Применение искусственного интеллекта в урологии: структура здравоохранения будущего
Искусственный интеллект (ИИ) является одной из самых инновационных и перспективных областей современных технологий, которая оказывает значительное влияние на различные отрасли медицины, включая урологию. ИИ все чаще применяется не только для диагностики урологических состояний, но и для их лечения и прогностического анализа. Поиск литературы проводили в электронных базах данных PubMed, Web of Science, Scopus, CyberLeninka, eLibrary. Критериями включения служили оригинальные исследования применения методов ИИ в урологии, обзоры литературы по теме. Критерии исключения: предварительные исследования, тезисы конференций. Продемонстрированы широкие возможности применения методов ИИ в различных областях урологии. Алгоритмы машинного и глубокого обучения демонстрируют высокую точность в задачах диагностики урологических заболеваний по данным анализов и визуализации. Модели ИИ могут помочь хирургам в планировании и навигации операций. Также ИИ показал потенциал для прогнозирования рецидивов и осложнений на основе анализа клинических данных. Успешные примеры внедрения ИИ отмечены в онкоурологии, нефрологии, андрологии. Обсуждаются дальнейшие направления совершенствования моделей ИИ и их интеграции в клиническую практику.Попов С.В., Гусейнов Р.Г., Сивак К.В., Буненков Н.С., Перепелица В.В. , Сенгирбаев Д.И., Лелявина Т.А.
Заключение. Искусственный интеллект демонстрирует высокую эффективность в различных областях урологии – от анализа изображений до хирургической навигации. Однако его внедрение требует решения вопросов этики и валидации систем. При правильном подходе интеграция ИИ и опыта врачей может значительно улучшить диагностику заболеваний и лечение пациентов. Дальнейшие исследования в этой сфере перспективны и могут привести к прорывам в урологической практике.
Ключевые слова
искусственный интеллект
глубокое обучение
машинное обучение
урология
Список литературы
1. de la Calle CM, Nguyen H, Hosseini-Asl E et al. Artificial intelligence for streamlined immunofluorescence-based biomarker discovery in prostate cancer. J Clin Oncol. 2020;38(6):279. doi: 10.1200/JCO.2020.38.6_suppl.279.
2. Wildeboer R, van Sloun R, Wijkstra H, Mischi M. Artificial intelligence in multiparametric prostate cancer imaging with focus on deep-learning methods. Comput Methods Programs Biomed. 2020;189:105316. doi: 10.1016/j.cmpb.2020.105316.
3. Bulten W, Pinckaers H, van Boven H, Vink R, de Bel T, van Ginneken B et al. Automated deep-learning system for Gleason grading of prostate cancer using biopsies: a diagnostic study. Lancet Oncol. 2020;21:233–41. doi: 10.1016/S1470-2045(19)30739-9.
4. Ström P, Kartasalo K, Olsson H, Solorzano L, Delahunt B, Berney DM et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: a population-based, diagnostic study. Lancet Oncol. 2020;21:222–32. doi: 10.1016/S1470-2045(19)307.
5. Lorencin I, Anđelić N, Španjol J, Car Z. Using multi-layer perceptron with Laplacian edge detector for bladder cancer diagnosis. Artif Intell Med. 2020;102:101746. doi: 10.1016/j.artmed.2019.101746.
6. Deng K, Li H, Guan Y. Treatment Stratification of Patients with Metastatic Castration-Resistant Prostate Cancer by Machine Learning. iScience. 2020;23:100804. doi: 10.1016/j.isci.2019.100804.
7. Gavriel C.G., Dimitriou N., Brieu, N., Nearchou, I. P., Arandjelović, O., Schmidt, G., Caie P.D. Identification of immunological features enables survival prediction of muscle-invasive bladder cancer patients using machine learning. BioRxiv, 2020-02.
8. Wang G, Zhang G, Choi K, Lam KM, Lu J. Output based transfer learning with least squares support vector machine and its application in bladder cancer prognosis. Neurocomputing. 2020;387:279–92. doi: 10.1016/j.neucom.2019.11.010.
9. Fernández IS, Peters JM. Machine learning and deep learning in medicine and neuroimaging. Ann Child Neurol Soc. 2023;1(2):1-21. doi: 10.1002/CNS3.5.
