Когда ИИ и нейросети только начинали своё шествие, то не раз и не два говорилось, что было бы здорово с их помощью синтезировать новые лекарства, находить лекарства от болезней, лечить людей.
Об одном таком направлении мы (команда ИИ и BigData в билайне) и расскажем в этом посте, а именно о том, как при помощи ИИ и цифровой патологии можно значительно расширить классические возможности лечения рака почки.
Под катом будет много врачебных терминов, но без этого никак.
Этот текст мы написали с врачами из Сеченовского университета и чуть ранее опубликовали в научном журнале Biomedicines, а сейчас перевели специально для Хабра.
Мы - это команда билайна: Александр Арутюнян и Виктор Гринин.
И наши коллеги-ученые из Сеченовки: Елена Иванова, Алексей Файзуллин, Пётр Тимашов и Анатолий Шехтер.
Начнем.
Почечно-клеточная карцинома (ПКК), широко известная как рак почки — злокачественная опухоль из эпителия, выстилающего почечные канальцы. ПКК составляет значительный процент среди онкологических заболеваний взрослого населения (около 3,8%), и ежегодно регистрируется значительное число новых случаев заболевания и смертей от ПКК. По последним оценкам Американского онкологического общества в 2023 г. будет зарегистрировано 81 800 новых случаев и 14 890 смертей от ПКК.
Это гетерогенная группа опухолей с различными гистологическими и молекулярными характеристиками, клиническими исходами и реакцией на лечение. Самые распространённые типы — светлоклеточная (сПКК), папиллярная (пППК) и хромофобная ПКК (хПКК).
Классификация опухолей — это динамичный процесс, объединяющий множество новых областей информации, основанных на передовых молекулярных исследованиях. Попытки классифицировать ПКК традиционно основываются на определении подтипов по преобладающим цитоплазматическим или архитектурным признакам, месту расположения опухоли, сопутствующему заболеванию почек, сходству опухолей с эмбриологическими структурами, такими как метанефрос, или специфическому наследственному фону. Совершенствование методов классификации необходимо не только для точной диагностики ПКК, но и для эффективного ведения болезни и планирования лечения.
Морфологическая верификация первичного поражения и метастазов необходима перед началом лечения и позволяет определить гистологический вариант опухоли. Кроме того, постоперационное стадирование важно для оценки вероятности рецидива и прогнозирования течения заболевания. Примерно у 2/3 пациентов с диагнозом рак почки опухоль не распространяется за ее пределы. Для этой группы относительная пятилетняя выживаемость составляет 93%. Если рак почки прорастает в окружающие ткани или метастазирует в другие внутренние органы и/или лимфатические узлы, относительная пятилетняя выживаемость снижается до 72%.
Для стадирования рака почки широко используется система классификации TNM, учитывающая такие факторы, как размер опухоли, инвазивность (прорастание в капсулу почки, сосуды, пиелоканаликулярную систему, фасцию Героты и т.д.) и наличие метастазов в лимфатических узлах и отдаленных органах. В случаях I и II стадии рака, когда образование ограничено почкой и его максимальный размер не превышает 7 см, и производится частичная нефрэктомия. Рак III стадии характеризуется либо прорастанием в близлежащие крупные вены, либо наличием метастазов в регионарных лимфатических узлах. В этих случаях рекомендуется радикальная нефрэктомия. IV стадия рака почки указывает на то, что рак распространился за пределы почки и/или в отдаленные лимфатические узлы или другие органы.
Подход к лечению рака почки IV стадии зависит от степени распространения рака и общего состояния здоровья пациента. В некоторых случаях хирургическое вмешательство может оставаться частью лечения наряду с иммунотерапией. Следует отметить, что несмотря на развитие других методов диагностики, морфологические данные, полученные при патологоанатомическом исследовании, продолжают иметь клиническое значение при ведении онкологических пациентов. Некоторые морфологические характеристики, такие как саркоматоидная дифференцировка, дают ценную информацию об агрессивности опухоли и являются мишенями для персонализированного лечения (например, в случаях иммунотерапии).
