影像人工智能在前列腺癌中的临床应用研究2023.docx

影像人工智能在前列腺癌中的临床应用研究2023摘要随着人工智能技术的快速发展，其在前列腺癌诊疗全过程中的应用成为目前的研究热点。人工智能在前列腺癌MRl病灶自动检出和分割、疾病精准诊断、危险分层和预后评估等方面具有极大优势和潜在价值，但不可忽视的是人工智能技术也存在一定的局限性和挑战。笔者认为未来可以通过标准化数据参数、优化人工智能算法、提升模型可解释性、扩大多中心数据量以及构建循证医学证据更高的前瞻性数据库等方法来构建更加可靠、稳定的前列腺癌诊疗一体化的评估模型，进而全面最大化人工智能技术在前列腺癌诊疗中的应用价值。前列腺癌是泌尿生殖系统常见的恶性肿瘤之一，严重威胁男性生命健康和生活质量。美国癌症协会预估2023年美国新增前列腺癌患者将达288300人,占前十恶性肿瘤新增患病人数的29%,位居第一;新增前列腺癌死亡人数预计达34700人，占前十恶性肿瘤死亡病例数的11%,居第二位11多参数MRI(multiparametricMRIzmpMRI)是有临床意义前列腺癌诊断和危险分层最常用的检查方法2,3,4o基于mpMRI的前列腺影像报告和数据系统(prostateimagingreportinganddatasystemzPI-RADS)使用范围逐渐扩大。然而，PI-RADS受医师诊断水平和工作经验影响较大5,而且随着前列腺癌筛查普及力度不断扩大，放射科医师工作负荷与日俱增。此外，前列腺癌的诊疗精细化管理水平仍有待提高。基于mpMRI的人工智能技术的快速发展为解决上述临床问题、实现前列腺癌精准医疗提供了新思路，人工智能技术已贯穿于前列腺癌灶检出和分割、精准诊断、危险分级和预后预测等全流程。一、人工智能重点研究方向1 .前列腺癌灶自动分割和检出：精准识别前列腺癌灶对干预治疗至关重要。基于深度学习的计算机辅助检出和诊断系统可以帮助放射科医师提高病灶检出率，降低漏诊率和误诊率。Duran等6构建的新型端到端的多任务网络模型(ProstAttention-Net)可成功分割前列腺腺体和前列腺癌灶，同时对前列腺癌有较高的检出率，灵敏度为69.0%±14.5%o还有学者研究发现基于深度学习自动勾画的感兴趣区域的影像组学模型在检出有临床意义前列腺癌方面优于基于人工勾画的模型，ROC曲线下面积(areaunderthecurve,AUC)分别为0.76(95%CI0.660.85)和0.62(95%CI0.52-0.73)70因此，利用人工智能技术可以更加高效且精准地实现前列腺癌灶检出和分割的自动化流程。2 .前列腺癌智能化精准诊断和危险分层：前列腺穿刺是前列腺癌目前最常用的确诊方法，但是前列腺穿刺有创，且穿刺结果的准确性受医师水平的影响，往往存在一定的漏诊率。Hiremath等8构建了融合深度学习模型、Pl-RADS和临床信息的多维度列线图，用于有临床意义前列腺癌的精准诊断，结果表明多维度列线图可以进行风险分层，精准识别低风险、中风险和高风险的前列腺癌患者，从而对不同风险的患者制定个体化治疗方案。Zhao等9构建了基于MRI的不同深度学习模型用于诊断有临床意义前列腺癌，研究表明基于ShuffIeNetSD的深度学习模型的诊断效能可达到甚至超过专家级放射科医师的诊断水平，而且模型诊断有临床意义前列腺癌的特异度较医师有较大提升。Bao等10还发现利用集成学习的方法构建的多分类人工智能模型能够用于前列腺癌Gleason评分的精准分级。