占小飛，崔振宇，趙春利

(1.河北大學(xué)臨床醫(yī)學(xué)院，河北 保定 071000；2.河北大學(xué)附屬醫(yī)院泌尿外科，河北 保定 071000)

醫(yī)療保健在不斷數(shù)字化，如電子健康檔案系統(tǒng)、電子病歷系統(tǒng)、生物信息學(xué)和基因組數(shù)據(jù)庫等，這些數(shù)字化系統(tǒng)日常生成的大量健康數(shù)據(jù)已超出了傳統(tǒng)軟件和硬件的管理能力[1]。人工智能可以靈活分析、學(xué)習(xí)不同的數(shù)據(jù)類型[2]，現(xiàn)已被廣泛應(yīng)用于處理醫(yī)療大數(shù)據(jù)以提高診療效率，從而更快地進(jìn)行診斷、預(yù)測分析和精準(zhǔn)治療[3]?，F(xiàn)簡要介紹人工智能技術(shù)及其在泌尿系結(jié)石診治中的應(yīng)用現(xiàn)狀，并進(jìn)一步探討目前不足之處和發(fā)展方向。

1 人工智能

1.1 人工智能概述

人工智能是一門研究如何在機(jī)器上模擬人類認(rèn)知功能的學(xué)科，內(nèi)容包括分析、學(xué)習(xí)以及對相應(yīng)問題作出類似甚至超越人類智能反應(yīng)的研究[4]。人工智能的研究水平可分為基礎(chǔ)、技術(shù)和應(yīng)用：基礎(chǔ)研究的是硬件設(shè)施、軟件設(shè)施和數(shù)據(jù)資源；技術(shù)研究的是智能算法，如機(jī)器學(xué)習(xí)算法，以解決問題為核心的算法集合組成了通用技術(shù)，如自然語言處理和計(jì)算機(jī)視覺；應(yīng)用研究的則是用于解決實(shí)際問題的人工智能產(chǎn)品，如人臉支付、機(jī)器人、無人駕駛以及智能平臺[5-7]。其中，機(jī)器學(xué)習(xí)算法是人工智能的核心，是使計(jì)算機(jī)智能化的根本途徑。

1.2 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一門通過算法研究以使計(jì)算機(jī)從數(shù)據(jù)中自動學(xué)習(xí)的科學(xué)學(xué)科[8]。機(jī)器學(xué)習(xí)可分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)是在輸入變量和輸出變量明確的數(shù)據(jù)中，使用某種算法來學(xué)習(xí)構(gòu)建輸入變量與輸出變量之間的映射函數(shù)；根據(jù)輸出變量的類型，可進(jìn)一步分為回歸問題和分類問題，回歸問題的輸出變量是連續(xù)變量，分類問題則是離散變量[5,8-9]。非監(jiān)督學(xué)習(xí)是在只有輸入變量而沒有輸出變量的數(shù)據(jù)中，利用算法學(xué)習(xí)其潛在結(jié)構(gòu)和分布模型，根據(jù)學(xué)習(xí)結(jié)果可進(jìn)一步分為聚類、降維、關(guān)聯(lián)等問題。聚類是指在數(shù)據(jù)中找到內(nèi)部分組；降維是指保留數(shù)據(jù)中更重要的特征并去除冗余特征以降低數(shù)據(jù)的特征維數(shù)；關(guān)聯(lián)是指尋找數(shù)據(jù)各部分之間的聯(lián)系及規(guī)則[8-10]。半監(jiān)督學(xué)習(xí)是一種監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)相結(jié)合的學(xué)習(xí)方法，用于處理擁有大部分輸入變量數(shù)據(jù)和少部分輸出變量數(shù)據(jù)類型的數(shù)據(jù)，可以用于提高大型數(shù)據(jù)集的信息抽取速度和準(zhǔn)確性[9]。強(qiáng)化學(xué)習(xí)是指利用算法嘗試完成一個特定的任務(wù)，并使其從隨后的失敗及成功中吸取教訓(xùn)以加強(qiáng)處理該任務(wù)能力的過程，目前主要用于醫(yī)學(xué)圖像分析、疾病篩查和個性化處方選擇[11]。

