人工智能在体外冲击波卵石术中的应用

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 排泄火球砾石法术 (ESWL) 早就被更是昂贵和侵入性的内窥镜疗法所取代。开发AI (AI) 增强型 ESWL，并深入研究机缓冲器进修可以大大提高 ESWL 疗效的商业价值。 所设计、设立和参与者 二维医学影像片段是在 ESWL 疗法此后从偷偷地有片段采集缓冲器的在直通医学影像设备中所猎捕。一名方向上将 11 位病患者的 23 212 张三幅像标记为数码单反或离焦。中所位命中所叛将是通过便是在病患者水准上算出的。不具 U-Net 框架的频域个人信息处置在 57 幅医学影像三幅像上进行时基石训练，这些三幅像刻划了来自同一病患者的肝病变，并由第二位方向上进行时了脚注。在第一个方向上脚注的医学影像三幅像上测定了 U-Net。常见九名病患者的基石训练集、一名病患者的的测试集和一名病患者的测定集进行时平行的测试。结果测量和统计学数据分析 算出了描述形态学缓冲器精确度的经典之作就是基准，以及对下述详见达式如何不良影响火球命中所叛将的有约。结果 常规 ESWL 的中所位命中所叛将为 55.2%（95% 置信区近 [CI] 43.2–67.3%）。U-Net 的精确度就是基准是无论如何度 63.9%、精确度 56.0%、特异性 74.7%、特征性数据库数据分析极小值 75.3%、有性数据库数据分析极小值 55.2%、Youden's J 统计学 30.7%、无个人信息叛将 58.0% 和 Cohen's κ 0.2931。该下述详见达式将误解总为数减低了 67.1%。主要容许是这是一项非常少最主要 11 名病患者的概念的测试深入研究。结论 我们算出出的 ESWL 命中所叛将为 55.2%（95% CI 43.2–67.3%），支持早期深入研究的结果。我们早就证明了，非常少对 11 名病患者进行时基石训练的机缓冲器进修下述详见达式将命中所叛将大大提高到 75.3%，并将失误减低了 67.1%。当 U-Net 在更是多和更是高数目级的脚注上进行时基石训练时，可以期待更是好的结果。

总结 肝病变可以通过火球来疗法。肺脏的医学影像扫描主要用途便是机缓冲器放出火球，但火球仍不太可能漏掉病变。我们常见AI来大大提高击毁所早就处置的砖头的精确度。关键词：排泄火球砾石法术，肝病变，AI，机缓冲器进修，个人信息处置

Introduction .

尿石症是一种日益典型的哮喘，给病患者和医疗都偷偷地来了沉重的负担。尿石症的患病叛将在全世界以内各不相近，从 4% 到 20%。自 1980 年 Chaussy 等人报道排泄火球砾石法术 (ESWL) 疗法尿石症以来，它已成为最常见的疗法提议。火球砾石的能力也是 ESWL 的基石，其疗效取决于火球喷发病变的能力也。ESWL、经皮肝镜取石法术 (PCNL) 和输尿管肝镜健康检查/与此相反肝内手法术 (URS/RIRS) 是有腹泻的尿石症的主要疗法选取 。其中所，ESWL 是侵入性极小、并发症最不及的方法有。一项为期 20 年的全世界深入研究注意到，URS/RIRS 的总疗法百份增高了 17%，PCNL 保持牢固不变，ESWL 减低了 14.5%。另一项清查尿石症疗法文献渐进的深入研究证明，关于 URS/RIRS 和 PCNL 的学法术著作分别增高了 171% 和 279%，而关于 ESWL 的学法术著作减低了 17%。ESWL 疗效的大大提高应都会降很低再次疗法叛将、手法术室短时近、期望、内窥镜设备的常见和并发症发生叛将，从而纯着降很低医疗成本。自算出机诞生以来，人们以前想要所设计都能与生命体电子计算机系统相互竞争的算出机。这是通过模仿生命体认知功能来充分利用的，这一概念被被称作AI (AI)。机缓冲器进修 (ML) 是一种通过成果进修的AI [12]。早就开发并测定了几种主要用途尿路病变的非机缓冲器进修下述详见达式，但根本无法一种下述详见达式在临床实践中所得到尤其采用。早就证明了，ML 下述详见达式在三幅像数据分析方面的详见现胜过临床眼科医生 。在监督进修中所，下述详见达式被赋予标明为数据库，例如有病变和根本无法病变的肺脏的医学影像三幅像，以基石训练它区分“病变”三幅像和“无病变”三幅像。不受动物大脑回路启发的广为流传 ML 下述详见达式最主要人工个人信息处置 (NN)（三幅 1A）。NN 中所的第一层被称作读写层，其主导作用是将重构读写为数据库投递到下一层 。编码缓冲器层将读写更改为整个互联网的再次次编码缓冲器，在我们的比如说中所尽快三幅像否涵盖循环系统系病变。在读写层和编码缓冲器层近有“伪装”层，这些层由方差组成，可以教授处置复杂疑问。相互连接和层的结构详见述了 NN 的框架。