Гистологическое исследования с использованием световой микроскопии играет решающую роль в определении гистологического типа и степени злокачественности опухолей почки. Традиционные системы классификации, такие как классификация Фурман, имеют ограничения в точности классификации опухолей. Эта классификация используется для оценки степени злокачественности на основании внешнего вида и структуры клеточных ядер, а не раковой клетки в целом. Согласно этой системе, рак почки подразделяется на четыре класса в зависимости от видимости ядрышка при различном увеличении микроскопа.
В настоящее время широко используется классификация опухолей ВОЗ/Международного общества урологической патологии (WHO/ISUP). Злокачественность опухоли I - III стадии определяется наличием в ядрах раковых клеток ядрышка, а IV стадия характеризуется ядерным плеоморфизмом и наличием гигантских клеток или рабдоидной/саркоматоидной дифференцировки. Валидационные исследования для хромофобной ПКК не продемонстрировали корреляции между оценкой и исходом как для классификации Фурман, так и для классификации WHO/ISUP и было рекомендовано не оценивать эти опухоли. Вариабельность результатов и трудоемкость “ручной” оценки всех ядер на гистологических изображениях являются сложными моментами в работе патологоанатома. Для преодоления этих ограничений разрабатываются автоматизированные подходы и системы поддержки принятия решений, которые позволяют выявить тонкие морфологические различия между клиническими группами и ускорить диагностический процесс.
Интеграция молекулярных данных, например, с помощью секвенирования следующего поколения (NGS), повышает надежность диагностики и прогнозирования ПКК. Анализ паттернов экспрессии генов помогает различать нормальные и раковые ткани, определять подтипы и стадии рака, понимать механизмы заболевания и выявлять потенциальные терапевтические мишени.
Технологии ИИ позволяют делать прогнозы развития заболеваний на основе дефектных генов, выявленных в ходе генетического секвенирования. Например, методы ИИ позволяют выявлять группы генов с коррелирующей экспрессией и выбирать репрезентативный ген для каждой группы.
Таким образом, точная классификация и стадирование ПКК имеют решающее значение для эффективного управления и планирования лечения. Интеграция молекулярных исследований, таких как радиогеномика, и традиционного морфологического анализа открывает перспективы для совершенствования систем классификации и улучшения результатов лечения пациентов в области рака почки.
Использование алгоритмов и методов ИИ значительно упрощает и ускоряет идентификацию, оценку и прогнозирование исходов наиболее распространенных вариантов опухолей почки. Одними из наиболее перспективных направлений применения ИИ в здравоохранении являются предиктивная аналитика, диагностическая визуализация заболеваний и поддержка принятия клинических решений.
Вот как разработка решений для диагностики почечно-клеточной карциномы с помощью ИИ видится глазами дата-аналитика.
Типы машинного обучения можно разделить на обучение с учителем и без учителя.
Первая группа методов используется для извлечения признаков из входных данных с целью прогнозирования и решения задач классификации и регрессии. Задача классификации представляет собой сопоставление входных данных с выходными метками, то есть предсказание дискретных данных. Регрессия используется для сопоставления входных данных с непрерывными выходными данными, то есть для прогнозирования выживаемости. Обучение без учителя использует внутреннюю структуру данных без задания меток и часто используется для кластеризации.
Нейронные сети имитируют нейронную топологию человеческого мозга. Они состоят из нескольких слоев искусственных нейронов (или узлов), причем нейроны в каждом слое могут реализовывать различные передаточные функции, что обеспечивает большую гибкость при решении различных задач. Нейронная сеть с большим числом слоев называется сетью глубокого обучения. Обычно имеющиеся изображения делятся на наборы для обучения, проверки и тестирования моделей. Стандартные этапы, необходимые для компьютерного анализа сканов гистологических препаратов ПКК и последующего обучения нейронной сети, включают в себя:
отбор гистологических сканов
выделение участков ткани
сегментацию и аннотирование
выделение различных морфологических признаков сегментированных участков
применение классификаторов
прогнозирование
Рис. 1. Типичный рабочий процесс гистологического анализа изображений тканей с помощью искусственного интеллекта включает получение изображений всего препарата, выбор интересующих областей и их обработку, ручную аннотацию экспертом и классификацию с использованием нейронной сети, которая генерирует клинически ориентированные результаты.
