍是該病組織學(xué)分型的“金標(biāo)準(zhǔn)”［2］。但因其為有創(chuàng)性檢查，存在一定并發(fā)癥風(fēng)險(xiǎn)。超聲作為腎臟疾病的首選檢查方法，具有無(wú)創(chuàng)、便捷等優(yōu)勢(shì)，已在臨床廣泛應(yīng)用，但僅限于形態(tài)學(xué)的常規(guī)診斷，少見(jiàn)用于腎小球腎炎的組織學(xué)診斷研究。影像組學(xué)的概念是由荷蘭學(xué)者Lambin于2012年提出，即高通量地從放射影像中提取大量的影像特征［3］。影像組學(xué)方法無(wú)需活檢、可重復(fù)檢測(cè)等優(yōu)勢(shì)對(duì)于臨床尤其重要［4］。目前的影像組學(xué)研究多是從診斷圖像中提取定量、可重復(fù)的信息，包括人眼難以識(shí)別或量化的復(fù)雜模式，用于解決臨床問(wèn)題。而診斷圖像的選擇大部分是基于CT、MRI或PET-CT影像，對(duì)于超聲圖像的組學(xué)研究較少。本文利用影像組學(xué)方法提取腎臟二維超聲圖像的影像組學(xué)特征，并與穿刺活檢病理結(jié)果對(duì)照，探討超聲診斷對(duì)腎小球腎炎組織學(xué)類(lèi)型的應(yīng)用價(jià)值。

1 對(duì)象與方法

1.1 研究對(duì)象 納入2021年1月—2022年9月天津市第一中心醫(yī)院腎科住院的204例患者。納入標(biāo)準(zhǔn)：（1）因血尿、蛋白尿、腎功能不全等原因住院且行超聲引導(dǎo)下腎臟穿刺活檢。（2）病理明確證實(shí)為MN或MsPGN。排除標(biāo)準(zhǔn)：（1）不同病理類(lèi)型共存的患者，如MN合并MsPGN。（2）移植腎患者。（3）腎臟占位性病變。（4）超聲圖像不清晰。（5）有其他圖像冗余信息。將入組患者的超聲圖像以DICOM格式導(dǎo)出并脫敏，隱去患者相關(guān)信息。以腎穿刺病理結(jié)果為標(biāo)準(zhǔn)分為MN組（133例）和MsPGN組（71例）。

1.2 超聲檢查及腎穿刺活檢 采用國(guó)產(chǎn)邁瑞-DC-8彩色超聲診斷儀、3.5 MHz凸陣探頭進(jìn)行檢查?；颊吒┡P位，腹部墊高，于右側(cè)腰背部腎區(qū)掃查。超聲圖像深度取16 cm，增益、動(dòng)態(tài)范圍等圖像調(diào)節(jié)參數(shù)相同。檢查者在獲取右腎最大長(zhǎng)軸和最大橫切面影像后，測(cè)量大小并存圖。超聲檢查評(píng)估完成后，患者保持體位不變，立即進(jìn)行超聲引導(dǎo)下腎臟穿刺活檢。為了確保圖像數(shù)據(jù)的一致性，所有患者均由具有高級(jí)職稱(chēng)的同一醫(yī)師在相同儀器上進(jìn)行操作。腎活檢在利多卡因局麻下進(jìn)行，使用自動(dòng)活檢槍及16 G活檢針，每例患者取2～3針，由病理醫(yī)生現(xiàn)場(chǎng)確認(rèn)取材是否成功。成功后分別經(jīng)光學(xué)顯微鏡及電子顯微鏡觀測(cè)。

1.3 超聲影像組學(xué)建模及評(píng)估

1.3.1 圖像標(biāo)注 使用3D Slicer軟件進(jìn)行圖像標(biāo)注及特征提取。選取腎臟長(zhǎng)軸二維灰階圖像，由2名具有中級(jí)或以上職稱(chēng)的醫(yī)師進(jìn)行圖像標(biāo)注。由于腎小球腎炎的病理改變主要發(fā)生在腎實(shí)質(zhì)，故通過(guò)手動(dòng)勾畫(huà)腎臟實(shí)質(zhì)感興趣區(qū)（region of interest，ROI），并進(jìn)行影像組學(xué)特征提取，完成后保存圖像及組織學(xué)特征信息。見(jiàn)圖1。

