RenalCLIP：从“通用”转向“专病”，让医疗 AI 更懂肾癌诊疗

（本文阅读时间：7 分钟） 体检偶然发现的肾脏小肿块，常常让患者和医生陷入两难：它究竟是良性还是恶性？是立即手术，还是继续观察？现实中，一部分术后证实为良性的肿块，意味着患者可能承担了不必要的风险和医疗成本。如果能够在术前更准确地判断肿块的性质，并进一步推演治疗方案，将对肾癌的精准诊疗产生重要价值。 现有的通用医疗 AI 模型虽然具有广泛的医学影像表征能力，但往往无法深入理解肾癌诊疗中那些细微但关键的专科信息，例如肿瘤的形态特征、解剖位置以及这些特征与预后的深层联系。 为解决这一关键痛点，微软亚洲研究院联合复旦大学数字医学中心王烁团队，与复旦大学附属中山医院泌尿外科郭剑明、熊鹰团队，山东大学齐鲁医院泌尿外科俞能旺团队，及以临沂市人民医院泌尿外科邵志强团队为代表的国内多家知名泌尿外科专家团队，共同开展了多中心研究，并于近日 在 Nature Communications 上发表了相关研究成果——多模态基础模型 RenalCLIP 。不同于追求覆盖广泛的通用医疗 AI，RenalCLIP 选择深耕肾癌这一专病领域，通过系统学习大规模 CT 影像、放射学报告与临床任务之间的关系，让 AI 模型真正“读懂”肾癌。 论文信息已整理于文末，欢迎点击相关链接，了解更多技术详情。 RenalCLIP：让 AI 成为“肾癌专科医生” 与在多器官、多疾病中泛化学习的路径不同，RenalCLIP 将重心聚焦在肾癌的精准诊疗上，致力于成为深入理解肾脏肿块影像细节和临床语义的“专家”。模型基于来自 4 家医疗中心、共6,867 名患者的 CT 影像及报告进行预训练，构建了专病场景的基础认知。RenalCLIP不仅关注是否有病灶，更希望进一步理解病灶所代表的临床意义——是恶性还是侵袭性？手术复杂度和复发风险如何？ RenalCLIP的核心是两阶段预训练策略： 第一阶段，模型先从报告中提取肿瘤位置、大小和强化模式等结构化属性进行学习，掌握肾癌影像诊断的语言。 第二阶段，通过视觉-语言对比学习，将 CT 影像的细粒度特征与放射学报告中的临床语义对齐，使模型能够将影像表现与诊断及预后相对应。 通过这一过程，RenalCLIP 学会了识别影像中那些与肿瘤性质、手术风险及预后密切相关的特定特征。 图1：RenalCLIP框架示意图 在涵盖解剖表征、诊断分类和生存预测的系统评估中，RenalCLIP 展现出卓越的临床价值。它既能自动辅助进行R.E.N.A.L.手术规划评分，在识别良恶性和评估侵袭性的表现上也优于通用 CT 基础模型。 特别是在多中心联合外部测试集中，RenalCLIP 在良恶性诊断任务上取得了0.841的ROC AUC，相较于领先的通用基座模型（如CT-FM）和传统CNN，分别实现了13.8%和17.3%的性能提升，充分证明了其在面对真实世界复杂数据时强大的跨中心泛化能力。 更关键的是，RenalCLIP 提取的影像特征还能够有效预测复发无进展生存期和疾病特异性生存期，帮助医生利用术前 CT 提取非侵入式预后线索，从而指导个体化随访。在 TCIA 队列的复发无进展生存预测任务中，RenalCLIP 取得了 0.726 的 C-index，相比领先基线模型实现了约 20% 的提升。 图2：RenalCLIP在R.E.N.A.L.评分（左）和良恶性、侵袭性诊断（右）任务上的表现 图3：RenalCLIP在预后风险评估上的表现 上述结果表明，术前 CT 影像中可能蕴含着更多与患者长期风险相关的信息。RenalCLIP 有望将这些信息转化为医生可用的临床辅助依据，从而支持更加精准的患者管理。 少标注、零样本，专病模型更易适应新场景 面对医疗 AI 中普遍存在的标注数据稀缺问题，RenalCLIP 同样表现突出。它仅使用少量（约 20%）的微调数据，即可达到通用全量数据训练的效果，并具备较强的零样本泛化能力。这意味着，RenalCLIP在迁移到新场景或新任务时，不需要依赖大量繁重的人工标注。 图4：RenalCLIP在小样本微调与零样本任务中的表现 从“更大更广”到“更深更专” RenalCLIP 的成功表明，医疗基础模型的发展正在从追求“更大更广”走向“更深更专”。它不仅提升了 AI 在专病诊疗任务上的性能，更提出了一种全新的思路：未来的医疗基础模型应当深耕具体疾病，系统理解其临床逻辑，最终实现能够支撑治疗决策的专病世界模型。 尽管上述路径仍处于研究阶段，且需要进一步验证，但 RenalCLIP 已清晰地指明了方向——让 AI 术业有专攻，成为医生深度的诊疗助手，更好地服务于真实的临床需求。 A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer Nature Communications 链接 ： https://www.nature.com/articles/s41467-026-74175-w 开源代码： https://github.com/dt-yuhui/RenalCLIP 注：本文所述的微软亚洲研究院在医疗健康领域的研究均为科研探索性质，且均在专业医疗和医学研究机构的合作指导下进行，旨在推动科学进步并为人类未来的医疗健康应用提供理论和技术支持。所有研究均严格遵守微软负责任的 AI 流程的指导，并遵循公平、包容、可靠性与安全性、透明、隐私与保障、负责的原则。文中所提及的技术和方法目前均处于研究和开发阶段，尚未形成商业产品或服务，也不构成任何医疗建议或治疗方案。我们鼓励读者在面对健康问题时咨询合格的医疗专业人士。 #医疗AI #多模态基础模型 #精准医疗 #专病世界模型 你 也许还想看： 文章原文