回顾 开放存取
版权 ©作者2021年。 Baishideng Pubeoplay app苹果系统下载blishing Group Inc.保留所有权利。
世界杂志。 2021年10月7日; 27(37):6191-6223
2021年10月7日在线发布。doi:10.3748 / wjg.v27.i37.6191
人工智能应用于胃肠病学和肝病学的机遇与挑战
克丽桑托斯·克里斯托,乔治奥斯·图法斯
Chrysanthos D Christou, Georgios Tsoulfas,塞萨洛尼基亚里斯多德大学希波克拉ation总医院器官移植科,希腊塞萨洛尼基54622
ORCID编号: Chrysanthos d Christou(0000-0002-5417-8686)乔吉奥斯·图尔法斯(0000-0001-5043-7962).
作者贡献: Christou CD进行了文章资格筛选,并起草了手稿;Tsoulfas G对合格的文章进行了筛选,并编辑了手稿。
兴趣冲突陈述作者声明这篇文章没有利益冲突。
开放获取:这篇文章是一篇开放获取的文章,由内部编辑选择,完全由外部评审员同行评审。它是分布式依照创作共用署名非商业性(4.0 CC通过数控)许可证,允许别人分发,混音,适应,建立这个工作非商业化,和其派生作品在不同的条款进行许可,提供最初的工作是正确地引用和非商业使用。看到的:http://creativecommons.org/Licenses/by-nc/4.0/
通讯作者: Georgios Tsoulfas, FACS, FICS,医学博士,副教授,器官移植单位,Hippokration综合医院,亚里斯多德大学塞萨洛尼基,66 Tsimiski街,希腊塞萨洛尼基54622。 tsoulfasg@gmail.com
收到:2021年1月31日
同行评议开始:2021年1月31日
第一个决定: 2021年3月14日
修改后:2021年5月6日
公认:2021年8月31日
文章在新闻: 2021年8月31日
网上发表:2021年10月7日

摘要

人工智能(AI)是一个笼统的术语,用来描述一组相互关联的领域。机器学习(ML)是一种通过学习过去的数据来预测未来数据的模型。医学,尤其是胃肠病学和肝病学,是数据丰富的领域,拥有广泛的数据存储库,因此是基于AI/ ml的软件应用卓有成效的基础。在本研究中,我们全面回顾了基于人工智能/ ml模型在这些领域的应用现状,以及它们的应用带来的机遇。具体来说,我们指的是基于AI/ ml的模型在胃肠道出血、炎症性肠病、胃素的预防、诊断、治疗和预后方面的应用beplay体育 怎么样胃肠道其他非恶性病变和疾病、乙型和丙型肝炎感染、慢性肝病、肝细胞癌、胆管癌、原发性硬化性胆管炎。同时,我们确定了限制这些模式在医疗保健领域广泛使用的主要挑战,以努力探索克服这些挑战的方法。值得注意的是,我们详细阐述了对内在偏见、数据保护、网络安全、知识产权、责任、道德挑战和透明度的关注。人工智能正在以比预期更慢的速度渗透到医疗保健行业。医疗领域的人工智能将成为现实,每一位医生都必须必须参与其中。

关键词: 人工智能机器学习胃肠病学肝脏病学人工神经网络支持向量机

核心提示:人工智能应用带来的机遇Ligence /machine learning based models in gastroenterology and hepatology包括通过识别易于发展癌症的患者来建立靶向筛选程序,开发无创诊断工具,提高诊断准确性,治疗分配的发展框架基于预测的结果对不同的治疗方法,发展的模型,以确保有效的利用资源,分类工具的发展更高层次的护理和进一步治疗决策的工具,基于个性化的病人结果预测,最后,建立患者及家庭咨询的预后预测模型。



介绍

人工智能(AI)是一个总括术语,描述任何应用程序,其中计算机系统被用来执行通常与人类智能相关的任务[12].人工智能是一个相关领域的集群,包括机器学习(ML)和概率推理、规划和决策、模糊系统、计算机视觉、自然语言处理、知识表示和神经网络(NN)[1].尽管存在差异,但这些领域都是由计算能力和大数据的进步推动的。

ML可以被描述为一种从过去的数据中学习以预测未来数据的模型[3.].ML在医疗保健领域的应用是由一些医疗保健趋势催化的,例如电子医疗记录和患者总结、基因组分析和生物医学研究、常规成像和远程医疗,这些趋势已经将医疗保健行业转变为一个数据丰富的科学,数据是一个无处不在的概念[4-6].具体来说,在2013年,医疗保健行业产生了153艾字节(1018兆字节),预计到2020年将达到2314兆字节[7].因此,医疗行业产生了海量数据,这些数据符合大数据的特点:海量、高速度、高多样性和准确性,是传统软件无法分析和管理的[589].AI承诺处理和分析这些广泛的数据存储库,并将其转化为有意义的见解。

多项研究将人工智能描述为长期存在的医疗保健挑战的潜在解决方案,这些挑战包括提高诊断准确性、增强远程医疗、大幅降低成本、促进循证医学、促进有针对性的文献搜索和提供个性化护理[10-14].更重要人工智能可以通过优化患者预后,降低相关死亡率和发病率,从而大幅减轻疾病负担[1516].

在胃肠学和肝脏学中,医生处理大量临床数据和从内窥镜,超声波和计算机断层扫描(CT)产生的成像数据广泛的储存库。因此,胃肠学和肝脏是具有数据丰富的领域,因此为AI应用的富有成效的基础,在这些领域进行了广泛的研究,特别是关于疾病预防,诊断,管理和预后[1718].我们旨在全面回顾人工智能在胃肠病学和肝病学中的应用,并确定目前在医疗保健中使用人工智能面临的挑战,以探索克服这些挑战的方法。

搜索策略

我们使用以下算法对Medline、Cochrane和Scopus数据库进行了全面的文献综述:[(人工智能、机器学习、深度学习或神经网络、支持向量机或计算机辅助或计算机辅助)和(胃肠病学和肝脏病学或食管或小肠或大肠或胃癌或胶囊内镜或息肉或结肠镜检查或结直肠癌或消化道出血beplay体育 怎么样炎症性肠病、克罗恩病、乳糜泻、溃疡、肝细胞癌、胆管癌、肝纤维化、脂肪肝、慢性肝病或肝硬化)文章的资格由两位作者独立审查(CC, GT),分歧由两位作者之间的讨论解决。最后,对符合条件的文章的参考文献列表进行了审查,以确定进一步的相关文献,包括文章、书籍和其他形式的出版物。我们排除了用英语以外的语言撰写的研究和发表的摘要。文献综述于2021年1月27日完成。

人工智能分类器

在讨论人工智能目前在胃肠病学和肝病学中的应用和挑战之前,我们简要描述一下ML模型中的人工智能分类器,我们认为这些分类器在合格的文章中最常用。具体描述了支持向量机(SVM)、人工神经网络(ANN)和卷积神经网络(CNN)的基本特征。根据训练数据是否被标记,ML分为有监督的和无监督的[19].换句话说,通过有监督的ML,一个新的数据集根据训练ML模型的以前的数据集分类为结果,而在无监督的ML中,没有结果,而是试图检测数据中的未知模式和相关性[20].

支持向量机是一种有监督的学习模型,通过训练相关的学习算法将类分配给新的案例。支持向量机需要一组训练数据,其中每个病例都预先标记了结果分类。每种情况下特征的数据点被视为高维空间中的点[21].根据这些映射的点,绘制分离的超平面,目的是根据这些点的标记类来区分它们[22].选择与映射数据点的最大距离的超平面,即最大功能边界,因为它提供了SMV正确分类新示例的全部潜力[2122].SVM通常执行线性分类分析。对于非线性分析,内核功能可以向原始数据引入额外的尺寸;因此,在高维空间中将非线性问题转化为线性问题[23].

人工神经网络是一种ML模型,灵感来自人类大脑的神经元连接,包括输入层、输出层和它们之间的隐藏层[18].人工神经网络应用于监督和非监督ML[24].当输入层和输出层之间插入多个隐藏层,网络结构变得更加复杂,有多个互连时,就出现了深度神经网络(DNN)的概念[2425].在DNN训练过程中,模型调整输入层节点与多个隐藏层节点之间的加权相关性[1820].在DNN中,CNN是由多层Perceptrons启发的生物学上变体[26].cnn已广泛应用于医学图像分析[1718].在CNN模型开发过程中,使用多个过滤器对图像进行预处理,在卷积过程中生成多个feature map [26].

人工智能在胃肠病学中的应用

基于AI/ ml的模型已广泛应用于胃肠道疾病(GI)的预防、诊断、管理和预后,包括GI出血(GIB)、炎症性肠病(IBDs)、恶性和癌前病变,以及其他非恶性病变/疾病(如胃食管反流),beplay体育 怎么样幽门螺杆菌幽门螺旋杆菌)感染、溃疡、腹腔疾病和肠道钩虫。

预防

表格1总结应用AI/ML模型预防胃肠病学疾病的研究结果。基于AI/ML的软件可用于筛查计划,以识别目前未被标准筛查指南识别的高危患者。在最近的一项研究中,研究人员开发了七种不同的AI/ML模型,以识别fy患者在根除胃癌后有患胃癌的高风险幽门螺旋杆菌感染(27]。极端梯度提升(GB)模型表现出最高的性能[27].CNN是在另一项研究中开发的,使用内窥镜图像对胃癌发生风险低、中、高的患者进行分类[28].一个类似的研究使用多重分类和回归树(CART)来开发一个预测未来胃癌发展的模型[29].另一个值得注意的例子是ColonFlag测试,这是一种ML算法,使用年龄、性别和完整的血细胞计数数据来确定患结直肠癌的高风险患者[3031].在最近的一项研究中,254例接受结肠镜检查的患者中,19例癌症(7.5%)和22例晚期腺瘤(8.7%)在本应避免筛查的患者人群中被发现[31]这些研究证明了基于AI/ML的模型如何在实际的临床环境中用于建立有针对性的筛查计划。

表1人工智能在胃肠病学中的应用:预防。
Ref。
参数使用
人工智能分类器
训练/验证集的大小
结果
性能
27 实验室结果,临床病理参数 几个 64238/25330的患者 胃癌发展的风险已经证实根除 0.53 - -0.9726, 59.3 - -98.13.6, 51.5 - -93.646
Nakahira28 实验室结果,临床病理学参数,内窥镜图像 CNN. 7826/454名患者 分层胃癌发展风险 ---
Taninaga29 实验室结果,临床病理学参数,内窥镜图像 1144/287 未来胃癌的预测 63.4-94.816, 0.736 - -0.87426
歌珊31 实验室结果,临床病理参数 DT,射频,GB 688名标记的患者 大肠癌发展的高风险 ----
诊断

表格2总结了应用AI/ML模型诊断胃肠疾病的研究结果。基于AI/ ml的软件被应用于计算机辅助检测或诊断(CAD)系统,用于提高医学图像的解释精度。CAD通常包括预处理、特征提取、特征选择和分类等阶段[32].CAD系统还可以帮助内窥镜医生在胃肠道的不同解剖位置导航。具体来说,基于CNN的模型采用了食管胃十二指肠镜图像来识别具有出色表现的解剖位置[33].

表2胃肠学中的人工智能应用:诊断。
Ref。
的诊断方法
人工智能分类器
训练/验证集的大小
结果
性能
Takiyama33 Esophago-gastro-duodenoscopy成像 CNN. 1750/4357 喉、食管、胃、十二指肠的解剖分类 0.99-1.0027
速度34 实验室结果,临床病理参数 159名患者 胃食管反流病的诊断 67.86-10016
德Groof35 食管内镜图像 1247/2976/ 807/ 807病人 巴雷特食管恶性与非发育不良的分类 88.216, 87.5 - -88.817, 87.63.6, 90.0 - -92.53.7, 88.646, 82.5-87.547
van der Sommen36 白光内窥镜成像 支持向量机 44例巴瑞特食管 早期肿瘤病变的诊断 每个图片:62 - 903.6, 65 - 9046,每名病人:52-1003.6, 74 - 9646
Struyvenberg37 体积激光显微成像 几个 Barret食管29例 肿瘤性病变的诊断 0.83-0.9426
压模器38 体积激光显微成像 几个 60的图片 肿瘤性病变的诊断 0.89 - -0.9526
Kumagai39 Endocytoscopic成像 CNN. 4715/15207 食管鳞状细胞癌的诊断 90.917, 0.72-0.9027, 39.4 - -46.43.7, 98.2-98.447
40 内窥镜图像 CNN. 1507/452名患者 诊断已经证实感染 84.5 - -93.816, 0.93 - -0.9726, 81.4 - -91.63.6, 90.1 - -98.646
中岛美嘉41 内窥镜图像 CNN. 162/60的患者 诊断已经证实感染 0.66-0.9626
伊藤42 内窥镜图像 CNN. 149/30的图片 诊断已经证实感染 0.95626, 86.73.6, 86.746
七丈43 内窥镜图像 CNN. 32308/114817 诊断已经证实感染 83.1 - -87.717, 81.9 - -88.93.7, 83.4 - -87.447
Kanesaka45 NBI 支持向量机 126/81 NBI图片 胃癌诊断 96.316, 96.73.6, 95.046
Hirasawa46 内窥镜图像 CNN. 13584/22967 胃癌诊断 92.23.7
47 实验室结果,临床病理参数,癌症生物标志物 GB / DT 496/213名患者 胃癌诊断 85.915,8316, 0.9126, 88年3.5, 87年3.6, 83.445,84.1.46
Tenorio48 实验室结果,临床病理参数 几个 178/38 乳糜泻的诊断 71.5-8016, 0.71 - -0.8426, 69 - 823.6, 67 - 8046
Caetano多斯桑托斯49 肌内自身抗体检测iga类抗体图像 支持向量机 2597张图片(训练:验证= 7:3) 乳糜泻的诊断 96.8 - -98.8516, 82.84 - -98.913.6,98.81-99.4046
胡乔尔50 实验室结果,临床病理参数 几个 408未确诊的患者 乳糜泻的诊断 0.49 - -0.5326
Manandhar51 肠道微生物组数据 射频 1429名粪便16S宏基因组数据受试者 炎症性肠病的诊断 0.80-0.8226
52 单核苷酸多态性数据 几个 60828个样本 CD和UC的分类 0.782 - -0.86626
Mossotto53 胶囊内窥镜检查,组织成像 支持向量机 239/487儿科病人 CD、UC和非分类IBD的分类 71 - 82.715,0.78-0.8725, 83.317, 83 - 853.7
58 胶囊内窥镜成像 CNN. 697/1007病人,822590/2013657、图片 不同类型胃病变的分类 -86 - 77.117, 0.80-0.9027-100 - 96.23.7, 56.5 - -76.247
Segui59 胶囊内窥镜成像 CNN. 50个视频 小肠蠕动事件的分类 9616
公园60 胶囊内窥镜成像 CNN. 139个视频,200000张图片(培训:验证:测试= 6:2:2) 小肠损伤鉴定 80.29 - -98.3416,0.99925,0.998267
黄星京61 胶囊内窥镜成像 CNN. 7556/57607图片 出血性和溃疡性病变的分类 96.62-96.8317, 95.07-97.613.7, 96.04-98.1847
otani.62 胶囊内窥镜成像 167/407病人 小肠不同类型病变的分类 0.950 - -0.99626, 0.884 - -0.92827
63 胶囊内窥镜成像 支持向量机 20例患者,340张图像(训练:验证= 8:2) 消化性溃疡诊断 92.6516,94.123.6, 91.1846
Karargyris64 胶囊内窥镜成像 支持向量机 80帧 消化性溃疡诊断 753.6, 73.346
65 胶囊内窥镜成像 CNN. 11例患者,440000张图像 肠钩虫的诊断 88.516, 0.89526,84.63.6, 88.646
伦哈特66 胶囊内窥镜成像 CNN. 600/600的图片 胃肠血管扩张症的诊断 One hundred.3.6, 96年46
67 胶囊内窥镜成像 CNN. 21个视频 乳糜泻的诊断 One hundred.3.6, 10046
山田68 结肠胶囊内镜成像 CNN. 15933/47847 结直肠肿瘤的诊断 83.97, 0.90227, 79年3.7, 87年47
69 结肠镜检查成像 CNN. 5545图像/271137图片/ 6127图片/ 1387视频/ 547录像带 大肠息肉的鉴定 0.98427, 88.24-1003.7,95.40-95.9227
三泽70 结肠镜检查成像 CNN. 411/35的短视频 大肠息肉的鉴定 76.516, 0.8726,90年3.6, 63.346
城市G71 结肠镜检查成像 CNN. 8641图像/207录像带 大肠息肉的鉴定 96.417, 0.99127
ozawa.72 结肠镜检查成像 CNN. 20431/70777图片 结直肠息肉的鉴别,结直肠息肉的分类 90 - 973.747 - 9817
73 NBI和亚甲基蓝染色图像 支持向量机 466年小的息肉 小型直肠乙状结肠腺瘤的分类 净现值(%):93.7-96.5
Tischendorf74 NBI 支持向量机 209年结直肠息肉 结直肠息肉的分类 903.6, 70.246
总值75 NBI 支持向量机 结直肠息肉434例 结直肠小息肉的分类 93.116, 95.03.6, 90.346
Kominami76 NBI 支持向量机 118年结直肠息肉 结直肠息肉的分类 93.216, 93.03.6, 93.346
三泽77 NBI细胞内镜 支持向量机 979/100内吞镜检查,图像 结直肠息肉的分类 9016,84.53.6, 97.646
武田78 NBI细胞内镜 支持向量机 5543/200细胞内镜、图片 侵袭性结直肠癌的诊断 94.116, 89.43.6, 98.946
79 NBI CNN. 2157/2847 来自增生息肉的分类肿瘤 96.33.7, 78.147NPV (%): 91.57
Komeda80 NBI CNN. 1200/600图像 腺瘤性息肉与非腺瘤性息肉的分类 75.116
伯恩81 NBI CNN. 223/407录像带 来自增生息肉的腺瘤分类 9417, 0.9527, 98年3.7, 83年47, NPV (%): 977

对于胃食管反流的诊断,我们仅利用临床数据建立了一个神经网络模型作为无创诊断工具[34].对于Barrett食管患者,开发了一种基于深度学习(DL)的CAD系统来区分恶性和非发育不良的Barrett食管患者[35].CAD系统还确定了进行活检的最佳部位,准确率在92%到97%之间[35].另一项研究开发了支持向量机模型,使用白光内窥镜成像来识别早期肿瘤病变[36].在最近的一项研究中,容量激光显微内镜成像被用于开发一种CAD系统,用于检测巴雷特食管患者的肿瘤病变[37]一项使用体积激光内窥镜检查的类似研究开发了一种用于检测肿瘤病变的ML模型[38]值得注意的是,该模型在体积激光内窥镜检查方面优于专家[38].最后,为了诊断食管鳞状细胞癌,利用细胞内镜图像作为活检的替代方法,建立了一个CNN模型[39].

