吕建林：人工智能在尿石症诊治领域的应用

Curr Urol Rep. 2021; 22(10): 53.

Published online 2021 Oct 9. doi: 10.1007/s11934-021-01069-3

PMCID: PMC8502128

PMID: 34626246

The Ascent of Artificial Intelligence in Endourology: a Systematic Review Over the Last 2 Decades

B. M. Zeeshan Hameed,1,2 Milap Shah,1,2 Nithesh Naik,2,3 Bhavan Prasad Rai,2,4 Hadis Karimi,5 Patrick Rice,6 Peter Kronenberg,7 and Bhaskar Somani1,2,6

Author information Article notes Copyright and License information Disclaimer

Go to:

Abstract

强调并回顾人工智能 (AI) 在肾结石病 (KSD) 诊断、预测手术结果、结石排出和复发率方面的应用。系统评价是根据系统评价和 Meta 分析的首选报告项目 (PRISMA) 检查表进行的。

最近的发现

本综述讨论了人工智能驱动管理策略的最新进展，这些策略有望为个性化患者护理和改进决策提供重要步骤。人工智能已被用于 KSD 的所有领域，包括诊断、预测治疗的适宜性和成功、基础科学、生活质量 (QOL) 和结石病的复发。然而，它仍然是一种基于研究的工具，并没有在临床实践中普遍使用。这可能是由于缺乏训练算法所需的数据基础设施、在所有患者群体中的更广泛适用性、其使用的复杂性和涉及的成本。

概括

不断发展的文献和未来的研究应该更多地关注 QOL 和 KSD 治疗的成本，并开发可普遍使用的循证 AI 算法，以指导泌尿科医生对结石病的管理。

关键词：机器学习，人工智能，泌尿外科，PCNL，输尿管镜，ESWL

Introduction

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。大量数据可从电子病历 (EMR) 中获得，这些数据提供了重要信息，有助于临床医生共享决策和患者咨询 。机器学习是人工智能的一个子领域，最容易应用于临床研究，其中包括深度学习 (DL)、人工神经网络 (ANN)、自然语言处理 (NLP) 和计算机视觉在内的技术被应用于泌尿科的各个子领域帮助诊断以及预测治疗结果。在过去的二十年中，肾结石病 (KSD) 病例的分析、治疗和监测发生了快速转变。最近的一个例子是在放射组学中使用 AI 从计算机断层扫描 (CT) 和超声 (US) 图像中识别结石尺寸、检测结石成分、预测自发性结石排出以及预测泌尿外科手术的结果。本系统综述旨在全面总结人工智能在尿石症领域的当代应用。

搜索策略和文章选择

2020 年 10 月使用 MEDLINE、Scopus、CINAHL、Clinicaltrials.gov、EMBASE、Cochrane 图书馆、Google Scholar 和 Web of Science 对过去 20 年（2000-2020 年）发表的所有英语文献进行了审查。搜索策略是根据 PICO（患者-干预-比较-结果）[3] 标准进行的，其中 KSD (P) 患者使用 AI 模型 (I) 或传统生物统计模型 (C) 进行管理，并检查这些评估 AI 模型的功效 (O)。然后基于以下关键字的组合创建专用搜索字符串：“人工智能”、“AI”、“机器学习”、“ML”、“ANN”、“卷积网络”、“CNN”、“深度学习” 、“DL”、“尿路结石”、“肾结石病”、“输尿管结石”、“肾结石”、“肾结石”、“肾结石”和“膀胱结石”。系统评价是根据系统评价和 Meta 分析的首选报告项目 (PRISMA) 检查表 [4] 进行的。仅包括英文的原创文章。

纳入标准：关于 KSD 和 AI 的文章；关于结石病诊断、治疗和结果的各个方面的全文原创文章

排除标准：社论、评论、摘要、评论或书籍章节；动物、实验室或尸体研究

根据纳入和排除标准进行文献回顾。对标题和摘要进行评估，筛选后，对符合纳入标准的选定文章进行全文文本分析。对所选文章的参考文献列表进行单独和手动审查，以筛选其他感兴趣的文章。关于资格的分歧通过讨论达成共识决定来解决。

