人工智能在游离冲击波碎石术中的应用

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 体除此以外闪光沙土奥义 (ESWL) 刚刚被越来越昂贵和前列腺癌的内窥镜放射治疗所取代。共同开发AI (AI) 加强型 ESWL，并研究者机探头自学可以充分利用 ESWL 解毒的潜质。 其设计、设置和其组织者 二维医学影像影片是在 ESWL 放射治疗长期从背著有影片采集探头的在直通医学影像电子系统中所逃逸。一名镜像将 11 位患者的 23 212 张左图象标示出为对温或离温。中所位精确度是通过便是在患者水平上幅度化的。背著有 U-Net 核心的微分机探头自学在 57 幅医学影像左图象上顺利进行培训，这些左图象刻画了来自同一患者的胃腹腔，并由第二位镜像顺利进行了评注。在第一个镜像评注的医学影像左图象上测试者了 U-Net。运用作九名患者的培训集、一名患者的恰当性集和一名患者的测试者集顺利进行横向恰当性。结果测幅度和分析分析方法 幅度化了刻画分类学探头稳定性的经典举例来说，以及对启发式如何不良影响闪光精确度的估计倍总共。结果 基准 ESWL 的中所位精确度为 55.2%（95% 置信区之间 [CI] 43.2–67.3%）。U-Net 的规格是不得而知度 63.9%、精确度 56.0%、专一性 74.7%、感染性得出倍总共 75.3%、阴性得出倍总共 55.2%、Youden's J 分析 30.7%、无反馈百余人 58.0% 和 Cohen's κ 0.2931。该启发式将误解总计下降了 67.1%。主要上限是这是一项仅有涉及 11 名患者的内涵恰当性研究者。结论 我们幅度化出的 ESWL 精确度为 55.2%（95% CI 43.2–67.3%），支持早期研究者的结果。我们之前证明了，仅有对 11 名患者顺利进行培训的机探头自学启发式将精确度充分利用到 75.3%，并将误判下降了 67.1%。当 U-Net 在越来越多和能够质幅度的评注上顺利进行培训时，可以期待能够的结果。

概述 胃腹腔可以通过闪光来放射治疗。心脏的医学影像图像用作便是机探头收到闪光，但闪光仍确实漏掉腹腔。我们运用作AI来充分利用命中所刚刚处理手段的一块的不得而知性。关键词：体除此以外闪光沙土奥义，胃腹腔，AI，机探头自学，机探头自学

Introduction .

尿石症是一种日渐相似的疾病，给患者和低收入都背著来了很重的负担。尿石症的存活百余人在全世界之内各不不尽相同，从 4% 到 20%。自 1980 年 Chaussy 等人报道体除此以外闪光沙土奥义 (ESWL) 放射治疗尿石症以来，它已成为最相似的放射治疗方案。闪光沙土的支配能力是 ESWL 的基础，其解毒不同闪光撞击腹腔的支配能力。ESWL、经皮胃镜取石奥义 (PCNL) 和输尿管胃镜除此以外检查/顺行胃内放射治疗 (URS/RIRS) 是有患者的尿石症的主要放射治疗自由选择 。其中所，ESWL 是前列腺癌最小、出血最更少的新方通则。一项为期 20 年的全世界研究者发掘出，URS/RIRS 的总放射治疗比百余人增大了 17%，PCNL 持续保持不变，ESWL 下降了 14.5%。另一项核查尿石症放射治疗文献急遽的研究者说明，关于 URS/RIRS 和 PCNL 的学术著作分别增大了 171% 和 279%，而关于 ESWL 的学术著作下降了 17%。ESWL 解毒的充分利用必要不必要降较低便放射治疗百余人、放射治疗室之间隔时之间、消费、内窥镜电子系统的运用作和出血牵涉到百余人，从而实着降较低低收入效益。自幅度化机诞生以来，人们仍然期盼其设计并能与人类所智能相互竞争的幅度化机。这是通过十分相似人类所认知功能性来付诸的，这一内涵被称作AI (AI)。机探头自学 (ML) 是一种通过专业知识自学的AI [12]。之前共同开发并测试者了几种用作尿路腹腔的非机探头自学启发式，但从未一种启发式在临床实践中所得到相当多运用作。之前证明了，ML 启发式在左图象分析方法各个方面的展现比起临床药剂师 。在统筹自学中所，启发式被等同于上面取样，例如有腹腔和从未腹腔的心脏的医学影像左图象，以培训它区分“腹腔”左图象和“无腹腔”左图象。均受生物中枢神经系统线圈启蒙的盛行 ML 启发式仅有限于人工机探头自学 (NN)（左图 1A）。NN 中所的第一层称作转换成层，其关键作用是将原始转换成取样派送到下一层 。转换成层将转换成越来越改为整个网络服务的终于转换成，在我们的请提醒中所立即左图象确实涵盖消化系统系腹腔。在转换成层和转换成层彼此之之间有“伪装”层，这些层由举例来说一组，可以教授处理手段简单情况。连结和层的结构并不一定了 NN 的核心。

