Активное руководство при ультразвуковом сканировании мочевого пузыря с использованием обучения с подкреплением

Почему важны более точные исследования мочевого пузыря

Когда у человека возникают трудности с опорожнением мочевого пузыря, врачи часто прибегают к ультразвуку, чтобы оценить, сколько мочи осталось. Это число определяет важные решения — например, необходим ли катетер или эффективна ли терапия. При этом получение четкого и правильно расположенного ультразвукового изображения пузыря сложнее, чем кажется, особенно для менее опытного персонала. В этом исследовании рассматривается, как метод искусственного интеллекта — обучение с подкреплением — может в реальном времени наставлять держателя датчика, помогая быстрее и надежнее найти оптимальный вид.

Задача поиска правильного угла

При рутинном сканировании пузыря датчик нужно перемещать по нижней части живота, чтобы получить два ключевых среза: поперечный (через пузырь) и продольный (вдоль его длины). Качество этих изображений зависит от точного положения датчика и угла наклона. Опытные сонографы овладевают этим на практике, но новички легко промахиваются мимо идеальной плоскости, что приводит к размытым контурам и неточным оценкам объема. Ранние компьютерные методы пытались предсказывать следующее движение датчика на основании одного изображения, но они давали скачкообразные, непоследовательные подсказки и игнорировали важные сведения о форме пузыря.

Обучение виртуального датчика исследованию

Исследователи создали реалистичную компьютерную симуляцию сканирования пузыря, используя 3D-ультразвуковые данные от 17 здоровых добровольцев. На каждой нижней части живота они наложили сетку 6×5, отмечая возможные положения датчика, и в каждой клетке записали ультразвуковые объёмы в двух направлениях. Это сформировало тренировочную площадку, где виртуальный датчик мог двигаться влево, вправо, вверх, вниз и даже слегка наклоняться, как в реальной эксплуатации. «Агент» в этой площадке видел только изображения, но не своё истинное положение, и должен был научиться ориентироваться к той клетке сетки, которая давала самый четкий вид пузыря.

Как система принятия решений обучается

Команда использовала подход ИИ, называемый обучением с подкреплением, при котором система пробует действия и получает вознаграждения или штрафы в зависимости от полезности этих действий. Их метод, названный Adam LMCDQN, представляет собой усовершенствованную версию популярного алгоритма обучения с подкреплением, который исследует варианты, добавляя тщательно настроенную случайность в процесс обучения. Агент получал более высокие вознаграждения за движения, приближавшие его к лучшему виду, и за достижение этого вида в пределах ограниченного числа шагов. В дополнительном улучшении исследователи попросили эксперта обвести пузырь на множестве изображений. Используя эти контуры, они разработали функцию вознаграждения, которая поощряла виды с большим и более центрированным пузырем, подталкивая агента обращать внимание на сам орган, а не только на расстояния по сетке.

Чего система добилась на практике

При тестировании на данных трёх добровольцев, не использовавшихся в обучении, система обучения с подкреплением явно превзошла классический глубокий классификатор. В более простом случае, когда датчик мог лишь смещаться по поверхности (без наклонов), новый метод успешно достигал целевого вида в 69% поперечных сканирований и в 51% продольных, по сравнению с 58% и 32% у контролируемого классификатора. Позволив агенту также наклонять датчик, производительность ещё выросла: доля успехов поднялась до 81% по поперечным срезам и до 67% по продольным. Вознаграждение, основанное на сегментации и явно ориентированное на большой, центрированный пузырь, также давало заметный прирост по сравнению с вознаграждением, основанным только на расстоянии по сетке.

Что это может значить для пациентов и персонала

Исследование демонстрирует техническую осуществимость тренировки ИИ-системы, которая отслеживает входящие ультразвуковые кадры и подсказывает оператору, как двигать датчиком — влево, вправо, вверх, вниз или наклонять — чтобы навести на лучший вид пузыря. В реальном приборе такое руководство могло бы выводиться в виде простых стрелок на экране или коротких текстовых подсказок, помогая медсестрам и другому фронтовому персоналу получать изображения экспертного уровня без многолетней практики. Хотя работа проведена в симуляции и только на здоровых добровольцах, она прокладывает путь для будущих клинических испытаний и расширения подхода на пациентов с более разнообразными состояниями. При удачном развитии такого рода ИИ-наставничество может сделать измерения объёма пузыря быстрее, более последовательными и доступными в повседневной практике.

Цитирование: 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

Ключевые слова: ультразвук мочевого пузыря, обучение с подкреплением, ИИ в медицинской визуализации, навигация зондом, задержка мочи