人工智能在肾上腺肿瘤诊疗中的应用进展

人工智能在肾上腺肿瘤诊疗中的应用进展【摘要】肾上腺肿瘤是具有高度异质性的内分泌系统疾病，其临床亚型间预后差异显著，因此精准诊疗至关重要。为提升诊疗精度、优化预后评估、推进个性化医疗，人工智能（AI）在肾上腺肿瘤领域的应用日益广泛。本文系统总结了近年来AI在肾上腺肿瘤精准诊断、治疗策略制定和预后预测等方面的应用，并探讨其优势与局限。AI可有效提高肾上腺肿瘤精准诊疗水平，在诊断层面，实现亚型鉴别受试者工作特征（ROC）曲线下面积（AUC）达94.5%；在术中管理上，血流动力学风险预测AUC达93.7%，在预后评估中，对肿瘤转移的预测敏感性达91.7%，特异性达95.5%。此外，AI还可有效辅助手术决策与个体化药物推荐。然而，当前应用仍面临诸多挑战，包括单中心数据异质性高、算法可解释性不足、多模态与多组学融合不充分等。未来需通过构建标准化多中心数据库、发展可解释AI技术、强化多维度信息融合及开展大规模临床验证等措施，加快AI在肾上腺肿瘤临床中的转化，推动肾上腺肿瘤诊疗向精准化与个体化发展。【关键词】人工智能；肾上腺肿瘤；影像组学；内分泌功能；精准医疗；多模态数据随着高分辨腹部影像学技术的普及，肾上腺肿瘤临床检出率已达4.2%，其诊疗需求日益增加[1]。该类疾病具有综述高度异质性：肾上腺皮质腺瘤最为常见，约占手术切除标本的49%～69%，常需明确其功能状态以指导治疗[2]；而肾上腺皮质癌（adrenocorticalcarcinoma，ACC）虽然年发病率仅0.7～2/1000000，却侵袭性强、预后不良，5年生存率不足30%，因此早期诊断至关重要[3-4]。此外，嗜铬细胞瘤（pheochromocytoma，PHEO）等非皮质来源肿瘤因功能活性存在显著差异，进一步增加了诊疗的复杂性[2]。上述特点使得肾上腺肿瘤的精准诊疗成为当前临床亟待解决的重要课题。目前肾上腺肿瘤诊疗仍面临诸多挑战，尤以诊断环节最为突出。影像学检查对微小病灶的良恶性鉴别及功能评估方面存在局限。而作为病理诊断金标准的Weiss评分，在临界范围（2～3分）时鉴别困难，且易受病理科医师的主观因素影响[5]。同时，肾上腺是肺癌、乳腺癌等实体瘤远处转移的常见靶器官，转移瘤与原发肾上腺肿瘤的鉴别亦颇具难度。诊断的不确定性直接影响治疗决策选择的科学性：局限性肿瘤通过肾上腺切除术可获得确切疗效[6]，但约50%的患者确诊时已是晚期，治疗手段有限且疗效欠佳，其中一线化疗客观反应率仅23%[7]。现有诊疗技术还无法满足早期精准诊断与治疗优化的临床需求。人工智能（artificialintelligence，AI）技术，尤其是机器学习（machinelearning，ML）与深度学习（deeplearning，DL）能够从多模态医疗数据中提取高维特征，不仅可以减少诊断中的主观偏差，还能显著提升病变的早期识别能力[8-10]。其在影像分割、量化分析及多指标整合方面的优势，与肾上腺肿瘤诊疗的关键难点高度契合，为突破现有诊疗瓶颈提供了新的可能。本文围绕AI技术在肾上腺肿瘤的精准诊断、治疗和预后预测方面的前沿应用展开综述，旨在系统阐述AI如何应对现有诊疗挑战，为构建多模态数据驱动的肾上腺肿瘤精准诊疗体系提供参考。一、AI在肾上腺肿瘤精准诊断中的应用AI在肾上腺肿瘤诊断中的应用，主要集中在基于影像数据和病理/分子数据的分析诊断。在影像学数据分析方面，AI推动了从单一模态向多模态融合、从二维分析向三维精细化的演进，对亚型鉴别、良恶性判断、功能进行全面评估；在病理/分子数据分析方面，AI实现了病理指标标准化、分子特征深度解析与内分泌功能无创鉴别的进步。（一）基于影像学数据的肾上腺肿瘤分析诊断肾上腺的影像学数据主要涵盖CT、MRI、PET/CT等。伴随着AI技术的不断发展，基于AI的影像分析技术在肾上腺肿瘤诊断中取得了显著进展，并正从单一模态向多模态融合、从二维分析向三维精细化的方向发展。1.肾上腺肿瘤单/多模态影像的亚型鉴别与良恶性判断在单一模态分析中，不同影像学方法各有侧重。CT平扫因其以其无创、便捷和经济的特点，成为肾上腺肿瘤筛查与初步评估的首选之一[11-12]。有研究采用YOLOv5算法对CT图像进行自动检测与分类，在鉴别醛固酮瘤（aldosterone-producingadenoma，APA）和无功能肾上腺腺瘤（non-functioningadrenaladenoma，NAA）中表现出色[13]，mAP@0.5为0.988，说明该模型展现出适用于大规模筛查的潜力。MRI则适用于CT禁忌患者，笔者基于MRI影像组学构建的预测模型，在区分PHEO与其他肾上腺病变时显示出良好的鉴别能力，ROC曲线下面积（areaunderthecurve，AUC）为0.887[14]，且模型相对轻量、可解释性强。当然，传统ML模型在小样本场景中仍具价值，基于CT、MRI影像组学特征构建逻辑回归模型，能有效鉴别不同类型的功能性腺瘤，如APA、皮质醇生成腺瘤和NAA，训练集AUC分别达0.945、0.927和0.856[15]。也有研究通过多变量模型高特异性（达98%）地识别肾上腺腺瘤的脂肪成分，但灵敏度较低（仅63%），需要权衡[16]。