人工智能在体外冲击波碎石术中的应用于

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 体另有火球砂砾术 (ESWL) 打算被非常昂贵和侵入性的内窥镜病人所取代。研发智能 (AI) APC ESWL，并深入研究机机内深造可以进一步提高 ESWL 功用的发展潜力。 的设计、设置和参与者 二维医学影像图片是在 ESWL 病人其近从相似图片采集机内的在该线医学影像的设备里面捕获。一名检视者将 11 位高血压的 23 212 张所示形标注为对温或离温。里面位精准度是通过借助于在高血压正确地度上生产量化的。兼具 U-Net 驱动程式的DFT为数学基本上概念在 57 幅医学影像所示形上进行时操练，这些所示形描绘出了来自同一高血压的肾肾衰竭，并由第二位检视者进行时了释义。在第一个检视者释义的医学影像所示形上试验中了 U-Net。适用九名高血压的操练集、一名高血压的正确性集和一名高血压的试验中集进行时交错正确性。结果测算和汇总分析方律 生产量化了详细描述分类律机内机动性的经典指标，以及对方律有如何冲击火球精准度的有约。结果 规格 ESWL 的里面位精准度为 55.2%（95% 置信区近 [CI] 43.2–67.3%）。U-Net 的规格是灵敏度 63.9%、灵敏度 56.0%、基因表达 74.7%、乙型肝炎预测个为数 75.3%、同义预测个为数 55.2%、Youden's J 汇总 30.7%、无电子邮件百余人 58.0% 和 Cohen's κ 0.2931。该方律有将错误总为数进一步提高了 67.1%。主要受限是这是一项只能就其 11 名高血压的种概念正确性深入研究。结论 我们生产量化出的 ESWL 精准度为 55.2%（95% CI 43.2–67.3%），大力支持早期深入研究的结果。我们之以前证明，只能对 11 名高血压进行时操练的机机内深造方律有将精准度进一步提高到 75.3%，并将犯规进一步提高了 67.1%。当 U-Net 在非常多和极低质生产量的释义上进行时操练时，可以期许非常佳的结果。

概述 肾肾衰竭可以通过火球来病人。肾脏的医学影像扫描主要用途借助于机机内发信火球，但火球仍不太可能漏掉肾衰竭。我们适用智能来进一步提高击里面打算处置的沙子的正确地性。URL：体另有火球砂砾术，肾肾衰竭，智能，机机内深造，为数学基本上概念

Introduction .

尿石症是一种越来越常见的疾病，给高血压和医疗保健都带来了沉重的财政负担。尿石症的患病百余人在全球区域内各不相异，从 4% 到 20%。自 1980 年 Chaussy 等人媒体报道体另有火球砂砾术 (ESWL) 病人尿石症以来，它已被选为最近似于的病人拟议。火球砂砾的控制能力是 ESWL 的基础，其功用各不相异火球坠落肾衰竭的控制能力。ESWL、经皮肾镜取石术 (PCNL) 和输尿管肾镜核对/同方向肾内切除术 (URS/RIRS) 是有副作用的尿石症的主要病人选择 。其里面，ESWL 是侵入性最小、肺炎最少的方律有。一项为期 20 年的全球深入研究推断出，URS/RIRS 的总病人收益缩减了 17%，PCNL 保持不变，ESWL 进一步提高了 14.5%。另一项事件调查尿石症病人文献趋势的深入研究备注明，关于 URS/RIRS 和 PCNL 的论文分别缩减了 171% 和 279%，而关于 ESWL 的论文进一步提高了 17%。ESWL 功用的进一步提高不该才会降偏高再病人百余人、切除术室星期、需要、内窥镜的设备的适用和肺炎发生百余人，从而贞着降偏高医疗保健成本。自生产量化机诞生以来，人们多年来希望的设计未能必需与全人类智能竞争的生产量化机。这是通过模仿全人类认知基本上功能来做到的，这一种概念被叫做智能 (AI)。机机内深造 (ML) 是一种通过实战经验深造的智能 [12]。之以前研发并试验中了几种主要用途尿路肾衰竭的非机机内深造方律有，但没法一种方律有在临床实践里面想得到广泛采用。之以前证明，ML 方律有在所示形分析方律各个方面的备注现很低临床内科医生 。在行政官员深造里面，方律有被赋予标示为数据库，例如有肾衰竭和没法肾衰竭的肾脏的医学影像所示形，以操练它区隔“肾衰竭”所示形和“无肾衰竭”所示形。受生物神经回路启发的风靡 ML 方律有除此以另有人工为数学基本上概念 (NN)（所示 1A）。NN 里面的第一层叫做转换成层，其依赖性是将原始转换被选为数据库分发到下一层 。编码器层将转换成更改为整个网络服务的之后编码器，在我们的下述里面重新考虑所示形否包含泌尿系肾衰竭。在转换成层和编码器层彼此之近有“背后”层，这些层由权重组成，可以教授处置比较简单原因。相互连接和层的结构备注述了 NN 的驱动程式。

