人工智能在泌尿生殖系病理学的临床应用：从全切片成像到基础模型与多模态预后

《Molecular Aspects of Medicine》：Clinical applications of artificial intelligence in genitourinary pathology

　　

人工智能（AI）已成为病理学中备受关注的重要方向，其发展由全切片成像（whole slide imaging, WSI）和数字病理系统的进步所推动。本叙述性综述概述了人工智能在泌尿生殖系（genitourinary, GU）肿瘤病理学中当前及新兴的应用，重点涵盖前列腺癌、膀胱癌与肾癌。作为相关背景，研究人员还阐述了计算病理学模型的发展脉络，从监督学习与卷积神经网络（convolutional neural network, CNN）方法，演进至自监督学习（self-supervised learning, SSL）以及具有更强泛化能力的病理基础模型（pathology foundation model）。前列腺癌是发展最成熟的领域，Paige Prostate、IBEX（Galen）Prostate与ArteraAI Prostate Test等获美国食品药品监督管理局（Food and Drug Administration, FDA）批准的系统的效用体现在肿瘤检测、分级与预后评估中。在膀胱癌中，人工智能尤其在尿液细胞学方面展现潜力，计算方法可降低观察者间变异并提高高级别尿路上皮癌的检出率。在肾细胞癌及其他较罕见泌尿生殖系肿瘤中，人工智能方法在肿瘤亚型分类与分级上表现出较高准确性，但临床转化仍有限。除诊断性能外，本综述还讨论临床实施障碍，包括监管路径、诊断责任、经济考量，以及真实世界环境中部署后性能监测需求。总体而言，通过前瞻性结局研究与多机构验证来引导负责任整合，人工智能有望显著提升泌尿生殖系病理学的诊断准确性。

研究背景方面，随着全切片成像（whole slide imaging, WSI）和数字病理系统普及，人工智能（artificial intelligence, AI）在医学中的应用迅速扩展。但在泌尿生殖系（genitourinary, GU）病理学中，早期研究多停留在精选数据集上的概念验证，前列腺癌之外的前列腺、膀胱、肾、睾丸及阴茎等肿瘤仍较多处于临床前阶段。实际落地缓慢的原因包括：模型泛化性不足、机构间染色与扫描平台差异导致的域偏移（domain shift）、监管与实验室认证要求复杂、诊断责任归属不清、全切片扫描与存储成本高、报销机制不明，以及模型可解释性有限。因此，研究人员有必要系统梳理GU病理学里AI的当前应用、技术演进、临床转化障碍与监管路径，帮助学术与临床读者判断其价值与边界。

本论文题为“Clinical applications of artificial intelligence in genitourinary pathology”，由 Aidan Li 与 Anil Parwani 撰写，发表于《Molecular Aspects of Medicine》。研究人员通过开展叙述性综述，检索 PubMed 与 Embase 至 2026 年 7 月的文献，综合原始研究、临床研究、综述及部分预印本，对GU病理学中的AI应用进行归纳。结论上，前列腺癌AI已从概念验证走向获批与真实世界使用；膀胱癌AI在尿液细胞学最有前景但尚未有美国FDA批准工具；肾癌及睾丸、阴茎等罕见GU肿瘤仍主要处于临床前或小规模验证阶段；未来方向包括病理基础模型、智能体人工智能（agentic AI）、多模态AI与空间计算病理学。该综述对推动数字病理、规范AI临床集成、明确监管与责任框架具有重要学术和临床意义。

关键技术方法上，研究人员采用叙述性综述设计，文献来自 PubMed 与 Embase 至 2026 年 7 月，主题含AI、机器学习、WSI、神经网络、基础模型及GU各癌种。技术层面依托 WSI 数字化图像，比较监督学习、CNN、SSL 与视觉Transformer（vision transformer, ViT） backbone 的演进；利用 UNI、Virchow、Atlas、PLUTO-4 等病理基础模型进行少样本与迁移学习；整合组织学、临床文本、影像与分子数据构建多模态模型，如 MUSK、PRISM2、TITAN、HONeYBEE；并引入 PathChat、Pathfinder、PathAgent 等 agentic AI 系统。验证证据涵盖纪念斯隆-凯特琳、匹兹堡大学医学中心、巴西 Instituto Mario Penna、耶鲁、日本及法国等多机构队列，但综述本身无单一自有患者队列。

