占小飞，崔振宇，赵春利
(1.河北大学临床医学院，河北 保定 071000；
2.河北大学附属医院泌尿外科，河北 保定 071000)
医疗保健在不断数字化，如电子健康档案系统、电子病历系统、生物信息学和基因组数据库等，这些数字化系统日常生成的大量健康数据已超出了传统软件和硬件的管理能力[1]。人工智能可以灵活分析、学习不同的数据类型[2]，现已被广泛应用于处理医疗大数据以提高诊疗效率，从而更快地进行诊断、预测分析和精准治疗[3]。现简要介绍人工智能技术及其在泌尿系结石诊治中的应用现状，并进一步探讨目前不足之处和发展方向。
1.1 人工智能概述
人工智能是一门研究如何在机器上模拟人类认知功能的学科，内容包括分析、学习以及对相应问题作出类似甚至超越人类智能反应的研究[4]。人工智能的研究水平可分为基础、技术和应用：基础研究的是硬件设施、软件设施和数据资源；
技术研究的是智能算法，如机器学习算法，以解决问题为核心的算法集合组成了通用技术，如自然语言处理和计算机视觉；
应用研究的则是用于解决实际问题的人工智能产品，如人脸支付、机器人、无人驾驶以及智能平台[5-7]。其中，机器学习算法是人工智能的核心，是使计算机智能化的根本途径。
1.2 机器学习
机器学习是一门通过算法研究以使计算机从数据中自动学习的科学学科[8]。机器学习可分为监督学习、非监督学习、半监督学习和强化学习。监督学习是在输入变量和输出变量明确的数据中，使用某种算法来学习构建输入变量与输出变量之间的映射函数；
根据输出变量的类型，可进一步分为回归问题和分类问题，回归问题的输出变量是连续变量，分类问题则是离散变量[5,8-9]。非监督学习是在只有输入变量而没有输出变量的数据中，利用算法学习其潜在结构和分布模型，根据学习结果可进一步分为聚类、降维、关联等问题。聚类是指在数据中找到内部分组；
降维是指保留数据中更重要的特征并去除冗余特征以降低数据的特征维数；
关联是指寻找数据各部分之间的联系及规则[8-10]。半监督学习是一种监督学习与非监督学习相结合的学习方法，用于处理拥有大部分输入变量数据和少部分输出变量数据类型的数据，可以用于提高大型数据集的信息抽取速度和准确性[9]。强化学习是指利用算法尝试完成一个特定的任务，并使其从随后的失败及成功中吸取教训以加强处理该任务能力的过程，目前主要用于医学图像分析、疾病筛查和个性化处方选择[11]。
临床研究中可以根据研究目的及所研究数据的结构选择合适的机器学习算法。使用监督学习进行分类、回归研究时，可以选择决策树(如分类树、回归树等)、贝叶斯(如朴素贝叶斯、贝叶斯网络等)、支持向量机、k最近邻等算法[5-6]。采用非监督学习进行聚类、降维研究时，可以选择k均值、主成分分析等算法[5]。人工神经网络是受人脑神经系统启发而诞生的算法，由称为神经元的节点组成输入层、隐藏层和输出层3个层次的网络，这些网络分别用于输入数据特征、数据特征转换处理以及输出结果；
经典的人工神经网络常用于监督学习中的分类、回归研究，但由于其隐藏层结构的可塑性，进一步发展出了可用于分类、回归、聚类、降维等研究的学习能力更强的深度学习算法[6,9,12]。遗传算法是一种模拟自然遗传机制和生物进化理论的并行随机搜索引擎优化方法，可以用于分类研究，常用于搜索、寻找最佳的分类性能规则、算法或在基于各类机器学习算法的集合学习模型中寻找最优参数，适合处理复杂、困难的科研问题，如寻找潜在的药用蛋白质等[13]。
1.3 深度学习
深度学习是人工神经网络算法的一个分支，与普通人工神经网络算法的区别在于其隐藏层层数的增加，增加的隐藏层层数使其具备了学习数据深层非线性网络结构的能力，从而可以搭建出更加精准复杂的模型[9,12]。深度学习的学习模式主要是监督学习和非监督学习，如卷积神经网络和递归神经网络是监督学习算法，生成对抗网络是非监督学习算法[7，12]。卷积神经网络是一种用于模拟大脑神经过程的前馈神经网络，通常用于图像处理任务，其隐藏层通常包括卷积层和池化层，这些隐藏层结构可以将图像转换或“卷积”为对比度、线条、颜色、形状等高阶特征，再以各种方式组合或“收集”这些特征，从而将图像分解为不同方面的“特征映射”，再进一步对这些不同方面的“特征映射”进行聚合，从而实现对图像的深度分析[7,9]。递归神经网络是一种按顺序处理数据的神经网络，适用于处理连续数据，如语音和语言[5,12]。生成对抗网络由生成网络和对抗网络2个子网络组成，生成网络的任务是生成样本，对抗网络的任务是检验生成样本与真实样本的相似性，通过子网络间的对抗而促使总网络达到最佳的模拟效果，常被用来生成在视觉上类似于原始真实图像的合成图像[5]。
