王東，周川，王超，張?jiān)品?，郭盛，周逢?

0 前言

膀胱癌（bladder cancer, BCa）是泌尿系統(tǒng)最常見的惡性腫瘤，在全世界惡性腫瘤的發(fā)病率中排名第12 位，死亡率排名第14 位，主要發(fā)生在移行上皮[1]。BCa 容易發(fā)生在65 歲以上的患者，復(fù)發(fā)率在50%～80%之間[2]。BCa的臨床決策和隨訪管理主要取決于是否有肌肉浸潤(rùn)、腫瘤的準(zhǔn)確分期以及病理分型[3-4]。目前BCa檢測(cè)的金標(biāo)準(zhǔn)是膀胱鏡活檢，但成本昂貴和侵入性特征制約了膀胱鏡檢查的廣泛應(yīng)用，而且膀胱鏡對(duì)低級(jí)別腫瘤的檢測(cè)精度仍然相當(dāng)有限，敏感度只有61%[5-6]。醫(yī)學(xué)影像具有快速成像、便捷、無創(chuàng)的特點(diǎn)，是臨床上評(píng)價(jià)BCa 的有效檢查手段之一，但影像科醫(yī)師通過肉眼及主觀經(jīng)驗(yàn)對(duì)腫瘤的評(píng)估難以挖掘其內(nèi)部與病理、免疫及生物學(xué)行為等相關(guān)的深層次信息，對(duì)BCa的評(píng)估價(jià)值依然有限。

近年來，一些研究者提出了影像組學(xué)在BCa 精準(zhǔn)醫(yī)學(xué)發(fā)展中的潛在用途。影像組學(xué)源于計(jì)算機(jī)輔助檢測(cè)或診斷（computer-aided detection or diagnosis,CAD）系統(tǒng)，是將影像定量分析與機(jī)器學(xué)習(xí)方法結(jié)合起來，被認(rèn)為是CAD 的自然延伸[7]。機(jī)器學(xué)習(xí)是其常用的方法，而深度學(xué)習(xí)的出現(xiàn)推動(dòng)了精準(zhǔn)醫(yī)學(xué)方法在膀胱腫瘤診療中的實(shí)際應(yīng)用。深度學(xué)習(xí)和影像組學(xué)在BCa的早期篩查、診斷和治療方面取得了顯著進(jìn)展。然而，仍面臨一些挑戰(zhàn)，包括數(shù)據(jù)獲取和標(biāo)注的困難、模型的泛化能力和解釋性不足等。本文對(duì)基于機(jī)器學(xué)習(xí)建立的影像組學(xué)及深度學(xué)習(xí)在BCa精準(zhǔn)診療研究進(jìn)展進(jìn)行綜述，旨在為進(jìn)一步研究提供參考。

1 傳統(tǒng)機(jī)器學(xué)習(xí)方法建立的影像組學(xué)在BCa 中的應(yīng)用

影像組學(xué)是定量圖像分析中的一個(gè)新興領(lǐng)域，旨在將圖像的大規(guī)模數(shù)據(jù)挖掘與臨床和生物學(xué)端點(diǎn)聯(lián)系起來[8]。影像組學(xué)是一種高通量的定量特征提取方法，邏輯回歸、支持向量機(jī)等傳統(tǒng)機(jī)器學(xué)習(xí)方法是影像組學(xué)研究中最常用的工具[9]。影像組學(xué)可以挖掘多模態(tài)醫(yī)學(xué)圖像中包含的信息，包括CT、MRI 和超聲（Ultrasound, US），然后對(duì)這些海量圖像進(jìn)行綜合分析以提取表型特征（也稱為影像組學(xué)生物標(biāo)志物），并探索患者預(yù)后與這些提取的特征之間的關(guān)系，從而幫助臨床醫(yī)師改進(jìn)臨床決策[10]。

1.1 預(yù)測(cè)BCa病理分級(jí)

