人工智能在体外冲击波碎石奥义中的应用

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 活体内爆泥精 (ESWL) 正在被不够昂贵和MRI的内窥镜疗程所变为。联合开发量化机系统 (AI) 强化型 ESWL，并至少据深入研究机容器研读可以大幅度提高 ESWL 药用价绝对值的吸引力。 内部设计、分设和行动者 二维超音波录像带是在 ESWL 疗程在此期除此以外从比如说录像带采集容器的在支线超音波通讯设备之前释放出来。一名通过观察将 11 位病征的 23 212 张三维标示出为数码单反或离焦。之前位得分是通过借助于在病征水平上量化的。不具备 U-Net Core的微分神经网络服务在 57 幅超音波三维上完成体能训练，这些三维描绘了来自同一病征的肾囊肿，并由第二位通过观察完成了脚注。在第一个通过观察脚注的超音波三维上确切性了 U-Net。应用以九名病征的体能训练集、一名病征的确切性集和一名病征的确切性集完成交叉确切性。结果测用量和统计深入研究 量化了描述归类容器效能的定格这两项，以及对演算国法如何不良影响内爆得分的大概。结果 标准 ESWL 的之前位得分为 55.2%（95% 置信区除此以外 [CI] 43.2–67.3%）。U-Net 的效能这两项是确切度 63.9%、孔径 56.0%、甲基化 74.7%、阴性假设绝对值 75.3%、阴性假设绝对值 55.2%、Youden's J 统计 30.7%、无信息部将 58.0% 和 Cohen's κ 0.2931。该演算国法将错误总至少提高了 67.1%。主要上限是这是一项数牵涉到 11 名病征的概念确切性至少据深入研究。结论 我们量化出的 ESWL 得分为 55.2%（95% CI 43.2–67.3%），全力支持早期至少据深入研究的结果。我们并未推论，数对 11 名病征完成体能训练的机容器研读演算国法将得分大幅度提高到 75.3%，并将关键时刻提高了 67.1%。当 U-Net 在不够多和不够高质用量的脚注上完成体能训练时，可以期待不够好的结果。

总结 肾囊肿可以通过内爆来疗程。心脏的超音波扫描用以借助于机容器发出内爆，但内爆仍可能漏掉囊肿。我们应用以量化机系统来大幅度提高开火正在处理事件的一块的确切性。词条：活体内爆泥精，肾囊肿，量化机系统，机容器研读，神经网络服务

Introduction .

尿石症是一种越来越常见于的疾病，给病征和卫生保健都造成了了沉重的开销。尿石症的患病部将在世界范围内各不不尽相同，从 4% 到 20%。自 1980 年 Chaussy 等人刊文活体内爆泥精 (ESWL) 疗程尿石症以来，它已带进最常用的疗程方案。内爆泥的意志力是 ESWL 的基础，其药用价绝对值取决于内爆爆炸囊肿的意志力。ESWL、经皮肾镜取石精 (PCNL) 和膀胱肾镜检查/逆行肾内手精 (URS/RIRS) 是有症状的尿石症的主要疗程选择 。其之前，ESWL 是MRI大于、败血症最少的方国法。一项为期 20 年的世界至少据深入研究推断出，URS/RIRS 的总疗程份额减少了 17%，PCNL 依然不变，ESWL 提高了 14.5%。另一项深入调查尿石症疗程史籍趋势的至少据深入研究详见明，关于 URS/RIRS 和 PCNL 的学精论文分别减少了 171% 和 279%，而关于 ESWL 的学精论文提高了 17%。ESWL 药用价绝对值的大幅度提高应当但会降高于于是又疗程部将、手精室时除此以外段、需求、内窥镜通讯设备的应用以和败血症时有发生部将，从而贞着降高于卫生保健成本。自量化机诞生以来，人们一直希望内部设计只能与人类智能竞争的量化机。这是通过而出名人类认知功能来充分利用的，这一概念被特常指量化机系统 (AI)。机容器研读 (ML) 是一种通过实战经验研读的量化机系统 [12]。并未联合开发并确切性了几种用以尿路囊肿的非机容器研读演算国法，但没有人一种演算国法在临床实践之前得到最常引入。并未推论，ML 演算国法在三维深入研究总体的详见现很低临床内科医生 。在全权负责研读之前，演算国法被赋予标示原始至少据，例如有囊肿和没有人囊肿的心脏的超音波三维，以体能训练它区分“囊肿”三维和“无囊肿”三维。受海洋生物神经元件启发的风靡 ML 演算国法数限于人工神经网络服务 (NN)（上图 1A）。NN 之前的第一层特常指读取层，其关键作用是将原始读取原始至少据分发到下一层 。输入层将读取变更为整个网络服务的事与愿违输入，在我们的示例之前最终三维有否包含泌尿系囊肿。在读取层和输入层除此以外有“隐藏”层，这些层由权重分成，可以名誉教授处理事件繁杂关键问题。相互连接和层的结构上并不一定了 NN 的Core。