1.3.2 特征提取 超聲影像組學(xué)特征分為形態(tài)學(xué)特征和紋理特征。其中，形態(tài)學(xué)特征指可以對(duì)ROI形態(tài)進(jìn)行描述的特征，如灰階圖像的長(zhǎng)度、面積、周長(zhǎng)等；紋理特征指可以反映醫(yī)學(xué)影像紋理的特征，通過(guò)統(tǒng)計(jì)、建模、變換等方法對(duì)圖像不同灰度級(jí)進(jìn)行描述，可分為一階特征、二階特征和高階特征。一階特征包括能量、極值、中值、平均值、均方差、標(biāo)準(zhǔn)差等；二階特征包括灰度共生矩陣、灰度游程矩陣等；高階特征包括灰度差分矩陣、灰度區(qū)域大小矩陣等。圖像特征的提取標(biāo)準(zhǔn)以可重復(fù)性高、信息量大、無(wú)冗余等為佳。

1.3.3 特征篩選 通過(guò)最大相關(guān)和最小冗余算法（maximum relevance and minimum redundancy，mRMR）初步篩選超聲影像組學(xué)特征，利用經(jīng)最小絕對(duì)收縮和選擇算子（the least absolute shrinkage and selection operator，LASSO）將不重要的特征系數(shù)降為0，保留有效特征。

1.3.4 模型構(gòu)建和評(píng)估 建立4種機(jī)器學(xué)習(xí)統(tǒng)計(jì)模型，包括隨機(jī)森林（random forest，RF）、支持向量機(jī)（support vector machine，SVM）、邏輯回歸（Logistic regression，LR）、K近鄰（K-nearest neighbour，KNN）法，將所有病例按照7∶3比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集，4種模型分別利用訓(xùn)練集訓(xùn)練，之后在驗(yàn)證集中驗(yàn)證該模型的準(zhǔn)確性。

1.4 統(tǒng)計(jì)學(xué)方法 應(yīng)用SPSS 22.0軟件進(jìn)行數(shù)據(jù)分析。若符合正態(tài)分布的計(jì)量資料以[[x] ±s

]描述，組間比較采用t檢驗(yàn)；若不符合正態(tài)分布，采用M（P25，P75）描述。采用Delong檢驗(yàn)比較模型在兩數(shù)據(jù)集受試者工作特征（ROC）曲線(xiàn)及曲線(xiàn)下面積（AUC），選擇最佳預(yù)測(cè)模型。繪制GiViTI校準(zhǔn)曲線(xiàn)評(píng)估模型的一致性，決策曲線(xiàn)分析（decision curve analysis，DCA）評(píng)估模型的實(shí)用性。以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 患者基本信息 204例患者中男130例，女74例，年齡16～77歲，平均（47.2±15.5）歲。MN組中男81例，女52例，年齡17～76歲，平均（51.9±12.0）歲；MsPGN組中男49例，女22例，年齡16～77歲，平均（44.9±18.9）歲；MN組年齡高于MsPGN組（t=2.326，P＜0.05）。2組性別比例差異無(wú)統(tǒng)計(jì)學(xué)意義（χ2=1.318，P＞0.05）。

