人工智能在泌尿外科影像學診斷的現狀及展望

楊龍雨禾，王躍強，邱學德，張貴福，楊智明，黃 曦，俞 林

1紅河州第一人民醫院泌尿外科，云南 紅河 661199；2昆明醫科大學第二附屬醫院泌尿外科，云南 昆明 650101

在人工智能（AI）中，機器學習（ML）和深度學習（DL）技術使用人工神經網絡，用來發現大型、高維數據集（如醫學圖像）中復雜的結構和模式。它們能夠根據經驗進行微調，適應自己的輸入，從而進化。這一特點使它們成為模式識別、分類和預測的有力工具。本文旨在全面回顧近年來人工智能在泌尿外科領域影像學應用的發展，從尿石癥、腎腫瘤、膀胱癌、前列腺癌4種常見泌尿系疾病的影像學應用綜述，為今后人工智能的臨床運用提供更開闊的思路。

1 AI概述

AI一詞通常指模擬或模擬人類認知功能典型的智能過程的計算技術，如推理、學習和問題解決［1］。AI是計算機科學的一個分支，是一種多學科方法的一部分，它采用數學、邏輯、計算和生物學等領域的原理，試圖建立通常以軟件程序表示的智能實體［2-3］。鑒于AI的廣泛性、動態性和不斷擴展的計算能力，它已經徹底改變和重塑了我們的醫療系統，使醫生能夠提高他們執行醫療任務的能力［2］。隨著醫學界對AI的理解和接受程度的提高，在提高診斷準確率、加快臨床進程和降低人力資源成本等方面在不斷進步，從而幫助醫學專業人員解決曾經耗時的問題［4］。

ML是AI的一個分支領域，涉及動態算法的開發和部署，以分析數據和便于識別內部模式［5］。ML在過去的幾年里受到了極大的關注。它的迅速發展始于2009年左右，當時所謂的深度人工神經網絡開始在一些重要的基準上超過其他已建立的模型。深度神經網絡是目前最先進的ML模型，它跨越了從圖像分析到自然語言處理等多個領域，廣泛應用于學術界和工業界。這些發展在醫學成像技術、醫學數據分析、醫學診斷和總體醫療保健等方面具有巨大的潛力［6］。

AI的最新進展也受到DL的推動。在深入學習中，計算機可以直接從原始數據中自動學習有用的表示和功能，主要特點是注重特征學習：數據的自動表達。這是DL方法和“經典”的ML之間的主要區別。發現特征和執行任務合并為一個問題，因此在相同的訓練過程中兩者都得到了改進。在醫學成像中，DL主要由卷積神經網絡觸發，這是學習圖像和其他結構化數據的有用的一種強大方法。DL包括在大數據集上訓練多層人工神經網絡。

在醫療衛生領域，ML和DL已越來越成功地應用于預防醫學、圖像識別診斷、個性化醫學和臨床決策等領域。本綜述主要介紹ML和DL在尿石癥、腎細胞癌、膀胱癌和前列腺癌中的應用，以為有效預測患者的預后提供參考。

2 在尿石癥中的應用

Kadlec等［7］開發了一種可以預測各種形式的泌尿系結石預后的神經網絡。輸入382個經外科治療的腎單位的結果，評估結石清除率（SFR）和二次手術幾率（SFR以腹平片上無可見結石或CT上小于4 mm為準）。模型預測SFR的敏感性為75.3%，特異性為60.4%，二次手術的敏感性為30%，特異性為98.3%，陽性預測值為60%，陰性預測值為94.2%。

Aminsharifi等［8］用200名患者的術前和術后數據訓練神經網絡，并用它預測254名經皮腎鏡取石術后的結果。預測SFR、輸血幾率，準確率和敏感性為81.0%～98.2%。Choo等［9］開發并驗證了一個決策支持模型，該模型使用ML算法來預測輸尿管結石患者單次沖擊波碎石（SWL）后的治療成功率。利用791例患者的數據，用15個變量構建的模型預測SWL預后的準確率為92.3%。在決策樹分析中，結石體積、長度是術前最重要的兩個變量；同樣地，Seckiner等［10］收集了203名患者的數據，并開發了一個神經網絡來預測SFR和支持SWL治療計劃。神經網絡分析顯示訓練組SFR預測準確率為99.3%，驗證組為85.5%，試驗組為88.7%。

