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

1. Introduction

     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。

2。材料和方法

2.1.搜索策略和文章选择

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。

纳入标准：

泌尿外科人工智能相关文章；

全文长度的原始文章，涵盖泌尿系统疾病的诊断、治疗计划和结果。

排除标准：

摘要、评论文章和书籍章节；

动物、实验室或尸体研究。

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。

2.2.什么是人工智能？

    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。

图1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。

2.3.人工智能在泌尿外科的应用

    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

Figure 2 shows the role of artificial intelligence in urology.

Open in a separate window

图2人工智能在泌尿外科中的作用。

     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。

图 3人工智能在泌尿系统疾病患者决策中的应用。

3. 诊断

3.1.泌尿肿瘤学

    它是泌尿科的一个亚专业，与人体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。

3.2.前列腺癌

     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。

表格1使用人工智能诊断前列腺癌的研究。

     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 曲线下面积）得分为 0.97，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 。

3.3.尿路上皮癌

     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。

表 2 使用人工智能诊断尿路上皮癌的研究。

3.4.肾癌

    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 。

表 3 使用人工智能诊断肾癌的研究。

3.5.肾积水/尿道反流

    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 分钟清除率相比，该分析成功地显示出检测肾积水的精度更高。Cerrolaza 等使用超声特征来开发有助于预测肾梗阻（半场时间 > 30 分钟）的 ML 方法。Logvinenko 等使用超声检查结果来估计膀胱尿道造影后排空时的膀胱输尿管反流 (VUR)。他们发现人工智能模型的效果略好于多元逻辑回归。

3.6.生殖泌尿外科

     统计数据显示，全球约有 7000 万对夫妇未能怀孕，其中 50% 的原因是男性不育。导致男性生殖问题的因素有很多，例如基因突变、生活方式选择和医疗疾病。考虑到这些因素，许多研究人员在他们的研究中将预测分析与人工智能技术相结合，以展示人工智能如何在生殖泌尿学方面提供帮助。在 Gil 等人的研究中人工智能网络和算法模型通过考虑生活方式和环境因素等变量来预测精液质量。两项研究都显示出很高的准确度，第一项研究显示精子浓度的准确度为~86%，运动的准确度为 73-76%，第二项的准确度为~90%。这些精液质量预测模型当然可以用作筛查有生育问题的男性的工具，以有效暴露任何潜在的精液疾病。在接受不孕不育评估的男性中，发现 10-20% 患有无精子症，这是一种由于精子生成不足或没有精子而导致阳痿的男性疾病。阿金萨尔等人通过应用逻辑回归分析和人工神经网络，进行了一项回顾性研究，以预测应该进行额外遗传评估的无精子症患者的亚群。该模型以 95% 的准确率识别出有染色体异常的无精子症患者和没有染色体异常的无精子症患者。利用人工智能来识别具有潜在基因异常的个体可能会减少正式基因检测的费用和时间滞后。除了预测精液质量外，人工智能还被应用于各种调查，以确定不孕症的潜在生物标志物。在 Vickram 等人的一项研究中，采用了三种不同的 ANN 模型来预测男性不育的生化参数，其中反向传播神经网络 (BNN) 显示出最小的误差 。有不育问题的男性被要求进行精液分析，其中大部分参数，如精子活力和浓度，都是手动测量的。为了避免这些耗时的程序和可用的昂贵替代程序，Thirumalarjaju 等人介绍了一种使用 ANN 的基于 AI 的方法，该方法成功地在分析精子形态方面产生了预期的结果。该网络以 100% 的惊人准确率识别异常精液样本。

3.7.尿石症

     与过去处理方式相比，现在处理尿石病例的方式发生了巨大变化，这种方式将受到人工智能技术的高度影响。该领域人工智能的未来可以为尿石症提供完整的管理：预防、诊断和治疗。Kazemi 等人介绍了一种基于集成学习的新型决策支持系统，用于肾结石的早期检测（预防），并解释了确定肾结石类型的潜在机制。该系统使用了贝叶斯模型、决策树、人工神经网络和基于规则的分类器等各种人工智能算法来理解预测肾结石所涉及的复杂生物学特征，该系统的准确率为 97.1%。Längkvist 等 建立了一个 CNN（卷积神经网络）模型，用于在高分辨率 CT 扫描中检测输尿管结石。该模型能够以 100% 的特异性对结石进行分类，发现每次扫描的假阳性为 2.68，AUC-ROC（接收器操作特征曲线）为 0.9971。

