基于人工智能经直肠超声诊断前列腺癌研究进展

梁银莹，李 毅，孔国权，杨 川，卢 旭，黄 君*

(1.暨南大学附属第一医院超声科，广东 广州 510630；2.广东技术师范大学计算机科学学院，广东 广州 510665)

前列腺癌(prostate cancer, PCa)发病率居全球男性恶性肿瘤第三位，严重威胁男性健康[1]。近30年来，由于生活方式的改变、人口老龄化及环境污染等问题不断加剧，中国男性PCa死亡率呈持续上升趋势[2]。早期诊治PCa至关重要[3]。检查PCa的方法主要包括检测前列腺特异性抗原(prostate specific antigen, PSA)、直肠指检(digital rectal examination, DRE)、MRI、经腹及经直肠超声(transrectal ultrasound, TRUS)和TRUS引导下前列腺穿刺活检等。TRUS无创、易操作、成本低，有助于动态观察疾病进展，但敏感性和特异性均较低，且在很大程度上依赖于操作医师的经验，具有一定主观性。人工智能(artificial intelligence, AI)可弥补TRUS的缺陷。随着AI迅速发展，自动量化医学影像分析和处理逐渐受到关注[4]。本文对近年来基于AI的TRUS诊断PCa研究进展进行综述。

1 AI用于医疗

AI可根据所提供的数据执行认知任务以实现特定目标，其核心技术主要包括机器学习(machine learning，ML)、深度学习(deep learning, DL)和神经网络算法等。1956年首次提出AI[5]，之后美国学者[6]将其用于医疗，并以之诊断感染性疾病。21世纪以来，以DL和人工神经网络(artificial neural network, ANN)为代表的AI辅助超声诊断技术在影像学诊断肺结节[7]、乳腺癌[8]、视网膜病变[9]和前列腺癌[10]等疾病中应用受到广泛关注，具有广阔发展前景[11]。目前我国医疗保健体系正逐渐应用AI以改善疾病预防、诊断及治疗模式，AI用于图像处理的关键是图像分类、检测、分割及生成等[12]。

2 计算机辅助诊断系统检查PCa

计算机辅助诊断(computer aided diagnosis, CAD)系统可于TRUS前列腺图像中检出肉眼无法观察到的信息，包括病变区域的纹理及边缘等；通过分割前列腺图像中的病灶与其他区域，可提取病变特征，并判断其良、恶性，有助于诊断PCa，提高医师阅片的准确性[13-14]。

2.1 分割TRUS前列腺图像 精准分割TRUS前列腺图像有助于评估前列腺病变性质。临床多采用人工勾勒TRUS前列腺图像中的病变区域作为分割“金标准”，造成工作量增加，且严重依赖医师的经验和判断力。van SLOUN等[15]应用DL技术实时、自动分割TRUS图像中的前列腺，与传统自动化技术相比，分割精确度和鲁棒性得到显著改善，并可快速识别潜在的错误分割。汪兆明[16]提出利用ProNet网络分割TRUS图像中的前列腺，以避免伪像和边界缺失等问题的影响，其分割结果与“金标准”分割结果间的平均绝对值仅相差0.360 mm，提示该方法有效。卢旭等[17]归纳现有分割TRUS图像中前列腺的技术，分为基于轮廓、基于区域、基于分类和聚类等进行分割。但目前多数分割方法缺乏大样本前瞻性研究结果的支持，且普遍存在假阳性结果过多的缺点。

2.2 提取前列腺TRUS特征参数 以计算机技术量化前列腺病变的超声特征并进行分析是CAD的关键技术之一，但并非特征参数越多越好，选择有意义的特征，如形态学特征、纹理特征、空间位置特征和方向梯度直方图(histogram of oriented gradients, HOG)等可缩短CAD系统运行时间、提高诊断效率。杨振森[18]选用小波域统计特征、各尺度频率域特征和梯度图像特征等参数，并采用特征维度约减算法选择最合适的特征参数子集，结果表明上述特征参数性能良好，可为后续评估良恶性病变奠定基础。FENG等[19]以基于三维卷积神经网络(three-dimensional convolutional neural network, 3D-CNN)的DL框架提取连续超声造影(contrast-enhanced ultrasound, CEUS)图像中PCa的时空特征参数，其检测PCa的特异性和准确率分别可达91%和90%，表明AI与新兴超声技术结合可促进PCa可视化。

