编辑推荐：
为解决肾肿瘤诊断难题，长庚纪念医院林口分院研究人员开展基于深度学习模型分析 CT 扫描鉴别肾肿瘤亚型的研究，发现 Inception V3 和 Resnet 50 模型准确率分别为 0.830 和 0.849，对肾肿瘤诊断有重要意义。
肾细胞癌（Renal Cell Carcinoma，RCC）在我国台湾地区是常见癌症之一，且发病率呈上升趋势。目前，计算机断层扫描（Computed Tomography，CT）是诊断和分期肾肿瘤、鉴别良恶性肿瘤的常用方法，以往研究显示其在检测和分期肾肿瘤方面准确率可达 91% 。然而，CT 图像的解读高度依赖放射科医生的经验，不同医生之间以及同一医生不同次的解读可能存在偏差，影响诊断准确性。据统计，6.4 - 40.4% 基于术前 CT 图像和 / 或手术切除被认定为恶性的肾肿瘤，实际上是良性的，这导致治疗决策出现偏差。
肾肿瘤活检（Renal Tumor Biopsy，RTB）虽能鉴别肾肿瘤的良恶性，但存在引发手术并发症的风险，如肿瘤细胞沿活检路径播散、出血、瘘管形成、假性动脉瘤、感染和气胸等 。而且，约 11 - 14% 的肾肿瘤活检无法得出明确诊断结果，限制了其在肾肿瘤诊断中的常规应用。如今，肾癌的治疗手段不再局限于手术，还有主动监测、靶向治疗和免疫治疗等。因此，在不获取组织样本的情况下区分肾肿瘤细胞，对辅助诊断和制定及时有效的治疗方案至关重要。
在此背景下，长庚纪念医院林口分院的研究人员开展了一项研究，旨在设计一种卷积神经网络（Convolutional Neural Network，CNN）模型，通过分析 CT 扫描图像，对肾肿瘤按照五种常见亚型进行分类，这五种亚型包括血管平滑肌脂肪瘤（angiomyolipoma，AML）、肾嗜酸细胞瘤（oncocytoma）、透明细胞肾细胞癌（clear cell renal cell carcinoma，ccRCC）、嫌色细胞肾细胞癌（chromophobe renal cell carcinoma，chRCC）和乳头状肾细胞癌（papillary renal cell carcinoma，pRCC） 。该研究成果为肾肿瘤的诊断提供了新的思路和方法，对提高肾肿瘤的诊断准确性、优化治疗方案具有重要意义，相关论文发表于BMC Medical Imaging 。
研究人员为开展此项研究，采用了多种关键技术方法。他们回顾性收集了 2008 年 1 月至 2018 年 9 月间经手术切除且确诊为肾肿瘤患者的增强 CT 图像。这些患者来自多个医院，最终 554 例符合标准的患者纳入研究。研究人员手动勾勒肾肿瘤轮廓作为感兴趣区域（region of interest，ROI）图像，并对图像进行预处理和归一化，将其转换为 PNG 格式。之后，随机选取 10% 患者数据组成测试集，其余 90% 患者数据组成训练集，同时对训练集数据进行图像增强处理，以缓解数据不平衡问题。利用 Python 和 Tensorflow 框架，训练 Inception V3 和 Resnet 50 模型，并以 ImageNet 训练的权重为基础，对不同数量的可训练层进行训练，最后使用 5 折交叉验证评估模型性能。
研究结果主要包括以下几方面：
- 基线临床和人口统计学特征：554 例患者中，男性 328 例（59.2%），女性 226 例（40.8%），中位年龄 56 岁。病理报告显示，AML 患者 67 例（12%），肾嗜酸细胞瘤患者 34 例（6.1%） ，ccRCC 患者 246 例（44.4%），chRCC 患者 124 例（22.4%），pRCC 患者 83 例（15%）。肾肿瘤最大直径的中位值为 53.5mm。
- 模型性能：Inception V3 模型在使用 220 个可训练层时，准确率最高达 0.83，5 折交叉验证的平均准确率为 0.804±0.019；最高加权精度（Weighted Precision，WP）为 0.885，5 折交叉验证的平均 WP 为 0.847±0.021；最高宏 F1 分数（macro F1-score）为 0.786，5 折交叉验证的平均 macro F1 分数为 0.757±0.028；最高加权 F1 分数（weighted F1-score）为 0.833，5 折交叉验证的平均 weighted F1 分数为 0.813±0.0176。Resnet 50 模型在使用 50 个可训练层时，准确率最高达 0.849，5 折交叉验证的平均准确率为 0.811±0.027；在使用 150 个可训练层时，最高 WP 为 0.887，5 折交叉验证的平均 WP 为 0.865±0.015；在使用 75 个可训练层时，最高 macro F1 分数为 0.813，5 折交叉验证的平均 macro F1 分数为 0.753±0.040；在使用 50 个可训练层时，最高 weighted F1 分数为 0.852，5 折交叉验证的平均 weighted F1 分数为 0.838±0.027。
研究结论和讨论部分表明，该研究开发的深度学习模型在肾肿瘤亚型分类方面取得了较好的准确率，证实了深度学习模型用于从增强 CT 图像中分类肾肿瘤亚型的有效性。与以往仅进行二元分类的研究相比，本研究针对五种常见肾肿瘤亚型进行分类，更贴近临床实际情况。同时发现，即使使用迁移学习构建深度学习模型，对部分模型层的权重进行后续训练仍有助于提高模型性能。然而，该研究也存在一定局限性，如患者来自单一医疗中心，结果的普适性有待验证；选择的 Hounsfield Unit（HU）范围有限，模型可能无法学习到该范围外的重要特征；数据增强未能完全消除数据不平衡的影响；仅纳入五种肾肿瘤亚型且手动分割不具有广泛适用性等。未来需要扩大数据集、优化模型，以进一步提高模型性能，使其更好地应用于临床。
总的来说，这项研究为肾肿瘤的诊断提供了新的技术手段和研究方向，尽管目前存在一些不足，但深度学习模型在肾肿瘤亚型分类方面展现出的潜力，有望为临床肾肿瘤的精准诊断和个性化治疗带来新的突破。
