综述：前列腺癌影像学中的人工智能：当前应用与未来发展趋势简述

《Urologic Oncology: Seminars and Original Investigations》：Artificial intelligence in prostate cancer imaging: A mini-review of current applications and future directions

　　

Mehmet Ali Ergül|Volkan Sabur

卡塔尔多哈多哈诊所医院泌尿科

摘要

本篇简短综述综合了近期研究的结果，旨在为人工智能在多参数磁共振成像用于前列腺癌成像中的应用现状、方法学挑战以及未来发展方向提供最新视角。前列腺癌仍是全球男性中最常见的非皮肤恶性肿瘤，也是导致癌症相关死亡的主要原因。多参数磁共振成像已成为检测、定位和风险分层的标准影像技术，而前列腺成像报告与数据系统则进一步提升了标准化水平。然而，即便在经验丰富的放射科医生之间，不同读片者之间的差异以及磁共振成像解读的高耗时性问题依然存在。人工智能，包括机器学习和深度学习方法，有望通过提高准确性、一致性和效率来提升前列腺癌成像的质量。其应用范围涵盖自动病灶检测与分割、PI-RADS评分标准化以及基于放射组学的风险预测。放射组学能够从磁共振成像中提取高维定量特征，这些特征结合临床或基因组数据后，可更精准地预测具有临床意义的前列腺癌、包膜外扩展及淋巴结转移情况。尽管进展迅速，但数据异质性、泛化能力不足、特征提取缺乏标准化以及外部验证有限等问题依然存在。此外，许多深度学习模型的“黑箱”特性也影响了临床医生对其的信任以及监管机构的批准进程。未来的发展方向包括引入可解释的人工智能、采用联邦学习实现多机构培训时的隐私保护，以及在靶向活检或主动监测过程中提供实时的人工智能辅助。

引言

前列腺癌是全球性的重大健康问题，每年新增病例超过140万例，是男性中最常见的非皮肤恶性肿瘤[1,2]。早期且准确的诊断对于优化治疗方案和改善预后至关重要。多参数磁共振成像已成为前列腺癌检测、定位和风险分层的核心技术[3,4]。

前列腺成像报告与数据系统的出现使得磁共振成像的解读实现了标准化，但即便在经验丰富的放射科医生之间，不同读片者之间的差异仍然显著[5,6]。此外，磁共振成像解读工作耗时较长，且需要高度的专业技能，这在诊疗量大的临床环境中造成了工作流程上的瓶颈[1,7]。

人工智能，包括机器学习和深度学习，为解决这些难题提供了有力方案。已有研究表明，人工智能系统可用于自动检测病灶、对前列腺进行分区分割、进行PI-RADS评分以及通过放射组学建立预后模型[1,3,5,6,8,9]。放射组学能够从磁共振成像中提取高维定量特征，这些特征可与临床及基因组数据相结合，从而更精准地预测具有临床意义的前列腺癌、包膜外扩展及淋巴结转移情况[5,[8], [9], [10], [11]]。

多项系统性综述和元分析表明，基于人工智能的磁共振成像工具在某些诊断任务中的表现可媲美甚至超越人类水平，同时还能提高结果的重复性和工作效率[1,2,[5], [6], [7]12]。不过，成像方案的差异性、缺乏外部验证以及许多深度学习模型的“黑箱”特性，依然是其难以在临床常规应用中的障碍[1,[13], [14], [15]]。

本文是一篇简短综述，旨在简要概述近年来人工智能在前列腺癌磁共振成像应用方面的最新进展。鉴于该领域发展迅速，且现有研究的方法学差异较大，进行全面系统性综述超出了本文的范围。因此，本文重点介绍相关核心概念、近期文献中的代表性研究、当前存在的方法学挑战，并探讨未来在临床应用中的可能发展方向。

本文综合了过去5年的最新研究成果，概述了目前人工智能在前列腺癌磁共振成像解读中的应用情况，分析了现有的方法学局限，同时提出了为实现安全有效的临床应用而需重点研究的方向。

