机器学习算法模型预测体外冲击波碎石治疗输尿管结石的疗效

doi:10.3877/cma.j.issn.1674-3253.2021.04.003

中华腔镜泌尿外科杂志(电子版) ›› 2021, Vol. 15 ›› Issue (04) : 280 -284. doi: 10.3877/cma.j.issn.1674-3253.2021.04.003

临床研究

机器学习算法模型预测体外冲击波碎石治疗输尿管结石的疗效

侯祺¹, 相洋², 吴娜珊¹, 肖月¹, 肖龙¹, 李潇¹, 王锐¹, 孙中义¹^,^†(

)

^1. 518055　深圳大学总医院泌尿外科
^2. 518000　深圳，鹏城实验室

收稿日期:2021-04-29 出版日期:2021-08-01
通信作者: 孙中义
基金资助:
国家自然科学基金(82002716); 广东省普通高校特色创新类项目(2019KTSCX146); 深圳市自然科学基金(JCYJ20190808164209301); 深圳市新引进高端人才科研启动基金、深圳大学总医院科研启动基金(SUGH2020QD005)

Machine learning prediction of stone-free rate in patients with ureter stone after treatment of extracorporeal shock wave lithotripsy

Qi Hou¹, Yang Xiang², Nashan Wu¹, Yue Xiao¹, Long Xiao¹, Xiao Li¹, Rui Wang¹, Zhongyi Sun¹^,^†()

^1. Department of Urology, Shenzhen University General Hospital, Shenzhen University, Shenzhen 518055, China
^2. Pengcheng Laboratory, Shenzhen 518000, China

Received:2021-04-29 Published:2021-08-01
Corresponding author: Zhongyi Sun

全文 ( ) 下载PDF ( ) 导出引用

目的

探讨基于机器学习算法构建体外冲击波碎石术（ESWL）治疗输尿管结石疗效的预测模型，比较各种算法模型的预测效果及优劣。

方法

纳入接受ESWL治疗的输尿管结石患者1 116例。利用患者性别、年龄、身高、体重、病程、临床症状、结石长径和短径等特征因素以及体外冲击波碎石治疗3个月后的清石结局数据，分别构建随机森林（RF)和极致梯度提升树（XGBoost）预测模型，与Logistic回归预测模型相互比较。

结果

Logistic回归预测模型对体外冲击波碎石疗效的预测准确率为84.67%，ROC曲线下面积（AUC）为0.70。随机森林和极致梯度提升树预测模型的预测准确率分别为91.76%、98.75%，AUC分别为0.9904和0.9998。三种预测模型结果提示结石部位与结石负荷影响治疗的成功率。

结论

机器学习算法的随机森林和极致梯度提升树算法可以极大提高ESWL治疗输尿管结石疗效的预测准确率。

关键词: 体外冲击波碎石, 输尿管结石, 机器学习, 随机森林, 极致梯度提升树

Objective

To compare the performance of machine learning prediction model for success rate of extracorporeal shock wave lithotripsy (ESWL) treating ureter stone.

Methods

1 116 patients who underwent ESWL for ureter stone were enrolled. Clinical data including patient’s gender, age, height, weight, disease course, clinical symptom and characteristics of stone and the outcome of treatment were collected. Prediction model was established by random forest, extreme gradient boosting trees and logistic regression in Python 3.7.

Results

Overall predictive accuracy and area under curve (AUC) calculated by Logistic regression prediction model were 84.67% and 0.70. Results of random forest and extreme gradient boosting trees prediction model were 91.76%, 0.9904 and 98.75%, 0.9998. The three prediction models revealed stone-free rate impacted by patients’ stone site and stone burden.

Conclusions

Machine learning models are better than logistic regression for predicting success rate of ESWL treating ureter stone.

Key words: Extracorporeal shock wave lithotripsy, Ureter stone, Machine learning, Random forest, Extreme gradient boosting trees

表1 ESWL治疗的输尿管结石患者纳入临床数据的基线特征

变量		例数	碎石成功率(%)
性别
	男	799	85.4
	女	317	81.7
患侧
	左	609	86.4
	右	507	82.2
结石部位
	上段	613	80.9
	中段	121	76.9
	下段	382	92.1
尿路刺激征
	有	380	86.3
	无	736	83.3
肾绞痛
	有	666	87.8
	无	450	79.1

表1 ESWL治疗的输尿管结石患者纳入临床数据的基线特征

变量		例数	碎石成功率(%)
性别
	男	799	85.4
	女	317	81.7
患侧
	左	609	86.4
	右	507	82.2
结石部位
	上段	613	80.9
	中段	121	76.9
	下段	382	92.1
尿路刺激征
	有	380	86.3
	无	736	83.3
肾绞痛
	有	666	87.8
	无	450	79.1

