Искусственный интеллект и нейронные сети в урологии

Искусственный интеллект и нейронные сети в урологии

Автор: Щамхалова К.К., Меринов Д.С., Артемов А.В., Гурбанов Ш.Ш.

Журнал: Экспериментальная и клиническая урология @ecuro

Рубрика: Экспериментальная урология

Статья в выпуске: 2 т.16, 2023 года.

Бесплатный доступ

Введение. Обзор посвящен анализу мирового опыта применения искусственного интеллекта в медицине и урологии. Материалы и методы. Обзор проведен на основе данных, опубликованных в базах PubMed, Научной электронной библиотеки eLibrary.ru и сайтах профессиональных медицинских ассоциаций. В статью отобрано 43 научных публикаций. Результаты. В обзоре литературы подробно рассмотрены виды нейросетей и особенности их применения. Особое внимание уделено использованию искусственного интеллекта в медицинской визуализации, в частности в урологии. Представлены последние публикации об эффективности и точности разработки применения метода коннеционизма в искусственной нейронной сети (ИНС). Изложены данные о преимуществе и недостатке искусственного интеллекта для прогностической модели. Также нами рассмотрены основные ошибки, отображенные в публикациях, касающиеся недостоверных или некачественно созданных нейросетей и исследований при применении ИНС для клинической практики. Выводы. Применение нейросетей как инструмента в ежедневной клинической практике специалиста все еще ограничено. Главными проблемами остаются недостоверность созданных моделей и отсутствие удобных в работе алгоритмов.

Еще

Искусственная нейронная сеть, искусственный интеллект, машинное обучение, урология