Fig. 1

(A) 简单机探头自学核心请提醒，仅有限于背著有两个键值的转换成层、背著有三个键值的伪装层和背著有两个键值的转换成层。运用作 Inkscape 创建人。(B) 刻画过份近似的左图。培训操作过程中所培训偏输不断减更少，如果框架培训之间隔时之间充足长，终于偏输为零。当过近似开始时，恰当性误解将开始增大，因为框架的普遍性支配能力日渐输。最佳停顿之间隔时之间是恰当性曲直通上的最较低点。基于 Tretyakov的左图片。(C) 来自 Yani 等人知识对等署名 3.0 许可）的左图象实示最大者池化和更少于池化对转换成顺利进行下抽样。在最大者池化中所，转换成被分成几部分，每个部分的最高倍总共证明了转换成。在更少于池化中所，每个部分的更少于倍总共证明了了转换成。NN 培训多半运用作改进探头来付诸，该改进探头旨在通过反向传播来举例来说死伤函总共。死伤函总共的关键作用是衡幅度启发式对确定取样建模的支配能力（例如，整合胃腹腔），其倍总共用作越来越新网络服务举例来说以举例来说偏输。为了研究者 NN 的其本质，必要运用作与用作培训的取样相异的取样对其顺利进行恰当性。在培训长期监控恰当性死伤：随着网络服务的改进，恰当性偏输随着培训偏输而减更少。然而，培训操作过程中所的一个相似情况是过份近似（左图 1B），这多半是框架知觉培训取样的结果 [19]。结果是一个框架从未自学可普遍性的相异之处，多半通过恰当性死伤的发散来整合。为了防止这种情况，运用作了相异的培训策略，例如提早停顿和下述化。越来越最重要的是，在培训操作过程之后所需并运用作第三个独立取样集，多半称作测试者集。测试者集用作衡幅度网络服务克服不可见独立取样任务的支配能力。微分机探头自学 (CNN) 是简单左图象分析方法的首选 [20]。协作 CNN 是为了首先整合较低简单度的相异之处，然后在越来越深的层中所找到能够简单度的相异之处 [20]。微分转换整合转换成的基本上相异之处（例如，直通或圆）并证明了称作相异之处左图的转换成。池化转换然后对相异之处左图顺利进行下抽样（降较低灵敏度）以下降早先转换中所对幅度化支配能力的消费。最相似的两种池化转换是最大者池化和更少于池化，如左图 1C 同上。当启发式对左图象顺利进行分立时，它不必要将其划分为自然语言对象 [20]，例如不得而知左图象的哪一部分刻画了消化系统系腹腔 [16]。之前为分立目标协作了相异的 CNN，其中所一个事例是 U-Net [20]。U-Net 的第一个过渡阶段是下抽样，其中所微分层整合左图象相异之处，而最大者池化实总共对相异之处左图顺利进行下抽样。在最后一个过渡阶段，即上抽样，相异之处左图通过上抽样实总共顺利进行上抽样，并与来自下抽样过渡阶段的菱形相异之处左图的副本相为基础 [20]。通过这些横向连结，可以延续高灵敏度相异之处，如左图 2 同上。

