在线英文词典
人工智能在泌尿系统肿瘤中的临床应用：关于膀胱癌、肾癌和前列腺癌的文献综述
莫浩杰
莫浩杰，，侯建全
la
苏州大学第一附属医院泌尿外科，江苏苏州215008
摘要人工智能的最新进展无疑对医疗保健行业产生了重大影响。但目前为止，它们在临床的应用仍然有限。然而，在不久的将来，人工智能驱动时代的潜力可能会改变泌尿外科的临床实践并且改善患者的整体预后。本文中，讨论了人工智能在膀胱癌、前列腺癌和肾癌中的相关研究和应用，给泌尿外科医生的临床诊治提供新的思路和方法。
关键词人工智能；膀胱癌；肾癌；前列腺癌
中图分类号R714
714..258文献标志码A doi10.11966/j.issn.2095-994X.2022.08.10.48
Clinical Applications of Artificial Intelligence in Urinary System Tumors:Litera⁃ture Review on Bladder,Kidney and Prostate Cancersturning point
MO Haojie,HOU Jianquan
Department of Urology,First Affiliated Hospital of Suzhou University,Suzhou,Jiangsu Province,215008China
Abstract The latest advances in artificial intelligence have undoubtedly had a significant impact on the healthcare industry.But so far,their clinical application is still limited.However,in the near future,the potential of the AI-driven era may change the clinical practice of urology and improve the overall prognosis of patients.In this article,we discuss the rearch and applications of AI in bladder,prostate,and kidney cancers to provide new ideas and approaches for the clinical diagnosis and treatment of urological surgeons.
Key words Artificial intelligence;Bladder cancer;Kidney cancer;Prostate cancer
人工智能是指人类制造的、模拟人类认知功能的智能程序。人工智能的目的是构建一个环境感知和任务执行器，而机器学习（machine Learning,ML）和深度学习（deep Learning,DL）是实现这一目的的必经之路。简单来说，ML是人工智能的一种实现方式；DL是一种实现机器学习的技术。ML能采集、存储和关联分析数据，并且让计算机进行自动学习。人工神经网络（artificial neural networks,ANNs）是DL的基础，是ML的子领域。DL需要训练大量的多层神经网络数据集从而构建AN
Ns来实现应用价值[1]。随着泌尿外科的不断发展和对新技术的适应，人工智能已经被广泛应用于早期诊断、提供有效治疗方案和外科手术等各个
方面。
1人工智能在膀胱癌中的应用
膀胱癌可以分为肌层浸润性膀胱癌（muscle-invasive bladder cancer,MIBC）和非肌层浸润性膀胱癌（non-muscle-invasive bladder cancer,NMIBC）。众所周知，移行上皮癌的特点是易复发，在膀胱癌中，完整切除肿瘤可以减少复发，但由于目前技术方面的限制，在术前或者术中准确判断肿瘤和正常组织的界限非常困难。精确确定和评估膀胱癌的肌肉浸润程度可以指导正确的风险分层和个性化的治疗选择。目前基于CT/ MRI的人工智能已被开发，作为一种非入侵性检查，可
*综述*
收稿日期：2022-08-07；修回日期：2022-08-29
作者简介：莫浩杰（1995-），男，硕士，医师，研究方向为泌尿外科。
通信作者：侯建全（1960-），男，博士，主任医师，研究方向为泌尿外科，E-mail：*******************。艺考生文化课怎么学
以准确识别肿瘤的分布，并在术前就将肿瘤与正常组