Results

证据综合

最初的搜索共确定了 557 篇独特的文章。从这个列表中，经过初步筛选后仍有 113 篇文章，在进一步筛选摘要后还剩下 92 篇。在对全文文章进行额外审查后，共有 58 篇文章被确定符合我们的纳入标准，并随后根据 PRISMA 纳入最终审查（图 1）。纳入研究的总结报告在两个不同的表中（表（表 11 和表 2）2），每项研究中使用的 AI 模型如图 2 所示。

Open in a separate window

Fig. 1

PRISMA flowchart of the literature selection process for articles

Fig. 2 泌尿外科人工智能数字研究的描述性总结以及每个领域使用的模型

Table 1 人工智能在尿石症诊断、影像和成分检测中的应用

Table 2人工智能在泌尿外科手术和结果预测中的应用

人工智能的应用

KSD的成像

十项研究评估了人工智能在 KSD 成像诊断结石病中的作用。Langkvist 等 基于来自 465 名患者的数据库的薄切片 CT 图像，使用深度学习卷积神经网络 (DCNN) 区分输尿管结石和静脉石。该模型在 88 个扫描图像上进行了测试。结果显示灵敏度为 100%，每名患者的平均假阳性率为 2.68 。帕拉赫等人研究了 CNN 在 CT 图像上的诊断性能，用于使用两台扫描仪检测 535 名假定患有肾结石的成年患者的尿路结石。第一个扫描仪识别出泌尿道，第二个扫描仪检测到结石。使用九种不同的变异模型，它实现了超过 90% 的准确率。该研究得出的结论是，可以通过使用带有标记图像的数据集的迁移学习来提高 CNN 的效率。德佩罗等人基于从低剂量 CT (LDCT) 图像中提取的放射组学特征，开发了一种 ML 模型来区分肾结石和静脉石。该模型的 AUC 为 0.902，准确率为 85.1%，PPV 和 NPV 分别为 81.5% 和 90.0%。詹登伯等人 (2020) 训练和开发了一个 CNN 模型，以根据非对比 CT (NCCT) 图像的特征区分远端输尿管结石和静脉石，并将这些结果与七位放射科专家报告的评估结果进行比较。CNN 模型实现了 92% 的显着更高的准确率，而放射科医生的准确率为 86%。该模型区分远端输尿管结石和静脉石的敏感性、特异性和 AUC 分别为 94%、90% 和 0.95 。拉辛等人应用新的深度学习图像重建 (DLIR) 方法来检查其对腹部 CT 剂量减少的影响，并将结果与基于部分模型的迭代重建 (ASiR-V) 和滤波反投影 (FBP) 进行比较。就结果而言，DLIR 在所有模拟临床场景以及所有剂量和对比度水平下均优于 ASiR-V 。

克里希纳等人提出了一种基于现场可编程门阵列 (FPGA) 的计算机辅助检测 (CAD) 算法，用于检测肾脏异常，通过从分割的感兴趣区域和训练的支持向量机 (SVM) 中提取强度直方图和 Haralick 特征。和多层感知 (MLP) 分类器，用于区分肾结石和囊肿。所提出的算法在检测肾脏超声图像上存在的确切异常方面的准确度为 98.1%，灵敏度为 100%，特异性为 96.8%。所提出的算法及其硬件可以在没有放射科医生和互联网连接的情况下帮助诊断肾脏病理 。李等人 训练了一个反向传播 ANN 来评估在 B 模式 US 和 X 射线之间在 PCNL 上定位肾结石的最佳方法。来自 208 名患者的数据用于训练，而来自 47 名患者的数据用于测试。结果表明，对于复杂和小肾结石的穿刺定位，首选 B 型超声与 X 射线定位，而在简单和较大结石的情况下，首选 X 射线作为单一方式 。Selvarani 和 Rajendran使用元启发式支持向量机识别US图像上的肾结石。该算法用 250 张US图像（150 张有结石，100 张无结石）进行训练，准确率达到 98.8%。石冈等人 (2019) 使用来自 3 家不同医院的 1000 多张 X 射线 KUB 图像，将 CNN (ResNet) 算法用于尿路结石的 CAD。827 张图像用作训练数据，190 张图像用作测试数据。在测试数据集中，阳性预测值、灵敏度和 F 测量值分别为 0.49、0.72 和 0.58。尼提亚等人使用多核 k 均值聚类算法基于 US 图像开发了一种用于检测肾结石的 ANN 模型。该算法主要使用分类器将图像分类为异常或正常，然后对异常图像进行进一步分割以检测肾结石。研究表明，基于线性和二次的模型实现了 99.6% 的准确率 。

