楊龍雨禾，王躍強(qiáng)，邱學(xué)德，張貴福，楊智明，黃 曦，俞 林

1紅河州第一人民醫(yī)院泌尿外科，云南 紅河 661199；2昆明醫(yī)科大學(xué)第二附屬醫(yī)院泌尿外科，云南 昆明 650101

在人工智能（AI）中，機(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL）技術(shù)使用人工神經(jīng)網(wǎng)絡(luò)，用來(lái)發(fā)現(xiàn)大型、高維數(shù)據(jù)集（如醫(yī)學(xué)圖像）中復(fù)雜的結(jié)構(gòu)和模式。它們能夠根據(jù)經(jīng)驗(yàn)進(jìn)行微調(diào)，適應(yīng)自己的輸入，從而進(jìn)化。這一特點(diǎn)使它們成為模式識(shí)別、分類和預(yù)測(cè)的有力工具。本文旨在全面回顧近年來(lái)人工智能在泌尿外科領(lǐng)域影像學(xué)應(yīng)用的發(fā)展，從尿石癥、腎腫瘤、膀胱癌、前列腺癌4種常見(jiàn)泌尿系疾病的影像學(xué)應(yīng)用綜述，為今后人工智能的臨床運(yùn)用提供更開(kāi)闊的思路。

1 AI概述

AI一詞通常指模擬或模擬人類認(rèn)知功能典型的智能過(guò)程的計(jì)算技術(shù)，如推理、學(xué)習(xí)和問(wèn)題解決［1］。AI是計(jì)算機(jī)科學(xué)的一個(gè)分支，是一種多學(xué)科方法的一部分，它采用數(shù)學(xué)、邏輯、計(jì)算和生物學(xué)等領(lǐng)域的原理，試圖建立通常以軟件程序表示的智能實(shí)體［2-3］。鑒于AI的廣泛性、動(dòng)態(tài)性和不斷擴(kuò)展的計(jì)算能力，它已經(jīng)徹底改變和重塑了我們的醫(yī)療系統(tǒng)，使醫(yī)生能夠提高他們執(zhí)行醫(yī)療任務(wù)的能力［2］。隨著醫(yī)學(xué)界對(duì)AI的理解和接受程度的提高，在提高診斷準(zhǔn)確率、加快臨床進(jìn)程和降低人力資源成本等方面在不斷進(jìn)步，從而幫助醫(yī)學(xué)專業(yè)人員解決曾經(jīng)耗時(shí)的問(wèn)題［4］。

ML是AI的一個(gè)分支領(lǐng)域，涉及動(dòng)態(tài)算法的開(kāi)發(fā)和部署，以分析數(shù)據(jù)和便于識(shí)別內(nèi)部模式［5］。ML在過(guò)去的幾年里受到了極大的關(guān)注。它的迅速發(fā)展始于2009年左右，當(dāng)時(shí)所謂的深度人工神經(jīng)網(wǎng)絡(luò)開(kāi)始在一些重要的基準(zhǔn)上超過(guò)其他已建立的模型。深度神經(jīng)網(wǎng)絡(luò)是目前最先進(jìn)的ML模型，它跨越了從圖像分析到自然語(yǔ)言處理等多個(gè)領(lǐng)域，廣泛應(yīng)用于學(xué)術(shù)界和工業(yè)界。這些發(fā)展在醫(yī)學(xué)成像技術(shù)、醫(yī)學(xué)數(shù)據(jù)分析、醫(yī)學(xué)診斷和總體醫(yī)療保健等方面具有巨大的潛力［6］。

