近年來，隨著數據儲存、圖像處理、模式識別和機器學習等技術的進步，人工智能在泌尿疾病的診療方面得到了廣泛的應用。基于影像學和組織病理學等海量的生物醫學大數據，人工智能技術可以讓醫務工作者對泌尿系腫瘤、泌尿系結石、泌尿系感染、泌尿功能異常和勃起功能障礙等幾類泌尿疾病的診斷更為精準，讓治療更加個性化。然而，目前人工智能診療大多處于研究階段，在實際的應用中尚存在一些問題。本文以輔助診斷為線索，對人工智能方法在前列腺癌、膀胱癌、腎癌、尿路結石、尿頻、勃起功能障礙等常見泌尿疾病的應用和研究情況予以綜述，并進一步探討其存在的問題和未來發展方向。
引用本文： 秦鋒, 袁久洪. 人工智能在泌尿疾病診斷中的應用現狀與趨勢. 生物醫學工程學雜志, 2020, 37(2): 230-235. doi: 10.7507/1001-5515.201910055 復制
引言
人工智能（artificial intelligence，AI）是研究開發用于模擬、延伸和擴展人類智能的一門新的技術科學[1]。當前，隨著數據儲存、圖像處理、模式識別等技術的不斷進步，人工智能正與醫療健康產業深度融合，從醫學研究和臨床決策等方面推動診療模式的轉變。人工智能的應用，有助于提升疾病的診斷效率和準確度、制定有效的治療方案、削減治療成本，從而推動個性化醫療的發展[1]。
泌尿系統結構復雜，病因及癥狀多樣，泌尿疾病的精準診斷常面臨著較多挑戰。當前，泌尿疾病的診斷面臨的眾多問題主要包括：① 優質醫療資源存在供需失衡和地域分配不均等問題，導致就醫成本高且效率低；② 腫瘤早期的病灶小且病變累及范圍小，影像學等檢查數據顯示不明顯，再加上人眼的分辨力有限，可能出現疾病的漏診；③ 基因組學、代謝組學、影像組學和智能穿戴設備等產生了海量數據，大大增加了泌尿醫師的工作負擔。隨著人工智能技術在醫療領域的廣泛應用與飛速發展，為上述問題提供了一種全新的解決思路。近年，在泌尿疾病診療領域，人工智能技術取得了豐碩的研究成果[2-3]。基于海量的診療數據，人工智能技術可以輔助醫生對疾病做出精準診斷以及超早期預警，并有效提升醫生的工作效率。本文以輔助診斷為線索，對人工智能方法在泌尿系腫瘤、泌尿系結石、泌尿系感染、泌尿功能異常和勃起功能障礙等疾病中的應用和研究情況予以綜述，并對發展前景做出展望。
1 人工智能
1.1 醫療人工智能的發展
1956 年夏天，在美國新罕布什爾州召開的達特茅斯會議上，“人工智能”一詞首次被提出。1972 年，英國利茲大學嘗試應用人工智能算法進行腹部疼痛的判斷，這是最早出現在醫療領域記載中的人工智能系統[4]。進入 21 世紀后，得益于互聯網的快速發展產生的海量數據，人工智能醫療進入了一個新的發展階段。基于數字影像、電子病歷、智能穿戴、基因檢測和醫療費用等健康大數據，人工智能可為醫生提供以證據為支撐的疾病診斷和治療建議。人工智能從醫學研究、臨床決策等方面推動了診療模式的轉變，促使疾病的監測、預防、診斷、治療、隨訪等發生了巨大的變革[5-6]。僅在 2018 年，美國食品藥品監督管理局（Food and Drug Administration，FDA）就批準了 16 款醫療人工智能產品，涵蓋尿檢、糖尿病、腦卒中、癲癇、骨折及兒童自閉癥等多個領域[7-8]。
1.2 人工智能的核心技術和評價指標
在核心技術上，醫療人工智能主要包括機器學習、深度學習、神經網絡等算法[9]，它們之間的關系如圖1 所示。機器學習是人工智能的核心，是使計算機具有智能的根本途徑，主要分為監督學習、非監督學習和增強學習三種學習類型。機器學習的優勢在于可以對海量健康數據進行挖掘，然后利用這些數據對計算機進行訓練，進而學習這些數據獲得經驗和知識，不斷改進診斷性能[10]。神經網絡是機器學習諸多算法中的一種，受大腦神經網絡的結構和功能啟發而提出，包括卷積神經網絡、循環神經網絡和深度神經網絡等。神經網絡的優勢在于可學習和構建非線性分類的復雜關系的疾病診斷模型。而深度學習是一類新興的多層神經網絡學習算法，也是神經網絡算法的發展。與傳統機器學習方法相比，深度學習算法的優勢在于能夠自動學習各類健康數據中的特征，避免了前期的人工特征選擇[10]。
圖1
人工智能、機器學習、深度學習與神經網絡的關系示意圖
Figure1.
