0 引言

       随着公众对男性健康的逐渐关注，对于前列腺疾病的医疗需求也在逐渐增加。前列腺癌（prostate cancer, PCa）目前已是全球第二大常见癌症，也是男性第五大癌症死亡原因^[1]，尤其是在发达国家如美国，其发病率最高，死亡率位居第二^{[2, 3, 4]}；在中国，PCa的发病率和死亡率也逐年上升^[5]。年龄增长、家族史以及某些基因突变是PCa的危险因素^[6]。研究表明前列腺增生（benign prostatic hyperplasia, BPH）是PCa的前兆，但尚不能确定两者之间的明确联系^[7]。传统的诊断手段包括直肠指检（digital rectal examination, DRE）、前列腺特异性抗原（prostate-specific antigen, PSA）检测以及超声引导下经直肠（transrectal ultrasound, TRUS）的前列腺活检，但其敏感性和特异性较低，这可能导致一些PCa的漏诊或误诊，同时也增加了不必要的治疗风险^{[8, 9, 10]}。PCa的确诊依赖病理活检及Gleason评分，也具有一定的主观性，可能导致诊断结果不一致^[11]。近年来，磁共振成像（magnetic resonance imaging, MRI）结合前列腺成像报告与数据系统（prostate imaging reporting and data system, PI-RADS）成为了一项重要的非侵入性诊断工具，有助于提高PCa诊断准确性^[12]。但对于MRI信号特点和病灶范围的判定，其诊断效能受限于阅片医生的经验^[13]。

       面对这些诊断中的挑战，人工智能（artificial intelligence, AI）技术的发展为PCa的精准诊疗提供了全新的契机。借助分析大规模的数据集，AI可以自动选出最优特征模式，显著提高诊断的准确性和稳定性。尤其是在医学影像分析的范畴中，AI模型能够识别出人类视觉难以捕捉的微观细节，并精确预测肿瘤的侵袭性和潜在进展^[14]。凭借与临床多维信息资源的结合，AI已被成功应用到临床疾病诊断、医疗数据统计、手术干预等临床实践中，并取得了良好的成效^{[15, 16]}。AI在PCa的早期诊断、Gleason分级预测以及疾病复发风险评估等方面，体现出优于传统方法或与之水平相当的能力^{[17, 18, 19]}。随着AI技术与医学影像、病理分析及临床决策的不断融合，未来的研究有望推动PCa的精准医学发展，提高早期筛查效率，并促进个体化治疗的实施。本综述将探讨AI在PCa临床实践中的应用潜力，回顾其在医学领域的历史演变，同时分析AI在医学实践中的局限性，展望其发展方向。

1 AI技术的简介

       AI采用自动化算法做出决策，最初应用于机器人系统。随着技术的演变，机器学习（machine learning, ML）和深度学习（deep learning, DL）允许系统从大量数据中提取隐藏的模式，并进行精确预测^[20]。ML存在三种主要类型：监督学习、无监督学习和半监督学习^[21]。监督学习使用标记数据开展训练，无监督学习识别数据中存在的模式，而半监督学习结合了两者的优点。弱监督学习处理的是标记不完整或不准确的数据集。DL是ML的一个分支，通过多层神经网络处理大量数据，自动生成预测模型。人工神经网络（artificial neural network, ANN）和卷积神经网络（convolutional neural network, CNN）是DL的典型应用类型，它可依据卷积层、池化层和全连接层构建分类模型，广泛应用于图像处理。另外，完全卷积网络（fully convolutional network, FCN）以及U-Net成为CNN的特定架构形式，能进一步提升模型的应用能力。总的来说，AI技术能够自主学习、处理复杂任务，逐步走向更广泛的自动化应用。

2 AI在常规诊断方法中的应用

2.1 DRE

       在PSA筛查大范围普及之前，DRE是PCa的唯一筛查工具，并且也是进行前列腺活检的指征之一。随着研究深入开展，专家们发现该方法在检测PCa过程中存在敏感性和特异性不足的问题，因此需要寻找更多的PCa标志物以提高筛查的准确性。近期，一项基于PCa数据集开展的研究，塑造了两种基于ML算法的预测模型，探讨了PSA值与DRE结果在PCa初筛中的潜在作用。结合PSA值和DRE结果的模型，其受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）达到了0.894，表现出优越的预测能力^[22]，这表明此种组合在PCa初筛中具有较高的预测精准性和临床应用潜力。该研究依赖于历史数据，可能存在数据收集和患者随访偏差，鉴于受试者未开展标准化活检，可能影响结果的广泛适用性。值得注意的是，近期的一项系统评价和荟萃分析指出，无论是作为独立的检测手段，还是作为PCa检测的补充措施，DRE在PCa诊断中的价值不算大^[23]，这大概能说明PCa相关DRE的AI研究数量少的缘故。尽管目前这一方法仍然备受争议，但鉴于DRE易于操作、费用低廉的优点，且阳性DRE与较高的Gleason评分相关，进一步研究DRE在PCa筛查中的潜在价值仍具有重要的学术意义。