此外，有ML网络模型依据增强CT图像纹理特征成功区分三种功能性肾上腺肿瘤，AUC均>0.882[17]，此模型为肿瘤功能的无创评估提供了可能，但其对增强CT扫描的依赖也提示了AI模型临床推广时会受到实际条件限制。单模态图像分析技术的准确率与分析效率已有提升，但单一模态难以覆盖患者的复杂个体异质性，会削弱模型的准确性与泛化性。在多模态融合方面，整合不同来源的影像与临床信息是提升诊断效能的关键。研究显示，双期相CT影像组学模型鉴别早期肾上腺转移瘤与低脂腺瘤时，AUC达0.953，显著优于单期相模型[18]。后续融合CT与PET/CT代谢特征的模型，区分良性结节与转移瘤时表现出色，训练集AUC为0.936，测试集为0.931[19]，泛化能力稳定。此外，Ma等[20]将CT影像与临床数据（如血压）相结合，能显著提升模型的诊断性能（使AUC提高了0.056～0.159），体现了影像结合临床的人机协同的价值。早期探索性研究也已证明，通过无监督ML方法分析CT多期相影像特征，能够提取出有助于区分ACC与腺瘤的有效特征[21]，为后续研究奠定基础，但样本量小、普适性有限。2.三维分割与纹理量化的精细化分析诊断肾上腺瘤传统二维分割方法在处理CT三维数据时存在明显局限，难以充分利用其丰富的空间信息。针对这一问题，Wang等[22]开发了一种基于编码器-解码器与转换器架构的CT分割模型，实现对病灶的三维整体分割，平均Dice评分系数达0.858，该方法不仅显著提升了分割的精确度，也为后续的定量评估与手术规划奠定了更为可靠的数据基础。Liu等[23]则从MRI图像的局部纹理特征入手，通过MRI全病灶直方图分析，发现T1WI（反相）第10百分位参数鉴别肾上腺腺瘤与PHEO时表现出色，AUC达0.909，进一步利用支持向量机（supportvectormachine，SVM）构建的联合诊断模型，可将AUC提升至0.917，从纹理特征量化角度为肾上腺肿瘤鉴别提供了新思路。这两项研究分别从三维结构和纹理特征入手，前者注重整体结构信息，后者侧重局部纹理信息，二者相互补充，共同推动影像分析向精细化发展。基于AI的影像分析技术在肾上腺肿瘤诊断领域的发展路径清晰且成果显著，单模态影像分析依托不同的技术优势，在肿瘤的筛查、亚型鉴别与良恶性判断中展现出应用价值，但受限于单一模态的特性，在应对患者个体异质性时的泛化能力存在短板；而多模态融合影像与临床信息的方式，以及三维精细化分割分析技术，正在不断弥补单模态与二维分析的不足，从诊断效能、分析精准度上实现提升。（二）基于病理/分子数据的肾上腺肿瘤分析诊断作为肾上腺肿瘤确诊与功能鉴别的关键依据，病理与分子数据（数字病理切片、免疫组化指标、代谢物、常规检验指标等）可通过AI技术进行标准化量化与深度解析。这不仅优化了诊断流程，提升了亚型分类与功能鉴别精度，也推动诊断模式从主观定性向客观定量的根本转型。1.数字病理指标的标准化与智能识别病理指标量化方面，AI通过标准化流程，显著提升了Ki67指数等关键预后指标评估的客观性与可重复性。Lu等[24]开发的开源工具-自动热点选择工具（automatedselectionofhotspots，ASH）可直接处理数字化病理切片，通过算法自动识别与量化Ki67阳性细胞，将传统上依赖病理科医师主观判断的热点选择与计数过程转化为客观数据输出。这直接解决了临床实践中Ki67评估观察者间变异大、一致性低的局限。研究表明，ASH的量化结果与人工数字评估高度一致（相关系数r=0.96），且能基于0%、15%、30%等临床界值可靠地对患者进行风险分层[25]。这一技术不仅将Ki67评估的可重复性提升至接近实验室检测水平，更能为病理报告提供标准化、稳定可比的数字化依据，显著提升病理诊断的可靠性。2.分子与内分泌功能的多模态鉴别肾上腺偶发瘤的功能鉴别是临床诊疗中的难点，传统方法依赖复杂的内分泌检测流程，而AI通过整合多模态数据为该问题提供了新的解决路径。通过联合质谱类固醇图谱与儿茶酚胺代谢物分析进行综合判断，可在生化层面对ACC、原发性醛固酮增多症和PHEO实现高灵敏度和高特异性的鉴别[26]，该方法突破了传统单一生化标志物的局限，实现了对内分泌功能的多维度综合解析，但由于依赖高端质谱设备和专业技术人员，目前成本较高，推广受限。除体液标志物外，基于临床特征和常规检验指标的ML模型也在功能鉴别中展现出潜力。有研究通过纳入临床表现、常规生物标志物等特征构建模型，可有效鉴别转移性嗜铬细胞瘤和副神经节瘤（pheochromocytomaandparaganglioma，PPGL），AUC达0.942（95%CI：0.894～0.969），敏感性为83%，特异性为92%[27]。更有研究仅基于白细胞相关常规检验参数，就能有效区分轻度自主皮质醇分泌和NAA，AUC为0.872，灵敏度95%，特异性为75.7%[28]，该模型依赖常规检验指标，流程简便，特别适用于基层或资源有限地区。3.AI赋能的无创分子影像检测在无创分子检测领域，AI的融入正推动技术突破，极大提升了临床转化的可行性。传统方法基于基因组、蛋白质组和代谢组的肿瘤生物标志物检测，存在耗时长、设备依赖强、需特定目标标志物等局限。