謝立平 沈海祥 應(yīng)宇凡

人工智能（artificial intelligence，AI）是研究如何在機(jī)器上模擬人的認(rèn)知功能，包括分析、學(xué)習(xí)及對(duì)相應(yīng)問(wèn)題作出類(lèi)似甚至超越人類(lèi)智能反應(yīng)的一門(mén)學(xué)科[1]。為輔助臨床醫(yī)生更好地解決臨床問(wèn)題，使臨床診療過(guò)程變得更加準(zhǔn)確、高效，AI技術(shù)在醫(yī)學(xué)領(lǐng)域得到了快速發(fā)展和初步應(yīng)用，主要包括輔助診斷、疾病相關(guān)風(fēng)險(xiǎn)預(yù)測(cè)[2]。目前，AI技術(shù)在乳腺癌[3]、皮膚癌[4]、腦部腫瘤[5]、前列腺癌[6]及心臟病[7-8]等疾病診治中的應(yīng)用已有初步研究。作為AI技術(shù)的重要組成部分，機(jī)器學(xué)習(xí)（machine learning，ML）及深度學(xué)習(xí)（deep learning，DL）技術(shù)的開(kāi)發(fā)極大地促進(jìn)了其在醫(yī)學(xué)領(lǐng)域應(yīng)用研究的發(fā)展。ML是通過(guò)算法的選擇，基于輸入的數(shù)據(jù)庫(kù)信息構(gòu)建信息分類(lèi)器，對(duì)數(shù)據(jù)信息進(jìn)行自動(dòng)化學(xué)習(xí)，分析其與目標(biāo)值的相關(guān)性并建立模型，可對(duì)新輸入的數(shù)據(jù)進(jìn)行相關(guān)性預(yù)測(cè)[9-10]。數(shù)據(jù)庫(kù)信息的不斷擴(kuò)充可提升分類(lèi)器的性能，進(jìn)一步提高模型的預(yù)測(cè)效能。DL是指一種可使用多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行特征學(xué)習(xí)的算法，通過(guò)建立人工神經(jīng)網(wǎng)絡(luò)，利用輸入的數(shù)據(jù)庫(kù)信息得到訓(xùn)練，從而提高數(shù)據(jù)特征的識(shí)別度[11]。DL技術(shù)尤其在圖像特征識(shí)別及分析方面具有強(qiáng)大的優(yōu)勢(shì)。隨著AI技術(shù)在醫(yī)療健康領(lǐng)域的不斷發(fā)展與成熟，其在疾病預(yù)防、影像學(xué)診斷、個(gè)體化診療以及臨床決策中的應(yīng)用受到越來(lái)越多的關(guān)注。本文就AI技術(shù)在泌尿系結(jié)石、腎癌、膀胱癌及前列腺癌診治中的應(yīng)用作一述評(píng)，以期為廣大同行提供參考和新的啟發(fā)。

1 AI技術(shù)在泌尿系結(jié)石診治中的應(yīng)用

泌尿系結(jié)石是泌尿外科常見(jiàn)的疾病之一。隨著結(jié)石病因研究的深入以及微創(chuàng)碎石技術(shù)的進(jìn)步，泌尿系結(jié)石的診療水平得到不斷提升。不同的碎石技術(shù)處理不同部位、不同種類(lèi)的結(jié)石具有不同的結(jié)石清除率，直接影響結(jié)石患者術(shù)后復(fù)發(fā)率及二次手術(shù)率。因此，術(shù)前進(jìn)行準(zhǔn)確的預(yù)后評(píng)估并選擇合適的碎石方式十分重要。近來(lái)研究顯示，AI技術(shù)的應(yīng)用有助于尿路結(jié)石的診斷和預(yù)后評(píng)估，并能輔助泌尿外科醫(yī)生及患者進(jìn)行最優(yōu)化的臨床決策。相關(guān)研究顯示，AI技術(shù)可用于結(jié)石種類(lèi)的預(yù)測(cè)。2018年Kazemi等[12]構(gòu)建了基于人工神經(jīng)網(wǎng)絡(luò)算法的腎結(jié)石種類(lèi)預(yù)測(cè)模型，該模型相關(guān)參數(shù)來(lái)自于2012—2016年單中心納入的936例腎結(jié)石患者的臨床資料，初步研究結(jié)果顯示其預(yù)測(cè)腎結(jié)石種類(lèi)的準(zhǔn)確率為97.1%。