3.8.小儿泌尿外科

     小儿泌尿科处理新生儿和幼儿的先天性出生残疾和疾病。尽管人工智能尚未在该领域被完全接受和探索，但它无疑带来了新的可能性。大约 1-3% 的婴儿患有 VUR，如果不及早诊断和治疗，这种情况可能会影响膀胱和肾脏。AI 在儿科泌尿外科的最初应用之一是使用 ANN 架构来预测 VUR。为了避免 VUR 检测的痛苦过程，例如排尿性膀胱尿道造影 (VCUG)，会使儿童暴露在辐射下，Papadopoulos 等人。提出了一种称为维恩预测的 ML 框架，用于检测 VUR。与其他技术相比，该模型表现出更好的灵敏度。同样，有人建议使用另一种新型 ML 模型来预测与 VUR 相关的发热性尿路感染 (UTI) 的未来风险。预测模型在识别最有可能从 VCUG 中受益的儿童方面具有合理的确定性，从而实现个性化治疗。

3.9.泌尿外科手术

     泌尿外科是泌尿外科的另一个领域，其中人工智能被用于在规划和手术干预方面达到新的方向。前面提到的一些微创手术也属于这个子领域。在膀胱镜检查期间捕获的图像在识别膀胱疾病中起着关键作用。池田等介绍了一种基于 CNN 的支持系统，用于使用 2102 个膀胱镜图像正确诊断膀胱癌。建立的模型将正常组织的图像与肿瘤病灶的图像进行了高精度的分离（ROC下面积：0.98；最大约登指数（YI）：0.837；敏感性：89.7%；特异性：94%）。

4. 结果预测

患者结果预测分析需要开发统计方法来解释数据以预测特定患者的结果。我们可以使用统计建模技术或人工智能领域出现的新方法。这些方法有可能解决临床和生物学数据中典型的缺乏准确性和复杂性的问题。此外，人工智能技术可以更有效地处理对于标准统计模型来说太大或太复杂的大数据分析 [34]。

4.1.前列腺癌

   个体患者的临床病理特征用于开发人工智能算法来预测结果。王等人 使用每位患者的临床病理特征来开发 ML 算法，该算法可以估计前列腺切除术后的生化复发（表 4）。他们开发了三种不同的 ML 算法，这些算法在 338 名患者的数据集上进行了训练，以实现 95% 到 98% 之间的准确度和 0.9 到 0.94 之间的 AUC。与传统的 Cox 回归分析相比，这些方法具有更好的预测效率。组织形态测量数据、成像放射组学特征 和组织基因组分析 [39,40] 也是用于患者结果预测的方法之一。这些研究已成功证明，与其他现有方法相比，人工智能在结果预测方面具有更高的准确性。

表 4 使用 AI 预测前列腺癌结果的研究。

    正则化极限学习机（RELM）；微小RNA（miRNA）；糖蛋白 (GP)。

除了医学原因，手术表现也会影响患者的预后。洪等人 创建并测试了 AI 算法，以找出患者必须留在医院的时间以及机器人根治性前列腺切除术后泌尿控制的恢复（表 4）。该算法能够在估计住院时间方面达到 87.2% 的准确度，在估计泌尿控制方面的 C 指数为 0.6。

4.2.尿路上皮癌

     尿路上皮癌复发的几率很高。用于预测癌症复发和患者存活率的 AI 系统已经过设计 [43,44,45,46]（表 5）。林和王等人 使用临床病理学证据创建并测试了大量人工智能算法，以估计根治性膀胱切除术后的 5 年生存率。他们得到的工作结果与其他统计方法得到的结果相同。萨普雷等人提出使用带有尿液 microRNA 的 ML 分类器来诊断患者的膀胱癌。本研究的分类结果在观察临床相关疾病时实现了 0.8 至 0.9 之间的 AUC，同时还将膀胱镜检查的需求减少了 30%。巴奇等人使用基因表达谱开发人工智能策略来预测非肌肉浸润性膀胱癌的复发。这些实验证明了 AI 用于治疗尿路上皮癌的潜在用途的可能性。

