人工智能在泌尿疾病诊断中的应用现状与趋势

Abstract

近年来，随着数据储存、图像处理、模式识别和机器学习等技术的进步，人工智能在泌尿疾病的诊疗方面得到了广泛的应用。基于影像学和组织病理学等海量的生物医学大数据，人工智能技术可以让医务工作者对泌尿系肿瘤、泌尿系结石、泌尿系感染、泌尿功能异常和勃起功能障碍等几类泌尿疾病的诊断更为精准，让治疗更加个性化。然而，目前人工智能诊疗大多处于研究阶段，在实际的应用中尚存在一些问题。本文以辅助诊断为线索，对人工智能方法在前列腺癌、膀胱癌、肾癌、尿路结石、尿频、勃起功能障碍等常见泌尿疾病的应用和研究情况予以综述，并进一步探讨其存在的问题和未来发展方向。

引言

人工智能（artificial intelligence，AI）是研究开发用于模拟、延伸和扩展人类智能的一门新的技术科学^[1]。当前，随着数据储存、图像处理、模式识别等技术的不断进步，人工智能正与医疗健康产业深度融合，从医学研究和临床决策等方面推动诊疗模式的转变。人工智能的应用，有助于提升疾病的诊断效率和准确度、制定有效的治疗方案、削减治疗成本，从而推动个性化医疗的发展^[1]。

泌尿系统结构复杂，病因及症状多样，泌尿疾病的精准诊断常面临着较多挑战。当前，泌尿疾病的诊断面临的众多问题主要包括：① 优质医疗资源存在供需失衡和地域分配不均等问题，导致就医成本高且效率低；② 肿瘤早期的病灶小且病变累及范围小，影像学等检查数据显示不明显，再加上人眼的分辨力有限，可能出现疾病的漏诊；③ 基因组学、代谢组学、影像组学和智能穿戴设备等产生了海量数据，大大增加了泌尿医师的工作负担。随着人工智能技术在医疗领域的广泛应用与飞速发展，为上述问题提供了一种全新的解决思路。近年，在泌尿疾病诊疗领域，人工智能技术取得了丰硕的研究成果^[2-3]。基于海量的诊疗数据，人工智能技术可以辅助医生对疾病做出精准诊断以及超早期预警，并有效提升医生的工作效率。本文以辅助诊断为线索，对人工智能方法在泌尿系肿瘤、泌尿系结石、泌尿系感染、泌尿功能异常和勃起功能障碍等疾病中的应用和研究情况予以综述，并对发展前景做出展望。

1. 人工智能

1.1. 医疗人工智能的发展

1956 年夏天，在美国新罕布什尔州召开的达特茅斯会议上，“人工智能”一词首次被提出。1972 年，英国利兹大学尝试应用人工智能算法进行腹部疼痛的判断，这是最早出现在医疗领域记载中的人工智能系统^[4]。进入 21 世纪后，得益于互联网的快速发展产生的海量数据，人工智能医疗进入了一个新的发展阶段。基于数字影像、电子病历、智能穿戴、基因检测和医疗费用等健康大数据，人工智能可为医生提供以证据为支撑的疾病诊断和治疗建议。人工智能从医学研究、临床决策等方面推动了诊疗模式的转变，促使疾病的监测、预防、诊断、治疗、随访等发生了巨大的变革^[5-6]。仅在 2018 年，美国食品药品监督管理局（Food and Drug Administration，FDA）就批准了 16 款医疗人工智能产品，涵盖尿检、糖尿病、脑卒中、癫痫、骨折及儿童自闭症等多个领域^[7-8]。

1.2. 人工智能的核心技术和评价指标

在核心技术上，医疗人工智能主要包括机器学习、深度学习、神经网络等算法^[9]，它们之间的关系如图1 所示。机器学习是人工智能的核心，是使计算机具有智能的根本途径，主要分为监督学习、非监督学习和增强学习三种学习类型。机器学习的优势在于可以对海量健康数据进行挖掘，然后利用这些数据对计算机进行训练，进而学习这些数据获得经验和知识，不断改进诊断性能^[10]。神经网络是机器学习诸多算法中的一种，受大脑神经网络的结构和功能启发而提出，包括卷积神经网络、循环神经网络和深度神经网络等。神经网络的优势在于可学习和构建非线性分类的复杂关系的疾病诊断模型。而深度学习是一类新兴的多层神经网络学习算法，也是神经网络算法的发展。与传统机器学习方法相比，深度学习算法的优势在于能够自动学习各类健康数据中的特征，避免了前期的人工特征选择^[10]。

图 1.

