作者：
根据全球癌症统计，
简单地说，NMIBC 患者主要通过经尿道膀胱肿瘤电切术治疗，其预后良好，5 年生存率约90%；MIBC 则需要更为积极的治疗方案，包括根治性全膀胱切除术(radical cystectomy，RC)和新辅助化疗等全身治疗，其预后不佳， 5 年生存率低于50% 。因此，正确区分NMIBC 和MIBC 对制订合理的治疗方案以及提高患者的术后生活质量至关重要。然而，由于采样误差，TURBT 常低估了肿瘤分期，约40% 的MIBC 患者在重复采样后被误诊为NMIBC。
为优化BC 患者的管理计划，需要一些强大的诊断工具来提高分期和预后预测的准确性。近年来，人工智能(artificial intelligence，AI)在医疗领域表现出巨大潜力，其可基于现有数据并通过复杂的非线性数学建模系统模仿人类神经元的活动。机器学习(machine learning，ML) 是AI 的一个分支，而深度学习(deeplearning，DL)又是ML 领域中的一个方向，其以卷积神经网络(convolution neural network，CNN)应用最为广泛，其在图像识别和分类中发挥着重要作用，有望在诊断和风险分层方面帮助临床决策。
1.AI 在BC 中的应用
1.1 AI 在BC 图像自动分割中的应用
对于膀胱肿瘤的研究，准确分割出病灶可指导疾病的临床分期。目前，临床实践中膀胱肿瘤图像的分割主要通过影像科医师逐层图像手动勾画感兴趣区，但人工分割耗时费力且缺乏客观性。DL 作为一种功能强大的建模技术在多种计算机视觉任务中表现出色，如图像分类、物体检测和图像分割等，尤其是CNN 已成功应用于医学图像的自动分割，在神经成像、心脏病学及肿瘤学等方面取得了显著成就。U-Net是语义分割的模型，其可基于外围像素对每个像素进行分类。
Dolz 等开发了基于U-Net 的深度CNN 模型，并在MRI 图像上实现了膀胱壁和肿瘤的自动精确分割。Mutaguchi 等在U-Net 基础上对所有参数进行微调，提出了扩展U-Net，通过像素灵敏度、像素特异度、逐像素阳性预测值(表示每像素的AI 诊断准确性)以及骰子相似性系数(DSC，表示原始图像和分割图像中膀胱肿瘤之间的重叠区域)等测量值评估U-Net 和扩展U-Net 的诊断准确性，结果显示扩展U-Net 比U-Net 具有更高的DSC 值，更有助于膀胱镜下肿瘤的检出。
与分割二维图像的U-Net 不同的是，Mil-letari 等在U-Net 基础上加入残差学习结构，以三维卷积为基础构建出分割三维图像的V-Net 模型，其能很好地处理病灶和背景之间强烈的不平衡问题且处理时间明显缩短，并在前列腺MRI 图像分割中表现出良好的性能。另一项研究在V-Net 基础上增加跳跃连接结构创建了改进V-Net模型，其在膀胱癌扩散加权成像(DWI)图像上较V-Net 模型可更精确地分割病灶。
深度学习模型尽管在膀胱肿瘤分割方面展现出良好的性能，但其仍存在一定的局限性：(1)应用不同供应商的扫描仪或采集图像时设置参数的不同，数据集的差异可能会导致DL 模型性能表现不佳；(2)DL 模型训练数据不足，可能使模型稳定性不高，未来仍需大量的数据进一步训练模型。
1.2 AI 在BC 临床分期中的应用
准确分割膀胱肿瘤的最终目的是帮助分期，NMIBC 的发病率是MIBC 的三倍，NMIBC 的治疗主要采取TURBT手术，MIBC 则需要更为积极的治疗。MIBC 的误诊可能会导致患者接受过度治疗，降低无膀胱患者的生活质量。大多数疑似BC 的患者会早期接受CT 对比增强扫描，基于此Yang 等构建了一个深度学习卷积神经网络(DL-CNN)模型，用于MIBC 和NMIBC 的鉴别，数据显示此DL-CNN 模型受试者工作特性曲线下面积(AUC)良好，验证集和测试集的AUC 值分别为0.946 和0.998，并且该模型还可纳入肿瘤区域周围组织，提供更丰富的生物学信息。
另一研究为预测BC 肌肉侵袭状态，此研究利用术前CT 尿路造影的肾图相位图像开发DL 模型，其在内部验证队列(AUC = 0.861)和外部验证队列(AUC =0.791)均表现出相对良好的诊断性能，且优于两名放射科医师。目前，有研究表明通过最小绝对收缩和选择算子逻辑回归、支持向量机和随机森林等机器学习方法，NMIBC 和MI-BC 之间的诊断准确率已提高到90% 左右。
有报道基于MRI 图像从膀胱壁提取3D 纹理特征训练的ML 算法，可准确识别肿瘤异质性分布，并可以为膀胱肿瘤术前无创分期提供一种潜在的方法。放射组学和DL 是两种用于分析医学图像的流行技术，T2 WI 具有较高的软组织分辨率，应用T2 WI 序列诊断MIBC 的准确率较高。Li 等构建了基于T2 WI 的放射组学模型、单任务DL 模型和多任务DL 模型，并在外部测试队列中进行验证，结果表明多任务DL 模型取得了比其他模型更好的诊断性能。
