医疗保健中的人工智能——综述与预测性案例研究
[1] MinskyM.Stepstowardartificialintelligence.ProcIRE1961;49(1):8–30.链接1
[2] WengJ,McClellandJ,PentlandA,SpornsO,StockmanI,SurM,etal.Autonomousmentaldevelopmentbyrobotsandanimals.Science2001;291(5504):599–600.链接1
[3] WooldridgeM,JenningsNR.Intelligentagents:theoryandpractice.KnowlEngRev1995;10(2):115–52.链接1
[4] HuangG,HuangGB,SongS,YouK.Trendsinextremelearningmachines:areview.NeuralNetw2015;61:32–48.链接1
[5] HopfieldJJ.Neuralnetworksandphysicalsystemswithemergentcollectivecomputationalabilities.ProcNatlAcadSciUSA1982;79(8):2554–8.链接1
[6] WattsDJ,StrogatzSH.Collectivedynamicsof‘small-world’networks.Nature1998;393(6684):440–2.链接1
[7] ZuckerRS,RegehrWG.Short-termsynapticplasticity.AnnuRevPhysiol2002;64:355–405.链接1
[8] SchmidhuberJ.Deeplearninginneuralnetworks:anoverview.NeuralNetw2015;61:85–117.链接1
[9] LeCunY,BengioY,HintonG.Deeplearning.Nature2015;521(7553):436–44.链接1
[10] ArelI,RoseDC,KarnowskiTP.Deepmachinelearning—anewfrontierinartificialintelligenceresearch.IEEEComputIntellMag2010;5(4):13–8.链接1
[11] DinkelbachHU,VitayJ,BeuthF,HamkerFH.ComparisonofGPU-andCPUimplementationsofmean-firingrateneuralnetworksonparallelhardware.NetworkComputNeuralSyst2012;23(4):212–36.链接1
[12] NaverosF,GarridoJA,CarrilloRR,RosE,LuqueNR.Corrigendum:event-andtime-driventechniquesusingparallelCPU–GPUco-processingforspikingneuralnetworks.FrontNeuroinform2018;12:24.链接1
[13] NaverosF,LuqueNR,GarridoJA,CarrilloRR,AnguitaM,RosE.Aspikingneuralsimulatorintegratingevent-drivenandtime-drivencomputationschemesusingparallelCPU–GPUco-processing:acasestudy.IEEETransNeuralNetwLearnSyst2015;26(7):1567–74.链接1
[14] NurvitadhiE,SheffieldD,SimJ,MishraA,VenkateshG,MarrD.Acceleratingbinarizedneuralnetworks:comparisonofFPGA,CPU,GPU,andASIC.In:Proceedingsof2016InternationalConferenceonField-ProgrammableTechnology;2016Dec7–9;Xi’an,China;2016.p.77–84.链接1
[15] BartolozziC,IndiveriG.SynapticdynamicsinanalogVLSI.NeuralComput2007;19(10):2581–603.链接1
[16] KwonMW,BaekMH,HwangS,ParkK,JangT,KimT,etal.Integrate-and-fireneuroncircuitusingpositivefeedbackfieldeffecttransistorforlowpoweroperation.JApplPhys2018;124(15):152107.链接1
[17] GrollierJ,QuerliozD,StilesMD.Spintronicnanodevicesforbioinspiredcomputing.ProcIEEE2016;104(10):2024–39.链接1
[18] JeongH,ShiL.Memristordevicesforneuralnetworks.JPhysDApplPhys2018;52(2):023003.链接1
[19] PreziosoM,Merrikh-BayatF,HoskinsBD,AdamGC,LikharevKK,StrukovDB.Trainingandoperationofanintegratedneuromorphicnetworkbasedonmetal-oxidememristors.Nature2015;521(7550):61–4.链接1
[20] WenS,HuangT,ZengZ,ChenY,LiP.Circuitdesignandexponentialstabilizationofmemristiveneuralnetworks.NeuralNetw2015;63:48–56.链接1
[21] ZhangX,HuangA,HuQ,XiaoZ,ChuPK.Neuromorphiccomputingwithmemristorcrossbar.PhysStatusSolidiA2018;215(13):1700875.链接1
[22] YoshidaJ.IBMgunsfor8-bitAIbreakthroughs[Internet].Cambridge:EETimes;2018Dec3[cited2019Jan17].Availablefrom:https://www.eetimes.com/document.asp?doc_id=1334029&utm_source=eetimes&utm_medium=networksearch.链接1
[23] MarshallRC,FreedDB,KarowCM.Learningofsubordinatecategorynamesbyaphasicsubjects:acomparisonofdeepandsurface-leveltrainingmethods.Aphasiology2001;15(6):585–98.链接1
[24] ErhanD,BengioY,CourvilleA,ManzagolPA,VincentP,BengioS.Whydoesunsupervisedpre-traininghelpdeeplearning?JMachLearnRes2010;11:625–60.链接1
[25] YuanX,XieL,AbouelenienM.Aregularizedensembleframeworkofdeeplearningforcancerdetectionfrommulti-class,imbalancedtrainingdata.PatternRecognit2018;77:160–72.链接1
[26] Rodríguez-PérezR,BajorathJ.Predictionofcompoundprofilingmatrices,partII:relativeperformanceofmultitaskdeeplearningandrandomforestclassificationonthebasisofvaryingamountsoftrainingdata.ACSOmega2018;3(9):12033–40.链接1
[27] Dudek-DyduchE,TadeusiewiczR,HorzykA.Neuralnetworkadaptationprocesseffectivenessdependentofconstanttrainingdataavailability.Neurocomputing2009;72(13–15):3138–49.链接1
[28] ChiangM,ZhangT.FogandIoT:anoverviewofresearchopportunities.IEEEInternetThingsJ2016;3(6):854–64.链接1
[29] GuoY,LiuY,OerlemansA,LaoS,WuS,LewMS.Deeplearningforvisualunderstanding:areview.Neurocomputing2016;187:27–48.链接1
[30] NguyenH,KieuLM,WenT,CaiC.Deeplearningmethodsintransportationdomain:areview.IETIntellTranspSyst2018;12(9):998–1004.链接1
[31] YangD,JiangK,ZhaoD,YuC,CaoZ,XieS,etal.Intelligentandconnectedvehicles:currentstatusandfutureperspectives.SciChinaTechnolSci2018;61(10):1446–71.链接1
