Издание 11, Брой 1
Оригинал на статия / Публикувана: Ноември 2023
DOI: https://www.doi.org/10.57045/jemis/1111123.pp5-10
К. Кръстев, Н. Цветков, Н. Стоянов, К. Ибрахимов, К. Давидов
Клиника по Урология, УМБАЛ СофияMед, София
Резюме
Въведение: Обзорът има за цел да представи текущото състояние на инструмен-тите за изкуствен интелект (ИИ) в процеса на вземане на решения, диагностика, възможности за лечение или прогнозиране на резултати във функционалната урология.
Терминология: Изкуственият интелект в здравеопазването включва компютърни системи, използващи разсъждаване и самообучение за анализ на сложни медицински данни и прогнозиране. Машинното самообучение се фокусира върху обучението на компютри чрез данни за подобряване на изпълнението във времето, особено когато се касае за обработката на медицинска информация. Дълбокото обучение използва сложни невронни мрежи, вдъхновени от функционалната структурата на човешкия мозък, за извличане на информация от медицински данни, подобрявайки точността на диагнозите и ускорявайки изследванията. Настоящи приложения на ИИ в урологията: Интеграцията на изкуствения интелект (ИИ) и изкуствените невронни мрежи (ИНМ) в урологичната практика като клон на медицината представлява обещаващ потенциал за подобряване на различни аспекти в грижите за пациента, диагностиката, хирургичните подходи с последващи процедури произтичащи от рационалното и бързо вземане на активни решения в мениджмънта на заболяванията в урологията (уролитиаза, БПХ, онкоурология,)
Заключение: Насоката в бъдещето и потенциалните перспективи на изкуственият интелект като спомагателен инструмент са големи и пълното преминаване към тях тепърва предстои. Областта на подпомагане от ИИ в урологията се развива бързо, с непрекъснато изследване и разработване, насочено към повишаване на точността на диагностичните инструменти, усъвършенстване на хирургичната техника и подо бряване на оптимизацията на лечението. Продължителното изследване и клинични изпитвания ще бъдат ключови за валидиране на ефективността на ИИ и за насочване на тяхната интеграция във всекидневната урологична практика.
Референции
1. Beam A.L., Kohane I.S. Big Data and Machine Learning in Health Care. JAMA. 2018;319:1317–1318. doi: 10.1001/ jama.2017.18391
2. Diprose W., Buist N. Artificial intelligence in medicine: Hu- mans need not apply? New Zealand Med. J. 2016;129:73–76
3. Wang F, Casalino LP, Khullar D. Deep Learning in Medi- cine—Promise, Progress, and Challenges.JAMA Intern Med. 2019;179(3):293–294. doi:10.1001
4. Automatic Detection and Scoring of Kidney Stones on Noncontrast CT Images Using S.T.O.N.E. Nephrolithome-try: Combined Deep Learning and Thresholding Methods Yingpu Cui 1, Zhaonan Sun 1, Shuai Ma 1, Weipeng Liu 2, Xiangpeng Wang 2, Xiaodong Zhang 1, Xiaoying Wang 2021 Jun;23(3):436-445. doi: 10.1007/s11307-020-01554-0.
5. Guiot J, Vaidyanathan A, Deprez L, Zerka F, Danthine D, Frix AN, Lambin P, Bottari F, Tsoutzidis N, Miraglio B, Walsh S, Vos W, Hustinx R, Ferreira M, Lovinfosse P, Leijenaar RTH. A review in radiomics: Making personalized medicine a reality via routine imaging. Med Res Rev. 2022 Jan;42(1):426-440. doi: 10.1002/med.21846. Epub 2021 Jul 26. PMID: 34309893.
6. Marconi L., Dabestani S., Lam T.B., Hofmann F., Stewart F., Nor- rie J., Bex A., Bensalah K., Canfield S.E., Hora M., et al. Systemat- ic Review and Meta-analysis of Diagnostic Accuracy of Percu- taneous Renal Tumour Biopsy. Eur. Urol. 2016;69:660–673. doi: 10.1016/j.eururo.2015.07.072.
7. Patel H., Druskin S.C., Rowe S.P., Pierorazio P.M., Gorin M.A., Allaf M.E. Surgical histopathology for suspected oncocytoma on renal mass biopsy: A systematic review and meta-analysis. BJU Int. 2017;119:661–666. doi: 10.1111/bju.13763.
8. Huang Y, Liu Z, He L, et al. Radiomics Signature: A Potential Biomarker for the Prediction of Disease-Free Survival in Early-Stage (I or II) Non-Small Cell Lung Cancer. Radiology. 2016;281(3):947-957.
9. Shkolyar E, Jia X, Chang TC, Trivedi D, Mach KE, Meng MQ, Xing L, Liao JC. Augmented Bladder Tumor Detection Us- ing Deep Learning. Eur Urol. 2019 Dec;76(6):714-718. doi: 10.1016/j.eururo.2019.08.032. Epub 2019 Sep 17. PMID: 31537407; PMCID: PMC6889816.
10. Smail LC, Dhindsa K, Braga LH, Becker S, Sonnadara RR. Using Deep Learning Algorithms to Grade Hydronephrosis Sever- ity: Toward a Clinical Adjunct. Front Pediatr. 2020 Jan 29;8:1. doi: 10.3389/fped.2020.00001. PMID: 32064241; PMCID: PMC7000524.
11. 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 Jul 24;1(4):e180066. doi: 10.1148/ryai.2019180066. PMID: 33937795; PMCID: PMC8017404.