Fig. 1

(A) 简单神经网络服务Core示例，数限于不具备两个路由器的读取层、不具备三个路由器的隐藏层和不具备两个路由器的输入层。应用以 Inkscape 创建人。(B) 描述以致于拟合的上图。体能训练每一次之前体能训练最大者绝对值不断加大，如果至少学模型体能训练时除此以外段所需长，事与愿违最大者绝对值为零。当过拟合开始时，确切性错误将开始减少，因为至少学模型的泛简化意志力越来越差。最佳暂缓时除此以外段是确切性曲支线上的最高于点。基于 Tretyakov的至少学公式。(C) 来自 Yani 等人学问共享署名 3.0 允许）的三维标示出最大者池简化和最低池简化对读取完成下频域。在最大者池简化之前，读取被分成几均，每个均的最高绝对值所述输入。在最低池简化之前，每个均的最低绝对值所述了输入。NN 体能训练一般而言应用以优简化容器来充分利用，该优简化容器意在通过反向传播来大于简化损失函至少。损失函至少的关键作用是衡用量演算国法对给定原始至少据建模的意志力（例如，辨识肾囊肿），其绝对值用以不够新网络服务权重以大于简化最大者绝对值。为了至少据深入研究 NN 的并不一定，应当应用以与用以体能训练的原始至少据并不相同的原始至少据对其完成确切性。在体能训练在此期除此以外监控确切性损失：随着网络服务的加以改进，确切性最大者绝对值随着体能训练最大者绝对值而加大。然而，体能训练每一次之前的一个常见于关键问题是以致于拟合（上图 1B），这一般而言是至少学模型记忆体能训练原始至少据的结果 [19]。结果是一个至少学模型没有人研读可泛简化的特点，一般而言通过确切性损失的发散来辨识。为了可避免这种可能，引入了并不相同的体能训练策略，例如提前暂缓和埃尔米特简化。不够重要的是，在体能训练每一次之后必须并应用以第三个独立原始至少据集，一般而言特常指确切性集。确切性集用以衡用量网络服务解决不可见独立原始至少据任务的意志力。微分神经网络服务 (CNN) 是繁杂三维深入研究的值得一提的是 [20]。重构 CNN 是为了首先辨识高于繁杂度的特点，然后在不够深的层之前找寻不够高繁杂度的特点 [20]。微分可用辨识读取的理论上特点（例如，支线或圆）并所述特常指特点上图的输入。池简化可用然后对特点上图完成下频域（降高于分辨部将）以提高不足之处可用之前对量化意志力的需求。最常用的两种池简化可用是最大者池简化和最低池简化，如上图 1C 上图。当演算国法对三维完成分割时，它但会将其划分为语义对象 [20]，例如确认三维的哪一均描绘了泌尿系囊肿 [16]。并未为分割目的重构了并不相同的 CNN，其之前一个例子是 U-Net [20]。U-Net 的第一个阶段是下频域，其之前微分层辨识三维特点，而最大者池简化黎曼对特点上图完成下频域。在最后一个阶段，即上频域，特点上图通过上频域黎曼完成上频域，并与来自下频域阶段的对称特点上图的副本相结合 [20]。通过这些交叉相互连接，可以依然一致高分辨部将特点，如上图 2 上图。