Fig. 2

Ronneberger 等人 创建人的原始 U-Net 核心。紫色三角形亦然相异之处左图，而黄色三角形亦然通过横向连结镜像的相异之处左图。箭头同上示实总共（黄色和白色 = 微分；粉红色 = 横向连结；黄色 = 最大者池化；紫色 = 上抽样）。

Patients and methods 2.

分析方法二维医学影像左图象以估计倍总共技工支配的 ESWL 的精确度并测试者 U-Net 稳定性。为了赢得左图象，将帧采集探头连结到 ESWL 机探头（PiezoLith 3000，Richard Wolf GmbH，Knittlingen，Germany），用作在 ESWL 长期逃逸在直通实时医学影像左图象。每个影片的弧度为 30 分钟，随机自由选择 5 分钟的影片基因组顺利进行评注。评注者所含医学影像取样以将每个帧上面为当腹腔所处热门话题区外 (FZ) 时“聚温”或当腹腔不在 FZ 中所时“失温”（左图 3A）。这个操作过程是运用作评注应用软件顺利进行的（左图 3B）。由于腹腔多半在 FZ 内或 FZ 除此以外年终超过两个帧，因此通过仅有上面帧之间隔的过渡点来标准化评注操作过程。例如，如果第一帧被上面为对温，并且在第十帧中所牵涉到了离温的过渡，那么从开始到第十帧的所有帧都被归类为对温。

Fig. 3

(A) 框架报告腹腔毗邻热门话题的框架请提醒，因为 ≥50% 的得出腹腔（黄色）在热门话题区外（黄色）内。(B) 评注应用软件的屏幕截左图。背著有十字准直通的医学影像影片实示在右侧，滑块用作浏览帧。要评注帧，评注者单击“自由选择要评注的帧”并自由选择将帧上面为“热门话题”或“失温”。如果腹腔在此帧中所所处热门话题，则评注者然后之后影片并停顿上面腹腔失温的第一帧。这两个标记彼此之之间的帧不必要自动上面为“热门话题”。紫色和黄色三角形亦然评注者上面的帧。在评注操作过程中所，我们发掘出一些腹腔在医学影像左图象中所不可见，并且这些患者（病例 1、3 和 9）从未仅有限于在技工支配的 ESWL 的精确度分析方法中所。一共直接评注了 731 帧，致使一共 23 212 帧。由于医学影像电子系统每秒逃逸15 帧，我们终于得到了 26 分钟的背著评注的医学影像影片，亦然每位患者的更少于之间隔时之间为 3.2 分钟。此除此以外，第二个评注者在给定框架中所为所有患者刻画了心脏和胃腹腔。这致使了来自一共 57 张左图象的心脏和胃腹腔的二元掩码。为了在胃腹腔分立中所测试者基准的 U-Net 微分网络服务，它运用作刻画的左图象顺利进行培训。为了培训和恰当性网络服务，我们提供者了心脏和胃腹腔的评注。上面心脏为启发式提供者了一个并不一定或有关腹腔必要在哪里的表达式反馈，因为在整个放射治疗操作过程中所，胃腹腔大致持续保持在心脏内部的不尽相同后方。我们顺利进行了基于患者的横向恰当性。通过对来自 9 名患者的帧顺利进行培训并在来自一名患者的帧上顺利进行恰当性，一共创建人了 11 个框架。在这 11 个框架中所，有 8 个在不尽相同的 23 212 个帧上顺利进行了测试者，这些帧在 8 名患者中所标示出为“对温”或“失温”。核查的第一个结果是技工支配 ESWL ，以 90 激光/分钟的速度年终导弹的精确度。精确度是仅有指撞击腹腔的闪光的倍数，在本研究者中所并不一定为超过 50% 的腹腔在 FZ 中所的击球。为了幅度化这个，我们所需真的在一定总共幅度的帧中所腹腔聚温的帧总共。每个帧由一名镜像手动重新分配一个 0（失温）或 1（热门话题）标记，标记的大于证明了了腹腔在 FZ 中所的帧总共。运用作 R 周边环境顺利进行分析面向对象 (www.r-project.org)，运用作偏输校正和慢速自举通则估计倍总共每个患者的中所位精确度，背著有 95% 的置信区之间 (CI)，以分析较低于取样的结果的稳健性估计倍总共。通过在 SPSS 中所生成直方左图、装有直通左图和正态 Q-Q 左图，并通过执行者 Shapiro-Wilk 筛选和峰态和偏度分析方法来除此以外检查患者的精确度栖息于。手动执行者近似优度的 χ2 筛选以不得而知精确度确实均匀栖息于并终于立即拆分确实适宜。p 倍总共

