膀胱癌是全球最常见的泌尿科恶性肿瘤之一，估计有614,000例新病例和220,000例死亡人数在2022年报告（Sung等，2021）。尽管手术，静脉疗法，化学疗法和免疫疗法的进展，临床结局仍然不受欢迎，尤其是在肌肉侵入性和转移性疾病中。检测的延迟，当前诊断工具的敏感性有限以及预测复发和治疗反应的挑战继续使患者护理复杂化。
人工智能（AI）正在迅速转化肿瘤学，而膀胱癌中的AI已成为增强检测，诊断，预测和治疗的有前途的工具。通过利用大规模数据集，包括膀胱镜检查图像，放射学，病理学，基因组学和电子健康记录AI为临床医生提供了数据驱动的见解，以提高护理的准确性，效率和个性化。
本文探讨了如何将AI应用于四个关键领域中：检测，诊断，预测和治疗。
阅读AI肿瘤学在oncodaily上
膀胱癌检测中的AI
膀胱癌的早期检测对于改善生存和减少复发至关重要。金标准诊断方法仍然是膀胱镜检查，并补充了尿细胞学。但是，膀胱镜检查是侵入性的，依赖性依赖性和昂贵的，而细胞学学则遭受低灵敏度，尤其是对于低级肿瘤。
AI增强的膀胱镜检查在解决这些局限性方面表现出了希望。应用于膀胱镜视频序列的深度学习模型可以自动检测可疑病变，实时突出显示它们，并协助泌尿科医生识别诸如现场癌症等平坦病变（Shkolyar等，2019）。这不仅提高了灵敏度，还可以降低观察者间的变异性。
同样，应用于基于尿液的诊断的AI正在推进非侵入性检测。机器学习算法分析分子生物标志物（DNA甲基化，外泌体RNA或蛋白质特征）可以将恶性与比细胞学更高敏感性的良性样品区分开。例如，基于支持向量机（SVM）模型在预测尿生物标志物的膀胱癌方面表现出强烈的性能（Ward等，2016）。
AI驱动的放射线学还通过从CT泌尿照仪或MRI中提取定量特征来改善早期检测，从而使膀胱肿瘤从良性条件中分化并表征肿瘤的侵袭性。
膀胱癌诊断中的AI
准确的诊断和分期对于治疗计划至关重要。常规的组织病理学虽然有效，但仍会遭受可变性，评估分子特征需要额外的资源。
病理学中的人工智能是变革性的。在数字组织学载玻片上训练的深度学习算法可以鉴定膀胱癌细胞，等级肿瘤并量化肿瘤浸润淋巴细胞（Cheng等，2020）。这些模型可以在繁忙的临床环境中标准化病理报告和支持病理学家。
此外，AI越来越多地用于分子分析。放射基因组学将成像特征与潜在的遗传改变联系起来，从而可以无创地预测可起作的突变。例如，已经开发出用于预测膀胱癌中FGFR3突变状态的放射线模型，这是靶向治疗选择的关键标记。
传统上受到有限敏感性困扰的尿细胞学也受益于AI整合。与单独的观察者相比，计算机辅助细胞学平台在检测尿路上皮癌方面的准确性更高，特别是对于高级疾病。
阅读癌症药物发现的AI在oncodaily上
膀胱癌预测中的AI
膀胱癌的特征是高复发率，非肌肉侵入性膀胱癌（NMIBC）患者在五年内面临70％的复发可能性高达70％（Babjuk等，2019）。预测哪些患者患有更高的复发风险，进展或耐药性对于调整监视和治疗至关重要。
在大型临床数据集上训练的机器学习模型比传统风险计算器（例如EORTC或Cueto）更准确地预测复发和进展。这些模型结合了各种变量，包括人口统计学，肿瘤特征，治疗史和分子生物标志物。
例如，已经开发了基于ML的预后工具来预测BCG（Bacillus Calmette-guéRIN）治疗反应。通过整合临床特征和基因组轮廓，AI模型可以识别出不太可能从BCG中受益的患者，从而允许早期过渡到替代治疗（Liu等，2021）。
