2024人工智能在疝与腹壁外科中应用.docx

《2024人工智能在疝与腹壁外科中应用.docx》由会员分享，可在线阅读，更多相关《2024人工智能在疝与腹壁外科中应用.docx（13页珍藏版）》请在优知文库上搜索。

1、2024人工智能在疝与腹壁外科中应用摘要以不同子领域应用为层次，人工智能可分为机器学习、自然语言处理、人工神经网络和计算机视觉4个部分。机器学习可提高疝与腹壁外科疾病的诊断和预后预测效果。在自然语言处理方面，使用电子病历系统的自然语言所构建的模型在术后早期具有优秀的吻合口漏预测能力。在人工神经网络方面，中山大学附属第六医院胃肠、疝和腹壁外科在胃食管反流病中应用人工神经网络的研究结果表明，术前检查的9个参数可以良好预测术后结局，横向对比其他算法后发现人工神经网络在预测预后方面可能更具优势。人工智能(artificialintelligence,Al)的浪潮今年显得格外汹涌，其标志为ChatGPT

2、的出现和普及。ChatGPT是OpenAI公司研发的一种生成式预训练转换器。使用这种自然语言处理模型，普通人可以创建一个聊天机器人来响应基于文本的用户请求。机器人能够学习人类的反馈，并在语言理解、推理和解决问题等方面逐渐逼近人类智能1L过往10年，AI已经对制药、工业、金融、医疗和管理等各个行业产生了重大影响，预计随着ChatGPT这种大型语言训练模型的大爆发,未来将对各行各业带来工业革命级别的深远影响。其实，ChatGPT代表的自然语言处理模型只是AI的一个子领域，而AI涵盖至少4个方面范畴：机器学习、自然语言处理、人工神经网络和计算机视觉21Al在医学中核心目标分别为改善疾病管理过程和降低

3、成本30有人估算，到2026年，美国Al在医学中的应用每年可以为医疗保健行业节省多达1500亿美元（数据来源于）,着实可观。本文就AI工具在疝与腹壁外科的应用现状综述如下。1 机器学习机器学习是指通过向计算机提供数据和信息（条件变量），让其以自主的方式学习，最终解释结果变量或预测新数据，主要包括3种模式：监督学习、无监督学习和强化学习。监督学习用于预测已知结果，无监督学习用于检出数据中隐含的逻辑关联4Jo强化学习则是算法在与环境交互过程中通过学习策略以达成回报最大化的问题，其在完成任务的同时，从自身的成功和错误中总结经验5o目前，机器学习各个模式中已经报道关于疝外科领域的研究如下。1.1 监督

4、学习食管裂孔疝是减重手术病人的常见合并症术前诊断对胃袖状切除术至关重要。然而，一项2000例病人的研究结果表明，传统的食管吞钢检查仅呈现30.0%38.5%的敏感度6-7Jo当应用决策树模型等监督学习算法时,食管裂孔疝的诊断敏感度可提高至60.2%7o此外，支持向量机等算法也可用于预测切口疝修补术后复发的高危因素，如糖尿病、吸烟、高血压和慢性阻塞性肺疾病（COPD）等80而联合使用多种监督学习算法，可以根据术前检查资料和临床数据预测腹壁重建的术后并发症，包括复发、手术部位事件和30d再入院率9Jo1.2 无监督学习生物体是复杂系统,数据中的逻辑关联通常为非线性,难以用Logistic回归模型证

5、明相关性。无监督学习算法尤为适合发现这种相关性,这通常要求数据达到足够的规模。例如，Cole等10使用美国外科医师学会国家外科质量改进计划(ACSNSQIP)中90000例病人数据，训练模型预测剖腹术后筋膜裂开，除了既往已经报道过的风险因素之外，他们还发现了一些有趣的关联，例如与筋膜裂开风险呈非线性关系的病人术前血钠水平和血细胞比容。在疝与腹壁外科领域，修补材料永远是热点话题。尽管还没有AI应用于疝外科材料的案例，但前瞻性药物设计11和有机化合物合成12的突破可为医师和材料科学家带来启示。已建立集成高通量和AI算法新材料开发的加速平台口3,人们告诉机器所需材料特性，算法则提供符合要求的备选材料

