用于诊断和预测肾细胞癌患者生存的人工智能：回顾性多中心研究
摘要
背景：透明细胞肾细胞癌（ccRCC）是最常见的肾脏相关肿瘤，具有高度异质性。目前仍迫切需要新的 ccRCC 诊断和预后生物标志物。方法：我们提出了一种弱监督深度学习策略，使用来自多个中心的 1752 张全切片图像的常规组织学。我们的研究通过深度学习模型的内部交叉验证和外部验证进行了论证。结果：本研究证明了通过肾细胞癌的智能亚型分型对 ccRCC 进行自动诊断。我们的分级风险（graderisk）在识别高级别肿瘤方面，在 TCGA 队列中实现了 0.840（95% 置信区间：0.805-0.871）的曲线下面积（AUC），在 General 队列中为 0.840（0.805-0.871），在 CPTAC 队列中为 0.840（0.805-0.871）。用于预测 5 年生存状态的 OSrisk 在 TCGA 队列中实现了 0.784（0.746-0.819）的 AUC，这在独立的 General 队列和 CPTAC 队列中得到了进一步验证，AUC 分别为 0.774（0.723-0.820）和 0.702（0.632-0.765）。Cox 回归分析表明，graderisk、OSrisk、肿瘤分级和肿瘤分期被发现是独立的预后因素，这些因素被进一步整合到竞争风险列线图（CRN）中。Kaplan-Meier 生存分析进一步表明，我们的 CRN 可以显著区分高生存风险的患者，在 TCGA 队列中的风险比为 5.664（3.893-8.239，p < 0.0001），在 General 队列中为 35.740（5.889-216.900，p < 0.0001），在 CPTAC 队列中为 6.107（1.815 至 20.540，p < 0.0001）。比较分析证实，我们的 CRN 在预测生存状态方面优于当前的预后指标，具有更高的临床预后一致性指数。
引用
@article{arxiv.2301.04889,
title = {Artificial intelligence for diagnosing and predicting survival of patients with renal cell carcinoma: Retrospective multi-center study},
author = {Siteng Chen and Xiyue Wang and Jun Zhang and Liren Jiang and Ning Zhang and Feng Gao and Wei Yang and Jinxi Xiang and Sen Yang and Junhua Zheng and Xiao Han},
journal= {arXiv preprint arXiv:2301.04889},
year = {2023}
}