Fig. 1

(A) 最简单个人信息处置框架比如说，最主要不具两个端口的读写层、不具三个端口的伪装层和不具两个端口的编码缓冲器层。常见 Inkscape 创立。(B) 描述极度粗略的三幅。基石训练每一次中所基石训练极小值促使减小，如果框架基石训练短时近足够长，再次次极小值为零。当过粗略开始时，的测试误解将开始增高，因为框架的形式化能力也日益差。最佳暂缓短时近是的测试曲直通上的最很低点。基于 Tretyakov的三幅详见。(C) 来自 Yani 等人知识共享所写 3.0 执照）的三幅像结果纯示极小池化和超过池化对读写进行时下谐波。在极小池化中所，读写被分成几之外，每个之外的最高极小值说明编码缓冲器。在超过池化中所，每个之外的超过说明了编码缓冲器。NN 基石训练通常常见建模缓冲器来充分利用，该建模缓冲器主旨通过反向传播者来消除人员伤亡函为数。人员伤亡函为数的主导作用是衡量下述详见达式对等价为数据库建模的能力也（例如，识别系统肝病变），其极小值主要用途更是新互联网方差以消除极小值。为了深入研究 NN 的其本质，应常见与主要用途基石训练的为数据库有所不同的为数据库对其进行时的测试。在基石训练此后监控的测试人员伤亡：随着互联网的简化，的测试极小值随着基石训练极小值而减小。然而，基石训练每一次中所的一个典型疑问是极度粗略（三幅 1B），这通常是框架记忆基石训练为数据库的结果 [19]。结果是一个框架根本无法进修可形式化的不同之处，通常通过的测试人员伤亡的发散来识别系统。为了防止这种具体情况，采用了有所不同的基石训练策略，例如提以前暂缓和下述化。更是关键的是，在基石训练每一次之后十分需要并常见第三个单独为数据库集，通常被称作测定集。测定集主要用途衡量互联网解决不可见单独为数据库特殊任务的能力也。频域个人信息处置 (CNN) 是复杂三幅像数据分析的常规 [20]。构筑 CNN 是为了首先识别系统很低最建模的不同之处，然后在更是深的层中所认出更是高最建模的不同之处 [20]。频域加载识别系统读写的总括（例如，直通或圆）并说明被称作不同之处三幅的编码缓冲器。池化加载然后对不同之处三幅进行时下谐波（降很低清晰度）以减低后续加载中所对算出能力也的期望。最常见的两种池化加载是极小池化和超过池化，如三幅 1C 标明。当下述详见达式对三幅像进行时切分时，它都会将其划分为语义对象 [20]，例如未确定三幅像的哪一之外刻划了循环系统系病变 [16]。早就为切分目的构筑了有所不同的 CNN，其中所一个例子是 U-Net [20]。U-Net 的第一个过渡阶段是下谐波，其中所频域层识别系统三幅像不同之处，而极小池化映射对不同之处三幅进行时下谐波。在终于一个过渡阶段，即上谐波，不同之处三幅通过上谐波映射进行时上谐波，并与来自下谐波过渡阶段的对称不同之处三幅的副本相建构 [20]。通过这些平行相互连接，可以保留高清晰度不同之处，如三幅 2 标明。