表面增强拉曼散射（surfaceenhancedramanscattering，SERS）结合DL技术为此带来突破，实现对体液样本中肿瘤相关分子的灵敏、快速识别。研究表明，无标记SERS与DL相结合，可精确快速识别健康人群与包括肾上腺肿瘤在内的多种癌症患者，准确率高达98.27%[29]。该技术通过检测生物流体中乙酰乙酸和核黄素等与癌症相关的成分变化，实现对肾上腺恶性肿瘤的无创鉴别。与传统有创检测手段相比，其在早期筛查的便捷性和安全性上优势明显，有望成为肿瘤早诊的重要工具。AI能够深度解析肿瘤组织或体液中的复杂代谢物谱，提供超越传统单一标志物检测的分子信息。在琥珀酸脱氢酶缺陷型PPGL的诊断中，AI模型对代谢物数据的分析在特异性上显著优于传统的琥珀酸脱氢酶乙型免疫组化染色（99.2%vs92.5%，P=0.021），且敏感性相当（88.1%vs85.2%，P=0.774）[30]。这表明AI辅助的代谢物分析能有效提升对PPGL肿瘤组织中琥珀酸脱氢酶损伤的预测能力。以上的研究提示AI可通过标准化量化病理指标提升评估可靠性，借助多模态数据整合助力肾上腺肿瘤功能鉴别，还能赋能无创分子检测突破传统局限，为肾上腺肿瘤从病理、分子层面的精准诊断提供支撑。二、AI在肾上腺肿瘤精准治疗中的应用AI在肾上腺肿瘤治疗中的应用聚焦术中风险预测与防控、手术决策与导航优化以及晚期患者精准药物推荐三大核心方向。肾上腺肿瘤治疗的核心挑战在于术中风险不可控、手术指征不精准及晚期治疗效果差，AI技术通过这些方向的应用提供针对性解决方案，推动治疗模式从经验指导向数据指导转型。（一）基于影像/临床数据的术中风险预测与防控PPGL是儿茶酚胺分泌型神经内分泌肿瘤，发病率约为每年6/1000000[31]。在麻醉和手术刺激下一过性儿茶酚胺释放导致的术中血流动力学不稳定（hemodynamicinstability，HDI）以及随后的心脑血管并发症是PPGL患者围手术期最重要的并发症之一[32]。目前，通过全面的术前准备、谨慎选择麻醉方法和手术技术，PPGL患者的围手术期死亡率已经有所下降[33]。然而，术中HDI的发生率仍高达31.3%～69.3%[34-35]。AI能够整合临床与影像特征，实现HDI风险的精准预测。在风险预测方面，有研究基于术前CT影像及患者基础血压等常规数据构建ML模型，可高精度预测患者术中发生HDI的风险，AUC达93.7%（95%CI：88.0%～99.4%）[36]，相比传统经验判断减少漏判率，无需额外检测，临床适配性强。同时，AI进一步实现HDI风险精细化分层以指导个体化干预，通过融合临床特征与影像组学指标构建的SVM联合模型可对PPGL患者进行有效风险分层，可将患者分为低、中、高危三层，训练集AUC为0.937、外部验证集AUC为0.883[37]，基于此分层结果，临床团队可以实施个体化的术前准备与术中预案，显著降低术中血压波动幅度。（二）基于解剖/操作数据的手术决策与导航优化手术是局限性肾上腺肿瘤的主要治疗手段，AI可从手术指征判断与术中解剖导航两个环节提升安全性与合理性。在手术指征优化上，传统决策高度依赖医师经验，存在一定的主观差异。AI通过整合多维临床与影像数据，为是否进行手术提供更客观的决策支持。基于ML的诊断模型通过整合影像与临床特征，可精准识别需手术干预的患者，准确率高达91%（医学专家准确率为64%），从而帮助良性和无功能性肾上腺肿瘤患者避免不必要的手术，解决传统“一刀切”的决策困境[38]。长时间的手术、轮班和疲惫都会降低外科医师的工作表现和集中注意力的能力[39-40]。AI在术中解剖导航方面可弥补外科医师视觉疲劳与解剖变异识别不足的问题，研究者开发的DL模型，可在术前CT影像中自动、准确地分割出目标血管（如左肾上腺静脉，平均Dice评分系数达0.77）[41]，这对预防术中出血至关重要。该技术若与术中影像实时融合，有望在腹腔镜手术中为医师提供清晰的解剖引导，从而降低误损伤风险。但目前需解决实时性与手术设备兼容性问题，尚未进入常规临床应用。（三）基于分子数据的晚期患者精准药物推荐ACC患者确诊时约50%已处局部晚期或转移状态，一线化疗客观反应率仅23%[7]，AI技术可利用分子特征辅助靶向药物匹配，以提升治疗应答并降低毒副作用。Abida等[42]基于ACC患者基因突变图谱，利用随机森林模型分析突变特征与药物敏感性的关联，成功识别依维莫司、纳武利尤单抗等靶向药物。该模型通过整合TCGA数据库多组学数据，将基因突变类型与药物作用靶点直接关联，可为晚期患者提供个体化用药方案，相比传统经验性用药，可显著降低不良反应发生率。这些研究表明AI在肾上腺肿瘤精准治疗中通过多维度发挥作用，可整合影像与临床数据实现术中风险的精准预测与分层干预，依托解剖与操作数据优化手术决策并辅助术中导航，还能利用分子数据为晚期患者提供精准药物推荐，全方位提升治疗的安全性、合理性与有效性，推动治疗模式向个体化数据驱动转型。三、AI在肾上腺肿瘤预后预测中的应用AI在肾上腺肿瘤预后预测中的应用，主要集中在基于单一组学数据、多组学整合数据及突变谱数据的预后预测。