智能医学影像识别研究现状与展望
近年来，人工智能的浪潮席卷了诸多领域，在智能医学影像识别方面亦取得了长足进步。智能医学影像识别是基于人工智能技术，对X线片、计算机断层扫描（computedtomography，CT）、磁共振成像（magneticresonanceimaging，MRI）等常用的医学影像学技术扫描图像和手术视频进行分析处理的过程，其发展方向主要包括智能影像诊断、影像三维重建与配准、智能手术视频解析等。智能影像诊断可利用机器学习的方法对疾病进行病理分类，提高诊断准确率；智能器官识别、血管分割等方法可为影像三维重建提供构架，为疾病的诊断和治疗提供帮助；智能手术视频解析能够帮助外科医师学习、理解外科手术，进一步指导手术过程。本文就目前在智能医学影像识别研究方面取得的进展作一综述，分析目前存在的问题，并对该领域的发展前景进行展望。
1智能医学影像识别发展现状1.1器官识别智能图像处理的基本思路是目标识别－目标分割－后续分析。无论是影像诊断还是三维重建配准（图1），其第1个步骤都是从图像中识别目标区域。目前，完成目标器官识别的主要方法是采用经可靠人工标注的CT或MRI图像作为训练集训练机器学习模型，获得器官的形状及位置，然后对目标器官进行分割，这在很大程度上简化了算法的流程，也提高了分割的准确性。该方法对大器官的识别非常有效，能获得很高的准确率；但对小器官的识别效果欠佳，例如胰腺体积约占腹腔的0.5%，上述方法的识别效果就不甚理想[1]。
图1基于冠状动脉计算机断层扫描的三维重建Fig1Three-dimensionalreconstructionbasedonmulti-slicesspiralcomputedtomographyofcoronaryarteryA:Acrossprofileofmulti-slicesspiralcomputedtomographyofcoronaryartery;B:Three-dimensionalreconstructionmodelofcoronaryartery目前对于小器官的识别效果欠佳问题有2种解决方案。一种方案是首先对小器官（目标器官）邻近的大器官（定位器官）进行定位，然后根据两者的相对位置关系确定包含目标器官的感兴趣容积（volumeofinterest，VOI）区域，进而在更小、更准确的VOI区域内进行目标器官的分割操作。为了使获得的VOI区域尽量准确，选择的定位器官应该与目标器官有尽可能稳定的位置关系。例如在胰腺的识别中，肝脏是一个很好的定位器官[2]，可以通过获得肝脏的位置找到胰腺的VOI区域（图2）。该方法的不足之处在于由于器官形态、位置的差异性，框定的VOI区域通常比实际位置大，这在一定程度上降低了图像识别的效率。另一种方案是使用迭代的方法[1]。训练2个深度神经网络，一个用于对原图像进行粗略分割，另一个用于对分割结果周围的局部图像进行分割细化，通过不断迭代后一个深度网络来优化分割结果。该方法的缺点非常明显，即运算量过大，对硬件的要求非常高。
图2腹部磁共振成像上肝脏（蓝色箭头）与胰腺（红色箭头）的位置关系Fig2Relativepositionbetweenliver(bluearrow)andpancreas(redarrow)inabdominalmagneticresonanceimaging随着深度学习技术的不断发展，智能医学影像识别在器官识别分割中的应用越来越广泛，提高了模型的识别准确性[3-4]。但是，器官识别仍然存在结果易受背景像素影响、未充分利用先验知识等问题，有待进一步研究解决。
1.2血管分割提取并重建器官周围的血管能使医师对器官周围的血管有清晰、直接的认知，并辅助医师在实施侵入性治疗前规划更佳的路径，避免血管损伤。
血管分割在医学图像处理领域中非常重要，已经成为一个独立的发展方向，发展出了许多面向特定任务和特定模型的分割算法。血管是一种管腔结构，传统的管腔分割方法大致可以分为自上向下（近心端－远心端）和自下向上（远心端－近心端）两类[5]。自上向下的方法分为2步，第1步是通过检测得到种子点，第2步是从种子点开始迭代地对图像进行分割，直至算法运行至血管末梢或满足预设的终止条件。该方法对图像中小血管的分割难度较大、效果较差。自下向上的方法则主要是利用图像全局信息，并考虑了形状、位置以及尺度等约束因素的影响。因此该类算法可以很好地解决存在血管分叉和低对比度情况的分割问题[6]，实用性较强，并且可以兼容许多解决图像优化的算法。但该算法消耗的计算资源多，对硬件配置要求较高。
当前，深度学习算法也被应用到医学图像的血管分割中，如使用人工提取特征进行学习的冠状动脉分割方法[7]，三维卷积神经网络（convolutionalneuralnetwork，CNN；图3）可以实现对胸腔MRI图像中胸部肌肉和计算机断层扫描血管造影（computedtomographyangiography，CTA）图像中冠状动脉的分割[8]，如果将机器学习方法与形状模型的方法结合起来，可以获得更高的分割精度[9]。但是受限于当前计算水平，三维CNN的计算复杂度仍然较高，而血管在图像中所占体积过小，其提取到的特征易受背景元素的影响，从则降低分割效果。
图3卷积神经网络模式图Fig3Schematicdiagramofconvolutionalneuralnetwork1.3基于医学影像的疾病诊断疾病的病理分类是当前智能医学影像研究的重要问题。早期的病理分类通常分为3步，第1步是在影像中人工标注目标区域，第2步是对分割出来的区域进行识别分类，第3步是对整个诊断结果进行宏观的判断。Goldbaum等[10]最早阐述了这一基本思路，随后很多学者在这一思路的基础上进行基于医学影像的病理分类，构建了基于浅层结构的分类器[11-13]。随着CNN的不断发展，分类器越来越强大[14]，新的算法可以直接端到端（图像端到结果端）地对图像进行分类并检测物体。但目前可利用的医学影像图像数据量通常较少，为深度神经网络的训练带来了难题。
迁移学习的理论是解决该问题的方法之一。迁移学习是指在一种数据库中训练得到的较为普适、低层次的特征在不同模型之间进行迁移，使之可以在一定的基础上完成不同的任务，从而大大降低需要的样本量。在迁移过程中，锁定低层次的网络参数，而仅对高层次的参数进行反向传播训练。Kermany等[15]采用这一手段对视网膜的光学相干断层扫描（opticalcoherencetomography，OCT）图像进行了分析，并在一系列儿科胸片中对该算法进行了测试，结果显示该人工智能系统能够在30s内判断患者是否需要接受治疗，且准确率达到了95%以上。这一成果被认为是计算机自动病理分类应用的重要突破，并被Cell杂志以封面文章的形式进行报道。
