影像组学越来越多地应用于各种泌尿系统疾病的诊断、管理和结果预测。尿石症是一种常见的良性疾病，发病率和复发率高。本范围综述的目的是评估影像组学在尿石症中应用的当前证据，特别是其在诊断和治疗中的效用。

从开始到21年2022月7日，在PubMed，EMBASE和Scopus上进行了关于尿石症背景下影像组学的电子文献检索。共纳入项研究。影像组学已成功应用于尿石症领域，以区分静脉和结石，并在术前对结石类型和成分进行分类。更重要的是，它还被用于预测腔内泌尿外科手术后的结果和并发症。虽然影像组学在尿石症中的应用仍处于起步阶段，但它具有大规模实施的潜力。它最大的潜力在于与传统既定诊断和治疗因素的相关性。 

医疗数字化和数据采集的指数级增长导致医疗保健行业采用人工智能 （AI） 来管理和优化数据的累积和利用 [ 1 ]。分析的范围相应地扩大并引入了一个新的科学领域，统称为“组学”[ 2 ]。非正式地称为组学的科学分支是指以组学结尾的生物科学研究领域，例如基因组学、转录组学、蛋白质组学或代谢组学。

人工智能功能在医学成像背景下的应用被称为放射组学。影像组学是一种定量方法，主要从医学成像和放射图像中提取大量可挖掘数据[ 3 ]。这些特征随后被输入统计框架并进行评估。它通过使用人工智能领域的分析方法来分析“大数据”来量化纹理信息[ 4 ]。大数据被定义为“描述大量高速、复杂和可变数据的术语，这些数据需要先进的技术和技术来实现信息的捕获、存储、分发、管理和分析”[ 5 ]。AI用于对信号强度和像素相互关系的空间分布进行数学提取，并量化人类无法察觉的纹理信息[ 6 ， 7 ]。影像组学旨在通过使用AI改善诊断和预后信息来改善精准医疗[ 8 ， 9 ]。它超越了人类识别肉眼无法察觉的关键影像学特征的能力，拾取可能影响后续治疗决策的隐藏客观数据[ 10 ]。 机器学习（ML）、深度学习（DL）和人工神经网络（ANN）等数据表征算法已被纳入生成影像组学引导的学习模型，以指导诊断、分层和治疗[ 11 ， 12 ]。

近年来，影像组学越来越多地应用于几种内科和泌尿科疾病的诊断、管理和结果预测。 影像组学首次用于肿瘤学，已成功用于区分良性肾脏肿块和恶性肿瘤，并预测各种泌尿系统癌症的组织病理学、生存率和结局[13]。影像组学旨在分析医学图像并将其转化为定量数据，并提供基于图像的生物标志物，以帮助临床决策和改善精准医学[14]。肿瘤领域的成功引起了人们对影像组学在良性泌尿系统疾病（尤其是尿石症）中的应用的关注。影像组学在肾结石病中的工作流程图示见 图1 ：（1）图像采集和预处理，（2）验证和训练数据集创建，（3）提取和特征分割，以及（4）模型构建，例如肾结石分析。 图2 说明影像组学在专门应用于肾结石病患者时的效用，具有四个潜在的关键领域：（1）肾结石病患者病理特征的诊断和预测，（2）结石形成患者的风险分层和预后，（3）高风险结石形成者的分类和分子分析;（4）在肾结石形成者中实施个性化医疗。

图1 影像组学和放射基因组学对尿石症患者管理的潜在贡献。

图2  放射组学方法治疗肾结石病患者。 范围界定审查的目的是评估基于影像组学的应用是否可以帮助腔内泌尿科医生克服结石管理中的一些混杂因素，例如术前识别结石成分、识别静脉和预测药物排出治疗后的结石游离率。

2. 材料和方法

2.1. 文献检索

使用系统评价和荟萃分析的首选报告项目（PRISMA）框架进行影像组学在尿石症情况下的使用的文献综述，用于范围审查和金属分析指南。从开始到21年2022月15日，在PubMed、EMBASE和Scopus上进行了电子文献检索，没有语言限制（ 附录A ）[ 1 ]。完整的检索策略在 附录B 中概述。检索到的摘要和全文由两名独立调查员审查;冲突由第三位作者解决。纳入标准为：（2）影像组学在诊断、治疗预测或治疗中的应用;（）任何类型的尿石症，包括肾结石、输尿管结石和膀胱石症。病例报告、摘要和综述被排除在分析之外。使用标准化数据收集模板提取数据，其中包含预定义的数据字段，包括研究特征、影像组学目标、研究结果和研究结论。