织区分开来[2]。相对MIBC 而言，NMIBC 的术后复发率相对较高，而膀胱镜检查对诊断和监测膀胱癌至关重要，为了提高膀胱癌的诊断质量，Ikeda A 等[3]构建了一个基于卷积神经网络（convolutional neural networks,CNN ）的肿瘤分类器，通过人工智能客观评价膀胱镜图像，对膀胱镜下的图像进行分类，以区分肿瘤组织和正常组织。最终他们得到的结果显示，ROC 曲线下面积（area under curve,AUC ）为0.980，模型敏感度为89.70%，特异度为94.00%。这表明利用人工智能对膀胱镜图像进行客观评价，有望提高膀胱癌的诊断和治疗的准确性。这为临床医生治疗选择提供了很大参考价值，在临床诊疗过程中，仅通过影像学和膀胱镜很难准确区分肿瘤组织和正常组织，然而人工智能的运用可以明显提高膀胱癌诊治效能，以期望给患者带来更好的预后。
新辅助化疗是治疗膀胱癌微小转移灶和提高手术成功率的重要方法，对化疗的敏感程度关乎着患者的预后。Wu E 等[4]通过DL 将患者分为敏感组和不敏感组，在DL 模型的预测下，AUC 值为0.730。同样的，Cha 等[5]建立了通过CT 图像来识别化疗敏感患者的人工智能模型。他们回顾性地收集了123例有157个肌肉浸润性膀胱癌病灶患者的化疗前和化疗后CT 扫描数据，并用人工智能模型以区分对新辅助治疗完全反应的MIBC 和未反应的膀胱癌。最后结果提示，单独使用人工智能进行评估的平均AUC
为0.800，未使用人工智能的医生评估结果为0.740，而联合使用人工智能的医生在评估影像时的AUC 为0.770。这表明人工智能提高了医生识别MIBC 对新辅助化疗反应的能力。
最近在对原发性膀胱癌的全基因组特征分析中显示，膀胱癌可以被分为基底亚型和管腔亚型[6]。不同分子分型患者对治疗的反应和预后都是不同的。膀胱癌分子亚型的确定对治疗方案的选择、患者预后的判断等有着重要的意义。Woerl AC 等[7]试图利用DL 从传统的HE 染色病理切片中预测出MIBC 的分子亚型。他们使用了TCGA 数据库中407例膀胱癌患者的病理切片来构建DL 模型，并用16例术后MIBC 患者的病理标本进行基因测序来验证该模型。该模型在识别基底亚型的AUC 为0.890，识别管腔亚型的AUC 为0.880。他们将人工智能的读片结果和病理学专家的读片结果进行了对比，发现人工智能在HE 染色切片中预测MIBC 患者的分子亚型方面显示出很好的性能。Poirion OB 等[8]也做了类似的工作来预测膀胱癌的管腔亚型和基底亚型，最终他们得到的训练集和测试集的P 值达到了0.001和0.040。人工智能能有效地将病理图像和分子学特征相
互结合，并用更加简便的方式来预测膀胱癌患者的预后并选择最优的治疗方案。def
此外，人工智能除了被用来和病理切片相结合建立预测模型外，还被用来从临床数据等方面建立复发和生存预测模型。目前在膀胱癌患者中，各种临床资料（影像学、手术结果、病理学等）被用来评估和预测疾病的状态和预后。和仅用临床资料相比，利用人工智能将数字化病理切片和临床资料相结合
来预测膀胱癌患者的预后是一种更有效的方法。Hasnain Z 等[9]采用ML 算法，利用这些测量结果来分析根治性膀胱切除术后癌症的复发和患者的生存情况。术后1、3年和5年的患者复发和生存的灵敏度和特异度都超过70.00%。
2人工智能在肾癌中的应用
在过去的几十年里，肾癌的发病率一直稳步上升。随着肾癌发病率的增加，对良性和恶性肿瘤进行区分非常重要。然而现在还没有临床或者影像学特征可以在术前准确判断肾肿瘤良恶性改变。目前，基于常规MR 图像来区分良、恶性肾肿瘤的DL 模型已经被开发，它可以通过传统的MR 成像来区分良性肾肿瘤和肾细胞癌。研究人员将该DL 模型和影像科专家进行了比较。在与所有专家的平均值相比中，DL 模型的测试准确率（0.70%vs 0.60%，P =0.053）、灵敏度（0.92%vs 0.80%，P =0.017）和特异度（0.41vs 0.35，P =0.450）更高[10]。在该次研究中，DL 可以无创地区分良性肾脏肿瘤和肾细胞癌，具有良好的准确度、灵敏度和特异度。Tabibu S 等[11]分析了2093张肾癌的组织病理学图
像，并对肾癌的亚型进行了自动分类。他们建立了一个人工智能模型，该模型在区分透明细胞和嗜铬细胞亚型方面准确率达到了93.39%和87.34%，并且在区分透明细胞、嗜铬细胞和乳头状肾细胞癌3种亚型方面，准确度达到了94.07%。此外，还有基于CT 影像的DL 模型被开发用来鉴别血管平滑肌脂肪瘤、透明细胞肾细胞癌和乳头状肾细胞癌[12]。相信在这些结果的基础上，未来可以开发出非侵入性的生物学标志物来识别不同的组织病理学亚型，以预测预后和对治疗的反应。
