影像組學(xué)在前列腺癌診治中的應(yīng)用現(xiàn)狀及展望?

胡金玥 白志明 王 剛 張 雨 黃夢醒 何占平 陳 晶,*

1.中南大學(xué)湘雅醫(yī)學(xué)院附屬?？卺t(yī)院，?？谑腥嗣襻t(yī)院放射科(海南 海口 570208)

2.中南大學(xué)湘雅醫(yī)學(xué)院附屬?？卺t(yī)院，?？谑腥嗣襻t(yī)院泌尿外科(海南 ?？?570208)

3.海南大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院(海南 ?？?570208)

4.海南大學(xué)信息與通信工程學(xué)院(海南 ?？?570208)

前列腺癌(prostate cancer，PCa)是常見的男性泌尿生殖系統(tǒng)惡性腫瘤，也是我國男性癌癥死亡的主要原因之一。隨著我國人口老齡化和人均壽命的延長以及前列腺癌篩查的普及，可以預(yù)見PCa發(fā)病率將進(jìn)一步大幅提升。

影像組學(xué)(Radiomics)能夠通過對影像數(shù)據(jù)進(jìn)行挖掘和分析，提取出大量高維、定量的特征，進(jìn)而在疾病的診斷、治療和預(yù)后等方面輔助醫(yī)生做出判斷。影像組學(xué)的基本原理是假設(shè)醫(yī)學(xué)影像中包含人類視覺不可感知的信息，而這些信息可以更好地反映組織特性，從而提高診斷或預(yù)后的準(zhǔn)確性。在前列腺癌的診治中，利用影像組學(xué)可融合多種信息源，如臨床表現(xiàn)、生物標(biāo)志物、影像學(xué)表現(xiàn)等，對患者的多源性信息進(jìn)行綜合分析和挖掘從而輔助醫(yī)生進(jìn)行個體化診療，提高患者的治療效果和生存率。

本文綜述了影像組學(xué)在前列腺癌診治中的應(yīng)用現(xiàn)狀，重點(diǎn)闡述了其在影像診斷、融合活檢和治療等方面的作用。此外，本文還針對影像組學(xué)在前列腺癌診治中應(yīng)用的不斷深入，對前列腺癌診療的未來發(fā)展方向進(jìn)行了展望。

1 前列腺癌的概況

前列腺癌是男性癌癥死亡的主要原因之一。2020年，全球PCa新增近140萬病例數(shù)和 375,000 的死亡人數(shù)[1]。在中國，PCa已成為男性泌尿生殖系統(tǒng)最常見的惡性腫瘤之一，其發(fā)病率、死亡率持續(xù)升高，為發(fā)病率增幅最大的癌癥之一[2]。從發(fā)病年齡看，我國城市地區(qū)人口自60歲開始出現(xiàn)PCa的發(fā)病高峰。而隨著經(jīng)濟(jì)發(fā)展及人民生活質(zhì)量的改善、人均壽命延長以及前列腺特異抗原(prostate-specific antigen，PSA)等PCa篩查方式的普及應(yīng)用，可以預(yù)見PCa的絕對發(fā)病數(shù)將出現(xiàn)井噴式增長[3]。從生存率來看，局限性前列腺癌的5年生存率為100%，而轉(zhuǎn)移性 PCa的5年生存率僅為30.6%[4]，因此前列腺癌的早期診斷意義重大。

目前前列腺癌的病因并不明確，已確定的風(fēng)險因素僅限于高齡、種族和該疾病家族史[5]。前列腺癌主要好發(fā)于前列腺的外周帶，腺癌為其主要病理類型[6]。前列腺癌具有多灶性和異質(zhì)性生長的特點(diǎn)。目前已有研究證明，超過80% 的原發(fā)性前列腺癌具有多個空間分布不同、組織形態(tài)學(xué)有差異的癌灶[7-8]。局限性前列腺癌常存在多種基因組和表型；轉(zhuǎn)移性前列腺癌則常在基因組、表觀遺傳和表型水平上表現(xiàn)出亞克隆異質(zhì)性[9]。而隨著時間推移，腫瘤的基因型和表型也會發(fā)生變化[10]。因此，具有相似臨床病理特征的患者治療反應(yīng)存在差異且難以量化。此外，隨著個體年齡增長，前列腺的細(xì)胞及間質(zhì)均會發(fā)生改變，在衰老和疾病過程中，實(shí)質(zhì)性結(jié)構(gòu)的變化可能會扭曲邊界，這些動態(tài)變化會影響前列腺的穩(wěn)態(tài)，為識別腫瘤起源區(qū)域增加一定的困難[11]。

