Aktywne prowadzenie przy skanowaniu pęcherza za pomocą ultradźwięków z wykorzystaniem uczenia ze wzmocnieniem

Dlaczego lepsze skany pęcherza mają znaczenie

Gdy ktoś ma trudności z opróżnianiem pęcherza, lekarze często sięgają po ultradźwięki, aby sprawdzić, ile moczu pozostało. Ta wartość wpływa na ważne decyzje, na przykład czy potrzebny jest cewnik albo czy stosowane leczenie przynosi efekt. Jednak uzyskanie wyraźnego, prawidłowo ustawionego obrazu ultradźwiękowego pęcherza jest trudniejsze, niż się wydaje, zwłaszcza dla mniej doświadczonego personelu. W badaniu tym zbadano, jak technika sztucznej inteligencji zwana uczeniem ze wzmocnieniem może w czasie rzeczywistym podpowiadać osobie trzymającej sondę, pomagając szybciej i bardziej niezawodnie znaleźć najlepszy widok.

Wyzwanie znalezienia właściwego kąta

W rutynowym skanie pęcherza sonda musi być przesuwana po dolnej części brzucha, aby uchwycić dwa kluczowe widoki: poprzeczny (przekrój) i podłużny (wzdłuż pęcherza). Jakość tych obrazów zależy od dokładnego miejsca położenia sondy i jej pochylenia. Wykwalifikowani sonografowie zdobywają tę umiejętność z doświadczeniem, ale początkujący z łatwością mogą minąć idealną płaszczyznę, co prowadzi do nieostrych konturów i niedokładnych oszacowań objętości. Wcześniejsze metody komputerowe próbowały przewidywać następny ruch sondy na podstawie pojedynczego obrazu, jednak dawały skokowe, niespójne sugestie i pomijały istotne informacje o kształcie pęcherza.

Nauka eksploracji wirtualnej sondy

Badacze zbudowali realistyczną symulację skanowania pęcherza, wykorzystując dane 3D z ultradźwięków pochodzące od 17 zdrowych ochotników. Na dolnej części brzucha każdej osoby nałożono siatkę 6 na 5, oznaczającą możliwe pozycje sondy, a w każdej pozycji zarejestrowano objętości ultradźwiękowe w dwóch kierunkach. Stworzyło to swego rodzaju pole treningowe, w którym wirtualna sonda mogła przesuwać się w lewo, prawo, w górę, w dół, a nawet lekko się pochylać, tak jak zrobiłby to rzeczywisty operator. „Agent” w tym środowisku widział jedynie obrazy, nie znał swojej rzeczywistej lokalizacji i musiał nauczyć się, jak nawigować w kierunku pola siatki, które dawało najczystszy widok pęcherza.

Jak system uczący się podejmuje decyzje

Zespół zastosował styl sztucznej inteligencji zwany uczeniem ze wzmocnieniem, w którym system testuje akcje i otrzymuje nagrody lub kary w zależności od ich przydatności. Ich metoda, nazwana Adam LMCDQN, to zaawansowana wersja popularnego podejścia w uczeniu ze wzmocnieniem, która eksploruje opcje, dodając starannie dobraną losowość do procesu uczenia. Agent zdobywał wyższe nagrody za ruchy przybliżające go do najlepszego widoku oraz za faktyczne dotarcie do tego widoku w ograniczonej liczbie kroków. W kolejnym ulepszeniu badacze poprosili eksperta o obrysowanie pęcherza na wielu obrazach. Wykorzystując te obrysy zaprojektowali funkcję nagrody, która faworyzowała widoki, w których pęcherz był większy i bardziej wyśrodkowany, skłaniając agenta do zwracania uwagi na sam narząd, a nie tylko na odległości na siatce.

Co system osiągnął w praktyce

Testowany na danych trzech ochotników, które nie były użyte do treningu, system oparty na uczeniu ze wzmocnieniem wyraźnie przewyższył konwencjonalny klasyfikator głębokiego uczenia. W prostszym ustawieniu, gdzie sonda mogła się jedynie przesuwać po powierzchni (bez pochyleń), nowa metoda osiągnęła celowy widok z powodzeniem w 69% skanów poprzecznych i 51% w skanach podłużnych, w porównaniu z 58% i 32% dla klasyfikatora nadzorowanego. Pozwolenie agentowi na pochylanie sondy poprawiło wyniki jeszcze bardziej: wskaźniki sukcesu wzrosły do 81% w płaszczyźnie poprzecznej i 67% w podłużnej. Nagroda oparta na segmentacji, która eksplicytnie szukała dużego, wyśrodkowanego pęcherza, także dała mierzalny wzrost w porównaniu z nagrodą opartą wyłącznie na odległości na siatce.

Co to może oznaczać dla pacjentów i personelu

Badanie pokazuje, że technicznie możliwe jest wytrenowanie systemu AI, który obserwuje napływające klatki ultradźwiękowe i podpowiada operatorowi, jak przesunąć sondę — w lewo, w prawo, w górę, w dół lub pochylić — aby namierzyć najlepszy widok pęcherza. W rzeczywistym urządzeniu takie wskazówki mogłyby pojawiać się jako proste strzałki na ekranie lub krótkie tekstowe komunikaty, pomagając pielęgniarkom i innemu personelowi pierwszego kontaktu uzyskać obrazy na poziomie ekspertów bez wieloletniej praktyki. Chociaż praca przeprowadzona była w środowisku symulowanym i jedynie na zdrowych ochotnikach, tworzy ona podstawy do dalszych badań klinicznych i rozszerzenia podejścia na pacjentów z szerszym zakresem schorzeń. W przypadku powodzenia takie prowadzenie przez AI mogłoby uczynić pomiary objętości pęcherza szybszymi, bardziej spójnymi i szerzej dostępnymi w codziennej opiece.

Cytowanie: Hsu, HL., Zahiri, M., Li, G. et al. Active guidance in ultrasound bladder scanning using reinforcement learning. Sci Rep 16, 5273 (2026). https://doi.org/10.1038/s41598-026-35285-z

Słowa kluczowe: ultrasonografia pęcherza, uczenie ze wzmocnieniem, SZ medyczny obrazowania, nawigacja sondy, retencja moczu