使用人工神经网络评估体外冲击波碎石术作为尿结石的首选治疗方法

1、简介

在过去的几十年里，许多多变量计算程序在医学中得到了广泛的应用，主要是在肿瘤学领域。目的很明确，以各种方式帮助诊断和分期癌症和其他医疗状况，以及估计危重疾病的预后。这些临床决策工具用于通过开发模式和设想给定一组“输入”的结果来对患者进行分类。这些“输入”可能包含特定的患者或疾病特征，因此生成的结果比其他类似的统计程序更准确。这些多因素程序显著提高了躯体疾病诊断、分类和预后的敏感性和特异性[1]。

人工神经网络（ANN）是模仿中枢神经系统的简化模型。它们是具有高度互连的神经计算和对输入信号做出反应的能力的网络，学习适应环境。支持这些模型为构建真正的智能计算机系统提供了最有前途的集成方法。已经证明，ANN可以有效地用作各种任务的计算处理器，例如语音和视觉图像识别，分类，数据压缩，预测，模拟（建模）和自适应控制。它们表现出传统计算系统中所缺乏的理想特性，例如与噪声或不完整的输入标准相关的高性能、高容错性、高并行计算率、泛化和自适应学习。典型的网络由一组形成输入层的感官单元、一个或多个具有计算连接的隐藏层以及具有计算节点的输出层 [2] 组成。

尿结石是世界范围内的常见问题，由于气候变化、生活方式的改变和饮食，尿结石呈上升趋势[3]。大多数结石病患者具有可识别的危险因素;尽管结石复发率较高，但结石复发率较高，50年时约为10%，75年时达到20%[4]。治疗有时可能很成问题，需要重复操作，无论是非侵入性的还是侵入性的，都会增加医疗并发症的风险。在治疗替代方案中，体外冲击波碎石术（ESWL）是一种非侵入性方法，是特定条件下尿结石的首选。ESWL的结局取决于几个参数，如结石位置、结石大小、结石成分和体重指数（BMI），因此这种治疗选择相当具有挑战性[5]。

到目前为止，已经使用不同的统计模型来评估ESWL作为一种治疗程序，结果尚无定论。由于ESWL是一种非侵入性技术，因此分解结石以避免副作用的概率是所有数学或计算方法的基石。在这项研究中，我们构建了一个人工神经网络来评估ESWL的几个参数，如结果和安全性。

2、患者和方法

希腊拉里萨大学医院ESWL部门的数据库用于构建ANN。总共有716名连续的患者，404名男性和312名女性，通过 ESWL治疗的肾结石和输尿管结石进入我们的研究。所有患者均符合碎石术标准，即单块结石最大直径小于或等于1.5 cm，无解剖异常（即马蹄肾、腔后输尿管、输尿管输尿管连接部梗阻、先天性或获得性输尿管狭窄），以及先天性或获得性膀胱输尿管梗阻），并且没有尿路感染的体征。

如前所述，ESWL使用电磁多尼尔碎石机SII（EMSE 220 F-XP，多尼尔医疗技术，德国慕尼黑）在透视或超声引导下进行[6]。按照标准的碎石术方案记录每个病例的每个会话的所有参数。ESWL 之前的超声检查或计算机体层成像尿路造影用于排除解剖异常的患者。需要时施用镇痛药（柠檬酸芬太尼，0.05mg，静脉注射）。

2.1. 统计分析

表1、表2显示了患者特征和统计分析。所有变量都被假定为离散的，并且由于每个类别（不是无限）的数据集组而分类。卡方检验用于检查分类变量，p<0.05 被视为具有统计显著性（社会科学统计包 25.0，IBM Corp.，Armonk，NY，USA）。

2.2. 人工神经网络哲学

神经网络是组织在连接层中的一系列“神经元”[7]。神经网络的结构由“输入”层、一个或多个“隐藏”层和“输出”层组成。输入信号通过层沿网络向前传播。这些神经网络通常被称为多层感知器，并且已经成功地通过监督方式使用算法（称为错误反向传播算法）的教育来解决困难和多样化的问题。这些算法基于纠错学习规则，可以看作是同样广泛的自适应算法过滤的推广，称为最小均方算法。错误反向传播的过程包括通过网络不同层的前向和向后通道。在正向通道中，将活动模式（输入路径）应用于网络的传感连接，其动作通过各层传输;最终产生输出。

在向前通道的过程中，突触权重都是固定的。另一方面，在向后通道过程中，突触权重都根据纠错规则进行调整。特别是，从预期响应（目标）中减去实际网络响应以传递错误信号。然后，该误差信号通过层传播回突触节点的相反路径（误差反向传播）。以这样的方式调整突触权重，使实际网络响应更接近期望的反应[8，9]。