2.2 PSA

       PSA最初用于评估PCa的病程进展及其死亡率，1991年有研究发现，跟仅用DRE筛查相比，结合PSA指标与DRE筛查能够显著提高PCa的检出率^[24]。PSA升高并非PCa独有的标志，因其高敏感性与低特异性，仅仅依赖PSA不足以精准诊断PCa^[25]，PSA筛查还暴露出过度诊断与过度治疗的问题。AI应用于PSA检测的时间最早可追溯到1994年^[26]，利用ANN对PSA活检呈阳性以及肿瘤复发进行预测，该研究明确了AI在PSA检测中的重要价值。另外一项多中心研究，选取756名病理诊断为BPH或PCa的患者，进一步证明，采用LogisticRegression、XGBoost、GaussianNB和LGBMClassifier算法的ML模型能够有效预测PSA灰色区域（4~10 ng/mL）中的PCa^[27]，LogisticRegression模型预测性能优于其他模型（AUC=0.932）。然而，研究结果仍需通过足够的前瞻性实验数据进行验证。

       HYNDMAN团队^[28]构建的ClarityDX Prostate平台，将PSA、DRE等生物标志物数据与临床特征加以结合生成风险评分，采用ML算法预测具有临床显著意义的PCa（clinically significant PCa, csPCa）。与传统的PSA检测和风险计算器相比，该平台在预测准确性上表现出显著优势。其随机森林（random forest, RF）模型在训练以及验证队列中均表现出较高的AUC（0.82），而且能避免高达35%的不必要前列腺活检。与MRI等复杂的检查方法相比，ClarityDX Prostate花费的成本更低，操作简便且非侵入性，适合大规模应用。该模型也存在一些局限性，包括在不同临床站点上复杂模型（如LightGBM和XGBoost）的过拟合现象，以及研究样本的种族维度的多样性不足，这可能影响模型的广泛适用性。此外，部分患者MRI数据缺乏也限制了与MRI的直接比较，未来可以考虑将MRI特征纳入模型中，以进一步提升预测精度。

2.3 超声

       超声是前列腺评估中的常用影像学方法，尤其是TRUS检查，被泌尿外科认为是最可靠的方式。尽管TRUS在临床上应用十分广泛，但在评估PCa时，其敏感性和特异性仍存在不足，检查结果较大程度上受到操作者经验的影响。凭借自动分析前列腺超声图像，AI显著提高了癌症检测的准确性，达到85.7%这一数值^[29]。类似的，基于迁移学习的CNN在区分PCa与BPH方面表现出色，尤其值得一提的是EfcientNetV2模型，其在准确率、敏感性和特异性上的表现均超出99%^[30]。尽管迁移学习能够利用在大数据集上预训练的CNN模型进行TRUS图像分类，从而节省训练时的成本和时间消耗，但不同的预训练模型可能会影响最终的分类效果呈现，未来可凭借其他预训练策略，或针对TRUS图像定制网络架构，来进一步提升模型性能。

       前列腺轮廓的形态特征是PCa分期中的关键指标，但手动分割依赖于操作者的专业知识且耗时。早在1992年，AI便已展示出自动分割前列腺图像的潜力^[31]。部分学者提出了基于DL的双向分割方法。该方法能有效消除图像噪声并实现自动定位^[32]。然而由于数据集的有限性以及传统超声成像技术的局限性，这类方法的表现可能受到一定影响。显微超声技术相比传统超声具有更高的分辨率，通常高出3~4倍，能够有效解决钙化造成的成像伪影问题，基于DL模型的显微超声技术已成功实现前列腺包膜的自动分割^[33]。随着各种新型成像技术的迅速发展，超声在PCa临床诊断中的价值有望进一步提高。

2.4 病理学检查

       病理学检查被认为是前列腺病变诊断的金标准，但由于泌尿病理学家的短缺，人工检查大量活检或手术切除样本成为一项挑战。AI技术的引入为解决这一问题提供了可能的方案。CAMPANELLA等^[34]使用弱监督的DL方法，在24 000多张活检玻片中进行的癌症检测，其AUC达到了0.991。随着AI在病理诊断和分级中的应用不断深入，BULTEN等^[35]在2022年举办的PANDA挑战赛中成功验证了多个AI模型能够有效泛化不同中心的患者数据，并实现精确的Gleason分级。

