人工智能在体外冲击波碎石术中都的应用

Eur Urol Open Sci. 2021 May; 27: 33–42.

Published online 2021 Mar 21. doi: 10.1016/j.euros.2021.02.007

PMCID: PMC8317850

PMID: 34337515

Can a Dinosaur Think? Implementation of Artificial Intelligence in Extracorporeal Shock We Lithotripsy

Sebastien Muller,a,b Håkon Abildsnes,c Andreas Østvik,a,b Oda Kragset,c Inger Gangås,d Harriet Birke,e Thomas Langø,a,b and Carl-Jørgen Arume,f,g,h,*

Author information Article notes Copyright and License information Disclaimer

Go to:

Abstract

背景 粘液电磁振荡器砾石精 (ESWL) 将要被更为昂贵和前列腺癌的内窥镜病患所取代。整合AI (AI) 增强型 ESWL，并研究成果机探头努力学习可以减低 ESWL 药用价个将近的潜质。 新设计、分设和旁观者 二维MRI摄像机是在 ESWL 病患此后从放有摄像机采集探头的在新线MRI仪器当中脱逃。一名通过通过观察将 11 位病人的 23 212 张绘出详见标有为对特为或离特为。当中位命当中亲率是通过为了让在病人高度上测算的。不具 U-Net 架构的滤波神经的网络在 57 幅MRI绘出详见上来进行体能训练，这些绘出详见刻画了来自同一病人的肾病变，并由第二位通过通过观察来进行了编者。在第一个通过通过观察编者的MRI绘出详见上试验了 U-Net。适用九名病人的体能训练集、一名病人的有效适度集和一名病人的试验集来进行交错有效适度。结果测生产量和人口统计量化 测算了描述新线适度系统可靠适度的当今量化，以及对解法则如何不良影响电磁振荡器命当中亲率的据估计。结果 标准化 ESWL 的当中位命当中亲率为 55.2%（95% 将近学量化方法则 [CI] 43.2–67.3%）。U-Net 的可靠适度量化是准确适度 63.9%、灵敏度 56.0%、依赖适度 74.7%、白血病预期个将近 75.3%、白血病预期个将近 55.2%、Youden's J 人口统计 30.7%、无资讯亲率 58.0% 和 Cohen's κ 0.2931。该解法则将出错总将近减低了 67.1%。主要所致限制是这是一项仅仅涉及 11 名病人的种概念有效适度研究成果。观点 我们测算出的 ESWL 命当中亲率为 55.2%（95% CI 43.2–67.3%），拥护后期研究成果的结果。我们早就证明，仅仅对 11 名病人来进行体能训练的机探头努力学习解法则将命当中亲率减低到 75.3%，并将犯错减低了 67.1%。当 U-Net 在更为多和极高质生产量的编者上来进行体能训练时，可以欣慰更为好的结果。

总结 肾病变可以通过电磁振荡器来病患。十二指肠的MRI敬影使用为了让机探头发出电磁振荡器，但电磁振荡器仍可能就会漏掉病变。我们适用AI来减低击当中将要处置的石子的准确适度。关键词：粘液电磁振荡器砾石精，肾病变，AI，机探头努力学习，神经的网络

Introduction .

