近年来，泌尿系统肿瘤的发病率日益升高，已经成为危害人群健康的重要因素。全球癌症统计指出，前列腺癌（prostate cancer, PCa）发病例数占男性癌症总发病例数的14.1%，死亡例数占男性总死亡病例的6.8%^[1]；膀胱癌（bladder cancer, BCa）及肾癌的发病率也在日益升高。因此，早期发现肿瘤并准确判断肿瘤的预后能够使患者极大获益。然而，因传统的影像学诊断方法存在一定的主观特性，单纯的临床指标缺乏敏感性和特异性，对于肿瘤的评估价值都有一定的局限。因此，寻找和探索更为简便有效的方法对肿瘤进行评估和预测，为肿瘤的临床治疗提供进一步的参考是很有必要的。

影像组学技术作为近年来新兴起的临床手段，可以为肿瘤患者的诊断、治疗方案的选择及预后评估等方面带来福音；它通过高通量地获取、分析影像学数据特征，可以无创、定量地对肿瘤组织进行评价，以达到提高诊断、较准确地判断预后的效果。目前国内外有关影像组学的研究日益增多，但是其与临床的结合尚处在起始阶段，该类研究对于临床数据的利用很少，且尚缺乏应用于临床的质量，未来的研究应该着重于其与临床实践的结合开展。本文主要从影像组学在泌尿系统肿瘤的术前诊断、疗效评价、预后评估及基因表达等方面的研究进展进行综述。

影像组学是近年来新兴起的临床手段，它使用计算机定量成像分析从医学图像中提取大量与图像相关的特征，如强度、几何形状和纹理，并对这些特征进行分析，提高影像医师对于组织病变的诊断准确性。简而言之，影像组学将医学图像转换为无法通过肉眼观察图像而获得的定量数值，该过程使用了高通量的数据提取算法，使后续的数据分析和模型构建成为可能。随着计算机技术不断发展，基于大数据分析的人工智能技术越来越有潜力成为未来临床诊断的发展方向，影像组学与人工智能技术不断融合发展，为未来临床诊断工具的发展带来新的动力。影像组学流程主要包括图像获取和分割、特征提取、数据整合及分析、建立诊断及预测预后的模型。

有证据表明肾上腺肿瘤发病率日益升高，特别是在老年人中^[2]。相比于其他位置的肿瘤，肾上腺肿瘤相对较复杂，其多合并内分泌系统紊乱引起的全身多系统病变，因此术前预测肾上腺肿瘤的病理对预防围手术期活动和死亡率具有重要意义。相较于传统的影像诊断工具，影像组学作为一种全新的工具能够更有效地鉴别肾上腺皮质癌、腺瘤及转移癌，同时其对于区分肿瘤不同亚型的潜在生物标志物也有很大优势，这在一定程度上提高了鉴别效率及准确性，更有利于为患者提供个体化的治疗方案^{[3, 4]}。另外有报道表明基于非增强CT的列线图模型可以有效区分肾上腺贫脂腺瘤，常规非增强CT成像特征的诊断能力可能被低估，值得进一步探索^[5]。亚临床嗜铬细胞瘤（subclinical pheochromocytoma, sPHEO）患者在手术过程中易发生危及生命的高血压危象，从而导致严重的心血管事件，因此术前对其准确诊断至关重要。用于医学成像分析的影像组学有助于预测性地识别成像生物标志物，这些信息可能帮助临床医生个体化地优化sPHEO的术前诊断^[6]。此外，DAYE等^[7]发现消融前的纹理分析和机器学习改善了接受消融治疗的肾上腺转移癌患者的局部肿瘤进展和生存预后。MAGGIO等^[8]通过比较影像组学的特性，发现其可能对皮质醇分泌和非分泌肾上腺偶发瘤进行有效鉴别。影像组学在肾上腺肿瘤中既往研究较少，但是其在肿瘤的定位定性诊断、治疗反应及生存预测等方面表现出很大的应用前景。应用影像组学联合实验室指标开展多中心、大样本量的研究，将进一步提高肾上腺肿瘤的诊断准确性及预测效率。