用于诊断病人幽门螺旋杆菌CNN是在一项使用胃镜图像的研究中开发出来的[40].另一个CNN幽门螺旋杆菌诊断是在一项前瞻性试点研究中发展起来的,该研究使用白光成像、蓝光成像或链接彩色成像分析了从胃小弯拍摄的图像[41]。值得注意的是,使用蓝光和链接彩色成像产生的性能明显高于白光成像[41].在一项类似的研究中,CNN模型使用了来自上消化道内窥镜的图像进行检测幽门螺旋杆菌感染(42].最后,七丈43开发了两种不同的CNN模型进行诊断幽门螺旋杆菌感染。第一种是22层的深度CNN,表现与内窥镜医生相当,而第二种是根据图像在胃中的位置分类,在灵敏度和特异性方面表现与内窥镜医生相当,但显示了明显更高的准确性[43].两个CNN分析所有图像所需的时间分别为3分钟和18秒以及3分钟和14秒,而内窥镜检查人员分析所有图像所需的平均时间为230.1分钟[43].最近的一项meta分析评估了cnn诊断感染的性能幽门螺旋杆菌得出的结论是,目前的情况相当于医生[44].

在胃癌诊断方面,开发了一种基于svm的CAD模型,用于在窄带成像胃镜下识别早期胃癌特征[45]在另一项回顾性研究中,开发了一种CNN,用于从内镜图像检测胃癌。尽管该模型成功地对77个胃癌病变中的71个进行了正确分类(敏感性92.2%),但它也错误地将161个非癌病变识别为胃癌,产生了30.6%的低阳性预测值[46].大约一半的病变为胃炎,粘膜表面不规则或色泽改变[46].最后,在最近的一项研究中,开发了一种仅使用非内镜参数的无创GB/ decision tree (DT)模型来诊断胃癌[47].

关于乳糜泻的诊断,在一项研究中,利用临床数据作为非侵入性诊断乳糜泻的基础,开发了五种不同的基于AI/ ml的模型[48].有趣的是,使用13种不同的算法和不同的输入变量变量对模型进行了测试,结果有270种不同的测试模型[48].其中,基于贝叶斯分类器的模型性能最高[48].另一项研究开发了一种支持向量机,利用来自肌内抗体检测iga类抗体的图像对乳糜泻患者进行分类[49].最后,在另一项研究中,作者旨在开发几种基于AI/ ml的模型,利用临床数据预测一组未确诊患者的乳糜泻[50].这些模型都不成功,只有两个模型在预测乳糜泻方面略优于随机模型[50].

在IBD的诊断方面,最近的一项研究开发了五种不同的AI/ML模型,使用肠道微生物组的数据对IBD患者进行分类[51].随机森林(RF)模型表现出最高的性能,当使用细菌类群时auroc为0.80,当使用操作分类特征时auroc为0.82 [51]最后,对模型进行了区分慢性病(CD)和溃疡性结肠炎(UC)的测试,RF模型显示AUROC>0.9[51].一项多通道全基因组关联研究利用单核苷酸多态性数据开发了几种基于AI/ ml的模型,对CD和UC患者进行分类[52].对于小儿IBD,一种基于svm的模型利用组织学和内窥镜图像数据对小儿CD、UC或未分类IBD患者进行分类[53].其他研究利用无线胶囊内窥镜的图像建立支持向量机模型,识别乳糜泻患者,据报道准确率在80.2%到100%之间[54-57].

针对胶囊内窥镜,在最近的一项研究中,利用磁控胶囊内窥镜成像开发了一种CNN,为胃病变提供了自动检测和分类系统[58].病变包括糜烂,息肉,溃疡,粘膜下肿瘤,正常粘膜和黄色瘤[58].不同的研究使用由无线胶囊产生的图像,以开发CNN,可以在六个不同的肠道运动型事件中进行分类的小肠运动[59].在最近的一项研究中,开发了人工智能辅助胶囊内窥镜阅读模型来辅助病变识别[60].值得注意的是,该模型显著缩短了受修生对图像的阅读时间[60].

为了区分出血性和溃疡性病变,利用小肠胶囊内镜的图像开发了CNN[61]在最近的一项类似研究中,DNN模型使用胶囊内镜图像对不同的小肠病变(糜烂、溃疡、肿瘤和血管病变)进行分类[62].另外两项研究利用胶囊内镜图像识别消化性溃疡,开发了基于SVM的模型[6364].在三个不同的研究中,cnn被开发出来,利用胶囊内窥镜成像来诊断肠道钩虫、胃肠道血管扩张症和腹腔疾病[65-67].最后,CNN在最近的一项研究中被开发出来,用于从结肠胶囊内窥镜图像中检测结直肠肿瘤[68].

针对结肠镜检查中结直肠息肉的识别,设计了CNN模型分析结肠镜图像和视频,识别结直肠息肉[69]有趣的是,该模型识别扁平等色性小于0.5 cm息肉的灵敏度(通常与较高的缺失率相关)估计为每张图像91.65%[69].另一项研究利用结肠镜检查的短视频,开发了一种CNN模型来识别结肠息肉[70].在另一项研究中,CNN利用来自结肠镜的视频和图像来实时检测结肠息肉[71].有趣的是,当专家们回顾结肠镜检查视频时,他们在CNN模型的帮助下成功地发现了额外的未切除息肉[71].在最近的一项研究中,开发了一种基于CNN的息肉自动检测模型,用于识别并将结直肠息肉分为腺瘤、增生性息肉、无蒂锯齿状腺瘤和癌症[72].该模型以每帧20米的速度处理图像[72].

在一项前瞻性研究中,专门针对大肠息肉分类,使用NBI和亚甲基蓝染色图像开发了一种基于SVM的模型,用于实时分类小型直肠乙状结肠腺瘤[73]一项前瞻性试点研究开发了一种支持向量机模型,该模型利用NBI图像根据血管化特征将大肠息肉分为肿瘤性息肉和非肿瘤性息肉[74].在一项比较研究中,支持向量机模型在对小息肉(< 10 mm)的肿瘤性质进行分类方面表现出与NBI结肠镜检查专家相当的性能,但超过了非专家的性能[75].另外两项研究开发了支持向量机模型,使用NBI图像对结直肠病变(肿瘤或非肿瘤)进行分类[7677].最后,在一项回顾性研究中,建立了基于NBI细胞内窥镜图像诊断侵袭性结直肠癌的支持向量机模型[78].

除支持向量机外,还有一些研究采用cnn对结直肠息肉进行分类。一项比较研究开发了利用NBI结肠镜图像对肿瘤息肉进行分类的CNN [79].值得注意的是,该模型的性能与专家的性能相当,但优于非专家的性能[79].在另一项侧重于NBI结肠镜检查的研究中,开发了一个CNN模型来区分腺瘤性息肉和非腺瘤性息肉[80]一项不同的研究开发了一个CNN模型,用于在NBI结肠镜检查期间对腺瘤和增生性息肉进行分类[81].

大多数基于AI/ML的模型报告的性能超过美国胃肠内镜学会推荐的腺瘤检测NPV阈值(90%)和该学会进行的荟萃分析报告的估计合并NPV阈值(91%)[8283].最后,我们需要指出的是,目前我们报道的大多数CAD系统都存在手动分割病变的缺点。内窥镜医师应该在模型分析和尝试分类之前确定感兴趣的领域。这一弱点已被欧洲胃肠内窥镜学会所承认[84].开发CAD系统的其他障碍包括缺乏大数据集和图像缺乏可变性。最近的一项研究旨在通过开发一种CNN来解决这个问题,该CNN将息肉“添加”到图像中,以增加用于训练的图像库,并推进息肉自动检测模型的开发[85].

管理

表格3.总结了应用AI/ML模型治疗胃肠疾病的研究结果。在最近的一项研究中,基线阻抗、夜间基线阻抗和酸暴露时间的数据被用作DT模型的基础,以预测质子泵抑制剂对胃食管反流疾病患者的治疗反应[86].目的是为治疗分配建立一个决策框架[86].

表3胃肠学中的人工智能应用:治疗。
Ref。
参数使用
人工智能分类器
训练/验证集的大小
结果
性能
罗杰斯86 数据来自基线阻抗,夜间基线阻抗和酸暴露时间 DT 335名患者 质子泵抑制剂对胃食管反流病患者治疗反应的预测 0.31-0.93826
87 内窥镜图像 CNN. 二百○三分之七百九7图片 在胃的粘膜和粘膜下层的层胃癌侵袭 89.1617, 0.9427, 76.473.7, 95.5647
日本久保田公司88 内窥镜图像 800/90的图片 胃癌浸润深度 64.716
山下式89 苏木精和伊红染色WSI 100/156/ 4847 CRC微卫星不稳定性的识别 0.93126, 0.77927, 76年3.7, 66.647
一马沙90 实验室结果,临床病理参数 支持向量机 590/1007 淋巴结转移状态的预测 6917, 0.82127, 1003.7, 66年47
利维91 实验室结果,临床病理参数 RFE 14620名患者 GIB术后输血需求的预测 50.21-74.8816,0.7858-0.814126,69.17-92.773.6, 35.02 - -79.8246
92 实验室结果,临床病理参数 几个 122/67的患者 GIB的来源预测 69.7-94.316, 0.658 - -0.99926, 90.1 - -98.03.6, 89-10046
血液复苏需求的预测 64.7-94.116, 0.381 - -0.99326, 90.3 - -93.93.6, 18.4 - -95.546
预测急诊内窥镜检查的必要性 62.7 - -83.316, 0.404 - -0.91326, 80.1 - -89.13.6, 13.8 - -85.746
预测性格 58.4 - -89.716, 0.324 - -0.97226, 81.9 - -92.93.6, 18.4 - -90.946
达斯93 实验室结果,临床病理参数 194/1936/2007病人 近期出血的主要柱头预测 8913.46, 77年17, 96年3.7, 63年47
预测急诊内窥镜检查的必要性 8113.6,61年17, 94年3.6, 82年4648岁的47
奥古斯丁94 实验室结果,临床病理参数 164/1037病人 急性静脉曲张出血后再出血风险和死亡率的分层 0.81 - -0.8327
Loftus95 实验室结果,临床病理参数 103/44名患者 严重下GIB的预测 0.9792
预测手术干预的必要性 0.95426
阿亚鲁96 实验室结果,临床病理参数 GB 170/1307 严重下GIB的预测 7816, 83年17
复发性出血的预测 8816, 88年17
预测干预的需要 8816, 91年17

基于AI/ ml的模型已被用于胃肠道恶性病变的治疗。在胃癌方面,开发了一种CNN,用于预测早期胃癌是否侵入胃粘膜和粘膜下层,作为内镜切除的决策工具[87].有趣的是,CNN模型的表现优于内窥镜[87].在相同的概念下,我们开发了基于浸润深度的DNN对胃癌进行分类,作为分配治疗的依据[88].其中,模型对T1、T1a、T1b T2、T3、T4的预测准确率较高,总体预测准确率分别为77.2%、68.9%、63.6%、49.1%、51.0%、55.3%、64.7% [88].在结直肠癌中,微卫星不稳定性的识别显著影响治疗分配过程。建立了直接从苏木精和伊红染色的全玻片图像识别微卫星不稳定性的DL模型[89].值得注意的是,该模型的表现优于一组病理学家[89].最后,设计了一个预测结直肠癌患者淋巴结转移状态的SVM模型,作为工具来识别哪些患者将受益于内镜下切除T1肿瘤后的额外治疗[90].值得注意的是,该模型优于当前指导方针所认可的分段系统[90].

关于GIB的管理,在最近的一项研究中,利用GIB后进入重症监护病房(ICU)的患者的数据开发了ML模型,以预测输血需求[91].作者建议,它可以作为一种决策工具,用于将病人分诊到ICU或病房[91].另一项研究为急性GIB患者开发了几种AI/ML模型,以预测四种不同的输出:出血来源、紧急输血的需要、紧急内镜检查的需要和处置[92].本研究的目的在于为企业文化建设的有效管理建立一个决策框架。RF模型在所有四种输出中都优于所有其他七种模型[92].

针对上GIB,开发了一种神经网络模型,作为上GIB患者的无创分诊工具[93].在外部队列中,神经网络在预测近期出血的血痕方面的表现与完整的Rockall评分(包括内镜变量)相似[93].一个不同的研究开发了一种关于急性变质出血的推车模型,以预测再交性和死亡率,并达到了三种不同预后组的低,中间和高风险的辨别[94].其性能显著优于Child-Pugh和终末期疾病模型(MELD),但可与传统logistic回归(LR)模型相媲美[94].

针对下GIB,在一项旨在预测严重急性下GIB和外科干预需求的研究中,开发了两种不同的ANN模型[95].第一ANN显著跑赢STRATE预测规则来预测严重出血(AUROCs:0.98vs0.66) (95].另一项研究采用非内窥镜变量开发了基于GB分类器的模型,以预测严重的低GIB、复发性出血和临床干预的需要[96].在外部验证中,该模型被发现在复发出血和需要临床干预方面与传统LR模型同样准确,但在预测严重的GIB较低[96].

预后

表格4总结了应用AI/ML模型研究胃肠疾病预后的发现。在一项预测食道鳞状细胞癌手术患者远处转移的研究中,开发了几种基于svm的列线图[97].另一项研究利用临床病理数据建立了一个神经网络模型来预测食管癌患者的生存期[98].该模型优于肿瘤-淋巴结-转移(TNM)模型[98].关于胃癌,最近的一项研究开发了5种不同的AI/ ml模型来预测手术患者的复发[99].在模型中,RF表现出了最好的性能[99].

表4人工智能在胃肠病学中的应用:预后。
Ref。
参数使用
人工智能分类器
训练/验证集的大小
结果
性能
97 实验室结果,免疫标记物,临床病理参数 支持向量机 319/164患者 食管鳞状细胞癌术后的远处转移 69.5 - -80.116, 44.7-67.23.6, 81.6 - -97.746
撒托98 实验室结果,临床病理参数,肿瘤特征 395例患者(培训:验证:test = 53:27:20) 食管癌术后1年和5年生存率 0.883-0.88427, 78.1 - -80.73.7, 84.7 - -86.547
99 实验室结果,临床病理参数,肿瘤特征 几个 2012名患者(培训:验证=8:2) 胃癌术后复发 0.790 - -0.96225,0.771-0.795.26
One hundred. 气象数据 901名患者 ibd发病和复发的变化 ----
Hardalac101 临床病理参数,治疗数据 129例患者(培训:验证:测试= 80:10:10) 硫唑嘌呤治疗乳糜泻患者黏膜缓解的预测 58.1 - -79.116, 0.527-0.88326
高山102 临床病理参数,治疗数据 54/36的患者 的需要对UC患者的动作预测与cytoapheresis处理 963.6, 97年46
莱尔斯103 实验室结果,临床病理参数 884名患者 肝硬化患者上GIB住院死亡率的预测 ----
格罗西104 实验室结果,临床病理参数 807名患者 非静脉曲张上GIB患者30 d死亡率 81.2 - -89.016, 0.872681.5-93.33.6,80.9-84.746
Rotondano.105 实验室结果,临床病理参数 2380名患者 非静脉曲张上GIB患者30 d死亡率 96.816, 0.9526, 83.83.6, 97.546
106 CT radiomics 几个 124/35的患者 CRC中存在RAS和BRAF突变的预测 安:8715, 71年16, 0.90 - -0.9525, 0.7926
107 实验室结果,免疫标记物,临床病理参数,肿瘤特征 套索 221/95的患者 T1结直肠癌手术患者淋巴结转移状况的预测 0.79525, 0.76526

为IBD患者开发了一个人工神经网络模型,使用气象数据预测CD和UC患者发病和复发的季节变化[One hundred.].在验证队列中,模型预测了IBD的发病频率和复发频率,平均绝对百分比误差分别为37.58%和17.1% [One hundred.].一项针对乳糜泻的研究开发了一种ANN模型来预测治疗后16周服用硫唑嘌呤的患者的黏膜缓解[101].在一项针对UC的研究中,利用临床数据开发了一种神经网络来预测接受细胞摘除术治疗的UC患者,这些患者最终将需要手术[102].

关于GIB预后,开发了一种推车模型,以预测肝硬化患者的肝硬化患者的内部死亡率[103].在一个多在一项以神经网络为中心的研究中,研究人员利用内镜前变量来预测非静脉曲张上GIB患者的30 d死亡率[104].类似地,一项前瞻性多中心研究采用内镜前变量开发了一种神经网络模型,预测非静脉曲张上GIB患者的30 d死亡率[105].ANN的表现明显优于Rockall评分系统(auroc: 0.95)vs0.67) (105].

关于结直肠癌,最近的一项研究开发了几种ML模型来预测晚期结直肠癌患者的RAS和BRAF突变状态[106].值得注意的是,人工神经网络表现出了最好的性能[106].在另一项使用临床病理变量和免疫化学数据的研究中,建立了一个最小绝对收缩和选择算子回归模型来预测T1结直肠癌手术患者队列的淋巴结转移状态[107].

