编辑推荐：
为解决肾透明细胞癌（ccRCC）患者术前难以预测阶段、大小、分级和坏死（SSIGN）评分及预后的问题，研究人员开展基于 CT 的视觉 Transformer（ViT）模型研究。结果显示该模型预测性能良好，有助于指导个性化治疗。
在泌尿系统的肿瘤世界里，肾细胞癌（RCC）是较为常见的恶性肿瘤之一，而肾透明细胞癌（ccRCC）更是其中的 “主力军”，约占 70 - 80% 的病例。虽说部分 ccRCC 能在早期被发现，也可通过手术或消融等方法治疗，但仍有近三分之一的患者会面临复发或转移的困境，这使得患者的长期生存率不容乐观。因此，术前对患者进行精准的风险分层，对于制定个性化治疗方案至关重要。
目前，Mayo Clinic 在 2002 年提出的阶段、大小、分级和坏死（SSIGN）评分，是评估 ccRCC 患者预后的重要工具。它综合了肿瘤、淋巴结、转移（TNM）分期系统、原发肿瘤大小、核分级和凝固性肿瘤坏死等因素，能为预测肿瘤进展和预后提供有效帮助。然而，SSIGN 评分依赖术后病理参数，存在检测困难、结果滞后以及预测准确性受限等问题。增强 CT 扫描虽是 ccRCC 患者的常规检查手段，但在获取肿瘤病理分级信息方面存在不足。
在这样的背景下，青岛大学附属医院等多家机构的研究人员开展了一项极具意义的研究。他们致力于开发并验证一种基于 CT 的可解释视觉 Transformer（ViT）模型，用于 ccRCC 患者术前预测 SSIGN 评分和预后。该研究成果发表在《Insights into Imaging》上。
研究人员采用了多种关键技术方法。首先，进行多中心回顾性研究，收集了 845 例 ccRCC 患者的数据，其中 592 例患者构成训练队列，253 例患者构成测试队列。接着，利用 ViT 网络从皮质髓质期（CMP）和肾实质期（RPP）的 CT 图像中提取特征，每个患者在这两个时期分别能提取 768 个 ViT 特征。之后，通过最小冗余最大相关性（mRMR）和最小绝对收缩和选择算子（LASSO）进行特征选择，并采用多元逻辑回归分析构建了 CMP ViT 模型（CVM）、RPP ViT 模型（RVM）以及 CMP - RPP 联合 ViT 模型（CRVM）。此外，运用 SHAP（Shapley Additive exPlanations）方法探究模型的可解释性，通过 Kaplan - Meier 生存分析评估模型预测的 SSIGN 评分与无进展生存期（PFS）之间的关联。
在研究结果方面：
- 模型构建与验证：研究人员利用两种特征选择方法，最终选定 17 个 CMP ViT 特征、16 个 RPP ViT 特征和 19 个 CMP - RPP 联合 ViT 特征，分别构建了 CVM、RVM 和 CRVM。
- 模型性能评估：在预测 ccRCC 患者的 SSIGN 评分上，CVM、RVM 和 CRVM 表现出色。测试队列中，它们的受试者工作特征曲线下面积（AUC）分别为 0.859、0.883 和 0.895。决策曲线分析（DCA）表明，CRVM 在临床净获益方面表现最佳。在预测 PFS 时，CRVM 的 Harrell 一致性指数（C - index）达到 0.840，高于 CVM 的 0.719 和 RVM 的 0.773。
- 模型可解释性分析：SHAP 方法从全局和个体层面展示了 ViT 特征对 CRVM 预测 SSIGN 评分的影响。SHAP 汇总图呈现了各特征对预测模型的作用，依赖图解释了特定特征对模型预测的影响，瀑布图则展示了 5 例代表性患者的个体可解释性。
- 生存预测结果：截至最后随访，患者复发率为 15.1%。SSIGN 低风险和中高风险患者的中位 PFS 分别为 53 个月和 36.5 个月。CVM、RVM 和 CRVM 均显示低风险和中高风险 SSIGN 患者的 PFS 存在显著差异。
研究结论和讨论部分指出，基于 CT 的可解释 CRVM 在预测 ccRCC 患者的 SSIGN 评分和预后方面表现良好，有望成为一种无创生物标志物，为 ccRCC 患者的个性化管理提供指导，推动精准医学发展。不过，该研究也存在一些局限性，如回顾性研究可能影响结果的可重复性和普遍性，未充分考虑传统卷积神经网络（CNNs）特征及其与 ViT 特征的互补性，也未分析临床和 CT 特征。未来研究可整合 CNNs 和 ViT 特征，构建更综合的特征表示，提升模型性能。总之，这项研究为 ccRCC 的术前预测开辟了新路径，具有重要的临床意义和研究价值，为后续相关研究奠定了坚实基础。
