|本期目录/Table of Contents|

[1]李彦君 综述,李春香 审校.人工智能技术赋能肾细胞癌精准诊疗的研究进展[J].天津医科大学学报,2025,31(06):575-578.[doi:10.20135/j.issn.1006-8147.2025.06.0575]
点击复制

人工智能技术赋能肾细胞癌精准诊疗的研究进展(PDF)

《天津医科大学学报》[ISSN:1006-8147/CN:12-1259/R]

卷:
31卷
期数:
2025年06期
页码:
575-578
栏目:
综述
出版日期:
2025-11-20

文章信息/Info

Title:
-
文章编号:
1006-8147(2025)06-0575-04
作者:
李彦君1 综述; 李春香2 审校
（1.天津市人民医院，南开大学第一附属医院肾内科，天津 300121；2.天津医科大学肿瘤医院超声诊疗科，天津 300060）
Author(s):
-
关键词:
肾细胞癌; 人工智能; 深度学习; 多模态融合; 预后模型
Keywords:
-
分类号:
R737.1
DOI:
10.20135/j.issn.1006-8147.2025.06.0575
文献标志码:
A
摘要:
肾细胞癌（RCC）的异质性高、早期诊断困难、治疗响应差异大，传统诊疗模式面临严峻挑战。人工智能（AI）技术通过整合病理、影像、基因组及临床数据，正在重塑RCC精准医学的实践路径。综述AI在RCC病理诊断、影像分析、治疗决策及预后预测中的研究进展，重点探讨深度学习驱动的多模态融合、肿瘤微环境解析及动态预后模型构建等核心技术突破，并剖析数据标准化、模型泛化性及临床转化等关键挑战，可推动AI技术从科研向临床应用转化。
Abstract:
-

参考文献/References:

[1] MOUSAVI S M， BEROZA G C. Deep-learning seismology[J]. Science，2022，377（6607）：eabm4470.
[2] YU H， XU T， XING X， et al. Deep learning in medical hyperspectral images： a review[J]. Sensors （Basel）， 2022， 13；22（24）：9790.
[3] JIANG H， DIAO Z， SHI T， et al. A review of deep learning-based multiple-lesion recognition from medical images： classification， de-tection and segmentation[J]. Comput Biol Med， 2023，157：106726.
[4] SHEN Y， XU Y， MA J，et al. Multi-modal largelanguage models in radiology： principles， applications， and potential[J]. Abdom Radiol （NY）， 2025，50（6）：2745-2757.
[5] BAI C， WU L， LI R，et al. Machine learning-enabled drug-induce-dtoxicity prediction[J]. Adv Sci （Weinh）， 2025， 12（16）：e2413405.
[6] MAHESH N， DEVISHAMANI C S， RAGHU K， et al. Advancing healthcare： the role and impact of AI and foundation models[J].Am J Transl Res， 2024， 16（6）：2166-2179.
[7] CIRILLO L， INNOCENTI S， BECHERUCCI F. Global epidemiology of kidney cancer[J]. Nephrol Dial Transplant， 2024，39（6）：920-928.
[8] RIZZO M， CALI?魹 A， BRUNELLI M， et al. Clinico-pathological implications of the 2022 WHO renal cell carcinoma classification[J]. Cancer Treat Rev， 2023，116：102558.
[9] MOON S W， KIM J， KIM Y J， et al. Leveraging explainable AI and large-scale datasets for comprehensive classification ofrenal histologic types[J]. Sci Rep， 2025， 15（1）：1745.
[10] FENSTERMAKER M， TOMLINS S A， SINGH K， et al. Development and validation of a deep-learning model to assist with renal cell carcinoma histopathologic interpretation[J]. Urology， 2020， 144：152-157.
[11] ABDELTAWAB H A， KHALIFA F A， GHAZAL M A，et al. A deep learning framework for automated classification of histopathological kidney whole-slide images[J]. J Pathol Inform， 2022， 13：100093.
[12] NYMAN J， DENIZE T， BAKOUNY Z， et al. Spatially aware deep learning reveals tumor heterogeneity patterns that encode distinct kidney cancer states[J]. Cell Rep Med， 2023， 4（9）：101189.
[13] BR?譈CK O， LEE M H， TURKKI R， et al. Spatial imunoprofiling of the intratumoral and peritumoral tissue of renal cell carcinoma patients[J]. Mod Pathol， 2021， 34（12）：2229-2241.
[14] KAN H C， LIN P H， SHAO I H，et al. Using deep learning to differentiate amonghistology renal tumor types in computed tomography scans[J]. BMC Med Imaging， 2025， 25（1）：66.
[15] HAN S， HWANG S I， LEE H J. The classification of renal cancer in 3-phase CT images using a deep learning method[J]. J Digit Ima-ging， 2019， 32（4）：638-643.
[16] ANARI PY， LAY N， ZAHERGIVAR A， et al. Deep learning algorithm （YOLOv7） for automated renal mass detection on contrast-enhanced MRI： a 2D and 2.5D evaluation of results[J]. Abdom Radiol （NY）， 2024， 49（4）：1194-1201.
[17] NA R， CHEN Z， LIU Y， et al. Diagnostic and prognostic role of 18F-FDG PET/CT for sarcomatoid differentiation in renal cell carcinoma[J]. EJNMMI Res， 2025， 15（1）：11.
[18] LIN F， CUI EM， LEI Y， et al. CT-based machine learning model to predict thefuhrmannuclear grade of clear cell renal cell carcinoma[J]. Abdom Radiol （NY），2019， 44（7）：2528-2534.
[19] LUO S， WEI R， LU S， et al. Fuhrman nuclear grade prediction of clear cell renal cell carcinoma：influence of volume of interest delineation strategies on machine learning-based dynamic enhanced CT radiomics analysis[J]. EurRadiol， 2022， 32（4）：2340-2350.
[20] CUI E， LI Z， MA C， et al.Predicting the ISUP grade of clear cell renal cell carcinoma with multiparametric MR and multiphase CT radiomics[J]. Eur Radiol， 2020， 30（5）：2912-2921.
[21] HUANG H， CHEN B， FENG C， et al. Using three-dimensional virtual imaging of renal masses to improve prediction of robotic-assisted partial nephrectomy Tetrafecta with SPARE score[J]. World J Urol， 2024， 43（1）：37.
[22] ZULUAGA L， RICH J M， GUPTA R， et al. AI-powered real-time annotations during urologic surgery： the future of training and quality metrics[J]. Urol Oncol， 2024， 42（3）：57-66.
[23] PIANA A， AMPARORE D， SICA M， et al. Automatic 3D augmented-reality robot-assisted partial nephrectomy using machine learning： our pioneer experience[J]. Cancers （Basel）， 2024， 16（5）：1047.
[24] KHIZIR L， BHANDARI V， KALOTH S，et al. From diagnosis to precision surgery： the transformative role of artificial intelligence in urologic imaging[J]. J Endourol， 2024， 38（8）：824-835.
[25] ZHAO B， WATERMAN R S， URMAN R D， et al. A machine learning approach topredicting case duration for robot-assisted surgery[J]. J Med Syst， 2019， 43（2）：32.
[26] BUCHNER A， KENDLBACHER M， NUHN P， et al.Outcome assessment of patients with metastatic renal cell carcinoma undersystemic therapy using artificial neural networks[J]. Clin Genitourin Cancer， 2012，10（1）：37-42.
[27] JASTI J， ZHONG H， PANWAR V， et al. Histopathology based AI model predicts anti-angiogenic therapyresponse in renal cancer clinical trial[J]. Nat Commun， 2025， 16（1）：2610.
[28] YU Y， NIU J， YU Y，et al. AI predictive modeling of survival outcomesfor renal cancer patients undergoing targeted therapy[J]. Sci Rep， 2024， 14（1）：26156.
[29] YE B， JI H， ZHU M， et al. Single-cell sequencingreveals novel proliferative cell type： a key player in renal cell carcinoma prognosis and therapeutic response[J]. Clin Exp Med， 2024， 24（1）：167.
[30] LI F， HU H， LI L，et al. Integrated machine learning reveals the role of tryptophan metabolism in clear cell renal cell carcinoma and its association with patient prognosis[J]. Biol Direct， 2024， 19（1）：132.
[31] PENG Q， SHEN Y， FU K， et al. Artificial intelligence prediction model for overall survival of clear cell renal cell carcinoma based on a 21-gene molecular prognostic score system[J]. Aging （Albany NY）， 2021， 13（5）：7361-7381.
[32] SCHULZ S， WOERL A C， JUNGMANN F， et al. Multimodal deep learning for prognosis prediction in renal cancer[J]. Front Oncol， 2021， 11：788740.
[33] BHATTACHARYA I， STACKE K， CHAN E，et al. Aggressiveness classification of clear cell renal cell carcinoma using registration-independent radiology-pathology correlation learning[J]. Med Phys， 2025， 52（1）：300-320.
[34] ZHU Y， WU J， LONG Q，et al. Multimodal deeplearning with MUF-net for noninvasive WHO/ISUP grading of renal cell carcinomausing CEUS and B-mode ultrasound[J]. Front Physiol， 2025， 16：1558997.

