徐文浩，田 熙，艾合太木江·安外爾，瞿元元，施國(guó)海，張海梁，葉定偉

復(fù)旦大學(xué)附屬腫瘤醫(yī)院泌尿外科，復(fù)旦大學(xué)上海醫(yī)學(xué)院腫瘤學(xué)系，上海 200032

1 前言

惡性腫瘤已占中國(guó)居民死因的23.91%，且發(fā)病率逐年升高，成為社會(huì)普遍關(guān)注的健康問(wèn)題［1］。人工智能（artificial intelligence，AI）是指能夠模擬、延伸和擴(kuò)展人類(lèi)智能的一套計(jì)算機(jī)科學(xué)理論、方法、技術(shù)及應(yīng)用系統(tǒng)，試圖發(fā)展計(jì)算機(jī)的智能來(lái)模仿人類(lèi)的工作和思維方式［2］。其概念于1956年被首次提出，旨在研究如何通過(guò)利用計(jì)算機(jī)的軟硬件特色模擬人類(lèi)智能思維的基本理論、方法和技術(shù)，現(xiàn)已對(duì)生產(chǎn)、生活的多個(gè)學(xué)科領(lǐng)域產(chǎn)生了深遠(yuǎn)影響。AI在醫(yī)療衛(wèi)生領(lǐng)域的應(yīng)用不斷發(fā)展，2017年國(guó)務(wù)院正式印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中明確指出要推廣智能醫(yī)療，建立快速精準(zhǔn)的智能醫(yī)療體系，探索建設(shè)智慧醫(yī)院并加強(qiáng)群體智能健康管理。機(jī)器學(xué)習(xí)（machine learning，ML）是AI不可或缺的一部分，它將統(tǒng)計(jì)模型應(yīng)用于機(jī)器，并允許它們以智能的方式獨(dú)立運(yùn)行，而無(wú)需一組明確的命令［3-4］。深度學(xué)習(xí)是ML的一個(gè)子類(lèi)，它利用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）來(lái)模仿生物神經(jīng)系統(tǒng)的結(jié)構(gòu)方式及信息處理方式［5］。ANN具有可以充當(dāng)神經(jīng)元的人工節(jié)點(diǎn)的多層集合，這些人工節(jié)點(diǎn)接受輸入，處理數(shù)據(jù)，最后將其傳遞給其他神經(jīng)元。

在醫(yī)學(xué)的其他領(lǐng)域中，AI已經(jīng)扮演不可或缺的重要角色，如幫助臨床醫(yī)師或科研人員進(jìn)行信息管理、診斷和醫(yī)師決策［6-9］。根據(jù)最近的美國(guó)國(guó)立衛(wèi)生研究院（National Institutes of Health，NIH）醫(yī)學(xué)成像AI基礎(chǔ)研究路線(xiàn)圖，基于A(yíng)I的算法將在未來(lái)10年內(nèi)對(duì)臨床醫(yī)學(xué)成像實(shí)踐產(chǎn)生重大影響［10］。此外，在診斷中，ML已成功用于篩選更多優(yōu)質(zhì)的生物標(biāo)志物或疾病預(yù)測(cè)模型，以幫助診斷疾病，預(yù)測(cè)預(yù)后和復(fù)發(fā)率［11］。AI還可以通過(guò)分析骨骼X射線(xiàn)照片來(lái)診斷骨折，其準(zhǔn)確度可與高級(jí)骨科醫(yī)師相媲美［12］。腫瘤是醫(yī)療健康領(lǐng)域的重要攻關(guān)難題，各國(guó)學(xué)者紛紛探索AI與腫瘤篩查、診斷、治療、護(hù)理和康復(fù)等領(lǐng)域的聯(lián)合應(yīng)用［11，13-14］。鑒于其他領(lǐng)域的這些進(jìn)步，AI在泌尿系統(tǒng)腫瘤領(lǐng)域具有用于診斷和治療優(yōu)化的強(qiáng)大潛力［15-16］。本文就AI在泌尿系統(tǒng)腫瘤領(lǐng)域的技術(shù)方法和應(yīng)用現(xiàn)狀進(jìn)行綜述，探討其面臨的機(jī)遇與挑戰(zhàn)，以期為AI助力腫瘤診療和護(hù)理提供參考。