Fig. 1

(A) 简单为数学基本上概念驱动程式下述，除此以另有兼具两个路由器的转换成层、兼具三个路由器的背后层和兼具两个路由器的编码器层。适用 Inkscape 创立。(B) 详细描述可能会匹配的所示。操练现实生活里面操练值不断减小，如果基本上概念操练星期更多长，之后值为零。当过匹配开始时，正确性错误将开始缩减，因为基本上概念的一般化控制能力越来越差。最佳取消星期是正确性曲该线上的最偏高点。基于 Tretyakov的所示备注。(C) 来自 Yani 等人科学共享署名 3.0 批准后）的所示形贞示小得多池化和千分之池化对转换成进行时下取样。在小得多池化里面，转换成被分开几部份，每个部份的最高个为数生产量化出来编码器。在千分之池化里面，每个部份的千分之个为数生产量化出来了编码器。NN 操练往往适用最佳化机内来做到，该最佳化机内旨在通过反向传播来假定重大损失函为数。重大损失函为数的依赖性是基准方律有对假定为数据库建模的控制能力（例如，标示肾肾衰竭），其个为数主要用途非常新网络服务权重以假定值。为了深入研究 NN 的一般性，不该适用与主要用途操练的为数据库相异的为数据库对其进行时正确性。在操练其近监控正确性重大损失：随着网络服务的改进，正确性值随着操练值而减小。然而，操练现实生活里面的一个常见原因是可能会匹配（所示 1B），这往往是基本上概念记忆操练为数据库的结果 [19]。结果是一个基本上概念没法深造可一般化的相异之处，往往通过正确性重大损失的发散来标示。为了以防这种情况，采用了相异的操练策略，例如提以前取消和正则化。非常关键性的是，在操练现实生活之后需并适用第三个独立为数据库集，往往叫做试验中集。试验中集主要用途基准网络服务应付不可见独立为数据库特殊任务的控制能力。DFT为数学基本上概念 (CNN) 是比较简单所示形分析方律的首选 [20]。基本上 CNN 是为了首先标示偏高比较简单度的相异之处，然后在非常深的层里面见到极低比较简单度的相异之处 [20]。DFT加载标示转换成的基本上相异之处（例如，该线或圆）并生产量化出来叫做相异之处所示的编码器。池化加载然后对相异之处所示进行时下取样（降偏高分辨百余人）以进一步提高后续加载里面对生产量化控制能力的需要。最近似于的两种池化加载是小得多池化和千分之池化，如所示 1C 所示。当方律有对所示形进行时分割时，它才会将其划分为语义实例 [20]，例如确认所示形的哪一部份描绘出了泌尿系肾衰竭 [16]。之以前为分割目的基本上了相异的 CNN，其里面一个例子是 U-Net [20]。U-Net 的第一个过渡阶段是下取样，其里面DFT层标示所示形相异之处，而小得多池化闭包对相异之处所示进行时下取样。在最后一个过渡阶段，即上取样，相异之处所示通过上取样闭包进行时上取样，并与来自下取样过渡阶段的对称相异之处所示的副本相结合 [20]。通过这些交错相互连接，可以保留高分辨百余人相异之处，如所示 2 所示。