肾癌的术前诊断主要依靠经皮穿刺活检，然而多年以来，由于针道种植转移等并发症的存在，其在临床上的应用明显受到约束，且肿瘤内部的异质性也限制了穿刺结果的精确性和代表性。传统的影像诊断方法在肾癌诊断、鉴别诊断、预后评估及治疗疗效的评估中很大程度上受限于影像学方法的局限性、肿瘤影像表现差异性及诊断医师的经验，缺乏定量标准。影像组学基于高通量地获取肿瘤影像学特征并进行分析，对于肿瘤评估更加准确^[9]。YAP等^[10]的研究表明相较于传统影像工具，基于形状和纹理的CT影像组学特征能有效区分良性和恶性肾脏肿块，但是受限于CT成像的局限性，该预测模型曲线下面积（area under the curve, AUC）仅为0.67～0.75。XU等^[11]也对影像组学模型和影像医生进行了比较，在测试队列中，基于T2WI、扩散加权成像（diffusion-weighted imaging, DWI）和T2WI+DWI组合序列的影像组学模型的AUC分别为0.824、0.742和0.826，而两名放射科医生的AUC分别为0.724和0.667，说明基于MRI的深度学习模型在临床上可用于鉴别肾肿瘤良恶性，且基于T2WI+DWI的深度学习模型表现最好。影像组学对肾脏少见肿瘤也能有效进行区分，LI等^[12]和ZHU等^[13]的研究表明基于CT/正电子发射计算机断层显像（positron emission tomography, PET）影像组学特征可以提高肾嫌色细胞癌、肾嗜酸细胞瘤和肾淋巴瘤的术前鉴别诊断的准确性。除此之外，影像组学也可以对肿瘤的分化潜力进行评价，例如肉瘤变是可能发生在所有亚型的肾细胞癌中的一种常见的去分化途径，MENG等^[14]采用基于CT的影像组学方法对肉瘤样肾细胞癌（sarcomatoid renal cell carcinoma, SRCC）和透明细胞肾细胞癌（clear cell renal cell carcinoma, ccRCC）的鉴别诊断进行研究，该研究表明基于CT的影像组学方法可以对ccRCC分化为SRCC的潜力进行评估，然而由于其样本量有限，后续仍需进行多中心的研究验证。

影像组学在肾癌的分级及分期中也日益突显作用。CUI等^[15]利用多参数MRI和多期CT影像组学预测ccRCC的国际泌尿科病理学会分级，研究显示其作为一种非侵入性技术在区分肿瘤高级别和低级别上有很大的价值，且基于多参数MRI和多相CT的分类器可能优于基于单序列或单相成像的分类器。DEMIRJIAN等^[16]同样发现来自多相CT图像的放射组学特征产生了区分ccRCC中低TNM阶段和高TNM阶段的能力，AUC为0.80（95% CI：0.74～0.86）。除了诊断、分级及分期，近年来影像组学也被广泛用于预测治疗反应、肿瘤复发和患者生存。RALLIS等^[17]认为借助影像组学可以预测接受酪氨酸激酶抑制剂（如舒尼替尼）和免疫检查点抑制剂（如尼沃鲁米）治疗的肾细胞癌的生存率、治疗反应和疾病进展，但因现有研究设计的局限性，尚需要进一步的标准化和大规模、严格设计的前瞻性研究来验证，以便于在后期实现临床转化。此外，HAN等^[18]研究发现CT影像组学在对Ⅲ期ccRCC患者根治性肾切除术后总生存期方面也有较好的预测性能。

随着基因组测序的发展，分子靶向治疗在癌症中的作用越来越重要。然而，基因检测昂贵、具有侵入性且耗时，无法广泛开展。放射基因组学旨在将成像特征与基因表达模式、基因突变和其他基因组相关特征相关联；由于医学成像的无创性，放射基因组学领域正在迅速发展，将可能作为基因检测的替代工具^[19]，其在肾癌诊断、生物学行为预测、预后的临床应用潜能需要未来进一步研究。

