0 前言

       膀胱癌（bladder cance, BCa）是泌尿系统最常见的恶性肿瘤之一，其复发率高，是老年癌症相关死亡的第四大原因^{[1, 2]}。根据2022年全球癌症统计数据显示，BCa的年龄标准化发病率为13.1/10万，年龄标准化死亡率为3.6/10万^[3]。尿路上皮癌占BCa病例的90%以上，而其余10%包括鳞状细胞癌和腺癌等不太常见的组织类型^[4]。BCa患者的主要治疗方式包括经尿道膀胱肿瘤切除术（transurethral resection of bladder tumor, TURBT）和根治性膀胱切除术（radical cystectomy, RC）。非肌层浸润性BCa（non-muscle-invasive bladder cancer, NMIBC）患者TURBT术后复发率高达40%~80%，其中10%~20%会进展为肌层浸润性BCa（muscle invasive bladder cancer, MIBC）^[5]。MIBC患者在经RC后4年的复发风险为5%~50%^[6]。因此，临床需要密切监测并采取有效治疗策略，以预防疾病进展并改善患者预后^[7]。频繁的膀胱镜随访和反复干预给患者带来沉重负担，也加重了全球医疗系统的经济压力^[8]。鉴于其经济后果，探索复发的危险因素以及减轻风险的干预措施，对于改善患者的临床预后和生活质量至关重要^[9]。因此，亟需建立规范的长期监测体系，优化早期干预策略并完善随访管理方案，以改善患者预后^{[10, 11]}。为了预测BCa复发和进展的概率，欧洲癌症研究与治疗组织（European Organization for Research and Treatment of Cancer, EORTC）开发了一套评分系统和风险表^[12]，但存在样本量小、准确性有限的问题^[13]。西班牙泌尿外科肿瘤治疗组织（Spanish Club of Urology Oncology Treatment, CUETO）认识到了这些缺陷，开发了预测模型^[14]。2021年欧洲泌尿外科协会（European Association of Urology, EAU）指南更新了预测因素^[15]。然而，这些模型对BCa复发的鉴别能力中等，曲线下面积（area under the curve, AUC）通常为0.60~0.70，Harrell's C指数也显示类似的中等性能^{[16, 17, 18, 19]}。

       近年来，磁共振成像（magnetic resonance imaging, MRI）凭借多序列成像、高分辨率、软组织可视化优势，成为BCa重要的影像学评估工具^{[20, 21]}。人工智能（artificial intelligence, AI）结合MRI图像预测BCa术后复发的研究也在积极开展。总的来说，MRI在BCa术后复发的预测中具有很大的潜力，但现有关于BCa术后复发预测的综述存在不足，近年来的综述对磁共振多参数成像（multi-parametric magnetic resonance imaging, mp-MRI）、膀胱成像报告和数据系统（vesical imaging-reporting and data system, VI-RADS）、影像组学及AI结合MRI等技术的阐述不够全面。本文综述了mp-MRI、VI-RADS、影像组学及AI在BCa术后复发预测中的最新研究进展，旨在为临床个性化治疗提供参考。

1 mp-MRI对BCa术后复发的预测价值

       mp-MRI是膀胱镜检查的补充工具，包括T2加权成像（T2-weighted imaging, T2WI）、动态对比增强（dynamic contrast enhanced, DCE）及弥散加权成像（diffusion weighted imaging, DWI），主要用于BCa的术前诊断，治疗反应评估以及随访监测^{[22, 23]}。

       多项研究证实，DWI序列的表观弥散系数（apparent diffusion coefficient, ADC）值是预测复发的重要功能参数。ABD ELWAHAB等^[24]的前瞻性研究发现，较低的ADC值与更高的复发风险相关，多变量分析显示，ADC<1.09×10⁻³ mm²/s是唯一显著的复发独立预测因子。ZHANG等^[25]的研究进一步支持了这一结论，他们发现ADC值低于1.343×10^-3 mm²/s与复发风险升高密切相关（P<0.001），预测准确性为中等水平（C指数=0.648，95%置信区间0.595~0.701）。与单序列相比，mp-MRI通过整合多序列信息，能更准确地检测复发。WANG等^[26]研究表明mp-MRI在早期检测BC复发方面具有更高的准确性，尤其是对于结节性肿块和不规则壁增厚，并且可以更好地区分肿瘤复发。

       mp-MRI提供解剖和功能序列，提高了肿瘤诊断和分期的准确性^[27]，尤其在软组织对比分辨率、无电离辐射和显示膀胱壁肿瘤浸润方面具有高敏感性^[28]。作为无创检查，mp-MRI可降低患者创伤和感染的风险，有望成为评估BCa患者术后复发风险的重要工具。然而，mp-MRI也存在一些局限性：医生提供的主观信息有限、检查费用较高、耗时较长，且金属植入物伪影和患者配合度（如憋尿、呼吸运动）会影响图像质量。为了标准化mp-MRI扫描和报告，VI-RADS应运而生。

