Использование искусственного интеллекта, виртуальной, дополненной и смешанной реальности и 3D-технологий в лечении мочекаменной болезни
Введение. Мочекаменная болезнь (МКБ) – распространенное урологическое заболевание. Современные минимально инвазивные методы лечения требуют высокой точности. Технологии искусственного интеллекта (ИИ), виртуальной (VR), дополненной (AR), смешанной реальности (MR) и 3D-моделирования активно внедряются в клиническую практику и образование для повышения эффективности вмешательств.Акопян Г.Н., Гасанова Л.К., Матковский И.А., Додов М.З., Гаджиев Н.К., Горгоцкий И.А., Руденко В.И., Глыбочко П.В.
Цель. Систематический анализ современных данных о применении ИИ, VR, AR, MR и 3D-технологий в диагностике, лечении и обучении при МКБ.
Материалы и методы. Проведен аналитический обзор литературы. Поиск источников осуществлялся преимущественно в базах данных PubMed и Journal of Urology. Основной акцент сделан на публикации за последние 5 лет, однако для освещения исторических и фундаментальных аспектов привлекались и более ранние работы.
Результаты. Технологии демонстрируют высокий потенциал в ключевых областях: 1) ИИ – прогнозирование исходов лечения (сепсис, эффективность ПНЛ, отхождение камня) с AUC до 0,95, автоматический анализ и сегментация конкрементов на КТ и эндоскопическом видео (DSC до 0,97), определение состава камней. 2) 3D-технологии – предоперационное моделирование и печать улучшают планирование ПНЛ, сокращая время операции и повышая точность доступа. Uro Dyna-CT обеспечивает точное интраоперационное измерение остаточных фрагментов. 3) AR/MR/VR – системы навигации сокращают время и попытки пункции при ПНЛ. VR-симуляторы (например, Uro Mentor) значительно повышают эндоурологические навыки у обучающихся, сокращая время процедур и снижая количество ошибок.
Выводы. Интеграция ИИ, VR, AR, MR и 3D-моделирования в урологию при МКБ ведет к персонализации лечения, повышению точности вмешательств, снижению риска осложнений и созданию эффективных обучающих систем. Для широкого внедрения необходимы дальнейшие исследования, особенно в сложных клинических сценариях, и валидация в реальной практике.
Ключевые слова
искусственный интеллект
виртуальная реальность
дополненная реальность
3D-печать
мочекаменная болезнь
перкутанная нефролитотрипсия
уретероскопия
медицинское образование
Список литературы
1. Scales CD, Smith AC, Hanley JM, Saigal CS. Prevalence of Kidney Stones in the United States. Eur Urol. 2012;62(1):160–5. DOI: 10.1016/j.eururo.2012.03.052
2. Ramello A, Vitale C, Marangella M. Epidemiology of nephrolithiasis. J Nephrol. 2000;13 Suppl 3:S45-50. PMID: 11132032
3. Detmer FJ, Hettig J, Schindele D, Schostak M, Hansen C. Virtual and Augmented Reality Systems for Renal Interventions: A Systematic Review. IEEE Rev Biomed Eng. 2017;10:78–94. DOI: 10.1109/RBME.2017.2749527
4. Hameed BMZ, Somani S, Keller EX, Balamanigandan R, Mahapatra S, Pietropaolo A et al. Application of Virtual Reality, Augmented Reality, and Mixed Reality in Endourology and Urolithiasis: An Update by YAU Endourology and Urolithiasis Working Group. Front Surg. 2022 Apr 1;9:866946. DOI: 10.3389/fsurg.2022.866946
