编辑推荐：
为解决晚期肾细胞癌（RCC）诊疗难题，美国丹娜 - 法伯癌症研究院的研究人员开展 AI 在肾癌诊疗应用的研究，发现 AI 模型潜力巨大。推荐科研读者阅读，一同探索 AI 如何革新晚期 RCC 的诊断与管理。
在医学领域，肾癌一直是一个备受关注的难题。近年来，随着研究的深入，人们对肾细胞癌（Renal Cell Carcinoma，RCC）有了更深入的了解，在局部晚期和转移性疾病患者的管理方面也取得了一定进展。然而，即便如此，肾癌的诊疗过程中仍然存在不少挑战。
目前，对于局部晚期和转移性肾癌的诊断和治疗，医生们面临着诸多困扰。比如，传统的诊断方法在判断肾癌的分期、分级以及是否发生转移时，准确性并不理想。就拿肾脏活检来说，它虽然在肾癌的诊断和管理中逐渐受到重视，但其准确性差异很大，从 38% 到 100% 不等，这无疑给肾癌的精准诊断、分期和治疗增加了难度 。而且，对于肾癌患者术后复发和转移的预测，以及如何为患者选择最合适的治疗方案，医生们也缺乏足够精准有效的手段。
与此同时，人工智能（Artificial Intelligence，AI）技术在癌症研究领域崭露头角，展现出强大的潜力。它能够从大量复杂的数据中识别出隐藏的模式，提取有价值的量化信息，将原本主观、定性的数据解读过程转变为客观、可重复的操作。在癌症成像方面，AI 更是可以将多种数据来源，如影像学图像、基因组学、病理学、电子健康记录和社交网络数据等整合在一起，为医生提供全面的诊断信息，帮助他们做出更科学的临床决策。因此，将 AI 技术应用于肾癌的研究，成为了医学领域的一个重要方向。
为了攻克肾癌诊疗过程中的这些难题，来自美国丹娜 - 法伯癌症研究院（Dana-Farber Cancer Institute）影像科的 Elie J. Najem 等人在《Cancer Imaging》期刊上发表了一篇名为 “Navigating advanced renal cell carcinoma in the era of artificial intelligence” 的论文。他们通过研究发现，基于 AI 的模型在改善晚期肾细胞癌的诊断和管理方面具有巨大潜力，尤其是当这些模型结合临床病理和放射学数据进行开发时，效果更为显著。这一研究成果为晚期肾癌的诊疗带来了新的希望，有望改变现有的诊疗模式，提高患者的生存率和生活质量。
在这项研究中，研究人员运用了多种关键技术方法。其中，机器学习（Machine Learning，ML）是重要的技术之一，它可以通过数学算法来预测数据中的模式，帮助研究人员从大量的临床和影像数据中挖掘出有价值的信息 。深度学习（Deep Learning，DL）也发挥了关键作用，它利用多层神经网络，能够自动提取数据的特征，在分析大型数据集和提高癌症诊断准确性方面表现出色。此外，放射组学（Radiomics）技术通过从医学图像中提取大量定量特征，为肿瘤的特征描述、治疗反应预测以及患者预后评估提供了有力支持。
接下来，让我们详细看看研究人员都取得了哪些成果。
初始 RCC 分期和高危特征
RCC 的 TNM 分期系统对肾癌的诊疗至关重要，它主要依据肿瘤大小、局部扩展、淋巴结受累情况以及远处转移情况来确定分期 。然而，传统的检查方法在判断这些指标时存在一定的局限性。比如，肾脏活检虽然重要，但由于其准确性的问题，给分期带来了不确定性。而且，对于局部晚期疾病的特征判断，如肿瘤是否侵犯关键解剖结构，也存在困难，容易导致术前分期不准确。
预测局部晚期 RCC
