作者：刘萍，刘云鹭，南方医科大学南方医院妇产科，深圳市人民医院（暨南大学第二临床医学院 南方科技大学第一附属医院）妇科
盆底功能障碍是中老年女性的常见病，包括
1人工智能的概念及分类
AI指各种计算机科学技术，使机器能够模拟人类智能执行任务。通常情况下，AI系统需要输入大量数据进行模式识别等操作，以便通过有或无监督的方式学习、创建、预测、分类、建议或决策［5］。机器学习是发展相对成熟的AI技术，其最流行的模型包括支持向量机、随机森林、人工神经网络和深度学习等，该技术通过从数据样本中学习规律并建立算法，可有效地进行泛化，从而在没有明确指令的情况下执行任务［6］。深度学习则是机器学习领域的一个重要子集，基于多层神经网络结构，可通过运用各种机器学习算法自主选择最佳特征，完成图像处理任务。与传统的多层神经网络相比，深度学习包含更多隐藏层，并以分层、非线性的方式处理输入的数据，目前常用的深度学习模型主要包括卷积神经网络、U-Net、循环神经网络、自动编码器、限制玻尔兹曼机等［7］。
2无创获取数据结合人工智能在盆底支持结构评估中的应用
盆底支持组织结构主要包括盆底肌和盆底结缔组织，二者共同发挥作用，承托并保持盆腔器官处于正常位置，维持正常组织形态，同时起到调节泌尿生殖功能的作用。其中盆底支持结构的损伤与盆底疾病的发生直接相关，故充分了解盆底结构对于探索盆底疾病的病理学改变，选择最佳的治疗方案、提高疗效至关重要。传统盆底解剖学的主要来源是尸体解剖学，借助影像学技术可以使得影像及临床医生在无创的情况下对盆底进行检查，最常用的方法是MRI及超声。在原有技术方法的基础之上，AI技术的应用使得研究者们对女性盆底结构的探索进入了一个新的阶段。
肛提肌损伤与盆底功能障碍的发生密切相关，故在肛提肌解剖及功能损伤方面的探索一直是盆底学领域的研究重点之一，近年来已经有学者将AI技术应用到这方面的研究中。识别结构损伤的第一步是正确识别正常结构。借助智能识别及自动分割泌尿生殖裂孔替代手动勾画轮廓这一操作过程，可以节省临床医生的时间并提升扫描效率，这一理念已应用于优化当前盆底超声工作流程中。基于深度学习算法，van den Noort等［8］对经会阴超声图像中泌尿生殖裂孔及耻骨直肠肌进行分割，实现了对相关参数的自动化测量。Rabbat等［9］从健康受试者和盆底功能障碍患者的超声数据中提取了多张图像，应用U-Net模型对肛提肌进行自动化分隔，该模型与人工分割具有很好的一致性，从而验证了其准确性。为实现AI模型的进一步优化，进而最大程度地发挥其优越性，Huang等［10］开发了3种肛提肌裂孔分割算法，通过测试数据集对其性能进行分析，最终筛选出准确性与高年资超声科医生相当的最佳模型。如何提高效率是需要重点解决的问题之一，Williams等［11］利用卷积神经网络模型对肛提肌裂孔进行准确地自动化测量，相比人工测量，平均每例节省了2min。在对肛提肌基本结构充分了解的前提下，Wu等［12］在3种经典卷积神经网络的基础上采用迁移学习和集成学习的方法开发了一种新的AI模型，实现了对肛提肌损伤准确而高效的自动诊断。这一研究结果有利于在大样本人群中开展盆底损伤筛查，尤其针对有损伤高危因素的女性，从而实现在盆底疾病的早期阶段进行干预。此外，不同于依赖于影像学检查的AI诊断模型，Abdel Hady等［13］通过量表采集数据，利用决策树、支持向量机、随机森林和AdaBoost模型等机器学习技术预测经产妇各个核心肌群的功能情况，该方法花费低，且受检者无需接受额外的检查，可应用于产后女性盆底肌功能随访，尤其是在影像学检查手段有限的经济欠发达地区。
