Многоцентровое ретроспективное исследование включило 1103 пациента старше 60 лет с морфологически подтверждённым светлоклеточным почечноклеточным раком (ccRCC) из четырёх клиник. Пациенты распределены на обучающую когорту (n=459), внутреннюю валидационную когорту (n=198) и две независимые внешние тестовые когорты (test1, n=227; test2, n=219). Степени WHO/ISUP I–II классифицировали как низкую, III–IV — как высокую.
Из КТ в кортикомедуллярную фазу извлекали радиомические признаки из интратуморальной и последовательно расширенных интра-перитуморальных зон (1, 2 и 3 мм). Параллельно извлекали 2D и 2.5D признаки глубокого обучения с помощью предобученных на ImageNet сетей ResNet34, где 2.5D-подход объединял аксиальные, коронарные и сагиттальные срезы опухоли. После отбора признаков оценивали пять классификаторов машинного обучения. Оптимальные радиомическую, DL- и клиническую модели интегрировали методом stacking-based decision-level fusion.
Модель random forest на основе интра-перитуморальных радиомических признаков (3 мм) достигла AUC 0.754 (95% CI 0.683–0.825) и 0.725 (95% CI 0.655–0.794) в когортах test1 и test2 соответственно. RF-модель на основе 2.5D DL-признаков показала AUC 0.756 (95% CI 0.682–0.830) и 0.713 (95% CI 0.643–0.783).
Мультимодальная комбинированная модель превзошла одномодальные, достигнув AUC 0.775 (95% CI 0.705–0.845) в test1 и 0.732 (95% CI 0.664–0.800) в test2. Анализ кривых принятия решений (DCA) продемонстрировал клиническую пользу комбинированной модели, а SHAP-анализ выявил 2.5D DL-компонент как основной вклад в предсказания модели.
Мультимодальная КТ-платформа, интегрирующая интра-перитуморальную радиомику, 2.5D глубокое обучение и клинико-радиологическую информацию, обеспечила неинвазивный предоперационный прогноз степени WHO/ISUP у пожилых пациентов с ccRCC с сохранением предсказательной способности на независимых внешних когортах. Подход может дополнить визуализацию и клинические данные для предоперационной стратификации риска и индивидуализированного планирования лечения.