6、。1.3 强化学习自动驾驶汽车和AIphaGO战胜人类棋手的新闻使得强化学习近年来备受关注。疝外科领域尚无报道，但北京协和医院整形外科团队利用强化学习模型治疗瘢痕疙瘩14的案例颇具代表性。瘢痕疙瘩有多种疗法和动态变化的状态，这种不确定性过程可用数学语言简化为马尔可夫决策过程5,适合由强化学习解决。研究者定义了病人的基线状态、治疗结果函数和奖励函数，通过强化学习解决马尔可夫决策过程,找到最佳的个体化治疗计划口40随着案例的积累，这个模型还可以对治疗决策进行持续的正反馈。可以预见在不增加或仅增加很低额外成本(开发模型的成本)的情况下，机器学习无疑将成为外科医师的绝佳助手，改善临床实践中的诊断和预后

7、效能。2 自然语言处理自然语言处理旨在使计算机能够理解和生成人类的语言。2023年，ChatGPT以其出色的自然语言处理能力，在全球范围内掀起了热潮。在外科学领域,典型应用包括使用算法预测结直肠癌切除术后吻合口漏15oSoguero-Ruiz等15通过分析医师用自然语言描述的手术报告和病程记录，基于词袋模型和鲁棒支持向量机线性最大边缘分类器，构建了一个模型，并表明该模型在术后早期具有优秀的吻合口漏预测能力（敏感度100%、特异度72%X自然语言处理算法在选择有效特征和解释特征与医学之间的关系方面仍然存在挑战。但随着算法进一步完善,其将对病历资料管理、医患沟通以及帮助病人获取自我健康管理知识方面

8、产生重要影响。3 人工神经网络人工神经网络由大量的人工神经元组成，这些神经元之间通过突触连接并传递信息2L深度学习网络隶属于这一概念，是指由许多层组成的神经网络，能够学习比简单的一层或两层神经网络更复杂的模式16o许多医学领域一直在致力于整合人工神经网络以促进疾病的诊断、预后和治疗。在此重点介绍笔者团队一项胃食管反流病外科治疗的单中心回顾性队列研究。美国胃肠内镜外科医师学会（SAGES）胃食管反流手术治疗指南17指出，导致抗反流手术结果不理想的原因包括术前评估不充分、病人或手术技术选择不当。因此，笔者的研究旨在使用人工神经网络评估术前检查及手术方式等参数预测术后结局的效能。笔者团队收集了121

9、例接受了24h食管PH值监测和食管测压检查的胃食管反流病的病人资料。这些病人均接受了胃底抗反流折叠土食管裂孔疝修补手术。该队列被以7:3的比例随机分为训I练组(84例)和测试组(37例)，并使用了12种算法来训练模型，分别是：逻辑回归(LogisticRegression)、朴素贝叶斯(NaiveBayes)、K-最近邻(K-NearestNeighbors决策树(DecisionTree支持向量机(SupportVectorMachinesC5.0基于规则的分类模型(C5.0rule-basedclassificationmodels)J迨机森林(randomforest)v单层神经网络(s

10、inglelayerneuralnetwork)、多元自适应回归样条(multivariateadaptiveregressionspline袋装决策树(ensemblesofdecisiontrees)、贝叶斯加性回归树(bayesianadditiveregressiontrees)以及提升树(boostingtree纳入训练的参数(条件变量)为术前的检查结果、术中胃底折叠的角度和所使用的补片类型等，总计27个参数。结局指标(结果变量)是病人术后半年随访时主观症状明显好转、这部分病人定义为有效；其他稍有好转、无明显改善及症状恶化的结局定义为无效。总计有88例病人报告反酸、烧心等反流症状明显

11、文秀专，吞咽梗阻的症状为轻-中度或无明显症状。首先，笔者通过卡方检验或t检验在有效组和无效组病人中进行对比，筛选出9个有统计显著性的变量。这9个变量分别为性别、吸烟、食管炎、食管静息压、食管下括约肌静息压、食管动力、食管远端收缩积分、食管下括约肌近端压力和食管长度。将这9个变量纳入12种分类算法中进行建模。在训练集中，单层神经网络对于此数据集表现最好受试者工作特征曲线（ROC）下面积为0.869L因止匕，使用单层神经网络模型在测试集中进行验证。在测试集中，笔者发现模型可以很好地预测病人的疑：准确率达0.838,曲线下面积为0.907（该部分为未发表数据该研究结果表明，使用术前检查的9个参数（尤

