人工智能在泌尿外科的应用
JClinMed. 2021May;10(9):1864.
Publishedonline2021Apr26. doi: 10.3390/jcm10091864
PMCID: PMC8123407
PMID: 33925767
ArtificialIntelligenceandItsImpactonUrologicalDiseasesandManagement:AComprehensiveReviewoftheLiterature
B.M.ZeeshanHameed,1,2,3,4 AiswaryaV.L.S.Dhavileswarapu,5 SyedZahidRaza,6 HadisKarimi,7 HarneetSinghKhanuja,8 DasharathrajK.Shetty,9 SufyanIbrahim,3,10 MilapJ.Shah,1,3 NitheshNaik,3,4,11,* RahulPaul,12 BhavanPrasadRai,13 and BhaskarK.Somani1,3,14
KentDoi, AcademicEditor,AndreasSkolarikos, AcademicEditor,andEmilioSacco, AcademicEditor
Authorinformation Articlenotes CopyrightandLicenseinformation Disclaimer
Thisarticlehasbeen citedby otherarticlesinPMC.
AssociatedData
DataAvailabilityStatement
Goto:
Abstract
人工智能(AI)的最新进展无疑对医疗保健行业产生了重大影响。在泌尿外科，人工智能已被广泛用于治疗多种疾病，无论其严重程度如何，从良性前列腺增生等疾病到尿路上皮癌和前列腺癌等危重疾病。在本文中，我们旨在讨论如何在泌尿外科领域配备人工智能的应用和技术来检测、治疗和估计泌尿系统疾病的结果。此外，我们解释了使用人工智能相对于任何现有传统方法的优势。
关键词：泌尿科，人工智能，机器学习，尿失禁，肾结石病，生育，生殖泌尿科，肾细胞癌，肾积水，反流，尿石症，泌尿外科，小儿泌尿科，前列腺癌，膀胱癌
1.Introduction
数字技术、电子健康记录和计算能力的进步正在医疗领域产生大量数据[1]。随着数据渠道、数量和质量的扩大，医生在进行数据分析以建立可靠的诊断、规划个性化护理和预测未来时遇到了新的障碍。因此，医生现在依靠人工智能(AI)来构建自动化模型，以增强医疗保健各个方面的患者治疗[2]。
在医疗保健行业，人工智能是指基于计算机系统和大数据帮助医生提供医疗保健的所有应用程序、系统、算法和设备。医疗数据非常适合用于在决策过程中为医生和患者提供建议并确定最合适的治疗方法。人工智能在这里的作用是创建分析劳动密集型数据的新方法，这涉及人工智能学科的使用。除了提供更好的患者护理外，它还将提高效率和研发(R&D)，此外还可以比传统方法更早地突出疾病模式和相关性。最近，人工智能在医学领域的投资和应用呈爆炸式增长，因为有累积证据表明它可以增强医疗保健的提供。本文讨论了AI算法和技术如何在医学领域中用于检测、治疗和估计泌尿系统疾病的结果，并进一步解释了使用AI优于任何现有方法的优势。
2。材料和方法
2.1.搜索策略和文章选择
2020年10月使用PubMed和MEDLINE以及Scopus和GoogleScholar对2010年至2020年间发表的泌尿外科和人工智能相关文献进行了非系统性审查。搜索策略涉及使用基于一组关键字的搜索字符串，其中包括：泌尿科、人工智能、机器学习、尿失禁、肾结石疾病、生育力、生殖泌尿科、肾细胞癌、肾积水、尿反流、尿石症、泌尿外科、小儿泌尿外科、前列腺癌和膀胱癌。
