整合多尺度放射学和深度学习来预测清细胞癌中的Ki-67

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 在清细胞细胞癌 (ccRCC) 中,高基-67表达与预后不佳相关.
• 目前对Ki-67表达的评估需要术后分析,延迟治疗决策.

研究的目的:

• 开发和验证一种非侵入性的多模式模型,用于在ccRCC中预先预测Ki-67的表达.
• 整合多尺度放射学和深度学习功能,以提高预测准确度.

主要方法:

• 一项多中心的回顾性研究,涉及627名ccRCC患者.
• 使用手术前CT衍生多尺度放射学,2D/3D深度学习和临床特征的单模模型的开发.
• 采用堆叠策略和整体机器学习的最佳单模式模型的融合.

主要成果:

• 多模融合模型在外部测试组中实现了0.756的曲线下面积 (AUC).
• 该模型显示出优异的校准和显著的临床净益.
• 息地放射学成为主要的预测因素,通过SHAP分析确定.

结论:

• 在ccRCC中,经过验证的多模式模型显著优于在手术前预测Ki-67的单模式方法.
• 这种非侵入性工具提供了一种有前途的方法来指导ccRCC患者的个性化手术和监测策略.