[32] AlshahraniS,KapetaniosE.Aredeeplearningapproachessuitablefornaturallanguageprocessing?In:MétaisE,MezianeF,SaraeeM,SugumaranV,VaderaS,editors.Naturallanguageprocessingandinformationsystems.Cham:Springer;2016.p.343–9.链接1
[33] KimTH.Emergingapproachofnaturallanguageprocessinginopinionmining:areview.In:TomarGS,GroskyWI,KimTH,MohammedS,SahaSK,editors.Ubiquitouscomputingandmultimediaapplications.Berlin:Springer;2010.p.121–8.链接1
[34] SchaalS.Isimitationlearningtheroutetohumanoidrobots?TrendsCognSci1999;3(6):233–42.链接1
[35] YuKH,BeamAL,KohaneIS.Artificialintelligenceinhealthcare.NatBiomedEng2018;2(10):719–31.链接1
[36] MamoshinaP,VieiraA,PutinE,ZhavoronkovA.Applicationsofdeeplearninginbiomedicine.MolPharm2016;13(5):1445–54.链接1
[37] PengY,ZhangY,WangL.Artificialintelligenceinbiomedicalengineeringandinformatics:anintroductionandreview.ArtifIntellMed2010;48(2–3):71–3.链接1
[38] DahalN,NandagopalN,NafalskiA.NedicZ.ModelingofcognitionusingEEG:areviewandanewapproach.In:Proceedingsof2011IEEERegion10Conference;2011Nov21–24;Bali,Indonesia;2011.p.1045–9.链接1
[39] DahmaniK,TahiriA,HabertO,ElmeftouhiY.Anintelligentmodelofhomesupportforpeoplewithlossofautonomy:anovelapproach.In:Proceedingsof2016InternationalConferenceonControl,DecisionandInformationTechnologies;2016Apr6–8;St.Julian’s,Malta;2016.p.182–5.链接1
[40] RabhiY,MrabetM,FnaiechF.Afacialexpressioncontrolledwheelchairforpeoplewithdisabilities.ComputMethodsProgramsBiomed2018;165:89–105.链接1
[41] HudecM,SmutnyZ.RUDO:ahomeambientintelligencesystemforblindpeople.Sensors2017;17(8):1926.链接1
[42] TumpaSN,IslamAB,AnkonMTM.Smartcare:anintelligentassistantforpregnantmothers.In:Proceedingsof20174thInternationalConferenceonAdvancesinElectricalEngineering;2017Sep28–30;Dhaka,Bangladesh;2017.p.754–9.链接1
[43] WuQ,ZhangYD,TaoW,AminMG.Radar-basedfalldetectionbasedonDopplertime–frequencysignaturesforassistedliving.IETRadarSonarNavig2015;9(2):164–72.链接1
[44] LloretJ,CanovasA,SendraS,ParraL.Asmartcommunicationarchitectureforambientassistedliving.IEEECommunMag2015;53(1):26–33.链接1
[45] García-VázquezJP,RodríguezMD,TentoriME,SaldañaD,AndradeÁG,EspinozaAN.Anagent-basedarchitecturefordevelopingactivity-awaresystemsforassistingelderly.JUniversComputSci2010;16(12):1500–20.链接1
[46] LaiDTH,BeggRK,PalaniswamiM.Computationalintelligenceingaitresearch:aperspectiveoncurrentapplicationsandfuturechallenges.IEEETransInfTechnolBiomed2009;13(5):687–702.链接1
[47] ChinLC,BasahSN,YaacobS,JuanYE,KadirAKAB.Camerasystemsinhumanmotionanalysisforbiomedicalapplications.In:ProceedingsofInternationalConferenceonMathematics,EngineeringandIndustrialApplications2014;2014May28–30;Penang,Malaysia;2014.p.090006.链接1
[48] ManDWK,TamSF,Hui-ChanCWY.Learningtoliveindependentlywithexpertsystemsinmemoryrehabilitation.NeuroRehabilitation2003;18(1):21–9.链接1
[49] BenAbachaA,ZweigenbaumP.MEANS:amedicalquestion-answeringsystemcombiningNLPtechniquesandsemanticWebtechnologies.InfProcessManage2015;51(5):570–94.链接1
[50] SarroutiM,OuatikElAlaouiS.Amachinelearning-basedmethodforquestiontypeclassificationinbiomedicalquestionanswering.MethodsInfMed2017;56(3):209–16.链接1
[51] SarroutiM,ElAlaouiSO.AgenericdocumentretrievalframeworkbasedonUMLSsimilarityforbiomedicalquestionansweringsystem.In:Proceedingsofthe8thKESInternationalConferenceonIntelligentDecisionTechnologies;2016Jun15–17;PuertodelaCruz,Spain;2016.p.207–16.链接1
[52] SarroutiM,ElAlaouiSO.Ayes/noanswergeneratorbasedonsentimentwordscoresinbiomedicalquestionanswering.IntJHealthcInfSystInform2017;12(3):62–74.链接1
[53] ShaharY.Timingiseverything:temporalreasoningandtemporaldatamaintenanceinmedicine.In:HornW,ShaharY,LindbergG,AndreassenS,WyattJ,editors.Artificialintelligenceinmedicine.Berlin:Springer;1999.p.30–46.链接1
[54] Rodriguez-EstebanR,IossifovI,RzhetskyA.Imitatingmanualcurationoftext-minedfactsinbiomedicine.PLoSComputBiol2006;2(9):e118.链接1
[55] ZhouL,HripcsakG.Temporalreasoningwithmedicaldata—areviewwithemphasisonmedicalnaturallanguageprocessing.JBiomedInform2007;40(2):183–202.链接1
[56] AthenikosSJ,HanH.Biomedicalquestionanswering:asurvey.ComputMethodsProgramsBiomed2010;99(1):1–24.链接1
[57] HandelmanGS,KokHK,ChandraRV,RazaviAH,LeeMJ,AsadiH.eDoctor:machinelearningandthefutureofmedicine.JInternMed2018;284(6):603–19.链接1
[58] AlmeidaH,MeursMJ,KosseimL,TsangA.DatasamplingandsupervisedlearningforHIVliteraturescreening.IEEETransNanobioscience2016;15(4):354–61.链接1
[59] NévéolA,ShooshanSE,HumphreySM,MorkJG,AronsonAR.Arecentadvanceintheautomaticindexingofthebiomedicalliterature.JBiomedInform2009;42(5):814–23.链接1