The relationship between artificial intelligence, machine learning, deep learning and neural network

人工智能、机器学习、深度学习与神经网络的关系示意图

在评价指标上，人工智能技术的效能指标主要包括：受试者工作特征（receiver operating characteristic，ROC）曲线、ROC 曲线下的面积（area under the ROC curve，AUC）、准确性、灵敏性、特异性、阳性预测值和阴性预测值等。

2. 人工智能用于泌尿系肿瘤的诊断

2.1. 前列腺癌

病理检查是诊断前列腺癌的一种准确可靠的方法，目前主要依赖病理医师对图像的认识。Gleason 评分是前列腺癌病理学诊断的重要内容，人工智能可通过计算机进行 Gleason 评分，达到辅助诊断的作用^[8]。Kim 等^[11]利用 944 名韩国患者的临床病理数据，搭建了一个机器学习模型用于预测前列腺癌的病理分期。该模型的预测精度达到 69%～75%，而传统预测数据库 Partin 表的预测精度为 66%，该模型在预测性能方面具有一定的优势。Zhang 等^[12]将深度神经网络技术应用于前列腺癌病理诊断，他们抽取了 283 例患者的前列腺病理切片，用于训练深度神经网络模型。经过测试，以人类病理学家的诊断作为“金标准”，该系统的诊断准确率高达 99.38%。Kwak 等^[13]利用深度神经网络技术分析不同分辨率的数字病理图像，用于检测前列腺癌，该系统诊断的 AUC 高达 0.97。Nguyen 等^[14]利用人工智能技术建立前列腺癌病理切片的自动分割和自动 Gleason 评分的方法，结果显示该模型在自动分割方面的 AUC 为 0.87～0.98；在自动 Gleason 评分方面的 AUC 为 0.82。上述研究表明，人工智能与临床病理的结合对前列腺癌的诊断具有很高的准确率。

随着影像技术的快速发展和成像数据的增加，前列腺癌的早期诊断和评估方面也取得了长足的进步。目前多参数磁共振成像（multiparametric magnetic resonance imaging，mpMRI）是前列腺癌诊断的最重要的检查手段之一。基于 mpMRI 的多参数指标，人工智能技术不仅能早期检出前列腺癌^[15-17]，还能对术前的 Gleason 评分进行预测，指导治疗计划^[18-19]。Wang 等^[15]采用机器学习算法，提取了 541 例前列腺癌患者的 mpMRI 数据，结合前列腺癌影像报告和数据系统评分，发现机器学习结合 mpMRI 信息与评分数据，对有临床指针的前列腺癌诊断的 AUC、灵敏度、特异度、阳性预测值和阴性预测值分别为 0.891、79.3%、75.7%、79.0% 和 76.0%，优于传统方法。Wang 等^[20]利用人工智能技术构建了临床风险预测模型，对 1 478 例疑似前列腺癌患者的 mpMRI 数据进行了 5 年的随访研究。该研究显示机器学习结合 mpMRI 与前列腺特异性抗原值对患癌诊断的 AUC、阳性预测值和阴性预测值分别为 0.938、77.4% 和 91.5%，优于传统方法。Fehr 等^[19]利用机器学习算法融合了 mpMRI 的表观扩散系数值和 T2 值，经研究发现随着样本量的增加，机器学习算法能更准确地完成前列腺癌的术前 Gleason 评分。上述研究显示，人工智能与 mpMRI 的结合，比传统方法在前列腺癌的诊断上有更明显的优势，可提高诊断准确率。

经直肠超声引导下的前列腺穿刺活检术，虽属于有创性检查且有高达 30% 的漏诊率，但仍是诊断前列腺癌的金标准^[21]。Loch 等^[22]研发了人工神经网络算法结合超声电子计算机断层扫描（computed tomography，CT）的技术，可对传统经直肠超声图像进行分析及标记，以评估穿刺的必要性并指导靶向穿刺。谢立平等^[21]选取临床疑诊前列腺癌患者 60 例，在人工智能技术的引导下，前列腺癌靶向穿刺活检的阳性率为 46.2%，其中初次穿刺阳性率为 51.5%，重复穿刺阳性率为 36.8%，显示该技术具有减少穿刺针数、降低穿刺并发症，提高穿刺阳性率，易于发现低级别的前列腺癌等优点。以上研究提示，人工智能与 CT 的交叉融合提高了前列腺癌的诊断精度，有助于降低漏诊率。