2 腫瘤領(lǐng)域中用到的AI技術(shù)

2.1 ML

ML是AI的一大分支，即計(jì)算機(jī)借助算法模擬或?qū)崿F(xiàn)人類(lèi)學(xué)習(xí)行為，通過(guò)獲取新知識(shí)或技能，重新組織已有知識(shí)結(jié)構(gòu)使之不斷改善自身性能的一種技術(shù)［17］。該技術(shù)不斷學(xué)習(xí)標(biāo)準(zhǔn)化的多來(lái)源數(shù)據(jù)，如醫(yī)學(xué)文獻(xiàn)、醫(yī)療電子信息系統(tǒng)及醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)等，訓(xùn)練出模型持續(xù)減少錯(cuò)誤的發(fā)生，提高解決問(wèn)題的效率和預(yù)測(cè)結(jié)局的效能，以幫助解決更多臨床問(wèn)題［18-20］。

深度學(xué)習(xí)可進(jìn)一步劃分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)兩大類(lèi)，在腫瘤病理學(xué)和影像學(xué)診斷中應(yīng)用廣泛，本質(zhì)就是發(fā)現(xiàn)輸入數(shù)據(jù)集中的變量標(biāo)簽的結(jié)果，或直接分析數(shù)據(jù)集差異，達(dá)到鑒別分類(lèi)的效果，如基于超聲圖像對(duì)乳腺癌亞型進(jìn)行分類(lèi)等［21-22］。監(jiān)督學(xué)習(xí)在于從輸入的樣本集中推演出目的變量的結(jié)果，常見(jiàn)算法包括k-近鄰（k-nearest neighbor，KNN）、決策樹(shù)（decision tree model，DTM）、樸素貝葉斯算法（Naive Bayesian algorithm，NBA）、最小絕對(duì)緊縮與選擇算子（least absolute shrinkage and selection operator，LASSO）多變量邏輯回歸、支持向量機(jī)（support vector machine，SVM）及隨機(jī)森林（random forest，RF）等。無(wú)監(jiān)督學(xué)習(xí)旨在分析沒(méi)有類(lèi)別信息和目標(biāo)變量的數(shù)據(jù)集，根據(jù)數(shù)據(jù)集中類(lèi)似的對(duì)象生成新的分組或類(lèi)別，甚至可以通過(guò)二維或三維方法可視化數(shù)據(jù)分類(lèi)，常見(jiàn)算法包括k均值聚類(lèi)分析、主成分分析（principal component analysis，PCA）等［23-25］。

2.2 自然語(yǔ)言處理

自然語(yǔ)言處理是AI和語(yǔ)言學(xué)的交叉，即一門(mén)基于ML技術(shù)來(lái)實(shí)現(xiàn)人與計(jì)算機(jī)之間自然語(yǔ)言有效通信的技術(shù)，使得機(jī)器能夠理解人類(lèi)的語(yǔ)言，為兩者建立起有效的溝通渠道［26］。美國(guó)IBM公司的沃森腫瘤解決方案（Watson for oncology，WFO）可使用自然語(yǔ)言與腫瘤患者進(jìn)行實(shí)時(shí)人機(jī)互動(dòng)，不僅發(fā)揮聊天機(jī)器人的作用，還能通過(guò)情感分析和關(guān)系提取隨時(shí)檢測(cè)患者的碎片化信息，總結(jié)發(fā)現(xiàn)醫(yī)師所忽視的細(xì)節(jié)，為患者的身心健康保駕護(hù)航［27］。此外，自然語(yǔ)言處理技術(shù)也可與社交媒體結(jié)合，在幫助腫瘤患者進(jìn)行決策的同時(shí)實(shí)現(xiàn)個(gè)性化診療和滿(mǎn)足情感需求。

