患者纳入与数据采集
构建多中心回顾性队列，收集临床和影像数据
从6个学术医疗中心回顾性纳入1370例膀胱癌患者，包括训练队列（827例）、内部验证队列（209例）和外部多中心验证队列（334例，其中包含TCGA-BLCA队列）。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于增强CT深度学习影像组学的膀胱癌肌层浸润及生存预后无创评估：一项多中心真实世界队列研究
Non-invasive evaluation of muscle invasion and survival prognosis in bladder cancer using enhanced CT-based deep learning radiomics: a multi-center real-world cohort study
实验完整度
高研究包含多中心回顾性队列（1370例）、内部和外部验证、前瞻性人机交互实验；并通过Cox回归、SHAP分析等进行了功能验证和机制解释。
主要模型
膀胱癌患者（多中心队列，n=1370） TCGA-BLCA影像数据集队列 前瞻性验证队列（100例患者，来自湘雅医院）
重点核对
训练队列、内部验证队列、外部多中心验证队列的样本量分别为827、209、334例 CT图像重构分辨率（512x512或512x288），HU范围-75至175，超分辨率重建至2048x2048 ROI由2名放射科医生和1名高级泌尿科医生共同勾画 DLRN评分截止值0.283用于风险分层 多变量Cox回归纳入年龄、性别、肿瘤大小、T分期、手术方式、病理分级、肾积水、淋巴结状态
摘要
背景：膀胱癌（BLCA）是一种常见恶性肿瘤，具有高复发率和不良预后的特点，尤其是肌层浸润性膀胱癌（MIBC）。组织病理学作为评估肌层浸润的金标准，常存在取样误差和操作者依赖性，凸显了对无创、准确的术前评估方法的需求。本研究旨在开发并验证一种基于CT影像组学和深度学习（DL）的混合人工智能（AI）模型，用于术前预测BLCA患者的MIBC和总生存期（OS）。方法：回顾性纳入来自6个学术医疗中心的1370例患者。分析术前增强CT扫描，使用PyRadiomics提取手工影像组学特征，使用ResNet101提取DL特征，随后进行基于机器学习（ML）的建模预测。构建结合影像组学和DL特征的混合模型，并在内部和外部队列中进行验证。使用曲线下面积（AUC）和Cox比例风险分析等指标评估模型性能，用于OS预测。结果：DL影像组学列线图（DLRN）模型展示了优越的诊断性能，在内部验证队列中预测肌层浸润的AUC为0.807，在外部多中心验证队列中为0.783。DLRN生成影像衍生的风险评分（DLRN评分），随后将其作为协变量连同临床病理变量纳入多变量Cox比例风险模型以评估OS。通过这种方法，患者被有效分为OS的高风险组和低风险组，在不同临床环境中显示出稳健的泛化能力。AI辅助诊断显著提高了泌尿科医生的敏感性和准确性，尤其是在经验较少的临床医生中。结论：DLRN模型为BLCA术前评估肌层浸润和预后提供了一种可靠、无创的工具。它解决了组织病理学的局限性，为个体化治疗策略提供了有价值的见解，为真实世界临床应用中的精准肿瘤学铺平了道路。关键词：膀胱癌（BLCA），深度学习（DL），多中心研究，人工智能（AI），影像组学
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否利用增强CT影像组学和深度学习特征构建混合模型，术前无创预测膀胱癌肌层浸润并评估生存预后？
- 核心机制
- DLRN模型结合手工影像组学特征与ResNet101提取的深度学习特征，捕捉与肌层浸润相关的形态和纹理信息，通过影像组学特征反映肿瘤异质性，深度学习特征提供深层语义信息，两者互补增强预测能力。
- 主要证据
- 基于1370例多中心患者（训练n=827，内部验证n=209，外部验证n=334）的回顾性分析，DLRN在内部验证中AUC=0.807，外部验证中AUC=0.783；生存分析中高风险组OS显著更差；SHAP分析和Grad-CAM热图显示模型关注肿瘤基底区域。
