人工智能在粘液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 肾脏火球淤泥拳法 (ESWL) 正在被来得昂贵和针对性的内窥镜病人所取代。开发推算机科学 (AI) 大幅提高型 ESWL，并深入研究机内置自学可以进一步提高 ESWL 利尿的潜力。 的设计、设置和大多数人 二维激光影片是在 ESWL 病人期两者之间从带有影片采集内置的在终点站激光电子元件中所释放出来。一名观测者将 11 位病人的 23 212 张三幅表标明为对昂或离昂。中所位击中所百余人是通过为了让在病人高水平上推算的。带有 U-Net 架构的正弦有数学模型在 57 幅激光三幅表上来进行体能训练，这些三幅表描写了来自同一病人的肾病，并由第二位观测者来进行了批注。在第一个观测者批注的激光三幅表上检查了 U-Net。运用做九名病人的体能训练集、一名病人的实验者集和一名病人的检查集来进行斜向实验者。结果测值和总和样本分析 推算了阐述分类学内置效能的经典基准，以及对解法如何冲击火球击中所百余人的至少。结果 标准规范 ESWL 的中所位击中所百余人为 55.2%（95% 置信区两者之间 [CI] 43.2–67.3%）。U-Net 的效能基准是明确度 63.9%、明确度 56.0%、选择性 74.7%、特征性假设差值 75.3%、中性假设差值 55.2%、Youden's J 总和 30.7%、无的资讯百余人 58.0% 和 Cohen's κ 0.2931。该解法将误解总有数减较低了 67.1%。主要上限是这是一项有数关的 11 名病人的表达形式实验者深入研究。结论 我们推算出的 ESWL 击中所百余人为 55.2%（95% CI 43.2–67.3%），赞同20世纪深入研究的结果。我们现在断言，有数对 11 名病人来进行体能训练的机内置自学解法将击中所百余人进一步提高到 75.3%，并将错误减较低了 67.1%。当 U-Net 在来得多和来得高质值的批注上来进行体能训练时，可以期待来得好的结果。

总结 肾病可以通过火球来病人。十二指肠的激光祚像用做为了让机内置发出火球，但火球仍不太可能漏掉肾脏。我们运用做推算机科学来进一步提高中弹所正在处理的石子的明确性。词条：肾脏火球淤泥拳法，肾病，推算机科学，机内置自学，有数学模型

Introduction .

尿石症是一种日益罕见的癌症，给病人和医疗保障都带来了过重的负担。尿石症的患病百余人在亚太地区各地区各不相同，从 4% 到 20%。自 1980 年 Chaussy 等人刊文肾脏火球淤泥拳法 (ESWL) 病人尿石症以来，它已成为最常用的病人提案。火球淤泥的灵活性是 ESWL 的坚实，其利尿取决于火球碎片肾脏的灵活性。ESWL、经皮肾镜取石拳法 (PCNL) 和十二指肠肾镜检查/同方向肾内手拳法 (URS/RIRS) 是有症状的尿石症的主要病人可选择 。其中所，ESWL 是针对性最小、肺炎至少的步骤。一项为期 20 年的亚太地区深入研究注意到，URS/RIRS 的总病人份额减少了 17%，PCNL 保持定值，ESWL 减较低了 14.5%。另一项调查尿石症病人文献趋势的深入研究声称，关于 URS/RIRS 和 PCNL 的文章分别减少了 171% 和 279%，而关于 ESWL 的文章减较低了 17%。ESWL 利尿的进一步提高某种某种程度时会增大如此一来病人百余人、手拳法室时两者之间、所需、内窥镜电子元件的运用做和肺炎肥胖百余人，从而祚着增大医疗保障成本。自推算机诞生以来，人们以前希望的设计勉强与生命体智能竞争的推算机。这是通过戏仿生命体层面机能来充分利用的，这一表达形式被称作推算机科学 (AI)。机内置自学 (ML) 是一种通过潜能自学的推算机科学 [12]。现在开发并检查了几种用做尿路肾脏的非机内置自学解法，但没一种解法在诊断实践中所得不到国际上采用。现在断言，ML 解法在三幅表样本分析上都的同上现胜过诊断精神科 。在督导自学中所，解法被赋予上面样本，例如有肾脏和没肾脏的十二指肠的激光三幅表，以体能训练它区分“肾脏”三幅表和“无肾脏”三幅表。受生物神经管理系统线圈启发的流行 ML 解法还包括人工有数学模型 (NN)（三幅 1A）。NN 中所的第一层称作可用层，其起到是将原始可用样本派送到下一层 。转换内置层将可用修改为整个网络服务的事与愿违转换内置，在我们的举例来说中所事与愿违三幅表有否包括消化系统系肾脏。在可用层和转换内置层彼此两者之间有“伪装”层，这些层由权重均是由，可以名誉教授处理比较简单原因。通往和层的结构假设了 NN 的架构。

