Predicting urinary stone composition in single-use flexible ureteroscopic images with a convolutional neural network.

Abstract

서론: 요로결석의 성분 분석은 요로결석의 치료에서 가장 중요한 부분 중 하나이다. 이 연구는 합성곱 신경망(Convolutional neural network)가 상대적으로 저해상도인 일회용 신장요관내시경 영상에서도 요로결석의 성분을 예측하는 데 있어서 좋은 결과를 보일 수 있을 지에 대하여 연구하였다. 재료 및 방법: 본 연구에서는 2018년 1월부터 2021년 12월 까지 단일 수술자에 의하여 시행된 연성신장요관내시경하 결석제거술 영상을 후향적으로 수집하였다. 사용된 신장요관내시경은 일회용 신장요관내시경 (LithoVue, BostonScientific) 이었다. 수술 중 촬영된 사진들 중, 하나의 결석마다 포함 및 제외 기준을 만족하는 하나의 사진이 선택되었다. 연구대상은 그들의 결석 성분이 칼슘옥살산을 포함하느냐 (Calcium group), 그렇지 않느냐 (Non-calcium group)에 따라 두 그룹으로 나누었다. 전체 연구 대상 506개 중, 207개의 결석 표면 사진이 최종적으로 연구에 포함되었다. 신경망 모델에서, 사전학습된 모델 (pretrained model)은 Resnet-18을 사용하여 전이학습 (transfer learning)방법이 사용되었고, 결석의 디지털 사진과 결석 성분 분석 분류값만을 삽입하여 최소감독하 학습(minimal invasive learning)이 되도록 하였다. 결과: 총 207개의 사진들은 Calcium group으로 175개, Non-calcium group으로 32개로 나뉘었다. 학습(training) 및 검증(validation)이 끝난 후, 모델은 test set으로 시험되었고, 전체 정확도는 81.8% 였다. Calcium group에서 재현율과 정밀도는 각각 88.2% 와 88.2% 였고, Non-calcium group에서는 60.0% 와 60.0% 였다. 모델의 분류 성능을 나타내는 Area under the receiver operating characterisctic curve (AUROC)는 0.82 였다. 결론: 일회용 신장요관내시경은 경제적인 장점이 있으나 재사용 신장요관내시경에 비하여 해상도가 떨어지는 단점이 있다. 우리가 알기로는, 현재까지 본 연구는 일회용 신장요관내시경 영상으로 시행된 첫 인공지능 연구이다. 합성곱 신경망이 이런 어려운 환경에서도 좋은 결과를 낼 수 있다는 것은 합성곱 신경망의 적용 범위를 넓힐 수 있다는 가능성을 제시한다는 점에서 중요한 의미를 가진다. Background and Objectives: Analysis of urine stone composition is one of the most important factors in urolithiasis treatment. This study investigated whether a convolutional neural network (CNN) can show decent results in predicting urinary stone composition even in single-use flexible ureterorenoscopic (fURS) images with relatively low resolution. Materials and Methods: This study retrospectively used surgical images from fURS lithotripsy performed by a single surgeon between January 2018 and December 2021. The ureterorenoscope was a single-use flexible ureteroscope (LithoVue, Boston Scientific). Among the images taken during surgery, a single image satisfying the inclusion and exclusion criteria was selected for each stone. Cases were divided into two groups according to whether they contained any calcium oxalate (Calcium group) or none (Non-calcium group). From 506 total cases, 207 stone surface images were finally included in the study. In the CNN model, the transfer learning method using Resnet-18 as a pre-trained model was used, and only endoscopic digital images and stone classification data were input to achieve minimally supervised learning. Results: There were 175 cases in the Calcium group and 32 in the Non-calcium group. After training and validation, the model was tested using the test set, and the total accuracy was 81.8%. Recall and precision of the test results were 88.2% and 88.2% in the Calcium group and 60.0% and 60.0% in the Non-calcium group, respectively. The area under the receiver operating characteristic curve of the model, which represents its classification performance, was 0.82. Conclusions: Single-use flexible ureteroscopes have financial benefits but low vision quality compared with reusable flexible ureteroscopes. As far as we know, this study is the first artificial intelligence study using single-use fURS images. It is meaningful that the CNN performed well even under these difficult conditions because these results can further expand the possibilities of CNN use.