根据2023年癌症统计数据，新诊断肾细胞癌(RCC)大约有81800例，其中14890例来自美国。透明细胞肾细胞癌(ccRCC)占肾细胞癌相关死亡的绝大多数。现阶段，手术是局限性ccRCC的主要治疗方法。然而，尽管进行了初步的手术，但仍有三分之一的患者会复发。ccRCC的生物学行为往往因病理和分子层次的不同而不同，因此准确预测预后具有挑战性。

解剖组织学、临床和分子因素可提供RCC的预后信息。多项研究表明，肿瘤内异质性 (ITH)是肿瘤适应和进展的重要驱动因素。现阶段，人工智能(AI)已广泛应用于医学成像领域，以便于精确诊断和更好的决策，已经在诊断和预测RCC患者肿瘤分级和预后方面提供了令人鼓舞的结果。深度学习(DL)算法以原始图像为输入，利用多层变换计算输出信号，在ROC的肿瘤分类、分级和预后预测方面取得了突破。然而，深度学习放射组学分析在ccRCC生存预测中的应用仍然缺乏。

近日，发表在European Radiology杂志上的一篇研究开发并验证了用于透明细胞肾细胞癌（ccRCC）预后预测的基于CT的深度学习放射组学列线图（DLRN），并将其性能与分期、大小、分级和坏死（SSIGN）评分、加州大学洛杉矶分校综合分期系统（UISS）、纪念斯隆-凯特琳癌症中心（MSKCC）和国际转移性肾细胞数据库联盟（IMDC）进行了比较。 

本项多中心研究纳入了799 例局部（训练/测试队列，558/241例）和 45 例转移性ccRCC 患者。为预测局部ccRCC患者的无复发生存期（RFS），研究开发了一个DLRN，并为预测转移性ccRCC患者的总生存期（OS）开发了另一个DLRN。研究将这两个DLRN的性能与SSIGN、UISS、MSKCC和IMDC的性能进行了比较。通过Kaplan-Meier曲线、随时间变化的曲线下面积（time-AUC）、哈雷尔一致性指数（C-index）和决策曲线分析（DCA）评估了模型的性能。 
在测试队列中，在预测局部ccRCC患者的RFS方面，DLRN比SSIGN和UISS分别获得了更长的时间-AUC（1年、3年和5年分别为0.921、0.911和0.900）、C-指数（0.883）。与MSKCC和IMDC相比，DLRN 在预测转移性ccRCC患者的OS方面提供了更长的时间-AUC（1 年、3 年和5 年时间的AUC分别为0.594、0.649和0.754）。 

 表 DLRN、MSKCC和IMDC在预测转移性ccRCC患者OS中的作用

本项研究表明，DLRN可以准确预测ccRCC 患者的预后，并且优于现有的预后模型。因此，研究所提出的这种深度学习放射组学列线图可有助于透明细胞肾细胞癌患者的个体化治疗、监测和辅助试验设计。

原文出处：

Pei Nie,Guangjie Yang,Yanmei Wang,et al.A CT-based deep learning radiomics nomogram outperforms the existing prognostic models for outcome prediction in clear cell renal cell carcinoma: a multicenter study.DOI:10.1007/s00330-023-09869-6

Tags： European Radiology：基于CT的深度学习放射组学列线图在透明细胞肾癌患者预后预测方面的价值