2.3 自動(dòng)規(guī)劃

自動(dòng)規(guī)劃是一種問(wèn)題求解技術(shù)，可以將問(wèn)題分解成若干子問(wèn)題并進(jìn)一步解決，最終實(shí)現(xiàn)預(yù)期目標(biāo)，在腫瘤個(gè)體化治療和護(hù)理方案制訂中有一定應(yīng)用［28］。例如，利用該技術(shù)將彌散張量成像（diffusion tensor imaging，DTI）功能信息與磁共振成像（magnetic resonance imaging，MRI）結(jié)構(gòu)信息相結(jié)合，進(jìn)行腦干或前列腺腫瘤術(shù)前路徑自動(dòng)規(guī)劃設(shè)計(jì)，能夠有效地引導(dǎo)醫(yī)師在術(shù)中規(guī)避重要的神經(jīng)組織區(qū)域，降低手術(shù)風(fēng)險(xiǎn)［28-29］。

2.4 語(yǔ)音處理系統(tǒng)

語(yǔ)音處理系統(tǒng)是研究語(yǔ)音發(fā)聲過(guò)程、語(yǔ)音信號(hào)統(tǒng)計(jì)特性、語(yǔ)音自動(dòng)識(shí)別、機(jī)器合成及語(yǔ)音感知等各種處理技術(shù)的總稱(chēng)。目前已有研究［30］通過(guò)該技術(shù)對(duì)顳葉膠質(zhì)瘤術(shù)后患者的發(fā)聲及語(yǔ)音內(nèi)容進(jìn)行識(shí)別和處理，以評(píng)估患者手術(shù)恢復(fù)情況。

2.5 專(zhuān)家系統(tǒng)

傳統(tǒng)的ML在開(kāi)始真正意義上的普及化和商業(yè)化之前，幾乎沒(méi)有算法或系統(tǒng)程序能夠突破常規(guī)計(jì)算的束縛，專(zhuān)家系統(tǒng)就是這樣一個(gè)用于執(zhí)行基于復(fù)雜邏輯運(yùn)算的任務(wù)系統(tǒng)［24］。主要通過(guò)一種知識(shí)表達(dá)模式將腫瘤或其他臨床領(lǐng)域?qū)＜抑R(shí)和經(jīng)驗(yàn)存入計(jì)算機(jī)“專(zhuān)家知識(shí)庫(kù)”，再對(duì)輸入的事實(shí)（如患者診療信息等）進(jìn)行邏輯推理，根據(jù)已有信息匹配“專(zhuān)家知識(shí)庫(kù)”中的固態(tài)條件和動(dòng)態(tài)數(shù)據(jù)，模擬醫(yī)學(xué)專(zhuān)家診斷疾病，作出開(kāi)具處方藥等類(lèi)似醫(yī)學(xué)專(zhuān)家的判斷和決策［26］。WFO即是一款目前較為成功的專(zhuān)家系統(tǒng)，可進(jìn)行癌癥患者病史總結(jié)、為患者提供治療方案建議和健康管理咨詢(xún)。

2.5 ANN

ANN分類(lèi)算法即模仿人類(lèi)神經(jīng)活動(dòng)進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，可基于系統(tǒng)復(fù)雜程度，優(yōu)化調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接關(guān)系，從而達(dá)到處理信息的目的，具有自學(xué)習(xí)和自適應(yīng)能力。深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型是一種有代表性的常用技術(shù)模型，有助于病理學(xué)或影像學(xué)圖像分類(lèi)的深度學(xué)習(xí)［31］。在CNN的輔助下，計(jì)算機(jī)通過(guò)預(yù)先設(shè)計(jì)的特征變量，自動(dòng)識(shí)別匹配目標(biāo)圖像的最佳特征，在不依賴(lài)大量數(shù)據(jù)預(yù)處理或人類(lèi)操作、干擾的情況下直接分類(lèi)。在如今的臨床應(yīng)用中，ANN已經(jīng)逐漸廣泛用于腫瘤患者的病理學(xué)和影像學(xué)診斷，通過(guò)圖像處理技術(shù)對(duì)腫瘤圖像進(jìn)行壓縮、增強(qiáng)、復(fù)原、匹配、描述和識(shí)別，輔助醫(yī)師進(jìn)行診斷［32］。