2 VI-RADS对BCa术后复发的预测价值

       2018年推出的VI-RADS，将MRI与VI-RADS结合使用，有助于对图像进行分类和全面评估肌肉浸润程度^[29]。VI-RADS评分是一种总体估计值，通过对T2WI、DWI和DCE序列中肿瘤的外观进行评分得出，提示肌肉浸润的可能性，协助肿瘤分期^{[30, 31]}。放射科医生使用VI-RADS将肿瘤评为1~5分，来表示肌肉浸润的可能性，1分和2分表示肌肉浸润的几率低，3分认为模棱两可，而4分和5分表示可能性高^[32]。目前，已经报道了几项关于VI-RADS系统诊断价值的验证研究，旨在评估VI-RADS评分预测BCa术后复发的性能。

       研究表明，VI-RADS评分高的患者更容易发展为MIBC^[23]，这表明较高的VI-RADS评分与不良预后密切相关^[25]。XU等^[33]发现VI-RADS≥3分的患者在术后1~2年内复发风险更高。KOZIKOWSKI等^[34]认为VI-RADS的mp-MRI在预测原发性和复发性BCa中有较高的诊断价值，VI-RADS阈值≥3分是MIBC的强预测因子。KIM等^[35]纳入了RC前接受mp-MRI的患者，通过受试者工作特征（receiver operating characteristic, ROC）曲线分析得出，VI-RADS评分为4分，AUC值为0.88，敏感度84%，特异度93%，准确率90%，阳性预测值（positive predictive value, PPV）84%，阴性预测值（negative predictive value, NPV）93%。KURAL等^[36]研究VI-RADS在MIBC/NMIBC预测性中的效用，得出通过VI-RADS评分来预测复发能有效地对BCa患者进行分层，以避免不必要的重复手术。

       因此，VI-RADS在预测原发性BCa的肌肉浸润性方面表现良好，可作为无创随访替代方案^[37]。但是，最佳诊断阈值仍有争议，大多数研究认为3分作为临界值，但也有人认为4分适合作为临界值。研究表明，以4分为阈值特异度更高（>90%），但可能漏诊部分MIBC；以3分为阈值敏感度更佳（>90%），但假阳性率增加。不同阈值对应的复发风险率存在差异，需结合临床实际进行选择。未来，应结合VI-RADS评分探索更多的预后方法，如纵向术后监测中的动态风险分层和基因突变、病理、影像学和临床随访结果与深度信息融合算法的多尺度数据整合，以进一步提高复发预测性能。

3 影像组学与AI在BCa术后复发预测的价值

3.1 影像组学

       2012年，荷兰学者LAMBIN等^[38]提出影像组学的概念，通过高通量提取图像特征，然后进行特征筛选，最后建立预测模型并验证。影像组学技术可分为手动影像组学和深度学习影像组学两组^[39]。当前BCa研究的主题之一是MIBC的影像组学预测，影像组学利用医学成像来分析表型图像特征与肿瘤诊断之间的关系，从而完成患者风险分层和治疗决策，在BCa预后和随访管理方面显示出巨大的前景^[40]。

       近年来，影像组学模型在预测MIBC方面显示出很高的诊断性能，汇总敏感度为82%，特异度为81%^[41]。杜鹏等^[42]收集28例BCa患者（无复发22例，复发6例）的术前T2WI、DWI以及ADC影像数据，从中分割出肿瘤区域，提取基于直方分布的灰度特征，以及基于共生分布和游程分布的纹理特征，结合特征选择与支持向量机（support vector machine, SVM）构建预测模型，研究发现基于DWI和ADC特征对复发的预测优于T2WI，能够对患者的复发风险进行定量分析，在复发预测中具有巨大潜能。ZHANG等^[43]纳入210例术前接受DWI的MIBC患者，使用DWI开发影像组学特征，生成影像组学列线图，发现影像组学特征与无进展生存期（progression-free survival, PFS）显著相关（log-rank P=0.007 3），影像组学列线图在预测PFS方面优于临床病理列线图。随着有关BCa研究的不断深入，发现影像组学还可预测Ki-67的表达，与BCa的复发、进展和患者生存率密切相关。ZHENG等^[44]分别从T2WI和DCE图像中提取1218个影像组学特征，基于9个特征的SMOTE-LASSO（SMOTE-least absolute shrinkage and selection operator）模型在SMOTE训练集（AUC为0.859，准确度为80.3%）和验证集（AUC为0.819，准确度为81.5%）中表现良好。XU等^[45]回顾性收集了71例确诊为NMIBC或MIBC患者的术前T2WI、DWI、ADC和DCE图像，从术前mp-MRI的肿瘤区域提取了1872个影像组学特征，将其与临床危险因素相结合，结果表明，影像组学在术前预测BCa复发方面具有极好的潜力。YANG等^[46]研究表明，多序列MRI的影像组学-临床列线图可以有效评估BCa复发风险，在预测BCa复发风险方面优于影像组学模型和临床模型，有望预测BCa复发、加强个体化临床治疗和肿瘤监测。