近年来，研究者们建立了基于生物标志物和基因表达的人工智能模型，来预测肾细胞癌的生存和预后。PBRM1是肾细胞癌中第二常见的突变基因，Kocak B 等[13]对比了两种人工智能算法——ANNs 算法和随机森林（random forest,RF ）算法。他们将两种人工智能和CT 影像相结合，来预测PBRM1的突变状态。ANNs 算法对88.20%的RCC 进行了正确分类（AUC=0.925），RF 算法对95.00%的RCC 进行了正确分类（AUC=0.987）。这些
对组织病理学、影像学、生物标志物的人工智能研究对
肾癌患者的风险评估、治疗计划、预后分析方面有极大的帮助。相信不久的将来，基于组织学或影像学的人工智能将在肾癌患者的诊疗中发挥重要的作用。
3人工智能在前列腺癌中的应用
人工智能的应用即将改变目前前列腺癌诊断、治疗甚至预后方面的决策和做法。在前列腺癌的诊断中，穿刺活检是金标准。但是前列腺癌穿刺评估和活检样本分析存在大量主观性，为了减少其中的误差，多个人工智能模型已经开发并对大量的患者前列腺活检结果进行了更加准确的预测评估。伴随着科学技术的不断进步，人工智能技术也越来越成熟。研究人员提出了使用人工智能来简化前列腺癌诊断和分类的方法。利用多参数MRI的各种放射学特征，人工智能已经具备了检测前列腺癌和评估Gleason评分的能力。Strom P 等[14]招募了1062例患者，以他们的数据开发了一个对前列腺癌进行检
测、定位Gleason评分的人工智能模型。在外部验证数据集上，人工智能在区分良性和恶性活检标本的AUC值为0.986。Lucas M等[15]分析了DL模型在自动检测Gleason评分和等级方面的应用。结果表明，非典型区域和Gleason评分≥3分的差异方面，准确率达到了92.00%。此外，在区分Gleason评分>4分和≤3分的方面，准确率达到了90.00%。这两组研究人员都将人工智能的读片结果和医学专家的读片结果进行了比较，并且发现人工智能可以准确区分良、恶性区域，且表现优于专家们。人工智能系统在临床的应用可以减少临床医生的工作量并提供相应的意见，帮助实现分级的标准化。
现今，人工智能可以识别前列腺患者的临床病理特征并预测患者的转归。Wong NC等[16]利用机器学习通过评估患者的临床数据来预测机器人辅助前列腺切除术后的早期生化复发。他们开发了3种不同的ML算法，在338例患者的数据集上进行了训练，准确率都达到了95.00%以上。并且经典的Cox回归分析对生化复发的预
测的AUC为0.865，而测试的3个人工智能模型AUC值都超过了0.900。这表明ML技术可以产生比传统统计回归更准确的疾病预测性。这些工具能在临床上对前列腺癌术后出现早期生化复发的患者进行自动预测。
1/3的前列腺癌患者会对内分泌治疗产生抗性，并发展为转移性去势抵抗性前列腺癌（metastatic castration-resistant prostate cancer,mCRPC）。目前，多西他赛是治疗mCRPC的首选方法。鉴于多
西他赛的不良反应，20.00%的mCRPC会出现治疗失败的情况。Deng K等[17]开发了一个人工智能模型，可以将患者分为多西他赛耐受组和不耐受组，以便对患者进行更好的个体化治疗。在前列腺癌的诊疗过程中，识别生物标志物可以预测预后、复发和转移的风险。AlDubayan SH等[18]用标准的基因检测方法和DL检测法对1072例前列腺癌患者进行了基因检测，主要包括了118个具有癌症突变倾向的基因。与标准方法相比，DL能识别出更多具有癌症突变倾向基因的患者（灵敏度：94.70%vs87.10%，特异度：64.00%vs36.00%）。这表明与目前的标准基因检测方法相比，DL在种系基因检测中具有更大的优势。4总结
本文探讨了人工智能如何在临床工作中帮助医生进行疾病的诊断、治疗和预后判断等工作。与传统的统计学分析相比，人工智能在分析和预测大量泌尿外科患者数据方面似乎更加准确。未来人工智能将集中创建更大的医疗数据库，随着数据样本的增加和模型训练的加强，ML和DL将进一步加强个体化医疗。然而尽管ML和DL技术存在巨大的潜力，但是将这些工具转化为临床实践时仍存在一些实际挑战，比如样本缺乏、临床试验稀少、机器诊断可靠性等各种问题。
在医疗领域，人工智能在各行各业的应用，尤其是结合影像学方面，已经取得了重大突破。不过医生的经验和常识在人工智能的发展中仍将发挥关键作用。在不久的将来，能看到临床模式的转变，人工智能将在其中找到自己的位置。尽管目前有着各种各样的限制，但人工智能在未来泌尿外科的临床发展和改善患者整体预后方面仍有着巨大的上升空间。
参考文献(References
References))
[1]Bera K,Schalper KA,Rimm DL,et al.Artificial intelligence in digital pathology-new tools for diagnosis and precision oncology[J].