人工智能技术有望实现前列腺癌精准诊断和危险分级，帮助临床及时制定有效的个体化治疗方案，从而延长患者生存时间并提高总体生存率。3 .预测前列腺癌病理预后不良：前列腺癌病理预后不良包括包膜突破、精囊侵犯、切缘阳性等，术前精准预测对制定临床决策至关重要。然而常规MRl识别前列腺癌病理预后不良存在诊断准确率低、一致性差等缺陷。人工智能可以通过提取海量视觉无法获得的深层隐藏特征，并利用这些特征实现病理预后不良的精准预测。HoU等11利用集成学习方法融合了临床资料、影像特征、影像组学特征和深度学习特征等多维度信息，开发了术前对前列腺癌盆腔淋巴结转移、术后生化复发的预测模型，结果显示训练集、内部测试集和外部测试集的AUC分别为0.93、0.92和0.76,表明基于MRI的人工智能模型有望在淋巴结转移预测方面得到临床应用。张玉东教授团队利用集成学习方法构建了预测前列腺癌包膜侵犯的人工智能PAGNet模型并与医师的诊断结果进行对比，在训练集、内部测试集和外部测试集中人工智能模型预测包膜侵犯的AUC分别为0.857、0.807和0.728,高于放射科医师的诊断水平，后者的AUC为0.6320.74112oZhao等13利用3DSwin-Transformer深度学习模型检测前列腺癌病理预后不良，包括包膜突破、精囊侵犯和手术切缘阳性，并将深度学习模型结果与临床模型和放射科医师评估结果进行对比，结果发现深度学习模型检测病理预后不良的AUC为0.813,高于临床模型的AUC值(0.749)和放射科医师评估的AUC值(0.664),表明基于3DSwin-Transformer深度学习模型能够用于预测前列腺癌病理不良预后，为临床提供术前辅助评估工具。以上研究表明人工智能模型在预测前列腺癌病理预后不良中具有一定的临床价值，能够帮助临床医师及时制定有效且合理的治疗方案，从而减少患者术后转移及复发的风险，进而改善患者预后。二、人工智能存在问题及对策基于MRI的人工智能技术在前列腺癌诊疗中的应用研究已取得较大进展，但仍存在以下局限性:(1)缺乏统一标准的高质量前列腺影像数据集。目前多数研究MRl扫描仪不同、数据采集方式多样、参数差异大，导致图像质量参差不齐。需要通过标准化数据采集方式和规范图像预处理技术等方法加以解决。(2)缺乏可解释性强的多模态影像人工智能算法。深度学习模型构建过程无法透明化，具有黑匣子的特点，相较医师的诊疗过程缺乏可解释性。未来可从深度探讨内在机制或开发技术使其过程透明化的角度来使深度学习模型有据可依。（3）缺乏跨区域的大样本量数据集。现有研究多基于单中心或局限性区域化多中心研究，样本量有限，缺乏国际性多中心数据测试，模型的可重复性和普适性有待进一步优化。未来可开展大型多中心研究来进一步验证人工智能模型的稳定性和通用性。（4）缺乏前瞻性临床验证和测试。现有研究多为回顾性研究，缺乏循证医学证据更高的前瞻性数据支持，临床实际应用价值面临质疑。在未来的研究中需重视多中心前瞻性研究，通过获取前瞻性数据提高循证医学证据，推动人工智能技术在前列腺癌诊疗全流程管理中的应用落地。三、展望随着人工智能在医疗领域的快速发展，智能化辅助诊疗技术在前列腺癌诊疗全过程中展现了巨大的潜力。人工智能各种算法的不断优化和更新，医疗设备和参数标准化程度的不断提升，以及多元大数据时代的到来，有望构建更加可靠的前列腺癌精准诊断、危险分层和预后预测的人工智能模型,帮助放射科医师提升诊断水平，进而指导或协助临床医师制定更合理的个体化诊疗全流程管理方案。与此同时，前列腺影像人工智能技术的发展也为影像诊断学科发展提供了助力，开拓了智能影像精准诊疗方向的新篇章。