基于超声图像及尿液细胞学构建膀胱癌多模态人工智能诊断模型.pdfVIP

岭南现代临床外科2024年6月第24卷第3期LingnanModernClinicsinSurgery，June.2024，Vol.24No.3175

基于超声图像及尿液细胞学构建膀胱癌多

模态人工智能诊断模型

123*2

吴少聪，沈润楠，王良玉，吴少旭

［摘要］目的本研究旨在探究是否可以基于超声图像及尿液细胞学构建多模态人工智能诊

断模型，提升诊断敏感性，并辅助减少膀胱镜的使用。方法本研究是一项单中心回顾性研究，

纳入了从2018年1月至2023年9月份同时行膀胱超声检查及尿液细胞学检查的2056名患者进

行模型训练及验证。金标准基于患者的组织病理结果进行确定，阴性患者需要进行6个月的随

访以确定未患癌。基于ResNet（残差神经网络）模型以及超声影像构建了膀胱癌人工智能（AI）

诊断模型，使用在ImageNet数据集上预训练的权重作为模型权重的初始化，并采用随机梯度下

降和交叉熵损失进行网络权重调整和算法优化，当超声AI模型输出诊断评分后，将其与尿液细

胞学诊断结果及临床危险因素基于Logistic回归构建多模态诊断模型并为每个个体输出最终诊

断概率。最终在验证集以及亚组（包括不同分期、分级、临床场景）中验证模型的有效性。最终

的多模态模型将命名为BCaUSNet（膀胱癌超声残差神经网络模型）。结果BCaUSNet模型在验证

集中的诊断敏感性为0.896（95%CI：0.839~0.938），曲线下面积为0.917（95%CI：0.891~0.942）。在

复发监测场景中，模型的敏感性可达到0.821（95%CI：0.631~0.939），阴性预测值可达到0.896

（95%CI：0.773~0.965），这可以在有较高把握的程度上辅助减少60%的膀胱镜使用。在尿液细胞

学难以诊断的低度恶性潜能肿瘤及低级别肿瘤中，BCaUSNet模型敏感性分别提高至71.4%及

93.3%。在超声较易漏诊的非肌层浸润性肿瘤以及小肿瘤（1.5cm）中，BCaUSNet模型敏感性分

别提高至89.5%及87.5%。结论基于超声图像及尿液细胞学构建膀胱癌多模态人工智能诊断

模型具有较高的诊断敏感性，有助于降低膀胱癌的漏诊、减少膀胱镜的使用，具有较好的临床效

用以及创新意义。

［关键词］膀胱癌；超声影像；尿液细胞学；人工智能；多模态诊断模型

doi：10.3969/j.issn.1009⁃976X.2024.03.005中图分类号：R737.14文献标识码：A

Developmentofamultimodalartificialintelligencediagnosticmodelforbladdercancerbasedon

ultrasoundimagingandurinecytology

1232

WUShao⁃cong，SHENRun⁃nan，WANGLiang⁃yu，WUShao⁃xu

1.ShantouUniversityMedicalCollege，Shantou，Guangdong515000，China；2.DepartmentofUrology，

SunYat-SenMemorialHospital，SunYat-SenUniversity，Guangzhou5100289，China；3.Departmentof

Ultrasound，ShantouCentralHospital，Shantou，Guangdong515000，China

Correspondingauthor：WANGLiang⁃yu，290499799@

［Abstract］ObjectiveTheaimofthisstudywastoinvestigatewhetheramultimodalartificialintelli⁃