Nat Rev Clin Oncol,2019,16(11):703-715.
[2]Bandyk MG,Gopireddy DR,Lall C,et al.MRI and CT bladder g⁃
mentation
from classical to deep learning bad approaches:Cur⁃rent limitations and lessons[J].Comput Biol Med,2021,134:104472.[3]Ikeda A,Nosato H,Kochi Y,et al.Support System of Cystoscopic
Diagnosis for Bladder Cancer Bad on Artificial Intelligence[J].J
Endourol,2020,34(3):352-358.
[4]Wu E,Hadjiiski LM,Samala RK,et al.Deep Learning Approach
for Asssment of Bladder Cancer Treatment Respon[J].Tomogra⁃
phy,2019,5(1):201-208.
[5]Cha KH,Hadjiiski LM,Cohan RH,et al.Diagnostic Accuracy of
mygre
CT for Prediction of Bladder Cancer Treatment Respon with and without Computerized Decision Support[J].Acad Radiol,2019,26(9):1137-1145.
[6]Robertson AG,Kim J,Al-Ahmadie H,et al.Comprehensive Mo⁃
lecular Characterization of Muscle-Invasive Bladder Cancer[J].Cell,2017,171(3):540-556.
[7]Woerl AC,Eckstein M,Geiger J,et al.Deep Learning Predicts
Molecular Subtype of Muscle-invasive Bladder Cancer from Con⁃
ventional Histopathological Slides[J].Eur Urol,2020,78(2):256-264.
[8]Poirion OB,Chaudhary K,Garmire LX.Deep Learning data inte⁃
gration for better risk stratification models of bladder cancer[J].AMIA Jt Summits Transl Sci Proc,2018,2017:197-206.
[9]Hasnain Z,Mason J,Gill K,et al.Machine learning models for
predicting post-cystectomy recurrence and survival in bladder can⁃
cer patients[J].PLoS One,2019,14(2):e210976.
[10]Xi IL,Zhao Y,Wang R,et al.Deep Learning to Distinguish Be⁃
nign from Malignant Renal Lesions Bad on Routine MR Imag⁃
ing[J].Clin Cancer Res,2020,26(8):1944-1952.
[11]Tabibu S,Vinod PK,Jawahar CV.Pan-Renal Cell Carcinoma
classification and survival prediction from histopathology images using deep learning[J].Sci Rep,2019,9(1):10509.
[12]Kocak B,Yardimci AH,Bektas CT,et al.Textural differences be⁃
tween renal cell carcinoma subtypes:Machine learning-bad quantitative computed tomography texture analysis with indepen⁃dent external validation[J].Eur J Radiol,2018,107:149-157.[13]Kocak B,Durmaz ES,Ates E,et al.Radiogenomics in Clear Cell Re⁃
nal Cell Carcinoma:Machine Learning-Bad High-Dimensional Quantitative CT Texture Analysis in Predicting PBRM1Mutation Status[J].AJR Am J Roentgenol,2019,212(3):W55-W63.
[14]Strom P,Kartasalo K,Olsson H,et al.Artificial intelligence for
diagnosis and grading of prostate cancer in biopsies:a population-
学会拒绝
bad,diagnostic study[J].Lancet Oncol,2020,21(2):222-232.
[15]Lucas M,Jann I,Savci-Heijink CD,et al.Deep learning for
automatic Gleason pattern classification for grade group determi⁃
nation of prostate biopsies[J].Virchows Arch,2019,475(1):77-83.
[16]Wong NC,Lam C,Patterson L,et al.U of machine learning to
predict early biochemical recurrence after robot-assisted prosta⁃
tectomy[J].BJU Int,2019,123(1):51-57.
怎样加盟服装店[17]Deng K,Li H,Guan Y.Treatment Stratification of Patients with
Metastatic Castration-Resistant Prostate Cancer by Machine Learn⁃
ing[J].iScience,2020,23(2):100804.
[18]AlDubayan SH,Conway JR,Camp SY,et al.Detection of Patho⁃三年级下册英语教案
genic Variants With Germline Genetic Testing Using Deep Learn⁃
ing vs Standard Methods in Patients With Prostate Cancer and Melanoma[J].JAMA,2020,324(19):1957-1969.
>periods
