Искусственный интеллект в диагностике и лечении мочекаменной болезни

По мере того как мы вступаем в эру «больших данных», информация о том или ином заболевании будет становится доступнее. Обработка и анализ большого объема медицинских данных для быстрого принятия решений по тактике лечения становятся невозможными без использования информационных технологий и подходов в области интеллектуального анализа данных. За последнее десятилетие произошел быстрый переход к анализу, лечению и мониторингу случаев мочекаменной болезни (МКБ) с использованием методов интеллектуального анализа (нейронные сети, искусственный интеллект, машинное обучение) для создания персонифицированных моделей с целью определения конфигурации камня по изображениям компьютерной томографии (КТ) и ультразвукового исследования (УЗИ), определения химического состава камня по данным КТ, прогнозирования риска развития МКБ на основе данных генетики и образа жизни, спонтанного отхождения камня, прогнозирования результатов эндоурологических операций и т.д. В большинстве современных исследований применяются упрощенные методы интеллектуального анализа, при этом для обучения используется малая выборка данных, что снижает чувствительность и специфичность методов и ограничивает результаты в качестве рекомендации к широкому применению. Поэтому усложнение архитектуры, с использованием методов многослойных искусственных нейронных сетей и сверточных нейронных сетей, а также с использованием больших данных на совокупности разнородных показателей, позволит существенно улучшить прогностическую точность моделей и даст возможность применять их в реальной клинической практике.

Complex health-care data will be growing exponentially as we enter the era of "big data”. Interpretation and analysis of a large amount of medical data for rapid and personalized decision-making require artificial intelligence-driven technologies and data mining techniques. Over the past decade, a rapid transition to the analysis, treatment and monitoring of kidney stone disease using the artificial intelligence (AI) with machine learning algorithms and artificial neural networks ensures the development of precise support systems. Machine learning algorithms able to predict the location of stones using computed tomography scans or ultrasound images, determine their chemical composition, recurrence rate based on demographic and genetic variables, spontaneous ureteral calculous passage, and treatment outcomes. Recent studies use rather simple machine learning methods and small training sets that reduce their accuracy, sensitivity, and specificity and limit their routine application. Therefore, the development of complex architectures, using multilayer artificial neural networks and convolutional neural networks, and integration other heterogeneous variables will improve the resultant predictive accuracy ensuring their introduction in real clinical practice.