人工智能在泌尿外科影像学诊断的现状及展望

杨龙雨禾，王跃强，邱学德，张贵福，杨智明，黄 曦，俞 林

1红河州第一人民医院泌尿外科，云南 红河 661199；2昆明医科大学第二附属医院泌尿外科，云南 昆明 650101

在人工智能（AI）中，机器学习（ML）和深度学习（DL）技术使用人工神经网络，用来发现大型、高维数据集（如医学图像）中复杂的结构和模式。它们能够根据经验进行微调，适应自己的输入，从而进化。这一特点使它们成为模式识别、分类和预测的有力工具。本文旨在全面回顾近年来人工智能在泌尿外科领域影像学应用的发展，从尿石症、肾肿瘤、膀胱癌、前列腺癌4种常见泌尿系疾病的影像学应用综述，为今后人工智能的临床运用提供更开阔的思路。

1 AI概述

AI一词通常指模拟或模拟人类认知功能典型的智能过程的计算技术，如推理、学习和问题解决［1］。AI是计算机科学的一个分支，是一种多学科方法的一部分，它采用数学、逻辑、计算和生物学等领域的原理，试图建立通常以软件程序表示的智能实体［2-3］。鉴于AI的广泛性、动态性和不断扩展的计算能力，它已经彻底改变和重塑了我们的医疗系统，使医生能够提高他们执行医疗任务的能力［2］。随着医学界对AI的理解和接受程度的提高，在提高诊断准确率、加快临床进程和降低人力资源成本等方面在不断进步，从而帮助医学专业人员解决曾经耗时的问题［4］。

ML是AI的一个分支领域，涉及动态算法的开发和部署，以分析数据和便于识别内部模式［5］。ML在过去的几年里受到了极大的关注。它的迅速发展始于2009年左右，当时所谓的深度人工神经网络开始在一些重要的基准上超过其他已建立的模型。深度神经网络是目前最先进的ML模型，它跨越了从图像分析到自然语言处理等多个领域，广泛应用于学术界和工业界。这些发展在医学成像技术、医学数据分析、医学诊断和总体医疗保健等方面具有巨大的潜力［6］。

AI的最新进展也受到DL的推动。在深入学习中，计算机可以直接从原始数据中自动学习有用的表示和功能，主要特点是注重特征学习：数据的自动表达。这是DL方法和“经典”的ML之间的主要区别。发现特征和执行任务合并为一个问题，因此在相同的训练过程中两者都得到了改进。在医学成像中，DL主要由卷积神经网络触发，这是学习图像和其他结构化数据的有用的一种强大方法。DL包括在大数据集上训练多层人工神经网络。

在医疗卫生领域，ML和DL已越来越成功地应用于预防医学、图像识别诊断、个性化医学和临床决策等领域。本综述主要介绍ML和DL在尿石症、肾细胞癌、膀胱癌和前列腺癌中的应用，以为有效预测患者的预后提供参考。

2 在尿石症中的应用

Kadlec等［7］开发了一种可以预测各种形式的泌尿系结石预后的神经网络。输入382个经外科治疗的肾单位的结果，评估结石清除率（SFR）和二次手术几率（SFR以腹平片上无可见结石或CT上小于4 mm为准）。模型预测SFR的敏感性为75.3%，特异性为60.4%，二次手术的敏感性为30%，特异性为98.3%，阳性预测值为60%，阴性预测值为94.2%。

Aminsharifi等［8］用200名患者的术前和术后数据训练神经网络，并用它预测254名经皮肾镜取石术后的结果。预测SFR、输血几率，准确率和敏感性为81.0%～98.2%。Choo等［9］开发并验证了一个决策支持模型，该模型使用ML算法来预测输尿管结石患者单次冲击波碎石（SWL）后的治疗成功率。利用791例患者的数据，用15个变量构建的模型预测SWL预后的准确率为92.3%。在决策树分析中，结石体积、长度是术前最重要的两个变量；同样地，Seckiner等［10］收集了203名患者的数据，并开发了一个神经网络来预测SFR和支持SWL治疗计划。神经网络分析显示训练组SFR预测准确率为99.3%，验证组为85.5%，试验组为88.7%。