1.4手术视频解析手术视频解析是智能外科的重要组成部分，是智能手术的基础。对手术视频的内容进行解析，让机器理解当前手术视频中的操作，可以使计算机帮助医师在手术中做出合理的选择，协助医师规划下一步的手术操作，并通过比对数据库中的内容揭示医师手术中各个操作的细节。尽管手术视频解析起步较晚，目前只能应用于一些简单的手术（如胆囊切除术）中，但其已经具备成熟的技术思路和方法。
手术视频解析的研究内容主要包括：（1）将一段手术的视频根据手术步骤进行分段，也称为流程分析；（2）对视频中的特定动作或任务进行检测和识别；（3）对视频中的器具进行识别、分割和跟踪等。在手术流程分析方面，可以采集额外的传感器信息，例如采用额外的相机并利用人工标注提供器具信息、使用无线射频识别设备（radiofrequencyidentificationdevice，RFID）标签和电磁学传感器提供器具使用信号[16]；或者采用器具的移动轨迹作为特征[17]。这类算法依赖额外的传感器或特殊的设备，尽管在技术原理上并不复杂，但实际投入应用仍有一定困难。Klank等[18]利用强化学习的方法，应用基于支持向量机（supportvectormachine，SVM）的算法直接从图像中提取特征，在胆囊切除术流程分析实验中达到了50%的准确率，尽管准确率并不理想，但这是最早的一项直接采用图像特征进行流程分析的研究。Dergachyova等[19]提出了基于人工设计的252维描述子（descriptor）联合复合隐马尔科夫模型（hiddenMarkovmodel，HHM）的方法取得了接近90%的准确率，但该准确率依赖于已经得到的器具信息。尽管人工描述子效果尚可，但它们仅能提取专家已经定义过的特征，而无法提取隐藏在图像和时间序列中的深层特征。Twinanda等[20]提出了一种名为EndoNet的CNN结构，将深度学习提取特征的模式引入到该领域，并使用迁移学习的方法，将预训练的Alexnet模型迁移到医疗领域使用，并配合复合HHM最终取得了92.2%的离线准确率。
在特定动作或任务检测和识别方面，目前应用前景最好的是机器人手术，其主要原因为机器人手术具有详细的器具运动轨迹记录，方便进行特征提取。Lea等[21]采用了CNN代替人工提取特征，在融合了中、低尺度的视觉信息的同时，HMM融合了大尺度的时间信息，从而形成了多尺度特征融合，其在对特定操作的检测中取得了74%左右的准确率，是目前该领域的基准。特定操作识别中的一个重要问题是关键动作的定义在不同手术中有所不同，因此研究者们开始尝试使用无监督学习的方法，来提取更加普适、可迁移的动作特征。Murali等[22]采用里程碑学习的方法训练能够提取动作特征的网络。该算法不需要制定具体的动作，也不需要人工标签，将特征向不同的具体任务迁移后分别获得了74%和66%的准确率。Rupprecht等[23]提出了一种不同的思路，其训练了预测器具三维姿态的模型，再通过预测结果进行动作和任务识别，获得了60%~77%的准确率，几乎与直接利用已知器具运动轨迹的预测结果相当，同时其准确率超过了仅仅使用视觉特征识别的最优算法。
在器具跟踪、检测方面，颜色和色彩梯度是重要的器具识别特征。早在1994年就有研究者报道了直接使用RGB颜色特征对器具进行跟踪和检测的方法[24]，2015年Alsheakhali等[25]使用L*a*b*色彩空间对颜色进行编码并改进了算法。手术器具的质地纹理和特定的形状是重要的检测依据和特征。人工设计的特征在2016年前后逐渐被机器学习获得的特征取代。
2智能医学影像识别的展望智能医学影像识别无论是在疾病诊断还是治疗方面，都有着广泛的应用前景。在疾病的诊断方面，影像诊断占据着重要位置。目前，智能影像诊断在很多疾病中的诊断准确率上已超过临床医师[15,26-27]。在未来完全可以依靠独立智能影像诊断系统对医学影像及病理切片进行可靠诊断，这将有利于节省医院影像科及病理科的人力成本，并可提高影像诊断和病理诊断的质量和效率。智能影像诊断水平提高及实用化有望实现不同条件下诊断的标准化和优质化。与医师不同，数学模型具备在不同终端无差别传输“诊断经验”的能力。也就是说，无论是在三甲医院还是在基层卫生机构，都可以通过机器学习模型获得同样的诊断。这对于解决我国目前医疗水平差异巨大的现状、促进医疗资源的合理分配以及落实分级诊疗制度等方面都具有重要的意义。
在手术视频解析领域，尽管利用高效、准确的视频解析指导手术尚未实现，但手术视频解析仍有很大的应用空间。例如在外科医师的教育中，低年资医师实际操作的机会较少，外科医师培养周期较长。在手术视频解析的基础上，一方面可配合三维打印等技术，利用模拟手术对外科医学生进行现场教学、评估；另一方面结合现已高度完善的互联网平台，有望发展出集合直播、点播、自主学习等多项功能的在线手术教学多功能平台，从而缩短外科医师培养周期。从远期来看，智能外科的目标是实现智能手术，即完全使用机器人自主实施手术，人类只起到监督决策的作用。当前，在机器视觉的基础上，已有很多相关的研究，如智能手术导航、三维模型与实体器官配准等[28]。而让计算机“理解”手术是智能手术的第1步，手术视频分析技术的进步将为智能手术的实施打下坚实的基础。
尽管智能医学影像识别有着广泛的应用前景，但其存在的问题依然无法被忽视，如疾病谱窄、诊断准确率仍需提高等。就目前来说，智能医学影像识别存在的问题很大程度上归因于训练数据缺乏且获取难。医学数据具有获取途径、获取条件单一的特点，因此具有很高的知识产权价值和经济价值。目前医疗数据的传播大多局限于一所医院、甚至是一个科室内。如何整合资源，如何解决知识产权中存在的问题，如何满足人工智能技术所需要的大数据量，是智能医学影像识别研究面临的紧要问题。随着这一问题的解决，智能影像识别技术必将快速从实验室走向临床，惠及越来越多的患者。
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
【202310述评】人工智能在我国消化内镜领域的研究现状与展望
特别提醒
未经授权，不得转载摘编本刊文章
[引用本文]
于红刚,中华医学会消化内镜分会大数据协作组.人工智能在我国消化内镜领域的研究现状与展望[J].中华消化内镜杂志,2021,38(10):765-773.