传统预后评估模型依赖单一临床指标，预测精度较低，AI通过挖掘不同组学数据中的潜在信息，提升了预后预测的精准度，可为复发风险判断及术后干预指导提供可靠支持。（一）单一组学驱动的预后靶点筛选目前，单一组学驱动的肾上腺肿瘤预后预测主要依托转录组学数据挖掘预后关联基因，核心是借助公共数据库资源弥补临床样本量不足的局限。Wei等[43]通过GEO数据库分析，鉴定出ACC中CDK1、TOP2A等10个与不良预后显著相关的枢纽基因，同时筛选出69种潜在靶向药物，该研究利用公共数据，初步建立“基因表达-预后关联-治疗提示”的研究框架，为精准医学提供候选靶点。笔者团队也在转移性ACC利用类似的方法找到7个与转移性ACC密切相关的基因，有望作为治疗的靶点[44]。这些研究提供的枢纽基因的表达水平与ACC患者的生存预后密切相关，可作为判断复发风险的潜在指标，为术后干预指导提供参考。（二）多组学整合的预后模型为提升预测可信度，当前研究趋向于整合多维度数据，通过融合基因与代谢、病理与临床等不同层面的信息，拓展生物标志物的维度，从而增强AI模型的稳定性和临床适用性。在基因-代谢组学整合方面，Yang等[45]开发的ML系统，整合了基因表达谱与代谢组数据，并通过SVM、神经网络等算法成功实现了肾上腺肿瘤组织学分型，不仅发现hTERT、PCNA等增殖相关基因与恶性风险正相关，还识别出P27KIP1在正常肾上腺髓质中高表达（P<0.05），相比单一组学模型，这种多算法交叉验证的策略显著提升了分类的稳定性，但未系统比较不同算法在肾上腺肿瘤中的性能差异，且P27KIP1在不同亚型间表达一致性不足，需进一步优化。在病理-临床信息整合方面，笔者团队基于159例ACC患者的病理组学特征，通过无监督分割提取5个关键特征，进而构建LASSO-Cox预后风险标签，该标签在训练集和验证集均显示出显著的预后区分能力（HR分别为3.380、3.904，均P<0.001）。进一步结合M分期构建了列线图，其预测效能（训练集C-index0.779、验证集C-index0.752）显著优于传统临床病理模型[46]，但该模型依赖单中心回顾性数据，可能存在选择偏倚，其普适性需多中心前瞻性验证。AI在多模态数据中挖掘关键驱动基因方面也展现出独特优势。针对PPGL，Oh等[47]整合nCounter检测数据与临床信息，构建的多模态ML模型能有效预测转移风险，其关键基因CDK1的表达与肿瘤大小呈正相关，模型敏感性达91.7%，特异性为95.5%。另一方面，针对原发性醛固酮增多症，Sun等[48]通过组合ML算法，从多组学数据中高效鉴定出APA的新型标记基因ATP2A3，并验证了其在调控醛固酮合成关键酶CYP11B2表达中的核心作用。通过融合基因、代谢、病理与临床等多维度数据，AI不仅提升了肾上腺肿瘤模型分类与预测的稳定性，更驱动了其新型生物标志物和关键调控基因的发现。（三）突变谱导向的个体化预后预测针对遗传倾向显著的亚型，AI能够基于其特异性基因突变实现个体化预后评估，并进一步与精准治疗策略相衔接。Abida等[42]基于TCGA多组学数据，通过随机森林分类器解析了GBP1、KIF13B等基因的特异性突变与PPGL预后的关联，从而建立起个体化预测模型；该模型不仅能评估转移风险，还可根据突变图谱直接关联到依维莫司等潜在有效的靶向药物，实现预后预测到治疗推荐一体化；但TCGA数据库中PPGL样本少，且未纳入中国人群突变谱，模型难以直接推广。AI在肾上腺肿瘤预后预测中形成多维度应用体系，单一组学可借助公共数据库挖掘预后关联基因提供候选靶点，多组学整合能提升预测稳定性并发现新型生物标志物，突变谱导向则实现遗传倾向亚型的个体化预后评估与治疗衔接，为精准预后判断和术后干预指导提供全面支撑，同时各方向均需进一步验证优化以提升临床适用性。四、总结（一）AI在肾上腺肿瘤精准诊疗应用面临的问题当前AI模型向临床转化存在几个关键挑战：（1）数据质量与泛化性不足。多数研究依赖单中心数据，而不同医疗机构的影像设备参数、病理标注标准差异明显，导致模型在跨中心应用时性能下降；公共数据库中肾上腺肿瘤样本量有限，尤其缺乏中国人群特异性数据，进一步限制模型的本地化适配效果。（2）算法可解释性差。AI模型的“黑匣子”特性使临床医师难以理解决策的过程，比如利用影像组学模型鉴别肾上腺肿瘤亚型时，无法清晰说明关键特征的医学意义，这导致临床医师对模型结果信任度不足，从而影响临床应用。（3）临床转化路径不畅。多中心验证面临数据隐私保护、协作成本高、评估标准不统一等问题，即使术中导航、无创代谢物检测等技术展现潜力，仍缺乏大规模前瞻性验证，尚未形成标准化临床应用流程，难以真正落实到常规诊疗工作中。（4）伦理、社会与法律问题[49]。在数据治理方面，患者数据隐私保护与使用权限分界尚不明确。将AI工具纳入临床实践可能加剧现有的医疗资源分配不平等和诊断偏见，因为训练数据集可能无法充分覆盖所有目标人群[50]。例如部分AI模型因训练数据中男性样本占比过高，对女性肾上腺肿瘤患者的漏诊率明显高于男性。目前，国际上尚未形成统一的AI医疗监管标准，AI在医疗领域的实施细则仍需进一步完善。