经过严格验证和测试，这个自动化手术决策框架在预测RCC患者手术决策方面表现出色。医生可以根据患者的个体情况更精确地确定手术的决策，提高手术的成功率和患者的康复效果。
肾细胞癌（RCC）是最常见的肾癌类型，占所有肾癌的90%，在西方国家发病率最高。手术切除是RCC患者的首要治疗方案，其通常包括部分肾切除术（PN）和根治性肾切除术（RN）。CT是评估肾癌手术情况不可或缺的工具，可以评估血管、肾脏和肿瘤解剖学，并为术前规划提供依据。然而，传统的手术决策过程通常依赖于医生的经验和直觉，存在主观性和不确定性。因此，研发一种可靠且科学的辅助决策工具对提高手术准确性和患者治疗效果至关重要。
近年来，人工智能（AI）算法在RCC的CT图像分析中显示出良好的预测性能，特别是人工智能算法通过CT图像预测RCC的病理T分期（p–T）和病理核分级（p-G）已经得到大部分研究的验证。然而，现有研究大部分存在一些限制，包括依赖专家手动标注感兴趣区域（ROI）和难以解释的“黑匣子”特性等，这限制了AI模型在临床实践中的应用。
为了解决以上问题，深圳大学吴松教授团队进行了一项研究。他们旨在将放射组学特征、p–T和p-G深度学习特征以及整个ROI矩阵的降维特征融合，形成多尺度解剖特征。这些特征将被用于构建自动化预测RCC患者PN或RN的手术决策框架。
该研究成果以：An automated surgical decision-making framework for partial or radical nephrectomy based on 3D-CT multi-level anatomical features in renal cell carcinoma 为题，于近日发表在了 European Radiology 期刊。外科学在读硕士杨焕程为论文第一作者，吴松教授为论文通讯作者。
该研究共有473名经病理证实的RCC患者被分为内部训练集和外部测试集。训练集包括来自五个开源队列和两家地方医院的412例病例（中山大学肿瘤防治中心和中山大学附属第八医院）。外部测试集包括来自深圳大学第三附属医院的61名RCC患者。所提出的自动分析框架包括以下模块（图一）：由3D-UNet深度学习算法构建的3D肾脏和肿瘤自动化语义分割模型，基于无监督学习的多尺度特征提取器，以及基于XGBoost算法的PN或者RN预测分类器。该研究通过采用五折交叉验证策略得到稳健的模型，使用一种名为Shapley Additive Explanations（SHAP）的定量模型解释方法，探索每个特征的贡献。
图表1：基于3D-CT多尺度解剖特征的肾细胞癌部分切除或全切除手术决策框架。顶部使用3D-UNet模型来识别和分割病变，并从多尺度提取图像特征用于预测和分类（底部）
图表2：多尺度特征提取的分析和结果以及所提出的特征预测模型的性能。a、b 不同特征提取解决方案的准确率和AUROC。c 内部验证集中通过五折交叉验证得出的手术方法预测模型的AUROC。d 外部测试集中通过五折交叉验证得出的手术方法预测模型的AUROC。e 内部验证集中手术方法预测模型的AUROC。f 外部测试集中手术方法预测模型的AUROC
图表3：SHAP值在机器学习分类解释中的排名。a、b 柱状图和蜜蜂图显示了手术方法预测模型训练集的SHapley Additive exPlanations (SHAP)值
结果表明，在预测PN和RN时，多尺度解剖特征的结合表现出更优异的性能，胜过任何单一尺度的特征（图2a-b）。经过内部验证，通过五折交叉验证确定的平均AUROC分别为0.93 ± 0.1、0.94 ± 0.1、0.93 ± 0.1、0.93 ± 0.1和0.93 ± 0.1（图2c-d）。在外部测试集中，最佳模型的AUROC为0.82 ± 0.1（图f）。由SHAP算法分析可知肿瘤形状的最大3D直径在模型决策中起到关键作用，这与大多数肾癌手术评分系统中的主要参考特征一致。
综上所述，经过严格验证和测试，这个自动化手术决策框架在预测RCC患者手术决策方面表现出色。医生可以根据患者的个体情况更精确地确定手术的决策，提高手术的成功率和患者的康复效果。此外，研究团队通过计算单一特征的SHAP值对模型的决策过程进行了解释，增加了模型的可解释性。这为医生和患者提供了更多关于手术决策的信息，增强了医疗团队的信心和患者的安全感。通过多中心的数据收集和相对较大的样本量，该研究进一步提高了模型的泛化能力，使其适用于不同医疗机构和患者群体。这项研究的成果为肾癌手术的个体化治疗和精准医学提供了有力的支持。
总之，基于3D-CT多尺度解剖特征的自动化手术决策框架在RCC患者的PN和RN预测任务上展现出稳健的性能。该框架为通过医学图像和人工智能技术指导临床手术的方法指明了方向。
