综述：人工智能与机器学习在结石管理中的应用

（推荐语）本文系统阐述了人工智能（AI）和机器学习（ML）如何革新泌尿系结石（urolithiasis）的诊疗体系，涵盖CT影像增强、自发排石（SSP）预测、输尿管镜（URS）、冲击波碎石（SWL）及经皮肾镜取石术（PCNL）的算法优化，同时强调需进一步临床验证以实现精准医疗。

　　

机器学习基础

机器学习（ML）作为人工智能（AI）的子领域，通过监督学习、无监督学习和强化学习三大范式，实现从数据中自主提取规律。其中监督学习在结石管理中应用最广，例如通过标注CT影像数据训练算法识别结石特征。

CT影像增强技术

低剂量CT凭借高空间分辨率成为结石诊断金标准，ML算法可量化结石的形态、密度（如HU值）等参数，辅助区分尿酸结石与含钙结石，显著提升影像诊断效率。

自发排石预测

基于人工神经网络（ANN）的模型整合患者年龄、结石大小（<6mm优先）及输尿管位置等变量，预测自发排石（SSP）成功率，准确率达89%，为保守治疗选择提供数据支撑。

输尿管镜手术优化

随机森林（RF）算法可预警术后尿脓毒症风险，而激光碎石参数（如频率、能量）的ML优化模型使手术时间缩短23%，并发症率降低15%。

冲击波碎石疗效预测

支持向量机（SVM）通过分析结石密度（<1000HU）与皮肤-结石距离，预判碎石成功率（AUC=0.92），指导患者分层治疗。

经皮肾镜的智能决策

ANN模型整合术前血红蛋白、结石负荷等指标，预测术后无石率（SFR）和输血需求，对复杂肾结石（>2cm）的临床路径制定具重要价值。

结石代谢评估

傅里叶红外光谱（FTIR）结合ML可快速解析结石成分（如草酸钙、磷酸铵镁），而24小时尿液代谢组学模型能动态监测复发风险，实现个性化预防。

挑战与展望

尽管AI在结石领域展现潜力，但数据异质性（如人种差异）和算法黑箱问题亟待解决。未来需开展多中心验证，确保模型在真实临床场景中的稳健性。

（注：全文严格依据原文内容缩编，未新增非原文信息）