臨床研究中可以根據(jù)研究目的及所研究數(shù)據(jù)的結(jié)構(gòu)選擇合適的機(jī)器學(xué)習(xí)算法。使用監(jiān)督學(xué)習(xí)進(jìn)行分類、回歸研究時，可以選擇決策樹(如分類樹、回歸樹等)、貝葉斯(如樸素貝葉斯、貝葉斯網(wǎng)絡(luò)等)、支持向量機(jī)、k最近鄰等算法[5-6]。采用非監(jiān)督學(xué)習(xí)進(jìn)行聚類、降維研究時，可以選擇k均值、主成分分析等算法[5]。人工神經(jīng)網(wǎng)絡(luò)是受人腦神經(jīng)系統(tǒng)啟發(fā)而誕生的算法，由稱為神經(jīng)元的節(jié)點(diǎn)組成輸入層、隱藏層和輸出層3個層次的網(wǎng)絡(luò)，這些網(wǎng)絡(luò)分別用于輸入數(shù)據(jù)特征、數(shù)據(jù)特征轉(zhuǎn)換處理以及輸出結(jié)果；經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)常用于監(jiān)督學(xué)習(xí)中的分類、回歸研究，但由于其隱藏層結(jié)構(gòu)的可塑性，進(jìn)一步發(fā)展出了可用于分類、回歸、聚類、降維等研究的學(xué)習(xí)能力更強(qiáng)的深度學(xué)習(xí)算法[6,9,12]。遺傳算法是一種模擬自然遺傳機(jī)制和生物進(jìn)化理論的并行隨機(jī)搜索引擎優(yōu)化方法，可以用于分類研究，常用于搜索、尋找最佳的分類性能規(guī)則、算法或在基于各類機(jī)器學(xué)習(xí)算法的集合學(xué)習(xí)模型中尋找最優(yōu)參數(shù)，適合處理復(fù)雜、困難的科研問題，如尋找潛在的藥用蛋白質(zhì)等[13]。

1.3 深度學(xué)習(xí)

深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)算法的一個分支，與普通人工神經(jīng)網(wǎng)絡(luò)算法的區(qū)別在于其隱藏層層數(shù)的增加，增加的隱藏層層數(shù)使其具備了學(xué)習(xí)數(shù)據(jù)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)的能力，從而可以搭建出更加精準(zhǔn)復(fù)雜的模型[9,12]。深度學(xué)習(xí)的學(xué)習(xí)模式主要是監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)，如卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)是監(jiān)督學(xué)習(xí)算法，生成對抗網(wǎng)絡(luò)是非監(jiān)督學(xué)習(xí)算法[7，12]。卷積神經(jīng)網(wǎng)絡(luò)是一種用于模擬大腦神經(jīng)過程的前饋神經(jīng)網(wǎng)絡(luò)，通常用于圖像處理任務(wù)，其隱藏層通常包括卷積層和池化層，這些隱藏層結(jié)構(gòu)可以將圖像轉(zhuǎn)換或“卷積”為對比度、線條、顏色、形狀等高階特征，再以各種方式組合或“收集”這些特征，從而將圖像分解為不同方面的“特征映射”，再進(jìn)一步對這些不同方面的“特征映射”進(jìn)行聚合，從而實(shí)現(xiàn)對圖像的深度分析[7,9]。遞歸神經(jīng)網(wǎng)絡(luò)是一種按順序處理數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，適用于處理連續(xù)數(shù)據(jù)，如語音和語言[5,12]。生成對抗網(wǎng)絡(luò)由生成網(wǎng)絡(luò)和對抗網(wǎng)絡(luò)2個子網(wǎng)絡(luò)組成，生成網(wǎng)絡(luò)的任務(wù)是生成樣本，對抗網(wǎng)絡(luò)的任務(wù)是檢驗(yàn)生成樣本與真實(shí)樣本的相似性，通過子網(wǎng)絡(luò)間的對抗而促使總網(wǎng)絡(luò)達(dá)到最佳的模擬效果，常被用來生成在視覺上類似于原始真實(shí)圖像的合成圖像[5]。