2.2. 研究选择

检索策略检索了1332项研究;在删除322个重复项后，其余1010项研究按标题和摘要进行筛选。在入围全文筛选的108项研究中，有7项最终被纳入本综述。

3. 结果

影像组学可以显着贡献的潜在领域是诊断、治疗和介入结果。共纳入16项研究;Perrot等人[17]的一项研究检查了放射组学在区分静脉和结石方面的应用。18项研究评价了结石类型和成分，其中项研究着眼于介入结局[，]。 表1 显示了纳入的研究。

4. 讨论

4.1. 诊断

4.1.1. 鉴别输尿管

结石和静脉结石 静脉结石在19 世纪首次被描述，通常表现为钙化纤维组织层，由一层内皮覆盖，内皮层与静脉壁的内膜层连续[ 19 ]。鉴别特征包括中央透明、彗尾征和解剖分布[ 20 ]。尽管放射学的进步改善了区分静脉和输尿管结石的前景，但它们仍然是一个诊断挑战，特别是在紧急情况下，导致不必要的干预以及相关的财务和资源负担。Perrot等人[ 16 ]试图利用影像组学的能力来改善低剂量非增强计算机断层扫描（LDCT）在区分肾结石和盆腔静脉中的使用。该研究涉及独立训练（369名患者，211名肾结石和201名静脉）和一个测试队列（43名患者，24名肾结石和23名静脉），分别用于机器学习分类器的训练和实验。两组患者均出现急性肾绞痛，随后接受了LDCT进行放射学评估。该模型共选取LDCT影像组学特征（一阶、形状、灰度共现矩阵（GLCM）、灰度大小区矩阵（GLSZM）、灰度运行长度矩阵（GLRLM）、相邻灰度差分矩阵（NGTDM）和灰度依赖矩阵（GLDM））进行预测，总体准确率为147.029%，灵敏度85.1%，特异性91.7%，ROC-AUC值为78.3。这种影像组学增强的机器学习算法被证明是一种高度客观的识别肾结石的方法，可能有助于限制不必要的干预。

4.1.2. 结石型的

术前识别  影像组学特征也被用于指导结石材料的检测，主要是在术前环境中指导下游管理。Cui等人[ 21 ]开发了一种基于袋装树的集成学习的影像组学特征，并将其应用于157名被诊断为感染结石（98名患者）或非感染结石（59名患者）的患者的非对比CT图像。使用最小绝对收缩和选择运算符（LASSO）算法，选择了27个具有最高可预测性的影像组学特征。该模型报告了 90.7% 的准确率、85.8% 的敏感性和 94.0% 的特异性，ROC 值为 0.97。同样，Zheng等人[22]在从1198名尿石症患者的CT图像中提取数据后，建立了一个影像组学特征结合的影像组学模型，其中 24 个最佳影像组学特征由LASSO从1316个影像组学特征中最终确定。训练和验证队列模型的AUC值分别为0.898（95%CI 0.840–0.956）、0.832（95%CI 0.742–0.923）、0.825（95%CI 0.783–0.866）和0.812（95%CI 0.710–0.914）。在确定感染性肾结石的存在方面，该模型的表现也明显优于尿液pH值、尿白细胞计数、尿亚硝酸盐和产脲酶细菌的存在（p < 0.001）。 Tang等人[ 23 ]专门研究了草酸钙一水合物（COM）结石的发生预测，这是常规实践中最普遍的结石类型。从术前非增强CT图像上观察到的1218个COM和337个非COM结石中提取了107个影像组学特征，并采用LASSO为模型选择了8个非零系数的特征。纳入 AI 模型后，发现准确性、灵敏度和特异性分别为 88.5%、90.5% 和 84.3%，训练队列中的 AUC 值为 0.935（95% CI 0.907–0.962），术前预测 COM 与非 COM 结石的测试集中的 AUC 值为 0.933（95% CI 0.893–0.973）。Hameed等人[ 24 ]应用了由影像组学特征指导的深度学习卷积神经网络（DLCNN），证明了微积分类型预测的准确率为87%。每种结石的特异性分别为COM结石89%、草酸钙二水合结石85%、鸟粪石86%、尿酸结石93%、磷酸氢钙结石89%。然而，尽管增加了解剖位置和帮助区分盆腔静脉和输尿管结石的能力有所改善，但如果单独使用人工智能，仍然存在相当大的不准确性。与人工智能一样，影像组学也可以有效地处理大量数据。随着向电子病历的转变，越来越多的大数据集被创建，这将使人工智能和影像组学能够在未来分析和检测新的诊断和治疗模式[ 25 ]。 概括：随着影像组学在区分静脉与真正的结石和结石类型方面的应用和准确性不断提高，这可能会影响治疗方式的选择，并限制不必要的手术干预及其相关的经济负担和发病率。