有研究者主张通过开放科学实践推动该领域发展，例如促进代码和数据共享、推行以参与者为中心的算法开发，并鼓励获取更多临床试验数据[51]。要解决上述问题，需要融合多学科专业知识、构建健全的网络安全和风险管理、使用具有代表性的人口数据并建立独立的训练和验证数据集，同时关注人为因素和系统互操作性所发挥的作用。（二）AI在肾上腺肿瘤精准诊疗应用中的发展趋势针对当前挑战，AI在肾上腺肿瘤诊疗中的发展需聚焦四大方向：（1）构建标准化数据体系。制定跨中心影像采集、病理标注、临床数据标准，结合联邦学习等技术在保护隐私的前提下实现多中心协同，弥补单中心样本的局限，并补充中国人群特异性数据，确保模型适用于肾上腺肿瘤中不同的患者群体和临床环境。（2）推进可解释AI落地。开发热力图、特征归因等可视化工具，明确模型决策的医学依据，结合病理、临床知识对算法过程进行解读，以增强临床医师甚至患者对AI技术的信任。（3）深化多模态与多组学融合。整合影像、病理、分子等多维度数据，将单一维度的风险预测升级为多维度综合评估，进一步提升决策精度，满足诊疗全流程需求。（4）完善临床转化验证体系。建立从实验室研发、经多中心前瞻性验证到纳入临床指南的路径，针对高潜力技术开展分层验证，优先推动成熟度高的AI工具进入常规临床工作中，最终实现从技术到临床的有效转化，推动肾上腺肿瘤诊疗进入数据驱动、精准个体化的新阶段。参考文献[1]BovioS,CataldiA,ReimondoG,etal.Prevalenceofadrenalincidentalomainacontemporarycomputerizedtomographyseries[J].JEndocrinolInvest,2006,29(4):298-302.DOI:10.1007/BF03344099.[2]FassnachtM,ArltW,BancosI,etal.Managementofadrenalincidentalomas:EuropeanSocietyofEndocrinologyClinicalPracticeGuidelineincollaborationwiththeEuropeanNetworkfortheStudyofAdrenalTumors[J].EurJEndocrinol,2016,175(2):G1-G34.DOI:10.1530/eje-16-0467.[3]FassnachtM,DekkersOM,ElseT,etal.EuropeanSocietyofEndocrinologyClinicalPracticeGuidelinesonthemanagementofadrenocorticalcarcinomainadults,incollaborationwiththeEuropeanNetworkfortheStudyofAdrenalTumors[J].EurJEndocrinol,2018,179(4):G1-G46.DOI:10.1530/eje-18-0608.[4]LibéR,BorgetI,RonchiCL,etal.PrognosticfactorsinstageIII-IVadrenocorticalcarcinomas(ACC):anEuropeanNetworkfortheStudyofAdrenalTumor(ENSAT)study[J].AnnOncol,2015,26(10):2119-2125.DOI:10.1093/annonc/mdv329.[5]ViëtorCL,CreemersSG,vanKemenadeFJ,etal.Howtodifferentiatebenignfrommalignantadrenocorticaltumors?[J].Cancers,2021,13(17):4383.DOI:10.3390/cancers13174383.[6]LivhitsM,LiN,YehMW,etal.Surgeryisassociatedwithimprovedsurvivalforadrenocorticalcancer,eveninmetastaticdisease[J].Surgery,2014,156(6):1531-1540.DOI:10.1016/j.surg.2014.08.047.[7]ArdolinoL,HansenA,AcklandS,etal.Advancedadrenocorticalcarcinoma(ACC):areviewwithfocusonsecond-linetherapies[J].HormCancer,2020,11(3-4):155-169.DOI:10.1007/s12672-020-00385-3.[8]米昀,张桂滨,路艳蒙,等.基于深度学习的肾活检超微病理特征分类模型的构建与验证[J].暨南大学学报(自然科学与医学版),2026,47(1):122-133.DOI:10.11778/j.jdxb.20250160.MiY,ZhangGB,LuYM,etal.Constructionandverificationofclassificationmodelofultramicroscopicpathologicalfeaturesofrenalbiopsybasedondeeplearning[J].JJinanUnivNatSciMedEd,2026,47(1):122-133.DOI:10.11778/j.jdxb.20250160.