检测结石成分 

九项研究着眼于人工智能在检测结石成分中的作用。Kreigshauser 等人使用基于 ML 的算法从 CT 图像预测结石成分。对于尺寸 > 5 毫米的结石，他们将含有尿酸 (UA) 的结石与其他结石区分开来的准确率达到了 100%。此外，他们在区分非尿酸（非 UA）亚型方面达到了 75% 的准确率 。

Kazemi 和 Mirroshandel 收集了 936 名患者的信息，并基于各种参数（如尿酸水平）推导出了一个用于预测肾结石成分的集成学习模型；血清钙水平;性别;相关症状，如腰痛、恶心和呕吐；尿路感染;以及高血压和糖尿病等并发症。该模型实现了 97.1% 的准确率，它表明这些结果可以应用于未来的研究活动，用于预测结石成分和预防复发。

阿尔杜基等人和布莱克等人训练了一个 DCNN 模型来检测基于图像的结石成分。研究中采集了 63 颗结石，结果显示，尿酸结石、草酸钙结石、半胱氨酸结石和三磷酸盐结石的结石成分识别准确率分别接近 94%、90%、75% 和 86%。结石成分检测总体准确率为85%。这些结果为未来直接从内窥镜图像检测结石成分的研究奠定了基础，并可以自动化激光设置进行治疗 。

贝扬等人开发了 StoneX，这是一种自然语言处理 (NLP) 算法，用于在 > 1.25 亿条笔记的大规模电子健康记录 (EHR) 中挖掘肾结石成分。总体而言，该系统对除尿酸外的所有结石类型均实现了阳性预测值 > 90%（PPV = 87.5%）。第二次结石手术的生存分析显示结石类型之间存在统计学显着差异（P = 0.03）。还发现了几种表型关联，例如尿酸 - 2 型糖尿病；鸟粪石——尿路感染和神经源性膀胱；羟基磷灰石-神经源性膀胱和；和透钙磷石——高钙血症或钙代谢紊乱。这表明这些工具将使 EHR 中的高保真肾结石研究成为可能。

霍坎普等人使用 200 个已知成分的双能 CT (DECT) 图像训练 ML 模型并预测主要结石成分，在纯 (n = 116) 和混合 (n = 84) 大小 3-18 的肾结石中毫米。正常剂量和低剂量 CT 协议均用于图像采集。精度是基于石头和体素计算的。虽然该模型在预测结石的关键成分方面达到了近 90% 的准确率，但在检测鸟粪石关键成分时达到了最低准确率 [20]。萨利等人应用k-最近邻ML算法根据肾结石的介电特性将肾结石分为胱氨酸结石、草酸钙结石和鸟粪石结石。它在检测石头成分和基于 Cole-Cole 参数正确分类方面达到了 98.1% 的准确率 [21]。崔等人将放射组学算法应用于 NCCT 图像以区分感染性和非感染性结石。基于 LASSO 算法最终确定了来自 CT 图像的 27 个放射组学特征。该模型使用临床确诊的感染性（n = 98）和非感染性（n = 59）患者的图像进行训练。该算法可以以 90.7% 的准确率进行区分。敏感性、特异性、PPV 和 NPV 分别为 85.8%、93.9%、91% 和 91% [22]。张等人训练 SVM 分类器，使用市售软件评估计算机断层扫描纹理分析 (CTTA) 在区分尿路结石患者 NCCT 上的非尿酸结石和尿酸结石方面的准确性，其中离体傅里叶变换红外光谱 (FTIR) 作为参考标准。平均 SVM 准确率为 88% 至 92%（经过十倍交叉验证后），AUC 为 0.965 ± 0.029，敏感性为 94.4%，特异性为 93.7%，由此得出结论，CTTA 可用于准确区分 UA 结石与非结石- 使用 NCCT 图像的体内 UA 结石。

Extracorporeal Shockwave Lithotripsy (ESWL)