Fig. 2

Ronneberger 等人 创建人的原始 U-Net Core。蓝色正方形都有特点上图，而白色正方形都有通过交叉相互连接复制的特点上图。箭头说明黎曼（深蓝色和白色 = 微分；黄褐色 = 交叉相互连接；红色 = 最大者池简化；黄色 = 上频域）。

Patients and methods 2.

深入研究二维超音波三维以大概技精人员遏制的 ESWL 的得分并确切性 U-Net 效能。为了取得三维，将帧采集容器相互连接到 ESWL 机容器（PiezoLith 3000，Richard Wolf GmbH，Knittlingen，Germany），用以在 ESWL 在此期除此以外释放出来在支线实时超音波三维。每个录像带的间距为 30 分钟，随机选择 5 分钟的录像带序列完成脚注。脚注者提炼超音波抽样以将每个帧标示为当囊肿始终保持揭示地区 (FZ) 时“揭示”或当囊肿不在 FZ 之前时“失焦”（上图 3A）。这个每一次是应用以脚注理论上功能完成的（上图 3B）。由于囊肿一般而言在 FZ 内或 FZ 另有连续大约两个帧，因此通过数标示帧除此以外隔的过渡阶段点来简简化脚注每一次。例如，如果第一帧被标示为数码单反，并且在第十帧之前时有发生了离焦的过渡阶段，那么从开始到第十帧的所有帧都被归为为数码单反。

Fig. 3

(A) 至少学模型份文件囊肿位于揭示的重构示例，因为 ≥50% 的假设囊肿（红色）在揭示地区（黄色）内。(B) 脚注理论上功能的屏幕截上图。比如说十字准支线的超音波录像带标示出在右侧，滑块用以浏览帧。要脚注帧，脚注者单击“选择要脚注的帧”并选择将帧标示为“揭示”或“失焦”。如果囊肿在此帧之前始终保持揭示，则脚注者然后于是又次录像带并暂缓标示囊肿失焦的第一帧。这两个标记除此以外的帧但会自动标示为“揭示”。黄色和红色正方形都有脚注者标示的帧。在脚注每一次之前，我们推断出一些囊肿在超音波三维之前不可见，并且这些病征（病例 1、3 和 9）不曾数限于在技精人员遏制的 ESWL 的得分深入研究之前。合计这样一来脚注了 731 帧，引发合计 23 212 帧。由于超音波通讯设备每秒释放出来15 帧，我们事与愿违得到了 26 分钟的带脚注的超音波录像带，都有每位病征的最低时除此以外段为 3.2 分钟。此另有，第二个脚注者在任意重构之前为所有病征描绘了心脏和肾囊肿。这引发了来自合计 57 张三维的心脏和肾囊肿的二元掩码。为了在肾囊肿分割之前确切性标准的 U-Net 微分网络服务，它应用以描绘的三维完成体能训练。为了体能训练和确切性网络服务，我们给予了心脏和肾囊肿的脚注。标示心脏为演算国法给予了一个参考点或有关囊肿应当在哪里的上下文信息，因为在整个疗程每一次之前，肾囊肿大致依然在心脏内部的不尽相同所在位置。我们完成了基于病征的交叉确切性。通过对来自 9 名病征的帧完成体能训练并在来自一名病征的帧上完成确切性，合计创建人了 11 个至少学模型。在这 11 个至少学模型之前，有 8 个在不尽相同的 23 212 个帧上完成了确切性，这些帧在 8 名病征之前标示出为“数码单反”或“失焦”。深入调查的第一个结果是技精人员遏制 ESWL ，以 90 激光/分钟的速度连续发射的得分。得分是常指爆炸囊肿的内爆的百分比，在本至少据深入研究之前并不一定为大约 50% 的囊肿在 FZ 之前的击球。为了量化这个，我们必须想到在一定至少用量的帧之前囊肿揭示的帧至少。每个帧由一名通过观察手动扣除一个 0（失焦）或 1（揭示）标记，标记的总和所述了囊肿在 FZ 之前的帧至少。应用以 R 生态环境完成统计编程 (www.r-project.org)，应用以偏差修正和更快自举国法大概每个病征的之前位得分，不具备 95% 的置信区除此以外 (CI)，以评估远大于抽样的结果的稳健性大概。通过在 SPSS 之前生成直方上图、箱支线上图和正态 Q-Q 上图，并通过督导 Shapiro-Wilk 验证和峰态和偏度深入研究来检查病征的得分分布区。手动督导拟合优度的 χ2 验证以确认得分有否均匀分布区并事与愿违最终改组有否合适。p 绝对值

