楊瑞，鄭慶源，倪鑫淼，楊松，陳志遠(yuǎn)，劉修恒

(武漢大學(xué)人民醫(yī)院泌尿外科，武漢 430060)

前列腺癌是一種中老年男性高發(fā)的惡性腫瘤，近年來發(fā)病率逐年升高。據(jù)統(tǒng)計(jì)，2019年美國新發(fā)前列腺癌17 460例，占所有新發(fā)腫瘤病例的20%，死亡31 620例，占所有腫瘤死亡病例的10%[1]。2011年我國新發(fā)前列腺癌35 477例，居男性腫瘤發(fā)病率的第6位[2]。圖像信息對(duì)前列腺癌的診斷具有重要意義，其中經(jīng)直腸前列腺彩色多普勒超聲可作為前列腺癌的篩查工具，磁共振檢查被廣泛用于評(píng)估前列腺癌，而病理學(xué)檢查和Gleason評(píng)分更是前列腺分級(jí)的重要依據(jù)[3]。近年來深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)領(lǐng)域得到了較快發(fā)展，其可通過有監(jiān)督或無監(jiān)督的方式從圖像數(shù)據(jù)中提取特征，用于圖像的分類或分割。深度學(xué)習(xí)技術(shù)可以在如下幾個(gè)方面輔助影像科醫(yī)師工作：①減少影像科醫(yī)師的工作量；②通過評(píng)估圖像中先前未被人類評(píng)估過的新特征，提高圖像判讀質(zhì)量；③提高決策的可重復(fù)性；④縮短圖像判讀時(shí)間[4]?；谏疃葘W(xué)習(xí)網(wǎng)絡(luò)的圖像分類或分割任務(wù)在某些方向已達(dá)到了較高水平，展示了深度學(xué)習(xí)技術(shù)在輔助診斷中的應(yīng)用前景。現(xiàn)就深度學(xué)習(xí)技術(shù)在前列腺癌影像學(xué)診斷中的應(yīng)用予以綜述。

1 傳統(tǒng)影像學(xué)技術(shù)及面臨的問題

1.1磁共振檢查 磁共振檢查的常規(guī)序列可提供前列腺的解剖結(jié)構(gòu)信息，彌散加權(quán)成像、動(dòng)態(tài)增強(qiáng)成像和磁共振波譜成像明顯增強(qiáng)了磁共振檢出前列腺癌的能力。相較于其他影像學(xué)檢查，前列腺磁共振檢查具有更高的軟組織分辨率，能夠更好地指導(dǎo)前列腺癌分期[5]。磁共振檢查也被用于監(jiān)測前列腺癌局部治療后的復(fù)發(fā)。雖然前列腺影像報(bào)告和數(shù)據(jù)評(píng)估系統(tǒng)一定程度上促進(jìn)了前列腺癌磁共振診斷的標(biāo)準(zhǔn)化，但前列腺增生、前列腺炎和前列腺出血等異常信號(hào)會(huì)影響前列腺癌的診斷[6]。

1.2超聲檢查 超聲檢查的價(jià)格低廉，培訓(xùn)成本較低，因而超聲引導(dǎo)下的前列腺穿刺活檢被廣泛應(yīng)用，但是一項(xiàng)納入3 912例患者的研究顯示，只有25.4%的低回聲結(jié)節(jié)被超聲引導(dǎo)下的穿刺確診為前列腺癌[7]。由于前列腺癌的發(fā)生和發(fā)展依賴于血管生成，而彩色多普勒超聲和能量多普勒超聲能夠發(fā)現(xiàn)血流信號(hào)異常組織，因此這兩種成像模式有可能幫助人們更準(zhǔn)確地診斷前列腺癌。但分辨率低仍限制了超聲檢查診斷早期前列腺癌能力的進(jìn)一步提高[8]。近年來，新的超聲技術(shù)(如超聲造影和超聲彈性成像)在區(qū)分前列腺癌和前列腺良性病變中展現(xiàn)了較好的應(yīng)用前景[9-10]。

