《Current Urology》：From prostate-specific antigen to precision: The future of prostate cancer diagnosis with artificial intelligence, biomarkers, and imaging
编辑推荐：
本篇综述系统阐述了前列腺癌（PCa）诊断从依赖前列腺特异性抗原（PSA）向多模态精准诊疗的转型趋势。文章重点解析了人工智能（AI）在多参数磁共振成像（mpMRI）判读、病理切片自动格里森评分及风险预测模型中的突破性应用，同时整合新型生物标志物（如基因组分类器Oncotype DX）与影像学技术，显著提升诊断特异性并减少过度诊疗。综述强调，未来临床推广需攻克算法透明度、多中心数据标准化及伦理监管等挑战。
背景
前列腺癌（PCa）的诊断长期依赖前列腺特异性抗原（PSA）检测，但其特异性低（约54%），阳性预测值仅20%–30%，易导致过度活检和治疗。PSA在良性前列腺增生（BPH）和前列腺炎中也会升高，且无法有效区分惰性与侵袭性肿瘤。随着人工智能（AI）、新型生物标志物和先进影像技术的发展，PCa诊断正迈向精准化、个性化新时代。
前列腺特异性抗原诊断的局限性
PSA阈值设定存在敏感性与特异性的矛盾：阈值4 ng/mL时敏感性为20.5%，而降至1.1 ng/mL时敏感性升至83.4%，但会导致61.1%的非癌患者接受不必要的活检。此外，主动监测的低危患者中仍有92%–98%接受激进治疗，严重影响生活质量。mpMRI虽能将临床显著PCa的阴性预测值提升至90.8%，但其判读受限于医师经验差异和图像标准化不足。
人工智能与机器学习在前列腺癌诊断中的应用
人工智能在影像学中的应用
AI通过卷积神经网络（CNN）等模型实现前列腺自动分割、病灶检测和格里森分级。例如，U-Net模型在312例mpMRI中灵敏度达96%，与前列腺影像报告和数据系统（PI-RADS）评分相当。放射组学可预测肿瘤风险，如基于双参数MRI的模型区分低危与中高危PCa的曲线下面积（AUC）达0.84。完全自动化系统（如2022年模型）可同步完成病灶检测、分割和分级，AUC高达0.96。
人工智能在病理学中的应用
数字病理结合AI算法（如DeepGleason）可自动分析全切片图像，提升格里森评分一致性（灵敏度87%–100%，特异性68%–99%）。AI还能整合分子标志物（如Decipher、Oncotype DX基因组评分）和微环境特征，辅助区分需积极治疗与适合主动监测的患者。但AI模型易受染色差异、肿瘤异质性及训练数据偏差影响，需跨中心验证以确保泛化能力。
人工智能在风险预测模型中的应用
机器学习模型联合PSA、年龄和游离PSA可将筛查AUC从0.63提升至0.72。多组学数据整合（如癌症基因组图谱）可识别CCNB1、FOXM1等预后生物标志物。大型语言模型（如GPT-4）能提取电子病历中的非结构化数据，优化国家综合癌症网络（NCCN）风险分组，准确率达64%。
人工智能、生物标志物与影像学融合的统一诊断模型
多模态AI模型整合mpMRI、PSA、临床参数和基因组数据，可显著减少不必要活检（降幅43.4%），且AUC（0.822）优于单一检测手段。然而，临床应用面临成本高昂、数字病理标准化缺乏及监管框架待完善等挑战。欧洲人工智能法案（AIA）等政策正推动建立算法透明度与问责机制。
未来展望与临床实施
AI驱动的前列腺癌筛查需覆盖多样人群以避免偏差，并通过真实世界研究验证长期效益。未来诊断路径将融合PSA动态监测、遗传风险、mpMRI和AI病理，实现个体化决策。同时，需明确开发者、医疗机构及监管方在错误诊断中的责任分配，确保技术安全落地。
结论
前列腺癌诊断正从PSA中心模式转向AI增强的多模态精准框架。尽管PSA仍是基础工具，但AI与影像、分子数据的协同有望优化风险分层、减少过度诊疗，并最终提升患者生存质量与临床效率。
