复旦大学郭剑明/王烁团队《自然·通讯》：人工智能赋能肾癌精准诊疗

近日，复旦大学附属中山医院郭剑明教授、周建军教授团队，复旦大学数字医学研究中心王烁研究员团队，浙江大学附属第一人民医院陈峰教授团队在 《Nature Communications》在线发表题为《AI赋能CT影像分析预测肾肿物的病理性质及临床预后》（Artificial Intelligence Links CT Images to Pathologic Features and Survival Outcomes of Renal Masses）的研究论文。该研究利用人工智能（AI）技术，通过术前CT图像精准预测肾脏肿瘤的良恶性及侵袭性，为肾脏肿瘤的临床治疗决策提供了全新的科学依据。

随着CT、MRI等影像学检查的广泛应用，无症状肾肿物的检出率日益提升。然而，这一进步也带来了新的挑战：传统阅片手段在术前CT影像诊断中面临两大难题。一方面，良恶性鉴别模糊不清，部分良性肿物与恶性肿物影像特征高度相似，导致患者可能因此承受不必要的手术风险；另一方面，肾癌恶性程度评估复杂多变，需要综合考量病理类型、分级及分期，而仅凭影像资料往往难以准确判定。CT影像中蕴含着海量信息，但人眼难以悉数捕捉并准确解读。

面对这些挑战，复旦大学附属中山医院郭剑明教授和复旦大学数字医学研究中心王烁研究员牵头组建医工团队，联合国内包括复旦大学附属中山医院、浙江大学附属第一人民医院、河西医院附属张掖人民医院、连云港市第一人民医院、泉州市第一人民医院和复旦大学附属中山医院厦门医院等国内六家医院共同开展了这项前沿研究。研究纳入了来自六个中国医疗中心的4557名患者，共13261份术前CT影像数据，开发了两种多期卷积神经网络模型。

第一种模型用于预测肾脏肿瘤的良恶性，该模型在内部验证、外部验证及前瞻性  验证队列中表现出色，AUC值介于0.853至0.898之间（图一）。相较于传统的影像组学预测模型和RENAL评分预测模型，具有更高的预测准确性。此外无论是囊性肾肿物、实性肾肿物还是小肾癌亚组中，该模型都能提供可靠的诊断依据。

图一：良恶性诊断模型在不同验证队列中的诊断效能

研究团队将该模型与七名来自三甲医院的影像科医师诊断准确率进行比较，发现深度学习模型的诊断准确率要优于七名影像科医师的平均水平。在此基础上，研究团队进一步探索了人机协作的潜力，证实当影像科医师在深度学习模型的辅助下进行诊断时，他们对肾肿物良恶性的判断准确率得到了显著提升（图二）。

图二：良恶性诊断模型与影像科医师对比评估及人机协作诊断准确率评估

另一个模型则专注于识别侵袭性肾癌，同样在各个验证队列中展现了优异的性能，AUC值在0.763至0.792之间（图三）。令人瞩目的是，被该深度学习模型预测为侵袭性的肾癌患者，其生存期显著短于被预测为惰性的患者。此外，侵袭性概率的高低还被证实是患者生存结局的独立不良预后因子，其预测效能甚至超越了传统的术后病理指标，如TNM分期和WHO/ISUP核分级系统。

图三：侵袭性诊断模型在不同验证队列中的诊断效能

通过这项研究，科研团队成功展示了AI技术在肾癌CT影像诊断领域的巨大潜力。借助AI技术，医生们能够更准确地识别肾肿物的良恶性及恶性程度，从而为患者制定更加个性化的治疗方案。这不仅有助于避免不必要的手术风险，还能提高患者的预后和生活质量，标志着AI技术在肾脏肿瘤精准诊断领域的重大突破。该研究受到国内外同行的广泛认可，荣获第39届欧洲泌尿外科年会肾癌领域最佳摘要，及第二届中国计算机学会数字医学大会海报竞赛二等奖。

复旦大学附属中山医院泌尿外科熊鹰医师、白奇医师，浙江大学附属第一人民医院尧林鹏医师，复旦大学附属中山医院厦门医院林敬莱医师和河西学院附属张掖人民医院姚家喜医师为本文的共同第一作者；复旦大学附属中山医院郭剑明教授、周建军教授、戴晨辰医师，复旦大学数字医学研究中心王烁研究员，浙江大学附属第一人民医院陈峰教授为本文的共同通讯作者。该课题得到了国家自然科学基金的资助。

原文链接：

https://www.nature.com/articles/s41467-025-56784-z