其他研究已经利用图像特征的计算机辅助检测，以辅助放射科医生识别结石。由于输尿管结石和静脉结石在形状和强度上的相似，Langkvist等［11］研发了一种深度卷积神经网（DCNN）以在薄层CT上区分它们。DCNN在一个数据库中进行评估，该数据库包含465例疑似肾绞痛患者的腹部CT扫描。在88次扫描的测试集上，该模型达到了100%的灵敏度，平均每个病人有2.68个假阳性。Kazemi等［12］开发出了一种用于肾结石类型早期检测和分析最有影响参数的神经网络。收集936例肾结石患者的资料，包括42个图像特征。该模型对预测肾结石类型和钙水平、尿酸状况、高血压、糖尿病的准确率为97.1%。

3 在肾细胞癌（RCC）中的应用

RCC的发病率在过去几十年中稳步上升，这是由于通过横截面成像偶然发现小肾肿块（SRM）［13］。外科系列研究表明，小于4 cm的SRMs中有20%～30%表现为良性，而20%表现出潜在的恶性［14］。然而目前还没有准确预测组织学分析的临床或放射学特征。MRI和CT已被用于无创性鉴别肿瘤的程度，模式和异质性的增强。尽管这些方法很有前途，但作为区分SRM的临床工具，它们仍然不是最优的。近年来，强大的ML算法被用来探索临床和影像学数据中复杂的相互作用，以提供诊断、预后、治疗计划和协助决策。

由于传统医学成像技术的局限性，人们对自动从医学图像中提取定量特征的放射医学越来越感兴趣。通过将影像学特征与肿瘤特征（包括组织学、肿瘤分级、遗传模式和分子表型）以及肾脏肿块患者的临床结局相关联，放射医学可能提供一种开发预测工具的新方法。像素分布和基于模式的纹理分析已经成为构建图像处理算法的实用定量方法，用于检测主观视觉评估无法确定的组织差异［15］。

一些研究表明，纹理分析在区分SRM方面具有潜力［16-18］。Yan等［19］研究显示纹理分析可能是鉴别血管平滑肌脂肪瘤、透明细胞癌（ccRCC）和乳头状癌的可靠定量方法，其准确度为90.7%～100%，也有研究在评价纹理分析在鉴别肾肿瘤（包括各种肾癌亚型和嗜酸细胞瘤）中得到应用。ML对ccRCC和乳头状癌与嗜酸细胞瘤的鉴别能力较好，Coy等［20］在179例经病理证实的肾肿块患者中，研究了基于DL的肾损害分级器，在常规四期多探头CT扫描中区分ccRCC和嗜酸细胞瘤的诊断价值和可行性。

此外，肿瘤的分级被广泛认为是最重要的独立预测因素之一［21］。研究表明，根据CT图像纹理特征构建的ML模型能够准确区分ccRCC的高低等级，准确度为0.73～0.93［19-22］。Ding等［23］的研究显示在识别ccRCC分级方面的高预测准确性，其结果优于从CT图像特征或肾肾计量学评分获得的高、低级别ccRCC预测结果。

近年来，以生物标记和多基因表达为基础的标记已被开发用于预测ccRCC的生存和疾病预后［24-25］。Li等［26］根据癌症基因组图谱中的15个生存相关基因建立了一个预后模型，结果显示模型高危组患者的生存率明显低于低危组。风险组与年龄和性别无关，但与血红蛋白水平、原发肿瘤大小和分级显著相关。放射基因组学是一个研究疾病影像学特征与潜在遗传模式或分子表型之间潜在联系的领域。Kocak等［27］利用ML算法评估定量CT扫描纹理分析预测PBRM1突变的可能性，PBRM1突变是ccRCC中第二常见的突变。总的来说，神经网络在PBRM1突变状态方面正确分类了88.2%的ccRCC，而随机ML算法正确分类了95%的ccRCC。

这些结果对于发展组织病理学亚型、预后和治疗反应的无创成像生物标记物是有帮助的。此外，研究还证明，根据放射影像学特征构建的无创ML和DL模型在预测国际泌尿病理学会分级方面具有与经皮肾活检相当的性能。准确的术前核分级有助于肾细胞癌患者的风险评估、患者分层和治疗计划。

