Американские ученые «научили» нейронную сеть определять состав почечных камней по цифровым эндоскопическим фотографиям
Свёрточные нейронные сети глубокого обучения способны с хорошей точностью определять состав камней почек по цифровым фотографиям, сообщают специалисты из Мичиганского и Принстонского университетов. Дальнейшие исследования должны показать, может ли искусственный интеллект быть использован для анализа камней во время цифровой эндоскопии. При хороших результатах специалисты планируют интегрировать технологию с эндоскопическими и лазерными системами, чтобы автоматизировать их работу и повысить эффективность разрушения камней в ходе хирургических вмешательств.
В последние годы уретероскопия с лазерной литотрипсией стала ведущим методом лечения мочекаменной болезни в Северной Америке. Поэтому среди американских специалистов растет интерес к тому, чтобы оптимизировать параметры работы лазерных систем, используемых для проведения таких операций.
В настоящее время хирурги вручную задают энергию и частоту импульса лазерного излучения, необходимого для фрагментации камней, основываясь на визуальном распознавании типа конкрементов и их структурной плотности. Но если настройки будут определяться автоматически, с помощью компьютерных технологий, это может повысить эффективность лазерной литотрипсии. Кроме того, поскольку сейчас образцы камней часто извлекаются с помощью корзинок для последующего анализа их состава, появление эндоскопических систем, распознающих тип камней в режиме реального времени, позволит сократить время операций и связанные с ними расходы.
Технологии компьютерного зрения и глубокого обучения могли бы помочь в решении этих задач. В основе продвинутых систем компьютерного зрения лежат нейронные сети, которые классифицируют множество изображений, выявляют в них закономерности, затем используют их для распознавания образов и объектов на новых изображениях. Обучение нейронной сети осуществляется на некоторой выборке. По ходу обучения сеть начинает все лучше выполнять поставленные задачи и реагировать на поставленные команды.
На сегодняшний день несколько исследований подтвердили эффективность использования алгоритмов глубокого машинного обучения для распознавания признаков таких заболеваний, как меланома и диабетическая ретинопатия. Американские специалисты провели новое исследование, в котором изучили возможность применений свёрточных нейронных сетей (СНС) для определения состава камней почек по цифровым фотографиям.
В лаборатории были взяты 63 образца камней со следующим составом: 1) кальция оксалат моногидрат, 2) мочевая кислота, 3) аммония-магния фосфат гексагидрат (струвитные камни), 4) кальция гидрогенфосфат дигидрат, 5) цистиновые камни. На цифровую камеру для каждого камня были сделаны по меньшей мере две фотографии — поверхности и среза. Для классификации изображений использовалась свёрточная нейронная сеть ResNet-101 [ResNet, Microsoft]. Обучающая способность алгоритма оценивалась методом скользящего контроля (leave-one-out). В качестве основного результата рассматривалась метрика полноты (recall, отношение верно угаданных объектов класса ко всем представителям этого класса).
По итогам исследования, параметр полноты при определении уратных камней составил 94% (n = 17), при определении оксалатных — 90% (n = 21), струвитных — 86% (n = 7), цистиновых — 75% (n = 4), брушитных — 71% (n = 14). Общая полнота для всей когорты анализируемых камней составила 75%. Специфичность и точность анализа для каждого типа камней были следующими: 97,83 и 94,12 — для уратных камней, 97,62 и 95 — для оксалатных, 91,84 и 71,43 — для струвитных, 98,31 и 75 — для цистиновых, 96,43 и 75 — для брушитных.
Авторы заключили, что если надежность применения свёрточных нейронных сетей для распознавания типа камней подтвердится в новых исследованиях, их можно будет использовать для автоматической настройки параметров лазерных литотрипторов.
Источник: Black KM, Law H, Aldouhki A, Deng J, Ghani KR. Deep Learning Computer Vision Algorithm for Detecting Kidney Stone Composition [published online ahead of print, 2020 Feb 11]. BJU Int. 2020;10.1111/bju.15035. doi:10.1111/bju.15035