5. Mintz Y, Brodie R. Introduction to artificial intelligence in medicine. Minim Invasive Ther Allied Technol. 2019 Apr;28(2):73–81. DOI: 10.1080/13645706.2019.1575882
6. Virtual and Augmented Reality in Medical Education | IntechOpen [Internet]. [cited 2025 Mar 15]. Available from: https://www.intechopen.com/chapters/58199 DOI: 10.5772/intechopen.71963
7. Kamphuis C, Barsom E, Schijven M, Christoph N. Augmented reality in medical education? Perspect Med Educ. 2014 Sep;3(4):300–11. DOI: 10.1007/s40037-013-0107-7
8. Sakakushev BE, Marinov BI, Stefanova PP, Kostianev SS, Georgiou EK. Striving for Better Medical Education: the Simulation Approach. Folia Med (Plovdiv). 2017 Jun 1;59(2):123–31. DOI: 10.1515/folmed-2017-0039
9. Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36–40. DOI: 10.1016/j.metabol.2017.01.011
10. Shen R, Ming S, Qian W, Zhang S, Peng Y, Gao X. A novel post-percutaneous nephrolithotomy sepsis prediction model using machine learning. BMC Urol. 2024 Feb 2;24:27. DOI: 10.1186/s12894-024-01414-x
11. Shabaniyan T, Parsaei H, Aminsharifi A, Movahedi MM, Jahromi AT, Pouyesh S et al. An artificial intelligence-based clinical decision support system for large kidney stone treatment. Australas Phys Eng Sci Med. 2019 Sep;42(3):771–9. DOI: 10.1007/s13246-019-00780-3
12. AlAzab R, Ghammaz O, Ardah N, Al-Bzour A, Zeidat L, Mawali Z et al. Predicting the Stone-Free Status of Percutaneous Nephrolithotomy with the Machine Learning System. Int J Nephrol Renovasc Dis. 2023;16:197–206. DOI: 10.2147/IJNRD.S427404
13. Xun Y, Chen M, Liang P, Tripathi P, Deng H, Zhou Z et al. A Novel Clinical-Radiomics Model Pre-operatively Predicted the Stone-Free Rate of Flexible Ureteroscopy Strategy in Kidney Stone Patients. Front Med (Lausanne). 2020;7:576925. DOI: 10.3389/fmed.2020.576925
14. Zhang T, Zhu L, Wang X, Zhang X, Wang Z, Xu S et al. Machine learning models to predict systemic inflammatory response syndrome after percutaneous nephrolithotomy. BMC Urol. 2024 Jul 8;24:140. DOI: 10.1186/s12894-024-01529-1
15. Abraham A, Kavoussi NL, Sui W, Bejan C, Capra JA, Hsi R. Machine Learning Prediction of Kidney Stone Composition Using Electronic Health Record-Derived Features. J Endourol. 2022 Feb 1;36(2):243–50. DOI: 10.1089/end.2021.0211
16. Mohammadinejad P, Ferrero A, Bartlett DJ, Khandelwal A, Marcus R, Lieske JC et al. Automated radiomic analysis of CT images to predict likelihood of spontaneous passage of symptomatic renal stones. Emerg Radiol. 2021 Aug;28(4):781–8. DOI: 10.1007/s10140-021-01915-4
17. Kobayashi M, Ishioka J, Matsuoka Y, Fukuda Y, Kohno Y, Kawano K et al. Computer-aided diagnosis with a convolutional neural network algorithm for automated detection of urinary tract stones on plain X-ray. BMC Urol. 2021 Aug 5;21:102. DOI: 10.1186/s12894-021-00874-9
18. De Perrot T, Hofmeister J, Burgermeister S, Martin SP, Feutry G, Klein J et al. Differentiating kidney stones from phleboliths in unenhanced low-dose computed tomography using radiomics and machine learning. Eur Radiol. 2019 Sep;29(9):4776–82. DOI: 10.1007/s00330-019-6004-7
19. Gupta S, Ali S, Goldsmith L, Turney B, Rittscher J. Multi-class motion-based semantic segmentation for ureteroscopy and laser lithotripsy. Comput Med Imaging Graph. 2022 Oct;101:102112. DOI: 10.1016/j.compmedimag.2022.102112
