AI辅助实时肾结石检测系统（AiFURS）在输尿管软镜手术中的临床验证：提升手术精准度与预后的创新突破

《npj Digital Medicine》：Clinical validation of an AI-assisted system for real-time kidney stone detection during flexible ureteroscopic surgery

本研究针对输尿管软镜手术中结石检测主观性强、残留碎片评估不准确等临床难题，开发了基于YOLOv11-N和BoT-SORT算法的人工智能辅助系统（AiFURS）。该系统实现了术中实时检测、分类（草酸钙/磷酸钙/尿酸结石）和测量结石（数量/尺寸）的功能，内外验证显示其结石类型诊断准确率达92.2-95.3%，结石计数相关性r>0.9，>2mm结石尺寸测量r=0.81。多因素分析首次揭示术中>2mm残留碎片比例是再手术的独立预测因子（OR=1.154）。该系统为泌尿外科精准手术提供了实时决策支持，显著降低术后并发症风险。

　　

当一颗微小的肾结石在人体内"安家落户"，可能引发剧烈疼痛、尿路感染，甚至导致肾功能损伤。全球有数百万人受肾结石疾病困扰，而随着高血压、肥胖和糖尿病等风险因素的增加，这一数字仍在持续上升。面对这一健康挑战，输尿管软镜手术（FURS）因其微创、恢复快、并发症少等优势，已成为治疗肾结石的关键手段。然而，这种手术的成功高度依赖外科医生术中准确识别、分类和清除结石碎片的能力——这个过程受到解剖结构变异、结石特性以及主观判断差异的多重制约。

传统FURS手术中，医生主要依靠视觉评估来判断结石情况，但这种方法存在明显主观性。尤其在进行激光碎石后，能否将结石碎片粉碎至≤2毫米的大小，直接关系到"无石率"（SFR）和术后并发症风险。现实中，由于术中难以精确评估残留碎片的大小和分布，部分患者可能因结石清除不彻底而需要再次手术。这就引出一个核心问题：能否开发一种客观、实时的方法，在手术过程中精准监测结石状态，帮助医生优化操作决策？

近日发表在《npj Digital Medicine》的一项研究给出了肯定答案。由Chenfeng Wang、Haomin Liang等学者组成的团队，成功开发并验证了一种人工智能辅助的输尿管软镜系统（AiFURS）。该系统基于深度学习算法，能够在FURS手术中实时检测、分类和测量肾结石，为外科医生提供即时的决策支持。

研究人员为开发这一系统，整合了多种前沿技术方法。他们从30例手术视频中提取6,170帧图像，由泌尿专家标注11,870颗结石，构建训练数据集。系统核心采用YOLOv11-N目标检测算法和BoT-SORT多目标跟踪算法，实现了结石的实时识别与追踪。为校准尺寸测量，系统利用激光纤维（直径200微米）作为参考标尺，建立像素与毫米的转换关系。临床验证阶段，研究团队分别进行了体外实验（300个结石样本）、体内临床验证（100例）和外部验证（80例），全面评估系统性能。

模型验证

AiFURS与当前最先进的轻量级实时检测模型进行了全面对比，包括YOLO系列（YOLOv8-v12）、基于Transformer的检测器（RT-DETR和D-FINE）等。结果显示，AiFURS在50%交并比下的平均精度（mAP@50）达到0.933，超越了所有对比模型，同时保持了最低的计算延迟（1.5毫秒/图像）和浮点运算量（6.5 GFLOPs）。

梯度加权类激活映射（Grad-CAM）热图提供了模型决策过程的透明化解释，显示AiFURS能够准确识别草酸钙、磷酸钙和尿酸结石，预测框与真实标注高度一致。

体外临床验证

在模拟手术环境的体外实验中，AiFURS表现出色。对191组不同数量结石的计数预测与实际数量呈现强相关性（r>0.9）。尺寸测量方面，对最大直径>2毫米的结石（n=100），与金标准卡尺测量结果相关性良好（r=0.81）；而对更小尺寸结石的测量相关性相对较弱。

Bland-Altman分析显示各项测量偏差均在可接受范围内，证实了系统测量的准确性。

体内临床和外部验证

在100例患者水平的体内验证中，AiFURS对草酸钙、磷酸钙和尿酸结石的诊断准确率分别达到95.3%、92.2%和93.2%，敏感性和特异性均保持高水平。系统实时推理速度约为20帧/秒，与原始视频帧率（22.7帧/秒）良好匹配。在80例外部验证病例中，系统同样表现出高准确率（86.8-92.2%），证明了其良好的泛化能力。

再手术风险的围手术期预测因子

研究团队利用AiFURS在手术最后几分钟检测每个肾盏中的残留结石，并按尺寸（<1毫米、1-2毫米、>2毫米）分类。对100例患者（71例无石组、29例再手术组）的分析发现，>2毫米残留碎片比例是多变量分析中再手术风险的独立预测因子（OR=1.154），而绝对碎片数量无显著预测价值。结石位置（远端结石OR=8.791）也是重要风险因素。

AiFURS与泌尿科医生在结石成分评估中的比较

20名泌尿科医生通过观看手术视频进行视觉评估，结果显示AiFURS在结石成分判断上的准确率显著高于人工评估（中位准确率：95.3% vs 20.5%），突显了AI系统在减少主观偏差方面的优势。

研究的讨论部分指出，AiFURS的创新之处在于首次实现了术中实时结石检测和分类，减少了对术后影像学检查的依赖，使术中预后评估成为可能。系统提供的即时结石成分信息有助于医生优化激光功率和频率设置，提高碎石效率，减少"爆米花效应"（视野模糊的不受控碎裂）和继发性损伤风险。

值得注意的是，研究首次证实手术最后5分钟内通过AiFURS检测到的残留碎片数量和最大直径是是否需要二次手术的预后指标。基于比例的评估方法（而非绝对计数）能更可靠地预测预后，这可能是因为该方法减轻了跟踪算法中重复检测误差的影响。

研究也承认了一些局限性，包括仅纳入单成分结石、单中心回顾性设计、6个月随访期可能低估远期再手术率等。为解决这些问题，团队已启动多中心前瞻性随机对照试验AI-STONE-RCT，计划在5个机构纳入500名患者，进一步验证AiFURS的通用性和鲁棒性。

综上所述，AiFURS代表了泌尿外科精准医学的重要进展。通过实时提供结石类型、尺寸和数量信息，该系统赋能外科医生做出更明智的决策，优化激光设置，减少因结石破碎不完全引发的并发症。尤为重要的是，它首次将术中残留碎片特征与术后预后直接关联，为个体化手术终点判断提供了客观依据，有望显著改善肾结石患者的治疗结果。