目录
一、引言
1.1 研究背景与意义
肾癌,作为泌尿系统中常见的恶性肿瘤之一,其发病率在全球范围内呈逐渐上升趋势。据统计,每年新增的肾癌病例数以万计,严重威胁着人类的生命健康。早期肾癌通常缺乏典型症状,多数患者在体检或因其他疾病检查时偶然发现,这导致部分患者确诊时已处于中晚期,错过了最佳的手术治疗时机。
目前,临床上对于肾癌的诊断主要依赖于影像学检查,如超声、CT、MRI 等,以及组织病理学检查。然而,这些传统的诊断方法存在一定的局限性。影像学检查虽然能够发现肾脏的占位性病变,但对于肿瘤的良恶性判断以及肿瘤的生物学行为预测存在一定的误差;组织病理学检查虽然是诊断肾癌的金标准,但属于有创检查,且获取的组织样本有限,可能无法全面反映肿瘤的特征。
在治疗方面,手术切除是局限性肾癌的主要治疗方法,包括根治性肾切除术和保留肾单位手术。然而,手术治疗存在一定的风险,如出血、感染、肾功能损伤等,且术后仍有一定的复发率。对于晚期肾癌,目前主要采用靶向治疗、免疫治疗等综合治疗手段,但治疗效果仍不尽人意,患者的生存率和生活质量有待提高。
随着人工智能技术的飞速发展,大模型在医学领域的应用逐渐成为研究热点。大模型具有强大的数据处理和分析能力,能够对海量的医学数据进行学习和挖掘,从而发现潜在的规律和模式。将大模型应用于肾癌的预测,能够整合患者的临床特征、影像学数据、基因信息等多源数据,实现对肾癌的术前、术中、术后风险的精准预测,为制定个性化的治疗方案提供依据。这不仅有助于提高肾癌的治疗效果,降低手术风险和并发症的发生率,还能改善患者的预后,提高患者的生活质量,具有重要的临床意义和社会价值。
1.2 研究目的与方法
本研究旨在利用大模型技术,建立一套全面、精准的肾癌预测体系,实现对肾癌的术前、术中、术后风险的有效预测,并根据预测结果制定个性化的手术方案、麻醉方案、术后护理方案等,以提高肾癌的治疗效果和患者的生活质量。
为了实现上述研究目的,本研究将采用以下研究方法:
案例分析法:收集大量的肾癌患者病例,包括患者的基本信息、临床症状、影像学检查结果、病理诊断结果、治疗过程和预后情况等,对这些病例进行详细的分析和总结,为大模型的训练和验证提供数据支持。
数据统计分析法:运用统计学方法对收集到的数据进行处理和分析,包括描述性统计分析、相关性分析、生存分析等,以了解肾癌患者的临床特征和预后因素之间的关系,为建立预测模型提供理论依据。
实验验证法:将建立的大模型应用于实际的肾癌患者预测中,通过与传统的预测方法进行对比,验证大模型的预测准确性和可靠性。同时,对根据大模型预测结果制定的治疗方案的临床效果进行评估,进一步验证研究的有效性。
1.3 国内外研究现状
近年来,国内外学者在大模型预测肾癌方面开展了一系列的研究工作,并取得了一定的成果。在国外,一些研究团队利用深度学习算法对肾癌的影像学数据进行分析,实现了对肾癌的良恶性判断和肿瘤分期的预测。例如,某研究团队开发了一种基于卷积神经网络的模型,对肾癌的 CT 图像进行分析,其诊断准确率达到了 [X]% 以上。此外,还有研究利用大模型对肾癌患者的基因数据进行分析,预测患者对靶向治疗和免疫治疗的反应,为个性化治疗提供了依据。
在国内,相关研究也在积极开展。一些医疗机构与科研团队合作,建立了肾癌的临床数据库,并利用大模型对数据库中的数据进行挖掘和分析。例如,某团队通过对大量肾癌患者的临床数据和影像学数据进行整合分析,建立了肾癌术前风险预测模型,能够准确预测患者的手术风险和预后情况。
