Development of a preoperative risk prediction model of muscleinvasive upper tract urothelial carcinoma using clinical and radiomic computed tomography features

Initial results from a multi-institutional, Canadian study

Auteurs-es

  • David-Dan Nguyen University of Toronto
  • Paola V. Nasute Fauerbach
  • Jethro C.C. Kwong
  • Louise McLoughlin
  • Katherine Lajkosz
  • Majed Al-Rumayyan
  • Ammar Alam
  • Ioana Fugaru
  • Marie-Pier St-Laurent
  • Paul Toren
  • Vincent Fradet
  • Ricardo A. Rendon
  • D. Robert Siemens
  • Rodney H. Breau
  • Wassim Kassouf
  • Peter C. Black
  • Girish S. Kulkarni
  • Masoom A. Haider

DOI :

https://doi.org/10.5489/cuaj.9370

Mots-clés :

UTUC, Radiomics, Artificial Intelligence, Risk Stratification

Résumé

INTRODUCTION: Accurate pre-intervention staging of upper tract urothelial carcinoma (UTUC) remains a significant clinical challenge, particularly in identifying muscle-invasive disease (≥pT2), where kidney-sparing surgery may not be appropriate. Current imaging and biopsy approaches are often inadequate. Radiomics, which extracts high-dimensional features from medical imaging, may improve non-invasive staging. This study assessed whether computed tomography (CT)-based radiomic features, alone or combined with clinical data, could predict ≥pT2 UTUC in a multicenter Canadian cohort.

METHODS: We retrospectively analyzed clinical, pathologic, and radiographic features of patients with UTUC who underwent extirpative surgery at five academic centers from January 2, 2001, to May 1, 2023. Radiomic features were extracted from machine-learning segmentations of the affected kidney using the excretory phase of CT. Predictive models were developed using clinical-only, radiomic-only, and combined data to predict stage ≥pT2. Feature selection included univariable logistic regression, correlation filtering, and LASSO . Model performance was assessed via five-fold cross-validation repeated 10 times, with area under the curve (AUC) as the primary metric.

RESULTS: Of 441 patients, 208 (47.2%) were included. Of the 208 patients, 97 (46.6%) had ≥pT2 disease. The clinical model (AUC 0.602) included age, hydronephrosis, and high-grade cytology. The radiomics model, based on two texture features, achieved an AUC of 0.653. The combined model achieved an AUC of 0.647. Radiomics and combined models significantly outperformed the clinical model (p<0.01), but did not differ from each other. For 117 patients with renal pelvis cancers, the combined model’s discrimination performance was statistically better than the clinical model (AUC 0.708 vs. AUC 0.607, p<0.001). Likewise, the radiomics’ AUC discrimination performance was statistically better than the clinical model (AUC 0.694 vs. AUC 0.607, p=0.004). In contrast, we found no significant difference in model performance in the non-renal pelvis subgroup (n=91).

CONCLUSIONS: Conventional radiomics improved the prediction of muscle-invasive UTUC compared to clinical models alone, but overall accuracy remained suboptimal for clinical use. Heterogeneity in CT protocols and challenges with tumor segmentation were the main limitations. Future work should develop more adaptable AI models trained on larger, more diverse datasets to better reflect real-world imaging conditions.

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Téléchargements

Publié-e

2025-12-15

Comment citer

Nguyen, D.-D., Fauerbach, P. V. N., Kwong, J. C., McLoughlin, L., Lajkosz, K., Al-Rumayyan, M., … Haider, M. A. (2025). Development of a preoperative risk prediction model of muscleinvasive upper tract urothelial carcinoma using clinical and radiomic computed tomography features: Initial results from a multi-institutional, Canadian study. Canadian Urological Association Journal, 20(4), 122–31. https://doi.org/10.5489/cuaj.9370

Numéro

Vol. 20 No. 4 (2026): CUAJ April

Rubrique

Original Research

Licence

Les auteurs accordent les droits d’auteurs liés à l’article et son contenu à l’Association des urologues du Canada. Cette entente signifie que vous ne pouvez pas faire ce qui suit, sans d’abord obtenir l’autorisation écrite de l’AUC :

  • Afficher l’article sur tout site Web.
  • Traduire ou autoriser une tierce partie à traduire l’article.
  • Copier ou reproduire l’article par quelque moyen que ce soit et sous tout format que ce soit, ou autoriser d’autres à le faire, au-delà de ce qui est permis par la loi canadienne du droit d’auteur.
  • Copier ou reproduire des sections de l’article, y compris les tableaux et figures, par quelque moyen que ce soit, ou autoriser d’autres à le faire, au-delà de ce qui est permis par la loi canadienne du droit d’auteur.

L’AUC encourage l’usage des articles à des fins éducatives sans but commercial et ne refusera pas sans motif raisonnable toute demande d’autorisation à cet effet.

Vous conservez le droit moral lié à l’article et son contenu. Cela signifie que l’AUC ne peut utiliser ses droits d’auteurs d’une manière telle que cela pourrait avoir des répercussions négatives sur votre réputation ou sur votre droit à être associé à l’article.

L’AUC exige également que vous garantissiez ce qui suit :

  • Vous êtes l’auteur ou les auteurs et seul(s) propriétaire(s) du contenu, le contenu de l’article est original et n’a jamais été publié et vous n’en avez pas déjà cédé les droits d’auteurs ni accordé de licence concernant son contenu à toute autre tierce partie;
  • Toutes les personnes qui ont contribué de manière considérable à la rédaction de l’article sont mentionnées;
  • L’article ne viole aucun droit de propriété de toute tierce partie, et vous avez obtenu les autorisations requises pour inclure les travaux d’autres personnes dans cet article; et
  • L’article ne diffame aucune tierce partie ni ne viole les droits à la vie privée de toute tierce partie.