3 泌尿系統(tǒng)腫瘤領(lǐng)域AI技術(shù)的應(yīng)用進(jìn)展

3.1 前列腺癌

泌尿系統(tǒng)腫瘤的診斷和處理涉及大量臨床數(shù)據(jù)的解析，包括組織學(xué)圖像、MRI及生物標(biāo)志物篩選等。在使用AI診斷前列腺癌的挑戰(zhàn)中，研究者們正在開(kāi)發(fā)一種去除異質(zhì)性的方法來(lái)鏈接和平衡不同來(lái)源的定性數(shù)據(jù)，以創(chuàng)建決策的定量指標(biāo)，甚至讓AI創(chuàng)建一種使患者自己作出決定的方法［33］。盡管如此，Auffenberg等［20］最近設(shè)計(jì)了一個(gè)新模型，臨床登記數(shù)據(jù)納入了來(lái)自美國(guó)密歇根州45個(gè)不同醫(yī)院泌尿外科的7 500多例前列腺癌患者，臨床病理學(xué)數(shù)據(jù)包括前列腺穿刺活檢時(shí)的患者年齡、診斷前的前列腺特異性抗原（prostate-specific antigen，PSA）水平及Gleason評(píng)分等，以此為基礎(chǔ)，該團(tuán)隊(duì)測(cè)試并訓(xùn)練了一種ML算法來(lái)預(yù)測(cè)主要治療結(jié)果。該工具現(xiàn)已通過(guò)網(wǎng)絡(luò)和智能手機(jī)應(yīng)用程序免費(fèi)提供，使患者能夠輕松利用大量相關(guān)的臨床數(shù)據(jù)和ML算法進(jìn)行長(zhǎng)期主動(dòng)監(jiān)測(cè)，更有利于患者信息隨訪(fǎng)。

近年來(lái)，深度學(xué)習(xí)還被用于自動(dòng)化前列腺活檢組織標(biāo)本的Gleason分級(jí)。盡管Gleason分級(jí)是前列腺癌患者重要的預(yù)后指標(biāo)之一，但它不僅耗時(shí)較長(zhǎng)，需要經(jīng)驗(yàn)豐富的病理學(xué)家和穿刺臨床醫(yī)師，并且受試者之間的可重復(fù)性有限［34］。最新研究［35］表明，泌尿系統(tǒng)腫瘤病理學(xué)家對(duì)前列腺活檢進(jìn)行的Gleason評(píng)分和基于A(yíng)I自動(dòng)化的CNN算法結(jié)果可以達(dá)到65%的一致性，且上下偏差不超過(guò)1分。另外，ML也已被用于通過(guò)多參數(shù)MRI（multi-parameter MRI，mpMRI）圖像結(jié)合紋理特征以高精度預(yù)測(cè)Gleason評(píng)分，從而大大降低利用有創(chuàng)的前列腺活檢對(duì)癌癥診斷的需求［36］。此外，有研究［11］顯示，AI可以通過(guò)節(jié)省資源、提高可靠性和減少患者不適來(lái)改善前列腺癌診斷中的Gleason評(píng)分過(guò)程。

