人工智能在前列腺癌超声诊断中的应用

doi:10.3969/j.issn.1004-583X.2025.06.012

摘要/Abstract

摘要：

近年来,随着网络算法的不断迭代,人工智能已经逐渐成为许多超声科医生不可或缺的诊断利器。我国前列腺癌的发病率正呈现逐年上升的态势,在人工智能辅助前列腺癌超声诊断领域,有众多学者对其进行了探索。研究内容涵盖从多参数超声、机器学习到深度学习等多个方向,包括图像预处理、智能分割以及癌症的分类与分级等关键技术。此外,人工智能还在超声引导下的前列腺癌穿刺中发挥重要作用,在不降低甚至提高穿刺准确率的同时,显著减少穿刺次数,降低患者的痛苦。本文就人工智能在前列腺癌超声影像诊断技术在国内外的发展现状进行综述。

关键词: 前列腺肿瘤, 超声诊断, 人工智能, 深度学习, 智能影像工程

中图分类号:

R737.25

潘凌峰, 林芳芳, 杨川. 人工智能在前列腺癌超声诊断中的应用[J]. 临床荟萃, 2025, 40(6): 547-552.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://lchc.magtechjournal.com/CN/10.3969/j.issn.1004-583X.2025.06.012

https://lchc.magtechjournal.com/CN/Y2025/V40/I6/547

图/表 2

参考文献 47

[1]	Akkus Z, Cai J, Boonrod A, et al. A survey of deep-learning applications in ultrasound: Artificial intelligence-powered ultrasound for improving clinical workflow[J]. J Am Coll Radiol, 2019, 16(9 Pt B):1318-1328. doi: S1546-1440(19)30711-2 pmid: 31492410
[2]	陈宇星. 大数据与人工智能融合在影像中心的信息应用策略[J]. 高科技与产业化, 2024, 30(7):8-10.
[3]	Xia C, Dong X, Li H, et al. Cancer statistics in China and United States, 2022:Profiles, trends, and determinants[J]. Chin Med J(Engl), 2022, 135(5):584-590.
[4]	Han B, Zheng R, Zeng H, et al. Cancer incidence and mortality in China, 2022[J]. J Natl Cancer Cent, 2024, 4(1):47-53.
[5]	Wildeboer RR, van Sloun RJG, Wijkstra H, et al. Artificial intelligence in multiparametric prostate cancer imaging with focus on deep-learning methods[J]. Comput Methods Programs Biomed, 2020, 189:105316.
[6]	王跃, 周文生. 前列腺癌诊断方法及研究进展[J]. 中华全科医学, 2010, 8(3):366-367.
[7]	范麟龙, 宋子健, 邓龙昕, 等. 人工智能在前列腺癌病理诊断及分子分型中的研究进展[J]. 海军军医大学学报, 2024, 45(9):1141-1146.
[8]	汤建儿, 郑祥义, 王潇, 等. 人工智能多参数MRI在前列腺癌早期诊断中的应用[J]. 中华男科学杂志, 2020, 26(9):783-787.
[9]	王宇昊, 王增军. 卷积神经网络在前列腺癌诊断中应用的研究进展[J]. 中华泌尿外科杂志, 2022, 43(8):637-640.
[10]	李锋, 刘克, 林锦仕, 等. 3.0T磁共振多参数成像诊断前列腺癌的价值[J]. 医学影像学杂志, 2019, 29(10):1777-1780.
[11]	American College of Radiology. Prostate imaging and report and data system(PI-RADS)[EB/OL]. http://www.acr.org/QualitySafety/Resources/PIRADS, 2019.
[12]	Baur ADJ, Schwabe J, Rogasch J, et al. A direct comparison of contrast-enhanced ultrasound and dynamic contrast-enhanced magnetic resonance imaging for prostate cancer detection and prediction of aggressiveness[J]. Eur Radiol, 2018, 28(5):1949-1960. doi: 10.1007/s00330-017-5192-2 pmid: 29238867
[13]	邓明, 王良, 胡道予, 等. 前列腺影像报告和数据系统指南(PI-RADS)解读及典型病例分析[J]. 放射学实践, 2013, 28(10):998-1001.
[14]	何暐, 刘芳, 王福建. 超声剪切波弹性成像联合PI-RADS评分在前列腺病变良恶性诊断中的应用研究[J]. 中国性科学, 2024, 33(5):43-47.
[15]	李渝, 罗季平, 但思宇, 等. 经直肠常规超声联合超声造影在前列腺良恶性病灶鉴别诊断中的应用[J]. 中国超声医学杂志, 2023, 39(3):287-291.
[16]	Zhang M, Tang J, Luo Y, et al. Diagnostic performance of multiparametric transrectal ultrasound in localized prostate cancer:A comparative study with magnetic resonance imaging[J]. J Ultrasound Med, 2019, 38(7):1823-1830.
[17]	刘玉姗, 徐冉, 曾施, 等. 多种超声模式在前列腺癌诊断中的应用价值比较[J]. 中国临床医学影像杂志, 2023, 34(4):250-254.