2.3 TRUS图像前列腺分类 分类指CAD系统对TRUS前列腺图像的输出结果，其准确度受分类器本身和不同特征参数的影响较大。利用支持向量机(support vector machine, SVM)和AdaBoost可较好地判断良恶性病变，辅助临床诊断[18]。有学者[20]运用共存矩阵在K近邻算法(K-nearest neighbor, K-NN)和Markov中开发的模式识别软件模型可较为准确地诊断PCa。LIU等[21]采用迁移学习方式引入经预训练的Inception V3分类网络模型对分割后的TRUS前列腺图像进行分类，其准确率优于Xception、InceptionResNet V2和Resnet50模型，较人工亦有明显提高，未来或可用于临床。

3 AI辅助建立超声预测PCa模型

基于AI的超声预测PCa模型是从超声图像中定量提取PCa的特征而建立的ML模型，可用于定性诊断、肿瘤分级和预后预测等。PORTER等[22]分析了6种TRUS预测模型，其中5种属于ML模型，即ANN，1种是Logistic回归模型，其预测TRUS前列腺穿刺活检病理结果的效能相近，且随着更复杂变量的引入，ANN可作为主要模型预测PCa，避免不必要的穿刺。邱志磊等[23]以年龄、PSA(TPSA、FPSA/TPSA、PSAD)、前列腺体积、DRE、TRUS和MRI结果作为输入指标，以病理结果作为输出指标，采用反向传播方式建立ANN模型，其预测PCa的特异度可达80%，敏感度达93.3%。以上研究结果表明，运用AI技术建立超声预测PCa模型可用于评估患者罹患PCa的风险，并指导前列腺穿刺活检。

4 AI辅助TRUS前列腺穿刺活检

前列腺穿刺活检组织病理学结果仍是诊断PCa的金标准，而20%～30%的PCa 于TRUS声像图中呈等回声，导致病灶难以辨认而无法进行穿刺。LOCH等[24]应用ANN技术分析并标记前列腺TRUS声像图建立的ANN分析计算机化经直肠超声(ANN analysis computerized TRUS, ANNAcTRUS)靶向穿刺系统具有准确度高、穿刺针数及并发症少等优点。汪松[25]通过单中心随机对照试验比较ANNAcTRUS靶向系统穿刺、12针系统穿刺和多参数MRI(multiparameter MRI, mpMRI)引导12针系统穿刺，发现ANNAcTRUS组PCa检出率(49.6%)显著高于12针系统穿刺组(34.0%)和mpMRI组(35.8%)，且其单针阳性率更高，能以较少穿刺针数检出PCa。TOKAS等[26]对71例接受ANNAcTRUS靶向穿刺活检的疑诊PCa患者随访12年，发现ANNAcTRUS靶向穿刺活检系统可有效监测疑诊PCa患者，并可替代重复性穿刺活检。AZIZI等[27]应用具有DL功能的时间增强超声(temporal enhanced ultrasound, TeUS)引导前列腺穿刺活检，其曲线下面积(area under the curve, AUC)达0.85，表明该方法可有效引导前列腺穿刺活检。项尖尖等[28]以AI标注的敏感区域作为靶区，指导TRUS引导前列腺穿刺活检，提高了PSA灰区患者PCa检出率，减少了穿刺针数。

5 小结与展望

AI可分析前列腺超声声像图，提取患者临床信息和前列腺肿瘤标记物，提高超声诊断PCa的准确度，并能有监测PCa进展。AI辅助超声技术可改善诊断PCa流程和治疗模式[29]，但目前尚无相关多中心研究结果，并缺乏统一数据标准与规范，且涉及数据共享和患者隐私问题等，临床需结合病情进行综合分析。AI用于辅助TRUS诊断PCa具有广阔前景，但需更多中心、大样本数据的支持。