人工智能助力前列腺癌诊疗新突破

近年来，全球前列腺癌发病率和死亡率持续攀升，在男性恶性肿瘤中发病率居第2位，死亡率排第8位。据国际癌症研究机构（IARC）模型预测，2025年全球新发前列腺癌病例将达141.4万例，占所有恶性肿瘤的7.3%，年死亡37.5万例，占比3.64%。在中国，2022年新发病例为13.42万例，死亡4.75万例，发病率为18.6/10万，年增长率稳定在7%~10%。受人口老龄化、饮食结构西化以及中国人群特有的FOXA1高频突变（41%，欧美低于15%）等因素影响，我国前列腺癌呈现显著本土化特征，发病增速远超全球平均水平，模型预测2030年将成为中国男性第三大高发肿瘤[1, 2]。

另一方面，前列腺癌具有高度异质性和嗜骨性特点，晚期易发生多发骨转移，导致重度骨痛、病理性骨折、脊髓瘫痪及多器官衰竭，致残率和致死率极高。同时，该病长期的阶梯式治疗费用、患者劳动力丧失和身心损伤，给家庭带来沉重经济和精神负担，也持续加剧国内肿瘤疾病负担，消耗大量医疗资源。因此，依托人工智能等新技术构建精准筛查与个体化诊疗体系，是改善前列腺癌患者预后、降低社会疾病负担的关键。

一、传统前列腺癌诊断手段的局限性

当前临床常用的传统诊断方式存在主观性强、精度不足、分层能力欠缺等问题，亟需人工智能技术实现精准化、标准化诊疗升级。

具体局限性如下：

（1）血清前列腺特异性抗原（PSA）的筛查缺陷

首先，PSA并非前列腺癌特异性标志物，前列腺增生、前列腺炎、前列腺按摩、留置导尿管等良性病变均可导致PSA升高，尤其在PSA灰区4～10 ng/mL人群中鉴别难度极大，容易造成诊断假阳性，使大量患者接受不必要的穿刺活检创伤。其次，单一PSA仅反映前列腺腺体损伤程度，不能评估肿瘤恶性程度或Gleason分级，难以区分无需积极干预的低危惰性前列腺癌与需要重点治疗的侵袭性癌，极易引发过度诊疗。第三，对于部分高级别、低体积肿瘤患者，PSA仅轻度升高甚至处于正常范围，单纯依赖PSA筛查会遗漏有临床意义的前列腺癌，存在假阴性漏诊风险[3]。

（2）经直肠超声（TRUS）的诊断局限

TRUS诊断时，多数前列腺癌呈等回声结节，难以识别微小、外周带隐匿病灶，仅能发现体积较大的晚期肿瘤，早期筛查价值有限。特别是，仅依靠医师肉眼主观判断结节形态和回声，缺乏标准化定量评估，无法精准评估包膜侵犯、精囊受累等分期关键信息。

（3）多参数磁共振（mpMRI）的人工阅片短板

对于mpMRI阅片，PI-RADS评分依赖放射医师经验，基层医师与资深专家判读一致性低，主观性强，观察者差异显著，易出现误判和漏判。其次，单例患者多序列图像多达数十帧，图像解读耗时，批量筛查效率低下，难以满足大规模人群筛查需求。而且，mpMRI仅能提供形态学影像特征，不能直接预判Gleason评分或有无包膜外侵犯，最终确诊仍依赖穿刺活检，难以实现术前无创风险分层。

（4）病理穿刺活检诊断的不足

传统12针系统穿刺多为随机取样，获取局部少量组织，肿瘤呈多灶分布时易出现取样偏差，导致“穿刺低危、术后根治标本高危”的分级升级现象，从而误导治疗方案选择。其次，人工病理判读结果时，医师间κ一致性仅为0.39～0.6，风险分层存在明显偏差。同时，对于有基础病的老年患者，耐受度差，重复穿刺可能诱发血尿、血精、盆腔感染等并发症，风险上升。

（5）全身影像学分期（骨扫描、普通PET/CT）的检查局限

采用骨扫描检查时，骨质增生、关节炎、陈旧骨折均可出现放射性浓聚，无法单纯依靠影像区分良性骨病变与转移灶，检出特异性差，灵敏度不足。常规CT诊断对盆腔微小淋巴结转移、早期软组织复发灶识别能力有限，生化复发早期易出现假阴性，延误挽救性治疗时机。

二、人工智能在前列腺癌诊断中的应用

传统诊断体系的不足与短板，大幅推动了人工智能影像、数字病理、穿刺导航、多模态模型预测等新型技术手段的发展，成为突破传统诊断瓶颈和前列腺癌精准医疗落地的关键[4]。