AI的最新進(jìn)展也受到DL的推動(dòng)。在深入學(xué)習(xí)中，計(jì)算機(jī)可以直接從原始數(shù)據(jù)中自動(dòng)學(xué)習(xí)有用的表示和功能，主要特點(diǎn)是注重特征學(xué)習(xí)：數(shù)據(jù)的自動(dòng)表達(dá)。這是DL方法和“經(jīng)典”的ML之間的主要區(qū)別。發(fā)現(xiàn)特征和執(zhí)行任務(wù)合并為一個(gè)問(wèn)題，因此在相同的訓(xùn)練過(guò)程中兩者都得到了改進(jìn)。在醫(yī)學(xué)成像中，DL主要由卷積神經(jīng)網(wǎng)絡(luò)觸發(fā)，這是學(xué)習(xí)圖像和其他結(jié)構(gòu)化數(shù)據(jù)的有用的一種強(qiáng)大方法。DL包括在大數(shù)據(jù)集上訓(xùn)練多層人工神經(jīng)網(wǎng)絡(luò)。

在醫(yī)療衛(wèi)生領(lǐng)域，ML和DL已越來(lái)越成功地應(yīng)用于預(yù)防醫(yī)學(xué)、圖像識(shí)別診斷、個(gè)性化醫(yī)學(xué)和臨床決策等領(lǐng)域。本綜述主要介紹ML和DL在尿石癥、腎細(xì)胞癌、膀胱癌和前列腺癌中的應(yīng)用，以為有效預(yù)測(cè)患者的預(yù)后提供參考。

2 在尿石癥中的應(yīng)用

Kadlec等［7］開(kāi)發(fā)了一種可以預(yù)測(cè)各種形式的泌尿系結(jié)石預(yù)后的神經(jīng)網(wǎng)絡(luò)。輸入382個(gè)經(jīng)外科治療的腎單位的結(jié)果，評(píng)估結(jié)石清除率（SFR）和二次手術(shù)幾率（SFR以腹平片上無(wú)可見(jiàn)結(jié)石或CT上小于4 mm為準(zhǔn)）。模型預(yù)測(cè)SFR的敏感性為75.3%，特異性為60.4%，二次手術(shù)的敏感性為30%，特異性為98.3%，陽(yáng)性預(yù)測(cè)值為60%，陰性預(yù)測(cè)值為94.2%。

Aminsharifi等［8］用200名患者的術(shù)前和術(shù)后數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并用它預(yù)測(cè)254名經(jīng)皮腎鏡取石術(shù)后的結(jié)果。預(yù)測(cè)SFR、輸血幾率，準(zhǔn)確率和敏感性為81.0%～98.2%。Choo等［9］開(kāi)發(fā)并驗(yàn)證了一個(gè)決策支持模型，該模型使用ML算法來(lái)預(yù)測(cè)輸尿管結(jié)石患者單次沖擊波碎石（SWL）后的治療成功率。利用791例患者的數(shù)據(jù)，用15個(gè)變量構(gòu)建的模型預(yù)測(cè)SWL預(yù)后的準(zhǔn)確率為92.3%。在決策樹(shù)分析中，結(jié)石體積、長(zhǎng)度是術(shù)前最重要的兩個(gè)變量；同樣地，Seckiner等［10］收集了203名患者的數(shù)據(jù)，并開(kāi)發(fā)了一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)SFR和支持SWL治療計(jì)劃。神經(jīng)網(wǎng)絡(luò)分析顯示訓(xùn)練組SFR預(yù)測(cè)準(zhǔn)確率為99.3%，驗(yàn)證組為85.5%，試驗(yàn)組為88.7%。

其他研究已經(jīng)利用圖像特征的計(jì)算機(jī)輔助檢測(cè)，以輔助放射科醫(yī)生識(shí)別結(jié)石。由于輸尿管結(jié)石和靜脈結(jié)石在形狀和強(qiáng)度上的相似，Langkvist等［11］研發(fā)了一種深度卷積神經(jīng)網(wǎng)（DCNN）以在薄層CT上區(qū)分它們。DCNN在一個(gè)數(shù)據(jù)庫(kù)中進(jìn)行評(píng)估，該數(shù)據(jù)庫(kù)包含465例疑似腎絞痛患者的腹部CT掃描。在88次掃描的測(cè)試集上，該模型達(dá)到了100%的靈敏度，平均每個(gè)病人有2.68個(gè)假陽(yáng)性。Kazemi等［12］開(kāi)發(fā)出了一種用于腎結(jié)石類型早期檢測(cè)和分析最有影響參數(shù)的神經(jīng)網(wǎng)絡(luò)。收集936例腎結(jié)石患者的資料，包括42個(gè)圖像特征。該模型對(duì)預(yù)測(cè)腎結(jié)石類型和鈣水平、尿酸狀況、高血壓、糖尿病的準(zhǔn)確率為97.1%。