4.3.尿石症

    经皮肾镜取石术 (PCNL) 和冲击波碎石术 (SWL) 是公认的尿石症治疗方法；然而，成功率可能会有很大差异，并且可能包括在治疗不成功的情况下重复手术。阿明沙里菲等人使用人工神经网络预测无结石 PCNL 率，准确率为 82.8%，需要重复 PCNL，准确率为 97.7%。曼尼尔等人。[48] 将他们的研究集中在个体患者上，使用患者的体重指数 (BMI)，以及结石的 3D 纹理和尺度，还考虑了皮肤到结石的距离来估计 SWL 的性能。作者开发并测试了五种 AI 算法，每种算法都具有不同的患者特征 3D 纹理排列，以记录 0.79 到 0.85 之间的 AUC 值，这是仅使用患者特征时获得的 AUC 分数 0.58 的增量。对于不同的报告，使用 3D 纹理分析来估计有效 SWL 所需的冲击波数量 [49]。与其他统计模型相比，AI 显示了对所需冲击波数量（<72 或≥72）的最准确预测，记录的 AUC 为 0.838。Mannil 等人的  实验表明，将 AI 与高级纹理分析方法结合使用是实用的、可重复的，并且可以预测 SWL 的性能。

4.4.肾移植

   由于肾移植 (RT) 是治疗终末期肾功能衰竭 (ESRF) 的最佳可用疗法，因此在该过程中面临一些障碍，可以通过分析移植患者的存活率来解决。医疗数据的可用性和人工智能技术的改进使这一具有挑战性的前景变得更容易实现。

    RT 中 AI 的当前趋势围绕着集成学习，其中组合多个模型以实现更好的预测性能。伊森等人提出了一个 ML 算法的集成模型，通过使用 18 个不同的预测变量来有效分配肾脏。与用于确定分配系统中接收者优先级的其他现有模型 (0.68) 相比，生存模型表现出更高的一致性指数 (0.724)。最近，由法国研究人员组成的国际团队开发了一种名为 iBox 的风险预测评分，用于预测 RT 后同种异体移植失败的风险 。这个强大的系统优于当前的黄金标准（估计的肾小球滤过率和蛋白尿）来监测肾脏受体。这种方法的预测在 7500 多名患者身上得到验证，在决策方面非常准确，不受医疗环境、医疗条件、临床行动或实际患者治疗的影响。

     尽管 RT 是比透析更好的选择，但受者的肾脏总是有排斥的风险，因此有必要及早发现此类并发症。Abdeltawab 等 提出了一种及时诊断急性放疗排斥的非侵入性方法。作者开发了一种基于影像和临床生物标志物的新型基于深度学习的计算机辅助诊断系统。该方法在区分未排斥和出院肾移植方面的敏感性为 93.3% 和特异性为 92.3%，因此其准确度为 92.9%。使用 RT 幸存者统计数据，Kyung 等人进行了回顾性研究并建立了预测评估 RT 接受器中移植物存活率的 ive 模型。与传统决策树和 Cox 回归模型相比，他们的生存决策树模型表现更好，一致性指数分别为 0.80、0.71 和 0.60-0.63。

5. 治疗计划

5.1.前列腺癌放疗

     前列腺癌的近距离放射治疗涉及近距离治疗师的系统准备，这是一个耗时的过程，可能会产生不同的结果，具体取决于观察者 。已经有大量研究涉及使用 ML 算法来快速建立近距离放射治疗的恢复计划。发现创建和测试算法所需的时间要短得多（0.8 与 17.9 分钟；p = 0.002），而预测的剂量学指标接近合格的近距离治疗师 [55]。由于外部放射治疗期间不同的几何复杂性，剂量测定的准确性可能会受到影响。AI 算法是由 Guidi 等人开发的 处理与避免辐射损伤相关的此类问题。CT 图像用于在治疗的放射治疗计划和恢复阶段训练 AI 算法，用于比较计划和执行的放射治疗，从而帮助患者从接受个性化护理中受益。