人工智能在胃肠病学中的应用机会

因此,在胃肠病学中应用基于AI/ ml的软件带来的机遇包括:

AI/ML模型可以开发并集成到临床环境中,直接使用从患者的电子健康记录中常规收集的数据,并实时标记出患有某些胃肠道疾病的高风险患者。目前的工作包括预防胃[27-29]及大肠癌[3031].这样的ML模型可以成为定制针对性筛选程序的基础。

内窥镜检查是诊断大量胃肠道疾病的黄金标准。采用提供可靠准确诊断的无创参数的AI/ML模型可以替代内镜或显著减少内镜的使用,从而改善内镜相关并发症的影响,显著降低诊断成本,并为患者提供一种不愉快干预的替代方案。目前的工作包括胃食管反流疾病的诊断[34),胃癌47],乳糜泻[4850],及肠易激综合征[51].

有望取代内窥镜;AI/ML模型也能提高其疗效。CAD系统可以促进胃肠道的导航,并充当内窥镜医师的第二个“观察者”,一个不易受干扰的“观察者”,用于识别内窥镜医师遗漏的病变。特别是对于胶囊内镜,自动检测和分类病变的CAD系统可以显著减少内镜医师评估图像所需的时间,同时提高诊断准确性。目前的工作包括诊断IBD[53-57),胃损伤(58]、小肠蠕动障碍[59,小肠病变如血肿出血及溃疡性病变[60-64],肠道钩虫[65],胃肠道血管扩张[66],乳糜泻[67,以及结直肠癌[68].

医生可以使用cad来提高根据息肉的肿瘤性质对其进行分类的准确性。因此,不切除肿瘤息肉的发病率和死亡率可能会降低。同时,与切除非肿瘤性息肉相关的并发症可以避免。因此,cad可以显著提高息肉治疗的成本效益。目前的工作包括发展支持向量机[73-76]和CNN[79-81用于NBI结肠镜检查中结直肠息肉肿瘤性质的分类。

能够准确预测不同治疗反应的AI/ML模型可以作为个体化治疗分配的基础。目前的努力包括质子泵抑制剂治疗胃食管反流疾病患者的反应[86],硫唑嘌呤治疗乳糜泻患者的黏膜缓解[101],以及接受细胞分离术治疗的UC患者是否需要手术[102].

特别是对于GIB管理,AI / ML车型可用于识别出血源[92]作为决策的框架,包括为患者输血的需要[92,进行紧急内窥镜检查[9293或紧急手术[9596],将重症GIB患者分诊至ICU[9596].

最后,AI/ML模型可以作为预测工具,分层并发症风险,预测治疗后的总生存和复发。这样的模型可以用来定制个性化的随访计划,以及病人和家庭咨询。目前的工作包括预测食管癌患者的总体生存期[98],胃癌手术患者复发的风险[99和非静脉曲张型GIB患者30 d死亡率[104105].

人工智能在肝病学中的应用
预防

表格5总结应用AI/ML模型预防肝病领域疾病的已确定研究结果。在最近的一项研究中,一组明显健康的志愿者参加了一项研究,该研究开发了一个基于DT的模型,根据患者患非酒精性脂肪肝的风险对患者进行分类(NAFLD)与肝纤维化[108].一项类似的研究使用常规收集的实验室和临床参数来开发几种基于AI/ ml的模型,以识别普通人群中的NAFLD患者[109].在另一项研究中,开发了几种AI/ML模型作为NAFLD靶向筛查的潜在工具[110].贝叶斯网络模型的精确度最高,其次是支持向量机模型[110]。值得注意的是,LR模型的表现优于所有模型。这些研究是基于AI/ML的模型如何在初级保健中用作检测慢性肝病工具的例子。在另一项研究中,开发了多种AI/ML模型,作为评估NAFLD患者纤维化进展水平的非侵入性工具的基础[111]。值得注意的是,RF型号的性能最高[111].另一项研究设法为NAFLD高风险患者建立ML模型,以对非酒精性脂肪肝(NAFL)和非酒精性脂肪性肝炎(NASH)患者进行分类[112].在一项不同的研究中开发了几种AI/ML模型,用于将健康个体与NAFL和NASH患者进行分类[113].其中,GB树模型的性能最高,其次是RF模型[113].在另一项研究中,四种不同的基于ML-AI /模型被开发利用从生化和酶联免疫吸附测定数据进行分类NAFLD患者和酒精性肝病有或没有肝硬化[114].

表5人工智能在肝病学中的应用:预防。
Ref。
参数使用
人工智能分类器
训练/验证集的大小
结果
性能
高盛108 国家年度例行健康检查数据库 基于DT的 12019名患者 NAFLD和肝硬化的风险 84.50-85.7316, 0.7740 - -0.848626
叫喊声109 实验室结果,临床病理参数 几个 500/422 确定NAFLD患者 0.87 - -0.9025,0.78-0.8826, 55.48 - -94.523.5, 51.69-92.373.6, 58.47 - -91.5345,50.99-90.4646
110 实验室结果,临床病理参数 几个 10508名患者(培训:验证= 9:1) 确定NAFLD患者 49.47 - -82.9216, 20.2-68.03.6, 54.4-94.646
索娃111 实验室结果,临床病理参数 几个 126例病态肥胖患者(培训:验证= 9:1) NAFLD患者的纤维化 7916, 30.8-60.03.6, 77.0 - -92.246
詹巴伊112 实验室结果,临床病理参数 EFS 164/122的肥胖病人 NAFLD和NASH的分类 0.733925, 0.702826
紫酸113 国家年度例行健康检查数据库 几个 108139例患者(培训:验证= 4:1) 健康、NAFLD和NASH的分类 77.2 - -79.716, 0.842 - -0.87626, 74.5 - -77.43.6
索娃114 来自生化和酶联免疫吸附试验的数据 几个 133例患者(培训:验证= 9:1) NAFLD和ALD的分类 DT: 89.02 - -95.116,74.19-94.123.6, 96.08 - -98.0446,RF:0.8932-0.984626支持向量机:0.9058 - -0.911826
115 实验室结果,临床病理参数 GB 576名HBV患者(培训:验证=7:3),368名7HCV患者 纤维化的分类/肝硬化患者HBV 0.904 - -0.97425, 0.871-0.91826, 79 - 883.5,78-843.6, 86-9245, 85年46
丙型肝炎患者肝纤维化/肝硬化的分类 0.797 - -0.84927
116 实验室结果,临床病理参数 226/1136/ 1167乙肝患者 显着纤维化的分类 0.88325, 0.88426, 0.92027
raoufy.117 实验室结果,临床病理参数 86/58 HBV患者 肝硬化的分类 91.3816, 0.89826, 87.53.6, 92年46
鱼属118 实验室结果,临床病理参数 414/96丙肝患者 显着纤维化的分类 45.8 - -86.516, 0.8725, 0.9326, 30.4-1003.6, 30.1 - -98.646
哈西姆119 实验室结果,临床病理参数 几个 22690/16877丙肝患者 显着纤维化的分类 66.3 - -84.416, 0.73 - -0.7626
loannou120 直接从电子健康记录中提取的临床/实验室数据 48151例HCV相关肝硬化患者(培训:验证=9:1) HCV肝硬化的HCC发展 0.759 - -0.80626
欧洲经济与货币同盟121 实验室结果,临床病理参数 几个 1385例HCV患者(培训:验证= 4:1) 肝硬化期 97.228 - -97.83116

AI/ML模型直接利用来自乙型肝炎(HBV)和丙型肝炎(HCV)感染患者电子健康记录的数据可作为肝癌靶向筛查工具的基础。在一项仅使用血清标志物的研究中开发了GB模型,旨在预测两组HBV和HCV患者的纤维化并对纤维化分期进行分类[115].另一项研究开发了一种神经网络模型,仅使用常规临床数据预测HBV患者显著纤维化[116]在一项类似的研究中,通过仅使用HBV患者的常规实验室数据来识别肝硬化患者,开发了一个ANN模型[117].另一项研究开发了一种ANN模型,仅使用非侵入性数据来预测HCV患者的晚期肝纤维化[118].一项类似的研究开发了几种基于AI/ ml的模型,以开发一种非侵入性工具,用于识别HCV患者晚期纤维化[119].在已开发的模型中,基于交替DTs的模型表现出了最高的性能[119]这些研究证明了使用常规临床数据的AI/ML模型如何用于确定将受益于持续病毒学应答(SVR)以延迟慢性肝病进展的患者。

关于肝细胞癌的发展,最近的一项研究调查了DNN是否能比传统LR模型更好地预测HCV患者肝细胞癌的发展[120].另一项研究利用人口统计学、实验室结果和临床结果等变量,建立了RF、DNN和LR模型,可靠地预测HCV感染患者肝硬化的阶段[121].准确预测容易发展为HCC的HCV患者有助于确定哪些患者将受益于靶向筛查,并且更需要抗病毒治疗以实现SVR。

诊断

表格6总结了AI/ML模型用于肝病诊断的研究结果。对于慢性肝病,一项研究利用确诊肝纤维化患者的CT影像资料,开发了肝纤维化分期的CNN模型[122].值得注意的是,该模型优于放射科医师的解释[122].另一项研究利用脂肪性肝病患者的超声成像来开发支持向量机模型和极端学习机模型(一种神经网络),用于诊断和风险分层[123].另一项利用超声剪切波弹性成像特征的研究开发了一个SVM模型,用于识别慢性肝病患者[124].另一项研究使用了实时组织弹性成像的图像,开发了四种不同的基于AI/ ml的模型来对肝纤维化进行分类[125].值得注意的是,RF模型优于其他模型,其次是KNN和SVM模型[125].

表6人工智能在肝病学中的应用:诊断。
Ref。
的诊断方法
人工智能分类器
训练/验证集的大小
结果
性能
122 CT成像 CNN. 7461/4216/ 2987/ 1727病人 肝纤维化分期(F0-F4) 83.115, 80.816, 74.4 - -80.217
严重纤维化、晚期纤维化和肝硬化的分类 92.1-95.0167, 0.95-0.97267, 84.6 - -95.53.67, 89.9-96.6467
Kuppili123 我们成像 榆树,支持向量机 63名患者 FLD的诊断 榆树:81.7-92.416,0.81-0.9226, 85.10-91.303.6, 78.52-92.1046支持向量机:76.14 - -86.4216, 0.74 - -0.8626, 76.80 - -88.203.6, 74.52 - -86.3046
124 美国横波弹性成像 支持向量机 126名患者 健康患者慢性肝病的分类 87.316, 0.8726, 93.53.6,81.246
125 实时组织弹性成像,年龄,性别 几个 513例患者(培训:验证= 3:1) 肝纤维化的分类 80.44 - -82.8716, 79.67-92.973.6, 46.25 - -82.5046
Matake126 临床病理参数,CT成像 120名患者 四种肝局灶性病变的分类 0.96126
Oestmann127 多相核磁共振扫描 CNN. 150/10的患者 HCC和非HCC病变的分类 94.115, 87.316, 0.91226
对于HCC:92.73.6, 82.046
non-HCC: 82.03.6, 92.746
128 核磁共振扫描 CNN. 45556/ 547病人 肝癌检测 0.9726, 94年3.6, 99年46, 0.9027, 87年3.7, 93年47
Cucchetti129 实验室结果、临床病理参数、放射学数据、组织学数据 175/75的患者 本研究 0.9225, 91.016
组织病理学评分 0.9425, 93.316
厄尔曼130 胆汁的代谢组学和蛋白质组学分析 几个 139名患者 阿胶腺癌与胰腺腺癌的分类 0.98 - -1.0026, 88-94.13.6, 92.3-10046
佩剑护手盘131 血浆胆汁酸谱 几个 112例患者(培训:验证= 4:1) 胆管癌与良性胆道疾病的分类 68.2 - -86.416, 0.77 - -0.9526, 64-793.6, 63 - 10046
Logeswaran [132 MRCP检查 MLP 55/5937图片 CCA诊断 92.8 - -96.316, 83.64 - -90.1417

在一项研究中,CT成像被用于建立一个ANN模型,用于区分HCC、肝内周围型胆管癌(CCA)、血管瘤和转移瘤[126].有趣的是,当放射科医生评估图像时,当他们考虑ANN的输出时,他们的表现显著提高,AUROC从0.888到0.934[126].专注于肝癌诊断,最近的复古回顾性研究开发了一种利用HCC患者的MRI图像的CNN。模型由符合肝脏成像报告和数据系统(典型)的图像和不符合(非典型)的图像组合训练[127].在一项多中心回顾性研究中,开发了一种CNN,利用MRI扫描来识别HCC病变[128].值得注意的是,该模型超越了在小型HCC病变的诊断中不太经验丰富的放射科医生的性能[128]该模型能够在3.4秒内分析100幅图像[128].最后,另一项研究旨在开发一种非侵袭性ANN模型,预测有无显微血管浸润和HCC的肿瘤分级[129].

对于胆囊癌和胰腺腺癌的诊断,一项研究利用内镜逆行胰胆管造影患者的胆汁代谢组学和蛋白质组学分析生成的数据建立了一个ANN模型,目的是将患者分为癌症和非癌症[130].另一项研究使用来自血浆胆汁酸水平的数据,开发了六种不同的基于AI/ ml的模型,将患者分类为阿胶性胆汁酸或良性胆道疾病[131].在开发的6个模型中,基于朴素贝叶斯分类器的模型表现出了最高的性能[131].最后,在另一项研究中,设计了一个ANN模型来分析磁共振胰胆管造影的图像,以诊断胆管癌,据报道准确率为92.8%[132].

管理

表格7总结了应用AI/ML模型管理肝脏疾病的研究结果。在基于AI/ ml的软件指导下,通过基因突变生物标志物、血清标志物、影像学和临床环境产生的数据训练,可在化疗、放疗和免疫治疗中采用高质量、循证、个体化的治疗。在HBV管理中,最近的一项研究开发了几种基于AI/ ml的模型,使用可溶性免疫标记物预测核苷类似物治疗终止后的早期病毒学复发[133]该模型可用于排除病毒学复发高风险患者停止治疗。在HCV管理中,一项研究利用了HCV变异的全长HCV基因组测序数据,开发了多个基于AI/ML的模型,对HCV抗病毒变异进行分类[134].值得注意的是,SVM模型表现出了最高的性能[134].

表7人工智能在肝病学中的应用:治疗。
Ref。
参数使用
人工智能分类器
训练/验证集的大小
结果
性能
Wubbolding133 分析可溶性免疫标记物 几个 28/497乙肝患者 早期病毒学复发的预测 0.73 - -0.8926, 0.59 - -0.6727
哈加134 WGS丙肝病毒的 几个 86/87丙肝患者 对抗病毒药物耐药的HCV变异的分类 0.5 - -0.93725, 0.597 - -0.95426
Bedon135 DNA甲基化分析 射频为基础 300/74肝癌标本 6个月无进展生存期 67.1-80.615, 64.8 - -80.217
Tsilimigras137 实验室结果,临床病理参数,肿瘤特征 976名肝癌患者 BCLC分期系统中术前预测体重的决定因素 ---
Tsilimigras139 实验室结果,临床病理参数,肿瘤特征 1146 CCA患者 术前判断预后的因素 ---
140 实验室结果,临床病理参数 1421/2347 切除后易患佐剂治疗的肝内CCA 0.8425, 0.7827
141 临床病理参数 288例CCA患者(培训:验证= 8:2) 预测早期闭塞双侧塑料支架置入术 0.964825, 0.954426

在HCC治疗中,最近的一项研究利用DNA甲基化谱数据开发了一种基于rf的模型,预测6个月无进展生存期。这种模型可以用来对患者进行个性化监测[135].在一项国际、多机构研究中,开发了一种CART模型,旨在创建一个超越巴塞罗那-临床-肝癌(BCLC)分期系统的框架,该系统目前得到治疗分配指南的认可[136137].该模型根据总生存期的预测因素定义了6个不同的预后组,可作为治疗分配的框架[137].值得注意的是,未纳入BCLC分期系统的放射学肿瘤负荷评分被发现是BCLC B期患者长期预后的最佳预测指标[137].这些发现可以帮助我们将HCC治疗重新评估为一种超越BCLC标准的多学科、个性化方法[138].

在CCA患者的管理中,在一次国际研究中,通过完全术前变量开发了推车模型,以确定患者,患者更容易受益于手术[139].该模型成功分离出四组预后相似的患者[139].作者总结说,该模型可用于术前决策,例如,对预后不良的患者使用新辅助治疗[139].在另一项研究中,研究人员开发了一种DNN模型,以建立一个AI框架,通过该框架,可以使用特定的预后组来确定哪些患者更有可能从新辅助化疗等不同治疗方式中受益治疗或经动脉化疗栓塞[140].该框架被发现比美国癌症联合委员会目前的指导方针要准确得多[140]最后,一项研究开发了一种神经网络来预测哪些肝门CCA不能手术的患者在双侧塑料支架置入后会出现早期闭塞[141].

预后

表格8总结了在肝病领域应用AI/ML模型预测预后的研究结果。在一项研究中,建立了一个神经网络模型,以识别患有乙肝肝硬化的患者发展食管静脉曲张的高风险[142].在另一项研究中,使用临床数据创建了两个不同的RF模型,第一个用于识别食管静脉曲张,第二个用于对需要治疗的食管静脉曲张患者进行分类[143].