Короткий адрес: https://sciup.org/142239000

IDR: 142239000   |   DOI: 10.29188/2222-8543-2023-16-2-32-37

Список литературы Искусственный интеллект и нейронные сети в урологии

  • Mintz Y, Brodie R. Introduction to artificial intelligence in medicine. Minim Invasive Ther Allied Technol 2019;28(2):73–81. https://doi.org/10.1080/13645706.2019.1575882.
  • Leape LL, Berwick DM, Bates DW. What Practices Will most improve safety? Evidence-based medicine meets patient safety. JAMA 2002;288(4):501–7. https://doi.org/10.1001/jama.288.4.501.
  • Hameed BMZ, Shah M, Naik N, Rai BP, Karimi H, Rice P., et al. The ascent of artificial intelligence in endourology: a systematic review over the last 2 decades. Curr Urol Rep 2021;22(10):53. https://doi.org/10.1007/s11934-021-01069-3.
  • Chen J, Asch S. Machine learning and prediction in medicine: beyond the peak of inflated expectations. N Engl J Med 2017;376(26):2507–09. https://doi.org/10.1056/NEJMp1702071.
  • Cabitza F, Rasoini R, Gensini GF. Unintended consequences of machine learning in medicine. JAMA 2017;318(6):517–8. https://doi.org/10.1001/jama.2017.7797.
  • Lee JG, Jun S, Cho YW, Lee H, Kim GB, Seo JB, Kim N. Deep learning in medical imaging: general overview. Korean J Radiol 2017;18(4):570–84. https://doi.org/10.3348/kjr.2017.18.4.570.
  • Kohli M, Prevedello L, Filice R, Geis JR. Implementing machine learning in radiology practice and research. AJR Am J Roentgenol 2017;208(4):754–60. https://doi.org/10.2214/AJR.16.17224.
  • Andresen SL. John McCarthy: father of AI. Intell Syst IEEE 2002;17(5):84–5. https://doi.org/10.1109/MIS.2002.1039837.
  • Klot CA, Kuczyk MA. Künstliche intelligenz und neuronale netze in der urologie. [Artificial intelligence and neural networks in urology]. Die Urologie 2019;58(3):291–9. https://doi.org/10.1007/s00120-018-0826-9.
  • Newell A, Simon HA. Computer science as empirical inquiry: symbols and search. Commun ACM 1976;19(3):113–126. https://doi.org/10.1145/360018.360022.
  • Tran WT, Sadeghi-Naini A, Lu FI, Gandhi S, Meti N, Brackstone M, et al. Computational radiology in breast cancer screening and diagnosis using artificial intelligence. Can Assoc Radiol J 2021;72(1):98–108. https://doi.org/10.1177/0846537120949974.
  • Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017;542(7639):115–8. https://doi.org/10.1038/nature21056.
  • Bar A, Wolf L, Amitai O, Toledano E, Einekave E. Compression fractures detection on CT. J Med Imaging 2017;10134:10134. https://doi.org/10.1117/12.2249635.
  • Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 2016; 316(22):2402–10. https://doi.org/10.1001/jama.2016.17216.
  • Laukamp KR, Thiele F, Shakirin G, Zopfs D, Faymonville A, Timmer M, et al. Fully automated detection and segmentation of meningiomas using deep learning on routine multiparametric MRI. Eur Radiol 2018;29(1):124–32. https://doi.org/10.1007/s00330-018-5595-8.
  • Djavan B, Remzi M, Zlotta A, Seitz C, Snow P, Marberger M. Novel artificial neural network for early detection of prostate cancer. J Clin Oncol 2002;20(4):921–9. https://doi.org/10.1200/ JCO.2002.20.4.921.
  • Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994;152(5 Pt 2):1923–6. https://doi.org/10.1016/ s0022-5347(17)32416-3.
  • Nguyen TH, Sridharan S, Macias V, Kajdacsy-Balla A, Melamed J, Do MN, et al. Automatic Gleason grading of prostate cancer using quantitative phase imaging and machine learning. J Biomed Opt 2017;22(3):36015. https://doi.org/10.1117/1.JBO.22.3.036015.
  • Algohary A, Viswanath S, Shiradkar R, Ghose S, Pahwa S, Moses D, et al. Radiomic features on MRI enable risk categorization of prostate cancer patients on active surveillance: preliminary findings. J Magn Reson Imaging 2018;(48):818–28. https://doi.org/10.1002/jmri.25983.
  • Jendeberg J, Thunberg P, Lidén M. Differentiation of distal ureteral stones and pelvic phleboliths using a convolutional neural network. Urolithiasis 2021;49(1):41–9. https://doi.org/10.1007/ s00240-020-01180-z.
  • Parakh A, Lee H, Lee JH, Eisner BH, Sahani DV, Do S. Urinary stone detection on CT images using deep convolutional neural networks: evaluation of model performance and generalization. Radiol Artif Intell 2019;1(4):e180066. https://doi.org/10.1148/ryai.2019180066.
  • Степанов П. Искусственные нейронные сети. Молодой ученый 2017;138(4):185–7. [Stepanov P. Artificial neural networks. Molodoy uchenyy = Young scientist 2017;138(4):185–7. (In Russian)].
  • Zendehdel R, Masoudi-Nejad A, H Shirazi F. Patterns prediction of chemotherapy sensitivity in cancer cell lines using FTIR spectrum, neural network and principal components analysis. Iran J Pharm Res 2012;11(2):401–10.
  • Aminsharifi A, Irani D, Pooyesh S., Parvin H, Dehghani S, Yousofi K, et al. Artificial neural network system to predict the postoperative outcome of percutaneous nephrolithotomy. J Endour 2017; 31(5):461–7. https://doi.org/10.1089/end.2016.0791.
  • Ганцев Ш.Х., Зимичев А.А., Хрисанов Н.Н., Клементьева М.С. Применение нейронной сети в прогнозировании рака мочевого пузыря. Медицинский Вестник Башкорто- стана 2010;(3):44–46. [Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N, Klementyeva M.S. Application of a neural network in predicting bladder cancer. Meditsinskiy vestnik Bashkortostana = Bashkortostan Medical Journal 2010;(3):44–6. (In Russian)].
  • Аполихин О.И., Ефремов Е.А., Шадеркин И.А., Золотухин О.В., Мадыкин Ю.Ю., Зеленский М.М. Прогнозирование развития эректильной дисфункции и сердечно-сосудистых заболеваний на основании профиля факторов риска. Экспериментальная и клиническая урология 2017;(4):34–41. [Apolikhin O.I., Efremov E.A., Shaderkin I.A., Zolotuhin O.V., Madykin Yu.Yu., Zelenskiy M.M. Prediction of development of erectile dysfunction and cardiovascular diseases based on the risk factors profile. Eksperimentalnaya i klinicheskaya urologiya= Experimental and Clinical Urology 2017;(4):34–41. (In Russian)].