1.4 人工智能的评价指标
人工智能算法模型的评价指标主要包括：准确率、精确率、召回率、特异度、灵敏度、阳性预测值、阴性预测值、精确率-召回率(Precision-Recall，P-R)曲线、受试者操作特征(receiver operator characteristic，ROC)曲线、ROC曲线下面积(area under the curve，AUC)等[9-10]。
2.1 诊断与鉴别诊断
泌尿系结石是泌尿外科的常见疾病，一般行尿路平片、超声或CT即可明确诊断，随着人工智能的发展，自动化诊断结石的可行性也越来越大。Eken等[14]根据患者的临床症状及部分辅助检查特征构建可用于诊断肾绞痛的人工神经网络、遗传算法及Logistic回归模型，结果显示，人工神经网络模型、遗传算法模型1、遗传算法模型2和Logistic回归模型的灵敏度分别为94.9%、67.6%、56.8%和95.5%，特异度分别为78.4%、76.4%、86.3%和47.1%，AUC分别为0.867、0.720、0.715和0.713。Kobayashi等[15]使用ResNet算法对来自3家医院的1 017名上尿路结石患者的X线平片图像进行研究，结果显示该算法的灵敏度为0.872、阳性预测值为0.662。多位学者[16-18]基于超声图像开发了可自动检测结石的人工智能模型，采用的算法为支持向量机等经典机器学习算法，大部分研究都对超声图像进行降噪处理，准确率最高的是Nithya等[17]开发的机器学习模型，其准确率为99.6%。亦有多篇文献[19-22]报道了利用CT图像诊断结石的人工智能模型，采用的人工智能算法多为深度学习算法，准确率最高的为Yildirim等[22]开发的XResNet-50模型，其准确率为96.82%。
在无症状结石患者中，因解剖位置相近，输尿管下段结石与盆腔静脉石较难鉴别，有学者尝试利用人工智能来解决这一问题。De Perrot等[23]利用低剂量CT平扫图像的放射组学特征构建了用于鉴别肾结石与静脉石的机器学习模型，结果显示该机器学习模型的准确率、灵敏度、特异度及AUC分别为85.1%、91.7% 、78.3%和0.902。Jendeberg等[24]亦利用低剂量CT平扫图像构建了用于鉴别输尿管下段结石与静脉石的卷积神经网络模型，其灵敏度、特异度及准确率分别为94%、90%和92%。
2.2 结石成分预测
2.2.1 术后结石成分分类
结石的成分分析常采用红外光谱分析法进行结石成分分析，亦有研究者采用其他方法进行结石成分分析，目前有学者利用人工智能结合这些方法来实现结石成分的自动分析研究。Cui等[25]利用主成分分析-k最近邻及主成分分析-支持向量机组合算法学习各结石类型的显微拉曼光谱数据分析结石成分，准确率均为96.3%。Saçli等[26]应用k最近邻学习肾结石的介电特性参数来预测肾结石成分，准确率达98.1%。Blanco等[27]利用人工神经网络学习结石的近红外高光谱影像数据来预测肾结石成分，准确率达94.4%。
2.2.2 术前结石成分预测
结石成分与其治疗密切相关，术后取得结石成分则存在滞后性。有学者尝试进行术前预测结石成分的研究，如Kazemi等[28]基于结石患者临床特征构建的机器学习集合算法预测结石成分的AUC达99.6%；
Kriegshauser等[29-30]基于单源双能CT图像特征构建预测结石成分的机器学习模型，结果显示，对于直径在5 mm以上的结石，机器学习可100%准确区分尿酸结石与非尿酸结石，但区分非尿酸结石亚型(草酸钙、胱氨酸及鸟粪石)的准确率为88%；
Groβe Hokamp等[31]利用浅层人工神经网络学习体外结石标本的双能量CT图像以预测结石成分，总体准确度约90%；
Fitri等[32]学习体外结石标本显微CT图像构建预测结石成分的人工神经网络模型，结果显示该模型的最佳准确度为99.59%；
Zhang等[33]对结石患者的体内CT影像图片进行纹理分析，再采用支持向量机学习纹理分析得出的有效参数，平均准确率为88%～92%。
2.2.3 术中结石成分预测