       DL在组织病理学图像评估以及患者风险分层中展现出重要价值。前列腺的微观结构是病理预后判断的关键依据。传统的2D切片检查由于采样偏差和有限的横截面信息，较难精准展现腺体的空间异质性，虽然已研发的3D成像模式能够全面表征组织形态学，但其临床转化受复杂的手动评估以及计算平台的缺乏所约束。为应对这一棘手挑战，创新性的弱监督分割框架能够驱动生物标志物完成自动化的3D重建，进而实现对肿瘤微环境的无偏差定量分析。XIE等^[36]的研究表明，基于DL的3D腺体形态特征对PCa风险分层进行预测时，效能明显优于传统2D分析（AUC从0.74提升至0.84）。SONG等^[37]借助全面分析腺体的3D形态，系统性地证实了3D病理特征在预后预测方面的稳健性，并指出不同医疗中心的数据均支持3D定量分析能更精准地捕捉肿瘤生物学行为，为3D AI病理诊断技术的临床应用提供了坚实依据。尽管DL技术在PCa病理分析中展现出显著优势，但其临床应用仍面临监管标准缺失、复合型人才培养滞后及设备成本高昂等挑战，若想实现规模化推广，亟需建立起标准化认证体系并培养跨学科团队。

2.5 计算机断层扫描

       计算机断层扫描（computed tomography, CT）作为一种具有辐射的检查手段，鉴于软组织分辨率欠佳，通常不能作为PCa常规筛查手段。AI对PCa早期筛查中的应用研究相对有限。虽然CT不适宜进行常规筛查，但AI模型对CT的偶然检测可能有助于早期识别无症状的PCa。KOREVAAR等^[38]的一项研究包含了571名受试者，采用五折交叉验证对基于3D CNN架构的PCa检测方法做了评估，CT针对PCa检测的AUC达到0.88，优于放射科医生的表现。然而，来自单一中心的数据集以及CT无法定位肿瘤，限制了其在精准治疗中的应用。CT图像或许存在伪影，这可能导致假阳性和假阴性现象，未来的研究可以借助增加包含不同伪影的数据或优化图像质量来解决这一问题。

       AI在PCa转移灶检测当中同样具有一定的价值。BELUE等^[39]利用DL算法提高了骨转移病变的检测与分类精度。研究以分析CT扫描图像为途径，采用CNN模型完成病变区域的自动分割和分类。训练数据由放射科医师标注的CT图像组合而成，又采用交叉验证评估了模型的准确性和稳定性，结果证实该算法在骨转移病变检测上有较大潜力（AUC=0.95）。该模型在检测良性及转移性病变的特异性上，与放射科医生的水平相匹配。尽管该模型取得了较好的结果，但仍存在一些缺陷。模型仅凭借CT可见的那些病变，未考虑正电子发射断层扫描/计算机断层扫描（positron emission tomography/computed tomography, PET/CT）中可能出现的病变基于单次扫描而得的数据无法充分捕捉病变的动态变化。未来的研究需要拓展数据集，结合多时间点的数据分析，并进一步提高分割精度，以应对更复杂的临床应用局面。

2.6 MRI

       MRI是前列腺病变检测和诊断的主要影像学方法。特别是在诊断csPCa方面具有独特优势。与其他诊断方法相比，MRI在检测csPCa时的准确性较高，其中多参数MRI（multi-parameter MRI, mpMRI）在PCa诊断中得到了广泛应用。mpMRI通常包括解剖序列（T1和T2加权图像）以及至少两种常见的功能性成像技术。

       一项针对2900名男性的真实世界研究表明，借助mpMRI可使31%的男性避开活检，同时提高了13%的csPCa检出率^[40]。类似的结果在CHENG等^[41]的研究中得到了证实。尽管使用了PIRADS评分系统有助于解读MRI图像，观察者之间仍然存在显著差异。AI技术的应用有助于减少这种差异。在一项囊括184例患者的研究中^[42]，研究人员凭借基于DL的计算机辅助诊断系统，对经验丰富与经验不足的放射科医生在mpMRI解读质量上的表现开展评估，发现有了DL的辅助，经验不足的放射科医生的表现接近经验丰富的放射科医生。另一项双中心研究^[43]则前瞻性地比较了商业化DL算法与放射科医生临床报告在PCa癌症检测中的诊断性能，发现在检测csPCa时，DL算法的敏感性低于放射科医生，但其阳性预测值更胜一筹（58% vs. 48%），这意味着当放射科医生诊断不明确时，DL可以提高特异性，同时保证敏感性维持在较高水准。