值得注意的是，ML的性能可因種族而異。2021年，Nayan等［37］納入美國(guó)國(guó)家癌癥中心68 630例患者，預(yù)測(cè)根治性前列腺切除術(shù)后存活率的XGBoost ML算法表現(xiàn)出不同種族的性能差異，強(qiáng)調(diào)了在臨床決策前應(yīng)徹底評(píng)估種族亞組中的ML算法適用性，不可以因ML的結(jié)果而忽視該部分人群積極癌癥管理的重要性。Zhu等［38］研究發(fā)現(xiàn)，亞洲（尤其是東亞）人群與西方人群的前列腺癌流行病學(xué)特征存在明顯差異，且東亞與歐洲后裔前列腺癌患者的基因多態(tài)性差異顯著。因此，中國(guó)的前列腺癌診療策略不適合“一邊倒”，還需結(jié)合大規(guī)模人群的不同臨床病理學(xué)和遺傳學(xué)特征，開(kāi)發(fā)適用于中國(guó)前列腺癌人群的篩查、診斷和治療的AI模型，探索AI在多學(xué)科交叉融合應(yīng)用中的更多契機(jī)［39］。

3.2 腎癌

腎癌是致命的泌尿系統(tǒng)惡性腫瘤之一，高達(dá)25%的患者在初診時(shí)發(fā)現(xiàn)轉(zhuǎn)移［40］。腎癌的3種常見(jiàn)分類(lèi)包括透明細(xì)胞癌、乳頭狀癌和嫌色細(xì)胞癌。由于不同腎癌類(lèi)別之間腫瘤異質(zhì)性極大，不同腎癌患者的的預(yù)后和治療方案也大不相同。2019年，Han等［41］創(chuàng)建了CNN算法，用于標(biāo)記特定關(guān)注區(qū)域的三相計(jì)算機(jī)體層成像（computed tomography，CT）圖像來(lái)輔助腎癌分類(lèi)鑒別，34個(gè)經(jīng)活檢證實(shí)的病例的驗(yàn)證集的曲線(xiàn)下面積（area under curve，AUC）高達(dá)0.9。

腎透明細(xì)胞癌通常根據(jù)Fuhrman方法進(jìn)行核分級(jí)，該方法依賴(lài)于核多型性分析。然而，不同病理學(xué)家對(duì)病理學(xué)切片的分析依然存在很大的不一致，且現(xiàn)有的醫(yī)療資源無(wú)法讓每1張H-E或免疫組織化學(xué)切片被多位病理學(xué)家共同診斷。2019年，Holdbrook等［42］設(shè)計(jì)了一種SVM，可以直接從活檢的組織病理學(xué)全圖像中對(duì)這些標(biāo)本進(jìn)行自動(dòng)分級(jí)。SVM是ML算法中應(yīng)用最廣泛的一類(lèi)，它使用許多功能子集（稱(chēng)為支持向量）來(lái)作出最終決策，從而使它們快速有效，結(jié)果表明，所生成的自動(dòng)圖像評(píng)分與另一種基于多基因檢測(cè)的評(píng)分系統(tǒng)之間存在顯著相關(guān)性，該評(píng)分系統(tǒng)可以準(zhǔn)確預(yù)測(cè)腎癌患者預(yù)后。

此外，AI還可以被用于優(yōu)化腎癌患者的全程治療策略。晚期或高級(jí)別腎透明細(xì)胞癌患者可以通過(guò)一線(xiàn)細(xì)胞因子治療或酪氨酸激酶抑制劑（tyrosine kinase inhibitor，TKI）進(jìn)行靶向治療［43-44］。但不同患者接受靶向治療的效果和不良反應(yīng)存在極大差別，很難實(shí)現(xiàn)個(gè)體化精準(zhǔn)治療。因此，Buchner等［45］近期開(kāi)發(fā)了一種ANN，可以輸入多個(gè)參數(shù)，包括但不限于治療方案、組織學(xué)類(lèi)型、體重指數(shù)（body mass index，BMI）及年齡等，利用這些數(shù)據(jù)，該算法能夠準(zhǔn)確地預(yù)測(cè)患者的36個(gè)月生存率，驗(yàn)證隊(duì)列的準(zhǔn)確度達(dá)到91%。