經(jīng)直腸超聲(transrectal ultrasound，TRUS)輔助穿刺活檢、多參數(shù)磁共振成像(multiparametric MRI，mpMRI)及用于標(biāo)準(zhǔn)化mpMRI報告的PI-RADS評分系統(tǒng)[12]已常規(guī)應(yīng)用于前列腺癌的臨床診治工作中。此外，使用核素標(biāo)記前列腺特異性膜抗原(prostatespecific membrane antigen，PSMA)小分子抑制劑的PSMA-PET也在PCa的診斷方面表現(xiàn)出較好的臨床應(yīng)用前景[13]。這些成像技術(shù)使前列腺癌的篩查、診斷和治療的模式更加精準(zhǔn)。但由于前述的前列腺腺體生長特征及前列腺癌普遍的時－空異質(zhì)性等特質(zhì)，現(xiàn)階段醫(yī)學(xué)影像學(xué)對于精準(zhǔn)識別與定位前列腺癌仍存在一定困難，容易出現(xiàn)漏診和誤診的情況。研究表明目前對于識別微小、低級別前列腺癌的敏感性仍較低，且高度依賴于影像醫(yī)生的個人經(jīng)驗(yàn)[14]；此外mpMRI常低估腫瘤大小，低估程度隨著影像上腫瘤大小的減小和PI-RADS評分的降低而增加[15]，這在術(shù)前穿刺與手術(shù)后病理標(biāo)本對比研究的差異中得以驗(yàn)證。而臨床醫(yī)生希望通過影像學(xué)能夠?qū)η傲邢侔┳龀鲈缙谧R別、精準(zhǔn)定位癌灶，以便于對PCa做出早期診斷、準(zhǔn)確進(jìn)行風(fēng)險分層，以及對患者預(yù)后做出恰當(dāng)?shù)呐袛?，從而制定合適的診療方案。

影像組學(xué)可以很好地解決上述問題。其基本原理是假設(shè)醫(yī)學(xué)影像圖像中包含人類視覺不可感知的信息，而這些信息可以更好地反映組織特性，并可能提高診斷及預(yù)后的準(zhǔn)確性[16]。前列腺癌的精準(zhǔn)醫(yī)療和個性化診療可能由此實(shí)現(xiàn)，從而使患者獲益。

2 影像組學(xué)的快速發(fā)展

影像組學(xué)(Radiomics)建立在數(shù)十年來計(jì)算機(jī)輔助診斷、預(yù)后和治療等研究基礎(chǔ)上，通過高通量(high throughput)計(jì)算，定量提取MRI、CT、PET等醫(yī)學(xué)影像中的特征信息并加以分析利用[17]，其結(jié)果可靠，有望極大地改善影像醫(yī)生閱片時存在的主觀性、局限性以及不可重復(fù)性等問題。此外，影像學(xué)特征(如強(qiáng)度、形狀、紋理或小波)提供了關(guān)于癌癥表型以及腫瘤微環(huán)境的信息，可為PCa診治存在的難點(diǎn)提供良好的解決方案。影像組學(xué)的基本步驟[18-19](圖1)包括影像數(shù)據(jù)的采集、感興趣區(qū)(region of interest，ROI)的勾畫分割與三維容積興趣區(qū)(volume of interest，VOI)的重建、圖像特征的提取、模型的建立與驗(yàn)證。