       AI技术在PCa临床结局预测中展现出革命性的潜力。HOU等^[44]开展的一项系统性研究，利用mpMRI对849名PCa患者进行囊外扩展（extracapsular extension, ECE）的精准分期，最佳AUC达到了0.857。其后，团队使用深度生存网络（iBCR Net）对579名患者的生化复发（biochemical recurrence, BCR）开展的预测，也取得了C指数为0.721的良好表现^[19]。与传统评分系统相比，该模型不依赖于侵入性活检数据，展示了其为临床提供精准、非侵入性BCR预测工具的潜力。模型也存在一些局限性，例如采用回顾性数据可能存在偏倚，以及只在单一机构验证的结果可能影响其广泛应用。为了解决这些问题，未来的研究应在多个中心进行前瞻性验证，扩大样本量和延长随访阶段，以提高模型的准确性与稳健性。

       随着前列腺MRI需求的增加，双参数MRI鉴于扫描时长较短且无需用对比剂的优势，成为一种更有前景的选择。在一项包含658名男性的前瞻性研究中，LIN等^[45]使用基于双参数MRI的级联DL模型，成功筛查出96%的csPCa，其检测所得结果与经验丰富的放射科医生相媲美。ADUBEIRO等^[46]进行的多中心研究进一步证实了双参数MRI在PCa不良病理诊断中的潜在价值。尽管结果令人鼓舞，但鉴于未使用动态对比增强技术，相关应用仍存在争议。

3 AI在新兴技术中的应用

3.1 AI在分子影像学中的应用

3.1.1 前列腺特异性膜抗原PET/CT

       在PCa的诊断领域，传统的PET/CT提供了一定的临床信息，但在微小病灶的检测和精确分期方面依然存在明显的不足。随着医学技术的不断进步，前列腺特异性膜抗原（prostate-specific membrane antigen, PSMA）PET/CT作为一种新型分子成像技术应运而生。它能够通过靶向PCa细胞上特异性表达PSMA，实现高敏感性与高特异性的病灶检测^[47]。YI等^[48]构建的三种基于ML学习的影像组学模型，成功检出⁶⁸Ga-PSMA-11 PET/CT上原本不可见的病灶。尽管这些研究表明，PSMA PET/CT成像是超声和MRI检测PCa的有力补充，但样本量不足仍是限制模型泛化能力的根本问题。

       PSMA PET/CT在PCa的预后和治疗中具有重要意义。淋巴结受累与否是评估患者预后和治疗效果的关键因素。CAPOBIANCO等^[49]训练了CNN模型，接着验证了该模型对区域淋巴受累情形与转移淋巴灶的良好检出能力。然而在这项研究中，淋巴结验证主要依靠专家的手动注释。而最近提出的DL模型结合多模态数据，在未标记的数据中检测模型性能，获得了更高的F1分数（0.76±0.02）^[50]。这表明AI能够在放射治疗中精确靶向PCa转移区，提高治疗效果。尽管这些研究采用迁移学习与早期停止机制来增强模型泛化能力，数据集规模过小依旧是亟待解决的难题。

3.1.2 磁共振波谱

       磁共振波谱（magnetic resonance spectroscopy, MRS）能够量化组织中的特定代谢物（如乳酸、胆碱、肌酸等）的浓度，从而对组织的生物化学特性进行分析。有研究表明，与正常前列腺组织相比，PCa组织柠檬酸盐水平降低，胆碱与肌酸水平升高。对于PCa检测和侵袭性评估而言，MRS可能有显著优势^[51]。鉴于扫描耗时及空间分辨率低的局限，其在PCa定位及分期中的临床价值至今未确立。新兴的超极化MRI技术正突破这一难关。该技术借助动态追踪丙酮酸代谢，不仅实现了对肿瘤侵袭性的无创评估（已验证乳酸生成与Gleason评分正相关^[52]），还能实时捕捉治疗早期反应，其独特的时空分辨率优势为精准肿瘤分级赋予了新维度。若与DL算法耦合，超极化MRI可对体内癌症代谢特征进行深度解析，有望构建起推动PCa精准诊疗的智能诊断模型。目前研究还需借助多中心大样本试验来证实技术的稳定性，以此明确该技术在PCa全程管理中的真实意义。

3.1.3 其他分子影像技术

       伴随技术的不断发展，许多分子影像成像技术在肿瘤诊断和治疗中也显示出巨大的潜力。ALONGI等^[53]开展了对94例高危PCa患者的胆碱PET/CT（Choline PET/CT）图像的纹理分析，并借助ML模型筛选出与患者疾病发展相关联的PET特征，这些特征被成功应用于疾病的分期和预后预测。MIRSHAHVALAD等^[54]进行的一项回顾性研究，着重探讨了非¹⁸F-氟代脱氧葡萄糖（18F-fluorodeoxyglucose, ¹⁸F-FDG）示踪剂（如PSMA、胆碱和DOTA示踪剂）在AI辅助肿瘤PET成像领域的应用情形。研究结果表明，这些新型示踪剂在提高肿瘤检测的精准程度、优化肿瘤特征化分析模式和提升预后评估性能方面，展现出了广阔的应用前景。当前研究依然存在样本量小以及研究集中度不高的局限。未来的研究要聚焦于更大规模的临床试验，以进一步验证非¹⁸F-FDG示踪剂与AI模型联合的临床优势。