在腎癌的ML領(lǐng)域，Ma等［46］首次基于眾多獨(dú)立數(shù)據(jù)隊(duì)列的共計(jì)超過(guò)1 500例腎透明細(xì)胞癌患者的轉(zhuǎn)錄組數(shù)據(jù)，探索轉(zhuǎn)移和未轉(zhuǎn)移患者腫瘤組織的全基因組特征。結(jié)合臨床特征，通過(guò)多層邏輯算法和擬合回歸森林樹(shù)不斷篩選關(guān)鍵生物標(biāo)志物，建立了臨床預(yù)測(cè)模型，描述腎透明細(xì)胞癌轉(zhuǎn)移發(fā)生的10個(gè)關(guān)鍵分子標(biāo)志物，并且在中位隨訪(fǎng)時(shí)間超過(guò)72個(gè)月的380例來(lái)自復(fù)旦大學(xué)附屬腫瘤醫(yī)院隊(duì)列的腎透明細(xì)胞癌標(biāo)本中進(jìn)行驗(yàn)證，發(fā)現(xiàn)這些分子標(biāo)志物、臨床預(yù)測(cè)模型均能夠用于預(yù)測(cè)患者的不良預(yù)后，且模型預(yù)測(cè)效能達(dá)到0.758（總生存期）和0.772（無(wú)病生存期），這對(duì)缺乏明確分子分型和分子標(biāo)志物的腎癌管理來(lái)說(shuō)是至關(guān)重要的。在腎癌免疫治療的時(shí)代，Xu等［47］也率先對(duì)腎透明細(xì)胞癌微環(huán)境中免疫環(huán)境進(jìn)行精確分組，發(fā)現(xiàn)免疫排斥型的Cluster B和C具有促腫瘤原性的免疫浸潤(rùn)，并且顯示出比免疫荒漠型的Cluster A顯著更差的生存，可以作為全新的獨(dú)立預(yù)后指標(biāo)，凸顯了腫瘤表型與免疫背景之間的緊密關(guān)系，提示腎癌新型免疫分型能夠很好地預(yù)測(cè)免疫檢查點(diǎn)抑制劑（immune checkpoint therapie，ICT）的療效。腎癌腫瘤亞型為傳統(tǒng)的腫瘤免疫理論提出了一個(gè)挑戰(zhàn)：雖然該類(lèi)型腫瘤突變負(fù)荷并不高，但是免疫治療對(duì)其有效；此外，腎癌中更高水平的CD8+T淋巴細(xì)胞浸潤(rùn)反而可能與較差的預(yù)后相關(guān)，這為腎癌免疫精準(zhǔn)治療帶來(lái)了更多挑戰(zhàn)［48］。隨著腫瘤免疫治療在腎癌等多種實(shí)體瘤臨床治療中的重要性逐漸提升，研究者們［49-52］陸續(xù)通過(guò)ML算法開(kāi)發(fā)了如腫瘤新抗原（neoantigen）、腫瘤特異性抗原（tumor-specific antigen，TSA）、腫瘤純度（tumor purity）、腫瘤微環(huán)境（tumor microenvironment，TME）及腫瘤免疫功能障礙和排斥（tumor immune dysfunction and exclusion，TIDE）等多種評(píng)分，極大地提高了預(yù)測(cè)抗原表位免疫原性的精確性，有助于更好地篩選適合腫瘤免疫治療的群體，推動(dòng)腫瘤治療精準(zhǔn)化和個(gè)體化管理。

3.3 膀胱癌

膀胱癌是全球第9大常見(jiàn)的癌癥，在老齡化人群中往往呈現(xiàn)出顯著升高的發(fā)病率和死亡率趨勢(shì)［53］。2018年，Eminaga等［54］嘗試通過(guò)開(kāi)發(fā)CNN來(lái)采用AI方法解決膀胱鏡檢查術(shù)普適性的問(wèn)題，該CNN算法納入479個(gè)不同案例，其中包含44個(gè)不同的泌尿外科臨床檢查結(jié)果，經(jīng)過(guò)訓(xùn)練算法，能夠成功地識(shí)別出膀胱鏡視野范圍下所有癌變的圖像。盡管膀胱鏡檢查是診斷膀胱癌的標(biāo)準(zhǔn)方法，但是它仍是一種侵入性的有創(chuàng)手術(shù)，非肌層浸潤(rùn)的膀胱癌患者在行電切手術(shù)后仍需每年進(jìn)行1次膀胱鏡復(fù)查。為解決這一難題，Eminaga等［54］最新設(shè)計(jì)了一種基于ML的方法，能夠從尿液樣本的細(xì)胞圖像中檢測(cè)出膀胱癌細(xì)胞或高度異型性的細(xì)胞，用于疾病診斷和復(fù)發(fā)預(yù)測(cè)，這種方法顯示出94%的診斷準(zhǔn)確度，與膀胱鏡檢查相比有顯著改善。