在算法方面，早期的影像組學(xué)研究主要集中于對醫(yī)學(xué)影像圖像像素的挖掘，從而獲得大量預(yù)定義的對于形狀、強(qiáng)度和紋理等特征的描述。近年來，越來越多的影像組學(xué)相關(guān)研究結(jié)合深度學(xué)習(xí)技術(shù)(deep learning，DL)，自動從圖像中學(xué)習(xí)特征的描述[20]。隨著計(jì)算機(jī)運(yùn)算速度的大幅提升，以及數(shù)據(jù)收集、計(jì)算方法的發(fā)展與優(yōu)化，新的非確定性的深度學(xué)習(xí)算法得以迅速發(fā)展。與傳統(tǒng)的機(jī)器學(xué)習(xí)(machine learning，ML)方法不同，深度學(xué)習(xí)不需要明確特征定義，是一類完全不同模式。深度學(xué)習(xí)算法在輸入、輸出、架構(gòu)和參數(shù)設(shè)計(jì)方面具有極大的靈活性，因此能夠適應(yīng)過去不可能完成的大量多模態(tài)和非結(jié)構(gòu)化數(shù)據(jù)的處理[21]，即深度學(xué)習(xí)能夠很好地分析未經(jīng)處理的、非結(jié)構(gòu)化的高維數(shù)據(jù)[22]。

卷積神經(jīng)網(wǎng)絡(luò) (convolutional neural networks，CNN) 是目前圖像分析最具代表性的深度學(xué)習(xí)架構(gòu)類型[23]，被大量應(yīng)用于醫(yī)學(xué)影像的處理中。典型的CNN包含一系列神經(jīng)網(wǎng)絡(luò)層，這些層將圖像輸入連續(xù)映射到所需的端點(diǎn)，同時由淺入深逐層次學(xué)習(xí)圖像的成像特征[20]，如較淺層次學(xué)習(xí)線條和陰影等抽象形狀，而較深層次可涵蓋整個器官。此外，最近經(jīng)訓(xùn)練以理解和生成自然語言的深度學(xué)習(xí)大型語言模型(large language models，LLM)也受到廣泛關(guān)注。由OpenAI公司推出的對話式人工智能系統(tǒng)ChatGPT是目前最大的 LLM(＞1750 億個參數(shù))之一[24]。Shen等人[25]認(rèn)為通過將ChatGPT集成到計(jì)算機(jī)輔助診斷(computer-aided detection，CAD)系統(tǒng)中可提高 CAD系統(tǒng)的可解釋性，為影像醫(yī)生提供可靠的數(shù)據(jù)及指南參考，并可能發(fā)現(xiàn)新的基于圖像的生物標(biāo)志物，輔助醫(yī)生做出更優(yōu)的診斷。

在醫(yī)學(xué)方面，由影像組學(xué)進(jìn)一步延伸發(fā)展的影像基因組學(xué)(radiogenomics)[26]認(rèn)為，宏觀圖像的特征信息可以反映微觀的基因型，未來可能將影像表型(radiophenotypes)作為基因表達(dá)特征的替代。即在腫瘤學(xué)中影像基因組學(xué)認(rèn)為腫瘤的基本分子特征可以影響其影像表現(xiàn)。例如在前列腺癌進(jìn)展中血管內(nèi)皮生長因子(vascular endothelial growth factor，VEGF)表達(dá)水平增高可能表現(xiàn)出血管生成的增加，從而導(dǎo)致成像時出現(xiàn)更多的異質(zhì)性和增強(qiáng)；缺氧誘導(dǎo)因子(Hypoxia-inducible factors，HIF)表達(dá)水平增高，在擴(kuò)散加權(quán)成像(diffusion weighted imaging，DWI)上可能由于細(xì)胞密度增加而有較低的表觀擴(kuò)散系數(shù)(apparent diffusion coefficient，ADC)。其基本思想是將影像組學(xué)與基因組學(xué)、蛋白質(zhì)組學(xué)等其他多模態(tài)數(shù)據(jù)相結(jié)合，可以更全面了解癌癥的分子層面的信息。以促進(jìn)識別與特定分子改變有關(guān)的成像生物標(biāo)志物，從而建立模型輔助腫瘤的診斷、預(yù)后和治療選擇，如根據(jù)前列腺癌患者的影像表現(xiàn)預(yù)測其腫瘤有特定基因突變或分子特征的可能性等[27]。

3 影像組學(xué)在前列腺癌診治中的應(yīng)用

針對前列腺癌，機(jī)器學(xué)習(xí)可以在圖像分割(segmentation)與配準(zhǔn)(coregistration)的基礎(chǔ)上，對有關(guān)標(biāo)簽(Label)和特征(feature)的提取、分析與計(jì)算來實(shí)現(xiàn)對病灶的定性、定位、分級、分期以及和PSA、Gleason評分(Gleason score，GS)、國際泌尿病理學(xué)會 (ISUP)-前列腺癌分級間關(guān)系的解讀等系列研究。早期使用數(shù)學(xué)、統(tǒng)計(jì)學(xué)和生物力學(xué)等建模并用圖像處理和計(jì)算機(jī)視覺算法或基于模型模擬來解決問題；但目前已有大量研究證明深度學(xué)習(xí)算法在分割、配準(zhǔn)等基本圖像分析任務(wù)及前列腺癌的檢測定性分級等方面的表現(xiàn)均優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)模型[28]。

