泌尿外科中的人工智能

Cite this entry as:

Chu K.Y., Tradewell M.B. (2022) Artificial Intelligence in Urology. In: Lidströmer N., Ashrafian H. (eds) Artificial Intelligence in Medicine. Springer, Cham. https://doi.org/10.1007/978-3-030-64573-1_172

• 泌尿科与手术技术交织在一起。内窥镜和机器人手术在泌尿外科实践中得到了早期的接受。人工智能研究已经开始渗透到泌尿外科文献中。在泌尿肿瘤学中，已经开发了AI系统来诊断恶性肿瘤，指导治疗和预测手术结果。这些系统已被证明可以比普通病理学家更准确地对前列腺癌活检进行分级，并且可以根据机器人腹腔镜动力学准确预测术后住院时间。AI可以准确预测术后肾结石通过和结石清除率。使用AI的机器人系统在早期临床试验中成功地指导了肾穿刺。对不育男性的评估和治疗正在看到范式转变，因为人工智能系统预测生育潜力和精子检索成功。未来，AI算法可能会通知精子检索以进行体外受精优化。虽然上述许多人工智能系统在单一机构研究工作中仍然孤立无援，但已发布的在线人工智能预测因子使普通泌尿科医生可以使用这些分析。随着时间的推移，人工智能有望在现代泌尿外科实践中占据更大的立足点。
  
  

  介绍

       泌尿外科一直处于医学界研究和创新的最前沿。该领域是内窥镜技术的早期采用者之一，通过将膀胱镜检查应用于泌尿外科工作流程。内窥镜检查迅速成为各种泌尿系统疾病不可或缺的诊断和治疗工具。泌尿科医生还建立了前列腺特异性抗原癌症监测的首批生物标志物之一。虽然在泌尿外科中还有许多其他值得注意的例子，但机器人手术的早期采用反映了该领域的创新倾向[1].人工智能（AI）是下一个技术前沿，有望在患者护理方面取得重大进展，其应用已开始渗透到泌尿外科文献中。

  泌尿外科中的人工智能

  
  

  泌尿肿瘤科

  历史

       泌尿肿瘤学在实施预测模型以指导临床实践方面有着悠久的历史。值得注意的是，1993 年的 Partin Tables 使用列线图，输入术前前列腺特异性抗原 （PSA） 水平、临床分期和活检的格里森评分，以预测根治性前列腺切除术时的病理分期[2].这些分析仍然是预测新诊断患有前列腺癌的男性的病理分期和随后的风险分层的标准。同样，泌尿肿瘤学家也习惯于采用新技术。虽然泌尿科医生不是第一个使用达芬奇机器人手术系统（Intuitive，加利福尼亚州桑尼维尔）的人，但该技术在机器人辅助腹腔镜根治性前列腺切除术中的广泛使用对于在过去二十年中将机器人系统应用于现代手术至关重要[3].毫不奇怪，人工智能（AI）的使用已经对泌尿肿瘤学的现代实践取得了一些早期进展。

  前列腺癌

        前列腺癌是泌尿外科领域，迄今为止人工智能的应用最为强大。AI已被用于确定前列腺活检和MRI的格里森分级，预测术后手术结果，并指导最佳治疗方案。Auffenberg等人使用密歇根州的全州数据库创建了一个随机森林机器学习模型，以根据具有相似特征的患者预测治疗决策。模型输入包括来自全州45个泌尿外科实践的7543名被诊断患有前列腺癌的男性的治疗前数据。输出是初级治疗预测，包括根治性前列腺切除术，放疗（外照射，近距离治疗或两者兼而有之），初级雄激素剥夺治疗，主动监测和观察等待。使用 2：1 的训练测试拆分，随机森林以 0.82 的 AUC 和良好的校准执行 [4].这些数据可能有助于为局部前列腺癌护理期间做出的关键共享决策提供信息。其他AI模型已经实施以改善前列腺癌诊断。