3.2 多模态成像

       多模态技术通过整合多维度医学数据，正在改变PCa的诊疗模式^[28]。在PCa诊断场景中，临床特征（如PSA水平、年龄）、影像学特征（超声、MRI）与分子标志物（如融合基因）形成互补性证据链。例如，超声可能遗漏小体积肿瘤，而通过结合实验室结果、超声报告等多种数据类型构建的AI诊断系统在验证队列和两个前瞻队列中仅遗漏不到5%的csPCa^[55]，这种多模态集成有效解决了单一模态的敏感性、特异性权衡难题。

       传统的风险分层系统，如D'Amico模型，以及基于此的美国国家综合癌症网络（national comprehensive cancer network, NCCN）癌症风险评估系统易导致过度治疗或治疗不足^[56]。为此，ESTEVA等^[57]提出了多模态AI模型（multimodal artificial intelligence models, MMAI），通过创造性融合数字病理组学与多维临床数据，优化了NCCN对PCa临床结局风险预测性能（性能提升9.2%~14.6%）。

       近期，两项创新性研究进一步揭示了MMAI模型在PCa个性化治疗决策中的突破性价值。针对传统NCCN风险分层导致的患者被过度归类为高危组问题，TWARD等^[58]尝试通过MMAI模型进行风险分层优化。该模型不仅将低危人群比例从NCCN的30.4%提升至43.5%，更在高危组中进一步细分出转移率梯度（3.4%~26.3%），显著优化了风险分层精度。这种分层策略使43.5%患者可能避免过度治疗，同时为21.8%极高危患者提供了治疗决策依据。该模型在9787例Ⅲ期临床试验中展现出卓越的预后预测能力。SPRATT等^[59]通过MMAI模型预测中度风险患者短期雄激素剥夺疗法（androgen deprivation therapy, ADT）疗效，发现仅37.2%患者呈现生化应答，这个结果对于传统ADT治疗方式提出了直接挑战；而另一项纳入949例患者的回顾性研究^[60]，利用多模态数据构建的集成模型表现出良好的病理预测性能，尤其在无法活检患者中展现出无创评估潜力。尽管上述研究成果已为精准医疗贡献了具有重要价值的决策支持工具，但为了确保这些模型能够在更广泛的场景下提供稳定且可靠的性能表现，仍需开展多中心的临床验证工作。

4 AI在分子生物学中的应用

4.1 基因组学

       随着复发性基因融合在PCa中的发现^[61]，研究者对疾病发生发展相关的分子机制产生了浓厚兴趣，基因组学研究也取得了显著发展。RAMÍREZ-MENA团队^[62]率先把可解释AI（explainable artificial intelligence, XAI）技术应用于基于基因表达数据的PCa预测模型中，进而采用RF算法和SHapley方法，增强模型的预测精准度与结果可解释性。相较于传统的PSA检测及数字直肠检查等筛查手段，该模型不仅实现了更早、更精确的PCa筛查，还能有效识别与PCa发生相关的关键基因，并在多个验证队列中，模型的敏感度和特异度均超过90%，显著提升了PCa的筛查效率。尽管数据集中有类不平衡现象，癌症样本数量远超正常样本的数量，但研究团队综合运用欠采样、过采样及混合策略等多种类平衡技术，有效避免了模型预测时向癌症样本倾斜。

       一项多中心前瞻性研究^[63]借助DL技术，成功达成了Gleason分级和肿瘤细胞分类的自动化。借助对基因组数据与肿瘤形态学特征的综合分析，AI模型可精准预估PCa的复发时间，同时为个性化治疗提供有力的预后评估依据。尽管基因跟形态学异质性的组合给出了较好的预测结果，但这种方法依赖于ML算法的准确性，例如机器评估与专家病理学家在Gleason分级上的结果会有出入。为了处理这一难题，未来的研究可以考虑在不同临床背景下进一步对ML模型优化与验证，还可把这些模型与现有的病理评分系统相结合。

4.2 蛋白组学

       蛋白组学是探究生命机制、促进精准医学进步的关键。然而蛋白质组学得到的数据规模庞大且结构十分复杂，给数据的分析与解读带来了极大挑战。在此背景下，应用AI技术为高效处理这些复杂的生物数据提供了可靠工具。MUAZZAM等^[64]实施非数据依赖性采集质谱技术并结合ML算法，凭借RF模型以及逻辑回归模型进行特征筛选，成功筛选出5种与新诊断PCa患者高度相关的蛋白质标志物，最终模型的AUC达到了0.93，且在独立队列验证中维持了0.91的AUC值，充分体现了其潜在的临床应用价值。这些生物标志物在实际临床环境中的广泛适用性以及长期效果，尚需通过更大规模的临床试验来做进一步验证。