12、其是来自食管测压和测酸检查结果）可以良好地预测术后结局。而抗反流折叠角度（后置180。折叠或360。折叠）和使用的补片类型并不显著影响术后结局。一项Meta分析支持这一结果：在1年和5年的随访中，180。折叠术后吞咽困难的发生率低于360。折叠术，而食管酸暴露、食管炎的发生率、胃灼热评分、病人满意度、需要行术后食管扩张和再手术率方面，两种折叠方式之间差异无统计学意义18笔者的案例还表明，横向对比其他机器学习算法，人工神经网络在预测预后方面可能更具优势。近年来，该领域的疝外科研究持续增长。例如，Gao等口9使用人工神经网络预测腹股沟疝修补术后的病死率、再入院率和并发症发生率，发现他们的模型效能不

13、劣于传统的Logistic回归。另一项旨在预测美国退伍军人疝修补术后的切口皮肤和软组织远期感染的研究,发现神经网络模型表现出色一拟合优度统计量C-Statistics）在测试集和验证集中分别达到了0929和0.90120o另一个研究小组关注腹壁疝和切口疝的诊治，他们发现使用常规术前影像学资料（X射线计算机断层扫描）构建的深度学习模型可以成功预测腹壁重建手术的复杂程度（需要使用组织分离技术）和切口不良事件（ROC曲线下面积分别为0.744和0.898）21o为了提高对术后罕见并发症的预测效能也们又引入了生成式对抗网络异常的深度学习模型（以改善预测罕见事件的敏感度），用于预测术后网片感染和呼吸衰竭

14、22o人工神经网络通过模拟人类大脑的工作方式，学习大量数据来识别复杂的数据模式。其在处理大规模数据时表现出高效的性能，并能够执行准确的预测。在临床上，人工神经网络与传统的风险预测方法相比具有明显优势。目前，该领域的技术正与其他AI子领域（如计算机视觉）进行联合应用。4 计算机视觉计算机视觉是指算法从图像、视频和其他视觉输入中获取有意义信息，对资料进彳元里解，并根据该信息采取行动或提供建议。如果说人工神经网络赋予计算机思考的能力，那么计算机视觉就是赋予发现、观察和理解能力。4.1 图像引导手术该领域在疝外科有3个有趣的报道，主要集中在结合计算机视觉和深度神经网络算法识别腹腔镜腹股沟疝手术中的输精

15、管231肌耻骨孔完整结构24以及识别不同的经腹腹膜前疝修补术（TAPP）手术时相25L开发这种模型的潜在作用不言自明其可作为术中辅助系统以避免误伤重要结构、量化医生的水平以及制定医生培训教育标准,最终可为实现机器人根据场景进行自动化手术铺平道路26L4.2 计算机辅助诊断在一项有代表性的皮肤病学研究中研究人员采用了GoogIeNetInceptionv3卷积神经网络架构并使用了一个包含129450张临床图像和2032种不同疾病的数据集进行训练。结果表明，在角化细胞癌与良性脂溢性角化病以及恶性黑色素瘤与良性痣的鉴别诊断方面，该模型的分类准确率超过了参与测试的大多数经过职业认证的皮肤科医生（总计2

16、1位参与研究）27o在真实世界中评估这个模型将具有重大的潜在临床影响力，包括扩大初级筛查的人群范围和增强皮肤科医师的临床决策。5 Al在外科学的应用前景和现阶段的挑战以上各种AI工具并非孤立。不同领域AI工具之间的协同应用将会催生出革命性的新技术。例如，机器人技术、计算机视觉和神经网络的协同组合导致了自动驾驶汽车的出现。这些新技术将带来更加便捷、高效、智能化的生活和工作方式，并将导致医疗行业发生翻天覆地的变化。在ChatGPT引爆的AI大热的2023年,我们看到了世界上的科技巨头正以肉眼可见的速度和海量的投资规模涌入这个领域，各种自然语言模型如雨后春笋纷纷涌现。我们可以大胆畅想20年后外科医生可能会面临这样的工作场景：早上坐着自动驾驶汽车驶向医院时，接入了医院办公自动化（OA）系统的智