       Nagpal等人开发了一种深度学习算法，用于从前列腺活检标本中预测格里森分级组[5].这些分析包括来自4个机构的752个前列腺针芯活检标本。地面真值等级组由两位病理学专家的一致性确定。深度学习算法在752个活检标本上进行了训练和验证，其中包括来自未用于算法训练和调整的单一机构的322个外部验证标本。通过比较19位普通病理学家的多数意见来评估模型性能。深度学习算法等级组确定更常与专家病理学家（71.7%;95%CI，67.9-75.3%）达成一致，而不是普通病理学家（58.0%;95%CI，54.5%-61.4%）（P <0.001）。作者得出结论，该算法在格里森对外部验证数据集进行前列腺针芯活检标本分级时，表现出比普通病理学家更高的熟练程度。

        Steiner等人的后续分析进一步评估了上述深度学习算法作为决策支持工具，以提高前列腺活检格里森分级分组的准确性[6].20名普通病理学家回顾了240份前列腺活检标本，并由2名泌尿生殖病理学专家一致确定。病理学家被随机分成两组，分十批审查病例，在AI协助和没有AI协助之间交替进行。经过4周的冲洗期后，病理学家在相反的帮助或没有帮助的情况下审查了相同的病例。作者发现人工智能辅助审查导致5.6%的增长（95%CI，3.2%-7.9%;P<0.001）与专家意见一致（从无辅助评价的69.7%到辅助评价的75.3%）。AI协助使病理学家的复查时间缩短了13.5%。这些数据显示了通过人工智能提高诊断准确性和效率的前景。然而，该算法无法达到泌尿生殖病理学专家的水平，也无法将普通病理学家的表现提升到专家的水平。

       在过去十年中，磁共振成像（MRI）已成为泌尿外科中不可或缺的工具，用于识别具有临床意义的潜在前列腺病变，这些病变在标准模板系统性经直肠超声引导的前列腺活检中可能已被遗漏。随着允许前列腺MRI超声融合活检的技术的出现，为患者提供更有针对性的诊断和结果。目前对前列腺病变的分类是根据前列腺成像报告和数据系统（PIRADS）标准进行的。虽然在病变特征分类方面存在共识，但在分级方面仍然存在主观偏见。Schelb等人利用深度学习算法（U-Net）将T2加权和弥散MR成像阶段结合起来，并发现了支持前列腺病变临床分类的潜力。发现检测临床上显着的前列腺癌的敏感性为88%vs 92%（PIRADS与U-Net，p>0.99），特异性为50%vs 47%（p >0.99）。整理U-Net与临床放射科医生评估之间的数据，使临床上显著的前列腺癌的阳性预测值从48%提高到67%（p = 0.01），阴性预测值保持不变（p >0.99）[7].此外，MRI可能包含前列腺病变的纹理特征，这些特征揭示了有关恶性病理学的进一步信息，但人眼无法区分。Fehr等人将表观弥散系数（ADC）和T2加权MR成像相位与样本扩充相结合，并利用递归特征选择支持向量机（RFE-SVM）来稳健预测（a）癌性与非癌性病变，（b）低风险与中度/高风险前列腺癌，以及（c）中风险前列腺癌的亚分类[8].他们的工作表明，尽管数据高度不平衡，但用成像对前列腺癌进行分类是可行的。随着人工智能在前列腺癌泌尿放射学领域的不断发展，这些应用将改善患者和医生可用于共同决策的诊断信息。

       来自南加州大学凯克医学院机器人模拟与教育中心的泌尿科医生和计算机科学家已经实施了人工智能，以在机器人辅助腹腔镜根治性前列腺切除术期间根据达芬奇手术系统运动学数据预测术后结果。对随机森林模型进行了训练，以预测9名外科医生（67例住院时间≤2天和11>2天）的78例75种术中器械，相机和能量使用指标的术后住院时间（≤2天或>2天）。该模型的执行精度为87.5%，通过k-fold（k = 10）交叉验证进行访问。与相机操作相关的功能最具预测性 [9].在随后的分析中，研究小组开发了一种深度学习算法，用于根据达芬奇运动学数据预测机器人辅助腹腔镜根治性前列腺切除术后的尿失禁。使用来自8位外科医生的100例病例，以适度的预测准确性进行，通过85.9天的平均绝对误差和0.6的cindex来测量。虽然尿失禁的准确预测有很大的改进空间，但三个最翔实的输入是缝合膀胱和尿道之间吻合口的运动学[10].最重要的是，这些论文阐明了人工智能在手术性能评估中的潜在应用。