经皮肾镜碎石取石术和输尿管镜碎石取石术是泌尿系结石常采用的治疗方法，不同的结石成分在镜下的碎石难度不同，术中实时预测出结石成分有利于减少手术时间和手术成本。Black等[34]利用ResNet101算法分析体外结石的数码照片以预测结石成分，结果显示尿酸结石、草酸钙结石、鸟粪石、胱氨酸结石和磷酸钙结石的召回率分别为94%、90%、86%、75%和71%。Estrade等[35]基于结石患者术中内窥镜下的结石表面图、切面图构建了预测单纯性和混合性结石的卷积神经网络模型，模型平均准确率均高于87%。
3.1 术前预测治疗结果
3.1.1 预测结石自行排出
在泌尿系结石的治疗中，最理想的治疗方式就是通过促进结石自行排出。Solakhan等[36]使用人工神经网络模型学习结石患者临床特征预测输尿管结石患者自行排出结石的准确率为87.3%。Park等[37]则利用临床特征开发了预测输尿管结石自行排出的多层感知器和Logistic回归模型，结果显示，在小于5 mm的结石中，模型的AUC分别为0.859、0.847；
在5～10 mm的结石中，模型的AUC分别为0.881和0.817。
3.1.2 预测体外冲击波碎石术后结果
体外冲击波碎石术治疗泌尿系结石具有创伤小、经济、简便等优点，是泌尿系结石治疗中应用最广泛的治疗手段。Moorthy等[38]利用CT平扫图片和人工神经网络预测结石体外冲击波碎石术成功率，准确率为90%。Mannil等[39]采用线性回归模型学习结石患者CT图像的纹理特征以预测体外冲击波碎石术成功碎石时所需冲击波的数量，结果显示顺序最小优化回归(sequential minimal optimization regression，SMOreg)模型的准确度最高，AUC为0.838；
Mannil等[40]还利用CT图像的3D纹理分析结合体质量指数、初始结石大小和皮肤与结石的距离数据构建机器学习模型以预测体外冲击波碎石术的成功率，结果显示机器学习模型的AUC为0.79～0.85。有研究人员[41-43]采用人工神经网络、决策树、随机森林等机器学习方法学习结石患者的年龄、性别、结石大小、体积、肾脏局部解剖特征、肌酐等数据来预测体外冲击波碎石术后无石率，准确率最高的是Choo等[42]开发的决策树模型，准确率达92%。Handa等[44]使用人工神经网络算法对试验猪体外冲击波碎石术后MRI图像及形态学测量出的肾出血量进行分析学习，结果显示模型得出的值与形态学的值高度相关(r=0.969 1)。
3.1.3 预测经皮肾镜碎石取石术后结果
经皮肾镜碎石取石术具有可视等优点，是治疗大体积和疑难肾结石的首选术式，但其在穿刺过程中易出现出血等并发症。Shabaniyan等[45]使用机器学习算法学习患者的术前、术后特征以预测经皮肾镜碎石取石术后结果，结果显示模型预测手术结果、患者术后是否需要放置输尿管支架管以及是否需要输血的准确率分别为94.8% 、85.2% 和95%。Aminsharifi等[46-47]分别开发了可用于预测经皮肾镜碎石取石术后情况的人工神经网络模型和基于支持向量机算法的机器学习模型，结果显示人工神经网络模型在预测经皮肾镜碎石取石术后无石率、需要二次经皮肾镜碎石取石术、需要体外冲击波碎石术、需要输血等结果的准确率为81.1%～98.2%；
机器学习模型的准确率为80.0%～95.1%。
3.2 辅助治疗
泌尿系结石的积极治疗方法如体外冲击波碎石术、输尿管镜碎石取石术和经皮肾镜碎石取石术均有各自的局限性，人工智能的出现可以优化这些治疗方法。Muller等[48]开发了一个可用于提升体外冲击波碎石术中超声波击中率的卷积神经网络模型，结果显示该模型的准确率为63.9%，优于常规体外冲击波碎石术的中位击中率(55.2%)。Shoar等[49]构建了一种可以在体外冲击波碎石术中实时对肾结石定位的系统，该研究在碎石机上安装22个传感器用以检测肾结石并传递相关信号，再使用阈值检测、三边测量等算法来实时确定肾结石位置，该系统有利于减少治疗所需的冲击波数量以及降低术后不良事件的发生率。Fu等[50]开发了一种基于电磁跟踪技术和同步定位地图构建技术的输尿管镜碎石取石术中导航系统，该系统在3D肾脏模型试验中显示出较高的精准度，在动物体内实验中亦提示有效。Taguchi等[51]开发了一个机器人辅助透视引导 (robot-assisted fluoroscopy-guided,RAG) 穿刺系统，并比较该系统与经超声引导下穿刺方法在经皮肾镜穿刺中的应用效果，结果显示RAG穿刺系统的穿刺成功率为100%。Oo等[52]首次使用机器人辅助穿刺设备 (ANT-X)在一名左下盏结石患者身上成功实行机器人辅助穿刺经皮肾镜碎石取石术。