表8在肝病人工智能应用:预后。
Ref。
参数使用
人工智能分类器
训练/验证集的大小
结果
性能
在香港142 实验室结果,临床病理参数 197例HBV患者(培训:验证= 4:1) 食管静脉曲张发展中HBV肝硬化 87.8216, 93.753.6, 71.7046
越南盾143 实验室结果,临床病理参数 射频 238/1097 食管静脉曲张的鉴别 0.8425, 0.8227
需要治疗的食管静脉曲张的分类 0.7425, 0.7527
144 实验室结果、临床病理参数、手术参数 安,DT 427,354和297例患者的1年、3年和5年生存率(训练:验证= 8:2) 1年、3年和5年无病生存 安:0.963-0.98925, 93.5 - -96.33.5, 91.6 - -97.945, 0.774 - -0.86426, 70.0 - -78.73.654.2-92.746
手术切除后
DT: 0.675 - -0.82525, 19.6-94.83.5, 45.8 - -97.945,0.561-0.718.26,0-88.53.6, 37.5-96.446
145 实验室结果,临床病理参数,肿瘤特征 22926名患者 手术切除后5年生存率 96.5716, 0.88526, 97.4317, 0.87127, 74.233.7
146 实验室结果、临床病理参数、手术参数 22926个肝切除术 手术切除后的住院死亡率 97.2816, 0.8426, 95.93170.8227, 78.403.7, 94.5747
147 实验室结果,临床病理参数,肿瘤特征 434、341和264例患者的1年、3年和5年生存率(培训:验证= 8:2) 手术切除后1年、3年和5年总生存率 98.5 - -99.515, 0.980-0.99325-100年,99.73.5, 96.2-99.245,72.1-85.1.16, 0.798 - -0.87526, 71.4 - -88.63.6, 50.0 - -82.146
148 实验室结果,临床病理参数,肿瘤特征 362/1816/ 1047病人 手术切除后生存率 0.85525, 80.003.5, 73.4045, 0.83226, 78.673.6, 75.7046, 0.82927, 77.423.7, 78.0847
线路接口单元149 实验室结果,外周血单个核细胞免疫化学数据,肿瘤特征 GB生存分类器 136/566/ 1057 hcc相关死亡的风险 0.84425, 0.82726,0.80627
150 白色的/ CTP阶段 319/617/ 1247 化疗栓塞和索拉非尼治疗患者的生存率 基于阿尔比的:0.71627, 0.82327
基于CTP的:0.77927, 0.69327
迪维亚和拉达[152 实验室结果,临床病理参数,肿瘤特征 APO、支持向量机、射频 152名患者 RFA后复发 95.516, 95.13.6, 95.846
山下式153 苏木精和伊红染色WSI CNN. 299/536/ 1987WSIs 手术切除后复发 0.72426, 0.68327
154 实验室结果,临床病理参数 支持向量机 83名患者 RFA后复发 73 - 8216, 0.60 - -0.6926,77-863.6, 73 - 8246
伊顿155 实验室结果,临床病理参数 基于GB的 原发性硬化性胆管炎患者509/278 分类原发性硬化性胆管炎相关并发症的风险 0.9626, 0.9027
安德烈斯156 化验结果,临床参数,捐赠者的特征 PSSP系统 2769名患者 原发性硬化性胆管炎移植后的生存率 ----
Rodriguez-Luna157 微卫星突变/缺失的基因分型数据 19 transplated病人 移植后肝细胞癌复发 89.516
158 化验结果,临床参数,捐赠者的特征 安,射频 90/90的移植 移植失败/原发性无功能 安:0.734 - -0.83526
射频:0.787 - -0.81826
3-mo移植失败 安:0.55926,r6:0.71526
Briceño.160 实验室结果,临床病理学参数,手术参数,供体特性 1003年肝移植 3-mo移植失败 0.806 - -0.82126

关于HCC,一些研究集中于开发基于AI/ML的模型,该模型可以可靠地预测患者的预后(生存率和复发率)。一项回顾性研究比较了ANN、LR模型和DT在预测HCC患者切除后1、3和5年无病生存率方面的表现[144].一项类似的研究使用全国数据库比较了人工神经网络模型和LR模型在预测肝切除术后肝癌患者5年生存率方面的效果,得出结论:人工神经网络模型优于LR模型[145].在同一部门的另一项研究中,比较了人工神经网络模型和LR模型,但结果是住院死亡率,并且发现人工神经网络模型优于LR模型[146].有趣的是,该研究报告称,外科医生数量是住院死亡率的最佳单项预测指标[146]关于预测因子,一项比较ANN和LR模型的不同研究报告称,ANN模型比LR模型识别出更多的显著预测因子,除了在生存预测方面优于LR模型[147].在一项前瞻性研究中,旨在比较神经网络模型与传统分期系统在预测早期HCC患者生存方面的表现,神经网络模型优于肝-胰-胆协会的tnm6th,以及所有培训,内部验证和外部验证队列中具有较高报告的Aurocs的BCLC分期系统[148].在最近的一项研究中,开发了一种基于GB生存分类器的模型,将hcc相关死亡的风险分为三个不同的类别[149]最后,在最近的另一项研究中,ANN确定白蛋白胆红素等级是经动脉化疗栓塞联合索拉非尼作为初始治疗的肝癌患者生存的最重要预后因素[150].一项旨在比较基于AI/ML的软件和传统线性预测模型在预测HCC患者生存方面的性能的系统综述得出结论,AI/ML模型提供了更高的准确性[151].

除了生存,其他研究已经开发出AI/ML模型来预测治疗后HCC的复发。一项有趣的研究使用了几种AI/ML方法,包括人工植物优化、支持向量机和射频预测射频消融后HCC复发[152].最近的一项研究开发了一种利用组织病理学图像预测肝癌手术患者复发的CNN [153].另一项研究开发了一种支持向量机模型来预测一组接受射频消融治疗的患者的复发[154].

关于原发性硬化性胆管炎,一组研究人员推导并验证了基于GB算法的风险评估工具,以预测疾病的结局[155].在不同的研究中,开发了ML模型,以预测肝移植后初级硬化胆管炎患者的存活曲线[156].的P的价值χ2分布校准检验为1,表明模型校准良好[156].

以肝移植为重点,一个团队开发了一种ANN模型,结合微卫星突变/缺失基因分型来预测接受肝移植患者队列中的HCC复发[157].其他几项研究关注的是移植后单个肝移植物的存活[158-160].在一项多中心研究中,作者开发了一个神经网络模型来预测3个月的移植物存活和丢失[160].有趣的是,他们的模型优于所有广泛验证的评分,包括MELD、供者风险指数(DRI)、肝移植后的生存结果和风险平衡,与他们的per性能显著降低(auroc范围:0.42-0.67)[160].在另一项研究中,建立了一个RF模型来预测30 d失败的移植物。值得注意的是,该模型的表现也优于MELD和DRI[158].这些发现有助于重新评估我们对目前受体-供体匹配模式的思考。

人工智能在肝病中的应用机遇

因此,在肝病学中应用基于AI/ML的软件所带来的机会包括:

在初级保健方面,ML模型可以整合到临床环境中,通过使用从电子健康记录中常规收集的数据,实时标记普通人群中罹患慢性肝病的高风险个体。目前的工作包括识别NAFLD、NASH、纤维化和肝硬化高风险患者的模型[108-114].这些模型可以用于设计有针对性的筛选程序。

特别是对于慢性HBV和HCV感染的患者,AI/ML模型可以用来对每个个体在肝硬化和HCC发展的几个阶段的风险进行分层。在这方面进行了多项研究,包括与hbv相关的[115-117]与丙型肝炎相关[115118-121肝硬化。该模型可用于识别更需要SVR的患者,并制定个性化随访计划。

在诊断方面,AI/ML模型为提高各种肝脏疾病的诊断准确性和多种诊断模式(如US/CT/MRI成像和组织学图像)提供了机会。目前的工作包括用于诊断慢性肝病(HCC)的CAD模型[127-129),和CCA (130-132].

AI/ML模型能够准确可靠地预测对特定治疗的反应,可用于定制个性化治疗分配的循证框架。目前的工作包括制定肝癌管理框架[136137]和CCA [139140].

在预后方面,AI/ML模型可以可靠地预测并发症、住院死亡率、总生存期和治疗后复发。目前的工作包括预测住院和hcc相关死亡[146149]肝细胞癌患者手术后总生存率[144145147148]和HCC再次发生手术或RFA [152-154].这样的模型可以用来定制个性化的随访计划,以及病人和家庭咨询。

特别是对于肝移植,AI/ML模型可用于预测癌症移植患者的移植物衰竭或癌症复发。此类模型可用于重新评估和优化我们目前关于移植物分配的受体-供体匹配的实践[157-160].

AI申请的当前挑战
固有偏差和精度

AI系统的精度水平主要取决于训练数据集的质量。现有的偏见和成见在训练数据集将在不经意间被内置到算法限制了基于ML-AI /软件的准确性[161].数据收集过程中的差异,标准化的不完美和错误标记的情况成为算法训练的一部分,因此集成到最终产品中。这些模型中发现的两个最常见的偏见是:(1)频谱偏差;(2)过度装修。当患者(在培训期间使用的生成数据和这些模型的内部验证期间使用的生成数据)不构成目标人群的代表性样本时,会发生频谱偏差[162].另一方面,过拟合是指训练数据有自定义模型的倾向[162].因此,模型的性能在训练数据集上被夸大了,但在新数据集上明显较差[162].cnn广泛应用于胃肠病学和肝病学,尤其容易发生过拟合[26].另一个重要的偏见来源是,医生经常在电子健康记录中错误记录数据,有时甚至是主诉[163].这些偏见显著影响基于ML-AI /模型的性能,破坏他们的应用程序。为缓解偏见的影响的措施的同时建立该审查潜在的偏见和检查数据的准确性[评价系统的数据收集方法标准化15164].解决这些偏差的另一个关键步骤是,在临床环境中,从前瞻性纳入研究的患者产生的数据中对模型进行外部验证[165].临床环境中基于AI/ML模型的初始实施应在小规模上进行,类似于临床试验的第一阶段和第二阶段[166].现有工具,如PROBAST工具,可用于开发基于AI/ ml的模型,以全面评估偏倚风险[164167].美国医学协会最近承认,需要在测试或部署基于ML-AI /软件,以避免引入或加剧了医疗保健差异[当识别和数据寻址偏置168].因此,真正的挑战是开发一个基于人工智能/ ml的软件,在不发现偏见的情况下挖掘数据隐藏的真正潜力。

其他一些限制影响这些模型的性能。例如,与其他类型的内窥镜相比,胶囊内窥镜图像的分辨率有限[18].另一个限制是目前开发的大多数模型的硅性质,这显著影响了在实际临床环境中类似性能的预期。这些算法的另一个局限性是,它们利用了一系列变量,而这些变量在真实的临床环境中是由医生做出一系列谨慎的决定,并不是一套完整的数据。因此,这些变量的存在或不存在可能成为这些模型在真实临床环境中的一个显著缺点,使它们无法使用。最后,用于评估性能的指标缺乏一致性(敏感性、特异性、AUROC、准确性、等。),限制了在模型之间进行有意义比较的能力[17].

数据保护和网络安全

同样,对于所有患者数据,基于AI/ ml的软件中使用的数据应符合《通用数据保护条例》第5条所述的7项原则。具体而言,个人资料必须:(1)公平、合法、透明地处理;(2)相关、充分并限于预期目的;(3)为明确、具体和合法的目的收集;(4)准确、及时;(5)只在必要的时候允许身份识别;(6)确保适当的安全;及(7)证明遵守法例及负责任[169].人工智能面临的一个特别挑战是对完全电子跟踪医疗记录的概念的抵制,因为人们认为,这将大量存储的敏感医疗记录数据暴露于大规模披露[170].如果考虑到一些例子,比如从皇家自由国民健康服务基金会信托(Royal Free national Health Service Foundation Trust)向谷歌DeepMind传输160万份患者记录的数据,这些担忧并非完全没有道理,这后来被判为非法[171].然而,出于数据保护的考虑,任何针对纸质数据的努力或政策都可能严重损害AI模式在医疗保健领域的应用。

医疗保健行业是一个特别有吸引力的网络攻击目标,因为它包含敏感的个人数据和财务信息。根据《健康保险可携性和问责法》实施了若干物理和技术保障措施,以防止敏感的患者数据遭到泄露[172].然而,人工智能技术在医疗行业的应用,除了传统的网络安全问题外,还出现了新的漏洞和危险。如果ML模型可以从数据中学习,它们也可能被数据欺骗。数据可以恶意地引入算法,以操纵已开发的人工智能/ML模型做出错误的决定,目前还不知道对患者结果的影响[173]在最近的一项研究中,作者演示了攻击者如何在CT扫描中使用DL添加或删除肺癌肿瘤[174].这项研究展示了一组放射科医生和最先进的深度人工智能模型是如何特别容易受到攻击的[174].因此,我们怎么能确信AI/ML模型没有被破坏呢?显然,医疗保健机构将不得不开发额外的信息技术基础设施,以保护医疗保健系统免受这些新威胁。

知识产权

美国食品和药物管理局(FDA)最近承认,它收到了大量关于基于人工智能/ ml的软件营销的提交,已经批准的算法列表迅速增加[175176].有挑战性的观点将确定基于AI / ML的软件应遵循的法律框架和监管标准。关键是将AI / ML软件分类为“医疗设备”,“服务”或“产品”,实现这一切需要仔细评估AI / ML的软件的敏感性。基于AI / ML的软件,旨在协助医生在诊断,解释和治疗决策中可以被归类为医疗设备并按各自的法规下降[12].2019年,FDA宣布旨在审查基于AI / ML的软件规则,最近将基于AI / ML的软件作为医疗器件行动计划[175177].FDA发布的行动计划聚焦于五大支柱,旨在促进创新和推进被归类为医疗设备的基于人工智能/ ml的软件。这些措施包括:(1)量身定制的监管框架;(2)可通过共识标准实现的良好ML实践;(3)以患者为中心的治疗方法向用户提供透明性,同时考虑可用性、信任、公平性和问责制;(4) 与算法偏差和鲁棒性相关的监管科学方法,最后;(5)真实世界的表现[175].当涉及到法律和监管时,真正的挑战是在扼杀创新和创造的过多监管和过少监管之间找到金箍棒,这可能会对医疗保健,乃至患者的福祉产生意想不到的毁灭性后果。

关于知识产权和安全的另一个有趣的观点是,基于AI/ ml的软件在其批准和发行多年后,与原始产品的巨大差异[178].购买该产品后,开发者有什么权利?由于原始产品通过临床环境数据的学习不断变化,购买多年后的偏离模型和原始软件可以看作是两个完全不同的产品。第一种受版权法保护。然而,后者现在已经产生了自己的知识产权,因为它包含医疗机构生成的数据[173].因此,谁可以在最终产品上索取合法权利?另外,谁确保了模型的可信度和安全性,因为它偏离了原始产品?显然,需要对基于AI / ML的软件进行生命周期调节,可确保过帐覆盖审核(如内置审计)[165].或者,可以采用限时授权,允许FDA执行定期审计,以审查对初始产品的累积修改[165].

责任

除知识产权外,在临床应用基于人工智能/ ml的软件所引发的另一个法律挑战是责任。一个相当有趣的概念是,人工智能的发现和决定可能在未来具有法律约束力。随着基于AI/ ml的模型不断发展,变得越来越复杂,可以肯定的是,它们最终会超过医生,至少在特定的任务中。那么,医生们怎么能对人工智能提出的决定视而不见呢?特别是当他们的决定是严肃地基于数据,缺乏任何主观性的时候。当模型做出的决定造成伤害时,谁要承担责任?目前,尚无法律先例,在基于AI/ ml的软件产生错误输出而导致患者受伤的案例中分配责任[179].

为避免医疗事故责任,医生须在考虑现有资源的同时,提供与同一专业的合格医生同等水平的医疗服务[180].然而,当涉及到基于AI/ ml的软件推荐时,责任的概念就变得更加复杂了。在最近的一项深刻的法律分析中,作者根据人工智能建议是否遵循标准护理和/或准确、医生遵循或拒绝该建议以及是否发生医疗伤害的组合,提供了8种情景[179]作者得出结论,由于现行法律在遵循标准护理时保护医生免于承担责任,因此也鼓励医生尽量减少人工智能的实际用途,将人工智能转化为一种确认工具,而不是一种提高护理水平的工具[179].在制定出全面的法律责任框架之前,医疗机构有理由不愿采用人工智能技术,因为它们担心和没有意识到人工智能会使设施及其员工承担责任[181].

伦理挑战和透明度

人工智能可能成为医患关系的第三方参与者,并可能破坏医患之间的信任。首先,与第三方共享数据用于人工智能模型开发的想法可能会导致患者拒绝向医生提供信息,从而降低透明度[182].其次,基于人工智能/ ml的模型不能像有同情心的人那样工作,而这是医生临床生活的一个组成部分。因此,人工智能驱动的决策既不包含理解对病人的需求既不尊重病人的意愿,也不表示同情,也不知道病人什么时候感到不舒服,什么时候需要休息,什么时候需要有人扶着。因此,在人工智能时代,保持对医患关系的信任可能是具有挑战性的。

另一个挑战是人工智能应用中的患者同意。显然,在开发和验证基于AI/ ml的软件期间,几乎不可能获得每一个患者的知情同意。无论如何,我们无法预测算法在模型训练过程中如何使用特定的数据点,以及特定患者的数据是否会对整个模型产生重大影响[183].然而,当基于AI/ ml的模型用于临床环境,特别是用于患者记录(在计算机视觉中)时,应充分告知患者,并应获得明确的同意[184].

在确保高水平的护理和避免隐私侵犯之间取得平衡可能是一项挑战。例如,随着计算机视觉的进步,监测可以用来检测与最佳床边实践的任何偏差,如病人动员和手卫生实践,这使病人容易被识别[185186]。数据最小化(收集所需数据最少)等做法可以解决这些挑战[185].

改变医生和患者对人工智能技术的态度可能是一项艰巨的任务。目前,约有2/3的人群对使用他们的数据来提高护理质量感到不舒服,并且不利于基于AI/ML的软件执行通常由医生执行的任务[183].有理由担心,由于种族主义、性别歧视和社会经济不平等而包含在培训数据中的某些偏见将被集成到基于人工智能/ ml的软件中。一个臭名昭著的例子是COMPAS算法,它被发现错误地将黑人标记为可能再次犯罪的人[187]。当开发者提出该算法受知识产权法保护,因此不接受审查的论点时,这一情况更加恶化[187].这些例子可能会错误地彻底破坏人们对人工智能的信任。一个值得信赖的基于AI/ ml的软件应该围绕透明度、可信性、可审计性、可靠性和可恢复性的原则构建[188].