（1）早期筛查与风险分层

针对传统单一PSA指标诊断效能的局限，AI机器学习模型可整合年龄、PSA、fPSA、前列腺体积、家族史等多维临床数据，精准优化PSA灰区（4–10 ng/ml）人群的筛查效能，有效区分惰性低危与侵袭性高危前列腺癌，大幅减少低危患者有创检查的痛苦。同时，通过融合血液代谢组、尿液外泌体标志物与常规影像、临床数据，构建无创多模态AI筛查体系，显著提升有临床意义前列腺癌（csPCa）的鉴别能力[5]。

（2）智能影像诊断

针对mpMRI前列腺癌术前评估中人工阅片医师间一致性偏低的问题，基于U-Net、CNN的深度学习AI模型可实现前列腺组织自动分割、病灶智能检出与PI-RADS评分标准化，病灶检出灵敏度达89%以上，组织分割Dice系数大于0.90，有效消除人工阅片差异、提升阅片效率，并可精准量化肿瘤浸润和包膜侵犯范围[6]。

针对晚期前列腺癌分期与生化复发监测，AI辅助PSMA PET/CT对骨转移灶的检测灵敏度可达99%，可早期识别隐匿复发灶，为核素治疗、靶向治疗筛选提供客观依据[7]。

通过超声TRUS融合AI诊断，可区分良恶性结节，实现MRI-超声影像精准配准，自动校正影像偏差、规划靶向穿刺区域，显著提升高危病灶穿刺阳性率，减少盲穿次数与并发症[8]。

（3）数字病理智能诊断

对于Gleason评分核心指标，人工阅片一致性仅κ=0.39~0.6，诊断误差较大。基于深度学习的AI模型，通过全切片扫描（WSI）可精准识别肿瘤腺体结构与浸润模式，对争议最大的Gleason 4级腺体识别准确率达89.6%，分级分组一致性κ值可达0.85-0.92，接近病理金标准，实现病理诊断标准化。此外，新一代数字病理AI可智能识别Ki-67、PTEN、ERG等关键预后指标，自动分析肿瘤微环境特征，联合病理形态学数据构建精准风险分层体系，为个体化治疗方案制定提供病理依据[9]。

三、AI在前列腺癌治疗中的应用

（1）AI在前列腺癌手术治疗中的应用

首先，AI可进行术前智能规划与评估，整合术前mpMRI、CT影像数据，重建3D肿瘤、神经血管束、尿道、直肠解剖模型，精准标注手术高危风险区域，解决传统二维影像评估不直观、解剖预判偏差大的问题，为个体化手术方案制定提供支撑。其次，在术中，通过冰冻切片快速AI判读，在手术视野中增强现实（AR）实时融合MRI影像，优化手术策略，实时AR/AI导航预警切缘高危区域，降低切缘阳性率，保护控尿和勃起功能，改善术后生活质量[10]。

（2）AI在前列腺癌放射治疗中的应用

对比传统人工勾画前列腺癌靶区、膀胱、直肠等结构需2–4小时，且不同医师勾画差异显著。通过AI进行放疗靶区与危及器官智能勾画，全自动分割靶区与危及器官：AI全自动分割模型勾画Dice系数大于0.88，可将放疗规划时间缩短70%以上，大幅提升临床效率[11]。

在放疗方案剂量智能优化方面，AI可自动生成IMRT、SBRT等最优放疗计划，在保证肿瘤靶区根治剂量达标的前提下，精准降低直肠、膀胱正常组织受照剂量，减少放疗急性期与远期毒副作用。同时，结合MR-Linac一体化设备，AI可实现动态自适应放疗，每日实时校正前列腺器官位移和肿瘤形态变化，实现动态精准放疗，大幅提升寡转移、局限期前列腺癌放疗精准度。此外，AI模型可预测放疗获益与毒副作用，根据低危或高危患者的远期泌尿刺激症状、直肠损伤等放疗毒性风险，指导临床提前干预保护正常组织，改善患者放疗后生活质量。

四、AI应用于前列腺癌诊疗的挑战与展望

（1）应用挑战

尽管AI在前列腺癌诊疗中展现出显著优势，但其安全融入实际临床应用仍面临诸多挑战。目前多数AI模型多基于欧美数据训练，亚裔人群专属数据集匮乏，存在明显数据偏倚，而且多模态临床、影像、病理、组学数据融合难度大，导致模型泛化能力与本土化适配性不足。

此外，深度学习模型普遍存在“黑箱”问题，特别是对于复杂动态临床场景，难以向医师和患者说明AI的判断依据，无法替代医生的人文诊疗服务和完整的临床诊疗体验。在AI医疗器械的应用方面，存在审批流程严格、周期长、临床转化难度大等问题，而且mpMRI、数字病理扫描仪设备昂贵，基层普及受限[12]。