目前，前列腺癌的診治過程中常規(guī)采用PI-RADS評分規(guī)范化前列腺癌的mpMRI影像報告；采用Gleason評分和ISUP分級評估前列腺癌的病理表現(xiàn)；使用TNM分期指導(dǎo)前列腺癌的治療方法的選擇和預(yù)后的評價；局限性前列腺癌的治療可根據(jù)患者實(shí)際情況進(jìn)行近距離放療和體外放射治療(external beam radiation therapy，EBRT)以及機(jī)器人輔助腹腔鏡下前列腺癌根治術(shù)；此外還有歐洲泌尿外科學(xué)會的局部或局部晚期前列腺癌風(fēng)險分級系統(tǒng)，用于評估前列腺癌患者術(shù)后出現(xiàn)生化復(fù)發(fā)的危險度[29-30,6]。以上過程均涉及醫(yī)學(xué)影像學(xué)，均可用影像組學(xué)輔助獲得更好的結(jié)果，為臨床醫(yī)生提供更優(yōu)的信息輔助決策。

深度學(xué)習(xí)算法發(fā)展迅速，在2016年的ProstateX挑戰(zhàn)賽[31-33]中，與經(jīng)典分類方法相比，使用CNN算法的參賽者在定位病灶以及PCa的鑒別診斷方面表現(xiàn)更優(yōu)。目前DL已可以在沒有明確的特征預(yù)定義或人為選擇的情況下，自動學(xué)習(xí)數(shù)據(jù)，量化組織的表型特征(phenotypic characteristics)[34]，這種數(shù)據(jù)驅(qū)動的方法允許更為抽象的特征定義，使得由DL算法得到的結(jié)果更具信息性和通用性[20]?；谝陨蟽?yōu)勢，影像組學(xué)不僅可以改善前列腺癌的影像診斷，還可更好地輔助臨床醫(yī)生進(jìn)行前列腺癌的融合活檢、放射治療以及機(jī)器人輔助手術(shù)系統(tǒng)等，大幅拓展醫(yī)學(xué)影像學(xué)在前列腺癌診治中的應(yīng)用場景。

3.1 影像組學(xué)與PCa影像診斷mpMRI是PCa的診斷與明確臨床分期的最主要的方法之一[35]，2022版前列腺癌診療指南[6]指出在PCa診斷和治療的不同階段均可應(yīng)用前列腺mpMRI。mpMRI在前列腺癌的診斷與分級、分期及危險度分層、療效評估及預(yù)后判斷等方面均有廣泛的應(yīng)用，而使用影像組學(xué)的方法可以進(jìn)一步優(yōu)化mpMRI診斷結(jié)果、為患者減少不必要檢查、降低醫(yī)生與患者的時間成本，從而為患者提供精準(zhǔn)化的醫(yī)療服務(wù)并改善其預(yù)后。此外，由于影像組學(xué)的加入，超聲、CT、核醫(yī)學(xué)成像在前列腺癌診斷中的應(yīng)用得以發(fā)揮更大的價值[36-40]。

目前已有大量基于前列腺癌mpMRI圖像開發(fā)的影像組學(xué)模型，輔助影像醫(yī)生對前列腺影像圖片進(jìn)行預(yù)處理以及建立診斷概率圖(diagnostic probability maps)等。影像組學(xué)算法可覆蓋PCa影像診斷的各個細(xì)分步驟，如對前列腺進(jìn)行分割與分區(qū)[41-43]、前列腺癌初步的診斷與鑒別診斷[44-46]以及在影像中提取特征初步評估患者的分期分級、預(yù)后和術(shù)后生化復(fù)發(fā)等[47-50]。在以上研究中影像組學(xué)輔助下的前列腺癌mpMRI診斷結(jié)果均表現(xiàn)優(yōu)于或不劣于傳統(tǒng)影像診斷方法。由ProstateX挑戰(zhàn)賽發(fā)展而來的PI-CAI挑戰(zhàn)賽在2023年度的挑戰(zhàn)中重點(diǎn)關(guān)注于人工智能與影像科醫(yī)生的比較，其結(jié)果顯示當(dāng)對小于2000個病例進(jìn)行訓(xùn)練時，頂級人工智能模型的診斷性能與文獻(xiàn)中報告的影像科醫(yī)生的診斷結(jié)果相當(dāng)[51]。