Мы рассмотрим каждый этап подробнее.
Для обучения нейронных сетей обычно используются изображения целого препарата, или сканы гистологических препаратов ПКК. Сканирование целого препарата представляет собой метод, при котором сканируется весь срез и создается единый цифровой файл высокого разрешения. Большинство авторов статей используют сканы, находящиеся в свободном доступе из биобанков и баз данных, таких как программа «Атлас генома рака». Другие исследователи оцифровывают препараты из гистологических архивов университетов или медицинских учреждений.
На отсканированных гистологических препаратах необходимо выделить небольшие участки для целенаправленной работы - области интереса (ОИ). Выбор областей интереса для повышения точности осуществляют независимо 2-3 высококвалифицированных патологоанатома для большей объективности. Обычно ОИ представляют собой квадратные области, выделенные на изображениях с длиной стороны от 1000 до 2000 пикселей. Микроскопические изображения клеток извлекаются из ОИ и аннотируются патологоанатомами на различные классы.
Структуры, представляющие интерес для исследователя, сегментируются и аннотируются в ОИ. Задачи сегментации можно разделить на традиционные методы извлечения признаков, или ручные методы, а также на методы глубокого обучения на основе свёрточной нейронной сети. Существует несколько методов сегментации ядер: линейные фильтры, пороговое выделение, кластеризация и методы выращивания областей. Сегментация ядер с использованием "маски" может быть двухэтапным процессом: сначала выполняется адаптивное пороговое выделение по каждому оттенку, насыщенности и значения (HSV) цветового спектра для выделения областей ядра из фона, а затем сегментация ядер на основе водоразделов, управляемых маркерами, для разделения соприкасающихся и перекрывающихся ядер. Вейвлет-преобразование также может быть использовано в качестве подготовительного этапа. Оно уменьшает шум на изображении и улучшает края клеток для более точного обнаружения ядер. Перед первичной сегментацией может быть проведена предварительная обработка, включающая цветовую деконволюцию и реконструкцию изображения. Для обучения нейронной сети изображение после сегментации может быть разделено на патчи, содержащие ядра клеток.
Сегментированные признаки морфологических структур могут быть охарактеризованы с помощью количественных показателей, или дескрипторов. Для того чтобы получить максимальное количество дескрипторов, используются различные методы их извлечения из изображений. При использовании нейронной сети для оценки класса опухоли можно выделить следующие морфологические признаки ядер: размер, форма, текстура и цвет. Цвета могут быть проанализированы с использованием различных каналов: красного, зеленого и синего (RGB); HSV; цветового пространства лаборатории; канала гематоксилина в цветовой деконволюции. Количественные характеристики, связанные с цветом, имеют среднее значение, стандартное отклонение, медиану, дисперсию и эксцесс. Оценивается также геометрия ядер, к этим показателям относятся площадь, длина главной оси, длина малой оси, периметр, площадь выпуклости и диаметр.
Текстура может быть описана с помощью следующих параметров: энергия, корреляция Харалика, сумма дисперсий, обратный момент разности, энтропия, инерция, информационные показатели корреляции, средняя сумма, энтропия суммы, дисперсия суммы, оттенок кластера, проминенс кластера, дисперсия разности, контраст и дисперсионная энтропия. Текстурные признаки предоставляют информацию о пространственном распределении уровней серого цвета, связанных со структурой ткани и маркерами в цитоплазме и ядрах. Матрица совпадений уровней серого кодирует свойства этого распределения. Матрица распределения уровней серого позволяет получить текстурные признаки из смежных, направленных последовательностей одинаковых интенсивностей уровней серого.
Рис.2. Дескрипторы клеточных ядер можно разделить на четыре группы: размер, форма, текстура и цвет.
