梁銀瑩，李 毅，孔國權，楊 川，盧 旭，黃 君*

(1.暨南大學附屬第一醫(yī)院超聲科，廣東 廣州 510630；2.廣東技術師范大學計算機科學學院，廣東 廣州 510665)

前列腺癌(prostate cancer, PCa)發(fā)病率居全球男性惡性腫瘤第三位，嚴重威脅男性健康[1]。近30年來，由于生活方式的改變、人口老齡化及環(huán)境污染等問題不斷加劇，中國男性PCa死亡率呈持續(xù)上升趨勢[2]。早期診治PCa至關重要[3]。檢查PCa的方法主要包括檢測前列腺特異性抗原(prostate specific antigen, PSA)、直腸指檢(digital rectal examination, DRE)、MRI、經(jīng)腹及經(jīng)直腸超聲(transrectal ultrasound, TRUS)和TRUS引導下前列腺穿刺活檢等。TRUS無創(chuàng)、易操作、成本低，有助于動態(tài)觀察疾病進展，但敏感性和特異性均較低，且在很大程度上依賴于操作醫(yī)師的經(jīng)驗，具有一定主觀性。人工智能(artificial intelligence, AI)可彌補TRUS的缺陷。隨著AI迅速發(fā)展，自動量化醫(yī)學影像分析和處理逐漸受到關注[4]。本文對近年來基于AI的TRUS診斷PCa研究進展進行綜述。

1 AI用于醫(yī)療

AI可根據(jù)所提供的數(shù)據(jù)執(zhí)行認知任務以實現(xiàn)特定目標，其核心技術主要包括機器學習(machine learning，ML)、深度學習(deep learning, DL)和神經(jīng)網(wǎng)絡算法等。1956年首次提出AI[5]，之后美國學者[6]將其用于醫(yī)療，并以之診斷感染性疾病。21世紀以來，以DL和人工神經(jīng)網(wǎng)絡(artificial neural network, ANN)為代表的AI輔助超聲診斷技術在影像學診斷肺結節(jié)[7]、乳腺癌[8]、視網(wǎng)膜病變[9]和前列腺癌[10]等疾病中應用受到廣泛關注，具有廣闊發(fā)展前景[11]。目前我國醫(yī)療保健體系正逐漸應用AI以改善疾病預防、診斷及治療模式，AI用于圖像處理的關鍵是圖像分類、檢測、分割及生成等[12]。

2 計算機輔助診斷系統(tǒng)檢查PCa

計算機輔助診斷(computer aided diagnosis, CAD)系統(tǒng)可于TRUS前列腺圖像中檢出肉眼無法觀察到的信息，包括病變區(qū)域的紋理及邊緣等；通過分割前列腺圖像中的病灶與其他區(qū)域，可提取病變特征，并判斷其良、惡性，有助于診斷PCa，提高醫(yī)師閱片的準確性[13-14]。

2.1 分割TRUS前列腺圖像 精準分割TRUS前列腺圖像有助于評估前列腺病變性質(zhì)。臨床多采用人工勾勒TRUS前列腺圖像中的病變區(qū)域作為分割“金標準”，造成工作量增加，且嚴重依賴醫(yī)師的經(jīng)驗和判斷力。van SLOUN等[15]應用DL技術實時、自動分割TRUS圖像中的前列腺，與傳統(tǒng)自動化技術相比，分割精確度和魯棒性得到顯著改善，并可快速識別潛在的錯誤分割。汪兆明[16]提出利用ProNet網(wǎng)絡分割TRUS圖像中的前列腺，以避免偽像和邊界缺失等問題的影響，其分割結果與“金標準”分割結果間的平均絕對值僅相差0.360 mm，提示該方法有效。盧旭等[17]歸納現(xiàn)有分割TRUS圖像中前列腺的技術，分為基于輪廓、基于區(qū)域、基于分類和聚類等進行分割。但目前多數(shù)分割方法缺乏大樣本前瞻性研究結果的支持，且普遍存在假陽性結果過多的缺點。

2.2 提取前列腺TRUS特征參數(shù) 以計算機技術量化前列腺病變的超聲特征并進行分析是CAD的關鍵技術之一，但并非特征參數(shù)越多越好，選擇有意義的特征，如形態(tài)學特征、紋理特征、空間位置特征和方向梯度直方圖(histogram of oriented gradients, HOG)等可縮短CAD系統(tǒng)運行時間、提高診斷效率。楊振森[18]選用小波域統(tǒng)計特征、各尺度頻率域特征和梯度圖像特征等參數(shù)，并采用特征維度約減算法選擇最合適的特征參數(shù)子集，結果表明上述特征參數(shù)性能良好，可為后續(xù)評估良惡性病變奠定基礎。FENG等[19]以基于三維卷積神經(jīng)網(wǎng)絡(three-dimensional convolutional neural network, 3D-CNN)的DL框架提取連續(xù)超聲造影(contrast-enhanced ultrasound, CEUS)圖像中PCa的時空特征參數(shù)，其檢測PCa的特異性和準確率分別可達91%和90%，表明AI與新興超聲技術結合可促進PCa可視化。