在医疗保健中应用基于AI / ML的软件的最后一个但并非最不重要的挑战是缺乏透明度,目前是一个主要问题。通过与这些算法相关的不可解释性来证明缺乏透明度,描述为“黑盒子”,其中内部逻辑是隐藏的[18].这违反了医学伦理的基本原则,即医生至少应该了解他们使用的设备的基本特征,并可能破坏这些技术的可信性[189]因此,开发基于AI/ML的模型和phy对于基于人工智能/ ml的算法如何做出决策,专家们应该进行协作,以达到至少某种程度的可解释性。注意力地图和显著区域是可以减少这些模型可解释性不足的方法的例子[190].一个稍有不同且有趣的观点是,由于基于AI/ML的软件的不透明性,当其应用可以显著造福患者时,阻止其广泛应用实际上是不道德的[183].由于大多数人都对人工智能抱有偏见,要建立对这些技术的信任需要几个步骤,包括消除偏见、提高透明度、与患者沟通他们在提供的护理中扮演的角色、保护数据隐私,以及制定一个健全的监管框架。

结论

尽管人工智能与医疗一体化的多项努力都来自高收入国家[191].可以理解的,因为所有基于ML-AI /软件是数据驱动的,参加AI生态系统低收入和中等收入国家,那里的医疗系统不会产生大量的电子,标准化数据的机会,是显著的限制。不包括在这些模型的开发将引入显著光谱偏差,这可能会破坏这些模型在低收入和中等收入国家的应用程序。因此,尽管被描述为重点,以卫生服务公平性,AI可以成为不平等的墙上的另一块砖。一种未来的挑战将是包括AI模式发展倡议低收入和中等收入国家。

尽管这些基于AI/ ml的软件的中心思想是它们可以在执行某些任务时超过医生,但现有的比较基于AI/ ml的模型和医生性能的文献是有限的[192]最近的一项荟萃分析,包括多学科比较研究,从所有医学专业中仅确定了25项符合纳入标准的研究[193].作者得出结论,目前,DL模型从医学成像中检测疾病的诊断性能相当于医疗专业人员[193].显然,大量研究开发和验证ML算法,而缺乏研究将这些模型的表现与医生在调查任务中的表现进行比较。因此,有必要在临床环境中进行进一步的比较研究。

未来的另一个挑战是将人工智能与其他新兴领域相结合,如3D打印和生物打印、增强现实、新型生物标志物(如microrna)和机器人技术[194-198].想象这样一个世界,所有这些技术和它们的应用是统一的,并集成到每天的临床实践中。人工智能可能是处理这种新型复杂临床环境的手段。未来的人工智能临床医生拒绝对一个内在复杂的领域进行过度简化,而是拥抱复杂性。

人工智能在精确量化相关性方面优于医生,即使在医生拥有深入知识的领域也是如此[173].然而,AI模型只是像其他工具一样的工具,应该被当成工具来对待。工具在执行特定任务时的准确性、敏感性和特异性,工具带有偏见,其结果应与其他临床和旁临床结果一起评估。依赖人工智能不应将不可量化的信息排除在决策之外[183].在技术进步的圣坛上,不应该将临床推理和批判性思维纳入人工智能。人工智能与医疗保健的整合不应取代医生的智能,而应增强医生的智能。因此,我们应该以人工智能辅助而非人工智能驱动的临床实践为目标[14].最后,人工智能系统应与同样先进的评估系统一起应用于医疗保健领域,这些评估系统应适当评估其在临床实践环境中的后果,调查其意外后果,最重要的是评估其对患者结果的影响[163].评估计划的一个例子是FDA发起的数字健康创新行动计划,该计划旨在基于以下五个卓越标准评估正在开发的医疗软件:产品质量、患者安全、临床责任、网络安全责任和积极的文化[199].

尽管人工智能已经在第一线工作了几十年,但它仍然无法为长期存在的医疗问题提供可能的解决方案。人工智能的冬天,人工智能的资金大大减少,表明了人们对人工智能没有以投资者会感到舒服的速度发展感到沮丧[1].鉴于人工智能目前对医疗保健的影响,人工智能似乎是一个不断过度宣传但通常交付不足的领域。在这篇综述中,我们强调了当前的挑战,我们认为这些挑战限制了人工智能在医疗领域的广泛应用,并试图探索克服这些挑战的方法。

然而,即使以较慢的速度,人工智能最终也将“渗透”到整个医疗行业,从中央医疗设施到私人诊所和远程医疗,从医学院和教学医院到制药公司,甚至政府的医疗政策制定者。人工智能将成为现实;每个人都必须遵守,以避免被淘汰。因此,迟早,医生将不得不参与人工智能领域的必要性。然而,医生在这场即将到来的“革命”中所扮演的角色仍有待观察。是我们在推动这场“革命”,还是我们只是旁观者?

限制

最后,我们的评论很少有局限性。首先,我们的研究是一个叙述审查,尽管我们尽力遵循精心设计的搜索策略,以便对当前文献进行全面审查,但我们的研究易于选择偏见。其次,我们研究中描述的每项研究都有自己的偏见风险,并面临每项研究中描述的几个限制。我们没有使用任何偏差风险评估工具,以系统地评估一项研究值是否值得纳入而不是遵循的搜查策略以及我们的判断。这再次使我们的审查能够易于选择偏见。此外,我们的大多数研究在硅中进行了,报告的性能在模型应用于真正的临床环境中时可能会偏离。最后,少数例外情况下,与传统统计模型的性能相比,大多数结果报告了基于AI / ML的算法的优越或至少等同的性能,广泛使用的分期系统,广泛调查和验证的分数,以及医师知识和推理,几十年来,在医疗保健中占主导地位。因此,至少在出版物偏见的概念中,我们的研究结果应谨慎解释。

脚注

稿件来源:特邀稿件

通讯作者在专业协会会员:美国外科医生学会;美国肝病研究协会;学术外科协会;美国移植外科医生协会;Transplantatin社会;美国移植学会;美国HepaticoPancreaticoBiliary协会;国际肝移植学会;国际外科医生学院。