Fig. 2

Ronneberger 等人 创立的原始 U-Net 驱动程式。蓝色平面代备注相异之处所示，而白色平面代备注通过交错相互连接克隆的相异之处所示。圆圈备注示闭包（蓝色和浅蓝色 = DFT；灰色 = 交错相互连接；金色 = 小得多池化；白色 = 上取样）。

Patients and methods 2.

分析方律二维医学影像所示形以有约技工压制的 ESWL 的精准度并试验中 U-Net 机动性。为了拿到所示形，将帧采集机内相互连接到 ESWL 机机内（PiezoLith 3000，Richard Wolf GmbH，Knittlingen，Germany），主要用途在 ESWL 其近捕获在该线实时医学影像所示形。每个图片的大小为 30 分钟，随机选择 5 分钟的图片序列进行时释义。释义者提取医学影像抽样以将每个帧标示为当肾衰竭始终保持温点周围 (FZ) 时“聚温”或当肾衰竭不在 FZ 里面时“失温”（所示 3A）。这个现实生活是适用释义工具进行时的（所示 3B）。由于肾衰竭往往在 FZ 内或 FZ 另有连续超过两个帧，因此通过只能标示帧近隔的过渡到点来重构释义现实生活。例如，如果第一帧被标示为对温，并且在第十帧里面发生了离温的过渡到，那么从开始到第十帧的所有帧都被归类为对温。

Fig. 3

(A) 基本上概念研究报告肾衰竭设于温点的基本上下述，因为 ≥50% 的预测肾衰竭（金色）在温点周围（紫色）内。(B) 释义工具的屏幕截所示。相似十字准该线的医学影像图片贞示在右边，滑块主要用途浏览帧。要释义帧，释义者单击“选择要释义的帧”并选择将帧标示为“温点”或“失温”。如果肾衰竭在此帧里面始终保持温点，则释义者然后继续图片并取消标示肾衰竭失温的第一帧。这两个标识彼此之近的帧才会自动标示为“温点”。白色和金色平面代备注释义者标示的帧。在释义现实生活里面，我们推断出一些肾衰竭在医学影像所示形里面不可见，并且这些高血压（病例 1、3 和 9）未能除此以另有在技工压制的 ESWL 的精准度分析方律里面。共直接释义了 731 帧，所致共 23 212 帧。由于医学影像的设备每秒捕获15 帧，我们之后想得到了 26 分钟的带释义的医学影像图片，代备注每位高血压的千分之星期为 3.2 分钟。此另有，第二个释义者在任意基本上里面为所有高血压描绘出了肾脏和肾肾衰竭。这所致了来自共 57 张所示形的肾脏和肾肾衰竭的二元掩码。为了在肾肾衰竭分割里面试验中规格的 U-Net DFT网络服务，它适用描绘出的所示形进行时操练。为了操练和正确性网络服务，我们提供了肾脏和肾肾衰竭的释义。标示肾脏为方律有提供了一个参考点或有关肾衰竭不该在哪里的实例电子邮件，因为在整个病人现实生活里面，肾肾衰竭大致保持在肾脏内部的相异左边。我们进行时了基于高血压的交错正确性。通过对来自 9 名高血压的帧进行时操练并在来自一名高血压的帧上进行时正确性，共创立了 11 个基本上概念。在这 11 个基本上概念里面，有 8 个在相异的 23 212 个帧上进行时了试验中，这些帧在 8 名高血压里面标注为“对温”或“失温”。事件调查的第一个结果是技工压制 ESWL ，以 90 脉冲/分钟的速度连续试射的精准度。精准度是指坠落肾衰竭的火球的多于，在本深入研究里面备注述为超过 50% 的肾衰竭在 FZ 里面的发球。为了生产量化这个，我们需知道在一定为数生产量的帧里面肾衰竭聚温的帧为数。每个帧由一名检视者手动资源分配一个 0（失温）或 1（温点）标识，标识的总和生产量化出来了肾衰竭在 FZ 里面的帧为数。适用 R 环境进行时汇总编程 (www.r-project.org)，适用偏离录入和加速自举律有约每个高血压的里面位精准度，兼具 95% 的置信区近 (CI)，以审计超出抽样的结果的稳健性有约。通过在 SPSS 里面生成直方所示、箱该线所示和正态 Q-Q 所示，并通过执行 Shapiro-Wilk 验和峰态和偏度分析方律来核对高血压的精准度原产。手动执行匹配优度的 χ2 验以确认精准度否均匀原产并之后重新考虑合并否适当。p 个为数

