人工智能在前列腺癌影像诊断中的应用与前景

更智能的检查为何关乎男性健康

前列腺癌是男性中最常见的癌症之一，早期发现往往决定了它是可控的小问题还是危及生命的疾病。本文综述说明了人工智能（AI）如何被融入现代医学影像，用以更早发现前列腺癌、评估其危险性并监测治疗效果。对读者而言，这展示了计算机如何成为阅片室中的沉默伙伴，帮助医生做出更快、更一致的判断，同时也带来了关于数据、公平性和信任的新问题。

从模糊阴影到富含数据的影像

医生依赖多种影像工具寻找前列腺癌。超声检查快速且费用低，但难以将癌变与良性增生或炎症区分开来。磁共振成像（MRI）能提供软组织的详细视图，如今已成为检测临床显著前列腺癌的首选检查，然而解读耗时且即便是专家也常有分歧。使用可与癌细胞表面PSMA蛋白结合示踪剂的PET/CT在发现骨转移和淋巴结转移方面表现出色，但对极小病灶可能漏诊且费用高昂。AI并不是要取代这些设备；它是建立在这些图像之上。算法首先对扫描进行预处理和分割，随后提取亮度、纹理和形状等微妙模式。这些不可见的线索与血液中PSA等化验结果结合，用来训练模型标记可疑区域、估算癌症风险，并建议活检位置或如何判断治疗反应。

教会计算机识别放射科医师可能错过的细节

在超声领域，AI系统通过数百个示例学习识别可能与背景融合的癌变区域。深度学习模型可以实时自动定位前列腺并高亮疑似肿瘤，有时在速度、检出小病灶方面可与资深超声医师匹敌甚至超越，同时减少漏诊。影像组学方法更进一步，将超声图像转换为大量数值特征，捕捉人眼难以分辨的组织模式。基于这些特征的机器学习模型明显优于传统超声或单独使用PSA，尤其对那些PSA处于令人困惑的“灰色地带”的男性效果显著——在这些情况下旧方法常有近一半的误判。类似思路也推动了MRI上的AI发展，先进网络可自动描绘前列腺及其内部分区，将手工描记时间从约20分钟缩短到仅略超一分钟，并显著提高不同阅片者之间的一致性。

更精准的风险评估与更智能的疗效追踪

当AI将多项MRI序列（展示解剖结构、水分子运动和血流信息）整合在一起时，其优势最为明显。改编自语言处理的Transformer模型将这些输入融合，生成临床重要肿瘤的概率图。在大规模患者队列的测试中，此类系统已能匹敌或超越资深放射科医生，尤其是在人眼常忽视的小于1厘米的肿瘤上。在动态对比增强MRI上，时序模型可解读注入造影剂后亮度随时间变化的曲线，以估算肿瘤血管的通透性——这与更具侵袭性的疾病和更高的复发风险相关。在PSMA PET/CT上，基于三维网络训练的模型可自动检测骨转移和淋巴结转移、测量总体肿瘤负荷，并将其与患者无进展生存期相关联。其他AI工具则比较激素或化疗前后不久的扫描，能够比基于单纯摄取变化的传统规则更早几个月预测治疗结果。

阻碍因素：数据缺口、黑箱与公平使用问题

尽管取得了这些进展，实际部署仍面临严峻挑战。高质量、标注完善的影像数据仍然有限，且偏向大型学术医院，而来自小型中心和不同人群的扫描数据代表性不足。扫描仪品牌、参数设置和图像质量的细微差异可能导致在一处训练的模型在另一处表现欠佳。许多强大的AI系统以“黑箱”形式运行——给出风险评分却缺乏明确解释，这削弱了临床医生的信任，尤其是在计算机结果与经验发生冲突时。综述还提出了关于隐私、数据共享限制的担忧，以及模型对某些人群效果较差的风险——如果不加以监控和纠正，可能会扩大健康不平等。

在临床中构建值得信赖的伙伴关系

展望未来，作者设想AI将成为可信赖的临床队友，而非神秘的预言者。他们概述了在保护隐私的同时构建跨医院大型共享数据集的努力，例如联邦学习等技术——仅交换模型更新而非原始病人数据。新的“可解释AI”工具旨在展示驱动决策的影像区域并将其与已知病理学联系起来，为医生提供同意或质疑的有形理由。与其推广一刀切的模型，不如开发针对特定任务的系统：在繁忙门诊进行筛查、引导活检、监测治疗或随访高危患者。将影像与基因和临床数据结合，能进一步细化预后并实现个体化治疗。对患者而言，结论是令人鼓舞的：如果这些技术、伦理和监管挑战得到妥善处理，AI增强的影像学有望带来更早的发现、更少不必要的活检、更快的诊断结果和更个性化的前列腺癌治疗方案。

引用: Wang, X., Zhong, S., Fang, K. et al. Application and prospect of artificial intelligence in diagnostic imaging of prostate cancer. npj Digit. Med. 9, 168 (2026). https://doi.org/10.1038/s41746-026-02354-6

关键词: 前列腺癌影像, 人工智能, MRI与超声, PSMA PET/CT, 影像组学