纳入标准：
泌尿外科人工智能相关文章；
全文长度的原始文章，涵盖泌尿系统疾病的诊断、治疗计划和结果。
排除标准：
摘要、评论文章和书籍章节；
动物、实验室或尸体研究。
按照纳入和排除标准的指南进行文献审查。根据所选文章的纳入标准，对标题和摘要进行评估，然后对全文进行筛选和评估。此外，对所选文章的参考文献列表进行了人工审查，以筛选任何感兴趣的补充工作。经过讨论，我们的作者成功解决了关于达成共识决定资格的分歧。
2.2.什么是人工智能？
AI强调使用复杂的非线性数学模拟系统和简单的构建块来复制人类神经元，从而构建能够有效执行人类活动的自主计算机。它首先寻找人类思维感知、理解和执行认知功能的方式。人类的思维具有智力、创造力、语言识别、记忆、模式识别、视觉、推理以及在事实之间建立联系的能力。人工智能旨在复制上述技能以执行广泛的功能，从小型、可管理的任务（如对象识别）到复杂的任务（如预测）。AI策略包括无偏见地从已知数据中学习，仅依赖于统计模型，以及估计有关未来的未知数据，从而使决策任务变得更加智能和轻松。
人工智能的最终目标是打造一台能够感知环境并执行任务的机器，以最大限度地提高成功概率。实现这一目标的过程相当复杂，涉及各种人工智能子领域，如机器学习(ML)、人工神经网络(ANN)和深度学习(DL)、自然语言处理(NLP)、计算机视觉、预测分析、进化和基因计算、专家系统、视觉识别和语音处理，其中大部分用于当今的医学和医疗保健。因此，其中一些需要定义以进一步讨论人工智能对泌尿科各个亚专业的临床影响。图1显示了人工智能(AI)、机器学习(ML)和深度学习(DL)之间的关系。
图1人工智能(AI)、机器学习(ML)和深度学习(DL)之间的关系。
机器学习是教计算机在算法的帮助下做出准确预测的过程，这些算法经过训练，可以从模型中的过去经验中学习，将特征映射到相应的结果变量。ML的主要目标是让计算机能够自动学习何时输入数据。人工神经网络是深度学习的基础，也是机器学习的一个子领域。人工神经网络被定义为高度结构化的信息处理单元，连同它们的突触强度，称为权重，模拟人脑和神经系统的计算能力。神经元排列在一系列层中，在学习过程中逐渐修改权重，以在输入-输出映射中产生最小到没有错误。具有大量层的神经网络称为深度学习网络。作为人工智能中最重要的一个子领域，神经网络自然在医学和医疗保健中发现了有前景的应用，包括心脏病学、肌电图、脑电图、用于患者护理的治疗药物监测和睡眠呼吸暂停。
决策树是ML中使用的预测建模方法之一，以算法方法构建，以识别基于不同条件拆分数据集的方法。描述决策树工作的一种简单方法是假设一个决策节点有两个或多个可能的选择。随机森林是一种由大量决策树构建而成的算法，这些决策树作为一个整体运行。这些算法在医疗保健行业被广泛采用，以确定患者最有利的选择，例如远程医疗服务。
另一个在医疗保健中发挥关键作用的人工智能子领域是自然语言处理，它涉及计算机和人类语言之间的交互。临床研究中的最大挑战是处理缺乏数量或细节的数据，这是先前记录在叙述性临床文档中的数据的结果。人工智能在医疗保健领域的一些最有前景的用途包括预测分析、精准医学、疾病诊断成像和临床决策支持。
2.3.人工智能在泌尿外科的应用
泌尿外科是一个在医学史上迅速扩展的领域，并且通过采用更新的技术来实现更好的患者结果而不断发展[4]。泌尿科是一个主要涉及男性和女性泌尿道和男性生殖器官的医疗保健领域，如果不加以解决，这些特定领域的潜在疾病和状况可能会变得严重
Figure2 showstheroleofartificialintelligenceinurology.
