下载掌阅APP，畅读海量书库
立即打开
目前临床上， 68 Ga标记的PSMA-PET/CT更多地被应用于前列腺癌根治性治疗或内分泌治疗之后，出现生化复发后的影像学精准诊断，辅助病灶的检测并指导治疗决策。此外，在明确诊断前列腺癌的患者人群中，PSAM-PET/CT相比于骨扫描等传统影像学手段，在治疗前能更为精准地识别疾病的临床分期、淋巴结及远处骨转移与否等。
考虑到PET/CT检查高额费用的问题，PSMA-PET/CT在前列腺穿刺前病灶的识别及评估中应用较少。在一项回顾性研究中发现，在MRI阴性患者中，有56%的患者在后续PSMA-PET/CT中呈阳性，其中有44%的患者穿刺阳性，并有36%为csPCa。
计算机辅助影像组学是现阶段前列腺癌影像学研究的热点。MRI技术的飞跃带来的是更多影像数据的产生，在海量数据的背后如何应用这些数据更好地为临床患者的诊疗带来获益？智能算法的提升把本来是一连串数字字符的数据，通过代码转变成了有用的临床工具。针对前列腺MRI进行图像分割并对可疑位点进行标记，做到靶点的自动化识别，提高靶向穿刺的阳性率。与此同时，如何通过更好的预判作用，提升csPCa的检出，避免不必要的穿刺也是需要关注和应用的场景。Dice相似系数（Dice Similarity Coefficient，DSC）是计算机算法分割与医师手动分割拟合程度的比值，用于体现计算机算法对于图像识别的能力。Tian等的多项研究利用卷积神经网络的算法实现了计算机算法对于前列腺图像高分割的性能，与人为的标注勾勒图像相比，DSC值均高于0.85。通过外部数据验证后，算法的分割性能依然保持较高水平。此外，由于前列腺病灶存在异质性，且病灶的分布没有规律可言，临床工作中对于影像学诊断的要求及标准参差不齐。例如，在PI-RADS v2.1的影像学诊断标准中，仅要求报道出主要病灶，忽略了其他病灶的存在和重要性。因此，如何通过机器学习的方式针对腺体内多灶结节的进行报道及评估是目前亟需解决的问题之一。一种专为生物医学图像设计的深度学习（deep learning，DL）网络U-Net被提出，并用于对前列腺不同分区分带以及可疑信号病灶进行评估，结果发现计算机辅助的腺体分割性能的DSC高达0.9以上，对于病灶识别的性能接近0.8。
除此之外，人工智能还能应用在穿刺决策模型中，通过收集所有穿刺患者的临床信息进行数据建模并验证，最终通过模型预测前列腺癌及csPCa的诊断效能分别是0.869和0.945。另外，机器人辅助前列腺穿刺也是较为热门的话题。研究也在开展并证实了这项技术在临床上的应用价值和前景。
近年来，机器人自动穿刺系统表现出低错误率及高重复性的态势，成为前列腺穿刺领域又一较为热门的讨论话题。
新加坡出产的前列腺穿刺机器人产品被称为Mona Lisa（Biobot Surgical，Singapore），可以使用机器人自动定位系统穿刺以及靶向穿刺的位点，并实施相应的穿刺。在之前的试验中发现，该机器人系统可做到较高精准度的自动定位、穿刺布局制订以及模拟穿刺步骤的实施。最近发布了Mona Lisa最新的研究结果，显示无论是系统布局的穿刺还是靶向位点的穿刺，在csPCa的诊断率上两者无显著差异。甚至当研究将既往穿刺病史以及PI-RADS进行分层时，结果仍保持一致。同时，研究发现系统穿刺联合靶向穿刺在穿刺阳性率上更具有优势。由于操作的时长，机器人穿刺过程的麻醉大多数情况下是需要全身麻醉，另有报道在局部麻醉技术改良后，当使用Mona Lisa时可以实施局麻下的自动穿刺。
另一个还未进入到临床使用的机器人穿刺平台是Apollo。该系统不同于Mona Lisa的是它不具备自动定位及模拟穿刺的功能，其价值在于指导临床医师进行辅助穿刺。作为一个半自动的机器人穿刺平台，可指导临床医师进行MRI可疑位点的机器手操作，但最终进针的深度及穿刺针的激发需要临床医师自行定夺。Apollo平台更为重要的特点在于对年轻的拟开展前列腺穿刺技术的临床医师，具有重要的培训功能，可指导开展更为高效安全的前列腺穿刺技术。
我们可以看到随着MRI技术、MRI-TRUS融合技术、兴趣位点的自动识别以及自动导航系统及技术的发展，机器人辅助前列腺穿刺已悄然走入临床并取得了较好的应用前景。但是，仍然存在较大的争论。主要的争议点在于机器人辅助位点识别系统的可靠性，以及自动导航系统的安全性。在临床领域要实现“无人驾驶”的场景需要有更多的数据支持和临床试验的验证，更为重要的是需要有人为的监督。相信，随着计算机技术以及穿刺理念的提升，实现临床常规化的前列腺自动化病理取材不再是遥远的梦。