Shah M, Naik N, Somani BK, Hameed BMZ. Artificial intelligence (AI) in urology-Current use and future directions: An iTRUE study. Turk J Urol. 2020 Nov;46(Supp. 1):S27-S39. doi: 10.5152/tud.2020.20117. Epub 2020 May 27. PMID: 32479253; PMCID: PMC7731952. 

目的： 人工智能 （AI） 用于各种泌尿系统疾病，例如尿石症、小儿泌尿科、泌尿妇科、良性前列腺增生 （BPH）、肾移植和泌尿肿瘤学。回顾和讨论了人工智能的各种模型及其在泌尿科亚专业的应用。 

材料和方法： 检索策略被调整为识别和回顾与人工智能在泌尿外科应用相关的文献，使用关键词“泌尿科”、“人工智能”、“机器学习”、“深度学习”、“人工神经网络”、“计算机视觉”和“自然语言处理”被纳入和分类。综述文章、编辑评论和非泌尿系统研究被排除在外。 

结果： 这篇文章回顾了47篇文章，报告了人工智能在泌尿系统癌症中的特征和实施。在所有良性条件下，人工智能都被用来预测手术的结果。在尿石症中，它用于预测结石成分，而在小儿泌尿外科和BPH中，它用于预测病情的严重程度。在恶性疾病病例中，它被用于根据基因组和生物标志物研究预测治疗反应、生存、预后和复发。这些结果也被发现在统计学上优于常规方法。影像组学在肾脏肿块的分类和核分级、膀胱癌的膀胱镜诊断、格里森评分预测以及磁共振成像与前列腺癌的计算机辅助诊断中的应用是人工智能的少数应用，已被广泛研究。

结论： 在不久的将来，我们将看到临床范式的转变，因为人工智能应用将在指南中找到自己的位置，并彻底改变决策过程。

人工智能（AI）是指机器模仿和执行人类认知任务的计算能力。它在为临床医生提供医疗保健和决策方面引起了范式转变。医疗保健中使用的医疗技术的进步，如电子病历（EMR），提供了大量的数据。[1]如此大量的数据允许做出基于计算机的预测和决策，以帮助更好的患者护理（图1).到2025年，人工智能在医疗保健领域的应用增长率预计将达到29.3%，全球收入预计将增长40%。[2]有了现有的患者数据，未来的医疗保健系统可能会转向人工智能门诊和预防医学。人工智能提供更准确和可靠的临床决策;因此，它可能将成为医疗保健系统的一个组成部分

人工智能在医疗保健领域的四个子领域如下：

机器学习：ML是基于统计技术的编程，允许计算机系统在没有明确指令的情况下学习和识别模式进行建模。ML使用程序计算机程序，其中机器被训练来学习，检测数据模式，计算和从提供的数据集中推断。据观察，这些机器能够产生类似于人类智能产生的结果。

自然语言处理（NLP）：它说明了计算机理解书面和口头语言的能力。通过 NLP 可以实现的一些应用程序包括语言翻译、文本处理和语音识别。为了从患者服务中提取有用的信息和可靠的细节，并为医生提供“虚拟帮助”，还可以分析全面的数据研究，例如电子病历（EMR），医生笔记，药品和医学成像。

深度学习 （DL） 和人工神经网络 （ANN）：在网络架构层中，ANN由单独的单元组成，这些单元的功能类似于人工神经元，被编程为完成计算机任务并识别复杂的模式。深度学习需要训练多层神经网络的海量数据集。深度神经卷积网络（DCNN）是一种常用的人工神经网络，在数字化图像模式识别或识别中非常有效。

计算机视觉：计算机视觉技术用于视觉搜索、趋势预测、增强现实和虚拟现实。机器可以使用放射学和病理学图像以及简单和复杂的内窥镜视频来理解图像中的细节和模式，以识别诊断图像中存在的肿瘤或恶性肿瘤。人类在诊断成像方面的最新经验已经表明，人工智能在识别肿瘤方面拥有广泛的“知识”。计算机视觉也可用于病理组织切片的分析和分级。