（2）发展前景

首先，需要根据我国临床实践，构建多肤色、多亚型的本土数据库，重点研发可解释AI（XAI）技术，破解AI黑箱难题，满足临床诊疗合规与溯源需求。其次，由于设备质量参差不齐，需要开发轻量化、低成本边缘AI模型，适配基层常规医疗设备，推动AI精准诊疗技术下沉，实现全国诊疗标准化普及。第三，建立医疗规范，统一影像、病理、基因组输入，实现筛查-诊断-治疗-预后一体化的多模态AI诊疗体系，推动前列腺癌精准医疗规范化、智能化、全流程化发展[13]。

四、总结

近年人工智能技术在前列腺癌诊断、手术、放疗、药物治疗四大领域均取得突破性进展，各类AI模型可有效解决传统诊疗主观化、精准度低、效率不足、个体化欠缺等核心痛点，显著提升前列腺癌早筛准确率、诊疗规范化程度与患者个体化治疗获益。当前AI诊疗仍存在数据偏倚、可解释性不足、临床落地困难等问题，未来需依托多中心本土化数据积累、技术迭代与行业标准完善，推动人工智能深度融入前列腺癌全流程临床诊疗，为改善患者整体预后、推进泌尿肿瘤精准医疗发展提供重要支撑。

参考文献

[1] Edited by Jemal A, Sung H, Kelly K, Soerjomataram I, Bray F, The Cancer Atlas, 4th edition, 2025, IARC and ACS. https://publications.iarc.who.int/Non-Series-Publications/Other-Non-Series-Publications/The-Cancer-Atlas-4th-Edition-2025

[2]刘哲，杨琳，胡雪华，齐金蕾，刘江美，王黎君，周脉耕，殷鹏，2011—2020年中国前列腺癌死亡趋势分析及2021—2030年变化趋势预测[J].中国肿瘤, 34 (03) : 171-177, 2025.

[3] Zhou Lu, Liu Ye, Wang Fuyan, Jia Zhijian, Zhou Jun, et al., Classification analyses for prostate cancer, benign prostate hyperplasia and healthy subjects by SERS-based immunoassay of multiple tumour markers. Talanta, 188: 238-244, 2018. DOI: 10.1016/j.talanta.2018.05.070

[4] Emad Rajih, Abdulaziz Bakhsh, Walaa M. Borhan, Saeed Awad M. Alqahtani, Utilization of artificial intelligence in prostate cancer detection: a comprehensive review of innovations in screening and diagnosis, Frontiers in Immunology, 16: 1670671, 2025.

[5] Lizhi Shao, Chao Liang, Ye Yan, Haibin Zhu, Xiaoming Jiang, Meiling Bao, Pan Zang, Xiazi Huang, Hongyu Zhou, Pei Nie, Liang Wang, Jie Li, Shudong Zhang & Shancheng Ren, An MRI-Pathology Foundation Model for Non-Invasive Diagnosis and Grading of Prostate Cancer, Nature Cancer, 6: 1621–1637, 2025.

[6] D. Bonekamp, et al., Radiomic machine learning for characterization of prostate lesions with MRI: comparison to ADC values, Radiology 289(1): 128–137, 2018.

[7] E. Arvaniti, et al., Automated Gleason grading of prostate cancer tissue microarrays via deep learning, Sci. Rep. 8(1):12054, 2018.

[8] T. Takeuchi, et al., Prediction of prostate cancer by deep learning with multilayer artifcial neural network, Can Urol Assoc J 13(5): E145–E150, 2019.

[9] S. Br¨onimann, B. Pradere, P. Karakiewicz, M. Abufaraj, A. Briganti, S.F. Shariat,An overview of current and emerging diagnostic, staging and prognostic markers for prostate cancer, Expert Review of Molecular Diagnostics, 20(8):841-850, 2020.

[10] N.C. Wong, et al., Use of machine learning to predict early biochemical recurrence after robot-assisted prostatectomy, BJU Int. 123 (1) (2019) 51–57.

[11] H. Abdollahi, et al., Machine learning-based radiomic models to predict intensity-modulated radiation therapy response, Gleason score and stage in prostate cancer, Radiol. Med. 124(6): 555–567, 2019.

[12] M.J. Donovan, et al., Development and validation of a novel automated Gleason grade and molecular profle that defne a highly predictive prostate cancer progression algorithm-based test, Prostate Cancer Prostatic Dis. 21(4): 594–603, 2018.

[13] Wang Xiaoxiao, Zhong Shan, Fang Kun, Du Yangchun, Huang Jianlin, Application and prospect of artificial intelligence in diagnostic imaging of prostate cancer, npj Digital Medicine, 9(1): 168, 2026.