Полученные данные обобщаются и обрабатываются с учетом морфологических признаков. Первоначально количество различных дескрипторов может составлять от десятков до нескольких тысяч. Затем выбирается небольшой набор (5-10) оптимальных морфологических признаков, которые будут использоваться в качестве входных данных классификаторов. Для отбора могут быть использованы следующие методы: анализ главных компонент, корреляция между признаками, корреляция между признаками и классами, ранжирование признаков с помощью линейной или нелинейной метода опорных векторов (МОВ), среднее и дисперсия признаков, принадлежащих к разным классам, объединенные в общую меру качества, генетический алгоритм, бинарная оптимизация роя частиц, метод случайного леса и т.д. Каждый метод обладает определенным набором наиболее важных функций. Для того чтобы разнообразить признаки изображения, обычно используется несколько различных алгоритмов.
Для обучения модели присвоения классов сегментированным ядрам чаще всего используются следующие наиболее часто применяемые классификаторы: МОВ (метод опорных векторов) и метод случайного леса.
Метод случайного леса используется для оценки важности признаков при распознавании классов. Важность признака измеряется путем перестановки его значений и оценки увеличения ошибки классификации по сравнению с исходным значением. Основная идея векторной системы поддержки заключается в переводе исходных векторов в пространство более высокой размерности и поиске разделяющей гиперплоскости с наибольшим зазором в этом пространстве. Для этого строятся две параллельные гиперплоскости по обе стороны изолирующей гиперплоскости. Модели обучаются, тестируются и их производительность оценивается на выборке с помощью 10-кратной кросс-валидации. Эффективность моделей оценивается с точки зрения диагностической точности, чувствительности, специфичности, положительной предсказательной ценности и отрицательной предсказательной ценности.
Свёрточные нейронные сети применяются для обработки гистологических изображений, направлены на эффективное распознавание образов и относящиеся к технологиям глубокого обучения. Для более точной визуализации иногда используется сложная архитектурная нейронная сеть, сочетающая в себе конволюционные нейронные сети и нейронные сети с полным подключением и выходным слоем. Когда нейронная сеть применяется к новому изображению, она сначала свертывает его, используя множество различных фильтров. В процессе свертки фильтр систематически сканирует изображение, чтобы определить есть ли на нем определенный паттерн, например, края или кривые.
Следующим этапом является операция подвыборки (max pooling). Он сводит близлежащие кластеры пикселей к одному пикселю, представляющему собой максимальное значение близлежащих пикселей. Объединение необходимо для сжатия большого изображения с целью уменьшения вычислительной мощности. Max pooling также позволяет модели агрегировать признаки путем усреднения мелких деталей для выбора из локальных признаков самого важного из них. После последнего шага объединения многомерное изображение преобразуется в векторное изображение. На каждом шаге обучения модель подстраивает свои параметры, чтобы минимизировать потери на обучающих данных. Потери измеряются как перекрестная ошибка категориальной энтропии между патологией и прогнозом сети.
Затем модель многократно итерируется для оптимизации веса. Это так называемые "эпохи обучения". Если после нескольких эпох модель не демонстрирует значительного снижения ошибки, то рассчитывается набор прогнозов на основе валидационного набора гистологических данных, использованных в процессе обучения. Результаты работы модели после валидации используются для дальнейшей настройки параметров модели и улучшения показателей эффективности. Обучение прекращается, когда показатели валидации больше не улучшаются.
Свёрточные нейронные сети могут быть использованы для автоматизации выделения области интереса (ОИ) опухолевой ткани из каждого изображения целого препарата (скана). Затем эти ОИ просматриваются патологоанатомом для удаления ошибочных фрагментов. При обучении нейронной сети для различения нормальной и опухолевой ткани ОИ должны включать как раковую ткань, так и различные типы окружающих тканей (стромальные или паренхимальные части органа). Наборы данных обычно состоят из ОИ-изображений с постоянным разрешением и увеличением, охватывающих зоны инфильтрации иммунными клетками, некроза, нормальной и дистрофической почечной паренхимы и т.д. При разработке нейронных сетей для оценки топографических характеристик опухолей необходимо обучить нейронную сеть распознавать каждый тип ткани. Разработать набор алгоритмов для такой классификации сложно, поскольку в микроокружении опухоли существует большое количество типов клеток, для распознавания каждого из которых требуется свой набор признаков.