十二项研究着眼于人工智能在 ESWL 中的作用。波拉基斯等人使用 ANN 使用 680 名患者的回顾性数据集预测 ESWL 用于治疗下肾盏结石的结果，准确率达到 92%。结石清除率的预测因素包括动态泌尿模式，其次是漏斗肾盂角、体重指数 (BMI)、结石大小 [24]。

哈米德等人获取了 60 名患者的数据，其中 ESWL 成功用于碎石，并用它来训练 ANN，随后将其应用于 22 名患者，以预测冲击波的数量以进行充分碎裂。总体预测准确率为 75%，表明 ANN 可以识别不太可能从 ESWL 中获得任何优势的患者，进一步研究可以提高预测准确率。

戈马等人使用人工神经网络模型来改善输尿管结石 ESWL 后无结石状态的预测，并将其与使用 984 名患者的数据集（70% 训练：30% 测试）的逻辑回归 (LR) 模型进行比较。LR 和 ANN 模型的敏感性和特异性分别为 100%、0.0% 和 77.9%、75%，总体准确度分别为 93.2% 和 77.7% [26]。

戈亚尔等人通过 ESWL 比较了 ANN 和多元回归分析 (MVRA) 对肾结石碎裂的准确性。总共包括 276 名患者，196 名用于训练 ANN，80 名用于测试。ANN 被证明具有比 MVRA 更好的相关系数 (COC)（功率 = 0.8343，冲击次数 = 0.9329）比 MVRA（功率 = 0.0195，冲击次数 = 0.5726），从而表明 ES 是分析结石碎片的更好工具。Moorthy 和 Krishnan 将一阶统计方法和人工神经网络应用于 NCCT 图像，以使用 ESWL 预测结石碎裂。该模型的准确度、灵敏度和特异性分别为 90%、80.7% 和 98.4%。汉达等人开发了一种方法来量化 ESWL 后肾脏的出血性损伤，使用多光谱神经网络 (MSNN) 分类器对 MRI 图像进行分割和分类。该模型实现了高准确度（79%），预测值与形态学相关性非常好（R = 0.96）。

塞金纳等人和 Choo 等人使用人工神经网络和机器学习方法分别准确预测肾结石和输尿管结石的 ESWL 后结果。塞金纳等人在 ANN 训练了 139 名患者的数据并对 32 名患者进行测试后，达到了 88.2% 的准确率。周等人在他们对 791 名患者的研究中达到了 92% 的准确率。曼尼尔等人使用 5 种不同的 AI 模型，并根据从 CT 图像中获得的 224 个 3D 纹理分析特征，预测了 5-20 毫米肾结石患者的 ESWL 成功率。发现对预测 ESWL 成功具有重要意义的三个特征是 BMI、皮肤结石距离和结石大小。随机森林分类器 (RF) 被发现是最准确的，总体 AUC 为 0.79 。

辛拉等人提出了一种计算机视觉算法来改善 ESWL 治疗期间的结石定位。该模型使用视网膜网络算法对 90 名患者的带注释的透视图像进行训练，然后对 12 名患者进行测试，总共使用 2413 张图像。平均精度 (AP) 为 0.7 ± 0.1，而平均检测时间 (± stdev) 为 63 ± 1 ms [33]。

杨等人使用随机森林 (RF)、极端梯度增强树 (XGboost) 和光梯度增强方法 (LightGBM) 等 ML 方法来预测 ESWL 的成功率，并使用 358 名患者的数据集评估影响结果的因素。80:20 的比例作为训练和测试数据集。在对无结石的预测中，LightGBM 的准确度最高 (87.9%)，AUC 为 0.84-0.85，敏感性和特异性分别为 0.74-0.78 和 0.92-0.93。塞尔策等人应用深度学习技术开发了一种预测算法，使用从国际结石登记处 (ISR) 采样的 46,891 种治疗方法的 75/25 随机分组的数据集来提供更好的护理和改进共享决策。结石清除率的预测准确率为 88%，AUC 为 0.95，而在验证集上预测并发症的准确率为 77%，AUC 为 0.73 。

Percutaneous Nephrolithotomy (PCNL)