BCa 的診斷和臨床分期通常通過膀胱鏡活檢或組織學(xué)評(píng)估來進(jìn)行[11]。近年來，影像組學(xué)技術(shù)在BCa準(zhǔn)確分級(jí)和分期方面顯示出潛力。ZHANG 等[12]建立了基于CT 的影像組學(xué)模型預(yù)測(cè)BCa 的病理分級(jí)，研究者將145 名接受CT 尿路造影且術(shù)后病理證實(shí)為BCa 的患者隨機(jī)分為訓(xùn)練組和驗(yàn)證組，發(fā)現(xiàn)在影像組學(xué)預(yù)測(cè)模型診斷BCa 病理分級(jí)的AUC 值在訓(xùn)練組和驗(yàn) 證 組 分 別 為0.950（95%CI：0.912～0.988）和0.860（95%CI：0.742～0.979）。表明基于CT 的影像組學(xué)模型可以區(qū)分高級(jí)別和低級(jí)別BCa，具有良好的診斷性能。MRI 具有良好的組織分辨率和空間分辨率，從彌散加權(quán)成像（diffusion weighted imaging,DWI）提取的影像組學(xué)特征在BCa 病理分級(jí)的術(shù)前預(yù)測(cè)方面表現(xiàn)出了一定的臨床價(jià)值。ZHANG 等[13]提出了一種基于影像組學(xué)使用紋理特征進(jìn)行腫瘤分級(jí)的方法，他們對(duì)61 名BCa 患者（高級(jí)別組29 名，低級(jí)別組32名）進(jìn)行了回顧性研究，發(fā)現(xiàn)使用最優(yōu)特征子集的SVM 分類器在BCa 分級(jí)中取得了最佳性能。表明使用DWI 和 表觀擴(kuò) 散系數(shù)（apparent diffusion coefficient, ADC）圖紋理特征的影像組學(xué)結(jié)合支持向量機(jī)分類器，可能有助于BCa術(shù)前分級(jí)。FENG等[14]評(píng)估了基于高b值DWI的影像組學(xué)特征對(duì)BCa分級(jí)的可行性，并比較了高b 值DWI 相對(duì)于標(biāo)準(zhǔn)b 值DWI 的可能優(yōu)勢(shì)。結(jié)果表明，與從傳統(tǒng)ADC（b=1000 s/mm2）圖中提取的特征相比，從高b 值A(chǔ)DC（b=1700 s/mm2）圖中提取的影像組學(xué)特征可以提高BCa 診斷的準(zhǔn)確性。經(jīng)腹US 是診斷BCa 的醫(yī)學(xué)影像技術(shù)之一，US 可以無創(chuàng)地識(shí)別BCa 的位置、大小和形狀[15]。GAO 等[16]基于US 圖像獲取影像組學(xué)特征，并建立了兩種預(yù)測(cè)模型進(jìn)行BCa分期和病理分級(jí)的評(píng)估，結(jié)果顯示腫瘤分期預(yù)測(cè)模型的AUC在訓(xùn)練隊(duì)列中為0.94，在驗(yàn)證隊(duì)列中為0.84，病理分級(jí)模型獲得的AUC在訓(xùn)練隊(duì)列中為0.84，在驗(yàn)證隊(duì)列中為0.75，兩種模型都顯示出良好的預(yù)測(cè)能力。這表明基于US圖像的影像組學(xué)模型的開發(fā)有望為腫瘤分期和病理分級(jí)提供一種無創(chuàng)、經(jīng)濟(jì)、可靠和有效的術(shù)前預(yù)測(cè)工具。