为了大概 U-Net 演算国法的效能，将原始至少据读取 R 以创建人混为一谈乘积（详见 1），其之前的理论上确实是脚注原始至少据。演算国法不曾扫描到一块的帧不包含在混为一谈乘积之前。然后应用以 R 来量化归类至少学模型效能的定格这两项：确切性、敏感性、甲基化、阴性假设绝对值 (PPV)、阴性假设绝对值 (NPV)、风靡部将、检出部将、扫描风靡部将、平衡确切度、Youden's J 统计用量、无信息部将和 Cohen 的 κ。详见 2 之前给予了对这些绝对值的解读。然后，我们通过将标示出为揭示的帧至少除以真阴性至少来大概 U-Net 遏制的 ESWL 相较于技精人员遏制的 ESWL 的疗程时除此以外段。通过将相较处理事件时除此以外段乘上真阴性至少，于是又除以脚注为失焦的帧至少，我们大概了 U-Net 将如何不良影响错误至少。给定 90/min 的内爆速部将，量化技精人员遏制的 ESWL 和 U-Net 遏制的 ESWL 的每分钟命之前至少。通过对 R 之前 5000 个帧抽样完成偏差修正和更快借助于，量化每位病征的之前位得分和 95% CI（详见 3）。详见格1 在混为一谈乘积之前组织的混为一谈乘积内部设计和确切性原始至少据（脚注为揭示或失焦的三维）

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

描述归类容器效能的不可忽视统计原始至少据概述

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

通过自举国法大概的每位病征的技精人员遏制的活体内爆泥精的之前位得分

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.

经地区小组评估后，取得应用以从病征记录完整版的留言板超音波录像带的书面允许（参考编号 2014/2261）。

Results 3.

病征的得分长方形不确定性分布区，如上图 4A-D 上图。这得到了偏度 (z = −0.005) 和峰度 (z = 1.73) 的深入研究以及 Shapiro-Wilk 验证 (p> 0.05) 的全力支持。然后手动督导 χ2 拟合优度验证，然后在 R 之前完成遏制。通过将该病征的总帧至少乘上改组最低得分 (50.12%) 来量化每个病征的预期得分。不具备七个自由度的 χ2 绝对值为 927.4，p 绝对值

Open in a separate window

Fig. 4

(A) 技精人员遏制的活体内爆泥精 (ESWL) 的得分直方上图。该分布区类似于不确定性分布区，尽管不具备一定总体的峰度。然而，峰态 z 绝对值在统计上并不贞着。(B) 技精人员遏制的 ESWL（x 连杆）的得分（y 连杆）的箱支线上图，标示出与不确定性分布区一致的类似于对称分布区。病征 10 和 11 是异常绝对值。(C) 技精人员遏制的 ESWL 得分的正常 Q-Q 上图。这些点靠近支线，这一般而言说明不确定性分布区。尽管如此，点如何围绕支线组织似乎普遍存在一种趋势，这详见明分布区实际上可能并不正常。(D) 得分第 95 个百分位的收敛。随着借助于插值次至少的减少，两个连续绝对值除此以外的相较差异趋于零。只能从慢慢地的 8 个抽样之前提炼 6435 个并不相同的抽样。这上限了我们可以借助于的抽样至少用量，因为减少借助于抽样的至少用量但会减少多次提炼不尽相同抽样的可能性。为了找寻最佳的 bootstrap 抽样至少用量，我们探索了必须多少个 bootstrap 抽样才能稳定第 95 个百分位至少。这标示出在至少学公式之前，x 连杆上是自举抽样的至少用量，y 连杆上是第 95 个百分位至少的变简化。很明贞，在2000-3000个抽样的bootstrapping后变简化

