投稿
LINE

泌尿肿瘤专家谈10:关于前列腺癌筛查、诊断和局部治疗的2024年更新版指南解读

来自  程亮 徐珊  2024-11-20

本期推送文章由程亮教授选送,为《European Urology》杂志推出的关于前列腺癌筛查、诊断和局部治疗的2024年更新版指南,由欧洲泌尿学协会、欧洲核医学协会、欧洲放射肿瘤学协会、欧洲泌尿生殖放射学协会、国际泌尿病理学会和国际老年肿瘤学会共同制定。指南涵盖了从筛查、诊断到局部治疗的全面更新,旨在管理临床局部前列腺癌。该指南反映了前列腺癌管理的多学科性质,并提供了最新的证据和推荐。本次推送重点内容为低,中,高风险前列腺癌患者的管理建议。

 

一、对低风险前列腺癌患者的管理建议


对于低风险前列腺癌患者,2024年更新版指南推荐采用主动监测策略,强度评级:强推荐。适用于预期寿命超过10年的患者。这些患者通常不需要立即进行手术或放疗,而通过定期监测前列腺特异性抗原(PSA)、数字直肠检查(DRE)和MRI等手段,定期随访和监测来病情变化。在出现PSA进展或DRE、MRI发现变化时,不应在没有重复活检的情况下进展到积极治疗。建议基于多学科的综合评估和最新的证据,旨在通过风险适应策略来管理前列腺癌,确保在不影响患者生活质量的前提下,提供最合适的治疗方案。

 

二、中等风险前列腺癌患者的治疗建议


对于中等风险前列腺癌患者的治疗建议,特别是那些预期寿命小于10年的患者,应主动监测(Active Surveillance),并考虑以下几种治疗方法:1)根治性前列腺切除术(Radical Prostatectomy, RP):可以选择根治性前列腺切除术作为治疗手段,尤其是对于那些经过选择的患者,作为多模式治疗的一部分。2)放射治疗(Radiation Therapy):包括外照射放射治疗(EBRT)和近距离放射治疗(Brachytherapy)。对于中等风险的患者,可以使用低剂量率(LDR)近距离放射治疗作为外照射放射治疗的补充,以提高剂量。3)雄激素剥夺疗法(Androgen Deprivation Therapy, ADT):对于中等风险的患者,可以结合12个月的雄激素剥夺疗法与放射治疗来提高治疗效果。4)高强度聚焦超声(High-intensity Focused Ultrasound, HIFU):作为一种局部治疗手段,可以在临床试验或注册研究中考虑使用。针对每位患者具体的治疗方案应根据患者的具体情况和医生的专业判断来确定。

 

三、高风险前列腺癌患者的诊断和治疗建议


对于高风险前列腺癌患者,指南强调了多学科团队的综合管理。同时指出高风险PCa患者在初始分期时应考虑进行全面的评估,包括使用PSMA PET/CT成像,这有助于识别许多患有转移性疾病的男性。在决定是否进行筛查、诊断和局部治疗时,评估患者的生命预期和健康状况是非常重要的。治疗方式推荐:1)根治性前列腺切除术(RP),对于选定的高风险患者,RP可以作为潜在的多模式治疗的一部分。在多模式治疗中,RP结合其他治疗方法(如放疗和激素治疗)可以提高癌症特异性生存率(CSS)。2)低剂量率(LDR)近距离放射治疗,可以与外照射放射治疗(EBRT)联合使用,作为剂量递增的方法,适用于不利的中高风险患者,并结合12个月的雄激素剥夺疗法(ADT)。这种方法可以改善10年的PSA无进展生存率(PFS),尽管对无转移生存率或总生存率(OS)没有影响。3)淋巴结清扫,对于高风险前列腺癌患者,扩展的骨盆淋巴结清扫可以帮助更准确地分期并可能改善预后。术后管理推荐辅助放疗,对于高风险复发的患者,高风险患者在接受根治性前列腺切除术后,可能会受益于进一步的治疗,如放疗和长期雄激素抑制。同时强调综合管理,高风险前列腺癌的管理通常需要一个多学科团队,包括泌尿科医生、放射科医生、肿瘤科医生和其他相关专家。根据患者的具体情况(如ISUP分级、cT分类、PSA水平等)制定个体化的治疗方案。以上建议基于最新的指南和研究,旨在提高高风险前列腺癌患者的治疗效果和生活质量。


四、指南的局限性和未来研究方向:

尽管指南提供了最新的证据和推荐,但诊断和治疗前列腺癌的领域仍在迅速发展。未来的研究应继续探索新的诊断和治疗方法,以提高前列腺癌患者的治疗效果和生活质量。指南的更新和修订将根据新的研究证据和临床实践需求进行。

