米乐M6官网登录正版下载·人工智能及其对泌尿系统疾病和管理的影响

　　人工智能 (AI) 的最新进展无疑对医疗保健行业产生了重大影响。在泌尿外科，人工智能已被广泛用于治疗多种疾病，无论其严重程度如何，从良性前列腺增生等疾病到尿路上皮癌和前列腺癌等危重疾病。在本文中，我们旨在讨论如何在泌尿外科领域配备人工智能的应用和技术来检测、治疗和估计泌尿系统疾病的结果。此外，我们解释了使用人工智能相对于任何现有传统方法的优势。

　　关键词：泌尿科，人工智能，机器学习，尿失禁，肾结石病，生育，生殖泌尿科，肾细胞癌，肾积水，反流，尿石症，泌尿外科，小儿泌尿科，前列腺癌，膀胱癌

　　数字技术、电子健康记录和计算能力的进步正在医疗领域产生大量数据 [1]。随着数据渠道、数量和质量的扩大，医生在进行数据分析以建立可靠的诊断、规划个性化护理和预测未来时遇到了新的障碍。因此，医生现在依靠人工智能 (AI) 来构建自动化模型，以增强医疗保健各个方面的患者治疗 [2]。

　　在医疗保健行业，人工智能是指基于计算机系统和大数据帮助医生提供医疗保健的所有应用程序、系统、算法和设备。医疗数据非常适合用于在决策过程中为医生和患者提供建议并确定最合适的治疗方法。人工智能在这里的作用是创建分析劳动密集型数据的新方法，这涉及人工智能学科的使用。除了提供更好的患者护理外，它还将提高效率和研发 (R&D)，此外还可以比传统方法更早地突出疾病模式和相关性。最近，人工智能在医学领域的投资和应用呈爆炸式增长，因为有累积证据表明它可以增强医疗保健的提供。本文讨论了 AI 算法和技术如何在医学领域中用于检测、治疗和估计泌尿系统疾病的结果，并进一步解释了使用 AI 优于任何现有方法的优势。

　　2020 年 10 月使用 PubMed 和 MEDLINE 以及 Scopus 和 Google Scholar 对 2010 年至 2020 年间发表的泌尿外科和人工智能相关文献进行了非系统性审查。搜索策略涉及使用基于一组关键字的搜索字符串，其中包括：泌尿科、人工智能、机器学习、尿失禁、肾结石疾病、生育力、生殖泌尿科、肾细胞癌、肾积水、尿反流、尿石症、泌尿外科、小儿泌尿外科、前列腺癌和膀胱癌。

　　按照纳入和排除标准的指南进行文献审查。根据所选文章的纳入标准，对标题和摘要进行评估，然后对全文进行筛选和评估。此外，对所选文章的参考文献列表进行了人工审查，以筛选任何感兴趣的补充工作。经过讨论，我们的作者成功解决了关于达成共识决定资格的分歧。

　　AI 强调使用复杂的非线性数学模拟系统和简单的构建块来复制人类神经元，从而构建能够有效执行人类活动的自主计算机。它首先寻找人类思维感知、理解和执行认知功能的方式。人类的思维具有智力、创造力、语言识别、记忆、模式识别、视觉、推理以及在事实之间建立联系的能力。人工智能旨在复制上述技能以执行广泛的功能，从小型、可管理的任务（如对象识别）到复杂的任务（如预测）。AI 策略包括无偏见地从已知数据中学习，仅依赖于统计模型，以及估计有关未来的未知数据，从而使决策任务变得更加智能和轻松 。

　　人工智能的最终目标是打造一台能够感知环境并执行任务的机器，以最大限度地提高成功概率。实现这一目标的过程相当复杂，涉及各种人工智能子领域，如机器学习 (ML)、人工神经网络 (ANN) 和深度学习 (DL)、自然语言处理 (NLP)、计算机视觉、预测分析、进化和基因计算、专家系统、视觉识别和语音处理，其中大部分用于当今的医学和医疗保健。因此，其中一些需要定义以进一步讨论人工智能对泌尿科各个亚专业的临床影响。图 1 显示了人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 之间的关系。

