Användning av artificiell intelligens för att identifiera kirurgisk anatomi under laparoskopisk njurdonation – en validerings- och genomförbarhetsstudie

Smartare teknik för en höginsatsgåva

Laparoskopisk donornefrektomi är den minimalt invasiva operation som används när en frisk person donerar en njure — en osjälvisk handling där varje kirurgiskt misstag är särskilt svårt att acceptera. Denna studie undersöker hur artificiell intelligens (AI) kan hjälpa kirurger att se viktiga strukturer tydligare under detta känsliga ingrepp, med målet att minska risken för donatorer och förbättra utbildningen av framtida kirurger.

Varför njurdonation kräver extra omsorg

Levande njurdonatorer är ofta helt friska personer som väljer operation enbart för att hjälpa någon annan. Trots att laparoskopiska tekniker redan gjort donation säkrare och återhämtningen snabbare innebär operationen fortfarande arbete i ett trångt utrymme runt artärer, vener och ureter som inte får skadas. Kirurger förlitar sig i dag på sina egna ögon och erfarenhet för att känna igen dessa strukturer på en videoskärm. En AI‑"kopilot" som pålitligt kan peka ut nyckelanatomin i realtid skulle kunna hjälpa till att förebygga misstag, särskilt för mindre erfarna kirurger eller i svåra fall.

Att lära en dator att se in i kroppen

Forskargruppen samarbetade med ett medicintekniskt företag för att bygga ett datorseendesystem som kan känna igen viktiga strukturer under vänstersidig njurdonation. De samlade videoinspelningar från 30 operationer och fokuserade på ögonblick då omkringliggande fett redan avlägsnats, vilket gjorde njuren, mjälten, huvudblodkärlen och ureter synliga. Ur dessa extraherades tusentals stillbilder. Varje bild märktes noggrant pixel för pixel av en anatom och dubbelgranskades sedan av en erfaren transplantationskirurg. Dessa annoterade bilder tjänade som "facit" för att träna AI:n. Systemet byggdes på en modern djupinlärningsmodell ursprungligen framtagen för att snabbt upptäcka objekt i bilder, och anpassades sedan för att avgränsa individuella organ och kärl i varje kirurgiskt bildruta.

Hur systemet tränades och testades

Forskarna använde 6 828 märkta bilder från 16 operationer för att lära AI:n och sparade ytterligare 1 757 bilder från fyra andra operationer för att testa hur väl den lärt sig. De gav medvetet extra vikt åt de mest kritiska strukturerna — renalartären, renalvenen och ureter — så att modellen skulle lägga särskild uppmärksamhet på dem. Under träningen jämförde programmet upprepade gånger sina gissningar med expertmärkningarna och justerade sig för att minska fel. Huvudfrågan var om AI:n, när den fick se en ny bild, korrekt kunde markera mjälten, njuren, huvudkärlen och ureter utan att missa dem eller förväxla en struktur med en annan.

Hur AI‑kopiloten presterade

När den testades visade AI‑systemet uppmuntrande noggrannhet. Det var särskilt starkt på att upptäcka mjälten och de huvudblodkärl som försörjer njuren. För vänster njure, renalartär och renalven uppnådde systemet en bra balans mellan att inte felaktigt märka bakgrundsvävnad och att inte förbise de strukturer det skulle hitta. Dessa resultat motsvarar allmänt accepterade trösklar för realtidsdetektion i kirurgi. Ureteret — ett tunt rör som dränerar urin från njuren — var svårare att upptäcka, troligen eftersom det är smalt, rörligt, har liknande färg som närliggande vävnader och också var underrepresenterat i träningsbilderna. Utöver statiska tester provade teamet även systemet live i operationssalen och på videor från ett annat sjukhus i ett annat land. AI:n identifierade fortfarande nyckelanatomin och fångade till och med ett ovanligt mönster med dubbla artärer, vilket tyder på att det kan generalisera bortom ursprungscentret.

Vad detta kan betyda för kirurger och patienter

Även om systemet ännu inte är redo att fungera som ett fullständigt navigationsverktyg i realtid, markerar detta arbete ett viktigt första steg. Att på ett tillförlitligt sätt kunna avgränsa avgörande anatomi öppnar dörren för flera tillämpningar: guidning på skärmen under svåra moment i operationen, automatisk märkning av undervisningsvideor för ST‑läkare och mer objektiva sätt att bedöma kirurgisk prestation. Framtida förbättringar kommer att kräva mer mångsidiga data från flera sjukhus, bättre hantering av svåra strukturer som ureter och formell mätning av hur snabbt och konsekvent AI:n arbetar bildruta för bildruta. Ändå är huvudbudskapet tydligt för icke‑specialister: AI kan redan "se" mycket av det som en utbildad kirurg ser, och med vidare förfining skulle system som detta kunna göra gåvan att donera en njure ännu säkrare.

Citering: Ong, C.S.H., Wong, H.P.N., Leung, M. et al. Utilising artificial intelligence to identify surgical anatomy during laparoscopic donor nephrectomy – a validation and feasibility study. Sci Rep 16, 7416 (2026). https://doi.org/10.1038/s41598-026-35999-0

Nyckelord: njurdonation, laparoskopisk kirurgi, kirurgisk artificiell intelligens, datorseende inom medicin, organtransplantationssäkerhet