微弱的人类监督的深度学习用于实时检测高度攻击性透明细胞细胞癌在增强对比度的CT上
Rui Zhi1, Qiao Li1, Shuai Shan1
1Department of Radiology, The First Affiliated Hospital with Nanjing Medical University, Nanjing, Jiangsu Province, P.R. China.
Medical physics
|February 17, 2026
概括
这项研究介绍了瘤分期网络 (KtSNet),这是一种人工智能工具,可以使用CT扫描准确检测高度攻击性透明细胞细胞癌 (HGRCC). 在临床环境中,KtSNet对实时HGRCC确定具有前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 与对比度增强的计算机断层扫描 (CECT) 在准确地分期清细胞细胞癌 (ccRCC) 和评估由于异质性和低灵敏度的瘤攻击性方面存在局限性.
- 准确的分期和攻击性评估对于有效的ccRCC治疗计划至关重要.
研究的目的:
- 设计和验证瘤分期网络 (KtSNet),一个人 - 人工智能交互网络实时,高效检测高度侵略性ccRCC (HGRCC) 使用CECT.
- 利用弱监督学习来提高HGRCC检测准确度.
主要方法:
- 一个自主监督的基础模型 (SSFM) 使用一个大型跨模态数据集 (4万张图像) 进行预训练,用于基于图像修复的转移学习.
- KtSNet是通过将SSFM与弱监督学习相结合而开发的,它结合了人 - 人工智能交互,用于CT成像上的实时HGRCC确定.
- 该研究涉及1,092名ccRCC患者在五个队列数据集中进行培训,内部测试和外部测试.
主要成果:
- 在内部测试中 (153名患者),与B2Net,RML-XGB和利克特评分相比,KtSNet获得了较高的曲线下面面积 (AUC) 值 (ROC-AUC=0.76,PR-AUC=0.29).
- 外部验证 (328名患者) 证实KtSNet的优异性能与高AUC (ROC-AUC=0.85,PR-AUC=0.42) 对比B2Net和RML-XGB.
- 与现有方法相比,KtSNet在确定HGRCC阶段的准确性明显更高.
结论:
- 软弱的人类监督的KtSNet显示了使用CT成像实时确定HGRCC的巨大潜力.
- 在提高ccRCC分级和分阶段的准确性和效率方面,KtSNet提供了一个有前途的进步.