5.2.癌症药物选择

     人工智能干预将有助于为癌症诊断和治疗选择足够的药物。赛义德等人 使用 ML 技术来测量和评估 300 多种药物在去势抵抗性前列腺癌细胞中的活性。Navitoclax 家族抑制剂 Bcl-2 被描述为对去势抵抗的前列腺癌患者具有高度活性。

5.3.手术技能评估

     医学专业知识和成功的评估通常通过人工同行检查进行，允许专业人员评估手术成功或监测手术性能。由于不同观察者对成功的不同定义，此类评估通常不可靠并增加了不确定性。内窥镜仪器提供与摄像机集成的直接可视化。还可以收集这些数据以及其他类型的信息，包括手术器械的移动。来自手术机器人的此类图像和输出数据可用于使用 AI 技术自动测试手术输出。图 4 显示了使用 AI 技术的一般活检的程序表示。解剖标志识别是评估高级手术技能的重要指标。诺斯拉蒂等人和巴格达迪等人使用 ML 算法来研究部分肾切除术和根治性前列腺切除术期间手术部位解剖特征的可视化的颜色和纹理特征。

图 4(a) 感兴趣区域的识别/分割。(b) 使用深度学习技术对组织病理学图像进行分类。

跟踪手术器械的运动和动作也是性能评估的重要指标。加尼等人[60] 通过观察器械的运动来确定手术技巧和技术。作者通过手动或使用运动跟踪器收集了有关器械运动的数据，然后将其输入 ML 算法以确定外科医生的专业水平，实现了 83.3% 到 100% 之间的精度。

去：

6. 机器人手术

     除了评估手术技能外，如前一节所述，人工智能还在改进新的手术技术方面发挥着关键作用，例如涉及手术机器人的微创手术。通过分析模式确定最佳实践并帮助减少技术错误是人工智能在机器人手术中的主要任务。其在泌尿外科各个亚专科中的表现将在下面讨论。

6.1.泌尿肿瘤学

     机器人泌尿外科手术和微创手术的最新进展使治疗前列腺癌的方法成为可能，例如腹腔镜前列腺切除术和机器人辅助手术。机器人前列腺手术是一种极其精确的手术，可提供出色的癌症控制，并且在有经验的人手中被认为是安全的。根治性膀胱切除术一直是治疗肌肉浸润性膀胱癌患者的手术标准。尽管与开放性根治性膀胱切除术 (ORC) 相比，机器人辅助根治性膀胱切除术 (ORC) 的估计失血量 (EBL)、输血率和住院时间显着减少，但并发症和阳性率已发现边缘状态相似 。尽管 RARC 的作用存在争议，但它已成为一些指南组织（包括欧洲泌尿外科协会）可接受的开放手术替代方案]。

6.2.生殖泌尿外科

    埃塔菲等人 在一项研究中，证实机器人辅助显微外科手术现在在处理男性不育症方面是安全可行的。每年有超过 500,000 名美国男性选择输精管结扎术作为避孕方法，其中 2-6% 最终会接受输精管结扎术逆转。研究表明，机器人辅助血管造口术 (RAVV) 产生的结果与纯显微外科技术的结果相当 。虽然前一种方法并不优越，但与普通外科手术相比，它提供了一些额外的优势。这些好处包括消除震颤、多视图放大、额外的器械臂以及通过铰接器械臂提高灵活性。

6.3.小儿泌尿外科

    在儿科，机器人手术由于成本和缺乏已发表的高水平证据仍然存在争议。Ballouhey 等人。讨论了儿童的体型差异如何不能成为进行机器人手术的限制因素（体重 >15 kg 或 <15 kg 的患者产生了类似的结果）。机器人辅助腹腔镜肾盂成形术 (RALP) 是大龄儿童输尿管盆腔连接部梗阻的标准治疗方法，甚至已在婴儿和重做手术中进行。在 Avery 等人的一项研究中，在平均年龄为 7.3 个月的 60 名患者队列中，91% 的患者在肾盂成形术后肾积水有所改善或消退，11% 的患者面临术后并发症，2 名患者需要重做手术。重做机器人肾盂成形术被认为是治疗复发性输尿管盆腔连接部梗阻的安全有效方法，成功率高达 100%，并发症发生率为 0%。与 RALP（机器人辅助腹腔镜肾盂成形术）一起，机器人辅助肾切除术、输尿管输尿管造口术、输尿管再植和其他程序已经取得了肯定的结果，并在小儿泌尿外科领域开辟了新的可能性。

