伴随人口老龄化加剧,我国癌症发病率也在逐年上升,其中肾癌新发病例在2022年已经达到了 77,410BAY 73-4506抑制剂例。透明细胞肾癌(clear cell Renal Cell Carcinoma,ccRCC)是肾癌最主要的亚型(约占75%以上),其主要的预后评估标准是病理核分级。针对ccRCC肿瘤的术前病理核分级评估是提高肾癌早期筛查率和改善患者预后的关键因素。基于人工智能技术的医学影像分析能够定量描述肿瘤内部异质性,为ccRCC的早期非侵入性辅助诊断提供了解决方案。而当前基于增强CT影像的ccRCC术前非侵入性核分级辅助诊断在临床应用中还有以下困难:由于多期扫描得到的增强CT图像繁多,对于诊断核分级可能存在信息冗余,导致辅助临床诊断效率低下,而特定核分级的ccRCC肿瘤和病变组织在不同增强时期的图像中可能会有特定的增强。本论文通过构建基于影像组学和深度wound disinfection学习的ccRCC核分级分类模型,比较了多相增强 CT 的皮质髓质期(Corticomedullary Phase,CMP)、肾造影期(Nephrographic Phase,NP)和排泄期(Excretory Phase,EP)三个时期诊断核分级的模型性能,分析了不同核分级在三个增强时期中影像学特征的差异性,得到了诊断核分级的最佳增强时期为NP。论文主要完成的工作如下:(1)基于增强CT的三个时期分别构建了 ccRCC病理核分级影像组学诊断模型,且模型在NP中能更好地实现对核分级的术前诊断。通过对CMP、NP和EP进行影像组学特征提取和模型训练,筛选出了特定于三个增强时期在诊断核分级时的最优特征子集,能够有效指导临床对多期扫描图像进行筛选;同时基于NP构建的模型在区分ccRCC病理核分级时具有较好的稳健性和泛化能力(SVM:AUC=0.82±0.05,RF:AUC=0.82±0.05,XGBoost:AUC=0.81±0.04)。(2)构建了三个时期的ccRCC病理核分级深度学习诊断模型,并开展了迁移学习优化训练,最终基于NP的迁移学习模型得到了最好的分类性能,且较影像组学模型表现更加出色。通过对CMP、NP和EP构建的深度学习核分级分类模型进行随机初始化训练和迁移学习优化训练,得到了分类性能最佳的模型为基于NP的ResNet18迁移学习模型(AUC=0.87),该模型在诊断核分级中取得了比影像组学更出色的性能,具备临床辅助诊断价值。综上所述,本论文提出了术前非侵入性评估ccRCC核分级的最佳增强时期为肾造影期(NPwww.selleck.cn/products/wnt-c59-c59),且基于NP的迁移学习模型能更有效地评估病理核分级,为临床提供了可靠的术前核分级辅助诊断工具。