专科类型:胃肠病学和肝病学

原产国/地区:希腊

同行评议报告的科学质量分类

甲级(优秀):0

B级(非常好):0

C级(良好):C级

D级(一般):0

E级(差):0

P-Reviewer: Atsawarungruangkit A S-Editor: Liu M - L-Editor: A P-Editor: Liu JH

参考文献
1. Jayabalasingham B人工智能:知识是如何创造、传递和使用的。爱思唯尔,2019年。PubMedDOI本文引用:
2. 罗素SJ人工智能:一个现代的方法。哈洛:皮尔逊年,2016年。PubMedDOI本文引用:
3. 克鲁斯是,Wishart DS.机器学习在癌症预测和预后中的应用。癌症的通知.2007;2: 59 - 77。PubMedDOI本文引用:
4. Raghupathi w ^医疗保健领域的大数据分析:前景和潜力。健康Inf Sci系统.2014;2:3.PubMedDOI本文引用:引用于:1239引用by F6Publishing: 219文章影响:177.0文献引用分析(0)
5. 帕迪奥诺R., De Vito C, Migliara G, Glocker K, Binenbaum I, Ricciardi W, Boccia S.医疗保健大数据的好处和挑战:欧洲倡议概述。欧洲J公共卫生.2019;29:23-27.PubMedDOI本文引用:引自:Crossref: 35引用by F6Publishing: 13文章的影响:35.0文献引用分析(0)
6. Dash年代医疗保健领域的大数据:管理、分析和未来展望。J大数据.2019;6: 54。PubMedDOI本文引用:交叉引用人:128引用by F6Publishing: 13文章的影响:64.0文献引用分析(0)
7. StatistaHealthcare数据量全球2020年预测。[引用2020年12月20日]。可从: https://www.statista.com/statistics/1037970/global-healthcare-data-volume/PubMedDOI本文引用:
8. McAfee一大数据:管理革命。哈里总线牧师.2012;90:60-66, 68, 128.PubMedDOI本文引用:
9. 拜尔马“大数据:定义”的重要性。CT加里.2012年,2014年。PubMedDOI本文引用:
10. 计算技术的有效保健:立即采取措施和战略方向。斯特德WW,林HS,编辑。华盛顿(DC):国家科学院出版社(美国),2009年。PubMedDOI本文引用:
11. Matheny Me卫生保健中的人工智能:来自国家医学研究院的一份报告。贾马.2020;323.: 509 - 510。PubMedDOI本文引用:交叉引用:59引用by F6Publishing: 29文章影响:59.0文献引用分析(0)
12. Sugawara E鲍曼不动杆菌AdeABC和AdeIJK射流体系与大肠杆菌acrabb - tolc体系的特性比较Antimicrob代理Chemother.2014;58: 7250 - 7257。PubMedDOI本文引用:引自:200引用by F6Publishing: 28文章影响:28.6文献引用分析(0)
13. 于黄G,唱JJ。大数据在胃肠病学和肝病学中的作用。J Gastroenterol Hepatol..2019;34: 307 - 308。PubMedDOI本文引用:引自:Crossref: 3F6Publishing引用人:3文章的影响:1.5文献引用分析(0)
14. 莱夫JK,农民AD,阿齐兹Q.人工智能辅助Gastroenterology-承诺和陷阱。美国胃肠病学杂志.2019;114:422-428.PubMedDOI本文引用:引用于Crossref: 51引用by F6Publishing: 37文章的影响:25.5文献引用分析(0)
15. Loftus TJ, Tighe PJ, Filiberto AC, Efron PA, Brakenridge SC, Mohr AM, Rashidi P, Upchurch GR Jr, Bihorac A.人工智能与手术决策。JAMA杂志.2020;155: 148 - 158。PubMedDOI本文引用:引用于Crossref: 40引用by F6Publishing: 29文章影响:40.0文献引用分析(0)
16. 拉姆斯菲尔德JS,Joynt Ke,Maddox TM。大数据分析改善心血管护理:承诺和挑战。Nat牧师心功能杂志.2016;13:350-359.PubMedDOI本文引用:引自:205引用于f6出版:64文章影响:41.0文献引用分析(0)
17. 勒贝尔C酒店,桑德伯恩WJ,Aridhi S,Devignes MD,福尼尔L,斯迈尔-Tabbone男,Danese S,人工智能在胃肠病学和肝病Peyrin-Biroulet L.应用。胃肠病学.2020;158: 76 - 94 . .PubMedDOI本文引用:交叉引用:108引用于f6出版:74文章影响:54.0文献引用分析(0)
18. 杨YJ爆炸CS。人工智能在胃肠病学中的应用。世界杂志.2019;25: 1666 - 1683。PubMedDOI本文引用:由十字架引用:74F6Publishing引用人:49文章的影响:37.0文献引用分析(0)
19. 黄年代,蔡N,Pacheco PP,Narrandes S,Wang Y,Xu W.支持向量机(SVM)学习在癌症基因组学中的应用。癌症基因组蛋白质组学.2018;15: 41-51。PubMedDOI本文引用:交叉引用:69引用于f6出版:62文章的影响:23.0文献引用分析(0)
20 托RC.医学中的机器学习。循环.2015;132: 1920 - 1930。PubMedDOI本文引用:引自:Crossref: 743引自f6出版:218文章的影响:148.6文献引用分析(0)
21 高贵的WS.什么是支持向量机?NAT BIOTECHNOL..2006;24: 1565 - 1567。PubMedDOI本文引用:引自Crossref: 809引用by F6Publishing: 282文章的影响:57.8文献引用分析(0)
22 郭CY,周YC。一种新的模型选择机器学习策略—逐步支持向量机(StepSVM)。公共科学图书馆一号.2020;15: e0238384。PubMedDOI本文引用:引用by: 1F6Publishing引用人:1文章的影响:1.0文献引用分析(0)
23 艾泽曼M关键词:模式识别,电位函数,学习,理论基础奥特曼的远程控制.1964;25: 821 - 837。PubMedDOI本文引用:
24. Kriegeskorte N神经网络模型与深度学习。咕咕叫杂志.2019;29: R231-R236。PubMedDOI本文引用:引用于Crossref: 51引用by F6Publishing: 22文章的影响:51.0文献引用分析(0)
25. 勒昆尼,Bengio Y,Hinton G.深度学习。自然.2015;521: 436 - 444。PubMedDOI本文引用:引用文献:25326引用于f6出版:3914文章的影响:4221.0文献引用分析(0)
26. 安瓦尔主义基于卷积神经网络的医学图像分析方法综述。J医疗系统.2018;42: 226。PubMedDOI本文引用:引自:200引用by F6Publishing: 59文章的影响:66.7文献引用分析(0)
27. 梁咏琪,张KS,李斌,罗思强,吕TKL。机器学习模型在幽门螺杆菌根除后胃癌风险预测中的应用食物药物杂志.2021;53: 864 - 872。PubMedDOI本文引用:F6Publishing引用人:1文献引用分析(0)
28 Nakahira H石原、青山、河野、福田、岛本、中川、大森、岩下子、岩上子、岩上子、松野、井上、松浦县、石条县、前川县、Kanesaka县、山本县、竹内县、东野县、上藤县、松下县、多田县。利用深度神经网络对胃癌风险进行分层。jgh开放.2020;4: 466 - 471。PubMedDOI本文引用:引自:Crossref: 6F6Publishing引用人:7文章的影响:3.0文献引用分析(0)
29 Taninaga J使用机器学习算法和综合医疗检查数据预测未来胃癌风险:一项病例对照研究。Sci代表.2019;9: 12384。PubMedDOI本文引用:引用于Crossref: 19引用by F6Publishing: 13文章的影响:9.5文献引用分析(0)
30. Kinar Y通过对全血细胞计数的分析,开发和验证初级保健中大肠癌检测的预测模型:一项双国家回顾性研究。J Am Med Inform Assoc.2016;23: 879 - 890。PubMedDOI本文引用:引用于:42引用by F6Publishing: 22文章的影响:8.4文献引用分析(0)
31。 歌珊地R,Choman E,Ran A,Muller E,Kariv R,Chodick G,Ash N,Narod S,Shalev V.在一家大型健康维护组织中,使用ColonFlag试验对结直肠癌高危人群进行计算机辅助标记。JCO临床癌症通知.2018;2: 1 - 8。PubMedDOI本文引用:引自:Crossref: 7F6Publishing引用人:1文章的影响:3.5文献引用分析(0)
32。 莫斯科洛佩兹酒店关键词:前列腺癌,数字化组织病理学,计算机辅助诊断,纹理系统IEEE生物工程Rev.2015;8: 98 - 113。PubMedDOI本文引用:引用于:65引用by F6Publishing: 12文章的影响:9.3文献引用分析(0)
33 Takiyama H利用深度卷积神经网络实现食管胃十二指肠镜图像的自动解剖分类。Sci代表.2018;8: 7497。PubMedDOI本文引用:交叉引用人:58引用by F6Publishing: 39第19.3条文献引用分析(0)
34 速度F, Buscema M, Dominici P, Intraligi M, Baldi F, cesari R, Passaretti S, Bianchi Porro G, Grossi E.人工神经网络能够仅基于临床数据识别胃食管反流疾病患者。欧洲胃肠肝胆外科杂志.2005;17: 605 - 610。PubMedDOI本文引用:引自:Crossref: 15引用by F6Publishing: 11文章的影响:0.9文献引用分析(0)
35 de groof aj., Struyvenberg MR, van der Putten J, van der Sommen F, Fockens KN, Curvers WL, Zinger S, Pouw RE, Coron E, Baldaque-Silva F, Pech O, Weusten B, Meining A, Neuhaus H, Bisschops R, Dent J, Schoon EJ, de With PH, Bergman JJ。深度学习系统检测Barrett食管肿瘤患者的准确率高于内窥镜医生,这是一项基于基准的多步骤训练和验证研究。胃肠病学.2020;158: 915 - 929. - e4。PubMedDOI本文引用:引用于Crossref: 80引用by F6Publishing: 50文章影响:40.0文献引用分析(0)
36 范德索曼, Zinger S, Curvers WL, Bisschops R, Pech O, Weusten BL, Bergman JJ, de With PH, Schoon EJ。计算机辅助检测巴雷特食管早期肿瘤病变。内窥镜检查.2016;48: 617 - 624。PubMedDOI本文引用:交叉引用人:72引用by F6Publishing: 55文章的影响:14.4文献引用分析(0)
37 Struyvenberg先生, van der Sommen F, Swager AF, de Groof AJ, Rikos A, Schoon EJ, Bergman JJ, de With PHN, Curvers WL。利用体积激光显微内镜的计算机辅助多帧分析改进Barrett的肿瘤检测。食管疾病.2020;33: doz065。PubMedDOI本文引用:引自:Crossref: 6F6Publishing引用人:6文章的影响:6.0文献引用分析(0)
38 Swager AF, van der Sommen F, Klomp SR, Zinger S, Meijer SL, Schoon EJ, Bergman JJGHM, de With PH, Curvers WL。计算机辅助检测早期巴雷特瘤的体积激光显微内镜。Gastrointest Endosc.2017;86: 839 - 846。PubMedDOI本文引用:交叉引用人:72引用by F6Publishing: 53文章影响:18.0文献引用分析(0)
39. Kumagai YTakubo K, Kawada K, Aoyama K, Endo Y, Ozawa T, Hirasawa T, Yoshio T, Ishihara S, Fujishiro M, Tamaru JI, Mochiki E, Ishida H, Tada T.基于细胞内窥镜观察食管的深度学习人工智能诊断。食管.2019;16:180-187.PubMedDOI本文引用:引自:Crossref: 38引用by F6Publishing: 27文章的影响:12.7文献引用分析(0)
40. 郑女士关键词:幽门螺杆菌,幽门螺杆菌,卷积神经网络,内镜图像中国Transl杂志.2019;10: e00109。PubMedDOI本文引用:引用于Crossref: 22引用by F6Publishing: 18文章的影响:22.0文献引用分析(0)
41. Nakashima H.,Kawahira H,Kawachi H,Sakaki N.人工智能诊断幽门螺杆菌使用蓝色激光成像-明亮和关联彩色成像的感染:一项单中心前瞻性研究。安胃肠.2018;31: 462 - 468。PubMedDOI本文引用:引自:Crossref: 23引用by F6Publishing: 27文章的影响:7.7文献引用分析(0)
42. 伊藤T,Kawahira H,Nakashima H,Yata N.深度学习分析上胃肠内窥镜内窥镜检查幽门螺杆菌感染。Endosc Int开放.2018;6: E139-E144。PubMedDOI本文引用:交叉引用人:72引用by F6Publishing: 53文章的影响:24.0文献引用分析(0)
43. 七丈年代,野村S,青山K,西川Y,三浦M,Shinagawa T,Takiyama H,Tanimoto T,石原S,Matsuo K,Tada T.基于内镜图像的卷积神经网络在幽门螺杆菌感染诊断中的应用。艾比美辛.2017;25:106-111.PubMedDOI本文引用:交叉引用:119引自f6出版:82文章的影响:29.8文献引用分析(0)
44. 磨憨BP,Khan SR,Kassab LL,Ponnada S,Mohy-UD-DIN N,Chandan S,Dulai PS,Kochhar GS。卷积神经网络在计算机辅助诊断中幽门螺杆菌感染和与内科内窥镜医师的非因果比较:一项系统综述和荟荟性分析。安胃肠.2021;34: 20 - 25。PubMedDOI本文引用:引用by: 2F6Publishing引用人:2文章的影响:2.0文献引用分析(0)
45. Kanesaka T,李太忠,于涛N,林鹏程,陈洪志,李景云,王惠平,常海涛。计算机辅助诊断在放大窄带成像中识别和描述早期胃癌。Gastrointest Endosc.2018;87: 1339 - 1344。PubMedDOI本文引用:交叉引用:71引用by F6Publishing: 55文章的影响:17.8文献引用分析(0)
46. 平川, Aoyama K, Tanimoto T, Ishihara S, Shichijo S, Ozawa T, Ohnishi T, Fujishiro M, Matsuo K, Fujisaki J, Tada T.基于卷积神经网络的人工智能在内镜图像中胃癌检测中的应用。胃癌.2018;21: 653 - 660。PubMedDOI本文引用:引自:227F6Publishing引用人:146第条影响:75.7文献引用分析(0)
47. 朱SL,董杰,张聪,黄玉波,潘伟。基于无创特征的机器学习在胃癌诊断中的应用。公共科学图书馆一号.2020;15: e0244869。PubMedDOI本文引用:引用by: 1F6Publishing引用人:3文章的影响:1.0文献引用分析(0)
48. Tenorio JM,胡默尔AD,科尔斯FM,Sdepanian VL,比萨IT,德法蒂玛马林H.人工智能技术应用到决策支持系统的开发用于诊断腹腔疾病。国际医学杂志. 2011;80: 793 - 802。PubMedDOI本文引用:引用于Crossref: 40引用by F6Publishing: 17文章的影响:4.0文献引用分析(0)
49. Caetano Dos Santos FL乳糜泻IgA内肌抗体检测的自动分类:一种利用机器学习的新方法。Sci代表.2019;9: 9217。PubMedDOI本文引用:引自:Crossref: 3F6Publishing引用人:2文章的影响:1.5文献引用分析(0)
50. Hujoel IAMurphree DH Jr, Van Dyke CT, Choung RS, Sharma A, Murray JA, Rubio-Tapia A.机器学习在未诊断腹腔疾病检测中的应用。中国新药杂志.2018;16: 1354 - 1355. - e1。PubMedDOI本文引用:引自Crossref: 5F6Publishing引用人:6文章的影响:1.3文献引用分析(0)
51. Manandhar我,Alimadadi A,Aryal S,Munroe PB,Joe B,Cheng X.基于肠道微生物组的监督机器学习用于炎症性肠病的临床诊断。beplay体育 怎么样J生理、胃肠、肝脏生理.2021打印前发布。PubMedDOI本文引用:引用by: 1F6Publishing引用人:2文章的影响:1.0文献引用分析(0)
52. 魏Z, Wang W, Bradfield J, Li J, Cardinale C, Frackelton E, Kim C, Mentch F, Van Steen K, Visscher PM, Baldassano RN, Hakonarson H;国际IBD遗传联盟。大样本量、宽变异谱和先进的机器学习技术提高了炎症性肠病的风险预测。beplay体育 怎么样J是Hum Genet吗.2013;92: 1008 - 1012。PubMedDOI本文引用:交叉引用:101引用于f6出版:62文章的影响:12.6文献引用分析(0)
53. Mossotto E基于机器学习的儿科炎症性肠病分类。beplay体育 怎么样Sci代表.2017;7: 2427。PubMedDOI本文引用:引用于Crossref: 49引用by F6Publishing: 26文章的影响:12.3文献引用分析(0)
54. 查里斯VS,Hadjileontiadis LJ.混合自适应滤波在胶囊内镜图像炎症病变检测中的潜力。世界杂志.2016;22: 8641 - 8657。PubMedDOI本文引用:引自:CrossRef: 14引用by F6Publishing: 10文章的影响:3.5文献引用分析(0)
55. Jebarani W黛西VJ。基于支持向量机分类的无线胶囊内窥镜图像克罗恩病病变评估。信号处理、图像处理与模式识别;语义学者,2013:303-307。PubMedDOI本文引用:引自:Crossref: 8文章的影响:1.0文献引用分析(0)
56. Girgis赫兹米切尔·比尔、达索普洛斯·T、穆林·G、黑格·G。在无线胶囊内窥镜视频中检测克罗恩病炎症的智能系统。2010 IEEE生物医学成像国际研讨会:从纳米到宏观;2010年4月14日至17日;鹿特丹,荷兰。IEEE 2010。PubMedDOI本文引用:引用于Crossref: 9文章的影响:0.8文献引用分析(0)
57. Kumar R关键词:无线胶囊内窥镜,克罗恩病,病变IEEE跨生物医学工程.2012;59: 355 - 362。PubMedDOI本文引用:引自Crossref: 48引用by F6Publishing: 10文章的影响:4.8文献引用分析(0)
58. 夏杰关键词:胃,磁控胶囊内镜,人工智能,胃病变,超声内镜Gastrointest Endosc.2021;93:133-139.e4。PubMedDOI本文引用:引自:4F6Publishing引用人:4文章的影响:4.0文献引用分析(0)
59. Segui年代关键词:无线胶囊内窥镜,特征学习,特征学习abstract:第一版生物医学.2016;79: 163 - 172。PubMedDOI本文引用:引自:Crossref: 47引用by F6Publishing: 27文章的影响:9.4文献引用分析(0)
60 公园J,黄Y,Nam JH,Oh DJ,Kim KB,Song HJ,Kim SH,Kang SH,Jung MK,Jeong Lim Y.确定胶囊内镜图像临床意义的人工智能可以提高读取效率。公共科学图书馆一号.2020;15: e0241474。PubMedDOI本文引用:引自:Crossref: 6F6Publishing引用人:4文章的影响:6.0文献引用分析(0)
61 黄禹锡, Lee HH, Park C, Tama BA, Kim JS,张DY, Chung WC, Cho YS, Lee KM, Choi MG, Lee S, Lee BI。改进的卷积神经网络小肠胶囊内窥镜分类定位方法。挖Endosc.2021;33: 598 - 607。PubMedDOI本文引用:引自:Crossref: 10F6Publishing引用人:7文章的影响:10.0文献引用分析(0)
62。 大谷K在胶囊内镜图像上使用一种新的深度卷积神经网络自动检测不同类型的小肠病变。内窥镜检查.2020;52: 786 - 791。PubMedDOI本文引用:引自:Crossref: 8F6Publishing引用人:7文章的影响:8.0文献引用分析(0)
63。 元Y王杰,李斌,孟MQ。基于显著性的溃疡检测在无线胶囊内镜诊断中的应用。IEEE跨医学成像.2015;34: 2046 - 2057。PubMedDOI本文引用:交叉引用:69F6Publishing引用人:4文章影响:11.5文献引用分析(0)
64。 卡拉格里斯A酒店,布尔巴克斯N。无线胶囊内镜视频中溃疡的识别。2009年IEEE生物医学成像国际研讨会:从纳米到宏观。2009年6月28日至7月1日;美国马萨诸塞州波士顿。IEEE,2009年。PubMedDOI本文引用:引自:Crossref: 17文章的影响:1.4文献引用分析(0)
65。 何洁基于深度学习的无线胶囊内窥镜图像钩虫检测。IEEE传输图像处理.2018;27: 2379 - 2392。PubMedDOI本文引用:引用于:67引用by F6Publishing: 18文章的影响:22.3文献引用分析(0)
66。 利恩哈特R,Vasseur P,Li C,Saurin JC,Rahmi G,Cholet F,Becq A,Marteau P,Histace A,Dray X;CAD-CAP数据库工作组。用于检测小肠胶囊内窥镜检查期间胃肠道血管扩张的神经网络算法。Gastrointest Endosc.2019;89: 189 - 194。PubMedDOI本文引用:引用于Crossref: 89引用于f6出版:66文章的影响:44.5文献引用分析(0)
67 周T关键词:视频胶囊内镜,乳糜泻,定量分析,深度学习abstract:第一版生物医学.2017;85: 1 - 6。PubMedDOI本文引用:交叉引用人:72F6Publishing引用人:47文章影响:18.0文献引用分析(0)
68 山田一,Niikura R,大谷K,青木T,使用深卷积神经网络中的无线胶囊结肠内窥镜图像结肠直肠瘤形成的小池K.自动检测。内窥镜检查.2021;53: 832 - 836。PubMedDOI本文引用:引自Crossref: 5F6Publishing引用人:1文章影响:5.0文献引用分析(0)
69 王P肖旭,Glissen Brown JR, Berzin TM,涂敏,熊飞,胡昕,刘平,宋勇,张东,杨旭,李丽,何晶,易欣,刘建军,刘晓霞。一种深度学习的结肠镜息肉检测算法的开发与验证。Nat生物医学中.2018;2: 741 - 748。PubMedDOI本文引用:引用于:158引用于f6出版:86文章的影响:52.7文献引用分析(0)
70. 三泽米,荣誉,Mori Y,曹T, Kataoka年代,山内,小川Y, Maeda Y,武田K, Ichimasa K,中村H, Yagawa Y, Toyoshima N, Ogata N,奖赏T, Hisayuki T, Hayashi T, Wakamura K,巴巴T,石田F,伊藤H,罗斯H, Oda M, Mori K .人工Intelligence-Assisted结肠镜息肉检测:最初的经验。胃肠病学.2018;154:2027-2029.e3。PubMedDOI本文引用:引自:143引用于f6出版:101文章的影响:47.7文献引用分析(0)
