Zautomatyzowana segmentacja kamieni nerkowych z nagrań elastycznej ureteroskopii przy użyciu modelu U‑Net: Wstępne badanie wykonalności

Pomaganie chirurgom w dostrzeganiu ukrytych kamieni nerkowych

Kamienie nerkowe to bolesny i coraz powszechniejszy problem; jedną z głównych metod leczenia jest wprowadzenie maleńkiej kamery do nerki i rozkruszenie kamieni laserem. Jednak wewnątrz ciała obraz bywa zaśmiecony: krew, pył z rozkruszonych kamieni oraz ruch związany z oddychaniem utrudniają chirurgom jasne widzenie tego, co robią. W tym badaniu sprawdzono, czy sztuczna inteligencja (AI) może działać jak podświetlenie w czasie rzeczywistym, uwypuklając kamienie na ekranie i potencjalnie przyspieszając oraz zwiększając bezpieczeństwo zabiegu.

Dlaczego kamienie nerkowe są trudne w leczeniu

Kamienie nerkowe dotykają dużej części dorosłych na świecie i mogą powodować silny ból, infekcje, a nawet niewydolność nerek. Współczesne leczenie często polega na elastycznej ureteroskopii, gdzie lekarze prowadzą giętki wziernik z kamerą przez drogi moczowe do nerki. Na miejscu używają lasera, by rozbić kamienie na mniejsze fragmenty. Obraz z kamery jest jednak daleki od doskonałości. Nagłe krwawienie, wirujący pył po działaniu lasera, zmiany oświetlenia i silne ruchy mogą zamazać pole widzenia. Chirurdzy muszą ciągle oceniać, gdzie kończy się kamień, a zaczyna otaczająca tkanka. Jeśli przegapią fragmenty, pacjenci mogą wymagać ponownych zabiegów; jeśli błędnie ocenią pole, rośnie ryzyko powikłań.

Nauczanie komputera rozpoznawania kamieni

Aby sprostać temu wyzwaniu, badacze wyszkolili program komputerowy do automatycznego obrysowywania kamieni nerkowych w strumieniu wideo z endoskopu. Zebrali 12 pełnych nagrań zabiegów od różnych pacjentów, co dało około 11 godzin materiału z rzeczywistych operacji. Z tych wideo wydzielili tysiące pojedynczych klatek i zbudowali system półautomatyczny do oznaczania miejsc, w których znajdują się kamienie. Najpierw ludzie recenzenci rysowali proste ramki wokół widocznych kamieni. Następnie odrębne narzędzie generowało dokładniejsze kształty wewnątrz tych ramek, a eksperci medyczni weryfikowali, czy zgadzają się one z rzeczywistymi obszarami kamienia. Tak sparowane obrazy i obrysowania posłużyły do treningu modelu uczenia głębokiego opartego na architekturze U‑Net, popularnym typie sieci do segmentacji obrazów, który potrafi wskazać dokładnie, które piksele należą do kamienia.

Jak dobrze działał model AI

Zespół starannie podzielił dane, tak by niektóre zabiegi służyły do nauki modelu, inne do jego dostrojenia, a kolejne były całkowicie odseparowane na potrzeby testów, by ocenić, jak system sprawdzi się na nowych, niewidzianych wcześniej operacjach. Na tych wydzielonych wideo AI poprawnie sklasyfikowało większość pikseli w każdej klatce i wykazało silne pokrycie między swoimi obrysami kamieni a oznaczeniami ekspertów. Mówiąc prościej: gdy kamień był wyraźnie widoczny, a obraz z kamery ostry, system rysował ciasne, dokładne granice wokół niego. Model był też szybki: na standardowej karcie graficznej przetwarzał około 30 klatek na sekundę, czyli podobnie jak prędkość transmisji wideo na żywo, co sugeruje, że użycie w czasie rzeczywistym na sali operacyjnej jest technicznie wykonalne.

Kiedy obraz staje się nieczytelny

Dokładność malała, gdy obraz przypominał raczej zamieć śnieżną niż wyraźne ujęcie. W klatkach z obfitym krwawieniem, gęstymi obłokami pyłu z lasera lub silnym rozmyciem ruchem model czasami mylił jasne zanieczyszczenia z prawdziwym kamieniem albo pomijał części kamienia. Szczegółowa analiza porównała „czyste” klatki z minimalnym chaosem z „zamglonymi” klatkami pełnymi artefaktów. AI radziła sobie wyraźnie lepiej w grupie czystych klatek, co potwierdza, że słaba widoczność utrudnia precyzyjne obrysowanie nawet wytrenowanemu algorytmowi. Ponieważ model analizuje każdą klatkę niezależnie, nie potrafi jeszcze wykorzystać informacji z kolejnych klatek, by odróżnić stabilny kamień od przemijającego pyłu czy smug krwi.

Co to może znaczyć dla przyszłych zabiegów

To badanie jest wczesnym krokiem, a nie gotowym narzędziem szpitalnym. Praca opierała się na umiarkowanej liczbie wideo z jednego ośrodka, z ograniczonym zestawem typów kamer, a proces anotacji może wciąż zawierać błędy ludzkie i algorytmiczne. System nie został jeszcze włączony do pełnego przebiegu zabiegu, gdzie istotne są niezawodność, zabezpieczenia i ograniczenia sprzętowe. Mimo to wyniki pokazują, że model AI może nauczyć się znajdować i obrysowywać kamienie nerkowe bezpośrednio na rzeczywistych nagraniach chirurgicznych i nadążać za prędkościami transmisji na żywo. Dzięki większym i bardziej zróżnicowanym zbiorom danych, inteligentnemu wykorzystaniu informacji z kolejnych klatek oraz starannym testom na salach operacyjnych podobne systemy mogłyby w przyszłości wspierać chirurgów, uwypuklając ukryte kamienie, zmniejszając liczbę pominiętych fragmentów i poprawiając opiekę nad pacjentem.

Cytowanie: 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

Słowa kluczowe: kamienie nerkowe, sztuczna inteligencja w chirurgii, nagranie endoskopowe, obrazowanie medyczne, uczenie głębokie