基于CT的多式人工智能模型,用于区分原发性瘤和细胞癌:双中心回顾性研究
Haishan Lin1,2, Shurong Li3, Yuhang Chen4
1Department of Urology, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou, China.
Translational andrology and urology
|January 12, 2026
概括
在手术前区分肉瘤和细胞癌 (RCC) 非常重要. 使用计算机断层扫描 (CT) 成像的人工智能 (AI) 模型在区分这些疾病方面表现出高准确性,有助于个性化患者管理.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 将原发性肉瘤与细胞癌 (RCC) 区分开来是具有挑战性的,但由于预后和治疗方法不同,这一点至关重要.
- 准确的手术前分化对于适当的临床管理策略至关重要.
研究的目的:
- 开发和评估使用计算机断层扫描 (CT) 和临床数据的诊断方法,以在手术前区分原发性肉瘤与RCCs.
- 在这个诊断挑战中探索深度学习 (DL) 模型的实用性.
主要方法:
- 追溯分析85名患者 (原发性肉瘤和RCC对照) 的病理诊断.
- 使用临床数据和CT发现的逻辑回归进行临床模型的开发.
- 深度学习 (DL) 模型的培训和验证,在7482张CT图像上进行了无增强 (UP),皮质细胞 (CMP) 和瘤 (NP) 阶段的培训和验证.
主要成果:
- 临床模型显示AUC为0.77,其中关键指标包括内动脉和Gerota带入侵.
- 深度学习 (DL) 模型表现出强的性能,未增强阶段 (UP) 模型实现了0.95的AUC和0.94.9的精度 (ACC).
- 结合UP和查相 (NP) DL模型也产生了高性能 (AUC ≈0.95,ACC ≈0.94).
结论:
- 多式人工智能 (AI) 模型有效地区分脏肉瘤与RCCs.
- 这些人工智能驱动的诊断工具可以帮助临床医生为个性化患者管理做出明智的决策.