[60] ChoiBK,DayaramT,ParikhN,WilkinsAD,NagarajanM,NovikovIB,etal.Literature-basedautomateddiscoveryoftumorsuppressorp53phosphorylationandinhibitionbyNEK2.ProcNatlAcadSciUSA2018;115(42):10666–71.链接1
[61] YangZ,TangN,ZhangX,LinH,LiY,YangZ.Multiplekernellearninginprotein–proteininteractionextractionfrombiomedicalliterature.ArtifIntellMed2011;51(3):163–73.链接1
[62] YuW,ClyneM,DolanSM,YesupriyaA,WulfA,LiuT,etal.GAPscreener:anautomatictoolforscreeninghumangeneticassociationliteratureinPubMedusingthesupportvectormachinetechnique.BMCBioinf2008;9(1):205.链接1
[63] PlazaL,DíazA,GervásP.Asemanticgraph-basedapproachtobiomedicalsummarisation.ArtifIntellMed2011;53(1):1–14.链接1
[64] LiuF,YuH.Learningtorankfigureswithinabiomedicalarticle.PLoSOne2014;9(3):e61567.链接1
[65] RuffiniG.Analgorithmicinformationtheoryofconsciousness.NeurosciConscious2017;3(1):nix019.链接1
[66] ArsiwallaXD,HerrerosI,VerschureP.Onthreecategoriesofconsciousmachines.In:LeporaNF,MuraA,ManganM,VerschurePFMJ,DesmulliezM,PrescottTJ,editors.Biomimeticandbiohybridsystems.Cham:Springer;2016.p.389–92.链接1
[67] ChristleyS,AnG.Aproposalforaugmentingbiologicalmodelconstructionwithasemi-intelligentcomputationalmodelingassistant.ComputMathOrganTheory2012;18(4):380–403.链接1
[68] AlmogDM,HeislerEM.Computerintuition:guidingscientificresearchinimagingandoralimplantology.JDentRes1997;76(10):1684–8.链接1
[69] KanevskyJ,CorbanJ,GasterR,KanevskyA,LinS,GilardinoM.Bigdataandmachinelearninginplasticsurgery:anewfrontierinsurgicalinnovation.PlastReconstrSurg2016;137(5):890e–7e.链接1
[70] NegoescuR.Conscienceandconsciousnessinbiomedicalengineeringscienceandpractice.In:ProceedingsofInternationalConferenceonAdvancementsofMedicineandHealthCarethroughTechnology;2009Sep23–26;Cluj-Napoca,Romania;2009.p.209–14.链接1
[71] SajdaP.Machinelearningfordetectionanddiagnosisofdisease.AnnuRevBiomedEng2006;8:537–65.链接1
[72] MollaM,WaddellM,PageD,ShavlikJ.Usingmachinelearningtodesignandinterpretgene-expressionmicroarrays.AIMag2004;25(1):23–44.链接1
[73] PhamTD,WellsC,CraneDI.Analysisofmicroarraygeneexpressiondata.CurrBioinform2006;1(1):37–53.链接1
[74] ShiTW,KahWS,MohamadMS,MoorthyK,DerisS,SjaugiMF,etal.Areviewofgeneselectiontoolsinclassifyingcancermicroarraydata.CurrBioinform2017;12(3):202–12.链接1
[75] VashisthaR,DangiAK,KumarA,ChhabraD,ShuklaP.Futuristicbiosensorsforcardiachealthcare:anartificialintelligenceapproach.3.Biotech2018;8(8):358.链接1
[76] AhmedFE.Artificialneuralnetworksfordiagnosisandsurvivalpredictionincoloncancer.MolCancer2005;4(1):29.链接1
[77] FosterKR,KoprowskiR,SkufcaJD.Machinelearning,medicaldiagnosis,andbiomedicalengineeringresearch–commentary.BioMedEngOnline2014;13:94.链接1
[78] KrishnanS,AthavaleY.Trendsinbiomedicalsignalfeatureextraction.BiomedSignalProcessControl2018;43:41–63.链接1
[79] HamadaM,ZaidanBB,ZaidanAA.AsystematicreviewforhumanEEGbrainsignalsbasedemotionclassification,featureextraction,braincondition,groupcomparison.JMedSyst2018;42(9):162.链接1
[80] KehriV,IngleR,AwaleR,OimbeS.TechniquesofEMGsignalanalysisandclassificationofneuromusculardiseases.In:ProceedingsoftheInternationalConferenceonCommunicationandSignalProcessing2016;2016Dec26–27;Lonere,India;2016.p.485–91.链接1
[81] RaiHM,ChatterjeeK.AuniquefeatureextractionusingMRDWTforautomaticclassificationofabnormalheartbeatfromECGbigdatawithmultilayeredprobabilisticneuralnetworkclassifier.ApplSoftComput2018;72:596–608.链接1
[82] CookMJ,O’BrienTJ,BerkovicSF,MurphyM,MorokoffA,FabinyiG,etal.Predictionofseizurelikelihoodwithalong-term,implantedseizureadvisorysysteminpatientswithdrug-resistantepilepsy:afirst-in-manstudy.LancetNeurol2013;12(6):563–71.链接1
[83] BouAssiE,NguyenDK,RihanaS,SawanM.Towardsaccuratepredictionofepilepticseizures:areview.BiomedSignalProcessControl2017;34:144–57.链接1
[84] FergusP,HignettD,HussainA,Al-JumeilyD,Abdel-AzizK.AutomaticepilepticseizuredetectionusingscalpEEGandadvancedartificialintelligencetechniques.BioMedResInt2015;2015:986736.链接1
[85] StaceyWC.Seizurepredictionispossible—nowlet’smakeitpractical.EBioMedicine2018;27:3–4.链接1
[86] Kiral-KornekI,RoyS,NurseE,MashfordB,KarolyP,CarrollT,etal.Epilepticseizurepredictionusingbigdataanddeeplearning:towardamobilesystem.EBioMedicine2018;27:103–11.链接1
[87] StoitsisJ,ValavanisI,MougiakakouSG,GolematiS,NikitaA,NikitaKS.Computeraideddiagnosisbasedonmedicalimageprocessingandartificialintelligencemethods.NuclInstrumMethodsPhysResA2006;569(2):591–5.链接1