四项研究着眼于人工智能在 PCNL 中的作用。阿明沙里菲等人通过用 200 名患者的数据训练机器，开发了一种 ANN 算法来预测 PCNL 的结果，然后将其应用于 254 名研究对象。该算法能够实现 81% 至 98.2% 的灵敏度和准确度范围。阿明沙里菲等人研究了 146 名进行 PCNL 的成年患者的数据，以验证基于机器的学习算法预测 PCNL 后结果的效率，并将结果与 CROES（泌尿外科学会临床研究办公室）列线图和 Guy's Stone 评分 (GSS) 进行比较.该程序以高达 95% 的准确度预测 PCNL 结果。

沙巴尼扬等人使用 ML 技术开发了一个决策支持系统 (DSS) 来预测肾结石手术治疗的结果。该算法使用包含 254 名患者和 26 个参数的数据集进行训练，其中包括来自患者病史、结石成分和实验室调查的变量。该模型在预测结果、术后支架需求和输血需求方面的准确率分别为 94.8%、85.2% 和 95% 。田口等人。使用自动针头瞄准和 X 射线系统开发了肾体模模型，并比较了 AI 驱动的机器人辅助透视引导 (RAG) 穿刺的可行性。17 名外科医生参与并记录了用于分析的参数，例如针刺次数、设备设置时间、透视时间和总手术时间。RAG 组在所有参数上都更好，具有统计学显着差异（p < 0.001），RAG 组的单次穿刺成功率为 100%

Ureteroscopy (URS)

Inadomi 等人 开发了一个随机森林 ML 模型来预测 URS 后支架插入的需求，以帮助改善患者咨询和共享决策，使用 3224 名接受支架插入的患者的注册数据。研究人员将数据集以 2:1 的比例随机分为训练集和测试集。使用的变量是年龄、先前的支架置入、BMI、结石位置、手术敏锐度和结石手术史。该模型在测试集上实现了 0.70 的 AUC 。

Prediction of Outcomes of Endourological Procedures

阿尔杰等人使用术前和术后数据开发了一个神经网络，以预测接受 ESWL、PCNL 或 URS 治疗的患者的无结石状态。该模型接受了 821 名患者的数据训练，可以预测无结石率 (SFR)，敏感性、特异性、PPV 和 NPV 分别为 70%、61%。分别为 61.4 和 72.3。该模型的 ROC-AUC 为 0.73。卡德莱克等人。设计了一个可以预测各种泌尿外科手术（PCNL、URS、SWL）结果的模型，并研究了 382 个肾单位的输入和结果变量。该模型预测无结石状态（定义为 X 射线 KUB 上无结石或 CT 上 < 4 mm）的灵敏度和灵敏度分别为 75.3% 和 60.4%。它还预测了对二次手术的需求，其特异性为 98.3%，但灵敏度仅为 30%。本研究为今后类似预测列线图的开发奠定了基础[42]。赵等人使用贝叶斯网络荟萃分析 (NWA) 评估各种微创手术治疗 10-20 mm 小儿肾结石的有效性和安全性，发现 ESWL 劣于 RIRS、mPCNL（迷你 PCNL）和 PCNL 治疗 10-20 mm小儿肾结石，其中 SMP (supermini PCNL) 是最理想的选择，并发症的可能性最小，结石清除的可能性最高。

Prediction of Spontaneous Stone Passage (SSP)

