《Scientific Reports》：Predicting aggressiveness of clear cell renal cell carcinoma via mri using artificial intelligence: implications for surgical planning in a retrospective multicenter study
编辑推荐：
肾透明细胞癌(ccRCC)的侵袭性评估依赖术后病理，无法指导术前决策。本研究开发了基于Vision Transformer的AI模型，利用术前磁共振成像(MRI)的T2WI、DWI、ADC序列，准确预测ccRCC分级。模型在内外验证中ROC AUC分别达0.786和0.935，性能超越传统R.E.N.A.L.评分，为临床医生在肾部分切除术与根治性肾切除术之间做出精准决策提供了有力工具，有望改善患者预后。
肾透明细胞癌是成人最常见的肾癌亚型，其治疗核心是手术。但外科医生在术前常常面临一个关键抉择：是采取创伤更小、保留肾功能的肾部分切除术，还是进行更彻底的根治性肾切除术？这个抉择高度依赖于肿瘤的侵袭性强弱，侵袭性高的肿瘤复发风险大，可能更适合根治性切除。然而，目前的“金标准”——肿瘤分级，只能在手术切下标本进行病理分析后才能获得。这种“事后诸葛亮”的局面，让医生在制定手术方案时缺少了关键的决策依据，可能导致治疗不足或过度治疗。那么，能否在手术前，就透过无创的影像“窗口”，窥见肿瘤内在的恶性本质呢？
为了回答这个问题，一个由中国多中心团队开展的研究探索了人工智能的可能性。他们旨在开发一种基于术前磁共振成像(MRI)的人工智能模型，以实现对肾透明细胞癌侵袭性的精准预测，从而为个性化手术规划铺平道路。这项研究最终发表在《Scientific Reports》期刊上。
研究者开展这项研究主要依托以下关键技术方法：本研究为一项回顾性多中心研究，纳入了中国三个医疗中心2018年5月至2025年3月期间共332例肾透明细胞癌患者的术前MRI图像。所有图像均包含轴位T2加权成像(T2WI)、弥散加权成像(DWI)和表观弥散系数(ADC)图。研究采用了Vision Transformer (ViT)架构，构建了基础模型和分类模型。在技术路线上，研究人员首先利用153例无病灶标注的MRI数据对基础模型进行预训练，以学习通用的影像特征。随后，使用包含精确病灶位置和术后病理结果的96例数据进行模型训练与内部验证（采用交叉验证法）。最后，使用来自另外两个中心的39例独立数据作为外部验证集，以评估模型的泛化能力。模型的性能通过受试者工作特征曲线下面积(ROC AUC)、精确率-召回率曲线下面积(PR AUC)、灵敏度、特异性等指标进行评估，并与基于R.E.N.A.L.肾测量评分的列线图模型进行了比较。
研究结果
AI模型在内部验证中表现出稳健的预测性能
在内部验证中，基于Vision Transformer的人工智能模型展现出了区分高低级别肾透明细胞癌的能力。其ROC AUC达到0.786，PR AUC为0.749。这意味着模型在综合判别性能上表现良好。具体到临床关注的指标上，该模型预测高级别肾透明细胞癌的灵敏度为71.4%，特异性为70.5%，表明其能够较为准确地识别出侵袭性强的肿瘤，同时避免对多数低侵袭性肿瘤的误判。
AI模型在外部验证中展现出优异的泛化能力
为了检验模型在不同医疗机构、不同扫描设备间的适用性，研究团队使用了独立的39例外部数据进行验证。结果显示，模型的性能不仅没有下降，反而有显著提升，ROC AUC达到了出色的0.935。这一结果强有力地证明了该AI模型具有良好的泛化性和临床推广潜力，其学到的影像特征在不同来源的数据中依然稳定有效。
AI模型性能显著优于传统R.E.N.A.L.评分方法
研究将AI模型的表现与临床上常用的、基于R.E.N.A.L.肾测量评分的列线图预测工具进行了头对头比较。无论是在内部验证集还是外部验证集上，AI模型的ROC AUC和PR AUC均全面超越传统方法。具体而言，在内部验证中，AI模型的ROC AUC (0.786) 高于R.E.N.A.L.评分的0.691；在外部验证中，优势更为明显(0.935 vs. 0.796)。在衡量模型在正例（高级别肿瘤）中识别能力的PR AUC指标上，AI模型也远胜于R.E.N.A.L.评分(内部: 0.749 vs. 0.532；外部: 模型PR AUC更高，对比0.527)。这表明，深度学习模型能够从MRI图像中挖掘出远超传统解剖学尺寸评分的、与肿瘤生物学行为深层关联的影像组学特征。
AI模型提供可解释的输出以辅助手术决策
除了给出预测概率，该AI模型还能生成与手术决策逻辑相契合的可解释性输出。例如，模型可以高亮显示图像中对预测贡献最大的区域，这些区域往往与肿瘤的实性成分、坏死或浸润特征相关。这种可视化的“注意力图”能够帮助临床医生理解模型的判断依据，增加其对AI建议的信任度，从而更有效地支持在肾部分切除术与根治性肾切除术之间做出选择。
研究结论与意义
该研究成功开发并验证了一个基于术前多参数MRI和Vision Transformer架构的人工智能预测模型。该模型能够非侵入性地、在手术前准确预测肾透明细胞癌的侵袭性（分级），其性能稳定且在多中心外部验证中表现优异，显著优于现有的R.E.N.A.L.评分方法。
这项研究的结论具有重要意义。首先，它为解决肾透明细胞癌术前精准分期的临床难题提供了一种强有力的新工具。通过将病理评估从“术后”提前到“术前”，该模型有望彻底改变现有的手术决策流程，使治疗更加个性化。外科医生可以依据模型的预测结果，更自信地为低侵袭性肿瘤患者选择保留肾单位的肾部分切除术，以最大化保护肾功能；同时，对高侵袭性肿瘤患者则考虑更彻底的根治性切除术，以降低复发风险。这直接呼应了精准外科的理念。其次，研究证明了基于Vision Transformer的AI模型在医学影像分析，特别是肿瘤异质性和生物学行为预测方面的巨大潜力。模型所提取的深层影像特征超越了人眼识别和传统评分系统的范畴，揭示了影像特征与肿瘤微观生物学特性之间的隐藏关联。最后，模型提供的可解释性输出架起了人工智能与临床医生之间的信任桥梁，促进了AI辅助决策工具在真实临床场景中的落地与应用。总而言之，这项研究为将人工智能深度整合到肾癌术前工作流程、优化治疗策略、最终改善患者预后开辟了一条切实可行的道路。
