中国泌尿系统影像学70年发展历程与展望

近年来，影像学在泌尿系统疾病筛查、诊断与鉴别诊断、治疗评估和预后预测中取得了显著进展。《中华放射学杂志》在中国泌尿系统影像学的技术推广应用以及诊疗水平提升方面起到了重要的推动作用。该文中综述了近年来中国影像学者在泌尿系统疾病诊疗的研究成果，重点分析了传统影像技术与人工智能技术在肾脏、输尿管、膀胱肿瘤及肾病、尿石症等非肿瘤疾病诊断中的应用与发展，旨在为读者提供一个全面而清晰的领域进展概览，推动泌尿系统影像学快速发展。

近年来，泌尿系统影像学在肿瘤与非肿瘤疾病的影像诊疗中取得了突破性进展。通过传统影像技术的创新和人工智能（artificial i ntelligence，AI）的引入，中国学者推动着泌尿系统疾病的诊断水平不断提升^{［ 1 , 2 ］} 。因前列腺疾病独立成文，本文中对近年来中国学者在肾脏、输尿管和膀胱等 泌尿系肿瘤和结石等非肿瘤疾病发表的相关文章进行综述，并展望未来的发展趋势。

一、泌尿系统影像学的技术发展与《中华放射学杂志》的推动作用 

泌尿系统影像学的发展历程中，多个关键技术节点标志着影像诊断的不断进步。《中华放射学杂志》不仅记录了这些技术的引入和发展，还通过研究和报告推动了相关专业的进步。《中华放射学杂志》自 1953 年 9 月创刊以来，已发表超过 400 篇与泌尿系统相关的研究文章，见证并推动了该领域过去 70年的重大技术进展。发表内容不仅涵盖了 X 线、CT、MRI和功能成像等传统技术，还包括了当前前沿的 AI 应用，为泌尿系统影像学的临床应用提供了丰富的科学支持和技术验证。随着新技术的不断涌现和成熟，杂志将继续引领泌尿系统影像学在精确诊断和治疗方面的关键发展，进一步推动医学影像学科的进步。

（一）20 世纪 50 年代：X 线成像技术及核医学技术的应用 

20 世纪 50 年代是泌尿系统影像学的起步阶段，X 线成像是这一时期的主要技术手段 。 1954 年，《中华放射学杂志》首次刊登了《X 线检查在泌尿外科诊断中的作用》 ^［3］ ，标志着 X 线造影技术在泌尿外科诊断中的重要应用。X线在肾结石、肾积水等常见病症的诊断中起到了关键作用。随后，1955 年，郭俊渊 ^［4］ 的研究进一步探讨了分泌性泌尿系造影术与肾功能的关系，推动了泌尿系统造影技术的发展。1964年，刘秀杰等 ^［5］ 发表了《碘⁃邻碘马尿酸钠的制备及肾放射图的描绘》，这项研究将核医学引入泌尿系统影像学，为肾功能评估开辟了新路径。

（二）20世纪70年代：CT技术的引入

进入20世纪70年代，CT技术成为泌尿系统影像学的革命性突破。CT扫描不仅提升了肾脏和膀胱肿瘤的诊断精度，还使得解剖结构的精确评估成为可能。1987 年，本刊首次报道了 CT 用于膀胱壁内嗜铬细胞瘤的诊断 ^［6］ ，标志着 CT 技术在泌尿系统肿瘤诊断中的应用。此后，CT 逐渐成为泌尿系统疾病影像诊断的重要工具，尤其是在肾肿瘤和结石的诊断中展现出优势。

（三）20世纪80年代：MRI技术的普及

随着MRI技术的引入，泌尿系统软组织病变成像能力得到了极大提升。20 世纪 90 年代初期，邓春莉和王正颜 ^［7］ 首次探讨了膀胱癌的 MRI 影像表现。MRI 因其无辐射、高分辨率的特点，逐渐成为软组织成像的主要工具，尤其在肾肿瘤、输尿管狭窄等疾病的诊断中表现出显著优势。1993 年，施增儒等 ^［8］ 发表了《磁共振成像对移植肾监测作用的研究》，进一步确认了 MRI在肾脏疾病管理中的重要性，尤其是对移植肾的长期监测。MRI的无创性和高灵敏度为移植后肾功能的评估提供了重要支持。