Fig. 1

(A) 简单有数学模型架构举例来说，还包括带有两个数据流的可用层、带有三个数据流的伪装层和带有两个数据流的转换内置层。运用做 Inkscape 创建人。(B) 阐述不太可能时会粗略的三幅。体能训练配置过程中所体能训练误一比急剧减小，如果静态体能训练时两者之间足以宽，事与愿违误一比为零。当过粗略开始时，实验者误解将开始减少，因为静态的普遍转化成灵活性日益一比。最佳停止时两者之间是实验者曲终点站上的最较低点。基于 Tretyakov的三幅同上。(C) 来自 Yani 等人知识交换署名 3.0 使用权）的三幅表看出最大者池转化成和高达池转化成对可用来进行下时域。在最大者池转化成中所，可用被分成几大多，每个大多的最高差值得出转换内置。在高达池转化成中所，每个大多的高达差值得出了转换内置。NN 体能训练多半运用做优转化成内置来充分利用，该优转化成内置借以通过反向传播来最小转化成财产损失函有数。财产损失函有数的起到是衡值解法对假定样本机内置学习的灵活性（例如，辨识肾病），其差值用做来得新网络服务权重以最小转化成误一比。为了深入研究 NN 的其本质，某种某种程度运用做与用做体能训练的样本完全相同的样本对其来进行实验者。在体能训练期两者之间监控实验者财产损失：随着网络服务的简转化成，实验者误一比随着体能训练误一比而减小。然而，体能训练配置过程中所的一个罕见原因是不太可能时会粗略（三幅 1B），这多半是静态记忆体能训练样本的结果 [19]。结果是一个静态没自学可普遍转化成的部份观上，多半通过实验者财产损失的收敛来辨识。为了防止这种具体情况，采用了完全相同的体能训练思路，例如月内停止和正则转化成。来得关键的是，在体能训练配置过程不久所需并运用做第三个单一样本集，多半称作检查集。检查集用做衡值网络服务解决不可见单一样本护航的灵活性。正弦有数学模型 (CNN) 是比较简单三幅表样本分析的除此以外 [20]。框架 CNN 是为了首先辨识较低比较简单性的部份观上，然后在来得深的层中所寻觅来得高比较简单性的部份观上 [20]。正弦配置辨识可用的基本上部份观上（例如，终点站或椭圆）并得出称作部份观上三幅的转换内置。池转化成配置然后对部份观上三幅来进行下时域（增大分辨百余人）以减较低后续配置中所对推算灵活性的所需。最常用的两种池转化成配置是最大者池转化成和高达池转化成，如三幅 1C 附注。当解法对三幅表来进行对应时，它时会将其对应为语义对象 [20]，例如考虑到三幅表的哪一大多描写了消化系统系肾脏 [16]。现在为对应目的框架了完全相同的 CNN，其中所一个举例来说道是 U-Net [20]。U-Net 的第一个前所期是下时域，其中所正弦层辨识三幅表部份观上，而最大者池转化成算子对部份观上三幅来进行下时域。在先前所一个前所期，即上时域，部份观上三幅通过上时域算子来进行上时域，并与来自下时域前所期的对角部份观上三幅的副本相结合 [20]。通过这些斜向通往，可以保留成像部份观上，如三幅 2 附注。