The relationship between artificial intelligence, machine learning, deep learning and neural network
在評價指標上，人工智能技術的效能指標主要包括：受試者工作特征（receiver operating characteristic，ROC）曲線、ROC 曲線下的面積（area under the ROC curve，AUC）、準確性、靈敏性、特異性、陽性預測值和陰性預測值等。
2 人工智能用于泌尿系腫瘤的診斷
2.1 前列腺癌
病理檢查是診斷前列腺癌的一種準確可靠的方法，目前主要依賴病理醫師對圖像的認識。Gleason 評分是前列腺癌病理學診斷的重要內容，人工智能可通過計算機進行 Gleason 評分，達到輔助診斷的作用[8]。Kim 等[11]利用 944 名韓國患者的臨床病理數據，搭建了一個機器學習模型用于預測前列腺癌的病理分期。該模型的預測精度達到 69%～75%，而傳統預測數據庫 Partin 表的預測精度為 66%，該模型在預測性能方面具有一定的優勢。Zhang 等[12]將深度神經網絡技術應用于前列腺癌病理診斷，他們抽取了 283 例患者的前列腺病理切片，用于訓練深度神經網絡模型。經過測試，以人類病理學家的診斷作為“金標準”，該系統的診斷準確率高達 99.38%。Kwak 等[13]利用深度神經網絡技術分析不同分辨率的數字病理圖像，用于檢測前列腺癌，該系統診斷的 AUC 高達 0.97。Nguyen 等[14]利用人工智能技術建立前列腺癌病理切片的自動分割和自動 Gleason 評分的方法，結果顯示該模型在自動分割方面的 AUC 為 0.87～0.98；在自動 Gleason 評分方面的 AUC 為 0.82。上述研究表明，人工智能與臨床病理的結合對前列腺癌的診斷具有很高的準確率。
隨著影像技術的快速發展和成像數據的增加，前列腺癌的早期診斷和評估方面也取得了長足的進步。目前多參數磁共振成像（multiparametric magnetic resonance imaging，mpMRI）是前列腺癌診斷的最重要的檢查手段之一。基于 mpMRI 的多參數指標，人工智能技術不僅能早期檢出前列腺癌[15-17]，還能對術前的 Gleason 評分進行預測，指導治療計劃[18-19]。Wang 等[15]采用機器學習算法，提取了 541 例前列腺癌患者的 mpMRI 數據，結合前列腺癌影像報告和數據系統評分，發現機器學習結合 mpMRI 信息與評分數據，對有臨床指針的前列腺癌診斷的 AUC、靈敏度、特異度、陽性預測值和陰性預測值分別為 0.891、79.3%、75.7%、79.0% 和 76.0%，優于傳統方法。Wang 等[20]利用人工智能技術構建了臨床風險預測模型，對 1 478 例疑似前列腺癌患者的 mpMRI 數據進行了 5 年的隨訪研究。該研究顯示機器學習結合 mpMRI 與前列腺特異性抗原值對患癌診斷的 AUC、陽性預測值和陰性預測值分別為 0.938、77.4% 和 91.5%，優于傳統方法。Fehr 等[19]利用機器學習算法融合了 mpMRI 的表觀擴散系數值和 T2 值，經研究發現隨著樣本量的增加，機器學習算法能更準確地完成前列腺癌的術前 Gleason 評分。上述研究顯示，人工智能與 mpMRI 的結合，比傳統方法在前列腺癌的診斷上有更明顯的優勢，可提高診斷準確率。
經直腸超聲引導下的前列腺穿刺活檢術，雖屬于有創性檢查且有高達 30% 的漏診率，但仍是診斷前列腺癌的金標準[21]。Loch 等[22]研發了人工神經網絡算法結合超聲電子計算機斷層掃描（computed tomography，CT）的技術，可對傳統經直腸超聲圖像進行分析及標記，以評估穿刺的必要性并指導靶向穿刺。謝立平等[21]選取臨床疑診前列腺癌患者 60 例，在人工智能技術的引導下，前列腺癌靶向穿刺活檢的陽性率為 46.2%，其中初次穿刺陽性率為 51.5%，重復穿刺陽性率為 36.8%，顯示該技術具有減少穿刺針數、降低穿刺并發癥，提高穿刺陽性率，易于發現低級別的前列腺癌等優點。以上研究提示，人工智能與 CT 的交叉融合提高了前列腺癌的診斷精度，有助于降低漏診率。