为了估计倍总共 U-Net 启发式的稳定性，将取样转换成 R 以创建人重名线性（同上 1），其中所的基本上实情是评注取样。启发式从未探测到一块的帧不涵盖在重名线性中所。然后运用作 R 来幅度化分类学框架稳定性的经典举例来说：不得而知性、敏感性、专一性、感染性得出倍总共 (PPV)、阴性得出倍总共 (NPV)、盛行百余人、检出百余人、探测盛行百余人、平衡不得而知度、Youden's J 分析幅度、无反馈百余人和 Cohen 的 κ。同上 2 中所提供者了对这些倍总共的说明了。然后，我们通过将标示出为热门话题的帧总共等于确感染性总共来估计倍总共 U-Net 支配的 ESWL 一般来说于技工支配的 ESWL 的放射治疗之间隔时之间。通过将一般来说处理手段之间隔时之间乘积确阴性总共，便等于评注为失温的帧总共，我们估计倍总共了 U-Net 将如何不良影响误解总共。确定 90/min 的闪光速百余人，幅度化技工支配的 ESWL 和 U-Net 支配的 ESWL 的每分钟击伤所总共。通过对 R 中所 5000 个帧取样顺利进行偏输校正和慢速便是，幅度化每位患者的中所位精确度和 95% CI（同上 3）。同上格1 在重名线性中所其组织的重名线性其设计和测试者取样（评注为聚温或失温的左图象）

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

刻画分类学探头稳定性的极为最重要分析取样概述

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

通过自举通则估计倍总共的每位患者的技工支配的体除此以外闪光沙土奥义的中所位精确度

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.

经区外委员不必要分析后，赢得运用作从患者日志iTunes的匿名医学影像影片的书面许可（参考编号 2014/2261）。

Results 3.

患者的精确度圆形均倍总共，如左图 4A-D 同上。这得到了偏度 (z = −0.005) 和峰度 (z = 1.73) 的分析方法以及 Shapiro-Wilk 筛选 (p> 0.05) 的支持。然后手动执行者 χ2 近似优度筛选，然后在 R 中所顺利进行支配。通过将该患者的总帧总共乘积拆分更少于精确度 (50.12%) 来幅度化每个患者的在短期内精确度。背著有七个自由度的 χ2 倍总共为 927.4，p 倍总共

