基于人工智能的平扫CT肾脏自动分割与影像组学模型在分肾功能评估中的应用研究

　　来自多中心的研究人员开展了一项利用平扫CT和人工智能方法自动评估分肾功能的研究。通过UNETR实现肾脏自动分割（DSC>0.88），结合影像组学特征和临床数据构建集成模型（测试集AUC=0.825），为替代SPECT提供了一种无辐射、高效低成本的解决方案。

　　

基于人工智能技术，研究人员开发了一种利用平扫计算机断层扫描（Computed Tomography, CT）自动评估单侧肾功能的新方法。传统单光子发射计算机断层扫描（Single-Photon Emission Computed Tomography, SPECT）虽常用于分肾功能评估，但存在放射性暴露、操作繁琐且成本高昂的局限。

该研究采用深度学习中的U-Net变换器（UNETR）对281例肾梗死或肾积水患者的平扫CT图像进行自动分割，精准识别肾实质与肾积水区域。训练集（中心I，159例）与测试集（中心II，122例）的自动分割戴斯相似系数（Dice Similarity Coefficient, DSC）分别达到0.894和0.881，单例处理耗时仅3.4秒，远低于人工分割的1477.9秒。

研究人员进一步从分割区域提取影像组学特征，通过弹性网络（ElasticNet）构建影像组学标签，并结合临床特征建立多元逻辑回归集成模型。结果显示，影像组学标签在训练集和测试集的受试者工作特征曲线下面积（Area Under Curve, AUC）为0.778和0.801，而集成模型AUC提升至0.792和0.825。

这项技术突破表明，利用平扫CT与人工智能方法可实现安全、快速、精准的分肾功能评估，显著降低辐射风险，提升诊断效率并节约医疗成本。