Возможность использования искусственного интеллекта в диагностике и лечении урологических заболеваний (обзор)

Литература:
1. Кок BL. Epidemiology of clinical benign prostatic hyperplasia. Asian J Urol 2017; 4 (3): 148-51.
2. Beam AL, Kohane IS. Big data and machine learning in health care. JAMA 2018; 319 (13): 1317-8.
3. Kanagasingam Y, Xiao D, Vignarajan J, et al. Evaluation of artificial intelligence-based grading of diabetic retinopathy in primary care. JAMA 2018; (1): e182665.
4. Drouin SJ, Yates DR, Hupertan V, et al. A systematic review of the tools available for predicting survival and managing patients with urothelial carcinomas of the bladder and of the upper tract in a curative setting. World J Urol 2013; (31): 10-6.
5. Hung AJ, Chen J, Gill IS. Automated performance metrics and machine learning algorithms to measure surgeon performance and anticipate clinical outcomes in robotic surgery. JAMA Surg2018; (153): 77-1.
6. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994; 152: 192-6.
7. Babaian J, Fritsche H, Ayala A, et al. Performance of a neural network in detecting prostate cancer in the prostate-specific antigen reflex range of 2.5 to 4.0 ng/mL. Urology 2000; (56): 1000-6.
8. Kwak JT, Hewitt SM. Nuclear architecture analysis of prostate cancer via convolutional neural networks. IEEE Access 2017; (5): 18526-33.
9. Nguyen TH, Sridharan S, Macias V, et al. Automatic Glea-son grading of prostate cancer using quantitative phase imaging and machine learning. J Biomed Opt 2017; (22): 36015.
10. Kim JK, Yook IH, Choi MJ, et al. A performance comparison on the machine learning classifiers in predictive pathology staging of prostate cancer. Stud Health Technol Inform 2017; (245): 1273.
11. Algohary A, Viswanath S, Shiradkar R, et al. Radiomic features on MRI enable risk categorization of prostate cancer patients on active surveillance: preliminary findings. J Magn Reson Imaging 2018; (48): 818-28.
12. Wong NC, Lam C, Patterson L, Shayegan B. Use of machine learning to predict early biochemical recurrence after robot-assisted prostatectomy. BJU Int 2019; (123): 51-7.
13. Hung AJ, Chen J, Che Z, et al. Utilizing machine learning and automated performance metrics to evaluate robot-assisted radical prostatectomy performance and predict outcomes. J En-dourol 2018; (32): 438-44.
14. Hung AJ, Chen J, Ghodoussipour S, et al. A deep-learning model using automated performance metrics and clinical features to predict urinary continence recovery after robot-assisted radical prostatectomy. BJU Int 2019; 124 (3): 487-95.
15. Lam KM, He XJ, Choi KS. Using artificial neural network to predict mortality of radical cystectomy for bladder cancer. 2014 International Conference on Smart Computing (SMARTCOMP). Hong Kong, 2014; p. 201-7.
16. Wang G, Lam KM, Deng Z, Choi KS. Prediction of mortality after radical cystectomy for bladder cancer by machine learning techniques. Comput Biol Med 2015; (63): 124-32.
17. Sapre N, Macintyre G, Clarkson M, et al. A urinary mi-croRNA signature can predict the presence of bladder urothelial carcinoma in patients undergoing surveillance. Br J Cancer 2016; (114): 454-62.
18. Bartsch JrG, Mitra AP, Mitra SA, et al. Use of artificial intelligence and machine learning algorithms with gene expression profiling to predict recurrent nonmuscle invasive urothelial carcinoma of the bladder. J Urol 2016; (195): 493-8.
19. Aminsharifi A, Irani D, Pooyesh S, et al. Artificial neural network system to predict the postoperative outcome of percutaneous nephrolithotomy. J Endourol 2017; (31): 461-7.
20. Yang MY, Xia HZ, Zhu XH, et al. Application of machine learning models in predicting early stonefree rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019; 51 (4): 653-9.
21. Seckiner I, Seckiner S, Sen H, et al. A neural network — based algorithm for predicting stone-free status after ESWL therapy. Int Braz J Urol 2017; (43): 1110-4.
22. Соловов В. А. Нейросетевой анализ в диагностике рака предстательной железы. Вестн. СамГУ— Естественнонауч. сер. 2005; 5 (39): 209-14.
23. Ганцев Ш.Х., Зимичев А.А., Хрисанов H.H. и др. Применение нейронной сети в прогнозировании рака мочевого пузыря. Мед. вестн. Башкортостана 2010; (3): 44-6.
24. Демченко H.A., Лукьянов И. В. Применение нейросетевого моделирования у пациентов, перенесших радикальную простатэктомию. Онкоурология 2011; (4): 67.
25. Попков B.M., Шатылко Т. В., Фомкин PH. Прогнозирование результата патогистологического исследования простаты с помощью искусственной нейронной сети. Саратовский научно-медицинский журнал 2014; 10 (2): 328-32.
26. Шатылко Т. В., Попков В.М., Фомкин Р. Н. Интегральный подход к дооперационному определению клинической значимости рака простаты. Саратовский научно-медицинский журнал 2015; 11 (3): 345-8.
27. Попков B.M., Шатылко ТВ., Королев А.Ю. и др. Оптимизация PSA-скрининга с помощью искусственного интеллекта. Мед. вестн. Башкортостана 2015; 10 (3): 232-5.
28. Ершов А.В., Капсаргин Ф.П., Бережной А. Г. и др. Экспертные системы в оценке данных урофлоуграмм. Вестн. урологии 2018; 6 (3): 12-6.
29. Капсаргин Ф.П., Ершов А. В., Зуева Л.Ф. и др. Применение нейронных сетей в выборе метода лечения мочекаменной болезни. Омский науч. вестн. 2015; (1): 68-70.
30. Коцарь А. Г., Серёгин С. П., Новиков А. В. Автоматизированная система поддержки принятия решений уролога по прогнозированию и профилактике камнеобразования при мочекаменной болезни. Урология 2013; 20 (2): 16-20.
31. Лукьянов И. В., Сошников Д. В. Информационно-интеллектуальная система обработки и учета данных в диагностике и выработке тактики лечения у больных с инфравезикальной обструкцией. В кн.: Актуальные проблемы урологии: материалы III Конгресса урологов Казахстана. Алматы, 2000; с. 33-6.
32. Лукьянов И. В. Симптомы нижних мочевых путей: перспективы диагностических и лечебных мероприятий с применением элементов искусственного интеллекта. Consilium Medicum 2008; 2 (4): 24-6.