1.3病理學(xué)檢查 病理學(xué)檢查是確診前列腺癌的金標(biāo)準(zhǔn)。病理學(xué)報(bào)告的Gleason評(píng)分因與臨床預(yù)后有較好的相關(guān)性而被廣泛應(yīng)用[11]。病理學(xué)、磁共振和超聲檢查均需要專業(yè)醫(yī)師對(duì)圖像進(jìn)行解讀，不同醫(yī)師讀片水平的差異以及同一醫(yī)師不同時(shí)間工作狀態(tài)的差異可影響疾病的診斷。雖然各種先進(jìn)技術(shù)的應(yīng)用使上述檢查方法的準(zhǔn)確率不斷提高，但只要是人工判讀，這一現(xiàn)象就難以完全避免。

2 深度學(xué)習(xí)技術(shù)概述

深度學(xué)習(xí)是一類模式分析方法的統(tǒng)稱，是機(jī)器學(xué)習(xí)的一個(gè)新的研究方向。機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，是人工智能的核心技術(shù)和實(shí)現(xiàn)手段。深度學(xué)習(xí)可通過多層處理，將“低層特征(如圖像中的點(diǎn)、角和邊界)”轉(zhuǎn)化為“高層特征(如圖像的標(biāo)簽)”，從而進(jìn)行目標(biāo)的分類和識(shí)別。相較于傳統(tǒng)的淺層學(xué)習(xí)，深度學(xué)習(xí)更加強(qiáng)調(diào)模型深度和特征學(xué)習(xí)的重要性[12]。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)在圖像處理中應(yīng)用最多的網(wǎng)絡(luò)，主要由卷積層、池化層、全連接層和激活函數(shù)等組成。所謂的層指的是某種特定的計(jì)算方法或函數(shù)，其可以接收數(shù)據(jù)并進(jìn)行計(jì)算，然后輸出。其中卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，其通過構(gòu)造多個(gè)卷積核，在輸入圖像上滑動(dòng)并進(jìn)行卷積操作，以達(dá)到提取圖像特征的目的。池化層又稱為降采樣層，通過合并一定范圍內(nèi)的數(shù)據(jù)減少運(yùn)算量。全連接層則可以整合卷積層或池化層中具有類別區(qū)分性的局部信息，使輸出信息向高層特征靠攏。激活函數(shù)可以賦予神經(jīng)網(wǎng)絡(luò)足夠的非線性，使其可以更好地模擬各種數(shù)據(jù)的內(nèi)在規(guī)律[13]。確定網(wǎng)絡(luò)的訓(xùn)練方式和優(yōu)化函數(shù)后，整個(gè)網(wǎng)絡(luò)即可通過隨機(jī)梯度下降算法，利用反向傳播進(jìn)行訓(xùn)練。訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)會(huì)形成自己的網(wǎng)絡(luò)結(jié)構(gòu)文件和權(quán)重文件，這兩個(gè)文件是神經(jīng)網(wǎng)絡(luò)預(yù)測同一類型未知數(shù)據(jù)的依據(jù)。卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像處理的流程見圖1。

