编者按：第39届欧洲泌尿外科协会年会于4月5日~8日在法国巴黎举行，每年有上万名医学专业人士参加这一欧洲最大的泌尿外科学术活动。复旦大学附属中山医院泌尿外科郭剑明教授团队在真实世界大数据的基础上，利用术前多期相CT建立了肾肿物术前精准鉴别的深度学习模型，由第一作者熊鹰医师在会议中汇报了相关研究成果（摘要号：A0458）。

 

 

随着影像学检查如CT、MRI等逐渐普及，无症状肾肿物的检出率也逐年提高。准确的判断肾肿物的性质，对后续治疗方案的选择至关重要。目前肾肿物的术前诊断主要存在两个难点。首先是良恶性的鉴别。部分良性肾肿物，比如乏脂血管平滑肌脂肪瘤、嗜酸细胞癌腺瘤和后肾腺瘤等，其影像学特征很难与恶性肿瘤相鉴别，这导致了部分患者接受了不必要的手术。其次，随着肾癌治疗手段的不断丰富，判断肾癌恶性程度的高低对肾癌患者个体化治疗方案的制定也愈加重要。但这需要综合考虑肾肿物的病理类型、分级、分期，无法仅凭肉眼分析术前影像片来明确。

 

为了解决肾肿物术前诊断的这两个痛点，在郭剑明教授牵头下，熊鹰医师等回顾性纳入了复旦大学附属中山医院，浙江大学附属第一人民医院，张掖市人民医院，泉州市人民医院，复旦大学附属中山医院厦门医院等国内六家医院及肿瘤影像数据库共4557例患者的13261套CT图片，采用2个多期相神经卷积网络分别构建了预测肾肿物良恶性及侵袭性的深度学习诊断模型。该良恶性诊断模型在不同验证队列中AUC在0.853~0.898之间，在各个队列中均较目前影像组学预测模型以及RENAL评分预测模型有着更好的预测效能，并在囊性肾癌、实性肾癌及小肾癌中均有着良好的表现。研究人员比较了深度学习诊断模型和7名来自三家医院的影像科医生的诊断准确率，发现深度学习模型良恶性鉴别的准确率已经超越了其中6名影像科医生的诊断准确率。同时，在AI诊断模型的协助下，影像科医生诊断准确率得到显著提高。

 

 

识别侵袭性肾癌的深度学习模型同样在各个验证队列中显示了优于目前影像组学模型及RENAL评分预测模型的性能，在各个验证队列中AUC在0.763~0.792之间。在外部验证队列中，被深度学习模型预测为侵袭性的肾癌，其生存期较被预测为惰性的肾癌显著缩短。并且侵袭性概率高低是患者生存结局的独立不良预后因子，其对临床转归的预测效能甚至高于TNM分期、WHO/ISUP核分级系统等术后病理指标。最后，生物信息学分析显示侵袭性肾癌相较于惰性肾癌处于免疫抑制的微环境，其中有更高的CD8+T细胞和调节性T细胞浸润。

 

 

郭剑明教授介绍，医疗资源的不均衡一直是我国卫生系统面临的一个问题，通过这样一个人工智能训练的肾肿物良恶性预测大模型，能够将中山医院10余年的肾癌诊疗经验推广应用，使得医疗资源落后地区的放射科医生同样可以达到顶尖三甲放射科医生的肾癌诊断水平，有助于减少患者不必要的肾肿物手术，避免肾功能的损失，承担手术并发症的风险。同时，侵袭性预测模型能够为临床医师诊疗方案的选择，比如主动监测、射频消融、肾部分切除术或者肾根治切除术提供更多病理学信息，更好实现肾癌的精准化、个体化诊疗。

 

郭剑明教授团队和复旦大学数字医学中心王烁研究员团队、微软亚洲研究院王子龙研究员团队开展肾癌智慧诊疗方向的前沿研究，目前构建了纳入国内7家医学中心7000余例患者的11860张全视野数字化病理切片和15346套CT影像图片的肾癌病理-影像数据库。相关研究成果已被国际放射学顶级期刊《Radiology》正式接收，欢迎国内外同行合作进行进一步肾癌多模态医学大模型的开发研究。