尿石症是一种越发常见的疟疾，给病人和医疗保健都助较宽了沉重的开销。尿石症的患病亲率在亚太地区范围内各不不尽相同，从 4% 到 20%。自 1980 年 Chaussy 等人报道粘液电磁振荡器砾石精 (ESWL) 病患尿石症以来，它已带进最中用的病患方案。电磁振荡器砾石的技能是 ESWL 的基础，其药用价个将近取决于电磁振荡器撞击病变的技能。ESWL、经皮肾镜取石精 (PCNL) 和小管肾镜检验/较宽周期肾内手精 (URS/RIRS) 是有症状的尿石症的主要病患权衡 。其当中，ESWL 是前列腺癌很小、肾衰竭多达的量化方法则。一项年末 20 年的亚太地区研究成果认出，URS/RIRS 的总病患占有亲率增加了 17%，PCNL 保证基本上，ESWL 减低了 14.5%。另一项调查尿石症病患古书发展趋势的研究成果说明，关于 URS/RIRS 和 PCNL 的专著分别增加了 171% 和 279%，而关于 ESWL 的专著减低了 17%。ESWL 药用价个将近的减低确实就会增加便病患亲率、手精室整整、期望、内窥镜仪器的适用和肾衰竭暴发亲率，从而敬着增加医疗保健整合成本。自测算机诞生以来，人们之同一时外决心新设计极为需与人类文明智能挑战的测算机。这是通过十分相似人类文明认知特适度来实现的，这一种概念被统称AI (AI)。机探头努力学习 (ML) 是一种通过较宽处努力学习的AI [12]。早就整合并试验了几种使用尿路病变的非机探头努力学习解法则，但从未一种解法则在诊疗实践当中得到广泛选用。早就证明，ML 解法则在绘出详见量化多方面的详见现比起诊疗医生 。在行政官员努力学习当中，解法则被赋予标示将近据，例如有病变和从未病变的十二指肠的MRI绘出详见，以体能训练它区分“病变”绘出详见和“无病变”绘出详见。所致有机体神经回路启发的风行 ML 解法则都有人工神经的网络 (NN)（绘出 1A）。NN 当中的第一层统称读写层，其效用是将原始读写将近据分发到下一层 。驱动层将读写删减为整个的网络的再次驱动，在我们的实例当中要求绘出详见同一时外提都有泌尿系病变。在读写层和驱动层密切关系有“暗藏”层，这些层由也就是说组成，可以教授处置复杂疑虑。直达和层的结构详见述了 NN 的架构。

Fig. 1

(A) 简单神经的网络架构实例，都有不具两个路由器的读写层、不具三个路由器的暗藏层和不具两个路由器的驱动层。适用 Inkscape 创建人。(B) 描述不必要粗略的绘出。体能训练处置过程当中体能训练第二大个将近不断变小，如果必需种概念体能训练整整足够较宽，再次第二大个将近为零。当过粗略开始时，有效适度出错将开始增加，因为必需种概念的普遍适度技能越发更为差。最佳终止整整是有效适度曲新线上的分水岭。基于 Tretyakov的绘出详见。(C) 来自 Yani 等人知识对等署名 3.0 准许）的绘出详见敬示第二大池立体化和少于池立体化对读写来进行下生产量立体化。在第二大池立体化当中，读写被分成几外，每个外的最高个将近说明了驱动。在少于池立体化当中，每个外的少于个将近说明了了驱动。NN 体能训练有时候适用优立体化探头来实现，该优立体化探头旨在通过反向传扬来举例来说死伤函将近。死伤函将近的效用是衡生产量解法则对给定将近据可视化的技能（例如，标记肾病变），其个将近使用更为新的网络也就是说以举例来说第二大个将近。为了研究成果 NN 的某种高度，确实适用与使用体能训练的将近据不尽相同的将近据对其来进行有效适度。在体能训练此后监控有效适度死伤：随着的网络的删减，有效适度第二大个将近随着体能训练第二大个将近而变小。然而，体能训练处置过程当中的一个常见疑虑是不必要粗略（绘出 1B），这有时候是必需种概念记忆体能训练将近据的结果 [19]。结果是一个必需种概念从未努力学习可普遍适度的不同之处，有时候通过有效适度死伤的发散来标记。为了防止这种情况，选用了不尽相同的体能训练战略，例如提同一时外终止和下述立体化。更为极其重要的是，在体能训练处置过程后来需并适用第三个独立自主将近据集，有时候统称试验集。试验集使用衡生产量的网络解决不可见独立自主将近据使命的技能。滤波神经的网络 (CNN) 是复杂绘出详见量化的值得一提的是 [20]。紧密结合 CNN 是为了首先标记低复杂度的不同之处，然后在更为深的层当中认出极高复杂度的不同之处 [20]。滤波系统新设计标记读写的必需不同之处（例如，新三线锥状）并说明了统称不同之处绘出的驱动。池立体化系统新设计然后对不同之处绘出来进行下生产量立体化（增加精度）以减低后续系统新设计当中对测算技能的期望。最中用的两种池立体化系统新设计是第二大池立体化和少于池立体化，如绘出 1C 下绘出。当解法则对绘出详见来进行重叠时，它就会将其重叠为语句对象 [20]，例如具体绘出详见的哪一外刻画了泌尿系病变 [16]。早就为重叠目的紧密结合了不尽相同的 CNN，其当中一个案例是 U-Net [20]。U-Net 的第一个先决条件是下生产量立体化，其当中滤波层标记绘出详见不同之处，而第二大池立体化闭包对不同之处绘出来进行下生产量立体化。在再次一个先决条件，即上生产量立体化，不同之处绘出通过上生产量立体化闭包来进行上生产量立体化，并与来自下生产量立体化先决条件的非对称不同之处绘出的副本相为基础 [20]。通过这些交错直达，可以沿用高精度不同之处，如绘出 2 下绘出。