YuHonggang,BigDataCollaborativeGroupofChineseSocietyofDigestiveEndoscopy.CurrentstatusandprospectonartificialintelligencefordigestiveendoscopyinChina[J].ChinJDigEndosc,2021,38(10):765-773.
DOI:10.3760/cma.j.cn321463-20210411-00239
于红刚
武汉大学人民医院消化内科主任，教授，博士生导师。中华医学会消化内镜分会常务委员，中华医学会消化内镜分会大数据协作组组长，湖北省医学会消化内镜分会候任主任委员，湖北省消化内镜质控中心主任，教育部新世纪人才、武汉大学珞珈学者特聘教授。在消化内科学顶级期刊TheLancetDigitalHealth、GUT、TheLancetGastroenterologyandHepatology、消化内镜学顶级期刊Endoscopy、GastrointestinalEndoscopy以及胃癌领域顶级期刊GastricCancer等杂志上，以第一作者或通信作者发表消化内镜人工智能相关研究论文37篇，其中SCI论文22篇，中华系列论文15篇，总被引次数603次。制定共识意见3项。获批国家发明专利4项。
人工智能（AI）是研究使机器模拟人类的某些思维过程和行为的一门新的科学技术。随着2006年深度学习算法的提出，AI在各个领域得到迅速发展和广泛应用。2017年7月20日，国务院首次以行政规划的方式发布了《新一代人工智能发展规划》书，旨在大力推行发展AI技术。近年来，AI在医学多个领域掀起了研究热潮，展现了巨大的发展潜力。
消化内镜是医学AI研究的热门领域，国内相关研究开展如火如荼，在多个领域取得了重大突破。借助AI赋能，消化内镜智能化发展有望解决我国目前面临的内镜检查需求量大、人均内镜医师不足、检查质量参差不齐和培训成本高昂等问题。我们在PubMed、中国知网、维普和万方数据库中搜索了截至2020年2月我国消化内镜AI方面的研究，现就我国消化内镜AI相关研究进展进行阐述,总结目前中华医学会全国消化内镜学分会大数据协作组的工作情况，并对消化内镜AI面临的不足和重大挑战进行讨论，以期为消化内镜AI的探索提供思路和参考。
一、AI在胃镜中的应用
1.食管病灶诊断
食管癌是全球第六大致死性癌症。鳞状细胞癌占我国食管癌的90%以上。研究发现晚期食管癌患者五年生存率小于20%，早期食管癌患者五年生存率超过80%。早诊早治是改善食管癌患者预后的关键。钟芸诗等利用AI技术，在白光内镜下定位和识别早期食管鳞状细胞癌，其灵敏度、特异度、准确率、阳性预测值和阴性预测值分别达到97.8%、85.4%、91.4%、86.4%和97.6%；在AI的辅助下，内镜医师的诊断准确率由81.7%提高到91.1%，诊断能力得到极大的提升。王宏光等构建的早期食管癌识别模型在白光内镜下的准确率为88.4%，优于高年资医生的诊断水平。
许建明等开发的AI模型可以协助分辨食管鳞状细胞癌的毛细血管袢类型，其分类准确率达到89.2%，具有较高的诊断水平。张国新等也利用白光胃镜图像，训练得到一个食管隆起型病灶鉴别系统，可用于区分食管平滑肌瘤、食管囊肿和食管乳头状瘤，有助于提高内镜医生的诊断水平。
2.胃腔病灶诊断
据统计，2018年全球胃癌新发病例约103.3万例，死亡病例约78.3万例。胃癌是全球第五大常见恶性肿瘤，也是全世界癌症相关死亡的第三大原因。晚期胃癌患者的五年生存率为5%～25%，早期胃癌患者的五年生存率高达90%，早诊早治是提高患者预后的关键。为此，于红刚等开发了一套AI系统用于辅助识别早期胃癌，准确率达到了92.5%，其有效性在一项多中心临床实验中得到进一步验证。李兆申院士等构建的早期胃癌自动识别深度学习模型，准确率达到89.5%，具有较高的诊断水平，可在胃镜检查中辅助内镜医师进行实时诊断。邹晓平等也开发了一个AI系统用于早期胃癌诊断，并在多中心来源的图片中进行了测试，在不同中心分别达到85.1%～91.2%的准确率，有望成为早癌筛查的重要辅助工具。
放大染色内镜的发展提高了早期胃癌的诊断率，但医生之间诊断水平的差异一直是临床上面临的一大挑战。虞朝辉等构建了一个AI模型，可在放大窄带成像模式下准确识别早期胃癌，提高内镜医生的诊断水平。田捷等也开发了一个AI模型,用于在放大窄带成像模式下识别早期胃癌，模型的受试者工作特征曲线下面积（AUC）为0.808，诊断水平和高年资医生相近。AI在临床应用中潜力巨大，有望为放大染色模式下早期胃癌的诊断提供重要的辅助力量。
精准确定早癌边缘、分化程度和深度是早癌内镜下根治性切除的关键。为此，于红刚等开发了一种AI模型,用于预测靛胭脂染色和白光内镜下早期胃癌的切缘，分别达到了85.7%和88.9%的准确率。同时，该团队还构建了另一套AI模型,可在放大窄带成像模式下准确识别早期胃癌的分化状态，并勾画出早期胃癌的边缘，准确率分别达到83.3%和82.7%，可为早癌的内镜下治疗提供辅助。李全林等构建了一个用于确定胃癌浸润深度的AI系统，准确率和特异度分别达到89.16%和95.56%，可以减少对侵犯深度的过高估计，对减少不必要的胃切除具有潜在临床意义。
