编辑推荐：
为解决术前无创评估透明细胞肾细胞癌（ccRCC）病理分级及 Ki67 指数的临床需求，研究人员构建基于 CT 的 AI 框架，融合多尺度特征。结果显示该框架预测效能显著（AUROC 达 0.82-0.87），为无创诊断提供新方向。
在肾癌的诊疗领域，透明细胞肾细胞癌（ccRCC）作为最常见的亚型，约占肾细胞癌（RCC）的 70%-80%，其恶性程度高、易转移，严重威胁患者生命健康。目前，病理分级（如 WHO/ISUP 分级将核分级 I/II 定为低级别，III/IV 为高级别）和 Ki67 指数（反映细胞增殖活性的分子标记，≥5% 提示高增殖状态）是评估肿瘤恶性程度和预后的关键指标。然而，传统的术前评估依赖有创的经皮肾穿刺活检，存在出血、感染风险，且无法全面反映肿瘤异质性，难以精准判断病理分级和 Ki67 表达水平。因此，开发一种无创、高效的术前评估方法成为临床迫切需求。
为攻克这一难题，来自中山大学第六附属医院、深圳大学第三附属医院（罗湖医院集团）等国内多中心的研究团队开展了一项具有突破性的研究。该研究成果发表在《Insights into Imaging》，旨在构建基于 CT 影像的人工智能（AI）框架，通过融合多尺度特征，实现 ccRCC 病理分级和 Ki67 指数的无创精准预测。
研究人员采用了以下关键技术方法：首先，整合 7 个队列共 1073 例病理确诊的 ccRCC 患者数据，分为内部队列（含训练集、验证集）和外部测试集。其次，构建包含图像处理器、3D-UNet 分割模型（用于肾脏和肿瘤区域的自动分割，Dice 系数＞0.92）、多尺度特征提取器（融合放射组学特征、3D 自动编码器（3D Auto-Encoder）非线性降维特征及主成分分析（PCA）/ 奇异值分解（SVD）线性降维特征，共提取 676 维特征）和 XGBoost 多任务分类器的 AI 框架。最后，利用 SHapley Additive exPlanations（SHAP）技术解析特征贡献度。
研究结果
1. 3D-UNet 模型的分割性能
3D-UNet 模型在肾脏和肿瘤区域分割中表现卓越，内部验证集肾脏和肿瘤的 Dice 系数分别为 0.979±0.030 和 0.924±0.094，显示出高度精确的自动化分割能力。
2. 多尺度特征的预测效能
在病理分级预测中，内部验证集和外部测试集的 AUROC 分别为 0.84 和 0.82；Ki67 指数预测的 AUROC 则为 0.87（内部）和 0.82（外部）。多尺度特征融合显著优于单一放射组学或降维特征，验证了多维度信息整合的必要性。
3. 模型可解释性分析
SHAP 值分析表明，放射组学特征 “形状球形度（shape Sphericity）” 对病理分级预测贡献最大，而 3D Auto-Encoder 特征（如 ae3d_116、ae3d_161）和 PCA/SVD 特征在 Ki67 指数预测中起主导作用。这揭示了模型决策的关键影像特征，为 “黑箱” 模型提供了可解释性依据。
4. 算法对比与临床价值
与随机森林（RF）、LightGBM（LG）等算法相比，XGBoost 在两项预测任务中均表现最优，证实了其稳健性。该框架仅需术前 CT 影像即可实现全自动分析，为临床提供了高效、便捷的评估工具。
研究结论与意义
本研究成功构建了基于 CT 影像多尺度特征的 AI 框架，实现了 ccRCC 病理分级和 Ki67 指数的无创、精准预测。研究结果表明，多尺度特征融合能显著提升模型性能，且 SHAP 分析为模型决策提供了透明的解释路径。该框架突破了传统有创活检的局限，为术前风险分层、治疗方案制定（如选择部分或根治性肾切除术）提供了可靠依据，有望推动 AI 在肾癌精准诊疗中的临床转化。尽管研究未纳入良性肾病变且为回顾性设计，但其开创的多中心、多模态分析模式为后续前瞻性研究奠定了基础，展现了 AI 在医学影像领域的巨大应用潜力。