为了有约 U-Net 方律有的机动性，将为数据库转换成 R 以创立误读矩阵（备注 1），其里面的基本上无论如何是释义为数据库。方律有未能正确性到沙子的帧不包含在误读矩阵里面。然后适用 R 来生产量化分类律基本上概念机动性的经典指标：正确地性、敏感性、基因表达、乙型肝炎预测个为数 (PPV)、同义预测个为数 (NPV)、风靡百余人、检出百余人、正确性风靡百余人、平衡灵敏度、Youden's J 汇总生产量、无电子邮件百余人和 Cohen 的 κ。备注 2 里面提供了对这些个为数的说明了。然后，我们通过将标注为温点的帧为数之和真为乙型肝炎为数来有约 U-Net 压制的 ESWL 相比之下技工压制的 ESWL 的病人星期。通过将比起处置星期乘以真为同义为数，再之和释义为失温的帧为数，我们有约了 U-Net 将如何冲击错误为数。假定 90/min 的火球速百余人，生产量化技工压制的 ESWL 和 U-Net 压制的 ESWL 的每分钟命里面为数。通过对 R 里面 5000 个帧抽样进行时偏离录入和加速借助于，生产量化每位高血压的里面位精准度和 95% CI（备注 3）。备注格1 在误读矩阵里面有组织的误读矩阵的设计和试验中为数据库（释义为聚温或失温的所示形）

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

详细描述分类律机内机动性的关键性最近概述

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

通过自举律有约的每位高血压的技工压制的体另有火球砂砾术的里面位精准度

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.

经周围委员才会审计后，拿到适用从高血压记录电子书的匿名医学影像图片的书面批准后（参考序号 2014/2261）。

Results 3.

高血压的精准度长方形正态原产，如所示 4A-D 所示。这想得到了偏度 (z = −0.005) 和峰度 (z = 1.73) 的分析方律以及 Shapiro-Wilk 验 (p> 0.05) 的大力支持。然后手动执行 χ2 匹配优度验，然后在 R 里面进行时压制。通过将该高血压的总帧为数乘以合并千分之精准度 (50.12%) 来生产量化每个高血压的预期精准度。兼具七个自由度的 χ2 个为数为 927.4，p 个为数

Open in a separate window

Fig. 4

(A) 技工压制的体另有火球砂砾术 (ESWL) 的精准度直方所示。该原产相似正态原产，尽管兼具一定持续性的峰度。然而，峰态 z 个为数在汇总上未能必贞着。(B) 技工压制的 ESWL（x 轴）的精准度（y 轴）的箱该线所示，贞示与正态原产一致的近似对称原产。高血压 10 和 11 是反常个为数。(C) 技工压制的 ESWL 精准度的正常人 Q-Q 所示。这些点西南方该线，这往往备注示正态原产。尽管如此，点如何围绕该线有组织也许存在一种趋势，这备注明原产只不过不太可能未能必正常人。(D) 精准度第 95 个百分位的收敛。随着借助于迭代次为数的缩减，两个连续个为数彼此之近的比起差异更趋零。只能从原来的 8 个抽样里面提取 6435 个相异的抽样。这受限了我们可以借助于的抽样为数生产量，因为缩减借助于抽样的为数生产量才会缩减多次提取相异抽样的不太可能性。为了见到最佳的 bootstrap 抽样为数生产量，我们探索了需多少个 bootstrap 抽样才能稳定第 95 个百分位为数。这贞示在所示备注里面，x 轴上是自举抽样的为数生产量，y 轴上是第 95 个百分位为数的发生变化。很值得请注意，在2000-3000个抽样的bootstrapping后发生变化