于红刚等于2020年12月举办了一场大规模内镜下早期胃癌人机比赛，以评估该团队所研发的AI系统在诊断早期胃癌、预测浸润深度和分化状态中的能力。共有46位来自全国19个省份44家医院的不同年资的内镜医师参与了本研究。该AI系统和内镜医师在同样的环境下，对来自北京大学肿瘤医院的100例病灶进行诊断，在阅读每个病灶的白光视频片段后，给出该病灶是否为“低级别上皮内瘤变及以上”的诊断；在进一步阅读所对应染色放大视频片段后，给出该病灶是否为“高级别上皮内瘤变及以上”的诊断，若是则进一步判断其深度以及分化程度。结果显示，该AI系统在白光下的准确率、灵敏度和特异度分别达到91.00％、87.81％和93.22％，其灵敏度高于所有的内镜医生。在染色放大模式下，该AI系统诊断早期胃癌、预测浸润深度和分化状态的准确率分别达到89.00％、78.57％和71.43％，超过内镜医生的平均诊断水平（分别为85.67％、63.75％和64.41％）。同时，该AI系统实现了与视频同步的实时病变诊断，所用时长远少于内镜专家。该AI系统在早癌筛查方面拥有巨大潜力，可在临床实际中发挥作用。
幽门螺杆菌（HP）感染与功能性消化不良、消化性溃疡和胃癌密切相关。然而，胃镜下确诊HP感染的金标准为活检病理，单纯依靠内镜下影像难以对HP感染进行准确判断。姒健敏等创建的AI辅助系统，诊断HP感染的准确率达到84.5%，具有较高的诊断价值。
胃溃疡是胃腔较为常见的病灶之一，然而内镜医生鉴别良恶性溃疡的能力参差不齐。为此，于红刚等开发了一个胃溃疡病灶辅助诊断、良恶性胃溃疡鉴别系统，其区分正常黏膜与良性溃疡、正常黏膜与恶性溃疡、良性与恶性溃疡的准确率分别为98.0%、98.0%和85.0%，可辅助内镜医生鉴别良恶性溃疡，具有很好的应用前景。
3.盲区监测
消化内镜是诊断上消化道病变常用的检查方法之一。然而，内镜医师操作水平参差不齐，降低了胃癌和癌前病变的检出率。完整观察到整个消化道是避免漏诊病灶的前提。根据欧洲消化内镜学会的胃镜操作指南和日本胃镜标准筛查方案，于红刚等将胃镜检查观测区域分为26个部位，并创新性地开发了一套基于深度学习的AI系统，用于监测胃镜检查过程中的盲区，其预测26部位的平均准确率达到90.02%。于红刚等在后续一项单中心随机对照试验中，验证该系统在无痛胃镜检查中的有效性和安全性，结果显示，有AI辅助的实验组盲区率为5.86%，远低于无AI辅助的对照组（22.46%）。此外，该团队还进行了一项多中心随机临床试验进一步验证了模型的泛化性和有效性。为了验证该模型在不同胃镜检查类型中的效果，该团队还进行了一项3组随机平行对照试验，来比较无痛、超细和普通胃镜组内镜医师在有无AI辅助下的检查盲区率，结果显示该系统不仅在无痛胃镜组中可显著降低胃镜检查的盲区，而且在普通胃镜组和超细胃镜组中同样具有显著的效果。该系统可作为监测和提高胃镜检查质量的良好工具。
4.评估食管胃静脉曲张
胃食管静脉曲张破裂出血是肝硬化最常见的致死性不良事件。内镜被认为是诊断胃食管静脉曲张出血和进行疾病风险分层的标准方法。但针对静脉曲张的准确评估依赖内镜医师的丰富经验和理论基础，导致检查结果的判断具有较大主观性。因此，于红刚等用3021例患者的8566张胃食管静脉曲张图像和3168例患者的6152张正常食管和胃部图像训练得到了一个AI模型，其检测食管静脉曲张和胃静脉曲张的准确率分别达到97.00%和92.00%，预测静脉曲张大小、形状、颜色、出血迹象和出血征的准确率媲美甚至超过内镜专家水平。在多中心验证中同样具有较高的诊断水平。该模型有望成为辅助内镜医师更客观、更准确地评价胃食管静脉曲张风险分层的重要工具。
二、AI在结直肠镜中的应用
1.评估肠道准备质量
肠道清洁度是影响腺瘤和息肉检出率的重要因素之一。良好的肠道准备可保证肠道黏膜的充分可视化，从而提高肠镜检查的质量。然而，目前临床上对于肠道清洁度的评估较为主观，或存在记录不全等情况，影响了对于患者肠镜早期复查的评估。根据波士顿评分标准，于红刚等开发了一个肠道准备的质控系统，其针对波士顿评分的四分类图像的识别达到91.89%的高准确率，不仅可以每30秒提示一次肠道准备情况，还可以实时显示肠道准备评分的累积比例，从而更客观、稳定地评估肠道准备的质量。钟芸诗等构建的AI辅助结肠镜质量评估算法，对基于波士顿评分标准的四分类图像的识别总准确率为76.96%，可辅助医师对肠镜检查质量进行评价。
2.肠病灶辅助检出
结直肠癌是全球第三大致死性恶性肿瘤。提高腺瘤的检出率对降低结直肠癌的发生率至关重要。腺瘤检出率每增加1.0%，间隔期结直肠癌的风险就降低3.0%。一项Meta分析发现，结肠镜检查过程中，腺瘤的漏诊率高达26%。目前腺瘤漏检主要有以下两个原因导致：黏膜观察不充分和息肉隐蔽难以识别。AI技术的发展为以上问题的解决带来契机。
针对黏膜观察不充分的问题，于红刚等研发了一套AI系统用于监测实时退镜速度，通过计算机视觉技术计算图片之间的相似度得到“汉明距离”，创新性地实现了对下消化道的退镜速度监测，可实时提示退镜速度。当医生退镜速度过快时，及时提示医生放慢速度，仔细观察肠黏膜。在一项单中心随机对照临床试验中，与无AI辅助的对照组相比，有AI辅助的实验组腺瘤检出比例提高了一倍（16%比8%）。
针对肠道息肉隐蔽难以识别的问题，于红刚等还研发了一个肠息肉检测系统，其在图片中识别肠道息肉的准确率高达95.0%。刘晓岗及王璞等研发的结肠镜息肉自动检测系统同样具有较高的灵敏度和特异度，可在临床试验中显著提高腺瘤和息肉的检出率，有望在临床中发挥重要作用。