（四）20世纪90年代：功能成像的兴起

20世纪90年代至21世纪10年代，泌尿系统影像学进入了功能成像的时代。功能成像技术不仅可以提供解剖信息，还能评估器官的血流动力学和代谢活动。2004年，刘挨师和谢敬霞 ^［9］ 通过MRI灌注成像技术评价犬肾缺血再灌注损伤的功能变化，证明了功能成像在评估肾脏病变中的应用潜力。

（五）21世纪20年代至今：AI的应用

近年来，AI 技术的快速发展标志着泌尿系统影像学进入智能化时代。通过自动化的图像分析， AI不仅能够大幅提升诊断效率，还能在肾结石、肾肿瘤等疾病的检测中实现高精度识别。2020 年，崔应谱等 ^［10］ 发表了《用深度学习和阈值算法自动检出CT平扫图像中肾结石的可行性研究》，这项研究表明了深度学习（deep learning，DL）在肾结石自动检测中的巨大潜力。2021 年，王旭等 ^［11］ 进一步探讨了基于 CT 平扫纹理分析的影像组学技术，成功预测了肾透明细胞癌的 WHO/ISUP 分级。这种结合了影像组学和 DL 的技术，为肾肿瘤的精准诊断和分级提供了更加可靠的依据。

二、泌尿系肿瘤影像诊断的应用进展

根据 2022 年 GLOBOCAN 数据，全球每年新增近 2 000 万例癌症病例，其中膀胱癌和肾细胞癌（renal cell carcinoma，RCC）的发病率分别为 3.1% 和 2.2% ^［12］ 。膀胱癌成为中国泌尿系统发病率仅次于前列腺癌的恶性肿瘤，原因包括老龄化、生活方式改变及筛查普及。

（一）影像技术的创新 

1. 肾脏肿瘤：虚拟非增强（virtual non⁃contrast， VNC）光谱 CT 图像可以替代常规平扫 CT，研究表明 VNC图像相比常规平扫图像具有更高的对比噪声比和信噪比，从而减少成像时间和辐射剂量 ^［13］ 。鉴别诊断方面，Kang 等 ^［14］ 分析了 CT 和 MRI上黏液性小管和梭形细胞肾癌的特征，具有很好的鉴别效能。肾囊性病变的恶性风险评估是临床诊断的难点之一，Bosniak 分类系统用于评估肾囊性病变的恶性风险。利用 2019 版 Bosniak 分类系统进行肾囊性病变的MRI评估，相较于2005版，其诊断特异度和观察者间一致性显著提高 ^［15］ 。RCC 是否伴随静脉肿瘤血栓是进行肾切除术加血栓切除术时的重要考虑因素。Zhao 等 ^［16］ 通过体素内不相干运动（intravoxel incoherent motion，IVIM）DWI 评估了 RCC 静脉肿瘤血栓，结果表明 IVIM 派生参数在预测静脉肿瘤血栓方面具有显著潜力，特别是 Dt 和 Dp 参数的组合模型，其预测准确度较高。这一发现有助于更好地指导手术方案的选择。 

2. 输尿管肿瘤：输尿管肿瘤往往在出现血尿、腰痛、尿路感染等症状后，通过影像学检查发现，但常已侵犯邻近组织或发生转移。在输尿管肿瘤治疗过程中，影像学检查在术后监测和评估治疗效果中发挥重要作用。例如，放射性粒子链腔内近距离放疗是输尿管癌治疗的新兴方法。焦德超等 ^［17］ 在 C 臂 CT 和 DSA 引导下对 10 例输尿管癌患者进行125 I 粒子链腔内放疗，并评估了治疗后的局部控制率和并发症情况。结果显示，所有患者的局部控制率达到100%，且无严重并发症发生，治疗后患者的生活质量显著提高。Duan等 ^［18］ 设计了一种靶向 Nectin⁃4 的放射性标记示踪剂 ⁶⁸Ga⁃N188，并通过 PET⁃CT 成像检测尿路上皮癌患者的 Nectin⁃4 表达情况。结果表明，PET⁃CT 显像能够定量检测 Nectin⁃4 的表达水平，从而可以预测患者对相关药物治疗的反应，这为个体化治疗提供了可靠的影像学依据。 