  • Голованов С.А., Сивков А.В., Просянников М.Ю., Дрожжева В.В. Метаболические факторы риска и формирование мочевых камней. Исследование IV: Прогнозирование химического состава камня in vivo по метаболическим показателям. Экспериментальная и клиническая урология 2018;(4):54–63. [Golovanov S.A., Sivkov A.V., Prosyannikov M.Yu., Drozhzheva V.V. Metabolic risk factors and urinary stone formation. Study IV: Prediction of the chemical composition of the stone in vivo according to metabolic parameters. Eksperimentalnaya i klinicheskaya urologiya = Experimental and Clinical Urology 2018;(4):54–63. (In Russian)].
  • Zhu XH, Yang MY, Xia HZ, He W, Zhang ZY, Liu YQ, et al. Application of machine learning models in predicting early stonefree rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019;51(4):653–9. https://doi.org/10.19723/ j.issn.1671-167X.2019.04.010.
  • Seckiner I, Seckiner S, Sen H, Bayrak O, Dogan K, Erturhan S. A neural network — based algorithm for predicting stone-free status after ESWL therapy. Intl Braz J Urol 2017;43(6):1110–4. https://doi.org/10.1590/S1677-5538.IBJU.2016.0630.
  • Коцарь А.Г., Серегин С.П., Новиков А.В. Автоматизированная система поддержки принятия решений уролога по прогнозированию и профилактике камнеобразования при мочекаменной болезни. Урология 2013;(5):16–20. [Kotsar A.G., Seregin S.P., Novikov A.V. Automated urologist decision support system for the prediction and prevention of stone formation in urolithiasis. Urologiya = Urology 2013;(5):16–20. (In Russian)].
  • Капсаргин Ф.П., Ершов А.В., Зуева Л.Ф., Мылтыгашев М.П., Бережной А.Г. Применение нейронных сетей в выборе метода лечения мочекаменной болезни. Омский научный вестник 2015;1(138):68–70. [Kapsargin F.P., Ershov A.V., Zueva L.F., Myltygashev M.P., Berezhnoy A.G. The use of neural networks in the choice of treatment for urolithiasis. Omskiy Nauchnyy Vestnik = Omsk Scientific Bulletin 015;1(138):68–70. (In Russian)].
  • Ершов А.В., Неймарк А.И., Капсаргин Ф.П., Бережной А.Г., Винник Ю.Ю. Использование нейронных алгоритмов при выборе метода оперативного лечения мочекаменной болезни. Урология 2021;(4)47–52. [Ershov A.V., Neymark A.I., Kapsargin F.P., Berezhnoy A.G., Vinnik Y.Y. The use of neural algorithms when choosing a method of surgical treatment of urolithiasis. Urologiya = Urology 2021;(4):47–52. (In Russian)]. https://doi.org/10.18565/urology.2021.4.47-52.
  • Park SH, Han K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction. Radiology 2018;286(3):800-9. https://doi.org/10.1148/radiol.2017171920.
  • Pellegrini E, Ballerini L, Hernandez MDCV, Chappell FM, González-Castro V, Anblagan D, et al. Machine learning of neuroimaging for assisted diagnosis of cognitive impairment and dementia: a systematic review. Alzheimers Dement (Amst) 2018;10:519–35. https://doi.org/10.1016/ j.dadm.2018.07.004.
  • Schnack HG, Kahn RS. Detecting neuroimaging biomarkers for psychiatric disorders: sample size matters. Front Psychiatry 2016;7:50. https://doi.org/10.3389/fpsyt.2016.00050.
  • Balki I, Amirabadi A, Levman J, Martel AL, Emersic Z, Meden B, et al. Sample-size determination methodologies for machine learning in medical imaging research: a systematic. Can Assoc Radiol J 2019;70(4):344–53. https://doi.org/10.1016/j.carj.2019.06.002.
  • Tang A, Tam R, Cadrin-Chênevert A, Guest W, Chong J, Barfett J, et al. Canadian Association of Radiologists white paper on artificial intelligence in radiology. Can Assoc Radiol J 2018;69(2):120–135. https://doi.org/10.1016/j.carj.2018.02.002.
  • Пранович А.А., Исмаилов А.К., Карельская Н.А., Костин А.А., Кармазановский Г.Г., Грицкевич А.А. Искусственный интеллект в диагностике и лечении мочекаменной болезни. Российский журнал телемедицины и электронного здравоохранения 2022;8(1)42–57. [Pranovich A.A., Ismailov A.K., Karelskaya N.A., Kostin A.A., Karmazanovsky G.G., Gritskevich A.A. Artificial intelligence in the diagnosis and treatment of kidney stone disease. Rossiyskiy zhurnal telemeditsiny i elektronnogo zdravookhraneniya = Russian Journal of Telemedicine and E-Health 2022;8(1)42–57. (In Russian)]. https://doi.org/10.29188/2712-9217-2022-8-1-42-57.
  • Lakhani P, Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology 2017;284(2):574–82. https://doi.org/10.1148/radiol.2017162326.
  • Rafferty EA, Park JM, Philpotts LE, Poplack SP, Sumkin JH, Halpern EF, et al. Assessing radiologist performance using combined digital mammography and breast tomosynthesis compared with digital mammography alone: results of a multicenter, multireader trial. Radiology 2013;266(1):104–13. https://doi.org/10.1148/radiol.12120674.
  • Rodriguez-Ruiz A, Lång K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, et al. Stand-alone artificial intelligence for breast cancer detection in mammography: comparison with 101 radiologists. J Natl Cancer Inst 2019;111(9):916–22. https://doi.org/10.1093/jnci/djy222.
  • McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. International evaluation of an AI system for breast cancer screening. Nature 2020;577(7788):89–94. https://doi.org/10.1038/s41586-019-1799-6.
  • New F, Somani BK. A complete world literature review of quality of life in patients with kidney stone disease. Curr Urol Rep 2016;17(12):88. https://doi.org/10.1007/s11934-016-0647-6.
  • Geraghty R, Jones P, Herrmann T, Aboumarzouk O, Somani BK. Ureteroscopy seems to be clinically and financially more cost efective than shock wave lithotripsy for stone treatment: systematic review and meta-analysis. World J Urol 2018;36(11):1783–93. https://doi.org/10.1007/ s00345-018-2320-9.
  • Constanti M, Calvert RC, Thomas K, Dickinson A, Carlisle S. Cost analysis of ureteroscopy (URS) vs extracorporeal shockwave lithotripsy (ESWL) in the management of ureteric stones <10 mm in adults: a UK perspective. BJU Int 2020;125(3):457–66. https://doi.org/10.1111/bju.14938.
Еще
Статья научная
SciUp 2024 © 2024 ©