无创CT分级新突破！RCC-Align跨模态学习让肾癌分级AUC冲上0.601
Cross-Modal Contrastive Learning from Histopathology and CT for Automated Renal Cell Carcinoma Grading
📖 AI 总结
该研究提出RCC-Align，一种跨模态对比学习框架，利用训练阶段配对的病理全切片图像与CT数据，将组织形态学中的分级判别信息迁移至影像表征，从而在推理阶段仅凭CT即可实现透明细胞肾细胞癌的无创分级。研究基于TCGA与CPTAC配对队列，采用患者级五折交叉验证，将低级别与高级别分类性能与仅用CT的基线及病理参考模型进行比较。结果显示，RCC-Align的AUC为0.601、AUPRC为0.599，优于微调后的DINOv2基线，低级别预测提升显著，且跨模态嵌入对齐更强；病理参考模型GigaPath的AUC达0.719。该工作表明病理引导的对比学习可改善CT分级，在活检不可行时具有补充诊断价值，但临床转化前仍需多机构外部验证。
🔑 关键词速览
| ccRCC | 透明细胞肾细胞癌，肾癌最常见的亚型，具有高度临床异质性。 |
| RCC-Align | 本文提出的跨模态对比学习框架，通过配对组织病理和CT数据提升CT分级性能。 |
| 对比学习 | 一种自监督学习方法，通过拉近正样本对、推远负样本对来学习有判别力的表征。 |
| AUC | 受试者工作特征曲线下面积，衡量二分类模型整体性能的常用指标。 |
| WSI | 全切片图像，数字化组织病理切片的高分辨率图像，用于病理分析。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