- 研究意义
- 作者提出该模型可作为传统组织病理学的补充，提供无创的术前评估工具，有助于个体化治疗决策；并提示该方法可推广至其他肿瘤类型，具有转化应用潜力。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
影像预处理与ROI勾画
标准化CT图像并定义肿瘤感兴趣区域
使用ITK-SNAP软件由2名放射科医生和1名高级泌尿科医生共同勾画膀胱肿瘤ROI，并通过GAN超分辨率重建将图像分辨率从512×512提升至2048×2048。
模型构建与特征选择
开发结合影像组学和深度学习的混合模型
使用PyRadiomics提取1834个手工影像组学特征，通过ICC、t检验、Pearson相关、LASSO等筛选；使用ResNet101提取2048个DL特征，通过DCA降维至8个维度，进一步筛选后构建DLRN模型。
模型性能验证
评估DLRN预测肌层浸润的能力
在内部验证和外部多中心验证队列中评估模型AUC、敏感性和特异性，并与单独的影像组学模型、DL模型和临床模型进行比较。
生存分析
评估DLRN评分对总生存期的预测价值
将DLRN评分作为协变量与临床病理变量结合，构建多变量Cox比例风险模型和列线图，将患者分为高风险和低风险组，绘制Kaplan-Meier生存曲线。
人机交互实验
评估AI辅助诊断对临床医生诊断效能的影响
招募6名泌尿科医生（3名初级，3名高级）和6名放射科医生（3名初级，3名高级），采用交叉设计，先独立阅片，再在AI辅助下重新诊断。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 图像分割 | ITK-SNAP | -- | version |
| 影像组学特征提取 | PyRadiomics | -- | version |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者纳入 | 纳入标准：经TURBT或RC组织学确诊；排除标准：其他同步恶性肿瘤、CT无法识别原发肿瘤；各队列样本量和入组时间 阅读提示：Methods 2.1节，图1 |
| CT图像采集与处理 | CT扫描协议（各中心详情见补充材料表S1）；窗口水平-75至175 HU；重采样分辨率512×512；超分辨率至2048×2048 阅读提示：Methods 2.2节，图2，补充材料表S1 |
| ROI勾画 | 勾画者资格和经验；是否达成共识；多发性肿瘤使用最大病灶的3D体积 阅读提示：Methods 2.2节 |
| 特征提取与选择 | 影像组学特征提取工具版本（PyRadiomics 2.1.2）；特征筛选方法具体参数（ICC阈值、t检验P值、LASSO参数）；DL特征提取网络（ResNet101）及平均池化层；DCA降维至8维；最终特征组合 阅读提示：Methods 2.3节，图2，补充材料图S2-S4 |
| 模型构建 | ML算法选择（XGBoost）；DL模型选择（ResNet101）；训练集与验证集划分（7:3）；超参数设置（见补充材料表S2、S3） 阅读提示：Methods 2.3节，图2，补充材料表S2、S3 |
| 肌层浸润预测性能评估 | 主要结局定义（病理确认的肌层浸润）；评估指标（AUC、敏感性、特异性等）；内部验证和外部验证的AUC目标值 阅读提示：Methods 2.6节，Results 3.4节，图4c，补充材料表S4 |
| 生存分析 | 次要结局定义（OS从手术到任何原因死亡或末次随访）；DLRN评分截止值0.283；纳入Cox模型的临床病理变量；C-index计算 阅读提示：Methods 2.6节，Results 3.4节，图4d, e，补充材料图S8-S9 |
| 人机交互实验 | 观察者数量（6名泌尿科医生、6名放射科医生）和经验水平；交叉设计细节（盲法、随机化）；AI辅助内容（风险评分和热图）；评估指标 阅读提示：Methods 2.5节，Results 3.5节，图5，补充材料图S10 |