人工智慧在泌尿外科目前的發展應用上已悄然萌芽。這篇文章探討使用深度學習模型來分類患有脊柱裂患者的膀胱功能障礙的嚴重程度。脊柱裂是一種神經系統疾病，可能會進一步影響膀胱的功能，導致患者出現儲尿和排尿問題。傳統上，醫師會通過錄影尿路動力學（VUDS）來評估這些患者的膀胱功能是否會進一步造成腎功能的惡化。VUDS是用以評估神經性膀胱的輔助工具，結果的判讀複雜而且判讀醫師間變異性高。本研究目的是開發深度學習模型以自動分類膀胱功能的嚴重程度，減少主觀判斷的變異性。

研究指出深度學習模型可以自動從VUDS的壓力和體積數據以及透視X光影像中提取特徵，並以中等準確度分類膀胱功能障礙的嚴重程度。最佳模型在達到預估膀胱容量的75％時，準確率可達到70％。然而，這些模型仍需在不同醫院系統進一步驗證其有效性。文末強調，這種自動分類方法未來有望幫助臨床決策，從而改善患者的診斷和治療。

研究對象為2019年至2021年間在費城兒童醫院接受錄影尿路動力學檢查的306名脊柱裂病患，年齡介於2個月至28歲之間。膀胱功能的嚴重程度分為無/輕度、中度和重度，由5位專家根據多項膀胱功能指標進行分類。研究建立了四種模型，包括隨機森林臨床模型、基於原始數據的卷積神經網絡模型（CNN）、基於X光影像的深度學習模型，以及結合壓力流速檢查和X光影像的集成模型。

結果顯示，當達到75%預估膀胱容量時，集成模型的分類準確率最高，達到70%，而臨床模型的準確率最低，為61%。研究表明，壓力流速檢查和X光影像中的關鍵診斷信息能有效提高分類準確性。

結論顯示，深度學習模型能自動從錄影尿路動力學中提取信息，並準確分類膀胱功能的嚴重程度，這對臨床決策具有潛在影響。但研究也強調，需進一步的回顧性和前瞻性研究來驗證這些模型，以確保其在不同醫療機構中的應用效果。如果能夠成功驗證，這些模型將為臨床醫生提供額外的分析數據，從而改善患者的治療方案。