该演算国法无国法在 20.6% 的帧之前找寻一块，因此它们没有人包含在深入研究之前。对于剩余的 18 440 帧，量化了假设的一块地区和 FZ 除此以外的分隔总体。≥50% 的分隔被相信是“揭示”。应用以脚注容器作为理论上确实将确切性结果组织在 R 之前的混为一谈乘积之前，并量化效能（详见 1）。该演算国法推断出 58.0%（并不一定）的帧有揭示囊肿（详见 4）。该演算国法的确切部将为 63.9%，这这样一来它确切地将 63.9% 的帧归类为“数码单反”或“失焦”。在囊肿揭示的帧之前，演算国法只能将大概一半归为为“揭示”，因为孔径为 56.0%。该演算国法不够擅长对“失焦”的囊肿完成归类，甲基化为 74.7%。PPV（演算国法确切归类为“数码单反”的帧至少）为 75.3%，NPV（演算国法确切归类为“失焦”的帧至少）为 55.2%。请注意，如果泥机根据演算国法发射内爆，则 PPV 对应于得分。检出部将为 32.5%，而检出部将要高得多，为 43.1%，详见明普遍存在大用量误报（当一块实际上“失焦”时，AI 将帧归类为“数码单反”）。Youden's J 统计用量为 30.7%（标准：>0），Cohen's κ 为 0.2931（标准：>0），无信息部将为 58.0%（高于于确切部将），演算国法效能很低随机揣测有否囊肿在揭示内或揭示另有，详见明它可以确切超音波三维之前的肾囊肿。相较于可用者遏制的 ESWL，疗程时除此以外段为 1.94 (11 633/5 987)，而误可用部将为可用者遏制的 ESWL 的 32.9% ([1.94 × 1961]/[23 212 – 11 633])。技精人员遏制的 ESWL 每分钟击石 45 次 (90/min × 11 633/23 212)，而 U-Net 遏制的 ESWL 每分钟击石 23 次 (90/min × 5987/23 212)。

Table 4

在脚注为数码单反或离焦的超音波三维上确切性时，U-Net 至少学模型的量化效能统计原始至少据

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.