1.2 預(yù)測(cè)BCa淋巴結(jié)轉(zhuǎn)移

淋巴結(jié)（lymph nodes, LN）轉(zhuǎn)移是BCa 患者的不良預(yù)后因素。因此，準(zhǔn)確預(yù)測(cè)BCa 患者的LN 轉(zhuǎn)移可以改善醫(yī)療決策[17]。在臨床實(shí)踐中，MRI和CT常常被用于評(píng)估BCa 患者的術(shù)前LN 分期，但CT 或MRI 檢測(cè)惡性LN 的敏感度相對(duì)較低（31%～45%），導(dǎo)致部分患者的分期結(jié)果不夠準(zhǔn)確[3]。WU等[18]基于MRI的影像組學(xué)特征進(jìn)行BCa LN 轉(zhuǎn)移的術(shù)前預(yù)測(cè)，結(jié)果顯示影像組學(xué)特征在cN0 亞組中顯示出良好的區(qū)分度，AUC 為0.8406（95%CI：0.7279～0.9533），提示從MRI 圖像中提取的影像組學(xué)特征具有術(shù)前預(yù)測(cè)BCa LN轉(zhuǎn)移的可行性。為了評(píng)估定量影像組學(xué)特征在檢測(cè)BCa LN轉(zhuǎn)移方面的性能，GRESSER等[19]篩選了1354名接受根治性膀胱切除術(shù)并進(jìn)行LN 切除的BCa 患者，利用術(shù)前CT 圖像的影像組學(xué)特征開發(fā)了一種用于BCa 患者pN 狀態(tài)分類的機(jī)器學(xué)習(xí)模型，將放射科醫(yī)生的評(píng)估與基于影像組學(xué)的分析進(jìn)行了比較，并使用手動(dòng)和自動(dòng)分割來檢測(cè)BCa 中的LN 轉(zhuǎn)移，結(jié)果顯示手動(dòng)分割的影像組學(xué)特征和放射科醫(yī)生評(píng)估組合模型的AUC 達(dá)到了0.81（95%CI：0.71～0.92；P=0.63）。表明利用影像組學(xué)特征診斷和辨別結(jié)節(jié)狀態(tài)有較高的準(zhǔn)確性，目前基于人工LN 分割的模型表現(xiàn)優(yōu)于自動(dòng)分割方法。

然而，STARMANS 等[20]基于CT 的影像組學(xué)對(duì)病理性LN 狀態(tài)進(jìn)行了術(shù)前預(yù)測(cè)，為了探究利用影像組學(xué)來區(qū)分cT2-T4aN0-N1M0 肌層浸潤(rùn)性BCa（muscle invasive BCa, MIBC）患者的pN+（檢測(cè)到一個(gè)或多個(gè)LN 轉(zhuǎn)移）和pN0（未檢測(cè)到LN 轉(zhuǎn)移）的準(zhǔn)確性，他們共納入209 名患者（159 名pN0；50 名pN+），但發(fā)現(xiàn)創(chuàng)建的7 個(gè)影像組學(xué)模型中的影像組學(xué)特征在pN0 和pN+患者中差異均沒有統(tǒng)計(jì)學(xué)意義，表明MIBC 患者的LN影像組學(xué)特征與pN狀態(tài)之間沒有關(guān)聯(lián)。但因較大的CT切片厚度可能會(huì)漏掉較小的LN而導(dǎo)致影像組學(xué)模型表現(xiàn)不佳，因此還需要更深入的研究進(jìn)行驗(yàn)證。

1.3 預(yù)測(cè)BCa浸潤(rùn)分類和相關(guān)蛋白表達(dá)