3. 膀胱肿瘤：膀胱影像报告和数据系统（vesical imaging⁃reporting and data system， VI⁃RADS）整合了解剖、功能和分子成像信息，提高了膀胱癌的分期和治疗响应评估的准确性。Gong 等 ^［19］ 在 2024 年的研究中提出，基于多参数 MRI 的形态学测量显著提高了 VI⁃RADS 在检测肌层浸润性膀胱癌（muscle⁃invasive bladder cancer，MIBC）中的性能。研究发现，肿瘤与肌层接触的边界长度、肿瘤细胞密度指数和肿瘤纵向长度是MIBC的独立风险因素。将这些形态学指标整合到 VI⁃RADS 评分中后，其诊断效能显著提高。Yu 等 ^［20］ 开发并验证了一种基于 MRI 特征的列线图，用于预测 VI⁃RADS 3 分膀胱癌的肌层浸润。该列线图包括肿瘤接触长度大于肿瘤最大径、肿瘤形态平坦以及 ADC的标准差降低等特征，该列线图在训练集和验证集中的 ROC 曲线下面积（area under the curve， AUC）分别为 0.852 和 0.885，显著提高了在 VI⁃RADS 3 分患者中肌层浸润的检测准确性。Cai 等 ^［21］ 研究表明，VI⁃RADS在预测位于输尿管开口处膀胱肿瘤的肌层侵犯方面表现出高度准确性，其 AUC 为 0.96，并且 VI⁃RADS 评分的组间一致性良好。在使用 ¹⁸F FDG PET⁃CT评估膀胱癌患者时，术后炎症反应与肿瘤残留的平均标准化摄取值（mean standardized uptake value，SUV）、最大SUV及病变厚度差异有统计学意义，其中平均SUV和病变厚度为残留肿瘤的独立预测因子，该研究表明延迟 ¹⁸F FDG PET⁃CT 对初次经尿道膀胱肿瘤切除术术后残留肿瘤与术后炎症反应的区分具有价值 ^［22］ 。

（二）AI的应用 

1. 肾脏肿瘤：AI 在肾脏肿瘤的诊断和鉴别诊断、分级与分期、评估治疗效果及预测预后等方面发挥着越来越重要的作用。肾脏肿瘤的病理亚型是影响患者生存和治疗疗效的最重要因素之一。 Zheng 等 ^［23］ 开发了一种基于肾脏肿瘤 T₂WI 的深度卷积神经网络模型，在诊断肾透明细胞癌（clear cell renal cell carcinoma，ccRCC）、嫌色细胞癌、血管平滑肌脂肪瘤和乳头状肾细胞癌方面的 AUC分别为0.94、0.78、0.80和0.76。RCC的组织亚型和分级是其侵袭性和预后的独立预测因子。Dai等 ^［24］ 采用扩散松弛相关光谱成像（diffusion⁃relaxation correlation spectroscopic imaging，DR⁃CSI）对 <4 cm 的 RCC 进行了亚型分类和等级区分，结果显示 DR⁃CSI 鉴别 RCC 亚型的 AUC 为 0.861，特异度为 0.882。Li 等 ^［25］ 研究发现利用 DL 算法自动分割肾脏肿瘤、肾脏和肾周脂肪组织，并提取影像组学特征预测 ccRCC 的病理分级，显著提升了预测准确性，AUC 达到 0.814。在 ccRCC 预后模型中纳入基于影像组学的肿瘤异质性 （intratumor heterogeneity，ITH）特征可能为更好地监测和辅助临床试验设计提供机会。Yang等 ^［26］ 研究显示将影像组学特征纳入UCLA综合分期系统模型后，模型正确预测概率 C 指数从 0.64 提升至 0.74，而纳入 SSIGN 模型后，C 指数从 0.76 提升至 0.78。早期识别同步远处转移可以及时提供有效治疗，提高患者的生存率。Bai 等 ^［27］ 的研究表明，基于多参数 MRI 影像组学的列线图可能成为预测 ccRCC 同步远处转移的潜在工具，其在内部验证集和外部验证集中的AUC分别为0.854和0.816，该列线图在不同大小 ccRCC 亚组中的预测效力也较高。ITH 挑战了 ccRCC 的分子特征，是治疗选择的一个混杂因素。放射基因组学平台在解析 ccRCC 的 ITH 方面显示出巨大的应用潜力。 