该方律有无律在 20.6% 的帧里面见到沙子，因此它们没法包含在分析方律里面。对于剩余的 18 440 帧，生产量化了预测的沙子周围和 FZ 彼此之近的交叠持续性。≥50% 的交叠被认为是“温点”。适用释义机内作为基本上无论如何将试验中结果有组织在 R 里面的误读矩阵里面，并生产量化机动性（备注 1）。该方律有推断出 58.0%（一般性）的帧有温点肾衰竭（备注 4）。该方律有的正确地百余人为 63.9%，这未能必一定它无论如何地将 63.9% 的帧分类律为“对温”或“失温”。在肾衰竭聚温的帧里面，方律有未能必需将大约一半归类为“聚温”，因为灵敏度为 56.0%。该方律有非常擅长对“失温”的肾衰竭进行时分类律，基因表达为 74.7%。PPV（方律有无论如何分类律为“对温”的帧为数）为 75.3%，NPV（方律有无论如何分类律为“失温”的帧为数）为 55.2%。请请注意，如果砂砾机根据方律有试射火球，则 PPV 对应于精准度。检出百余人为 32.5%，而检出百余人要高得多，为 43.1%，备注明存在大生产量误报（当沙子只不过“失温”时，AI 将帧分类律为“对温”）。Youden's J 汇总生产量为 30.7%（规格：>0），Cohen's κ 为 0.2931（规格：>0），无电子邮件百余人为 58.0%（偏高于正确地百余人），方律有机动性很低随机猜测否肾衰竭在温点内或温点另有，备注明它可以无论如何医学影像所示形里面的肾肾衰竭。相比之下可视压制的 ESWL，病人星期为 1.94 (11 633/5 987)，而误加载百余人为可视压制的 ESWL 的 32.9% ([1.94 × 1961]/[23 212 – 11 633])。技工压制的 ESWL 每分钟击石 45 次 (90/min × 11 633/23 212)，而 U-Net 压制的 ESWL 每分钟击石 23 次 (90/min × 5987/23 212)。

Table 4

在释义为对温或离温的医学影像所示形上试验中时，U-Net 基本上概念的生产量化机动性最近

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.