6.4.肾移植

     机器人辅助放疗 (RART) 是 AI 的另一种应用，强烈推荐用于肥胖和高危 ESRF 患者，因为与传统手术相比，它具有较低的并发症发生率和出色的移植功能 [78]。RART 被认为是一种安全、可行和可重复的选择，当外科医生在机器人和传统 RT 手术方面有实践经验时进行。

七、讨论

    在本文中，我们探讨了 AI 如何帮助进行泌尿系统疾病的诊断、结果预测和其他治疗过程，即使提供了异构和复杂的数据集。由于近年来数据收集的巨大激增导致数据粒度的增长使得传统统计模型难以解释和模式识别，传统统计模型受到使用固定相关性的限制，这些相关性假设数据具有线性相关。在处理不同数据类型以及处理噪音、数据缺失和患者不频繁就诊时，人工智能更加强大和灵活。它甚至可以处理高维数据，同时做出最少的假设。

尽管使用 AI 可能会很棘手，但正确使用 AI 所获得的结果和准确性超过了使用标准统计模型观察到的结果。它还可以帮助简化手动执行的程序，从而减少由于人为能力、偏见和方法错误或效率低下而导致的结果变化。因此，基于人工智能的模型可帮助临床医生及早获得可靠且个性化的数据，以帮助做出决策。据观察，人工智能在大多数任务上都达到了更高的准确率，但它不能用来回答每一个问题。有时，标准统计模型可以胜过 AI 模型。卡坦等人 比较了基于泌尿学结果的三个独立数据集的 ML 估计和 Cox 比例风险回归方法。Cox 回归可能符合或超过 ML 模型预测。神经网络可以自由地使用参数来进行特征和类别预测的转换，神经网络是准确的并适应这些自由参数的最大值。构建良好的传统模型可以胜过构建糟糕的 ML 模型。使用基于机器学习的模型的另一个问题是所谓的黑匣子。当我们制作一个深度神经网络时，该模型会构建非线性、非单调的响应函数，尽管这些函数具有显着的准确性，但可能更难解释，这使得这些网络的性能比理论更具经验性。

      几位临床医生和研究人员讨论了人工智能在医疗保健和治疗某些泌尿系统疾病中的作用。本综述采用的方法提供了一个全面的观点，旨在解决泌尿外科领域人工智能的所有可能方面。我们审查的研究在训练特征、使用的算法和观察到的终点方面各不相同，这使得定量分析的任务更加困难。此外，这些研究缺乏跨不同数据集的普遍性，因为我们只得到该特定数据集的结果。其中一些也没有给出与标准统计模型的比较，这限制了我们理解 AI 技术如何优于其他模型的能力。

      人工智能技术在医学领域的实际应用还有很长的路要走。他们面临着高水平的质量控制和监管障碍。美国 FDA（美国食品药品监督管理局）发布了首个 AI 系统评估指南 [82]，该指南表明自适应架构应在临床研究中提供真实的证据，以评估 AI 技术的有效性。AI 模型是数据驱动的；他们从提供给他们的数据中学习，因此需要持续培训以最大限度地提高其实用性和准确性。

8. 结论

     在过去的十年里，人工智能在医疗保健领域取得了指数级的进步。在完全信任这些技术用于医疗领域之前，仍有许多挑战和障碍需要解决。尽管人工智能在泌尿外科领域的前景是光明的，但考虑到它已经通过早期诊断和个性化治疗为处理各种健康问题提供了出色的解决方案，但在取得扎实的结果方面仍有很大的改进和增长空间在个性化的基础上积极影响更多的生活。 

吕建林 教授

编著的《实用泌尿超声技术》

打赏