明確區(qū)分MIBC 及非MIBC（non-MIBC, NMIBC）對(duì)于BCa患者的治療前決策、治療后預(yù)后及后期臨床管理至關(guān)重要。CT 和MRI 有助于術(shù)前腫瘤分類，MRI 能夠提供明確的軟組織對(duì)比度，相比CT 更能區(qū)分MIBC和NMIBC[21]。MRI 的T2WI 能夠顯示腫瘤深度（NMIBC與MIBC）和累及的膀胱外組織范圍[22]，然而其診斷準(zhǔn)確度（64.7%～83.0%）并不令人滿意[23]。一項(xiàng)系統(tǒng)評(píng)價(jià)研究了影像組學(xué)在預(yù)測(cè)MIBC 方面的診斷效能，結(jié)果顯示影像組學(xué)預(yù)測(cè)MIBC的敏感度和特異度分別為82%（95%CI：77%～86%）和81%（95%CI：76%～85%），HSROC的AUC為0.88，表明影像組學(xué)在預(yù)測(cè)MIBC方面有較高的診斷性能[24]。ZHENG 等[25]及ZHANG 等[26]基于MRI 和CT 開發(fā)的影像組學(xué)模型也證明了這一觀點(diǎn)。LIU等[27]探索了三參數(shù)MRI能否為影像組學(xué)預(yù)測(cè)提供更多的診斷價(jià)值，研究者嘗試將動(dòng)態(tài)對(duì)比增強(qiáng)（dynamic contrast-enhanced, DCE）三維特征整合到影像組學(xué)模型中，他們利用從T2WI+DWI（模型一）、T2WI+DCE（模型二）和T2WI+DWI+DCE（模型三）的序列組合中提取的影像組學(xué)特征構(gòu)建了三個(gè)預(yù)測(cè)模型，結(jié)果顯示三種模型在交叉驗(yàn)證中的AUC 值分別為0.888、0.869 和0.901，三參數(shù)模型的性能明顯優(yōu)于兩個(gè)雙參數(shù)模型，表明基于三參數(shù)MRI的影像組學(xué)模型可以為肌肉侵襲的識(shí)別提供額外的診斷價(jià)值。

膀胱腫瘤的侵襲性和預(yù)后往往與特定細(xì)胞表達(dá)的蛋白分子有密切關(guān)聯(lián)，其中包括Ki-67 和CD8A 等蛋白。這些蛋白通常被用于評(píng)估腫瘤的增殖活性以及免疫細(xì)胞的浸潤(rùn)情況，從而提供關(guān)于膀胱腫瘤侵襲性程度和預(yù)后的重要信息。最近有研究指出，影像組學(xué)在BCa 術(shù)前上述蛋白的預(yù)測(cè)中均有較高的價(jià)值。有研究者構(gòu)建了基于MRI 的影像組學(xué)特征用于預(yù)測(cè)BCa 術(shù)前的Ki-67 表達(dá)狀態(tài)，結(jié)果顯示構(gòu)建的影像組學(xué)特征在預(yù)測(cè)Ki-67 表達(dá)方面具有良好的性能[28-29]。ZHENG 等[30]使用影像基因組學(xué)來預(yù)測(cè)BCa 中CD8A 表達(dá)，該研究表明影像組學(xué)特征可能有助于在術(shù)前預(yù)測(cè)BCa患者中CD8A的表達(dá)，CD8A是包括BCa在內(nèi)的多種癌癥中有用的預(yù)后因素，CD8A 表達(dá)低的患者容易出現(xiàn)較差的生存結(jié)果，因此通過構(gòu)建基于MRI的影像組學(xué)特征研究CD8A 與腫瘤微環(huán)境之間的關(guān)聯(lián)，有助于預(yù)測(cè)預(yù)后和免疫治療敏感性。上述研究[28-30]提示影像組學(xué)特征可以提供額外的術(shù)前信息，有助于臨床實(shí)踐中的治療決策，但仍需收集大量術(shù)前BCa 患者M(jìn)RI 影像組學(xué)特征，以進(jìn)一步評(píng)估模型在預(yù)測(cè)相關(guān)蛋白表達(dá)方面的性能。

