深度解析医学证据，DeepEvidence为你支撑决策

背景介绍

肾细胞癌约占所有恶性肿瘤的2%-3%，对于非转移性肾细胞癌，手术是主要根治性治疗手段。在技术可行的情况下，部分肾切除术是治疗局限性肾肿瘤的参考标准，因为它能更好地保留肾功能。然而，对于高复杂度的肿瘤，根治性肾切除术更为常见。根据美国监测、流行病学和最终结果数据库2018-2022年的数据，接受根治性肾切除术的患者中肿瘤中位大小为5.5 cm，其中23.7%为T1a期、27.6%为T1b期，提示相当一部分根治性肾切除术患者本可能是保肾手术的候选者。在临床实践中，对于复杂肾肿瘤（R.E.N.A.L.评分7-9分），是否可行部分肾切除术很大程度上取决于外科医生的经验。更重要的是，约80%的患者在术后第一年内会经历肾功能下降，其中一定比例的患者在达到新的基线肾功能后会发展为进行性慢性肾脏病。快速肾小球滤过率下降（年下降>3 mL/min/1.73 m²）是一种异常的肾功能状态，与终末期肾病和心血管事件风险增加密切相关。因此，术前准确预测根治性肾切除术后快速肾小球滤过率下降的风险，对于指导复杂肾细胞癌患者的治疗决策至关重要。

研究思路

针对上述挑战，中山大学肿瘤防治中心张志凌教授、天津医科大学肿瘤医院姚欣教授、香港科技大学罗文寒教授及北京大学第三医院张树栋教授团队提出了一种多模态深度学习模型（RDPM），用于预测根治性肾切除术后快速肾小球滤过率下降。研究团队回顾性分析了来自15个中心1621例患者的增强CT影像及临床数据。模型采用三重输入3D ResNet-50主干网络，同时处理完整CT图像、分割的肾实质和周围背景，并结合多头注意力机制融合影像特征与五个关键临床变量（年龄、肿瘤直径、糖尿病、高血压、术前估算肾小球滤过率）。在内部测试集和三个外部测试集中，模型曲线下面积分别达到0.864、0.873、0.814和0.788，显著优于单一模态模型。模型将患者分为高风险和低风险组，两组在慢性肾脏病3b期和4期的发生率及组织学慢性肾脏病评分上均有显著差异。该模型有望辅助临床决策，对于部分肾切除术具有挑战性但仍可行的复杂肾细胞癌患者，提供精准的风险评估。相关内容以“Multimodal deep learning model for AI-based functional prognostic risk stratification in patients undergoing radical nephrectomy”发表在Nature Communications。

图片解析

图1. 纳入患者的流程图： 从15家医院共纳入2365例潜在符合条件的患者，排除无术前一个月内增强CT、CT数据质量差或未完全覆盖对侧肾脏、术后两年内接受系统治疗、马蹄肾、对侧部分肾切除术史、术前5期慢性肾脏病或术后需透析的患者后，最终1621例患者纳入分析。来自12家医院的患者按4:1随机分为训练集（1039例）和内部测试集（260例），另外三家医院的患者作为外部测试集（322例）。

图2. RDPM流程图： (A) 肾脏分割与处理工作流程：CT图像经UNesT模型自动分割对侧肾脏皮质和髓质，经规则后处理保留最大连续区域，并由经验丰富的泌尿肿瘤科医生手动审核调整。(B) RDPM架构：模型采用双流架构，影像流通过视觉注意力模块生成语义特征作为“查询”，临床数据流将五个临床变量编码为“键”和“值”，通过多头注意力机制融合，最终预测快速肾小球滤过率下降风险。

图3. RDPM预测性能评估： (A) 代表性原始动脉期CT图像、自动分割及掩膜处理后的对侧肾脏、以及稳定肾功能和快速肾小球滤过率下降两个案例的类激活热图，红色区域表示对模型决策最重要的区域。(B-E) 不同模型在内部测试集(B)和三个外部测试集（医院13(C)、医院14(D)、医院15(E)）中预测快速肾小球滤过率下降的ROC曲线，RDPM曲线下面积分别为0.864、0.873、0.788、0.814，均优于其他模型。(F) 校准曲线显示RDPM预测概率与观察频率高度一致。(G) 决策曲线分析显示RDPM在临床相关风险阈值范围内提供最高的净收益。(H-J) 雷达图展示不同模型在所有测试集(H)、内部测试集(I)和外部测试集(J)中的敏感性、特异性、准确性、精确率和F1分数，RDPM表现最均衡。

图4. 3b期和4期慢性肾脏病发生率分析： (A-C) RDPM定义的高风险组与低风险组之间3b期慢性肾脏病（eGFR<45 mL/min/1.73 m²）发生率的Kaplan-Meier曲线，在训练集(A)、内部测试集(B)和外部测试集(C)中高风险组风险比均显著高于低风险组。(D-F) 4期慢性肾脏病（eGFR<30 mL/min/1.73 m²）发生率的Kaplan-Meier曲线，同样在训练集(D)、内部测试集(E)和外部测试集(F)中高风险组风险显著更高。(G-I) RDPM在训练集(G)、内部测试集(H)和外部测试集(I)中对快速肾小球滤过率下降预测的混淆矩阵，用于定义高风险和低风险患者。

图5. RDPM与组织学慢性肾脏病评分的关联： (A) 高风险和低风险患者非肿瘤性肾实质的代表性H&E染色图像，黑色比例尺100 μm。(B-E) 小提琴图显示所有患者(B)、训练集(C)、内部测试集(D)和外部测试集(E)中，高风险组总慢性肾脏病评分均显著高于低风险组（Mann-Whitney U检验，p<0.0001至p<0.05）。(F-I) 所有患者中，高风险组在肾小球评分(F)、肾小管评分(G)、间质评分(H)和血管评分(I)上均显著高于低风险组（均p<0.001）。

结论

本研究开发了一种基于深度学习的多模态预测模型RDPM，利用术前CT影像和临床数据预测肾细胞癌患者根治性肾切除术后快速肾小球滤过率下降风险。该模型整合了三维CT影像特征与五个关键临床变量，采用三重输入3D卷积神经网络和多头注意力机制，在内部和外部多个测试集中均表现出优越的预测性能（AUC 0.788-0.873），显著优于单一模态模型。模型定义的高风险组与低风险组在慢性肾脏病3b期和4期发生率以及组织学慢性肾脏病评分上均有显著差异，验证了模型的预后价值。该模型对于部分肾切除术具有挑战性但仍可行的复杂肾细胞癌患者，可辅助临床治疗决策：对于预测为高风险的患者，建议新辅助治疗后尝试部分肾切除术；对于预测为低风险的患者，选择根治性肾切除术可在保证肾功能的同时降低手术并发症风险。该研究为肾癌术后肾功能预后评估提供了精准的智能化工具。

原文链接：

https://doi.org/10.1038/s41467-026-73813-7