2.2 膀胱癌
與前列腺癌診斷相似，人工智能技術在膀胱癌的診斷方面也具有廣泛的應用。Ikeda 等[23]基于 1 671 張膀胱癌病理圖像和 431 張正常膀胱組織圖像，建立了非肌層浸潤性膀胱癌的機器學習算法。經過檢驗，該模型診斷膀胱癌的 AUC、靈敏度和特異度分別為 0.98、89.7% 和 94.0%，該方法有助于避免膀胱癌的漏診和誤診。Garapati 等[24]基于 76 例患者的 CT 尿路造影數據，采用不同的機器學習算法客觀評估膀胱癌的分期，結果顯示該研究采用的 4 種算法（線性判別分析、神經網絡、支持向量機和隨機森林）診斷膀胱癌的 AUC 均大于 0.88。Xu 等[25]采用機器學習算法結合 mpMRI 數據，鑒別 62 例尿路上皮癌患者的膀胱腫瘤和膀胱壁組織。經過檢驗，該模型診斷膀胱癌的 AUC、準確度、靈敏度和特異度分別為 0.94、88.74%、89.67% 和 87.80%，該研究為膀胱癌的術前分期提供了一種新方案。Shao 等[26]首先應用超高效液相色譜-質譜法對 87 例膀胱癌和 65 例疝氣患者的代謝產物進行了分析，然后基于代謝譜和 6 個尿液標志物建立了機器學習算法，經測試該算法的診斷準確率、靈敏度和特異度分別為 76.60%、71.88% 和 86.67%。Kouznetsova 等[27]結合尿液代謝物和機器學習算法來識別膀胱癌的早期和晚期，基于不同疾病階段患者的尿液代謝產物數據，該研究建立的模型對早期膀胱癌的準確率為 72%，識別晚期膀胱癌的準確率為 65.45%。上述研究提示，基于 CT、mpMRI 和尿液代謝產物等信息，人工智能技術為膀胱癌的精準診斷提供了新的解決方案。
2.3 腎細胞癌
腎細胞癌一般位置較深，不易被發現，早期診斷是其成功治療的關鍵。Azuaje 等[28]基于腎細胞癌患者的蛋白組學和病理圖像數據，建立了機器學習算法。結果顯示基于蛋白組學的機器學習模型診斷腎細胞癌的 AUC、準確度、靈敏度和特異度分別為 0.99、98%、97% 和 99%，而基于病理圖像的機器學習模型診斷腎細胞癌的 AUC、準確度、靈敏度和特異度分別為 0.92、95%、100% 和 93%，該模型可成功用于腎細胞癌的早期診斷。Zheng 等[29]基于 104 名受試者的血清核磁共振代謝組學數據建立了自組織神經網絡模型，用于腎癌的診斷和術后評估，研究顯示該模型對于早期腎癌的診斷準確率達 94.74%。Haifler 等[30]利用短波拉曼光譜和機器學習算法鑒別術中腎腫瘤的良惡性，結果顯示該模型的 AUC、準確度、靈敏度和特異度分別為 0.94、92.5%、95.8% 和 88.8%。上述研究提示，基于蛋白組學、代謝組學等信息，人工智能技術在腎細胞癌的早期診斷上具有較好的應用前景。
2.4 基于肝腎功的泌尿系腫瘤篩查
肝腎功能是泌尿疾病患者的常規檢查項目。王正等[31]利用支持向量機和神經網絡算法，對 3 136 例正常人和泌尿系腫瘤患者（包括：前列腺癌、膀胱癌和腎癌）的肝、腎功等數據進行分析。研究發現，該系統篩查泌尿系腫瘤的準確率達到 92.05%，顯示該方法有望成為泌尿系統腫瘤輔助篩查手段。
3 人工智能用于泌尿系結石的診斷
患者的癥狀、體征、實驗室檢查以及 CT 影像結果是臨床上診斷泌尿系結石的常規依據。CT 平掃可以獲得結石表面積、密度、與皮膚的距離等參數，對泌尿系結石的診斷非常有意義。Parakh 等[32]研究了基于 535 例疑似尿石癥患者的腹盆靜脈非增強 CT 圖像，采用深度卷積神經網絡技術用于診斷尿路結石，結果顯示該模型的 AUC 達 0.954。de Perrot 等[33]基于低劑量 CT 和機器學習算法用于鑒別腎結石與靜脈血栓，該研究納入了 369 例患者的影像組學特征，研究顯示該評測模型的 AUC、準確度、陽性預測值和陰性預測值分別為 0.902、85.1%、81.5% 和 90.0%。Kazemi 等[34]基于 936 名腎結石患者的 42 個特征信息結合人工智能算法，判斷患者的腎結石種類，研究顯示該評測模型的準確度高達 97.1%。上述研究提示，基于 CT 等影像組學信息，人工智能技術有助于泌尿系結石的精準診斷。