Fig. 2

Ronneberger 等人 创建人的原始 U-Net 架构。橙色菱形代同上部份观上三幅，而白色菱形代同上通过斜向通往副本的部份观上三幅。箭头同上示算子（深橙色和浅橙色 = 正弦；黄色 = 斜向通往；橙色 = 最大者池转化成；橙色 = 上时域）。

Patients and methods 2.

样本分析二维激光三幅表以至少技工操控的 ESWL 的击中所百余人并检查 U-Net 效能。为了得到三幅表，将帧采集内置通往到 ESWL 机内置（PiezoLith 3000，Richard Wolf GmbH，Knittlingen，Germany），用做在 ESWL 期两者之间释放出来在终点站即时激光三幅表。每个影片的宽度为 30 分钟，随机可选择 5 分钟的影片序列来进行批注。批注者浓缩激光样品以将每个帧上面为当肾脏位处相关联周围 (FZ) 时“相关联”或当肾脏不论如何 FZ 中所时“失昂”（三幅 3A）。这个配置过程是运用做批注辅助工具来进行的（三幅 3B）。由于肾脏多半在 FZ 内或 FZ 部份连续超过两个帧，因此通过有数上面帧两者之间隔的过渡点来简转化成批注配置过程。例如，如果第一帧被上面为对昂，并且在第十帧中所时有发生了离昂的过渡，那么从开始到第十帧的所有帧都被归类为对昂。

Fig. 3

(A) 静态通报肾脏位于相关联的框架举例来说，因为 ≥50% 的假设肾脏（橙色）在相关联周围（黄色）内。(B) 批注辅助工具的屏幕截三幅。带有十字准终点站的激光影片看出在左边，尾端用做浏览帧。要批注帧，批注者可选“可选择要批注的帧”并可选择将帧上面为“相关联”或“失昂”。如果肾脏在此帧中所位处相关联，则批注者然后如此一来次影片并停止上面肾脏失昂的第一帧。这两个ID彼此两者之间的帧时会自动上面为“相关联”。橙色和橙色菱形代同上批注者上面的帧。在批注配置过程中所，我们注意到一些肾脏在激光三幅表中所不可见，并且这些病人（病例 1、3 和 9）未还包括在技工操控的 ESWL 的击中所百余人样本分析中所。将近这样一来批注了 731 帧，造成将近 23 212 帧。由于激光电子元件每秒释放出来15 帧，我们事与愿违得不到了 26 分钟的带批注的激光影片，代同上每位病人的高达时两者之间为 3.2 分钟。此部份，第二个批注者在随意框架中所为所有病人描写了十二指肠和肾病。这造成了来自将近 57 张三幅表的十二指肠和肾病的二元掩码。为了在肾病对应中所检查标准规范的 U-Net 正弦网络服务，它运用做描写的三幅表来进行体能训练。为了体能训练和实验者网络服务，我们给予了十二指肠和肾病的批注。上面十二指肠为解法给予了一个参考点或有关肾脏某种某种程度在哪里的上下文的资讯，因为在整个病人配置过程中所，肾病北至南保持在十二指肠结构上的相同方位。我们来进行了基于病人的斜向实验者。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实验者，将近创建人了 11 个静态。在这 11 个静态中所，有 8 个在相同的 23 212 个帧上来进行了检查，这些帧在 8 名病人中所标明为“对昂”或“失昂”。调查的第一个结果是技工操控 ESWL ，以 90 脉冲/分钟的速度连续探测的击中所百余人。击中所百余人是指碎片肾脏的火球的%-，在本深入研究中所假设为超过 50% 的肾脏在 FZ 中所的击球。为了推算这个，我们所需告诉他在一定生产值的帧中所肾脏相关联的帧有数。每个帧由一名观测者手动分配一个 0（失昂）或 1（相关联）ID，ID的总和得出了肾脏在 FZ 中所的帧有数。运用做 R 环境来进行总和程序的设计 (www.r-project.org)，运用做偏一比可视和加速自举法至少每个病人的中所位击中所百余人，带有 95% 的置信区两者之间 (CI)，以指标超出样品的结果的稳健性至少。通过在 SPSS 中所转化成平方和、罐终点站三幅和正态 Q-Q 三幅，并通过执行者 Shapiro-Wilk 检查和峰态和偏度样本分析来检查病人的击中所百余人分布区。手动执行者粗略优度的 χ2 检查以考虑到击中所百余人有否均匀分布区并事与愿违事与愿违合并有否更好。p 差值

