成果｜浙大团队SCI：基于CT的深度学习模型助力肾癌分级预测

主要观点总结

本文介绍了一项多中心队列研究，该研究利用计算机断层扫描（CT）的深度学习模型对透明细胞肾细胞癌（ccRCC）进行病理分级预测。研究由浙江大学医学院附属金华医院等单位的多位学者合作完成。该深度学习模型能够在无需侵入性取材的情况下预测ccRCC的病理分级，为临床提供更精准的参考。

关键观点总结

关键观点1: 研究背景及目的

透明细胞肾细胞癌是肾癌中最常见且侵袭性最强的亚型，其病理学特征给临床诊断和分级带来挑战。本研究旨在开发一种基于增强CT的深度学习模型，为临床提供更精准的病理分级预测参考。

关键观点2: 研究方法

研究团队收集了来自三家医疗中心的483例ccRCC患者资料，获取其动脉期和静脉期CT图像，并采用三类卷积神经网络（CNN）模型进行影像特征提取。通过LASSO回归进行特征筛选，并利用ROC和DCA对模型进行评估。

关键观点3: 研究结果

基于ResNet-34与ShuffleNet_v2的两类2.5D肿瘤模型表现出较好的预测能力，融合肿瘤与肾脏特征的模型表现最佳，在整体测试集中取得了AUC 0.777。DCA验证了该模型在临床应用中的潜在价值。

关键观点4: 研究亮点

团队首次系统性对比分析多种维度、多类CNN模型，最终筛选出性能最优的模型。与以往模型相比，融合模型在预测ccRCC病理分级方面更具优势，为未来影像组学研究提供了新的思路，并有望在实际临床中推广应用。

关键观点5: 致谢与合作

该研究团队在论文结尾部分对参与研究的各单位学者以及提供翻译润色语言服务的科藤学术中心进行了致谢。长期致力于学术翻译、科研绘图服务的科藤学术中心助力中国科研人员在全球学术平台上提升影响力。