0 引言

肾细胞癌（renal cell carcinoma, RCC）是成人肾脏最常见的恶性肿瘤。在组织学方面，高级别RCC预后更差^[1]。NCCN2018也指出组织分级是RCC患者5年生存率的预后决定因素之一。因此，组织分级对于RCC患者预后评价和治疗方法选择有重要意义。2016年国际泌尿病理协会（ISUP）发布了新的ISUP分级系统用于评价RCC^[2]。已有文献报道ISUP分级系统与患者的预后相关^[3]。RCC中以肾透明细胞癌（clear cell RCC, ccRCC）最常见，相对其他亚型ccRCC有更差的预后^[4]。增强CT是肾肿瘤早期发现及诊断的最常用影像学方法^[5]，一些CT特征可反映肿瘤的生物学行为，不同级别的ccRCC出现不同的影像特征。神经网络作为非参数化建模的代表，具较强的非线性映射及泛化能力，近年来在医学影像领域表现出巨大潜力。故本研究拟利用神经网络算法及增强CT构建术前预测ccRCC ISUP分级模型，为评价患者的预后提供参考依据。

1 资料与方法 1.1 患者资料

本回顾性研究放弃患者知情同意，遵守2013年修订版《赫尔辛基宣言》。收集陕西中医药大学附属医院2014年3月—2019年12月的ccRCC患者。纳入标准：（1）包括中腹部的增强CT扫描完整数据；（2）经手术或穿刺活检病理确诊的ccRCC；（3）临床资料齐全。排除标准：（1）图像质量差、图像分析受影响；（2）CT增强扫描前接受过针对肾癌的治疗。最后共纳入131名患者，其中女性45例、男性86例，平均年龄61.63±11.56岁。采用分层抽样按照5:5比例并随机将患者分为训练集和验证集。

1.2 ccRCC ISUP级别的确定

每位ccRCC患者的组织切片经两名有经验的病理科医师根据2016版肾癌ISUP病理分级重新分级。将Ⅰ~Ⅱ级定义为低级别组，Ⅲ~Ⅳ级定义为高级别组。两名医师分级不一致时通过共同商议决定，并以此简化分级作为因变量。

1.3 影像数据采集

增强CT扫描采用64排CT扫描仪（GE Discovery CT 750HD，GE医疗），扫描范围为双肾上腺水平至右肾下极水平，视情况适当调整使扫描覆盖整个肿瘤。管电压120 kV，电流为自动毫安技术（噪声指数为10），螺距1.375:1。增强扫描对比剂采用非离子型对比剂碘海醇（300 mgI/ml），采用Ulrich（Ulrich, 德国）高压注射器经右肘前静脉注射对比剂，注射流率为3.5~4.0 ml/s。皮质期、髓质期和排泄期延迟时间分别为35s、70s及90s（排泄期延迟时间根据患者肾功能情况调整）。采用自适应迭建重建算法将扫描数据重建为512×512，层厚为1.25 mm薄层图像用于分析。

1.4 ccRCC增强CT影像特征

由两名有经验的腹部影像科医师对每位患者的平扫及增强各期CT图像进行评价，包括肿瘤的位置、大小、生长方式、假包膜、坏死、囊变、钙化、肿瘤内血管、肾周脂肪侵犯、静脉瘤栓、区域淋巴结肿大、远处转移、强化模式以及强化均匀性。最终结果由两位医师共同商议决定。

1.5 统计学方法

患者一般资料及增强CT的统计描述采用SPSS 25.0软件，P < 0.05为差异有统计学意义。特征降维、神经网络模型构建及验证采用R-studio（R语言版本3.6.2）软件。其中降维采用caret包用于实现基于支持向量机的递归特征消除（recursive feature elimination, RFE），采用10折交叉验证。神经网络模型构建及验证采用“neuralnet”包，采用ROC曲线评价模型，计算AUC、敏感度及特异性。

2 结果 2.1 患者一般资料及CT表现比较

一般资料中，低、高级别患者的年龄差异无统计学意义（P > 0.05）。患者性别、出现肉眼血尿、腹痛、腹部肿块及非泌尿系恶性肿瘤史的构成比差异均无统计学意义（P > 0.05）。

增强CT中，高级别组ccRCC大小为（66.37±26.12）mm大于低级别组的（45.69±25.43）mm，差异有统计学意义（P < 0.01）；高级别组呈浸润性生长、出现坏死、肿瘤内血管、肾周脂肪侵犯、静脉瘤栓、区域淋巴结肿大及远处转移的构成比高于低级别组，差异均有统计学意义（P < 0.01）；高级别组ccRCC出现假包膜及囊变的构成比低于低级别组，差异均有统计学意义（P < 0.01）；ccRCC的位置、出现钙化、强化模式及强化均匀性构成比差异无统计学意义（P > 0.05），见表 1。

2.2 增强CT特征降维

增强CT的20个特征存在不同程度的相关性。为避免过拟合，采用RFE法经10折交叉验证后降维为14个特征（均方根误差为0.3758），见图 1。特征经重要性排序后为：生长方式、坏死、区域淋巴结肿大、肿瘤大小、假包膜、肾周脂肪侵犯、囊变、远处转移、静脉侵犯、瘤内血管、年龄、强化模式、性别以及肿瘤位置。程序自动报告前5个特征为最关键特征，故采用该5个特征用于神经网格建模。