Вместо этого исследователи используют подход, основанный на обучении без учителя, для классификации клеток на основе их морфологии без маркировки их типов с помощью автоэнкодера (специальная архитектура искусственных нейронных сетей, позволяющая применять обучение без учителя при использовании метода обратного распространения ошибки). Стекированный разреженный автоэнкодер — это нейронная сеть, состоящая из нескольких слоев разреженных автоэнкодеров, где выход каждого слоя является входом каждого последующего слоя.
Новейшие инструменты машинного обучения предоставляют новые возможности для количественной оценки клеточного состава и пространственной организации клеток. Васкуляризация, наличие некроза и прорастание опухоли в окружающие ткани, такие как почечная капсула или фасция Героты, могут влиять на прогрессирование и развитие опухоли. Микроокружение опухоли, включающее иммунные клетки, опухоль-ассоциированные фибробласты, эндотелиальные клетки, окружающие нормальные клетки и другие, играет важнейшую роль во влиянии на поведение и прогрессирование опухоли.
Однако гетерогенное микроокружение опухоли может способствовать устойчивости к системной терапии. Для более точного обнаружения сосудов в опухоли можно обучить нейронную сеть на сканах иммуногистохимических образцов с антителами к сосудистому эндотелию (CD31, CD34). Различные типы иммунных клеток также выявляются с помощью специфических антител: макрофаги - CD68, опухолеассоциированные макрофаги - CD163, Т-лимфоциты - CD3, цитотоксические Т-лимфоциты - CD8, В-лимфоциты - CD20. Также могут быть определены другие маркеры, например, маркер иммуносупрессии PD-L1, маркер пролиферации Ki-67, эпителиальный маркер PanCK и мезенхимальный маркер виментин.
После обучения и валидации нейронные сети могут прогнозировать выживаемость, используя такие клинические и эпидемиологические данные, как пол, возраст и стадия опухоли по классификации TNM (размер первичной опухоли (T — tumor), вовлеченность регионарных лимфатических узлов (N — nodes) и наличие отдаленных метастазов (M — metastasis)). Для отбора наиболее информативных признаков применяется регрессия ЛАССО (регрессия с наименьшим абсолютным сокращением и оператором отбора). Регрессия ЛАССО — это алгоритм, выполняющий отбор объясняющих переменных (выбор признаков) и регуляризацию (уменьшение дисперсии). Прогнозирование общей выживаемости, риска рецидива или других исходов у онкологических больных может быть полезно при разработке индивидуальных планов лечения и обеспечении последующего наблюдения за пациентами.
Другой интересной задачей является использование предварительно обученных нейронных сетей для диагностики различных опухолей. Способность проецировать ранее полученные знания на новые ситуации является важным навыком для принятия клинических решений. Поскольку биологическое поведение и особенности злокачественной опухоли являются общими для различных карцином, патологоанатомы часто могут использовать достаточно общие знания о распространенных патологиях для приблизительной оценки клинического поведения редких, атипичных поражений. Последние достижения в области глубокого обучения позволили конволюционным нейросетям выполнять очень сложные задачи классификации изображений.
Однако диагностические нейронные сети редко используются вне предполагаемого контекста обучения. Поэтому исследователи предлагают перенести функции глубокого обучения на гистоморфологический анализ, используя нейронные сети, предварительно обученные на различных типах рака, в качестве обобщаемых, калибруемых и совместно используемых инструментов цифровой патологии для аннотирования, классификации, обеспечения качества и профилирования тканей.