1.4 人工智能的評價指標(biāo)

人工智能算法模型的評價指標(biāo)主要包括：準(zhǔn)確率、精確率、召回率、特異度、靈敏度、陽性預(yù)測值、陰性預(yù)測值、精確率-召回率(Precision-Recall，P-R)曲線、受試者操作特征(receiver operator characteristic，ROC)曲線、ROC曲線下面積(area under the curve，AUC)等[9-10]。

2 人工智能在泌尿系結(jié)石診斷中的應(yīng)用

2.1 診斷與鑒別診斷

泌尿系結(jié)石是泌尿外科的常見疾病，一般行尿路平片、超聲或CT即可明確診斷，隨著人工智能的發(fā)展，自動化診斷結(jié)石的可行性也越來越大。Eken等[14]根據(jù)患者的臨床癥狀及部分輔助檢查特征構(gòu)建可用于診斷腎絞痛的人工神經(jīng)網(wǎng)絡(luò)、遺傳算法及Logistic回歸模型，結(jié)果顯示，人工神經(jīng)網(wǎng)絡(luò)模型、遺傳算法模型1、遺傳算法模型2和Logistic回歸模型的靈敏度分別為94.9%、67.6%、56.8%和95.5%，特異度分別為78.4%、76.4%、86.3%和47.1%，AUC分別為0.867、0.720、0.715和0.713。Kobayashi等[15]使用ResNet算法對來自3家醫(yī)院的1 017名上尿路結(jié)石患者的X線平片圖像進(jìn)行研究，結(jié)果顯示該算法的靈敏度為0.872、陽性預(yù)測值為0.662。多位學(xué)者[16-18]基于超聲圖像開發(fā)了可自動檢測結(jié)石的人工智能模型，采用的算法為支持向量機(jī)等經(jīng)典機(jī)器學(xué)習(xí)算法，大部分研究都對超聲圖像進(jìn)行降噪處理，準(zhǔn)確率最高的是Nithya等[17]開發(fā)的機(jī)器學(xué)習(xí)模型，其準(zhǔn)確率為99.6%。亦有多篇文獻(xiàn)[19-22]報道了利用CT圖像診斷結(jié)石的人工智能模型，采用的人工智能算法多為深度學(xué)習(xí)算法，準(zhǔn)確率最高的為Yildirim等[22]開發(fā)的XResNet-50模型，其準(zhǔn)確率為96.82%。

在無癥狀結(jié)石患者中，因解剖位置相近，輸尿管下段結(jié)石與盆腔靜脈石較難鑒別，有學(xué)者嘗試?yán)萌斯ぶ悄軄斫鉀Q這一問題。De Perrot等[23]利用低劑量CT平掃圖像的放射組學(xué)特征構(gòu)建了用于鑒別腎結(jié)石與靜脈石的機(jī)器學(xué)習(xí)模型，結(jié)果顯示該機(jī)器學(xué)習(xí)模型的準(zhǔn)確率、靈敏度、特異度及AUC分別為85.1%、91.7% 、78.3%和0.902。Jendeberg等[24]亦利用低劑量CT平掃圖像構(gòu)建了用于鑒別輸尿管下段結(jié)石與靜脈石的卷積神經(jīng)網(wǎng)絡(luò)模型，其靈敏度、特異度及準(zhǔn)確率分別為94%、90%和92%。

