Multimodal deep learning framework integrating multiphase CT and histopathological whole slide imaging for predicting recurrence in ccRCC
8.0
来源：
Nature
关键字：
AI radiology
发布时间：
2025-11-21 23:38
摘要：
本研究提出了一种多模态深度学习框架CPNet，结合多相CT和病理全切片成像，旨在预测清细胞肾细胞癌（ccRCC）患者的术后复发风险。通过对274名患者的回顾性分析，CPNet模型在术后无病生存率的预测中表现出色，AUC达到0.8363，显示出其在临床应用中的潜力。该模型的创新之处在于其双向注意机制，有效整合了CT和病理图像的信息，为ccRCC患者的个性化管理提供了新的思路。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分+核心领域符合度
business_impact
1.0分+商业影响力
scientific_rigor
1.5分+有具体实验数据
timeliness_innovation
1.5分+重大创新
investment_perspective
2.5分+早期研发阶段
market_value_relevance
1.0分+市场价值相关性
team_institution_background
0.5分+知名机构背景
technical_barrier_competition
1.0分+技术壁垒高
关键证据
CPNet模型在预测术后无病生存率方面表现优越，AUC达到0.8363。
研究基于274名ccRCC患者的数据，验证了模型的有效性。
CPNet模型结合CT和病理图像，展示了多模态融合的潜力。
真实性检查
否
AI评分总结
本研究提出了一种多模态深度学习框架CPNet，结合多相CT和病理全切片成像，旨在预测清细胞肾细胞癌（ccRCC）患者的术后复发风险。通过对274名患者的回顾性分析，CPNet模型在术后无病生存率的预测中表现出色，AUC达到0.8363，显示出其在临床应用中的潜力。该模型的创新之处在于其双向注意机制，有效整合了CT和病理图像的信息，为ccRCC患者的个性化管理提供了新的思路。