Очень перспективным направлением является анализ генных дефектов при ПКК. Белковые продукты поврежденных генов определяют молекулярные признаки, имеющие диагностическое значение и точно отражающие ключевые биологические механизмы, лежащие в основе рака. На сегодняшний день точная прогностическая связь между протеомикой и гистологическими особенностями опухоли достоверно не известна и является важным предметом изучения. Гистологические сканы и данные о генных дефектах выбираются из банков генов, таких как Консорциум по клиническому протеомному анализу опухолей (CPTAC) или Атлас генома рака (TCGA), Технологии ИИ могут способствовать изучению микроРНК в качестве биомаркеров для выявления и прогнозирования онкологических заболеваний благодаря присущей им стабильности и устойчивости, особенно при почечно-клеточной карциноме. Кроме того, ИИ, в частности метод случайного леса используется для выдвижения гипотез о влиянии различных типов генетических повреждений на прогноз и выживаемость.
Важным аспектом является точная предоперационная диагностика с использованием неинвазивных методов исследования, таких как радиомика. Некоторые исследователи показали, что анализ рентгенологических признаков в венозной фазе компьютерной томографии с последующим машинным обучением позволяет очень точно дифференцировать подтипы опухолей почек. Существуют публикации, в которых гистопатологические характеристики опухоли (метастатическая и неметастатическая ПКК) анализировались с помощью машинного обучения в сочетании с клиническими данными, такими как МРТ и КТ-сканы. Другие исследователи изучали связь между оценкой опухоли по шкале WHO/ISUP и рентгенологическими данными 406 пациентов с помощью МОВ в сочетании с тремя алгоритмами отбора признаков, такими как оператор наименьшего абсолютного сжатия и выбора (ЛАССО), Рекурсивное устранение признаков (РУП) и Рельеф.
В следующей части расскажем, как отделять разные виды рака почки друг от друга и почему это важно для обучения моделей.
Литература
Key Statistics About Kidney Cancer, American Cancer Society. Available online: https://www.cancer.org/cancer/types/kidney-cancer/about/key-statistics.html (accessed on 12 January 2023).
Znaor, A.; Lortet-Tieulent, J.; Laversanne, M.; Jemal, A.; Bray, F. International variations and trends in renal cell carcinoma incidence and mortality. Eur. Urol. 2015, 67, 519–530. [Google Scholar] [CrossRef]
WHO Classification of Tumours Editorial Board. Urinary and Male Genital Tumours; International Agency for Recearch on Cancer: Lyon, France, 2022; pp. 31–56. [Google Scholar]
Kidney Cancer Early Detection, Diagnosis, and Staging, American Cancer Society. Available online: https://www.cancer.org/cancer/types/kidney-cancer/detection-diagnosis-staging.html (accessed on 12 January 2023).
Brierley, J.D.; Gospodarowicz, M.K.; Wittekind, C.; International Union against Cancer (UICC). TNM Classification of Malignant Tumours, 8th ed.; Wiley: Oxford, UK, 2017; pp. 194–196. [Google Scholar]
Treatment of Kidney Cancer by Stage, American Cancer Society. Available online: https://www.cancer.org/cancer/types/kidney-cancer/treating/by-stage.html (accessed on 12 January 2023).