       CHENG等^[65]主要聚焦于药物再利用领域，他们利用一个含有1419种药物与4096种疾病（尤其是384种癌症类型）的大规模数据集，构建了一个多层次网络模型。该模型综合了药物-靶标相互作用、疾病-基因关系、药物-药物相似性等多个维度的信息，采用应用随机游走算法，在药物疾病预测方面展现出了较高的准确性（AUC值为0.916），相较于传统药物再利用方法（如基于药物疾病直接关系的算法）具有显著优势。由于实验验证主要是借助体外和动物模型，故而与临床实际应用之间存在一定的差距。实验室研究成果向临床疗效的转化可能受到个体差异、代谢途径等多种因素的影响。因此，进一步开展临床前期试验以及多中心临床研究，对于验证药物的有效性和安全性至关重要。

4.3 转录组学

       AI在PCa转录组学中的应用，为深入理解疾病机制提供了新的视角。近期的研究表明，通过整合转录组学数据，AI能够精准识别肿瘤的关键驱动因子，尤其是表观遗传层面的改变，这为我们揭开PCa，特别是神经内分泌PCa（neuroendocrine prostate cancer, NEPC）的发生机制提供了极具价值的线索^[66]。该研究构建出一个基于单细胞和批量转录组数据的NEPC风险预测模型，经由集合11个已发布的基因集、多个转录组数据集和11种经典的ML算法（LASSO、RF等），成功识别出高质量的NEPC特征基因。跟传统的免疫组化、单一基因表达分析方法相比较，该模型依托多层次的数据整合跟算法优化，可更精准地预测NEPC的演变，且于不同治疗阶段和患者群体中均表现出更高的准确性与敏感性。研究过程中同样遇到一些挑战。数据异质性是关键问题，由不同平台和来源产生的临床及实验室数据，很大程度会让模型在不同的数据集上得到不一致的预测结果，进而影响模型结果的准确性。为处理这一问题，研究采用数据标准化、批次效应校正算法减轻了这些影响，未来可进一步采用ML中的迁移学习技术，提高数据融合的精准度。单细胞RNA-seq技术鉴于高成本与技术难度，在临床应用中的普及受到限制。未来可探索更简便经济的转录组技术，在保障高效成效的同时提升可操作性。

4.4 代谢组学

       代谢组学可精准辨别并对生物样品内的各类代谢物进行定量，提供其他组学技术不容易获取到的关键信息。它已成为揭示多种疾病致病机制的关键法宝。最近，SAOUD等^[67]巧妙地把代谢组学跟ML算法相结合，对于预测新型抗癌药物的作用机制给出了一种高效的新方法。他们通过细致分析癌细胞的代谢模式，揭示了药物对细胞能量代谢与关键代谢途径产生的重大影响，进而精准辨别出药物的潜在作用机理。对传统的药物筛选方法而言，采用ML相关模型（如RF和Lasso回归），还能提高药物筛选的精准度，克服少量训练数据的局限，成功预测存在复杂作用机制的药物。研究也存在若干方面的局限性，训练数据的有限规模，致使部分药物作用机制的预测精准度不高。鉴于代谢过程复杂以及细胞间存在的显著差异，部分药物的代谢模式可能呈现较大的变异性，最终影响到预测结果稳定性的表现。为了克服这些难题，后续的研究可从多个维度开展。利用扩大训练数据集、纳入更多药物及细胞类型的数据，可以切实提升模型的泛化能力；借助更多样化的代谢分析技术如单细胞代谢组学等，可以进一步细致挖掘代谢物的微小变化。依靠这些努力，我们有望在疾病研究与药物研发上实现新的突破，进一步提高预测的精准度与可靠性。

5 AI在PCa手术评估与计划中的应用

       手术技能评估大多采用人工评价方式，这种做法存在诸多弊端，评估过程既浪费时间又耗费精力，而且容易受到主观因素的干扰，导致评估结果出现偏颇。AI为手术技能评估提出了全新的解决办法。AI不仅可在手术期间实时监测手术器械的运动^[68]，捕捉器械的每一处细微动作，还可借助ML模型，对根治性前列腺切除术后患者尿失禁的恢复水平进行精准预估。此创新型应用，为术后患者康复评估工作提供了科学、客观的依据。

