前列腺癌 AI 做了三十年，为什么还没证明能延长生命

截至 2025 年底，还没有一项前瞻性研究证明，用 AI 能让前列腺癌病人活得更久或者活得更好。这不等于 AI 没用。已经有前瞻性试验证明，AI 能让穿刺查出更多该治的癌，让手术切得更干净；只是这些都是中间结局，离「多活几年」还隔着十年以上的随访。

我和 Babu J. Padanilam 刚在 Discover Artificial Intelligence 上发表了一篇综述，把 1994 年到 2025 年前列腺癌 AI 的研究按时间顺序梳理了一遍，回答的就是这个问题。还没证明，原因在于：

1. 前列腺癌发展慢。局限在前列腺里的癌，换一种治法，死亡率的差别往往要十年以上才看得出来，而 AI 进入临床试验才两三年。

2. 三十年里，AI 每解决一个技术难关，卡住它的地方就换到下一步：先是算法不够准，后来是换一家医院就不准，再后来是医院的看病流程用不上它，现在卡在病人有没有长期获益，这方面还没有数据。

前列腺癌从发现到治疗，每一步都有不好拿主意的地方。抽血查 PSA 会查出一些本来不需要治的癌；穿刺取出组织后，病理医生要给癌打 Gleason 分级，判断它凶不凶，不同医生之间的一致程度只有中等（一致性系数 kappa 在 0.47 到 0.70 之间，1 代表完全一致）；治不治、怎么治，还要看病人自己怎么取舍。

AI 在这几步都试过：从 PSA 和化验数字里算风险，读核磁共振片子找病灶，在病理切片上找癌、打分级，帮放疗科画靶区，帮外科医生在术中定位。

第一阶段（1994–2016）：数据太少，算法再新也难胜出

1994 年，第一批神经网络研究出现了。一项研究用 PSA、直肠指检和超声结果训练了一个神经网络，在 1,787 名男性里准确率 87%。

可是当时能用的只有十来个化验和检查数字，神经网络和传统统计方法用的是同一批信息，自然拉不开差距。一项 3,980 人的比较里，传统的列线图（一种把几项指标换算成风险的计算图）准确率 71%，神经网络反而只有 67%。后来被广泛使用的，反而是 1998 年 Kattan 做的列线图：它用普通回归方法，印在纸上就能用，医生也看得懂每一项指标起了多大作用。

这一阶段真正落地的是用大量分子数据的模型。瑞典的 Stockholm3 把 6 个蛋白标志物、232 个基因位点和临床信息放进一个模型，在 47,688 名男性里，发现同样多高危癌的前提下，比只看 PSA 少做 32% 的穿刺，后来在北欧进了常规临床。它用的其实是传统的回归方法，说明能不能落地，和算法新不新关系不大。

第二阶段（2017–2020）：看片子比得上专家，却没人天天用

2016 年前后，深度学习进入医学影像，电脑可以直接从片子和切片的像素里自己学特征，不再靠人提前设计。

几年之内，病理 AI 在切片上找癌的准确度做到了曲线下面积 0.997（1 代表完全不出错）。但找癌和分级是两回事：同一个系统给 Gleason 分级，和专家的一致性只有 0.62，落在专家水平的下限。

问题在于这些成绩大多来自一两家医院的回顾性数据。不同医院的染色方法、扫描仪和核磁参数不一样，深度学习学到的特征里混进了这些设备差异。换一家医院，模型常常水土不服，成绩往下掉。

第三阶段（2021–2023）：拿到上市许可，换家医院成绩就打折

2021 年 9 月，美国 FDA 批准了第一个前列腺穿刺病理 AI，Paige Prostate。在一项 218 家机构、610 张切片的验证里，病理医生用了它以后，找癌的敏感度从 88.7% 升到 96.6%。注意它批的是「帮医生找癌」，不是让它自己打分级。

这几年的多中心研究反复看到同一个现象：找癌接近满分，分级换一家医院就不稳；核磁 AI 到外院数据上普遍变差。还有一个例子很说明问题：一个自动放疗计划系统，89% 的计划达到临床可接受标准，在模拟里医生会选它的计划 83%，真正上线以后只选了 61%。

