Development of a Computer Vision System for Stone Segmentation During CVAC 2.0 In-Scope Aspiration Ureteroscopy

技術要約：CVAC 2.0 尿管鏡手術用 StoneClear

問題提起
現代の内視鏡的泌尿器科手術における主要な課題は、柔軟性尿管鏡（fURS）において完全な結石除去（stone-free status）を達成することである。レーザー砕石術や CVAC® 2.0 吸引システムの進歩にもかかわらず、残留結石片（RSF）が頻繁に残存し、それが再発の核となる。決定的な限界は、術中の視覚的検査の主観性にある。術野は、結石の粉塵（スノーストーム現象）、血液、および洗浄液によってしばしば遮蔽される。さらに、吸引補助下尿管鏡手術という特有の環境は、高速度の粒子移動、断片の一時的な視認性、および吸引カテーテルによる部分的な閉塞をもたらす。外科医は現在、残留結石量を定量化したり、視覚的な消失を確認したりするための客観的なリアルタイムツールを欠いており、これが術中の「視覚的な消失」と術後の放射線学的結石除去率との間の乖離を生んでいる。

手法
著者らは、CVAC® 2.0 デバイスを用いたステアブル尿管鏡的腎結石除去術（SURE）における残留結石片（RSF）を検出・描出するために設計された、人工知能コンピュータビジョンシステムである StoneClear を開発した。

• データ収集： CVAC® 2.0 デバイスを用いた fURS を受ける患者10名から、術中ビデオをプロスペクティブに収集した。合計160万フレームを超えるビデオフレームから、高利用度の2,416フレームを代表サンプルとして抽出し、高密度なピクセルレベルの注釈（アノテーション）を行った。
• 注釈（アノテーション）： 専門医である泌尿器科医が、MELAGE プラットフォームを使用してバイナリの結石マスクを手動で描出した。データセットには、1,439枚の結石含有フレームと977枚の結石なしフレームが含まれている。極めて重要な点として、結石なしのセットには、尿路上皮、血液、気泡、およびランデル・プラーク（固定性の粘膜石灰化）などの困難な背景要素が含まれており、これらはモデルが遊離断片と区別できるように、非結石として明示的に注釈付けされた。
• モデルアーキテクチャ： StoneClear は、2段階の逐次プロセスで作動する。
  1. ゲートキーパー（フレームレベルの検出）： フレーム内に結石が存在するかどうかを判定する。
  2. アウトライナー（ピクセルレベルのセグメンテーション）： 結石が検出された場合、正確なピクセルレベルの境界を描出する。
     システムは、視覚的特徴を抽出するために**トランスフォーマーベースのディープラーニングアーキテクチャ（PraNet-V2）**を利用する。局所的なパッチを検査する従来の畳み込みモデルとは異なり、トランスフォーマーは画像全体の関係を分析するため、真の結石と反射や影を区別するのに役立つ。
  3. ゲーティングメカニズム： 視覚的に困難な結石なしのフレームにおける偽陽性の予測を抑制するために、新しいゲーティングメカニズムが統合された。
• 評価： モデルの性能は、患者レベルの5分割交差検証（トレーニング用に8症例、テスト用に2症例）を用いて評価された。指標には、フレーム分類精度、偽陽性率（FPR）、偽陰性率（FNR）、およびダイス類似係数（DSC）が含まれる。

主な結果

• 検出精度： StoneClear は、ビデオフレーム内の結石の有無を 92.8% の精度で正しく識別した。
• セグメンテーションの精密さ： 結石が可視化されているフレームにおいて、モデルは平均 ダイス類似係数（DSC）0.86 を達成し、これは AI の予測と専門医によるアウトラインとの間で優れた空間的重複があることを示している。
• 偽陽性の削減： 結石なしのフレームにおいて、StoneClear の偽陽性率は 13.6% であった。これは標準的なモデルと比較して大幅な改善である。ゲーティングメカニズムがない場合、偽陽性率は 78.2% に上昇し、U-Net ベースのアーキテクチャでは 24.75% であった。提案されたゲーティングメカニズムは、標準的なセグメンテーションアーキテクチャと比較して、偽陽性のセグメンテーションを5倍以上減少させた。
• 臨床的文脈： 術前の平均結石量は 10,925.36 mm³ であり、術後の平均残留量は 170.20 mm³ であった。

主な貢献

1. 初の吸引補助型尿管鏡用 CV システム： 本研究は、CVAC® 2.0 システムによる高度に動的な吸引補助環境向けに特別に開発された、最初のコンピュータビジョンフレームワークを提示しており、従来の術中 AI 研究が非吸引型の fURS に限定されていたというギャップに対処している。
2. 新規のゲーティングメカニズム： 分類駆動型のゲーティングメカニズムの導入により、内視鏡ビデオにおける光学的なアーチファクト（血液、気泡、反射）に関連する高い偽陽性率を効果的に軽減している。
3. 堅牢なプルーフ・オブ・コンセプト（概念実証）： 本研究は、トランスフォーマーベースのモデルが、リアルタイムの外科的設定において、治療可能な残留断片と固定された解剖学的特徴（ランデル・プラークなど）を高い精度で区別できることを示している。

意義と主張
本論文は、StoneClear を術後の放射線学的画像診断の代替品としてではなく、堅牢なプルーフ・オブ・コンセプトとしてのリアルタイム AI 支援型術中視覚評価として位置付けている。著者らは、客観的な視覚的追跡と正確な境界特定を提供することで、本フレームワークが術中の残留結石量の推定に向けた重要な基礎を確立すると主張している。この技術は、外科医が処置を終了する前に内視鏡的なクリアランスを確認することを支援し、本研究で指摘されているような、主観的な視覚的推定への依存を軽減することを目指している。著者らは、消化器内科における成功したコンピュータビジョン応用（ポリープ検出）との類似性を引き合いに出し、AI オーバーレイシステムは、外科医の見落としを大幅に減らすことができるのであれば、100% の精度を必要としない可能性があると示唆している。

限界
著者らは、症例数が10名と少ないこと、および単一施設での研究であることを認めている。さらに、評価は、高密度なフレームごとの注釈に多大な労力を要するため、すべての症例の全編ではなく、戦略的に選択されたフレームに限定されている。全編の未選択の症例記録に対する検証が、今後の課題として挙げられている。