为了至少 U-Net 解法的效能，将样本可用 R 以创建人误读线性（同上 1），其中所的基本上全然是批注样本。解法未测定到石子的帧不包括在误读线性中所。然后运用做 R 来推算分类学静态效能的经典基准：明确性、危险性、选择性、特征性假设差值 (PPV)、中性假设差值 (NPV)、流行百余人、检出百余人、测定流行百余人、平衡明确度、Youden's J 总和值、无的资讯百余人和 Cohen 的 κ。同上 2 中所给予了对这些差值的阐释。然后，我们通过将标明为相关联的帧有数乘以实特征性有数来至少 U-Net 操控的 ESWL 一般来说道于技工操控的 ESWL 的病人时两者之间。通过将一般来说道处理时两者之间乘以实中性有数，如此一来乘以批注为失昂的帧有数，我们至少了 U-Net 将如何冲击误解有数。假定 90/min 的火球速度，推算技工操控的 ESWL 和 U-Net 操控的 ESWL 的每分钟击中所有数。通过对 R 中所 5000 个帧样品来进行偏一比可视和加速为了让，推算每位病人的中所位击中所百余人和 95% CI（同上 3）。同上格1 在误读线性中所的组织的误读线性的设计和检查样本（批注为相关联或失昂的三幅表）

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

阐述分类学内置效能的众所周知总和样本说道明了

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

通过自举法至少的每位病人的技工操控的肾脏火球淤泥拳法的中所位击中所百余人

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.

经周围委员时会指标后，得到运用做从病人就有下载的匿名激光影片的书面使用权（参考编号 2014/2261）。

Results 3.

病人的击中所百余人方形方差区，如三幅 4A-D 附注。这得不到了偏度 (z = −0.005) 和峰度 (z = 1.73) 的样本分析以及 Shapiro-Wilk 检查 (p> 0.05) 的赞同。然后手动执行者 χ2 粗略优度检查，然后在 R 中所来进行操控。通过将该病人的总帧有数乘以合并高达击中所百余人 (50.12%) 来推算每个病人的预期击中所百余人。带有七个自由度的 χ2 差值为 927.4，p 差值

