Возможности применения технологий искусственного интеллекта для выявления конкрементов мочевыделительной системы при компьютерной томографии (ретроспективное диагностическое исследование)

Актуальность. Мочекаменная болезнь (МКБ) представляет собой хроническое заболевание, связанное с нарушением обменных процессов в организме, которое сопровождается образованием конкрементов в органах мочевыделительной системы. На сегодняшний день проблема выявления конкрементов мочевыделительной системы, несмотря на все достижения, остается актуальной (прирост заболеваемости, изменения условий жизни (экология, питание)). Для решения трудностей, возникающих в процессе диагностики конкрементов мочевыделительной системы, а также оптимизации самого диагностического процесса, включающего оценку полученной информации и формирование протокола, предлагается использовать программное обеспечение на основе технологий искусственного интеллекта (ПО на основе ТИИ).

Цель исследования: оценить диагностическую точность ИИ-сервисов в задаче первичного бинарного выявления рентгенопозитивных конкрементов мочевыделительной системы (>100 HU) без стратификации по морфометрическим характеристикам при компьютерно-томографических исследованиях (КТ-исследованиях).

Материал и методы. Взят набор данных из 100 исследований КТ органов брюшной полости и мочевыделительной системы, полученные из Единого радиологического информационного сервиса единой медицинской информационно-аналитической системы (ЕРИС ЕМИАС) и отправлен на обработку двум ИИ-сервисам с ПО на основе ТИИ.

Результаты. По результатам тестирования на подготовленном наборе данных с признаками конкрементов мочевыделительной системы ПО на основе ТИИ достигло высоких показателей метрик диагностической точности, превышающих заявленные показатели: площадь под кривой (AUC) до 0,998 (доверительный интервал (ДИ) 0,993–1,000) (ИИ-2 комплексный сервис для анализа органов брюшной полости (ОБП)), специфичность до 1.000 (ДИ 0,900–1,000), чувствительность до 1,000 (ДИ 1,000–1,000).

Заключения. Высокие показатели диагностической точности ПО на основе ТИИ по результатам анализа тестового набора данных показали, что алгоритмы ТИИ могут использоваться в качестве инструмента оптимизации диагностического процесса, включающего выявление и морфометрию конкрементов мочевыделительной системы.

1. Trinchieri A., Ostini F., Nespoli R. et al. A prospective study of recurrence rate and risk factors for recurrence after a first renal stone. J. Urol. 1999; 162 (1): 27–30. https://doi.org/10.1097/00005392-199907000-00007

2. Лопаткин Н.А. Урология: учебник. М.: ГЭОТАР-Медиа, 2011.

3. Соколов Н.М., Котов С.В., Неменов А.А., Перов Р.А. Сравнительный анализ пациентов с первичным эпизодом мочекаменной болезни и рецидивным камнеобразованием, после уретероскопических вмешательств. Урология. 2024; 2: 18–23. https://doi.org/10.18565/urology.2024.2.18-23

4. Попова Е.О., Ткачев С.Ю., Карпенко А.К., Ли Ю.А., Числов П.А., Али С.Х., Дымов А.М., Винаров А.З., Акованцева А.А., Ершов Б.П., Голуб Д.А., Щеклеина М.Д., Галечян Г.Ю., Богоедов Д.А., Гафарова Э.Р., Мусаэлян Р.Э. Мультимодальный анализ почечных камней для поиска новых биомаркеров мочекаменной болезни. Вестник урологии. 2024; 12 (4): 121–134. https://doi.org/10.21886/2308-6424-2024-12-4-121-134

5. Siener R, Stein J, Ritter M. Rezidivprävention der Urolithiasis [Prevention of recurrence of urolithiasis]. Die Urologie (Heidelberg, Germany). 2024; 63 (4): 387–395. https://doi.org/10.1007/s00120-024-02312-8 (In German)

6. Дуванов Д.А. Роль современных методов визуализации в диагностике мочекаменной болезни. Бюллетень медицинских интернет-конференций. 2017; 7 (5): 710.

7. Российское общество урологов. Клинические рекомендации: мочекаменная болезнь. 2020.

8. MacNevin W., Chua M., Kraus M.S., Keefe D.T. Radiation exposure associated with computed tomography for pediatric urolithiasis evaluation: A scoping review. J. Pediatr. Urol. 2024; 20 (3): 386–394. https://doi.org/10.1016/j.jpurol.2024.03.007

9. Li X., Shu H., Zhang Y. et al. Low-dose CT with adaptive statistical iterative reconstruction for evaluation of urinary stone. Oncotarget. 2018; 9 (28): 20103–20111. https://doi.org/10.18632/oncotarget.25047

10. Ahmed S., Atunhan A. Artificial intelligence in urolithiasis: a systematic review of utilization and effectiveness. Wld J. Urol. 2023. https://doi.org/10.1007/s00345-024-05268-8

11. Tang L., Li W., Zeng X. et al. Value of artificial intelligence model based on unenhanced computed tomography of urinary tract for preoperative prediction of calcium oxalate monohydrate stones in vivo. Ann. Transl. Med. 2021; 9 (14): 1129. https://doi.org/10.21037/atm-21-965

12. Kim J., Kwak C.W., Uhmn S. et al. A Novel Deep Learning-based Artificial Intelligence System for Interpreting Urolithiasis in Computed Tomography. Eur. Urol. Focus. 2024; 10 (6): 1049–1054. https://doi.org/10.1016/j.euf.2024.07.003