圖1 卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)架模型

3 深度學(xué)習(xí)技術(shù)在前列腺癌影像學(xué)診斷中的應(yīng)用

3.1深度學(xué)習(xí)技術(shù)在前列腺磁共振成像中的應(yīng)用

3.1.1前列腺癌檢測和分類 在前列腺癌的臨床診治過程中，準(zhǔn)確識(shí)別低危和高危前列腺癌能夠避免過度診療或延誤治療。由于低危前列腺癌患者需要進(jìn)行長期監(jiān)測，一個(gè)好的無創(chuàng)評(píng)估系統(tǒng)非常重要。美國醫(yī)學(xué)物理家協(xié)會(huì)、美國國家癌癥中心和國際光學(xué)工程學(xué)會(huì)在2017年啟動(dòng)了一個(gè)在磁共振圖像上進(jìn)行前列腺癌檢測和Gleason評(píng)分預(yù)測的公開比賽(https://www.aapm.org/GrandChallenge/PROSTATEx-2)，以促進(jìn)前列腺癌檢測算法和Gleason評(píng)分算法的進(jìn)步。Seah等[14]構(gòu)建了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)檢測前列腺癌，該網(wǎng)絡(luò)考慮到了前列腺磁共振圖像和自然圖像的不同，即磁共振圖像具有范圍較大的窗寬和窗位，但是檢測目標(biāo)(前列腺和前列腺癌)的邊緣模糊，這一點(diǎn)與自然圖像有較大區(qū)別。受影像科醫(yī)師在讀片時(shí)往往需要調(diào)整窗寬和窗位的啟發(fā)，研究者將這一信息輸入網(wǎng)絡(luò)，最終在前列腺癌檢測中取得第2名的好成績。Wang等[15]設(shè)計(jì)了一個(gè)端到端的卷積神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)包含兩個(gè)子網(wǎng)絡(luò)，其一用于表觀彌散系數(shù)序列和T2W序列的配準(zhǔn)，其二即為卷積神經(jīng)分類網(wǎng)絡(luò)。研究在360例患者中間運(yùn)用5折交叉驗(yàn)證的辦法訓(xùn)練并評(píng)估了端到端的卷積神經(jīng)網(wǎng)絡(luò)模型，最終模型識(shí)別高危前列腺癌的靈敏度達(dá)到0.89。Wang等[16]比較了深度學(xué)習(xí)算法和非深度學(xué)習(xí)算法區(qū)分前列腺癌的能力，共納入172例患者的T2W序列前列腺磁共振圖像，其中前列腺癌患者79例、前列腺增生患者93例，最終深度學(xué)習(xí)模型受試者工作特征曲線下面積為0.84，而非深度學(xué)習(xí)算法為0.70。Schelb等[17]利用深度學(xué)習(xí)技術(shù)檢測和分割磁共振圖像上的高危前列腺癌，證實(shí)了深度學(xué)習(xí)算法與前列腺影像報(bào)告和數(shù)據(jù)評(píng)估系統(tǒng)(prostate imaging-reporting and data system,PI-RADS)的效能相似。Zhong等[18]收集了140例患者的磁共振圖像和病理圖像，比較了基于遷移學(xué)習(xí)的深度學(xué)習(xí)模型、不利用遷移學(xué)習(xí)的深度學(xué)習(xí)模型以及PI-RADS V2識(shí)別前列腺癌的能力，結(jié)果顯示，基于遷移學(xué)習(xí)的深度學(xué)習(xí)模型與PI-RADS的鑒別能力比較差異無統(tǒng)計(jì)學(xué)意義(P=0.89)。Yang等[19]收集了160例患者的前列腺磁共振T2W序列和表觀彌散系數(shù)序列，構(gòu)建了兩個(gè)并行的深度卷積神經(jīng)網(wǎng)絡(luò)，將這兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)提取的最終特征輸入一個(gè)基于支持向量機(jī)算法的分類器中，最終實(shí)現(xiàn)了前列腺癌的自動(dòng)識(shí)別。

3.1.2前列腺的分割 前列腺的體積與前列腺特異性抗原密度密切相關(guān)，而前列腺特異性抗原密度是判斷前列腺癌的指標(biāo)。前列腺腺體體積被用來確定前列腺增生患者具體的手術(shù)方式。因此，準(zhǔn)確測量前列腺體積有重要的臨床意義。既往多采用前列腺超聲或前列腺磁共振測定前列腺的前后徑、左右徑和上下徑，根據(jù)公式換算出前列腺體積。當(dāng)前列腺形狀不規(guī)則時(shí)該計(jì)算方式存在較大誤差。將每張磁共振圖像上的前列腺腺體分割出來，根據(jù)像素大小和層厚計(jì)算前列腺體積，得到的結(jié)果可能更準(zhǔn)確。如果能夠利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)磁共振圖像上前列腺的準(zhǔn)確分割，則有可能更加準(zhǔn)確、便捷地獲取前列腺體積。Zhu等[20]建立了一個(gè)三維的含有密集連接模塊的深度學(xué)習(xí)網(wǎng)絡(luò)用以分割前列腺。三維結(jié)構(gòu)使網(wǎng)絡(luò)能夠充分利用上下層圖像之間的關(guān)系，密集連接模塊則充分利用了淺層信息和深層信息。在最終驗(yàn)證集上，該網(wǎng)絡(luò)得到的用來評(píng)估模型效能的平均Dice相關(guān)系數(shù)達(dá)到0.82，而作為比較的常用網(wǎng)路U-net和V-net的Dice相關(guān)系數(shù)分別為0.68和0.76。鑒于三維卷積神經(jīng)網(wǎng)絡(luò)需要消耗大量的計(jì)算資源，Alkadi等[21]開發(fā)了一個(gè)2.5維的網(wǎng)絡(luò)，在保證模型效能的同時(shí)減小了數(shù)據(jù)量，從而降低了模型對(duì)硬件計(jì)算能力的要求，最終獲得的模型的效能與Zhu等[20]的研究接近。Tian等[22]進(jìn)行了磁共振圖像上前列腺的分割研究，提出的網(wǎng)絡(luò)名為PSNet，在測試集上平均Dice相關(guān)系數(shù)為0.85，與之對(duì)照的U-net的平均Dice相關(guān)系數(shù)為0.83。