4 人工智能用于泌尿系感染的診斷
傳統上，診斷泌尿系統的感染一般做泌尿系統的超聲、尿常規、尿沉渣等檢查，較為不便。2018 年 7 月，以色列數字健康公司研發的尿檢工具包（Dip.io）通過 FDA 認證[4, 35]。基于智能手機攝像頭以及包含人工智能算法的手機軟件，用戶在家中就能分析尿液中的蛋白質、葡萄糖及血液等監測指標，從而判斷患者各種尿路感染、慢性疾病或妊娠相關并發癥的患病情況。Burke 等[35]對 179 名產前女性在家中使用 Dip.io 進行尿檢的可行性與可接受性進行了分析，96% 的受試者按方案要求完成了尿檢，結果顯示該方法可行且接受度較高。
5 人工智能用于泌尿功能異常的診斷
利尿性腎圖由于創傷小、操作簡便、準確率高等優點，是可疑腎積水的首選檢查方法[36]。Blum 等[37]基于 55 例患者的利尿腎動態顯像數據，建立了腎盂輸尿管連接部梗阻評測的機器學習算法，結果顯示，該診斷模型的準確度、靈敏度和特異度分別為 93%、91% 和 96%。Cerrolaza 等[38]采用定量超聲技術結合機器學習算法評測 50 例小兒腎積水患者的腎梗阻程度，結果顯示該評測模型的 AUC 大于 0.94，靈敏度為 100%，特異度大于 70%。
下尿路癥狀的診斷目前主要依靠患者病情描述、排尿日志、尿流動力學檢測等方法，具有主觀性、記錄不精準、依從性差、或有創檢查及價格貴等缺點。袁久洪等[39]基于便攜終端采集的患者每日排尿量、次數、夜尿量、夜尿次數等監測數據，建立了機器學習算法。該方法可客觀反映患者下尿路癥狀的程度與等級，進而為尿頻、前列腺增生、焦慮等疾病提供預警及治療效果評估。
6 人工智能用于勃起功能障礙的診斷
勃起功能障礙是男科門診中最常見的疾病，具有發病率高和就診率低等特點，監測陰莖夜間勃起是鑒別及評估其程度的客觀指標[40]。袁久洪等[41-42]基于陰莖軸向硬度等參數的可穿戴監測技術結合機器學習算法，建立了勃起功能的評測系統。該系統能在不影響患者睡眠的情況下，監測患者夜間勃起的軸向硬度、勃起次數、勃起時間等參數，進而對勃起功能進行客觀評測。人工智能技術可在保護患者的隱私的情況下，完成勃起功能障礙的評測，具有依從性高和就醫成本低等優點。
多模態磁共振成像技術可無損地檢測患者大腦的器官結構、功能和微觀物質含量，臨床上應用廣泛。2018 年，Li 等[43]基于多模態磁共振成像數據，用機器學習分類法將腦結構異常作為靜脈性勃起功能障礙的潛在生物標志物。該研究納入了 50 例靜脈性勃起功能障礙患者和 50 例健康志愿者來驗證該模型的有效性，結果顯示該模型的準確度、靈敏度和特異度分別為 96.7%、93.3% 和 99.0%，該研究為靜脈性勃起功能障礙的診斷提供了新的方案。
7 不足與挑戰
7.1 基礎研究較薄弱
目前，雖然我國在人工智能診療的應用領域取得了很多進展，但在基礎理論、核心算法、穿戴設備、高端芯片等基礎領域與國外仍存在較大差距。據日本文部科學省的調查顯示，2015 年美國發表人工智能領域的研究論文 326 篇，而中國僅有 138 篇[44]。2018 年，我國在人工智能領域發表論文的數量上雖已超過美國，但在專利數量和“論文引文影響力”等科研質量方面還落后很多。因此，我國人工智能診療的發展需進一步重視基礎研究，才能攻克關鍵技術。
7.2 評價體系待完善
人工智能推廣應用的必要前提是對其有效性、可信性以及性能的定量評價[44]。人工智能產品的種類、性能各不相同，如何客觀公正地評測，亟需一套標準化的評估體系。2016 年，FDA 發布了首份評估人工智能系統的指南[45]。近年，中國科學院和中國人工智能產業發展聯盟等也正逐步建立與完善人工智能診療產品的應用評估體系。
7.3 數據安全