4 在膀胱癌中的应用

膀胱癌的诊断和分期最终取决于膀胱镜检查和经尿道电切组织学检查。膀胱镜检查的主要局限性在于，鉴于疾病的多灶性和不明显但显著的病变（如原位癌），很难区分恶性肿瘤和健康尿路上皮。然而，基于CT/MRI图像的膀胱壁三维纹理特征分析显示了其作为一种无创的、基于图像的策略的潜力，可以准确识别异质性肿瘤分布，并在术前将膀胱癌与正常膀胱壁组织区分开来［28］。从癌变组织中提取并纳入ML模型的MRI纹理特征进一步证明了它们有能在术前以83%的准确率区分低级别和高级别膀胱癌的能力［29］。DCNNs也被用于分类和预测膀胱镜检查结果，具有高度的准确性［30］。这种DL模型可以集成到AI辅助成像诊断工具中，为泌尿科医生进行膀胱镜检查提供支持。“AI膀胱镜检查”可以作为外科培训和医学教育的辅助手段，帮助通过视觉评估区分良恶性病变，从而减少不必要的活检次数。基于图像的诊断的另一种方法是对从尿液中采集的细胞表面进行纳米级分辨率扫描［31］。原子力显微镜结合ML分析已被证明是一种无创检测膀胱癌的方法，当每名患者的尿液样本中检测5个细胞时，其准确率为94%。此外，与单纯膀胱镜检查相比，它在统计学上显著提高了诊断的准确性。基于ML的方法已被进一步应用于精确量化肌层浸润性膀胱癌患者免疫荧光标记玻片中的肿瘤芽［32］。肿瘤萌芽与TNM分期相关，根据疾病特异性死亡将所有分期的患者分为3个新的分期标准。通过自动玻片分析对肿瘤芽进行定量分析，可以为肌层浸润性膀胱癌患者提供一个具有预后价值的替代分期模型。

ML算法被用于从影像学和手术数据中建立复发率和存活时间预测模型。膀胱切除术后1、3、5年的患者复发率和生存率预测的敏感性和特异性均大于70%［33］。这些预测模型可以帮助制定患者的随访计划、辅助治疗，并通过优化手术数据收集提供改善护理的机会。识别复发最初呈现时基因的ML算法可以作为分子标记应用于预测经尿道电切术后5年内复发的风险［34］。将冻存的非肌肉侵袭性膀胱癌标本的全基因组图谱整合到遗传规划算法中，生成用于结果预测的分类器数学模型。该模型确定了21个与复发相关的关键基因，据此建立了一个最优的三基因规则[TMEM205×（NFKBIA×KRT17）]来预测复发，在测试集上的敏感性为70.6%，特异性为66.7%。

膀胱癌治疗的一个关键点是早期评估化疗疗效和预测治疗失败几率，以减少不必要的发病率，提高患者的生活质量，降低成本。因此，建立准确的预测模型以确定新辅助化疗的有效性在膀胱癌治疗中具有重要意义。计算机化决策支持系统（CDSS）已经被开发出来，为识别无应答者提供无创、客观和可重复的决策支持，从而可以早期中止治疗以保持其生理状态或区分器官保存的完全应答性。吴等人。比较不同DCNN模型的性能，结果显示它们有效地预测了膀胱病变对化疗的反应，并与放射科医生的性能进行了比较［35］。Cha等［36］开发了一种基于CT的CDSS，以提高对新辅助化疗完全有效的患者的识别率，并发现在CDSS的帮助下，医生的诊断准确率显著提高。因此，使用DL算法的计算机辅助治疗预测对于医学专业人员来说是非常宝贵的，它可以作为一种决策支持工具，用于改进考虑肌层浸润性膀胱癌的膀胱保留疗法的患者选择，并避免无应答者的不良反应。

尽管在预测膀胱癌患者预后方面进行了数项ML和DL研究，但在临床实践中很少采用这种模型。在将这些模型成功地应用于临床环境之前，其面临的主要挑战是纳入标准化参数、调整设备差异以及收集多机构数据以确保模型的通用性。一旦这些问题得到解决，ML和DL模型就可以使用膀胱癌数据集进行训练，使用术前、术中和术后数据准确预测单个患者的预后。