　　机器学习是教计算机在算法的帮助下做出准确预测的过程，这些算法经过训练，可以从模型中的过去经验中学习，将特征映射到相应的结果变量。ML 的主要目标是让计算机能够自动学习何时输入数据。人工神经网络是深度学习的基础，也是机器学习的一个子领域。人工神经网络被定义为高度结构化的信息处理单元，连同它们的突触强度，称为权重，模拟人脑和神经系统的计算能力。神经元排列在一系列层中，在学习过程中逐渐修改权重，以在输入-输出映射中产生最小到没有错误。具有大量层的神经网络称为深度学习网络。作为人工智能中最重要的一个子领域，神经网络自然在医学和医疗保健中发现了有前景的应用，包括心脏病学、肌电图、脑电图、用于患者护理的治疗药物监测和睡眠呼吸暂停。

　　决策树是 ML 中使用的预测建模方法之一，以算法方法构建，以识别基于不同条件拆分数据集的方法。描述决策树工作的一种简单方法是假设一个决策节点有两个或多个可能的选择。随机森林是一种由大量决策树构建而成的算法，这些决策树作为一个整体运行。这些算法在医疗保健行业被广泛采用，以确定患者最有利的选择，例如远程医疗服务。

　　另一个在医疗保健中发挥关键作用的人工智能子领域是自然语言处理，它涉及计算机和人类语言之间的交互。临床研究中的最大挑战是处理缺乏数量或细节的数据，这是先前记录在叙述性临床文档中的数据的结果。人工智能在医疗保健领域的一些最有前景的用途包括预测分析、精准医学、疾病诊断成像和临床决策支持。

　　泌尿外科是一个在医学史上迅速扩展的领域，并且通过采用更新的技术来实现更好的患者结果而不断发展[4]。泌尿科是一个主要涉及男性和女性泌尿道和男性生殖器官的医疗保健领域，如果不加以解决，这些特定领域的潜在疾病和状况可能会变得严重

　　人工智能已被广泛应用于早期诊断、提供有效治疗计划和外科专业领域。人工智能正在发挥重要作用，帮助医生为泌尿系统疾病患者做出决策（图 3）。在过去的 5 年中，出现了一些研究证实泌尿科安全有效的增强现实 (AR) 体验。现代泌尿科医生正在使用具有七个自由度的机械臂远程移除肾脏，使用具有图像叠加的增强现实。AR 显着改善了信息与手术工作流程的整合，使外科医生的微创手术变得不那么复杂。它带来了医学教育和外科干预方面的创新方法，有助于提供更丰富、更具互动性的体验。同样，还有其他技术与人工智能相结合，在很大程度上影响了该领域。在泌尿外科中，有几个子专业，其中泌尿肿瘤学、生殖泌尿学、肾移植和小儿泌尿外科是一些利用人工智能通过诊断、治疗计划和手术技能评估的发展提供更好的患者护理的专业。下面讨论人工智能在这些子领域的应用。

　　它是泌尿科的一个亚专业，与泌尿道和男性生殖器官的癌症的诊断和治疗有关。泌尿系统癌症相对常见，前列腺癌、膀胱癌和肾癌是美国诊断出的 10 种最常见的癌症之一。

　　广泛用于开发人工智能算法的数据是从患者的电子病历（EMR）中提取的患者的临床病理数据，因为它们具有很高的可评估性。Kim 等人利用来自 944 名韩国患者的临床数据预测器官局限型前列腺癌和非器官局限型前列腺癌。[6] 开发了一组 ML 应用程序（表 1）。相比之下，Partin 表在使用相同数据集时达到了 66% 的准确率。这项研究强调，与使用标准统计模型相比，使用 ML 算法可以获得更好的预测结果。

　　ROC曲线下面积（AUC）；神经网络（NN）；支持向量机（SVM）；前列腺特异性抗原 (PSA);朴素贝叶斯（NB）；贝叶斯网络（BN）；分类和回归树（CART）；随机森林（RF）；二次判别分析（QDA）；磁共振成像（MRI）；逻辑回归（LR）；递归特征消除（RFE）；苏木精和曙红 (HE)。

