Int J Surg| 自动分割肾周脂肪组织对清细胞肾癌病理分级的增量价值
科技
科学
2024-11-04 10:38
重庆
华中科技大学同济医学院附属同济医院放射科李震教授团队等2024年在International Journal of Surgery (JCR Q1, IF: 12.5) 杂志上发表了自动分割肾周脂肪组织对清细胞肾癌病理分级的增量价值。
自动分割肾周脂肪组织对清细胞肾癌病理分级的增量价值
目的：准确预测清细胞肾癌（ccRCC）的病理分级对于优化治疗计划和患者结果至关重要。本研究旨在开发并验证一种深度学习（DL）算法，自动从CT图像中分割肾脏肿瘤、肾脏和肾周脂肪组织（PRAT），并提取放射组学特征以预测ccRCC的病理分级。
方法：在这项跨种族的回顾性研究中，共有614名患者被分为训练集（本地医院的383名患者）、内部验证集（本地医院的88名患者）和外部验证集（公共数据集中的143名患者）。
结果：自动分割的平均Dice系数在内部验证数据集中对肾脏肿瘤为0.836，对VAT为0.967。对于WHO/ISUP分级，基于PRAT特征构建的模型在内部验证集中实现了中等AUC为0.711（95% CI，0.604-0.802），灵敏度为0.400，特异性为0.781。而基于肾脏肿瘤、肾脏和PRAT组合特征构建的模型在内部验证集中显示AUC为0.814（95% CI，0.717-0.889），灵敏度为0.800，特异性为0.753，明显高于仅基于肿瘤病变特征构建的模型（0.760；95% CI，0.657-0.845），灵敏度为0.533，特异性为0.767。
结论：通过TransUNet结合传统图像形态处理算法自动分割肾脏和内脏脂肪组织（VAT）提供了一种标准化方法来提取PRAT，具有高可重复性。PRAT和肿瘤病变的放射组学特征，结合机器学习，准确预测ccRCC的病理分级，并揭示了PRAT在这一预测中的增量重要性。
![]()
研究设计
![]()
多重过滤特征提取分析和基于5个下采样折叠的预测模型结果。
![]()
不同集成模型在内部（A）和外部（B）验证集上的ROC曲线。基于肿瘤（C）和组合（D）放射组学特征的机器学习模型的校准曲线。每个模型的Brier得分损失显示在括号内。![]()
基于5折训练数据的组合模型中每个特征的SHAP值。不同颜色（红色和蓝色）代表对模型输出的不同影响水平。（过滤器1，log.sigma.1.5.mm.3D; 过滤器2，log.sigma.3.0.mm.3D; 过滤器3，log.sigma.5.0.mm.3D）![]()
不同Ki-67指数组患者的放射组学特征分布。肿瘤_original_shape_Maximum2DDiameterSlice（A）、肿瘤_original_shape_Maximum3DDiameter（B）、肿瘤_wavelet.HHH_firstorder_Range（C）和肿瘤_wavelet.HHH_glcm_SumAverage（D）在不同Ki-67指数组之间均有显著差异。
Li S, Zhou Z, Gao M, et al. Int J Surg. 2024;110(7):4221-4230. Published 2024 Jul 1. doi:10.1097/JS9.0000000000001358
如您觉得内容不错，对您有帮助，希望能够点赞、在看、分享、打赏！感谢您的支持。