4.2. 评估治疗结果

影像组学也已应用于尿石症领域，以预测腔内泌尿外科手术的并发症和结果。我们回顾了它们在预测治疗效果的各种治疗方式中的作用。

4.2.1.自发结石排出的

预测  影像组学也已用于预测有症状患者的自发结石通过率。Mohammadinejad等人比较了半自动影像组学分析软件通过手动测量预测自发结石通过可能性的能力。使用自动影像组学分析软件从CT图像中提取结石特征，包括长度、宽度、高度、最大直径、体积、Hounsfield单元的平均值和标准偏差以及形态特征[ 26 ]。单因素分析和多变量分析显示，手动测量的最大结石直径的 AUC 分别为 0.82 和 0.83。包括自动测量石头最大高度和直径的模型的AUC为0.82。因此，作者得出结论，与手动测量相比，半自动影像组学分析在预测自发结石通过方面显示出相似的准确性。

4.2.2. ESWL 中的治疗效用

尽管许多基于 AI 的平台探索了决策算法在 ESWL 中的效用，但没有专门针对影像组学设计 ESWL 应用的文章，证明它是未知的疗法。继续监测突发波碎石术等精湛技术是否会激发人们对影像组学在这种治疗方式中的应用重新产生兴趣，这将是一件有趣的事情[ 27 ]。

4.2.3.预测影响 RIRS/PCNL 无结石率结果的结石负荷

影像组学在腔内泌尿外科中的应用相对较新，迄今为止仅发表了两篇报告，一篇发表在PCNL[17]上，第二篇发表在RIRS [18]。Homayounieh等分析了202例接受CT扫描的肾结石成人患者，以评估2台不同CT机的肾绞痛或结石[1690]。本研究的目的是评估自动分割的全肾影像组学是否能够估计结石负荷，并从CT图像预测肾积水和治疗策略。所有结石图像均由一位经验丰富的放射科医生评估，该放射科医生手动评估每位患者的结石位置和负担（结石密度、结石大小和结石轮廓）以及是否存在肾积水。图像处理方面的医师专家通过独立的影像组学原型处理所有CT检查，该原型自动识别和分割整个肾脏体积，包括分割轮廓中包含的所有结石。在确认轮廓后，影像组学原型估计每个肾脏有202个一级，形状和高阶放射组学。在0例患者中，影像组学原型能够区分有肾结石和无肾结石的患者（AUC 84.95，0%CI 78.0–89.0，p < 003.0）。影像组学还能够准确检测肾积水（AUC 89.95，0% CI 8.0–89.0，p < 003.641）。此外，影像组学能够预测PCNL治疗的患者。这些患者的结石负荷明显大于保守治疗的患者（1090 ± 53 vs 8 ± mm 3，p < 0.0001）。有趣的是，在所有研究结果中，三台CT机器之间的影像组学供应商性能没有差异。整个肾脏体积的自动分割和纳入使作者不仅可以将影像组学应用于结石，还可以应用于整个肾脏体积，以获得对结石负荷和PCNL治疗需求的一致和可推广的预测。 位置[ 28 ]、结石负荷的大小和体积[ 29 ， 30 ]以及Hounsfield单位[ 31 ]等因素是正常和异常肾脏无结石率的关键决定因素和预测因素[ 32 ， 33 ]。结石大小限制了HU用于预测结石成分，尤其是草酸钙结石，并且是预测ESWL和PCNL成功结局的已知限制[34， 35 ] Xun等回顾性评估了 264 例接受RIRS的孤立性肾结石患者[ 18 ]。其中，142例患者患有下部杯状结石。术前评估采用未增强的64层CT扫描。在每个横向切片CT图像上手动分割结石。影像组学特征提取是通过内部纹理分析软件完成的，包括从每个原始CT图像生成的总共604个影像组学特征（一阶统计，基于形状和尺寸的特征，纹理特征和小波特征）。通过按各自系数加权的选定特征的线性组合生成影像组学特征，并估计每位患者的影像组学评分（Rad评分）。最后，作者开发了一种视觉列线图，结合了临床和影像组学参数来预测SFR，定义为小于2毫米的残余片段。有趣的是，在测试和验证组中，SFR和非SFR患者的影像组学评分均存在显着差异，在SFR较高的患者中观察到更高的分数。预测列线图非常准确（AUC 0.94，95% CI，0.910–0.989），其预测效果得到验证组的证实（AUC 0.947，95% CI 0.883–1）。在该模型中纳入影像组学已被证明是接受RIRS的患者临床决策的有效术前预测方法。在这种情况下，使用影像组学的主要优势主要取决于以更定量和可重复的方式进行手术的速度，而手动评估可能非常耗时且容易出现观察者内和观察者间的变化，特别是对于需要PCNL治疗的复杂肾结石（即鹿角和多发结石）[ 36 ]。 摘要：这增加了一个重要的研究潜力，其中使用影像组学特征可以比较单发射CT扫描（SECT）与双发射CT扫描的功效，以准确确定结石成分[ 37 ]。这些信息可以使泌尿科医生更好地为患者选择正确的干预措施，并有可能克服局限性，并作为各种评分系统的辅助工具，作为预测腔内泌尿外科干预成功的替代工具[ 38 ]。