4.1 生命质量评估
泌尿系结石会对患者的生活质量造成不同程度的影响，威斯康星州结石生活质量量表(the Wisconsin Stone Quality of Life Questionnaire,WISQOL)评分可以评估其影响程度，有助于对结石患者进行分类管理。Nguyen等[53]利用梯度提升算法、深度学习算法以及多元回归预测结石患者的WISQOL评分，该研究采用皮尔森回归系数评估预测效果，结果显示梯度提升算法、深度学习算法以及多元回归的皮尔森回归系数分别为0.62、0.59及0.44。
4.2 临床资料的自动收集
现代医学的发展产生了大量的文本数据，这些数据可用于医学资料的质量评估、流行病学研究、临床回顾性研究等，人工智能中的自然语言处理技术可用于收集整理这些数据。Li等[54]采用自然语言技术处理检索CT、尿路平片报告中阳性结石病例，结果显示其准确率为85%。Jungmann等[55]认为，自然语言处理技术可检索低剂量CT报告中阳性结石病例并将这些报告整理成结构化报告。Bejan等[56]利用自然语言处理技术在大规模电子健康档案系统中挖掘泌尿系结石患者的结石成分信息，该技术挖掘出尿酸结石的阳性预测值是87.5%，其余类型结石的阳性预测值均在90%以上；
此外，该技术还提取出结石患者的其他信息进行研究分析得出，不同结石成分患者的二次结石手术的生存预期差异有统计学意义，尿酸结石与2型糖尿病相关，鸟粪石与尿路感染及神经性膀胱功能异常相关。
4.3 预测结石的发生
结石的发生与多种因素相关，人工智能强大的分析能力有助于分析这些数据以预测结石的发生。Xiang等[57]利用机器学习预测正常人草酸钙结石的发生；
该研究结合肠道菌群及对应临床资料构建了支持向量机、梯度提升树、随机森林等8种机器学习模型，结果显示随机森林的AUC(0.88)最高。
目前人工智能在结石诊治等研究上仍存在不足。在预测结石成分的研究上有较大不足，尤其是术前预测体内结石成分的研究，目前不仅预测的结石种类不全，而且准确率也欠佳，尚不具有临床应用价值，仍需进一步研究与努力。人工智能模型的评价指标包括准确率、精确度、灵敏度、AUC等，但在上述研究中，人工智能模型的评价指标使用并不统一，如何客观地评估人工智能模型的性能以及构建完善评价体系是目前亟需解决的问题。人工智能模型性能与数据集的大小密切相关，数据量过小不足以开发出高性能的模型；
数据量越大建立模型学习到的逻辑关系越接近真实，其性能也就越强；
所以要不断丰富临床数据集、开展多中心联合研究，利用源源不断的数据对其进行持续训练与优化，以最大限度地提高其准确性和实用性。部分人工智能性能较高，但若要实际应用于临床还需要明确责任承担主体。医学人工智能模型与患者的诊治、安全息息相关，也存在一定的犯错概率，并且人工智能模型运行过程中还存在着患者隐私泄露等风险，所以明确人工智能模型出现错误、隐私泄露等问题时的责任承担主体是人工智能模型应用于临床必须解决的问题之一。
人工智能时代已经逐渐降临，包括泌尿系结石在内的各疾病医疗体系将被其重构。目前人工智能在泌尿系结石中的研究已经从临床诊治拓展到患者生命质量评估、临床资料自动收集及流行病学研究等领域，在诊治领域中将深入研究解决如术前泌尿系结石成分的精确预测、疑难复杂肾结石的治疗及手术并发症的预防等目前较为棘手的问题，以后可进一步拓展到病因研究、疾病预防、患者分类管理及医学生临床技能教学与外科手术培训等领域。
猜你喜欢 泌尿系人工神经网络碎石 妊娠期泌尿系急腹症20例临床分析现代临床医学(2022年4期)2022-09-29碎石神掌发明与创新(2022年24期)2022-06-14基于人工神经网络的Ni-ZrO2纳米镀层耐腐蚀性能预测装备环境工程(2022年2期)2022-03-15水泥稳定碎石配合比设计商品与质量(2021年43期)2022-01-18如何预防泌尿系结石保健医苑(2021年7期)2021-08-13泌尿系结石治疗的方法及最新进展天津医科大学学报(2021年1期)2021-01-26人工神经网络实现简单字母的识别电子制作(2019年10期)2019-06-17悲壮归乡路少儿科学周刊·儿童版(2017年7期)2017-09-29基于人工神经网络的优化配置研究科学与财富(2016年34期)2017-03-23火车道上为什么铺碎石？小学阅读指南·低年级版(2016年1期)2016-09-10