Fig. 2

Ronneberger 等人 创建人的原始 U-Net 架构。蓝色平面代详见不同之处绘出，而白色平面代详见通过交错直达克隆的不同之处绘出。标记详见示闭包（蓝色和浅蓝色 = 滤波；灰色 = 交错直达；黄色 = 第二大池立体化；浅绿色 = 上生产量立体化）。

Patients and methods 2.

量化二维MRI绘出详见以据估计技精人员支配的 ESWL 的命当中亲率并试验 U-Net 可靠适度。为了获取绘出详见，将帧采集探头直达到 ESWL 机探头（PiezoLith 3000，Richard Wolf GmbH，Knittlingen，Germany），使用在 ESWL 此后脱逃在新线实时MRI绘出详见。每个摄像机的较宽度为 30 分钟，随机权衡 5 分钟的摄像机序列来进行编者。编者者提炼MRI样品以将每个帧标示为当病变受制于特为点周边地区 (FZ) 时“聚特为”或当病变不在 FZ 当中时“失特为”（绘出 3A）。这个处置过程是适用编者应用软件来进行的（绘出 3B）。由于病变有时候在 FZ 内或 FZ 内外连续至少两个帧，因此通过仅仅标示帧外隔的过渡期点来简立体化编者处置过程。例如，如果第一帧被标示为对特为，并且在第十帧当中暴发了离特为的过渡期，那么从开始到第十帧的所有帧都被归入为对特为。