隨著人工智能的廣泛應用，海量數據的安全也面臨巨大挑戰。目前，對于這些數據的使用監管，我國的法規較美國、英國等發達國家還有一些差距。人工智能診療行業的健康成長，需要進一步加強對數據運用的監督管理。
8 小結與展望
總之，人工智能不僅能分析影像學、組織病理學、代謝組學和蛋白組學等海量數據，還能整合患者的其他診療信息，有助于提升疾病的診斷效率和準確度。目前，雖然人工智能技術還處于不斷完善和發展的階段，但是已廣泛應用于前列腺癌、膀胱癌、腎癌、尿路結石、尿頻、勃起功能障礙等泌尿疾病的輔助診斷。隨著技術的不斷進步和發展，人工智能有著無限的發展空間，將對泌尿疾病的診療流程和工作模式產生巨大的變革。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
人工智能（artificial intelligence，AI）是研究開發用于模擬、延伸和擴展人類智能的一門新的技術科學[1]。當前，隨著數據儲存、圖像處理、模式識別等技術的不斷進步，人工智能正與醫療健康產業深度融合，從醫學研究和臨床決策等方面推動診療模式的轉變。人工智能的應用，有助于提升疾病的診斷效率和準確度、制定有效的治療方案、削減治療成本，從而推動個性化醫療的發展[1]。
泌尿系統結構復雜，病因及癥狀多樣，泌尿疾病的精準診斷常面臨著較多挑戰。當前，泌尿疾病的診斷面臨的眾多問題主要包括：① 優質醫療資源存在供需失衡和地域分配不均等問題，導致就醫成本高且效率低；② 腫瘤早期的病灶小且病變累及范圍小，影像學等檢查數據顯示不明顯，再加上人眼的分辨力有限，可能出現疾病的漏診；③ 基因組學、代謝組學、影像組學和智能穿戴設備等產生了海量數據，大大增加了泌尿醫師的工作負擔。隨著人工智能技術在醫療領域的廣泛應用與飛速發展，為上述問題提供了一種全新的解決思路。近年，在泌尿疾病診療領域，人工智能技術取得了豐碩的研究成果[2-3]。基于海量的診療數據，人工智能技術可以輔助醫生對疾病做出精準診斷以及超早期預警，并有效提升醫生的工作效率。本文以輔助診斷為線索，對人工智能方法在泌尿系腫瘤、泌尿系結石、泌尿系感染、泌尿功能異常和勃起功能障礙等疾病中的應用和研究情況予以綜述，并對發展前景做出展望。
1 人工智能
1.1 醫療人工智能的發展
1956 年夏天，在美國新罕布什爾州召開的達特茅斯會議上，“人工智能”一詞首次被提出。1972 年，英國利茲大學嘗試應用人工智能算法進行腹部疼痛的判斷，這是最早出現在醫療領域記載中的人工智能系統[4]。進入 21 世紀后，得益于互聯網的快速發展產生的海量數據，人工智能醫療進入了一個新的發展階段。基于數字影像、電子病歷、智能穿戴、基因檢測和醫療費用等健康大數據，人工智能可為醫生提供以證據為支撐的疾病診斷和治療建議。人工智能從醫學研究、臨床決策等方面推動了診療模式的轉變，促使疾病的監測、預防、診斷、治療、隨訪等發生了巨大的變革[5-6]。僅在 2018 年，美國食品藥品監督管理局（Food and Drug Administration，FDA）就批準了 16 款醫療人工智能產品，涵蓋尿檢、糖尿病、腦卒中、癲癇、骨折及兒童自閉癥等多個領域[7-8]。
1.2 人工智能的核心技術和評價指標
在核心技術上，醫療人工智能主要包括機器學習、深度學習、神經網絡等算法[9]，它們之間的關系如圖1 所示。機器學習是人工智能的核心，是使計算機具有智能的根本途徑，主要分為監督學習、非監督學習和增強學習三種學習類型。機器學習的優勢在于可以對海量健康數據進行挖掘，然后利用這些數據對計算機進行訓練，進而學習這些數據獲得經驗和知識，不斷改進診斷性能[10]。神經網絡是機器學習諸多算法中的一種，受大腦神經網絡的結構和功能啟發而提出，包括卷積神經網絡、循環神經網絡和深度神經網絡等。神經網絡的優勢在于可學習和構建非線性分類的復雜關系的疾病診斷模型。而深度學習是一類新興的多層神經網絡學習算法，也是神經網絡算法的發展。與傳統機器學習方法相比，深度學習算法的優勢在于能夠自動學習各類健康數據中的特征，避免了前期的人工特征選擇[10]。
圖1
人工智能、機器學習、深度學習與神經網絡的關系示意圖
Figure1.