  肾癌

       人工智能应用泌尿肿瘤学的最新临床进展超出了前列腺癌的范围。近年来，肾癌在医学图像计算和计算机辅助干预（MICCAI）会议的重大挑战中得到了很好的代表。这些重大挑战有助于通过开放数据和结果共享来提升医学图像算法。KiTS19挑战赛中，来自5大洲的106个团队竞相开发一种能够从CT图像中自动分割肾脏和肾脏肿瘤的AI算法。挑战包括300个带有分割掩码的CT数据集。团队对210个配对数据集进行了训练，并在90张CT图像上测试了他们的算法，这些图像产生了预测的分割掩码。获胜团队的平均Sorensen-Dice系数为肾脏0.974，肿瘤的平均Sorensen-Dice系数为0.851。这些数据接近了用于肾脏分割的注释器间骰子（0.983），但没有用于肿瘤（0.923）[11].类似的 EndoVis 子挑战 2017 肾脏边界检测使用腹腔镜肾切除术视频文件，其中标记的像素包含肾脏边缘，以创建自动分割肾脏边界的算法 [12].未来的KiTS21 MICCAI大挑战赛将在2019年挑战赛的基础上进行扩展，包括分割与肾切除术和肾部分切除术相关的其他解剖学特征，包括输尿管和肾血管系统。

      为了成功进行肾部分切除术，外科医生必须成功识别解剖学特征和肿瘤本身，同时确保切除肿瘤床中没有留下任何微观恶性细胞。Haifler等人最近的工作已经使用拉曼光谱和AI来解决这个问题。初步的台式模型评估了6个正常肾实质和6个肾细胞癌切片的离体样本，并使用贝叶斯机器学习分类器，稀疏多项式逻辑回归，在ROC曲线下获得了0.94的面积[13].这些数据受到少数数据集和内部验证的限制;然而，这些分析可以外推以识别术中恶性组织。使用AI进行术中内窥镜视觉和原位病理学诊断的3D肿瘤重建的未来前景可能会提高肾部分切除术期间肿瘤切除的安全性，有效性和准确性。

  尿路上皮癌

      膀胱镜检查是膀胱癌诊断的金标准。池田等人开发了一种卷积神经网络图像分类器，该分类器在120万张普通图像、8728张胃镜图像和2102张膀胱镜图像上进行训练，以检测膀胱肿瘤。在包含膀胱肿瘤的82/442图像的测试集上，该算法以95.4%的灵敏度和97.6%的特异性进行，这与有经验的泌尿科医生的准确性相当[14].虽然人工智能有可能协助膀胱镜检查的检测和可能的自动化，但其他追求已经应用人工智能来减少对这种侵入性手术的需求。Sokolov等人基于从43名无膀胱癌参与者和25名膀胱癌患者的尿液样本中采集的5个细胞的原子力显微镜数据开发了一种随机森林模型。使用70/30的训练测试分割，他们实现了94%的鉴别准确率[15].Sapre等人的类似工作使用了一种支持向量机分类器，该分类器在microRNA面板上训练，该样本来自没有膀胱癌病史的患者，具有治疗膀胱癌史而没有复发证据的患者以及活动性膀胱癌患者，以预测癌细胞的存在。分类器在AUC为0.74，灵敏度为88%的独立队列上进行。作者指出，他们的分析可能使验证队列中的膀胱镜检查率降低了30%[16].虽然这些方法仍然是实验性的，但人工智能系统有可能提高办公室膀胱镜检查的准确性，降低用于检测膀胱癌的成本和发病率。

