在增强CT图像上，基于弱人类监督的深度学习方法能够实现高级别侵袭性透明细胞肾细胞癌的实时检测

《MEDICAL PHYSICS》：Weakly human-supervised deep learning for real-time detection of high-grade aggressive clear cell renal cell carcinoma on contrast-enhanced CT

本研究设计并验证了基于弱监督学习的Kidney Tumor Staging Network（KtSNet），通过预训练自监督模型SSFM和人类-AI交互，显著提升CT图像中高侵袭性透明细胞肾细胞癌（HGRCC）的实时检测准确率（AUC=0.85），优于传统方法B2Net和RML-XGB。

　　

摘要

背景

增强对比度计算机断层扫描（CECT）在透明细胞肾细胞癌（ccRCC）的分期和评估肿瘤侵袭性方面的应用仍受到异质性和灵敏度较低的限制。

目的

本研究旨在设计和验证一个人机交互网络——肾肿瘤分期网络（Kidney Tumor Staging Network，简称KtSNet），该网络利用弱监督学习技术，通过CECT实现高级别侵袭性ccRCC（HGRCC）的实时高效检测。

材料与方法

共有1,092名ccRCC患者参与了五个队列数据集的研究（训练集/内部测试集/外部测试集，n = 611/153/328）。为了实现CT影像上HGRCC的精确术前检测，我们使用一个大型跨模态数据集（n = 40,000）对一个自监督基础模型（SSFM）进行了预训练，以进行基于图像恢复的迁移学习。为了开发人机交互功能，我们将SSFM与弱监督学习相结合，训练出了KtSNet，从而实现了通过人机交互实时判断CT影像中的HGRCC。

结果

在包含153名患者的内部测试队列中，KtSNet在ROC曲线和PR曲线的AUC值上均显著高于其他方法（B2Net：ROC-AUC = 0.68，p = 0.040；PR-AUC = 0.22，F1_max = 0.366；RML-XGB：ROC-AUC = 0.53，p < 0.001；PR-AUC = 0.14，F1_max = 0.264；Likert评分法：三位读者的ROC-AUC值分别为0.57、0.58和0.70）。在外部验证队列中，KtSNet在ROC曲线和PR曲线上的AUC值也优于B2Net（ROC-AUC = 0.74，p = 0.002；PR-AUC = 0.21，F1_max = 0.328），并且其AUC值显著高于RML-XGB（ROC-AUC = 0.63，p = 0.002；PR-AUC = 0.23，F1_max = 0.359）。

结论

这种基于弱监督学习的人机交互网络KtSNet为利用CT影像实时判断HGRCC提供了有希望的解决方案。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

用于算法开发的影像研究和临床数据不对外公开，因为其中包含患者的私人健康信息。如有需要，相关用户可以申请访问这些数据，但可能需要机构批准，并签署数据使用协议和/或材料转让协议。支持本研究结果的衍生数据可在合理请求下提供。