3.肠病灶辅助诊断
确定息肉的类型对患者的治疗和预后至关重要。良性息肉癌变风险极低，无需预防性切除；腺瘤性息肉和锯齿状病变需要进行切除以预防结直肠癌的发生；而结直肠癌需要及时进行内镜下或外科手术以防止病变进一步进展。周德俊等利用464105张图片训练得到的结直肠癌智能检测模型，在区分良恶性病灶上有较高的诊断水平，有助于提高临床上结直肠癌的检出率。李兆申院士等利用大数据开发的AI辅助结直肠息肉性质鉴别系统，白光下具有97.2%的准确率，窄带光成像模式下具有91.5%的准确率，可用于临床上对息肉的鉴别。
三、AI在胶囊内镜中的应用
胶囊内镜作为一种无创的检查，越来越多地运用于胃肠疾病的诊断，特别是对小肠疾病的诊断。然而胶囊内镜检查时间长，生成图片繁多，检查结束后胶囊内镜视频的回顾耗时长，分析过程枯燥，容易导致内镜医师视觉疲劳，难以保证诊断准确性。因此，发展高效率、高准确率的AI胶囊内镜辅助系统成为了行业热点。其主要研究方向包括如下几点：
1.减少阅片时间，提高工作效率
丁震等利用1亿多张图片训练了一个基于深度学习的辅助阅片系统，来区分异常和正常的小肠图像，达到了99.88%的敏感度。每例胶囊内镜检查阅片时间仅5.9min，极大地减少了胶囊内镜的阅片时间，提高了工作的效率。
2.提高病灶诊断准确率
张丽等构建的基于深度学习的AI系统，针对胶囊内镜下溃疡病变识别达到89.71%的灵敏度和90.48%的特异度，不仅提高了病灶诊断的准确性，还极大减少了医生的工作负担。李兆申院士等利用磁性胶囊内镜图片，训练得到一个AI辅助识别胃部病灶的模型,具有96.5%的灵敏度，可大大减少医生之间诊断水平的差异。丁震等亦构建了一个AI系统，用于辅助识别、诊断小肠出血，灵敏度高达99.0%，减少了内镜医生的阅片时间，使其更聚焦于小肠出血的诊出。
四、AI在内镜逆行胰胆管造影（ERCP）中的应用
研究发现，7%～12%的胆石症患者的胆总管结石是胆结石从胆囊移入胆管所致。到目前为止，ERCP仍然是针对胆管结石的首选治疗方法。ERCP是消化内镜领域的困难手术之一，胆总管结石的数量和大小、远端胆总管的成角和直径是影响手术取石难度的主要因素，对上述因素进行分析和分层，可以确保内镜医生更准确地预测取石的难度，从而采取更合适的治疗方式。基于此，于红刚等开发了一个ERCP采石智能技术难度评分与辅助系统，可以自动测量结石大小和远端胆总管及十二指肠镜的直径，具有较精准的测量水平。可在辅助内镜医师选择合适的手术配件和治疗方式、制定更精准的手术方案方面起到重要作用，有潜力成为未来ERCP术式中的重要助手。
五、AI在超声内镜中的应用
超声内镜是诊断胆胰疾病的重要工具，然而掌握内镜超声技术需要大量的专业知识及经验积累。此外，内镜超声医师培训周期长、培训成本高昂，极大地阻碍了内镜超声在临床上的推广与应用。AI在医学图像领域的快速发展，为超声内镜技术的推广带来了契机。
1.质量监测和辅助培训
于红刚等构建的基于深度学习的胆胰大师系统，用于辅助医师识别胰腺扫查的六个基本站点，其识别站点的准确率高达94.2%，不仅可以对胰腺超声检查的过程进行质量监控，还可以作为一个很好的培训系统用于指导新手医生的操作。同时，该团队还研制了一个基于深度学习的增强系统,用于胆管的规范扫描，并辅助医师识别胆管扫查的四个基本站点，其站点识别准确率达到了93.3%，胆管分割的Dice达到0.77，不仅可以辅助识别胆管扫描的标准工作站，提示医师进行相应的操作，而且还可以高精度分割胆管，自动测量胆管直径，简化内镜医生的操作。上述两个系统均在辅助阅片实验中显著提高了内镜医师的站点识别准确性。
2.提高病灶识别准确率
胰腺病灶的诊断和鉴别也是超声内镜检查的一大挑战。李兆申院士等建立的AI辅助系统，可鉴别自身免疫性胰腺炎和慢性胰腺炎，精度达到了89.3%，有潜力成为临床上诊断自身免疫性胰腺炎的重要辅助工具。
六、AI在消化内镜应用的挑战与展望
AI在内镜领域得到了长足的发展，尤其是近年来兴起的深度学习算法，在疾病诊断、病灶检测、操作质量控制等方面表现出了不弱于内镜专家的水平，有望在未来解决当前消化内镜临床工作中存在的病灶难以识别、内镜质量操作不过关等关键问题。然而，构建模型仅仅是AI应用至消化内镜的第一步，如何将模型集成到复杂的临床工作流程中仍然面临着严峻挑战。
1.数据共享与小样本学习
深度学习通过算法自动表征图像、声音等对象的特征，以发现数据的分布式特征表示。大型、有代表性的数据集不仅是确保自动调参过程取得全局最优解的前提，也是模型鲁棒性测试的有力工具。然而，消化内镜中如消化道早癌、炎症性肠病、锯齿状息肉等重要疾病发病率较低，随着深度学习的应用逐渐广泛，数据的缺乏正在成为消化内镜AI研究者们普遍面临的问题。
尽管在整个AI领域，已经有国家和组织在推动数据共享的工作，但是消化内镜AI领域的数据共享工作仍处于起步状态。部分文献报道了消化内镜公开数据集建立方面的初步尝试，但目前还缺乏官方或政府组织的推动。推动数据共享无疑能够极大缓解消化内镜AI发展面临的数据量的压力，但数据共享需要大量的人力工作去完成数据收集、清洗以及局部校准等一系列工作。此外，数据共享需要确保匿名化以及广泛的知情同意过程，在较大的传播规模下，患者隐私的保密可能成为数据共享过程中的关键性障碍。
