INVEST RADIO：深度学习算法，实现在CT图像上小肾癌的全自动检测！

肾细胞癌（RCC）约占全球癌症诊断的2%，其中大多数RCC病例是在接受腹部计算机断层扫描（CT）检查的无症状者中偶然发现的。

根治性肾切除术是RCC最常见的治疗方法，然而对于患有慢性肾脏疾病和心血管疾病的患者来说应慎重选择。因此，从更好的肿瘤学结果和保留肾功能的角度来看，包括腹腔镜肾切除术和机器人辅助肾切除术在内的肾部分切除术（PN）已成为T1a期（直径≤4厘米）RCC的标准治疗方法。与其他更晚期的RCC相比，T1a期的RCC更经常选择肾部分切除术。此外，射频消融或冷冻消融等局部治疗是小RCC（≤3厘米）患者的重要术式选择之一。

近年来，基于如卷积神经网络（CNN）等深度学习算法已被开发并评估用于各种器官的肿瘤检测。一些研究报告了使用对比增强CT（CECT）图像对肾脏肿块进行自动分割和检测的可行性。

近日，发表在INVEST RADIO杂志的一项研究开发并评估了一种利用CECT检查数据全自动检测小RCC（≤4厘米）的深度学习算法，为临床术前准确、快速的评估RCC提供来了技术支持。

本研究回顾性地选择了2005年1月至2020年5月期间日本医学图像数据库中7个中心的经组织学证实的单一RCC患者的增强CT图像，每位患者的肿瘤直径均在4厘米或以下。来自6个中心的总共453名患者被选为数据集A，来自1个中心的132名患者被选为数据集B。数据集A被用于训练和内部验证。数据集B仅用于外部验证。使用了多期CT的肾相图像或单期强化后CT图像。本研究的算法包括2个步骤的分割模型，肾脏分割和肿瘤分割。对于数据集A的内部验证，采用了10倍的交叉验证。对于外部验证，用数据集A训练的模型在数据集B上进行了测试。 

数据集A和数据集B中RCCs的平均±SD直径分别为2.67±0.77厘米和2.64±0.78厘米。本研究的算法在数据集A中的准确性、敏感性和特异性分别为88.3%、84.3%和92.3%，在数据集B中的准确性、敏感性和特异性分别为87.5%、84.8%和90.2%，算法在数据集A和数据集B的AUC分别为0.930和0.933。 

图 使用本研究提出的算法检测RCC的真阳性示例。蓝色区域表示人工分割和肿瘤分割模型的注释区域。(a) 透明细胞RCC（1.5厘米）。(b) 嗜铬细胞RCC（2.5厘米）。(c) 乳头状RCC（2.9厘米）

本研究显示了基于深度学习的算法在从CECT图像检测小型RCC方面的潜力。这种完全自动化的算法在检测及诊断小RCC方面具有明显优势，将帮协助临床制定更佳的治疗方法，从而提高患者的预后。

原文出处：

Naoki Toda,Masahiro Hashimoto,Yuki Arita,et al.Deep Learning Algorithm for Fully Automated Detection of Small (≤4 cm) Renal Cell Carcinoma in Contrast-Enhanced Computed Tomography Using a Multicenter Database.DOI:10.1097/RLI.0000000000000842