0 引言

       前列腺癌（prostate cancer, Pca）是男性泌尿生殖系统最常见的恶性肿瘤之一^[1]。Pca的发病率和死亡率在地理位置上有显著差异，其中北欧和西欧、加勒比地区、澳大利亚/新西兰、北美和南部非洲的发病率最高，亚洲和北非的发病率最低^[2]。我国Pca的发病率虽远低于欧美国家，但近年来呈逐年上升趋势^[3]。年龄是影响Pca发病的主要因素之一，65岁及以上男性检出的可能性比65岁以下高出近40倍，中国已进入老龄化社会且老龄化进程较快，预计2030年我国60岁及以上老年人将超过总人口的四分之一^[4]。此外，家族史、不良生活习惯（吸烟、饮酒）、肥胖等也与Pca相关^[5]。因此，Pca的早期诊断、病理分级分组、预后评估对患者诊疗计划的制订至关重要。当今，人工智能已有一定程度的发展且仍处于快速发展期^[6]。其中，影像组学和深度学习（deep learning, DL）作为人工智能的关键技术，正在转变医生进行疾病诊断和治疗方案制订的方式。近年来，国内外学者对影像组学和DL在Pca领域的应用进行了广泛而深入的研究^{[7, 8]}，通过影像组学提取医学影像的定量特征，以及DL的识别能力，使与疾病相关的信息得到进一步的挖掘。本文的核心目标在于全面探讨影像组学和DL在Pca诊疗各领域的应用，推动Pca的精准诊断和个性化治疗策略的发展，从而提高患者治疗效果和生活质量。

1 DL和影像组学的概述

       自2012年LAMBIN等^[9]首次提出影像组学概念以来，其在多个系统疾病的研究中取得了显著的应用进展。影像组学通过提取大量的影像特征信息，并进行整合、分析和解释，为疾病诊断、治疗方案制订和预后预测等方面提供了有力支持^[10]。DL是机器学习的一个分支^[11]，是人工智能领域中一种常用的方法，它通过训练深度神经网络来模拟人类的学习过程，从而完成各种任务，包括图像识别、自然语言处理等。

2 DL和影像组学在Pca中的应用

2.1 Pca自动分割

       Pca中的感兴趣区（region of interest, ROI）识别和分割是至关重要的一步^[12]，因为它定义了后续特征提取的区域。此外，为了减少人工干预以及医疗成本持续上涨，削减成本和提高效率的压力越来越大^[13]，基于DL的Pca分割技术应运而生。KOSTYSZYN等^[14]使用卷积神经网络（convolutional neural network, CNN）对原发性Pca患者的前列腺特异性膜抗原（prostate-specific membrane antigen, PSMA）PET图像进行前列腺内肿瘤分割，以两个不同中心的患者进行模型训练，并在两个独立的内部队列（n1=18、n2=19）和一个外部队列（n3=20）进行测试，三个队列的中位距离相关系数（distance correlation coefficient, DSC）分别为0.84、0.81和0.83。由于KOSTYSZYN等研究中用于测试的外部队列数据较少，只有20例患者，其模型泛化性能受限，GHEZZO等^[15]使用85名经活检证实的Pca患者再次对其进行外部验证，其模型的中位Dice相似系数为0.74，并表明DL模型的性能对于图像采集方式（PET/CT或PET/MRI）和真实标签的来源（即不同专家手动勾画的病灶轮廓）并不敏感，即模型性能稳定可靠。SUNOQROT等^[16]建立了基于T2加权MRI的前列腺分割全自动质量控制模型，该模型经过训练以生成估计质量评分（estimated quality score, eQS），然后分析其与基于专家手动分割的参考质量评分（reference quality score, rQS）的相关性来评估质量控制模型的性能，发现eQS和rQS之间存在很强的相关性（ρ=0.70）。DAI等^[17]使用外部队列（n1=78）和内部队列（n2=42）的不同组合建立了三个DL模型（n1、n2、n1+n2），其Dice相似系数分别为0.88±0.04、0.86±0.04、0.82±0.05。DURAN等^[18]提出了一种新的端到端多类网络，通过格里森分级联合分割前列腺和癌症病灶，其分割整个前列腺的Dice相似系数为0.875±0.013。以上证据表明DL模型在图像分割任务中有着良好的表现，在辅助医师勾画肿瘤时具有很大潜力，对于年轻或经验较少的医师来说尤为明显。尽管前列腺的体积相对较小，其组织结构的异质性以及肿瘤外观的复杂性和不规则性使得Pca的分割任务颇具挑战性，这造成了观察者间的差异性。为了更精确地勾画Pca病灶，未来的研究应致力于利用组织病理学图像来验证成像结果，并绘制肿瘤病灶的空间延伸图，以期提高Pca诊断的准确性和可靠性。