1.4 BCa預(yù)后及療效評(píng)估

早期對(duì)治療效果和反應(yīng)評(píng)估可以幫助臨床醫(yī)生決定是否在最佳階段停止化療。高復(fù)發(fā)率是BCa 最關(guān)鍵的特征，MIBC患者術(shù)后復(fù)發(fā)率達(dá)50%，NMIBC患者術(shù)后前兩年復(fù)發(fā)率可達(dá)61%[31-32]。因此，術(shù)前預(yù)測(cè)BCa復(fù)發(fā)的可能性有助于早期干預(yù)、制訂科學(xué)的治療方案，進(jìn)而延長(zhǎng)患者的生存期及提高生存質(zhì)量。多項(xiàng)基于CT、MRI的研究表明，影像組學(xué)能有效預(yù)測(cè)BCa療效和總生存期[33-35]。腫瘤突變負(fù)荷（tumor mutation burden, TMB）是反映BCa 免疫治療的一種新興預(yù)后生物標(biāo)志物。TANG等[36]研究了CT影像組學(xué)特征在預(yù)測(cè)BCa 患者TMB 狀態(tài)方面的價(jià)值，他們基于影像組學(xué)特征進(jìn)行無監(jiān)督分層聚類分析，采用logistic 回歸和LASSO 回歸等建立TMB 預(yù)測(cè)模型，結(jié)果顯示模型的AUC 達(dá)到0.853，這表明基于盆腔CT 影像組學(xué)特征的預(yù)測(cè)模型具有預(yù)測(cè)TMB 的良好能力。但該研究是樣本量相對(duì)較小的回顧性研究，需要更大樣本量的多中心研究進(jìn)行驗(yàn)證。此外，目前影像組學(xué)對(duì)于BCa患者TMB 的預(yù)測(cè)能力所依據(jù)的生物學(xué)解釋尚未得到充分闡明，因此仍需要進(jìn)一步深入的研究來加以厘清。

影像組學(xué)在評(píng)價(jià)BCa 患者的療效方面發(fā)揮了重要作用。CHOI 等[37]的研究證實(shí)結(jié)合臨床和成像預(yù)測(cè)因子對(duì)腫瘤異質(zhì)性進(jìn)行影像組學(xué)量化，可能有助于預(yù)測(cè)MIBC 患者對(duì)新輔助化療的治療反應(yīng)，為臨床制訂治療方案及預(yù)后監(jiān)測(cè)提供幫助。PARK 等[38]基于CT圖像特征建立影像組學(xué)模型，以預(yù)測(cè)接受PD-1/PD-L1 免疫療法治療轉(zhuǎn)移性尿路上皮癌患者的療效和生存結(jié)果，發(fā)現(xiàn)基于影像組學(xué)的模型在預(yù)測(cè)免疫治療結(jié)果方面表現(xiàn)良好，并且在獨(dú)立驗(yàn)證集中顯示出與生存結(jié)果的顯著相關(guān)性。綜上所述，BCa 影像組學(xué)在BCa 療效評(píng)價(jià)中扮演著重要角色。它可以預(yù)測(cè)治療反應(yīng)、監(jiān)測(cè)療效、個(gè)體化治療規(guī)劃，并在長(zhǎng)期隨訪中發(fā)揮作用。然而，為了更好地應(yīng)用于臨床實(shí)踐，還需要進(jìn)一步研究和驗(yàn)證，以提高其準(zhǔn)確性和可靠性。

2 深度學(xué)習(xí)在BCa中的應(yīng)用

深度學(xué)習(xí)是人工智能的一個(gè)分支學(xué)科，它使用一種稱為人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)技術(shù)從大型數(shù)據(jù)集中提取模式并進(jìn)行預(yù)測(cè)。深度學(xué)習(xí)是一種表示學(xué)習(xí)方法，其中復(fù)雜的多層神經(jīng)網(wǎng)絡(luò)架構(gòu)通過將輸入信息轉(zhuǎn)換為多層次抽象來自動(dòng)學(xué)習(xí)數(shù)據(jù)表示[39]。與影像組學(xué)采取支持向量機(jī)、隨機(jī)森林等傳統(tǒng)統(tǒng)計(jì)模型進(jìn)行分類和預(yù)測(cè)不同，深度學(xué)習(xí)可以直接使用卷積網(wǎng)絡(luò)（convolution neural network, CNN）來提取特征進(jìn)行分類和預(yù)測(cè)，CNN 是最常用的深度學(xué)習(xí)網(wǎng)絡(luò)。CNN 是一類包含卷積計(jì)算的前饋網(wǎng)絡(luò)的模型，主要用于提取圖像處理的空間特征，它的主要優(yōu)點(diǎn)之一是能夠自動(dòng)將第一隱藏層中的低級(jí)特征（例如線條）合并為下一隱藏層中的高級(jí)特征（例如形狀）[40]。