此外，基于前列腺癌mpMRI圖像的應(yīng)用影像組學(xué)算法的CAD系統(tǒng)，在輔助影像醫(yī)生快速診斷以及提高診斷結(jié)果方面，其穩(wěn)定性與準(zhǔn)確性均表現(xiàn)良好。Ishioka等人[52]使用CNN算法開發(fā)的基于T2WI圖像的CAD系統(tǒng)，應(yīng)用于MRI的PCa診斷評估。其使用的兩種算法的診斷測AUC值分別為0.645和0.636，且具有良好的可重復(fù)性，可在初篩中減少PCa漏診率，檢測高度可疑前列腺病變的診斷的準(zhǔn)確性與穩(wěn)定性提高且閱片時間減少。Cutaia等人[53]認(rèn)為未來的放射學(xué)研究將從當(dāng)前的單一模態(tài)成像，轉(zhuǎn)向多模態(tài)成像(CT、MR、PET等)，實(shí)現(xiàn)從解剖到分子水平的不同尺度的圖像信息的整合。從而可能克服每種單一技術(shù)在識別整個前列腺內(nèi)癌灶數(shù)量等方面的局限性。不僅如此，Heilige等人[54]認(rèn)為未來的CAD可能同時處理多模態(tài)的臨床數(shù)據(jù)，包括影像數(shù)據(jù)和非影像數(shù)據(jù)，CAD系統(tǒng)可能模擬臨床醫(yī)生在治療患者全方位整合患者的臨床信息，為患者提供個體化診療方案。

3.2 影像組學(xué)與PCa融合活檢深度學(xué)習(xí)在提高前列腺癌活檢的準(zhǔn)確性和效率方面具有極大的潛力。MRI與TRUS圖像的實(shí)時配準(zhǔn)融合可以為前列腺癌的活檢提供更確切的腺體信息，幫助臨床醫(yī)生更為準(zhǔn)確地穿刺采樣。過去常受限于兩種模態(tài)圖像配準(zhǔn)的諸多局限，而影像組學(xué)的應(yīng)用正在快速改善圖像匹配融合的結(jié)果。Hu等人[55]提出使的弱監(jiān)督的CNN 的深度學(xué)習(xí)方法對前列腺的T2WI和 3D TRUS進(jìn)行配準(zhǔn)，在對來自 76 名患者的108對多模態(tài)圖像進(jìn)行測試時，坐標(biāo)之間的中位目標(biāo)配準(zhǔn)誤差為3.6mm，其準(zhǔn)確性和穩(wěn)健性方面優(yōu)于現(xiàn)有的配準(zhǔn)技術(shù)。另一方面，前列腺癌靶向活檢系統(tǒng)的配準(zhǔn)過程在很大程度上依賴于超聲圖像的準(zhǔn)確分割，大多數(shù)自動或半自動分割通常在活檢開始之前離線執(zhí)行。Anas等人[36]基于深度學(xué)習(xí)算法提出的圖像配準(zhǔn)方法實(shí)現(xiàn)了超聲引導(dǎo)下的前列腺活檢的實(shí)時分割，嘗試為MRI與TRUS圖像的動態(tài)配準(zhǔn)提供可行的解決方案。

另一方面，影像基因組學(xué)也可為腫瘤亞型和分子生物學(xué)提供非侵入性但準(zhǔn)確地診斷信息，為患者減少不必要的穿刺活檢。如Zhang等人[56]開發(fā)了基于 mpMRI的影像組學(xué)模型，嘗試根據(jù)穿刺活檢得到的GS(biopsy Gleason score，bGS)結(jié)果，預(yù)測前列腺癌根治切除術(shù)得到的GS，以識別有風(fēng)險的患者從而指導(dǎo)治療決策。其驗(yàn)證結(jié)果顯示該模型準(zhǔn)確率的曲線下面積AUC可達(dá)0.868。該研究得出結(jié)論，影像組學(xué)可作為前列腺癌個性化治療的非侵入性生物標(biāo)志物。

