Development of a Computer Vision System for Stone Segmentation During CVAC 2.0 In-Scope Aspiration Ureteroscopy
Dit artikel presenteert de ontwikkeling en validatie van StoneClear, een door AI aangedreven computer vision-systeem dat een hoge nauwkeurigheid bereikt in het detecteren en op pixelniveau segmenteren van residuele steenfragmenten tijdens CVAC 2.0-ondersteunde ureteroscopie, waarmee een robuuste basis wordt gelegd voor intraoperatieve beoordeling van steenklaring in realtime.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Nierstenen zijn een hardnekkig en pijnlijk probleem voor miljoenen mensen. Wanneer een steen zich in de nier vormt, gebruiken artsen vaak een dunne, flexibele camera die via het lichaam wordt ingebracht om de steen in stof te breken en weg te spoelen. Het doel is om de nier volledig vrij achter te laten, maar dit is verrassend moeilijk te bevestigen terwijl de operatie gaande is. Het zicht in het lichaam is vaak vertroebeld door bloed, irrigatievloeistof en de rondvliegende stofdeeltjes van de gebroken steen, wat een "sneeuwstorm" creëert die kleine fragmenten verbergt. Zelfs met geavanceerde zuiginstrumenten die ontworpen zijn om dit puin op te ruimen, vertrouwen chirurgen op hun eigen ogen om te beslissen of de klus geklaard is. Dit subjectieve oordeel kan gebrekkig zijn, wat ertoe kan leiden dat er kleine stukjes steen achterblijven, die later weer nieuwe, pijnlijke blokkades kunnen vormen.
Om dit op te lossen, heeft een team onderzoekers van New York Presbyterian Weill Cornell Medicine een nieuw computersysteem ontwikkeld genaamd StoneClear. Dit systeem fungeert als een tweede paar ogen voor de chirurg, door gebruik te maken van kunstmatige intelligentie om de live videofeed van de camera te bekijken en automatisch resterende steenfragmenten op te sporen. De onderzoekers trainden dit systeem met video's van tien patiënten die een specifieke vorm van chirurgie ondergingen met behulp van de CVAC 2.0-device, een instrument dat laservernietiging, direct zicht en krachtige zuiging combineert om steendebris te verwijderen. Het team vroeg deskundige urologen om duizenden videoframes zorgvuldig te markeren, waarbij zij nauwkeurige contouren rond elk steenfragment tekenden dat zij konden zien en frames identificeerden waarin geen stenen aanwezig waren, zelfs als er verwarrende elementen zoals bloedstolsels of bubbels aanwezig waren.
Het computersysteem leerde twee taken opeenvolgend uit te voeren. Ten eerste fungeert het als een poortwachter, die simpelweg beslist of er in het huidige beeld een steen aanwezig is of niet. Als het een steen detecteert, fungeert het vervolgens als een omtrektekener, die een gedetailleerde grens rond de steen trekt op pixelniveau om precies aan te geven waar deze zich bevindt. Dit tweetrapsproces was cruciaal omdat de video-omgeving chaotisch is; de zuiging creëert snel bewegende stromingen waardoor stenen snel verschijnen en verdwijnen, en de zuigbuis blokkeert vaak gedeeltelijk het zicht. De onderzoekers testten het systeem met een methode waarbij ze het trainden op de meeste patiëntgegevens en vervolgens de prestaties controleerden op de resterende gevallen om te garanderen dat het nieuwe, onbekende situaties aan kon.
De resultaten toonden aan dat het systeem zeer effectief is in het onderscheiden van een helder zicht en een zicht dat steenfragmenten bevat. In bijna 93 procent van de videoframes identificeerde StoneClear correct of er een steen aanwezig was of niet. Wanneer stenen zichtbaar waren, kwamen de digitale contouren van het systeem met een hoge mate van overlap overeen met de handmatige tekeningen van de deskundige chirurgen, wat aangeeft dat het de exacte locatie en vorm van het puin kon aanwijzen. Misschien nog wel belangrijker is dat het systeem veel beter was in het vermijden van valse alarmen dan standaard computer vision-modellen. Zonder de speciale "poortwachter"-stap zouden andere AI-modellen reflecties, bloed of bubbels in meer dan drie kwart van de heldere frames onterecht als stenen identificeren. StoneClear verminderde deze foutmarge aanzienlijk, waardoor valse alarmen zeldzaam werden.
Dit werk demonstreert dat kunstmatige intelligentie een betrouwbare, real-time controle kan bieden op de verwijdering van stenen tijdens complexe chirurgie met behulp van zuiging. Het systeem vervangt niet de noodzaak voor scans na de operatie, die nog steeds de gouden standaard blijven voor het bevestigen dat een patiënt steenvrij is, maar het biedt de chirurg een krachtig hulpmiddel terwijl de procedure nog gaande is. Door fragmenten te benadrukken die anders wellicht over het hoofd zouden worden gezien in de chaotische, snel bewegende omgeving van de nier, helpt de technologie chirurgen om hun werk objectiever te verifiëren. De studie bevestigt dat computers, mits ze met het juiste ontwerp zijn voorzien, door de visuele ruis van chirurgie kunnen kijken, wat een helderder pad biedt om te garanderen dat de nier werkelijk leeg is achtergelaten van stenen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.