[18]	张小马, 梁朝朝. 良性前列腺增生的形态组织学及影像学研究进展[J]. 中华男科学杂志, 2006, (3):254-257.
[19]	Loch T, Leuschner I, Genberg C, et al. Artificial neural network analysis (ANNA) of prostatic transrectal ultrasound[J]. Prostate, 1999, 39(3):198-204. pmid: 10334109
[20]	Loch T, Leuschner I, Genberg C, et al. Weiterentwicklung des transrektalen ultraschalls. Artifizielle neuronale Netzwerkanalyse (ANNA) in der erkennung und stadieneinteilung des prostatakarzinoms [Improvement of transrectal ultrasound. Artificial neural network analysis (ANNA) in detection and staging of prostatic carcinoma][J]. Urologe A, 2000, 39(4):341-347.
[21]	Loch T. Computergestützter transrektaler Ultraschall (C-TRUS) in der diagnostik des prostatakarzinoms [Computerized supported transrectal ultrasound (C-TRUS) in the diagnosis of prostate cancer][J]. Urologe A, 2004, 43(11):1377-1384.
[22]	Lawrentschuk N, Lockwood G, Davies P, et al. Predicting prostate biopsy outcome: Artificial neural networks and polychotomous regression are equivalent models[J]. Int Urol Nephrol, 2011, 43(1):23-30. doi: 10.1007/s11255-010-9750-7 pmid: 20464485
[23]	Wildeboer RR, Mannaerts CK, van Sloun RJG, et al. Automated multiparametric localization of prostate cancer based on B-mode, shear-wave elastography, and contrast-enhanced ultrasound radiomics[J]. Eur Radiol, 2020, 30(2):806-815. doi: 10.1007/s00330-019-06436-w pmid: 31602512
[24]	Wang X, Xie Y, Zheng X, et al. A prospective multi-center randomized comparative trial evaluating outcomes of transrectal ultrasound (TRUS)-guided 12-core systematic biopsy, mpMRI-targeted 12-core biopsy, and artificial intelligence ultrasound of prostate (AIUSP) 6-core targeted biopsy for prostate cancer diagnosis[J]. World J Urol, 2023, 41(3):653-662.
[25]	Zhang M, Liu Y, Yao J, et al. Value of machine learning-based transrectal multimodal ultrasound combined with PSA-related indicators in the diagnosis of clinically significant prostate cancer[J]. Front Endocrinol (Lausanne), 2023, 14:1137322.
[26]	Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis[J]. Med Image Anal, 2017, 42:60-88. doi: S1361-8415(17)30113-5 pmid: 28778026
[27]	Cheng PM, Malhi HS. Transfer learning with convolutional neural networks for classification of abdominal ultrasound images[J]. J Digit Imaging, 2017, 30(2):234-243. doi: 10.1007/s10278-016-9929-2 pmid: 27896451
[28]	Rawat S, Rana KPS, Kumar V. A novel complex-valued convolutional neural network for medical image denoising[J]. Biomed Signal Process Control, 2021, 69:102859.
[29]	Singh NT, Kaur C, Chaudhary A, et al. Preprocessing of medical images using deep learning: A comprehensive review[C]. 2023 Second International Conference on Augmented Intelligence and Sustainable Systems (ICAISS), Trichy, India, 2023:521-527.
[30]	Liu S, Wang Y, Yang X, et al. Deep learning in medical ultrasound analysis:A review[J]. Engineering, 2019, 5(2):261-275.