Openinaseparatewindow
图2人工智能在泌尿外科中的作用。
人工智能已被广泛应用于早期诊断、提供有效治疗计划和外科专业领域。人工智能正在发挥重要作用，帮助医生为泌尿系统疾病患者做出决策（图3）。在过去的5年中，出现了一些研究证实泌尿科安全有效的增强现实(AR)体验。现代泌尿科医生正在使用具有七个自由度的机械臂远程移除肾脏，使用具有图像叠加的增强现实。AR显着改善了信息与手术工作流程的整合，使外科医生的微创手术变得不那么复杂。它带来了医学教育和外科干预方面的创新方法，有助于提供更丰富、更具互动性的体验。同样，还有其他技术与人工智能相结合，在很大程度上影响了该领域。在泌尿外科中，有几个子专业，其中泌尿肿瘤学、生殖泌尿学、肾移植和小儿泌尿外科是一些利用人工智能通过诊断、治疗计划和手术技能评估的发展提供更好的患者护理的专业。下面讨论人工智能在这些子领域的应用。
图3人工智能在泌尿系统疾病患者决策中的应用。
3.诊断
3.1.泌尿肿瘤学
它是泌尿科的一个亚专业，与人体泌尿道和男性生殖器官的癌症的诊断和治疗有关。泌尿系统癌症相对常见，前列腺癌、膀胱癌和肾癌是美国诊断出的10种最常见的癌症之一。
3.2.前列腺癌
广泛用于开发人工智能算法的数据是从患者的电子病历（EMR）中提取的患者的临床病理数据，因为它们具有很高的可评估性。Kim等人利用来自944名韩国患者的临床数据预测器官局限型前列腺癌和非器官局限型前列腺癌。[6]开发了一组ML应用程序（表1）。相比之下，Partin表在使用相同数据集时达到了66%的准确率。这项研究强调，与使用标准统计模型相比，使用ML算法可以获得更好的预测结果。
表格1使用人工智能诊断前列腺癌的研究。
ROC曲线下面积（AUC）；神经网络（NN）；支持向量机（SVM）；前列腺特异性抗原(PSA);朴素贝叶斯（NB）；贝叶斯网络（BN）；分类和回归树（CART）；随机森林（RF）；二次判别分析（QDA）；磁共振成像（MRI）；逻辑回归（LR）；递归特征消除（RFE）；苏木精和曙红(HE)。
研究人员提出了使用人工智能来简化前列腺癌的诊断和分类的方法，由于医学成像的进步和围绕它的证据，这已经成为可能。使用来自多参数MRI（磁共振成像）的各种放射组学特征，AI应用程序已用于检测前列腺癌[7,8]或估计多参数MRIGleason评分（表1）。人工智能优于传统诊断标准的另一个原因是它能够接受复杂、多变量、大数据的训练并从中学习，从而随着时间的推移不断改进。当使用前列腺成像报告和数据系统开发时，ML模型显示MRI阴性活检阳性患者的平均性能提高33-80%，MRI阳性活检阴性患者的平均性能提高30-60%。费尔等人 观察到ML算法比单峰分类器有优势，因为它们在识别疾病和预测正确的Gleason分数方面表现得更有效。
前列腺癌的诊断取决于病理学家审查标本载玻片以及使用格里森评分对其进行评估，虽然整个过程需要大量时间，但根据病理学家的经验，它可能会导致观察者内部偏差。临床病理学中的人工智能辅助图像分析结合了自动化图像识别、检查以及数字化组织标本图像的评估，实现了自动化和标准化的病理诊断（表1）。夸克等人开发了一种人工智能应用程序，用于在不同分辨率的光学病理图像中检测疾病。使用分割的前列腺标本图像，该算法能够在相同的情况下实现>97%的准确度。上述小组还开发了具有前列腺上皮细胞核形态的人工神经网络，用于检测癌症。他们在诊断前列腺癌方面的AUC（ROC曲线下面积）得分为0.97，超过了使用手工核工程技术的诊断方法。阮等人开发了一种ML算法来对前列腺癌的Gleason评分进行分类。在区分上皮组织和间质组织时，分类器在考虑癌症和非癌症标本时具有不同的AUC分数，特别是前者为0.97，后者为0.87。此外，当提供五个组织学特征时，该算法在区分Gleason3与4癌症方面的AUC为0.82。
