探讨基于肾脏CT容积纹理分析及机器学习相结合的影像组学评价肾透明细胞癌（ccRCC）病理分级的价值。
方法回顾性分析2013年6月至2017年10月安徽医科大学第一附属医院，经手术病理证实且能确定病理分级，术前行肾脏CT平扫及三期增强扫描（皮髓期、实质期、分泌期）的34例患者。采用美国3DQI体积图像分析平台在皮髓期CT图像上进行病变ROI的勾画与分割，以皮髓期图像为参考使用非刚性配准法校正CT的多期图像。应用59个CT容积纹理特征（直方图特征、梯度特征、游程程度、灰度共生矩阵、形状特征、二阶矩特征）对上述4期图像中的病变进行随机森林分类的训练和测试。对肾脏病变进行病理分级，根据Fuhrman标准分为4级，Ⅰ级+Ⅱ级为低级别组，Ⅲ级+Ⅳ级为高级别组。使用随机森林周围的一种特征选择包装算法Boruta算法进行特征的筛选，采用10次交叉验证方法结合ROC法对上述RF分类的性能进行验证，并计算特异度和敏感度。
结果34例ccRCC中，Fuhrman分级Ⅰ级3例、Ⅱ级19例、Ⅲ级8例、Ⅳ级4例。皮髓期的峰度（KURT）和长游程优势特征（LRE）是ccRCC分级具有显著性的2个特征。以KURT和LRE作为影像组学特征，使用RF算法进行10倍交叉验证的学习，ROC下面积为0.88，最佳点的敏感度为0.79，特异度为0.82。低、高级别组KURT的统计值分别为（－20.00±22.00）×10-2和（31.00±32.00）×10-2，LRE分别为（3.00±0.40）×10-2和（5.00±0.02）×10-2，在均数±标准差的统计范围内，影像组学特征可以区分低、高级别肿瘤。4期图像综合分析中（236个特征参数），峰度（皮髓期）、灰度共生矩阵同质性特征1（分泌期）及灰度共生矩阵同质性特征2（分泌期）是具有显著性的3个特征。灰度共生矩阵同质性1（分泌期）及灰度共生矩阵同质性2（分泌期）平均值在低级别组为（19.00±0.03）×10-2和（11.00±0.02）×10-2，高级别组分别为（22.00±0.03）×10-2和（14.00±0.02）×10-2。ROC曲线下面积为0.92，最佳点的敏感度为0.93，特异度为0.87。
结论基于肾脏CT容积纹理分析及机器学习相结合的影像组学可以进行ccRCC术前病理分级预测。