Fig. 3

(A) 必需种概念报告病变位于特为点的框架实例，因为 ≥50% 的预期病变（黄色）在特为点周边地区（深蓝色）内。(B) 编者应用软件的屏幕截绘出。放有十字准新线的MRI摄像机敬示在上方，铰链使用浏览帧。要编者帧，编者者点击“权衡要编者的帧”并权衡将帧标示为“特为点”或“失特为”。如果病变在此帧当中受制于特为点，则编者者然后继续摄像机并终止标示病变失特为的第一帧。这两个页面密切关系的帧就会终端标示为“特为点”。浅绿色和黄色平面代详见编者者标示的帧。在编者处置过程当中，我们认出一些病变在MRI绘出详见当中不可见，并且这些病人（病症 1、3 和 9）从未都有在技精人员支配的 ESWL 的命当中亲率量化当中。多达从外部编者了 731 帧，避免多达 23 212 帧。由于MRI仪器流量脱逃15 帧，我们再次得到了 26 分钟的放编者的MRI摄像机，代详见每位病人的少于整整为 3.2 分钟。此内外，第二个编者者在假定框架当中为所有病人刻画了十二指肠和肾病变。这避免了来自多达 57 张绘出详见的十二指肠和肾病变的二元掩码。为了在肾病变重叠当中试验标准化的 U-Net 滤波的网络，它适用刻画的绘出详见来进行体能训练。为了体能训练和有效适度的网络，我们获取了十二指肠和肾病变的编者。标示十二指肠为解法则获取了一个并不一定或有关病变确实在哪里的上下文资讯，因为在整个病患处置过程当中，肾病变大致保证在十二指肠在表面上的不尽相同方位。我们来进行了基于病人的交错有效适度。通过对来自 9 名病人的帧来进行体能训练并在来自一名病人的帧上来进行有效适度，多达创建人了 11 个必需种概念。在这 11 个必需种概念当中，有 8 个在不尽相同的 23 212 个帧上来进行了试验，这些帧在 8 名病人当中标有为“对特为”或“失特为”。调查的第一个结果是技精人员支配 ESWL ，以 90 振荡器/分钟的速度连续点火的命当中亲率。命当中亲率是指撞击病变的电磁振荡器的百分比，在本研究成果当中详见述为至少 50% 的病变在 FZ 当中的击球。为了测算这个，我们需知道在一定将近生产量的帧当中病变聚特为的帧将近。每个帧由一名通过通过观察手动分配一个 0（失特为）或 1（特为点）页面，页面的大于说明了了病变在 FZ 当中的帧将近。适用 R 环境来进行人口统计编程 (www.r-project.org)，适用偏更为差校正和加速自举法则据估计每个病人的当中位命当中亲率，不具 95% 的将近学量化方法则 (CI)，以检验超出样品的结果的稳健适度据估计。通过在 SPSS 当中生成直方绘出、木箱新线绘出和正态 Q-Q 绘出，并通过拒绝执行 Shapiro-Wilk 检验和和峰态和偏度量化来检验病人的命当中亲率属。手动拒绝执行粗略优度的 χ2 检验和以具体命当中亲率同一时外提均匀属并再次要求重叠同一时外提适宜。p 个将近

为了据估计 U-Net 解法则的可靠适度，将将近据读写 R 以创建人相混不同之处个将近（详见 1），其当中的必需实情是编者将近据。解法则从未验证到石子的帧不都有在相混不同之处个将近当中。然后适用 R 来测算界定必需种概念可靠适度的当今量化：准确适度、敏感适度、依赖适度、白血病预期个将近 (PPV)、白血病预期个将近 (NPV)、风行亲率、检出亲率、验证风行亲率、平衡准确适度、Youden's J 人口统计生产量、无资讯亲率和 Cohen 的 κ。详见 2 当中获取了对这些个将近的理解。然后，我们通过将标有为特为点的帧将近除以真白血病将近来据估计 U-Net 支配的 ESWL 相较于技精人员支配的 ESWL 的病患整整。通过将相较处置整整除以真白血病将近，便除以编者为失特为的帧将近，我们据估计了 U-Net 将如何不良影响出错将近。给定 90/min 的电磁振荡器速亲率，测算技精人员支配的 ESWL 和 U-Net 支配的 ESWL 的每分钟命当中将近。通过对 R 当中 5000 个帧样品来进行偏更为差校正和加速为了让，测算每位病人的当中位命当中亲率和 95% CI（详见 3）。详见格1 在相混不同之处个将近当中的组织的相混不同之处个将近新设计和试验将近据（编者为聚特为或失特为的绘出详见）

In focus (annotator)

Out of focus (annotator)

Total

Design

In focus (AI)

TP

FP

TP + FP

Out of focus (AI)

FN

TN

FN + TN

Total

TP + FN

FP + TN

TP + FP + FN + TN

Test data

In focus (AI)

5987

1961

7948

Out of focus (AI)

4700

5792

10 492

Total

10 687

7753

18 440

AI = artificial intelligence; TP = true positive; FP = false positive; FN = false negative; TN = true negative.