人工智能不仅越来越多地应用于泌尿科疾病的诊断，还越来越多地应用于其管理和预测分析。[3]本文重点讨论AI和AI算法在泌尿亚专科中的应用。本文综述了AI在各种良性和恶性疾病中的应用，例如尿石症，小儿泌尿外科，泌尿妇科，前列腺良性肿大，肾移植以及与肾脏，膀胱，前列腺和睾丸有关的泌尿肿瘤学。

人工智能在良性泌尿科疾病的应用

尿石病

在过去的几十年里，尿石症病例的分析、治疗和监测发生了快速的转变，最近的条目是人工智能的应用，以从计算机断层扫描（CT）和超声（US）图像中识别结石。[4，5]，检测结石成分[6，7]，预测自发的石头通道[8，9]甚至腔内泌尿外科手术的结果（ 表1 ).[10–13 ] 帕拉赫等.[4]使用两台扫描仪研究了卷积神经网络 （CNN） 在 CT 图像上检测 535 名假定患有肾结石的成年患者的尿结石的诊断性能。第一个扫描仪识别了尿路，下一个扫描仪检测到结石。使用九种不同的变体模型，它实现了超过 90% 的准确率。该研究得出的结论是，通过使用迁移学习和用标记图像增强的数据集来提高CNN的效率。沙巴尼扬等.[10]开发了一种使用ML技术预测肾结石手术治疗结果的决策支持系统。该算法使用包含 254 名患者和 26 个参数的数据集进行训练，其中包括患者病史、肾结石组成和实验室调查的变量。该模型在预测手术结果、预测患者在手术后是否需要支架和预测输血需求方面分别实现了 94.8%、85.2% 和 95% 的准确率。阿明沙里菲等.[11]对146名接受经皮肾镜取石术（PCNL）的成年患者进行了研究数据，以验证基于机器学习算法预测PCNL后结果的效率，并将结果与腔内泌尿学会临床研究办公室的列线图和盖氏结石评分（GSS）进行比较。该程序预测PCNL结果的准确率高达95%。

前列腺良性肿大

许多问卷可用于良性前列腺增生（BPH）的临床预测，但结果不可靠且不准确。已经使用了各种AI技术和ANN模型，例如多层反向传播方法，以在无创测试的基础上预测阻塞的严重程度（ 表1 ).[14，15]托尔希兹等.[14]应用模糊智能系统预测良性前列腺增生的严重程度，并推荐所需的治疗。该研究由两个模型组成。第一个模型预测严重程度，而第二个模型有助于做出治疗决策。然后将结果与专家小组进行比较，以确保准确性和验证。达到的准确率接近90%。

小儿泌尿外科

人工智能已被用于小儿泌尿外科领域，用于预测外科手术的结果[16]，基于成像的病情严重程度以及检测成像异常（ 表1 ).[17，18]巴格里等.[16]应用计算机化人工神经网络，根据输尿管-盆腔交界处梗阻患儿的美国发现预测肾盂成形术后的结局。该预测基于术后结果是否“显着改善”，“改善”，“相同”或“更糟”。结果显示，所有四项结局指标的敏感性和特异性均为100%。Logvinenko等人使用了多元分析和ML算法。[17]评估肾脏和膀胱超声（RBUS）是否可以预测排尿性膀胱尿道造影（VCUG）对膀胱输尿管反流和先天性尿道异常等疾病的异常。结果表明，RBUS是VCUG异常的不良预测因子，两者只能互补，不能替代。

泌尿妇科

根据从可穿戴设备获得的尿失禁数据，应用AI技术预测尿失禁发作的时间和次数以及压力性尿失禁（SUI）的保守或药物治疗的结果。[19]还根据各种随机对照试验（ 表1 ).[20，21]在不久的将来，人工智能应用程序可用于根据患者人口统计和每个人的临床特征提供个性化护理。