2.1 深度學(xué)習(xí)在BCa診斷和分割中的應(yīng)用

早期診斷對(duì)于降低BCa的死亡率至關(guān)重要，有研究者基于深度學(xué)習(xí)在膀胱腫瘤中的診斷效能進(jìn)行了研究。ZHENG 等[41]提出了一種基于深度學(xué)習(xí)的弱監(jiān)督模型用于膀胱腫瘤的診斷，結(jié)果表明診斷模型能準(zhǔn)確地區(qū)分BCa 與正常病理圖像（AUC 接近1），在外部驗(yàn)證集的準(zhǔn)確率為98.7%（AUC=0.993）。此外，多位學(xué)者[42-44]對(duì)深度學(xué)習(xí)提高膀胱鏡診斷膀胱腫瘤的準(zhǔn)確性也進(jìn)行了深入研究，涉及的深度學(xué)習(xí)網(wǎng)絡(luò)主要為CNN；研究者們分別建立了適合各自研究的深度學(xué)習(xí)模型，結(jié)果證實(shí)基于深度學(xué)習(xí)的膀胱鏡檢查可以提高BCa在臨床實(shí)踐中診斷效能，具有較好的研究及應(yīng)用前景。

BCa 患者的治療選擇取決于是否存在肌肉浸潤(rùn)，內(nèi)壁（inner-wall, IW）和外壁（outer-wall, OW）以及腫瘤解剖邊界的精確分割對(duì)于改進(jìn)MIBC的計(jì)算機(jī)輔助診斷至關(guān)重要[45]。因此從MRI 和CT 圖像中分割出膀胱壁對(duì)于腫瘤的早期發(fā)現(xiàn)和輔助診斷具有重要意義。YU等[46]提出了一個(gè)級(jí)聯(lián)路徑增強(qiáng)U-Net網(wǎng)絡(luò)，他們使用T2WI 掃描對(duì)膀胱進(jìn)行多區(qū)域分割以提高IW、OW 和BT 的分割精度，研究發(fā)現(xiàn)該模型可以提高IW、OW和腫瘤的分割精度。MA等[47]開發(fā)基于U-Net的深度學(xué)習(xí)方法（U-deep learning, U-DL），用于CT 尿路造影中的膀胱分割，他們比較了深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)合水平集的方法和U-DL，發(fā)現(xiàn)U-DL 能夠提供更準(zhǔn)確的膀胱分割，并且更加自動(dòng)化。盡管這些模型取得了成功，但對(duì)于多區(qū)域膀胱的分割，特別是在MRI 和CT 應(yīng)用中仍處于初級(jí)階段，自動(dòng)分割膀胱壁仍面臨一定挑戰(zhàn)。

2.2 深度學(xué)習(xí)在術(shù)前預(yù)測(cè)中的應(yīng)用

ZOU 等[48]基于T2WI 圖像的深度學(xué)習(xí)方法提出了一個(gè)多任務(wù)BCa 肌肉侵襲預(yù)測(cè)（multitasking BCa muscle invasion prediction, MBMIP）模型來區(qū)分MIBC和NMIBC，發(fā)現(xiàn)在多中心測(cè)試中，MBMIP模型的準(zhǔn)確度、敏感度和特異度分別為84.6%、66.7%和87.9%。ZHOU 等[49]的研究表明基于MRI 的深度學(xué)習(xí)在BCa 病理分期預(yù)測(cè)中具有較高價(jià)值，他們?cè)谏疃染矸e神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network, DCNN）結(jié)構(gòu)基礎(chǔ)上提出了一種創(chuàng)新性的深度學(xué)習(xí)模型PENet，研究證明PENet 在BCa 分期方面比DCNN 算法表現(xiàn)更好，可提高BCa分期預(yù)測(cè)的準(zhǔn)確性。