2. 输尿管肿瘤：Chen 等 ^［28］ 通过 DL 算法分析了肾盂和输尿管肌层浸润性尿路上皮癌，发现这两者在分子亚型和肿瘤微环境方面存在显著差异，肾盂癌更多表现为乳头状，而输尿管癌更倾向于基底和 P53 样亚型。该研究通过 AI 工具揭示了肾盂和输尿管肿瘤在临床表现和生物学特征上的差异，有助于进行更精准的鉴别诊断。 

3. 膀胱肿瘤：膀胱是空腔脏器，判断是否发生肌层浸润是癌症管理中的关键步骤。Zhang等 ^［29］ 利用CT影像数据，开发了一种影像组学模型，成功预测了膀胱癌的肌层浸润。在研究中，通过对441例膀胱癌患者的 CT 影像进行分析，模型在不同测试队列中的 AUC分别为 0.885、0.820和 0.784，显示了较高的诊断性能。在 MIBC 患者中，术前诊断变异组织学（如鳞状分化尿路上皮癌和纯尿路上皮癌）至关重要，但极具挑战性。Jingwen 等 ^［30］ 开发的基于 MRI 的自动化机器学习模型， 这种模型利用 T2WI、ADC 值和临床特征等多重信息进行分析，在术前区分这两种病理类型方面表现出高准确性。此外，肿瘤基质与膀胱癌患者的临床预后显著相关。有研究发现，高肿瘤基质比率（tumor⁃stroma ratio，TSR）与较差的总体生存率和癌症特异生存率相关，并且高 TSR 肿瘤患者对新辅助化疗（neoadjuvant chemotherapy，NAC）的完全缓解率较低 ^［31］ 。基于盆腔CT扫描结果建立TSR预测模型能够无创评估肿瘤基质，并预测接受 NAC 治疗的膀胱癌患者是否能达到病理完全缓解，这种无创评估方法为临床决策提供了重要的辅助 ^［31］ 。通过DL模型，可以在术前更准确地评估肿瘤的预后情况，从而优化治疗策略，提高患者生存率。Wang 等 ^［32］ 使用3期增强CT图像训练了基于卷积神经网络的DL 模型，发现DL特征显示出很强的预测复发能力，一致性指数为0.869，AUC为0.889。

三、泌尿系统非肿瘤疾病影像诊断的应用进展

传统影像技术如 CT、MRI 和 PET 在早期识别肾功能异常、评估肾功能和分析结石成分方面展示了重要价值，通过高分辨率成像和精准的分析技术，显著提高了诊断的准确性和可靠性。同时，AI 技术的引入进一步提升了影像诊断的精度和效率。在泌尿系结石诊断中，AI初步实现了结石分割、鉴别诊断及预测术后并发症；在其他非肿瘤疾病中， AI 通过优化图像质量和监测疾病进展，在非侵入性诊断和临床管理方面展现出巨大潜力。

（一）影像技术的创新 

1. 肾功能评估：对 2 型糖尿病（type 2 diabetes mellitus，T2DM）患者进行非糖尿病性肾脏疾病（nondiabetic renal disease，NDRD）的识别有助于有针对性治疗 ^［33］ 。Zhou等 ^［33］ 发现IVIM参数中的肾皮质伪扩散系数（D* ）在区分 T2DM 患者的糖尿病肾病和 NDRD 中具有重要价值，IVIM 模型结合临床指标的 AUC 达到 0.934，高于仅使用临床指标的模型（AUC 为 0.845）。在肾功能评估方面，肾残余实质体积与分肾功能（differential renal function，DRF）之间的 Pearson 相关系数达到 0.957，表明 CT 平扫可以估算慢性单侧阻塞性上尿路结石患者的DRF，为肾功能评估提供了无创的替代方案 ^［34］ 。有学者利用光谱CT尿路造影中的碘图估算肾小球滤过率（glomerular filtration rate，GFR），结果显示，基于碘图计算的GFR与参考标准估算GFR之间差异无统计学意义，且区分正常和降低肾功能的 AUC 为 0.951  ^［35］ 。李望等 ^［36］ 研究了双源 CT 在尿酸结石预测中的应用，通过计算双能比（Ratio 值）区分尿酸结石与其他类型结石。Ratio 值≤1.15 预测尿酸结石的灵敏度为 100%，特异度为 97.9%，AUC 为 0.996，显示了双源 CT 在结石成分分析中的高效性。 