       所以，基于多参数MRI的影像组学在术前准确预测BCa复发方面具有显著优势，为患者提供了一种无创的新方法。尽管影像组学表现出良好的性能，但也存在局限性，比如特征提取耗时且主观，缺乏标准化流程。未来可引入半自动或自动分割工具（如基于深度学习的U-Net结构）以减少人工负担并提高分割一致性，同时借助迁移学习利用在大规模自然图像或医学影像上预训练的模型以提升小数据场景下的特征表达能力。在此基础上，通过扩大样本量、推进多中心外部验证，并制定严格的图像采集与预处理规范，有效增强影像组学模型的稳健性与可重复性，最终为临床决策提供更精准、可靠的预测支持。

3.2 AI

       随着影像数据生成速度加快和数据量增加，对MRI数据处理和有用信息提取的要求不断提高。AI技术（包括机器学习和深度学习）在医学影像分析中的应用日益广泛^[47]。

       AI能够利用数学算法或深度神经网络提取肉眼难以识别的特征，结合临床信息建立预测模型，量化肿瘤信息，有效解决肿瘤异质性难以定量评估的问题，为临床医生提供高效的智能辅助决策支持系统^{[48, 49]}。

       深度学习是AI的一个分支学科，深度学习研究在预测BCa复发和评估疗效方面表现良好^[50]。XU等^[51]整合MRI影像组学特征和临床因素，提供了一种新的个性化风险评估方法，他们在71名患者的T2WI、DWI、ADC和DCE图中提取了1872个图像特征，构建了一个包含MRI影像组学特征和临床因素的模型，识别术后两年内BCa复发风险患者，准确率达80.95%，AUC为0.838。尽管结果良好，但回顾性设计和单中心抽样导致的潜在偏倚仍是局限性，未来研究可探索因数据不完整而被遗漏的其他因素，以进一步提高模型预测能力。

       在此基础上，HUANG等^[52]证明了将多参数MRI和深度学习相结合预测BCa复发的潜力，研究中他们开发了临床影像组学深度学习模型，将mp-MRI影像组学特征与深度学习和临床数据结合，预测NMIBC患者的5年复发风险。该模型基于191名患者的数据集，AUC达0.909，性能优于传统临床模型。SHapley加法解释的使用，进一步增强了模型的可解释性，表明影像组学特征对预测准确性具有重大贡献。CAI等^[53]收集559例患者，构建深度学习模型，得出深度学习模型预测MIBC的准确率、敏感度、特异度、阳性预测值和阴性预测值分别为92.4%、94.7%、91.5%、81.8%和97.7%，因此，基于T2WI的深度学习模型可以有效预测MIBC。然而，该方法严重依赖昂贵和先进的MRI技术，这在许多临床环境中可能无法获得。此外，虽然SHAP值提高了可解释性，但影像组学和深度学习模型的固有复杂性仍然会产生“黑匣子”问题，降低了临床医生对模型输出的信任。HASNAIN等^[54]在南加州大学泌尿外科研究所经45年间收集，使用由3503名患者组成的原发性BCa数据集，预测膀胱切除术后1年、3年和5年的患者复发和生存率，敏感度和特异度均大于70%。ABBAS等^[55]研究了用于预测BCa复发的AI框架，并且进行了系统的文献检索，发现AI算法显示出巨大的潜力，准确率高达65.0%~97.5%，但其准确率范围较宽，反映了不同研究在数据质量、模型方法、特征工程和验证严格性方面存在较大异质性。

       虽然研究结果总体上是有希望的，但在将这些模型整合到临床工作流程之前，仍需要解决一些挑战，例如泛化性差可能是AI在临床转化实践中的最大障碍。这个问题表现为：AI算法在原始训练机构的数据集可达到人类专家的性能，但在使用其他机构或不同扫描仪采集的数据进行外部验证时，性能显著下降^[56]，解决这一问题的有效策略是构建包含多中心、多设备及多样化人群数据的训练集。此外，采用数据增强、模型正则化和迁移学习策略，通过向数据引入人为可变性并防止过度拟合来提高模型的泛化性。