[31]	Yang X, Yu L, Wu L, et al. Fine-grained recurrent neural networks for automatic prostate segmentation in ultrasound images[C]. Proceedings of the AAAI conference on artificial intelligence, 2017, 31(1).
[32]	Li Z, Du W, Shi Y, et al. A bi-directional segmentation method for prostate ultrasound images under semantic constraints[J]. Sci Rep, 2024, 14(1):11701. doi: 10.1038/s41598-024-61238-5 pmid: 38778034
[33]	Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature, 2017, 542(7639):115-118.
[34]	Azizi S, Bayat S, Yan P, et al. Detection and grading of prostate cancer using temporal enhanced ultrasound: Combining deep neural networks and tissue mimicking simulations[J]. Int J Comput Assist Radiol Surg, 2017, 12(8):1293-1305. doi: 10.1007/s11548-017-1627-0 pmid: 28634789
[35]	Azizi S, Bayat S, Yan P, et al. Deep recurrent neural networks for prostate cancer detection: Analysis of temporal enhanced ultrasound[J]. IEEE Trans Med Imaging, 2018, 37(12):2695-2703.
[36]	Azizi S, Van Woudenberg N, Sojoudi S, et al. Toward a real-time system for temporal enhanced ultrasound-guided prostate biopsy[J]. Int J Comput Assist Radiol Surg, 2018, 13(8):1201-1209. doi: 10.1007/s11548-018-1749-z pmid: 29589258
[37]	Zhang Q, Xiong J, Cai Y, et al. Multimodal feature learning and fusion on B-mode ultrasonography and sonoelastography using point-wise gated deep networks for prostate cancer diagnosis[J]. Biomed Tech (Berl), 2020, 65(1):87-98. doi: 10.1515/bmt-2018-0136 pmid: 31743102
[38]	Hassan MR, Islam MF, Uddin MZ, et al. Prostate cancer classification from ultrasound and MRI images using deep learning based explainable artificial intelligence[J]. Future Generation Computer Systems, 2022, 127:462-472.
[39]	Lu X, Zhang S, Liu Z, et al. Ultrasonographic pathological grading of prostate cancer using automatic region-based Gleason grading network[J]. Comput Med Imaging Graph, 2022, 102:102125.
[40]	Huang TL, Lu NH, Huang YH, et al. Transfer learning with CNNs for efficient prostate cancer and BPH detection in transrectal ultrasound images[J]. Sci Rep, 2023, 13(1):21849.
[41]	Epstein JI. An update of the gleason grading system[J]. J Urol, 2010, 183(2):433-440. doi: 10.1016/j.juro.2009.10.046 pmid: 20006878
[42]	Huang S, Yang J, Fong S, et al. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges[J]. Cancer letters, 2020, 471:61-71. doi: S0304-3835(19)30613-5 pmid: 31830558
[43]	谢立平, 郑祥义, 王潇, 等. 人工智能超声CT检查在前列腺癌早期诊断中的价值[J]. 中华泌尿外科杂志, 2015, 36(11):822-825.
[44]	李鸣, 那彦群. 不同水平前列腺特异抗原的前列腺癌诊断率[J]. 中华医学杂志, 2008, 88(1):16-18.
[45]	张凌烟, 杨川, 卓育敏, 等. 基于深度学习提高经直肠超声诊断前列腺癌效能的研究[J]. 中华超声影像学杂志, 2022, 31(1):43-49.
[46]	梁银莹, 张凌烟, 刘志勇, 等. 基于卷积神经网络经直肠超声模型预测前列腺癌Gleason分级[J]. 中国介入影像与治疗学, 2023, 20(9):550-554.
[47]	Rieke N, Hancox J, Li W, et al. The future of digital health with federated learning[J]. NPJ Digit Med, 2020, 3:119. doi: 10.1038/s41746-020-00323-1 pmid: 33015372