2.2 結(jié)石成分預(yù)測

2.2.1 術(shù)后結(jié)石成分分類

結(jié)石的成分分析常采用紅外光譜分析法進(jìn)行結(jié)石成分分析，亦有研究者采用其他方法進(jìn)行結(jié)石成分分析，目前有學(xué)者利用人工智能結(jié)合這些方法來實(shí)現(xiàn)結(jié)石成分的自動分析研究。Cui等[25]利用主成分分析-k最近鄰及主成分分析-支持向量機(jī)組合算法學(xué)習(xí)各結(jié)石類型的顯微拉曼光譜數(shù)據(jù)分析結(jié)石成分，準(zhǔn)確率均為96.3%。Sa?li等[26]應(yīng)用k最近鄰學(xué)習(xí)腎結(jié)石的介電特性參數(shù)來預(yù)測腎結(jié)石成分，準(zhǔn)確率達(dá)98.1%。Blanco等[27]利用人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)石的近紅外高光譜影像數(shù)據(jù)來預(yù)測腎結(jié)石成分，準(zhǔn)確率達(dá)94.4%。

2.2.2 術(shù)前結(jié)石成分預(yù)測

結(jié)石成分與其治療密切相關(guān)，術(shù)后取得結(jié)石成分則存在滯后性。有學(xué)者嘗試進(jìn)行術(shù)前預(yù)測結(jié)石成分的研究，如Kazemi等[28]基于結(jié)石患者臨床特征構(gòu)建的機(jī)器學(xué)習(xí)集合算法預(yù)測結(jié)石成分的AUC達(dá)99.6%；Kriegshauser等[29-30]基于單源雙能CT圖像特征構(gòu)建預(yù)測結(jié)石成分的機(jī)器學(xué)習(xí)模型，結(jié)果顯示，對于直徑在5 mm以上的結(jié)石，機(jī)器學(xué)習(xí)可100%準(zhǔn)確區(qū)分尿酸結(jié)石與非尿酸結(jié)石，但區(qū)分非尿酸結(jié)石亞型(草酸鈣、胱氨酸及鳥糞石)的準(zhǔn)確率為88%；Groβe Hokamp等[31]利用淺層人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)體外結(jié)石標(biāo)本的雙能量CT圖像以預(yù)測結(jié)石成分，總體準(zhǔn)確度約90%；Fitri等[32]學(xué)習(xí)體外結(jié)石標(biāo)本顯微CT圖像構(gòu)建預(yù)測結(jié)石成分的人工神經(jīng)網(wǎng)絡(luò)模型，結(jié)果顯示該模型的最佳準(zhǔn)確度為99.59%；Zhang等[33]對結(jié)石患者的體內(nèi)CT影像圖片進(jìn)行紋理分析，再采用支持向量機(jī)學(xué)習(xí)紋理分析得出的有效參數(shù)，平均準(zhǔn)確率為88%～92%。

2.2.3 術(shù)中結(jié)石成分預(yù)測

經(jīng)皮腎鏡碎石取石術(shù)和輸尿管鏡碎石取石術(shù)是泌尿系結(jié)石常采用的治療方法，不同的結(jié)石成分在鏡下的碎石難度不同，術(shù)中實(shí)時預(yù)測出結(jié)石成分有利于減少手術(shù)時間和手術(shù)成本。Black等[34]利用ResNet101算法分析體外結(jié)石的數(shù)碼照片以預(yù)測結(jié)石成分，結(jié)果顯示尿酸結(jié)石、草酸鈣結(jié)石、鳥糞石、胱氨酸結(jié)石和磷酸鈣結(jié)石的召回率分別為94%、90%、86%、75%和71%。Estrade等[35]基于結(jié)石患者術(shù)中內(nèi)窺鏡下的結(jié)石表面圖、切面圖構(gòu)建了預(yù)測單純性和混合性結(jié)石的卷積神經(jīng)網(wǎng)絡(luò)模型，模型平均準(zhǔn)確率均高于87%。

3 人工智能在泌尿系結(jié)石治療中的應(yīng)用

3.1 術(shù)前預(yù)測治療結(jié)果

3.1.1 預(yù)測結(jié)石自行排出

在泌尿系結(jié)石的治療中，最理想的治療方式就是通過促進(jìn)結(jié)石自行排出。Solakhan等[36]使用人工神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)結(jié)石患者臨床特征預(yù)測輸尿管結(jié)石患者自行排出結(jié)石的準(zhǔn)確率為87.3%。Park等[37]則利用臨床特征開發(fā)了預(yù)測輸尿管結(jié)石自行排出的多層感知器和Logistic回歸模型，結(jié)果顯示，在小于5 mm的結(jié)石中，模型的AUC分別為0.859、0.847；在5～10 mm的結(jié)石中，模型的AUC分別為0.881和0.817。