相似文献/References:

[1]龙安安,王尚任 杨永姣,陈业刚,等.Bosniak分级在肾囊性病变良恶性诊断的应用价值[J].天津医科大学学报,2017,23(02):118.
　LONG An-an,WANG Shang-ren,YANG Yong-jiao,et al.Clinical reliability of the Bosniak classification as a diagnostic method of renal cysts[J].Journal of Tianjin Medical University,2017,23(06):118.
[2]刘曙光,蔡启亮,牛远杰,等.肾癌伴瘤栓的高危因素分析[J].天津医科大学学报,2018,24(04):323.
　LIU Shu-guang,CAI Qi-liang,NIU Yuan-jie,et al.Analysis of high risk factors for renal cell carcinoma associated with tumor thrombus[J].Journal of Tianjin Medical University,2018,24(06):323.
[3]孟祥虹,吴迪嘉,马信龙,等.深度卷积神经网络技术自动诊断肋骨骨折的CT应用初探[J].天津医科大学学报,2022,28(02):205.
　MENG Xiang-hong,WU Di-jia,MA Xin-long,et al.Preliminary study on CT application of deep convolutional neural network in automatic diagnosis of rib fractures[J].Journal of Tianjin Medical University,2022,28(06):205.
[4]骆源,徐启飞,吕泽政,等.三维ResNet 网络预测肺腺癌结节亚型的效能及其 稳定性[J].天津医科大学学报,2022,28(03):295.
　LUO Yuan,XU Qi-fei,LYU Ze-zheng,et al.Efficacy and stability of 3D ResNet for predicting nodule subtypes in lung adenocarcinoma[J].Journal of Tianjin Medical University,2022,28(06):295.

备注/Memo

备注/Memo:
基金项目 天津市教委科研计划项目（2020KJ131）
作者简介 李彦君（1979-），女，主治医师，硕士，研究方向：肾脏疾病人工智能医学分析；E-mail：liyanjun615@163.com。
更新日期/Last Update: 2025-11-20