编者按：荧光共聚焦显微镜（FCM）可对新鲜未固定组织实现近病理分辨率的快速无标记成像，在前列腺根治术术中切缘评估、前列腺穿刺活检诊断中具备重要应用价值；但传统FCM图像高度依赖病理专家人工阅片，不仅耗时费力，还存在主观判读差异、术中决策滞后等临床痛点。美国泌尿外科协会年会（AUA 2026）公布两项前沿研究，依托深度学习技术破解FCM临床应用瓶颈，分别聚焦前列腺根治术中切缘智能判读、前列腺穿刺标本AI光学活检，为前列腺癌术中即时诊断、简化临床诊疗流程提供全新思路。《肿瘤瞭望-泌尿时讯》特别整理，以飨读者。

01

基于深度学习的光学活检研究：利用前列腺穿刺标本荧光共聚焦显微图像进行恶性风险预测

背景:

传统组织病理诊断需经过组织固定、包埋、染色等流程，不仅诊断周期长，也难以实现当日临床决策。FCM可对新鲜未固定组织开展快速无标记成像，分辨率接近常规病理切片水平。但FCM图像判读仍依赖专业医师经验，且存在人为判读差异。本研究构建弱监督深度学习框架，直接从前列腺穿刺标本的FCM显微图像中预测组织良恶性，评估其在标本取材术中提供自动化辅助诊断的临床可行性。

方法:

采用美国FDA获批的FCM成像系统对新鲜前列腺穿刺组织条进行扫描，以术后常规病理诊断作为金标准。将每张FCM图像切分为存在重叠的图像块，依托多示例学习（MIL）架构，仅使用组织条级别的弱标签进行模型训练，无需人工标注病灶区域。

采用Top-K池化策略，使模型重点学习每根穿刺组织条中信息量最高的图像块特征。为避免数据泄露，按患者维度分组开展五折交叉验证，以受试者工作特征曲线下面积（AUC）与平均精度（AP）作为主要评价指标。

结果:

本研究共纳入52例患者、62张FCM影像玻片，合计198条前列腺穿刺组织条（恶性98条、良性96条）；每张玻片对应一个穿刺位点，平均包含3.25条组织条。

经多折验证，模型平均AUC为0.81±0.08，平均精度AP为0.85±0.09。热力图可视化结果可精准定位高恶性概率区域，经泌尿病理专科医师复核，其定位结果与FCM图像中恶性腺体形态高度吻合。

结论:

基于弱监督深度学习，可利用新鲜前列腺组织的荧光共聚焦显微图像有效区分穿刺标本的良恶性。本验证研究证实，人工智能辅助光学活检有望加快前列腺癌诊断进程、支持单次诊疗同期完成临床流程，具备良好临床应用潜力。

02

深度学习模型用于前列腺根治术：荧光共聚焦显微图像自动判读工具的开发与验证

背景:

在前列腺根治术术中切缘评估中， FCM可作为NeuroSAFE手术方案更具实用性的替代手段，且具备可靠的诊断准确率。但随着病理科人力负荷日益增加，FCM图像仍需病理医师人工阅片判读。本研究旨在开发并验证一款人工智能模型，可基于前列腺根治术的FCM图像自动区分良性与恶性组织，无需依赖病理医师即可实现术中实时决策。

方法:

本研究依托IP8-FLUORESCE临床试验，采用Histolog成像扫描仪采集153例患者的FCM图像。由病理医师标注癌变及良性组织区域，构建包含275张图像的数据集，贴合临床真实类别分布失衡特征（肿瘤组织占比13%，良性组织占比87%）。

本研究基于成熟的ResNet50卷积神经网络，构建改进型深度学习模型。为提升模型对肿瘤这一少数类样本的识别性能，采用改进焦点损失函数、平衡数据采样策略，并引入带随机失活的分类头结构，采用监督学习范式开展模型训练。

数据集按8:2比例划分训练集与内部测试集；另选取独立数据集的46例标注切缘样本（肿瘤、良性各23例）开展外部验证。同时引入梯度加权类激活映射（Grad-CAM）生成热力图，高亮模型识别的可疑癌变区域，提升模型可解释性。

结果:

内部测试结果显示：模型癌变检测敏感度87.5%（95%CI: 47.4%~99.7%）、特异度97.9%（95%CI: 89.2%~100.0%）、曲线下面积AUC0.98（95%CI: 93.1%~100.0%）。

外部验证表现同样良好：敏感度91.3%（95%CI: 73.2%~97.6%）、特异度73.9%（95%CI: 53.5%~87.5%）、AUC0.83（95%CI: 0.74~0.914）。

Grad-CAM热力图可精准定位恶性腺体区域，其识别特征与病理医师判读标准高度吻合。

结论:

本研究构建的人工智能深度学习模型，在贴近临床真实情况的数据集中，对前列腺根治术手术切缘性质具备极高的分类准确率；Grad-CAM可视化结果可为临床医师提供可解释的直观参考。

该技术有望简化荧光共聚焦显微镜在术中切缘评估的临床应用流程，减少对病理医师的依赖。本研究局限性在于阳性病例样本量偏少，后续仍需依托更大样本量开展前瞻性临床验证。

▌参考文献：

[1] Fang L, Mayor N, Silvanto A, et al. IP04-04 DEVELOPMENT AND VALIDATION OF A DEEP LEARNING TOOL FOR AUTOMATED READING OF FLUORESCENCE CONFOCAL MICROSCOPY IMAGES IN RADICAL PROSTATECTOMY. J Urol. 2026;215(5S):e94. doi:10.1097/01.JU.0001191284.35857.1d.04

[2] Younis SK, Daher K, Watfa M, et al. IP04-13 LEVERAGING DEEP LEARNING FOR OPTICAL BIOPSY: MALIGNANCY PREDICTION FROM FLUORESCENCE CONFOCAL MICROSCOPY OF PROSTATE BIOPSIES. J Urol. 2026;215(5S):e99. doi:10.1097/01.JU.0001191284.35857.1d.13