《npj Precision Oncology》：Noninvasive prediction of occult pT3a upstaging in localized ccRCC with radiogenomic insights and prognostic relevance
编辑推荐：
本研究针对cT1b-T2a期肾透明细胞癌(ccRCC)术前难以预测隐匿性pT3a分期升级的临床难题，开发了基于增强CT的3D深度学习框架RENALNet。通过多中心1661例患者验证，该模型显著提升诊断准确性，风险评分与Ki-67增殖指数显著相关，转录组分析揭示其与上皮-间质转化(EMT)等肿瘤侵袭性通路关联，为精准外科决策提供生物学依据。
在泌尿系统肿瘤领域，肾透明细胞癌(clear cell renal cell carcinoma, ccRCC)作为最常见的肾脏恶性肿瘤，其治疗策略高度依赖准确的术前分期。临床实践中，约20%的术前评估为局限性(cT1b-T2a)的ccRCC患者，术后病理会意外发现隐匿性肾周脂肪浸润，即pT3a分期升级。这种"隐匿升级"现象不仅预示着更差的预后，更直接关系到手术方案的选择——是采取保留肾单位的部分切除术，还是需要进行更彻底的根治性肾切除术。然而，传统影像学检查对这类微浸润的识别能力有限，使得临床医生面临"手术决策盲区"的困境。
为解决这一临床痛点，研究团队将目光投向蓬勃发展的影像基因组学领域。这项发表于《npj Precision Oncology》的研究，创新性地构建了名为RENALNet的3D深度学习框架，试图通过增强CT影像特征挖掘肿瘤的生物学本质，实现术前精准预测。该研究联合五大医疗中心的1661例患者数据，并引入国际公开数据集KiTS23进行外部验证，确保了结论的普适性。
关键技术方法包括：基于肾造影期CT扫描的3D卷积神经网络架构开发；采用Grad-CAM可视化技术聚焦解剖学关键区域；通过免疫组化检测Ki-67增殖指数验证模型生物学意义；利用转录组学分析高风险组的基因表达特征；采用Cox回归模型评估5年无进展生存期的分层能力。
模型构建与验证
研究团队开发了专门处理肾脏CT影像的RENALNet架构，该网络能够自动学习肿瘤的深度特征。在内部验证集中，模型曲线下面积(AUC)达0.86，显著优于传统放射组学模型(AUC=0.79)。当与不同年资放射科医生联合诊断时，诊断准确率进一步提升约12%，显示出良好的临床协同效应。
可视化解释性分析
通过Grad-CAM热力图可视化，研究发现模型重点关注区域与外科医生关注的肾周脂肪间隙、集合系统等解剖部位高度重合。这种可解释性验证了模型决策的临床合理性，打消了"黑箱模型"的疑虑。
生物学验证
为探究风险评分的生物学基础，研究团队检测了肿瘤组织的Ki-67增殖指数。结果显示，RENALNet高风险组Ki-67标记指数显著高于低风险组(18.3% vs 6.7%，P<0.001)，证实该评分与肿瘤增殖活性密切相关。
预后分层价值
生存分析显示，基于模型风险评分划分的高低风险组，5年无进展生存率存在显著差异(高风险组62.3% vs 低风险组91.5%，P<0.001)。多因素Cox回归证实风险评分是独立预后因素(HR=3.21，P=0.003)。
基因组学机制探索
转录组分析揭示，高风险组基因特征富集于上皮-间质转化(epithelial-mesenchymal transition, EMT)、IL6-JAK-STAT3信号通路和PI3K-Akt信号通路。这些通路与肿瘤侵袭、转移密切相关，从分子层面解释了模型预测能力的生物学基础。
该研究通过多维度验证证实，RENALNet不仅是个高精度的预测工具，更是连接影像表型与基因组学的桥梁。其创新性在于将深度学习从单纯的图像识别提升到生物学机制解读的高度，为精准肿瘤学提供了新范式。临床实践中，该模型有望辅助医生制定个体化手术方案，避免过度治疗或治疗不足。未来，随着更多中心数据的纳入和前瞻性临床试验的开展，这种影像基因组学驱动的方法或将成为肾脏肿瘤精准诊疗的新标准。