[9]JiangF,JiangY,ZhiH,etal.Artificialintelligenceinhealthcare:past,presentandfuture[J].StrokeVascNeurol,2017,2(4):230-243.DOI:10.1136/svn-2017-000101.[10]TriantafyllidisAK,TsanasA.Applicationsofmachinelearninginreal-lifedigitalhealthinterventions:reviewoftheliterature[J].JMedInternetRes,2019,21(4):e12286.DOI:10.2196/12286.[11]OzturkE,OnurSildirogluH,KantarciM,etal.Computedtomographyfindingsindiseasesoftheadrenalgland[J].WienKlinWochenschr,2009,121(11):372-381.DOI:10.1007/s00508-009-1190-y.[12]YiX,GuanX,ZhangY,etal.Radiomicsimprovesefficiencyfordifferentiatingsubclinicalpheochromocytomafromlipid-pooradenoma:apredictive,preventiveandpersonalizedmedicalapproachinadrenalincidentalomas[J].EPMAJ,2018,9(4):421-429.DOI:10.1007/s13167-018-0149-3.[13]PiaoZ,MengM,YangH,etal.Distinguishingbetweenaldosterone-producingadenomasandnon-functionaladrenocorticaladenomasusingtheYOLOv5network[J].ActaRadiol,2024,65(8):1007-1014.DOI:10.1177/02841851241251446.[14]KongJ,ZhengJ,WuJ,etal.Developmentofaradiomicsmodeltodiagnosepheochromocytomapreoperatively:amulticenterstudywithprospectivevalidation[J].JTranslMed,2022,20(1):31.DOI:10.1186/s12967-022-03233-w.[15]ZhangX,SiY,ShiX,etal.Differentiationofmultipleadrenaladenomasubtypesbasedonaradiomicsandclinico-radiologicalmodel:adual-centerstudy[J].BMCMedImaging,2025,25(1):45.DOI:10.1186/s12880-025-01556-w.[16]LanoixJ,DjelouahM,ChocardelleL,etal.Differentiationbetweenheterogeneousadrenaladenomaandnon-adenomaadrenallesionwithCTandMRI[J].AbdomRadiol(NY),2022,47(3):1098-1111.DOI:10.1007/s00261-022-03409-4.[17]AlimuP,FangC,HanY,etal.Artificialintelligencewithadeeplearningnetworkforthequantificationanddistinctionoffunctionaladrenaltumorsbasedoncontrast-enhancedCTimages[J].QuantImagingMedSurg,2023,13(4):2675-2687.DOI:10.21037/qims-22-539.[18]CaoL,XuW.RadiomicsapproachbasedonbiphasicCTimageswelldifferentiate"earlystage"ofadrenalmetastasesfromlipid-pooradenomas:aSTARDcompliantarticle[J].Medicine,2022,101(38):e30856.DOI:10.1097/MD.0000000000030856.