总体来说，目前所有研究均是有关盆底肌的自动化评估，在盆底筋膜、韧带等结缔组织损伤的诊断方面AI尚属空白，重要原因之一是这些组织结构在影像学上识别较为困难，并且变异度大。因此，后续还需要做大量有针对性的工作，其中也包括对扫描序列参数的优化，解决这一问题将有助于全面、准确、高效地对盆底缺陷进行诊断。
3微无创和人工智能融合在尿失禁诊治中的应用
从尿失禁的诊断方法来说，
然而，上述研究推广至尿失禁诊断领域还需要进行大量探索性的工作。此外，在治疗上也存在着需要重点关注的问题，主要集中在手术治疗方面，例如，在抗尿失禁手术的实施过程中，盲穿的方法存在泌尿系、血管或神经损伤的风险，尤其是当患者既往有盆腔手术史、解剖结构发生了改变时，术中情况可能更加难以预料。目前来说，该手术是否能够安全且顺利地完成，很大程度上依靠术者的经验，如果术前能够精准评估手术入路，充分识别手术路径周围的解剖结构，并且测量出相关间隙及结构毗邻关系的定量参数，则能够给术者提供非常有价值的参考信息，从而大大降低手术风险，减少手术创伤。就此，笔者研究团队对31例接受过广泛性子宫切除术的子宫颈癌患者术前和术后的膀胱尿道及周围结构进行三维建模，通过分析多种解剖学参数，证实对这部分患者实施经闭孔途径的尿道中段悬吊术，从安全性角度来说仍然是可行的［17］。因此，后续的研究包括在三维重建基础上，应用AI技术自动化识别及分割手术区域内的结构，实现三维可视化精细操作。
4微无创与人工智能融合在盆腔器官脱垂诊治中的应用
目前，临床医生可借助影像学的方法对POP进行评估，根据各种参考系统手动进行测量。但这种方法耗时，并且需要影像学和盆底解剖方面的专业知识，还存在人为误差。因此，为了克服上述局限性，并且在不久的将来实现远程医疗服务的目的，当前的研究重点主要集中在自动化分析、计算机辅助诊断领域。
笔者研究团队基于CT及MRI数据集结合数字化三维重建技术构建了女性骨盆、盆底肌肉、韧带及盆腔器官三维模型［18-21］，总结经验认为，实现AI诊断POP的前提是能够在图像上逐层清楚地识别软组织边界，高分辨率薄层磁共振扫描可以在一定程度上解决这一问题。Feng等［22］基于卷积神经网络模型，在静息和最大Valsalva状态下的MRI图像中分割女性盆腔器官结构，该研究中将多分辨率特征金字塔模块集成到编码器-解码器模型中，改善了POP患者MRI图像上软组织边界模糊的问题。人工识别及半自动化分割相结合的方法所需的前期工作相对较少，但效率有限，Nekooeimehr等［23］通过该法对盆腔器官结构的动态MRI图像进行了勾画及建模，实现了对多个POP MRI数据的处理和测量。为开发能够自动从经会阴超声图像中提取盆底参数的算法，Szentimrey等［24］利用U-Net模型对盆底功能障碍女性患者的耻骨联合、尿道、膀胱、直肠、直肠壶腹等结构进行分割，这种算法对单张图像的分析时间仅需1.27s。在POP诊断中的应用方面，Robinson等［25］建立了一个只有4层的浅层人工神经网络模型，可以区分脱垂女性和健康女性。Onal等［26］使用MRI特征、人口统计信息和临床数据作为输入特征，构建了3个不同的支持向量机模型来判断不同的脱垂类型。Wang等［27］则基于卷积神经网络建立了一种多标签分类模型，该计算机辅助模型可以直接从MRI图像中学习特征，对不同类型的POP进行高效的自动化诊断。更进一步来说，POP的MRI诊断是以骨性标记线为基准，测量盆腔器官指示点到标记线的垂直距离，再按照相应的诊断标准进行分度，如果能够运用AI技术对脱垂的分度进行自动化诊断，则能够极大地提升诊断效率，减小人为误差，促进POP的大规模自动化筛查进程的发展，同时也可作为低年资盆底专科医生的有力辅助工具。
