Skip to main content
main-content

12.02.2019 | Imaging Informatics and Artificial Intelligence

Differentiating kidney stones from phleboliths in unenhanced low-dose computed tomography using radiomics and machine learning

Zeitschrift:
European Radiology
Autoren:
Thomas De Perrot, Jeremy Hofmeister, Simon Burgermeister, Steve P. Martin, Gregoire Feutry, Jacques Klein, Xavier Montet
Wichtige Hinweise

Publisher’s Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Objectives

Distinguishing between kidney stones and phleboliths can constitute a diagnostic challenge in patients undergoing unenhanced low-dose CT (LDCT) for acute flank pain. We sought to investigate the accuracy of radiomics and a machine-learning classifier in differentiating between kidney stones and phleboliths on LDCT.

Methods

Radiomics features were extracted following a semi-automatic segmentation of kidney stones and phleboliths for two independent consecutive cohorts of patients undergoing LDCT for acute flank pain.
Radiomics features from the first cohort of patients (n = 369) were ultimately used to train a machine-learning model designed to distinguish kidney stones (n = 211) from phleboliths (n = 201). Classification performance was assessed on the second independent cohort (i.e., testing set) (kidney stones n = 24; phleboliths n = 23) using positive and negative predictive values (PPV and NPV), area under the receiver operating curves (AUC), and permutation testing.

Results

Our machine-learning classification model trained on radiomics features achieved an overall accuracy of 85.1% on the independent testing set, with an AUC of 0.902, PPV of 81.5%, and NPV of 90.0%. Classification accuracy was significantly better than chance on permutation testing (p < 0.05, permutation p value).

Conclusion

Radiomics and machine learning enable accurate differentiation between kidney stones and phleboliths on LDCT in patients presenting with acute flank pain.

Key Points

Combining a machine-learning algorithm with radiomics features extracted for abdominopelvic calcification on LDCT offers a highly accurate method for discriminating phleboliths from kidney stones.
Our radiomics and machine-learning model proved robust for CT acquisition and reconstruction protocol when tested in comparison with an external independent cohort of patients with acute flank pain.
The high performance of the radiomics-based automatic classification model in differentiating phleboliths from kidney stones indicates its potential as a future diagnostic tool for equivocal abdominopelvic calcifications in the setting of suspected renal colic.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

★ PREMIUM-INHALT
e.Med Interdisziplinär

Mit e.Med Interdisziplinär erhalten Sie Zugang zu allen CME-Fortbildungen und Fachzeitschriften auf SpringerMedizin.de. Zusätzlich können Sie eine Zeitschrift Ihrer Wahl in gedruckter Form beziehen – ohne Aufpreis.

Nicht verpassen: e.Med bis 13. März 2019 100€ günstiger im ersten Jahr!

Weitere Produktempfehlungen anzeigen
Literatur
Über diesen Artikel
  1. Sie können e.Med Radiologie 14 Tage kostenlos testen (keine Print-Zeitschrift enthalten). Der Test läuft automatisch und formlos aus. Es kann nur einmal getestet werden.


 

Neu im Fachgebiet Radiologie

Meistgelesene Bücher aus der Radiologie

2016 | Buch

Medizinische Fremdkörper in der Bildgebung

Thorax, Abdomen, Gefäße und Kinder

Dieses einzigartige Buch enthält ca. 1.600 hochwertige radiologische Abbildungen und Fotos iatrogen eingebrachter Fremdmaterialien im Röntgenbild und CT.

Herausgeber:
Dr. med. Daniela Kildal

2011 | Buch

Atlas Klinische Neuroradiologie des Gehirns

Radiologie lebt von Bildern! Der vorliegende Atlas trägt dieser Tatsache Rechnung. Sie finden zu jedem Krankheitsbild des Gehirns Referenzbilder zum Abgleichen mit eigenen Befunden.

Autoren:
Priv.-Doz. Dr. med. Jennifer Linn, Prof. Dr. med. Martin Wiesmann, Prof. Dr. med. Hartmut Brückmann

Mail Icon II Newsletter

Bestellen Sie unseren kostenlosen Newsletter Update Radiologie und bleiben Sie gut informiert – ganz bequem per eMail.

Bildnachweise