3 在腎細(xì)胞癌（RCC）中的應(yīng)用

RCC的發(fā)病率在過(guò)去幾十年中穩(wěn)步上升，這是由于通過(guò)橫截面成像偶然發(fā)現(xiàn)小腎腫塊（SRM）［13］。外科系列研究表明，小于4 cm的SRMs中有20%～30%表現(xiàn)為良性，而20%表現(xiàn)出潛在的惡性［14］。然而目前還沒(méi)有準(zhǔn)確預(yù)測(cè)組織學(xué)分析的臨床或放射學(xué)特征。MRI和CT已被用于無(wú)創(chuàng)性鑒別腫瘤的程度，模式和異質(zhì)性的增強(qiáng)。盡管這些方法很有前途，但作為區(qū)分SRM的臨床工具，它們?nèi)匀徊皇亲顑?yōu)的。近年來(lái)，強(qiáng)大的ML算法被用來(lái)探索臨床和影像學(xué)數(shù)據(jù)中復(fù)雜的相互作用，以提供診斷、預(yù)后、治療計(jì)劃和協(xié)助決策。

由于傳統(tǒng)醫(yī)學(xué)成像技術(shù)的局限性，人們對(duì)自動(dòng)從醫(yī)學(xué)圖像中提取定量特征的放射醫(yī)學(xué)越來(lái)越感興趣。通過(guò)將影像學(xué)特征與腫瘤特征（包括組織學(xué)、腫瘤分級(jí)、遺傳模式和分子表型）以及腎臟腫塊患者的臨床結(jié)局相關(guān)聯(lián)，放射醫(yī)學(xué)可能提供一種開(kāi)發(fā)預(yù)測(cè)工具的新方法。像素分布和基于模式的紋理分析已經(jīng)成為構(gòu)建圖像處理算法的實(shí)用定量方法，用于檢測(cè)主觀視覺(jué)評(píng)估無(wú)法確定的組織差異［15］。

一些研究表明，紋理分析在區(qū)分SRM方面具有潛力［16-18］。Yan等［19］研究顯示紋理分析可能是鑒別血管平滑肌脂肪瘤、透明細(xì)胞癌（ccRCC）和乳頭狀癌的可靠定量方法，其準(zhǔn)確度為90.7%～100%，也有研究在評(píng)價(jià)紋理分析在鑒別腎腫瘤（包括各種腎癌亞型和嗜酸細(xì)胞瘤）中得到應(yīng)用。ML對(duì)ccRCC和乳頭狀癌與嗜酸細(xì)胞瘤的鑒別能力較好，Coy等［20］在179例經(jīng)病理證實(shí)的腎腫塊患者中，研究了基于DL的腎損害分級(jí)器，在常規(guī)四期多探頭CT掃描中區(qū)分ccRCC和嗜酸細(xì)胞瘤的診斷價(jià)值和可行性。

此外，腫瘤的分級(jí)被廣泛認(rèn)為是最重要的獨(dú)立預(yù)測(cè)因素之一［21］。研究表明，根據(jù)CT圖像紋理特征構(gòu)建的ML模型能夠準(zhǔn)確區(qū)分ccRCC的高低等級(jí)，準(zhǔn)確度為0.73～0.93［19-22］。Ding等［23］的研究顯示在識(shí)別ccRCC分級(jí)方面的高預(yù)測(cè)準(zhǔn)確性，其結(jié)果優(yōu)于從CT圖像特征或腎腎計(jì)量學(xué)評(píng)分獲得的高、低級(jí)別ccRCC預(yù)測(cè)結(jié)果。