4.3. 当前限制和未来方向

基于深度学习的影像组学的一个限制是特征和输入数据之间的依赖相关性，因为特征是从该数据集生成的。因此，与基于特征的影像组学相比，需要大型数据集来准确识别相关且强大的特征子集。通过利用称为迁移学习的机器学习技术，通过在不同但类似相关的任务上使用预先训练的神经网络，可以部分克服这一限制，例如，也可以使用和训练用于预测肾结石的神经数据，以及如何在手术后测量和分类残留片段[ 39 ].另一个限制是影像组学特征的再现性和可转移性，因为它严重依赖于图像传输的大小、质量、顺序、模态、分辨率和运动伪影;Traverso等人最近进行了一项综述，确定了可重复和可重复的影像组学特征[ 40 ]。展望未来，已经建立了图像生物标志物标准化倡议（IBSI），以提供标准化的图像生物标志物命名和定义，并协助制定报告指南，以规范影像组学领域研究小组内的有效沟通和验证[ 41 ]。当这些原则应用于尿石症的影像组学领域时，可以帮助标准化和完善可及性，促进其广泛接受。Xun等人开发并验证了一种临床影像组学列线图模型，用于术前预测软式输尿管镜检查的结石游离率。他们证明，当应用时，列线图的影像组学评分在临床应用中具有令人满意的预测准确性[ 18 ]。放射组学将来可用于生成或验证列线图，以帮助根据干预方式获得或预测无结石率。

4.4. 带回家的消息

总之，影像组学在尿石症中的潜在应用是：预测药物排出治疗自发结石排出的成功率。

区分结石和静脉。

术前准确识别结石类型。

预测影响 RIRS/PCNL 无结石率结局的结石负荷。 

5. 结论

我们的综述表明，尿石症的影像组学仍处于婴儿期。其最大潜力在于术前识别感染性结石;此应用是否可以扩展到所有石材类型仍不确定。ESWL 的未来应用和预测不同成分的无石率是研究和开发的下一个前沿领域。希望随着影像组学与常规诊断亚群（如临床、分子和影像学）的进一步关联，可以优化尿石症的疾病管理并改善患者预后。

Lim EJ, Castellani D, So WZ, Fong KY, Li JQ, Tiong HY, Gadzhiev N, Heng CT, Teoh JY, Naik N, Ghani K, Sarica K, De La Rosette J, Somani B, Gauhar V. Radiomics in Urolithiasis: Systematic Review of Current Applications, Limitations, and Future Directions. J Clin Med. 2022 Aug 31;11(17):5151. doi: 10.3390/jcm11175151. PMID: 36079078; PMCID: PMC9457189.