在明確診斷的基礎(chǔ)上，碎石方式的選擇是影響患者預(yù)后的關(guān)鍵因素之一。2014年Kadlec等[13]基于單中心382例經(jīng)內(nèi)鏡碎石的腎結(jié)石患者資料開(kāi)發(fā)了一項(xiàng)人工神經(jīng)網(wǎng)絡(luò)模型，以用于預(yù)測(cè)腎結(jié)石患者經(jīng)內(nèi)鏡碎石術(shù)后結(jié)石清除率（腎-輸尿管-膀胱X線(xiàn)檢查顯示無(wú)可見(jiàn)結(jié)石或CT檢查顯示結(jié)石＜4 mm）及術(shù)后二次手術(shù)率。該模型預(yù)測(cè)結(jié)石清除率的靈敏度、特異度、AUC分別為0.753、0.604和0.749，預(yù)測(cè)術(shù)后二次手術(shù)率的靈敏度、特異度、AUC分別為0.300、0.983和0.863。近年來(lái)針對(duì)輸尿管結(jié)石，Choo等[14]研發(fā)了基于DL算法的體外沖擊波碎石（extracorporeal shock wave lithotripsy，ESWL）療效的預(yù)測(cè)模型，其建模數(shù)據(jù)來(lái)源于791例輸尿管結(jié)石患者的臨床資料。初步研究結(jié)果表明，該模型對(duì)ESWL的療效預(yù)測(cè)準(zhǔn)確率為92.3%；同時(shí)該模型也證實(shí)了結(jié)石體積、長(zhǎng)徑及CT值是影響療效的重要因素。Seckiner等[15]的研究結(jié)果也表明，人工神經(jīng)網(wǎng)絡(luò)可預(yù)測(cè)ESWL的結(jié)石清除率，并輔助臨床決策的制定。

2 AI技術(shù)在腎癌診治中的應(yīng)用

腎癌是常見(jiàn)的泌尿系腫瘤之一。2018年全球腎癌患者約占所有腫瘤患者的2.2%，其死亡率約為1.8%[16]。隨著診療技術(shù)的發(fā)展，目前腎癌總生存率明顯提高，尤其對(duì)于早期確診患者，多數(shù)能通過(guò)手術(shù)處理獲得較好的生存預(yù)后；但是局部晚期及轉(zhuǎn)移性腎癌患者的預(yù)后仍較差[17-18]。因此，早期明確診斷是治療腎癌的關(guān)鍵。然而，對(duì)于偶然發(fā)現(xiàn)的腎臟小占位（≤4 cm），目前尚難以通過(guò)無(wú)創(chuàng)檢查明確診斷，這是臨床醫(yī)生實(shí)際工作中經(jīng)常遇到的難題。近年來(lái)，利用DL算法技術(shù)對(duì)患者的臨床資料及影像學(xué)資料進(jìn)行分析，以精準(zhǔn)預(yù)測(cè)腫瘤類(lèi)型及預(yù)后并輔助治療決策的制定是該領(lǐng)域的研究熱點(diǎn)。利用DL技術(shù)，研究人員試圖將腎腫瘤的影像學(xué)特征和腫瘤組織學(xué)分型、分級(jí)相關(guān)聯(lián)，從而建立精準(zhǔn)的預(yù)測(cè)模型。

紋理分析是一種通過(guò)提取圖像紋理特征（包括灰度值等參數(shù)）從而獲得并分析其空間分布特征的圖像分析技術(shù)[19]。2015年Yan等[20]發(fā)現(xiàn)基于DL技術(shù)的紋理分析有助于腎臟小占位的鑒別診斷。該研究結(jié)果表明，通過(guò)紋理分析技術(shù)對(duì)腎臟的CT圖像進(jìn)行分析，其鑒別腎錯(cuò)構(gòu)瘤、透明細(xì)胞腎癌及乳頭狀腎細(xì)胞癌的準(zhǔn)確率為90.7%～100.0%。2018年Feng等[21]單中心研究結(jié)果顯示，基于CT圖像的紋理分析技術(shù)鑒別腎錯(cuò)構(gòu)瘤和腎癌的準(zhǔn)確率、靈敏度、特異度、AUC分別為93.9%、0.878、1.000和0.955。其他研究團(tuán)隊(duì)也相繼報(bào)道了類(lèi)似的結(jié)果[22-23]。有文獻(xiàn)報(bào)道DL模型可通過(guò)對(duì)腎癌CT影像進(jìn)行紋理分析來(lái)確定Fuhrman核分級(jí)，其準(zhǔn)確率為73.0%～93.0%[24-25]。Bektas等[24]利用DL技術(shù)開(kāi)發(fā)的SVM模型預(yù)測(cè)高級(jí)別腎癌的準(zhǔn)確率、靈敏度、特異度、AUC分別為 85.1%、0.913、0.806和 0.860。