图1 三种模型在测试模式1条件下的预测ROC曲线

表2 三种算法模型的预测性能比较

算法模型	测试模式1 （总体100%验证集和测试集）				测试模式2 （总体90%验证集和总体10%测试集）				测试模式3 （总体80%验证集和总体20%测试集）
算法模型	准确率	敏感度	特异度	AUC	准确率	敏感度	特异度	AUC	准确率	敏感度	特异度	AUC
随机森林模型	91.76%	1	0.4743	0.9904	84.95%	0.9851	0.1190	0.7624	84.5%	0.9819	0.1086	0.7448
极致梯度提升树模型	98.75%	1	0.92	0.9998	83.25%	0.9458	0.2216	0.7232	83.33%	0.9490	0.2114	0.7242
Logistic回归模型	84.77%	0.9936	0.0629	0.7282	84.59%	0.9926	0.0562	0.7257	84.77%	0.9947	0.0571	0.7183

表2 三种算法模型的预测性能比较

算法模型	测试模式1 （总体100%验证集和测试集）				测试模式2 （总体90%验证集和总体10%测试集）				测试模式3 （总体80%验证集和总体20%测试集）
算法模型	准确率	敏感度	特异度	AUC	准确率	敏感度	特异度	AUC	准确率	敏感度	特异度	AUC
随机森林模型	91.76%	1	0.4743	0.9904	84.95%	0.9851	0.1190	0.7624	84.5%	0.9819	0.1086	0.7448
极致梯度提升树模型	98.75%	1	0.92	0.9998	83.25%	0.9458	0.2216	0.7232	83.33%	0.9490	0.2114	0.7242
Logistic回归模型	84.77%	0.9936	0.0629	0.7282	84.59%	0.9926	0.0562	0.7257	84.77%	0.9947	0.0571	0.7183

图2 随机森林模型中变量的重要性指数

图3 极致梯度提升树模型中变量的重要性指数

[1]	Chaussy C, Brendel W, Schmiedt E. Extracorporeally induced destruction of kidney stones by shock waves[J]. Lancet, 1980, 2(8207): 1265-1268.
[2]	苑海春，薛玉泉，焦杨, 等. 原发性巨输尿管症合并结石行体外碎石疗效[J/CD]. 中华腔镜泌尿外科杂志(电子版), 2020, 14(3): 228-231.
[3]	郭万松，杨波，赵航. 体外冲击波碎石术治疗尿路结石研究进展[J/CD]. 中华腔镜泌尿外科杂志(电子版), 2020, 14(5): 393-396.
[4]	Obermeyer Z, Emanuel EJ. Predicting the future-big data, machine learning, and clinical medicine [J]. N Engl J Med, 2016, 375(13): 1216-1219.
[5]	De Silva D, Ranasinghe W, Bandaragoda T, et al. Machine learning to support social media empowered patients in cancer care and cancer treatment decisions [J]. PLoS One, 2018, 13(10): e0205855.
[6]	Peng Z, Qi H, Huijian Z, et al. Prediction of outcome of extracorpaoreal shock wave lithotripsy for solitary ureteral calcul[J] J Mod Urol, 2013, 18(1): 27-29.
[7]	Sipper M, Moore JH. Conservation machine learning: a case study of random forests [J]. Sci Rep, 2021, 11(1): 3629.
[8]	Yu D, Liu Z, Su C, et al. Copy number variation in plasma as a tool for lung cancer prediction using extreme gradient boosting (xgboost) classifier[J]. Thorac Cancer, 2020, 11(1): 95-102.
[9]	Abraham A, Pedregosa F, Eickenberg M, et al. Machine learning for neuroimaging with scikit-learn[J]. Front Neuroinform, 2014, 8: 14.
[10]	Yang SW, Hyon YK, Na HS, et al. Machine learning prediction of stone-free success in patients with urinary stone after treatment of shock wave lithotripsy [J]. BMC Urol, 2020, 20(1): 88.
[11]	Seckiner I, Seckiner S, Sen H, et al. A neural network - based algorithm for predicting stone - free status after ESWL therapy[J]. Int Braz J Urol, 2017, 43(6): 1110-1114.
[12]	Moorthy K, Krishnan M. Prediction of fragmentation of kidney stones: A statistical approach from NCCT images [J]. Can Urol Assoc J, 2016, 10(7-8): E237-E240.
[13]	Choo MS, Uhmn S, Kim JK, et al. A prediction model using machine learning algorithm for assessing stone-free status after single session shock wave lithotripsy to treat ureteral stones [J]. J Urol, 2018, 200(6): 1371-1377.
[14]	Gomha MA, Sheir KZ, Showky S, et al. Can we improve the prediction of stone-free status after extracorporeal shock wave lithotripsy for ureteral stones? A neural network or a statistical model[J]? J Urol, 2004, 172(1): 175-179.
[15]	Xu ZH, Zhou S, Jia CP, et al. Prediction of proximal ureteral stones clearance after shock wave lithotripsy using an artificial neural network[J]. Urol J, 2021, 18: 6476.

