分析性研究：利用基于规则的系统增强深度学习，通过断层扫描图像早期检测肾脏肿瘤的后果并实现自主决策

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Analytical Survey: Early Detection of Kidney Tumor Consequences and Auto Decision Making Through Tomography Images Using Rule-Based Systems Augmenting Deep Learning

肾脏肿瘤CT成像技术存在早期肾功能损害评估、转移风险预测及临床决策支持不足等问题。本文提出融合深度学习与规则推理的混合架构，通过强化预处理、分割、放射组学特征学习及后果预测（如肾功能影响、转移概率），结合临床指南的决策引擎，实现可解释的临床建议与不确定性量化。研究涵盖多中心验证和床旁可读性设计，提供模块化框架、决策映射模块及开放资源。

　　

摘要

本文探讨了医学成像（KT）研究中的五个长期存在的空白，其中包括肾脏肿瘤的成像问题：大多数系统仅停留在检测和分割阶段，很少能够评估肾功能障碍的早期后果、转移风险以及治疗的适宜性；深度模型往往难以解释，因此很少有临床机构信任它们，而且图像也很少能转化为可操作的决策支持。我们致力于构建一种混合式、知识驱动的架构，该架构结合深度学习进行CT断层扫描，并加入基于规则的推理层，以实现可解释的、考虑后果的、自动优先级的临床建议。该系统具备强大的预处理和分割能力，能够学习放射组学特征及表示方法，预测对肾功能的影响等后果指标，并实现一个规则增强的决策引擎，使其输出与指南逻辑保持一致，提供人类可读的依据并揭示校准后的不确定性。其创新之处在于将高性能分割、后果预测、嵌入式临床规则和可解释的决策逻辑四个要素统一到一个端到端的流程中，该流程专为多中心验证和床边解释而设计。成果包括：一个模块化的混合框架；一个将预测结果映射为建议和随访间隔的可解释决策模块；一个用于整合指南规则的集成层；一份强调校准、泛化和公平性的多数据集验证报告；以及开放的研究资源，如代码或配置文件、消融方案等。研究范围主要针对成人肾脏CT（包括多相扫描）、肿瘤/囊肿分割、亚型/分级识别、生存/转移风险分层以及面向临床医生的解释；手术过程中的工作流程和非CT形式的原始输入不在研究范围内。证据综述包含两个配套表格：一个基于25篇研究文章的“综合综述表”，另一个基于45篇研究文章的“综合综述表”。前者总结了基础数据集、基准测试、肾脏和肿瘤分割方法、放射组学基线以及XAI设计原则；后者涵盖了最近的挑战级分割技术进展、CNN-Transformer混合模型、不确定性处理方法、放射基因组学、生存/转移建模以及转化医学XAI或治理相关内容。这些表格共同为我们的设计选择提供了依据，例如预期的肾脏和肿瘤Dice值范围、典型的生存C指数以及数据整理或调整实践，并证明了开发一个基于规则、可解释、以后果为导向的决策流程在早期肾脏肿瘤管理中的必要性。临床试验编号：不适用。