受益于公開的前列腺磁共振數(shù)據(jù)庫，前列腺癌的檢測、高危和低危分類算法得到了長足的發(fā)展。不少深度學(xué)習(xí)系統(tǒng)的分類效能已經(jīng)接近或達(dá)到了目前在臨床廣泛應(yīng)用的前列腺癌評(píng)分體系PI-RADS，但是這些新方法仍然有待大規(guī)模的外部驗(yàn)證。相較于從網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)和數(shù)據(jù)輸入維度等入手，也有研究從磁共振圖像和自然圖像入手進(jìn)行探索，將磁共振圖像可調(diào)節(jié)的窗寬窗位信息加入網(wǎng)絡(luò)，更適用于磁共振圖像的特征提取，從而更好地進(jìn)行分類任務(wù)。未來深度學(xué)習(xí)在前列腺磁共振成像中的應(yīng)用重點(diǎn)包括：①納入更多的磁共振序列進(jìn)行分析。目前模型多納入的是T2W和表觀彌散系數(shù)序列，也有部分模型只納入了T2W序列。動(dòng)態(tài)增強(qiáng)成像和磁共振波譜成像均能提高前列腺癌的檢出率，將這些序列納入分析或許可進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)識(shí)別前列腺癌的準(zhǔn)確率。②卷積神經(jīng)網(wǎng)絡(luò)構(gòu)架的改變。部分研究將分析不同序列的子網(wǎng)絡(luò)并聯(lián)，將最終的結(jié)果輸入分類器；也有部分研究將不同的子網(wǎng)絡(luò)串聯(lián)，直接生成最后的結(jié)果。以上提示可通過改進(jìn)神經(jīng)網(wǎng)絡(luò)的構(gòu)架進(jìn)一步提高檢出效能。另外，最終分類器的選擇也有待進(jìn)一步探索，支持向量機(jī)在現(xiàn)階段得到了廣泛應(yīng)用，但是其他分類器的效能目前相關(guān)報(bào)道較少。③結(jié)合多組學(xué)數(shù)據(jù)。疾病的診斷并不單單依據(jù)磁共振檢查或某一項(xiàng)指標(biāo)，而是對(duì)各種不同形態(tài)數(shù)據(jù)和信息的綜合分析。如果基于磁共振的前列腺癌診斷的深度學(xué)習(xí)模型能夠?qū)⑦@些不同形態(tài)的信息和檢查結(jié)果納入分析可能進(jìn)一步提高診斷效能。