作者	发布时间	样本量	影像学方法	网络方法	检测性能	临床应用
Loch等^[19-21]	1999	患者数61 病理数289 影像数500	TRUS	ANN	假阳性率1% 假阴性率21%	良恶鉴别
	2000					良恶鉴别、Gleason分级
	2004	阴性患者数132	TRUS-Bx	ANN	新检出率50%	良恶鉴别、引导活检
Lawrentschuk等^[22]	2011	患者数3025	TRUS-Bx	PR、ANN	PR准确率55% ANN准确率57%	引导活检
Wildeboer等^[23]	2020	患者数50	B型超声、SWE和 DCE-US	RF	所有PCa:AUC:0.75 显著性PCa:AUC:0.90	良恶鉴别、病灶定位
Wang等^[24]	2023	TRUS-SB组:133 mpMRI组:134 AIUSP组:133	TRUS-SB、mpMRI、 AIUSP	ANN	AIUSP检出率49.6% TRUS-SB检出率34.6% mpMRI检出率35.8%	引导活检
Zhang等^[25]	2023	患者数639	TRUS	ANN、LR、SVM、DT、 RF和KNN	AUC(ANN):0.855 AUC(SVM):0.845	良恶鉴别、病灶定位

作者	发布时间	样本量	影像学方法	网络方法	检测性能	临床应用
Loch等^[19-21]	1999	患者数61 病理数289 影像数500	TRUS	ANN	假阳性率1% 假阴性率21%	良恶鉴别
	2000					良恶鉴别、Gleason分级
	2004	阴性患者数132	TRUS-Bx	ANN	新检出率50%	良恶鉴别、引导活检
Lawrentschuk等^[22]	2011	患者数3025	TRUS-Bx	PR、ANN	PR准确率55% ANN准确率57%	引导活检
Wildeboer等^[23]	2020	患者数50	B型超声、SWE和 DCE-US	RF	所有PCa:AUC:0.75 显著性PCa:AUC:0.90	良恶鉴别、病灶定位
Wang等^[24]	2023	TRUS-SB组:133 mpMRI组:134 AIUSP组:133	TRUS-SB、mpMRI、 AIUSP	ANN	AIUSP检出率49.6% TRUS-SB检出率34.6% mpMRI检出率35.8%	引导活检
Zhang等^[25]	2023	患者数639	TRUS	ANN、LR、SVM、DT、 RF和KNN	AUC(ANN):0.855 AUC(SVM):0.845	良恶鉴别、病灶定位

作者	发布时间	样本量	影像学方法	网络方法	检测性能	临床应用
Azizi等^[34-36]	2017	患者数:132 病理数:197	TeUS、RF和 mp-MRI	DBN	AUC(TeUS):0.69 AUC(TeUS+mp-MRI):0.82	良恶鉴别、 Gleason分级
	2018	患者数:157 病理数:255	TeUS	深度RNN	AUC:0.96	良恶鉴别
	2018	患者数:157 病理数:255	TeUS和mp-MRI	RNN、ResNet	AUC:0.94	图像分割、良恶鉴别
		患者数:6 病理数:21			AUC:0.85
Zhang等^[37]	2020	患者数:103 影像数:313	B型超声和SWE	PGBM-RBM	AUC:0.851	良恶鉴别
Hassan等^[38]	2022	患者数:1151 影像数:61,1119	US和MRI	CNN、SVM、KNN、RF等	US准确率达99% MRI准确率从80%提高到88%	良恶鉴别
Lu等^[39]	2022	影像数:525	TRUS	基于CNN的:RLOD网络、GNet网络	Dice系数:0.815 平均精度:0.830	PCa分类、 Gleason分级
Huang等^[40]	2023	1380张PCa和1530张良性前列腺增生的TRUS图像	TRUS	基于CNN的神经网络	准确率:0.9987 敏感度和特异度均0.9980	良恶鉴别