20. Lu D, Deol ES, Koyama T, Oguz I, Kavoussi NL. A computer vision model for automated kidney stone segmentation and evaluation of its performance vs surgeons. BJU Int. 2025 Sep 25; DOI: 10.1111/bju.70001
21. Mukherjee P, Lee S, Elton DC, Nakada SY, Pickhardt PJ, Summers RM. Fully Automated Longitudinal Assessment of Renal Stone Burden on Serial CT Imaging Using Deep Learning. J Endourol. 2023 Aug 1;37(8):948–55. DOI: 10.1089/end.2023.0066
22. Black KM, Law H, Aldoukhi A, Deng J, Ghani KR. Deep learning computer vision algorithm for detecting kidney stone composition. BJU Int. 2020 Jun;125(6):920–4. DOI: 10.1111/bju.15035
23. Onal EG, Tekgul H. Assessing kidney stone composition using smartphone microscopy and deep neural networks. BJUI Compass. 2022 Jul;3(4):310–5. DOI: 10.1002/bco2.137
24. El Beze J, Mazeaud C, Daul C, Ochoa‐Ruiz G, Daudon M, Eschwège P et al. Evaluation and understanding of automated urinary stone recognition methods. BJU Int. 2022 Dec;130(6):786–98. DOI: 10.1111/bju.15767
25. Zhu G, Li C, Guo Y, Sun L, Jin T, Wang Z et al. Predicting stone composition via machine-learning models trained on intra-operative endoscopic digital images. BMC Urol. 2024 Jan 3;24:5. DOI: 10.1186/s12894-023-01396-2
26. Corrales M, Doizi S, Barghouthy Y, Traxer O, Daudon M. Classification of Stones According to Michel Daudon: A Narrative Review. Eur Urol Focus. 2021 Jan;7(1):13–21. DOI: 10.1016/j.euf.2020.11.004
27. Meister B, Rassweiler MC, Weiß C, Häcker A, Ritter M. Accuracy in detecting and measuring residual fragments with the Uro Dyna-CT. World J Urol. 2015 Jul;33(7):1039–43. DOI: 10.1007/s00345-014-1385-3
28. Ritter M, Rassweiler MC, Michel MS. The Uro Dyna-CT Enables Three-dimensional Planned Laser-guided Complex Punctures. Eur Urol. 2015 Nov;68(5):880–4. DOI: 10.1016/j.eururo.2015.07.005
29. Huang YS, Zhu XS, Wan GY, Zhu ZW, Huang HP. Application of simulated puncture in percutaneous nephrolithotomy. Eur Rev Med Pharmacol Sci. 2021 Jan;25(1):190–7. DOI: 10.26355/eurrev_202101_24384
30. Brehmer M, Beckman MO, Magnusson A. Three-dimensional computed tomography planning improves percutaneous stone surgery. Scand J Urol. 2014 Jun;48(3):316–23. DOI: 10.3109/21681805.2013.876552
31. Cui D, Yan F, Yi J, He D, Zhang Y, Zhang Z et al. Efficacy and safety of 3D printing-assisted percutaneous nephrolithotomy in complex renal calculi. Sci Rep. 2022 Jan 10;12:417. DOI: 10.1038/s41598-021-03851-2
32. Liu Y, Song H, Xiao B, Hu W, Zhang G, Fu M et al. PCNL Combined with 3D Printing Technology for the Treatment of Complex Staghorn Kidney Stones. J Healthc Eng. 2022 Mar 15;2022:7554673. DOI: 10.1155/2022/7554673
33. Hosseini SR, Tehranipour E, Khadem A, Alwedaie SMJ. Three-Dimensional Virtual Reconstruction Method versus Standard Fluoroscopy as a Guiding Tool for an Optimal Puncture Rout in Patients Undergoing Percutaneous Nephrolithotomy: A Randomized Trial Study. Urol J. 2024 Feb 28;21(1):29–34. DOI: 10.22037/uj.v20i.7459
34. Xu Z, Li Z, Guo M, Bian H, Niu T, Wang J. Application of Three-dimensional Visualization Fused with Ultrasound for Percutaneous Renal Puncture. Sci Rep. 2021 Apr 19;11:8521. DOI: 10.1038/s41598-021-87972-8