在作出膀胱癌的診斷后，通常要進(jìn)行臨床和病理學(xué)分期以確定預(yù)后和后續(xù)治療選擇。Garapati等［55］訓(xùn)練了一個(gè)CNN算法用于準(zhǔn)確使用來(lái)自CT泌尿系統(tǒng)造影術(shù)的圖像將膀胱癌患者分為以下兩組：不低于T2期或低于T2期，該模型顯示出AI不僅在診斷膀胱癌方面具有巨大潛力，而且能夠用于預(yù)測(cè)膀胱癌患者的預(yù)后和復(fù)發(fā)，對(duì)患者后續(xù)和長(zhǎng)期的治療選擇有重要指導(dǎo)價(jià)值。Cha等［56］納入了來(lái)自CT掃描的6 000多幅治療前后的影像，利用深度學(xué)習(xí)算法，對(duì)不同的基于放射學(xué)的預(yù)測(cè)模型進(jìn)行了分析，以根據(jù)腫瘤的化學(xué)反應(yīng)準(zhǔn)確地對(duì)膀胱癌患者的治療響應(yīng)率進(jìn)行分類(lèi)。雖然深度學(xué)習(xí)算法與放療、化療科專(zhuān)家在預(yù)測(cè)化療響應(yīng)上的差異無(wú)統(tǒng)計(jì)學(xué)意義，但這些嘗試都為ML在泌尿系統(tǒng)腫瘤的應(yīng)用打下堅(jiān)實(shí)基礎(chǔ)。

4 結(jié)語(yǔ)

近年來(lái)，以深度學(xué)習(xí)為代表的AI技術(shù)已經(jīng)在多種腫瘤的病灶檢出、病理學(xué)分型、臨床分期、療效評(píng)價(jià)及生存預(yù)測(cè)研究等方面顯示出較為理想的效果。AI并非替代醫(yī)師作出臨床決策，而是加強(qiáng)和完善人機(jī)對(duì)話(huà)，讓臨床診療轉(zhuǎn)型為更智能、精準(zhǔn)、安全、高效的方式。規(guī)范大數(shù)據(jù)標(biāo)準(zhǔn)，開(kāi)展多中心研究與驗(yàn)證是將AI由科研推向臨床的重要過(guò)程，需要醫(yī)、工交叉多學(xué)科的協(xié)作及共同努力。隨著科技進(jìn)步及經(jīng)濟(jì)發(fā)展，AI在腫瘤病理學(xué)分型、影像診斷、預(yù)測(cè)模型、手術(shù)導(dǎo)航及專(zhuān)家系統(tǒng)自動(dòng)門(mén)診等領(lǐng)域也將更加安全并被逐漸推廣，在全國(guó)各級(jí)醫(yī)院開(kāi)展AI輔助下的泌尿腫瘤診療是必然趨勢(shì)。面臨未來(lái)的機(jī)遇與挑戰(zhàn)，我們需要進(jìn)一步強(qiáng)化技術(shù)研發(fā)，加強(qiáng)學(xué)科交叉的復(fù)合型人才培養(yǎng)，使AI助力人類(lèi)在戰(zhàn)勝腫瘤的道路上走的更遠(yuǎn)，從而全面提高醫(yī)療質(zhì)量。

利益沖突聲明：所有作者均聲明不存在利益沖突。