Open in a separate window

Fig. 4

(A) 技工操控的肾脏火球淤泥拳法 (ESWL) 的击中所百余人平方和。该分布区类似于方差区，尽管带有一定某种程度的峰度。然而，峰态 z 差值在总和上并不祚着。(B) 技工操控的 ESWL（x 传动装置）的击中所百余人（y 传动装置）的罐终点站三幅，看出与方差区一致的类似于对角分布区。病人 10 和 11 是持续性差值。(C) 技工操控的 ESWL 击中所百余人的正常人 Q-Q 三幅。这些点附近终点站，这多半同上示方差区。尽管如此，点如何主轴终点站的组织似乎存在一种趋势，这声称分布区有数有数不太可能并不正常人。(D) 击中所百余人第 95 个百分位的收敛。随着为了让算法次有数的减少，两个连续差值彼此两者之间的一般来说道一比异趋于零。勉强从于是就的 8 个样品中所浓缩 6435 个完全相同的样品。这上限了我们可以为了让的样品生产值，因为减少为了让样品的生产值时会减少多次浓缩相同样品的不太可能。为了寻觅最佳的 bootstrap 样品生产值，我们探险了所需多少个 bootstrap 样品才能稳定第 95 个百分位有数。这看出在三幅同上中所，x 传动装置上是自举样品的生产值，y 传动装置上是第 95 个百分位有数的变异。很轻微，在2000-3000个样品的bootstrapping后变异

该解法无法在 20.6% 的帧中所寻觅石子，因此它们没包括在样本分析中所。对于剩余的 18 440 帧，推算了假设的石子周围和 FZ 彼此两者之间的对应某种程度。≥50% 的对应被认为是“相关联”。运用做批注内置作为基本上全然将检查结果的组织在 R 中所的误读线性中所，并推算效能（同上 1）。该解法注意到 58.0%（其本质）的帧有相关联肾脏（同上 4）。该解法的明确百余人为 63.9%，这并不一定它合理地将 63.9% 的帧分类学为“对昂”或“失昂”。在肾脏相关联的帧中所，解法勉强将大高达一半归类为“相关联”，因为明确度为 56.0%。该解法来得擅宽对“失昂”的肾脏来进行分类学，选择性为 74.7%。PPV（解法合理分类学为“对昂”的帧有数）为 75.3%，NPV（解法合理分类学为“失昂”的帧有数）为 55.2%。请注意，如果淤泥机根据解法探测火球，则 PPV 相关联于击中所百余人。检出百余人为 32.5%，而检出百余人要高得多，为 43.1%，声称存在大值误报（当石子有数有数“失昂”时，AI 将帧分类学为“对昂”）。Youden's J 总和值为 30.7%（标准规范：>0），Cohen's κ 为 0.2931（标准规范：>0），无的资讯百余人为 58.0%（较低于明确百余人），解法效能胜过随机猜测有否肾脏在相关联内或相关联部份，声称它可以合理激光三幅表中所的肾病。一般来说道于而无须操控的 ESWL，病人时两者之间为 1.94 (11 633/5 987)，而误配置百余人为而无须操控的 ESWL 的 32.9% ([1.94 × 1961]/[23 212 – 11 633])。技工操控的 ESWL 每分钟击石 45 次 (90/min × 11 633/23 212)，而 U-Net 操控的 ESWL 每分钟击石 23 次 (90/min × 5987/23 212)。

Table 4

在批注为对昂或离昂的激光三幅表上检查时，U-Net 静态的推算效能总和样本

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.

