基于多期相增强CT的肾细胞癌病理分级深度学习算法

摘要

目的：肾细胞癌(renal cell carcinoma,RCC)是一种肾恶性肿瘤，严重威胁患者健康，术前病理分级的准确判断对确定RCC的治疗方法具有重大意义。目前，深度学习技术已成为RCC病理分级的重要方法，但是现有方法主要基于单期相计算机断层扫描(computed tomography,CT)影像进行分析与预测，仍存在微小病灶的漏诊、评估片面性和局部聚焦等方面的不足。本研究提出一种联合多期相增强CT影像和临床变量数据的多模态深度学习算法，以期为预测RCC病理分级提供依据。方法：首先，该算法以平扫期、动脉期、静脉期和延迟期4个期相增强CT影像与临床变量为输入模块；然后，使用嵌入编码模块提取临床变量中的异构信息，采用三维ResNet50模型捕捉多期相增强CT影像数据的空间信息；最后，使用Fusion模块将临床变量的特征信息与各期相CT影像的特征信息进行深度融合，并进一步利用交叉自注意力机制实现多期相特征融合，从而更全面捕捉患者数据中的深层次语义信息，充分利用多模态、多期相数据的信息互补优势。纳入1 229例RCC患者的资料以验证该算法的有效性。结果：该算法在准确率(83.87%)、召回率(95.04%)和F1分数(82.23%)等指标上均优于传统的影像组学方法和其他深度学习算法。结论：本研究提出的算法具有较好的稳定性和敏感性，显著提升了RCC病理分级的预测能力，为RCC的精准诊断提供了新的思路和方法。

关键词

病理分级 / 深度学习 / 跨模态融合 / 肾细胞癌 / 三维ResNet