研究背景肾细胞癌约占所有成人恶性肿瘤中的3%,且随社会经济发展在全球发病率逐年上升,肾细胞癌存在多个亚型,以肾透明细胞癌（Clear cell renal cell carcinoma,ccRCC）最为常见且表现出明显的异质性,需要进行组织病理分级及分子分型,以辅助诊疗方案制定和进行预后预测。外科手术切除局灶性ccRCC是首选方案,肾部分切除术较根治性肾切除术能提高总生存时间、降低手术风险,术前需要全面评价肾脏、肾肿瘤等关键组织的解剖结构。因此临床需要精准评估肾肿瘤形态与异质性。深度学习利用量化图像信息识别复杂模式的能力超过人类,最近在医学影像的应用上蓬勃发展,如区分肾脏占位的良、恶性,深度学习模型的准确性甚至超越了四名放射学专家。以深度卷积神经网络为代表的深度学习技术在辅助临床决策上表现出巨大的潜力。研究目的为了减轻人工分割负荷、实现相对泛化的深度学习分割算法,本研究先构建基于CT图像和深度学习的肾肿瘤语义分割模型,再利用自动分割和人工复检的方式实现精准分割,并利用分割结果分别构建ccRCC病理分级和分子分型的预测模型,为临床诊疗提供辅助工具。材料与方法利用KiTS19公开数据集收集190例含人工标注的肾肿瘤CT图像;回顾性收集来自两家医院的211例含WHO/ISUP病理分级ccRCC患者的术前CT图像和临床病理信息;利用TCGA-KIRC项目收集140例含DNA甲基化分型的CT图像。首先利用KiTS19公开数据集基于3D-UNet和3D-Res-UNet两种网络架构构建肾肿瘤分割模型,并进行评价指标的比较。再利用人工标注本地数据对3D-Res-UNet模型进行微调。利用微调后模型对剩余图像进行自动分割,再逐一进行人工复核,基于分割图像和3D-ResNet-18网络分别构建ccRCC病理分级和分子分型模型,通过受试者工作特征曲线评的估模型诊断效能。结果基于3D-UNet和3D-Res-UNet两种网络架构构建肾肿瘤分割模型个案平均 Dice 相似性系数（Dice similarity coefficient,DSC）分别为 0.759、0.814（P<0.05）。微调前后,肾肿瘤分割模型对本地临床测试集个案平均DSC分别为0.718、0.835（P<0.05）。利用测试集评价所构建的ccRCC病理分级模型和分子亚型模型曲线下面积（areaunder curve,AUC）分别为0.902、0.886（95%置信区间分别为0.781-1.000以及0.775-0.998）。结论3D-Res-UNet网络结构能够较好的解决肾脏和肾癌图像的分割问题,利用公开数据集建立分割模型,再加入本地临床数据集对模型进行微调,是减少人力成本构建更具泛化能力模型的可行办法。基于深度学习构建的算法模型能较好的预测ccRCC ISUP/WHO分级和DNA甲基化分型,从而更加全面地评估肿瘤整体情况,指导临床诊疗和预后预测。