除了推动数据共享，另一部分研究正靶向于如何能利用有限样本达到临床可用的模型性能，即小样本学习。小样本学习利用迁移学习、先验知识、生成对抗网络等技术，使得模型在小规模的训练数据中达到令人满意的表现。迁移学习可通过利用之前训练好的模型参数保证在新的任务上的模型精度。deGroof等构建了基于食管、胃、肠分类图像的迁移学习模型，在巴雷特食管检测瘤变的任务上取得了优于专家的效果。先验知识即将已知的知识规律融入到模型的训练，通过规范模型调参、特征提取等过程提高模型对数据的利用效率以及识别准确率。高强等通过先验知识在有限的训练集中（96例患者）实现了深度学习对于肝癌病理的高精度诊断。生成对抗网络是一种以生成器和判别器互相博弈为基础来提升模型性能的算法架构。姚家华等利用生成对抗网络有效消除不同医院之间的病理切片图像差异，从而提高深度学习模型的外推性。小样本学习的初步尝试已经取得了可喜的成绩，未来可能成为消化内镜AI数据量不足的新的解决方案。
2.模型的“透明度”
数据和AI算法的透明度是另一个主要问题。深度学习的透明度和AI模型的关系是多层次的。首先，模型预测的准确性很大程度上依赖于输入算法的训练数据注释的准确性。因此确保标签的透明度，以便算法的训练过程能够得到第三方的监督，对于模型准确性至关重要。
另一方面，模型的透明度还体现在其结果的可解释性上。可解释性即模型能够使人类理解或解释其达到某种决定或预测的依据。如果模型的预测可以被解释，那么人类就可以验证其预测是否合理。因此，模型的可解释性可以提高医师对模型预测结果的接受程度。此外，研究者们也可能通过模型的可解释性获取潜在的新的疾病现象或治疗靶点。尽管深度学习在消化内镜中的应用已经如火如荼，但对于模型可解释性的探索仍然有限。于红刚等利用热图（Heatmap）展示了深度学习预测胃早癌时所关注的区域，在模型可解释性方面做出了初步尝试。模型的可解释性还可以通过高维数据可视化、遮挡贴图（Occlusionmap）等方式进一步提高，但其有效性仍待进一步挖掘。未来有关可解释性的尝试可能是推动消化内镜AI临床应用的关键。
3.模型质量标准
消化内镜AI已然走过了发展的初期，即技术验证阶段，然而尚缺乏统一的消化内镜AI数据标准、测试平台、第三方数据库，导致目前的AI算法性能难以客观衡量。目前AI模型的训练仍面临一系列问题：（1）研究使用的数据集大多来自单中心、小样本，存在数据选择偏倚的情况；（2）数据标注方法和标准不统一，缺乏代表性；（3）数据采集的质量易受医生操作习惯、操作水平、重视程度、存储方式等因素影响，质量难以保证。相比构建大规模的数据共享体系，建立基于全封闭式独立沙箱监测环境的事实测评标准，从数据收集、标注，到后续的测试、评分，均由公平公正的第三方执行，更加具有可行性和紧迫性。
此外，针对数据采集、标注、存储、隐私保护、数据安全以及使用标准等关键问题，中华医学会消化内镜分会也已制定相关共识意见。共识指出，数据采集应当详细记录数据的来源医疗机构、设备的属性，以及相关的人口统计学资料等，并依据国家和行业标准对数据进行存储。此外，需建立针对目标任务的专用标注系统，统一数据标注标准与规范，招募符合资质的医师进行独立和重复标注，落实相关质量监督机制，确保内镜数据的高质量。同时需要建立一个专业性、规范性、公共性、科学性、动态性、多样性和封闭性的第三方数据库。基于该共识的影响力，现在的消化内镜AI研究应推动AI标准体系的建设，保证数据规范化、模型透明化、测试标准化，切实保证消化内镜AI在临床应用的安全性与有效性。
4.AI在消化内镜诊疗中的伦理挑战
大规模的消化内镜AI多中心临床研究尚未开展，AI带来的潜在弊端还未得到充分披露。就目前的单中心临床研究结果而言，AI的应用可能导致肠镜检查患者接受更多不必要的息肉切除术，进一步造成额外的经济负担和潜在的切除并发症。除了需要关注消化内镜AI的经济-效益比之外，另一个更加严峻的问题是如何建立完善的AI医疗事故问责制。AI技术无疑将改变传统的医患关系，这种变化的内在原因是医生个人责任感的潜在转变。例如，在消化道肿瘤性质预测问题上，AI所致的误判会让患者接受不必要的手术，或延误诊治时机。而问责的源头则是多方的——医生、提供软件平台的供应商、构建算法的开发人员或训练数据的来源。建立完善的追责制度是消化内镜AI临床应用的重要环节，但最终责任落在哪里还有待观察。
综上所述，AI技术有望在提高内镜检查质量、减少病灶漏诊率、缓解培训资源缺乏方面起到至关重要的作用。但目前大多数研究仍处于探索阶段，尚未推广到实际临床应用中，且面临着数据稀少、算法透明度不足、质量标准不统一、伦理问题等严峻挑战。随着技术的发展和行业的规范，相信在不远的将来，内镜AI将广泛应用于临床实践，极大地提高消化内镜的质量，改善患者的预后。
撰写者：姚理文、陈弟、吴练练、董泽华、张丽辉（武汉大学人民医院消化内科）
参与专家（按姓名拼音排序）：陈朝元（福建省人民医院消化内科），江华（解放军总医院第一医学中心消化内科），郎金榕（重庆市丰都县人民医院消化内科），李军宏（深圳市第四人民医院消化内科），梁运啸（广西壮族自治区人民医院消化内科），刘梅（华中科技大学附属同济医院消化内科消化内科），刘思德（南方医科大学南方医院消化内科），刘彦（成都市第五人民医院消化内科），潘杰（温州市中心医院消化内科），唐闯（成都市双流区中医医院消化内科），王宏光（吉林市人民医院消化内科），王小明（攀枝花市中心医院消化内科），王晓艳（中南大学湘雅三医院消化内科），徐美东（同济大学附属东方医院消化内科），叶丽萍（台州医院消化内科），钟芸诗（复旦大学附属中山医院消化内科），周晓倩（贵阳市第一人民医院消化内科）,周宇(广东医科大学附属医院消化内科)，邹多武（上海交通大学医学院附属瑞金医院消化内科）
