本研究旨在利用尿结石图像的深度学习来预测尿石症的组成。

Kim US, Kwon HS, Yang W, Lee W, Choi C, Kim JK, Lee SH, Rim D, Han JH. Prediction of the composition of urinary stones using deep learning. Investig Clin Urol. 2022 Jul;63(4):441-447. doi: 10.4111/icu.20220062. Epub 2022 May 25. PMID: 35670006; PMCID: PMC9262483.

本研究旨在利用尿结石图像的深度学习来预测尿石症的组成。

材料和方法

我们根据石头成分将 1，332 块石头分为 31 类。选择频率在110以上（1类：草酸钙一水合物[COM]100%，第2类：COM 80%+鸟粪石20%，第3类：COM 60%+草酸钙二水合物[COD]40%，第4类：尿酸100%）的前4类。通过前4个类别的965个结石图像，我们使用七个卷积神经网络（CNN）对尿结石进行分类，并比较它们的分类性能。

结果

在7个模型中，Xception_Ir0.001的准确度、精密度和召回率最高，被选为CNN模型预测结石成分。Xception_Ir0.001对4类的敏感性和特异性如下：1类（94.24%，91.73%），2类（85.42%，96.14%），3类（86.86%，99.59%）和4类（94.96%，98.82%）。结石各个成分的敏感性和特异性如下。COM（98.82%，94.96%），COD（86.86%，99.64%），鸟粪石（85.42%，95.59%）和尿酸（94.96%，98.82%）。类别 1、2、3 和 4 的曲线下面积分别为 0.98、0.97、1.00 和 1.00。

结论

本研究表明深度学习在诊断图像中评估尿结石成分的可行性。它可以作为常规结石分析的替代工具，并为泌尿科医生提供决策支持，提高诊断和治疗的有效性。

人工智能（AI）在解释感知信息方面取得了重大进展，使机器能够更好地分析复杂数据。在人工智能的各种技术中，最受欢迎的是深度学习（DL），它是更广泛的机器学习方法系列的一部分，这些方法基于受人脑启发的神经网络结构。近年来，这种深度学习技术在医学和生物医学研究领域的应用呈指数级增长[ 1 ]。 当使用DL解决特定问题时，开发的算法将得出结果。算法可以根据训练数据构建模型，应用经验，并对通过训练获得的新未知数据进行预测和决策。要更清楚地理解A并使用它，必须选择一个适合DL的主题并收集数据，而不是简单地输入数据并调整变量以产生结果。之后，有必要经历验证已经创建的算法并将其应用于实际临床实践的几个阶段。 尿石症是韩国和西方国家最常见的疾病之一，对于劳动年龄人群来说可能是一个严重的医学问题[ 2 ， 3 ， 4 ]。随着光学技术和内镜仪器的发展，近年来泌尿外科领域通过自然孔进行经尿道内镜手术迅速增加[ 5 ， 6 ]。目前，在大多数泌尿科内窥镜手术中，可以实时获取尿石症或病变的高质量图像。在手术过程中使用实时图像预测结石的成分和强度在治疗尿石症方面有几个优点。它可以使外科医生在手术过程中选择更合适的工具，并帮助做出治疗决策，例如在手术前后使用抗生素。 如果存在鸟粪石等元素，外科医生会更认真地考虑术后感染的对策，并相应地实施适当的医疗。此外，在常规结石成分测试结果发布之前，可以提供有关复发性结石和代谢结石的信息。 近年来，计算机视觉和DL已被用于自动检测体内许多不同的疾病和病变[ 7 ]。对象检测是一种用于识别和检测图像或视频中存在的其他对象并对其进行标记以对这些对象进行分类的方法，并且该技术已显着进步。此外，基于DL的医学图像分析可以应用于计算机辅助诊断，为临床医生提供决策支持，提高各种诊断和治疗过程的准确性和效率[ 7 ]。 大多数泌尿系结石由不同比例的不同化学成分组成。因此，纯单一成分含结石仅占尿石症的一小部分。Black等人[ 8 ]报告说，在之前的一项试点研究中，对63个不同成分的人肾结石的深度卷积神经网络（CNN）可以有效地用于预测肾结石的组成，并在数码照片中具有良好的呼叫。本研究旨在利用内镜手术获得的尿结石图像，研究DL算法对尿石症成分的预测。

材料和方法

1. 数据集

本研究的方案是根据良好临床实践指南和赫尔辛基宣言进行的，并得到了翰林大学东滩圣心医院人类受试者机构审查委员会（IRB no.HDT 2022-01-004）。 从2018年1月至2021年3月，通过内镜手术共获得1，332块结石。通过常规石头分析验证了每个石头碎片的成分，并在数码相机上捕获了石头的图像。 对于传统的结石分析，使用傅里叶变换红外光谱（FT-IR，绿十字实验室，韩国龙仁）方法。这是一种利用形成石头的分子的物理特性来吸收与其固有振荡周期相吻合的特定波长范围内的红外线的方法。由于与物质固有光谱的标准光谱进行比较后，找到了最合适的成分及其组成比例，因此可以获得客观和定量的结果。此外，样品处理过程快速简单，迄今为止被称为宝石分析的金标准方法，因为它可以准确区分各种成分，即使是小于 100 g 的非常少量 [ 9 ]。 这1332块石头通过结石分析进行了成分分析，根据结石成分比例分类的结果，共分类了31类（ 表1 ).在 31 个类别中，频率超过 110 的前 4 个类别，共使用了 965 颗宝石用于 DL 算法。前四个班级的组成如下。1类（n=469）：草酸钙一水合物（COM）100%，2类（n=240）：COM 80%和鸟粪石20%，3类（n=137）：COM60%和草酸钙二水合物（COD）40%，4类（n=119）：尿酸100%（ 表1 ).

