基于CT深度学习的肾透明细胞癌术前病理分级预测模型构建与验证

《Frontiers in Oncology》：CT-based deep learning for preoperative prediction of pathological grading of renal clear cell carcinoma

本研究构建了结合SENet注意力机制的SE-ResNet34深度学习模型，通过四期CT图像实现肾透明细胞癌（ccRCC）WHO/ISUP分级的术前无创预测。结果表明，基于肾实质期图像的模型表现最优（准确率0.878，AUC达0.929），为临床病理分级提供了有效的AI辅助工具。

　　

引言

肾细胞癌（RCC）是泌尿系统最常见的恶性肿瘤，其中肾透明细胞癌（ccRCC）占比达70%-90%。WHO/ISUP分级系统作为ccRCC预后的独立预测因子，其术前无创评估对临床治疗决策具有重要意义。近年来，深度学习（DL）技术在医学影像分析领域展现出巨大潜力，但在ccRCC病理分级预测方面的应用尚待深入探索。本研究首次将SE注意力机制与ResNet34结合，构建基于CT图像的ccRCC分级预测模型，并系统比较了不同CT时相的模型性能。

材料与方法

研究纳入了河北大学附属医院2022年1月至2024年6月期间的158例ccRCC患者（低分级124例，高分级34例）。所有患者均接受四期CT扫描（平扫期、皮髓质期、实质期、排泄期）。通过矩形框标注肿瘤感兴趣区域（ROI），将图像统一调整为224×224像素后，按8:1:1比例随机划分为训练集、验证集和测试集。

模型构建采用预训练的ResNet34网络，通过随机旋转30°和翻转进行数据增强，并采用类别加权交叉熵损失函数解决样本不平衡问题。优化阶段引入SENet注意力机制构建SE-ResNet34模型，训练超参数设置为：学习率0.001，批处理大小32，优化轮数50。实验环境为Ubuntu 18.04系统，配备NVIDIA GeForce RTX 2070 GPU。

结果

临床特征分析显示，高分级ccRCC肿瘤尺寸显著大于低分级组（P<0.05），其他临床参数无统计学差异。ResNet34模型在皮髓质期、实质期和排泄期图像中均表现出良好预测性能（准确率>0.8），其中实质期模型表现最优（准确率0.867，低分级AUC 0.857，高分级AUC 0.853）。SE-ResNet34优化模型将准确率提升至0.878，低分级和高分级AUC分别达到0.929和0.927。模型对低分级病例的预测灵敏度更高，可能与数据集类别不平衡有关。

讨论

本研究通过系统比较发现，基于实质期单时相CT图像的模型性能优于四期联合模型，这可能与深度学习算法自动提取特征时避免了平扫期等非优势特征的干扰有关。SE注意力机制的引入显著提升了模型对关键特征的关注能力，证实了其在医学影像分析中的有效性。与既往基于手工特征的传统机器学习方法相比，本研究的深度学习模型实现了端到端的自动特征学习，减少了主观偏差。

局限性包括回顾性单中心设计的潜在选择偏倚、高分级样本量有限以及缺乏外部验证。未来计划通过半自动肿瘤轮廓分割管道替代矩形ROI标注，并开展多中心前瞻性研究验证模型泛化能力。

结论

基于实质期CT图像的SE-ResNet34模型能有效区分ccRCC的WHO/ISUP分级，为临床术前无创病理评估提供了可靠工具。该模型需经过多中心大样本验证后方可投入临床使用。