在我国，BCa的发病率位于恶性肿瘤发病谱的第13位，居男性恶性肿瘤的第7位，是威胁健康的主要恶性肿瘤之一，对于其早期发现及准确的术前评估尤为必要。尿路上皮癌和微乳头状癌（micropapillary carcinoma, MPC）在临床上很难用CT扫描进行区分，但基于CT的纹理分析表明与尿路上皮癌相比，MPC具有更异质的纹理。FAN等^[20]的研究结果表明，使用基于影像组学的方法提取的肿瘤异质性可能是区分MPC和尿路上皮癌的良好成像辅助工具，该工具可以帮助临床医生在常规成像中进一步对BCa进行细分，这有可能改变患者的治疗和护理。通过综合既往研究，我们可以看出影像组学在预测肌层浸润性BCa（muscle-invasive bladder cancer, MIBC）方面显示出很高的诊断性能，尽管方法不同，但影像组学模型的诊断准确性相对一致，无论是基于MRI的影像组学还是基于CT的影像组学模型都能够较好地反映低级别和高级别BCa之间的差异，具有相当好的诊断性能，并可以在一定程度上预测组织变异^{[21, 22, 23]}。此外影像组学对于BCa淋巴结转移（lymph node metastases, LNM）的评估也有良好的预测准确性。WU等^[24]对103名符合条件的BCa患者进行基于影像组学预测LNM模型的构建，患者被随机分为训练集（n=69）和验证集（n=34），该模型在训练集中显示出良好的区分能力（AUC=0.9005），这在验证集中得到证实（AUC=0.8447），且其模型在MRI报告的LNM阴性亚组中也显示出良好的辨别力（AUC=0.8406）；其和MRI报告的LNM状态组成的列线图在训练和验证集中显示出更好的校准和区分能力（AUC分别为0.9118和0.8902）。

不管在MIBC还是非肌层浸润性BCa的情况下，均可使用人工智能模型更好地评估BCa预后^[25]。XU等^[26]发现基于多参数MRI影像组学联合临床危险因素的列线图在术前预测BCa的个体化复发方面具有潜力（训练组AUC＝0.915，验证组AUC＝0.838）。有研究也发现基于盆腔增强CT的放射学特征的预测模型具有预测肿瘤突变负荷的良好能力（AUC为0.853）^[27]。除了预后评估，许多学者发现影像组学对BCa的治疗反应也有不俗的预测能力，CHOI等^[28]构建的基于CT的影像组学模型，在预测MIBC对新辅助化疗的病理完全反应中有良好的效果（训练组AUC＝0.85，验证组AUC＝0.75）。同时，PARK等^[29]也发现基于影像组学的模型可以预测接受PD-1/PD-L1免疫疗法治疗转移性尿路上皮癌患者的反应和生存结果，这种方法可以为规划免疫治疗提供重要的决策工具。影像组学还被用于预测接受免疫治疗的转移性尿路上皮癌患者的疾病控制，作为一种潜在的非侵入性生物标志物，可用于预测转移性尿路上皮癌中免疫检查点抑制剂的疾病控制^[30]。越来越多的报道指出，结合增强CT影像组学、转录组学和临床特征的综合列线图改善了膀胱尿路上皮癌患者的无进展间隔预测，为肿瘤精准医学提供了可行和实用的参考价值^[31]。

近年来随着有关BCa研究的不断深入，部分学者发现影像组学在基因表达和蛋白质修饰方面也有很大潜力。ZHENG等^[32]发现基于MRI的放射组学特征可用于术前预测BCa中Ki-67的表达（训练组AUC＝0.859，验证组AUC＝0.819），并与BCa患者的生存结果相关，可能有助于临床决策。YE等^[33]构建了七个标志性放射基因组学模型来揭示m6A甲基化状态，该模型在训练和测试数据集上的AUC分别是0.887和0.762，其作为一种结合了影像组特征和基因组学特征的无创预测方法，在预测患者生存结果和治疗反应方面具有令人满意的效能。随着技术的发展及其方案的进一步标准化改进，影像组学有可能成为BCa临床管理的有效辅助手段。

据美国癌症协会统计数据显示，2022年PCa位居男性癌症发病率的第一位，死亡率的第二位^[34]。准确的诊断和风险分层对于PCa的治疗至关重要。基于MRI的影像组学作为生物标志物通过预测PCa从活检到根治性前列腺切除术的升级来指导治疗^[35]。QI等^[36]基于多参数MRI构建预测模型，可为前列腺特异性抗原水平为4～10 ng/mL的男性提供潜在的术前预测（训练组AUC＝0.956，验证组AUC＝0.933），并可能有助于治疗决策及减少不必要的活检。除此之外，赵莹莹等^[37]和HE等^[38]基于MRI影像组学特征构建模型，在区分良性和恶性前列腺病变以及预测包膜外延伸和阳性手术切缘方面表现出良好的性能，其结合临床因素增强了模型性能，有助于临床诊断和治疗，同时MR影像组学模型在预测包膜外延伸状态方面优于放射科医生的视觉评估^[39]。