2.2 影像組學(xué)特征提取結(jié)果 每幅圖像提取837個(gè)影像組學(xué)特征，其中形態(tài)特征93個(gè)，紋理特征744個(gè)，之后通過(guò)mRMR+LASSO算法最終篩選出16個(gè)影像組學(xué)特征（圖2），均屬于紋理特征子集（wavelet），包括5個(gè)一階特征（Firstorder）：LHH一階-平均值（Firstorder-Mean），LHL一階-最大值（Firstorder-Maximum），LHH一階-中值（Firstorder-Median），LHH一階-峰度（Firstorder-Kurtosis），HLH一階-平均值（Firstorder-Mean）；3個(gè)灰度游程矩陣（gray level run length matrix，GLRLM）：HHH灰度游程矩陣-長(zhǎng)游程低灰度強(qiáng)調(diào)度（GLRLM-Long Run Low Gray Level Emphasis），LLH灰度游程矩陣-游程熵（GLRLM-Run Entropy），LLH灰度游程矩陣-短游程高灰度強(qiáng)調(diào)度（GLRLM-Short Run High Gray Level Emphasis）；3個(gè)灰度差分矩陣（gray level dependence matrix，GLDM）：LHH灰度差分矩陣-低灰度強(qiáng)調(diào)度（GLDM-Low Gray Level Emphasis），HLH 灰度差分矩陣-低灰度強(qiáng)調(diào)度（GLDM-Low Gray Level Emphasis），LHL灰度差分矩陣-依賴(lài)方差（GLDM-Dependence Variance）；4個(gè)灰度區(qū)域大小矩陣（gray level size zone matrix，GLSZM）：LHL灰度區(qū)域大小矩陣-小區(qū)域低灰度強(qiáng)調(diào)度（GLSZM-Small Area Low Gray Level Emphasis），LHH灰度區(qū)域大小矩陣-區(qū)域熵（GLSZM-Zone Entropy），HLH灰度區(qū)域大小矩陣-小區(qū)域低灰度強(qiáng)調(diào)度（GLSZM-Small Area Low Gray Level Emphasis），HLL灰度區(qū)域大小矩陣-小區(qū)域高灰度強(qiáng)調(diào)度（GLSZM-Small Area High Gray Level Emphasis）；1個(gè)領(lǐng)域灰度差矩陣（neighbourhood gray tone difference matrix，NGTDM）：領(lǐng)域灰度差矩陣-強(qiáng)度（NGTDM-Strength）。

2.3 預(yù)測(cè)模型在訓(xùn)練集和驗(yàn)證集中的檢驗(yàn)效能比較 應(yīng)用4種機(jī)器學(xué)習(xí)算法（LR、KNN、SVM、RF）建立腎小球腎炎組織學(xué)類(lèi)型的預(yù)測(cè)模型，通過(guò)ROC曲線(xiàn)評(píng)估模型的區(qū)分度和預(yù)測(cè)效能。4種機(jī)器學(xué)習(xí)模型在訓(xùn)練集和驗(yàn)證集中的檢驗(yàn)效能見(jiàn)表1，ROC曲線(xiàn)見(jiàn)圖3。經(jīng)Delong檢驗(yàn)評(píng)估同一模型在訓(xùn)練集和驗(yàn)證集中的AUC，結(jié)果顯示差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。在訓(xùn)練集中，SVM的AUC最大，在驗(yàn)證集中，LR的AUC最大。因此，LR和SVM模型均具有較好的區(qū)分度。

2.4 模型的校準(zhǔn)能力比較 繪制LR與SVM預(yù)測(cè)模型GiViTI校準(zhǔn)曲線(xiàn)，評(píng)價(jià)預(yù)測(cè)模型的校準(zhǔn)能力。LR模型與SVM模型的GiViTI校準(zhǔn)曲線(xiàn)均接近理想曲線(xiàn)（45°對(duì)角平分線(xiàn)），見(jiàn)圖4，其預(yù)測(cè)概率與實(shí)際概率平均絕對(duì)誤差分別為0.192 4和0.194 1，提示LR模型與實(shí)際觀測(cè)概率更接近。因此，選擇LR模型為最終預(yù)測(cè)模型。

2.5 模型的決策曲線(xiàn)分析 采用DCA曲線(xiàn)評(píng)估模型的臨床實(shí)用性。結(jié)果顯示，當(dāng)預(yù)測(cè)概率值在0～1時(shí)，LR模型對(duì)患者發(fā)生MN（或MsPGN）的風(fēng)險(xiǎn)預(yù)測(cè)具有臨床實(shí)用價(jià)值，見(jiàn)圖5。

橫坐標(biāo)代表潛在風(fēng)險(xiǎn)閾值，縱坐標(biāo)代表凈收益，觀察預(yù)測(cè)模型DCA曲線(xiàn)與Treat All及Treat None曲線(xiàn)的相對(duì)位置關(guān)系：如果待評(píng)估曲線(xiàn)位于Treat All曲線(xiàn)上方，并且與Treat None曲線(xiàn)有明顯的分離，通常表明該模型具有一定的臨床價(jià)值。