肾移植

肾移植预测的结果非常重要。已经进行了各种研究，以使用ANN和ML算法预测肾移植的结果，如所述（ 表1 ).[22–24 ]阿塔拉等.[22]提出了一种结合贝叶斯和k-最近邻两种方法的预测方法，该方法通过选择最少的特征数获得了更高的准确性。它基于数据挖掘技术来预测移植后的五年移植存活率。这种新的预测方法包括三个阶段：数据准备阶段、特征选择阶段和预测阶段。这种预测方法可用于其他移植数据集来测量移植物存活率。

人工智能在泌尿肿瘤学中的应用

睾丸恶性肿瘤

关于人工智能在睾丸恶性肿瘤中的应用的研究并不多。贝斯勒等.[25]应用基于ML的CT影像组学来确定转移性或晚期非精原细胞瘤性睾丸生殖细胞肿瘤患者解剖的淋巴结是恶性还是良性。该模型正确分类，准确率为 0.81（曲线下面积 [AUC]）、88% 的灵敏度和 72% 的特异性。

肾细胞癌

采用基于CT纹理分析的ML和DL算法对血管平滑肌脂肪瘤、透明细胞肾细胞癌（ccRCC）、状肾细胞癌、肿瘤细胞瘤等肾脏肿块进行鉴别[26–28 ]预测核分级并鉴定某些基因突变，以预测预后、复发和生存结果（ 表2 ).科贾克等.[26]使用CT纹理分析，应用ML技术预测和鉴定ccRCC的核分级（Furhman），并将结果与经皮活检获得的结果进行比较。结果具有可比性，并且使用支持向量机（SVM）实现了最大的预测值。该算法可以在85.1%的ccRCC病例中区分核等级。丁等.[29]还进行了一项类似的研究，显示ccRCC等级分类的精确度有所提高。 近年来，基于一种以上基因表达的生物标志物和特征已被开发出来，用于预测该疾病的ccRCC总生存期（OS）和预后。李等.[30]开发了一个基于15个基因的模型，可以帮助预测预后和生存率。他们发现，风险较高的组比风险较低的患者组的预后和生存率要差得多。风险组与患者特征（如性别或年龄）无关，但与血红蛋白水平有关。它们还与肿瘤特征有关，如大小和分级。 PBRM1突变是ccRCC中发现的第二常见的突变。科贾克等. [31] 应用基于ANN和ML的算法，基于CT扫描纹理分析识别PBRM1突变。总体而言，具有PBRM88突变状态的ccRCC中有1%被ANN正确识别。在这些结果的基础上，可以进行未来的研究以开发用于识别组织病理学亚型的无创生物标志物，以预测预后和对治疗的反应。

膀胱癌

ML 算法、DCNN 模型、遗传算法和 SVM 已应用于膀胱癌，用于改善膀胱镜诊断和预后及生存预测（ 表2 ).[32–35 ]池田等.[32]通过用 2102 张膀胱镜图片对其进行训练，制作了一个称职的 CNN，旨在提高使用 AI 诊断膀胱癌的效率。其敏感性和特异性分别为89.7%和94.0%。洛伦辛等.[33]分别使用1997年和986张有和没有膀胱癌的图像的数据，训练多层感知器与DCNN一起诊断膀胱恶性肿瘤。它显示出有希望的结果，AUC值高达0.99。王等.[36]通过使用最小二乘 SVM 预测根治性膀胱切除术后患者的五年总体死亡率和癌症特异性死亡率，准确率超过 75%。 加夫列尔等.[37]提出了一个由基于ML的算法组成的集成系统，以预测具有图像，临床和空间特征的不同组合的五年预后，并量化与淋巴细胞，巨噬细胞，肿瘤芽和PD-L1相关的潜在预后标志物。该方法成功对71.4%在五年内死于肌肉浸润性膀胱癌（MIBC）的患者进行了分类，明显高于当前临床金标准肿瘤，淋巴结，转移（TNM）分期系统的28.6%。 一些研究已经应用了基于ML的算法和模型来识别可以预测疾病复发或未来进展的基因。诊断为MIBC的患者的载玻片用免疫荧光（IF）标记并用于测量肿瘤芽，以确定新辅助化疗的有效性，并确定对治疗无反应的患者。这样做是为了过早停止治疗以避免化疗的不良反应。