3.3.尿路上皮癌
膀胱癌，也称为尿路上皮癌，起源于膀胱的细胞内壁（即非肌肉浸润性膀胱癌），并且可以扩散到肌肉壁及其他组织（即肌肉浸润性或转移性膀胱癌））。如果及早发现和治疗，它们是高度可治愈的。与前列腺癌类似，放射成像和尿液代谢物标记物已被用于使用AI技术诊断尿路上皮癌（表2）。徐等人开发了具有放射组学mpMRI特征的ML算法，用于区分膀胱肿瘤和正常膀胱壁。加拉帕蒂等人 使用CT（计算机断层扫描）尿路造影的形态学和纹理特征来确定膀胱癌的分期。当使用这些放射学属性时，该算法成功地实现了0.7-0.9的AUC预测癌症分期。邵等人基于尿代谢标志物训练决策树来诊断膀胱癌。他们能够达到76.6%的准确度、71.8%的灵敏度和86.6%的精确度。池田等使用转移学习技术，通过使用胃镜图像进行异常检测，提取适用于膀胱镜图像的重要特征。所使用的数据集包含22张膀胱镜图像，并将该模型与实际泌尿科医生和医学生的结果进行比较，他们根据专业水平被分组。与观察者组的634秒相比，AI花费的中位数时间为5秒，并且作为Youden指数的最大得分达到0.930。
表2使用人工智能诊断尿路上皮癌的研究。
3.4.肾癌
在早期阶段检测肾细胞癌(RCC)对其有效治疗至关重要，一旦扩散，临床上可能会很困难。临床医生可以使用代谢组学数据和拉曼光谱来构建AI模型，这些模型在手术期间或手术前对RCC的诊断是有效的（表3）。郑等人尝试使用一组基于核磁共振的血清代谢物生物标志物来识别RCC。作者首先将ANN用于一组并将血清代谢物归类为健康或RCC，然后分别估计患者中RCC的检测。此外，人工神经网络用于测试接受肾切除术的RCC患者。期望之前被归类为RCC的个体患者在接受肾切除术后现在可以健康。海弗勒等人使用短波拉曼光谱术中区分健康和恶性肾组织。使用来自RCC和标准组织样本的拉曼光谱训练AI模型可以改善手术过程中良恶性组织的识别；目前的鉴定依赖于病理标本的冰冻切片。
表3使用人工智能诊断肾癌的研究。
3.5.肾积水/尿道反流
放射成像技术与AI一起用于诊断临床相关的肾积水和/或尿反射。布鲁姆等人使用ML技术创建了一个模型，该模型能够基于肾功能图特征检测肾积水。与仅半场时间和30分钟清除率相比，该分析成功地显示出检测肾积水的精度更高。Cerrolaza等使用超声特征来开发有助于预测肾梗阻（半场时间>30分钟）的ML方法。Logvinenko等使用超声检查结果来估计膀胱尿道造影后排空时的膀胱输尿管反流(VUR)。他们发现人工智能模型的效果略好于多元逻辑回归。
3.6.生殖泌尿外科
统计数据显示，全球约有7000万对夫妇未能怀孕，其中50%的原因是男性不育。导致男性生殖问题的因素有很多，例如基因突变、生活方式选择和医疗疾病。考虑到这些因素，许多研究人员在他们的研究中将预测分析与人工智能技术相结合，以展示人工智能如何在生殖泌尿学方面提供帮助。在Gil等人的研究中人工智能网络和算法模型通过考虑生活方式和环境因素等变量来预测精液质量。两项研究都显示出很高的准确度，第一项研究显示精子浓度的准确度为~86%，运动的准确度为73-76%，第二项的准确度为~90%。这些精液质量预测模型当然可以用作筛查有生育问题的男性的工具，以有效暴露任何潜在的精液疾病。在接受不孕不育评估的男性中，发现10-20%患有无精子症，这是一种由于精子生成不足或没有精子而导致阳痿的男性疾病。阿金萨尔等人通过应用逻辑回归分析和人工神经网络，进行了一项回顾性研究，以预测应该进行额外遗传评估的无精子症患者的亚群。该模型以95%的准确率识别出有染色体异常的无精子症患者和没有染色体异常的无精子症患者。利用人工智能来识别具有潜在基因异常的个体可能会减少正式基因检测的费用和时间滞后。