编辑推荐：
【编辑推荐】为解决传统淋巴管浸润（LVI）检测耗时 costly 的问题，研究人员开展基于 CT 影像的深度学习模型预测膀胱癌尿路上皮癌（UCB）LVI 的研究。构建的 ResNet50-based 模型在验证集 AUC 为 0.818，combined 模型提升至 0.794，为临床提供了无创精准工具。
膀胱癌作为全球第十大常见癌症，每年新发约 57.3 万例，其中 95% 为尿路上皮癌（UCB）。淋巴管浸润（LVI）是影响 UCB 预后的关键因素，可独立预测肿瘤复发、癌症特异性生存及总生存。然而，传统病理检测依赖免疫组化（IHC）染色，需耗费大量时间与成本，在术中冰冻切片及医疗资源有限地区难以普及。因此，开发一种无创、高效的术前 LVI 预测工具成为临床迫切需求。
为攻克这一难题，重庆医科大学附属第一医院联合多家国内医疗机构的研究团队，开展了基于 CT 影像的深度学习模型构建研究。相关成果发表于《Insights into Imaging》，为膀胱癌精准诊疗提供了新方向。
研究团队回顾性收集了 4 家医疗中心 577 例 UCB 患者的临床数据与 CT 影像，采用多维度建模策略。首先从 CT 影像的横断、冠状、矢状面提取肿瘤最大切片，输入 6 种卷积神经网络（CNN）模型（包括 InceptionV3、ResNet50 等）进行训练。通过主成分分析（PCA）将特征维度降至 64 维，并结合决策树、XGBoost、LightGBM 构建堆叠集成模型。同时，通过 logistic 回归分析筛选临床风险因素，与深度学习评分结合形成联合预测模型。
关键技术方法
- 多中心数据整合：纳入 2013-2023 年 4 家医院数据，按中心划分训练集（398 例）、验证集（95 例）、测试集（84 例），确保模型泛化性。
- 影像预处理与特征提取：采用 ITK-SNAP 软件手动勾画肿瘤感兴趣区（ROI），标准化窗宽窗位后，通过 ResNet50 等 CNN 模型自动提取深层特征，结合 Grad-CAM 可视化技术解析模型决策逻辑。
- 堆叠集成学习：融合三平面特征后，经 SMOTE 过采样、LASSO 特征选择，构建包含基础模型与元模型的堆叠结构，提升预测鲁棒性。
研究结果
1. 深度学习模型性能
ResNet50 模型在验证集表现最佳，AUC 达 0.818（95% CI：0.714-0.922），准确率 77.9%，灵敏度 81.8%，特异性 76.7%；测试集 AUC 为 0.708，显示出跨中心稳定性。Grad-CAM 可视化表明，模型聚焦于肿瘤边界及内部区域，ResNet50 的注意力分布更合理。
2. 临床因素与联合模型效能
单因素与多因素 logistic 回归分析确定病理 T 分期、肿瘤位置、生长方式为 LVI 独立风险因素。基于临床因素的模型在验证集 AUC 为 0.776，而联合模型（整合临床因素与 DL 评分）将验证集 AUC 提升至 0.794，测试集 AUC 达 0.767，显示出更高预测准确性。
3. 模型对比与临床价值
与单一 CNN 模型相比，堆叠集成模型在不同数据集上均表现更优，且联合模型在测试集的灵敏度（80.0%）与特异性（72.5%）实现平衡。该模型可辅助临床术前评估 LVI 状态，指导淋巴结清扫范围及术后化疗方案制定，尤其为无法承担 IHC 检测的患者提供替代方案。
结论与讨论
本研究成功构建了基于 CT 影像深度学习特征的 UCB-LVI 预测模型，通过多中心数据验证了其可靠性。模型不仅突破了传统病理检测的局限性，更通过整合影像特征与临床因素，提升了预测效能。值得注意的是，ResNet50 的深度架构使其能捕捉复杂影像模式，而堆叠学习有效缓解了类不平衡问题，增强了模型泛化能力。尽管研究存在回顾性设计及区域数据局限性，但其为 AI 在膀胱癌诊疗中的应用奠定了基础，有望推动无创精准医疗的发展。未来需进一步扩大样本量，验证模型在不同地域人群中的适用性，以加速临床转化。