前列腺癌

人工智能应用即将在诊断、治疗决策甚至预测无病生存方面彻底改变前列腺癌 （CaP） 的当前实践。由于活检标本分析的主观性，格里森分级存在很高的观察者依赖性变异性。考虑到这一点，斯特伦等人。[41]开发了一个用于前列腺癌识别、格里森分级和定位的人工智能模型。该模型用6682名男性的976张数字化载玻片进行了训练，并在1631名男性的246份活检标本上进行了测试。它达到了0.997（AUC）的准确度来区分恶性和良性肿瘤。格里森分级的结果也与专家病理学家取得的结果相当。在各种研究中，已经应用了DL方法来计算格里森分级（ 表2 ).

在做出最终诊断之前，多参数成像使用多种模式或技术，这增加了放射科医生的负担。然而，在当今时代，由于人工智能的进步，计算机辅助诊断成为可能，这最终有助于通过图像解释进行诊断。这在诊断病情涉及多种模式、参数或技术的情况下特别有用。象限判别分类器在T2加权MRI图像的放射特征中用于检测CaP[44]基于ML的随机Forrest分类算法在经直肠超声检查中定位CaP的应用[45]已经研究过（表2).

鉴于多西紫杉醇化疗的毒性作用，20%的患者在转移性去势抵抗性CaP中治疗失败。邓等.[46]开发了一种基于人工智能的计算模型，可以将患者分为多西他赛耐受和多西紫杉醇不耐受两组，以便为该类别的患者提供更好和个性化的治疗。鉴定组织微阵列上生物标志物的存在可以预测复发和转移的风险。在IF显微镜下通过人眼识别生物标志物既主观又耗时。因此，开发了一种使用DL算法的自动化方法，用于使用648个样品分析生物标志物，并使用抗Ki-67，ERG抗体进行IF染色。结果很有希望，手动和基于算法的生物标志物检测之间只有5%的差异，并且在识别ERG阳性肿瘤方面具有100%的准确率。 比博等.[48]使用来自前瞻性临床试验前列腺肺癌结直肠癌和卵巢癌筛查的数据，选择在随访期间被诊断为CaP的患者，并训练了两个模型来预测十年癌症特异性生存期（CSS）和OS。在随访中诊断为PCa的8776例患者中，使用7021进行了模型训练，并在1755的数据集上进行了测试。对于操作系统和CSS，它的精度分别为0.87和0.98。这些模型可以在线用于提供预测并支持CaP处理的明智决策。

局限性

人工智能应用在泌尿外科中引起了极大的兴趣，但它们的实际实施仍然面临着艰巨的任务。一些在泌尿系统疾病中使用AI算法及其子集的研究存在局限性。在被纳入临床环境之前可以解决的关键挑战是纳入标准化标准、纠正系统变异以及从不同地理位置的多个机构收集数据，以便将结果推广并应用于现实世界的场景。

今后的考虑

就在几年前，世界经济论坛主席克劳斯·施瓦贝（Klaus Schwabe）在达沃斯峰会上宣布了以下声明：“我们正处于技术革命的边缘，这场革命将从根本上改变我们的生活、工作和相互联系的方式。就其规模、范围和复杂性而言，这种转变将不同于人类以前经历过的任何事情。

未来的工作将集中在创建更大的医学数据库和进一步扩展人工智能技术上。增强算法的使用将在智能手机上进行，也可以通过云访问。临床决策的应用程序及其在现实世界中的使用需要监管机构的适当许可。存在有关机器诊断的可靠性的问题，并且编程的偏见不会在诊断中造成障碍。

结论

在不久的将来，我们将看到临床范式的转变，因为人工智能应用将在指南中找到自己的位置，并彻底改变决策过程。话虽如此，人类的智力、适应能力和责任感将被证明是人工智能进一步发展的重要因素。