10. Choi, R. Y., Coyner, A. S., Kalpathy-Cramer, J., Chiang, M. F., & Campbell, J. P. Introduction to machine learning, neural networks, and deep learning. Translational vision science & technology. 2020; 9(2):14-14. doi:doi.org/10.1167/tvst.9.2.14
11. Tran, K. A., Kondrashova, O., Bradley, A., Williams, E. D., Pearson, J. V., & Waddell, N. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Medicine. 2021; 13(1): 1-17. doi.org/10.1186/s13073-021-00968-x
12. Wu S., Chen X., Pan J., Dong W., Diao X., Zhang R., Lin T. An artificial intelligence system for the detection of bladder cancer via cystoscopy: a multicenter diagnostic study. JNCI: Journal of the National Cancer Institute. 2022;114(2):220-227. doi.org/10.1093/jnci/djab179
13. Alexa R., Kranz J., Kuppe C., Hayat S., Hoffmann M., Saar M.. Artificial intelligence in urology-opportunities and possibilities. Urologie. 2023;62(4):383-388. doi: 10.1007/s00120-023-02026-3
14. Loehfelm T.W. Artificial intelligence for quality improvement in radiology. Radiologic Clinics. 2021;59(6):1053-1062. doi.org/10.1016/j.rcl.2021.07.005
15. Jansen I., Lucas M., Bosschieter J., de Boer O. J., Meijer S. L., van Leeuwen, T. G. et al Automated detection and grading of non–muscle-invasive urothelial cell carcinoma of the bladder. The American journal of pathology. 2020;190(7):1483-1490. doi.org/10.1016/j.ajpath.2020.03.013
16. Harmon S.A., Sanford T.H., Brown G.T., Yang C., Mehralivand S., Jacob J.M. et al. Multiresolution application of artificial intelligence in digital pathology for prediction of positive lymph nodes from primary tumors in bladder cancer. JCO clinical cancer informatics. 2020; 4:367-382. doi: 10.1200/CCI.19.00155
17. Loeffler C.M.L., Bruechle N.O., Jung M., Seillier L., Rose M., Laleh N.G. et al. Artificial intelligence–based detection of FGFR3 mutational status directly from routine histology in bladder cancer: a possible preselection for molecular testing?. European urology focus. 2022; 8(2): 472-479. doi.org/10.1016/j.euf.2021.04.007.
18. Ross T., Zimmerer D., Vemuri A., Isensee F., Wiesenfarth M., Bodenstedt S., et al. Exploiting the potential of unlabeled endoscopic video data with self-supervised learning. International journal of computer assisted radiology and surgery. 2018;13:925-933. doi.org/10.1007/s11548-018-1772-0
19. Li Y., Huang X., Xia Y., Long L. Value of radiomics in differential diagnosis of chromophobe renal cell carcinoma and renal oncocytoma. Abdominal Radiology. 2020;45:3193-3201. doi.org/10.1007/s00261-019-02269-9
20. Kowalewski K.F., Egen L., Fischetti C.E., Puliatti S., Juan G.R., Taratkin,M., Cacciamani G. Artificial intelligence for renal cancer: From imaging to histology and beyond. Asian Journal of Urology. 2022;9(3):243-252. doi.org/10.1016/j.ajur.2022.05.003
21. Yoo J.W., Koo K.C., Chung B.H., Baek S.Y., Lee S.J., Park K.H. et al. Deep learning diagnostics for bladder tumor identification and grade prediction using RGB method. Scientific Reports. 2022;12(1):17699. doi.org/10.1038/s41598-022-22797-7
22. Lai A., Dobbs R.W., Talamini S. Single port robotic radical prostatectomy: a systematic review. Transl. Androl. Urol. 2020;9:89805–89905. doi.org/10.21037/TAU.2019.11.05.
23. Crocerossa F., Carbonara U., Cantiello F., Marchioni M., Ditonno P., Mir M. C. et al. Robot-assisted radical nephrectomy: a systematic review and meta-analysis of comparative studies. European urology. 2021;80(4):428-439. doi.org/10.1016/J.EURURO.2020.10.034.