此外，Zou 等也认为多任务BC 肌肉侵袭预测模型性能较好，并在前瞻性试验和多中心测试中均取得满意的预期效果。DL 模型较放射组学方法可处理更多的数据，而多任务DL 模型较单任务DL 模型可克服样本量不足的情况，获取更多有用的信息，展现出更好的诊断性能。另外，有研究专注于使用纹理分析来区分MIBC 和NMIBC。Lim等认为MRI 纹理分析有助于TURBT 患者的局部BC 分期。
Xu 等得出多参数MRI 在BC 分期方面有着良好性能。DL 模型与传统统计分析方法相比，良好的DL 模型具有强大的预测性能且在分析大数据队列时更具有优势。但有研究表明构造良好的传统模型较性能不佳的AI 模型表现更好。
1.3 AI 在BC 病理诊断中的应用
对于非典型或复杂病例，其诊断主要依赖于病理学家的经验，具有显著的观察者间差异。AI 技术在BC 病理诊断中的应用意义重大，在细胞学诊断、组织学诊断和分子亚型等方面展现出光明的前景，显著提高了BC 诊断的一致性和可靠性。AI 技术可从肉眼无法识别的数字图像中挖掘亚视觉图像特征从而实现疾病诊断和预后预测。
尿液脱落细胞学检查有助于BC 的早期诊断且对高级别膀胱肿瘤的检出率较高。有一项研究曾使用两种不同的DL 方法鉴别非典型细胞和恶性细胞，结果显示该模型AUC 值高达0.99，但是细胞学检查对低级别肿瘤的敏感性较低，在常规细胞学检查中容易漏诊。组织学主要依赖于苏木精-伊红染色(HE 染色)病理切片诊断。Pan 等基于经尿道切除标本开发了一种病理AI诊断模型，其不仅可准确识别MIBC，而且在区分高低等级BC 方面也表现良好。
肿瘤分级是预测生物学复发最重要的因素之一，高级别患者的复发率和进展率高于低级别患者。此外，还可根据肿瘤颜色的差异进行AI 肿瘤分级预测。但是该模型主要针对肿瘤本身，缺乏对常见的慢性非特异性炎症等其他病变的介绍。在另一项研究中，研究通过膀胱镜图像建立的DL 模型表明区分慢性非特异性炎症与原位癌的诊断性能>90%。
MIBC 的分子亚型已经被确定，通过这些预测基因的变化发现肿瘤组织的改变和分级情况，可能更有利于患者的临床管理和预后。有研究证实DL 模型在预测MIBC 患者的分子亚型方面表现出了与病理学专家相似或更好的表现。
1.4 AI 在BC 疗效预测中的应用
BC 是泌尿系癌症中第二大死亡原因，为减少无效治疗，提高总生存率和生活质量，必须根据癌症患者的预后或治疗反应对其进行分层管理。目前，AI 在泌尿外科领域的研究主要集中于病理诊断和影像诊断，但其关于BC 预后的数据并不多。在接受RC 治疗的BC 患者中，淋巴结转移的发生率约为27%，发生淋巴结转移的患者五年总生存率(15% ~31%)远低于未发生淋巴结转移的患者( > 60%)。在MIBC 患者中，每多切除5 个淋巴结，死亡率降低5%。
NMIBC 复发频繁，有研究将组织病理学切片和临床数据相结合，通过DL 模型预测1 年和5 年的无复发生存率，随访队列中复发率分别为27%和63%，该DL 模型的1 年和5 年复发预测的AUC 值分别为0.62 和0.76；高于仅使用病理学数据的模型(AUC 值分别为0.56 和0.72)和多变量逻辑回归(AUC 值分别为0.58 和0.57)。Bhambhvani 等为预测BC 患者术后5 年生存率，利用大数据集训练了一个人工神经网络分类模型(AUC = 0.81)，该模型优于传统的多变量Cox 比例风险模型(AUC =0.70)。大多数AI 模型对BC 肿瘤进行预后预测的研究都是回顾性研究。
Hasnain 等使用前瞻性数据构建肿瘤复发和生存率的预测模型，预测BC 患者膀胱切除术后一年、三年和五年的复发和生存率，其敏感性和特异性超过70%，但是该模型反映的是一个中心搜集的数据集。为确保模型的可推广性，必须确保相关参数的标准化搜集，尽管在预测肿瘤患者预后方面进行了多项机器学习研究，但此类模型在临床实践中的普及率仍较低。实际临床工作中，扩散加权成像(DWI)序列在BC 术后复发及炎症瘢痕鉴别方面发挥了重要意义。
2. AI 的局限性和未来发展方向
首先，研究设计、算法使用、特征训练和观察结果的各不相同使得DL 难以进行定量分析；其次，研究中的大多数算法仅通过其搜集的数据集进行验证，而缺乏外部验证，其结果可能不适用于其他数据集；另外，一些研究无法将AI 与传统统计方法进行比较，传统统计方法为有限数量的特征训练，而AI 可处理更大数据进行更多的特征训练，两种技术之间的比较具有一定难度。为加强个性化医疗，需进一步纳入更多数据进行模型再训练，并纳入标准化参数、调整设备差异以及搜集多机构数据以提高ML 和DL 的精度，确保模型的通用性。
有学者指出，未来的研究应该集中在更大的医学数据库的建设和AI 技术的进一步发展上。基于AI 的专业软件可用于图像引导、实时、术中决策，一旦其被开发出来，使用改进的算法不需要大型计算机中心，通过移动设备或者访问云端便可实现并可扩展到全球的手术室。
来源：吴静萍，孟晓，
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