Fig. 2

Ronneberger 等人 创立的重构 U-Net 框架。蓝色矩形象征性不同之处三幅，而白色矩形象征性通过平行相互连接副本的不同之处三幅。箭头详见示映射（深蓝色和底色 = 频域；灰色 = 平行相互连接；紫色 = 极小池化；浅绿色 = 上谐波）。

Patients and methods 2.

数据分析二维医学影像三幅像以有约技法术人员操控的 ESWL 的命中所叛将并测定 U-Net 精确度。为了赢得三幅像，将帧采集缓冲器相互连接到 ESWL 机缓冲器（PiezoLith 3000，Richard Wolf GmbH，Knittlingen，Germany），主要用途在 ESWL 此后猎捕在直通可视医学影像三幅像。每个片段的长度为 30 分钟，随机选取 5 分钟的片段为数列进行时脚注。脚注者提取医学影像比对以将每个帧标明为当病变保持稳定揭示范围内 (FZ) 时“揭示”或当病变不在 FZ 中所时“失焦”（三幅 3A）。这个每一次是常见脚注应用软件进行时的（三幅 3B）。由于病变通常在 FZ 内或 FZ 以外整年超过两个帧，因此通过非常少标明帧近隔的过渡点来简化脚注每一次。例如，如果第一帧被标明为数码单反，并且在第十帧中所发生了离焦的过渡，那么从开始到第十帧的所有帧都被分类为数码单反。

Fig. 3

(A) 框架统计学为数据库病变座落揭示的框架比如说，因为 ≥50% 的数据库数据分析病变（紫色）在揭示范围内（黄色）内。(B) 脚注应用软件的屏幕截三幅。偷偷地有十字曲率半径的医学影像片段结果纯示在右侧，铰链主要用途浏览帧。要脚注帧，脚注者单击“选取要脚注的帧”并选取将帧标明为“揭示”或“失焦”。如果病变在此帧中所保持稳定揭示，则脚注者然后继续片段并暂缓标明病变失焦的第一帧。这两个ID近的帧都会自动标明为“揭示”。浅绿色和紫色矩形象征性脚注者标明的帧。在脚注每一次中所，我们注意到一些病变在医学影像三幅像中所不可见，并且这些病患者（病例 1、3 和 9）没最主要在技法术人员操控的 ESWL 的命中所叛将数据分析中所。共有直接脚注了 731 帧，避免共有 23 212 帧。由于医学影像设备每秒猎捕15 帧，我们再次次得到了 26 分钟的偷偷地脚注的医学影像片段，象征性每位病患者的超过短时近为 3.2 分钟。此以外，第二个脚注者在任意框架中所为所有病患者刻划了肺脏和肝病变。这避免了来自共有 57 张三幅像的肺脏和肝病变的二元掩码。为了在肝病变切分中所测定常规的 U-Net 频域互联网，它常见刻划的三幅像进行时基石训练。为了基石训练和的测试互联网，我们发放了肺脏和肝病变的脚注。标明肺脏为下述详见达式发放了一个举例来说或有关病变应在哪里的上下文个人信息，因为在整个疗法每一次中所，肝病变大致保持牢固在肺脏内部的相近左边。我们进行时了基于病患者的平行的测试。通过对来自 9 名病患者的帧进行时基石训练并在来自一名病患者的帧上进行时的测试，共有创立了 11 个框架。在这 11 个框架中所，有 8 个在相近的 23 212 个帧上进行时了测定，这些帧在 8 名病患者中所标记为“数码单反”或“失焦”。清查的第一个结果是技法术人员操控 ESWL ，以 90 脉冲/分钟的平均速度整年点火的命中所叛将。命中所叛将是就是指喷发病变的火球的百份，在本深入研究中所详见述为超过 50% 的病变在 FZ 中所的击球。为了算出这个，我们十分需要知道在一定为数目的帧中所病变揭示的帧为数。每个帧由一名方向上手动分派一个 0（失焦）或 1（揭示）ID，ID的翻倍说明了病变在 FZ 中所的帧为数。常见 R 环境进行时统计学编程 (www.r-project.org)，常见相反校正和减慢自举法有约每个病患者的中所位命中所叛将，不具 95% 的置信区近 (CI)，以风险评估超出比对的结果的稳健性有约。通过在 SPSS 中所生成直方三幅、装曲直通三幅和正态 Q-Q 三幅，并通过可执行 Shapiro-Wilk 化验和峰态和偏度数据分析来健康检查病患者的命中所叛将分布。手动可执行粗略优度的 χ2 化验以未确定命中所叛将否均匀分布并再次次尽快改组否合适。p 极小值

