סגמנטציה אוטומטית של אבני כליה מתוך וידאו של אורטרוסקופיה גמישה באמצעות מודל U‑Net: מחקר היתכנות ראשוני

לעזור למנתחים לראות אבני כליה מוסתרות

אבני כליה הן בעיה כואבת והולכת וגדלה, ואחד האמצעים העיקריים לטיפול בהן הוא להחדיר מצלמה זעירה אל הכליה ולשבור את האבנים בלייזר. אך בתוך הגוף התמונה יכולה להיות מבולגנת: דם, אבק מאבן שבורה ותזוזה בעקבות נשימה מקשים על המנתחים לראות בבירור מה הם עושים. במחקר זה נבדק האם בינה מלאכותית (AI) יכולה לפעול כתסריטן בזמן אמת שיבליט את האבנים על המסך, כך שיהיו ברורות יותר ובאופן פוטנציאלי ייעשו הטיפולים מהירים ובטוחים יותר.

מדוע קשה לטפל באבני כליה

אבני כליה משפיעות על חלק ניכר מהמבוגרים ברחבי העולם ועלולות לגרום לכאבים עזים, לזיהומים ואף לכשל כלייתי. טיפול מודרני נעשה לעתים קרובות באמצעות אורטרוסקופיה גמישה, שבה הרופאים מנחים סופי גמיש עם מצלמה דרך דרכי השתן אל הכליה. כשהסופי במקום, הם משתמשים בלייזר כדי לפורר את האבנים לחתיכות קטנות יותר. עם זאת, תמונת המצלמה רחוקה ממושלמת. דימום פתאומי, ענני אבק מהלייזר, שינויים בתאורה ותנועה מהירה מטשטשים את הראייה. המנתחים נאלצים להחליט כל הזמן היכן מסתיימת האבן והיכן מתחיל הרקמה הסובבת. אם הם מפספסים שברים, המטופלים עלולים להזדקק להליכים חוזרים; אם הם מעריכים לא נכון את השדה, הסיכון לסיבוכים עולה.

ללמד מחשב לזהות אבנים

כדי להתמודד עם האתגר הזה, החוקרים אימנו תוכנה שתרשום באופן אוטומטי את קצוות אבני הכליה בזרם הווידאו מהאנדוסקופ. הם אספו 12 הקלטות ניתוח מלאות ממטופלים שונים, שהצטברו לכ־11 שעות של חומר מהעולם האמיתי. מתוך סרטונים אלה חילצו אלפי פריימים בודדים ובנו מערכת חצי‑אוטומטית לסימון מיקום האבנים. ראשית, מבקרים אנושיים שרטטו מסגרות פשוטות סביב האבנים הנראות לעין. לאחר מכן כלי נפרד יצר צורות מדויקות יותר בתוך אותן מסגרות, ומומחים רפואיים בדקו שהן תואמות לאזורי האבן האמיתיים. תמונות וזיהויים אלו שימשו לאימון מודל למידה עמוקה המבוסס על ארכיטקטורת U‑Net, סוג רשת נפוץ לסגמנטציה שיכול לצבוע בדיוק אילו פיקסלים שייכים לאבן.

כיצד ביצע המודל של ה‑AI

הצוות חילק בקפידה את הנתונים כך שחלק מהניתוחים ישמשו ללימוד המודל, חלק לכיול עדין וחלק ישמרו לחלוטין למבחן כיצד יעבוד במצבים חדשים שלא נראו קודם. בווידאוים שהוחמקו לבחינה, ה‑AI סווג נכונה את רוב הפיקסלים בכל פריים והראה חפיפה חזקה בין הקצוות שצייר לבין סימוני המומחים. במילים פשוטות, כש האבן הייתה נראית בבירור ותמונת המצלמה חדה, המערכת שרטטה גבול מדויק וסגור סביבה. המודל היה גם מהיר: על כרטיס גרפי סטנדרטי עיבד כ־30 פריימים לשנייה, בקצב דומה למהירות זרם וידאו חי, מה שמרמז כי שימוש בזמן אמת בחדר הניתוח הוא טכנית אפשרי.

מתי הראיה נהיית מבולגנת

הביצועים ירדו כאשר הווידאו דמה יותר לסופת שלג מאשר לתמונה ברורה. בפריימים עם דימום כבד, ענני אבק עבים מהלייזר או טשטוש תנועה חזק, המודל לפעמים בלבל פסולת בהירה עם האבן עצמה או פספס חלקים ממנה לגמרי. ניתוח מעמיק השווה בין פריימים "ברורים" עם אי‑מעלה של עכבות לבין פריימים "מטושטים" מלאים בארטיפקטים. ה‑AI התבלט בביצועים טובים יותר בקבוצה הברורה, מה שמאשר כי ראות לקויה מקשה על קביעת קצוות מדויקת גם עבור אלגוריתם מאומן. מאחר שהמודל מנתח כל פריים באופן עצמאי, הוא עדיין אינו יכול להשתמש במידע תנועתי לאורך זמן כדי להבחין בין אבן יציבה לאבק או רצועות דם חולפות.

מה זה עשוי להגיד על ניתוחים עתידיים

העבודה הזו היא צעד ראשוני ולא כלי מוכן לשימוש בבתי חולים. המחקר השתמש במספר צנוע של וידאוים ממרכז יחיד, עם מערך מצומצם של סוגי מצלמות, ותהליך האנוטציה עשוי עדיין להכיל שגיאות אנושיות ואלגוריתמיות. המערכת טרם הוטמעה בזרימת עבודה כירורגית מלאה, שבה אמינות, בדיקות בטיחות ומגבלות חומרה חשובות מאוד. עם זאת, התוצאות מראות שמודל AI יכול ללמוד למצוא ולסמן אבני כליה ישירות מתוך וידאוים כירורגיים אמיתיים ולעמוד בקצב זמן‑אמת. עם מאגרי נתונים גדולים ומגוונים יותר, שימוש חכם במידע בין פריימים עוקבים ובדיקות קפדניות בחדרי ניתוח אמיתיים, מערכות דומות עשויות בעתיד לעזור למנתחים על‑ידי הבהרה של אבנים מוסתרות, צמצום שברים מפוספסים ושיפור הטיפול בחולים.

ציטוט: 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

מילות מפתח: אבני כליה, בינה מלאכותית כירורגית, וידאו אנדוסקופי, דימות רפואי, למידה עמוקה