近日，发表于知名泌尿学与肾脏学期刊《Translational Andrology and Urology》2025年7月刊的一项多中心队列研究，展示了基于计算机断层扫描（CT）的深度学习模型在透明细胞肾细胞癌（clear cell renal cell carcinoma，ccRCC）病理分级预测中的应用前景。
该研究由浙江大学医学院附属金华医院、温州医科大学附属台州医院等单位的多位学者合作完成，通讯作者为金华医院泌尿外科的Min Xu。科藤学术参与了该文的学术翻译工作。
透明细胞肾细胞癌是肾癌中最常见且侵袭性最强的亚型，其病理学特征往往具有显著的形态学异质性，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，能够在无需侵入性取材的情况下预测ccRCC的病理分级，从而为临床提供更精准的参考。
研究团队回顾性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，并对肾脏和肿瘤区域进行分割。研究采用了三类卷积神经网络（CNN）模型，从三维（3D）、二维半（2.5D）及二维（2D）不同维度提取影像特征。随后，通过最小绝对收缩与选择算子（LASSO）回归进行特征筛选，并利用受试者工作特征曲线（ROC）和决策曲线分析（DCA）对模型进行评估。
结果显示，基于ResNet-34与ShuffleNet_v2的两类2.5D肿瘤模型在训练集以及内部、外部测试集中，曲线下面积（AUC）均大于0.72。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（95%置信区间：0.704–0.839，P<0.001），预测能力优于单独基于肿瘤的模型。DCA进一步验证了该模型在临床应用中的潜在价值。
研究亮点在于，团队首次系统性地对多种维度、多类CNN模型进行对比分析，涵盖3D、2.5D、2.5D融合、2D以及传统影像组学方法，最终筛选出性能最优的模型。与以往仅依赖肿瘤2D或3D图像的模型相比，该研究提出的融合模型在预测ccRCC病理分级方面更具优势。
研究人员指出，这一成果不仅为未来透明细胞肾细胞癌的影像组学研究提供了新思路，也为临床实践提供了潜在工具。若能在更大规模的数据集上进一步验证和优化，该模型有望在常规临床中推广应用，从而提升ccRCC病理分级的预测准确性，帮助医生在制定个体化诊疗方案时获得更多依据。
该研究的完成得益于多学科团队合作，作者们分别在课题设计、病例收集、影像分析和数据解释等环节发挥了重要作用，最终形成了这一具有临床转化潜力的研究成果。
在本文的工作中，我们提供了翻译润色语言服务。对此，该研究团队还在论文结尾部分对我们的工作予以了专门致谢。
科藤学术中心长期致力于学术翻译、科研绘图服务，助力中国科研人员在全球学术平台上提升影响力。如有需要，可随时联系微信ketenghuaboshi（可复制搜索添加好友）。
文章链接：
https://tau.amegroups.org/article/view/141113/html
