التقسيم الآلي لحصوات الكلية من فيديوهات المنظار الرحمي المرن باستخدام نموذج U‑Net: دراسة أولية حول الجدوائية

مساعدة الجراحين على رؤية الحصوات المخفيّة

تُعد حصوات الكلية مشكلة مؤلمة ومتزايدة الانتشار، ومن الطرق الرئيسية لعلاجها إدخال كاميرا صغيرة إلى داخل الكلية وتفتيت الحصوات بالليزر. لكن داخل الجسم، قد تكون الرؤية فوضوية: الدم، وغبار الحصاة الناتج عن التفتيت، وحركة التنفّس كلها تصعّب على الجراحين رؤية ما يفعلون بوضوح. تستكشف هذه الدراسة ما إذا كان يمكن للذكاء الاصطناعي أن يعمل كتمييز بصري في الوقت الحقيقي للحصوات أثناء الجراحة، ليجعلها أكثر بروزًا على الشاشة وربما يسرّع العلاج ويزيد من سلامته.

لماذا يصعب علاج حصوات الكلية

تؤثر حصوات الكلية على نسبة كبيرة من البالغين عالميًا وقد تسبب ألمًا شديدًا، والتهابات، وحتى فشلًا كلويًا. يعتمد العلاج الحديث في كثير من الأحيان على المنظار الرحمي المرن، حيث يوجه الأطباء منظارًا قابلًا للانحناء مزودًا بكاميرا عبر المسالك البولية إلى داخل الكلية. بمجرد الوصول، يستخدمون الليزر لتفتيت الحصوات إلى أجزاء أصغر. ومع ذلك، تكون صورة الكاميرا بعيدة عن الكمال. يمكن للنزف المفاجئ، وغبار الحصاة المتصاعد بفعل الليزر، وتغيرات الإضاءة، والحركة السريعة أن تُشوّش المشهد. على الجراحين أن يقرروا باستمرار أين تنتهي الحصاة وأين يبدأ النسيج المحيط. إذا تُركت شظايا، قد يحتاج المريض لإجراءات متكررة؛ وإذا تمّ تقدير المجال خطأً، يزداد خطر حدوث مضاعفات.

تدريب الحاسوب على رصد الحصوات

لمعالجة هذا التحدي، درب الباحثون برنامجًا حاسوبيًا ليحدد تلقائيًا محيط حصوات الكلية في تدفّق الفيديو القادم من المنظار. جمعوا 12 تسجيلًا كاملًا لعمليات من مرضى مختلفين، بمجموع حوالي 11 ساعة من لقطات العالم الحقيقي. استخرجوا من هذه الفيديوهات آلاف الإطارات الفردية وبنوا نظامًا شبه آلي لتوسيم أماكن الحصوات. أولاً، رسم المراجعون البشريون صناديق بسيطة حول الحصوات المرئية. ثم تولّد أداة منفصلة أشكالًا أكثر دقة داخل تلك الصناديق، وتحقق الخبراء الطبيون من مطابقة هذه الأشكال لمناطق الحصاة الحقيقية. استُخدمت هذه الأزواج من الصور والحدود لتدريب نموذج تعلّم عميق قائم على بنية U‑Net، وهي نوع شائع من الشبكات لتقسيم الصور يمكنه تلوين البكسلات المنتمية للحصاة بدقة.

كيف أدّى نموذج الذكاء الاصطناعي

قسم الفريق بياناتهم بعناية بحيث استُخدمت بعض العمليات لتعليم النموذج، وبعضها لضبطه دقيقًا، وبعضها أُبقي منفصلاً تمامًا لاختبار مدى عمله على عمليات جديدة لم تُر من قبل. على هذه الفيديوهات المحفوظة، صنّف الذكاء الاصطناعي صحيحًا معظم البكسلات في كل إطار وأظهر تراكبًا قويًا بين حدوده للحصاة وحدود الخبراء. ببساطة، عندما كانت الحصاة مرئية بوضوح وكانت صورة الكاميرا حادة، رسم النظام حدودًا دقيقة ومتقاربة حولها. كان النموذج أيضًا سريعًا: على بطاقة رسومية قياسية، عالج نحو 30 إطارًا في الثانية، بما يقارب سرعة تغذية الفيديو الحي، مما يشير إلى أن الاستخدام في الوقت الحقيقي داخل غرفة العمليات ممكن تقنيًا.

عندما تصبح الرؤية فوضوية

تراجع الأداء عندما بدا الفيديو أشبه بعاصفة ثلجية أكثر من كونه صورة واضحة. في الإطارات التي شهدت نزفًا كثيفًا، أو سحب غبار كثيفة من الليزر، أو ضبابية حركة قوية، أخطأ النموذج أحيانًا بخلط الحطام اللامع مع الحصاة الفعلية أو فشل في الكشف عن أجزاء من الحصاة تمامًا. قارنت تحليلات أدق الإطارات «الواضحة» ذات الفوضى القليلة بالإطارات «المشوشة» المليئة بالتشويشات. أدّى الذكاء الاصطناعي أداءً أفضل بوضوح في مجموعة الإطارات الواضحة، مما يؤكد أن ضعف الرؤية يصعّب تحديد الحدود بدقة حتى للخوارزمية المدربة. وبما أن النموذج يحلل كل إطار بشكل مستقل، فهو لا يستطيع بعد استثمار الحركة عبر الزمن لتمييز الحصاة الثابتة عن غبار أو خطوط دم مؤقتة.

ماذا قد يعني ذلك للعمليات المستقبلية

هذا العمل خطوة مبكرة بدلًا من أداة جاهزة للاستخدام في المستشفيات. استخدمت الدراسة عددًا متواضعًا من الفيديوهات من مركز واحد، مع مجموعة محدودة من أنواع الكاميرات، وقد يحتوي عملية الوسم على قصور بشري وخوارزمي. لم يتم دمج النظام بعد في سير عمل جراحي كامل حيث تكون الموثوقية، وفحوصات السلامة، وحدود العتاد أمورًا بالغة الأهمية. ومع ذلك، تظهر النتائج أن نموذجًا للذكاء الاصطناعي يمكنه أن يتعلم العثور على حصوات الكلية وتحديد حدودها مباشرة من فيديوهات جراحية حقيقية ويواكب سرعات البث الحي. مع مجموعات بيانات أكبر وأكثر تنوعًا، واستخدام أذكى للمعلومات عبر الإطارات المتتالية، واختبارات دقيقة داخل غرف العمليات الحقيقية، قد تساعد نظم مماثلة الجراحين في المستقبل بجعل الحصوات المخفية أكثر ظهورًا، والحد من الشظايا المفقودة، وتحسين رعاية المرضى.

الاستشهاد: El Hajj, A., Bou Mrad, A., Malik, E. et al. Automated kidney stone segmentation from flexible ureteroscopy videos using a U-net model: A preliminary feasibility study. Sci Rep 16, 14542 (2026). https://doi.org/10.1038/s41598-026-45143-7

الكلمات المفتاحية: حصوات الكلية, الذكاء الاصطناعي الجراحي, فيديو التنظير الداخلي, التصوير الطبي, التعلّم العميق