子宫肌瘤或平滑肌瘤的诊断因其症状与罕见但侵袭性的平滑肌肉瘤重叠而面临挑战。标准成像工具如超声波和MRI常常无法区分这两种情况，导致误诊或延误治疗。基于人工智能的系统现在正在缩小这一差距，通过学习人眼无法识别的复杂模式来提高诊断准确性。
最近发表在《临床医学杂志》上的一篇题为“人工智能与子宫肌瘤：诊断和治疗的有用组合”的全面新综述，展示了AI支持方法在肌瘤管理中的最深入综合。该综述由来自欧洲和中东的研究人员编撰，强调了深度学习、机器学习、放射组学和触觉技术对诊断准确性和治疗结果的影响。
人工智能如何准确诊断子宫肌瘤和平滑肌肉瘤？
子宫肌瘤或平滑肌瘤的诊断因其症状与罕见但侵袭性的平滑肌肉瘤重叠而面临挑战。标准成像工具如超声波和MRI常常无法区分这两种情况，导致误诊或延误治疗。基于人工智能的系统现在正在缩小这一差距，通过学习人眼无法识别的复杂模式来提高诊断准确性。
多种方法被审查。Huo等人开发的一种深度卷积神经网络（DCNN）显著提高了初级超声医师的诊断精度，达到94%以上的准确率，超过了传统方法。与此同时，Chiappa等人的研究利用超声数据的放射组学来区分肌瘤和平滑肌肉瘤，达到了85%的准确率。Toyohara等人的补充研究使用MRI和深度神经网络（DNN）来区分恶性肿瘤，准确率达到90.3%，与资深放射科医生相当。
每种方法都有其独特的优势：放射组学通过隔离可量化的图像特征提供可解释性，而深度学习系统则能够自主检测大规模数据集中的细微异常。然而，由于单中心数据集和平滑肌肉瘤病例稀少，两种方法都存在泛化能力有限的问题。综述呼吁使用更大、多民族的数据集和结合可解释性和性能的混合模型。
人工智能在手术和非侵入性纤维瘤疗法中的进展
人工智能不仅在诊断方面有所突破，还在提高治疗精度方面发挥作用。综述概述了AI如何支持传统和非侵入性干预措施，从宫腔镜肌瘤切除术到机器人辅助手术和高强度聚焦超声（HIFU）消融。
在手术环境中，Török等人展示了一种全卷积神经网络（FCNN）能够在术中识别肌瘤组织，实现精确的肌瘤-子宫肌层分割，以实现实时手术指导。机器人辅助腹腔镜手术也受益于AI驱动的3D重建工具，使外科医生能够在一次手术中定位并提取超过20个肌瘤，同时最小化出血和术后并发症。
HIFU程序中的一些最深刻的AI集成包括Akpinar等人使用梯度提升和其他机器学习分类器在MRI数据上预测治疗成功，准确率达到95%以上。其他研究开发了无钆监测技术，使用深度学习进行高分辨率DWI成像以增强可视化效果，并进行自动3D分割以进行治疗计划。这些工具共同推进了个性化治疗，降低了风险，并实现了实时监测。
最有前景的技术整合了多模态数据，结合CE-T1WI和T2WI成像以及集成学习模型，达到了接近0.90的AUC分数，用于预测HIFU消融结果。这些模型标志着向AI驱动的术前规划和术中控制迈进了一大步。
人工智能距离妇科实践的临床整合还有多远？
尽管前景广阔，但在纤维瘤护理中临床采用AI仍面临许多障碍。综述突出了关键挑战：深度学习的“黑箱”性质、缺乏外部验证、在罕见或非典型表现上的性能有限，以及与现有医院系统的集成困难。
伦理和监管问题也出现。患者隐私、算法偏见、AI决策的责任不明确以及缺乏标准化报告协议阻碍了临床信任和部署。此外，AI在资源匮乏环境中的经济影响尚未得到充分探索。
尽管如此，将AI与传统方法结合的混合诊断路径显示出强大的潜力。例如，Doria等人开发的触觉反馈系统允许机器人辅助外科医生通过可穿戴显示器“感觉”肌瘤，恢复了微创手术中失去的触觉感知。使用该系统的外科医生实现了几乎等于手动触诊的定位精度，展示了AI如何实时复制和增强人类专业知识。
在栓塞治疗中，基于700多个肌瘤病例构建的深度学习模型在预测治疗成功方面优于放射科医生。这些集成系统结合了影像和临床数据，提供了针对患者的综合视图。
(全文结束)