Open in a separate window

Fig. 4

(A) 技工支配的体除此以外闪光沙土奥义 (ESWL) 的精确度直方左图。该栖息于区别于均倍总共，尽管背著有一定持续性的峰度。然而，峰态 z 倍总共在分析上并不实着。(B) 技工支配的 ESWL（x 直线）的精确度（y 直线）的装有直通左图，实示与均倍总共原则上的近似菱形栖息于。患者 10 和 11 是异常倍总共。(C) 技工支配的 ESWL 精确度的短时之间 Q-Q 左图。这些点靠近直通，这多半同上示均倍总共。尽管如此，点如何围绕直通其组织其实共存一种急遽，这说明栖息于实际上确实并不短时之间。(D) 精确度第 95 个百分位的收敛。随着便是迭代次总共的增大，两个年终倍总共彼此之之间的一般来说输异趋于零。但不必要从原来的 8 个取样中所所含 6435 个相异的取样。这上限了我们可以便是的取样总共幅度，因为增大便是取样的总共幅度不必要增大多次所含不尽相同取样的确实性。为了找到最佳的 bootstrap 取样总共幅度，我们探寻了所需多更少个 bootstrap 取样才能稳定第 95 个百分位总共。这实示在左图片中所，x 直线上是自举取样的总共幅度，y 直线上是第 95 个百分位总共的变化。很微小，在2000-3000个取样的bootstrapping后变化

该启发式从未在 20.6% 的帧中所找到一块，因此它们从未涵盖在分析方法中所。对于多余的 18 440 帧，幅度化了得出的一块区外和 FZ 彼此之之间的对应持续性。≥50% 的对应被实然是“热门话题”。运用作评注探头作为基本上实情将测试者结果其组织在 R 中所的重名线性中所，并幅度化稳定性（同上 1）。该启发式发掘出 58.0%（其本质）的帧有热门话题腹腔（同上 4）。该启发式的不得而知百余人为 63.9%，这并不一定它恰当地将 63.9% 的帧分类学为“对温”或“失温”。在腹腔聚温的帧中所，启发式并能将左右一半归类为“聚温”，因为精确度为 56.0%。该启发式越来越擅长对“失温”的腹腔顺利进行分类学，专一性为 74.7%。PPV（启发式恰当分类学为“对温”的帧总共）为 75.3%，NPV（启发式恰当分类学为“失温”的帧总共）为 55.2%。请提醒，如果沙土机根据启发式导弹闪光，则 PPV 对应于精确度。检出百余人为 32.5%，而检出百余人要高得多，为 43.1%，说明共存大幅度新闻报导（当一块实际上“失温”时，AI 将帧分类学为“对温”）。Youden's J 分析幅度为 30.7%（基准：>0），Cohen's κ 为 0.2931（基准：>0），无反馈百余人为 58.0%（较低于不得而知百余人），启发式稳定性比起随机传闻确实腹腔在热门话题内或热门话题除此以外，说明它可以恰当医学影像左图象中所的胃腹腔。一般来说于转换者支配的 ESWL，放射治疗之间隔时之间为 1.94 (11 633/5 987)，而误转换百余人为转换者支配的 ESWL 的 32.9% ([1.94 × 1961]/[23 212 – 11 633])。技工支配的 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

在评注为对温或离温的医学影像左图象上测试者时，U-Net 框架的幅度化稳定性分析取样

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.