为筛选相关研究，我们在PubMed和Scopus等主要生物医学数据库中进行了针对性检索，重点查找2020年至2025年间的相关文献。检索时使用了“前列腺癌”“多参数磁共振成像”“人工智能”“机器学习”“深度学习”和“放射组学”等关键词组合。筛选标准为研究内容与基于人工智能的前列腺磁共振成像应用相关，包括病灶检测、分割、PI-RADS评估以及基于放射组学的风险预测等方面。优先考虑包含人类数据、以英文发表的原创研究文章、系统性综述和元分析。采用这种针对性方法是为了更集中地呈现该领域最相关、最新的研究成果。

章节要点

人工智能在磁共振成像病灶检测与分割中的应用

在基于磁共振成像的前列腺癌诊断中，准确的病灶检测和精确的分割至关重要，它们直接影响活检的目标选择、手术规划以及治疗监测的效果。深度学习模型，尤其是卷积神经网络，在自动化完成这些任务方面表现出优异的性能[1,3,5]。这类模型经过大规模、标注完善的磁共振成像数据集训练后，能够以与经验丰富医生相当的敏感度和特异性识别可疑病灶，有时甚至更为出色

人工智能与PI-RADS评分自动化

前列腺成像报告与数据系统的设立旨在标准化磁共振成像的解读结果，从而提高具有临床意义的前列腺癌的检出率[4,6]。尽管该系统已被广泛应用，但不同读片者之间的差异依然存在，尤其在经验较少的放射科医生中更为明显[[5], [6], [7]]。这种差异可能导致病灶描述不一致，进而影响活检决策和治疗计划。除了提高结果的重复性之外，人工智能辅助系统还有可能缩短解读时间。一些研究指出

基于放射组学和机器学习的危险预测

放射组学能够从磁共振成像中提取大量定量特征，这些特征可以反映肿瘤的异质性、形状和纹理，而这些是放射科医生仅凭肉眼难以察觉的[8,9]。这些特征可被纳入机器学习模型中，用于预测具有临床意义的前列腺癌、格里森分级、包膜外扩展、精囊侵犯以及生化复发风险[10,11]。

近期研究显示，将基于放射组学的模型与临床变量相结合时

面临的挑战与局限性

尽管已经取得了显著进展，但仍有诸多挑战阻碍人工智能在前列腺癌成像领域的广泛应用。一个主要的限制是，训练和验证模型需要大规模、多样化且标注完善的 数据集。目前大多数人工智能模型都是基于单中心或同质化的数据集训练的，这限制了它们在不同扫描设备、成像方案以及患者群体中的通用性[5,14]。

磁共振成像的采集参数也存在差异，比如磁场强度的不同

未来发展方向

人工智能在前列腺癌成像领域的未来前景在于能够无缝集成到临床工作流程中，为放射科医生和泌尿科医生提供实时决策支持。可解释人工智能的发展有望提高系统的透明度，让临床医生更好地理解人工智能生成结果背后的逻辑，从而增强他们对自动化系统的信任[13,16]。

多组学整合，即将放射组学、基因组学、蛋白质组学以及临床数据结合起来，有望为更精准的预后评估提供可能

结论

人工智能已成为提升前列腺癌成像质量的重要工具，它能够在病灶检测、PI-RADS评分以及基于放射组学的风险预测等方面带来显著改进。这些技术不仅有望达到甚至超越专家水平的诊断效果，还能提高诊断的一致性和效率。然而，数据集的异质性、成像方案的差异性以及部分模型可解释性较差等问题，依然制约着其在临床中的常规应用。

未来的研究应

CRediT作者贡献说明

Mehmet Ali Ergül：撰写——综述与编辑，撰写——初稿，软件应用，方法设计，研究实施。Volkan Sabur：监督指导，项目管理，研究实施。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。