3.3 影像組學(xué)與PCa治療在PCa的近距離放療和體外放射治療中，可通過影像組學(xué)明確癌灶的數(shù)量、大小、位置等情況，進(jìn)而指導(dǎo)靶區(qū)的勾畫[57]、放射性粒子放置的位置及數(shù)量[58]等，輔助臨床醫(yī)生制定更為精確有效的治療方案。此外，ML還可以進(jìn)行與治療反應(yīng)相關(guān)的影像特征學(xué)習(xí)，包括癌灶的形狀、紋理特征、血管特征等[59]，以進(jìn)一步評估治療效果，調(diào)整后續(xù)治療方案。如Sun等人[60]使用影像基因組學(xué)方法來確定潛在的生物成像標(biāo)志物以確定前列腺癌可能的缺氧區(qū)域，通過計(jì)算mpMRI影像組學(xué)特征和缺氧相關(guān)基因表達(dá)水平之間的皮爾遜相關(guān)系數(shù)，以確定界定PCa缺氧區(qū)域的潛在成像生物標(biāo)志物。結(jié)果顯示，提取出的16個T2WI紋理特征與HIF1A、VEGFA、PFKFB3等前列腺癌缺氧相關(guān)基因顯著相關(guān)。Sun等人認(rèn)為可以此篩選缺氧導(dǎo)致的具有前列腺放療抵抗性患者，為患者提供更合適的治療方案，減輕患者不必要的痛苦和經(jīng)濟(jì)負(fù)擔(dān)。

另一方面，安全有效的機(jī)器人輔助腹腔鏡下前列腺癌根治術(shù)在臨床應(yīng)用越來越廣，其由機(jī)器人系統(tǒng)(robotic-assisted surgical systems)輔助進(jìn)行。影像組學(xué)可作為補(bǔ)充，在術(shù)中為外科醫(yī)生提供有關(guān)腫瘤的額外信息，接管簡單重復(fù)的任務(wù)，可能幫助減少患者并發(fā)癥并加快患者的身體機(jī)能的恢復(fù)。如Mohareri等人開發(fā)的系統(tǒng)[61-62]可以在使用達(dá)芬奇控制臺進(jìn)行機(jī)器人手術(shù)時，幫助檢測和可視化惡性腫瘤區(qū)域。該系統(tǒng)使用實(shí)時的術(shù)中TRUS和術(shù)前MRI來匹配術(shù)中病人的解剖結(jié)構(gòu)，使外科醫(yī)生能夠在控制臺顯示屏上實(shí)時看到可疑病變。Mohareri認(rèn)為未來ML分類器可用于實(shí)時定位癌癥區(qū)域，為外科醫(yī)生提供有用的術(shù)中決策支持，為腫瘤的完整切除提供信息并最大程度保留正常結(jié)構(gòu)以改善病人的治療效果。

4 總結(jié)與展望

影像組學(xué)所需的大部分?jǐn)?shù)據(jù)、方法、算法都開源易得，入門較為簡單。數(shù)據(jù)集可通過各種數(shù)據(jù)庫公開獲得，方法可在arXiv預(yù)印本服務(wù)器檢索查詢，大部分作者都選擇在GitHub等平臺共享其隨附代碼。影像組學(xué)正在形成一個可持續(xù)發(fā)展的良好環(huán)境，可以預(yù)見未來會涌現(xiàn)大量研究成果而推進(jìn)其快速發(fā)展。隨著深度學(xué)習(xí)的突破與發(fā)展，影像組學(xué)越來越趨向于直接處理原始采集數(shù)據(jù)并不斷取代人工的數(shù)據(jù)預(yù)處理，這將大幅降低前期訓(xùn)練模型的工作量。此外，現(xiàn)階段通過κ折交叉驗(yàn)證(κ-fold cross-validation)同時重復(fù)運(yùn)用隨機(jī)產(chǎn)生的子樣本進(jìn)行訓(xùn)練和驗(yàn)證以及聯(lián)邦學(xué)習(xí)(federated learning)等算法的出現(xiàn)，可在一定程度上減少所需數(shù)據(jù)，且更好地保護(hù)患者隱私。神經(jīng)網(wǎng)絡(luò)技術(shù)的進(jìn)步有望大幅提高前列腺癌影像人工智能判讀的準(zhǔn)確性，影像醫(yī)生的閱片負(fù)擔(dān)將會進(jìn)一步減輕，節(jié)省出來的時間與精力可以為更多的病人提供更優(yōu)質(zhì)的專業(yè)服務(wù)。此外，ChatGPT在交互方面的優(yōu)良表現(xiàn)與靈活的使用場景有望催生出成熟的醫(yī)生與影像組學(xué)算法的交互系統(tǒng)。