研究者得出，改进 ESWL 精确度有非常大的潜质，因为我们估计倍总共运用作 U-Net 机探头自学支配 ESWL 和缺陷闪光的总计可以将技工支配的精确度从 55.2% 充分利用到 75.3%，终于使放射治疗对患者越来越人身安全。估计倍总共精确度的手段有几个上限和缺点。首先，评注者（一名的学生）在医学影像左图象说明了各个方面缺乏专业知识；其次，由于左图象灵敏度较低，不太可能不得而知一块的不得而知边界线，这是我们在评注操作过程中所遇到的一个最重要情况。由于架上-图像系统本身的质幅度以及在闪光导弹长期架上才会失去平衡，因此灵敏度很低。越来越进一步的系统其设计确实是将介入前幅度化机断层图像 (CT) 左图象与医学影像左图象配准，这确实不必要使评注者越来越容易通过敦促腹腔一般来说于心脏的后方来顺利进行恰当的评注。 另一个情况是我们抽样的医学影像左图象来自放射治疗的前 5 分钟。在放射治疗操作过程中所，腹腔逐渐打碎，因此其实越来越难整合（对于图例也是如此），因此我们运用作的取样没法亦然整个放射治疗操作过程。然而，当结宝其实难以整合时，它与我们的分析方法无关，因为评注者从未不得而知结宝确实在热门话题上。患者彼此之之间的估计倍总共精确度圆形均倍总共，说明它们背著有亦然性。我们将闪光命中所并不一定为腹腔和 FZ 彼此之之间 50% 的对应确实不是最佳的，因为边缘命中所也确实致使碎裂，从而致使对命中所百余人的较低估。当我们意味著患者 1、3 和 9 时，确实不必要引入偏输，因为他们的腹腔在医学影像上缺乏可见性。对于技工支配的 ESWL，技工也从未通过医学影像整合他们的腹腔，因此所需除此以外顺利进行图例。因此，技工对结宝实时后方的支配较更少，并且确实不必要小花越来越多的之间隔时之间失温。如果忽略这些患者的左图象，技工支配的精确度确实不必要被低估。该启发式的培训和稳定性测试者也有一些局限性和缺点。该启发式在从未由第二个从未专业知识的镜像评注的十字准直通的取样上顺利进行了培训和恰当性。因此，培训集确实涵盖确感染性腹腔，上限了启发式恰当自学腹腔的潜质。一些培训和恰当性评注是对难以整合腹腔的医学影像左图象（仅有限于患者 1、3 和 9）顺利进行的，增大了确感染性腹腔的概百余人。

该启发式仅有对来自 11 名患者的 57 张左图象顺利进行了培训。培训集只不过根本无法改进启发式解毒，如果仅有限于越来越多患者并且有专业知识的放射科药剂师运用作 CT 提供者不得而知的评注，则该启发式背著有实着的改进潜质。与估计倍总共技工支配的精确度一样，对应估计倍总共也是稳定性测试者中所的一个情况。测试者集由一名的学生评注，他通过对腹腔和 FZ 对应的半客观性视觉分析来分析腹腔确实在热门话题上。来得之下，该启发式是在刻画腹腔的左图象上顺利进行培训的。当工艺上面腹腔边缘时，幅度化机软件可以比人类所视觉分析对应越来越不得而知地幅度化腹腔和 FZ 对应。因此，尽管测试者集评注探头和启发式确实在测试者集左图象中所的腹腔后方上完全原则上，但他们确实不必要估计倍总共相异持续性的一块-FZ 对应，从而致使对腹腔确实在热门话题上的对立。这来得较与 FZ 内近似于 50% 的结宝有关。在这些但不必要，即使对应估计倍总共的微小输异也确实不良影响“聚温”与“聚温”的立即。这致使刻画启发式稳定性的举例来说共存越来越多不不得而知性。 运用作两个相异的从未专业知识的评注探头有一些额除此以外的缺点。该启发式首先了解其中所一个评注者将什么说明了为腹腔，然后根据另一个评注者将什么说明了为腹腔顺利进行测试者。这里的一个情况是镜像之间的可变性，我们属实这一点很最重要：两个评注探头的相比较实示不匹配百余人为 37.5%。这并不一定该启发式永远一定不必要在测试者集上完美开始运行，因为培训集和测试者集的评注者在一块边界线的并不一定上共存对立。实情上，回避镜像之间的可变性而不是只运用作一个镜像加强了我们的举例来说的自信，说明该启发式背著有腹腔支配能力。 如果该启发式在整合腹腔各个方面其实比起测试者集评注探头，则举例来说将较低估启发式的稳定性。为了查看启发式的展现确实微小比起也许的举例来说，我们目视除此以外检查了几个启发式得出腹腔的医学影像影片，并在培训之除此以外所运用作的不尽相同类型的评注上测试者了培训启发式。在查看结果后，该启发式微小比起测试者集评注的想通则被拒绝了。 我们讨论了处理手段启发式从未探测到腹腔的帧，就像启发式报告腹腔“失温”一样。除了精确度降较低（51.2%）除此以外，这将致使所有 AI 稳定性倍总共的改进。最倍总共得提醒的是，我们看到不得而知度充分利用到 67.0%，专一性充分利用到 83.0%，Youden's J 分析幅度充分利用到 34.2%。以这种手段分析方法取样的论断是，从未探测到的腹腔一定不必要被射中所，从而降较低了放射治疗出血的风险。话虽如此，我们自由选择不这样做，因为我们从未支配启发式从未探测到一块的帧确实有一块，这不必要致使启发式的支配能力被低估。此除此以外，它一定不必要不良影响PPV，PPV可以说是分析方法建设项目当前稳定状态下启发式稳定性时极为最重要的倍总共。 我们并能不得而知三项研究者，估计倍总共 ESWL 精确度在 40% 到 60% 彼此之之间。与其他研究者来得，估计倍总共的 55.2% 的精确度所处很低的之内，但相当多的 95% CI (43.2-67.3%) 与他们的观察结果非常吻合。精确度和小取样幅度的相异并不一定上限了这些研究者的其本质。 此前，还从未关于用作在医学影像左图象中所整合消化系统系腹腔以顺利进行 ESWL 放射治疗的 ML 启发式的出版物。Singla 等人为了让在运用作 RetinaNet 顺利进行 ESWL 放射治疗长期运用作图例整合尿路腹腔，并运用作相异的 ML 启发式付诸了 70% ± 10% 的精度。