上图来自我们这篇综述的 Fig. 1，按时间列出了每个阶段的代表研究，以及卡住 AI 的地方怎样一步步往后移。

第四阶段（2024–2025）：前瞻性试验来了，测到的是中间结局

最近两年，终于有了前瞻性试验，也就是先设计好、再招募病人往下做的研究，证据等级比回顾性数据高得多。

• 一项 380 人的单中心随机试验，用 AI 辅助定位穿刺，查出有临床意义前列腺癌的比例从 46.56% 升到 58.64%；

• RIDERS 研究 133 人，手术时用 AI 三维导航，切缘阳性（切下来的标本边缘还有癌）从 39% 降到 22%；随访满 12 个月的 82 人里，能控制住小便的比例是 91% 对 71%；

• CONFIDENT-P 研究 82 人，病理医生用了 AI 以后，每查出一例癌需要加做的免疫组化染色减少了将近一半（相对风险 0.55）。

这些都是实实在在的好处：少挨一针穿刺、少漏一个该治的癌、少一次切不干净，病人都能感受到。

规模最大的国际验证 PI-CAI 研究给出了另一面：AI 读核磁比放射科医生的平均水平强，同样敏感度下假阳性更少；但和医院里多学科团队的常规判断比，没有达到研究事先定的非劣效标准。和单个医生比，和一整个团队比，回答的是两个不同的问题。

为什么「还没证明能延长生命」不等于「没用」？

因为前列腺癌的时间尺度太长。ProtecT 研究（和 AI 无关）把 1,643 名局限性前列腺癌病人随机分到主动监测、手术和放疗，中位随访 15 年，三组死于前列腺癌的比例是 3.1%、2.2% 和 2.9%，统计上没有差别；转移比例是 9.4%、4.7% 和 5.0%。

也就是说，连手术和放疗这样的大治疗，要拉开生死差别都需要十几年、上千人。AI 改变的只是诊断和手术中的一个环节，指望两三年的试验看到生存差别，未免操之过急。

所以我们在综述里的判断是：中间结局的获益应该单独报告、单独评价，不要因为还没有生存数据就否定它；同样，也不能把检出率提高直接说成「能救命」。前列腺癌的麻烦在于两头都可能伤人：漏掉凶险的癌会耽误治疗，把不凶的癌查出来再去治，又会让病人白白承受尿失禁、勃起功能障碍这些副作用。好的 AI 两个方向都要帮上忙。

接下来该看什么？

上图是综述的 Fig. 2，列出安全、可解释、公平、监管、落地五个问题在不同阶段的变化。其中公平性的数据最近才有：一项 5,708 人的研究里，多模态 AI 的预后判断在非裔美国人中仍然有效，但区分能力弱一些。用少数族裔占比很低的老数据训练模型，再套到所有人身上，容易以偏概全，换一个人群就需要重新验证。

大语言模型和 AI 智能体是最新的一波。现有研究多数是回顾性或模拟的：在 171 个回顾性病例里，模型给出的方案和多学科会诊一致的占 93%，但仍有 3% 不符合指南。一个肿瘤智能体在 20 个模拟病例里结论正确率 91.0%，可它引用的文献只有 75.5% 真能支持它的说法。这类工具目前只适合在医生把关下用。

我个人的看法是，评价一个前列腺癌 AI，不该只看它在测试集上的分数，要看它改变了哪一个临床决定，以及这个决定之后病人是多受益还是多受罪。诊断工具要看少做了多少次不必要的穿刺、漏掉了多少该治的癌；治疗预测模型要在随机试验里比较长期结局；已经上线的系统要持续监测在不同人群里准不准。

前列腺癌 AI 三十年，技术进步是实打实的，前瞻性试验也开始看到中间获益；能不能让病人活得更久、活得更好，还要再等更长的随访。

参考来源

· Yue W, Padanilam BJ. Discover Artificial Intelligence 2026;6:1659

· Hamdy FC, et al. N Engl J Med 2023 (ProtecT)

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。