深入研究结果备注明，最佳化 ESWL 精准度有很大的发展潜力，因为我们有约适用 U-Net 为数学基本上概念压制 ESWL 和缺失火球的总为数可以将技工压制的精准度从 55.2% 进一步提高到 75.3%，之后使切除术对高血压非常确保。有约精准度的方式有几个受限和缺陷。首先，释义者（一名医学生）在医学影像所示形说明了各个方面缺乏实战经验；其次，由于所示形分辨百余人偏高，很难确认沙子的确切边界，这是我们在释义现实生活里面遭遇的一个关键性原因。由于探头-扫描器该系统本身的质生产量以及在火球试射其近探头必须伸直，因此分辨百余人较偏高。未能来的高效率不太可能是将介入以前生产量化机断层扫描 (CT) 所示形与医学影像所示形配准，这不太可能才会使释义者非常容易通过建议肾衰竭相比之下肾脏的左边来进行时无论如何的释义。 另一个原因是我们取样的医学影像所示形来自病人的以前 5 分钟。在病人现实生活里面，肾衰竭日渐破碎，因此越来越非常难标示（对于凹凸也是如此），因此我们适用的抽样没法代备注整个病人现实生活。然而，当结宝越来越难以标示时，它与我们的分析方律比如说，因为释义者无律确认结宝否在温点上。高血压彼此之近的有约精准度长方形正态原产，备注明它们兼具代备注性。我们将火球击里面备注述为肾衰竭和 FZ 彼此之近 50% 的交叠不太可能不是最佳的，因为边沿击里面也不太可能所致碎裂，从而所致对击里面百余人的偏高估。当我们考虑高血压 1、3 和 9 时，不太可能才会引入偏离，因为他们的肾衰竭在医学影像上缺乏可见性。对于技工压制的 ESWL，技工也无律通过医学影像相比之下他们的肾衰竭，因此需定期进行时凹凸。因此，技工对结宝实时左边的压制较少，并且不太可能才会萝卜非常多的星期失温。如果忽略这些高血压的所示形，技工压制的精准度不太可能才会被高估。该方律有的操练和机动性试验中也有一些普遍性和缺陷。该方律有在没法由第二个没法实战经验的检视者释义的十字准该线的为数据库上进行时了操练和正确性。因此，操练集不太可能包含有假乙型肝炎肾衰竭，受限了方律有无论如何深造肾衰竭的发展潜力。一些操练和正确性释义是对难以标示肾衰竭的医学影像所示形（除此以另有高血压 1、3 和 9）进行时的，缩减了有假乙型肝炎肾衰竭的概百余人。

该方律有只能对来自 11 名高血压的 57 张所示形进行时了操练。操练集贞然不足以最佳化方律有功用，如果除此以另有非常多高血压并且有实战经验的放射科内科医生适用 CT 提供正确地的释义，则该方律有兼具贞着的改进发展潜力。与有约技工压制的精准度一样，交叠有约也是机动性试验中里面的一个原因。试验中集由一名医学生释义，他通过对肾衰竭和 FZ 交叠的半主观视觉审计来审计肾衰竭否在温点上。相比之下，该方律有是在描绘出肾衰竭的所示形上进行时操练的。当工艺标示肾衰竭边沿时，个人生产量化机可以比全人类视觉审计交叠非常正确地地生产量化肾衰竭和 FZ 交叠。因此，尽管试验中集释义机内和方律有不太可能在试验中集所示形里面的肾衰竭左边上完全一致，但他们不太可能才会有约相异持续性的沙子-FZ 交叠，从而所致对肾衰竭否在温点上的冲突。这尤其与 FZ 内接近 50% 的结宝有关。在这些情况下，即使交叠有约的微小差异也不太可能冲击“聚温”与“聚温”的重新考虑。这所致详细描述方律有机动性的指标存在非常多也就是说道。 适用两个相异的没法实战经验的释义机内有一些额另有的缺陷。该方律有首先了解其里面一个释义者将什么说明了为肾衰竭，然后根据另一个释义者将什么说明了为肾衰竭进行时试验中。这里的一个原因是检视者近的可变性，我们确认这一点很关键性：两个释义机内的比较贞示不匹配百余人为 37.5%。这未能必一定该方律有永远不才会在试验中集上完美调试，因为操练集和试验中集的释义者在沙子边界的备注述上存在冲突。无论如何上，权衡检视者近的可变性而不是只适用一个检视者增强了我们的指标的信心，备注明该方律有兼具肾衰竭控制能力。 如果该方律有在标示肾衰竭各个方面越来越很低试验中集释义机内，则指标将偏高估方律有的机动性。为了查看方律有的备注现否值得请注意很低暗示的指标，我们目视核对了几个方律有预测肾衰竭的医学影像图片，并在操练集里面适用的相异类型的释义上试验中了操练方律有。在查看结果后，该方律有值得请注意很低试验中集释义的想律被拒绝了。 我们讨论了处置方律有未能正确性到肾衰竭的帧，就像方律有研究报告肾衰竭“失温”一样。除了灵敏度降偏高（51.2%）另有，这将所致所有 AI 机动性参为数的改进。最个为数得请注意的是，我们看到灵敏度进一步提高到 67.0%，基因表达进一步提高到 83.0%，Youden's J 汇总生产量进一步提高到 34.2%。以这种方式分析方律为数据库的论点是，未能正确性到的肾衰竭不才会被射里面，从而降偏高了病人肺炎的风险。话虽如此，我们选择不这样做，因为我们无律压制方律有未能正确性到沙子的帧否有沙子，这才会所致方律有的控制能力被高估。此另有，它不才会冲击PPV，PPV可以说道是分析方律这两项当以前状态下方律有机动性时关键性的参为数。 我们未能必需确认三项深入研究，有约 ESWL 精准度在 40% 到 60% 彼此之近。与其他深入研究相比，有约的 55.2% 的精准度始终保持较高的区域内，但广泛的 95% CI (43.2-67.3%) 与他们的检视结果极为吻合。精准度和小抽样生产量的相异备注述受限了这些深入研究的一般性。 迄今为止，还没法关于主要用途在医学影像所示形里面相比之下泌尿系肾衰竭以进行时 ESWL 病人的 ML 方律有的出版物。Singla 等人试图在适用 RetinaNet 进行时 ESWL 病人其近适用凹凸相比之下尿路肾衰竭，并适用相异的 ML 方律有做到了 70% ± 10% 的精度。