3 AI技術(shù)在膀胱癌診治中的應(yīng)用

膀胱鏡檢查是膀胱癌明確診斷的主要方式。然而，膀胱原位癌（carcinoma in situ，CIS）在膀胱鏡下的表現(xiàn)與膀胱正常黏膜較難區(qū)分。有文獻(xiàn)報(bào)道，普通膀胱鏡對(duì)CIS診斷的靈敏度、特異度、準(zhǔn)確率分別為0.777、0.827和79.3%；窄譜光成像膀胱鏡的診斷效能相對(duì)較高，其靈敏度、特異度和準(zhǔn)確率分別為0.929、0.735和86.7%；熒光膀胱鏡可通過(guò)熒光區(qū)分病灶和正常黏膜，提高隱匿的小腫瘤和原位癌的檢出率[26-27]。為進(jìn)一步提高CIS的檢出率，有學(xué)者利用AI技術(shù)對(duì)62例膀胱癌患者的MRI圖像進(jìn)行紋理分析，提取出29個(gè)紋理特征應(yīng)用于CIS與正常黏膜的鑒別，結(jié)果顯示診斷膀胱癌的靈敏度、特異度、AUC、準(zhǔn)確率分別為 0.900、0.850、0.900 和 88.0%[28]。也有文獻(xiàn)報(bào)道，利用DL技術(shù)構(gòu)建的紋理分析模型可基于MRI的彌散加權(quán)序列（DWI）圖像在術(shù)前區(qū)分高級(jí)別與低級(jí)別膀胱癌，其靈敏度、特異度、AUC、準(zhǔn)確率分別為 0.780、0.870、0.860 和 83.0%[29]。2018 年 Eminaga等[30]報(bào)道了其開(kāi)發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)可輔助膀胱鏡下組織活檢，組織活檢醫(yī)生可對(duì)預(yù)測(cè)陽(yáng)性區(qū)域進(jìn)行靶向組織活檢，減少或避免不必要的組織活檢。尿液脫落細(xì)胞學(xué)檢查是診斷膀胱癌的重要輔助檢查之一。Sokolov等[31]發(fā)現(xiàn)，結(jié)合DL技術(shù)和原子力顯微鏡，對(duì)于含有5個(gè)細(xì)胞的尿液樣本，其對(duì)膀胱癌診斷的準(zhǔn)確率為94.0%，提示尿液脫落細(xì)胞學(xué)檢查技術(shù)與膀胱鏡檢查相結(jié)合，可明顯提高膀胱癌的診斷效能。

目前也有AI技術(shù)在膀胱癌的復(fù)發(fā)及化療敏感性的預(yù)測(cè)方面研究的報(bào)道。Bartsch等[32]利用ML算法，篩選出和預(yù)后相關(guān)的主要基因，從而構(gòu)建膀胱癌復(fù)發(fā)預(yù)測(cè)模型，旨在預(yù)測(cè)膀胱癌經(jīng)尿道膀胱腫瘤切除術(shù)后5年復(fù)發(fā)率。在訓(xùn)練組中，該模型預(yù)測(cè)膀胱癌復(fù)發(fā)的靈敏度和特異度分別為 0.800、0.900，在驗(yàn)證組中為 0.710、0.670。對(duì)于肌層浸潤(rùn)性膀胱癌患者，術(shù)前新輔助化療是改善其生存預(yù)后的重要治療方式之一。然而，不同患者對(duì)新輔助化療效果差異較大，而化療反應(yīng)性的評(píng)估對(duì)患者治療方案的選擇十分重要。預(yù)測(cè)患者對(duì)新輔助化療的敏感性，不僅有利于合理配置醫(yī)療資源，還能減輕患者不必要的經(jīng)濟(jì)負(fù)擔(dān)，提高患者的生活質(zhì)量。2018年Cha等[33]從CT圖像提取相關(guān)參數(shù)，利用DL技術(shù)開(kāi)發(fā)出一項(xiàng)計(jì)算機(jī)決策支持系統(tǒng)。該系統(tǒng)可輔助臨床醫(yī)生更準(zhǔn)確地評(píng)估膀胱癌患者的化療反應(yīng)性，優(yōu)化治療方案。Wu等[34]基于膀胱癌患者的CT圖像信息，利用DL卷積神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建模型，探索其在預(yù)測(cè)膀胱癌化療敏感性中的應(yīng)用價(jià)值。初步結(jié)果顯示該模型預(yù)測(cè)膀胱癌化療敏感性的AUC為0.790。