12. Patel VR, Tully AS, Holmes R, Lindsay J. Robotic radical prosta- tectomy in the community setting–the learning curve and beyond: initial 200 cases. J Urol. 2005;174(1):269-272.
13. Di Dio M, Barbuto S, Bisegna C, Bellin A, Boccia M, Amparore D, Verri P, Busacca G, Sica M, De Cillis S, Piramide F, Zaccone V, Piana A, Alba S, Volpi G, Fiori C, Porpiglia F, Checcucci E. Arti- ficial Intelligence-Based Hyper Accuracy Three-Dimensional (HA3D®) Models in Surgical Planning of Challenging Robotic Nephron-Sparing Surgery: A Case Report and Snapshot of the State-of-the-Art with Possible Future Implications. Diag- nostics (Basel). 2023 Jul 10;13(14):2320. doi: 10.3390/diagnos- tics13142320. PMID: 37510065; PMCID: PMC10377834.
14. Federico Piramide, Karl-Friedrich Kowalewski, Giovanni Cacciamani, Ines Rivero Belenchon, Mark Taratkin, Umberto Carbonara, Michele Marchioni, Ruben De Groote, Sophie Knipper, Angela Pecoraro, Filippo Turri, Paolo Dell’Oglio, Stefa- no Puliatti, Daniele Amparore, Gabriele Volpi, Riccardo Campi, Alessandro Larcher, Alex Mottrie, Alberto Breda, Andrea Min- ervini, Ahmed Ghazi, Prokar Dasgupta, Ali Gozen, Riccardo Autorino, Cristian Fiori, Michele Di Dio, Juan Gomez Rivas, Francesco Porpiglia, Enrico Checcucci, Three-dimensional Model–assisted Minimally Invasive Partial Nephrectomy: A Systematic Review with Meta-analysis of Comparative Studies,European Urology Oncology,Volume 5, Issue 6,2022,Pages 640-650,ISSN 2588-9311
16. Artificial intelligence and simulation in urology [Article in En-glish, Spanish] J Gómez Rivas 1, C Toribio Vázquez 2, C Ballesteros Ruiz 2, M Taratkin 3, J L Marenco 4, G E Cacciamani 5, E
Checcucci 6, Z Okhunov 7, D Enikeev 8, F Esperto 9, R Grossmann 10, B Somani 11, D Veneziano 12 2021 Oct;45(8):524-529. doi: 10.1016/j.acuroe.2021.07.001.
16. Good DW, Stewart GD, Hammer S, et al. Using artificial intelligence and genomics to personalize treatment of advanced urothelial cancer. Nature. 2018;563(7732):344-349.
17. A systematic review on artificial intelligence in robot-assisted surgery Andrea Moglia 1, Konstantinos Georgiou, Evangelos Georgiou, Richard M Satava, Alfred Cuschieri 2021 Nov;95:106151. doi: 10.1016/j.ijsu.2021.106151.
18. Francesco Porpiglia, Enrico Checcucci, Daniele Amparore, Federico Piramide, Gabriele Volpi, Stefano Granato, Paolo Verri, Matteo Manfredi, Andrea Bellin, Pietro Piazzolla, Ric- cardo Autorino, Ivano Morra, Cristian Fiori, Alex Mottrie,Three-dimensional Augmented Reality Robot-assisted Partial Nephrectomy in Case of Complex Tumours (PADUA ≥10): A New Intraoperative Tool Overcoming the Ultrasound Guidance, European Urology, Volume 78, Issue 2,2020,Pages 229-238,ISSN 0302-2838,https://doi.org/10.1016/j.euru-ro.2019.11.024.
19. Porpiglia, F., Checcucci, E., Amparore, D., Autorino, R., Piana, A.,Bellin, A., … & Fiori, C. (2018). Augmented-reality robot-assisted radical prostatectomy using hyper-accuracy three-dimen-sional reconstruction (ha3d™) technology: a radiological and pathological study. BJU International, 123(5), 834-845. https:// doi.org/10.1111/bju.14549
20. Artificial intelligence and neural networks in urology: current clinical applications Enrico Checcucci 1, Riccardo Autorino 2, Giovanni E Cacciamani 3, Daniele Amparore 4, Sabrina De Cillis 4, Alberto Piana 4, Pietro Piazzolla 5, Enrico Vezzetti 5, Cristian Fiori 4, Domenico Veneziano 6, Ash Tewari 7, Prokar Dasgupta 8, Andrew Hung 3, Inderbir Gill 3, Francesco Porpiglia 4; Uro-technology and SoMe Working Group of the Young Academic Urologists Working Party of the European Association of Urology 2020 Feb;72(1):49-57. doi: 10.23736/ S0393-2249.19.03613-0.
Ключови думи:
Изкуствен интелект, Изкуствени невронни мрежи, Дълбоко обучение. Машинно самообучение, Урология, Хирургия
Как да цитирате тази статия:
К. Кръстев, Н. Цветков, Н. Стоянов, К. Ибрахимов, К. Давидов Перспективи на бъдещето: Литературен обзор на новия потенциален инструмент на уролога- Изкуственият интелект Ендоурология и минимално инвазивна хирургия, 2023; 11(1): 5-10
Адрес за кореспонденция:
Д-р Кристиян Кръстев
Клиника Урология УМБАЛ “СофияMед”, гр. София;
e-mail: kkrustev944@gmail.com
e-mail: kkrustev944@gmail.com