参考文献略，原文见《中华消化内镜杂志》2021年10月
中华消化内镜杂志
人工智能在中学教育教学中的应用现状分析
但是，从教学一线的现状来看，人工智能课程的教学效果有待提高，人工智能辅助教学的功能体现的不够充分，专家学者对人工智能在中学中的应用研究较为薄弱。因此，为提高中学人工智能课程教学效果和人工智能在教育教学中的深层次应用，该研究从学术期刊与教材两个方面着手，对中学人工智能教学现状、应用现状与研究现状进了分析，其目的在于借鉴学术界已有的研究成果，为中学人工智能课程的开展和人工智能在中学教育中的深层次应用提供理论指导。
研究样本与研究方法
研究样本
学术期刊的选择2001年11月教育部办公厅发布的《普通高中信息技术课程标准》中规定了中学信息技术课程包含信息技术基础必修模块和选修模块。自此，在中学信息技术课程中人工智能成为不可或缺的一部分。
因此，该文基于中国期刊网(CNKI)在《电化教育研究》、《中国电化教育》、《现代教育技术》、《中国医学教育技术》等4种期刊中检索了2002年1月到2012年12月间与人工智能相关的文献。检索时首先以“人工智能”为主题词进行初次搜索，再以人工智能研究领域的关键词(AI、机器人、模式识别、专家系统、神经网络等)进行第二次检索。在搜索结果中首先剔除重复文献、会议报道等无关样本，然后逐篇分析其关键词和摘要，直到确定文章的归属为止。最终确定了68篇文献作为重点研究内容。
教材的选择根据《普通高中课程方案(实验)》的规定，高中信息技术学科被列入技术学习领域，包括一个必修模块和五个选修模块。为增强课程选择的自由度，五个选修模块平行设计，相对独立(如图1所示)。目前，经全国中小学教材审定委员会初审通过的“普通高中信息技术课程标准实验教材”已经有五个出版社的版本:它们分别是“广东教育出版社”、“教育科学出版社”、“中国地图出版社”、“浙江教育出版社”和“上海科技教育出版社”，这五套教材已在全国多个省区实验并推广使用［4］。笔者以目前使用范围较为广泛的广教版必修教材、广教版选修教材和浙教版必修教材为例进行研究。
图1普通高中信息技术课程方案
研究方法
学术期刊的研究方法笔者对上述4种期刊中与人工智能相关的文献进行了定量和定性的分析。首先依据期刊中文献统计的数据，建立数学模型，并用数学模型计算出分析对象的各项指标。然后，依据文献中各对象的数值指标、一线课堂的真实情况以及人工智能研究领域的最新进展对分析对象的性质、特点、发展变化规律做出判断。教材的研究方法笔者就广教版和浙教版高中必修内容《信息技术基础》中人工智能的设置类型和设置比例进行了对比分析，又以广教版高中信息技术选修5《人工智能初步》为例，对目前中学人工智能选修课的内容分布、难易程度、教学模式、实施现状等逐一做了分析。
研究结果分析
从2002年1月到2012年12月，上述4中期刊中与人工智能相关的文献共计68篇，其中与中学教育教学直接相关的有24篇，其分布情况如表1所示。
从期刊文献的发表数量来看，人工智能已经成为教育技术学领域的一个重要研究领域和发展方向。人工智能在中学教育教学中的应用也受到了专家学者的普遍关注。据文献统计数据显示，《中国电化教育》杂志对中学的关注度较高;从作者来看，浙江师范大学的张剑平教授对人工智能的关注度很高;在上述研究样本中，张剑平教授的文献共计有12篇，其中与中学直接相关的有7篇。
从期刊文献的发表时序来看，文献数目呈“凸”字型分布(如图2所示)。人工智能引入教育界时，人们对这一模仿人脑的新型技术充满好奇与期待，在学术界的关注度呈逐年上升趋势。但是，由于对人工智能的研究需要脑神经科学、计算机科学、教育学、心理学等复杂的学科背景，许多专家学者对其研究逐步减弱，因此其发展速度偏低，其关注度在2008年之后呈递减趋势。
根据研究文献的集中趋向，笔者将研究内容划分为五个类目。再根据已确定的研究类目，对研究文献进行了统计分析，其结果如表2所示。
由表2可以看出，研究内容主要集中在人工智能的理论研究、系统研发，人工智能在教育中的应用以及在课程教学中的研究，且分布较为均匀。深入研究发现，在人工智能课程教学研究中以“机器人教学”为主。人工智能教育应用主要集中在高等院校，在中学中的应用较为简单，如Z+Z智能教育软件在数学教学中应用。从人工智能在信息技术课程中的设置情况分析在全国中小学信息技术教育工作会议上，教育部决定从2001年起用5-10年的时间在全国中小学普及信息技术教育。自2002年广东省、山东省、海南省、宁夏回族自治区首批进入新课改以来，我国其他地区也陆续进入了新课改。目前，人工智能的不少研究领域，如自然语言理解、模式识别、机器学习、数据挖掘、智能检索、机器人技术、人工神经网络等都走在了信息技术的前沿，有许多研究成果已经进入人们的日常生活。张剑平2003年1月发表在《电化教育研究》上的《关于人工智能教育的思考》一文中强调:人工智能理论和技术在一定程度上代表着信息技术的前沿，应当在现有的中学信息技术课程体系中增加人工智能课程，以便更全面地培养学生的信息素养。
