强鲁棒肾脏异常分割：AI 方法框架的验证研究

肾脏异常分割在临床工作流程中具有重要潜力，尤其是在需要定量评估的场景下。肾脏容量可作为肾脏疾病的重要生物标志物，容量变化直接与肾功能相关。当前临床实践常依赖主观视觉评估来评估肾脏大小和异常，包括肿瘤和囊肿，这些异常通常依据直径、容积和解剖位置进行分期。为支持更客观、可重复的方法，本研究旨在开发一个稳健且经过充分验证的肾脏异常分割算法，供临床和科研使用。我们采用公开的训练数据集，利用最新的医学图像分割框架 nnU-Net。验证使用专有和公开测试数据集进行，分割性能以 Dice 系数和 95 百分位 Hausdorff 距离衡量。此外，我们分析了基于患者性别、年龄、CT 对比剂相位和肿瘤组织学亚型的稳健性。我们的发现表明，该算法仅使用公开数据训练即可有效泛化到外部测试集，并在所有测试数据集中超越现有最先进模型。亚组分析揭示其在各亚组中表现一致，表明具有强大的稳健性和可靠性。所developed的算法及相关代码已公开于 https://github.com/DIAGNijmegen/oncology-kidney-abnormality-segmentation。