　　研究人员提出了使用人工智能来简化前列腺癌的诊断和分类的方法，由于医学成像的进步和围绕它的证据，这已经成为可能。使用来自多参数 MRI（磁共振成像）的各种放射组学特征，AI 应用程序已用于检测前列腺癌 [7,8] 或估计多参数 MRI Gleason 评分（表 1）。人工智能优于传统诊断标准的另一个原因是它能够接受复杂、多变量、大数据的训练并从中学习，从而随着时间的推移不断改进。当使用前列腺成像报告和数据系统开发时，ML 模型显示 MRI 阴性活检阳性患者的平均性能提高 33-80%，MRI 阳性活检阴性患者的平均性能提高 30-60%。费尔等人观察到 ML 算法比单峰分类器有优势，因为它们在识别疾病和预测正确的 Gleason 分数方面表现得更有效。

　　前列腺癌的诊断取决于病理学家审查标本载玻片以及使用格里森评分对其进行评估，虽然整个过程需要大量时间，但根据病理学家的经验，它可能会导致观察者内部偏差。临床病理学中的人工智能辅助图像分析结合了自动化图像识别、检查以及数字化组织标本图像的评估，实现了自动化和标准化的病理诊断（表 1）。夸克等人开发了一种人工智能应用程序，用于在不同分辨率的光学病理图像中检测疾病。使用分割的前列腺标本图像，该算法能够在相同的情况下实现 97% 的准确度。上述小组还开发了具有前列腺上皮细胞核形态的人工神经网络，用于检测癌症。他们在诊断前列腺癌方面的 AUC（ROC 曲线，超过了使用手工核工程技术的诊断方法。阮等人开发了一种 ML 算法来对前列腺癌的 Gleason 评分进行分类。在区分上皮组织和间质组织时，分类器在考虑癌症和非癌症标本时具有不同的 AUC 分数，特别是前者为 0.97，后者为 0.87。此外，当提供五个组织学特征时，该算法在区分 Gleason 3 与 4 癌症方面的 AUC 为 0.82 。

　　膀胱癌，也称为尿路上皮癌，起源于膀胱的细胞内壁（即非肌肉浸润性膀胱癌），并且可以扩散到肌肉壁及其他组织（即肌肉浸润性或转移性膀胱癌） ）。如果及早发现和治疗，它们是高度可治愈的。与前列腺癌类似，放射成像和尿液代谢物标记物已被用于使用 AI 技术诊断尿路上皮癌（表 2）。徐等人开发了具有放射组学 mpMRI 特征的 ML 算法，用于区分膀胱肿瘤和正常膀胱壁。加拉帕蒂等人使用 CT（计算机断层扫描）尿路造影的形态学和纹理特征来确定膀胱癌的分期。当使用这些放射学属性时，该算法成功地实现了 0.7-0.9 的 AUC 预测癌症分期。邵等人基于尿代谢标志物训练决策树来诊断膀胱癌。他们能够达到 76.6% 的准确度、71.8% 的灵敏度和 86.6% 的精确度。池田等使用转移学习技术，通过使用胃镜图像进行异常检测，提取适用于膀胱镜图像的重要特征。所使用的数据集包含 22 张膀胱镜图像，并将该模型与实际泌尿科医生和医学生的结果进行比较，他们根据专业水平被分组。与观察者组的 634 秒相比，AI 花费的中位数时间为 5 秒，并且作为 Youden 指数的最大得分达到 0.930。

　　在早期阶段检测肾细胞癌 (RCC) 对其有效治疗至关重要，一旦扩散，临床上可能会很困难。临床医生可以使用代谢组学数据和拉曼光谱来构建 AI 模型，这些模型在手术期间或手术前对 RCC 的诊断是有效的（表 3）。郑等人尝试使用一组基于核磁共振的血清代谢物生物标志物来识别 RCC。作者首先将 ANN 用于一组并将血清代谢物归类为健康或 RCC，然后分别估计患者中 RCC 的检测。此外，人工神经网络用于测试接受肾切除术的 RCC 患者。期望之前被归类为 RCC 的个体患者在接受肾切除术后现在可以健康。海弗勒等人使用短波拉曼光谱术中区分健康和恶性肾组织。使用来自 RCC 和标准组织样本的拉曼光谱训练 AI 模型可以改善手术过程中良恶性组织的识别；目前的鉴定依赖于病理标本的冰冻切片 。

　　放射成像技术与 AI 一起用于诊断临床相关的肾积水和/或尿反射。布鲁姆等人使用 ML 技术创建了一个模型，该模型能够基于肾功能图特征检测肾积水。与仅半场时间和 30 分钟清除率相。