3 討論

3.1 腎小球腎炎的診療現(xiàn)狀 慢性原發(fā)性腎小球腎炎（chronic primary glomerulo nephritis， CPGN）是指由多種病因引起、多種病理類(lèi)型組成的原發(fā)于腎小球的一組免疫性炎癥性疾病，MN和MsGPN是最為常見(jiàn)的兩種類(lèi)型。由于患病腎臟存在進(jìn)行性損害，最終可發(fā)展為終末期腎臟疾?。╡nd stage renal disease，ESRD），必須依靠透析或腎移植維持生命。兩者臨床表現(xiàn)相似，且發(fā)病隱匿，但治療方案截然不同，因此早期及時(shí)鑒別診斷至關(guān)重要。

目前臨床工作中，尿常規(guī)、血常規(guī)等生化檢驗(yàn)與常規(guī)的影像學(xué)檢查方法，如超聲、CT等對(duì)CPGN的分型鑒別均不具有特異性。常規(guī)超聲主要通過(guò)對(duì)病腎體積形態(tài)、腎實(shí)質(zhì)回聲強(qiáng)弱、血流信號(hào)豐富程度等方面進(jìn)行分析。腎炎早期，超聲顯示腎臟體積大小、皮髓質(zhì)回聲強(qiáng)弱等均可正常，皮質(zhì)與髓質(zhì)分界清晰，血流信號(hào)豐富，提示腎臟損害程度較輕，此時(shí)血肌酐等反映腎臟功能的生化指標(biāo)亦可正常。隨著病程發(fā)展和病情加重，腎臟開(kāi)始出現(xiàn)萎縮趨勢(shì)，腎被膜不光滑，腎皮質(zhì)變薄、回聲增強(qiáng)，血流信號(hào)豐富程度減弱，提示腎臟損害程度加重，血肌酐等指標(biāo)出現(xiàn)異常。腎炎終末期，超聲顯示腎臟明顯萎縮，長(zhǎng)度一般小于8 cm，甚至萎縮至6～7 cm，被膜不光滑、皮質(zhì)變薄、回聲明顯增強(qiáng)，甚至腎內(nèi)結(jié)構(gòu)不清，血流信號(hào)幾乎消失，成為偏強(qiáng)回聲團(tuán)塊，即無(wú)功能腎。此時(shí)超聲圖像結(jié)合臨床與化驗(yàn)，診斷一般無(wú)困難，但此時(shí)患者已失去最佳治療時(shí)機(jī)。腎炎病變?cè)诔Ｒ?guī)超聲影像上雖有一定表現(xiàn)，但“回聲增強(qiáng)、分界清晰”等具體描述更依賴(lài)于操作者的經(jīng)驗(yàn)而無(wú)量化指標(biāo)，對(duì)組織學(xué)分型鑒別診斷價(jià)值有限。王天馳等［5］通過(guò)對(duì)移植腎實(shí)質(zhì)性病變的研究發(fā)現(xiàn)常規(guī)超聲方法診斷效能較低。超聲引導(dǎo)下腎穿刺活檢是一種有創(chuàng)性檢查方法，存在術(shù)后大出血、感染等并發(fā)癥風(fēng)險(xiǎn)，并且不適于患者病情進(jìn)展的跟蹤觀察。

近年來(lái)隨著數(shù)字醫(yī)療與人工智能（artificial intelligence，AI）技術(shù)的進(jìn)步，影像組學(xué)得到快速發(fā)展。將影像組學(xué)方法應(yīng)用于超聲圖像中即為超聲影像組學(xué)，超聲影像組學(xué)能挖掘人眼不能識(shí)別的超聲圖像微觀特征［6］，并建立組學(xué)預(yù)測(cè)模型，為醫(yī)師提供更多的決策依據(jù)。超聲影像組學(xué)技術(shù)由于無(wú)創(chuàng)、可重復(fù)檢測(cè)等優(yōu)勢(shì)，正逐漸成為新的研究熱點(diǎn)。