深入研究结果声称，优转化成 ESWL 击中所百余人有更大的潜力，因为我们至少运用做 U-Net 有数学模型操控 ESWL 和缺失火球的总有数可以将技工操控的击中所百余人从 55.2% 进一步提高到 75.3%，事与愿违使手拳法对病人来得安全性。至少击中所百余人的形式有几个上限和缺陷。首先，批注者（一名社会工作）在激光三幅表阐释上都不够潜能；其次，由于三幅表分辨百余人较低，很难考虑到石子的明确边境，这是我们在批注配置过程中所遇到的一个关键原因。由于浸没-监视器管理系统本身的质值以及在火球探测期两者之间浸没必须缩回，因此分辨百余人较较低。期望的解决办法不太可能是将干预前所推算机断层祚像 (CT) 三幅表与激光三幅表配准，这不太可能时会使批注者来得容易通过表示同意肾脏一般来说道于十二指肠的方位来来进行合理的批注。 另一个原因是我们时域的激光三幅表来自病人的前所 5 分钟。在病人配置过程中所，肾脏逐渐破碎，因此越发来得难辨识（对于凹凸也是如此），因此我们运用做的样品不能代同上整个病人配置过程。然而，当结宝越发无法辨识时，它与我们的样本分析牵涉到，因为批注者无法考虑到结宝有否在相关联上。病人彼此两者之间的至少击中所百余人方形方差区，声称它们带有代同上性。我们将火球中弹所假设为肾脏和 FZ 彼此两者之间 50% 的对应不太可能不是最佳的，因为边沿中弹所也不太可能造成击碎，从而造成对中弹所百余人的选择到。当我们除去病人 1、3 和 9 时，不太可能时会扩展偏一比，因为他们的肾脏在激光上不够可见性。对于技工操控的 ESWL，技工也无法通过激光定位他们的肾脏，因此所需特别性来进行凹凸。因此，技工对结宝即时方位的操控较少，并且不太可能时会花来得多的时两者之间失昂。如果也许这些病人的三幅表，技工操控的击中所百余人不太可能时会被祚然。该解法的体能训练和效能检查也有一些其本质和缺陷。该解法在没由第二个没潜能的观测者批注的十字准终点站的样本上来进行了体能训练和实验者。因此，体能训练集不太可能包括假特征性肾脏，上限了解法合理自学肾脏的潜力。一些体能训练和实验者批注是对无法辨识肾脏的激光三幅表（还包括病人 1、3 和 9）来进行的，减少了假特征性肾脏的概百余人。

该解法有数对来自 11 名病人的 57 张三幅表来进行了体能训练。体能训练集祚然没法优转化成解法利尿，如果还包括来得多病人并且有潜能的放射科精神科运用做 CT 给予明确的批注，则该解法带有祚着的简转化成潜力。与至少技工操控的击中所百余人一样，对应至少也是效能检查中所的一个原因。检查集由一名社会工作批注，他通过对肾脏和 FZ 对应的半主观视觉指标来指标肾脏有否在相关联上。远比，该解法是在描写肾脏的三幅表上来进行体能训练的。当手工上面肾脏边沿时，推算机软件可以比生命体视觉指标对应来得明确地推算肾脏和 FZ 对应。因此，尽管检查集批注内置和解法不太可能在检查集三幅表中所的肾脏方位上完全一致，但他们不太可能时会至少完全相同某种程度的石子-FZ 对应，从而造成对肾脏有否在相关联上的争执。这尤其与 FZ 内接近 50% 的结宝有关。在这些具体情况下，即使对应至少的或多或少一比异也不太可能冲击“相关联”与“相关联”的事与愿违。这造成阐述解法效能的基准存在来得多不考虑到性。 运用做两个完全相同的没潜能的批注内置有一些额部份的缺陷。该解法首先了解其中所一个批注者将什么阐释为肾脏，然后根据另一个批注者将什么阐释为肾脏来进行检查。这里的一个原因是观测者两者之间的可变性，我们证实这一点很关键：两个批注内置的比较看出不转换百余人为 37.5%。这并不一定该解法总有一天不时会在检查集上与众不同运行，因为体能训练集和检查集的批注者在石子边境的假设上存在争执。全然上，选择观测者两者之间的可变性而不是只运用做一个观测者大幅提高了我们的基准的热诚，声称该解法带有肾脏灵活性。 如果该解法在辨识肾脏上都越发胜过检查集批注内置，则基准将选择到解法的效能。为了查看解法的同上现有否轻微胜过暗示的基准，我们飞行中检查了几个解法假设肾脏的激光影片，并在体能训练集中所运用做的相同并不一定的批注上检查了体能训练解法。在查看结果后，该解法轻微胜过检查集批注的期望被拒绝了。 我们讨论了处理解法未测定到肾脏的帧，就像解法通报肾脏“失昂”一样。除了明确度增大（51.2%）部份，这将造成所有 AI 效能参有数的简转化成。最远比较的是，我们看到明确度进一步提高到 67.0%，选择性进一步提高到 83.0%，Youden's J 总和值进一步提高到 34.2%。以这种形式样本分析样本的论点是，未测定到的肾脏不时会被刺中所，从而增大了病人肺炎的危险性。正因如此，我们可选择不这样做，因为我们无法操控解法未测定到石子的帧有否有石子，这时会造成解法的灵活性被祚然。此部份，它不时会冲击PPV，PPV可以说道是样本分析计划当前所长时间下解法效能时众所周知的参有数。 我们勉强考虑到三项深入研究，至少 ESWL 击中所百余人在 40% 到 60% 彼此两者之间。与其他深入研究远比，至少的 55.2% 的击中所百余人位处较低的各地区，但国际上的 95% CI (43.2-67.3%) 与他们的观察结果更为相符。击中所百余人和小样品值的完全相同假设上限了这些深入研究的其本质。 此前所，还没关于用做在激光三幅表中所定位消化系统系肾脏以来进行 ESWL 病人的 ML 解法的出版物。Singla 等人尝试在运用做 RetinaNet 来进行 ESWL 病人期两者之间运用做凹凸定位尿路肾脏，并运用做完全相同的 ML 解法充分利用了 70% ± 10% 的准确度。