除了预测精液质量外，人工智能还被应用于各种调查，以确定不孕症的潜在生物标志物。在Vickram等人的一项研究中，采用了三种不同的ANN模型来预测男性不育的生化参数，其中反向传播神经网络(BNN)显示出最小的误差。有不育问题的男性被要求进行精液分析，其中大部分参数，如精子活力和浓度，都是手动测量的。为了避免这些耗时的程序和可用的昂贵替代程序，Thirumalarjaju等人介绍了一种使用ANN的基于AI的方法，该方法成功地在分析精子形态方面产生了预期的结果。该网络以100%的惊人准确率识别异常精液样本。
3.7.尿石症
与过去处理方式相比，现在处理尿石病例的方式发生了巨大变化，这种方式将受到人工智能技术的高度影响。该领域人工智能的未来可以为尿石症提供完整的管理：预防、诊断和治疗。Kazemi等人介绍了一种基于集成学习的新型决策支持系统，用于肾结石的早期检测（预防），并解释了确定肾结石类型的潜在机制。该系统使用了贝叶斯模型、决策树、人工神经网络和基于规则的分类器等各种人工智能算法来理解预测肾结石所涉及的复杂生物学特征，该系统的准确率为97.1%。Längkvist等 建立了一个CNN（卷积神经网络）模型，用于在高分辨率CT扫描中检测输尿管结石。该模型能够以100%的特异性对结石进行分类，发现每次扫描的假阳性为2.68，AUC-ROC（接收器操作特征曲线）为0.9971。
3.8.小儿泌尿外科
小儿泌尿科处理新生儿和幼儿的先天性出生残疾和疾病。尽管人工智能尚未在该领域被完全接受和探索，但它无疑带来了新的可能性。大约1-3%的婴儿患有VUR，如果不及早诊断和治疗，这种情况可能会影响膀胱和肾脏。AI在儿科泌尿外科的最初应用之一是使用ANN架构来预测VUR。为了避免VUR检测的痛苦过程，例如排尿性膀胱尿道造影(VCUG)，会使儿童暴露在辐射下，Papadopoulos等人。提出了一种称为维恩预测的ML框架，用于检测VUR。与其他技术相比，该模型表现出更好的灵敏度。同样，有人建议使用另一种新型ML模型来预测与VUR相关的发热性尿路感染(UTI)的未来风险。预测模型在识别最有可能从VCUG中受益的儿童方面具有合理的确定性，从而实现个性化治疗。
3.9.泌尿外科手术
泌尿外科是泌尿外科的另一个领域，其中人工智能被用于在规划和手术干预方面达到新的方向。前面提到的一些微创手术也属于这个子领域。在膀胱镜检查期间捕获的图像在识别膀胱疾病中起着关键作用。池田等介绍了一种基于CNN的支持系统，用于使用2102个膀胱镜图像正确诊断膀胱癌。建立的模型将正常组织的图像与肿瘤病灶的图像进行了高精度的分离（ROC下面积：0.98；最大约登指数（YI）：0.837；敏感性：89.7%；特异性：94%）。
4.结果预测
患者结果预测分析需要开发统计方法来解释数据以预测特定患者的结果。我们可以使用统计建模技术或人工智能领域出现的新方法。这些方法有可能解决临床和生物学数据中典型的缺乏准确性和复杂性的问题。此外，人工智能技术可以更有效地处理对于标准统计模型来说太大或太复杂的大数据分析[34]。
4.1.前列腺癌
个体患者的临床病理特征用于开发人工智能算法来预测结果。王等人 使用每位患者的临床病理特征来开发ML算法，该算法可以估计前列腺切除术后的生化复发（表4）。他们开发了三种不同的ML算法，这些算法在338名患者的数据集上进行了训练，以实现95%到98%之间的准确度和0.9到0.94之间的AUC。与传统的Cox回归分析相比，这些方法具有更好的预测效率。组织形态测量数据、成像放射组学特征和组织基因组分析[39,40]也是用于患者结果预测的方法之一。这些研究已成功证明，与其他现有方法相比，人工智能在结果预测方面具有更高的准确性。
表4使用AI预测前列腺癌结果的研究。