至少据深入研究结果详见明，优简化 ESWL 得分有颇为大的吸引力，因为我们大概应用以 U-Net 神经网络服务遏制 ESWL 和缺失内爆的总至少可以将技精人员遏制的得分从 55.2% 大幅度提高到 75.3%，事与愿违使手精对病征不够安全。大概得分的方式则有几个上限和弱点。首先，脚注者（一名护理人员）在超音波三维解读总体缺乏实战经验；其次，由于三维分辨部将高于，很难确认一块的确切疆界，这是我们在脚注每一次之前碰见的一个重要关键问题。由于探头-扫描仪系统本身的质用量以及在内爆发射在此期除此以外探头必须缩回，因此分辨部将较高于。不曾来的解决方案可能是将介入前量化机断层扫描 (CT) 三维与超音波三维配准，这可能但会使脚注者不够容易通过建议囊肿相较于心脏的所在位置来完成确切的脚注。 另一个关键问题是我们频域的超音波三维来自疗程的前 5 分钟。在疗程每一次之前，囊肿逐渐破碎，因此似乎不够难辨识（对于明暗也是如此），因此我们应用以的抽样不能都有整个疗程每一次。然而，当结宝似乎难以辨识时，它与我们的深入研究毫无关系，因为脚注者无国法确认结宝有否在揭示上。病征除此以外的大概得分长方形不确定性分布区，详见明它们不具备都有性。我们将内爆开火并不一定为囊肿和 FZ 除此以外 50% 的分隔可能不是最佳的，因为向外开火也可能引发碎裂，从而引发对开火部将的高于估。当我们慎重考虑到病征 1、3 和 9 时，可能但会引进偏差，因为他们的囊肿在超音波上缺乏可见性。对于技精人员遏制的 ESWL，技精人员也无国法通过超音波整合他们的囊肿，因此必须定期完成明暗。因此，技精人员对结宝实时所在位置的遏制较少，并且可能但会花上不够多的时除此以外段失焦。如果毫无关系这些病征的三维，技精人员遏制的得分可能但会被低估。该演算国法的体能训练和效能确切性也有一些局限性和弱点。该演算国法在没有人由第二个没有人实战经验的通过观察脚注的十字准支线的原始至少据上完成了体能训练和确切性。因此，体能训练集可能包含真阴性囊肿，上限了演算国法确切研读囊肿的吸引力。一些体能训练和确切性脚注是对难以辨识囊肿的超音波三维（数限于病征 1、3 和 9）完成的，减少了真阴性囊肿的概部将。

该演算国法数对来自 11 名病征的 57 张三维完成了体能训练。体能训练集贞然所能优简化演算国法药用价绝对值，如果数限于不够多病征并且有实战经验的放射科内科医生应用以 CT 给予确切的脚注，则该演算国法不具备贞着的加以改进吸引力。与大概技精人员遏制的得分一样，分隔大概也是效能确切性之前的一个关键问题。确切性集由一名护理人员脚注，他通过对囊肿和 FZ 分隔的半主观影像评估来评估囊肿有否在揭示上。比起之下，该演算国法是在描绘囊肿的三维上完成体能训练的。当手工标示囊肿向外时，软件工程可以比人类影像评估分隔不够确切地量化囊肿和 FZ 分隔。因此，尽管确切性集脚注容器和演算国法可能在确切性集三维之前的囊肿所在位置上大致相同，但他们可能但会大概并不相同总体的一块-FZ 分隔，从而引发对囊肿有否在揭示上的争论。这尤其与 FZ 内接近 50% 的结宝有关。在这些可能下，即使分隔大概的微小差异也可能不良影响“揭示”与“揭示”的最终。这引发描述演算国法效能的这两项普遍存在不够多不确认性。 应用以两个并不相同的没有人实战经验的脚注容器有一些额另有的弱点。该演算国法首先了解其之前一个脚注者将什么解读为囊肿，然后根据另一个脚注者将什么解读为囊肿完成确切性。这里的一个关键问题是通过观察除此以外的可变性，我们证实这一点很重要：两个脚注容器的比较标示出不匹配部将为 37.5%。这这样一来该演算国法永远才但会在确切性集上完美运行，因为体能训练集和确切性集的脚注者在一块疆界的并不一定上普遍存在争论。确实上，慎重考虑通过观察除此以外的可变性而不是只应用以一个通过观察强化了我们的这两项的信心，详见明该演算国法不具备囊肿意志力。 如果该演算国法在辨识囊肿总体似乎很低确切性集脚注容器，则这两项将高于估演算国法的效能。为了查询演算国法的详见现有否明贞很低暗示的这两项，我们目视检查了几个演算国法假设囊肿的超音波录像带，并在体能训练集之前应用以的不尽相同类型的脚注上确切性了体能训练演算国法。在查询结果后，该演算国法明贞很低确切性集脚注的思路被不愿了。 我们争辩了处理事件演算国法不曾扫描到囊肿的帧，就像演算国法份文件囊肿“失焦”一样。除了孔径降高于（51.2%）另有，这将引发所有 AI 效能参至少的加以改进。最绝对值得注意的是，我们看到确切度大幅度提高到 67.0%，甲基化大幅度提高到 83.0%，Youden's J 统计用量大幅度提高到 34.2%。以这种方式则深入研究原始至少据的论点是，不曾扫描到的囊肿才但会被射之前，从而降高于了疗程败血症的风险。话虽如此，我们选择不这样于是又次做，因为我们无国法遏制演算国法不曾扫描到一块的帧有否有一块，这但会引发演算国法的意志力被低估。此另有，它才但会不良影响PPV，PPV可以说是深入研究项目理论上正常下演算国法效能时不可忽视的参至少。 我们只能确认三项至少据深入研究，大概 ESWL 得分在 40% 到 60% 除此以外。与其他至少据深入研究比起，大概的 55.2% 的得分始终保持较高的范围内，但最常的 95% CI (43.2-67.3%) 与他们的观察结果颇为吻合。得分和小抽样用量的并不相同并不一定上限了这些至少据深入研究的并不一定。 迄今为止，还没有人关于用以在超音波三维之前整合泌尿系囊肿以完成 ESWL 疗程的 ML 演算国法的出版物。Singla 等人设国法在应用以 RetinaNet 完成 ESWL 疗程在此期除此以外应用以明暗整合尿路囊肿，并应用以并不相同的 ML 演算国法充分利用了 70% ± 10% 的可靠性。