当前，我国中学使用的信息技术教材存在地域性差异。但基本上关于人工智能的都包含两个部分:一是在信息技术必修教材中与人工智能相关的内容;二是人工智能选修模块。笔者首先就现行高中信息技术必修教材(以广东教育出版社《普通高中课程标准实验教科书信息技术基础》和浙江教育出版社《普通高中课程标准实验教科书信息技术基础》)中人工智能部分在教材中所占的比例和涉及的领域进行了分析研究。其结果如表3所示。
从上述统计结果可以看出，在中学信息技术教育中，人工智能已经成为重要一部分，但是就教学层面而言，只关注了人工智能在信息处理方面的原理和应用。对于人工智能的其他研究领域在必修教材中没有涉及。其次，以广教版选修教材例，分析了选修5《人工智能初步》课程设置情况:目前大部分学校对信息技术的选修模块开设的并不完整，大多只开了选修《多媒体技术应用》。因此，笔者就两个选修模块的教材进行了横向比较，并分析其原因:在信息技术选修5《人工智能初步》中深入介绍了人工智能。教材内容主要包涵了五部分内容:即人工智能初探、知识表示及Prolog语言、专家系统、问题求解、人工智能的回顾与展望。从教材内容的设置来看，充分体现了新课改自主探究的理念。整个教材的设置解读了人工智能是什么、为什么、怎么实现的问题。这不仅使学生能够一脉相承地了解人工智能的总体思路，也为学生在实际的生活和学习中如何解决问题提供了的思路。
选修5和选修2相比较，在以下三个方面存在显著差异，使得选修5在中学的实施广度上低于选修2。第一，师资力量薄弱。尽管从课程内容设置的数量上来看，选修5少于选修2(选修5共五章内容，涉及74个知识点;选修2共8章内容，涉及91个知识点)。但是从难易程度上来看，选修5明显高于选修2。选修2为多媒体技术应用，主要包涵对多媒体的认识以及多媒体作品的采集与加工。随着信息化的飞速发展，这些内容与教师和学生的生活息息相关，这个主题已经不再陌生，技术相对成熟，且简单便于操作，信息技术教师的胜任度高。而由于选修模块的开设时间较短，大多数学校还没有专攻人工智能方向的教师。第二，对硬件的要求高。对于选修2，只需要学校配备普通的多媒体计算机即可。而选修5对计算机的配置要求较高，在第四章第五节中还涉及了机器人相关知识，从某种程度上来说学校还需要购置相应的人工智能设备。可见，选修5对硬件的要求远高于选修2。第三，与必修的相关程度偏低。在必修《信息技术基础》中，与多媒体相关的内容远高于人工智能。因此，学生在多媒体方面的基础高于人工智能。因此，学校在课程开设上对选修2有了倾向性，学生在选课上也对选修2有了倾向性。
从教材的整体设置结构来看，都是以建构主义为基本指导思想，注重学生的实际操作能力。每一小节都设置了活动课，以促进知识的应用能力和创新能力。从文献中分析，与人工智能在中学教学中的教法相关的研究较少。马超［5］等发表在《现代教育技术》2008年第8期上的《高中＜人工智能初步＞教学的三种常用模式》中总结了人工智能在我国高中课堂上的三种常用模式:即“情境化教学模式”、“基于问题的教学模式”、“基于案例的教学模式”。同时指出，“问题探索”是核心，“基于案例”是难点。笔者认为，要真正促进人工智能在中学中的进程，课堂是关键，而教法又是把握住课堂的关键。但是在这一领域的理论研究和实践经验都比较匮乏，需要一线教师的不懈努力，也需要理论与实践的深层次结合。
总结
人工智能技术及其应用的发展已经走过了50余年，它作为信息技术的前沿领域，对社会发展的影响越来越大。在基础教育课程改革的浪潮中，许多国家意识到在基础教育领域开展人工智能教育的必要性，努力把人工智能列入技术类教育的教学内容中。英国早在1999年将人工智能课程作为选修课出现在中学的信息与通信技术(ICT)课程中［6］。我国教育部于2003年4月正式颁布《普通高中技术课程标准(实验)》，首次在信息技术科目中设立了“人工智能初步”选修模块，标志着我国高中人工智能课程的正式起步［7］。但是就目前人工智能课程在我国中
学阶段的开展情况来看不容乐观，人工智能在中学教育教学中的应用体现的还不够充分。因此，想要解决上述问题，需要各级教育行政机构的高度重视，需要专家学者的执着追求，更需要一线教师的积极探索。
参考文献
［1］张剑平．关于人工智能教育的思考［J］．电化教育研究，2003，(1):24-28
［2］史忠植，王文杰．人工智能［M］．北京:国防工业出版社，2007:1
［3］吴战杰，秦健．Agent技术及其在网络教育中的应用研究［J］．电化教育研究，2003，(3):32-36
［4］王海燕，赵彬．中学信息技术教材研究与教学设计［M］．西安:陕西师范大学出版社，2011:2
［5］马超，张义兵，赵庆国．高中《人工智能初步》教学的三种常用模式［J］．现代教育技术，2008，(8):51-53
［6］SQA．NQＲeviewInvestigationＲeport:ComputingandInformation
Systems［EB/OL］．http://www．sqa．org．uk/sqa/28．139．html
［7］教育部．普通高中技术课程标准(实验)［EB/OL］．http://www．ycy．com．cn/Article/kcbz/gz/200608/8543_3．html
|来源：中国医学教育技术
|作者：王斐
|美编：甄宏莉返回搜狐，查看更多
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