2.3. 人工神经网络结构

使用MATLAB（矩阵实验室）为前馈误差反向传播神经网络开发了高级编程语言以及用于数值计算和可视化的环境。来自716名患者的数据分为两组：一组训练组549名患者和一组评估组167名患者，旨在保持每组结果的相同频率。根据患者的特征，一组12个变量被定义为输入变量（图1）。

1. 图1
   

年龄、BMI 和宝石大小等变量的初始值会影响输入层。其他变量（如强度、结石位置和镇痛）在存在类别时的值为 1，否则为 0。女性患者的“性别”变量值为 1，男性患者的值为 0。由于每个变量的值，ANN的输入层最多有20个神经元（表3）。图 2 显示了如何用二进制值标记石头位置，结果变量在输入层中分裂成五个神经元。每个神经元对应于肾脏系统中的一个器官。例如，如果右肾中存在结石，我们将值设置为 （1， 0， 0， 0， 0）。合并症采用相同的方法。

表 3.ANN 输入数据。

人工神经网络;BMI，体重指数;ESWL，体外冲击波碎石术。

1. 图2
   

经过训练过程和对网络结果的仔细评估，隐藏层由 20 个神经元组成，从而提供最佳的网络性能。输出层由一个神经元组成，当存在并发症时给出值1，当没有并发症时给出值0。传递函数（从第 i 层到第 j 层）和训练函数是 MATLAB 的默认函数。

所有与会者都得到了通知并给予了书面同意。该研究得到了色萨利大学伦理委员会的批准（349/29.01.2016）。

3、结果

在所有716名患者中，通过单变量和多变量分析评估ESWL的疗效和并发症，以评估影响碎石术治疗的所有已知参数。单因素分析显示，糖尿病和肾积水与ESWL并发症呈正相关;以前的治疗和镇痛没有发现导致任何副作用。当根据性别和年龄进行调整时，多变量分析证实了这些结果。

关于疗效，单因素分析显示，结石位置、结石大小、传递的冲击波的数量和密度以及输尿管中是否存在支架是ESWL结局的独立因素。在多变量分析中调整性别和年龄时，这些进一步得到证实。

最初，选择统计显著变量的数据集（如单变量和多变量分析所示）来构建神经网络。七个变量（结石位置、结石大小、传递的冲击波的数量和密度、输尿管中支架的存在、年龄和性别）被用作一部分患者的输入，在网络训练中提供了良好的结果，但在评估中提供了较差的结果（表4）。但是，当使用所有12个参数时，神经网络的训练和评估的结果都得到了改善（表5）。

表 4.具有七个输入的人工神经网络。

表 5.具有 12 个输入的人工神经网络。

最终应用了12个变量的数据集来构建ANN（图1）。训练状态结束时ANN（预测/真实值）的表现达到98.72%。计算训练和评估数据集的四个基本比率（敏感性、特异性、阳性预测值和阴性预测值）（表6）。

表 6.最终的人工神经网络。

ANN在具有高阳性预测值（81.43%）的评估集中显示出预测并发症的高精度（83.82%），表明使用神经网络预测并发症的可能性很大，而且非常有希望。ANN给予最大权重的输入是石头位置。BMI在重要性方面排名第四。ANN 赋予结石大小的负权重，这可能是由于我们的训练集中的患者总数或用作输入的大小测量值的线性，使程序无法定位尺寸差异较小的结石。

4、讨论

如今，计算智能方法在医学领域越来越受到重视。这些方法具有多种范式，包括专家系统、人工神经网络、模糊系统等，旨在解决难以抵抗传统计算方法的医学问题。特别是人工神经网络，通常检查数据集变量之间的关系，这还不清楚。使用特定变量作为输入和输出，网络被训练从数据集中选择案例，而其他变量则用于测试训练的网络。然后，通过从数据集的保留案例中给出输入值来评估训练网络的有效性，然后将其与测试用例中的相应实际值进行比较。ANN的良好性能表明神经网络在训练案例中不分青红皂白地识别模式，以识别它以前从未见过的情况[10]。

如今，许多研究比较了不同的统计和神经计算方法，而其他研究则将神经计算合并到统计过程中[[11]，[12]，[13]，[14]]。在大多数情况下，与统计估计工具相比，经过训练的神经模型作为一种预测方法显示出优越性。虽然后者通常提供简洁的描述性结果，但神经网络犯的错误更少，揭示了传统统计学根本无法识别的数据集中的关系。提出ANN的反向传播训练方法等效于最大似然估计，最终使多层前馈神经网络成为强大的建模工具。此外，具有足够数量的隐藏节点的两层前馈神经网络可以准确地估计任何连续函数。ANN是反向传播的神经网络，通常采用训练方法（阶段）来最小化错误[15]。