13. Shah M., Naik N., Somani B.K., Hameed B.M.Z. Artificial intelligence (AI) in urology-Current use and future directions: An iTRUE study. Turk. J Urol. 2020; 46 (6): 401–409. https://doi.org/10.5152/tud.2020.20117

14. van der Velden B.H.M., Kuijf H.J., Gilhuijs K.G.A., Viergever M.A. Explainable artificial intelligence (XAI) in deep learning-based medical image analysis. Med. Image Anal. 2022; 79: 102470. https://doi.org/10.1016/j.media.2022.102470

15. Riley R.D., Debray T.P.A., Collins G.S. et al. Minimum sample size for external validation of clinical prediction model with binary outcome. Stat. Med. 2021; 40 (19): 4230–4251. https://doi.org/10.1002/sim.9025

16. Арзамасов К.М., Бобровская Т.М., Васильев Ю.А., Никитин Н.Ю., Владзимирский А.В., Омелянская О.В., Четвериков С.Ф. Объем выборки для оценки диагностической точности ИИ-программ в лучевой диагностике. Сибирский журнал клинической и экспериментальной медицины. 2024; 39 (3):188–198. https://doi.org/10.29001/2073-8552-2024-39-3-188-198

17. Шулькин И.М., Васильев, Ю.А., А.В. Владимирский, К.М. Арзамасов, А.Е. Андрейченко, В.А. Гомболевский, Н.С. Кульберг, О.В. Омелянская, Н.А. Павлов, Р.В. Решетников, К.А. Сергунова, Шарова Д.Е. Компьютерное зрение в лучевой диагностике: первый этап московского эксперимента. 2-е изд. Москва: Издательские решения; 2023. 388 с.

18. Арзамасов К.М., Бобровская Т. М., Васильев Ю. А., Никитин Н. Ю. Подходы к формированию наборов данных в лучевой диагностике. Врач и информационные технологии. 2023; 4: 14–23. https://doi.org/10.25881/18110193_2023_4_14

19. Базовые диагностические требования к ИИ-сервисам. ГБУЗ «НПКЦ ДиТ ДЗМ». Available from: https://telemedai.ru

20. Морозов С.П., Андрейченко А. Е., Четвериков С. Ф., Арзамасов К.М., Кирпичев Ю.С., Семенов С.С., Курицын С.О., Логунова Т.А. Свидетельство о государственной регистрации программы для ЭВМ №2022617324: Веб-инструмент для ROC-анализа. 2022.

21. Васильев Ю.А., Владзимирский А.В., Шарова Д.Е., Зинченко В.В., Заюнчковский С.Ю., Ахмад Е.С., Гусев А.В. Клинические испытания систем искусственного интеллекта (лучевая диагностика). Москва: ГБУЗ «НПКЦ ДиТ ДЗМ»; 2023. 40 с.

22. Коцарь А.Г., Серегин С.П., Новиков А.В., Криковцов С.И. Математико-статистический анализ и корреляция факторов, влияющих на отхождение конкрементов мочеточника при мочекаменной болезни. Научные ведомости. Серия Медицина. Фармация. 2013; 11 (154). URL: https://cyberleninka.ru/article/n/matematiko-statisticheskiy-analiz-i-korrelyatsiya-faktorov-vliyayuschih-na-othozhdenie-konkrementov-mochetochnika-pri-mochekamennoy (дата обращения: 04.03.2026)

23. Клинические рекомендации – Мочекаменная болезнь – 2024-2025-2026 (22.11.2024) – Утверждены Минздравом РФ.

24. Васильев Ю.А., Владзимирский А.В., Арзамасов К.М., Шихмурадов Д.У., Панкратов А.В., Ульянов И.В., Нечаев Н.Б. Перспективы применения компьютерного зрения для выявления камней в мочевыделительной системе и новообразований печени и почек на изображениях компьютерной томографии органов брюшной полости и забрюшинного пространства. Digital Diagnostics. 2024; 5 (1): 101–119. https://doi.org/10.17816/DD515814

25. Eun S.-J., Yun M.S., Whangbo T.-K., Kim K.-H. A Study on the Optimal Artificial Intelligence Model for Determination of Urolithiasis. Int. Neurourol. J. 2022; 26 (3): 210–218. https://doi.org/10.5213/inj.2244202.101

26. Cumpanas A.D., Chantaduly C., Morgan K.L. et al. Efficient and Accurate Computed Tomography-Based Stone Volume Determination: Development of an Automated Artificial Intelligence Algorithm. J. Urol. 2024; 211 (2): 256–265. https://doi.org/10.1097/JU.0000000000003766

27. Bell J.R., Posielski N.M., Penniston K.L. et al. Automated Computer Software Compared with Manual Measurements for CT-Based Urinary Stone Metrics: An Evaluation Study. J. Endourol. 2018; 32 (5): 455–461. https://doi.org/10.1089/end.2017.0787

28. Caglayan A., Horsanali M.O., Kocadurdu K. et al. Deep learning model-assisted detection of kidney stones on computed tomography. Int. Braz. J. Urol. 2022; 48 (5): 830–839. https://doi.org/10.1590/S1677-5538.IBJU.2022.0132

29. Yasaka K., Abe O. Deep learning and artificial intelligence in radiology: Current applications and future directions. PLoS Med. 2018; 15 (11): e1002707. https://doi.org/10.1371/journal.pmed.1002707

30. Parakh A., Lee H., Lee J.H. et al. Urinary Stone Detection on CT Images Using Deep Convolutional Neural Networks: Evaluation of Model Performance and Generalization. Radiol. Artif. Intell. 2019; 1 (4): e180066. https://doi.org/10.1148/ryai.2019180066