5 在前列腺癌（PCa）中的应用

除了经直肠穿刺活检外，尚没有其它明确PCa的诊断方式。虽然活检对于确诊是必要的，但由于可能出现的潜在并发症，低癌症风险的患者可以避免这一过程。为了实现这一目标，研究者们建立了预测模型，根据临床特点确定患者的癌症风险。多层神经网络在评估大量变量时比传统的统计方法更准确地预测了患者的前列腺活检结果，从非线性关系到logistic回归［37-38］。尽管MRI改进了PCa检测，从而减少了不必要的活检数量，但其性能和过度变化是全球标准化的主要障碍。采用DL结构的计算机辅助诊断系统已被应用于减少前列腺MRI的变化。这种方法的优点包括诊断的一致性、成本效益和效率的提高。Ishioka等［39］发展了DCNN算法，用于估计活检时癌症可能存在的区域，并在执行过程中减少误诊为癌症的患者数量。鉴于计算机辅助诊断系统的诊断精度超过了人类所能达到的诊断精度，且病理诊断具有较高的预测精度，仅凭MRI图像而不是活检来鉴别PCa具有临床意义。

应用于数字病理图像的自动计算方法显示了克服Gleason评分模糊性、传递可重复结果和生成大量数据的能力［40］。Arvanati等［41］训练DCNN作为Gleason评分注释器，并使用模型的预测将患者分为低、中、高风险组，获得病理学专家级的分层结果。准确的术后风险分层对于识别PCa特异性死亡率高风险的患者是至关重要的，这些患者将从早期干预中受益。Donovan等［42］引入了一个创新的平台，准确区分低、中、高风险PCa。通过将ML引导图像分析与生物学特性相结合，提供了一种广泛适用、独立于间期组织学的风险分配。Auffenberg等［43］利用由7543名被诊断为PCa的男性组成的前瞻性癌症数据，训练ML模型，基于具有相似特征的患者，帮助新诊断的男性预测治疗决策。其个性化模型随着年龄的增长而高度准确。

利用MRI图像进行治疗预测已被证明是一种有效的临床决策工具。Abdollahi等［44］开发了MRI数据的放射模型，用于PCa患者的个体化治疗反应预测。结果表明，从治疗前的MRI图像中提取的特征能够预测早期的治疗反应，且性能可靠。此外，Hung等［45］提出了一种新的ML方法来处理自动化性能指标，以评估机器人辅助根治性前列腺切除术后的手术性能和预测临床结果。他们的模型预测了住院时间、手术时间、Foley导管持续时间和尿失禁，准确率超过85%［46］。在最近的一项研究中，Wong等［47］使用3种ML算法预测早期生化复发，优于传统的统计回归模型。这种方法可以用于识别有风险的患者，并为患者和医生提供类似的预后信息，以提供个性化的医疗。

6 展望

AI技术在泌尿外科得到了广泛关注，但其在实际应用中仍面临着诸多障碍，在应用ML和DL方法治疗泌尿系统疾病的大多数研究中存在一些局限性［48］。首先，研究设计的易变性、所使用的算法、所使用的训练特征和观察到的终点使得难以进行定量分析。其次，这些研究中的大多数算法都是用它们的数据集进行验证的，因此它们缺乏外部验证，并且它们的结果在其他数据集中的通用性不适用。第三，在泌尿系结石领域，尤其需要进一步的算法开发和研究，以优于泌尿肿瘤研究中观察到的传统统计方法，从而降低手术成本，最大限度地提高患者的治疗效果。最后，一些研究没有将AI与传统的统计分析进行比较，因为这些方法只允许有限的训练特征，而AI可以处理大数据，因此可以训练更多的训练特征。因此，对任何两种技术进行比较都具有挑战性［5］。

ML和DL的预测精度将随着数据和模型再训练的进一步纳入，继续提供和增强个性化药物。更大的患者数据集和电子医疗记录可以半自动化，以提供即时预测分析，可用于了解各种疾病过程。然而，预测精度在很大程度上依赖于从不同来源获得的有效数据集成，以使其得以推广。尽管共享决策不会被这些模型所取代，但它可以补充患者从传统方法获得的信息。虽然这是一个开始，需要进一步的验证，但AI在泌尿外科领域有着无限的应用前景。同时人类的直觉、经验和常识将继续在未来AI的发展中发挥关键作用，以确保这些系统按预期运行，并及时处理不期望的后果。