3.1.2 預(yù)測體外沖擊波碎石術(shù)后結(jié)果

體外沖擊波碎石術(shù)治療泌尿系結(jié)石具有創(chuàng)傷小、經(jīng)濟(jì)、簡便等優(yōu)點(diǎn)，是泌尿系結(jié)石治療中應(yīng)用最廣泛的治療手段。Moorthy等[38]利用CT平掃圖片和人工神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)石體外沖擊波碎石術(shù)成功率，準(zhǔn)確率為90%。Mannil等[39]采用線性回歸模型學(xué)習(xí)結(jié)石患者CT圖像的紋理特征以預(yù)測體外沖擊波碎石術(shù)成功碎石時所需沖擊波的數(shù)量，結(jié)果顯示順序最小優(yōu)化回歸(sequential minimal optimization regression，SMOreg)模型的準(zhǔn)確度最高，AUC為0.838；Mannil等[40]還利用CT圖像的3D紋理分析結(jié)合體質(zhì)量指數(shù)、初始結(jié)石大小和皮膚與結(jié)石的距離數(shù)據(jù)構(gòu)建機(jī)器學(xué)習(xí)模型以預(yù)測體外沖擊波碎石術(shù)的成功率，結(jié)果顯示機(jī)器學(xué)習(xí)模型的AUC為0.79～0.85。有研究人員[41-43]采用人工神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林等機(jī)器學(xué)習(xí)方法學(xué)習(xí)結(jié)石患者的年齡、性別、結(jié)石大小、體積、腎臟局部解剖特征、肌酐等數(shù)據(jù)來預(yù)測體外沖擊波碎石術(shù)后無石率，準(zhǔn)確率最高的是Choo等[42]開發(fā)的決策樹模型，準(zhǔn)確率達(dá)92%。Handa等[44]使用人工神經(jīng)網(wǎng)絡(luò)算法對試驗(yàn)豬體外沖擊波碎石術(shù)后MRI圖像及形態(tài)學(xué)測量出的腎出血量進(jìn)行分析學(xué)習(xí)，結(jié)果顯示模型得出的值與形態(tài)學(xué)的值高度相關(guān)(r=0.969 1)。

3.1.3 預(yù)測經(jīng)皮腎鏡碎石取石術(shù)后結(jié)果

經(jīng)皮腎鏡碎石取石術(shù)具有可視等優(yōu)點(diǎn)，是治療大體積和疑難腎結(jié)石的首選術(shù)式，但其在穿刺過程中易出現(xiàn)出血等并發(fā)癥。Shabaniyan等[45]使用機(jī)器學(xué)習(xí)算法學(xué)習(xí)患者的術(shù)前、術(shù)后特征以預(yù)測經(jīng)皮腎鏡碎石取石術(shù)后結(jié)果，結(jié)果顯示模型預(yù)測手術(shù)結(jié)果、患者術(shù)后是否需要放置輸尿管支架管以及是否需要輸血的準(zhǔn)確率分別為94.8% 、85.2% 和95%。Aminsharifi等[46-47]分別開發(fā)了可用于預(yù)測經(jīng)皮腎鏡碎石取石術(shù)后情況的人工神經(jīng)網(wǎng)絡(luò)模型和基于支持向量機(jī)算法的機(jī)器學(xué)習(xí)模型，結(jié)果顯示人工神經(jīng)網(wǎng)絡(luò)模型在預(yù)測經(jīng)皮腎鏡碎石取石術(shù)后無石率、需要二次經(jīng)皮腎鏡碎石取石術(shù)、需要體外沖擊波碎石術(shù)、需要輸血等結(jié)果的準(zhǔn)確率為81.1%～98.2%；機(jī)器學(xué)習(xí)模型的準(zhǔn)確率為80.0%～95.1%。