[88] FasihiMS,MikhaelWB.Overviewofcurrentbiomedicalimagesegmentationmethods.In:Proceedingsof2016InternationalConferenceonComputationalScienceandComputationalIntelligence;2016Dec15–17;LasVegas,NV,USA;2016.p.803–8.链接1
[89] JoY,ChoH,LeeSY,ChoiG,KimG,MinHS,etal.Quantitativephaseimagingandartificialintelligence:areview.IEEEJSelTopQuantumElectron2019;25(1):6800914.链接1
[90] GhafarpourA,ZareI,ZadehHG,HaddadniaJ,ZadehFJS,ZadehZE,etal.Areviewofthededicatedstudiestobreastcancerdiagnosisbythermalimaginginthefieldsofmedicalandartificialintelligencesciences.BiomedRes2016;27(2):543–52.链接1
[91] Personalultrasound[Internet].NewYork:ButterflyNetwork;c2019[cited2019Jan17].Availablefrom:https://english.butterflynetwork.com/.链接1
[92] ElkinPL,SchlegelDR,AndersonM,KommJ,FicheurG,BissonL.Artificialintelligence:bayesianversusheuristicmethodfordiagnosticdecisionsupport.ApplClinInform2018;9(2):432–9.链接1
[93] SafdarS,ZafarS,ZafarN,KhanNF.Machinelearningbaseddecisionsupportsystems(DSS)forheartdiseasediagnosis:areview.ArtifIntellRev2018;50(4):597–623.链接1
[94] HaqueS,MitalD,SrinivasanS.Advancesinbiomedicalinformaticsforthemanagementofcancer.AnnNYAcadSci2002;980(1):287–97.链接1
[95] IbrahimF,ThioTHG,FaisalT,NeumanM.Theapplicationofbiomedicalengineeringtechniquestothediagnosisandmanagementoftropicaldiseases:areview.Sensors2015;15(3):6947–95.链接1
[96] López-FernándezH,Reboiro-JatoM,PérezRodríguezJA,Fdez-RiverolaF,Glez-PeñaD.Theartificialintelligenceworkbench:aretrospectivereview.ADCAIJ2016;5(1):73–85.链接1
[97] TranBX,VuGT,HaGH,VuongQH,HoMT,VuongTT,etal.Globalevolutionofresearchinartificialintelligenceinhealthandmedicine:abibliometricstudy.JClinMed2019;8(3):360.链接1
[98] TantinA,BouAssiE,vanAsseltE,HachedS,SawanM.Predictingurinarybladdervoidingbymeansofalineardiscriminantanalysis:validationinrats.BiomedSignalProcesControl2020;55:101667.链接1
[99] BouAssiE,GaglianoL,RihanaS,NguyenDK,SawanM.Bispectrumfeaturesandmultilayerperceptronclassifiertoenhanceseizureprediction.SciRep2018;8(1):15491.链接1
[100] SakaiK,YamadaK.Machinelearningstudiesonmajorbraindiseases:5-yeartrendsof2014–2018.JpnJRadiol2019;37(1):34–72.链接1
[101] MartensFMJ,vanKuppeveltHJM,BeekmanJAC,RijkhoffNJM,HeesakkersJPFA.Limitedvalueofbladdersensationasatriggerforconditionalneurostimulationinspinalcordinjurypatients.NeurourolUrodyn2010;29(3):395–400.链接1
[102] MendezA,SawanM,MinagawaT,WyndaeleJJ.Estimationofbladdervolumefromafferentneuralactivity.IEEETransNeuralSystRehabilEng2013;21(5):704–15.链接1
[103] MendezA,BelghithA,SawanM.ADSPforsensingthebladdervolumethroughafferentneuralpathways.IEEETransBiomedCircuitsSyst2014;8(4):552–64.链接1
[104] WittenIH,FrankE.Datamining:practicalmachinelearningtoolsandtechniques.2nded.SanFransisco:MorganKaufmann;2005.链接1
[105] MotulskyH,ChristopoulosA.Fittingmodelstobiologicaldatausinglinearandnonlinearregression:apracticalguidetocurvefitting.NewYork:OxfordUniversityPress;2004.链接1
[106] MendezA.Bladdervolumedecodingfromafferentneuralactivity[dissertation].Montreal:PolytechniqueMontreal;2013.链接1
[107] WiebeS,EliasziwM,BellhouseDR,FallahayC.Burdenofepilepsy:theOntariohealthsurvey.CanJNeurolSci1999;26(4):263–70.链接1
[108] FisherRS,vanEmdeBoasW,BlumeW,ElgerC,GentonP,LeeP,etal.Epilepticseizuresandepilepsy:definitionsproposedbytheinternationalleagueagainstepilepsy(ILAE)andtheinternationalbureauforepilepsy(IBE).Epilepsia2005;46(4):470–2.链接1
[109] MormannF,AndrzejakRG,ElgerCE,LehnertzK.Seizureprediction:thelongandwindingroad.Brain2007;130(2):314–33.链接1
[110] HowbertJJ,PattersonEE,SteadSM,BrinkmannB,VasoliV,CrepeauD,etal.Forecastingseizuresindogswithnaturallyoccurringepilepsy.PLoSOne2014;9(1):e81920.链接1
[111] BouAssiE,NguyenDK,RihanaS,SawanM.Afunctional-geneticschemeforseizureforecastingincanineepilepsy.IEEETransBiomedEng2018;65(6):1339–48.链接1
[112] GaglianoL,BouAssiE,NguyenDK,RihanaS,SawanM.Bilateralpreictalsignatureofphase–amplitudecouplingincanineepilepsy.EpilepsyRes2018;139:123–8.链接1
[113] vanMierloP,CarretteE,HallezH,RaedtR,MeursA,VandenbergheS,etal.Ictal-onsetlocalizationthroughconnectivityanalysisofintracranialEEGsignalsinpatientswithrefractoryepilepsy.Epilepsia2013;54(8):1409–18.链接1
[114] BouAssiE,RihanaS,NguyenDK,SawanM.EffectiveconnectivityanalysisofiEEGandaccuratelocalizationoftheepileptogenicfocusattheonsetofoperculo-insularseizures.EpilepsyRes2019;152:42–51.链接1
心血管疾病中的人工智能应用
人工智能