       随着BCa影像组学以及AI算法的应用，关于影像数据和手术数据对应性方面的研究，未来会越来越多。除了SHAP，如LIME、注意力图等也在探索中，也将进一步提高MRI AI模型的可解释性，推动AI预测模型的开发和应用。

4 不同MRI预测技术的综合比较

       mp-MRI、VI-RADS、影像组学及AI技术均在预测BCa术后复发方面展现出各自的价值与局限性。为更直观地对比其效能，本文汇总如下（表1）。

       由表1可知，目前尚无十全十美的预测手段。传统mp-MRI参数简单直观但效能有限；VI-RADS标准化程度高但存在观察者差异；影像组学与AI模型潜力巨大，但其可解释性、泛化性及标准化流程仍是临床转化的主要障碍，这为未来的研究方向指明了重点。

点击查看表格

表1  不同MRI技术预测膀胱癌术后复发的效能综合比较
Tab. 1  Comprehensive comparison of the efficacy of different MRI techniques in predicting postoperative recurrence of bladder cancer

5 小结与展望

       磁共振成像预测BCa术后复发为临床医生提供有效的预测方法，有助于为患者制订个体化方案，从而提高患者生存率。术前临床因素的评分系统和风险表结合MRI影像信息建立的模型提高了对BCa术后复发的预测价值，但目前仍然没有一种标准、完善的预测模型准确地预测BCa术后复发。因此，MRI在预测BCa术后复发的研究将继续深入，主要包括以下四个方面：（1）开展大样本、多中心研究。现有MRI预测BCa术后复发的研究样本量较少，观察者之间存在差异，未来需要大样本、多中心的研究来验证MRI预测BCa术后复发的可靠性和稳定性，其具体实施面临诸多挑战，包括不同中心间MRI扫描协议与参数的标准化、图像质量的均一性、数据隐私保护与脱敏等问题，参考利用现有国际公开数据库（如癌症影像档案）的合作模式是推进此类研究的可行路径之一。（2）结合病理组学和基因组学。未来将从病理组学及基因组学层面研究临床、影像、病理及基因之间的关系，进行全方位的预测。例如，FGFR3基因突变状态可与MRI影像中肿瘤的边界清晰度、强化程度及坏死区域等特征进行关联，以建立基因-影像关联表型；程序性死亡配体-1表达水平则可能对应动态增强模式或肿瘤浸润淋巴细胞在影像中的疑似表现。从分子机制解析复发原理，现有关于结合Ki-67等生物标志物的研究，未来可继续挖掘更多基因靶点与复发的关系分析。除Ki-67之外，其他如TERT启动子突变、特定的免疫微环境相关基因表达标签（如IFN-γ特征）等，也显示出作为复发预测标志物的潜力，可与影像组学特征进行跨模态融合分析。然而，此类多组学整合面临显著技术挑战，尤其是异质数据的高维性与标准化问题，未来应推动开发更鲁棒、可解释的多组学融合框架，为实现个体化预后预测提供新途径。（3）深化AI技术的应用。随着AI技术的不断发展和进步，利用机器学习及深度学习等AI技术被更多地引入，通过改进算法提高模型泛化性，目前已有相关研究，但仍需优化来建立更加精准的预测模型，帮助预测生存和复发、个性化治疗策略。（4）推动多模态融合。将MRI与计算机断层扫描（computed tomography, CT）、正电子发射断层扫描（positron emission tomography-computed tomography, PET-CT）及液体活检（如循环肿瘤DNA）等多模态数据，在算法层面，MRI可与液体活检（ctDNA）、基因组学等数据通过晚期融合或者混合融合策略进行整合，构建更全面的预测模型。

       综上所述，在术前预测BCa复发中MRI是一种很有前途的工具，而手术病理学仍然是诊断的参考标准。MRI预测BCa术后复发未来需要开展更多前瞻性的多中心、大样本研究，需要结合其他影像新技术和AI技术，以验证定量研究的额外价值，并通过结合其他生物标志物（例如尿液和血清生物标志物）来优化预测模型，提高预测的可靠性和稳定性。从基本的肿瘤识别到精确的分期和分级，再到复发风险预测，尽管BCa影像学研究取得了重大进展，但单纯的疾病诊断已难以满足临床要求。未来将更多地转向利用影像技术指导精确的个体化治疗与随访管理，从而进一步改善患者预后。