在臨床方面，前列腺癌影像的采集和評估也在持續(xù)更新和完善。自2012年歐洲泌尿生殖放射學(xué)會發(fā)布第一版PI-RADS以來，PI-RADS在2014年、2019年歷經(jīng)兩次修訂，致力于不斷規(guī)范圖像采集技術(shù)、優(yōu)化圖像的解釋與評估以及提高影像報告評估的一致性。目前，前列腺mpMRI的采集、解釋和報告越來越趨于更高水平的標(biāo)準(zhǔn)化和統(tǒng)一。此外，前列腺癌MRI掃描序列也在不斷迭代優(yōu)化，功能成像序列如高級擴(kuò)散加權(quán)成像模型通過多b值、高b值多維度分析以及進(jìn)一步探索非高斯擴(kuò)散后處理模型等，可更為準(zhǔn)確地反映前列腺癌腫瘤組織的擴(kuò)散特性，將會進(jìn)一步豐富PIRADS的評估內(nèi)容[63-64]。

誠然，前列腺癌影像組學(xué)的發(fā)展也仍面臨著包括技術(shù)和臨床等方面的問題。在影像組學(xué)技術(shù)方面，隨著深度學(xué)習(xí)算法的發(fā)展，影像組學(xué)所需的數(shù)據(jù)量越來越大仍是一個不可忽視的問題，如何提供足夠且正確標(biāo)記的訓(xùn)練數(shù)據(jù)集成為亟待解決的問題；其次，作為影像組學(xué)最為核心和關(guān)鍵的一部分，原始數(shù)據(jù)的采集仍不可避免地具有一定的傾向性，這也使得影像組學(xué)的研究結(jié)果產(chǎn)生一定的偏差；再次，現(xiàn)階段影像組學(xué)研究大多仍為單中心的回顧性研究，以及影像組學(xué)的整個工作流程仍缺乏統(tǒng)一的行業(yè)標(biāo)準(zhǔn)，這使得大多數(shù)研究結(jié)果的可重復(fù)性被限制，不利于影像組學(xué)在臨床中的應(yīng)用，未來應(yīng)進(jìn)行多中心、前瞻性的研究[20]；最后，深度學(xué)習(xí)技術(shù)的算法“黑箱”使得其結(jié)果可解釋性降低，限制研究的可復(fù)現(xiàn)性。而在臨床方面，影像組學(xué)使用的算法根據(jù)成像方法不同、前列腺癌分型不同及前列腺分區(qū)不同等而不同，每一種算法都有其特定的邏輯，這給影像組學(xué)流程的標(biāo)準(zhǔn)化帶來了一定的困難；另外，前列腺PI-RADS的組內(nèi)和組間差異限制了各機(jī)構(gòu)數(shù)據(jù)間的可比性。如對于DWI序列，不同機(jī)構(gòu)選擇和使用的b值大小和組合各有差異；此外不同制造商的序列設(shè)計(jì)和量化方法也仍缺乏一致性。

總之，在前列腺癌的應(yīng)用中，影像組學(xué)具有巨大的潛力和廣闊的前景。影像組學(xué)能夠?qū)η傲邢侔┰\治所需的多源數(shù)據(jù)進(jìn)行綜合分析和挖掘，進(jìn)而輔助醫(yī)生進(jìn)行個體化診療，提高患者的治療效果和生存率。在前列腺癌領(lǐng)域推動影像組學(xué)的發(fā)展和應(yīng)用，需在不斷的探索中總結(jié)經(jīng)驗(yàn)，不斷創(chuàng)新，以應(yīng)對現(xiàn)實(shí)的挑戰(zhàn)，進(jìn)一步推動前列腺癌的診療水平的提高。