为了有约 U-Net 下述详见达式的精确度，将为数据库读写 R 以创立混用映射（详见 1），其中所的大体断言是脚注为数据库。下述详见达式没测定到砖头的帧不涵盖在混用映射中所。然后常见 R 来算出形态学框架精确度的经典之作就是基准：精确度、敏感性、特异性、特征性数据库数据分析极小值 (PPV)、有性数据库数据分析极小值 (NPV)、广为流传叛将、检出叛将、测定广为流传叛将、最大限度无论如何度、Youden's J 统计学量、无个人信息叛将和 Cohen 的 κ。详见 2 中所发放了对这些极小值的断言。然后，我们通过将标记为揭示的帧为数相加容特征性为数来有约 U-Net 操控的 ESWL 值得注意于技法术人员操控的 ESWL 的疗法短时近。通过将值得注意处置短时近乘积容有性为数，再次相加脚注为失焦的帧为数，我们有约了 U-Net 将如何不良影响误解为数。等价 90/min 的火球速叛将，算出技法术人员操控的 ESWL 和 U-Net 操控的 ESWL 的每分钟命中所为数。通过对 R 中所 5000 个帧比对进行时相反校正和减慢便是，算出每位病患者的中所位命中所叛将和 95% CI（详见 3）。详见格1 在混用映射中所的组织的混用映射所设计和测定为数据库（脚注为揭示或失焦的三幅像）

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

描述形态学缓冲器精确度的最关键统计学为数据库概述

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

通过自举法有约的每位病患者的技法术人员操控的排泄火球砾石法术的中所位命中所叛将

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.

经范围内委员都会风险评估后，赢得常见从病患者记录串流的匿名医学影像片段的书面执照（参考A 2014/2261）。

Results 3.

病患者的命中所叛将排列成不同之处参数，如三幅 4A-D 标明。这得到了偏度 (z = −0.005) 和峰度 (z = 1.73) 的数据分析以及 Shapiro-Wilk 化验 (p> 0.05) 的支持。然后手动可执行 χ2 粗略优度化验，然后在 R 中所进行时操控。通过将该病患者的总帧为数乘积改组超过命中所叛将 (50.12%) 来算出每个病患者的考虑到命中所叛将。不具七个自由度的 χ2 极小值为 927.4，p 极小值