[19]CaoL,ZhangD,YangH,etal.18F-FDG-PET/CT-basedmachinelearningmodelevaluatesindeterminateadrenalnodulesinpatientswithextra-adrenalmalignancies[J].WorldJSurgOncol,2023,21(1):305.DOI:10.1186/s12957-023-03184-6.[20]MaC,FengB,LinF,etal.DifferentiatingadrenalmetastasesfrombenignlesionswithmultiphaseCTimaging:Deeplearningcouldplayanactiveroleinassistingradiologists[J].EurJRadiol,2023,169:111169.DOI:10.1016/j.ejrad.2023.111169.[21]TorresanF,CrimìF,CeccatoF,etal.Radiomics:anewtooltodifferentiateadrenocorticaladenomafromcarcinoma[J].BJSOpen,2021,5(1):zraa061.DOI:10.1093/bjsopen/zraa061.[22]WangL,YeM,LuY,etal.Acombinedencoder-transformer-decodernetworkforvolumetricsegmentationofadrenaltumors[J].BiomedEngOnline,2023,22(1):106.DOI:10.1186/s12938-023-01160-5.[23]LiuJ,XueK,LiS,etal.Combineddiagnosisofwhole-lesionhistogramanalysisofT1-andT2-weightedimagingfordifferentiatingadrenaladenomaandpheochromocytoma:asupportvectormachine-basedstudy[J].CanAssocRadiolJ,2021,72(3):452-459.DOI:10.1177/0846537120911736.[24]LuH,PapathomasTG,vanZessenD,etal.AutomatedSelectionofHotspots(ASH):enhancedautomatedsegmentationandadaptivestepfindingforKi67hotspotdetectioninadrenalcorticalcancer[J].DiagnPathol,2014,9:216.DOI:10.1186/s13000-014-0216-6.[25]PapathomasTG,PucciE,GiordanoTJ,etal.AninternationalKi67reproducibilitystudyinadrenalcorticalcarcinoma[J].AmJSurgPathol,2016,40(4):569-576.DOI:10.1097/PAS.0000000000000574.[26]BerkeK,ConstantinescuG,MasjkurJ,etal.Plasmasteroidprofilinginpatientswithadrenalincidentaloma[J].JClinEndocrinolMetab,2022,107(3):e1181-e1192.DOI:10.1210/clinem/dgab751.[27]PamporakiC,BerendsAMA,FilippatosA,etal.Predictionofmetastaticpheochromocytomaandparaganglioma:amachinelearningmodellingstudyusingdatafromacross-sectionalcohort[J].LancetDigitHeal,2023,5(9):e551-e559.DOI:10.1016/S2589-7500(23)00094-8.[28]ZhaoX,ZhouJ,LyuX,etal.AnovelmodelusingleukocytestodifferentiatingmildautonomousCortisolsecretionandnon-functioningadrenaladenoma[J].SciRep,2024,14(1):23557.DOI:10.1038/s41598-024-74452-y.[29]XiongCC,ZhuSS,YanDH,etal.Rapidandprecisedetectionofcancersvialabel-freeSERSanddeeplearning[J].AnalBioanalChem,2023,415(17):3449-3462.DOI:10.1007/s00216-023-04730-7.