24. Ghodoussipour S., Reddy S.S., Ma R., Hwang D.H., Nguyen J., Hung A.J. An objective assessment of performance during robotic partial nephrectomy: validation and correlation of automated performance metrics with intraoperative outcomes. The Journal of Urology. 2021;205(5):1294-1302. doi.org/10.1097/JU.0000000000001557
25. Ikeda A., Nosato H., Kochi Y., Kojima T., Kawai K., Sakanashi H. et al. Support system of cystoscopic diagnosis for bladder cancer based on artificial intelligence. Journal of endourology. 2020;34(3):352-358. doi.org/10.1089/end.2019.0509
26. Kim U.S., Kwon H.S., Yang W., Lee W., Choi C., Kim J. K. et al. Prediction of the composition of urinary stones using deep learning. Investigative and Clinical Urology. 2022;63(4):441-447. doi: 10.4111/icu.20220062
27. Day P.L., Erdahl S., Rokke, D. L., Wieczorek M., Johnson P.W., Jannetto P.J. et al. Artificial Intelligence for Kidney Stone Spectra Analysis: Using Artificial Intelligence Algorithms for Quality Assurance in the Clinical Laboratory. Mayo Clinic Proceedings: Digital Health. 2023;1(1):1-12. doi.org/10.1016/j.mcpdig.2023.01.00
28. Längkvist M., Jendeberg J., Thunberg P., Loutfi A., Lidén, M. Computer aided detection of ureteral stones in thin slice computed tomography volumes using Convolutional Neural Networks. Computers in biology and medicine. 2018;97:153-160. doi.org/10.1016/j.compbiomed.2018.04.021
29. Shao I.H., Kan H.C., Chen H.Y., Chang Y.H., Huang L.K., Chu Y.C. et al. Recognition of Postoperative Cystography Features by Artificial Intelligence to Predict Recovery from Postprostatectomy Urinary Incontinence: A Rapid and Easy Way to Predict Functional Outcome. Journal of Personalized Medicine. 2023;13(1):126. doi.org/10.3390/jpm13010126
30. Welvaars K., van den Bekerom M. P., Doornberg J.N., van Haarst E.P. Evaluating machine learning algorithms to Predict 30-day Unplanned REadmission (PURE) in Urology patients. BMC Medical Informatics and Decision Making. 2023;23(1):1-13. doi.org/10.1186/s12911-023-02200-9
31. Wong N.C., Lam C., Patterson, L., Shayegan B. Use of machine learning to predict early biochemical recurrence after robot‐assisted prostatectomy. BJU international. 2019;123(1):51-57. doi.org/10.1111/bju.14477
32. Atug F., Sanli O., Duru A.D. Editorial comment on: utilizing machine learning and automated performance metrics to evaluate robot-assisted radical prostatectomy performance and predict outcomes by Hung et al. Journal of Endourology. 2018;32(5):445-445. DOI: 10.1089/end.2018.0209
33. Hung A.J., Chen J., Ghodoussipour S., Oh P.J., Liu Z., Nguyen J. et al. Deep‐learning model using automated performance metrics and clinical features to predict urinary continence recovery after robot‐assisted radical prostatectomy. BJU international. 2019;124(3):487-495. doi.org/10.1111/bju.14735
34. Gill M.E., Quaas A.M. Looking with new eyes: advanced microscopy and artificial intelligence in reproductive medicine. Journal of Assisted Reproduction and Genetics. 2023;40(2):235-239. doi.org/10.1007/s10815-022-02693-9
35. Candemir C. Estimating the semen quality from life style using fuzzy radial basis functions. Int. J. Mach. Learn. Comput. 2018;8(1): 44-48. doi: 10.18178/ijmlc.2018.8.1.661 44
36. Cai T., Anceschi U., Prata F., Collini L., Brugnolli A., Migno S. et al. Artificial Intelligence Can Guide Antibiotic Choice in Recurrent UTIs and Become an Important Aid to Improve Antimicrobial Stewardship. Antibiotics. 2023;12(2):375. doi.org/10.3390/antibiotics12020375
37. Görtz M., Baumgärtner K., Schmid T., Muschko M., Woessner P., Gerlach A. et al. An artificial intelligence-based chatbot for prostate cancer education: Design and patient evaluation study. Digital Health. 2023; 9: 20552076231173304. doi.org/10.1177/20552076231173304
38. Pranovich A.A., Ismailov A.K., Karelskaya N.A., Kostin A.A., Karmazanovsky G.G., Gritskevich A.A. Artificial intelligence in the diagnosis and treatment of urolithiasis. Journal of Telemedicine and Electronic Health. 2022;8(1):42-57. doi.org/10.29188/2712-9217-2022-8-1-42-57. Russian (Пранович А.А., Исмаилов А.К., Карельская Н.А., Костин А.А., Кармазановский Г.Г., Грицкевич А.А. Искусственный интеллект в диагностике и лечении мочекаменной болезни. Журнал телемедицины и электронного здравоохранения. 2022;8(1):42-57. doi.org/10.29188/2712-9217-2022-8-1-42-57).