  腔内泌尿科

        腔内泌尿外科是微创泌尿外科的专科，在过去40年中得到了发展和微调。泌尿科的一个突出部门是肾结石的管理。已经开发了AI算法，主要用于结果预测，用于肾结石的管理。在美国，每11个人中就有一个会在一生中经历肾结石，最初的症状是肾绞痛。在急性期，在预测哪些患者会自发通过结石方面具有很大的临床效用。这有助于指导患者是否需要手术干预。Solakhan等人评估了192名输尿管结石患者到门诊泌尿外科就诊。作者根据基线结石大小、体重、疼痛评分、ESR 和 CRP 创建了一个人工神经网络模型。在测试集（n = 30）上，该模型的预测准确率为87.3%，其中患者自发通过结石[17].在一项类似的研究中，Dal Moro 等人评估了 402 名因肾绞痛就诊的患者，使用年龄、性别、体重指数、发热、既往泌尿科治疗、既往结石排出、症状持续时间（小时）以及结石的尺寸和位置，以建立支持向量机模型，以预测首次就诊后 6 个月内自发结石的通过。交叉验证显示，该模型成功预测了自发通过或手术干预，敏感性为 84.5%，特异性为 86.9%[18].在肾结石中，预测是否需要手术干预非常有用，预测术前结石负荷清除的手术成功率也非常有用。

      体外冲击波碎石术（ESWL）使用来自外部来源的冲击波来粉碎肾结石。ESWL 成功的主要衡量标准是随后的无结石状态。经过充分验证的传统统计方法显示，体重指数、初始结石大小和皮肤与结石之间的距离是预测 ESWL 成功的关键因素。Mannil 等人使用随机森林分类器，该分类器根据来自 224 例 ESWL 病例的术前数据进行训练，包括基于 CT 成像的结石 3D 纹理分析，在预测成功的 ESWL 时，AUC 为 0.81 进行.然而，Cui 等人对 459 例 ESWL 病例进行了随机森林分析，其中 19 种临床相关输入，包括预测成功 ESWL 时 AUC 为 0.67 的结石 3D 纹理分析 [20].进一步预测ESWL成功清除结石负担的能力将有助于医生和患者选择内镜与无创治疗。

          经皮肾镜取石术 （PCNL） 是用于最大肾结石的外科手术。该过程涉及通过背部穿刺进入肾结石。Aminsharifi等人基于术前CT成像和254例接受PCNL的患者的临床数据开发了人工神经网络。该算法预测结石清除率和围手术期输血准确率分别为 83% 和 86%[21].Taguchi等人最近的工作使用AI在试点临床试验中指导术中经皮肾穿刺。使用安装在桌面上的机器人系统，该软件使用透视图像确定穿刺的最佳轨迹，以引导患者皮肤和肾脏收集系统之间的针头。经过十例学习曲线后，作者报告穿刺时间为2.8分钟，没有明显的不良事件[22].这些数据反映了人工智能对改善患者手术选择的影响及其在术中手术计划和操作中的潜力。

       除肾结石外，腔内泌尿科医生还可管理与良性前列腺肥大相关的排尿功能障碍。Whangbo等人开发了一种递归神经网络，用于预测和测量智能腕带排尿事件的时间。该算法根据从三轴加速度计收集的运动和倾斜角度数据进行训练，以识别排尿的常见三步行为（向前运动，排尿，向后运动）。作者研究了与患者排尿日记相比算法的准确性。他们能够在60天内预测30名参与者的排尿事件，准确率为94.2%[23].总之，人工智能有可能影响肾结石在手术计划和排尿功能障碍管理中。

  
  

• 男科

      男科是泌尿科的一个亚专科，专注于与男性生殖健康相关的所有方面的内科和外科管理。这包括男性生殖泌尿科的各个方面，如不孕症，生殖内分泌学和生育力保存。它还包括性医学成分，如勃起功能障碍，佩罗尼氏病和异常勃起管理。男科学被强烈认为是人工智能（AI）将为该领域发展做出巨大贡献的医学领域。随着美国不孕症的患病率上升到大约730万对夫妇，并且在这些患者中有50%发现了男性因素，泌尿科医生的武器装备需要进一步的工具。在这个领域有太多的未知数，其中时间至关重要，因此许多医生和研究人员已经为整合AI奠定了基础[24].