[1]	罗烨, 胡梦铃, 黄小凡, 林金鹏, 李竺蔓, 王少白. 支持向量机用于膝骨关节炎和韧带损伤的分类研究[J/OL]. 中华关节外科杂志(电子版), 2024, 18(02): 201-208.
[2]	李莉, 马梅, 黄欣欣, 杨丹林, 潘勉. 妊娠期糖尿病早孕期相关影响因素及基于早孕期孕妇糖脂相关生化指标与人口学资料的4种机器学习算法构建妊娠期糖尿病预测模型的临床价值[J/OL]. 中华妇幼临床医学杂志(电子版), 2024, 20(01): 105-113.
[3]	杜贵伟, 陆勇, 成博, 贺薏, 梁爽. 钬激光碎石术术后联合坦索罗辛治疗对输尿管结石患者的影响分析[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(05): 491-496.
[4]	李鑫, 邓相奎, 林昌永, 郭勇. 心脏起搏器/心律转复除颤器与体外冲击波碎石相关指南文献解读[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(04): 313-317.
[5]	王思成, 贾斌, 樊体武. 输尿管硬镜腔内操作"运镜八法"运用技巧及总结[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(02): 168-171.
[6]	杨龙雨禾, 王跃强, 招云亮, 金溪, 卫娜, 杨智明, 张贵福. 人工智能辅助临床决策在泌尿系肿瘤的应用进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(02): 178-182.
[7]	黄艺承, 梁海祺, 何其焕, 韦发烨, 杨舒博, 谭舒婷, 翟高强, 程继文. 机器学习模型评估RAS亚家族基因对膀胱癌免疫治疗的作用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(02): 131-140.
[8]	张伟伟, 陈启, 翁和语, 黄亮. 随机森林模型预测T1 期结直肠癌淋巴结转移的初步研究[J/OL]. 中华结直肠疾病电子杂志, 2024, 13(05): 389-393.
[9]	周璐, 温镕博, 刘子璇, 李奕飏, 周乐其, 朱晓明, 龚海峰, 高显华, 楼征, 刘连杰, 郝立强, 于冠宇, 张卫. Changhai-AL-Prediction预测模型指导预防性造口合理实施的卫生经济学研究[J/OL]. 中华结直肠疾病电子杂志, 2024, 13(04): 280-287.
[10]	李帅, 李开南. 人工智能在骨科诊断技术中的研究进展[J/OL]. 中华老年骨科与康复电子杂志, 2024, 10(01): 46-50.
[11]	潘清, 葛慧青. 基于机械通气波形大数据的人机不同步自动监测方法[J/OL]. 中华重症医学电子杂志, 2024, 10(04): 399-403.
[12]	卢梦诗, 刘威, 马加威, 嵇丹丹, 贾璇, 詹心萍, 罗亮. 人工智能在急性呼吸窘迫综合征领域的应用进展[J/OL]. 中华重症医学电子杂志, 2024, 10(01): 66-71.
[13]	倪颖, 张铁龙, 王岗, 高玉龙, 陈韶鹏, 倪家璇. 未预置支架逆行输尿管镜治疗近端输尿管结石手术中的困难与应对[J/OL]. 中华临床医师杂志(电子版), 2024, 18(09): 795-801.
[14]	孙铭远, 褚恒, 徐海滨, 张哲. 人工智能应用于多发性肺结节诊断的研究进展[J/OL]. 中华临床医师杂志(电子版), 2024, 18(08): 785-790.
[15]	段福孝, 王鑫宇, 孙爽, 于知宇, 张成. 结直肠癌患者周围神经侵犯预测模型的建立与评价[J/OL]. 中华临床医师杂志(电子版), 2023, 17(11): 1154-1162.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Machine learning prediction of stone-free rate in patients with ureter stone after treatment of extracorporeal shock wave lithotripsy

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Machine learning prediction of stone-free rate in patients with ureter stone after treatment of extracorporeal shock wave lithotripsy