The relationship between artificial intelligence, machine learning, deep learning and neural network
在評價指標上，人工智能技術的效能指標主要包括：受試者工作特征（receiver operating characteristic，ROC）曲線、ROC 曲線下的面積（area under the ROC curve，AUC）、準確性、靈敏性、特異性、陽性預測值和陰性預測值等。
2 人工智能用于泌尿系腫瘤的診斷
2.1 前列腺癌
病理檢查是診斷前列腺癌的一種準確可靠的方法，目前主要依賴病理醫師對圖像的認識。Gleason 評分是前列腺癌病理學診斷的重要內容，人工智能可通過計算機進行 Gleason 評分，達到輔助診斷的作用[8]。Kim 等[11]利用 944 名韓國患者的臨床病理數據，搭建了一個機器學習模型用于預測前列腺癌的病理分期。該模型的預測精度達到 69%～75%，而傳統預測數據庫 Partin 表的預測精度為 66%，該模型在預測性能方面具有一定的優勢。Zhang 等[12]將深度神經網絡技術應用于前列腺癌病理診斷，他們抽取了 283 例患者的前列腺病理切片，用于訓練深度神經網絡模型。經過測試，以人類病理學家的診斷作為“金標準”，該系統的診斷準確率高達 99.38%。Kwak 等[13]利用深度神經網絡技術分析不同分辨率的數字病理圖像，用于檢測前列腺癌，該系統診斷的 AUC 高達 0.97。Nguyen 等[14]利用人工智能技術建立前列腺癌病理切片的自動分割和自動 Gleason 評分的方法，結果顯示該模型在自動分割方面的 AUC 為 0.87～0.98；在自動 Gleason 評分方面的 AUC 為 0.82。上述研究表明，人工智能與臨床病理的結合對前列腺癌的診斷具有很高的準確率。
隨著影像技術的快速發展和成像數據的增加，前列腺癌的早期診斷和評估方面也取得了長足的進步。目前多參數磁共振成像（multiparametric magnetic resonance imaging，mpMRI）是前列腺癌診斷的最重要的檢查手段之一。基于 mpMRI 的多參數指標，人工智能技術不僅能早期檢出前列腺癌[15-17]，還能對術前的 Gleason 評分進行預測，指導治療計劃[18-19]。Wang 等[15]采用機器學習算法，提取了 541 例前列腺癌患者的 mpMRI 數據，結合前列腺癌影像報告和數據系統評分，發現機器學習結合 mpMRI 信息與評分數據，對有臨床指針的前列腺癌診斷的 AUC、靈敏度、特異度、陽性預測值和陰性預測值分別為 0.891、79.3%、75.7%、79.0% 和 76.0%，優于傳統方法。Wang 等[20]利用人工智能技術構建了臨床風險預測模型，對 1 478 例疑似前列腺癌患者的 mpMRI 數據進行了 5 年的隨訪研究。該研究顯示機器學習結合 mpMRI 與前列腺特異性抗原值對患癌診斷的 AUC、陽性預測值和陰性預測值分別為 0.938、77.4% 和 91.5%，優于傳統方法。Fehr 等[19]利用機器學習算法融合了 mpMRI 的表觀擴散系數值和 T2 值，經研究發現隨著樣本量的增加，機器學習算法能更準確地完成前列腺癌的術前 Gleason 評分。上述研究顯示，人工智能與 mpMRI 的結合，比傳統方法在前列腺癌的診斷上有更明顯的優勢，可提高診斷準確率。
經直腸超聲引導下的前列腺穿刺活檢術，雖屬于有創性檢查且有高達 30% 的漏診率，但仍是診斷前列腺癌的金標準[21]。Loch 等[22]研發了人工神經網絡算法結合超聲電子計算機斷層掃描（computed tomography，CT）的技術，可對傳統經直腸超聲圖像進行分析及標記，以評估穿刺的必要性并指導靶向穿刺。謝立平等[21]選取臨床疑診前列腺癌患者 60 例，在人工智能技術的引導下，前列腺癌靶向穿刺活檢的陽性率為 46.2%，其中初次穿刺陽性率為 51.5%，重復穿刺陽性率為 36.8%，顯示該技術具有減少穿刺針數、降低穿刺并發癥，提高穿刺陽性率，易于發現低級別的前列腺癌等優點。以上研究提示，人工智能與 CT 的交叉融合提高了前列腺癌的診斷精度，有助于降低漏診率。
2.2 膀胱癌
