AI膀胱癌诊断综述 膀胱镜敏感度91%-99%

时间：2026年11月11日 地点：线上（论文发表于《African Journal of Urology》，出版方 Springer Nature；报道首发方为美国 Scienmag） 人物：综述作者为 Nima Narimani、Mohammad Mehdi Atarod、Ehsan Zolfi、Reza Shahrokhi-Damavand 等 11 人，末位作者为 Hossein Neamatzadeh；报道由 Scienmag 的 Blake Davidson 撰写，BIOENGINEER.ORG 做了改写转载 事件详情：11月11日，Scienmag 与 BIOENGINEER.ORG 集中报道了一篇发表在《African Journal of Urology》的叙述性综述（Narimani 等著，DOI 10.1186/s12301-026-00578-2），系统梳理了 2015 年 1 月至 2026 年 4 月之间人工智能在膀胱癌诊断全链条上的证据，该文 2026 年 5 月 21 日先行上线、编入第 32 卷第 1 期。综述给出的总体结论是：在验证队列中，AI 增强的膀胱镜检查敏感度达到 91% 至 99%、特异度 87% 至 99%；VisioCyt 尿液细胞学系统整体敏感度 84.9%，而传统人工细胞学仅为 43%；影像组学与深度学习在分期和肌层浸润预测上的曲线下面积介于 0.834 至 0.997；计算病理系统的诊断准确率达到或超过资深病理医师水平。 具体到几组关键数据：一套在中国六家医院完成验证的膀胱镜 AI 系统采用 ResNet-101 架构，训练与验证使用 69,204 张膀胱镜图像、覆盖 10,729 名患者，外部诊断准确率落在 97.7% 至 99.0%；实时术中分割模型 HRNetV2 在 102 段膀胱镜视频、94 名患者上取得逐帧敏感度 94.8%、精确率 94.4%；VisioCyt 在 319 人的前瞻性多中心试验中，对低级别肿瘤敏感度 77%、人工判读 26.3%，对高级别肿瘤敏感度 92.6%、人工 61.1%，阴性预测值 96.4%，理论上可减少 57.5% 的随访膀胱镜检查；CT 深度学习模型在 1,200 张影像、369 名手术患者上区分肌层浸润与非肌层浸润的曲线下面积为 0.997，敏感度 88.9%、特异度 98.9%；计算病理方面，913 例样本的自动分级算法准确率 0.95，高于病理医师平均的 0.84，另一项 998 名患者、7,991 张全切片淋巴结图像的研究验证曲线下面积最高达 0.998、敏感度 0.983，并在 13 例初判阴性的标本中查出隐匿微转移。 影像采集时机同样会改变模型表现。一项 2025 年发表于《Frontiers in Oncology》的研究纳入 97 例膀胱癌患者，发现经尿道切除术后平均 22.33 天即做增强 CT 时，影像组学模型曲线下面积仅 0.68，叠加临床生物标志物后升至 0.76；若只取术后超过 14 天成像的 79 例患者，模型曲线下面积升至 0.80，叠加临床变量后达到 0.82，对应准确率 0.78、敏感度 0.80、F1 值 0.77。 背景：膀胱癌是全球第九大常见恶性肿瘤，国际癌症研究机构估计 2022 年新发病例 614,298 例，较两年前增长 7.1%，九成以上属于尿路上皮癌。现有诊断流程依赖白光膀胱镜、尿液细胞学、CT 或 MRI 以及组织病理，但每一环都存在人为与技术限制：白光膀胱镜对平坦原位癌的检出敏感度可低至 60% 至 70%，而原位癌占尿路上皮癌的 5% 至 10%；人工尿液细胞学对低级别肿瘤的漏诊率在 57% 至 74% 之间；经尿道切除标本的病理分级在病理医师之间的判读不一致率为 15% 至 20%。 影响：综述同时点出了技术落地层面的差距。使用 APPRAISE-AI 质量工具评估的 15 项结局预测研究中只有 1 项达到高质量，其余多受小样本、缺少外部验证和方法学偏倚影响；同一批研究在女性队列中表现明显下滑，有研究观察到模型敏感度从男性的 0.78 降至女性的 0.53；截至目前没有任何一款膀胱癌诊断 AI 工具获得美国泌尿外科协会或欧洲泌尿外科协会的临床认可，也没有纳入真实软件部署成本的同行评议卫生经济学分析。作者建议的方向包括分布式联邦学习、标准化报告规范、多中心前瞻性试验，以及用 Grad-CAM 等可解释 AI 方法确认模型聚焦于真实病理结构而非扫描仪伪影。 总结：这篇综述把膀胱癌诊断链路上各环节的 AI 表现放在一起，给出的数字整体乐观，膀胱镜敏感度 91% 至 99%、计算病理达到资深病理医师水平。但它同时说明，这些是研究阶段的验证队列成绩，不是临床可用性的证明：目前没有任何一款相关 AI 工具拿到权威泌尿外科组织的临床背书，多数研究缺少外部验证和质量评估，女性等亚组的表现甚至明显弱于总体均值。对开发者与医院来说，这篇综述的价值更像是划定了下一步工程重点，即补外部验证、补卫生经济学、补亚组公平性，而不是把研究数字直接当成产品指标。 常见问题： 问：AI 能替代医生看膀胱癌吗？ 答：不能。目前没有任何膀胱癌诊断 AI 工具获得美国泌尿外科协会或欧洲泌尿外科协会的临床认可。 问：AI 膀胱镜准确率有多高？ 答：综述汇总的验证队列中，AI 增强膀胱镜敏感度 91% 至 99%、特异度 87% 至 99%。 问：尿液细胞学 AI 真的更准吗？ 答：VisioCyt 整体敏感度 84.9%，传统人工细胞学为 43%。 参考来源： Scienmag 报道原文（2026年11月11日） https://scienmag.com/artificial-intelligence-review-shows-high-diagnostic-accuracy-across-bladder-cancer-modalities/ BIOENGINEER.ORG 报道与综述要点（2026年11月11日） https://bioengineer.org/artificial-intelligence-review-shows-high-diagnostic-accuracy-across-bladder-cancer-modalities/ 《African Journal of Urology》综述原文（DOI 10.1186/s12301-026-00578-2） https://link.springer.com/article/10.1186/s12301-026-00578-2 Crossref DOI 注册元数据（题名、作者、期刊与上线日期） https://api.crossref.org/works/10.1186/s12301-026-00578-2 Zhang 等 CT 影像组学原始研究（European Radiology 2020） https://link.springer.com/article/10.1007/s00330-020-06893-8 Lisson 等影像时机与分期研究（Frontiers in Oncology 2025） https://www.frontiersin.org/journals/oncology/articles/10.3389/fonc.2025.1591742/full