自发性结石排出 (SSP) 的预测

五项研究着眼于人工智能在 SSP 中的作用。卡明斯等人设计了 ANN 模型以根据患者、临床和实验室变量预测输尿管结石的通过。在 181 名患者中，125 名患者的数据用于训练模型。在 55 个案例的测试数据集中，该模型正确预测 SSP 的率为 76%。帕雷卡蒂尔等人。设计并验证了一个神经网络模型，以 6 毫米作为临界值来预测输尿管/肾结石结石排出的结果和持续时间。该模型还使用 6 毫米的最大结石尺寸临界值进行了评估，并在来自 6 个不同外部机构（设计机构除外）的 384 名患者身上进行了测试。它提供了 88% 的准确度，ROC-AUC 为 0.9，通过持续时间准确度为 80%，ROC 为 0.8。莫罗等人应用支持向量机 (SVM) 来预测输尿管结石的自发排出。该机器使用 1163 名患者的数据集进行训练，并将结果与使用 LR 和 ANN 获得的结果进行比较。基于 SVM 的方法产生了超过 84% 的灵敏度和特异性。它还提出了导致 SSP 的最重要因素，按降序排列为结石大小、位置和症状持续时间。金等人使用 LR 和 MLP-ML 模型使用 833 名患者的数据集预测自发性输尿管结石排出。MLP 和逻辑回归的 ROC 曲线的 AUC 对于结石 < 5 毫米分别为 0.859 和 0.847，对于 5-10 毫米之间的结石，分别为 0.881 和 0.817 [47]。索拉罕等人使用 ANN 模型来估计 SSP 并确定输尿管结石患者预测因素的有效性。总共192名患者包括训练组（n = 132）、验证组（n = 30）和测试组（n = 30）。达到的准确率在训练组中为 99.1%，在验证组中为 89.9%，在测试组中为 87.3%。发现某些标准（结石大小、体重、疼痛评分、红细胞沉降率（ESR）和C反应蛋白（CRP））对于节省治疗成本和时间，从而避免不必要的治疗更为重要。

Various Other AI Applications in Diagnosis and Prediction in Urolithiasis

其他各种人工智能在尿石症诊断和预测中的应用

蒋等人使用判别分析 (DA) 和 ANN 等工具预测结石病与遗传多态性以及患者的饮食、饮酒和运动习惯的关联。分别在 151 和 105 名患有 KSD 和不患有 KSD 的患者之间比较了四种不同的基因血管内皮生长因子、尿激酶、cyt-p450c17 和 E-钙粘蛋白。饮料和水的消耗量以及户外运动活动也被考虑在内。结果表明，DA 分类正确率为 74%，ANN 分类正确率为 89%。当所有因素汇集在一起时，ANN 也被证明比 DA 更好。

Tanthanuch 和 Tanthanuch 开发了一个 ANN 模型，使用 168 名患者的数据来识别上尿路结石的预测，分为 6 个类别和 20 个变量。测试数据的结果显示 100% 的准确度，输出数据在 0-0.38、0.38-0.65 和 0.65-1 之间分别表明无结石、可能有结石和易有结石。

杜索尔等人使用 ANN 模型比较了 119 名特发性钙结石形成男性和 96 名对照组男性的 11 项临床和生化参数。使用人工神经网络，过饱和度 (ROC = 0.73) 和尿素 (ROC 0.72) 是最有区别的，而其他变量如家族史和尿钙、柠檬酸盐、草酸盐、尿酸盐、钠和钙血症、年龄和 BMI 没有统计学差异两组之间。除了高过饱和度，蛋白质摄入的负面影响也得到证实。杜索尔等人 使用 ANN 模型比较了 119 名男性和 59 名女性特发性钙性肾结石的风险因素（年龄、BMI、钙血症、草酸钙过饱和和 24 小时钙尿、草酸尿、尿酸尿、柠檬酸尿、尿素和钠）肾结石家族史。对于没有家族史和有阳性家族史的男性，最具区别的变量分别是 24 小时尿素 (ROC = 0.76) 和过饱和度 (ROC = 0.67)。对于没有和有阳性家族史的女性，最显着的判别是钙血症（ROC = 0.67）和过饱和（ROC = 0.70）。

埃肯等人 应用神经网络、逻辑回归分析 (LR) 和遗传算法 (GA) 对 227 名患者的数据进行肾绞痛的诊断。ANN 分别表现出 94.9% 和 78.4% 的敏感性和特异性。似然比为 4.4（阳性）和小于 0.1（阴性）。这些结果可以在紧急情况下外推，用于诊断和预测肾结石引起的绞痛，也可以帮助做出临床决策 。

考德雷拉等人应用 ANN 模型以及应用常规统计数据（单向方差分析和三个判别分析：标准、向后逐步和向前逐步分析）以基于可用数据集预测第一次临床诊断和真实结石代谢评估后 5 年内的复发事件来自 80 名特发性钙结石病患者。该模型正确预测了所有案例的 90% 。