2.2 Pca诊断

       DL和影像组学在Pca诊断中具有较高的应用潜力。陈美玲^[19]从图像视野（field of view, FOV）、ROI、注意力机制、模型框架和能量函数等角度建模，探究DL在Pca诊断中的效果，并与影像组学模型进行比较。在测试集中，DL模型的曲线下面积（area under the curve, AUC）值达到了0.91，其诊断效能显著优于影像组学模型（训练集、验证集和测试集上的AUC分别为0.86、0.85和0.82）。另外，ZHANG等^[20]利用双向卷积长短期记忆网络（convolutional long short-term memory network, CLSTM）DL和影像组学建立模型用于鉴别Pca和前列腺增生，均获得了较高的诊断效能（DL模型、影像组学模型AUC分别为0.79、0.89）。LI等^[21]开发并验证了一种基于表观扩散系数（apparent diffusion coefficient, ADC）和T2WI图像的DL和影像组学联合模型，用于非侵入性、定量鉴别Pca和前列腺增生，模型在测试集中的AUC值达到了0.958。LEUNG等^[22]利用DL与影像组学模型，对Pca患者的PSMA PET图像病灶进行良恶性分类，该模型能够对图像中的每一处病灶进行分类预测，同时也能够对整个图像进行分类预测，结果显示，在病灶级别与患者级别的预测中，AUC值分别为0.92和0.85，表现出了良好的分类性能。

       DL模型可以辅助医生提高诊断的准确性和效率。LI等^[23]建立了一种DL模型，其诊断能力高于普通影像医师，略低于专家影像医师（敏感度、特异度、精确度和准确性DL模型为71.0%、69.0%、69.6%、70.0%，低年资医师为59.0%、70.0%、66.3%、64.5%，高年资医师为69.0%、77.0%、66.3%、64.5%），当DL模型辅助低年资、高年资医师进行诊断时诊断能力均得到了明显的提升（敏感度、特异度、精确度和准确性低年资、高年资医师分别为79.0%、72.0%、73.8%、75.5%和81.0%、84.0%、83.5%、82.5%）。俞瑞祺^[24]提出了一种基于DL的Ordinal-FCOS检测器，可以对多参数MRI（multi-parametric MRI, mpMRI）图像进行病灶检测和前列腺影像报告和数据系统（Prostate Imaging Reporting and Data System, PI-RADS）评分，该检测器的癌灶检测性能较高（AUC为0.825），但PI-RADS评分性能却只达到了与普通医生相当的水平，仍然不如专家医生。DL在一定程度上提高了医学影像诊断的准确性和效率，但与专家医生相比仍存在一定差距，这可能是模型训练过程中引入的数据集中不同专家医生对同一份医学影像解读和标注的主观性和差异性导致模型学习到的特征不完全准确或全面所致。

2.3 格里森分级

       格里森分级是一种被广泛采用的Pca组织学分级的方法。ZHOU等^[25]利用MRI影像组学对Pca的格里森评分进行预测，通过支持向量机（support vector machine, SVM）筛选最具信息量的放射组学特征，在训练和验证数据集中，AUC分别达到了0.813和0.793。孙于越等^[26]的研究也得到了相似的结论，其应用SVM算法的影像组学模型AUC为0.896。QIU等^[27]从T2WI、DWI和ADC图像中提取瘤周、肿瘤中心和原发肿瘤的影像组学特征，建立的联合瘤周模型在整体数据集和区域数据集（将数据按照病变位置划分的数据子集）上均显示出较高的诊断效能（AUC分别为0.85和0.88），该研究表明，瘤周区域对于评估Pca的侵袭性和预测格里森等级具有重要的诊断价值。为了提升预测的准确性，MAKOWSKI等^[28]在T1WI图像中融入了与DL计算机视觉中常用的图像增强技术相类似的增强手段，进一步采用四种不同的机器学习算法（随机森林、随机梯度提升、SVM和k最近邻）进行训练，对比使用和不使用T1WI图像的影像组学特征的效果，研究结果显示，这种图像增强技术的应用显著提高了影像组学模型的预测准确性及泛化能力，为Pca的格里森评分预测提供了新的技术思路。刘金涛等^[29]联合前列腺特异性抗原（prostate-specific antigen, PSA），构建了预测格里森评分的列线图模型，其中，影像组学的最优模型的AUC达到了0.780，而结合了PSA的列线图模型将AUC提升至0.874，显示了较高的预测准确性。通过联合临床资料及SVM等传统机器学习算法，影像组学在格里森评分预测中已取得一定成果，但DL的融入为这一领域带来了新的机遇和挑战。CAO等^[30]提出了一种创新型的多类CNN模型，该模型能够充分利用mpMRI的信息，并在多类CNN中维持了标签之间的累进性，该模型在预测格里森4+3分时展现出95%的高准确率，然而，对于格里森3+4分的准确率仅为76%，这可能意味着DL在面对某些特定的格里森分级时还存在一定的挑战。DL技术通过提取更抽象和更深层的信息，结合影像组学的特征，有望为Pca格里森评分预测提供更可靠和精确的工具。BRUNESE等^[31]通过影像组学特征对格里森评分进行精准预测，运用DL技术，设计了一个包含10个卷积层次的DL网络，能够提取更抽象和更深层的信息，经过验证，该DL网络展现出了96%到98%的高准确率，凸显了其在Pca诊断中的潜力。