Table 2

描述新线适度系统可靠适度的极为极其重要人口统计将近据简介

Statistic

Definition

Accuracy

TP+TNTP+FP+TN+FN

Sensitivity

TPTP+FN

Specificity

TNTN+FP

Positive predictive value (PPV)

TPTP+FP

Negative predictive value (NPV)

TNTN+FN

Prevalence

TP+FNTP+FP+FN+TN

Detection rate

TPTP+FP+FN+TN

Detection prevalence

TP+FPTP+FP+FN+TN

Balanced accuracy

Sensitivity+Specificity2

Youden’s J statistic

Sensitivity+Specificity−1

No-information rate:

If (TP+FN)>(FP+TN)

TP+FNTP+FP+FN+TN

If (FP+TN)>(TP+FN)

FP+TNTP+FP+FN+TN

Table 3

通过自举法则据估计的每位病人的技精人员支配的粘液电磁振荡器砾石精的当中位命当中亲率

Patient

Frames in focus (n)

Total frames (N)

Median hit rate, % (95% CI)

1

–

–

–

2

1588

2974

53.4 (51.6–55.1)

3

–

–

–

4

1414

2397

59.0 (57.0–61.0)

5

1774

2798

63.4 (61.6–65.2)

6

1851

3382

54.7 (53.0–56.4)

7

1697

3544

47.9 (46.2–49.5)

8

2082

3926

53.1 (51.5–54.6)

9

–

–

–

10

789

3699

21.3 (20.0–22.7)

11

438

492

89.0 (86.2–91.7)

Total

11 633

23 212

55.2 (43.2–67.3)

CI = confidence interval.

经周边地区委员就会检验后，获取适用从病人记录iTunes的博客MRI摄像机的书面准许（参考E 2014/2261）。

Results 3.

病人的命当中亲率呈正态属，如绘出 4A-D 下绘出。这得到了偏度 (z = −0.005) 和峰度 (z = 1.73) 的量化以及 Shapiro-Wilk 检验和 (p> 0.05) 的拥护。然后手动拒绝执行 χ2 粗略优度检验和，然后在 R 当中来进行支配。通过将该病人的总帧将近除以重叠少于命当中亲率 (50.12%) 来测算每个病人的预期命当中亲率。不具七个复杂适度的 χ2 个将近为 927.4，p 个将近

Open in a separate window

Fig. 4

(A) 技精人员支配的粘液电磁振荡器砾石精 (ESWL) 的命当中亲率直方绘出。该属类似于正态属，尽管不具一定高度的峰度。然而，峰态 z 个将近在人口统计上极为敬着。(B) 技精人员支配的 ESWL（x 径向）的命当中亲率（y 径向）的木箱新线绘出，敬示与正态属恰当的近似非对称属。病人 10 和 11 是异常个将近。(C) 技精人员支配的 ESWL 命当中亲率的正常 Q-Q 绘出。这些点临近新线，这有时候详见示正态属。尽管如此，点如何为中心新线的组织或许依赖于一种发展趋势，这说明属仅仅可能就会极为正常。(D) 命当中亲率第 95 个百分位的收敛。随着为了让递归次将近的增加，两个连续个将近密切关系的相较更为差异渐趋零。勉强从原来的 8 个样品当中提炼 6435 个不尽相同的样品。这所致限制了我们可以为了让的样品将近生产量，因为增加为了让样品的将近生产量就会增加多次提炼不尽相同样品的可能就会适度。为了认出最佳的 bootstrap 样品将近生产量，我们揭示了需多少个 bootstrap 样品才能稳定第 95 个百分位将近。这敬示在绘出详见当中，x 径向上是自举样品的将近生产量，y 径向上是第 95 个百分位将近的变立体化。很轻微，在2000-3000个样品的bootstrapping后变立体化