对于POP程度及类型的诊断与手术方式的选择直接相关，不恰当的手术方式可能增加术后复发的风险。当患者的盆底缺陷较为复杂时，如果只修复某一单一结构，其他结构的脱垂程度可能会加重，导致复发甚至手术失败。因此，技术上的革新带给临床医生的不应局限于效率的提升，也要能够对疾病进行全方位评估，以弥补临床评估的不足。针对POP的临床诊断，目前国际上多采用国际尿控学会推荐的POP定量（pelvic organ prolapse quantitation，POP-Q）分度法，但该法仍存在一些局限性，包括在旁侧缺陷及子宫颈延长的诊断、阴道轴向的评估等方面。三维影像学则能够进一步补充POP-Q分度法所无法提供的信息，该法可直观地反映是真正的子宫脱垂还是子宫颈过长、阴道前壁脱垂是否合并膀胱脱垂、阴道后壁脱垂是否合并直肠脱垂、疝和阴道旁侧缺陷，对于各水平的缺陷情况均有很好的体现，因而有利于治疗策略的制定，并解决当前盆底手术领域存在的争议问题。基于MRI数据集，笔者研究团队构建了POP患者的动静态盆腔器官三维重建模型（见图1），目前已初步应用于临床。此外，在子宫颈延长和会阴损伤的定性定量研究方面，笔者研究团队发现，子宫颈长度的影像学测量值与临床测量值存在不一致性，会阴体面积及移动度与POP的发生相关，这提供了会阴体修复的直接证据和评估方法［28-29］。
实现POP人工智能诊断的后续步骤是精准化制定微无创治疗方案。通过AI技术可以高效地对盆腔器官及毗邻结构进行充分的术前及术中识别，其中很重要的一点是智能化识别解剖变异，避免不必要的损伤。例如，众所周知，骶骨固定术是治疗POP的金标准术式，临床上开展较为广泛，但骶前区域的血管走行复杂多变，并且一旦发生血管损伤，止血较为困难。因此，术者需要充分了解这一区域的解剖及与周边组织器官的毗邻关系，以达到尽可能避免手术损伤的目的。笔者研究团队通过计算机断层扫描
5微无创与人工智能融合在盆底疾病诊治中的展望
尽管我们希望通过手术来重建盆底解剖结构，改善盆底疾病患者的生活质量，但并非所有患者接受手术治疗后都能获得满意的结果。因此，为实现个体化精准治疗，对盆底疾病治疗后生活质量的预测是关键一环。同时将诊断评估和疗效预测纳入AI系统，对于准确、高效、个体化管理盆底疾病是十分有价值的。然而，目前这方面的研究还十分有限，需要进一步探索。我们希望建立一个集诊断、导向性治疗、疗效预测、跟踪随访为一体的智能化模型，一方面提高对盆底疾病诊断的效率及准确性，另一方面要根据AI诊断的结果选择最合适的治疗方式，并预测疗效，从而决定最终的治疗方案。通过构建数字化模型提供术前手术模拟和演练、术中实时导航，降低手术并发症的发生率，可增加投入到微无创治疗中的信心和安全度。此外，通过对大量影像数据进行分析，人工智能所提取到的信息也可以为盆底支持理论的发展及诊断体系的优化提供参考。
6结语
盆底疾病的诊治是一个非常重要且敏感的话题，全面、准确地评估盆底疾病与临床治疗方式的选择、手术并发症及手术疗效密切相关［32-33］。虽然AI在盆底疾病中的应用仍处于探索阶段，但其优势是毋庸置疑的，对于提升诊断的效率及准确率具有重要意义。此外，随着微无创的理念深入人心，借助AI技术充分评估手术风险及安全性，制定个体化手术方案以及减少人为干预，也是未来工作中的重点。
参考文献略。
来源：刘萍，刘云鹭.微无创与人工智能融合在盆底疾病诊治中的应用及展望［J］.中国实用妇科与产科杂志，2024,40(9):882-886.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