2.输尿管梗阻：对于输尿管梗阻的患者，双J管的置换常常需要精确的影像学引导。陈呈世等 ^［37］ 探讨了 X 线引导下行双 J管更换的可行性和安全性，研究表明，剪末端法、细导丝法和辅助鞘管法均在特定类型的双 J管梗阻中展现出较高的成功率，整体手术成功率达80.9%。该研究表明X线引导在提高双J管更换成功率、减少并发症中的重要作用。

（二）AI的应用 

1.肾病：深度学习图像重建（deep learning image reconstruction，DLIR）可以显著减少辐射剂量、对比剂剂量和注射速度，同时提供优质的图像质量 ^［38］ 。有学者采用基于CT的影像组学方法用于诊断慢性肾病患者的肾脏钙化。结果表明，支持向量机和逻辑回归模型表现优异，AUC 均为 0.93，优于传统的 X 线摄影和骨扫描 ^［39］ 。Zhao 等 ^［40］ 的研究表明，AI 模型在糖尿病肾病的早期诊断和治疗监测中具有显著优势，通过 MRI的多参数影像特征，包括肾脏体积、肾实质厚度、扩散加权成像、血氧水平依赖MRI等，评估糖尿病肾病的病理生理变化和风险因素，显示了 AI 在非侵入性诊断和管理糖尿病肾病中的潜力。 

2.结石：AI在结石分割、鉴别诊断、诊疗评估及预测预后方面发挥了重要作用。Li 等 ^［41］ 利用深度语义分割学习模型，通过训练和测试5种不同的深度分割网络，成功实现了肾脏和肾结石的精确分割。在预测感染性结石和非感染性结石方面，影像组学有助于在术前识别感染性肾结石。有学者从 CT图像中提取1 316个特征建立影像组学模型，并结合尿液中的脲酶生成细菌和尿液 pH 值，成功区分了感染性结石和非感染性结石，该模型在多中心验证中表现优秀 ^［42］ 。还有学者使用基于CT的影像组学模型预测输尿管结石患者接受体外冲击波碎石术的成功率，研究中通过 SVM 模型结合输尿管直径等临床信息，模型的 AUC 在训练集和测试集中分别达到 0.956 和 0.891  ^［43］ 。这种影像组学与临床变量结合的模型为评估输尿管结石的治疗效果提供了强有力的工具，帮助进行治疗决策。 

3. 输尿管非肿瘤疾病：DL 模型在输尿管影像分割上展现了极大潜力。Jin等 ^［44］ 开发了一种基于 DL的三维输尿管和肾盂分割方法，并在非增强 CT 扫描中验证其效果。该模型使用基础 UNet 架构，分段框架在测试集中的精度达到 85.5%，召回率为 71.9%。这种自动化分割模型大大提高了输尿管重建的效率，减少了对侵入性检查的需求。还有学者提出了一种基于 DL的在三维 MR尿路造影图像中测量输尿管直径的方法，研究中使用了3D V⁃Net模型对输尿管进行分割，并通过后处理算法对其直径进行了精确测量，在内外部测试中，模型的双侧输尿管分割的Dice相似系数均超过0.70，表明该模型在输尿管疾病诊断中具有较高的准确性和一致性 ^［45］ 。这使得临床医师能够更加精确地监测输尿管梗阻并指导相应的治疗决策。在预测输尿管软镜碎石术和经皮肾镜取石术术后的脓毒症方面，有学者利用深度神经网络模型，结合临床信息和 CT 影像特征，成功预测了术后脓毒症的风险 ^［46］ 。

综上所述，近年来，无论是在传统影像技术的创新还是在 AI 技术的应用方面，中国学者在泌尿系统影像学领域作出了突出的贡献。新技术在提高肿瘤和非肿瘤疾病的诊断精度和治疗评估方面展示了巨大的潜力，同时，AI技术的引入和发展则进一步推动了影像诊断的智能化和自动化，显著提升了诊断的一致性和预测的准确性。《中华放射学杂志》在这些进展中发挥了引领作用，积极推动了新技术的应用与发展，并为学术交流和实践创新提供了重要平台。然而，未来的发展依然面临挑战，包括高质量多中心数据、标注标准化、AI模型的可解释性、多组学研究等。通过持续的创新和多学科的合作，泌尿系统影像学将在提高疾病诊断和治疗水平方面发挥更加重要的作用，为患者提供更精准和高效的医疗服务。

文章来源：中华放射学杂志, 2024, 58(11): 1258-1263.