近年來(lái)，以生物標(biāo)記和多基因表達(dá)為基礎(chǔ)的標(biāo)記已被開(kāi)發(fā)用于預(yù)測(cè)ccRCC的生存和疾病預(yù)后［24-25］。Li等［26］根據(jù)癌癥基因組圖譜中的15個(gè)生存相關(guān)基因建立了一個(gè)預(yù)后模型，結(jié)果顯示模型高危組患者的生存率明顯低于低危組。風(fēng)險(xiǎn)組與年齡和性別無(wú)關(guān)，但與血紅蛋白水平、原發(fā)腫瘤大小和分級(jí)顯著相關(guān)。放射基因組學(xué)是一個(gè)研究疾病影像學(xué)特征與潛在遺傳模式或分子表型之間潛在聯(lián)系的領(lǐng)域。Kocak等［27］利用ML算法評(píng)估定量CT掃描紋理分析預(yù)測(cè)PBRM1突變的可能性，PBRM1突變是ccRCC中第二常見(jiàn)的突變?？偟膩?lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)在PBRM1突變狀態(tài)方面正確分類了88.2%的ccRCC，而隨機(jī)ML算法正確分類了95%的ccRCC。

這些結(jié)果對(duì)于發(fā)展組織病理學(xué)亞型、預(yù)后和治療反應(yīng)的無(wú)創(chuàng)成像生物標(biāo)記物是有幫助的。此外，研究還證明，根據(jù)放射影像學(xué)特征構(gòu)建的無(wú)創(chuàng)ML和DL模型在預(yù)測(cè)國(guó)際泌尿病理學(xué)會(huì)分級(jí)方面具有與經(jīng)皮腎活檢相當(dāng)?shù)男阅堋?zhǔn)確的術(shù)前核分級(jí)有助于腎細(xì)胞癌患者的風(fēng)險(xiǎn)評(píng)估、患者分層和治療計(jì)劃。

4 在膀胱癌中的應(yīng)用

膀胱癌的診斷和分期最終取決于膀胱鏡檢查和經(jīng)尿道電切組織學(xué)檢查。膀胱鏡檢查的主要局限性在于，鑒于疾病的多灶性和不明顯但顯著的病變（如原位癌），很難區(qū)分惡性腫瘤和健康尿路上皮。然而，基于CT/MRI圖像的膀胱壁三維紋理特征分析顯示了其作為一種無(wú)創(chuàng)的、基于圖像的策略的潛力，可以準(zhǔn)確識(shí)別異質(zhì)性腫瘤分布，并在術(shù)前將膀胱癌與正常膀胱壁組織區(qū)分開(kāi)來(lái)［28］。從癌變組織中提取并納入ML模型的MRI紋理特征進(jìn)一步證明了它們有能在術(shù)前以83%的準(zhǔn)確率區(qū)分低級(jí)別和高級(jí)別膀胱癌的能力［29］。DCNNs也被用于分類和預(yù)測(cè)膀胱鏡檢查結(jié)果，具有高度的準(zhǔn)確性［30］。這種DL模型可以集成到AI輔助成像診斷工具中，為泌尿科醫(yī)生進(jìn)行膀胱鏡檢查提供支持?！癆I膀胱鏡檢查”可以作為外科培訓(xùn)和醫(yī)學(xué)教育的輔助手段，幫助通過(guò)視覺(jué)評(píng)估區(qū)分良惡性病變，從而減少不必要的活檢次數(shù)?；趫D像的診斷的另一種方法是對(duì)從尿液中采集的細(xì)胞表面進(jìn)行納米級(jí)分辨率掃描［31］。原子力顯微鏡結(jié)合ML分析已被證明是一種無(wú)創(chuàng)檢測(cè)膀胱癌的方法，當(dāng)每名患者的尿液樣本中檢測(cè)5個(gè)細(xì)胞時(shí)，其準(zhǔn)確率為94%。此外，與單純膀胱鏡檢查相比，它在統(tǒng)計(jì)學(xué)上顯著提高了診斷的準(zhǔn)確性?；贛L的方法已被進(jìn)一步應(yīng)用于精確量化肌層浸潤(rùn)性膀胱癌患者免疫熒光標(biāo)記玻片中的腫瘤芽［32］。腫瘤萌芽與TNM分期相關(guān)，根據(jù)疾病特異性死亡將所有分期的患者分為3個(gè)新的分期標(biāo)準(zhǔn)。通過(guò)自動(dòng)玻片分析對(duì)腫瘤芽進(jìn)行定量分析，可以為肌層浸潤(rùn)性膀胱癌患者提供一個(gè)具有預(yù)后價(jià)值的替代分期模型。