正则化极限学习机（RELM）；微小RNA（miRNA）；糖蛋白(GP)。
除了医学原因，手术表现也会影响患者的预后。洪等人 创建并测试了AI算法，以找出患者必须留在医院的时间以及机器人根治性前列腺切除术后泌尿控制的恢复（表4）。该算法能够在估计住院时间方面达到87.2%的准确度，在估计泌尿控制方面的C指数为0.6。
4.2.尿路上皮癌
尿路上皮癌复发的几率很高。用于预测癌症复发和患者存活率的AI系统已经过设计[43,44,45,46]（表5）。林和王等人 使用临床病理学证据创建并测试了大量人工智能算法，以估计根治性膀胱切除术后的5年生存率。他们得到的工作结果与其他统计方法得到的结果相同。萨普雷等人提出使用带有尿液microRNA的ML分类器来诊断患者的膀胱癌。本研究的分类结果在观察临床相关疾病时实现了0.8至0.9之间的AUC，同时还将膀胱镜检查的需求减少了30%。巴奇等人使用基因表达谱开发人工智能策略来预测非肌肉浸润性膀胱癌的复发。这些实验证明了AI用于治疗尿路上皮癌的潜在用途的可能性。
4.3.尿石症
经皮肾镜取石术(PCNL)和冲击波碎石术(SWL)是公认的尿石症治疗方法；然而，成功率可能会有很大差异，并且可能包括在治疗不成功的情况下重复手术。阿明沙里菲等人使用人工神经网络预测无结石PCNL率，准确率为82.8%，需要重复PCNL，准确率为97.7%。曼尼尔等人。[48]将他们的研究集中在个体患者上，使用患者的体重指数(BMI)，以及结石的3D纹理和尺度，还考虑了皮肤到结石的距离来估计SWL的性能。作者开发并测试了五种AI算法，每种算法都具有不同的患者特征3D纹理排列，以记录0.79到0.85之间的AUC值，这是仅使用患者特征时获得的AUC分数0.58的增量。对于不同的报告，使用3D纹理分析来估计有效SWL所需的冲击波数量[49]。与其他统计模型相比，AI显示了对所需冲击波数量（15kg或
CAS Authentication wanted!
CASAuthenticationwanted!YoushouldalreadyhavebeenredirectedtotheCASserver.Clickheretocontinue.
phpCAS1.3.1usingserverhttps://www.medlive.cn/auth/(CAS2.0)CAS Authentication wanted!
CASAuthenticationwanted!YoushouldalreadyhavebeenredirectedtotheCASserver.Clickheretocontinue.
phpCAS1.3.1usingserverhttps://www.medlive.cn/auth/(CAS2.0)人工智能在各类研究中的应用——选自Science杂志“Nextgen Voices”板块
——中国林业科学研究院，荒漠化研究所
FengWang
言论3
人工智能与实验记录
2016年的一项合作教会计算机如何识别实验程序，该算法从积累了40年的超过15万份专利文件中提取100万个独特的化学反应。根据这些材料，科学家可以观察合成化学产品的化学反应和性质的变化趋势。简单地说，分子在变得越来越大。在这之前，相关材料的提取全靠手工，因此可以提取的数目非常有限。
机器学习的最大挑战在于数据清洗。大多数实验室数据是非结构化的，使得我们无法对它们直接进行数据挖掘和机器学习。大多数学术（以及部分工业）实验室依旧依赖于纸质记录方式而非电子化记录，而且对于某种现象的描述用词也因人而异。因此实验报告模板化有利于后期我们从中挖掘知识。
——诺华生物医学研究所，NIBR信息学
MichaelA.Tarselli
言论4
人工智能与现代教育