AI还预测晚期疾病的生存结果。应用于CT或MRI扫描的深度学习可以提取与无进展和整体生存相关的肿瘤特征，从而在转移性膀胱癌患者的风险分层。
膀胱癌治疗中的AI
膀胱癌的治疗范围从手术和静脉治疗到全身化疗，免疫疗法和抗体 - 药物结合物。AI在优化治疗决策，改善结果和降低毒性方面起着不断扩大的作用。
手术管理
AI通过分析术前成像来评估肿瘤深度，位置和切除性来支持手术计划。在机器人辅助自由基膀胱切除术中，正在开发AI引导的系统以提供术中导航，改善精度并减少并发症。
静脉治疗优化
对于NMIBC，BCG仍然是护理标准，但反应有所不同。AI算法可以分析特定于患者的特征，以个性化插入疗法的时间表，减少复发，同时过度治疗。
全身治疗和免疫疗法
检查点抑制剂和靶向疗法已重塑转移性膀胱癌局势。AI模型通过整合PD-L1表达，肿瘤突变负担和放射性特征来预测对免疫检查点抑制剂的反应。研究表明，基于放射线学的生物标志物可以仅在预测免疫疗法的情况下单独胜过PD-L1（Sun等，2018）。
在精确肿瘤学中，AI驱动的分子分析工具可以识别出可定位的变化，例如FGFR3突变，ERBB2扩增或DNA修复缺陷。这些见解指导选择目标疗法或临床试验中的入学率。
放射疗法个性化
AI通过自动化肿瘤轮廓，优化剂量分布并预测毒性来协助放射疗法计划。经过历史放射疗法数据训练的机器学习模型可以个性化治疗，同时最大程度地减少对周围组织的不良影响。
膀胱癌的药物发现
AI平台通过设计靶向膀胱癌特异性途径的分子来加速药物发现。Insilico Medicine和其他生物技术公司正在将深度学习应用于从头的药物设计，这可能会缩短开发新疗法的时间表。
挑战和局限性
尽管有希望，但膀胱癌的AI仍面临重大挑战。
- 数据限制：大多数模型经过小型单个机构数据集的培训，从而限制了普遍性。
- 解释性：许多AI模型都是黑匣子，在临床医生和监管机构中引起了人们的关注。
- 整合到临床工作流程中：采用需要基础设施，培训和监管批准。
- 偏见与公平性：培训数据集中某些人群的代表性不足可能会使膀胱癌护理中的差异存在。
通过多中心试验和可解释的AI方法的良好验证对于更广泛的采用至关重要。
阅读可以治愈癌症吗在oncodaily上
AI在膀胱癌的未来
AI在膀胱癌中的未来在于多模式整合将成像，病理学，基因组学和临床数据结合到统一的预测模型中。数字双胞胎（患者的虚拟表示）可以在应用之前模拟治疗策略。
学术机构，行业和监管机构之间的合作将加速临床翻译。联合学习方法可以在不共享原始患者数据的情况下进行跨机构的AI培训，可以克服隐私障碍并扩大数据集多样性。
最终，AI不会取代临床医生，而是会增加其决策，从而实现早期检测，更准确的诊断，个性化的预测和优化的治疗方法。
结论
人工智能有望在整个护理范围内改变膀胱癌管理。从通过AI增强的膀胱镜检查和细胞学改善检测到增强数字病理和放射基因组学的诊断，预测复发和生存以及指导治疗个性化，AI具有提高膀胱癌护理的结果和效率的潜力。
随着验证研究的进展和整合挑战，膀胱癌的AI将成为精确肿瘤学的基石，为患者提供更及时，准确和有效的干预措施。
你可以看更多OnCodaily YouTube电视
由医学博士Armen Gevorgyan撰写