3.2 超聲影像組學(xué)研究方法和紋理特征意義 本研究應(yīng)用超聲影像組學(xué)技術(shù)對(duì)腎臟灰階超聲圖像進(jìn)行了分析，其中每幅圖像提取了837個(gè)特征。但是大量的圖像特征容易導(dǎo)致最優(yōu)模型建立困難，因此影像組學(xué)研究中一般會(huì)使用降維和特征選擇方法來(lái)減少用于最終建模的特征數(shù)量［7］。在特征篩選階段，筆者最終采用“mRMR＋LASSO算法”，從837個(gè)特征中篩選出了16個(gè)有效組學(xué)特征，其中特征系數(shù)＞0者表示該特征對(duì)MN為正相關(guān)特征，系數(shù)＜0者表示該特征對(duì)MsGPN為正相關(guān)特征，系數(shù)絕對(duì)值越大表示權(quán)重占比越大。該16個(gè)有效特征均為紋理相關(guān)特征。紋理一般指從圖像中觀察到的圖像像素的灰度變化規(guī)律，人們將圖像中存在的局部不規(guī)則的、宏觀有規(guī)律的特征稱(chēng)為紋理［8］。超聲圖像紋理的產(chǎn)生是由于不同組織之間、同一組織正常部分與病變部分之間對(duì)超聲波束吸收、反射、衰減的不同所致，故紋理是一種反映圖像中同質(zhì)現(xiàn)象的特征，可以通過(guò)變換等方法對(duì)圖像不同灰度級(jí)進(jìn)行描述，對(duì)于超聲圖像間細(xì)微差異具有較好的分辨能力。楊熠等［9］對(duì)比了不同組織學(xué)腎臟腫瘤的影像組學(xué)特征，發(fā)現(xiàn)紋理特征能夠通過(guò)體現(xiàn)圖像中像素灰度值的分布和關(guān)系定量表現(xiàn)圖像異質(zhì)性。本研究篩選的16個(gè)均是紋理特征的結(jié)果也說(shuō)明了紋理對(duì)于識(shí)別影像特征的重要性，這也與相關(guān)報(bào)道［10］相符。

3.3 超聲影像組學(xué)的發(fā)展現(xiàn)狀及本研究的創(chuàng)新之處 本研究針對(duì)MN和MsPGN的鑒別診斷問(wèn)題，將所有病例按照7∶3分為訓(xùn)練集和驗(yàn)證集，以訓(xùn)練集建立4種機(jī)器學(xué)習(xí)統(tǒng)計(jì)模型，并在驗(yàn)證集中驗(yàn)證，最終結(jié)果表明4種模型診斷效能不盡相同，AUC為0.908～0.944，其中表現(xiàn)最好的是LR模型。LR是一種廣義線(xiàn)性回歸模型，可操作性較強(qiáng)，應(yīng)用廣泛。陳劍霖等［11］利用邏輯回歸算法對(duì)移植腎功能延遲恢復(fù)進(jìn)行了預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確率約為0.73，亦證明具有較好的診斷價(jià)值。

影像組學(xué)尚處于探索研究階段，目前尚沒(méi)有任何一種影像組學(xué)技術(shù)能獨(dú)立應(yīng)用于臨床診斷，現(xiàn)階段影像組學(xué)的主要應(yīng)用多為無(wú)創(chuàng)早期診斷、療效預(yù)測(cè)、腫瘤分期分型、生存分析等［12］。Suarez-Ibarrola等［13］總結(jié)了影像組學(xué)在腎臟腫瘤中的4方面應(yīng)用，包括：腎腫瘤的良惡性鑒別、腫瘤細(xì)胞核分級(jí)、預(yù)測(cè)分子生物標(biāo)志物的臨床效能及患者預(yù)后預(yù)測(cè)。Lim等［14］則總結(jié)了影像組學(xué)在移植腎臟中的應(yīng)用。在前期研究中發(fā)現(xiàn)，目前對(duì)于腎臟的超聲影像組學(xué)研究對(duì)象包括原位腎和移植腎，研究方向分為兩大類(lèi)，一類(lèi)是針對(duì)占位性病變的常規(guī)超聲圖像［15］及超聲造影圖像［16］，二是針對(duì)腎臟彌漫性病變，如對(duì)于腎臟纖維化的超聲影像組學(xué)研究［17］。而本研究提出了新的思路，即選擇的研究方向?yàn)樵荒I的主觀視覺(jué)上不易鑒別的MN和MsGPN兩種腎小球病變，以發(fā)掘組學(xué)對(duì)非視覺(jué)信息的處理優(yōu)勢(shì)，從而更好地體現(xiàn)組學(xué)輔助診斷效果。隨著影像組學(xué)圖像標(biāo)準(zhǔn)化、模型模塊化、深度學(xué)習(xí)等方面研究的深入，最終形成醫(yī)師綜合診斷+影像組學(xué)輔助診斷的模式也許將成為可能。