3.2深度學(xué)習(xí)在前列腺病理學(xué)檢查中的應(yīng)用 作為一種被廣泛使用的前列腺癌組織學(xué)分級(jí)方法，病理學(xué)檢查提供的Gleason評(píng)分是確定前列腺癌治療方案的重要指標(biāo)。Bulten等[23]嘗試?yán)镁矸e神經(jīng)網(wǎng)絡(luò)識(shí)別病理學(xué)圖片中的良性和惡性斑塊。從1 243例前列腺癌病例中收集了5 759個(gè)穿刺樣本并以此訓(xùn)練模型，最終得到的模型鑒別良惡性與病理科專家的判定有較好的一致性(Kappa=0.918)，模型在訓(xùn)練集中的受試者工作特征曲線下面積為0.99，測試集中為0.984，兩個(gè)外部驗(yàn)證集中分別為0.980和0.988，證明模型有較好的鑒別效能。Arvaniti等[24]的研究納入了641例用蘇木精-伊紅染色的前列腺癌患者的病理學(xué)圖片作為訓(xùn)練集和測試集，245例由專家注釋的病理學(xué)圖片作為驗(yàn)證集。由于組織芯片的圖片分辨率較高，研究者將原始病理圖片分成許多小塊進(jìn)行訓(xùn)練，每個(gè)小塊被標(biāo)注為良性、Gleason 6分、7分、8分、9分和10分。訓(xùn)練好的模型可以給出病理圖像上每一個(gè)像素所對(duì)應(yīng)的Gleason評(píng)分，據(jù)此則可以得到整體的Gleason評(píng)分。用Kappa一致性檢驗(yàn)評(píng)估深度學(xué)習(xí)模型與病理學(xué)家給出的Gleason評(píng)分的一致性，結(jié)果顯示模型與兩位病理學(xué)家之間的Kappa系數(shù)分別為0.75和0.71，而兩位病理學(xué)家之間的Kappa系數(shù)為0.71，提示模型可以更加客觀和重復(fù)地進(jìn)行病理圖像Gleason評(píng)分預(yù)測。Yang等[25]發(fā)現(xiàn)，Gleason評(píng)分依賴于良好的病理制片，但制片過程往往需要較長時(shí)間。為了解決這一問題引入了多光子成像顯微鏡，通過這一設(shè)備獲取未染色的前列腺組織的亞細(xì)胞圖像，并根據(jù)這一圖像訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行自動(dòng)化的Gleason分級(jí)。在測試集中，這一模型的準(zhǔn)確度達(dá)到81.13%。雖然結(jié)合多光子顯微鏡和深度學(xué)習(xí)的準(zhǔn)確率相較目前廣泛使用的蘇木精-伊紅染色制片、病理醫(yī)師閱片的準(zhǔn)確率并不具有明顯優(yōu)勢，但其診斷更為快捷。很多研究者在病理圖像上的前列腺癌診斷和分級(jí)這一領(lǐng)域進(jìn)行了不同的嘗試，Kott等[26]構(gòu)建了兩個(gè)神經(jīng)網(wǎng)絡(luò)，分別對(duì)圖像進(jìn)行粗分類和細(xì)分類，粗分類鑒定圖像的良惡性，細(xì)分類鑒定腫瘤的Gleason分級(jí)。這兩個(gè)神經(jīng)網(wǎng)絡(luò)均應(yīng)用到了深度殘差卷積神經(jīng)網(wǎng)絡(luò)，得到的模型進(jìn)行粗分類的準(zhǔn)確度為91.5%，細(xì)分類準(zhǔn)確度為85.4%。Lucas等[27]則利用Inception-3訓(xùn)練像素級(jí)標(biāo)注的前列腺癌病理學(xué)圖片，最終模型識(shí)別良惡性的準(zhǔn)確度為92%，靈敏度和特異度分別為90%和93%。綜合來看，不同研究者從不同角度采用不同的方法解決了病理學(xué)圖片的分類和分割這一問題，且準(zhǔn)確度和精確度較好，但目前仍然缺乏各種方法之間的橫向比較和獨(dú)立的大規(guī)模驗(yàn)證。