人工智能(artificialintelligence，AI)是基于计算机科学来模拟人脑学习知识、储存知识、思考规划的思维过程的一种技术，人工智能包括一系列操作：机器学习(ML)，深度学习(DL)，自然语言处理(NLP)，认知计算，计算机视觉和机器人等。近年来，人工智能技术发展突飞猛进，自动驾驶、人脸识别、文本处理等已经出现在我们的生活领域。然而，与金融技术、信息技术和航空航天等其他行业相比，人工智能在医疗领域的应用速度相对缓慢。目前，人工智能在心脏病学中的应用主要包括两个方面，一是基于电子健康记录和医学图像等来源的ML/DL、NLP和认知计算等，另一个代表是介入机器人。
AI是可执行一般性人类智能任务的计算机程序。它也可视为机器或者仪器基于所收集数据自动做出决策的能力。而机器学习（machinelearning，ML）是目前AI的主要亚类，它包括了监督学习，非监督学习及深入学习（deeplearning，DL）等。监督学习中目前最常用的算法是人工神经网络（artificialneuralnetwork，ANN）和支持向量机。非监督学习包括了聚类算法和关联规则算法等。而DL包括了循环神经网络、卷积神经网络（convolutionalneuralnetworks，CNN）以及深度神经网络（deepneuralnetworks，DNN）
机器学习在心血管精准医疗中的应用机器学习是AI技术分支之一，可分为3种类型：监督、非监督和增强学习，其中增强学习被视为监督学习和非监督学习二者的结合体，目的在于最大化运算的准确性。
（一）监督学习：监督学习是利用人工标记的数据集预测临床转归，适用于解决分类性及回归性问题，但所需数据量大，人工标记耗时多。监督学习算法主要包括：人工神经网络（ANN）、支持向量机（SVM）、决策树、随机森林、朴素贝叶斯分类器、模糊逻辑以及K⁃最近邻算法（KNN）。在心血管领域，应用于处理电子病历文本分类、心电图的结果判读、检测心律失常、心肌梗死心电信号分类、超声心动图的图像识别、缺血性心肌病影像数据分析、冠状动脉CT图像数据处理、药物治疗剂量、心血管疾病风险分层、疾病生存预测、临床决策系统等。监督学习的局限性：需要较大数据集训练模型，并且通过其他数据集进行验证；如果训练集存在偏倚，将会影响测试集的准确性。另外，监督学习需要手动标记训练集，预测已知的输出结果。尽管监督学习能够通过多种方式与给定的训练集匹配，自动选择“最好”的假设来匹配数据，但可能导致因学习算法更倾向于某种假设而带来偏倚。
（二）非监督学习：非监督学习是识别隐藏在数据中新的疾病机制、基因型或者表型。与监督学习侧重依据标记病例预测临床转归不同，非监督学习是寻找未被标记的、隐藏在数据中的模式。非监督学习常常用于深度学习。可用于心电图和心脏影像的自动分类、构建左心室腔自动分割参数，寻找心力衰竭、冠心病疾病亚型，指导临床对不同亚型采取个体化治疗。非监督学习的局限性：主要在于对初始聚类模式的识别存在困难，因此，非监督学习模型需要在多个队列中进行验证。除此之外，其需要手工去除噪音数据，并且需要人工标记数据选择合适的算法。因此，为了获得最佳效果，往往需要非监督学习和监督学习的联合应用。
（三）深度学习：深度学习是使用多层ANN模拟人脑的运行，根据输入的数据自动做出预测。应用ANN的深度学习包括：循环神经网络（RNN）、卷积神经网络（CNN）以及深度神经网络（DNN）。深度学习具有强大的图像识别和处理噪声能力，以更高时空分辨率处理人工实时心血管图像，通过整合斑点追踪超声心动图数据，有研究证实机器学习算法能够帮助识别运动员的生理性和病理性心肌肥厚、提高单光子发射计算机断层成像术心肌灌注成像预测阻塞性心脏病发生的能力，自动分析静息状态下冠状动脉CT血管造影下的左心室心肌图像，避免患者经历有创心脏血流储备分数的检测，对川崎病的冠状动脉光学相干断层成像图像的自动分类，心电图异常的检测等。2.深度学习的局限性：其过度拟合可能导致预测效果欠佳。深度学习需要大量的训练数据集，需要各科室与电子病历系统链接之间的紧密联系。此外，深度学习需要具有深度学习能力的设备。另外，多层面深度学习可能增加训练时间，而且建立神经网络同样费时。
人工智能在心血管特定领域的
当前和未来应用
超声心动图
超声心动图可以便捷、及时、经济的评估心脏结构和功能，在诊断和评价心血管疾病方面有重要价值。然而，超声心动图在图像质量和诊断效用方面仍存在相当大的变异性。超声心动图仍然高度依赖于操作者的经验，因此，通过人工智能，可以进行增强和标准化超声心动图评价。随着ML方法的成熟，包括卷积神经网络用于图像分类，临床超声心动图数据的累积量增加，给超声心动图人工智能平台的研发提供了充足的机会。在这方面的创新可以通过自动测量、病理特征(瓣膜疾病、局部室壁运动异常、心肌病)的识别在治疗中快速应用，可以改进和标准化目前流程。超声心动图人工智能研究的优势和前景在于识别可能提示亚临床疾病或预后的细微或未被识别的影像学特征。
尽管人工智能模型的性能持续改善，但重要的是要承认，人工智能必须克服一些重要的挑战，才能安全地应用于临床实践。与任何模型一样，研发数据的质量和临床特征是必须的参考因素。超声心动图相关的数据数量大且复杂，一个强大的超声心动图人工智能平台将需要对大量研究进行培训和验证，这些研究包括广泛的临床特征、病理特征、超声机器供应商和图像质量等。目前关于超声心动图人工智能的研究通常存在样本规模小、受机构、地理因素、超声心动图机器品牌限制，这就可能存在过度融合和限制平台通用性的风险。此外，目前超声心动图研究很大程度上依赖于人的解释，人在解释和测量方面存在内在的差异性。
超声心动图人工智能代表了一个激动人心的机会，它将彻底改变临床实践。经过验证的超声心动人工智能模型将有能力提高质量，进行即时医疗决策，并促进公平获得诊断评价。预计超声心动图人工智能将影响患者诊治，期待相关改善临床结果和成本效益的临床研究。
心脏核医学
与心脏病学的其他学科不同，人工智能技术已经被纳入心脏核医学的一些常规操作。人工智能算法已被应用于图像处理，允许进行完全自动的单光子发射计算机断层扫描(SPECT)、心肌灌注成像(MPI)运动校正、重建、量化和高水平分析。
商业化和美国食品药物管理局批准的图像软件已经纳入正常心肌灌注分布的数据库，为专家读者提供计算机辅助诊断工具，用于识别低灌注心肌。这些类型的自动化，以及机器学习的数字图像数据，以及人工智能算法的SPECTMPI数据，单独使用或者结合临床特点，进一步提高了冠心病诊断的预后判断价值，为是否血运重建提供合理的临床决策依据。
提高诊断性能
在一项单中心研究中，ML算法包含成像变量(通过定量软件进行的静息和压力SPECT的灌注缺失、缺血变化和射血分数变化)在总体患者诊断准确性方面优于单个定量成像参数(86%vs81%;P＜0.01)。ML算法检测阻塞性CAD的曲线下总面积(AUC)(0.92±0.01)也显著高于两个人工读片者(0.87±0.01和0.88±0.01;P＜0.05)。使用不同的数据集，同一组人创建了集成临床和成像变量(由自动化软件生成的总灌注不足[TPD])的人工智能算法。研究证明ML(87.3%±2.1%)的准确性高于一个或者两个专家读片者(82.1%±2.2%)或自动TPD(82.8%±2.2%)。在检测检测阻塞性CAD方面有更高的敏感性。一项1638名参与多中心研究显示：无已知CAD的患者使用SPECT扫描仪也发现与传统相比，深度学习(DL)利用原始和定量的MPI极地图的AUC值均更高。基于这些研究，人工智能算法在预测梗阻性CAD方面比目前的临床方法提高了大约2.5%。其他研究发现一致，与专家医师视觉分析相比，训练有素的神经网络在识别特定冠状动脉狭窄病变引起的低灌注分布方面具有类似的良好性能。
治疗和预后预测
在首次MPI扫描后90天内进行相关侵入性血管造影的713例SPECTMPI研究中，人工智能方法也被用于预测疑似CAD患者的早期血运重建。通过ML算法对几个自动衍生的影像学变量和临床参数进行整合，包括性别、高血压和糖尿病史、基线心电图ST段压低、运动心电图和临床变化(总共33个变量)，以预测血运重建事件。ML预测血流量重建的AUC(0.81±0.02)与单个医生的AUC(0.81±0.02)相近，优于另一个医生的AUC(0.72+0.02;P＜0.05)。因此，在本研究中，ML在预测MPI后早期血运重建方面与有经验的医生相当或更好。在预后方面，Betancur等人研究了2619例SPECTMPI患者，并将28个临床、17个压力测试和25个成像变量(包括TPD)整合到人工智能算法中来预测主要心脏事件。在超过3.2+0.6年的随访中，他们比较了AUC对以下结果的预测:(1)ML与所有可用数据(MLcombined)，(2)ML与仅影像学数据(ML-imaging)，(3)5分制诊断(内科诊断)，(4)自动化定量成像分析(负荷TPD和缺血性TPD)。他们发现，ML联合组的MACE预测显著高于ML成像组(AUC,0.81vs0.78;P＜0.01)。ML组合模型的预测精度也高于内科诊断、自动压力TPD和自动缺血TPD(AUC，分别为0.81vs0.65、0.73和0.71;P＜0.01)。与医生的诊断相比，联合治疗的风险重分类为26%(P＜0.01)。基于他们的研究结果，建议人工智能可以整合临床和影像数据，对接受SPECTMPI的患者进行个性化MACE风险计算。
人工智能驱动的结构化报告CDS。人工智能驱动的算法也被纳入了第一个也是唯一一个获得美国食品和药物管理局批准的核成像软件，使用CDS工具和自然语言自动生成报告。该系统集成了超过230条规则、可逆性、功能和患者人口学特征，包括俯卧位与仰卧位、衰减校正与未衰减校正的图像结果以及质量控制数据等额外信息。一项对1000名患者的研究验证了这种人工智能驱动的报告系统检测CAD，结果显示人工智能驱动的结构化报告与9名专家对CAD缺血印象之间一致性没有显著差异。
定量工具已经在核心脏病学的实践中常规使用，但结合多种特征和临床数据的更高水平的工具还不普遍。最近的研究表明，在临床实践中有很高的应用潜力。除了精炼和构建研究以提高诊断和预后，即将到来的人工智能在核心脏病学的重点应该包括开发人工智能驱动算法，以帮助临床决策的适宜性测试、选择测试、调度、工作流优先级、协议、报告、和患者管理。这些发展不会取代医生和其他卫生保健专业人员的角色，但将为他们提供高度精确的工具，以更一致的方式检测疾病，风险分层，并优化针对患者的管理。