2.3 模型建立及验证

以生长方式、坏死、区域淋巴结肿大、肿瘤大小及假包膜作为输入特征，以ccRCC的ISUP简化分级为因变量，在训练集构建非参数化有监督的神经网络模型。最终获得的神经网络包含三层：（1）输入层：包含5个神经元，即5个增强CT的影像特征；（2）隐藏层：包含4个神经元；（3）输出层：包含一个神经元，输出ccRCC是高级别的概率。整个训练共执行2324步，结束条件为误差函数绝对偏导数小于0.008116659，误差为21.47964，模型权重范围为-232.2072~9.099047，见图 2。

根据神经网络输出ccRCC是高级别的概率进行ROC曲线分析，结果表明该神经网络在训练集鉴别低、高级别ccRCC的AUC为0.8844（95%CI: 0.8062~0.9626），敏感度为89.47%，特异性为82.61%。验证集中的AUC为0.7924（95%CI: 0.6567~0.9280），敏感度为75.00%，特异性为86.96%，见图 3。

3 讨论

随非侵入性影像学检查应用的逐渐广泛，RCC检出率增加。手术切除仍是局限性RCC的标准治疗方法，但目前出现很多保守治疗方案，如保留肾单位手术、射频消融及冷冻消融等。因此临床需评价肿瘤的生物学行为并指导选择治疗方法，保留肾单位手术存在切缘阳性风险，且术后复发常发生在组织分级较高（Ⅲ~Ⅳ级）的RCC中。对于中晚期已无法手术的患者，高级别的预后也较低级别预后差。因此术前如能评价肿瘤分级，对患者治疗方案的选择和预后判断有较高参考价值。

Fuhrman细胞核分级系统于1982年发布，是以往广泛应用于ccRCC细胞核的分级标准，也是ccRCC患者预后独立的危险因素^[6]，但该分级系统在实际工作中存在判读困难，可重复性差，也未涉及肾脏肿瘤的新组织亚型分类。因此2016年ISUP推荐发布了ISUP 4级分类系统，本研究采用了该分级标准。同时参考以往各研究Fuhrman分级的简化分级标准，将ISUP中Ⅰ~Ⅱ级定义为低级别，Ⅲ~Ⅳ级定义为高级别。大多数肾肿瘤仅通过影像学就能准确诊断，尤其增强CT具有高度敏感度和特异性^[7]。同时临床指南也推荐应用多期增强CT对肾癌进行诊断和分期^[8]。加之ccRCC相比非ccRCC具有较明显的动态强化特点，如皮质期强化幅度高、出现假包膜及快速廓清等特点，因此对于ccRCC的影像诊断难度不大。

一些增强CT特征可以对ccRCC组织分化程度的评价提供鉴别信息。本研究共纳入20个增强CT特征，因特征间可能存在不同程度的相关性，且采用过多的特征训练模型既会导致计算成本增加，又容易过拟合。因此本研究将20个增强CT特征采用RFE降维，随后按重要性排序，取前5个特征进行非参数化的神经网络建模，保证模型的简洁性及可解释性。最终获得的5个特征为生长方式、坏死、区域淋巴结肿大、肿瘤大小及假包膜，与以往多个文献报道相近^[9-13]。

生长方式方面，一般呈浸润性生长的肿瘤会表现出恶性程度更高的生物学行为^[10]。坏死方面，Ahmed等^[14]及Sengupta等^[15]的研究都表明肾癌出现坏死是ccRCC患者预后的独立危险因子，应定期报告并用于临床评价，与本研究结果类似。病理学领域ccRCC出现坏死也已作为确定的危险因素之一，专家共识也认为ccRCC是否坏死应列入病理报告中^[16]。ccRCC区域淋巴结肿大是肿瘤N分期的重要组成部分，出现区域淋巴结肿大会使患者有更晚的临床分期，患者的死亡风险也会增加。肿瘤大小适用于不同组织亚型RCC患者的预后评估^[17]，肿瘤越大反映肿瘤增殖程度高，侵犯肾窦及肾周结构的风险增加^[18]。Chow等^[19]认为相对小于4 cm的RCC、直径大于7 cm的肿瘤，其5年生存率从92%下降到了55%，另外肿瘤大小也是T分期的重要指标。ccRCC假包膜一般为纤维成分和被压缩的肾实质构成。当肿瘤生长较缓慢，纤维组织才有反应性增生的时间窗，故出现假包膜提示肿瘤恶性程度较低^[20]，是ccRCC ISUP分级的保护因素之一。本研究结果表明采用上述5个特征构建鉴别ccRCC ISUP简化分级的神经网络模型在训练集和验证集均有较好的诊断效能，敏感度及特异性均较高。

本研究存在一些局限性：（1）高级别ccRCC样本量较低级别少，最终结果可能存在研究对象的选择偏倚；（2）患者增强CT扫描虽选择了固定的对比剂浓度、扫描条件和图像重建参数，但并未消除个体循环差异对肾灌注造成的影响，从而存在潜在因素影响影像医师对CT图像的评价；（3）本研究部分患者ISUP分级是根据穿刺活检标本确定，虽然穿刺活检的小标本可以评估ISUP分级，但小活检组织弱代表性和肿瘤异质性对ccRCC准确分级可能存在不稳定性。

综上所述，基于增强CT构建鉴别ccRCC ISUP分级的神经网络模型具有较高的鉴别诊断效能，可为ccRCC患者的预后评估提供参考依据。

作者贡献

韩冬：文章设计与撰写

张喜荣、贾永军、任革、贺太平：数据采集及影像评价

吕蕊花、史琳娜：数据分析