4 AI技術(shù)在前列腺癌診治中的應(yīng)用

前列腺癌是男性人群中常見(jiàn)的惡性腫瘤之一，其發(fā)病率及死亡率均較高。2018年腫瘤相關(guān)統(tǒng)計(jì)數(shù)據(jù)顯示，全球前列腺癌的發(fā)病率約為13.5%，僅次于肺癌（14.5%），位列第二；前列腺癌相關(guān)死亡率為6.7%，位列第五[16]。然而，早期診斷、早期治療可明顯降低前列腺癌死亡率。

計(jì)算機(jī)輔助診斷系統(tǒng)（computer-aided diagnostic system，CAD）是醫(yī)學(xué)影像及病理圖像診斷的輔助工具，可對(duì)圖像特征進(jìn)行自動(dòng)分析處理，標(biāo)注感興趣區(qū)域，并利用數(shù)據(jù)庫(kù)數(shù)據(jù)對(duì)感興趣區(qū)域進(jìn)行診斷分析。早期有學(xué)者對(duì)CAD在乳腺癌[3]、肺癌[35]、直腸癌[36]等影像診斷中的應(yīng)用進(jìn)行了研究，結(jié)果顯示相對(duì)于經(jīng)驗(yàn)積累較少的閱片者，CAD可明顯提高其對(duì)腫瘤的診斷能力[37-38]。近來(lái)，基于前列腺M(fèi)RI的圖像信息并結(jié)合AI技術(shù)，涌現(xiàn)出一系列應(yīng)用于前列腺癌診斷的CAD。

Peng 等[39]利用前列腺多參數(shù) MRI（mpMRI）的圖像信息，包括 T2加權(quán)、彌散加權(quán)及動(dòng)態(tài)對(duì)比增強(qiáng)序列圖像，從中提取圖像特征信息，用于計(jì)算機(jī)輔助診斷前列腺癌。以AUC作為診斷效能的評(píng)價(jià)指標(biāo)，通過(guò)線(xiàn)性判別分析法對(duì)表觀擴(kuò)散系數(shù)（apparent diffusion coefficient，ADC）的第10百分位數(shù)、ADC平均數(shù)、T2加權(quán)序列的信號(hào)強(qiáng)度偏態(tài)直方圖及Tofts模型的容積轉(zhuǎn)移常數(shù)Ktrans進(jìn)行單獨(dú)和聯(lián)合分析。結(jié)果顯示上述指標(biāo)單獨(dú)分析時(shí)，鑒別前列腺癌與正常組織的AUC分別為0.92±0.03、0.80±0.03、0.86±0.04、0.69±0.04；而聯(lián)合 ADC 的第 10百分位數(shù)、平均ADC和T2加權(quán)偏態(tài)直方圖的AUC為0.95±0.02。

Reda等[40]首次將臨床生物標(biāo)志物和DL算法結(jié)合，利用前列腺M(fèi)RI中的DWI序列圖像信息和前列腺特異抗原（prostate specific antigen，PSA）開(kāi)發(fā)出一種用于前列腺癌早期診斷的CAD。該系統(tǒng)通過(guò)對(duì)前列腺DWI圖像及相應(yīng)PSA信息進(jìn)行預(yù)處理，提取特征信息，建立融合上述2種信息的SNCSAE分類(lèi)器，最終建立特殊算法輸出最后診斷結(jié)果。該系統(tǒng)的初步研究結(jié)果顯示，其診斷準(zhǔn)確率為94.4%，靈敏度和特異度分別為0.889、1.000。