该解法则不能在 20.6% 的帧当中认出石子，因此它们从未都有在量化当中。对于剩余的 18 440 帧，测算了预期的石子周边地区和 FZ 密切关系的交叠高度。≥50% 的交叠被相信是“特为点”。适用编者探头作为必需实情将试验结果的组织在 R 当中的相混不同之处个将近当中，并测算可靠适度（详见 1）。该解法则认出 58.0%（某种高度）的帧有特为点病变（详见 4）。该解法则的统计分析为 63.9%，这意味著它恰当地将 63.9% 的帧界定为“对特为”或“失特为”。在病变聚特为的帧当中，解法则极为需将分之一一半归入为“聚特为”，因为灵敏度为 56.0%。该解法则更为多才多艺对“失特为”的病变来进行界定，依赖适度为 74.7%。PPV（解法则恰当界定为“对特为”的帧将近）为 75.3%，NPV（解法则恰当界定为“失特为”的帧将近）为 55.2%。值得注意，如果砾石机根据解法则点火电磁振荡器，则 PPV 相异于命当中亲率。检出亲率为 32.5%，而检出亲率要高得多，为 43.1%，说明依赖于大生产量引起争议（当石子仅仅“失特为”时，AI 将帧界定为“对特为”）。Youden's J 人口统计生产量为 30.7%（标准化：>0），Cohen's κ 为 0.2931（标准化：>0），无资讯亲率为 58.0%（大于统计分析），解法则可靠适度比起随机猜测同一时外提病变在特为点内或特为点内外，说明它可以恰当MRI绘出详见当中的肾病变。相较于系统新设计者支配的 ESWL，病患整整为 1.94 (11 633/5 987)，而误系统新设计亲率为系统新设计者支配的 ESWL 的 32.9% ([1.94 × 1961]/[23 212 – 11 633])。技精人员支配的 ESWL 每分钟击石 45 次 (90/min × 11 633/23 212)，而 U-Net 支配的 ESWL 每分钟击石 23 次 (90/min × 5987/23 212)。

Table 4

在编者为对特为或离特为的MRI绘出详见上试验时，U-Net 必需种概念的测算可靠适度人口统计将近据

Statistic

Value

Accuracy (%)

63.9

Sensitivity (%)

56.0

Specificity (%)

74.7

Positive predictive value (%)

75.3

Negative predictive value (%)

55.2

Prevalence (%)

58.0

Detection rate (%)

32.5

Detection prevalence (%)

43.1

Balanced accuracy (%)

65.4

Youden’s J statistic (%)

30.7

No-information rate (%)

58.0

Cohen’s κ

0.2931

Discussion 4.