ML算法被用于從影像學(xué)和手術(shù)數(shù)據(jù)中建立復(fù)發(fā)率和存活時(shí)間預(yù)測(cè)模型。膀胱切除術(shù)后1、3、5年的患者復(fù)發(fā)率和生存率預(yù)測(cè)的敏感性和特異性均大于70%［33］。這些預(yù)測(cè)模型可以幫助制定患者的隨訪計(jì)劃、輔助治療，并通過(guò)優(yōu)化手術(shù)數(shù)據(jù)收集提供改善護(hù)理的機(jī)會(huì)。識(shí)別復(fù)發(fā)最初呈現(xiàn)時(shí)基因的ML算法可以作為分子標(biāo)記應(yīng)用于預(yù)測(cè)經(jīng)尿道電切術(shù)后5年內(nèi)復(fù)發(fā)的風(fēng)險(xiǎn)［34］。將凍存的非肌肉侵襲性膀胱癌標(biāo)本的全基因組圖譜整合到遺傳規(guī)劃算法中，生成用于結(jié)果預(yù)測(cè)的分類器數(shù)學(xué)模型。該模型確定了21個(gè)與復(fù)發(fā)相關(guān)的關(guān)鍵基因，據(jù)此建立了一個(gè)最優(yōu)的三基因規(guī)則[TMEM205×（NFKBIA×KRT17）]來(lái)預(yù)測(cè)復(fù)發(fā)，在測(cè)試集上的敏感性為70.6%，特異性為66.7%。

膀胱癌治療的一個(gè)關(guān)鍵點(diǎn)是早期評(píng)估化療療效和預(yù)測(cè)治療失敗幾率，以減少不必要的發(fā)病率，提高患者的生活質(zhì)量，降低成本。因此，建立準(zhǔn)確的預(yù)測(cè)模型以確定新輔助化療的有效性在膀胱癌治療中具有重要意義。計(jì)算機(jī)化決策支持系統(tǒng)（CDSS）已經(jīng)被開(kāi)發(fā)出來(lái)，為識(shí)別無(wú)應(yīng)答者提供無(wú)創(chuàng)、客觀和可重復(fù)的決策支持，從而可以早期中止治療以保持其生理狀態(tài)或區(qū)分器官保存的完全應(yīng)答性。吳等人。比較不同DCNN模型的性能，結(jié)果顯示它們有效地預(yù)測(cè)了膀胱病變對(duì)化療的反應(yīng)，并與放射科醫(yī)生的性能進(jìn)行了比較［35］。Cha等［36］開(kāi)發(fā)了一種基于CT的CDSS，以提高對(duì)新輔助化療完全有效的患者的識(shí)別率，并發(fā)現(xiàn)在CDSS的幫助下，醫(yī)生的診斷準(zhǔn)確率顯著提高。因此，使用DL算法的計(jì)算機(jī)輔助治療預(yù)測(cè)對(duì)于醫(yī)學(xué)專業(yè)人員來(lái)說(shuō)是非常寶貴的，它可以作為一種決策支持工具，用于改進(jìn)考慮肌層浸潤(rùn)性膀胱癌的膀胱保留療法的患者選擇，并避免無(wú)應(yīng)答者的不良反應(yīng)。

