人工智能对膀胱容量测量曲线的解读与人类诊断结果具有很好的相关性

《World Journal of Urology》：Artificial inteligence reading of cystometric traces provides good correlation with human diagnosis

AI辅助尿动力学检查中，波let-ML方法结合信号处理有效识别 artifacts并提升DO诊断准确率至84.2%，支持AI与专家协同提升报告效率及可重复性。

　　

摘要

目的

尿动力学研究对于诊断下尿路功能障碍至关重要，但这些研究依赖于专家判断且耗时较长。人工智能（AI），尤其是机器学习（ML）和深度学习（DL），可以帮助自动化和标准化解读过程，减少不同观察者之间的差异，并提高效率。

目标

评估基于人工智能（AI）的分类方法与人类专家在膀胱测压（CMG）中对逼尿肌过度活动（DO）的诊断结果之间的相关性，同时明确处理异常数据并量化相关参数。

研究设计

这是一项回顾性的、单中心的、观察性诊断准确性研究（横断面研究），研究对象为2023年接受膀胱测压的成年人。我们将AI的检测结果与参考标准（三位泌尿科医生的共识）进行了比较。共评估了517份膀胱测压数据：其中200份用于训练AI模型，317份用于测试。评估了两种方法：（i）基于图像的CNN-VGG16深度学习方法，该方法在检测逼尿肌过度活动（DO）方面的准确率为75%，但无法提供定量指标；（ii）基于小波变换的机器学习方法（Daubechies变换），其准确率提高到84.2%，特异性为82.6%，敏感性为86.3%，同时能够提供详细的收缩特征描述。此外，还使用了隔离森林（Isolation Forest）异常检测技术来识别和处理异常数据（如咳嗽、线条中断、导管移动等）。通过将信号处理技术（时频去噪和基于规则的阈值处理）与AI分类相结合，实现了对膀胱测压事件的准确识别，从而更清晰地判断逼尿肌过度活动，从无异常数据段中估算膀胱顺应性，并有效减少异常数据的影响。这两种方法每项研究的分类处理时间均少于20秒。

结论

将算法输出与专家监督相结合，可以提供更实用、更快捷、更具可重复性的尿动力学报告结果，同时保持临床工作的责任性、透明度和普遍适用性。