在后一组证据中，用于分析医学数据的人工神经网络在文献中越来越受到关注。事实上，医疗状况的性质和鉴别诊断的复杂性是引起这种担忧的关键因素。许多研究几乎在每个医学领域都采用了这种方法。1991年，Baxt[16]创建了一个用于诊断心肌梗塞的神经网络。使用急诊患者的病史、临床状况、合并症和影像学检查作为输入。诊断准确性显著提高。另一项研究显示，ANNs被用于冠状动脉疾病的诊断，准确率达到91.2%[17]，而年龄、胆固醇和动脉高血压则被用作ANN诊断冠状动脉疾病的数据[18]。神经模型也被用于其他心脏病，如心脏瓣膜缺陷和心律失常，准确率分别为95%和99.2%-99.8%[[19]，[20]]。1993年，McGonigal等人[21]构建了一个神经网络模型来估计穿透伤患者的生存率，比众所周知的生存预测工具[22]提高了灵敏度。

另一个广泛使用人工神经网络的领域是肿瘤学。它们最初于1994年被用于乳腺癌和卵巢癌，这引发了关于某些数据是否适合作为ANN分析输入的争论，例如人口统计学、放射学、肿瘤学和生化数据[23]。在放射学中，人工神经网络旨在开发自动决策支持系统，并在各个领域得到扩展应用[24]。

在泌尿科中，人工神经网络主要应用于肿瘤疾病，如前列腺癌（PCa）。Snow等人[25]使用前列腺活检结果和前列腺切除术后的患者结果构建了PCa的神经模型。他们发现，在预测活检结果和肿瘤复发方面的准确率分别为87%和90%[25]。Finne等人[26]将基于游离前列腺特异性抗原（%fPSA）百分比的神经网络与传统统计分析（逻辑回归）进行了比较，表明ANN组656名接受活检的患者预测PCa的精度高于逻辑回归组（p<0.001）。因此，Babaian等人[27]构建了一个ANN来检测151名活检男性的PCa。该研究显示，在92%的敏感性下，特异性高于%fPSA生物标志物（62%对11%）。有趣的是，他们发现64%的活检（71名没有癌症的男性中有114名）可以使用他们的神经网络模型来避免[27]。另一项ANN评估了928名患者的前列腺活检结果的癌症风险，这些患者使用血清前列腺特异性抗原，%fPSA，年龄，前列腺体积和直肠指检作为输入。在90%的敏感性下，该神经模型的表现优于单独使用血清前列腺特异性抗原[28]。此外，一项包含1188例患者的多中心研究评估ANN效果更好[29]。最后，文献中存在一些涉及神经网络的研究，涉及肿瘤学、放射学和心脏病学等不同医学领域的文献[30]，但它们也可以在有趣的条件下找到，即听觉脑干反应[31]，婴儿睡眠分类[32]，青光眼[33]，甚至院际运输模式[34]。].

我们的研究是文献中首次尝试构建预测尿结石治疗的神经网络。最初的概念是向网络提供尽可能多的数据（输入），这些数据（输入）在传统统计方法中被认为具有统计意义。值得注意的是，当使用单变量和多变量分析时，其结果的重要性对网络没有积极影响。ANN评估部门的结果相当令人失望（59.52%的表现）。但是，当所有12个参数都用作输入时，评估臂中的网络性能显着提高（75%），这表明用于ANN的算法在输入数量更多时效果更好。最终，我们的ANN在我们的研究人群中达到了81.43%。

研究的局限性在于患者样本相对较少，并且在 ESWL 之前缺乏对结石成分的了解。后者为我们的ANN提供了力量，因为它可以用作所有宝石的预测方法，无论未知的石头成分如何。此外，人工神经网络可以通过多种输入来加强，例如结石到皮肤的距离 （SSD）、患者的体能状态和输尿管嵌塞。我们的概念是利用ESWL会话前日常实践中最常用的参数构建一个预测模型。SSD和输尿管壁厚度测量在很大程度上取决于放射科医生和放射科医生技术人员的经验，并且通常不会在ESWL之前常规进行。此外，由于在计划碎石术时不常规进行 CT 成像，因此 SSD 和结石硬度不包括在我们的 ANN 中。此外，CT 的高辐射剂量和经济成本使其有时是多余的，特别是当超声和肾-输尿管-膀胱 X 射线片显示结石大小和位置时。尽管如此，我们仍然同意基于CT成像的SSD和石头硬度可以改善ESWL预测，并且包含这两个值的神经网络的不同设置将来可能会更准确。

5、结论

神经网络的使用似乎是诊断和治疗多种医疗状况的强大建模工具。我们的人工神经网络在预测ESWL治疗尿结石的结局和副作用方面取得了高分。事实上，通过使用更大的数据集、设计模型的不同架构或使用不同的输入变量集，可以进一步提高网络的准确性，这使得ANN成为一种非常有前途的工具，用于有效、精确和快速的医疗诊断。

打赏