71. 城市G, Tripathi P, Alkayali T, Mittal M, Jalali F, Karnes W, Baldi P.在结肠镜筛查中,深度学习实时定位和识别息肉,准确率96%。胃肠病学.2018;155: 1069 - 1078. - e8。PubMedDOI本文引用:通过交叉引用引:267被引f6出版:170文章的影响:89.0文献引用分析(0)
72. 小泽TShichijo S, Shichijo S, Tada T.基于卷积神经网络的结肠息肉内镜自动检测和分类。胃肠道治疗.2020;13:1756284820910659.PubMedDOI本文引用:引自:Crossref: 25引用by F6Publishing: 20文章的影响:25.0文献引用分析(0)
73. 森喜朗,荣誉,三泽米,齐藤Y, Ikematsu H, Hotta K, Ohtsuka K, Urushibara F, Kataoka年代,小川Y, Maeda Y,武田K,中村H, Ichimasa K, T奖赏,Hayashi T, Wakamura K,石田F,井上H,伊藤H, Oda M, Mori K .实时使用人工智能识别小在结肠镜检查中,息肉:前瞻性研究。安实习生地中海.2018;169: 357 - 366。PubMedDOI本文引用:交叉引用人:195引用于f6出版:67文章的影响:65.0文献引用分析(0)
74. Tischendorf JJ基于血管模式的结直肠息肉计算机辅助分类:一项初步研究。内窥镜检查.2010;42:203-207.PubMedDOI本文引用:交叉引用:71F6Publishing引用人:49文章的影响:6.5文献引用分析(0)
75. 格罗斯,Trautwein C,Behrens A,Winograd R,Palm S,Lutz HH,Schirin Sokhan R,Hecker H,Aach T,Tischendorf JJ.利用光学放大窄带成像对大肠小息肉进行计算机分类。Gastrointest Endosc. 2011;74:1354-1359.PubMedDOI本文引用:引用于:65引用by F6Publishing: 55文章的影响:6.5文献引用分析(0)
76. 小南ÿ通过使用实时图像识别系统和窄带成像放大结肠镜,计算机辅助诊断结直肠息肉组织学。Gastrointest Endosc.2016;83: 643 - 649。PubMedDOI本文引用:交叉引用:118引用于f6出版:84第19.7条文献引用分析(0)
77。 三泽米Kudo SE, Mori Y, Nakamura H, Kataoka S, Maeda Y, Kudo T, Hayashi T, Wakamura K, Miyachi H, Katagiri A, Baba T, Ishida F, Inoue H, Nimura Y, Mori K。胃肠病学.2016;150:1531-1532.e3。PubMedDOI本文引用:引用于:94引用于f6出版:70文章的影响:18.8文献引用分析(0)
78。 武田K利用计算机辅助细胞内窥镜诊断侵袭性结直肠癌的准确性。内窥镜检查.2017;49: 798 - 802。PubMedDOI本文引用:交叉引用人:58F6Publishing引用人:46文章的影响:14.5文献引用分析(0)
79。 陈培杰与小型结直肠息肉的计算机辅助分类比较。胃肠病学.2018;154: 568 - 575。PubMedDOI本文引用:引用于:175F6Publishing引用人:122文章的影响:43.8文献引用分析(0)
80. 小田基于卷积神经网络系统的结直肠息肉分类计算机辅助诊断:初步经验。肿瘤学.2017;93供应1:30-34.PubMedDOI本文引用:引用于:96引用于f6出版:61文章的影响:24.0文献引用分析(0)
81. 伯恩曼氏金融, Chapados N, Soudan F, Oertel C, Linares Pérez M, Kelly R, Iqbal N, Chandelier F, Rex DK。在使用深度学习模型分析标准结肠镜未改变视频时,腺瘤性和增生性小结直肠息肉的实时分化。肠道.2019;68:94-100。PubMedDOI本文引用:引用在Crossref: 249引自f6出版:173第条影响:62.3文献引用分析(0)
82. ASGE技术委员会Abu Dayyeh BK、Thosani N、Konda V、Wallace MB、Rex DK、Chauhan SS、Hwang JH、Komanduri S、Manfredi M、Maple JT、Murad FM、Siddiqui UD、Banerjee S.ASGE技术委员会系统回顾和荟萃分析,评估ASGE PIVI阈值,以采用实时内镜评估小型大肠息肉的组织学。Gastrointest Endosc.2015;81: 502. e1 - 502. e16天。PubMedDOI本文引用:引自:162引用于f6出版:106文章影响:27.0文献引用分析(0)
83. 雷克斯DK, Kahi C, O'Brien M, Levin TR, Pohl H, Rastogi A, burart L, Imperiale T, Ladabaum U, Cohen J, Lieberman DA。美国胃肠内镜学会PIVI(保留和纳入有价值的内镜创新)对小型结肠息肉组织学的实时内镜评估。Gastrointest Endosc. 2011;73: 419 - 422。PubMedDOI本文引用:引用文献:333引用于f6出版:245文章的影响:33.3文献引用分析(0)
84. 东杰, Vleugels JL, Roelandt P, Bhandari P, Bisschops R, Dekker E, Hassan C, Horgan G, Kiesslich R, longcroff - wheaton G, Wilson A, Dumonceau JM。先进的内镜成像:欧洲胃肠内镜协会(ESGE)技术评论。内窥镜检查.2016;48:1029-1045.PubMedDOI本文引用:引用于Crossref: 89引用于f6出版:51文章的影响:17.8文献引用分析(0)
85. 阿尔梅达·托马兹五世使用深度卷积神经网络改进结肠息肉检测的训练数据增强。Artif智能医疗.2021;111: 101988。PubMedDOI本文引用:F6Publishing引用人:1文献引用分析(0)
86. 罗杰斯B在胃食管反流疾病的ph阻抗研究中,人工智能自动化和增强基线阻抗测量。杂志.2021;56: 41。PubMedDOI本文引用:引自:Crossref: 3F6Publishing引用人:1文章的影响:3.0文献引用分析(0)
87. 朱Y关键词:卷积神经网络,常规内窥镜,胃癌,侵袭深度,诊断引用本文:Gastrointest Endosc.2019;89: 806 - 815. - e1。PubMedDOI本文引用:交叉引用:113引自f6出版:80文章的影响:37.7文献引用分析(0)
88. 库博塔K医学图像分析:内镜下胃癌侵袭的计算机辅助诊断。内镜外科.2012;26: 1485 - 1489。PubMedDOI本文引用:引用于Crossref: 37引用by F6Publishing: 26文章的影响:3.7文献引用分析(0)
89. 山下式R,龙建军,彭丽媛,王丽娟,王丽娟。基于深度学习模型的大肠癌微卫星不稳定性预测研究[J]。柳叶刀.2021;22: 132 - 141。PubMedDOI本文引用:引自:Crossref: 15F6Publishing引用人:5文章影响:15.0文献引用分析(0)
90. Ichimasa K人工智能可能有助于预测T1结直肠癌内镜切除术后是否需要额外手术。内窥镜检查.2018;50: 230 - 240。PubMedDOI本文引用:引用于:34引用by F6Publishing: 25文章的影响:8.5文献引用分析(0)
91. 李维R、卡利F、阿雷瓦罗Ar、阿尔蒂内尔Y、斯坦DJ、纳尔迪尼MM、格拉西F、扎诺尼A、芬克尔斯坦S、维埃拉SM、苏萨J、巴比里R、塞利A。基于人工智能的胃肠道出血患者重症监护病房输液预测。BMJ保健通知.2021;28:e100245。PubMedDOI本文引用:引用by: 1F6Publishing引用人:1文章的影响:1.0文献引用分析(0)
92. 楚一, Ahn H, Halwan B, Kalmin B, artion EL, Barkun A, Lagoudakis MG, Kumar A.一种决策支持系统,以促进急性胃肠出血患者的管理。Artif智能医疗.2008;42: 247 - 259。PubMedDOI本文引用:引用于:46引用by F6Publishing: 24文章的影响:3.3文献引用分析(0)
93. Das一, Ben-Menachem T, Farooq FT, Cooper GS, Chak A, Sivak MV Jr, Wong RC。人工神经网络作为急性非静脉曲张上消化道出血的预测工具。胃肠病学.2008;134: 65 - 74。PubMedDOI本文引用:引用于Crossref: 40F6Publishing引用人:32文章的影响:2.9文献引用分析(0)
94。 奥古斯丁斯,Muntaner L,Altamirano JT,GonzálezA,Saperas E,Dot J,Abu-Suboh M,Armengol Jr,Malagelada JR,Esteban R,Guardia J,GenescàJ.根据分类和回归树分析预测急性变性出血后的早期死亡率.中国新药杂志.2009;7: 1347 - 1354。PubMedDOI本文引用:引用于Crossref: 88引用于f6出版:69文章的影响:7.3文献引用分析(0)
95。 Loftus TJBrakenridge SC, Croft CA, Smith RS, Efron PA, Moore FA, Mohr AM, Jordan JR.神经网络预测严重下肠出血和需要手术干预。J Surg Res..2017;212:42-47。PubMedDOI本文引用:引自:Crossref: 8F6Publishing引用人:5文章的影响:1.6文献引用分析(0)
96。 阿亚鲁在急性下消化道出血中,梯度增强对预后的预测。公共科学图书馆一号.2015;10: e0132485。PubMedDOI本文引用:引用于Crossref: 28引用by F6Publishing: 16文章的影响:4.7文献引用分析(0)
97。 杨hx.,冯伟,魏建军,曾天生,李志东,张立军,林鹏,罗荣志,何建华,付建华。支持向量机预测食管鳞癌患者术后远处转移。Br J癌症.2013;109: 1109 - 1116。PubMedDOI本文引用:引自:Crossref: 14F6Publishing引用人:9文章的影响:1.8文献引用分析(0)
98。 佐藤F,Shimada Y,Selaru FM,Shibata D,Maeda M,Watanabe G,Mori Y,Stass SA,Imamura M,Meltzer SJ。人工神经网络预测食管癌患者的存活。癌症.2005;103:1596-1605.PubMedDOI本文引用:引自Crossref: 50引用by F6Publishing: 29文章的影响:3.1文献引用分析(0)
99. 周度关键词:胃癌,复发,机器学习,神经网络,神经网络引用本文:Sci代表.2021;11: 1571。PubMedDOI本文引用:引用by: 2F6Publishing引用人:2文章的影响:2.0文献引用分析(0)
One hundred. 彭JC,冉志华,沈军。IBD发病复发的季节变化及基于人工神经网络的IBD发病复发频率和严重程度预测模型。国际结直肠疾病杂志.2015;30: 1267 - 1273。PubMedDOI本文引用:引自:Crossref: 15引用by F6Publishing: 13文章的影响:2.5文献引用分析(0)
101 Hardalac F, Başaranoğlu M, Yüksel M, Kutbay U, Kaplan M, Özderin Özin Y, Kılıç ZM, Demirbağ AE, Coşkun O, Aksoy A, Gangarapu V, Örmeci N, Kayaçetin E.硫唑嘌呤治疗和人工系统预测的粘膜愈合率。特克胃肠病学杂志.2015;26: 315 - 321。PubMedDOI本文引用:引自:Crossref: 11F6Publishing引用人:4文章的影响:1.8文献引用分析(0)
102 高山T计算机辅助预测溃疡性结肠炎患者细胞摘除治疗后的长期预后公共科学图书馆一号.2015;10:e0131197。PubMedDOI本文引用:引自:Crossref: 8F6Publishing引用人:5文章的影响:1.3文献引用分析(0)
103 莱尔斯T, Elliott A, Rockey DC。以上消化道出血为表现的肝硬化患者住院死亡率的风险评分系统。中国新药杂志.2014;48: 712 - 720。PubMedDOI本文引用:引用于Crossref: 28引用by F6Publishing: 12文章的影响:4.7文献引用分析(0)
104 Grossi E人工神经网络用于早期预测非静脉曲张上消化道出血(UGIB)患者的死亡率。生物医学通知的见解.2008;1: 7-19。PubMedDOI本文引用:引用by: 1F6Publishing引用人:2文章的影响:0.1文献引用分析(0)
105。 Rotondano G., Cipolletta L, Grossi E, Koch M, Intraligi M, Buscema M, Marmo R;意大利上消化道出血登记处。人工神经网络准确预测非静脉曲张性上消化道出血患者的死亡率。Gastrointest Endosc. 2011;73:218-226。PubMedDOI本文引用:引自:Crossref: 36引用by F6Publishing: 23文章的影响:3.6文献引用分析(0)
106。 施R,陈华,杨b,曲j,程y,zhu z,gao y,王q,刘y,li z,qu x。使用深层人工肝转移肝转移患者KRA,NRAS和BRAF状态的预测基于辐射族和语义特征的神经网络。阿姆J癌症研究所.2020;10: 4513 - 4526。PubMedDOI本文引用:
107。 康J, Choi YJ, Kim IK, Lee HS, Kim H, Baik SH, Kim NK, Lee KY。基于lasso的机器学习算法预测T1结直肠癌淋巴结转移。癌症治疗.2021;53: 773 - 783。PubMedDOI本文引用:F6Publishing引用人:1文献引用分析(0)
108。 高盛O, Ben-Assuli O, Rogowski O, Zeltser D, Shapira I, Berliner S, Zelber-Sagi S, Shenhar-Tsarfaty S.非酒精性脂肪肝和肝纤维化预测分析:改进预防医学的风险预测和机器学习技术。J医疗系统.2021;45:22.PubMedDOI本文引用:引用by: 1F6Publishing引用人:2文章的影响:1.0文献引用分析(0)
109。 Yip TC基于实验室参数的机器学习模型用于排除非酒精性脂肪肝(NAFLD)。食物药物杂志.2017;46: 447 - 456。PubMedDOI本文引用:交叉引用人:58引用by F6Publishing: 38文章的影响:14.5文献引用分析(0)
110 马蹄徐CF,沉Z,俞CH,李YM。非酒精性脂肪性肝病在中国横断面研究:机器学习技术的临床预测建模中的应用。生物医学Res Int.2018;2018:4304376.PubMedDOI本文引用:引自:Crossref: 23引用by F6Publishing: 16文章的影响:7.7文献引用分析(0)
111 索摩根大通,Heider D,Bechmann LP,Gerken G,Hoffmann D,Canbay A.非创伤性评估NAFLD纤维化的新算法。公共科学图书馆一号.2013;8: e62439。PubMedDOI本文引用:引自:32引用by F6Publishing: 21文章的影响:4.0文献引用分析(0)
112. Canbay一, Kälsch J, Neumann U, Rau M, Hohenester S, Baba HA, Rust C, Geier A, Heider D, Sowa JP。作为全身性疾病的NAFLD的无创评估——机器学习的视角。公共科学图书馆一号.2019;14: e0214436。PubMedDOI本文引用:引用于Crossref: 18引用by F6Publishing: 16文章的影响:9.0文献引用分析(0)
113. Fialoke年代机器学习方法在非酒精性脂肪肝(NAFL)患者非酒精性脂肪性肝炎(NASH)预测中的应用AMIA Annu Symp Proc.2018;2018:430-439。PubMedDOI本文引用:
114. 索摩根大通, Atmaca Ö, Kahraman A, Schlattjan M, Lindner M, Sydor S, Scherbaum N, Lackner K, Gerken G, Heider D, Arteel GE, Erim Y, Canbay A.酒精性和非酒精性肝病的无创分离与预测模型。公共科学图书馆一号.2014;9: e101444。PubMedDOI本文引用:引用于Crossref: 19引用by F6Publishing: 18文章的影响:2.7文献引用分析(0)
115. 魏R关键词:机器学习,HBV, HCV,肝纤维化,机器学习abstract:艾比美辛.2018;35: 124 - 132。PubMedDOI本文引用:引用于:29引用by F6Publishing: 20文章的影响:9.7文献引用分析(0)
116. 王D,王Q,单F,刘B,陆C.基于常规和血清标记物的人工神经网络识别慢性乙型肝炎患者肝纤维化风险。BMC感染DIS..2010;10: 251。PubMedDOI本文引用:引用于Crossref: 22引用by F6Publishing: 19文章的影响:2.0文献引用分析(0)
117. Raoufy先生,Vahdani P,Alavian SM,Fekri S,Eftekhari P,Gharibzadeh S.诊断慢性乙型肝炎患者肝硬化的新方法:人工神经网络方法。J医疗系统. 2011;35: 121 - 126。PubMedDOI本文引用:引自:Crossref: 17引用by F6Publishing: 10文章的影响:1.4文献引用分析(0)
118. Piscaglia F,Cucchetti A,Benlloch S,Vivarelli M,Berenguer J,Bolondi L,Pinna AD,Berenguer M.通过临床因素的人工神经网络分析预测丙型肝炎病毒感染的肝移植受者的显著纤维化。欧洲胃肠肝胆外科杂志.2006;18:1255-1261.PubMedDOI本文引用:引用于:29引用by F6Publishing: 25文章的影响:1.9文献引用分析(0)
119. 哈西姆年代机器学习方法预测慢性丙型肝炎患者晚期肝纤维化的比较研究IEEE / ACM反式计算BIOL BIOINFORM.2018;15:861-868.PubMedDOI本文引用:引用于Crossref: 27F6Publishing引用人:1文章的影响:6.8文献引用分析(0)
120. loannou GN, Tang W, Beste LA, tinopa MA, Su GL, Van T, Tapper EB, Singal AG, Zhu J, Waljee AK。深度学习模型在丙型肝炎肝硬化患者肝癌预测中的应用JAMA Netw开放.2020;3.: e2015626。PubMedDOI本文引用:引自:Crossref: 7F6Publishing引用人:5文章的影响:7.0文献引用分析(0)
121. 鸸鹋米Choudhury S, Alves de Oliveira TE。利用机器学习方法辅助肝纤维化分期的无创诊断。IEEE Eng Med Biol Soc.2020;2020:5382-5387.PubMedDOI本文引用:文献引用分析(0)
122. 崔KJ张俊杰、李淑、宋宇轩、沈世华、金世轩、尹杰、崔杰、李毅、康宝坤、金杰、金世轩、余斯。利用肝脏造影剂增强CT图像进行肝纤维化分期的深度学习系统的开发和验证。放射学.2018;289:688-697。PubMedDOI本文引用:交叉引用:71引用于f6出版:51文章的影响:23.7文献引用分析(0)
123. Kuppili V, Biswas M, Sreekumar A, Suri HS, Saba L, Edla DR, Marinho RT, Sanches JM, Suri JS。基于超声组织特征的脂肪肝风险分层的极限学习机框架。J医疗系统.2017;41:152.PubMedDOI本文引用:引用于Crossref: 27引用by F6Publishing: 23文章的影响:6.8文献引用分析(0)
124. 他我, Tsantis S, Spiliopoulos S, Karnabatidis D, Theotokas I, Zoumpoulis P, Loupas T, Hazle JD, Kagadis GC。一种用于慢性肝病分类的颜色分析的机器学习算法,应用超声剪切波弹性成像。超声医学杂志.2017;43: 1797 - 1810。PubMedDOI本文引用:引用于:34引用by F6Publishing: 19文章的影响:8.5文献引用分析(0)
125. 陈毅罗勇,黄伟,胡丁,郑瑞秋,丛思聪,孟FK,杨H,林HJ,孙Y,王XY,吴T,任J,裴SF,郑Y,何Y,胡Y,杨N,严H.基于机器学习的慢性乙型肝炎肝纤维化实时组织弹性成像分类。第一版生物医学.2017;89:18-23。PubMedDOI本文引用:引用于Crossref: 39引用by F6Publishing: 22文章的影响:9.8文献引用分析(0)
126. 马塔克, Yoshimitsu K, Kumazawa S, Higashida Y, Irie H, Asayama Y, Nakayama T, Kakihara D, Katsuragawa S, Doi K, Honda H.人工神经网络在肝脏CT图像鉴别诊断中的应用。阿德莱德大学Radiol.2006;13: 951 - 962。PubMedDOI本文引用:引自:Crossref: 10F6Publishing引用人:8文章的影响:0.7文献引用分析(0)
127. 奥斯曼首相, Wang CJ, Savic LJ, Hamm CA, Stark S, Schobert I, Gebauer B, Schlachter T, Lin M, Weinreb JC, Batra R, Mulligan D, Zhang X, Duncan JS, Chapiro J.深度学习辅助鉴别病理证实的不典型和典型肝细胞癌(HCC)vs非hcc肝磁共振造影增强图。欧元Radiol.2021;31: 4981 - 4990。PubMedDOI本文引用:引用by: 2F6Publishing引用人:3文章的影响:2.0文献引用分析(0)
128. 金正日J李明杰,金世杰,申西,李兆华。利用深度学习分类器在对比增强磁共振成像中检测肝细胞癌:一项多中心回顾性研究。Sci代表.2020;10: 9458。PubMedDOI本文引用:引用by: 1F6Publishing引用人:3文章的影响:1.0文献引用分析(0)
129. Cucchetti一, Piscaglia F, Grigioni AD, Ravaioli M, Cescon M, Zanello M, Grazi GL, Golfieri R, Grigioni WF, Pinna AD。人工神经网络术前预测肝癌肿瘤分级及微血管侵犯的初步研究J乙醇.2010;52: 880 - 888。PubMedDOI本文引用:交叉引用人:110引用于f6出版:88文章的影响:10.0文献引用分析(0)
130. Urman JM的JM, Uriarte我,Rullan M, Oyon D,冈萨雷斯B, Fernandez-Urien我Carrascosa J, Bolado F, Zabalza L, Arechederra M, Alvarez-Sola G, Colyn L, Latasaμ,Puchades-Carrasco L, Pineda-Lucena, Iraburu MJ, Iruarrizaga-Lejarreta M,阿隆索C, B Sangro Purroy,吉尔我,卡蒙L, Cubero FJ, Martinez-Chantar ML,平庸的JM,罗梅罗先生,Macias RIR,Monte MJ Marín JJG, Vila JJ, Corrales FJ, Berasain C, Fernández-Barrena MG, Avila MA。来自良性和恶性胆道狭窄的人胆汁的初步多组学分析:机器学习方法。癌症(巴塞尔).2020;12:1644。PubMedDOI本文引用:引自:Crossref: 6F6Publishing引用人:4文章的影响:6.0文献引用分析(0)