2. 深度卷积神经网络的图像和架构预处理

我们使用7个CNN模型，DenseNet201 [ 10 ]，ResNet152 [11]，ResNet152_FC3 [11]，Xception [12]，Xception dropout0.8 [12]，Xception_Ir0.001 [12]和Xception_Ir0.001_FC3 [ 12 ]对尿结石图像进行分类并比较其分类性能。 原始图像数据以 160×160 大小裁剪，并且由于未使用调整大小和对比度调整，因此不再进行预处理。对于训练数据，通过数据增强扩展数据集解决了样本短缺的问题。我们使用了基于7个CNN模型的迁移学习。整体结构为输入（160×160×3）-卷积层-扁平-全连接层-密集（4，softmax）和7个CNN模型通过调整卷积层和全连接层进行测试。每个CNN架构的全连接层被扁平层所取代，这些层密集有1，024个节点，丢弃率为0.5。最后一个完全连接层具有类别大小的节点，后跟 softmax （ 图1 ).每个用于训练的超参数如下所示;学习率为 0.001、交叉熵损失函数、256 批大小、1，000 epoch、150 耐心验证损失后提前停止以及不平衡数据分布的类加权的 Adam 优化器。使用了 10 倍交叉验证，这意味着 90% 的数据用于训练，其余 10% 的数据用于测试。该模型使用准确性、精度、召回率、F1 分数和曲线下面积 （AUC） 等指标进行了测试。此外，还分析了每类结石的敏感性和特异性，以确定预测同一类结石的准确度，并分析了单个结石成分的敏感性和特异性。

图1 块表示显示Xception深度学习模型的层组织。

机器学习是人工智能的一个分支，涉及开发和部署动态算法来分析数据并促进复杂模式的识别[ 13 ]。DL在大型数据集上训练多层人工神经网络，近年来一直在推动人工智能的进步。机器学习和DL的许多研究和应用正在泌尿科领域进行，如尿石症、肾癌、膀胱癌和前列腺癌[ 14 ]。例如，随着光学技术、内镜仪器和激光的发展，尿石症的经尿道内镜手术正在迅速增加[ 5 ， 6 ]，泌尿科医生需要更快、更准确地做出各种治疗方法的决策。 传统的结石成分分析方法必须有结石样品，通常需要一天以上。快速预测尿石症成分有助于泌尿科医生考虑患者的病情并选择合适的治疗方案。然而，外科医生通过内窥镜屏幕观察结石来预测该组件是有限且不可靠的。Sampogna等人[ 15 ]报告了外科医生通过观察内窥镜成像来识别结石成分的能力。共有来自9个国家的32名临床医生参加了这项研究。总体准确率为39%（640个预测中的250个）。COD结石的准确率69.8%，COM41.8%，尿酸33.3%，草酸钙/尿酸34.3%，胱氨酸78.1%。鸟粪石（15.6%）、磷酸钙（0%）和草酸钙/磷酸钙混合物（9.3%）的精度显著降低。因此，在内镜操作中，外科医生能够识别一些COD和胱氨酸结石，但得出的结论是，它们在识别大多数结石成分方面不可靠[ 15 ]。 大多数石头由不同化学成分的混合物组成。纯单一成分含有结石仅占尿石症的一小部分。目前，尿结石可以根据几种特定的化学成分进行分类，包括草酸盐、磷酸盐、磷灰石、鸟粪石、尿酸和胱氨酸。这些化学成分在一块石头中的混合物也很常见，导致一系列不同的石头化学成分[ 16 ]。含钙结石，包括 COM、COD 和磷酸钙结石，约占结石的 70% 至 80%。鸟粪石（磷酸铵镁）结石占泌尿系结石的15%，通常与产脲酶尿路感染有关，发病率很高[ 17 ]。尿酸尿石症约占所有尿路结石的7%-10%[ 18 ]。胱氨酸结石占结石的1%。其他结石，如黄嘌呤和药物诱导的结石（例如氨苯蝶啶、茚地那韦），占结石的不到 1%。石头的成分存在差异，这受到地理、经济或卫生条件差异的影响。 在这项研究中，纯石比混合石更丰富。总结石中，COM成分纯结石占35.2%，尿酸成分纯结石位居第二，占8.9%。按结石成分分类时，COM占总结石的80.9%，鸟粪石占30.6%，COD占21.3%，碳酸盐磷灰石占20.8%，尿酸占10.4%。由于这项研究包括通过经尿道内窥镜手术获得的结石，因此不能说总体趋势得到了反映。 使用DL对尿石症进行化学成分分析有望为泌尿科医生提供实时信息，以便快速决策，帮助各种诊断和治疗过程。Black等人[ 8 ]报告说，在一项试点研究中，使用各种成分的肾结石图像运行DL计算机视觉算法，这对于识别常见肾结石的成分很有用。Estrade等人[ 19 ]还报告说，使用各种内窥镜尿路结石图像和深度CNN算法预测尿石症成分是有用的，并报告说混合结石以及纯结石的预测是好的。在这项研究中，我们表明它能够使用数码照片中的DL预测尿结石成分。无论是纯结石还是混合结石，使用 DL 算法的尿石症图像预测结石成分都显示出总体良好的召回率。然而，COM和尿酸成分的纯结石分别表现出比混合结石（COM和COD、COM和鸟粪石）更高的敏感性，但在特异性上没有显着差异。

结论

本研究表明深度学习在诊断图像中评估尿结石成分的可行性。它可以作为常规结石分析的替代工具，并为泌尿科医生提供决策支持，提高诊断和治疗的有效性。

打赏