2.2. 膀胱癌

与前列腺癌诊断相似，人工智能技术在膀胱癌的诊断方面也具有广泛的应用。Ikeda 等^[23]基于 1 671 张膀胱癌病理图像和 431 张正常膀胱组织图像，建立了非肌层浸润性膀胱癌的机器学习算法。经过检验，该模型诊断膀胱癌的 AUC、灵敏度和特异度分别为 0.98、89.7% 和 94.0%，该方法有助于避免膀胱癌的漏诊和误诊。Garapati 等^[24]基于 76 例患者的 CT 尿路造影数据，采用不同的机器学习算法客观评估膀胱癌的分期，结果显示该研究采用的 4 种算法（线性判别分析、神经网络、支持向量机和随机森林）诊断膀胱癌的 AUC 均大于 0.88。Xu 等^[25]采用机器学习算法结合 mpMRI 数据，鉴别 62 例尿路上皮癌患者的膀胱肿瘤和膀胱壁组织。经过检验，该模型诊断膀胱癌的 AUC、准确度、灵敏度和特异度分别为 0.94、88.74%、89.67% 和 87.80%，该研究为膀胱癌的术前分期提供了一种新方案。Shao 等^[26]首先应用超高效液相色谱-质谱法对 87 例膀胱癌和 65 例疝气患者的代谢产物进行了分析，然后基于代谢谱和 6 个尿液标志物建立了机器学习算法，经测试该算法的诊断准确率、灵敏度和特异度分别为 76.60%、71.88% 和 86.67%。Kouznetsova 等^[27]结合尿液代谢物和机器学习算法来识别膀胱癌的早期和晚期，基于不同疾病阶段患者的尿液代谢产物数据，该研究建立的模型对早期膀胱癌的准确率为 72%，识别晚期膀胱癌的准确率为 65.45%。上述研究提示，基于 CT、mpMRI 和尿液代谢产物等信息，人工智能技术为膀胱癌的精准诊断提供了新的解决方案。

2.3. 肾细胞癌

肾细胞癌一般位置较深，不易被发现，早期诊断是其成功治疗的关键。Azuaje 等^[28]基于肾细胞癌患者的蛋白组学和病理图像数据，建立了机器学习算法。结果显示基于蛋白组学的机器学习模型诊断肾细胞癌的 AUC、准确度、灵敏度和特异度分别为 0.99、98%、97% 和 99%，而基于病理图像的机器学习模型诊断肾细胞癌的 AUC、准确度、灵敏度和特异度分别为 0.92、95%、100% 和 93%，该模型可成功用于肾细胞癌的早期诊断。Zheng 等^[29]基于 104 名受试者的血清核磁共振代谢组学数据建立了自组织神经网络模型，用于肾癌的诊断和术后评估，研究显示该模型对于早期肾癌的诊断准确率达 94.74%。Haifler 等^[30]利用短波拉曼光谱和机器学习算法鉴别术中肾肿瘤的良恶性，结果显示该模型的 AUC、准确度、灵敏度和特异度分别为 0.94、92.5%、95.8% 和 88.8%。上述研究提示，基于蛋白组学、代谢组学等信息，人工智能技术在肾细胞癌的早期诊断上具有较好的应用前景。

2.4. 基于肝肾功的泌尿系肿瘤筛查

肝肾功能是泌尿疾病患者的常规检查项目。王正等^[31]利用支持向量机和神经网络算法，对 3 136 例正常人和泌尿系肿瘤患者（包括：前列腺癌、膀胱癌和肾癌）的肝、肾功等数据进行分析。研究发现，该系统筛查泌尿系肿瘤的准确率达到 92.05%，显示该方法有望成为泌尿系统肿瘤辅助筛查手段。

3. 人工智能用于泌尿系结石的诊断

患者的症状、体征、实验室检查以及 CT 影像结果是临床上诊断泌尿系结石的常规依据。CT 平扫可以获得结石表面积、密度、与皮肤的距离等参数，对泌尿系结石的诊断非常有意义。Parakh 等^[32]研究了基于 535 例疑似尿石症患者的腹盆静脉非增强 CT 图像，采用深度卷积神经网络技术用于诊断尿路结石，结果显示该模型的 AUC 达 0.954。de Perrot 等^[33]基于低剂量 CT 和机器学习算法用于鉴别肾结石与静脉血栓，该研究纳入了 369 例患者的影像组学特征，研究显示该评测模型的 AUC、准确度、阳性预测值和阴性预测值分别为 0.902、85.1%、81.5% 和 90.0%。Kazemi 等^[34]基于 936 名肾结石患者的 42 个特征信息结合人工智能算法，判断患者的肾结石种类，研究显示该评测模型的准确度高达 97.1%。上述研究提示，基于 CT 等影像组学信息，人工智能技术有助于泌尿系结石的精准诊断。

4. 人工智能用于泌尿系感染的诊断

传统上，诊断泌尿系统的感染一般做泌尿系统的超声、尿常规、尿沉渣等检查，较为不便。2018 年 7 月，以色列数字健康公司研发的尿检工具包（Dip.io）通过 FDA 认证^{[4, 35]}。基于智能手机摄像头以及包含人工智能算法的手机软件，用户在家中就能分析尿液中的蛋白质、葡萄糖及血液等监测指标，从而判断患者各种尿路感染、慢性疾病或妊娠相关并发症的患病情况。Burke 等^[35]对 179 名产前女性在家中使用 Dip.io 进行尿检的可行性与可接受性进行了分析，96% 的受试者按方案要求完成了尿检，结果显示该方法可行且接受度较高。