  男性生殖潜力预测

       人工智能在男科中最有前途的领域之一是对男性生殖潜力的预测。虽然生殖泌尿科医生可能能够在彻底的男性不育症检查后诊断患者，但已经努力在生殖年的早期识别患者，可能需要咨询。此外，它可以告知从业者专注于男性因素，而无需昂贵的诊断。早期的重点是表观遗传学研究，通过使用AI来揭示影响患者精液参数的可能环境或生活方式因素。Girela等人从100名健康志愿者那里获得的问卷中预先处理了人类变量数据，例如社会人口统计数据，香烟和酒精使用，体重指数以及具有决策树的一般健康状况。利用这些数据，研究小组开发了一种多层感知器（MLP）人工神经网络（ANN），通过这些因素以90%的准确率（灵敏度，95.45%和特异性，50%）和运动性预测精子浓度，准确率为82%（灵敏度，89.29%，特异性为43.75%）[25].将这些人工智能网络纳入年度从业者访问可能会导致更及时的生育干预。

          还研究了可能涉及生育潜力的开创性生物标志物的鉴定。特别是，精锌和瘦素水平已被关联为男性不育症的可能替代品，因为基本精子功能可能需要适当的阈值。Ma等人将精瘦素确定为一种潜在的生物标志物，可与人工神经网络（ANN）模型一起使用，以确定非阻塞性无精子症（NOA）患者的精子检索成功率。280名NOA患者接受了各种输入的培训，例如睾丸体积，精液量，激素水平，精液瘦素水平和精液参数。ANN模型的AUC = 0.83，优于单个自变量[26].Vickram等人验证了一个反向传播神经网络，该网络来自177个精液样本的训练集，该网络能够预测精液生化参数，包括蛋白质（平均绝对误差= 0.025），果糖（平均绝对误差= −0.080），葡萄糖苷酶（平均绝对误差= 0.166）和锌水平（平均绝对误差= −0.057），仅使用精液参数[27].虽然精液参数和激素水平构成了男性不育检查的诊断基础，但这些利用人工智能的研究显示出能够量化精液生物标志物的生殖潜力。

       在已被确定为无精子症的患者中，男性不育症病情检查的下一步是进行染色体检测以确定可能的遗传病因。这些测试被证明是昂贵的，并且需要专门的实验室，导致不孕症周期的时间滞后。Akinsal等人用310个无精子患者数据，体格检查，激素水平和射精量训练了ANN，以95%的准确率识别最有可能需要进一步调查的患者.

       实现男性完全生育潜力的标志始于精子渗透到卵子中。这被认为是受孕的成功，Niederberger等人试图通过精液分析（SA）数据来预测这种生育潜力。他们证明，神经网络在预测各种卵子上各种卵子上的精子渗透成功率方面显示出有希望的结果，仅基于SA。神经网络能够正确分类67.8%的无带状仓鼠卵穿透试验（训练集中的1416次测定）和80%的牛宫颈粘液精子渗透结果（训练集中的139次测定）[29].随着卵胞浆内单精子注射（ICSI）等人工生殖技术（ART）的出现，随着卵子的穿透被绕过，在异质性标本样品中选择精子变得至关重要。目前无法被人眼充分评估的内在品质对于持续受孕成功和由此产生的活产可能具有不可或缺的重要性。目前的方式包括一系列广泛的实验室工作台操作，如微流体室激发试验、蛋白质结合和形态学检查。Takeshi等人在2018年美国生殖医学学会会议上提出的初步研究表明，它能够通过AI区分8010个精子和25，522个非精子细胞。Mirsky等人通过干涉相位显微镜分离出1400个人类精子细胞的精子细胞头，并利用这些数据训练支持向量机自动将精子分类为好和坏形态，以便在体外受精中使用。SVM的ROC为88.59%，AUC为88.67%，精度为90%或更高[30].需要进一步研究利用AI进行精子选择，特别是因为从胚胎选择方面已经显示出进展和希望[31].