然而,目前国内外的研究仍存在一些不足之处。一方面,大多数研究仅针对肾癌的某一个方面进行预测,如术前诊断、术后复发等,缺乏对肾癌术前、术中、术后全过程风险的综合预测;另一方面,大模型在肾癌预测中的应用还面临着数据质量不高、模型可解释性差等问题,需要进一步的研究和改进。本研究将针对这些不足,开展深入的研究工作,旨在建立更加完善、准确的肾癌预测体系,为肾癌的临床治疗提供更有力的支持。
二、大模型预测肾癌术前情况
2.1 基于影像组学的肾癌良恶性及分级预测
肾癌的术前准确诊断对于治疗方案的选择和患者的预后至关重要。传统的诊断方法主要依赖于医生的经验和主观判断,存在一定的局限性。随着人工智能技术的发展,基于影像组学的大模型为肾癌的术前预测提供了新的思路和方法。影像组学是一种新兴的技术,它能够从医学影像中提取大量的定量特征,这些特征可以反映肿瘤的生物学行为和病理特征,从而为肿瘤的诊断、分级和预后评估提供更准确的信息。通过将影像组学与大模型相结合,可以实现对肾癌的良恶性及分级的精准预测。
2.1.1 MRI 影像组学模型预测肾透明细胞癌分级
以嘉兴市中医医院及嘉兴市第二医院的相关研究为例,该研究旨在构建一个基于多参数 MRI 影像组学模型,用于术前预测肾透明细胞癌(ccRCC)WHO - ISUP 病理分级。研究人员回顾性收集了 2017 年 1 月至 2022 年 1 月期间在两家医院收治的 79 例 ccRCC 患者的资料,这些患者均经手术证实为临床分期为 T2 期以下的 ccRCC,且术前 1 个月内行肾脏或上腹部 MRI 增强检查,术后病理报告有明确的肿瘤病理分级及病理分期。
在检查方法上,嘉兴市中医医院采用 GE HDE 1.5T MR 超导扫描仪,行 MRI 平扫 + 增强扫描,包括横轴位 T1WI 快速容积采集(LAVA)平扫和增强序列,以及 DWI 序列;嘉兴市第二医院采用 GE HDxt 1.5T MR 超导扫描仪,扫描参数与嘉兴市中医医院类似。
在病灶病理检查方面,组织病理学的 WHO - ISUP 病理分级来自两家医院的病理学检查报告,标本取自根治性肾切除术 28 例,肾部分切除术 51 例,并由一位高年资病理医师对切片进行再次判读,按 WHO - ISUP 分级标准将患者分为两组,其中 I、II 级为低级别组,III、IV 级为高级别组。
在病灶分割及特征提取阶段,所有 MRI 图像从 PACS 系统导出,由具有 6 年诊断经验的医师 A 采用 ITK - SNAP3.8 进行沿着病灶轮廓完成三维感兴趣区的手动勾画,包括横断位 T1WI 门脉期、DWI。通过 Pyradiomics 包提取 2608 个影像组学特征,包括一阶特征、形状特征、灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、相邻灰度色差矩阵(NGTDM)及灰度依赖矩阵(GLDM)。1 个月后,由医师 A 及另一位具有 9 年诊断经验的医师 B 随机选取 40 例患者再次进行感兴趣区勾画,使用组内相关系数(ICC)来评估观察者内及观察者间分割提取特征的一致性,ICC>0.75 认为一致性良好。
整个数据集以 7∶3 的比率随机划分为训练组(n = 52)及验证组(n = 27),所有影像组学特征均进行 Z - score 标准化处理。考虑到样本的不平衡性,对训练组的少量样本进行上采样,以实现标签分布平衡。随后对每个序列进行特征筛选,步骤如下:首先,在剔除 ICC<0.75 的特征后,筛选出 P<0.05 的特征;随后,通过 Pearson 相关系数计算,选择(|r|>0.6)的影像组学特征,在每一组中去除平均绝对值较大的特征;最后对剩余的特征通过 Logistic 回归分析建立模型。
通过 ROC 曲线下面积(AUC)、校准曲线、准确性、特异性、敏感性来评价影像组学模型在训练组与验证组的预测效能。结果显示,高级别组的肿瘤最大径大于低级别组(P<0.05),两组年龄、性别、发病部位、T 分期及血尿差异均无统计学意义。在组学特征降维方面,在滤过 ICC<0.75 的特征后,初步保留 841 个来自增强 T1WI 序列、764 个来自 DWI 序列的影像组学特征进行一步分析,单因素分析后,保留 488 个增强 T1WI 特征及 418 个 DWI 特征;相关性分析后,两个序列均只剩余 10 个组学特征。经 Logistic 回归分析确定最优超参数,筛选出 5 个增强 T1WI 特征及 6 个 DWI 特征,并完成 3 个影像组学模型的构建,包括增强 T1 模型、DWI 模型及联合模型(增强 T1 + DWI) 。该研究表明,基于 MRI 影像组学模型在术前预测肾透明细胞癌 WHO - ISUP 分级中具有一定的应用价值,为临床治疗方案的选择提供了更准确的依据。
2.1.2 CT 影像深度学习模型鉴别肾肿物良恶性及侵袭性
复旦大学附属中山医院等团队开展的一项研究,旨在利用术前多期相 CT 建立深度学习模型,以鉴别肾肿物的良恶性及侵袭性。随着影像学检查的逐渐普及,无症状肾肿物的检出率逐年提高,准确判断肾肿物的性质对后续治疗方案的选择至关重要。然而,目前肾肿物的术前诊断存在良恶性鉴别困难以及难以判断肾癌恶性程度高低的问题。
为了解决这些痛点,该研究回顾性纳入了复旦大学附属中山医院,浙江大学附属第一人民医院,张掖市人民医院,泉州市人民医院,复旦大学附属中山医院厦门医院等国内六家医院及肿瘤影像数据库共 4557 例患者的 13261 套 CT 图片。采用 2 个多期相神经卷积网络分别构建了预测肾肿物良恶性及侵袭性的深度学习诊断模型。
在良恶性诊断方面,该模型在不同验证队列中 AUC 在 0.853 - 0.898 之间,在各个队列中均较目前影像组学预测模型以及 RENAL 评分预测模型有着更好的预测效能,并在囊性肾癌、实性肾癌及小肾癌中均有着良好的表现。研究人员还将深度学习诊断模型和 7 名来自三家医院的影像科医生的诊断准确率进行比较,发现深度学习模型良恶性鉴别的准确率已经超越了其中 6 名影像科医生的诊断准确率,并且在 AI 诊断模型的协助下,影像科医生诊断准确率得到显著提高。
在侵袭性判断方面,识别侵袭性肾癌的深度学习模型同样在各个验证队列中显示了优于目前影像组学模型及 RENAL 评分预测模型的性能,在各个验证队列中 AUC 在 0.763 - 0.792 之间。在外部验证队列中,被深度学习模型预测为侵袭性的肾癌,其生存期较被预测为惰性的肾癌显著缩短,并且侵袭性概率高低是患者生存结局的独立不良预后因子,其对临床转归的预测效能甚至高于 TNM 分期、WHO/ISUP 核分级系统等术后病理指标。
此外,生物信息学分析显示侵袭性肾癌相较于惰性肾癌处于免疫抑制的微环境,其中有更高的 CD8+T 细胞和调节性 T 细胞浸润。该研究成果为肾肿物的术前精准鉴别提供了新的方法,有助于临床医师制定更合理的治疗方案,实现肾癌的精准化、个体化诊疗。
2.2 大模型对手术风险及患者身体状况评估
2.2.1 评估手术风险因素
大模型在评估肾癌手术风险时,会综合考虑多个关键因素。患者的病史是重要参考依据,包括既往疾病史,如是否患有心血管疾病、糖尿病等慢性疾病。若患者有心脏病史,手术过程中因麻醉、应激等因素,心脏负担加重,可能引发心律失常、心肌梗死等严重心血管事件,增加手术风险;糖尿病患者术后感染风险较高,且血糖控制不佳会影响伤口愈合。
肿瘤特征同样关键,肿瘤大小、位置、分期等信息对手术风险评估意义重大。较大的肿瘤可能侵犯周围重要血管、组织和器官,增加手术切除难度与出血风险;肿瘤位于肾脏深部或靠近大血管,手术操作空间受限,易损伤周围结构,导致严重并发症。肿瘤分期反映其恶性程度与扩散范围,晚期肿瘤常伴有转移,手术不仅要切除原发灶,还需处理转移灶,手术复杂性和风险显著增加。
患者身体机能也是大模型重点评估内容,通过分析患者的体能状态、营养状况、肝肾功能等指标来判断。体能状态差的患者对手术耐受能力弱,术后恢复慢,易出现肺部感染、深静脉血栓等并发症;营养不良会影响伤口愈合与机体免疫力,增加感染风险;肝肾功能异常会影响药物代谢和排泄,导致手术中药物蓄积中毒,或术后肝肾功能进一步恶化。大模型通过对这些因素的综合分析,能够更准确地评估肾癌手术风险,为医生制定手术方案和做好术前准备提供有力支持。
2.2.2 预测患者对手术的耐受程度
以一位 65 岁男性肾癌患者为例,患者有 10 年高血压病史,血压控制不稳定,长期服用降压药物;肿瘤直径约 5cm,位于肾脏上极,与肾动脉关系密切,临床分期为 T2N0M0;体能状态一般,日常生活可自理,但活动耐力较差,营养状况中等,肝肾功能基本正常,但肾小球滤过率轻度下降。
将患者的这些信息输入大模型进行分析,大模型首先评估高血压对手术的影响,考虑到血压波动可能导致术中出血风险增加,以及高血压引发的心脑血管并发症风险。对于肿瘤特征,由于肿瘤大小和位置,手术切除难度较大,且靠近肾动脉,术中血管损伤风险高。患者体能状态和营养状况虽不至于严重影响手术,但活动耐力差提示心肺功能可能存在一定隐患。肝肾功能方面,肾小球滤过率轻度下降表明肾脏功能已有一定损伤,手术可能进一步加重肾脏负担。
综合各项因素,大模型预测该患者对手术的耐受程度为中等。基于此预测结果,医生在术前采取了一系列措施来优化患者身体状况,如调整降压药物,使血压稳定在合理范围;给予营养支持,改善患者营养状况;密切监测肝肾功能,并制定术中保护肾功能的方案。手术过程中,医生根据大模型的风险提示,谨慎操作,尽量减少对肾动脉的损伤,控制出血。最终,手术顺利完成,患者术后恢复良好,未出现严重并发症。这一案例充分展示了大模型在预测患者对肾癌手术耐受程度方面的重要作用,为临床治疗提供了科学依据,有助于提高手术成功率和患者预后质量。
三、大模型辅助肾癌术中方案
3.1 手术方案规划
3.1.1 手术入路规划
以中意团队联合研发的 Avatar 大模型为例,在面对一位有过两次腹腔手术史的 44 岁男性肾癌患者时,Avatar 大模型发挥了关键作用。该患者的肾脏恶性肿瘤形态不规则,给手术带来了极大的挑战。在确定手术入路时,Avatar 大模型首先对患者既往的手术史、当前肿瘤的位置、周围组织和器官的粘连情况等信息进行了全面分析。通过深度学习数万例相关手术的影像学数据和临床资料,模型从多种可能的手术入路中筛选出最适合该患者的方案 —— 无需进入腹膜腔的入路。这种入路方式可以有效降低手术时对腹腔脏器的损伤风险,为手术的成功奠定了基础。在实际手术中,医生依据 Avatar 大模型的建议,顺利地避开了腹腔内可能存在的粘连组织,减少了手术过程中的意外情况发生,提高了手术的安全性和成功率 。
3.1.2 肾血管阻断与肿瘤切除路径规划
在肾血管阻断方式的规划上,大模型同样展现出强大的优势。它会综合考虑肿瘤的位置、大小、血供情况以及患者的肾功能状况等因素。对于靠近肾门且血供丰富的肿瘤,大模型可能会建议采用选择性肾动脉分支阻断的方式,这样既能减少术中出血,又能最大程度地保护肾功能。在规划肿瘤切除路径时,大模型会根据肿瘤的边界、与周围正常组织的关系以及可能的转移路径等信息,制定出精准的切除路径。通过对大量病例的学习,大模型能够识别出不同类型肾癌在切除过程中的关键风险点,并为医生提供相应的应对策略。例如,对于一些边界不清的肿瘤,大模型会提示医生在切除时适当扩大切除范围ÿ