[30]WallacePW,ConradC,BrückmannS,etal.Metabolomics,machinelearningandimmunohistochemistrytopredictsuccinatedehydrogenasemutationalstatusinphaeochromocytomasandparagangliomas[J].JPathol,2020,251(4):378-387.DOI:10.1002/path.5472.[31]LeungAA,PasiekaJL,HyrczaMD,etal.Epidemiologyofpheochromocytomaandparaganglioma:population-basedcohortstudy[J].EurJEndocrinol,2021,184(1):19-28.DOI:10.1530/EJE-20-0628.[32]BuitenwerfE,OsingaTE,TimmersHJLM,etal.Efficacyofα-blockersonhemodynamiccontrolduringpheochromocytomaresection:arandomizedcontrolledtrial[J].JClinEndocrinolMetab,2020,105(7):2381-2391.DOI:10.1210/clinem/dgz188.[33]LendersJW,EisenhoferG,MannelliM,etal.Phaeochromocytoma[J].Lancet,2005,366(9486):665-675.DOI:10.1016/S0140-6736(05)67139-5.[34]MaL,ShenL,ZhangX,etal.Predictorsofhemodynamicinstabilityinpatientswithpheochromocytomaandparaganglioma[J].JSurgOncol,2020,122(4):803-808.DOI:10.1002/jso.26079.[35]KimJH,LeeHC,KimSJ,etal.Perioperativehemodynamicinstabilityinpheochromocytomaandsympatheticparagangliomapatients[J].SciRep,2021,11(1):18574.DOI:10.1038/s41598-021-97964-3.[36]FuY,WangX,YiX,etal.EnsemblemachinelearningmodelincorporatingradiomicsandbodycompositionforpredictingintraoperativeHDIinPPGL[J].JClinEndocrinolMetab,2024,109(2):351-360.DOI:10.1210/clinem/dgad543.[37]ZhouY,ZhanY,ZhaoJ,etal.CT-basedradiomicsanalysisofdifferentmachinelearningmodelsfordiscriminatingtheriskstratificationofpheochromocytomaandparaganglioma:amulticenterstudy[J].AcadRadiol,2024,31(7):2859-2871.DOI:10.1016/j.acra.2024.01.008.[38]Wielogórska-PartykaM,AdamskiM,SiewkoK,etal.Patientclassificationandattributeassessmentbasedonmachinelearningtechniquesinthequalificationprocessforsurgicaltreatmentofadrenaltumours[J].SciRep,2024,14(1):11209.DOI:10.1038/s41598-024-61786-w.[39]GuruKA,EsfahaniET,RazaSJ,etal.Cognitiveskillsassessmentduringrobot-assistedsurgery:separatingthewheatfromthechaff[J].BJUInt,2015,115(1):166-174.DOI:10.1111/bju.12657.[40]SuliburkJW,BuckQM,PirkoCJ,etal.Analysisofhumanperformancedeficienciesassociatedwithsurgicaladverseevents[J].JAMANetwOpen,2019,2(7):e198067.DOI:10.1001/jamanetworkopen.2019.8067.[41]SengunB,IscanY,TatarogluOzbulakGA,etal.Artificialintelligenceinminimallyinvasiveadrenalectomy:usingdeeplearningtoidentifytheleft