
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于增强CT的深度学习与影像组学联合模型在小肾细胞癌病理亚型术前鉴别中的价值
《BMC Urology》:Deep learning and habitat radiomics based on contrast-enhanced CT for differentiating pathological subtypes of small renal cell carcinoma
【字体: 大 中 小 】 时间:2026年10月16日 来源:BMC Urology 2.3
编辑推荐:
摘要目的本研究旨在建立深度学习模型、肿瘤周围影像组学模型、生态位影像组学模型及传统临床影像模型,并探讨其在小肾细胞癌(sRCC)常见病理亚型术前鉴别中的价值。方法回顾性纳入143例经病理确诊的sRCC患者(92例透明细胞肾细胞癌,51例非透明细胞肾细胞癌)。按7:3的比例将患
本研究旨在建立深度学习模型、肿瘤周围影像组学模型、生态位影像组学模型及传统临床影像模型,并探讨其在小肾细胞癌(sRCC)常见病理亚型术前鉴别中的价值。
回顾性纳入143例经病理确诊的sRCC患者(92例透明细胞肾细胞癌,51例非透明细胞肾细胞癌)。按7:3的比例将患者随机分为训练组(n = 101)和验证组(n = 42)。采用皮髓质期图像进行分析。使用ITK-SNAP软件手动勾画肿瘤感兴趣区(ROI),并通过均匀向外扩展2 mm生成肿瘤周围ROI。基于局部特征对瘤内ROI进行无监督K-means聚类以识别瘤内亚区域,并利用最大轮廓系数确定最优亚区域数量。从肿瘤周围区域及各亚区域中提取影像组学特征,获取肿瘤最大横截面。随后应用迁移学习,利用ImageNet数据集中的预训练参数初始化ResNet18模型,并提取深度迁移学习特征。使用最大相关性最小冗余度(mRMR)算法和最小绝对收缩与选择算子(LASSO)方法在训练组内进行特征选择与降维,并采用交叉验证。通过单因素和多因素logistic回归分析识别独立的临床预测因子。基于识别出的独立临床预测因子及筛选出的特征,分别建立临床模型、肿瘤周围模型、生态位模型和深度学习模型。将表现最佳的模型与独立临床预测因子结合,构建联合模型。采用曲线下面积(AUC)、准确率、敏感性和特异性评估模型性能,并利用决策曲线分析评估其临床效用。
最优聚类数为3。Logistic回归分析显示囊性或坏死区域及强化特征为独立临床预测因子。最终共筛选出8个肿瘤周围影像组学特征、12个生态位影像组学特征和7个深度学习特征。深度学习模型(AUC:0.960,95%CI:0.927–0.993(训练组);AUC:0.968,95%CI:0.926–1.000(验证组))优于临床模型(AUC:0.798,95%CI:0.714–0.883;AUC:0.794,95%CI:0.647–0.940)、肿瘤周围模型(AUC:0.885,95%CI:0.815–0.955;AUC:0.886,95%CI:0.776–0.997)和生态位模型(AUC:0.951,95%CI:0.904–0.998;AUC:0.943,95%CI:0.881–1.000)。由深度学习模型与临床模型整合建立的联合模型性能进一步提升(AUC:0.968,95%CI:0.939–0.997(训练组);AUC:0.973,95%CI:0.934–1.000(验证组))。决策曲线分析表明,联合模型提供的净收益最高。
基于增强CT的影像组学和深度学习模型能够有效实现对sRCC亚型的非侵入性鉴别。生态位影像组学能够捕捉瘤内异质性并展现出良好的诊断性能,而深度学习则表现出更优的判别能力。这些方法或可辅助术前决策,但仍有待在更大的外部队列中进一步验证。
本研究旨在建立深度学习模型、肿瘤周围影像组学模型、生态位影像组学模型及传统临床影像模型,并探讨其在小肾细胞癌(sRCC)常见病理亚型术前鉴别中的价值。
回顾性纳入143例经病理确诊的sRCC患者(92例透明细胞肾细胞癌,51例非透明细胞肾细胞癌)。按7:3的比例将患者随机分为训练组(n = 101)和验证组(n = 42)。采用皮髓质期图像进行分析。使用ITK-SNAP软件手动勾画肿瘤感兴趣区(ROI),并通过均匀向外扩展2 mm生成肿瘤周围ROI。基于局部特征对瘤内ROI进行无监督K-means聚类以识别瘤内亚区域,并利用最大轮廓系数确定最优亚区域数量。从肿瘤周围区域及各亚区域中提取影像组学特征,获取肿瘤最大横截面。随后应用迁移学习,利用ImageNet数据集中的预训练参数初始化ResNet18模型,并提取深度迁移学习特征。使用最大相关性最小冗余度(mRMR)算法和最小绝对收缩与选择算子(LASSO)方法在训练组内进行特征选择与降维,并采用交叉验证。通过单因素和多因素logistic回归分析识别独立的临床预测因子。基于识别出的独立临床预测因子及筛选出的特征,分别建立临床模型、肿瘤周围模型、生态位模型和深度学习模型。将表现最佳的模型与独立临床预测因子结合,构建联合模型。采用曲线下面积(AUC)、准确率、敏感性和特异性评估模型性能,并利用决策曲线分析评估其临床效用。
最优聚类数为3。Logistic回归分析显示囊性或坏死区域及强化特征为独立临床预测因子。最终共筛选出8个肿瘤周围影像组学特征、12个生态位影像组学特征和7个深度学习特征。深度学习模型(AUC:0.960,95%CI:0.927–0.993(训练组);AUC:0.968,95%CI:0.926–1.000(验证组))优于临床模型(AUC:0.798,95%CI:0.714–0.883;AUC:0.794,95%CI:0.647–0.940)、肿瘤周围模型(AUC:0.885,95%CI:0.815–0.955;AUC:0.886,95%CI:0.776–0.997)和生态位模型(AUC:0.951,95%CI:0.904–0.998;AUC:0.943,95%CI:0.881–1.000)。由深度学习模型与临床模型整合建立的联合模型性能进一步提升(AUC:0.968,95%CI:0.939–0.997(训练组);AUC:0.973,95%CI:0.934–1.000(验证组))。决策曲线分析表明,联合模型提供的净收益最高。
基于增强CT的影像组学和深度学习模型能够有效实现对sRCC亚型的非侵入性鉴别。生态位影像组学能够捕捉瘤内异质性并展现出良好的诊断性能,而深度学习则表现出更优的判别能力。这些方法或可辅助术前决策,但仍有待在更大的外部队列中进一步验证。