依据发表在《学术放射学》上的新发觉，鉴于机器学习的CT纹理剖析可行帮助估价实体肾肿块。这可行帮助降低接纳不必需手术的患者数量吗?

行家平常会假设实体肾脏肿块是恶性的，因而必需经过手术将其去除，以免对患者形成进一步的伤害。可是，这点人群中高达16%终归是良性的，导致探讨人士寻求更精准的非侵入性方法来区别恶性和良性发觉。

最重要的作者卡格里·厄尔丁(Cagri Erdim)写道：“纹理剖析，或没有办法由人类估价的循环形态学形式的像素级定量估价，可能为当前没有办法区别良性和恶性实体肾肿块所引起的难题提供了谜底。”土耳其Sultangazi Haseki培训探讨医院医学博士及其同事。“最近的探讨表达，越来越多的证据表达，经过计算机图像剖析得到的纹理特征可能与疾病的组织病理学特征相关。在这类概况下，将纹理剖析与AI或机器学习算法相联合可能是一项令人振奋的冒险，可能会为肾品质表征带来可喜的收益。”

该团队剖析了来源79名患者的数据，这点患者总大家都有84个实体肾脏肿块。从2013年1月至2018年5月，全部患者均在统一家医院接纳治疗。对未加强和加强对照的CT图像发展剖析后，提取了271个纹理特征。接下来，将八种机器学习算法(决策树，局部加权学习，k近邻，朴素贝叶斯，逻辑回归，扶持向量机，神经网站和随机森林)用于分类目的。

全体而言，未加强的CT图像具备198个可循环性良没有问题特征，而对照度加强的CT图像则具备244个。另外，探讨小组还发觉，功能最好的随机森林算法的明确度为90.5%，ROC曲线下的面积为0.915。

这组作者写道：“咱们的发觉表达，鉴于机器学习的分类算法的定量CT纹理剖析可用于没有创性鉴识良性和恶性实体肾肿块。”“经过在皮革髓质相衬加强CT图像上运用随机森林方法，咱们能够正确地辩别出大约非常之一的患者的良性和恶性病例。”

团队的探讨存留某些有限性。比如，这是一项回顾性探讨，样本量“相对较小”。另外，虽然始终遵循相同的成像方案，但运用两个不同的扫描仪对患者成像。

作者补充说：“最终，咱们将里面数据集用于培训和测试。”为了克服潜在的偏差，咱们执行了嵌套的交叉认证程序。可是，采纳独立的外部数据集或运用两组患者(一组用于培训，一组用于测试)将进一步认证探讨中运用的分类器。”