近来机器学习被应用于大学生科学教育的研究，用来分析学生的写作能力。在该项研究中，学生们首先回答问题，并由专家们给学生的回答打分评估。专家的评估之后被用于训练机器学习模型，来预测专家给新的学生的回答的打分情况。根据这个模型，老师就可以根据学生的文字来判断他们对科学概念的理解程度。
——密歇根州立大学，创建干细胞研究所
RachelYoho
言论5
医疗模型参数优化
精心设计的机器学习算法可用于预测癌症患者。但是，为了使临床预测模型工作，研究者需要微调算法参数。在过去，选择优化参数需要具备试验和错误、生物医学领域知识和模型设计方面的创造力。随着近期参数自动优化技术的发展，我们可以将参数优化过程应用于机器学习算法，从而促进精准药物研究的发展。
机器学习方法并不遵守“garbagein,garbageout”的准则。机器学习模型的适用性往往依赖于训练数据的可代表性。在扭曲的训练数据上发展的模型往往精度低、偏差大。
——哈佛药学院，生物医学信息学系
Kun-HsingYu
言论6
农作物产量
植物生物学家使用基于机器学习的软件来预测蛋白质之间的作用，寻找它们的作用机理，从而在干旱期增加农作物产量。
机器学习的一个潜在问题是所有程序都会自动化，导致一些实验室的职能不再需要。
——莫雷洛丝州自治大学，基础和应用科学研究院
RigobertoMedinaAndrés
言论7
基因测序
一个典型的癌症病人基因突变编目、测序实验，将产生TB级的数据。这类研究对肿瘤生物学意义重大。然而，在这样的大数据集中，将可用信号和噪声分离是一个巨大的挑战。机器学习提供了一条新的路径，可以有序地剔除噪声。
但是，机器学习模型的黑箱属性使得误差更难判别。因此，研究人员需要充分警惕，确保在训练模型的过程中使用高质量、注释完整的数据。
——达纳法伯癌症研究所，癌症生物学
NoahF.Greenwald
言论8
物种分类
精确、快速的物种分类在生态学、生态系统保护和公众教育中至关重要。然而，大多数人对物种形态学了解不深，因而无法做出很好的决策。使用人工智能及其它数据收集技术，人们可以使用电脑或者移动设备来准确辨别物种。人工智能系统同时也可以服务于实时发现入侵或者珍贵物种。
然而，这些应用被限制于输入图像或者音频的质量，而且当需要进行基因分析才能辨别的时候往往无法适用。
——中国检疫检验科学研究院，植物检疫研究所
XubinPan
言论9
天文规则
在天文学领域，机器学习方法是时域调查的核心。帕洛马天文台是一个很好的例子，它在一台小天文望远镜上使用了宽幅相机，能够把观测到的感兴趣的物体转给另一个专用的望远镜来跟进观测。在时域研究中，时间以秒为计，因此如果持续地依靠专门的研究员来执行上述跟进的判别将会非常耗时耗力。帕洛马天文台使用机器学习方法，在大数据集中可以辨别出研究人员感兴趣的瞬态，并且自动触发跟进。
机器学习方法的主要挑战是获取好的训练数据集。由于实验调查的设计大不相同，机器学习需要通过微调来适应不同的调查案例。因此在调查的初期，人工分类必不可少。幸运的是，大众科学家在标记数据方面提供了巨大的帮助。
——日本国家天文台，斯巴鲁望远镜
Chien-HsiuLee
言论10
无人机与火灾救援
基于智能化的无人机技术，火灾安全研究者研发了专门的无人机来获得火灾现场的实时图像和监测数据，用于紧急救援的实时决策。借助于无人机，救火人员可以克服恶劣天气的影响，研究人员可以观察火势的动态变化，并确保救火人员的人身安全。
然而，这些机器的故障风险很高，不准确的数据会促使将降火人员置于危险境地。
——湖南工学院，安全与环境工程学院
JianZhang
言论11
病患程度鉴别
