综述：人工智能（AI）会取代细胞病理学家吗：AI 在尿液细胞学中的当前应用及证据的范围综述

这篇综述聚焦 AI 在尿液细胞学中的应用。尿液细胞学在膀胱癌检测和监测方面有价值但存在局限，AI 应用潜力巨大。研究经多数据库检索筛选，发现 AI 可用于异常细胞识别、风险分层等，但也面临数据和验证问题，整体发展前景良好。

### 一、研究背景
尿液细胞学在膀胱癌的检测与监测中意义重大，能为医生提供关键的诊断线索。不过，它也存在一些明显的局限性，比如检测的准确性易受多种因素干扰，像样本质量、检测人员的经验差异等，这些都可能导致诊断结果出现偏差。

而人工智能（AI）技术近年来发展迅猛，在医学领域的应用逐渐广泛。在尿液细胞学中引入 AI 技术，有望大幅提升诊断的准确性和效率。基于此，本研究开展了一项范围综述，旨在全面评估当前 AI 在尿液细胞学中应用的证据情况。

二、研究方法

研究人员在 PubMed、EMBASE 和 Scopus 这三大权威数据库中，对 AI 在尿液细胞学应用方面的文献进行了电子检索。检索时间跨度从数据库建立起始，一直到 2024 年 11 月 1 日。在筛选文献时，研究人员制定了严格的标准，将病例报告、摘要和综述排除在外。

检索最初共得到 1356 篇文章，去除 142 篇重复文献后，剩下 1214 篇文章进入标题和摘要筛选环节。经过仔细筛选，31 项研究进入全文评审阶段，最终仅有 16 篇文章符合要求，被纳入到最终的分析中。

三、研究结果

1. AI 在尿液细胞学诊断中的主要应用
   • 异常细胞的自动识别与特征描述：AI 在尿液细胞学诊断中的核心应用是实现对异常细胞的自动化识别和特征刻画。借助先进的图像识别算法和深度学习模型，AI 能够快速、精准地从尿液样本的细胞图像中找出形态、结构等方面存在异常的细胞，并且可以详细描述这些异常细胞的特征，为后续诊断提供有力依据。例如，AI 可以识别出细胞的大小、形状、细胞核与细胞质的比例变化等细微特征，而这些特征往往是判断细胞是否癌变的关键指标。
   • 异常细胞的风险分层：除了识别异常细胞，AI 还能对这些细胞进行风险分层。通过分析大量的病例数据和细胞特征信息，AI 模型可以评估异常细胞的恶性程度，将其划分为不同的风险等级。这有助于医生更直观地了解患者的病情严重程度，制定更具针对性的治疗方案。比如，对于处于高风险等级的异常细胞，医生可能会建议采取更积极的治疗手段；而对于低风险等级的异常细胞，则可以采取相对保守的观察策略。
   • 预测组织学结果和膀胱癌复发：AI 还展现出了强大的预测能力。一方面，它能够根据尿液细胞学样本的相关信息，预测组织学结果。这意味着在获取组织学检查结果之前，AI 可以为医生提供一个初步的判断，辅助医生进行诊断决策。另一方面，AI 还可以预测膀胱癌的复发情况。通过对患者的临床数据、尿液细胞学特征以及治疗历史等多方面信息的综合分析，AI 模型能够评估患者膀胱癌复发的可能性，帮助医生提前制定预防和监测措施，提高患者的治疗效果和生存率。
   
   
2. 当前存在的局限性
   尽管 AI 在尿液细胞学中的应用取得了一定进展，但也面临着一些挑战。目前，AI 算法的准确性和可靠性在很大程度上依赖于高质量的训练数据集。然而，现有的训练数据集往往存在样本量不足、数据多样性不够等问题，这可能导致 AI 模型在面对复杂多变的临床样本时出现误诊或漏诊的情况。此外，AI 算法的通用性也需要进一步验证。不同的医疗机构、检测设备以及样本处理方法可能会导致数据存在差异，现有的 AI 算法是否能够在各种情况下都保持良好的性能，还需要进行大量的多中心、大样本的验证研究。

四、研究结论

综上所述，AI 在尿液细胞学领域虽然仍处于发展阶段，但已经展现出了巨大的潜力。它在提高诊断准确性和效率方面具有显著的优势，为尿路癌症的诊断和管理带来了新的思路和方法。随着技术的不断进步、训练数据集的不断完善以及验证研究的逐步深入，AI 有望成为尿路癌症诊断和治疗过程中的重要辅助工具，彻底改变现有的诊断和管理模式，为患者带来更好的治疗效果和预后。