與前列腺癌診斷相似，人工智能技術在膀胱癌的診斷方面也具有廣泛的應用。Ikeda 等[23]基于 1 671 張膀胱癌病理圖像和 431 張正常膀胱組織圖像，建立了非肌層浸潤性膀胱癌的機器學習算法。經過檢驗，該模型診斷膀胱癌的 AUC、靈敏度和特異度分別為 0.98、89.7% 和 94.0%，該方法有助于避免膀胱癌的漏診和誤診。Garapati 等[24]基于 76 例患者的 CT 尿路造影數據，采用不同的機器學習算法客觀評估膀胱癌的分期，結果顯示該研究采用的 4 種算法（線性判別分析、神經網絡、支持向量機和隨機森林）診斷膀胱癌的 AUC 均大于 0.88。Xu 等[25]采用機器學習算法結合 mpMRI 數據，鑒別 62 例尿路上皮癌患者的膀胱腫瘤和膀胱壁組織。經過檢驗，該模型診斷膀胱癌的 AUC、準確度、靈敏度和特異度分別為 0.94、88.74%、89.67% 和 87.80%，該研究為膀胱癌的術前分期提供了一種新方案。Shao 等[26]首先應用超高效液相色譜-質譜法對 87 例膀胱癌和 65 例疝氣患者的代謝產物進行了分析，然后基于代謝譜和 6 個尿液標志物建立了機器學習算法，經測試該算法的診斷準確率、靈敏度和特異度分別為 76.60%、71.88% 和 86.67%。Kouznetsova 等[27]結合尿液代謝物和機器學習算法來識別膀胱癌的早期和晚期，基于不同疾病階段患者的尿液代謝產物數據，該研究建立的模型對早期膀胱癌的準確率為 72%，識別晚期膀胱癌的準確率為 65.45%。上述研究提示，基于 CT、mpMRI 和尿液代謝產物等信息，人工智能技術為膀胱癌的精準診斷提供了新的解決方案。
2.3 腎細胞癌
腎細胞癌一般位置較深，不易被發現，早期診斷是其成功治療的關鍵。Azuaje 等[28]基于腎細胞癌患者的蛋白組學和病理圖像數據，建立了機器學習算法。結果顯示基于蛋白組學的機器學習模型診斷腎細胞癌的 AUC、準確度、靈敏度和特異度分別為 0.99、98%、97% 和 99%，而基于病理圖像的機器學習模型診斷腎細胞癌的 AUC、準確度、靈敏度和特異度分別為 0.92、95%、100% 和 93%，該模型可成功用于腎細胞癌的早期診斷。Zheng 等[29]基于 104 名受試者的血清核磁共振代謝組學數據建立了自組織神經網絡模型，用于腎癌的診斷和術后評估，研究顯示該模型對于早期腎癌的診斷準確率達 94.74%。Haifler 等[30]利用短波拉曼光譜和機器學習算法鑒別術中腎腫瘤的良惡性，結果顯示該模型的 AUC、準確度、靈敏度和特異度分別為 0.94、92.5%、95.8% 和 88.8%。上述研究提示，基于蛋白組學、代謝組學等信息，人工智能技術在腎細胞癌的早期診斷上具有較好的應用前景。
2.4 基于肝腎功的泌尿系腫瘤篩查
肝腎功能是泌尿疾病患者的常規檢查項目。王正等[31]利用支持向量機和神經網絡算法，對 3 136 例正常人和泌尿系腫瘤患者（包括：前列腺癌、膀胱癌和腎癌）的肝、腎功等數據進行分析。研究發現，該系統篩查泌尿系腫瘤的準確率達到 92.05%，顯示該方法有望成為泌尿系統腫瘤輔助篩查手段。
3 人工智能用于泌尿系結石的診斷
患者的癥狀、體征、實驗室檢查以及 CT 影像結果是臨床上診斷泌尿系結石的常規依據。CT 平掃可以獲得結石表面積、密度、與皮膚的距離等參數，對泌尿系結石的診斷非常有意義。Parakh 等[32]研究了基于 535 例疑似尿石癥患者的腹盆靜脈非增強 CT 圖像，采用深度卷積神經網絡技術用于診斷尿路結石，結果顯示該模型的 AUC 達 0.954。de Perrot 等[33]基于低劑量 CT 和機器學習算法用于鑒別腎結石與靜脈血栓，該研究納入了 369 例患者的影像組學特征，研究顯示該評測模型的 AUC、準確度、陽性預測值和陰性預測值分別為 0.902、85.1%、81.5% 和 90.0%。Kazemi 等[34]基于 936 名腎結石患者的 42 個特征信息結合人工智能算法，判斷患者的腎結石種類，研究顯示該評測模型的準確度高達 97.1%。上述研究提示，基于 CT 等影像組學信息，人工智能技術有助于泌尿系結石的精準診斷。
4 人工智能用于泌尿系感染的診斷