盡管在預(yù)測(cè)膀胱癌患者預(yù)后方面進(jìn)行了數(shù)項(xiàng)ML和DL研究，但在臨床實(shí)踐中很少采用這種模型。在將這些模型成功地應(yīng)用于臨床環(huán)境之前，其面臨的主要挑戰(zhàn)是納入標(biāo)準(zhǔn)化參數(shù)、調(diào)整設(shè)備差異以及收集多機(jī)構(gòu)數(shù)據(jù)以確保模型的通用性。一旦這些問(wèn)題得到解決，ML和DL模型就可以使用膀胱癌數(shù)據(jù)集進(jìn)行訓(xùn)練，使用術(shù)前、術(shù)中和術(shù)后數(shù)據(jù)準(zhǔn)確預(yù)測(cè)單個(gè)患者的預(yù)后。

5 在前列腺癌（PCa）中的應(yīng)用

除了經(jīng)直腸穿刺活檢外，尚沒(méi)有其它明確PCa的診斷方式。雖然活檢對(duì)于確診是必要的，但由于可能出現(xiàn)的潛在并發(fā)癥，低癌癥風(fēng)險(xiǎn)的患者可以避免這一過(guò)程。為了實(shí)現(xiàn)這一目標(biāo)，研究者們建立了預(yù)測(cè)模型，根據(jù)臨床特點(diǎn)確定患者的癌癥風(fēng)險(xiǎn)。多層神經(jīng)網(wǎng)絡(luò)在評(píng)估大量變量時(shí)比傳統(tǒng)的統(tǒng)計(jì)方法更準(zhǔn)確地預(yù)測(cè)了患者的前列腺活檢結(jié)果，從非線性關(guān)系到logistic回歸［37-38］。盡管MRI改進(jìn)了PCa檢測(cè)，從而減少了不必要的活檢數(shù)量，但其性能和過(guò)度變化是全球標(biāo)準(zhǔn)化的主要障礙。采用DL結(jié)構(gòu)的計(jì)算機(jī)輔助診斷系統(tǒng)已被應(yīng)用于減少前列腺M(fèi)RI的變化。這種方法的優(yōu)點(diǎn)包括診斷的一致性、成本效益和效率的提高。Ishioka等［39］發(fā)展了DCNN算法，用于估計(jì)活檢時(shí)癌癥可能存在的區(qū)域，并在執(zhí)行過(guò)程中減少誤診為癌癥的患者數(shù)量。鑒于計(jì)算機(jī)輔助診斷系統(tǒng)的診斷精度超過(guò)了人類所能達(dá)到的診斷精度，且病理診斷具有較高的預(yù)測(cè)精度，僅憑MRI圖像而不是活檢來(lái)鑒別PCa具有臨床意義。

應(yīng)用于數(shù)字病理圖像的自動(dòng)計(jì)算方法顯示了克服Gleason評(píng)分模糊性、傳遞可重復(fù)結(jié)果和生成大量數(shù)據(jù)的能力［40］。Arvanati等［41］訓(xùn)練DCNN作為Gleason評(píng)分注釋器，并使用模型的預(yù)測(cè)將患者分為低、中、高風(fēng)險(xiǎn)組，獲得病理學(xué)專家級(jí)的分層結(jié)果。準(zhǔn)確的術(shù)后風(fēng)險(xiǎn)分層對(duì)于識(shí)別PCa特異性死亡率高風(fēng)險(xiǎn)的患者是至關(guān)重要的，這些患者將從早期干預(yù)中受益。Donovan等［42］引入了一個(gè)創(chuàng)新的平臺(tái)，準(zhǔn)確區(qū)分低、中、高風(fēng)險(xiǎn)PCa。通過(guò)將ML引導(dǎo)圖像分析與生物學(xué)特性相結(jié)合，提供了一種廣泛適用、獨(dú)立于間期組織學(xué)的風(fēng)險(xiǎn)分配。Auffenberg等［43］利用由7543名被診斷為PCa的男性組成的前瞻性癌癥數(shù)據(jù)，訓(xùn)練ML模型，基于具有相似特征的患者，幫助新診斷的男性預(yù)測(cè)治療決策。其個(gè)性化模型隨著年齡的增長(zhǎng)而高度準(zhǔn)確。

