Multiphase CT-based deep learning radiomics nomogram models for preoperative WHO/ISUP grading of clear cell renal cell carcinoma: a two-center validation study | Synapse
March 12, 2026Open Access
Modelos de nomograma de radiómica basada en CT multiphásica y aprendizaje profundo para la clasificación preoperatoria del grado WHO/ISUP del carcinoma de células renales de células claras: un estudio de validación en dos centros
Puntos clave
Evaluar la efectividad de los modelos DLRN para predecir el grado nuclear en carcinoma de células renales de células claras utilizando imágenes de CT multiphásica.
Se utilizaron datos de imágenes de CT multiphásica para el entrenamiento y validación del modelo.
Desarrollaron modelos de radiómica de aprendizaje profundo para analizar características de imagen.
Se realizó una validación en dos centros para asegurar la fiabilidad del modelo.
resultados
Se observaron mejoras en la precisión predictiva para la clasificación del grado nuclear utilizando modelos DLRN en comparación con métodos convencionales.
Se observaron mejoras en la precisión predictiva para la clasificación del grado nuclear utilizando modelos DLRN en comparación con métodos convencionales.
El modelo DLRN mostró una fuerte correlación con los grados nucleares reales post-cirugía.
Demostró que las evaluaciones basadas en CT no invasivas pueden reemplazar efectivamente procedimientos de clasificación más invasivos.
Resumen
El modelo DLRN basado en imágenes de CT multiphásica proporciona una herramienta precisa y no invasiva para la predicción preoperatoria del grado nuclear del ccRCC.