3.2 輔助治療

泌尿系結(jié)石的積極治療方法如體外沖擊波碎石術(shù)、輸尿管鏡碎石取石術(shù)和經(jīng)皮腎鏡碎石取石術(shù)均有各自的局限性，人工智能的出現(xiàn)可以優(yōu)化這些治療方法。Muller等[48]開發(fā)了一個可用于提升體外沖擊波碎石術(shù)中超聲波擊中率的卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)果顯示該模型的準(zhǔn)確率為63.9%，優(yōu)于常規(guī)體外沖擊波碎石術(shù)的中位擊中率(55.2%)。Shoar等[49]構(gòu)建了一種可以在體外沖擊波碎石術(shù)中實(shí)時對腎結(jié)石定位的系統(tǒng)，該研究在碎石機(jī)上安裝22個傳感器用以檢測腎結(jié)石并傳遞相關(guān)信號，再使用閾值檢測、三邊測量等算法來實(shí)時確定腎結(jié)石位置，該系統(tǒng)有利于減少治療所需的沖擊波數(shù)量以及降低術(shù)后不良事件的發(fā)生率。Fu等[50]開發(fā)了一種基于電磁跟蹤技術(shù)和同步定位地圖構(gòu)建技術(shù)的輸尿管鏡碎石取石術(shù)中導(dǎo)航系統(tǒng)，該系統(tǒng)在3D腎臟模型試驗(yàn)中顯示出較高的精準(zhǔn)度，在動物體內(nèi)實(shí)驗(yàn)中亦提示有效。Taguchi等[51]開發(fā)了一個機(jī)器人輔助透視引導(dǎo) (robot-assisted fluoroscopy-guided,RAG) 穿刺系統(tǒng)，并比較該系統(tǒng)與經(jīng)超聲引導(dǎo)下穿刺方法在經(jīng)皮腎鏡穿刺中的應(yīng)用效果，結(jié)果顯示RAG穿刺系統(tǒng)的穿刺成功率為100%。Oo等[52]首次使用機(jī)器人輔助穿刺設(shè)備 (ANT-X)在一名左下盞結(jié)石患者身上成功實(shí)行機(jī)器人輔助穿刺經(jīng)皮腎鏡碎石取石術(shù)。

4 人工智能在泌尿系結(jié)石的其他應(yīng)用

4.1 生命質(zhì)量評估

泌尿系結(jié)石會對患者的生活質(zhì)量造成不同程度的影響，威斯康星州結(jié)石生活質(zhì)量量表(the Wisconsin Stone Quality of Life Questionnaire,WISQOL)評分可以評估其影響程度，有助于對結(jié)石患者進(jìn)行分類管理。Nguyen等[53]利用梯度提升算法、深度學(xué)習(xí)算法以及多元回歸預(yù)測結(jié)石患者的WISQOL評分，該研究采用皮爾森回歸系數(shù)評估預(yù)測效果，結(jié)果顯示梯度提升算法、深度學(xué)習(xí)算法以及多元回歸的皮爾森回歸系數(shù)分別為0.62、0.59及0.44。

4.2 臨床資料的自動收集

現(xiàn)代醫(yī)學(xué)的發(fā)展產(chǎn)生了大量的文本數(shù)據(jù)，這些數(shù)據(jù)可用于醫(yī)學(xué)資料的質(zhì)量評估、流行病學(xué)研究、臨床回顧性研究等，人工智能中的自然語言處理技術(shù)可用于收集整理這些數(shù)據(jù)。Li等[54]采用自然語言技術(shù)處理檢索CT、尿路平片報告中陽性結(jié)石病例，結(jié)果顯示其準(zhǔn)確率為85%。Jungmann等[55]認(rèn)為，自然語言處理技術(shù)可檢索低劑量CT報告中陽性結(jié)石病例并將這些報告整理成結(jié)構(gòu)化報告。Bejan等[56]利用自然語言處理技術(shù)在大規(guī)模電子健康檔案系統(tǒng)中挖掘泌尿系結(jié)石患者的結(jié)石成分信息，該技術(shù)挖掘出尿酸結(jié)石的陽性預(yù)測值是87.5%，其余類型結(jié)石的陽性預(yù)測值均在90%以上；此外，該技術(shù)還提取出結(jié)石患者的其他信息進(jìn)行研究分析得出，不同結(jié)石成分患者的二次結(jié)石手術(shù)的生存預(yù)期差異有統(tǒng)計(jì)學(xué)意義，尿酸結(jié)石與2型糖尿病相關(guān)，鳥糞石與尿路感染及神經(jīng)性膀胱功能異常相關(guān)。