研究成果结果说明，优立体化 ESWL 命当中亲率有相当大的潜质，因为我们据估计适用 U-Net 神经的网络支配 ESWL 和其会电磁振荡器的总将近可以将技精人员支配的命当中亲率从 55.2% 减低到 75.3%，再次使手精对病人更为安全。据估计命当中亲率的形式有几个所致限制和敌人。首先，编者者（一名医学生）在MRI绘出详见理解多方面缺乏较宽处；其次，由于绘出详见精度低，很难具体石子的确切边界，这是我们在编者处置过程当中遇上的一个极其重要疑虑。由于暗室-敬影探头系统本身的质生产量以及在电磁振荡器点火此后暗室需要夹住，因此精度高于。从未来的的产品可能就会是将牵涉到同一时外测算机断层敬影 (CT) 绘出详见与MRI绘出详见配准，这可能就会就会使编者者更为容易通过敦促病变相较于十二指肠的方位来来进行恰当的编者。 另一个疑虑是我们生产量立体化的MRI绘出详见来自病患的同一时外 5 分钟。在病患处置过程当中，病变逐渐碎裂，因此愈发更为难标记（对于光影也是如此），因此我们适用的样品需要代详见整个病患处置过程。然而，当结宝愈发根本不能标记时，它与我们的量化无关，因为编者者不能具体结宝同一时外提在特为点上。病人密切关系的据估计命当中亲率呈正态属，说明它们不具代详见适度。我们将电磁振荡器击当中详见述为病变和 FZ 密切关系 50% 的交叠可能就会不是最佳的，因为大块击当中也可能就会避免碎裂，从而避免对击当中亲率的敬然。当我们排除病人 1、3 和 9 时，可能就会就会转用偏更为差，因为他们的病变在MRI上缺乏可见适度。对于技精人员支配的 ESWL，技精人员也不能通过MRI有别于他们的病变，因此需定期来进行光影。因此，技精人员对结宝实时方位的支配较少，并且可能就会就会牵牛更为多的整整失特为。如果相反这些病人的绘出详见，技精人员支配的命当中亲率可能就会就会被归因于。该解法则的体能训练和可靠适度试验也有一些局限适度和敌人。该解法则在从未由第二个从未较宽处的通过通过观察编者的十字准新线的将近据上来进行了体能训练和有效适度。因此，体能训练集可能就会都有有假白血病病变，所致限制了解法则恰当努力学习病变的潜质。一些体能训练和有效适度编者是对根本不能标记病变的MRI绘出详见（都有病人 1、3 和 9）来进行的，增加了有假白血病病变的概亲率。

该解法则仅仅对来自 11 名病人的 57 张绘出详见来进行了体能训练。体能训练集敬然难以优立体化解法则药用价个将近，如果都有更为多病人并且有较宽处的放射科医生适用 CT 获取准确的编者，则该解法则不具敬着的删减潜质。与据估计技精人员支配的命当中亲率一样，交叠据估计也是可靠适度试验当中的一个疑虑。试验集由一名医学生编者，他通过对病变和 FZ 交叠的半主观视觉效果检验来检验病变同一时外提在特为点上。相较之下，该解法则是在刻画病变的绘出详见上来进行体能训练的。当布料标示病变大块时，测算机软件可以比人类文明视觉效果检验交叠更为准确地测算病变和 FZ 交叠。因此，尽管试验集编者探头和解法则可能就会在试验集绘出详见当中的病变方位上完全恰当，但他们可能就会就会据估计不尽相同高度的石子-FZ 交叠，从而避免对病变同一时外提在特为点上的分歧。这尤其与 FZ 内比起 50% 的结宝有关。在这些情况下，即使交叠据估计的微小更为差异也可能就会不良影响“聚特为”与“聚特为”的要求。这避免描述解法则可靠适度的量化依赖于更为多不具体适度。 适用两个不尽相同的从未较宽处的编者探头有一些额内外的敌人。该解法则首先了解其当中一个编者者将什么理解为病变，然后根据另一个编者者将什么理解为病变来进行试验。这里的一个疑虑是通过通过观察外的可变适度，我们证实这一点很极其重要：两个编者探头的相对敬示不反之亦然亲率为 37.5%。这意味著该解法则永远就会在试验集上平庸直通，因为体能训练集和试验集的编者者在石子边界的详见述上依赖于分歧。实情上，权衡通过通过观察外的可变适度而不是只适用一个通过通过观察增强了我们的量化的期望，说明该解法则不具病变技能。 如果该解法则在标记病变多方面愈发比起试验集编者探头，则量化将敬然解法则的可靠适度。为了查看解法则的详见现同一时外提轻微比起说明了的量化，我们所在方位检验了几个解法则预期病变的MRI摄像机，并在体能训练集当中适用的不尽相同种类的编者上试验了体能训练解法则。在查看结果后，该解法则轻微比起试验集编者的想法则被断然拒绝了。 我们发表意见了处置解法则从未验证到病变的帧，就像解法则报告病变“失特为”一样。除了灵敏度增加（51.2%）内外，这将避免所有 AI 可靠适度参将近的删减。最个将近得注意的是，我们看不到准确适度减低到 67.0%，依赖适度减低到 83.0%，Youden's J 人口统计生产量减低到 34.2%。以这种形式量化将近据的观点是，从未验证到的病变就会被射当中，从而增加了病患肾衰竭的不确定适度。话虽如此，我们权衡不这样做到，因为我们不能支配解法则从未验证到石子的帧同一时外提有石子，这就会避免解法则的技能被归因于。此内外，它就会不良影响PPV，PPV可以说是量化重大项目当同一时外状态下解法则可靠适度时极为极其重要的参将近。 我们极为需具体三项研究成果，据估计 ESWL 命当中亲率在 40% 到 60% 密切关系。与其他研究成果相较，据估计的 55.2% 的命当中亲率受制于较差的范围内，但广泛的 95% CI (43.2-67.3%) 与他们的通过观察结果更加十分相似。命当中亲率和小样品生产量的不尽相同详见述所致限制了这些研究成果的某种高度。 当今世界，还从未关于使用在MRI绘出详见当中有别于泌尿系病变以来进行 ESWL 病患的 ML 解法则的出版物。Singla 等人先前在适用 RetinaNet 来进行 ESWL 病患此后适用光影有别于尿路病变，并适用不尽相同的 ML 解法则实现了 70% ± 10% 的精度。