39. Reva S.A., Shaderkin I.A., Zyatchin I.V. et al. Artificial intelligence in oncourology. Literature review. Experimental and Clinical Urology. 2021; 2:46–51. Russian (Рева С.А., Шадеркин И.А., Зятчин И.В. и др. Искусственный интеллект в онкоурологии. Обзор литературы. Экспериментальная и клиническая урология. 2021;2:46-51).
40. Loran O.B., Chekhonatsky I.A., Lukyanov I.V. The possibility of using artificial intelligence in the diagnosis and treatment of urological diseases (review).Saratov Scientific and Medical Journal. 2021;17(4):728-731. Russian (Лоран О.Б, Чехонацкий И.А, Лукьянов И.В. Возможность использования искусственного интеллекта в диагностике и лечении урологических заболеваний (обзор). Саратовский научно-медицинский журнал. 2021;17(4):728-731).
41. Alip S.L., Kim J., Rha K.H., Han W.K. Future platforms of robotic surgery. Urologic Clinics. 2022;49(1):23-38. doi.org/10.1016/j.ucl.2021.07.008
42. Suleiman T.A., Adinoyi A. Telemedicine and Smart Healthcare ‒ The Role of Artificial Intelligence, 5G, Cloud Services, and Other Enabling Technologies. International Journal of Communications, Network and System Sciences. 2023;16(3):31-51. DOI: 10.4236/ijcns.2023.163003
43. Anastasiadis A., Koudonas A., Langas G., Tsiakaras S., Memmos D., Mykoniatis, I. et al. Transforming urinary stone disease management: A comprehensive review. Asian Journal of Urology. 2023;10(3):258-274, doi.org/10.1016/j.ajur.2023.02.002.
44. Kim E.J., Kim, J.Y. The metaverse for healthcare: trends, applications, and future directions of digital therapeutics for urology. International Neurourology Journal. 2023;27(1): S3. doi: 10.5213/inj.2346108.054
45. Erolin C. Interactive 3D digital models for anatomy and medical education. Biomedical Visualisation. 2019;8:275–282. doi.org/10.1002/ase.1487
46. Gerke S., Minssen T., Cohen G. Ethical and legal challenges of artificial intelligence-driven healthcare. Artif Intell Healthcare. 2020:295-336. doi: 10.1016/B978-0-12-818438-7.00012-5.
47. Smith H. Clinical AI: opacity, accountability, responsibility and liability. AI Soc. 2020;36:535–45. doi: 10.1007/s00146-020-01019-6.
48. McCradden MD, Stephenson EA, Anderson JA. Clinical research underlies ethical integration of Healthcare Artificial Intelligence. Nat Med. 2020;26:1325–1326. doi: 10.1038/s41591-020-1035-9.
49. Cacciamani G.E., Sanford D.I., Chu T.N., Kaneko M., Abreu A.L. et al. Is Artificial Intelligence Replacing Our Radiology Stars? Not Yet!. European Urology Open Science. 2023;48:14-16. doi.org/10.1016/j.euros.2022.09.024
50. Reddy, S., Allan, S., Coghlan, S., Cooper, P. A governance model for the application of AI in health care. Journal of the American Medical Informatics Association. 2020;27(3): 491-497. doi: 10.1093/jamia/ocz192.
Об авторах / Для корреспонденции
А в т о р д л я с в я з и: Т.А. Лелявина – д.м.н., профессор кафедры патофизиологии ИМО ФГБУ «НМИЦ им. В.А. Алмазова» Минздрава России, научный сотрудник СПб ГБУЗ «Клиническая больница Святителя Луки», Санкт-Петербург, Россия; e-mail: tatianalelyavina@mail.ruТакже по теме