我们的方律有可以通过在肾衰竭失温时取消砂砾机试射火球来做到。还可以加进相似 Singla 等人 适用的方律有来创立一个同时适用医学影像和凹凸的方律有，这不太可能才会进一步进一步提高对肾衰竭控制能力。之以前备注明，60-90 的病人脉冲百余人激发最佳的无石百余人，但不该请注意的是，该百余人是基于对相异也就是说百余人的试验中，无论肾衰竭否在温点周围内。当以前的 ESWL 病人程序每次病人适用大约 3000-4000 次脉冲，精准度为 50%，所致大约 2000 次命里面。方律有压制的 ESWL 不太可能只需 2000 次火球，从而进一步提高病人星期。无论如何上，可以缩减火球百余人，这样当肾衰竭穿过温点周围时，它就可以被多次击里面。我们小组先以前未能发备注的深入研究结果备注明，肾衰竭在呼吸结束时比起静止（所示 5）。在方律有压制的 ESWL 里面可以非常佳地借助这一表征无论如何，当肾衰竭在每次呼吸结束时静止在温点周围内时，火球以极低的速百余人试射。该方律有权衡了整个肾像，而不只能只能是肾衰竭本身，因此方律有压制的 ESWL 的另一个潜在坏处是，当肾衰竭经常在两个医学影像上越来越不清楚时，可以在病人现实生活的后期保持精准度和凹凸。在该方律有在临床实践里面实施之以前，不该对非常多和极低质生产量的释义进行时操练和试验中，最难由泌尿放射科内科医生适用预处置 CT 的电子邮件进行时操练和试验中。操练集的标注也不该在几个相异的的机构进行时，以进一步提高 ML 方律有的一般化控制能力。

Fig. 5Kragset 的所示备注展览了一个排便周期性里面泌尿系肾衰竭的三维运动。每个点代备注肾衰竭在特定星期点的左边。当点彼此之近的该线很长时，运动就很大。呼吸结束时的点彼此极为接近，这未能必一定肾衰竭几乎打转——这是脚架肾衰竭的最佳星期近隔。

Conclusions 5.

有约技工压制的 ESWL 精准度为 55.2%（95% CI 43.2–67.3%），这未能必一定大约一半的火球没法击里面沙子。方律有压制的 ESWL 将精准度进一步提高到约 75.3%，并使漏石的火球总为数进一步提高了约 67.1%。结果备注明，在非常佳的释义上操练和试验中的 U-Net 为数学基本上概念将未能必需进一步提高 ESWL 的功用。