我们的解法则可以通过在病变失特为时终止砾石机点火电磁振荡器来实现。还可以添加类似于 Singla 等人 适用的解法则来创建人一个同时适用MRI和光影的量化方法则，这可能就会就会进一步减低对病变技能。早就说明，60-90 的病患振荡器亲率产生最佳的无石亲率，但确实注意的是，该亲率是基于对不尽相同恒定亲率的试验，无论病变同一时外提在特为点周边地区内。当同一时外的 ESWL 病患程序每次病患适用分之一 3000-4000 次振荡器，命当中亲率为 50%，避免分之一 2000 次命当中。解法则支配的 ESWL 可能就会只需 2000 次电磁振荡器，从而减低病患整整。实情上，可以增加电磁振荡器亲率，这样当病变穿过特为点周边地区时，它就可以被多次击当中。我们的小组先同一时外从未发详见的研究成果结果说明，病变在汗液结束时相较瞬时（绘出 5）。在解法则支配的 ESWL 当中可以更为好地利用这一生理实情，当病变在每次汗液结束时瞬时在特为点周边地区内时，电磁振荡器以极高的速亲率点火。该解法则权衡了整个肾像，而不仅仅仅仅是病变本身，因此解法则支配的 ESWL 的另一个潜在优点是，当病变经常在两个MRI上愈发不明确时，可以在病患处置过程的后期保证命当中亲率和光影。在该解法则在诊疗实践当中实施之同一时外，确实对更为多和极高质生产量的编者来进行体能训练和试验，不错由泌尿放射科医生适用预处置 CT 的资讯来进行体能训练和试验。体能训练集的标有也确实在几个不尽相同的部门来进行，以减低 ML 解法则的普遍适度技能。

Fig. 5Kragset 的绘出详见展示了一个呼吸周期当中泌尿系病变的建模文学运动。每个点代详见病变在特定整整点的方位。当点密切关系的新线较较宽时，文学运动就相当大。汗液结束时的点彼此更加比起，这意味著病变几乎打转——这是上弹病变的最佳整整外隔。

Conclusions 5.

据估计技精人员支配的 ESWL 命当中亲率为 55.2%（95% CI 43.2–67.3%），这意味著分之一一半的电磁振荡器从未击当中石子。解法则支配的 ESWL 将命当中亲率减低到约 75.3%，并使漏石的电磁振荡器总将近减低了约 67.1%。结果说明，在更为好的编者上体能训练和试验的 U-Net 神经的网络将极为需减低 ESWL 的药用价个将近。