Een op CT gebaseerd diepgaand leermodel voor het voorspellen van WHO/ISUP-pathologische graden van heldercellig niercelcarcinoom (ccRCC): een multicenter cohortonderzoek

Deze studie heeft tot doel een effectief deep learning-model op te zetten om relevante informatie over niertumoren en nieren uit computertomografie (CT)-beelden te extraheren en de pathologische graden van heldercellig niercelcarcinoom (ccRCC) te voorspellen.

Retrospectieve gegevens werden verzameld van 483 ccRCC-patiënten in drie medische centra. CT-beelden van de arteriële fase en de poortveneuze fase uit de dataset werden gesegmenteerd voor niertumoren en nieren. Er werden drie convolutionele neurale netwerken (CNN's) gebruikt om kenmerken uit de interessegebieden (ROI) in de CT-beelden te extraheren in meerdere dimensies, waaronder 3D, 2,5D en 2D. Voor de selectie van kenmerken werd de minst absolute krimp en selectie (LASSO)-regressie gebruikt. De modellen werden geëvalueerd met behulp van ROC-curven (Receiver Operating Characteristic) en Decision Curve Analysis (DCA).