5. 人工智能用于泌尿功能异常的诊断

利尿性肾图由于创伤小、操作简便、准确率高等优点，是可疑肾积水的首选检查方法^[36]。Blum 等^[37]基于 55 例患者的利尿肾动态显像数据，建立了肾盂输尿管连接部梗阻评测的机器学习算法，结果显示，该诊断模型的准确度、灵敏度和特异度分别为 93%、91% 和 96%。Cerrolaza 等^[38]采用定量超声技术结合机器学习算法评测 50 例小儿肾积水患者的肾梗阻程度，结果显示该评测模型的 AUC 大于 0.94，灵敏度为 100%，特异度大于 70%。

下尿路症状的诊断目前主要依靠患者病情描述、排尿日志、尿流动力学检测等方法，具有主观性、记录不精准、依从性差、或有创检查及价格贵等缺点。袁久洪等^[39]基于便携终端采集的患者每日排尿量、次数、夜尿量、夜尿次数等监测数据，建立了机器学习算法。该方法可客观反映患者下尿路症状的程度与等级，进而为尿频、前列腺增生、焦虑等疾病提供预警及治疗效果评估。

6. 人工智能用于勃起功能障碍的诊断

勃起功能障碍是男科门诊中最常见的疾病，具有发病率高和就诊率低等特点，监测阴茎夜间勃起是鉴别及评估其程度的客观指标^[40]。袁久洪等^[41-42]基于阴茎轴向硬度等参数的可穿戴监测技术结合机器学习算法，建立了勃起功能的评测系统。该系统能在不影响患者睡眠的情况下，监测患者夜间勃起的轴向硬度、勃起次数、勃起时间等参数，进而对勃起功能进行客观评测。人工智能技术可在保护患者的隐私的情况下，完成勃起功能障碍的评测，具有依从性高和就医成本低等优点。

多模态磁共振成像技术可无损地检测患者大脑的器官结构、功能和微观物质含量，临床上应用广泛。2018 年，Li 等^[43]基于多模态磁共振成像数据，用机器学习分类法将脑结构异常作为静脉性勃起功能障碍的潜在生物标志物。该研究纳入了 50 例静脉性勃起功能障碍患者和 50 例健康志愿者来验证该模型的有效性，结果显示该模型的准确度、灵敏度和特异度分别为 96.7%、93.3% 和 99.0%，该研究为静脉性勃起功能障碍的诊断提供了新的方案。

7. 不足与挑战

7.1. 基础研究较薄弱

目前，虽然我国在人工智能诊疗的应用领域取得了很多进展，但在基础理论、核心算法、穿戴设备、高端芯片等基础领域与国外仍存在较大差距。据日本文部科学省的调查显示，2015 年美国发表人工智能领域的研究论文 326 篇，而中国仅有 138 篇^[44]。2018 年，我国在人工智能领域发表论文的数量上虽已超过美国，但在专利数量和“论文引文影响力”等科研质量方面还落后很多。因此，我国人工智能诊疗的发展需进一步重视基础研究，才能攻克关键技术。

7.2. 评价体系待完善

人工智能推广应用的必要前提是对其有效性、可信性以及性能的定量评价^[44]。人工智能产品的种类、性能各不相同，如何客观公正地评测，亟需一套标准化的评估体系。2016 年，FDA 发布了首份评估人工智能系统的指南^[45]。近年，中国科学院和中国人工智能产业发展联盟等也正逐步建立与完善人工智能诊疗产品的应用评估体系。

7.3. 数据安全

随着人工智能的广泛应用，海量数据的安全也面临巨大挑战。目前，对于这些数据的使用监管，我国的法规较美国、英国等发达国家还有一些差距。人工智能诊疗行业的健康成长，需要进一步加强对数据运用的监督管理。

8. 小结与展望

总之，人工智能不仅能分析影像学、组织病理学、代谢组学和蛋白组学等海量数据，还能整合患者的其他诊疗信息，有助于提升疾病的诊断效率和准确度。目前，虽然人工智能技术还处于不断完善和发展的阶段，但是已广泛应用于前列腺癌、膀胱癌、肾癌、尿路结石、尿频、勃起功能障碍等泌尿疾病的辅助诊断。随着技术的不断进步和发展，人工智能有着无限的发展空间，将对泌尿疾病的诊疗流程和工作模式产生巨大的变革。

利益冲突声明：本文全体作者均声明不存在利益冲突。

Funding Statement

国家自然科学基金资助项目（81671453，81871147）；四川省科技计划资助项目（2018SZ0019，2018TJPT0018）；四川大学华西医院1·3·5工程临床研究孵化项目（2019HXFH015）