电生理学
在电生理学中集成AI的几个重要机会包括数据管理(即，如何允许管理大量患者数据)、数据解释(即，如何复杂数据专家解释的大众化)，以及多种模式获取的数据的实时集成。此外，使用人工智能增强的、经济效益获得的电生理学数据(如ECG)的不断发展的发现表明，筛查通常与心电图无关的疾病的能力可能为改善人口健康提供可扩展的机会。
目前电生理学的主要争论之一是如何将动态获得的心电图纳入临床实践。一些工具，包括可植入记录仪和面向消费者的智能手机或支持智能手表的心电图设备，在许多情况下，在他们被确定为已知的心血管疾病患者之前，允许对人群进行更具成本效益的筛查。例如，个人可以通过互联网购买自己的心电图设备，记录自己的心电图，然后需要对这些数据进行准确的解释。尽管能够准确和自动解释这些心电图的系统已经得到了改进，但仍然存在假阳性或假阴性的风险。阅读心电图的专业知识被下放到基层医疗机构，使得ECG在获得变得更加方便，初步数据表明，人工智能技术可能进一步改善这些心电图的解读，并为那些需要看医生(包括心脏病专家或电生理学家)的人提供合适的分流。然而，目前还无法在人口水平上评价计算的需要和效力。
电生理学的另一个当前问题是如何更好地促进复杂的电生理学数据的解释。例如，QT间期的测量对于识别那些有猝死风险或抗心律失常药物毒性风险的人很重要，但已经发现其变异性大，即使在心脏病学专家和一些电生理专家中评价一致性也存在。初步数据表明，DL人工智能技术可能有助于仅从心电图图像识别特定QT间期带来的风险。此外，利用专家级QT解释来训练神经网络可能有潜力提高非电生理学家和非心脏病学家的解释准确性。这些原则适用于其他电生理数据，如心律失常心腔图的解释。
当前电生理学的另一个主要机遇是如何整合通常多种不同的互补但单独获得的数据，以促进对特定患者的治疗的正确解释和优化。在心律失常患者接受侵入性电生理检查和消融术,术前影像的组合(例如,磁共振成像评估疤痕分布、心电图评估心律失常的起源)和术中成像(如心脏内的超声心动图、透视)可用来优化治疗。然而，由于这些数据都是在通过不同技术不同时间点获得的。最近的数据表明，人工智能技术可以促进数据集成，这反过来可以帮助医生更有效率，或者更有效地识别和定位与患者病情有关的部位。
最后，将人工智能技术应用于电生理数据的一个主要机会不仅是大众化、规模化和促进数据的准确解释和合成的能力，而且是通过非人类可解释的见解来改善人口健康的能力。这一原则的关键在于心电图可能包含一些人类无法轻易理解的微妙之处。举个例子，有研究显示，仅使用心电图来识别低EF的可能，并且有高精确度。又有几个其他条件可能同样从心电图识别，从而提高风险分层人口水平可伸缩的、低成本的方式。因此，从心电图中识别诊断不足、有可能治疗的疾病的能力具有成本效益的改善人口健康问题。
冠心病检测与预后
急性冠脉综合征(ACS)是冠心病最危急的类型，通常根据心电图和生物标志物分为ST段抬高型心肌梗死(STEMI)、非ST段抬高型心肌梗死(NSTEMI)和不稳定型心绞痛(UA)。快速心电图评估进行诊断对STEMI的及时治疗至关重要。通过单导智能手机平台，快速诊断现已被证明是可行的。这项技术可以广泛传播，并与ML相结合，对STEMI患者进行快速分诊。加速转运到经皮冠状动脉介入治疗机构可以更及时改善治疗结果。医院外心脏骤停的研究也在进行中，其中大部分是由ACS引起的。机器学习算法已被用于分析通过智能家庭扬声器和电话的家庭录音，以识别窒息样呼吸，这是心脏骤停的典型迹象。对这类记录的准确检测可使人们发现心脏骤停，并对家中发生的大量未被目击的心脏骤停患者启动紧急措施。
在STEMI以外的ACS(即NSTEMI和UA)中，管理可能不那么明确。在这个方面早期诊治尝试用ML进行12导联心电图解释是有意义的。UA/NSTEMI的治疗主要基于风险分层，据研究ML改善了先前验证过的模型，如TIMI或GRACE风险评分。同样，对死亡率和/或治疗并发症的长期预测可以提高。对高风险和低风险患者的识别的改进将有助于提高资源的利用率和更个体化的治疗。目前研究正在努力综合多种非心脏数据，以进一步完善ACS的诊断、治疗和预后。病情稳定的CAD患者也可能通过人工智能得到改善，例如，识别可能受益于血运重建的患者，或平衡抗栓益处和出血风险，选择最合适的抗血小板策略。
上述的工作代表了人工智能在冠心病从预防到治疗广泛应用的可能性。很明显，在目前的许多情况下，通过随机对照试验进行临床验证仍需要继续进行。然而，令人鼓舞的是，即使是在ML对CAD影响的初期阶段，它也有望提供更好的预后和挖掘新的危险因素，这将进一步帮助CAD患者的治疗。
冠状动脉造影和介入
介入心脏病学传统上一直处于心血管创新的前沿。在过去的十年里，侵入性血管内成像、生理学、血流动力学、机器人技术、和杂交心血管外科手术等得到了快速发展。诊断预测、治疗策略设计、设备选择、程序优化和并发症的避免都是人工智能应用有望取得快速进展的领域。
早期应用人工智能评估冠状动脉的研究包括最近的CEREBRIA-1研究，这些研究验证了在冠状动脉病变重要生理功能评价和推荐血管重建中，ML和人工智能非劣于常规诊治。
目前各地都有很好的心血管急救系统，但在关键的早期诊断和管理决策存在相当大的差异。未来，智能算法可能会在第一次呼叫时立即审查患者的病史和危险因素，并通过一系列预测性问题在运输服务到达医院之前建立初步诊断。随着可以扫描皮肤行静脉穿刺设备的发展，无需人工干预的高分辨率计算机断层扫描仪可提供冠状动脉的解剖和生理评估。快捷的心电图可能提供明确的诊断信息，并在5到10分钟内抵达急诊室。上述步骤甚至可能不需要任何人工干预或评估，并可能导致不会首选侵入性冠状动脉造影，可以在必要时进行。基于人工智能的诊断方法已被用于分析冠状动脉病变功能学评价，迄今为止结果不一。Cho等人的一项研究表明，总的来说，血管造影功能学分析的准确性可能接近82%的FFR。
在过去的十年里，用于冠状动脉介入治疗的磁导航系统和机器人技术已经出现，但一直受到高昂成本和低效界面的阻碍。人工智能引导的血管通路和介入设备导航到病变部位将是可行的，多模式技术将实时热、超声和流量数据与机器人和以前获得的诊断计算机图像融合在一起。同样，通过人工智能引导设备进行冠状动脉血运重建或药物治疗也是可行的，心脏介入团队可以在不暴露于电离辐射的情况下监测和控制设备。能够自动导航到动脉粥样硬化区域并提供靶向治疗的纳米颗粒已经在开发中，内部和外部的磁性引导和配体连接聚集，可以进一步产生有益的效果，同时最大限度地减少对其他器官的不利影响。
瓣膜疾病、先天性和后天异常以及生命维持技术也将是人工智能应用的主要领域。将来在心导管实验室，在时间和空间上实时评估和整合患者解剖结构信息，结合自体活细胞和聚合物刚性金属复合材料，进行3D打印,可能介入心脏病学的一个重要方向。
心脏衰竭
目前心力衰竭(HF)诊治模式不成熟，诊断延迟常见，心力衰竭的许多危险因素并没有认识，治疗和控制相对较低。大多数射血分数减低和射血分数保留的心衰患者没有接受已被证明的降低死亡率和发病率的治疗或者在进行低剂量的治疗。此外，HF表型的病理生理学特征仍处于研究阶段。人工智能支持的策略有潜力解决这些问题。心脏衰竭预防
临床试验证实，心衰预防可显著降低心衰发病率。心衰预防需要一种方法来识别心衰风险患者和心衰预防干预过程。心衰风险识别部分可以帮助集中干预这部分患者，从而提高可行性，降低总体成本。干预部分的效果将决定整体人群心衰防治的效益。
目前心衰危险评分应用于临床少见。Ng等人开发了监督ML算法，利用EHR数据预测突发HF。ML算法预测未来HF的AUC约为0.79，在检测即将到来(6个月)HF时更为准确。虽然AI算法可能没有比传统模型更好的预测价值,ML算法嵌入到电子健康档案可以为医生提供即时风险信息(病人)，可以调整随着时间的推移风险的变化，如果危险因素变化，并整合心电图或图像分析、可穿戴设备和其他数据，风险预测算法可能会更精确的预测个体独有的风险因素。
未来人工智能心衰风险评估工具的开发，预先与有计划的干预相结合，以降低心衰发病率。这些干预措施可以包括一种新的治疗模式，一些特定的治疗药物或智能决策，以鼓励临床医生和患者治疗心衰危险因素。临床试验应该评估风险预测和干预策略，以验证采用有效的策略来降低心衰发病率。
心衰住院预防
心衰住院预防措施也需要一种方法来识别有风险的患者和住院防治监测。传统的统计模型在再入院预测方面的性能较差，而且基于人工智能的模型也受到了限制。有三项研究使用监督ML(包括大队列的DL算法)来预测心衰住院后的再入院，报告的AUC从0.63到0.71。因此，需要更多的工作来提高不同算法的预测能力，识别心衰再入院的风险。
虽然ML可能提升风险预测，但更令人烦恼的问题是，一旦认识到风险增加，如何防止再入院。医疗机构为减少再入院而采取的多种策略所产生的影响微乎其微。使用外部远程监测系统或植入设备(除颤器或起搏器)诊断的远程监测在防止入院或再入院方面是无效的，只有基于肺动脉压的远程监测策略被证明对减少心衰住院有效。最令人震惊的是，减少再入院的策略与心衰住院后短期和长期死亡率的增加相关。因此，必须在临床试验中仔细研究人工智能的住院风险预测和新的干预策略，以确保有效性和安全性。
心衰管理
人工智能分析可以在心力衰竭患者实时提供可操作的信息，通过识别那些确诊患者，有无按照规定GDMT或接收的最佳剂量，有无依从治疗计划，或最有可能受益于某些特定的心衰疗法。这类人工智能生成的信息可以以更新颖的、便捷、智能的方式提供给患者和医生，这些信息可能会影响患者的治疗(为患者提供决策辅助、特定问题的医生或患者教育、支持联系，或其他区域或卫生保健系统特定的资源)。这种方法更类似于高度成功商业的人工智能分析所提供的数据，而人工智能在医疗保健领域的应用尚未达到这种成功水平。
人工智能在阐明心衰病理生理学、
精准医学和新疗法中的作用
目前，HF的广泛特征是EF和推测的病因。非监督ML分析(如聚类分析)可以识别独特的HF表型，然后使用传统统计方法或监督学习技术来确定所识别的表型是否具有不同的预后或对治疗的耐受性或反应。此类分析已在HFpEF和HFREF的HF患者中进行，使用临床数据作为输入变量，确定具有不同预后的HFpEF和HFrEF表型。将来需要临床特征以外的数据比如基因组、蛋白质组数据、微生物组、新的临床数据，心电图或图像分析，来进一步诊断心衰患者的表型，可以通过新的治疗靶点或诊断/预后生物标志物识别独特的病理生理变化，并确定其精确性或新的心衰治疗方法。