Gleason評(píng)分與前列腺癌生物學(xué)行為密切相關(guān)，也是評(píng)估前列腺癌患者預(yù)后的重要指標(biāo)之一[41]。Gleason評(píng)分越高，表明前列腺癌惡性程度越高，預(yù)后越差。因此，診斷早期對(duì)患者進(jìn)行準(zhǔn)確的Gleason評(píng)分風(fēng)險(xiǎn)分組和預(yù)后評(píng)估，并據(jù)此給予相應(yīng)的治療方案顯得十分重要[42]。目前在臨床實(shí)踐中，病理科醫(yī)生主要通過(guò)前列腺穿刺活檢或根治手術(shù)獲得的病理組織在顯微鏡下的特征分析得出Gleason評(píng)分。Donovan等[43]為提高Gleason評(píng)分評(píng)估的準(zhǔn)確性，利用ML，通過(guò)圖像分析技術(shù)提取病理組織鏡下特征并結(jié)合生物標(biāo)志物（AR、Ki-67等）特征，開(kāi)發(fā)了前列腺癌術(shù)后臨床復(fù)發(fā)預(yù)測(cè)模型。訓(xùn)練數(shù)據(jù)（n=306）的結(jié)果顯示，該模型預(yù)測(cè)前列腺癌臨床復(fù)發(fā)的一致性指數(shù)為 0.82（95%CI：0.76～0.86），HR為 6.7（95%CI：3.59～12.45），P＜0.01；驗(yàn)證數(shù)據(jù)（n=284）的結(jié)果顯示，一致性指數(shù)為 0.77（95%CI：0.72～0.81），HR為 5.4（95%CI：2.74～10.52），P＜0.01。Boesen 等[44]發(fā)現(xiàn)，前列腺 mpMRI的ADC與前列腺癌Gleason評(píng)分相關(guān)。在鑒別Gleason評(píng)分6分與≥7分的前列腺癌中，腫瘤組織ADC、正常組織與腫瘤組織的ADC比值（ADCnormal/ADCtumor）的AUC分別為 0.73、0.80，在鑒別 Gleason 評(píng)分≤7（3+4）分和≥7（4+3）分的前列腺癌中，兩者的 AUC 分別為 0.72、0.90。Peng等[39]研究也得到類(lèi)似的結(jié)果。Abdollahi等[45]研究結(jié)果進(jìn)一步證實(shí)了ADC和Gleason評(píng)分的相關(guān)性，利用ML技術(shù)，基于前列腺M(fèi)RI圖像信息建立了影像組學(xué)預(yù)測(cè)模型，該模型對(duì)Gleason評(píng)分和臨床分期預(yù)測(cè)結(jié)果的平均AUC為0.70、0.68。

1990年，德國(guó)基爾大學(xué)的Tillmann Loch教授創(chuàng)新性地將人工神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用于經(jīng)直腸前列腺超聲檢查（transrectal ultrasonography，TRUS），以助于前列腺癌的早期診斷。筆者作為項(xiàng)目參與者，于2013年將該技術(shù)引入中國(guó)，并對(duì)該技術(shù)進(jìn)行了優(yōu)化和發(fā)展，將其命名為“AI前列腺超聲（artificial intelligence ultrasound of prostate，AIUSP）”。本中心的初步研究結(jié)果提示，AIUSP引導(dǎo)下的前列腺穿刺活檢總陽(yáng)性率為46.2%，平均穿刺針數(shù)為（4.9±1.0）針，平均 Gleason評(píng)分為（6.8±0.8）分。其中首次穿刺者的穿刺陽(yáng)性率為51.5%（17/33），重復(fù)穿刺者的穿刺陽(yáng)性率為36.8%（7/19）[46]。在此基礎(chǔ)上，筆者所在團(tuán)隊(duì)進(jìn)一步開(kāi)展了一項(xiàng)比較AIUSP靶向穿刺（AIUSP組）、12針系統(tǒng)穿刺（系統(tǒng)穿刺組）及mpMRI輔助12針系統(tǒng)穿刺（mpMRI組）的隨機(jī)對(duì)照研究，初步相關(guān)結(jié)果已于2017年歐洲泌尿外科年會(huì)上進(jìn)行了匯報(bào)[47]。本研究共納入了284例前列腺穿刺患者，研究結(jié)果顯示：（1）AIUSP組前列腺癌檢出率最高，為 47.0%，系統(tǒng)穿刺組和mpMRI組分別為35.6%、35.7%，差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）；（2）總穿刺患者中的每針陽(yáng)性率，AIUSP組為22.7%，明顯高于系統(tǒng)穿刺組的11.3%和mpMRI組的13.4%，差異均有統(tǒng)計(jì)學(xué)意義（均P＜0.01）；（3）確診為前列腺癌的患者中，AIUSP組、系統(tǒng)穿刺組、mpMRI組的每針陽(yáng)性率分別為48.3%、31.9%、37.6%，差異有統(tǒng)計(jì)學(xué)意義（P＜0.01）；（4）AIUSP 組每診斷 1例前列腺癌平均只需穿刺12.8針，而系統(tǒng)穿刺組和mpMRI組分別需要穿刺33.7、33.6針。AIUSP通過(guò)指導(dǎo)前列腺靶向穿刺，能以較少的穿刺針數(shù)取得較高的穿刺陽(yáng)性率，并能發(fā)現(xiàn)既往穿刺陰性的前列腺癌，具有重要的臨床應(yīng)用價(jià)值。