我们的演算国法可以通过在囊肿失焦时暂缓泥机发射内爆来充分利用。还可以填充类似于 Singla 等人 应用以的演算国法来创建人一个同时应用以超音波和明暗的方国法，这可能但会进一步大幅度提高对囊肿意志力。并未详见明，60-90 的疗程激光部将归因于最佳的无石部将，但应当注意的是，该部将是基于对并不相同径向部将的确切性，无论囊肿有否在揭示两处。理论上的 ESWL 疗程程序每次疗程应用以大概 3000-4000 次激光，得分为 50%，引发大概 2000 次命之前。演算国法遏制的 ESWL 可能只必须 2000 次内爆，从而提高疗程时除此以外段。确实上，可以减少内爆部将，这样当囊肿穿过揭示地区时，它就可以被多次开火。我们小组先前不曾发详见的至少据深入研究结果详见明，囊肿在食道告一段落时相较静止（上图 5）。在演算国法遏制的 ESWL 之前可以不够好地利用这一生理确实，当囊肿在每次食道告一段落时静止在揭示两处时，内爆以不够高的速部将发射。该演算国法慎重考虑了整个肾像，而不数数是囊肿本身，因此演算国法遏制的 ESWL 的另一个潜在坏处是，当囊肿往往在两个超音波上似乎不清楚时，可以在疗程每一次的后期依然得分和明暗。在该演算国法在临床实践之前拟定之前，应当对不够多和不够高质用量的脚注完成体能训练和确切性，极好由泌尿放射科内科医生应用以预处理事件 CT 的信息完成体能训练和确切性。体能训练集的标示出也应当在几个并不相同的机构完成，以大幅度提高 ML 演算国法的泛简化意志力。

Fig. 5Kragset 的至少学公式展示了一个呼吸周期之前泌尿系囊肿的三维运动。每个点都有囊肿在特定时除此以外段点的所在位置。当点除此以外的支线很长时，运动就颇为大。食道告一段落时的点彼此颇为接近，这这样一来囊肿几乎静止不动——这是瞄准囊肿的最佳时除此以外段除此以外隔。

Conclusions 5.

大概技精人员遏制的 ESWL 得分为 55.2%（95% CI 43.2–67.3%），这这样一来大概一半的内爆没有人开火一块。演算国法遏制的 ESWL 将得分大幅度提高到约 75.3%，并使漏石的内爆总至少提高了约 67.1%。结果详见明，在不够好的脚注上体能训练和确切性的 U-Net 神经网络服务将只能大幅度提高 ESWL 的药用价绝对值。