我们的启发式可以通过在腹腔失温时停顿沙土机导弹闪光来付诸。还可以添加区别于 Singla 等人 运用作的启发式来创建人一个同时运用作医学影像和图例的新方通则，这确实不必要进一步充分利用对腹腔支配能力。之前说明，60-90 的放射治疗激光百余人产生最佳的无石百余人，但必要提醒的是，该百余人是基于对相异定值百余人的测试者，无论腹腔确实在热门话题区外内。当前的 ESWL 放射治疗程序每次放射治疗运用作左右 3000-4000 次激光，精确度为 50%，致使左右 2000 次击伤所。启发式支配的 ESWL 确实只所需 2000 次闪光，从而下降放射治疗之间隔时之间。实情上，可以增大闪光百余人，这样当腹腔穿越热门话题区外时，它就可以被多次命中所。我们团队先前从未发同上的研究者得出，腹腔在汗液落幕时一般来说恒定（左图 5）。在启发式支配的 ESWL 中所可以能够地利用这一生理实情，当腹腔在每次汗液落幕时恒定在热门话题区外内时，闪光以能够的速百余人导弹。该启发式回避了整个胃像，而不仅有仅有是腹腔本身，因此启发式支配的 ESWL 的另一个潜在诱因是，当腹腔经常在两个医学影像上其实不正确时，可以在放射治疗操作过程的后期持续保持精确度和图例。在该启发式在临床实践中所全面实施之前，必要对越来越多和能够质幅度的评注顺利进行培训和测试者，最难由消化系统放射科药剂师运用作预处理手段 CT 的反馈顺利进行培训和测试者。培训集的标示出也必要在几个相异的机构顺利进行，以充分利用 ML 启发式的普遍性支配能力。

Fig. 5Kragset 的左图片展出了一个呼吸时间段中所消化系统系腹腔的三维空之间群众运动。每个点亦然腹腔在特定之间隔时之间点的后方。当点彼此之之间的直通内都时，群众运动就非常大。汗液落幕时的点彼此非常近似于，这并不一定腹腔仅有仅有恒定不动——这是瞄准腹腔的最佳之间隔时之间之间隔。

Conclusions 5.

估计倍总共技工支配的 ESWL 精确度为 55.2%（95% CI 43.2–67.3%），这并不一定左右一半的闪光从未命中所一块。启发式支配的 ESWL 将精确度充分利用到约 75.3%，并使漏石的闪光总计下降了约 67.1%。得出，在能够的评注上培训和测试者的 U-Net 机探头自学将并能充分利用 ESWL 的解毒。