通过机器学习预测产前肾积水患者的先天性肾脏和泌尿系统异常（CAKUT）

《World Journal of Urology》：Predicting congenital anomalies of the kidney and urinary tract (CAKUT) in prenatal hydronephrosis via machine learning

　　UTD参数预测CAKUT的研究显示中央及输尿管扩张是主要预测因素，机器学习模型表现优异

　　

摘要

目的

尿路扩张（UTD）分类对肾脏和尿路先天性异常（CAKUT）具有可靠的预测价值，但并未明确指出何时需要使用高级影像学检查。本研究旨在利用多种机器学习（ML）算法来确定哪些特定的UTD参数最能有效预测CAKUT的存在。

方法

这项回顾性队列研究纳入了被诊断为产前肾积水（HN）的婴儿。收集了有关人口统计学、超声检查结果和最终诊断的数据。在Azure Machine Learning Studio中训练并比较了多种监督式ML算法，最终选择了三种表现最佳的模型——随机森林（RF）、轻量级梯度提升机（LightGBM）和极端梯度提升机（XGBoost）进行详细分析。数据集被随机分为训练集（70%）、测试集（20%）和验证集（10%），每个模型均迭代了1000次。为了提高模型的稳健性，报告了平均性能指标。模型性能通过准确性、精确度、召回率、F1分数和ROC曲线下面积（AUC）进行评估。

结果

在分析的206个肾脏单位中，有78个（37.9%）被诊断为CAKUT。具有中央或输尿管扩张的肾脏中CAKUT的发生率显著更高（两者均p < 0.001）。中央扩张始终被列为最具影响力的预测因素，其次是输尿管扩张、前后（AP）直径以及首次超声检查时的年龄。所有三种算法都表现出出色的区分能力（AUC：0.915–0.922）。

结论

在所有算法中，中央扩张和输尿管扩张是确定CAKUT的最强因素。RF、LightGBM和XGBoost之间的表现相当，这支持了这些发现的稳健性，并可能为低风险婴儿制定更精确的影像学检查策略提供依据。