Автоматическая сегментация камней почек на видео гибкой уретероскопии с использованием модели U‑Net: предварительное исследование осуществимости

Помощь хирургам в обнаружении скрытых камней почек

Камни почек — болезненная и всё более распространённая проблема; одним из основных методов лечения является введение миниатюрной камеры в почку и дробление камней лазером. Но внутри тела картинка часто бывает «грязной»: кровь, пыль от раздроблённого камня и движение при дыхании затрудняют чёткую визуализацию. В этом исследовании изучают, может ли искусственный интеллект (ИИ) выступать как подсветка в реальном времени, делая камни на экране более заметными и потенциально ускоряя и повышая безопасность лечения.

Почему с камнями почек трудно справиться

Камни почек поражают значительную долю взрослых во всём мире и могут вызывать сильную боль, инфекции и даже почечную недостаточность. Современное лечение часто предполагает гибкую уретероскопию: врач проводит гибкий эндоскоп с камерой через мочевыводящие пути в почку и дробит камни лазером на более мелкие фрагменты. Однако изображение с камеры далеко от идеала. Внезапное кровотечение, клубы пыли от лазера, изменения освещения и резкие движения могут размывать картинку. Хирургам приходится постоянно определять, где заканчивается камень и где начинается окружающая ткань. Пропущенные фрагменты требуют повторных вмешательств, а ошибочная оценка поля повышает риск осложнений.

Обучение компьютера находить камни

Чтобы справиться с этой задачей, исследователи обучили программу автоматически обводить камни на видеопотоке эндоскопа. Они собрали 12 полных записей операций от разных пациентов, что в сумме составило около 11 часов реального материала. Из этих видео извлекли тысячи отдельных кадров и построили полуавтоматизированную систему разметки камней. Сначала люди‑рецензенты рисовали простые прямоугольники вокруг видимых камней. Затем отдельный инструмент генерировал более точные контуры внутри этих рамок, а медицинские эксперты проверяли соответствие истинным областям камня. Эти пары изображений и разметок использовали для обучения модели глубокого обучения на базе архитектуры U‑Net — популярного типа сети для сегментации изображений, который определяет, какие пиксели принадлежат камню.

Как показала себя модель ИИ

Команда аккуратно разделила данные: часть операций использовали для обучения модели, часть для дообучения, а часть полностью удерживали для тестирования на новых, невидимых записях. На этих отложенных видео ИИ правильно классифицировал большинство пикселей в кадре и показывал хорошее совпадение между своими контурами камней и разметкой экспертов. Проще говоря: когда камень был хорошо виден и изображение было резким, система обводила его плотной и точной границей. Модель также работала быстро: на стандартной графической карте она обрабатывала около 30 кадров в секунду, что сопоставимо со скоростью живого видеопотока, и это указывает на техническую возможность использования в реальном времени в операционной.

Когда обзор становится помехой

Эффективность падала, когда видео больше походило на метель, чем на чистую картинку. В кадрах с сильным кровотечением, густыми облаками пыли от лазера или выраженным смазыванием движения модель иногда путала яркий мусор с настоящим камнем или пропускала части камня вовсе. В более детальном анализе сравнили «чистые» кадры с минимальными помехами и «размытые» кадры, заполненные артефактами. ИИ заметно лучше справлялся в группе «чистых» кадров, что подтверждает: плохая видимость затрудняет точную разметку даже для обученного алгоритма. Поскольку модель анализирует каждый кадр самостоятельно, она пока не использует информацию о движении во времени, чтобы отличать стабильный камень от мимолётной пыли или полос крови.

Что это может значить для будущих операций

Эта работа — ранний шаг, а не готовый к использованию в клинике инструмент. Исследование опиралось на скромное число видео из одного центра, с ограниченным набором типов камер, и процесс аннотирования может содержать человеческие и алгоритмические погрешности. Система ещё не интегрирована в полноценный хирургический рабочий процесс, где критически важны надёжность, проверки безопасности и аппаратные ограничения. Тем не менее результаты показывают, что модель ИИ способна научиться находить и обводить камни почек прямо на реальных хирургических видео и держаться в реальном временном режиме. С более крупными и разнообразными наборами данных, с умным учётом информации между последовательными кадрами и внимательным тестированием в настоящих операционных, подобные системы в перспективе могли бы помогать хирургам, делая скрытые камни более заметными, уменьшая число пропущенных фрагментов и улучшая уход за пациентами.

Цитирование: 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

Ключевые слова: камни почек, хирургический ИИ, видеоэндоскопия, медицинская визуализация, глубокое обучение