计算结果如下。

1. 2.
   Computational pathology
   研究人员介绍计算病理学演进：从需人工标注的监督CNN，发展到无需全量标注的SSL； backbone 由CNN转向ViT，使模型获得组织整体架构的全局视野。UNI、Virchow 等病理基础模型在瓦片与切片级任务中表现强，Atlas、PLUTO-4 进一步拓展至空间转录组等非传统样本。多模态系统把组织学、临床文本、放射与分子数据融合，HONeYBEE 可生成患者级表征并支持患者相似性检索。Agentic AI 中，PathChat 支持对话式读片，Pathfinder 与 PathAgent 由分诊、导航、描述、诊断等专用智能体在控制器下协作，可从单张切片走向端到端辅助报告生成。
2. 3.
   Prostate cancer
   前列腺癌部分指出，AI最早用于穿刺活检的肿瘤检测与 Gleason 分级。Paige Prostate 获 FDA De Novo，社区医院与非GU病理医生使用中提升敏感性与特异性，并减少随访免疫组化（immunohistochemistry, IHC）需求。IBEX（Galen）Prostate 获 FDA 510(k)，在美、欧、日队列中高一致性，波多黎各 CorePlus 实验室达 AUC 0.994。ArteraAI Prostate Test 结合 H&E 数字图像与临床数据，获 De Novo，可预测10年远处转移与前列腺癌特异死亡风险，并判断低风险患者监测、高风险患者加用 abiraterone，以及雄激素剥夺治疗（androgen deprivation therapy, ADT）获益。AI还可从H&E预测 PTEN、ERG 状态及虚拟 PIN-4 染色，但针吸活检模型用于根治性前列腺切除切片时可能失效，部署后仍需防域偏移。
3. 4.
   Bladder cancer
   膀胱癌中，巴黎系统（The Paris System, TPS）用于尿液细胞学检出高级别尿路上皮癌（high grade urothelial carcinoma, HGUC）。AI可分割细胞、计算核质比（nuclear to cytoplasmic ratio, N/C ratio），某些模型对HGUC的AUC约0.88，且敏感性高于专家。商业系统 AIxURO 按巴黎系统标注不典型细胞并缩短筛查时间50%—80%；AutoParis-X 的不典型评分与复发相关。VisioCyt 在法国获批并提升低级别肿瘤敏感性；Techcyte/Cytobay 仍在验证。组织学上，AI用 H&E 或 Masson 三色区分非肌层浸润（non-muscle invasive bladder cancer, NMIBC）与肌层浸润膀胱癌（muscle invasive bladder cancer, MIBC），准确率约90%—96%。PD-L1 评分可与专家高度一致，但美国尚无尿液细胞学AI获FDA批准，也暂无已完成组织学AI临床试验。
4. 5.
   Other cancers
   其他GU癌中，肾细胞癌（renal cell carcinoma, RCC）研究最多。AI可高准确区分透明细胞、乳头状与嫌色亚型，并按 WHO/ISUP 分级；Hosseini 等模型在多实验室外部队列达95%准确率，并能对不确定病例触发补充IHC。睾丸、阴茎、上尿路上皮癌因数据少而商用工具缺位；研究人员认为 UNI、TITAN 等基础模型可用少量疾病专用数据做迁移学习，但仍需外部与前瞻性验证才可谈临床可行。
5. 6.
   Clinical implementation
   临床实施部分总结已商用工具：ArteraAI、Paige、IBEX 获美国路径，Aiforia、DeepDx、Inify 获 CE-IVD，VisioCyt 获CE，AIxURO 与 Cytobay 尚无上市批准。研究人员强调 FDA 清关不等于实验室常规采纳；美国临床实验室改进修正案（Clinical Laboratory Improvement Amendments, CLIA）下需本地验证，CAP 认证也未给AI单独体系。障碍含诊断责任、扫描与存储成本、报销、可解释性，以及人机回路（human-in-the-loop）中的信任与界面设计。
6. 7.
   Regulatory pathways
   监管路径部分列出 FDA 的 510(k)、上市前批准（premarket approval, PMA）、De Novo、软件即医疗器械（Software as a Medical Device, SaMD）、预定变更控制计划（predetermined change control plans, PCCPs），以及欧盟人工智能法案。AI器械需上市后监测，因为扫描硬件、软件更新与性能漂移会改变准确率；2025年FDA就真实世界AI器械性能监测征求公众意见。
7. 8.
   Conclusion
   结论部分研究人员总结：GU病理学中前列腺癌AI最成熟，Paige Prostate、IBEX Prostate、ArteraAI 已证明可提升病理医生表现与诊断一致性并提供预后信息；膀胱AI在细胞学有前景但缺美国获批工具；肾癌分类分级性能好却仍偏临床前；睾丸与阴茎癌受数据限制，但基础模型提供新机会。未来由任务型算法走向基础模型、agentic AI 与多模态方法，临床落地仍取决于监管、实验室集成、报销、工作流与人机交互的突破。

讨论与结论译文：人工智能是泌尿生殖系病理学中快速发展的领域，其进展与计算病理学的大趋势一致。本综述显示，前列腺癌目前是最成熟方向，AI已从概念验证走向临床验证、监管批准与真实世界实施；Paige Prostate、IBEX Prostate 与 ArteraAI Prostate Test 等系统表明，AI可改善病理医生表现与诊断一致性，并提供可指导治疗的预后信息。相较之下，膀胱癌、肾癌与其他泌尿肿瘤中的AI仍处于更早阶段：膀胱癌细胞学有前景但仍无FDA获批工具；肾癌分类与分级研究表现强但基本处于临床前，商用与试验验证很少；睾丸与阴茎癌研究更有限，但基础模型可为这些代表性不足的疾病提供新机会。下一阶段将由任务特定算法转向更具泛化性的基础模型、agentic AI 与多模态方法。GU病理学中AI的临床实施，仍取决于监管批准、实验室集成、报销、工作流采纳与人机交互等挑战的解决；随数字病理基础设施扩展，GU病理学有望提升诊断准确性并实现更高效、更个性化的患者照护。