确定良性和恶性损伤的区别对全世界所有医生都是一个考验。今年早期，斯坦福大学的研究者发展了一套深度学习算法，可以进行皮肤癌准确分类。这种自动化的分类可以提高精准损伤分类的一致性、敏感性和特异性。除此之外，基于这套算法开发的手机应用可以用于低成本、通用性的医疗诊断。
但是对于这样的一个手机应用来说，迫在眉睫的挑战是确保终端用户对技术的准确运用。不充分的成像或者低频的创伤跟踪记录会导致恶性皮肤癌的误诊。
——昆士兰医药研究伯格霍弗医学研究所
KenDutton-Regester
言论12
临床试验招募
人工智能解释临床数据的能力可以革命性地推动临床试验招募的发展。临床试验招募有许多需要考虑的因素，将病人和优化试验进行配对是其中的一项挑战。招募研究者所需数目的试验参与者是另一项挑战。人工智能可以解决这个问题，它能够从大量医疗记录和临床试验中分析数据，促进参与者招募。在临床研究中使用人工智能的一项风险是从医生到机器的转变中，相应的影响、权力和问责的转变。目前来看，临床人工智能还有待于进一步开发，不过病人可以首先开始通过机器听取看病意见。这可能有负面的影响：人工智能技术是基于数学算法开发的，没有医生纵观全局的能力，同时所能考虑的量化因素也较少，比如病人的生活习惯和饮食等。
——温哥华综合医院，外科
JakeWyattJohnston
言论13
气体监测
开发决策树算法可以帮助我们更精准地探测复杂混合气体，这项技术可以应用于环境空间监测和油气田调查。
使用决策树时的一大风险是在建“树”初期的错误计算会影响最终决策。决策树需要大量参数，并且每个参数需要优化。然而，决策树算法的过复杂化会导致过拟合，缺乏可推广的普适性。
——开罗美国大学，环境工程
IcellMahmoudSharafeldin
来源：遥感大数据(版权归原作者及刊载媒体所有)
如需要加入《慧天地》微信交流群，请加慧天地
（微信号：zn846546896）为好友。
欢迎大家推荐精品稿件。
投稿邮箱：geomaticshtd@163.com。
推荐
点击下文直接阅读
编辑：郭晓非
审核：付航韩磊
指导：万剑华教授(微信号wjh18266613129)返回搜狐，查看更多
人工智能在外科手术中的应用
导读我们Hamlyn的研究人员回顾了人工智能在外科领域的最新应用，并指出了未来发展的主要挑战。由于医学的最新进展，ARTI网络的官方人工智能(AI)我们Hamlyn的研究人员回顾了人工智能在外科领域的最新应用，并指出了未来发展的主要挑战。
由于医学的最新进展，ARTI网络的官方人工智能(AI)在支持临床决策方面发挥了重要作用，现在越来越多地用于风险分层网络阳离子、基因组学、成像和诊断、精准医学和药物发现。
人工智能最近才被引入外科手术。它在成像和导航以及早期技术方面有着深厚的根基，重点是用于术前规划和术中指导的特征检测和计算机辅助干预。
也就是说，随着成像、导航、机器人介入技术的进步，人工智能正在逐渐改变外科手术的实践。
本文总结了当前流行的人工智能技术，以及人工智能在术前规划、术中引导和手术机器人中的关键需求、挑战和子领域。
我们的研究人员正在回顾哈姆林中心最近成功和有影响力的AI手术，并从术前规划和术中指导方面指导其对手术机器人的集成应用。
这篇综述论文不仅概述了AI技术每个外科应用领域的需求、挑战和子领域，还将人们的注意力吸引到主要挑战上，并为AI在外科领域的未来发展提供了潜在的解决方案。
用于术前规划的人工智能
在术前规划中，手术医生要根据现有的病历和影像来规划手术过程，这对手术的成功非常重要。
我们的研究人员强调，医学成像涉及人工智能技术的四个常规任务：(1)解剖类声音的阳离子，(2)检测和(3)分段；(4)注册。
人工智能术中指导
微创手术可以减少手术创伤，并逐渐与机器人辅助技术相结合。计算机辅助术中引导一直是MIS的基石。
鉴于此，学习策略已被广泛整合到术中指导的制定中，以提供增强的可视化和手术定位。