4.3 預(yù)測結(jié)石的發(fā)生

結(jié)石的發(fā)生與多種因素相關(guān)，人工智能強(qiáng)大的分析能力有助于分析這些數(shù)據(jù)以預(yù)測結(jié)石的發(fā)生。Xiang等[57]利用機(jī)器學(xué)習(xí)預(yù)測正常人草酸鈣結(jié)石的發(fā)生；該研究結(jié)合腸道菌群及對應(yīng)臨床資料構(gòu)建了支持向量機(jī)、梯度提升樹、隨機(jī)森林等8種機(jī)器學(xué)習(xí)模型，結(jié)果顯示隨機(jī)森林的AUC(0.88)最高。

5 不足與挑戰(zhàn)

目前人工智能在結(jié)石診治等研究上仍存在不足。在預(yù)測結(jié)石成分的研究上有較大不足，尤其是術(shù)前預(yù)測體內(nèi)結(jié)石成分的研究，目前不僅預(yù)測的結(jié)石種類不全，而且準(zhǔn)確率也欠佳，尚不具有臨床應(yīng)用價值，仍需進(jìn)一步研究與努力。人工智能模型的評價指標(biāo)包括準(zhǔn)確率、精確度、靈敏度、AUC等，但在上述研究中，人工智能模型的評價指標(biāo)使用并不統(tǒng)一，如何客觀地評估人工智能模型的性能以及構(gòu)建完善評價體系是目前亟需解決的問題。人工智能模型性能與數(shù)據(jù)集的大小密切相關(guān)，數(shù)據(jù)量過小不足以開發(fā)出高性能的模型；數(shù)據(jù)量越大建立模型學(xué)習(xí)到的邏輯關(guān)系越接近真實(shí)，其性能也就越強(qiáng)；所以要不斷豐富臨床數(shù)據(jù)集、開展多中心聯(lián)合研究，利用源源不斷的數(shù)據(jù)對其進(jìn)行持續(xù)訓(xùn)練與優(yōu)化，以最大限度地提高其準(zhǔn)確性和實(shí)用性。部分人工智能性能較高，但若要實(shí)際應(yīng)用于臨床還需要明確責(zé)任承擔(dān)主體。醫(yī)學(xué)人工智能模型與患者的診治、安全息息相關(guān)，也存在一定的犯錯概率，并且人工智能模型運(yùn)行過程中還存在著患者隱私泄露等風(fēng)險，所以明確人工智能模型出現(xiàn)錯誤、隱私泄露等問題時的責(zé)任承擔(dān)主體是人工智能模型應(yīng)用于臨床必須解決的問題之一。

6 總結(jié)與展望

人工智能時代已經(jīng)逐漸降臨，包括泌尿系結(jié)石在內(nèi)的各疾病醫(yī)療體系將被其重構(gòu)。目前人工智能在泌尿系結(jié)石中的研究已經(jīng)從臨床診治拓展到患者生命質(zhì)量評估、臨床資料自動收集及流行病學(xué)研究等領(lǐng)域，在診治領(lǐng)域中將深入研究解決如術(shù)前泌尿系結(jié)石成分的精確預(yù)測、疑難復(fù)雜腎結(jié)石的治療及手術(shù)并發(fā)癥的預(yù)防等目前較為棘手的問題，以后可進(jìn)一步拓展到病因研究、疾病預(yù)防、患者分類管理及醫(yī)學(xué)生臨床技能教學(xué)與外科手術(shù)培訓(xùn)等領(lǐng)域。