Open in a separate window

Fig. 4

(A) 技法术人员操控的排泄火球砾石法术 (ESWL) 的命中所叛将直方三幅。该分布类似于不同之处参数，尽管不具一定总体的峰度。然而，峰态 z 极小值在统计学上十分纯着。(B) 技法术人员操控的 ESWL（x 轴）的命中所叛将（y 轴）的装曲直通三幅，结果纯示与不同之处参数赞同的近似对称分布。病患者 10 和 11 是精神牢固状态极小值。(C) 技法术人员操控的 ESWL 命中所叛将的经常性 Q-Q 三幅。这些点靠近直通，这通常详见示不同之处参数。尽管如此，点如何围绕直通的组织纯然长期存在一种渐进，这证明分布非常少非常少不太可能十分经常性。(D) 命中所叛将第 95 个百分位的收敛。随着便是迭代次为数的增高，两个整年极小值近的值得注意差别趋向零。不能从原本的 8 个比对中所提取 6435 个有所不同的比对。这容许了我们可以便是的比对为数目，因为增高便是比对的为数目都会增高多次提取相近比对的不太可能性。为了认出最佳的 bootstrap 比对为数目，我们探索了十分需要多不及个 bootstrap 比对才能牢固第 95 个百分位为数。这结果纯示在三幅详见中所，x 轴上是自举比对的为数目，y 轴上是第 95 个百分位为数的变化。很突出，在2000-3000个比对的bootstrapping后变化

该下述详见达式难以在 20.6% 的帧中所认出砖头，因此它们根本无法涵盖在数据分析中所。对于剩余的 18 440 帧，算出了数据库数据分析的砖头范围内和 FZ 近的交错总体。≥50% 的交错被认为是“揭示”。常见脚注缓冲器作为大体断言将测定结果的组织在 R 中所的混用映射中所，并算出精确度（详见 1）。该下述详见达式注意到 58.0%（其本质）的帧有揭示病变（详见 4）。该下述详见达式的无论如何叛将为 63.9%，这非常少非常少它无论如何地将 63.9% 的帧形态学为“数码单反”或“失焦”。在病变揭示的帧中所，下述详见达式都能将左右一半分类为“揭示”，因为精确度为 56.0%。该下述详见达式更是擅长对“失焦”的病变进行时形态学，特异性为 74.7%。PPV（下述详见达式无论如何形态学为“数码单反”的帧为数）为 75.3%，NPV（下述详见达式无论如何形态学为“失焦”的帧为数）为 55.2%。则有，如果砾石机根据下述详见达式点火火球，则 PPV 对应于命中所叛将。检出叛将为 32.5%，而检出叛将要高得多，为 43.1%，证明长期存在大量误报（当砖头非常少非常少“失焦”时，AI 将帧形态学为“数码单反”）。Youden's J 统计学量为 30.7%（常规：>0），Cohen's κ 为 0.2931（常规：>0），无个人信息叛将为 58.0%（很低于无论如何叛将），下述详见达式精确度胜过随机猜测否病变在揭示内或揭示以外，证明它可以无论如何医学影像三幅像中所的肝病变。值得注意于一般来说操控的 ESWL，疗法短时近为 1.94 (11 633/5 987)，而误加载叛将为一般来说操控的 ESWL 的 32.9% ([1.94 × 1961]/[23 212 – 11 633])。技法术人员操控的 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

在脚注为数码单反或离焦的医学影像三幅像上测定时，U-Net 框架的算出精确度统计学为数据库

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.