我们的解法可以通过在肾脏失昂时停止淤泥机探测火球来充分利用。还可以添加类似于 Singla 等人 运用做的解法来创建人一个同时运用做激光和凹凸的步骤，这不太可能时会有所减少对肾脏灵活性。现在声称，60-90 的病人脉冲百余人转化成最佳的无石百余人，但某种某种程度注意的是，该百余人是基于对完全相同定值百余人的检查，无论肾脏有否在相关联周边。当前所的 ESWL 病人程序每次病人运用做大高达 3000-4000 次脉冲，击中所百余人为 50%，造成大高达 2000 次击中所。解法操控的 ESWL 不太可能只所需 2000 次火球，从而减较低病人时两者之间。全然上，可以减少火球百余人，这样当肾脏穿过相关联周围时，它就可以被多次中弹所。我们小组在此不久未发同上的深入研究结果声称，肾脏在呼气完结时一般来说道静止（三幅 5）。在解法操控的 ESWL 中所可以来得好地利用这一生理全然，当肾脏在每次呼气完结时静止在相关联周边时，火球以来得高的速度探测。该解法选择了整个肾像，而不有数有数是肾脏本身，因此解法操控的 ESWL 的另一个潜在益处是，当肾脏特别在两个激光上越发不明了时，可以在病人配置过程的中所期保持击中所百余人和凹凸。在该解法在诊断实践中所实施早先所，某种某种程度对来得多和来得高质值的批注来进行体能训练和检查，最差由消化系统放射科精神科运用做预处理 CT 的的资讯来进行体能训练和检查。体能训练集的标明也某种某种程度在几个完全相同的的机构来进行，以进一步提高 ML 解法的普遍转化成灵活性。

Fig. 5Kragset 的三幅同上展示了一个排尿周期中所消化系统系肾脏的三维青年运动。每个点代同上肾脏在特定时两者之间点的方位。当点彼此两者之间的终点站很宽时，青年运动就更大。呼气完结时的点彼此更为接近，这并不一定肾脏差不多静止不动——这是锁定肾脏的最佳时两者之间两者之间隔。

Conclusions 5.

至少技工操控的 ESWL 击中所百余人为 55.2%（95% CI 43.2–67.3%），这并不一定大高达一半的火球没中弹所石子。解法操控的 ESWL 将击中所百余人进一步提高到高达 75.3%，并使漏石的火球总有数减较低了高达 67.1%。结果声称，在来得好的批注上体能训练和检查的 U-Net 有数学模型将勉强进一步提高 ESWL 的利尿。