35. Özbir S, Atalay HA, Canat HL, Çulha MG. Do 3D-calculated volume distribution of a stone in pelvicalyceal system affect complications of percutaneous nephrolithotomy? Urolithiasis. 2019 Dec;47(6):557–65. DOI: 10.1007/s00240-018-1077-3
36. Yamashita S, Iwahashi Y, Deguchi R, Kikkawa K, Kohjimoto Y, Hara I. Three-dimensional mean stone density on non-contrast computed tomography can predict ureteroscopic lithotripsy outcome in ureteral stone cases. Urolithiasis. 2020 Dec;48(6):547–52. DOI: 10.1007/s00240-020-01178-7
37. Rassweiler JJ, Müller M, Fangerau M, Klein J, Goezen AS, Pereira P et al. iPad-assisted percutaneous access to the kidney using marker-based navigation: initial clinical experience. Eur Urol. 2012 Mar;61(3):628–31. DOI: 10.1016/j.eururo.2011.12.024
38. Rassweiler-Seyfried MC, Rassweiler JJ, Weiss C, Müller M, Meinzer HP, Maier-Hein L et al. iPad-assisted percutaneous nephrolithotomy (PCNL): a matched pair analysis compared to standard PCNL. World J Urol. 2020 Feb;38(2):447–53. DOI: 10.1007/s00345-019-02801-y
39. Wang L, Zhao Z, Wang G, Zhou J, Zhu H, Guo H et al. Application of a three-dimensional visualization model in intraoperative guidance of percutaneous nephrolithotomy. Int J Urol. 2022 Aug;29(8):838–44. DOI: 10.1111/iju.14907
40. Matsumoto ED, Pace KT, D’A Honey RJ. Virtual reality ureteroscopy simulator as a valid tool for assessing endourological skills. Int J Urol. 2006 Jul;13(7):896–901. DOI: 10.1111/j.1442-2042.2006.01436.x
41. Fu Z, Jin Z, Zhang C, Dai Y, Gao X, Wang Z et al. Visual-electromagnetic system: A novel fusion-based monocular localization, reconstruction, and measurement for flexible ureteroscopy. Int J Med Robot. 2021 Aug;17(4):e2274. DOI: 10.1002/rcs.2274
42. Fu Z, Jin Z, Zhang C, Wang P, Zhang H, Ye X. A novel intrarenal multimodal 2D/3D registration algorithm and preliminary phantom study. J Appl Clin Med Phys. 2023 Jul 10;24(8):e14084. DOI: 10.1002/acm2.14084
43. Cai J liang, Zhang Y, Sun G feng, Li N chen, Yuan X li, Na Y qun. Proficiency of virtual reality simulator training in flexible retrograde ureteroscopy renal stone management. Chin Med J (Engl). 2013 Oct;126(20):3940–3. PMID: 24157162
44. Talyshinskii A, Zeeshan Hameed BM, Ravinder PP, Naik N, Adhikari K, Zhanbyrbekuly U et al. Endoflex – the first portable virtual simulator for flexible ureterorenoscopy (fURS): pilot study. Cent European J Urol. 2024;77(3):486–93. DOI: 10.5173/ceju.2024.34.R1
45. John J, Bosch J, Adam A, Fieggen G, Lazarus J, Kaestner L. Design and Validation of a Novel 3D-Printed Retrograde Intrarenal Surgery Trainer. Urology. 2024 Sep 1;191:171–6. DOI: 10.1016/j.urology.2024.06.061
46. Kho Y, Yoon HS, Park DH, Do MT, Jung G, Cho SY. Effectiveness of a newly-developed training module using 3D printing for the navigation during retrograde intrarenal surgery. Investig Clin Urol. 2022 Sep;63(5):554–62. DOI: 10.4111/icu.20220205
Об авторах / Для корреспонденции
А в т о р д л я с в я з и: Г.Н. Акопян – врач-уролог, онколог, д.м.н., профессор Института урологии и репродуктивного здоровья человека ФГАОУ ВО «Первый МГМУ им. И.М. Сеченова» Минздрава России (Сеченовский Университет), Москва, Россия, Москва, Россия; e-mail: docgagik@mail.ruТакже по теме