肿瘤侵犯肾窦脂肪、肾周脂肪和静脉系统等关键解剖结构的判断，仅依靠传统的影像学检查是具有挑战性的，这可能会导致术前分期不足。研究人员利用 AI 技术开发了多种模型来解决这一问题。Yang 等人构建了一个放射组学模型，通过分析术前不同阶段的计算机断层扫描（Computed Tomography，CT）图像，如平扫期（Unenhanced phases，UP）、皮质髓质期（Corticomedullary phases，CMP）和肾实质期（Nephrographic phases，NP），来预测肾包膜侵犯情况。结果发现，该模型在 CMP 阶段表现最佳，曲线下面积（Area Under the Curve，AUC）达到了 0.81 。Liu 等人则通过对比增强 CT 扫描构建放射组学模型，用于术前预测肾周脂肪侵犯。他们构建的 8 个模型中，AUC 在 0.783 到 0.926 之间，其中一个模型的表现甚至超过了放射科医生。Zhao 等人开发的结合 ML 和放射组学的模型，在预测静脉壁侵犯方面表现出色，AUC 达到了 0.853 。这些模型如果能够在术前可靠地预测局部晚期 RCC 的特征，将为新辅助治疗等干预措施提供重要依据，有望改善患者的治疗效果。
预测同步远处转移和减瘤性肾切除术的考虑因素
据估计，高达 30% 的 RCC 患者在初次诊断时就已经出现同步远处转移（Synchronous distant metastases，SDM）。虽然转移性肾细胞癌（Metastatic renal cell carcinoma，mRCC）预后较差，但早期发现 SDM 并进行合理的治疗规划，有助于提高患者的生存率。肿瘤大小一直是预测 SDM 的重要指标，但小肾癌是否会发生转移仍难以准确判断。
研究人员利用放射组学构建了多种预测 SDM 的模型。Bai 等人率先构建了基于多参数磁共振成像（Magnetic Resonance Imaging，MRI）放射组学的列线图，结合多种临床放射学参数来预测透明细胞肾细胞癌（Clear cell RCC，ccRCC）患者的 SDM。该模型在训练、内部验证和外部验证中的 AUC 分别为 0.914、0.854 和 0.816，并且在预测不同大小肿瘤的 SDM 时都表现出了较高的准确性 。Wen 等人设计的 CT 放射组学模型，在预测 ccRCC 患者的 SDM 方面也取得了不错的效果，训练和验证队列中的 AUC 均大于 0.800 。Yu 等人则强调了结合 CT 衍生的放射组学特征和临床参数的重要性，他们开发的 CT 放射组学列线图在内部和外部验证队列中的 AUC 均大于 0.900，优于单独的放射组学特征和临床模型 。
对于确诊为 RCC 和 SDM 的患者，减瘤性肾切除术（Cytoreductive nephrectomy，CN）是一种治疗选择。然而，在免疫治疗时代，CN 的作用仍不完全明确。Yang 等人开发的基于 ML 的预后模型，通过整合多种临床特征，能够对接受 CN 和系统治疗的患者进行风险分层，帮助医生制定更个性化的治疗方案 。
预测 RCC 切除术后的复发和转移性疾病
手术切除是局限性 RCC 的标准治疗方法，但即便如此，仍有高达 30% 的患者在肾切除术后最终会出现复发或转移性疾病。临床列线图可以帮助识别复发的高危患者，但准确性还有提升空间。
Kim 等人开发了首个基于 ML 的模型，利用临床病理数据来预测肾切除术后的晚期复发，最高性能的模型 AUC 达到了 0.740 。随后，研究人员将影像学特征纳入 RCC 复发预测模型。Denifell 等人构建的基于放射组学的模型，结合术前 CT 扫描的放射组学数据和术后临床病理变量，在预测疾病无进展生存期方面表现更优，决策曲线分析显示该组合模型比单纯的临床模型能更好地预测术后复发 。Zhao 等人开发的放射组学转移评分（Radiomics metastasis score，RMS），通过将术前 CT 衍生的放射组学特征与 mRCC 发病机制中的主要生物学途径联系起来，为预测 ccRCC 的转移提供了新的思路 。Yang 等人开发的整合多模态数据（包括临床、放射学和病理学参数）的 ML 模型，在预测 ccRCC 转移风险方面表现出色，训练和验证集的 AUC 均超过 0.85，比单模态模型具有更高的预测准确性 。