预防心脏病学
冠心病的研究已经产生了一些概念，这些概念被认为是现代医学的基础，包括识别和添加相关条件的风险因素到风险分层的整体模型。人工智能的定位是通过分析大量的变量，识别非线性关联，并帮助识别新的危险因素。
目前，在冠心病和动脉粥样硬化性心血管疾病的初级风险分层中最常用的工具是美国心脏病学会/美国心脏协会联合队列方程风险计算器，这是一种有价值但不精确的工具。使用相同的9个传统风险因素，ML算法能够显著地改善风险分层，包括发现13%的高风险个体和推荐25%的低风险个体的他汀类药物治疗，部分原因是非线性关系的识别。相比之下，一项单独的研究使用了每个人多达735个变量来改进队列风险计算器，并强调了包括非传统风险因素的重要性。有趣的是，与在算法中包含大量数据后的预期相反，与前面提到的仅使用标准CAD风险因素的算法相比，使用数百个变量的预测性能并没有更好。
机器学习是一种创新和强大的工具，可以将非传统和未知的危险因素纳入心血管风险分层。例如，利用生物信号如视网膜眼底图像作为生物样本库的一部分，并在没有任何其他临床特征的情况下用于预测心血管风险因素。同样，通过使用ML算法通过智能手机录音进行的语音分析揭示了与CAD相关的特征。这些例子只是许多可能有用的新数字生物标记信息中的一小部分。预测动脉粥样硬化性心血管事件的方法可能需要改变一些公认的范式,例如时间范围评估结果低于10年的随访，使用串行数据获得多个时间点，并考虑更多的无监督学习方法而不是选择变量生物合理性。
临床决策支持
在一个医学知识不断增长和病人管理的复杂性日益增加的时代，对诊断和治疗选择，需要标准化的方案。事实上，应授权将CDS系统与电子病历相结合，向医护人员提供最新的医学知识和循证指导。直到最近，大多数部署在医疗保健中的CDS系统都仅限于访问电子病历中的结构化数据，如实验室结果。然而，非结构化临床叙述中的信息可能会被NLP提取。以前，NLP工具仅限于研究，并没有用于生成自动输入到CDS系统。重要的是，利用NLP来搜索数字电子病历的电子工具也能够为CDS程序提供自动输入，从而提供针对患者的个性化信息，以便在治疗时以患者为中心做出决定。为了实现这种情况，进行自然语言处理，以提供高性能、可扩展和实时的解决方案。梅奥诊所最近报道了这种方法对特定疾病的可行性，方法是将经过验证的基于规则的NLP算法安装到梅奥诊所EHR的大数据基础设施中，从而为外周动脉疾病患者的CDS系统生成个性化输入。还能够显示相关的实验室检测结果和外周动脉疾病患者的自动预后评估，使用结构化数据元素和自动风险计算器，这些数据来自基于社区的研究生成的模型。原则上，类似的方法将可能用于广泛的其他心血管健康疾病，建设标准化和高质量文档的医疗保健系统，最终实现将正确的信息在正确的时间为正确的病人提供正确决策。
人工智能在优化心血管研究中的应用
人工智能(包括ML和DL)可应用于全基因组测序、移动设备生物识别和EHR数据处理。机器学习正在改变心血管疾病的诊断、风险预测、预防和治疗方法。这些新方法提供了可观的前景，包括快速整合大量数据，个体化的诊断和治疗，以及潜在关系的评价。然而，它们确实产生了新的方法论上的挑战。表型必须标准化，优化其可靠性，数据集成等。数据的可追溯性、有效性和再现性必须体现。在研究设计和结果解释时，必须考虑新的偏倚，包括地理、人口和社会经济地位造成的数字鸿沟和互联网接入差异等。最后，必须考虑到数据缺失和治疗方式的变化。的确，与原始数据收集不同，医疗记录数据是在给定的临床事件中收集的，直接与患者的健康状况和求医行为以及临床医生的治疗有关。因为决定观察时间的是病人和医生，而不是研究人员，所以从数据中得出的结论会有所不同。这些重要问题强调了团队科学的重要性，将临床医生、数据科学家和统计学家聚集在一起，以确立这些工具的有效性和可靠性。
表型和风险预测
目前的方法和评分系统对于有效的临床应用来说往往过于繁琐，并且在不同人群中不能很好地复制，因此在临床上必须提高病例识别和结果预测的准确性和有效性。除了电子病历的丰富数据之外，其他类型的结构化或非结构化数据也适用于ML技术。这些因素包括但不限于心电图、超声心动图和其他影像学研究的数据。使用ML进行表型分析的一个例子是HFpEF患者的特征描述和这些患者的生存预测。Shah等人使用无监督ML，在HFpEF患者中确定了3个不同的组，通过监督学习，他们检查了不同组在死亡和住院方面的差异。这些有意义的结果需要在其他队列中验证，但从两一方面说明了人工智能可以应用到EHR的丰富环境中。另一个例子是Attia等人将人工智能应用于心电图数据，以识别无症状左心室44,959例患者出现功能障碍。训练一个卷积神经网络来识别心室功能障碍患者，定义EF为35%或更少，仅使用心电图数据。在52870名患者的独立测试中，网络模型的AUC值、敏感性、特异性和准确性分别为0.93、86.3%、85.7%和85.7%。这些研究结果说明了将人工智能应用于心电图数据，可以提供一种识别心室功能障碍的筛查工具。
临床试验
招募试验参与者被普遍认为是低效、耗时耗力，这会延缓新治疗的进展和最终的病人治疗的延误。将人工智能应用于电子病例将患者特征与试验纳入和排除标准匹配，可以提高预筛的效率。传感器
可穿戴传感器在健康预防和疾病管理中的应用是一个有意义的课题，而人工智能在这个新兴领域的贡献是独一无二的。一个例子是使用智能手表数据来检测房颤数据。一个深度神经网络，使用依赖于R-R间隔近似表示的启发式预训练，与参考标准心电图相比，表现出有意义的性能。在9750名参与者中进行的这项研究建立了概念证明，与标准心电图相比，智能手表可以检测心房纤颤，但灵敏度和特异性有所降低。
未来:AI的挑战
由于人工智能在医学上的应用似乎越来越不可避免，我们必须静心思考实施中的困难。事实上，许多最初有希望的技术在更广泛的测试中失败的例子已经出现在其他领域的新闻上。这些例子包括面部识别软件在不同人群中的失败，刑事司法系统中特别令人担忧的例子，人工智能可能在其中错误持续下去，从而使不公平一直存在，甚至还有一些可推广性差的医疗筛查测试。
当用于训练算法的数据集质量差、多样性有限，或者它们反映结果的差异或现实偏倚时，就会出现这样的问题。“垃圾进，垃圾出”同样适用于人工智能技术。例如，从随机临床试验数据中获得的模型，在应用于从计费代码或从电子病历中提取的相对不精确的数据时，可能表现不佳。类似地，检测静态图像的DL方法不能区分病理生理学的重要特征和图像采集的伪影。因此，如果图像采集类型与疾病状态相关，则与图像采集类型(像素特征)相关的特征可能虚假地与特定结果相关。这些技术甚至可以暴露系统性的偏倚，例如，如果某一特定的亚组患者更有可能被拒绝给予挽救生命措施干预(如心脏移植)，那么风险预测模型可能会错误地确定他们不太可能受益。因此，我们必须意识到，执行不力的人工智能有可能误导我们，它甚至可能恶化、扩大和加剧医疗保健差距，这是在尝试开发或实施人工智能算法时，都必须考虑的一个因素。同样，无论是在医院、地区还是国家一级，在财政资源非常有限的情况下，实施人工智能很可能具有挑战性。如果提供人工智能仅限于高收入人群，这一因素可能加剧医疗保健的不平等。尽管与医疗保健专业人员的能力或判断相关的错误将仅限于特定的个人评估或治疗的患者，但如果人工智能算法得到广泛应用，可能会出现成千上万或数百万人次的错误。当解释结果和应用技术实践时，临床医生必须能够认识到这些陷阱，一个有用的方法可能是跟踪给定技术从初始到应用程序的开发。首先，我们必须检查构成培训过程基础的数据输入。数据质量高吗?它们是如何收集的?它们是否与目标应用程序数据集和人口相似?接下来，我们应该检查模型性能。这个评估必须超出曲线下面积的区域。这些发现有多可靠?研究者是否提供了亚组分析和外部验证?接下来，我们可以检查模型是如何应用的。应用程序数据集是否类似于派生数据集?模型性能是否可以根据标准定期测试?最后，我们可以把模型的结果放在我们已知的环境中。这些发现是否与我们自己的临床直觉或使用其他方法的临床指导一致?只有采用系统的方法，我们才能对这些危害保持警惕，确保在医学中负责任地使用人工智能。
管理挑战和发布人工智能数据
人工智能在大数据和开放科学时代蓬勃发展。研究人员现在能够将大量数据与复杂的算法结合起来，生成可以媲美甚至超过人类表现的统计模型。2009年NetflixPrize等竞赛数据的公开发布，通过昂贵的研发工作，刺激了创新，从而有机会赢得大笔奖金。医疗保健部门采取类似策略的速度较慢，部分原因是与健康相关数据的数据共享限制。这种情况引发了一个问题，在世界范围内共享电子病历中包含的丰富数据的障碍是什么?围绕共享健康职业相关数据的问题在全球各地各不相同，而且正在迅速演变。然而，一些学术期刊制定了数据共享政策，要求公开共享可能与这些规定相冲突的数据。尽管传统研究倾向于分享容易被识别的数据，但人工智能现在正在使用大量更难、甚至可能既往不可能被识别的数据。前进的道路可能是通过战略伙伴关系。如何共享，甚至是否共享数据，都需要根据具体情况来决定。此外，还有一个问题是，如果合作组织不复存在或被另一个组织机会主义地收购，会发生什么情况。当谷歌获得了DeepMind数据档案的访问权限后，人们意识到了这一点，这实际上终止了之前不公布数据的承诺。尽管如此，我们必须继续加快努力，通过协作和获取数据来促进医疗保健。
结论
心脏病学处于人工智能在医学领域的前沿，在信号处理、图像分割和结构化数据分析方面取得了重大进展。近年来在心脏病学的几乎所有领域都取得了重大成就，在心电图分析、影像研究的自动解释和风险预测方面取得了一些具体进展。然而，人工智能很容易在解释、有效性和概括性方面出现重大错误，以及需要提前解决的安全和伦理问题。很明显，人工智能需要计算机科学家、临床研究人员、临床医生和其他用户之间的密切合作，以确定最相关的问题，并找到解决问题的最佳方法和数据来源。这项合作证明，人工智能在心脏病学和医学领域的未来是光明的。
一个卷积神经网络的发展原理图
介入机器人应用
参考文献：
1.JohnsonKW,TorresSotoJ,GlicksbergBS,etal.ArtificialIntelligenceinCardiology.JAmCollCardiol.2018;12;71(23):2668-2679.