其他研究已經利用圖像特征的計算機輔助檢測，以輔助放射科醫生識別結石。由于輸尿管結石和靜脈結石在形狀和強度上的相似，Langkvist等［11］研發了一種深度卷積神經網（DCNN）以在薄層CT上區分它們。DCNN在一個數據庫中進行評估，該數據庫包含465例疑似腎絞痛患者的腹部CT掃描。在88次掃描的測試集上，該模型達到了100%的靈敏度，平均每個病人有2.68個假陽性。Kazemi等［12］開發出了一種用于腎結石類型早期檢測和分析最有影響參數的神經網絡。收集936例腎結石患者的資料，包括42個圖像特征。該模型對預測腎結石類型和鈣水平、尿酸狀況、高血壓、糖尿病的準確率為97.1%。

3 在腎細胞癌（RCC）中的應用

RCC的發病率在過去幾十年中穩步上升，這是由于通過橫截面成像偶然發現小腎腫塊（SRM）［13］。外科系列研究表明，小于4 cm的SRMs中有20%～30%表現為良性，而20%表現出潛在的惡性［14］。然而目前還沒有準確預測組織學分析的臨床或放射學特征。MRI和CT已被用于無創性鑒別腫瘤的程度，模式和異質性的增強。盡管這些方法很有前途，但作為區分SRM的臨床工具，它們仍然不是最優的。近年來，強大的ML算法被用來探索臨床和影像學數據中復雜的相互作用，以提供診斷、預后、治療計劃和協助決策。

由于傳統醫學成像技術的局限性，人們對自動從醫學圖像中提取定量特征的放射醫學越來越感興趣。通過將影像學特征與腫瘤特征（包括組織學、腫瘤分級、遺傳模式和分子表型）以及腎臟腫塊患者的臨床結局相關聯，放射醫學可能提供一種開發預測工具的新方法。像素分布和基于模式的紋理分析已經成為構建圖像處理算法的實用定量方法，用于檢測主觀視覺評估無法確定的組織差異［15］。

一些研究表明，紋理分析在區分SRM方面具有潛力［16-18］。Yan等［19］研究顯示紋理分析可能是鑒別血管平滑肌脂肪瘤、透明細胞癌（ccRCC）和乳頭狀癌的可靠定量方法，其準確度為90.7%～100%，也有研究在評價紋理分析在鑒別腎腫瘤（包括各種腎癌亞型和嗜酸細胞瘤）中得到應用。ML對ccRCC和乳頭狀癌與嗜酸細胞瘤的鑒別能力較好，Coy等［20］在179例經病理證實的腎腫塊患者中，研究了基于DL的腎損害分級器，在常規四期多探頭CT掃描中區分ccRCC和嗜酸細胞瘤的診斷價值和可行性。

此外，腫瘤的分級被廣泛認為是最重要的獨立預測因素之一［21］。研究表明，根據CT圖像紋理特征構建的ML模型能夠準確區分ccRCC的高低等級，準確度為0.73～0.93［19-22］。Ding等［23］的研究顯示在識別ccRCC分級方面的高預測準確性，其結果優于從CT圖像特征或腎腎計量學評分獲得的高、低級別ccRCC預測結果。

近年來，以生物標記和多基因表達為基礎的標記已被開發用于預測ccRCC的生存和疾病預后［24-25］。Li等［26］根據癌癥基因組圖譜中的15個生存相關基因建立了一個預后模型，結果顯示模型高危組患者的生存率明顯低于低危組。風險組與年齡和性別無關，但與血紅蛋白水平、原發腫瘤大小和分級顯著相關。放射基因組學是一個研究疾病影像學特征與潛在遺傳模式或分子表型之間潛在聯系的領域。Kocak等［27］利用ML算法評估定量CT掃描紋理分析預測PBRM1突變的可能性，PBRM1突變是ccRCC中第二常見的突變。總的來說，神經網絡在PBRM1突變狀態方面正確分類了88.2%的ccRCC，而隨機ML算法正確分類了95%的ccRCC。

這些結果對于發展組織病理學亞型、預后和治療反應的無創成像生物標記物是有幫助的。此外，研究還證明，根據放射影像學特征構建的無創ML和DL模型在預測國際泌尿病理學會分級方面具有與經皮腎活檢相當的性能。準確的術前核分級有助于腎細胞癌患者的風險評估、患者分層和治療計劃。

