Automatische Erkennung von Harnsteinen

Die endoskopische Steinerkennung (Endoscopic Stone Recognition, ESR) liefert wesentliche Informationen über die morphologischen Eigenschaften von Harnsteinen. Rezente Studien zeigen vielversprechende Ergebnisse bei der Anwendung von künstlicher Intelligenz zur ex-vivo-Analyse der ESR. In der vorliegenden Studie werden, basierend auf intraoperativen endoskopischen Bildern, erste in-situ-Ergebnisse der automatischen ESR vorgestellt.

Studie: Intraoperative endoskopische Digitalbilder von Konkrementen, die zwischen Januar 2018 und November 2020 mit einem flexiblen digitalen Ureterorenoskop (Olympus URF-V CCD-Sensor) aufgenommen wurden, wurden prospektiv analysiert. Die Harnsteine wurden nach mikroskopischen morphologischen Merkmalen klassifiziert. Ein deep convolutional neural network (CNN), ResNet-152-V2, wurde trainiert, um die Oberfläche von reinen Steinen COM, COD und AU mit Morphologien (Ia, Ia aktiv, IIb und IIIb) und gemischten Steinen COM+COD und COM +AU mit Morphologien (Ia+IIb und Ia+IIIb) aus gesammelten Bildern vorherzusagen. Die Steine wurden nach dem Zufallsprinzip in Trainings- (70%) und Testgruppen (30%) aufgeteilt. 

Ergebnis: Die Studie umfasste 379 Harnsteine (reine Steine: Ia=191, Ia aktiv=32, Ib=53, IIIb=29; gemischte Steine: Ia+IIb=64, Ia+IIIb=10). Im Durchschnitt war hierbei die Genauigkeit > 86 % – sowohl für reine als auch für gemischte Steine.

Fazit

In Kombination mit endoskopischen Bildern, ist die künstliche Intelligenz ein gutes Werkzeug für die automatische ESR der morphologischen Elemente, aus denen Harnsteine bestehen. Insbesondere kann die ESR vor dem Dusting von Vorteil sein, um anschließend eine geeignete Steinmetaphylaxe einzuleiten. Die Kombination aus automatischer intraoperativer ESR und postoperativer Infrarot (SPIR)-Untersuchungen von gedusteten Steinen könnte den ätiologischen Ansatz bei der Therapie der Urolithiasis verbessern.

Innovation: ★★★    Datenqualität: ★☆☆    Praxisrelevanz: ★☆☆

» zum Abstract