2.WestcottRJ,TchengJE.ArtificialIntelligenceandMachineLearninginCardiology.JACCCardiovascInterv.2019;22;12(14):1312-1314.
3.ItchhaporiaD.Artificialintelligenceincardiology.TrendsCardiovascMed.2020;23:S1050-1738(20)30151-1.
4.Lopez-JimenezF,AttiaZ,Arruda-OlsonAM,etal.ArtificialIntelligenceinCardiology:PresentandFuture.MayoClinProc.2020;95(5):1015-1039.
5.KusunoseK,AbeT,HagaA,etal.ADeepLearningapproachforassessmentofregionalwallmotionabnormalityfromechocardiographicimages.JAmCollCardiolImg.2020;13(2,pt1):374-381.
6.SamadMD,UlloaA,WehnerGJ,etal.Predictingsurvivalfromlargeechocardiographyandelectronichealthrecorddatasets:optimizationwithmachinelearning.JAmCollCardiolImg.
2019;12(4):681-689.
7.KwonJM,KimKH,JeonKH,etal.Deeplearningforpredictingin-hospitalmortalityamongheartdiseasepatientsbasedonechocardiography.Echocardiography.2019;36(2):213-218
8.ArsanjaniR,XuY,DeyD,etal.ImprovedaccuracyofmyocardialperfusionSPECTforthedetectionofcoronaryarterydiseaseusingasupportvectormachinealgorithm.JNuclMed.
2013;54(4):549-555.
9.ArsanjaniR,XuY,DeyD,etal.ImprovedaccuracyofmyocardialperfusionSPECTfordetectionofcoronaryarterydiseasebymachinelearninginalargepopulation.JNuclCardiol.2013;20(4):553-562.
10.BetancurJ,CommandeurF,MotlaghM,etal.DeeplearningforpredictionofobstructivediseasefromfastmyocardialperfusionSPECT:amulticenterstudy.JAmCollCardiolImg.
2018;11(11):1654-1663.
11.GarciaEV,KleinJL,TaylorAT.Clinicaldecisionsupportsystemsinmyocardialperfusionimaging.JNuclCardiol.2014;21(3):427-439.
12.ArsanjaniR,DeyD,KhachatryanT,etal.PredictionofrevascularizationaftermyocardialperfusionSPECTbymachinelearninginalargepopulation.JNuclCardiol.2015;22(5):877-
884.
13.BetancurJ,OtakiY,MotwaniM,etal.Prognosticvalueofcombinedclinicalandmyocardialperfusionimagingdatausingmachinelearning.JACCCardiovascImaging.2018;11(7):1000-
1009.
14.WasserlaufJ,YouC,PatelR,etal.PassmanR.Smartwatchperformanceforthedetectionandquantificationofatrialfibrillation.CircArrhythmElectrophysiol.2019;12(6):
e006834
15.KrittanawongC,ZhangH,WangZ,etal.ArtificialIntelligenceinPrecisionCardiovascularMedicine.JAmCollCardiol.2017May30;69(21):2657-2664.
16.VanHoutenJP,StarmerJM,LorenziNM,etal..Machinelearningforriskpredictionofacutecoronarysyndrome.AMIAAnnuSympProc.2014;2014:1940-1949.
17.ZackCJ,SenecalC,KinarY,etal.Leveragingmachinelearningtechniquestoforecastpatientprognosisafterpercutaneouscoronaryintervention.JAmCollCardiolIntv.2019;12(14):1304-1311.
18.DaviesJ.CEREBRIA-1:machinelearningvsexperthumanopiniontodeterminephysiologicallyoptimizedcoronaryrevascularizationstrategies.Paperpresentedat:TranscatheterCardiovascularTherapeutics2018September24,2018.SanDiego,CA.
19.ChoH,LeeJG,KangSJ,etal.Angiography-basedmachinelearningforpredictingfractionalflowreserveinintermediatecoronaryarterylesions.JAmHeartAssoc.2019;8(4):e011685.
20.Dorado-DíazPI,Sampedro-GómezJ,Vicente-PalaciosV,etal.ApplicationsofArtificialIntelligenceinCardiology.TheFutureisAlreadyHere.RevEspCardiol(EnglEd).2019Dec;72(12):1065-1075.
21.NgK,SteinhublSR,deFilippiC,etal..Earlydetectionofheartfailureusingelectronichealthrecords:practicalimplicationsfortimebeforediagnosis,datadiversity,data
quantity,anddatadensity.CircCardiovascQualOutcomes.2016;9(6):649-658.
22.GolasSB,ShibaharaT,AgboolaS,etal.Amachinelearningmodeltopredicttheriskof30-dayreadmissionsinpatientswithheartfailure:aretrospectiveanalysisofelectronicmedicalrecordsdata.BMCMedInformDecisMak.2018;18(1):44.
23.KakadiarisIA,VrigkasM,YenAA,etal.,NaghaviM.MachinelearningoutperformsACC/AHACVDRiskCalculatorinMESA.JAmHeartAssoc.2018;7(22):e009476.
24.Ambale-VenkateshB,YangX,WuCO,etal.Cardiovasculareventpredictionbymachinelearning:theMulti-EthnicStudyofAtherosclerosis.CircRes.2017;121(9):1092-1101.
25.TisonGH,SanchezJM,BallingerB,etal.Passivedetectionofatrialfibrillationusingacommerciallyavailablesmartwatch.JAMACardiol.2018;3(5):409-416
泌尿外科中的人工智能（AI）
ShahM,NaikN,SomaniBK,HameedBMZ.Artificialintelligence(AI)inurology-Currentuseandfuturedirections:AniTRUEstudy.TurkJUrol.2020Nov;46(Supp.1):S27-S39.doi:10.5152/tud.2020.20117.Epub2020May27.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（KlausSchwabe）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。