Ein CT-BASIERTES Deep-Learning-Modell zur Vorhersage pathologischer WHO/ISUP-Grade von klarzelligem Nierenzellkarzinom (ccRCC): Eine multizentrische Kohortenstudie

Diese Studie zielt darauf ab, ein effektives Deep-Learning-Modell zu etablieren, um relevante Informationen über Nierentumoren und Nieren aus Computertomographiebildern (CT) zu extrahieren und den pathologischen Grad des klarzelligen Nierenzellkarzinoms (ccRCC) vorherzusagen.

Retrospektive Daten wurden von 483 ccRCC-Patienten in drei medizinischen Zentren gesammelt. CT-Bilder der arteriellen Phase und der portalvenösen Phase aus dem Datensatz wurden nach Nierentumoren und Nieren segmentiert. Drei Faltungs-Neuronale Netze (CNNs) wurden eingesetzt, um Merkmale aus den Regionen von Interesse (ROI) in den CT-Bildern in mehreren Dimensionen, einschließlich 3D, 2,5D und 2D, zu extrahieren. Für die Merkmalsauswahl wurde die Regression der geringsten absoluten Schrumpfung und Auswahl (LASSO) verwendet. Die Modelle wurden mithilfe von ROC-Kurven (Receiver Operating Characteristic) und einer Entscheidungskurvenanalyse (DCA) bewertet.