       TRINH等^[69]进一步验证了AI对手术技能评估的有效性。他们按照前瞻性方法收集了115例患者的手术数据，采用DL生存分析模型，深入剖析了外科医生的技术技能与患者因素对机器人辅助根治性前列腺切除术后尿失禁恢复的影响状况，发现了技术技能评估[机器人吻合能力评估（robotic anastomosis competency evaluation, RACE）评分]以及针操作是影响术后尿失禁恢复的关键预测指标。这一发现不仅显示了手术技能与术后恢复之间的内在关联，也为改进手术操作、提高患者术后生活质量给予了重要指引。尽管该方法展现出较高的准确水平，但其应用依旧面临一些限制。比如样本量大小直接影响模型的泛化能力，而特征选择关乎模型能否捕捉到最具代表性的信息。未来研究应进一步增大数据样本量，还需优化特征筛选方法，以更全面地检验AI在手术技能评估中的有效性。改进自动化评定流程，提高评估效率与精准性，也是未来研究的重点范畴。

6 医工结合在PCa诊疗中的应用

6.1 AI辅助诊断系统的临床突破与挑战——以Paige Prostate和INIFY Prostate为例

       AI技术跟病理诊断领域的深度融合，正逐渐改变传统医学领域的实践方式。将AI算法融入进病理学家的诊断流程中去，不仅能显著提升诊断的效率与精准程度，更能弥补人工诊断中存在的固有局限。例如，INIFY Prostate算法^[70]借助对多中心全切片数字影像（whole slide imaging, WSI）实行强化训练，构建出对组织制片技术变异呈现高度鲁棒性的分析模型。该技术革命性地解决了数据异质性对诊断结果的影响，促使AI模型在不同实验室间的性能稳定性明显增强。另一项代表性的创新成果Paige Prostate系统，作为经多番在临床机构大数据验证、获美国食品药品监督管理局（food and drug administration, FDA）认可批准的独立PCa检测AI辅助诊断平台^[71]，其技术上的优势不光是体现在快速识别典型病例，还可捕捉到人眼不易察觉的细微癌变特征。AI系统的应用虽已达成显著的进展，但依旧面临一些急需解决的问题。组织样本制备阶段存在的异质性因子，诸如切片厚薄、染色优劣和扫描优劣的差异，尽管现今AI系统已通过大范围的跨机构验证，且借助DL算法强化了其对不同样本的适应能力，但这一挑战依然不可忽视。就癌症分级而言，现有AI系统尚不能提供足够精确的诊断结果。为了满足临床的实际需求，未来的系统版本需要针对这一功能做进一步改进和优化，以提高癌症分级的精准度。AI系统的有效运行，极大程度依赖于数字病理学基础设施的完善程度。在部分资源相对不足的医院及诊所中，技术和成本方面的约束或许会成为AI系统推广应用的障碍。为了应对这些难题，要进一步推动医疗机构的数字化转型进程，加大对数字病理学相关基础设施的投入。

       依托上述措施的实施，有望引导PCa病理诊断向更具智能化、标准化的方向前行，并保障AI技术在复杂临床情境下的有效应用，给予患者更加精准、高效的医疗服务。

6.2 AI与分子标志物的协同创新

       临床级酶联免疫吸附测定（enzyme-linked immunosorbent assays, ELISA）作为预测疾病预后的关键工具，借助检测与多种疾病相关的生物标志物可辅助预测疾病的预后。然而，在实验室研究到临床应用的转化进程中，生物标志物筛选面临效能低下、技术瓶颈、财务压力以及抗体可靠性不足等障碍。为了突破这些瓶颈，研究人员提出采用质谱引导的免疫测定开发（mass spectrometry-GUided immunoassay development, MS-GUIDE）的办法，通过质谱技术先进行预筛选，再通过文献去挖掘潜在的候选生物标志物，把质谱与ELISA技术进行结合，达成高效又经济的标志物筛选，ML中的RF算法借助对标志物的分类助力提升了预测准确性，而糖蛋白富集技术则增强了质谱测量的敏感性。采用这种方式，研究人员成功筛选出纤连蛋白和玻连蛋白等标志物，证实了其在PCa复发预测中的优越性，液体活检方案预测PCa复发的准确率较传统方法提升了10%^[72]。

6.3 AI驱动的动态监测

       传统的门诊护理受患者就诊频率及主观报告的限制，往往引起治疗反应评估滞后，不易达成动态、实时的健康管理。AI技术正在逐步革新传统医疗监测模式。通过将可穿戴设备采集的实时生理指标（如心率、活动模式）与临床数据（如诊断记录、用药方案）进行融合，AI模型可实现对患者健康状态的持续追踪以及动态评估，及时察觉疾病进展或治疗反应的细微变动，为治疗方案的动态调整提供科学依据与决策支持。AI赋能的健康监测系统在实际应用层面面临着多重挑战，包括但不限于：数据验证的样本量短缺、标准化AI集成框架的缺乏、数据隐私与安全防护方面较薄弱，以及跨系统数据交互过程中的兼容性问题，还应留意患者对AI设备的认可接纳与适应情况，关注AI预测结果的临床可解释性与可操作性，以此防止医患双方对技术建议的误解。解决上述问题的核心做法是构建持续、高效的患者数据采集途径，为AI模型训练提供充分且高质量的数据支撑。

