Применение технологий искусственного интеллекта и программного обеспечения для измерения объема камней по данным компьютерной томографии у пациентов с мочекаменной болезнью: обзор литературы

Цель исследования. Выбор метода хирургического лечения и прогноз его эффективности при мочекаменной болезни зависит от МСКТ-характеристик камня: локализации, размера, плотности. В литературе в качестве перспективного предиктора успешности оперативного вмешательства предлагается доступный к оценке КТ-параметр конкремента – его объем. В настоящем исследовании рассматриваются подходы к волюметрии камней мочевыводящей системы с помощью программного обеспечения, искусственного интеллекта.

Материалы и методы. Изучены наиболее релевантные и цитируемые исследования, фундаментальные работы по автоматизированному определению объема конкремента, актуальные клинические рекомендации по диагностике и лечению МКБ, размещенные в научных базах данных в открытом доступе.

Результаты. Проанализированы современные подходы к автоматизированной волюметрии конкрементов почек, мочеточников, продемонстрирована практическая значимость результатов измерения литообъема программным обеспечением, алгоритмами искусственного интеллекта.

Заключение. Автоматизированные методы волюметрии камней мочевыделительной системы по данным компьютерной томографии превосходят по точности результаты калькуляции литообъема врачом-рентгенологом. Использование программного обеспечения, методов искусственного интеллекта позволяет повысить диагностическую точность и воспроизводимость измерений у пациентов с уролитиазом, оптимизировать работу отделений лучевой диагностики.

1. Пранович А.А., Исмаилов А.К., Карельская Н.А., Костин А.А., Кармазановский Г.Г., Грицкевич А.А. Искусственный интеллект в диагностике и лечении мочекаменной болезни // Российский журнал телемедицины и электронного здравоохранения. 2022. № 8 (1). С. 42-57. https://doi.org/10.29188/2712-9217-2022-8-1-42-57

2. Клинические рекомендации. Мочекаменная болезнь: МКБ 10: N20: клинические рекомендации. Министерство здравоохранения Российской Федерации, Профессиональные ассоциации. Российское общество урологов, 2024. Текст: электронный // Рубрикатор клинических рекомендаций МЗ РФ [https://cr.minzdrav.gov.ru]. URL: https://cr.minzdrav.gov.ru/view-cr/7_2 (дата обращения: 02.06.2025).

3. Babajide R., Lembrikova K., Ziemba J., Ding J., Li Y., Fermin A.S., Fan Y., Tasian G.E. Automated Machine Learning Segmentation and Measurement of Urinary Stones on CT Scan. Urology. 2022;169:41-46. https://doi.org/10.1016/j.urology.2022.07.029

4. Bell J. R., Posielski N. M., Penniston K. L., Lubner M. G., Nakada S. Y., Pickhardt P. J. 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

5. Cumpanas A. D., Morgan K. L., Chantaduly C., Bhatt R., Gorgen A. R. H, Rojhani A, McCormac A., Tran C. M., Piedras P., Lavasani S. A., Peta A., Brevick A., Xie L., Karani R., Tano Z. E., Ali S. N., Jiang P., Patel R. M., Landman J., Chang P., Clayman R. V. MP09-11 The Application of Artificial Intelligence for Renal Stone Volume Determination: Ready for Prime Time? Journal of Urology. 2023;209(4):108. https://doi.org/10.1097/JU.0000000000003224.11

6. Cumpanas A. D., Chantaduly C., Morgan K.L., Shao W., Gorgen A. R. H., Tran C. M., Wu Y. X., McCormac A., Tano Z. E., Patel R. M., Chang P., Landman J., Clayman R. V. 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

7. Duan X., Wang J., Qu M., Leng S., Liu Y., Krambeck A., McCollough C. Kidney stone volume estimation from computerized tomography images using a model based method of correcting for the point spread function. J Urol. 2012 Sep;188(3):989-95. doi: 10.1016/j.juro.2012.04.098