Gleason评分（Gleason score, GS）是PCa最关键的预测指标之一。OSMAN等^[40]的研究结果表明，常规CT扫描的影像组学特征可通过非侵入性方式对PCa进行观察，基于训练数据集的评估模型分类器在区分高危患者和低危患者以及对GS 7与GS＞7和GS 7（3+4）与GS 7（4+3）进行分类时准确度较高；然而，分类器不太擅长区分高风险组和中等风险组，有必要进一步深入研究。当然，利用影像组学特征预测PCa病理及评分的研究目前仍然不能够代替传统的诊断手段，需要后续多中心的前瞻性研究论证。影像组学在预测PCa的转移上也有较高的准确性。CYSOUW等^[41]构建的基于影像组学的机器学习模型可预测PCa的淋巴结受累（lymph node involvement, LNI）（AUC为0.86±0.15，P＜0.01）、LNM或远处转移（AUC为0.86±0.14，P＜0.01），且使用标准PET指标达到的最高AUC低于基于放射组学的模型。ZHANG等^[42]结合MRI的多参数放射组学特征和临床风险因素，构建了初诊PCa发生骨转移的个体化预测模型，该模型在训练队列（AUC为0.93，95% CI：0.86～0.99）和验证队列（AUC为0.92，95% CI：0.84～0.99）中显示出良好的区分和校准性能，显著高于单纯临床因素模型或影像组学模型。此外有报道指出影像组学可以准确地区分CT上人眼不能识别的有转移性病灶的骨^[43]；ACAR等^[44]的研究结果也显示使用纹理分析和机器学习可以准确识别由⁶⁸Ga标记的前列腺特异性膜抗原PET确定的CT图像中的转移性病变和完全反应的硬化区域。

PCa作为一种与内分泌系统高度相关的男性肿瘤，对于它的预后监测不可或缺。THARMALINGAM等^[45]的研究结果显示，来自良性和恶性前列腺MRI的能量及影像组学特征随着新辅助雄激素剥夺疗法的治疗效果的变化而变化。这项研究证实了这些特征有可能作为肿瘤雄激素敏感性的替代标志物，因为它们与雄激素阻断治疗诱导的前列腺肿瘤生理效应密切相关，也为患者的预后监测带来新思路。此外TSANG等^[46]的研究产生了一个初步的临床假设，表明前列腺同质性和对比度的MRI影像组学特征可以潜在地识别采用高剂量近距离放射治疗作为局部PCa单药治疗后出现尿道狭窄的患者。同时ABDOLLAHI等^[47]也发现调强放疗前MRI影像组学特征可以预测PCa患者的直肠毒性。近年来，越来越多的研究表明影像组学特征可预测前列腺切除术后的生化复发和生化无复发生存期，有助于指导术后管理^[48]。影像组学和分类方法已经显示出提高基于双参数MRI（biparametric MRI, Bp-MRI）的PCa评估的准确性和客观性的潜力，然而，这些研究仅限于少数分类方法，仅使用AUC分数进行评估，以及对影像组学和分类方法的所有可能组合进行非严格的评估^[49]。因此，对于其进一步深入的研究变得尤为必要，且影像组学特征联合临床因素在内的个体预测模型显示出更好的术前诊断性能，有助于临床个体化治疗。MORRISON等^[50]通过多参数液体活检和影像组学分析对晚期PCa进行无创分析，结果表明二者可以产生互补，便于实现更全面的非侵入性疾病建模和预测。而MONTOYA等^[51]研究发现，虽然前列腺MRI影像组学和血液激肽释放酶已被提议作为提高Bp-MRI性能的工具，但是它们的组合并没有带来进一步的性能提升，这可能是由于其研究方法设计不太合理或者样本选择存在偏倚引起的，需要后续重新设计研究验证。

尽管在PCa的研究中,基于MRI的影像组学技术不仅实现了疾病的自动定位，而且还以一种非侵入性的手段来评估肿瘤的生物学行为（如侵袭性和缺氧的存在），有希望成为组织病理学和基因组学水平的标记物，但是综合既往研究我们可以看出，目前该类研究仍然缺乏应用于临床的质量，因此后续的研究应该着重于影像组学与临床实践的结合方面开展，并加快其成果转化，使广大患者获益。

影像组学作为一门新兴技术，近年来发展迅速，已广泛应用于泌尿系统肿瘤的研究。在未来，随着影像组学和基因组学数据的使用越来越多，泌尿科人工智能的出现可能使影像基因组学在个性化医疗领域以非侵入性和个性化方法在泌尿系统肿瘤的评估中发挥越来越大的作用。虽然目前其在临床工作中应用很少，但是随着更多临床医生加入影像组学的研究，影像组学与临床实践将不断融合发展，其在临床决策中的作用将越来越大，为广大患者带来更大的益处。