下一篇
泌尿肿瘤专家谈【九】 | 肾肿瘤精准分类最新研究进展
人工智能(AI)作为一种新兴的辅助技术被探索用于临床诊疗,尤其在提高组织病理学分类的准确性方面至关重要。因此使用AI对肾细胞癌(RCC)等肿瘤进行分类颇具前景。然而,目前尚缺乏针对RCC亚型设计的AI模型,为此布朗大学的程亮(医学博士,理学硕士)教授团队联合多个学科完成了一项针对RCC的AI模型设计,并将研究成果《Artificial intelligence-based multi-class histopathologic classification of kidney neoplasms》于2023年发表在《Journal of Pathology Informatics》期刊。该研究利用252张全玻片图像(WSI)(包括56张透明细胞RCC、81张乳头状RCC、51张嫌色细胞RCC、39张透明细胞乳头状RCC和6张肾母细胞瘤图像)创建了一个计算模型。该AI图像分类器的开发使用了298,071个图像块(每个350×350像素)。该计算模型表现优异,为AI模型的临床转化提供了可能性,需使用多机构多中心的大型数据集和前瞻性研究进行进一步验证该AI模型。   一、研究背景 肾细胞癌是常见恶性肿瘤之一,诊断通常基于症状、影像检查及组织病理学。组织病理学为金标准,能区分肾细胞癌亚型及良性肾肿瘤,对预后和治疗至关重要。然而,病理学家稀缺及免疫组织化学等辅助研究有限是一大挑战。数字病理学和基于人工智能的图像分析技术,特别是卷积神经网络,为自动化图像分类提供了可能性。本研究旨在创建能区分多种肾细胞癌亚型和良性肾肿瘤的计算AI模型,并评估其在全玻片图像验证数据集上的性能。   二、全玻图像分类 本研究总共使用了252张全玻片图像(WSI)来创建基于AI的图像分类器(197张WSI)和全玻片图像级别的肿瘤分类数据集(55张WSI)。 三、创建AI图像分类器 AI图像分类器通过Google AutoML API创建,使用298,071个非重叠的图像块进行开发,这些图像块被详细分类并随机划分为训练集(75%)、测试集(5%)和验证集(20%)。图像分类器经过1小时训练后,在基于区域下部分精确率曲线(AuPRC)的平均精确度上达到了76%(图1),经过8小时训练后,该指标提升至93%。在50%的阈值下,图像分类器的精确度为88%,召回率为86%(图1)。在分类任务中,该模型对嗜酸细胞瘤的分类表现最佳(94%),而对嫌色性肾细胞癌(ccpRCC)的分类表现最差(47%)。此外,文中还提到了1小时和8小时训练模型的混淆矩阵。   三、全玻片图像性能 为了评估图像块分类器的性能,采用了独立的全玻片图像(WSI)验证数据集。该分类器的任务是识别全玻片图像中的肿瘤图像块。每张全玻片图像包含的肿瘤图像块数量不等,平均985个,范围在35至2,508个之间。多数全玻片图像中,最常见诊断的图像块占比很高,超过67%的病例中,最常见诊断的图像块占比超过90%。基于多数投票的肿瘤分类方法表现良好,在85%的病例(47/55)中正确分类了肿瘤,包括肾细胞癌和嗜酸细胞瘤等多种类型。所有占比高于0.77的肿瘤均被正确分类。 综上所述,图像块分类器在全玻片图像验证数据集上表现出色,具有较高的准确性和可靠性。   四、验证模型预测的准确性 病理学家随机检查了全玻片图像数据集中高置信度预测的肿瘤图像块,发现它们具有典型的组织病理学特征(图3)。具体而言: ccRCC(嫌色性肾细胞癌)图像块显示透明细胞小巢和肺泡结构(图3a)。 pRCC(乳头状肾细胞癌)图像块有乳头状突起,分为1型(嗜两性细胞质)和2型(嗜酸性细胞质)(图3b)。 chRCC(透明细胞肾细胞癌)图像块展现植物状细胞边界、核周晕及混合细胞(图3c)。 ccpRCC(集合管癌)图像块有透明细胞短乳头状突起和管囊状结构(图3d)。 嗜酸细胞瘤图像块含嗜酸性细胞巢及小囊肿(图3e)。 肾母细胞瘤图像块显示高核质比细胞的紧密管状结构(图3f)。 (图片在网站上观看会导致画面变形,请于大家泌尿公众号上阅读全文。) 该模型能准确区分嫌色性肾细胞癌(ccRCC)与集合管癌(ccpRCC),以及乳头状肾细胞癌(pRCC)的乳头状突起与集合管癌。模型未将ccpRCC误判为ccRCC。同时,模型在区分嗜酸细胞瘤与透明细胞肾细胞癌(chRCC)方面表现优异,无显著重叠。特例分析显示,模型在全玻片中将透明细胞肾细胞癌的嗜酸性变异型准确归类,但在分析部分图像块时因嗜酸性细胞巢结构干扰,误判为嗜酸细胞瘤,提示需持续优化算法。   五、结论 本研究开创性地将人工智能(AI)模型应用于肾细胞肿瘤(RCC)亚型的精细分类中,成功区分了六种关键的RCC亚型,包括嫌色性肾细胞癌(ccRCC)、乳头状肾细胞癌(pRCC)等,甚至在肾母细胞瘤这一难以分类的肿瘤上也取得了成效。相较于过去主要局限于2-3种RCC亚型分类的研究,本研究显著拓宽了研究的广度,覆盖了四种最常见的RCC亚型(合计占RCC总病例的95%),并纳入了嗜酸细胞瘤和肾母细胞腺瘤。 鉴于罕见肿瘤亚型病例数据的稀缺性,本研究正积极推动多机构合作,以加速病理学领域AI研究的进展。通过全切片图像(WSI)验证数据集,本研究深入评估了AI模型在肾切除术标本上精准区分六种RCC亚型的能力。然而,数据集未涵盖活检标本,且pRCC病例的增加可能带来选择偏倚。同时,虽然ccRCC病例多为2级和3级,但本研究未进行等级亚组性能分析。 尽管在创建诊断标签时采用了相对朴素的多数投票技术,但该AI模型在全自动诊断WSI方面已初步展现出潜在的准确性。为确保其可重复性,仍需进行大规模、多机构参与的验证研究。 参考文献:Gondim,D D.,AlObaidy, K l., ldrees, M.T, Eble, J N.,& Cheng, L.(2023). Artificialintelligence-based multi-class histopathologic classification of kidney neoplasms. Jouma/ ofPathologyInformatics,14.100299  
2024-11-20