《Scientific Reports》：A deep learning ensemble framework for multi-subtype renal tumor classification using contrast-enhanced CT
编辑推荐：
本研究针对肾细胞癌（RCC）精准分型难题，开发了一种基于对比增强CT（CE-CT）的深度学习集成诊断系统。该研究通过多阶段分类框架，成功区分了5种肾肿瘤亚型（ccRCC/pRCC/chRCC/RO/AML），其中良恶性鉴别准确率达96.4%，首次实现五类分型的非侵入性诊断，为临床精准诊疗提供了可靠工具。
肾细胞癌作为最具侵袭性的肾脏恶性肿瘤，其早期准确分型直接关系到治疗策略选择与患者预后。然而传统活检作为金标准存在创伤性风险，而常规影像学检查对肾肿瘤亚型的鉴别诊断效能有限，特别是对具有相似影像学特征的不同亚型（如恶性肾细胞癌与良性肾血管平滑肌脂肪瘤）难以实现精准判别。这一临床痛点催生了对非侵入性精准诊断技术的迫切需求。
发表于《Scientific Reports》的这项研究开创性地构建了基于对比增强CT（CE-CT）的深度学习集成框架，首次实现五种肾肿瘤亚型的自动分类。研究团队纳入280例经病理证实肾肿瘤患者（168例恶性/112例良性），涵盖chromophobe RCC（chRCC）、papillary RCC（pRCC）、clear cell RCC（ccRCC）三种恶性亚型，以及renal oncocytoma（RO）和angiomyolipoma（AML）两种良性病变。
关键技术方法包括：1）采用多图像概率平均的卷积神经网络（CNN）特征提取策略；2）在CNN最后一层稠密层接入长短期记忆网络（LSTM）与前馈神经网络；3）并行使用一维卷积编码器结合前馈神经网络的三元集成系统。
研究结果显著：
良恶性鉴别模块实现96.4%准确率，展现卓越的临床筛查价值；
AML与RO鉴别达到100%准确率，突破传统鉴别瓶颈；
ccRCC与非ccRCC分类精度91.2%，助力优势亚型识别；
pRCC与chRCC区分精度93.8%，解决高难度鉴别难题。
该研究的突破性在于构建了首个面向五类肾肿瘤亚型的非侵入性诊断体系，其多模态集成策略有效融合了空间特征与序列依赖关系。特别值得关注的是，研究通过分阶段分类设计，将复杂多分类任务分解为系列二分类问题，显著提升模型可解释性与临床适用性。研究成果为放射组学在泌尿系统肿瘤的应用树立了新标准，为开发临床可部署的计算机辅助诊断（CAD）系统提供了关键技术支撑。