       大约50%的60岁以上男性患有中小型、低级别Pca^{[32, 33]}，这些肿瘤通常是惰性的，进展缓慢或无进展。林香瑾等^[34]深入研究了利用MRI影像组学构建的机器学习模型在临床显著性Pca诊断上的应用价值，模型在训练集和测试集上的表现均较为理想，AUC分别达到了0.768和0.719。BRANCATO等^[35]基于影像组学对可疑PI-RADS 3类前列腺病变以及在动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）下从PI-RADS 3升级为PI-RADS 4的前列腺病变进行了风险分层预测（格里森评分≥6），研究结果显示对于PI-RADS 3类病变风险分层预测的AUC值为0.80，对于升级为PI-RADS 4类病变预测的AUC值为0.89。BHATTACHARYA等^[36]使用配准的MRI和整体组织病理学图像来训练CNN模型，在根治性前列腺切除术和活检队列患者中，其检出Pca的AUC分别为0.81±0.31、0.82±0.31，检测有临床意义的癌症（格里森评分≥4）时AUC分别为0.86±0.26、0.86±0.26。MEHTA等^[37]从三维mpMRI中提取影像组学特征，使用CNN生成参数映射，然后通过SVM与临床特征相结合，构建了一个临床显著性Pca预测模型，该模型在内部数据集上表现稳定（AUC值为0.79），在公开数据库组成的数据集上，性能更佳（AUC值达0.86）。这些结果表明了影像组学及DL在Pca风险分层预测中的重要应用价值，并强调了其在提高诊断准确性和疾病管理方面的潜力。但当前研究仍受限于结果差异和模型泛化能力等问题。未来，应深入探索更精确稳定的算法模型，并融合多模态影像与临床信息，以全面提升Pca的诊断精度和治疗策略。

2.4 Pca包膜外侵犯及转移预测

       Pca包膜外侵犯（extracapsular extension, ECE）指癌细胞突破前列腺包膜，侵入周围组织或器官。影像科医生在MRI上检测ECE的能力差异很大^[38]（敏感度12%~83%，特异度63%~92%）。一项Meta分析^[39]得出的结论是，MRI的平均敏感度为57%，其敏感度不足以可靠地发现前列腺外扩散的肿瘤。杨丽勤等^[40]系统地探索了MRI影像组学在预测ECE方面的潜力，其模型在训练集和测试集的AUC分别为0.897和0.886，具有良好的泛化能力和预测价值。MOROIANU等^[41]使用DL在多参数MRI上预测ECE，其模型的AUC值为0.72，敏感度为80%。HOU等^[42]使用类似的方法取得了更好的结果，其模型在内部训练组和外部验证组中的AUC分别为0.857、0.807，这可能是使用不同的神经网络及训练方法导致的。总体而言，杨丽勤等的研究为影像组学和DL在Pca ECE预测方面的应用提供了有益的探索和启示，但仍有待于进一步优化和完善。