4 在膀胱癌中的應用

膀胱癌的診斷和分期最終取決于膀胱鏡檢查和經尿道電切組織學檢查。膀胱鏡檢查的主要局限性在于，鑒于疾病的多灶性和不明顯但顯著的病變（如原位癌），很難區分惡性腫瘤和健康尿路上皮。然而，基于CT/MRI圖像的膀胱壁三維紋理特征分析顯示了其作為一種無創的、基于圖像的策略的潛力，可以準確識別異質性腫瘤分布，并在術前將膀胱癌與正常膀胱壁組織區分開來［28］。從癌變組織中提取并納入ML模型的MRI紋理特征進一步證明了它們有能在術前以83%的準確率區分低級別和高級別膀胱癌的能力［29］。DCNNs也被用于分類和預測膀胱鏡檢查結果，具有高度的準確性［30］。這種DL模型可以集成到AI輔助成像診斷工具中，為泌尿科醫生進行膀胱鏡檢查提供支持。“AI膀胱鏡檢查”可以作為外科培訓和醫學教育的輔助手段，幫助通過視覺評估區分良惡性病變，從而減少不必要的活檢次數。基于圖像的診斷的另一種方法是對從尿液中采集的細胞表面進行納米級分辨率掃描［31］。原子力顯微鏡結合ML分析已被證明是一種無創檢測膀胱癌的方法，當每名患者的尿液樣本中檢測5個細胞時，其準確率為94%。此外，與單純膀胱鏡檢查相比，它在統計學上顯著提高了診斷的準確性。基于ML的方法已被進一步應用于精確量化肌層浸潤性膀胱癌患者免疫熒光標記玻片中的腫瘤芽［32］。腫瘤萌芽與TNM分期相關，根據疾病特異性死亡將所有分期的患者分為3個新的分期標準。通過自動玻片分析對腫瘤芽進行定量分析，可以為肌層浸潤性膀胱癌患者提供一個具有預后價值的替代分期模型。

ML算法被用于從影像學和手術數據中建立復發率和存活時間預測模型。膀胱切除術后1、3、5年的患者復發率和生存率預測的敏感性和特異性均大于70%［33］。這些預測模型可以幫助制定患者的隨訪計劃、輔助治療，并通過優化手術數據收集提供改善護理的機會。識別復發最初呈現時基因的ML算法可以作為分子標記應用于預測經尿道電切術后5年內復發的風險［34］。將凍存的非肌肉侵襲性膀胱癌標本的全基因組圖譜整合到遺傳規劃算法中，生成用于結果預測的分類器數學模型。該模型確定了21個與復發相關的關鍵基因，據此建立了一個最優的三基因規則[TMEM205×（NFKBIA×KRT17）]來預測復發，在測試集上的敏感性為70.6%，特異性為66.7%。

膀胱癌治療的一個關鍵點是早期評估化療療效和預測治療失敗幾率，以減少不必要的發病率，提高患者的生活質量，降低成本。因此，建立準確的預測模型以確定新輔助化療的有效性在膀胱癌治療中具有重要意義。計算機化決策支持系統（CDSS）已經被開發出來，為識別無應答者提供無創、客觀和可重復的決策支持，從而可以早期中止治療以保持其生理狀態或區分器官保存的完全應答性。吳等人。比較不同DCNN模型的性能，結果顯示它們有效地預測了膀胱病變對化療的反應，并與放射科醫生的性能進行了比較［35］。Cha等［36］開發了一種基于CT的CDSS，以提高對新輔助化療完全有效的患者的識別率，并發現在CDSS的幫助下，醫生的診斷準確率顯著提高。因此，使用DL算法的計算機輔助治療預測對于醫學專業人員來說是非常寶貴的，它可以作為一種決策支持工具，用于改進考慮肌層浸潤性膀胱癌的膀胱保留療法的患者選擇，并避免無應答者的不良反應。

盡管在預測膀胱癌患者預后方面進行了數項ML和DL研究，但在臨床實踐中很少采用這種模型。在將這些模型成功地應用于臨床環境之前，其面臨的主要挑戰是納入標準化參數、調整設備差異以及收集多機構數據以確保模型的通用性。一旦這些問題得到解決，ML和DL模型就可以使用膀胱癌數據集進行訓練，使用術前、術中和術后數據準確預測單個患者的預后。