利用MRI圖像進(jìn)行治療預(yù)測(cè)已被證明是一種有效的臨床決策工具。Abdollahi等［44］開(kāi)發(fā)了MRI數(shù)據(jù)的放射模型，用于PCa患者的個(gè)體化治療反應(yīng)預(yù)測(cè)。結(jié)果表明，從治療前的MRI圖像中提取的特征能夠預(yù)測(cè)早期的治療反應(yīng)，且性能可靠。此外，Hung等［45］提出了一種新的ML方法來(lái)處理自動(dòng)化性能指標(biāo)，以評(píng)估機(jī)器人輔助根治性前列腺切除術(shù)后的手術(shù)性能和預(yù)測(cè)臨床結(jié)果。他們的模型預(yù)測(cè)了住院時(shí)間、手術(shù)時(shí)間、Foley導(dǎo)管持續(xù)時(shí)間和尿失禁，準(zhǔn)確率超過(guò)85%［46］。在最近的一項(xiàng)研究中，Wong等［47］使用3種ML算法預(yù)測(cè)早期生化復(fù)發(fā)，優(yōu)于傳統(tǒng)的統(tǒng)計(jì)回歸模型。這種方法可以用于識(shí)別有風(fēng)險(xiǎn)的患者，并為患者和醫(yī)生提供類似的預(yù)后信息，以提供個(gè)性化的醫(yī)療。

6 展望

AI技術(shù)在泌尿外科得到了廣泛關(guān)注，但其在實(shí)際應(yīng)用中仍面臨著諸多障礙，在應(yīng)用ML和DL方法治療泌尿系統(tǒng)疾病的大多數(shù)研究中存在一些局限性［48］。首先，研究設(shè)計(jì)的易變性、所使用的算法、所使用的訓(xùn)練特征和觀察到的終點(diǎn)使得難以進(jìn)行定量分析。其次，這些研究中的大多數(shù)算法都是用它們的數(shù)據(jù)集進(jìn)行驗(yàn)證的，因此它們?nèi)狈ν獠框?yàn)證，并且它們的結(jié)果在其他數(shù)據(jù)集中的通用性不適用。第三，在泌尿系結(jié)石領(lǐng)域，尤其需要進(jìn)一步的算法開(kāi)發(fā)和研究，以優(yōu)于泌尿腫瘤研究中觀察到的傳統(tǒng)統(tǒng)計(jì)方法，從而降低手術(shù)成本，最大限度地提高患者的治療效果。最后，一些研究沒(méi)有將AI與傳統(tǒng)的統(tǒng)計(jì)分析進(jìn)行比較，因?yàn)檫@些方法只允許有限的訓(xùn)練特征，而AI可以處理大數(shù)據(jù)，因此可以訓(xùn)練更多的訓(xùn)練特征。因此，對(duì)任何兩種技術(shù)進(jìn)行比較都具有挑戰(zhàn)性［5］。

ML和DL的預(yù)測(cè)精度將隨著數(shù)據(jù)和模型再訓(xùn)練的進(jìn)一步納入，繼續(xù)提供和增強(qiáng)個(gè)性化藥物。更大的患者數(shù)據(jù)集和電子醫(yī)療記錄可以半自動(dòng)化，以提供即時(shí)預(yù)測(cè)分析，可用于了解各種疾病過(guò)程。然而，預(yù)測(cè)精度在很大程度上依賴于從不同來(lái)源獲得的有效數(shù)據(jù)集成，以使其得以推廣。盡管共享決策不會(huì)被這些模型所取代，但它可以補(bǔ)充患者從傳統(tǒng)方法獲得的信息。雖然這是一個(gè)開(kāi)始，需要進(jìn)一步的驗(yàn)證，但AI在泌尿外科領(lǐng)域有著無(wú)限的應(yīng)用前景。同時(shí)人類的直覺(jué)、經(jīng)驗(yàn)和常識(shí)將繼續(xù)在未來(lái)AI的發(fā)展中發(fā)揮關(guān)鍵作用，以確保這些系統(tǒng)按預(yù)期運(yùn)行，并及時(shí)處理不期望的后果。