2.3 預(yù)后和療效評(píng)估

對(duì)于NMIBC患者，準(zhǔn)確預(yù)測(cè)復(fù)發(fā)對(duì)制訂個(gè)性化的治療方案和隨訪管理非常重要。LUCAS 等[50]研究了基于深度學(xué)習(xí)將數(shù)字組織病理學(xué)切片與臨床數(shù)據(jù)相結(jié)合預(yù)測(cè)NMIBC患者無復(fù)發(fā)生存期的價(jià)值，結(jié)果顯示數(shù)字組織病理學(xué)切片與臨床數(shù)據(jù)聯(lián)合模型預(yù)測(cè)1 年和5年復(fù)發(fā)的AUC分別為0.62和0.76，高于僅使用數(shù)字組織病理學(xué)切片的模型（AUC 分別為0.56 和0.72）和多變量邏輯回歸（AUC 分別為0.58 和0.57），表明與僅使用臨床數(shù)據(jù)或圖像數(shù)據(jù)的模型相比，基于深度學(xué)習(xí)的聯(lián)合模型能夠提高NMIBC患者復(fù)發(fā)（5年內(nèi)）預(yù)測(cè)的準(zhǔn)確性。

與無復(fù)發(fā)生存期相同，療效評(píng)估同樣影響最佳治療方案的選擇。WU等[51]比較了基于遷移學(xué)習(xí)的不同深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)（deep learning-convolutional neural networks, DL-CNN）模型在BCa治療反應(yīng)評(píng)估中的性能，發(fā)現(xiàn)DL-CNN 可以有效地預(yù)測(cè)BCa 對(duì)化療的反應(yīng)。CHA 等[52]開發(fā)了一種基于CT 的計(jì)算機(jī)化決策支持系統(tǒng)（computerised decision support systems T, CDSS-T）用于MIBC 治療反應(yīng)評(píng)估，該系統(tǒng)使用DL-CNN和影像組學(xué)來估計(jì)患者對(duì)新輔助化療完全反應(yīng)的可能性，結(jié)果發(fā)現(xiàn)單獨(dú)使用CDSS-T 評(píng)估病理性T0 疾病的平均AUC 為0.80，不使用CDSS-T 的醫(yī)生的平均AUC 為0.74，使用CDSS-T 的醫(yī)生的平均AUC 為0.77。上述研究結(jié)果[51-52]表明，深度學(xué)習(xí)能提高臨床醫(yī)師預(yù)測(cè)BCa 對(duì)新輔助化療反應(yīng)的診斷準(zhǔn)確性。