系统治疗的考虑因素和疗效评估
mRCC 患者有多种治疗选择，包括手术、局部区域治疗和系统治疗等。免疫检查点抑制剂（Immune check point inhibitors，ICI）目前已成为转移性 ccRCC 一线治疗的主要手段，但在治疗前和治疗过程中，如何预测系统治疗的有效性，相关的 AI 数据还很有限。
在预测患者对 ICI 的反应方面，研究人员进行了多种尝试。Rossi 等人研究了基于 CT 的放射组学特征与 mRCC 患者对 ICI 治疗最佳反应（疾病进展）之间的相关性 。Park 等人开发的临床 - CT 纹理模型，能够更好地预测接受 ICI 治疗的 mRCC 患者的总生存期和无进展生存期 。Khene 等人则通过预处理 CT 图像，识别出了预测接受纳武利尤单抗（nivolumab）治疗的 mRCC 患者总生存期和无进展生存期的纹理预测指标 。此外，研究人员还探索了中性粒细胞与淋巴细胞比值以及脾脏体积变化等作为评估治疗反应的替代标志物 。
在预测患者对酪氨酸激酶抑制剂（Tyrosine kinase inhibitors，TKI）的反应方面，Negreros - Osuna 等人开发的基于 CT 的放射组学模型，结合肿瘤纹理分析和临床数据，能够更好地预测 mRCC 患者对 TKI 的反应 。Chen 等人开发的模型则可以基于基线扫描的动脉期（Arterial phase，AP）和非增强期（Non - contrast，NC）的放射组学特征，预测患者对 TKI 的短期病变反应 。Udayakumar 等人提出的基于动态对比增强 MRI（Dynamic contrast - enhanced MRI，DCE - MRI）的放射基因组学模型，能够预测肿瘤的血管生成和炎症途径，发现高基线动脉自旋标记 MRI 与 mRCC 患者对抗血管生成方案的良好反应相关 。
综合上述研究结果，AI 在肾癌诊疗中的应用取得了不少成果，但也面临着一些挑战。在数据方面，高质量和多样化的数据集对构建可靠的 AI 模型至关重要，但目前数据的可用性、质量以及隐私问题限制了 AI 系统的发展。由于隐私法规和伦理问题，获取敏感的医学数据变得困难，这可能导致模型出现过拟合或欠拟合的情况，影响模型的泛化能力 。
从算法性能来看，肾癌数据的复杂性，包括成像、基因谱和临床记录等多方面的数据，对算法提出了很高的要求。区分癌症亚型本身就具有挑战性，而且在特定数据集上训练的算法可能无法在不同的临床环境中通用，这使得医疗专业人员对新的 AI 技术持谨慎态度 。此外，隐私和安全问题也是 AI 在肾癌诊疗应用中的重要障碍，医疗数据的敏感性使得其面临泄露和网络攻击的风险，可能会暴露患者的隐私信息 。
尽管存在这些挑战，AI 在晚期 RCC 的管理中仍然具有巨大的潜力。结合临床病理和放射学数据开发的 AI 模型，在多个方面都展现出了优势，如提高分期的准确性、预测转移风险、评估治疗反应等，这些都有助于医生做出更合理的治疗决策，优化患者的治疗方案。未来，AI 模型有望从研究领域走向临床实践，为肾癌患者提供更精准、更个性化的医疗服务。而且，随着技术的不断发展和完善，AI 在肾癌诊疗中的应用将越来越广泛，有望为攻克肾癌这一难题带来新的突破。