5 在前列腺癌（PCa）中的應用

除了經直腸穿刺活檢外，尚沒有其它明確PCa的診斷方式。雖然活檢對于確診是必要的，但由于可能出現的潛在并發癥，低癌癥風險的患者可以避免這一過程。為了實現這一目標，研究者們建立了預測模型，根據臨床特點確定患者的癌癥風險。多層神經網絡在評估大量變量時比傳統的統計方法更準確地預測了患者的前列腺活檢結果，從非線性關系到logistic回歸［37-38］。盡管MRI改進了PCa檢測，從而減少了不必要的活檢數量，但其性能和過度變化是全球標準化的主要障礙。采用DL結構的計算機輔助診斷系統已被應用于減少前列腺MRI的變化。這種方法的優點包括診斷的一致性、成本效益和效率的提高。Ishioka等［39］發展了DCNN算法，用于估計活檢時癌癥可能存在的區域，并在執行過程中減少誤診為癌癥的患者數量。鑒于計算機輔助診斷系統的診斷精度超過了人類所能達到的診斷精度，且病理診斷具有較高的預測精度，僅憑MRI圖像而不是活檢來鑒別PCa具有臨床意義。

應用于數字病理圖像的自動計算方法顯示了克服Gleason評分模糊性、傳遞可重復結果和生成大量數據的能力［40］。Arvanati等［41］訓練DCNN作為Gleason評分注釋器，并使用模型的預測將患者分為低、中、高風險組，獲得病理學專家級的分層結果。準確的術后風險分層對于識別PCa特異性死亡率高風險的患者是至關重要的，這些患者將從早期干預中受益。Donovan等［42］引入了一個創新的平臺，準確區分低、中、高風險PCa。通過將ML引導圖像分析與生物學特性相結合，提供了一種廣泛適用、獨立于間期組織學的風險分配。Auffenberg等［43］利用由7543名被診斷為PCa的男性組成的前瞻性癌癥數據，訓練ML模型，基于具有相似特征的患者，幫助新診斷的男性預測治療決策。其個性化模型隨著年齡的增長而高度準確。

利用MRI圖像進行治療預測已被證明是一種有效的臨床決策工具。Abdollahi等［44］開發了MRI數據的放射模型，用于PCa患者的個體化治療反應預測。結果表明，從治療前的MRI圖像中提取的特征能夠預測早期的治療反應，且性能可靠。此外，Hung等［45］提出了一種新的ML方法來處理自動化性能指標，以評估機器人輔助根治性前列腺切除術后的手術性能和預測臨床結果。他們的模型預測了住院時間、手術時間、Foley導管持續時間和尿失禁，準確率超過85%［46］。在最近的一項研究中，Wong等［47］使用3種ML算法預測早期生化復發，優于傳統的統計回歸模型。這種方法可以用于識別有風險的患者，并為患者和醫生提供類似的預后信息，以提供個性化的醫療。

6 展望

AI技術在泌尿外科得到了廣泛關注，但其在實際應用中仍面臨著諸多障礙，在應用ML和DL方法治療泌尿系統疾病的大多數研究中存在一些局限性［48］。首先，研究設計的易變性、所使用的算法、所使用的訓練特征和觀察到的終點使得難以進行定量分析。其次，這些研究中的大多數算法都是用它們的數據集進行驗證的，因此它們缺乏外部驗證，并且它們的結果在其他數據集中的通用性不適用。第三，在泌尿系結石領域，尤其需要進一步的算法開發和研究，以優于泌尿腫瘤研究中觀察到的傳統統計方法，從而降低手術成本，最大限度地提高患者的治療效果。最后，一些研究沒有將AI與傳統的統計分析進行比較，因為這些方法只允許有限的訓練特征，而AI可以處理大數據，因此可以訓練更多的訓練特征。因此，對任何兩種技術進行比較都具有挑戰性［5］。

ML和DL的預測精度將隨著數據和模型再訓練的進一步納入，繼續提供和增強個性化藥物。更大的患者數據集和電子醫療記錄可以半自動化，以提供即時預測分析，可用于了解各種疾病過程。然而，預測精度在很大程度上依賴于從不同來源獲得的有效數據集成，以使其得以推廣。盡管共享決策不會被這些模型所取代，但它可以補充患者從傳統方法獲得的信息。雖然這是一個開始，需要進一步的驗證，但AI在泌尿外科領域有著無限的應用前景。同時人類的直覺、經驗和常識將繼續在未來AI的發展中發揮關鍵作用，以確保這些系統按預期運行，并及時處理不期望的后果。