  精液分析

       人工智能对生殖泌尿外科的诊断领域产生了影响。不孕症病情检查的主要诊断是精液分析，这是一种传统上在男科实验室进行的测试，由技术人员或计算机辅助精子分析（CASA）系统手动计数。这是一项劳动密集型且耗时的诊断，具有潜在的主观操作者偏见。Agarwel等人通过利用基于专有人工智能算法的新型光学显微镜证明了SA的自动化。通过比较135个精液样本的手动和AI计数的结果，他们观察到精子浓度，活力和pH值结果的高度相关性（r >0.9）.在过去几年中，消费技术的进步导致家庭精液分析试剂盒的增加。特别是，利用智能手机摄像头和设备适配器的数字家庭套件可以在几分钟内为消费者提供精液参数结果。虽然最初的版本仅限于提供几个参数，但人工智能计算机视觉技术的补充提高了测量精子活力和形态的准确性。Tsai等人通过比较专家自动生成的精液参数与精子质量的客观分级来评估该AI系统，发现自动生成的总精子浓度（r = 0.65，p <.001），活动精子浓度（r = 0.84，p <.001）和运动百分比（r = 0.90，P <0.001）与专家级高度相关。

  预测精子检索成功率

      在发现患有非阻塞性无精子症的不育男性患者中，精子取回是必须经历的程序，以可能找到用于ART的精子。据报道，显微解剖睾丸精子提取（micro-TESE）的成功率约为63%。Ramasamy等人制定了一种ANN，通过用术前临床数据和1026名接受micro-TESE的男性的手术结果来训练系统来预测精子检索成功率。ANN能够准确预测59.4%的手术结果（AUC 0.64）。这种具有适度辨别能力的算法可能仍然具有临床用处，特别是在咨询不愿意或不能进行微量TESE的患者时。这些分析表明，人工智能有望帮助患者和医生管理对手术成功的期望[34].

  预测异常勃起治疗的手术分流干预

       异常勃起被定义为勃起时间延长，通常大于四次，并且可能有多种病因。分类分为缺血性、非缺血性或复发性。缺血性异常勃起的紧急治疗很重要，因为如果不及时治疗，可能会导致男性阳痿。确定那些可能需要升级为手术分流的患者将节省宝贵的时间，尝试可能无法解决异常勃起的侵入性较小的治疗方法。Masterson 等人对县医院的 364 例异常勃起患者进行了回顾性研究，收集了患者年龄，种族 / 民族，异常勃起的类型，病因，就诊前勃起的持续时间，住院时间，异常横贯既往发作，尝试的干预措施，并发症，升级为手术干预，泌尿科随访和患者危险因素的数据。334例被确定为缺血性病因。该团队利用随机森林机器学习算法来训练数据集，并能够创建一个在线风险计算器，以准确识别那些需要手术分流的人，或者87.2%的时间需要手术分流，AUC为0.76。阳性预测值仍然很低，为44.5%。研究发现，异常勃起持续时间较长是手术分流的一个显著因素。需要进一步的研究来提高该研究的有效性，但其初步结果表明，人工智能有望预测缺血性异常勃起的手术干预

  
  

  结论

  人工智能有望对泌尿外科领域产生重大影响，从而进一步改善患者护理。人工智能应用的可能性只是触及表面，因为年复一年的文献出版呈指数级增长。AI泌尿学应用的广泛范围包括肿瘤学，腔内泌尿科和男科。凭借泌尿外科在创新方面的记录，人工智能将在未来十年内将其许多潜力反映在泌尿外科实践中。