Fuhrman, S.A.; Lasky, L.C.; Limas, C. Prognostic significance of morphologic parameters in renal cell carcinoma. Am. J. Surg. Pathol. 1982, 6, 655–664. [Google Scholar] [CrossRef]
Dagher, J.; Delahunt, B.; Rioux-Leclercq, N.; Egevad, L.; Srigley, J.R.; Coughlin, G.; Dunglinson, N.; Gianduzzo, T.; Kua, B.; Malone, G.; et al. Clear cell renal cell carcinoma: Validation of World Health Organization/International Society of Urological Pathology grading. Histopathology 2017, 71, 918–925. [Google Scholar] [CrossRef]
Warren, A.Y.; Harrison, D. WHO/ISUP classification, grading and pathological staging of renal cell carcinoma: Standards and controversies. World J. Urol. 2018, 36, 1913–1926. [Google Scholar] [CrossRef]
Rahman, M.; Usman, O.L.; Muniyandi, R.C.; Sahran, S.; Mohamed, S.; Razak, R.A. A Review of Machine Learning Methods of Feature Selection and Classification for Autism Spectrum Disorder. Brain Sci. 2020, 10, 949. [Google Scholar] [CrossRef]
Ferro, M.; Musi, G.; Marchioni, M.; Maggi, M.; Veccia, A.; Del Giudice, F.; Barone, B.; Crocetto, F.; Lasorsa, F.; Antonelli, A.; et al. Radiogenomics in Renal Cancer Management—Current Evidence and Future Prospects. Int. J. Mol. Sci. 2023, 24, 4615. [Google Scholar] [CrossRef] [PubMed]
Ferro, M.; Crocetto, F.; Barone, B.; del Giudice, F.; Maggi, M.; Lucarelli, G.; Busetto, G.M.; Autorino, R.; Marchioni, M.; Cantiello, F.; et al. Artificial intelligence and radiomics in evaluation of kidney lesions: A comprehensive literature review. Ther. Adv. Urol. 2023, 15, 17562872231164803. [Google Scholar] [CrossRef] [PubMed]
Naghavi-Behzad, B.M.; Petersen, C.B.; Vogsen, M.; Braad, P.-E.; Hildebrandt, M.G.; Gerke, O. The Role of Artificial Intelligence in the Diagnosis and Prognosis of Renal Cell Tumors. Diagnostics 2021, 11, 206. [Google Scholar] [CrossRef]
Tian, K.; Rubadue, C.A.; Lin, D.I.; Veta, M.; Pyle, M.E.; Irshad, H.; Heng, Y.J. Automated clear cell renal carcinoma grade classification with prognostic significance. PLoS ONE 2019, 14, e0222641. [Google Scholar] [CrossRef]
Yeh, F.-C.; Parwani, A.V.; Pantanowitz, L.; Ho, C. Automated grading of renal cell carcinoma using whole slide imaging. J. Pathol. Inform. 2014, 5, 23. [Google Scholar] [CrossRef] [PubMed]
Kruk, M.; Kurek, J.; Osowski, S.; Koktysz, R.; Swiderski, B.; Markiewicz, T. Ensemble of classifiers and wavelet transformation for improved recognition of Fuhrman grading in clear-cell renal carcinoma. Biocybern. Biomed. Eng. 2017, 37, 357–364. [Google Scholar] [CrossRef]
Cheng, J.; Mo, X.; Wang, X.; Parwani, A.; Feng, Q.; Huang, K. Identification of topological features in renal tumor microenvironment associated with patient survival. Bioinformatics 2018, 34, 1024–1030. [Google Scholar] [CrossRef] [PubMed]
Champion, A.; Lu, G.; Walker, M.; Kothari, S.; Osunkoya, A.O.; Wang, M.D. Semantic interpretation of robust imaging features for Fuhrman grading of renal carcinoma. In Proceedings of the 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Chicago, IL, USA, 26–30 August 2014; pp. 6446–6449. [Google Scholar] [CrossRef]
Azuaje, F.; Kim, S.-Y.; Hernandez, D.P.; Dittmar, G. Connecting Histopathology Imaging and Proteomics in Kidney Cancer through Machine Learning. J. Clin. Med. 2019, 8, 1535. [Google Scholar] [CrossRef] [PubMed]