3.4 本研究的局限性 （1）本研究中MN和MsGPN兩組患者存在年齡差異。盡管文獻(xiàn)報(bào)道MN以50歲以上人群為主［18］，但這是否會(huì)影響影像組學(xué)模型的評(píng)價(jià)性能，仍需大樣本研究予以證實(shí)。（2）圖像描記使用手動(dòng)方法，效率較低，今后的研究中會(huì)進(jìn)一步使用深度學(xué)習(xí)提高效率。（3）為單中心研究，樣本數(shù)量相對(duì)較小，今后可開(kāi)展多中心聯(lián)合研究，豐富數(shù)據(jù)庫(kù)。

綜上，超聲影像組學(xué)作為近年來(lái)新興起的影像分析方法，具有無(wú)創(chuàng)、方便、可重復(fù)等優(yōu)點(diǎn)，本研究中所構(gòu)建的LR模型對(duì)腎小球腎炎組織學(xué)類(lèi)型具有較好的診斷效能及臨床實(shí)用價(jià)值，擁有良好的應(yīng)用前景。

參考文獻(xiàn)

［1］"""" WU J，DUAN S W，YANG H T，et al. Efficacy and safety of Shenyankangfu Tablet，a Chinese patent medicine，for primary glomerulonephritis：A multicenter randomized controlled trial［J］. J Integr Med，2021，19（2）：111-119. doi：10.1016/j.joim.2021. 01.009.

［2］"""" HU R，QUAN S，WANG Y，et al. Spectrum of biopsy proven renal disease in Central China：a 10-year retrospective study based on 34，630 cases［J］. Sci Rep，2020，10（1）：10994. doi：10.1038/s41598-020-67910-w.

［3］"""" LAMBIN P，RIOSVELAZQUEZ E，LEIJENAAR R，et al. Radiomics：Extracting more information from medical images using advanced feature analysis［J］. EJC，2012，48（4）：441-446. doi：10.1016/j.ejca.2011.11.036.

［4］"""" 楊麗勤，王希明."MRI影像組學(xué)用于前列腺癌包膜外侵犯的研究進(jìn)展［J］. 國(guó)際醫(yī)學(xué)放射學(xué)雜志，2023，46（2）：202-206. YANG L Q，WANG X M."Research progress of MRI radiomics in assessing extracapsular extension of prostate cancer［J］."Int J Med Radiol，2023，46（2）：202-206. doi：10.19300/j.2023.Z20177.

［5］"""" 王天馳，王眾，牛寧寧，等. 超聲影像組學(xué)對(duì)移植腎實(shí)質(zhì)性病變鑒別診斷的價(jià)值［J］. 天津醫(yī)藥，2023，51（6）：653-657. WANG T C，WANG Z，NIU N N，et al. The value of ultrasonography in the differential diagnosis of parenchymal lesions of transplanted kidney［J］. Tianjin Med J，2023，51（6）：653-657. doi：10.11958/20230025.

［6］"""" 周瑾，常才，周世崇. 多模態(tài)超聲組學(xué)在乳腺癌術(shù)前診斷中的研究進(jìn)展［J］. 腫瘤影像學(xué)，2021，30（5）：327-331. ZHOU J，CHANG C，ZHOU S C. The progress of multimodal ultrasound-radiomics in the preoperative diagnosis of breast cancer［J］. Oncoradiology，2021，30（5）：327-331. doi：10.19732/j.cnki.2096-6210.2021.05.002.

［7］"""" 淡一波，陶虹月，王一達(dá)，等. 基于預(yù)建模的影像組學(xué)特征選擇方法［J］. 信息技術(shù)，2022（4）：1-6，12. DAN Y B，TAO H Y，WANG Y D，et al. Feature selection method of radiomics based on scout models［J］. Information Technology，2022（4）：1-6，12. doi：10.13274/j.cnki.hdzy.2022.04.001.

［8］"""" 吳昕怡，包呼和. 紋理分析在超聲醫(yī)學(xué)中的應(yīng)用研究現(xiàn)狀［J］. 影像研究與醫(yī)學(xué)應(yīng)用，2020，4（20）：5-7. WU X Y，BAO H H. The status quo of the application of texture analysis in ultrasound medicine［J］. Journal of Imaging Research and Medical Applications，2020，4（20）：5-7.