       Pca具有高度的骨转移倾向^[43]，如果能够提前预测骨转移的发生，医生可以采取更加积极的治疗策略，提高患者的生活质量。李克建等^[44]使用广义线性模型、随机森林、SVM和极致梯度提升四种不同机器学习算法构建影像组学模型，以预测Pca骨转移，无论是训练集还是测试集，这四种机器学习模型的AUC值均超过0.7（0.714~0.858），取得了较好的检测效能。姬健智等^[45]从MRI中提取并筛选出11个最佳特征构建影像组学模型，其AUC值为0.82，然后结合相关临床独立危险因素，得到的联合模型的AUC值达到了0.96，显著优于单一模型，为临床提供了更有效的预测工具。宋鑫洋等^[46]在影像组学模型和临床模型的基础上，引入了DL方法，构建了影像组学-DL模型及三者的联合模型，影像组学-DL模型在训练集和测试集上的AUC值分别为0.90和0.93，后者的AUC值分别达到了0.92和0.95，展示了DL在影像组学研究中的强大潜力和应用前景。刘想等^[47]采用DL方法对DWI图像进行了自动化处理和精确分割，并在此基础之上进一步构建了影像组学模型，其AUC值为0.965，敏感度为97.14%，特异度为89.36%，显示出极高的分类准确性和效能。以上研究表明DL和影像组学在Pca骨转移的预测中具有重要价值，结合临床独立危险因素和其他模型构建方法，可以进一步提高预测的精度和效能，为临床诊疗提供更有效的工具。

       MRI影像组学和DL技术的应用为ECE及转移预测提供了新的视角。尽管已有一些成果，但当前的研究仍面临一些挑战，包括MRI检测ECE的敏感度和特异度波动较大，部分复杂模型由于入组条件的限制样本量较小，而单一技术模型稳定性不足。未来结合多种医学影像技术（CT、MRI、超声等）和多种组学数据（基因组学、转录组学等）进行综合分析，开展多中心、大样本量的研究，可能会有助于提高预测的准确性和稳定性。

2.5 Pca预后评估及治疗决策

       Pca预后评估及治疗决策是个性化治疗的关键^[48]，影像组学和DL通过分析医学影像数据和临床相关危险因素，预测疾病进展和预后，优化治疗方案。SUMITOMO等^[49]利用DL技术对术前MRI图像进行分析，以预测机器人辅助根治性前列腺切除术后尿失禁的风险，其轴位T2WI图像与术前临床病理参数的联合模型具有最佳的预测性能，其AUC值为0.775。朱倩倩^[50]为预测Pca患者内分泌治疗后进展为去势抵抗性Pca（castration-resistant prostate cancer, CRPC）联合临床相关资料和影像组学特征构建联合模型，获得了较好的诊断性能（训练组及测试组的AUC分别为0.931、0.904）。王悦人^[51]的研究也得到了相似的结论，其联合模型训练组和验证组的AUC值分别为0.903、0.885。JIA等^[52]基于MRI影像组学预测Pca患者无进展生存期（progression-free survival, PFS），其模型在训练组和验证组中均表现出色，AUC值分别为0.926和0.917。LEE等^[53]基于MRI影像组学的DL方法预测根治性前列腺切除术后Pca的长期生化无复发生存率，结果显示联合模型有着最佳预测性能，其AUC达到了0.93的高水平。

       基于MRI的影像组学模型和DL模型在预测预后和治疗决策方面具有较高的准确性，AUC值通常在0.7~0.9。同时，通过整合临床相关的危险因素，构建联合预测模型，能够进一步提升预测的精确度和效能。但仍需进一步探索多源数据融合、模型优化及解释性提升，以推动Pca预后评估及治疗决策的进一步精准化。

3 挑战与展望

       在Pca的诊断和治疗领域，影像组学和DL的应用前景广阔，但也面临着诸多挑战。首先，影像组学以其非侵入性和可重复性优势，为Pca病灶分析提供了有力工具。通过定量信息分析，有助于长期追踪、辅助诊断和预测疾病进展。然而，构建影像组学模型面临数据获取、处理和标注的复杂挑战，如不同设备图像质量差异和医生主观异质性。因此，建立统一、标准化的影像数据收集和处理流程变得尤为重要，以确保模型的准确性和可靠性。其次，数据的共享与隐私保护之间的矛盾是影像组学在Pca领域发展的挑战。多中心、大样本研究虽有助于推动进步，但隐私保护问题亟待解决。未来，随着数据共享和隐私保护机制的完善，有望为影像组学在Pca中的应用创造更多机遇。最后，DL技术为Pca诊断和早期筛查提供新可能。通过自动提取和分类关键信息，DL辅助医生准确诊断，并弥补影像组学在ROI勾画方面的不足。然而，DL应用需庞大训练数据集、算力支持及合适模型架构和参数设置。

       展望未来，进一步探索多模态影像融合、多组学数据综合分析等方法，以提高Pca诊断和预测的准确性。同时，随着大数据和人工智能技术的发展，我们有望建立更加智能、高效的Pca诊疗体系，为患者提供更加个性化、精准化的治疗方案。