Esnek üreteroskopi videolarından otomatik böbrek taşı segmentasyonu: U‑Net modeline dayalı ön bir fizibilite çalışması

Cerrahların Gizli Böbrek Taşlarını Görmesine Yardım Etmek

Böbrek taşları ağrılı ve giderek yaygınlaşan bir sorun; bunların tedavisinde sık kullanılan yöntemlerden biri, küçük bir kamerayı böbreğe gönderip taşları lazerle parçalamaktır. Ancak vücut içinde görüntü genellikle karmaşıktır: kan, parçalanan taşın tozu ve solunum hareketi cerrahların ne yaptığını net görmesini zorlaştırır. Bu çalışma, yapay zekanın (YZ) ameliyat sırasında böbrek taşlarını gerçek zamanlı olarak vurgulayıp ekranda daha belirgin hale getirerek tedaviyi daha hızlı ve daha güvenli hale getirip getiremeyeceğini araştırıyor.

Böbrek Taşlarının Neden Tedavisi Zordur

Böbrek taşları dünya genelinde yetişkinlerin büyük bir kısmını etkiler ve şiddetli ağrı, enfeksiyonlar ve hatta böbrek yetmezliğine yol açabilir. Modern tedavide sıklıkla esnek üreteroskopi kullanılır; doktorlar bükülebilir bir kamera içeren bir cihazı idrar yolundan böbreğe yönlendirir. Oraya ulaşıldığında taşlar lazerle daha küçük parçalara ayrılır. Ancak kamera görüntüsü idealin uzağındadır. Ani kanama, lazerden yayılan toz, aydınlatma değişiklikleri ve hızlı hareketler görüntüyü bulanıklaştırır. Cerrahlar taşın nerede bittiğini ve çevre dokunun nerede başladığını sürekli kararlaştırmak zorundadır. Parçacıklar kaçırılırsa hasta ek işlemlere ihtiyaç duyabilir; alan yanlış değerlendirilirse komplikasyon riski artar.

Bir Bilgisayara Taşları Nasıl Tanıtırsınız

Bu zorluğu ele almak için araştırmacılar, endoskopun video akışında böbrek taşlarını otomatik olarak çizen bir bilgisayar programı eğittiler. Farklı hastalardan alınan 12 tam ameliyat kaydı topladılar; bunlar toplamda yaklaşık 11 saatlik gerçek dünya görüntüsü sağladı. Bu videolardan binlerce ayrı kare çıkarıldı ve taşların nerede olduğunun işaretlenmesi için yarı otomatik bir sistem kuruldu. Önce insan inceleyiciler görünür taşların etrafına basit kutular çizdiler. Ardından ayrı bir araç bu kutular içinde daha hassas şekiller üretti ve tıbbi uzmanlar bu şekillerin gerçek taş alanlarıyla uyuşup uyuşmadığını kontrol etti. Bu eşleştirilmiş görüntüler ve sınırlar, hangi piksellerin taşa ait olduğunu kesin olarak boyayabilen popüler bir segmentasyon ağı türü olan U‑Net mimarisine dayalı derin öğrenme modelini eğitmek için kullanıldı.

YZ Modelinin Başarımı Nasıl Oldu

Ekip verilerini dikkatlice böldü: bazı ameliyatlar modeli öğretmek, bazıları ince ayar yapmak ve bazıları da yeni, görülmemiş operasyonlarda nasıl performans gösterdiğini test etmek için tamamen ayrı tutuldu. Bu saklı videolarda YZ, her karedeki piksellerin çoğunu doğru sınıflandırdı ve taş sınırları ile uzman işaretlemeleri arasında güçlü bir örtüşme gösterdi. Basitçe söylemek gerekirse, taş net görüldüğünde ve kamera görüntüsü keskin olduğunda sistem taşın etrafında sıkı ve doğru bir sınır çizdi. Model ayrıca hızlıydı: standart bir grafik kartında yaklaşık saniyede 30 kare işleyerek canlı video akışı hızına benzer performans sergiledi; bu da ameliyathane ortamında gerçek zamanlı kullanımın teknik olarak mümkün olduğunu gösteriyor.

Görüntü Karıştığında Ne Oluyor

Performans, video kararlı bir resim yerine bir kar fırtınasını andırdığında düştü. Ağır kanama, lazerden kaynaklanan yoğun toz bulutları veya güçlü hareket bulanıklığı içeren karelerde model bazen parlak artık parçaları gerçek taşla karıştırdı veya taşın bazı bölümlerini tamamen kaçırdı. Daha yakından yapılan analiz, minimal karmaşa içeren “net” kareleri artefaktlarla dolu “bulanık” karelerle karşılaştırdı. YZ net grupta belirgin şekilde daha iyi performans gösterdi; bu da zayıf görünürlüğün eğitilmiş bir algoritma için bile hassas sınırlama yapmayı zorlaştırdığını doğruluyor. Model her kareyi bağımsız olarak analiz ettiği için henüz zaman içinde hareket bilgisini kullanıp sabit bir taşı geçici toz veya kan çizgilerinden ayırt edemiyor.

Gelecekteki Ameliyatlar İçin Ne Anlama Gelebilir

Bu çalışma kullanılmaya hazır bir hastane aracından ziyade erken bir adımdır. Çalışma tek merkezden sınırlı sayıda video, sınırlı kamera türleri ile yapıldı ve anotasyon süreci hâlâ insan veya algoritmik kusurlar içerebilir. Sistem henüz güvenilirlik, güvenlik kontrolleri ve donanım sınırlamalarının büyük önem taşıdığı tam bir cerrahi iş akışına entegre edilmedi. Yine de sonuçlar, bir YZ modelinin gerçek ameliyat videolarından doğrudan böbrek taşlarını bulmayı ve sınırlarını çizmeyi öğrenebileceğini ve canlı hızlara ayak uydurabileceğini gösteriyor. Daha büyük ve çeşitli veri setleri, ardışık kareler arasındaki bilginin daha akıllı kullanımı ve ameliyathanelerde dikkatli testlerle benzer sistemler nihayetinde cerrahlara gizli taşları daha belirgin hale getirerek kaçırılan parçaları azaltmada ve hasta bakımını iyileştirmede yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: böbrek taşları, cerrahi yapay zeka, endoskopi videosu, tıbbi görüntüleme, derin öğrenme