3 影像組學(xué)與深度學(xué)習(xí)在BCa中的應(yīng)用價(jià)值比較

影像組學(xué)和深度學(xué)習(xí)在BCa 的臨床應(yīng)用中都具有獨(dú)特的價(jià)值。影像組學(xué)可以提供直觀的圖像信息，幫助醫(yī)生做出決策。而深度學(xué)習(xí)則能夠通過自動(dòng)學(xué)習(xí)和特征提取，實(shí)現(xiàn)更精準(zhǔn)和高效地BCa診斷和預(yù)測(cè)。為了比較影像組學(xué)與深度學(xué)習(xí)在預(yù)測(cè)MIBC狀態(tài)方面中的價(jià)值，LI等[53]基于T2WI比較了影像組學(xué)、單任務(wù)深度學(xué)習(xí)和多任務(wù)深度學(xué)習(xí)方法，發(fā)現(xiàn)三個(gè)模型在訓(xùn)練組（AUC分別為0.920、0.933、0.932）和測(cè)試組（AUC分別0.844、0.884、0.932）中均表現(xiàn)出高性能，多任務(wù)深度學(xué)習(xí)方法在MIBC 的術(shù)前預(yù)測(cè)方面顯示出比影像組學(xué)和單任務(wù)深度學(xué)習(xí)模型更好的預(yù)測(cè)能力，這為開展進(jìn)一步相關(guān)研究提供了新的思路。但該研究屬于小樣本研究，結(jié)果需要在未來的研究中使用多中心大樣本量來驗(yàn)證。此外，研究中僅使用了T2WI圖像，成像信息有限，整合其他序列是否可以提高診斷性能仍需進(jìn)一步研究考證。未來的研究影像組學(xué)和深度學(xué)習(xí)的綜合應(yīng)用，有望進(jìn)一步提升BCa的臨床診斷和治療水平。

4 局限性和展望

基于機(jī)器學(xué)習(xí)建立的影像組學(xué)和深度學(xué)習(xí)方法能夠提高腫瘤分類、病理分型和術(shù)前預(yù)測(cè)等的準(zhǔn)確性，為膀胱腫瘤的精準(zhǔn)診療提供無創(chuàng)可行的新方法。但目前影像組學(xué)和深度學(xué)習(xí)在實(shí)際的臨床應(yīng)用中仍存在以下幾點(diǎn)局限性：（1）目前的研究仍存在技術(shù)性的缺陷，大量依賴醫(yī)學(xué)影像數(shù)據(jù)和數(shù)據(jù)處理能力容易導(dǎo)致模型過擬合。此外，由于缺乏標(biāo)準(zhǔn)化的分析方法，從不同研究中獲得的結(jié)果可能很難進(jìn)行比較和評(píng)估。（2）目前大多數(shù)研究是小樣本、單中心的研究[54]，模型缺乏外部驗(yàn)證，產(chǎn)生的結(jié)果有待進(jìn)一步證實(shí)，未來應(yīng)基于大樣本數(shù)據(jù)進(jìn)行多中心、前瞻性驗(yàn)證，以優(yōu)化研究模型提高實(shí)驗(yàn)結(jié)果的可靠性。（3）目前影像組學(xué)在BCa中的應(yīng)用仍處于宏觀層面，盡管最近有研究提出將基因組學(xué)與影像組學(xué)進(jìn)行整合作為有創(chuàng)性活檢的替代方式，但進(jìn)一步驗(yàn)證其在BCa中的臨床應(yīng)用研究甚少。

5 小結(jié)

綜上所述，影像組學(xué)和深度學(xué)習(xí)研究尚處于初步階段，盡管在臨床診斷、療效評(píng)估和預(yù)后預(yù)測(cè)方面取得研究成果，但仍存在局限和不足。相信隨著大數(shù)據(jù)和精準(zhǔn)診療時(shí)代的到來，影像組學(xué)模型將在為膀胱腫瘤患者提供優(yōu)質(zhì)化醫(yī)療中提供幫助。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：周逢海設(shè)計(jì)本研究的方案，對(duì)稿件重要內(nèi)容進(jìn)行了修改，獲得了甘肅省重點(diǎn)研發(fā)計(jì)劃基金項(xiàng)目資助；王東起草和撰寫稿件，獲取、分析本研究的數(shù)據(jù)；周川、王超、張?jiān)品?、郭盛獲取、分析本研究的數(shù)據(jù)，對(duì)稿件重要的智力內(nèi)容進(jìn)行了修改，其中周川獲得了甘肅省自然科學(xué)基金項(xiàng)目資助，王超獲得了甘肅省人民醫(yī)院院內(nèi)科研基金項(xiàng)目資助；全體作者都同意發(fā)表最后的修改稿，同意對(duì)本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠(chéng)信。