131. Negrini D,Zecchin P,Ruzzenente A,Bagante F,De Nitto S,Glati M,Salvagno GL,Danese E,Lippi G.使用血浆胆汁酸谱筛查胆管癌的机器学习模型比较。诊断(巴塞尔).2020;10: 551。PubMedDOI本文引用:引自:4F6Publishing引用人:5文章的影响:4.0文献引用分析(0)
132. Logeswaran R.胆管癌——使用MLP的自动化初步检测系统。J医疗系统.2009;33: 413 - 421。PubMedDOI本文引用:引自Crossref: 5F6Publishing引用人:5文章的影响:0.4文献引用分析(0)
133. Wubbolding米林,洛佩兹阿方索JC, CY,粘合剂年代,福尔克C, Debarry J, Gineste P,卡夫的手臂,简RN, Maasoumy B, Wedemeyer H,刘正WJ, Meyer赫尔曼·M Cornberg M,搪磨机祖茂堂Siederdissen C .试点研究使用机器学习识别免疫档案早期病毒学的预测复发后停止干扰素有(t) ide HBeAg-Negative慢乙肝的类似物。河谷社区.2021;5:97-111。PubMedDOI本文引用:引用by: 1F6Publishing引用人:1文章的影响:1.0文献引用分析(0)
134. 混合HSato H, Koseki A, Saito T, Okumoto K, Hoshikawa K, Katsumi T, Mizuno K, Nishina T, Ueno Y.一种基于机器学习的治疗预测模型,使用全基因组C型肝炎病毒变异。公共科学图书馆一号.2020;15: e0242028。PubMedDOI本文引用:引用by: 2F6Publishing引用人:2文章的影响:2.0文献引用分析(0)
135. Bedon L,Dal Bo M,Mossenta M,Busato D,Toffoli G,Polano M.定义肝细胞癌患者进展风险的新表观遗传机器学习模型。Int J Mol Sci.2021;22: 1075。PubMedDOI本文引用:F6Publishing引用人:1文献引用分析(0)
136. 欧洲肝脏研究协会EASL临床实践指南:肝细胞癌的管理。J乙醇.2018;69: 182 - 236。PubMedDOI本文引用:引用于:2122引用于f6出版:1343文章的影响:707.3文献引用分析(0)
137。 齐利斯迪酒店,Mehta R,Moris D,Sahara K,Bagante F,Paredes Az,Farooq A,Ratti F,Marques HP,Silva S,Soubrane O,Lam V,Poultsides Ga,Popescu I,Grigorie R,Alexandrescu S,Martel G,WorknehA,Guglielmi A,Hugh T,Aldrighetti L,Endo I,Pawlik TM。利用机器学习进行BCLC-0,A和B肝细胞癌接受切除的患者的预期和术后评估:超出BCLC指南的切除意义。河南安.2020;27: 866 - 874。PubMedDOI本文引用:引自:Crossref: 15引用by F6Publishing: 12文章的影响:7.5文献引用分析(0)
138。 Christou CD、toullias A、Tsolakidis A、Papayiannis V、pianetki - tsiantzi B、Tsoulfas G、Papadopoulos VN。肝癌个体化治疗时代的管理:希腊三级中心的经验。Ochsner J..2020;20: 272 - 278。PubMedDOI本文引用:F6Publishing引用人:1文献引用分析(0)
139。 齐利斯迪酒店, Mehta R, Moris D, Sahara K, Bagante F, Paredes AZ, Moro A, Guglielmi A, Aldrighetti L, Weiss M, Bauer TW, Alexandrescu S, Poultsides GA, Maithel SK, Marques HP, Martel G, Pulitano C, Shen F, Soubrane O, Koerkamp BG, Endo I, Pawlik TM。基于机器的方法术前识别肝内胆管癌切除术获益最大和最小的患者:国际多机构分析1146例患者。河南安.2020;27: 1110 - 1119。PubMedDOI本文引用:引用于Crossref: 19引用by F6Publishing: 11文章的影响:9.5文献引用分析(0)
140. 宋年代陈杰,高Q,罗G,郑B,沙M,沈F,程Q,隋C,刘J,王H,夏Q,陈L。肝内胆管癌术后易受辅助治疗的潜在风险:一种临床深入学习方法。前衣架.2020;10:143.PubMedDOI本文引用:引自:4F6Publishing引用人:4文章的影响:4.0文献引用分析(0)
141. 邵F,黄琦,王超,邱林,胡永刚,查世生。预测无法手术的肝门部胆管癌双侧塑料支架置入术早期闭塞的人工神经网络模型。腹腔镜内镜技术.2018;28:e54-e58。PubMedDOI本文引用:引用by: 1F6Publishing引用人:2文章的影响:0.3文献引用分析(0)
142. 洪伟德,季艳芳,王东,陈振堂,朱庆华。人工神经网络预测HBV相关肝硬化患者食管静脉曲张。庚月. 2011;11: 544 - 547。PubMedDOI本文引用:
143. 董TSKalani A, Aby ES, Le L, Luu K, Hauer M, Kamath R, Lindor KD, Tabibian JH。基于机器学习的高风险食管静脉曲张评分系统的开发和验证。中国新药杂志.2019;17:1894-1901.e1。PubMedDOI本文引用:引自:Crossref: 17F6Publishing引用人:9文章的影响:8.5文献引用分析(0)
144. 何鸿燊WH李克泰,陈海英,何太华,邱慧聪。肝细胞癌患者肝切除术后无病生存率:人工神经网络预测方法。公共科学图书馆一号.2012;7:e29179。PubMedDOI本文引用:引用于Crossref: 41引用by F6Publishing: 23文章的影响:4.6文献引用分析(0)
145. 石沪元关键词:人工神经网络,肝细胞癌,手术后5年死亡率,神经网络胃肠外科杂志.2012;16: 2126 - 2131。PubMedDOI本文引用:引用于Crossref: 19引用by F6Publishing: 10文章的影响:2.1文献引用分析(0)
146. 石沪元关键词:人工神经网络,logistic回归模型,原发性肝癌,住院死亡率公共科学图书馆一号.2012;7: e35781。PubMedDOI本文引用:引用于:46引用by F6Publishing: 19第5.1条文献引用分析(0)
147. 赵HC,何田,李家杰,陈慧,何文慧。人工神经网络预测肝癌肝切除术患者死亡率的准确性。ScientificWorldJournal.2013;2013: 201976。PubMedDOI本文引用:引用于Crossref: 16引用by F6Publishing: 12文章的影响:2.0文献引用分析(0)
148. 巧克关键词:人工神经网络,早期肝癌,肝切除术,生存率J Gastroenterol Hepatol..2014;29: 2014 - 2020。PubMedDOI本文引用:引用于Crossref: 16引用by F6Publishing: 12文章的影响:2.7文献引用分析(0)
149 刘X张国栋,韩建军,周伟,陈辉,张辉,杨志强。一种基于机器学习的肝癌多参数预后标志物检测方法。癌症免疫研究.2021;9:337-347.PubMedDOI本文引用:文献引用分析(0)
150. 钟的关键词:肝细胞癌,人工智能,白蛋白-胆红素分级,索拉非尼,经动脉化疗栓塞,预后前衣架.2020;10:525461.PubMedDOI本文引用:引自:4F6Publishing引用人:3文章的影响:4.0文献引用分析(0)
151. 赖问人工智能在肝癌患者中的预后作用:一项系统综述。世界杂志.2020;26: 6679 - 6688。PubMedDOI本文引用:引自:CrossRef: 3F6Publishing引用人:4文章的影响:3.0文献引用分析(0)
152. R D利用APO算法优化肝癌复发预测多时间序列临床肝癌数据集。J医疗系统.2019;43: 193。PubMedDOI本文引用:引用by: 2F6Publishing引用人:3文章的影响:1.0文献引用分析(0)
153. 山下式R关键词:肝细胞癌,深度学习,数字组织病理学,复发Sci代表.2021;11:2047.PubMedDOI本文引用:引用by: 1F6Publishing引用人:2文章的影响:1.0文献引用分析(0)
154. 梁锦东,平雪,曾玉杰,黄桂国,赖芳,杨PM。肝癌射频消融后复发的预测模型使用特征选择方法的支持向量机。计算机方法程序Biomed.2014;117: 425 - 434。PubMedDOI本文引用:引用于Crossref: 19引用by F6Publishing: 13文章的影响:2.7文献引用分析(0)
155. 伊顿日本, Vesterhus M, McCauley BM, Atkinson EJ, Schlicht EM, Juran BD, Gossard AA, LaRusso NF, Gores GJ, Karlsen TH, Lazaridis KN。原发性硬化性胆管炎风险评估工具(PREsTo)预测疾病结局:一项使用机器学习的衍生和验证研究。肝脏病学.2020;71: 214 - 224。PubMedDOI本文引用:引自:Crossref: 23引用by F6Publishing: 18文章的影响:7.7文献引用分析(0)
156 Andres A., Montano-Loza A, Greiner R, Uhlich M, Jin P, Hoehn B, Bigam D, Shapiro JAM, Kneteman NM。预测原发性硬化性胆管炎肝移植后个体生存的一种新的学习算法。公共科学图书馆一号.2018;13: e0193523。PubMedDOI本文引用:引自:Crossref: 6F6Publishing引用人:8文章的影响:2.0文献引用分析(0)
157 罗德里格斯·卢纳H人工神经网络和组织基因分型对肝移植患者肝癌复发的预测。移植.2005;79: 1737 - 1740。PubMedDOI本文引用:引用于Crossref: 9F6Publishing引用人:3文章的影响:0.6文献引用分析(0)
158 刘L, Kankanige Y, Rubinstein B, Jones R, Christophi C, Muralidharan V, Bailey J.机器学习算法预测肝移植术后移植失败。移植.2017;101: e125-e132。PubMedDOI本文引用:引自:Crossref: 47引用by F6Publishing: 11文章影响:11.8文献引用分析(0)
159 Cruz-Ramirez米, Hervás-Martínez C, Fernández JC, Briceño J, de la Mata M。肝移植供体-受体决策系统的多目标进化算法。欧洲操作研究杂志2012;222:317–327。PubMedDOI本文引用:引用于Crossref: 18F6Publishing引用人:5文章的影响:2.0文献引用分析(0)
160. Briceno J, Cruz-Ramírez M, Prieto M, Navasa M, Ortiz de Urbina J, Orti R, Gómez-Bravo MÁ, Otero A, Varo E, Tomé S, Clemente G, Bañares R, Bárcena R, Cuervas-Mons V, Solórzano G, Vinaixa C, Rubín A, Colmenero J, Valdivieso A, Ciria R, Hervás-Martínez C,de la Mata M.使用人工智能作为肝移植供体-受体匹配的创新模型:来自西班牙多中心研究的结果。J乙醇.2014;61:1020-1028.PubMedDOI本文引用:引自:Crossref: 47引用by F6Publishing: 27第6.7条文献引用分析(0)
161. 克劳福德K人工智能研究存在盲点。自然.2016;538:311-313。PubMedDOI本文引用:交叉引用:109引用by F6Publishing: 19文章的影响:21.8文献引用分析(0)
162. 朴槿惠人工智能技术在医学诊断与预测中的应用放射学.2018;286:800-809.PubMedDOI本文引用:引用于:241F6Publishing引用人:146文章影响:80.3文献引用分析(0)
163. 帕特六世, Shortliffe EH, Stefanelli M, Szolovits P, Berthold MR, Bellazzi R, Abu-Hanna A.医学人工智能时代的到来。Artif智能医疗.2009;46:5-17.PubMedDOI本文引用:引自:231引用于f6出版:73文章的影响:17.8文献引用分析(0)
164. 帕里克RB, teple S, Navathe AS。解决医疗保健中人工智能的偏见。贾马.2019;322.: 2377 - 2378。PubMedDOI本文引用:交叉引用人:72引用by F6Publishing: 38文章影响:72.0文献引用分析(0)
165. 黄TJ,Kesselheim AS,Vokinger KN.医学中基于人工智能和机器学习的软件设备的生命周期调节。贾马.2019;322.: 2285 - 2286。PubMedDOI本文引用:引自:33引用by F6Publishing: 22文章的影响:33.0文献引用分析(0)
166. Shortliffe呃,Sepúlveda MJ.人工智能时代的临床决策支持。贾马.2018;320.: 2199 - 2200。PubMedDOI本文引用:引用于:161引用于f6出版:78文章的影响:53.7文献引用分析(0)
167. 沃尔夫RF,Moons KGM,Riley RD,Whiting PF,Westwood M,Collins GS,Reitsma JB,Kleijnen J,Mallett S;先证者小组†。先证者:评估预测模型研究的偏差风险和适用性的工具。安实习生地中海.2019;170: 51-58。PubMedDOI本文引用:引自:295被引f6出版:100文章的影响:147.5文献引用分析(0)
168. 美国医学协会美国医学协会通过了关于增强智能的第一项政策建议。2018年6月14日[引用2020年12月20日]。可从: https://www.ama-assn.org/press-center/press-releases/ama-passes-first-policy-recommendations-augmented-intelligencePubMedDOI本文引用:
169. Chico V.《一般数据保护条例》对健康研究的影响。Br地中海牛.2018;128:109-118.PubMedDOI本文引用:引用于Crossref: 18F6Publishing引用人:8文章的影响:9.0文献引用分析(0)
170 委员会NR供记录:保护电子健康信息。华盛顿:国家科学院出版社,1997。PubMedDOI本文引用:
171 守护者在谷歌旗下的DeepMind与160万名患者的交易中,皇家自由公司违反了英国数据法。[引用2020年12月20日]。可从: https://www.theguardian.com/technology/2017/jul/03/google-deepmind-16m-patient-royal-free-deal-data-protection-actPubMedDOI本文引用:
172. 美国劳工部2004年《健康保险可携带性和责任法案》(HIPAA)[于2020年12月20日引用]。可从以下网址获得: https://www.dol.gov/agencies/ebsa/laws-and-regulations/laws/hipaa.PubMedDOI本文引用:
173. 国家科学、工程和医学研究院人工智能和机器学习加速翻译研究:研讨会纪要。华盛顿:国家科学院出版社,2018。PubMedDOI本文引用:
174. 泥泞,马勒T,谢里夫一世,埃洛维奇Y。CT-GAN:利用深度学习恶意篡改3D医学图像。第28届USENIX安全研讨会会议记录(USENIX安全2019)。arXiv,2019:461-478。PubMedDOI本文引用:
175. 美国食品和药物软件作为医疗设备(SAMD)行动计划。2021 [引用2021年1月23日]。可从:可从: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-software-medical-devicePubMedDOI本文引用:
176. Topol EJ.高性能医学:人类与人工智能的融合。Nat地中海.2019;25: 44-56。PubMedDOI本文引用:引自:Crossref: 1092引用by F6Publishing: 486文章的影响:546.0文献引用分析(0)
177. 美国食品和药物修订基于人工智能/机器学习(AI / ML)的软件作为医疗设备(SaMD)的拟议监管框架-讨论论文和反馈请求。2019 [cited 20 January 23]。可从:可从: https://www.fda.gov/files/medical%20devices/published/US-FDA-Artificial-Intelligence-and-Machine-Learning-Discussion-Paper.pdfPubMedDOI本文引用:
178. 医学研究所医疗器械与公众健康:FDA(k)510在35年后的批准过程。华盛顿:国家科学院出版社,2011年。PubMedDOI本文引用:
179. 价格WN 2日,Gerke S,科恩IG。潜在的责任医生采用人工智能技术。贾马.2019;322.:1765-1766。PubMedDOI本文引用:交叉引用:73F6Publishing引用人:32文章的影响:36.5文献引用分析(0)
180. Froomkin我当人工智能胜过医生时:面对侵权行为导致的对机器学习的过度依赖的挑战。亚利桑那州L牧师.2018;61PubMedDOI本文引用:
181. 科恩搞笑, Lynch HF, Vayena E, Gasser U。大数据、医疗法律和生物伦理学。纽约,纽约:剑桥大学出版社,2018。PubMedDOI本文引用:
182. Nundy年代, Montgomery T, Wachter RM。人工智能时代促进医患信任贾马.2019;322.: 497 - 498。PubMedDOI本文引用:引自:Crossref: 25引用by F6Publishing: 15文章的影响:12.5文献引用分析(0)
183. 未来的宣传人工智能在健康领域的伦理、社会和政治挑战。[引用日期:2020年12月20日]。可从以下网址获得: https://wellcome.org/sites/default/files/ai-in-health-ethical-social-political-challenges.pdfPubMedDOI本文引用:
184. Gerke年代杨S,Cohen IG.医院环境智能的伦理和法律方面。贾马.2020;323.: 601 - 602。PubMedDOI本文引用:引自:Crossref: 12F6Publishing引用人:8文章影响:12.0文献引用分析(0)
185. 杨氏里纳尔多F、乔普林J、刘B、迈赫拉R、唐宁NL、郭M、比安科尼GM、阿拉希A、李J、坎贝尔B、德鲁K、贝尼纳蒂W、费菲L、米尔斯坦A.一种用于ICU患者动员活动深度学习检测的计算机视觉系统。地中海NPJ数字.2019;2:11。PubMedDOI本文引用:引用于:29引用by F6Publishing: 13文章的影响:14.5文献引用分析(0)
186. 杨氏床旁计算机视觉-将人工智能从驾驶辅助转移到患者安全。英国医学杂志.2018;378: 1271 - 1273。PubMedDOI本文引用:引用于Crossref: 51引用by F6Publishing: 12文章的影响:17.0文献引用分析(0)
187. ProPublica机器的偏见。[引用于2021年1月23日]。可从: https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencingPubMedDOI本文引用:
188. 艾尔'Aref SJ,singh g,baskaran l,metaxas d。机器学习在心血管医学中的应用[引用2021年1月23日]。可从: http://public.eblib.com/choice/PublicFullRecord.aspx?p=6404325PubMedDOI本文引用:
189. vayena E.Blasimme A, Cohen IG。医学中的机器学习:应对伦理挑战。科学硕士.2018;15: e1002689。PubMedDOI本文引用:交叉引用:118F6Publishing引用人:44文章的影响:39.3文献引用分析(0)
190. 朴槿惠.医学人工智能入门指南。开放存取.2018;78: 301 - 308。PubMedDOI本文引用:引用于Crossref: 9F6Publishing引用人:1文章的影响:3.0文献引用分析(0)
191. 张左,王H,李Q,赵MH,Zhan QM。中国大数据与医学研究。BMJ..2018;360: j5910。PubMedDOI本文引用:引用于Crossref: 49引用by F6Publishing: 13文章的影响:16.3文献引用分析(0)
192. 库克TS.人类vs医学机器:科学文献能回答这个问题吗?柳叶刀手指健康.2019;1:E246-E247。PubMedDOI本文引用:引自Crossref: 5F6Publishing引用人:1文章的影响:2.5文献引用分析(0)
193. 刘XFaes L,Kale AU,Wagner SK,Fu DJ,Bruynseels A,Mahendiran T,Moraes G,Shamdas M,Kern C,Ledsam JR,Schmid MK,Balaskas K,Topol EJ,Bachmann LM,Keane PA,Denniston AK.从医学影像中检测疾病的深度学习表现与医疗专业人员的比较:系统回顾和荟萃分析。柳叶刀手指健康.2019;1: e271-e297。PubMedDOI本文引用:引用在Crossref: 308引用于f6出版:66文章的影响:154.0文献引用分析(0)
194 Christou CDmicroRNA在肝缺血/再灌注损伤中的作用。.2020;9: 248 - 254。PubMedDOI本文引用:引用by: 2F6Publishing引用人:3文章的影响:2.0文献引用分析(0)
195 Panesar年代, Cagle Y, Chander D, Morey J, Fernandez-Miranda J, Kliot M.人工智能和外科机器人的未来。安杂志.2019;270:223-226.PubMedDOI本文引用:引自:Crossref: 24F6Publishing引用人:4文章的影响:24.0文献引用分析(0)
196 Kassahun Y, Yu B, Tibebu AT, Stoyanov D, Giannarou S, Metzen JH, Vander Poorten E.外科机器人增强灵巧仪器:机器学习技术及其在智能和自主手术行动中的作用的调查。国际计算机辅助放射外科.2016;11:553-568.PubMedDOI本文引用:引用于:84引用by F6Publishing: 24文章的影响:14.0文献引用分析(0)
197 王德德,钱Z,武基塞维奇M,恩格尔哈特S,赫拉德瓦A,张C,小SH,维詹斯J,科马尼修D,奥尼尔WW,马万南。结构性心脏病的3D打印、计算建模和人工智能。心脏血管成像.2021;14:41-60。PubMedDOI本文引用:引自:Crossref: 7F6Publishing引用人:5文章的影响:7.0文献引用分析(0)
198 沃伦特夫,坑民F,Bucher P,Sugimoto M,Ratib O,Morel P.增强现实和图像覆盖导航与腹腔镜和机器人手术中的Osirix:不仅是一种时尚问题。肝胆胰Sci杂志. 2011;18:506-509.PubMedDOI本文引用:引用于:91引用by F6Publishing: 36文章的影响:9.1文献引用分析(0)
199. 美国食品和药物开发软件预认证计划:工作模式[引用2021年1月23日]。可从: https://www.fda.gov/media/113802/downloadPubMedDOI本文引用: