eClinMed（IF=10）上海交通大学医学院附属仁济医院泌尿外科陈锐教授等团队：用于原发性腹膜后肿瘤诊断与分割的端到端深度学习模型

01文献学习今天分享的文献是由上海交通大学医学院附属仁济医院泌尿外科陈锐教授等团队于2025年9月在《eClinicalMedicine》中科院1区topIF10上发表的研究”End-to-end deep learning model for the diagnosis and segmentation of primary retroperitoneal neoplasm: a multicenter cohort study“即用于原发性腹膜后肿瘤诊断与分割的端到端深度学习模型一项多中心队列研究该研究开发并验证了一个名为 REMIND 的端到端深度学习模型用于基于增强CT图像的七种常见原发性腹膜后肿瘤PRNs的诊断与分割。研究涵盖了来自中国12家医疗中心的1530名患者分为训练集、外部验证集和前瞻性验证集。模型在分类和分割任务中均表现出色并通过读者研究证明其能显著提高放射科医生的诊断准确性和效率。创新点①全球范围内首个针对多种原发性腹膜后肿瘤、基于多中心CT影像的深度学习鉴别诊断模型②构建了基于nnU-Net的端到端框架同时实现肿瘤的精准分类与自动分割③纳入了七种常见亚型并采用像素级训练方法提升模型的解释性与鲁棒性临床价值①诊断准确率超越初级和主治医师与高级专家相当有效辅助临床决策②显著提升各年资放射科医师的诊断效率与信心缩短影像判读时间③为罕见复杂的腹膜后肿瘤提供了首个经过多中心验证的智能化诊断工具图 1研究整体设计流程图数据收集阶段纳入原发性腹膜后肿瘤PRN患者的腹盆腔增强CT扫描影像完成CT图像的标准化预处理和人工标注深度学习模型构建阶段开发端到端深度学习模型REMIND同步实现PRN分类和PRN分割两大任务是模型的核心开发环节临床评估阶段分为两个维度一是单独评估REMIND模型的诊断/分割性能二是开展放射科医生REMIND的联合评估且引入4周洗脱期的设计避免医生记忆偏倚保证评估结果的客观性。02研究背景和目的研究背景原发性腹膜后肿瘤PRNs是一类起源于腹膜后间隙但排除主要腹膜后器官的罕见肿瘤其组织学类型多样涵盖从良性如神经节瘤、神经鞘瘤到恶性如淋巴瘤、脂肪肉瘤、平滑肌肉瘤等多种病理亚型。由于其解剖位置深、影像学表现重叠、缺乏特异性征象PRNs的影像诊断极具挑战性。目前临床上主要依赖增强CT或MRI进行诊断但现有影像学标准难以准确区分不同亚型尤其对于非含脂肪成分的肿瘤诊断高度依赖放射科医师的经验导致显著的观察者间差异和诊断不确定性。近年来人工智能AI在医学影像分析中展现出巨大潜力尤其是在肿瘤分类和分割任务中。然而针对PRNs的AI研究仍处于起步阶段现有研究多局限于小样本、单中心、二元分类如仅区分平滑肌肉瘤与脂肪肉瘤缺乏对多种常见PRN亚型的多分类诊断能力也未经过多中心外部验证和前瞻性评估限制了其临床推广和应用。因此开发一个基于多中心大数据、具备多分类与分割能力的AI模型成为提升PRNs精准诊断水平的迫切需求。研究目的本研究旨在开发并验证一个名为REMIND的端到端深度学习模型用于基于增强CT图像的PRNs自动诊断与分割。具体目标包括第一实现七种常见PRN亚型包括淋巴瘤、神经鞘瘤、副神经节瘤、神经节瘤、去分化脂肪肉瘤、高分化脂肪肉瘤和平滑肌肉瘤的多分类诊断第二实现肿瘤区域的自动分割为临床提供可视化的病灶定位第三通过多中心回顾性与前瞻性数据验证模型的泛化能力和临床实用性涵盖来自中国12家医疗中心的1530例患者第四开展包含30名放射科医师的读片对比研究评估REMIND在辅助诊断中的实际价值包括提升诊断准确性、缩短判读时间、增强诊断信心等方面。最终目标是为PRNs的精准诊疗提供一个可解释、可推广、具备临床整合潜力的AI工具助力不同层级医师提升诊断水平优化患者管理策略。03数据和方法研究数据总样本量1530 名患者训练集606 例上海长海医院回顾性外部验证集736 例来自11家不同医院前瞻性验证集188 例上海长海医院2024年1月至6月肿瘤类型淋巴瘤、神经鞘瘤、副神经节瘤、节细胞神经瘤、去分化脂肪肉瘤、高分化脂肪肉瘤、平滑肌肉瘤影像数据增强CT静脉期图 2患者筛选流程图技术方法模型架构基于 nnU-Net 的3D U-Net结构进行像素级分类与分割训练策略端到端训练使用放射科医生标注的肿瘤区域作为监督分类方式通过像素占比确定最终诊断类别top-1/top-2评估指标准确率、AUC、灵敏度、特异度、Dice分数读者研究30名放射科医生初级、中级、高级评估100例病例比较有无REMIND辅助的诊断表现04实验结果分类性能top-1 准确率训练集 66%外部验证集 61%前瞻验证集 63%top-2 准确率分别为 82%、79%、77%AUC 大多超过 0.80良性/恶性分类 AUC 达 0.92 以上分割性能Dice分数训练集 0.75外部验证集 0.72前瞻验证集 0.73读者研究REMIND 准确率64.0%高于初级42.6%和中级医生57.4%与高级医生64.3%相当辅助后各层级医生诊断准确率显著提升阅片时间缩短诊断确定性提高图 3REMIND模型的PRN分类性能图图 4REMIND模型的PRN分割性能图图 5100例PRN的放射科医生读片研究结果图图 6REMIND辅助诊断的可视化分析实例图05研究结论该研究成功开发并验证了一种名为REMIND的端到端深度学习模型用于基于增强CT图像对七种常见原发性腹膜后肿瘤PRNs进行诊断和分割。基于中国12家医疗中心的1530例患者数据进行训练与验证REMIND在七分类任务中表现出良好的预测性能训练队列、外部验证队列和前瞻性验证队列的top-1准确率分别为66%、61%和63%top-2准确率则达到82%、79%和77%。在良恶性鉴别任务中模型的AUC值在三组队列中分别高达0.919、0.897和0.961显示出优异的判别能力。在分割任务中模型也取得了稳健的表现Dice评分分别为0.75、0.72和0.73。更重要的是读者研究表明REMIND的诊断准确率显著高于初级和主治医师与高级医师相当在REMIND辅助下各级别放射科医生的诊断准确性、诊断确定性和工作效率均显著提升尤其是初级医师的提升更为明显。本研究首次为PRNs提供了一个经过多中心验证的AI辅助诊断工具具有良好的临床转化潜力能够有效提升放射科医生对这类复杂罕见肿瘤的诊断水平并减轻其工作负担。参考文献Feng X, Zhang Q, Yang Y, He H, Yang L, Zhao T, Li Q, Yang L, Gu Y, Chen Q, Deng L, Song Z, Kang F, Liang B, Feng C, Yang Q, Xu B, Zhuang A, Zhang Y, Wang X, Cui J, Li S, Yang P, Hao Q, Zhang Z, Gao J, Wang B, Meng T, Shao C, Chen R. End-to-end deep learning model for the diagnosis and segmentation of primary retroperitoneal neoplasm: a multicenter cohort study. EClinicalMedicine. 2025 Sep 26;89:103498. doi: 10.1016/j.eclinm.2025.103498.