贾汉蒂等人开发了模糊专家系统，作为诊断 KSD 的计算机辅助系统。结果表明，通过检查 7 例肾脏疾病诊断中的 21 项指标，63% 的人确定了 KSD，这与肾脏医生一致 [55]。陈等人。测试了一种大数据方法来推断和验证 KSD 的“多域”个性化诊断急性护理算法，结合人口统计学、临床和实验室变量，使用具有特征选择器的统计和 ML 模型。研究了 38,579 名成年患者的数据，其中 217 名被诊断患有肾结石，7446 名患有急性疼痛（但没有肾结石）。使用逻辑回归的多域方法在交叉验证中产生了 0.86 的 AUROC 和 0.81/0.82 的敏感性/特异性。

Sreelatha 和 Ezhilarasi 还提出了一种可用于肾脏图像自动分类的计算机辅助诊断工具。他们使用 SVM 分类器将其分为正常、简单的囊肿、肾结石和较少研究的复杂囊性肾细胞癌 (RCC)，并使用主成分分析将特征集从原来的 163 个减少到 18 个，总体准确度达到 96.7 %。

Li 和 Elliot 评估了 NLP 在识别一组 CT KUB 报告中输尿管结石阳性患者的准确性（n = 1874）。NLP 的准确率为 85%，敏感性和特异性分别为 66% 和 95%。低敏感性和高特异性是由于缺乏专门用于分析放射学文本的特征提取工具、医学词典数据库的不完整以及非结构化报告的异质性 [58]。陈等人。使用 ML 方法来研究危险因素（高血压、结石中蛋白质含量增加、草酸钙过饱和降低和 年龄导致肾结石 > 20 毫米，使用人口统计学变量、24 小时尿液特征和 277 名患者的结石特征数据。该模型的灵敏度和特异性分别为 83% 和 56% 。

荣格曼等人开发了一种 NLP 算法，该算法经过人工反馈训练，用于分析 1714 份叙述性 LDCT 报告，以自动捕获临床信息和阳性命中率。72% 的报告肯定了尿石症。在 38% 的患者中，肾脏中至少有一颗结石，45% 的患者中，输尿管中至少有一颗结石。既往结石病史以及阻塞性尿路病和腰痛与尿石症阳性的相关性最高（p < 0.001）。罗等人开发了威斯康星州结石生活质量 (WISQOL) 机器学习算法 (WISQOL-MLA)，根据为验证 WISQOL 收集的人口统计学、症状和临床数据预测患者 QOL。3206 名患者的数据集被分成 70/10/20% 的训练/验证/测试比率。梯度提升获得了 0.622 的测试相关性，而 DL 和多元回归分别获得了 0.592 和 0.437 的相关性。所有 WISQOL 患者的五分位分层获得 5 个类别的平均测试 AUC 为 0.70。该模型在区分最低 (0.79) 和最高五分位数 (0.83) 方面表现最佳。克莱茨迈尔等人。使用基于图像的机器学习方法筛选化学修饰的肌醇六磷酸 (IP6) 类似物，从而能够鉴定出高活性的二价肌醇磷酸分子，该分子可以完全抑制结晶过程，从而代表 CaOx 肾病的新治疗选择。

未来研究的优势、局限和领域

使用各种各样的 AI 模型和算法不允许我们将数据集中在一起。但是，已经收录了所有与 AI 相关的泌尿外科文章，并总结了其当前的临床用途和在泌尿外科中的作用。人工智能已被用于 KSD 的所有领域，包括诊断、预测治疗适合性和成功、基础科学、QOL 和结石病的复发。然而，它仍然是一种基于研究的工具，并没有在临床实践中普遍使用。这可能是由于缺乏训练算法所需的数据基础设施、在所有患者群体中的更广泛适用性、其使用的复杂性以及所涉及的成本。未来的人工智能研究还应该更多地关注 QOL 和 KSD 治疗的成本，并提出可以普遍使用的通用法。

Conclusion

人工智能在 KSD 及其各个子领域的应用似乎很有希望。它被用于诊断、预测手术结果、结石排出和复发率。人工智能驱动的管理策略对未来充满希望，并在提供更加个性化的患者护理和改进共享决策方面向前迈出了重要的一步。虽然目前不在常规临床实践中，但我们将看到临床范式的转变，因为 AI 应用程序将在指南和 KSD 管理的各个方面找到它们的位置。