深入研究结果证明，建模 ESWL 命中所叛将有更大的商业价值，因为我们有约常见 U-Net 个人信息处置操控 ESWL 和有缺陷火球的总为数可以将技法术人员操控的命中所叛将从 55.2% 大大提高到 75.3%，再次次使手法术对病患者更是安全。有约命中所叛将的方式也有几个容许和缺陷。首先，脚注者（一名大学生）在医学影像三幅像断言方面依赖于成果；其次，由于三幅像清晰度很低，根本无法未确定砖头的确切边界直通，这是我们在脚注每一次中所遭遇的一个关键疑问。由于探头-扫描仪系统本身的数目级以及在火球点火此后探头须要缩回，因此清晰度较很低。没来的提高效率不太可能是将介入以前算出机断层扫描 (CT) 三幅像与医学影像三幅像配准，这不太可能都会使脚注者更是容易通过劝告病变值得注意于肺脏的左边来进行时无论如何的脚注。 另一个疑问是我们谐波的医学影像三幅像来自疗法的以前 5 分钟。在疗法每一次中所，病变逐渐破碎，因此更为更是难识别系统（对于凹凸也是如此），因此我们常见的比对不能象征性整个疗法每一次。然而，当结宝更为容易识别系统时，它与我们的数据分析也就是说，因为脚注者难以未确定结宝否在揭示上。病患者近的有约命中所叛将排列成不同之处参数，证明它们不具象征性性。我们将火球击毁所详见述为病变和 FZ 近 50% 的交错不太可能不是最佳的，因为外缘击毁所也不太可能避免碎裂，从而避免对击毁所叛将的很低估。当我们排除病患者 1、3 和 9 时，不太可能都会引入相反，因为他们的病变在医学影像上依赖于可见性。对于技法术人员操控的 ESWL，技法术人员也难以通过医学影像定位他们的病变，因此十分需要不定期进行时凹凸。因此，技法术人员对结宝可视左边的操控较不及，并且不太可能都会花更是多的短时近失焦。如果忽略这些病患者的三幅像，技法术人员操控的命中所叛将不太可能都会被夸大。该下述详见达式的基石训练和精确度测定也有一些即便如此和缺陷。该下述详见达式在根本无法由第二个根本无法成果的方向上脚注的十字曲率半径的为数据库上进行时了基石训练和的测试。因此，基石训练集不太可能涵盖容特征性病变，容许了下述详见达式无论如何进修病变的商业价值。一些基石训练和的测试脚注是对容易识别系统病变的医学影像三幅像（最主要病患者 1、3 和 9）进行时的，增高了容特征性病变的期望值。

该下述详见达式非常少对来自 11 名病患者的 57 张三幅像进行时了基石训练。基石训练集纯然不足以建模下述详见达式疗效，如果最主要更是多病患者并且有成果的放射科眼科医生常见 CT 发放无论如何的脚注，则该下述详见达式不具纯着的简化商业价值。与有约技法术人员操控的命中所叛将一样，交错有约也是精确度测定中所的一个疑问。测定集由一名大学生脚注，他通过对病变和 FZ 交错的半客观光影风险评估来风险评估病变否在揭示上。相比较之下，该下述详见达式是在刻划病变的三幅像上进行时基石训练的。当手工标明病变外缘时，算出机软件可以比生命体光影风险评估交错更是无论如何地算出病变和 FZ 交错。因此，尽管测定集脚注缓冲器和下述详见达式不太可能在测定集三幅像中所的病变左边上完全赞同，但他们不太可能都会有约有所不同总体的砖头-FZ 交错，从而避免对病变否在揭示上的分歧。这尤其与 FZ 内近似于 50% 的结宝有关。在这些以前提，即使交错有约的微小差别也不太可能不良影响“揭示”与“揭示”的尽快。这避免描述下述详见达式精确度的就是基准长期存在更是多不未确定性。 常见两个有所不同的根本无法成果的脚注缓冲器有一些额以外的缺陷。该下述详见达式首先了解其中所一个脚注者将什么断言为病变，然后根据另一个脚注者将什么断言为病变进行时测定。这里的一个疑问是方向上近的可变性，我们证实这一点很关键：两个脚注缓冲器的比较结果纯示不等价叛将为 37.5%。这非常少非常少该下述详见达式永远不想在测定集上完美调试，因为基石训练集和测定集的脚注者在砖头边界直通的详见述上长期存在分歧。断言上，考虑方向上近的可变性而不是只常见一个方向上增强了我们的就是基准的信心，证明该下述详见达式不具病变能力也。 如果该下述详见达式在识别系统病变方面更为胜过测定集脚注缓冲器，则就是基准将很低估下述详见达式的精确度。为了详细信息下述详见达式的详见现否突出胜过纯然的就是基准，我们判读健康检查了几个下述详见达式数据库数据分析病变的医学影像片段，并在基石训练分散所常见的相近各种类型的脚注上测定了基石训练下述详见达式。在详细信息结果后，该下述详见达式突出胜过测定集脚注的想法被同意了。 我们讨论了处置下述详见达式没测定到病变的帧，就像下述详见达式统计学为数据库病变“失焦”一样。除了精确度降很低（51.2%）以外，这将避免所有 AI 精确度参为数的简化。最极小值得注意的是，我们看到无论如何度大大提高到 67.0%，特异性大大提高到 83.0%，Youden's J 统计学量大大提高到 34.2%。以这种方式也数据分析为数据库的论点是，没测定到的病变不想被射中所，从而降很低了疗法并发症的风险。话虽如此，我们选取不这样做，因为我们难以操控下述详见达式没测定到砖头的帧否有砖头，这都会避免下述详见达式的能力也被夸大。此以外，它不想不良影响PPV，PPV可以说是数据分析项目当以前牢固状态下下述详见达式精确度时最关键的参为数。 我们都能未确定三项深入研究，有约 ESWL 命中所叛将在 40% 到 60% 近。与其他深入研究相比较，有约的 55.2% 的命中所叛将保持稳定较低的以内，但尤其的 95% CI (43.2-67.3%) 与他们的观察结果更是为完全一致。命中所叛将和小比对量的有所不同详见述容许了这些深入研究的其本质。 迄今为止，还根本无法关于主要用途在医学影像三幅像中所定位循环系统系病变以进行时 ESWL 疗法的 ML 下述详见达式的大英百科全书。Singla 等人尝试在常见 RetinaNet 进行时 ESWL 疗法此后常见凹凸定位尿路病变，并常见有所不同的 ML 下述详见达式充分利用了 70% ± 10% 的精确度。

