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

Resumo Técnico: StoneClear para Ureteroscopia CVAC 2.0

Definição do Problema
O desafio primordial na endourologia contemporânea é alcançar o status de ausência total de cálculos durante a ureteroscopia flexível (fURS). Apesar dos avanços na litotripsia a laser e em sistemas assistidos por sucção como o Sistema de Aspiração CVAC® 2.0, fragmentos residuais de cálculos (FRCs) frequentemente permanecem, servindo como nicho para recorrência. Uma limitação crítica é a subjetividade da inspeção visual intraoperatória. O campo operatório é frequentemente obscurecido pelo efeito de "tempestade de neve" causado pelo pó de cálculo, sangue e fluido de irrigação. Além disso, o ambiente único da ureteroscopia assistida por sucção introduz o movimento de partículas em alta velocidade, visibilidade transitória de fragmentos e oclusão parcial pelo cateter de sucção. Os cirurgiões carecem atualmente de uma ferramenta objetiva e em tempo real para quantificar a carga de cálculo residual ou confirmar a limpeza visual, levando a uma discrepância entre a "limpeza visual" intraoperatória e as taxas de ausência de cálculos radiográficas pós-operatórias.

Metodologia
Os autores desenvolveram o StoneClear, um sistema de visão computacional baseado em inteligência artificial projetado para detectar e delinear FRCs durante a Evacuação Renal com Ureteroscopia Direcionável (SURE) utilizando o dispositivo CVAC® 2.0.

• Coleta de Dados: Vídeos intraoperatórios foram coletados prospectivamente de 10 pacientes submetidos à fURS com o dispositivo CVAC® 2.0. De mais de 1,6 milhão de quadros (frames) de vídeo totais, uma amostra representativa de 2.416 quadros de alta utilidade foi selecionada para anotação densa ao nível de pixel.
• Anotação: Urologistas certificados realizarais delinearam máscaras binárias de cálculos usando a plataforma MELAGE. O conjunto de dados incluiu 1.439 quadros contendo cálculos e 977 quadros sem cálculos. Crucialmente, o conjunto sem cálculos incluiu elementos de fundo desafiadores, como urotélio, sangue, bolhas e placas de Randall (calcificações mucosas fixas), que foram explicitamente anotados como não-cálculo para treinar o modelo a distinguir esses elementos de fragmentos livres.
• Arquitetura do Modelo: O StoneClear opera em um processo sequencial de dois estágios:
  1. Gatekeeper (Detecção ao Nível de Quadro): Determina se um cálculo está presente no quadro.
  2. Outliner (Segmentação ao Nível de Pixel): Se um cálculo for detectado, ele delineia os limites precisos ao nível de pixel.
     O sistema utiliza uma arquitetura de aprendizado profundo baseada em transformer (PraNet-V2) para extrair características visuais. Diferente dos modelos convolucionais tradicionais que examinam patches locais, o transformer analisa as relações em toda a imagem, auxiliando na distinção de cálculos reais de reflexos e sombras.
  3. Mecanismo de Gating: Um novo mecanismo de gating foi integrado para suprimir previsões de falsos-positivos em quadros visualmente desafiadores e sem cálculos.
• Avaliação: O desempenho do modelo foi avaliado por meio de validação cruzada de 5 dobras (5-fold cross-validation) ao nível do paciente (8 procedimentos para treinamento, 2 para teste por dobra). As métricas incluíram Precisão de Classificação de Quadro, Taxa de Falsos-Positivos (FPR), Taxa de Falsos-Negativos (FNR) e o Coeficiente de Similaridade de Dice (DSC).

Principais Resultados

• Precisão de Detecção: O StoneClear identificou corretamente a presença ou ausência de cálculos em 92,8% dos quadros de vídeo.
• Precisão de Segmentação: Para quadros contendo cálculos visíveis, o modelo alcançou um Coeficiente de Similaridade de Dice (DSC) médio de 0,86, indicando uma excelente sobreposição espacial entre as previsões da IA e os contornos delineados pelo cirurgião especialista.
• Redução de Falsos-Positivos: Em quadros sem cálculos, o StoneClear produziu uma taxa de falsos-positivos de 13,6%. Isso representa uma melhoria significativa em relação aos modelos padrão; sem o mecanismo de gating, a taxa de falsos-positivos subiu para 78,2%, e uma arquitetura baseada em U-Net apresentou uma taxa de 24,75%. O mecanismo de gating proposto reduziu as segmentações de falsos-positivos em mais de cinco vezes em comparação com as arquiteturas de segmentação padrão.
• Contexto Clínico: O volume médio pré-operatório de cálculo era de 10.925,36 mm³, enquanto o volume residual médio pós-operatório era de 170,20 mm³.

Principais Contribuições

1. Primeiro Sistema de Visão Computacional para Ureteroscopia Assistida por Sucção: Este trabalho apresenta o primeiro framework de visão computacional desenvolvido especificamente para o ambiente altamente dinâmico da assistência por sucção do sistema CVAC® 2.0, abordando uma lacuna onde os trabalhos anteriores de IA intraoperatória estavam limitados à fURS sem aspiração.
2. Novo Mecanismo de Gating: A introdução de um mecanismo de gating impulsionado por classificação mitiga efetivamente as altas taxas de falsos-positivos tipicamente associadas a artefatos ópticos (sangue, bolhas, reflexos) em vídeos endoscópicos.
3. Prova de Conceito Robusta: O estudo demonstra que modelos baseados em transformer podem alcançar alta precisão na distinção entre fragmentos de cálculos tratáveis e características anatômicas fixas (como placas de Randall) em configurações cirúrgicas em tempo real.

Significância e Alegações
O artigo posiciona o StoneClear não como um substituto para o exame radiológico pós-operatório, mas como uma prova de conceito robusta para a avaliação visual intraoperatória assistida por IA em tempo real. Os autores alegam que, ao fornecer rastreamento visual objetivo e localização precisa de limites, o framework estabelece uma base crítica para a estimativa do volume de cálculo residual intraoperatório. Esta tecnologia visa auxiliar os cirurgiões na verificação da limpeza endoscópica antes do término do procedimento, potencialmente reduzindo a dependência da estimativa visual subjetiva, que o estudo observa frequentemente superestima a limpeza. Os autores traçam paralelos com aplicações bem-sucedas de visão computacional em gastroenterologia (detecção de pólipos), sugerindo que sistemas de sobreposição de IA não requerem 100% de precisão para fornecer assistência clínica significativa, desde que reduzam significativamente a negligência do cirurgião.

Limitações
Os autores reconhecem o tamanho modesto da coorte (10 pacientes) e a natureza de centro único do estudo. Adicionalmente, a avaliação foi limitada a quadros estrategicamente selecionados, em vez da duração total de cada caso, devido ao trabalho intensivo de anotação densa quadro a quadro. A validação em gravações de casos completos e não selecionados é identificada como uma direção necessária para trabalhos futuros.