作者	发布时间	样本量	影像学方法	网络方法	检测性能	临床应用
Azizi等^[34-36]	2017	患者数:132 病理数:197	TeUS、RF和 mp-MRI	DBN	AUC(TeUS):0.69 AUC(TeUS+mp-MRI):0.82	良恶鉴别、 Gleason分级
	2018	患者数:157 病理数:255	TeUS	深度RNN	AUC:0.96	良恶鉴别
	2018	患者数:157 病理数:255	TeUS和mp-MRI	RNN、ResNet	AUC:0.94	图像分割、良恶鉴别
		患者数:6 病理数:21			AUC:0.85
Zhang等^[37]	2020	患者数:103 影像数:313	B型超声和SWE	PGBM-RBM	AUC:0.851	良恶鉴别
Hassan等^[38]	2022	患者数:1151 影像数:61,1119	US和MRI	CNN、SVM、KNN、RF等	US准确率达99% MRI准确率从80%提高到88%	良恶鉴别
Lu等^[39]	2022	影像数:525	TRUS	基于CNN的:RLOD网络、GNet网络	Dice系数:0.815 平均精度:0.830	PCa分类、 Gleason分级
Huang等^[40]	2023	1380张PCa和1530张良性前列腺增生的TRUS图像	TRUS	基于CNN的神经网络	准确率:0.9987 敏感度和特异度均0.9980	良恶鉴别

人工智能在前列腺癌超声诊断中的应用

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 47

相关文章 14

编辑推荐

Metrics

本文评价

[1]	赵欣, 柳云. 生成式人工智能赋能医学人文教育的伦理审视[J]. 临床荟萃, 2024, 39(1): 65-69.
[2]	赵浩天, 李丽. 肺超声在心脏急重症疾病合并肺水肿中应用的研究进展[J]. 临床荟萃, 2023, 38(9): 832-837.
[3]	钟叶, 徐俊, 刘陈平, 武刚. 3.0T磁共振双参数成像及多参数成像对前列腺良恶性肿瘤诊断价值的比较[J]. 临床荟萃, 2022, 37(8): 723-727.
[4]	杨昕, 姚姝妍, 杨宏杰. 智能化系统在2型糖尿病患者院外管理中的应用[J]. 临床荟萃, 2021, 36(10): 927-932.
[5]	聂曦明1，王龙2，刘丽萍1，杨中华1. 人工智能技术在神经重症监护中的应用[J]. 临床荟萃, 2018, 33(4): 277-281.
[6]	杨大山，彭佩丹，庞诗语，龙其成，詹雅萍，谭万龙. 结合PI-RADS v2建立预测前列腺穿刺结果的评分系统[J]. 临床荟萃, 2017, 32(10): 885-890.
[7]	付晓燕. 阑尾黏液囊肿6例超声表现分析[J]. 临床荟萃, 2012, 27(24): 2183-0.
[8]	索晓华. 小儿肠系膜淋巴结炎的超声诊断及临床价值探讨[J]. 临床荟萃, 2012, 27(21): 1896-1897.
[9]	王志津;崔莲;王红;张振华;唐志全;王伟. 125I粒子植入术治疗前列腺癌引起放射性直肠炎1例[J]. 临床荟萃, 2012, 27(12): 1104-0.
[10]	李琴;王婧;李卉惠;苏强;马颖杰;赵志海;曹邦伟. 前列腺特异性抗原、病理分级与前列腺癌骨转移的关系探讨[J]. 临床荟萃, 2011, 26(3): 228-230.
[11]	杨森;杨俊香;闫怀春;张卫平. 参附注射液对冠心病左心功能的影响[J]. 临床荟萃, 2005, 20(3): 163-164.
[12]	甄景琴;张文云;郭瑞军;殷春霞;李莉. 超声诊断自发性肾周血肿1例[J]. 临床荟萃, 2005, 20(2): 63-63.
[13]	邢恒国;田俊芝;王文刚;李路明. 超声诊断纵隔畸胎瘤2例[J]. 临床荟萃, 2005, 20(10): 571-571.
[14]	杨丽莉;杨天宏;崔周敏;刘昌明;李君智;卢海涛;卫战文. 血脂康治疗脂肪肝的临床观察[J]. 临床荟萃, 2003, 18(6): 341-342.