8. Elton D. C., Turkbey E. B., Pickhardt P. J., Summers R. M. A Deep Learning System for Automated Kidney Stone Detection and Volumetric Segmentation on Noncontrast CT Scans. Med Phys. 2022;49(4):2545-2554. https://doi.org/10.1002/mp.15518

9. Geraghty R., Pietropaolo A., Tzelves L., Lombardo R., Jung H., Neisius A., Petrik A., Somani B. K., Davis N. F., Gambaro G., Boissier R., Skolarikos A., Tailly T. Which Measure of Stone Burden is the Best Predictor of Interventional Outcomes in Urolithiasis: A Systematic Review and Meta-analysis by the YAU Urolithiasis Working Group and EAU Urolithiasis Guidelines Panel. Eur Urol Open Sci. 2024 Nov 22;71:22-30. doi: 10.1016/j.euros.2024.10.024

10. Kim J., Kwak C. W., Uhmn S., Lee J., Yoo S., Cho M. C., Son H., Jeong H., Choo M. S. 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

11. Merigot de Treigny O., Bou Nasr E., Almont T., Tack I., Rischmann P., Soulié M., Huyghe E. The Cumulated Stone Diameter: A Limited Tool for Stone Burden Estimation. Urology. 2015;86(3):477-81. https://doi.org/10.1016/j.urology.2015.06.018

12. Morgan K. L., Bhatt R., Soltanzadeh Zarandi S., Vo K., Vu M. C., Piedras P., Peta A., Brevik A., Karani R., Xie L., Jiang P., Ali S., Patel R. M., Landman J., Clayman R. V. MP33-02 Automated stone volume determination: training an artificially intelligent algorithm to segment kidney stones on ct and calculate 3d volume. Journal of Urology. 2022;207(Supplement 5):e569.

13. Patel S. R., Stanton P., Zelinski N., Borman E. J., Pozniak M. A., Nakada S. Y., Pickhardt P. J. Automated Renal Stone Volume Measurement by Noncontrast Computerized Tomography is More Reproducible Than Manual Linear Size Measurement. The Journal of Urology. 2011; 186(6):2275–2279. https://doi.org/10.1016/j.juro.2011.07.091

14. Skolarikos A., Neisius A., Petřík A., Somani B., Thomas K., Gambaro G., et al. EAU Guidelines. Edn. presented at the EAU Annual Congress Madrid 2025. Text: electronic // European Association of Urology [https://uroweb.org]. URL: https://d56bochluxqnz.cloudfront.net/documents/full-guideline/EAU-Guidelines-on-Urolithiasis-2025.pdf (дата обращения: 25.05.2025). ISBN 978-94-92671-29-5.

15. Wang K., Ge J., Han W., Wang D., Zhao Y., Shen Y., Chen J., Chen D., Wu J., Shen N., Zhu S., Xue B., Xu X. Risk factors for kidney stone disease recurrence: a comprehensive meta-analysis. BMC Urol. 2022 Apr 19;22(1):62. https://doi.org/ 10.1186/s12894-022-01017-4

16. Wilhelm K., Miernik A., Hein S., Schlager D., Adams F., Benndorf M., Fritz B., Langer M., Hesse A., Schoenthaler M., Neubauer J. Validating Automated Kidney Stone Volumetry in CT and Mathematical Correlation with Estimated Stone Volume Based on Diameter. J Endourol. 2018;32(7):659-66. https://doi.org/10.1089/end.2018.0058

17. Zi H., Liu M. Y., Luo L. S., Huang Q., Luo P. C., Luan H. H., Huang J., Wang D. Q., Wang Y. B., Zhang Y. Y., Yu R. P., Li Y. T., Zheng H., Liu T. Z., Fan Y., Zeng X. T. Global burden of benign prostatic hyperplasia, urinary tract infections, urolithiasis, bladder cancer, kidney cancer, and prostate cancer from 1990 to 2021. Mil Med Res. 2024 Sep 18;11(1):64. https://doi.org/10.1186/s40779-024-00569-w