       ClinAIOps平台借助搭建标准化的AI集成框架，铺就了患者、临床医师与AI开发者之间的多向反馈桥梁，完成了AI与临床工作的无缝衔接^[73]。该平台严格遵守数据治理及隐私保护标准，达成了不同监测系统和电子健康记录之间的安全输送与高效互操作。ClinAIOps进一步为临床医生赋能，采用AI辅助实施数据分析，减少了医生处理数据所耗费的时长，使其能够更专注于个性化诊疗方案的制订与优化。ClinAIOps平台凸显AI预测结果的临床验证与可解释性，确保医疗决策建议是按照数据驱动的，也契合临床操作逻辑，便于医患双方理解与接纳。这些创新实践为AI技术与医疗服务的深度融合提供了可靠支撑，引领健康管理往更精准、更个性化的方向迈进。

6.4 AI驱动的靶向治疗革新

       在PCa靶向治疗领域，AI正促进PCa治疗往精准化方向不断迈进。近期的研究聚焦在纳米载体药物递送系统性能优化与免疫清除机制的调控上，采用AI预估药物在体内的释放和分布方式，极大增强了治疗靶向性^[74]。这种采用“实时监测—智能预警—精准干预”的医工协同模式，不但把治疗窗口期给延长了，更为PCa动态管理开启了全新篇章。

       当前研究要把成果推向临床应用仍面临挑战。第一个问题在于数据层面，涉及数据可获取的不足以及现有数据集彼此间存在的不一致状况，这也许会减弱AI模型的预测精准度及泛化能力，创建共享的数据资源库，提供高质量、多样化的数据支持可能解决此问题；二是属于模型层面的问题，AI算法的“黑箱”性质造成其决策过程缺乏透明度，临床医生与监管单位难以理解和信任其预测结果。这要求推动各学科深度融合，开展可解释性AI模型的研发，以此加大决策透明度以增进信任度，完善监管框架，制定标准化验证指南，确保技术应用既安全又有效，依靠这些协同举措，AI驱动的纳米载体系统将会有效冲破技术、伦理及实践壁垒，加快实验室研究向临床应用的转化进程，为精准医疗的全面落地赋予新动能。

7 AI在PCa研究中存在的问题

       （1）PCa图像数据异质性。这可能由设备性能、患者的体型特点、扫描参数设置情况以及操作者技术水平等因素引起的。（2）缺乏足够的样本量。AI模型的训练、验证往往依靠高质量的数据集，数据集的匮乏可能导致模型的泛化能力受限。近期提出的生成式AI有望解决这个问题^[75]。（3）数据出现偏差与样本不平衡。许多研究依赖历史数据或单一来源的数据，可能存在收集方面的偏差，尤其是针对不同临床站点或患者群体而言，可能影响模型的普遍适用性和泛化能力。（4）算法的过拟合与选择偏差。某些复杂的ML模型可能在特定数据集上存在过拟合问题，且由于训练样本产生了偏差，导致不同实验室和设备之间的泛化能力不足。（5）临床转化与高成本难题。尽管AI技术在医疗领域显示出巨大潜力，但高昂的设备成本、对数据质量的依赖及标准化体系缺失，导致其在广泛应用中的可行性受限，尤其是处于资源有限的情形下，技术转化面临较大挑战。（6）AI的可解释性和数据安全问题。AI的“黑盒”特性及其带来的数据泄露隐患仍然是亟待攻克的难题。RAJAGOPAL团队^[76]提出的联邦学习，以在本地保留数据、仅交换模型参数的方式，为保护患者隐私与维护数据安全提供了切实可行的解决方案。

8 小结与展望

       AI技术在PCa研究中已取得了显著进展，本文回顾了AI在病理诊断、医学影像分析、癌症风险预测及治疗等领域的进展。未来的研究应聚焦于持续优化算法性能、提高模型的可解释性，并通过多中心、大规模的临床验证提升AI技术的实际使用效能。伴随着多模态数据整合和实时分析的逐步完善，AI将更进一步推动个性化医疗的前行，优化PCa的筛查、诊断和治疗流程，提高患者预后和生活质量。AI辅助的远程医疗和诊断手段也将在全球范围内扩大PCa的早期检测和治疗可及性。