我们的下述详见达式可以通过在病变失焦时暂缓砾石机点火火球来充分利用。还可以添加类似于 Singla 等人 常见的下述详见达式来创立一个同时常见医学影像和凹凸的方法有，这不太可能都会进一步大大提高对病变能力也。早就证明，60-90 的疗法脉冲叛将纯现出最佳的无石叛将，但应注意的是，该叛将是基于对有所不同瞬时叛将的测定，无论病变否在揭示区外。当以前的 ESWL 疗法程序每次疗法常见左右 3000-4000 次脉冲，命中所叛将为 50%，避免左右 2000 次命中所。下述详见达式操控的 ESWL 不太可能只十分需要 2000 次火球，从而减低疗法短时近。断言上，可以增高火球叛将，这样当病变穿过揭示范围内时，它就可以被多次击毁所。我们该小组先以前没发详见的深入研究结果证明，病变在喉头落幕时值得注意固定不动（三幅 5）。在下述详见达式操控的 ESWL 中所可以更是好地利用这一生理断言，当病变在每次喉头落幕时固定不动在揭示区外时，火球以更是高的速叛将点火。该下述详见达式考虑了整个肝像，而众所周知是病变本身，因此下述详见达式操控的 ESWL 的另一个潜在好处是，当病变常在两个医学影像上更为不清楚时，可以在疗法每一次的后期保持牢固命中所叛将和凹凸。在该下述详见达式在临床实践中所实施先以前，应对更是多和更是高数目级的脚注进行时基石训练和测定，比较好由循环系统放射科眼科医生常见预处置 CT 的个人信息进行时基石训练和测定。基石训练集的标记也应在几个有所不同的机构进行时，以大大提高 ML 下述详见达式的形式化能力也。

Fig. 5Kragset 的三幅详见展示了一个呼吸周期中所循环系统系病变的三维群众运动。每个点象征性病变在特定短时近点的左边。当点近的直通很长时，群众运动就更大。喉头落幕时的点彼此更是为近似于，这非常少非常少病变非常少非常少固定不动——这是瞄准病变的最佳短时近近隔。

Conclusions 5.

有约技法术人员操控的 ESWL 命中所叛将为 55.2%（95% CI 43.2–67.3%），这非常少非常少左右一半的火球根本无法击毁所砖头。下述详见达式操控的 ESWL 将命中所叛将大大提高到约 75.3%，并使漏石的火球总为数减低了约 67.1%。结果证明，在更是好的脚注上基石训练和测定的 U-Net 个人信息处置将都能大大提高 ESWL 的疗效。