3.3深度學(xué)習(xí)在前列腺超聲檢查中的應(yīng)用 由于超聲檢查的信噪比較低，成像易受氣體、骨骼影響，在超聲圖像中應(yīng)用深度學(xué)習(xí)技術(shù)有一定的困難。但超聲仍然是當(dāng)前圖像引導(dǎo)前列腺活檢或近距離粒子植入時(shí)首選的影像學(xué)檢查方法，有研究者在深度學(xué)習(xí)和超聲成像上進(jìn)行了探索。Anas等[28]應(yīng)用2 238張經(jīng)過標(biāo)記的經(jīng)直腸前列腺超聲圖像作為訓(xùn)練數(shù)據(jù)，利用深度學(xué)習(xí)技術(shù)訓(xùn)練了一個(gè)模型對(duì)超聲圖像中的前列腺進(jìn)行分割。模型最終的平均表面距離誤差為1.1 mm，Hausdorff距離誤差為3 mm，提示網(wǎng)絡(luò)可對(duì)前列腺進(jìn)行準(zhǔn)確的分割。Feng等[29]探討了基于超聲造影數(shù)據(jù)構(gòu)建神經(jīng)網(wǎng)絡(luò)檢測前列腺癌的效能，最終模型診斷前列腺癌的準(zhǔn)確度為90%，精確度為91%。Lei等[30]根據(jù)交叉熵?fù)p失函數(shù)和基于批次的Dice損失函數(shù)構(gòu)建了新的損失函數(shù)。針對(duì)超聲圖像中前列腺頂部和底部可能出現(xiàn)的分割誤差，引入了基于多方向的輪廓細(xì)分模型，融合了基于橫向面、矢狀面和冠狀面的信息；針對(duì)超聲圖像信噪比低的問題，應(yīng)用不同的濾波器進(jìn)行圖像預(yù)處理，并將預(yù)處理的圖像作為多通道樣本置于網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。最終模型在44例患者的超聲圖像上進(jìn)行了驗(yàn)證，深度學(xué)習(xí)模型的Dice相關(guān)系數(shù)為0.92，Hausdorff距離為3.9 mm，平均表面距離為0.6 mm，證實(shí)了模型的優(yōu)越性。Karimi等[31]提出了兩種策略以提高困難圖像分類的精度：首先采用一種自適應(yīng)的抽樣策略，可以使訓(xùn)練過程更多的關(guān)注難以分割的圖像；其次，研究訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)路的集合，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的不一致性來識(shí)別帶有不確定性的圖像內(nèi)容，然后根據(jù)統(tǒng)計(jì)模型的先驗(yàn)形狀信息對(duì)不確定部分進(jìn)行分割。這一方法所獲得的Hausdorff距離為2.7 mm，Dice相關(guān)系數(shù)為0.93。

目前將深度學(xué)習(xí)技術(shù)應(yīng)用于前列腺超聲影像的研究較少，而研究也主要集中于前列腺腺體分割。由于超聲影像的特殊性，往往需要對(duì)傳統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)做較大優(yōu)化，并且引入其他臨床先驗(yàn)知識(shí)才能達(dá)到較好的分割效果。由于超聲檢查對(duì)前列腺癌的靈敏度不高，深度學(xué)習(xí)在超聲圖像上檢測前列腺癌的報(bào)道較少見。

4 結(jié) 語

以上研究展示了深度學(xué)習(xí)技術(shù)較高的應(yīng)用價(jià)值和廣闊的應(yīng)用前景，但是深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用依然面臨多重挑戰(zhàn)。醫(yī)學(xué)倫理要求任何在臨床應(yīng)用的新技術(shù)的有效性和安全性必須得到充分的檢驗(yàn)。另外，影像學(xué)中的“同病異影”和“異病同影”現(xiàn)象使單純依據(jù)影像學(xué)數(shù)據(jù)來判斷疾病具有一定的風(fēng)險(xiǎn)性。醫(yī)學(xué)人工智能的一個(gè)發(fā)展方向是模仿人類診斷疾病的過程，擴(kuò)展現(xiàn)有的人工智能網(wǎng)絡(luò)體系，納入更多樣本和更多維度的數(shù)據(jù)，如每例樣本各個(gè)時(shí)間點(diǎn)的影像學(xué)數(shù)據(jù)、生化檢驗(yàn)數(shù)據(jù)、物理檢查數(shù)據(jù)和體格檢查數(shù)據(jù)等，構(gòu)建出真正能夠理解人類疾病發(fā)生發(fā)展過程的人工智能。另外，深度學(xué)習(xí)技術(shù)在前列腺癌診斷方面，無論是基于磁共振檢查、病理還是超聲數(shù)據(jù)的研究均是基于自有數(shù)據(jù)庫或公開數(shù)據(jù)庫，缺乏大樣本量的外部驗(yàn)證，這也是未來的研究方向。綜合來看，以深度學(xué)習(xí)為代表的人工智能技術(shù)在前列腺癌診斷中具有廣闊的應(yīng)用前景，但仍需要進(jìn)行深入的研究。