［9］"""" 楊熠，錢(qián)旭升，周志勇，等. 采用影像組學(xué)的腎腫瘤組織學(xué)亞型分類(lèi)［J］. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），2019，53（12）：2381-2388. YANG Y，QIAN X S，ZHOU Z Y，et al. Classification of renal tumor histology subtypes using radiomics［J］. Journal of Zhejiang University（Engineering Science），2019，53（12）：2381-2388. doi：10.3785/j.issn.1008-973X.2019.12.016.

［10］""" ZHANG L，CHEN Z，F(xiàn)ENG L，et al. Preliminary study on the application of renal ultrasonography radiomics in the classification of glomerulopathy［J］. BMC Med Imaging，2021，21（1）：115. doi：10.1186/s12880-021-00647-8.

［11］""" 陳劍霖，付睿，陳青，等.基于邏輯回歸算法的移植腎功能延遲恢復(fù)發(fā)生風(fēng)險(xiǎn)因素分析及預(yù)測(cè)模型的建立［J］. 實(shí)用器官移植電子雜志，2023，11（5）：457-463. CHEN J L，F(xiàn)U R，CHEN Q，et al. Analysis of risk factors and prediction model of delayed recovery of transplanted kidney function based on logistic regression algorithm ［J］. Prac J Organ Transplant（Electronic Version），2023，11（5）：457-463. doi：10.3969/j.issn.2095-5332.2023.05.013.

［12］""" 王芳，夏雨薇，柴象飛，等. 影像組學(xué)分析流程及臨床應(yīng)用的研究進(jìn)展［J］. 中華解剖與臨床雜志，2021，26（2）：236-241. WANG F，XIA Y W，CHAI X F，et al. Analysis process and clinical application of radiomics［J］. Chin J Anat Clin，2021，26（2）：236-241. doi：10.3760/cma.j.cn101202-20200701-00200.

［13］""" SUAREZ-IBARROlA R，BASULTO-MARTINEZ M，HEINZE A，et al. Radiomics applications in renal tumor assessment：A comprehensive review of the literature［J］. Cancers（Basel），2020，12（6）：1387. doi：10.3390/cancers12061387.

［14］""" LIM E J，YEN J，F(xiàn)ONG K Y，et al. Radiomics in Kidney Transplantation：A scoping review of current applications，limitations，and future directions［J］. Transplantation，2024，108（3）：643-653. doi：10.1097/TP.0000000000004711.

［15］""" LI C，QIAO G，LI J，et al. An ultrasonic-based radiomics nomogram for distinguishing between benign and malignant solid renal masses［J］. Front Oncol，2022，12：847805. doi：10.3389/fonc.2022.847805.

［16］""" YANG Y，CHEN F，LIANG H，et al. CNN-based automatic segmentations and radiomics feature reliability on contrast-enhanced ultrasound images for renal tumors［J］. Front Oncol，2023，13：1166988. doi：10.3389/fonc.2023.1166988.

［17］""" CHEN Z，YING M T C，WANG Y L，et al. Ultrasound?based radiomics analysis in the assessment of renal fibrosis in patients with chronic kidney disease［J］. Abdom Radiol（NY），2023，48（8）：2649-2657. doi：10.1007/s00261-023-03965-3.

［18］""" 劉清華，劉愷怡，侯淳容. 梅州地區(qū)近10年腎穿病理活檢結(jié)果分析［J］. 廣東藥科大學(xué)學(xué)報(bào)，2021，37（4）：122-126. LIU Q H，LIU K Y，HOU C R. Analysis of renal biopsy results in Meizhou area in recent 10 years［J］. Journal of Guangdong Pharmaceutical University，2021，37（4）：122-126. doi：10.16809/j.cnki.2096-3653.2021041903.

（2023-12-18收稿 2024-06-28修回）

（本文編輯 李鵬）

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（82172031）；天津市科技計(jì)劃項(xiàng)目（21JCYBJC01800）

作者單位：天津市第一中心醫(yī)院超聲科（郵編300192）

作者簡(jiǎn)介：王眾（1973），男，副主任醫(yī)師，主要從事超聲診斷方面研究。E-mail：wangz588828@qq.com

△通信作者 E-mail：drtang2002@aliyun.com