2.3 TRUS圖像前列腺分類 分類指CAD系統(tǒng)對TRUS前列腺圖像的輸出結果，其準確度受分類器本身和不同特征參數(shù)的影響較大。利用支持向量機(support vector machine, SVM)和AdaBoost可較好地判斷良惡性病變，輔助臨床診斷[18]。有學者[20]運用共存矩陣在K近鄰算法(K-nearest neighbor, K-NN)和Markov中開發(fā)的模式識別軟件模型可較為準確地診斷PCa。LIU等[21]采用遷移學習方式引入經(jīng)預訓練的Inception V3分類網(wǎng)絡模型對分割后的TRUS前列腺圖像進行分類，其準確率優(yōu)于Xception、InceptionResNet V2和Resnet50模型，較人工亦有明顯提高，未來或可用于臨床。

3 AI輔助建立超聲預測PCa模型

基于AI的超聲預測PCa模型是從超聲圖像中定量提取PCa的特征而建立的ML模型，可用于定性診斷、腫瘤分級和預后預測等。PORTER等[22]分析了6種TRUS預測模型，其中5種屬于ML模型，即ANN，1種是Logistic回歸模型，其預測TRUS前列腺穿刺活檢病理結果的效能相近，且隨著更復雜變量的引入，ANN可作為主要模型預測PCa，避免不必要的穿刺。邱志磊等[23]以年齡、PSA(TPSA、FPSA/TPSA、PSAD)、前列腺體積、DRE、TRUS和MRI結果作為輸入指標，以病理結果作為輸出指標，采用反向傳播方式建立ANN模型，其預測PCa的特異度可達80%，敏感度達93.3%。以上研究結果表明，運用AI技術建立超聲預測PCa模型可用于評估患者罹患PCa的風險，并指導前列腺穿刺活檢。

4 AI輔助TRUS前列腺穿刺活檢

前列腺穿刺活檢組織病理學結果仍是診斷PCa的金標準，而20%～30%的PCa 于TRUS聲像圖中呈等回聲，導致病灶難以辨認而無法進行穿刺。LOCH等[24]應用ANN技術分析并標記前列腺TRUS聲像圖建立的ANN分析計算機化經(jīng)直腸超聲(ANN analysis computerized TRUS, ANNAcTRUS)靶向穿刺系統(tǒng)具有準確度高、穿刺針數(shù)及并發(fā)癥少等優(yōu)點。汪松[25]通過單中心隨機對照試驗比較ANNAcTRUS靶向系統(tǒng)穿刺、12針系統(tǒng)穿刺和多參數(shù)MRI(multiparameter MRI, mpMRI)引導12針系統(tǒng)穿刺，發(fā)現(xiàn)ANNAcTRUS組PCa檢出率(49.6%)顯著高于12針系統(tǒng)穿刺組(34.0%)和mpMRI組(35.8%)，且其單針陽性率更高，能以較少穿刺針數(shù)檢出PCa。TOKAS等[26]對71例接受ANNAcTRUS靶向穿刺活檢的疑診PCa患者隨訪12年，發(fā)現(xiàn)ANNAcTRUS靶向穿刺活檢系統(tǒng)可有效監(jiān)測疑診PCa患者，并可替代重復性穿刺活檢。AZIZI等[27]應用具有DL功能的時間增強超聲(temporal enhanced ultrasound, TeUS)引導前列腺穿刺活檢，其曲線下面積(area under the curve, AUC)達0.85，表明該方法可有效引導前列腺穿刺活檢。項尖尖等[28]以AI標注的敏感區(qū)域作為靶區(qū)，指導TRUS引導前列腺穿刺活檢，提高了PSA灰區(qū)患者PCa檢出率，減少了穿刺針數(shù)。

5 小結與展望

AI可分析前列腺超聲聲像圖，提取患者臨床信息和前列腺腫瘤標記物，提高超聲診斷PCa的準確度，并能有監(jiān)測PCa進展。AI輔助超聲技術可改善診斷PCa流程和治療模式[29]，但目前尚無相關多中心研究結果，并缺乏統(tǒng)一數(shù)據(jù)標準與規(guī)范，且涉及數(shù)據(jù)共享和患者隱私問題等，臨床需結合病情進行綜合分析。AI用于輔助TRUS診斷PCa具有廣闊前景，但需更多中心、大樣本數(shù)據(jù)的支持。