摘要：·膀胱尿路上皮癌（UCB）是一种常见且预后较差的肿瘤，淋巴血管侵犯（LVI）是影响其转归的重要独立因素，但传统的LVI检测手段（如免疫组化）费时、昂贵。

往期推荐：

飞越拥堵空域：慢性鼻窦炎的影像学

磁共振评估左心室舒张功能： 原因、方法与时机

可代做分享：乳腺癌的检测、诊断和BI-RADS分级，采用多视角和多层卷积神经网络

肺钙化与骨化：发病机制、CT表现及特定疾病

审稿日记-瞎忽悠只有被拒稿

腰骶神经丛的MR神经成像： 技术与疾病图谱

·膀胱尿路上皮癌（UCB）是一种常见且预后较差的肿瘤，淋巴血管侵犯（LVI）是影响其转归的重要独立因素，但传统的LVI检测手段（如免疫组化）费时、昂贵。

·影像组学和深度学习技术可用于挖掘医学影像中肉眼不可见的特征，辅助疾病诊断和预后评估。但此前尚无基于CT影像的UCB LVI预测模型。

·回顾性多中心研究：收集4家医疗中心2013-2023年间577例UCB患者的临床和增强CT数据，按中心分组为训练、验证和测试集。

·影像处理：医学影像由放射科医师标注ROI，提取肿瘤在轴向、冠状、矢状三个最大截面输入深度卷积神经网络（InceptionV3、DenseNet121、ResNet18/34/50、VGG11），通过迁移学习建立模型。

·特征提取与建模：

o深度学习特征经PCA降维（64维），SMOTE处理样本不均衡，LASSO进一步筛选特征，Pearson去除冗余特征。

o基于这些特征训练了Decision Tree、XGBoost、LightGBM，最终通过stacking融合（Logistic回归做元模型）。

o同时筛选临床危险因素，建立临床模型，并与深度学习得分结合构建最终联合模型。

·性能评价：采用AUC、准确率、敏感性、特异性、决策曲线分析等多指标。

·最佳深度学习模型ResNet50在验证集AUC为0.818、测试集AUC为0.708，总体优于其他模型。

·联合模型（临床+DL模型）在验证集AUC为0.794，测试集AUC为0.767，展现出良好的跨中心泛化能力和稳定性。

·相关性分析表明病理T分期、肿瘤位置和生长方式为LVI的独立危险因素，纳入联合模型有助于提升预测精度。

·Grad-CAM可视化发现，模型关注重点集中于肿瘤边界和内部特征，提升模型可解释性。

·联合模型适合于经济欠发达地区且具时间敏感性的临床场景，辅助医生术前评估、手术和术后管理决策。

·局限性包括：研究为回顾性，有选择偏倚；数据仅涵盖局部地区，模型外部泛化还需进一步验证。

1.外部验证：未来需引入不同地区、更多中心的数据集进行外部验证，进一步评估模型的稳健性和泛化能力。

2.前瞻性研究：可设计前瞻性大样本研究，减少回顾性分析可能带来的偏倚和混杂因素影响。

3.集成多模态数据：引入MRI、分子分型等多模态信息，丰富特征，优化模型性能。

4.临床易用性提升：开发标准化的临床工具，提高自动化程度，便于医生无障碍使用。

5.模型解释性加强：进一步优化可解释性算法，让模型决策过程更加透明可信。

6.样本不均衡优化：探索更先进的样本均衡与特征选择方法，防止模型过拟合少数类别。

预测模型开发的工作流程图。 选择横向、冠状和矢状平面中最大的肿瘤切片，并用于训练 CNN 模型（InceptionV3、DenseNet121、ResNet18、ResNet34、ResNet50 和 VGG11）。 Ft，从横向切片提取的特征； Fc，从冠状切片提取的特征； Fs，从矢状切片提取的特征。

来源：影像诊断小札记