基于多相CT的深度学习放射学诺米克模型用于手术前的WHO/ISUP分级清细胞细胞癌:一项两中心验证研究

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 细胞癌研究 细胞癌研究

背景情况:

• 准确的手术前分类清细胞细胞癌 (ccRCC) 对于手术规划至关重要.
• 目前用于分级的侵入性活检方法具有限制和风险.
• 现有的放射学和深度学习研究通常使用有限的成像阶段或方法.

研究的目的:

• 开发和验证深度学习放射学名图 (DLRN) 用于ccRCC的非侵入性手术前WHO/ISUP分级.
• 将多相计算机断层扫描 (CT) 成像与机器学习相结合,以提高分级精度.
• 将DLRN模型的性能与单个组件和现有方法进行比较.

主要方法:

• 一项两中心的研究包括1499名ccRCC患者在培训,内部和外部验证队列中.
• 在DLRN模型中集成了放射学特征 (非对比,皮膜膜膜,图CT阶段),深度学习特征 (DenseNet201) 和临床变量.
• 使用曲线下的面积 (AUC) 和校准评估性能;使用SHAP和Grad-CAM探索可解释性.

主要成果:

• DLRN模型显示了高的分辨性性能,AUC为0.935 (训练),0.901 (内部验证) 和0.911 (外部验证).
• 在外部验证中,DLRN显著优于单个临床 (AUC=0.730),放射学 (AUC=0.845) 和深度学习 (AUC=0.868) 模型.
• 校准分析显示预测和观察结果之间有很好的一致性;SHAP强调了深度学习特征作为关键预测因素.

结论:

• DLRN模型提供了一种准确且非侵入性的方法,用于手术前的ccRCC核等级预测.
• 多相CT成像和机器学习的整合提高了分级能力.
• 这种方法有可能改善ccRCC的手术规划和患者管理.