Fenstermaker, M.; Tomlins, S.A.; Singh, K.; Wiens, J.; Morgan, T.M. Development and Validation of a Deep-learning Model to Assist with Renal Cell Carcinoma Histopathologic Interpretation. Urology 2020, 144, 152–157. [Google Scholar] [CrossRef] [PubMed]
Faust, K.; Roohi, A.; Leon, A.J.; Leroux, E.; Dent, A.; Evans, A.J.; Pugh, T.J.; Kalimuthu, S.N.; Djuric, U.; Diamandis, P. Unsupervised Resolution of Histomorphologic Heterogeneity in Renal Cell Carcinoma Using a Brain Tumor-Educated Neural Network. JCO Clin. Cancer Inform. 2020, 4, 811–821. [Google Scholar] [CrossRef]
Lasorsa, F.; Rutigliano, M.; Milella, M.; Ferro, M.; Pandolfo, S.D.; Crocetto, F.; Tataru, O.S.; Autorino, R.; Battaglia, M.; Ditonno, P.; et al. Cellular and Molecular Players in the Tumor Microenvironment of Renal Cell Carcinoma. J. Clin. Med. 2023, 12, 3888. [Google Scholar] [CrossRef]
Ing, N.; Huang, F.; Conley, A.; You, S.; Ma, Z.; Klimov, S.; Ohe, C.; Yuan, X.; Amin, M.B.; Figlin, R.; et al. A novel machine learning approach reveals latent vascular phenotypes predictive of renal cancer outcome. Sci. Rep. 2017, 7, 13190. [Google Scholar] [CrossRef]
Marien, K.M.; Croons, V.; Waumans, Y.; Sluydts, E.; De Schepper, S.; Andries, L.; Waelput, W.; Fransen, E.; Vermeulen, P.B.; Kockx, M.M.; et al. Development and Validation of a Histological Method to Measure Microvessel Density in Whole-Slide Images of Cancer Tissue. PLoS ONE 2016, 11, e0161496. [Google Scholar] [CrossRef]
Synnott, N.C.; Poeta, M.L.; Costantini, M.; Pfeiffer, R.M.; Li, M.; Golubeva, Y.; Lawrence, S.; Mutreja, K.; Amoreo, C.; Dabrowska, M.; et al. Characterizing the tumor microenvironment in rare renal cancer histological types. J. Pathol. Clin. Res. 2022, 8, 88–98. [Google Scholar] [CrossRef]
Tabibu, S.; Vinod, P.K.; Jawahar, C.V. Pan-Renal Cell Carcinoma classification and survival prediction from histopathology images using deep learning. Sci. Rep. 2019, 9, 10509. [Google Scholar] [CrossRef]
Aveta, A.; Cilio, S.; Contieri, R.; Spena, G.; Napolitano, L.; Manfredi, C.; Franco, A.; Crocerossa, F.; Cerrato, C.; Ferro, M.; et al. Urinary MicroRNAs as Biomarkers of Urological Cancers: A Systematic Review. Int. J. Mol. Sci. 2023, 24, 10846. [Google Scholar] [CrossRef]
Uhlig, J.; Leha, A.; Delonge, L.M.; Haack, A.-M.; Shuch, B.; Kim, H.S.; Bremmer, F.; Trojan, L.; Lotz, J.; Uhlig, A. Radiomic Features and Machine Learning for the Discrimination of Renal Tumor Histological Subtypes: A Pragmatic Study Using Clinical-Routine Computed Tomography. Cancers 2020, 12, 3010. [Google Scholar] [CrossRef]
Shehata, M.; Alksas, A.; Abouelkheir, R.T.; Elmahdy, A.; Shaffie, A.; Soliman, A.; Ghazal, M.; Abu Khalifeh, H.; Salim, R.; Razek, A.A.K.A.; et al. A Comprehensive Computer-Assisted Diagnosis System for Early Assessment of Renal Cancer Tumors. Sensors 2021, 21, 4928. [Google Scholar] [CrossRef]
Schulz, S.; Woerl, A.-C.; Jungmann, F.; Glasner, C.; Stenzel, P.; Strobl, S.; Fernandez, A.; Wagner, D.-C.; Haferkamp, A.; Mildenberger, P.; et al. Multimodal Deep Learning for Prognosis Prediction in Renal Cancer. Front. Oncol. 2021, 11, 788740. [Google Scholar] [CrossRef] [PubMed]
Xv, Y.; Lv, F.; Guo, H.; Zhou, X.; Tan, H.; Xiao, M.; Zheng, Y. Machine learning-based CT radiomics approach for predicting WHO/ISUP nuclear grade of clear cell renal cell carcinoma: An exploratory and comparative study. Insights Imaging 2021, 12, 17. [Google Scholar] [CrossRef] [PubMed]