傳統上，診斷泌尿系統的感染一般做泌尿系統的超聲、尿常規、尿沉渣等檢查，較為不便。2018 年 7 月，以色列數字健康公司研發的尿檢工具包（Dip.io）通過 FDA 認證[4, 35]。基于智能手機攝像頭以及包含人工智能算法的手機軟件，用戶在家中就能分析尿液中的蛋白質、葡萄糖及血液等監測指標，從而判斷患者各種尿路感染、慢性疾病或妊娠相關并發癥的患病情況。Burke 等[35]對 179 名產前女性在家中使用 Dip.io 進行尿檢的可行性與可接受性進行了分析，96% 的受試者按方案要求完成了尿檢，結果顯示該方法可行且接受度較高。
5 人工智能用于泌尿功能異常的診斷
利尿性腎圖由于創傷小、操作簡便、準確率高等優點，是可疑腎積水的首選檢查方法[36]。Blum 等[37]基于 55 例患者的利尿腎動態顯像數據，建立了腎盂輸尿管連接部梗阻評測的機器學習算法，結果顯示，該診斷模型的準確度、靈敏度和特異度分別為 93%、91% 和 96%。Cerrolaza 等[38]采用定量超聲技術結合機器學習算法評測 50 例小兒腎積水患者的腎梗阻程度，結果顯示該評測模型的 AUC 大于 0.94，靈敏度為 100%，特異度大于 70%。
下尿路癥狀的診斷目前主要依靠患者病情描述、排尿日志、尿流動力學檢測等方法，具有主觀性、記錄不精準、依從性差、或有創檢查及價格貴等缺點。袁久洪等[39]基于便攜終端采集的患者每日排尿量、次數、夜尿量、夜尿次數等監測數據，建立了機器學習算法。該方法可客觀反映患者下尿路癥狀的程度與等級，進而為尿頻、前列腺增生、焦慮等疾病提供預警及治療效果評估。
6 人工智能用于勃起功能障礙的診斷
勃起功能障礙是男科門診中最常見的疾病，具有發病率高和就診率低等特點，監測陰莖夜間勃起是鑒別及評估其程度的客觀指標[40]。袁久洪等[41-42]基于陰莖軸向硬度等參數的可穿戴監測技術結合機器學習算法，建立了勃起功能的評測系統。該系統能在不影響患者睡眠的情況下，監測患者夜間勃起的軸向硬度、勃起次數、勃起時間等參數，進而對勃起功能進行客觀評測。人工智能技術可在保護患者的隱私的情況下，完成勃起功能障礙的評測，具有依從性高和就醫成本低等優點。
多模態磁共振成像技術可無損地檢測患者大腦的器官結構、功能和微觀物質含量，臨床上應用廣泛。2018 年，Li 等[43]基于多模態磁共振成像數據，用機器學習分類法將腦結構異常作為靜脈性勃起功能障礙的潛在生物標志物。該研究納入了 50 例靜脈性勃起功能障礙患者和 50 例健康志愿者來驗證該模型的有效性，結果顯示該模型的準確度、靈敏度和特異度分別為 96.7%、93.3% 和 99.0%，該研究為靜脈性勃起功能障礙的診斷提供了新的方案。
7 不足與挑戰
7.1 基礎研究較薄弱
目前，雖然我國在人工智能診療的應用領域取得了很多進展，但在基礎理論、核心算法、穿戴設備、高端芯片等基礎領域與國外仍存在較大差距。據日本文部科學省的調查顯示，2015 年美國發表人工智能領域的研究論文 326 篇，而中國僅有 138 篇[44]。2018 年，我國在人工智能領域發表論文的數量上雖已超過美國，但在專利數量和“論文引文影響力”等科研質量方面還落后很多。因此，我國人工智能診療的發展需進一步重視基礎研究，才能攻克關鍵技術。
7.2 評價體系待完善
人工智能推廣應用的必要前提是對其有效性、可信性以及性能的定量評價[44]。人工智能產品的種類、性能各不相同，如何客觀公正地評測，亟需一套標準化的評估體系。2016 年，FDA 發布了首份評估人工智能系統的指南[45]。近年，中國科學院和中國人工智能產業發展聯盟等也正逐步建立與完善人工智能診療產品的應用評估體系。
7.3 數據安全
隨著人工智能的廣泛應用，海量數據的安全也面臨巨大挑戰。目前，對于這些數據的使用監管，我國的法規較美國、英國等發達國家還有一些差距。人工智能診療行業的健康成長，需要進一步加強對數據運用的監督管理。
8 小結與展望
總之，人工智能不僅能分析影像學、組織病理學、代謝組學和蛋白組學等海量數據，還能整合患者的其他診療信息，有助于提升疾病的診斷效率和準確度。目前，雖然人工智能技術還處于不斷完善和發展的階段，但是已廣泛應用于前列腺癌、膀胱癌、腎癌、尿路結石、尿頻、勃起功能障礙等泌尿疾病的輔助診斷。隨著技術的不斷進步和發展，人工智能有著無限的發展空間，將對泌尿疾病的診療流程和工作模式產生巨大的變革。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