AI技術(shù)不僅在前列腺癌的輔助診斷上具有應(yīng)用價(jià)值，對(duì)于前列腺癌臨床治療決策的制定也具有一定的指導(dǎo)意義。放療是前列腺癌治療的重要手段，安全、有效且治療相關(guān)并發(fā)癥較少[48]。但是因腫瘤細(xì)胞異質(zhì)性的存在，不同前列腺癌患者對(duì)放療的敏感性存在差異。治療前有效篩選出放療獲益人群可減少甚至避免患者的過(guò)度治療。Abdollahi等[45]利用前列腺M(fèi)RI組學(xué)信息結(jié)合ML技術(shù)開(kāi)發(fā)了前列腺癌對(duì)調(diào)強(qiáng)適形放療技術(shù)（intensity-modulated radiation therapy，IMRT）敏感性的預(yù)測(cè)模型。該研究將病灶治療前后在MRI中ADC的改變率作為評(píng)價(jià)敏感性的指標(biāo)，ADC改變率＞20%表明對(duì)治療敏感。該研究共納入33例接受IMRT治療的前列腺癌患者，其中15例（45%）患者對(duì)IMRT治療敏感；基于治療后的T2組學(xué)模型對(duì)于鑒別前列腺癌患者是否對(duì)放療敏感的AUC為0.626。

臨床決策是指診斷確立后，患者及家屬在醫(yī)生的指導(dǎo)下，在多種治療方案中擇優(yōu)選擇對(duì)患者最合適的治療方案。為了讓患者更好地參與臨床決策的制定，Auffenberg等[6]利用ML技術(shù)開(kāi)發(fā)出一項(xiàng)治療方案預(yù)測(cè)系統(tǒng)。該系統(tǒng)的原理是通過(guò)ML等技術(shù)對(duì)納入研究的前列腺癌患者臨床信息及其選擇的治療方案進(jìn)行特征提取并分類(lèi)，最終形成一種特定算法。將患者臨床相關(guān)信息輸入該系統(tǒng)后，通過(guò)該算法，系統(tǒng)可依據(jù)已有數(shù)據(jù)庫(kù)信息輸出最優(yōu)治療方案。該系統(tǒng)對(duì)前列腺癌患者治療方案選擇的預(yù)測(cè)具有較高的準(zhǔn)確性，AUC為0.81。同時(shí)通過(guò)該系統(tǒng)，患者可依據(jù)自身的疾病現(xiàn)狀，了解之前其他類(lèi)似患者治療方案的選擇及相應(yīng)治療結(jié)果，更好地選擇最優(yōu)治療方案并獲益。

5 總結(jié)與展望

近年來(lái)，隨著AI技術(shù)在醫(yī)療領(lǐng)域的蓬勃發(fā)展，疾病的診治即將進(jìn)入智能醫(yī)療時(shí)代。在泌尿系結(jié)石及腫瘤的診治領(lǐng)域中，臨床醫(yī)生的診療經(jīng)驗(yàn)結(jié)合AI技術(shù)開(kāi)發(fā)的輔助診斷系統(tǒng)、疾病相關(guān)風(fēng)險(xiǎn)及療效預(yù)測(cè)模型，不僅可以提高泌尿系疾病的診斷效能，而且在一定程度上可輔助臨床決策的制定，最終使患者獲益。然而，目前的研究結(jié)果多基于單中心研究，存在研究數(shù)據(jù)較少等缺陷，未來(lái)仍需開(kāi)展大規(guī)模、多中心研究進(jìn)一步證實(shí)AI技術(shù)在泌尿外科領(lǐng)域的應(yīng)用價(jià)值。

（本文由浙江省醫(yī)學(xué)會(huì)推薦）