ИИ научили определять состав почечных камней по инфракрасному спектру

Российские исследователи разработали систему машинного обучения, которая определяет химический состав почечных камней по спектрам отражения в ближней инфракрасной области. Для повышения точности распознавания редких типов камней учёные использовали генеративно-состязательную сеть, позволяющую создавать искусственные спектральные данные и дополнять ими обучающую выборку. По замыслу разработчиков, технология поможет врачам выбирать подходящий способ удаления камней и настраивать оборудование для их дробления. Об исследовании сообщила пресс-служба Российского научного фонда (РНФ).

«Наша разработка позволит хирургу мгновенно определять состав почечных камней прямо в теле пациента и настраивать оборудование для их дробления с учётом полученных данных. Это сделает процедуру быстрее, безопаснее и эффективнее. Кроме того, врачи смогут сразу в день операции назначить больным правильную диету и лечение, снижая риск рецидивов», — заявила научный сотрудник Института химии Санкт-Петербургского государственного университета (СПбГУ) Екатерина Бойченко, чьи слова приводит пресс-служба РНФ.

Мочекаменная болезнь характеризуется образованием твёрдых отложений в мочевыводящих путях. Их химический состав влияет на выбор лечебной тактики и профилактических мер. В частности, разные типы камней могут по-разному реагировать на лазерное воздействие при эндоскопических операциях по их дроблению. Однако определить состав камня непосредственно во время вмешательства непросто: традиционный лабораторный анализ обычно проводят после извлечения материала.

Перспективным решением стала спектроскопия в ближней инфракрасной области. При этом методе образец облучают инфракрасным излучением и регистрируют спектр отражённого света. Его характеристики зависят от химического состава материала, а алгоритмы машинного обучения позволяют использовать эти особенности для классификации камней.

Одна из основных трудностей при создании таких алгоритмов — недостаток данных о редких разновидностях камней, прежде всего фосфатных. Если в обучающей выборке представлены преимущественно распространённые типы, модель может хуже распознавать менее типичные образцы. Чтобы решить эту проблему, исследователи из СПбГУ, Университета ИТМО и Военно-медицинской академии имени С. М. Кирова применили генеративно-состязательную сеть (GAN).

Такая архитектура включает две нейросети, работающие в связке. Первая генерирует искусственные спектры, похожие на полученные при измерении реальных образцов, а вторая оценивает, насколько убедительно синтетические данные воспроизводят особенности исходных. Сгенерированные спектры редких камней позволили дополнить обучающую выборку и повысить качество классификации. На этой основе исследователи обучили специализированные алгоритмы распознавания химического состава по инфракрасным спектрам.

По данным авторов, испытания показали, что для распространённых типов камней показатели распознавания достигали 92–97%. Добавление искусственно сгенерированных спектров фосфатных камней повысило точность их классификации на 5–10% по сравнению с подходами, обученными только на реальных данных. Эти результаты указывают на перспективность генеративных моделей для задач, в которых сбор достаточного количества образцов затруднён.

Ранее исследовательская группа уже проверяла возможность определения состава мочевых камней с помощью ближней инфракрасной спектроскопии непосредственно во время операции. Результаты этой работы были опубликованы в 2025 году в журнале Analytica Chimica Acta. Новый этап исследований направлен на повышение качества классификации за счёт искусственного расширения обучающих данных.

Если дальнейшие испытания подтвердят надёжность метода в клинических условиях, врачи смогут получать информацию о составе камня ещё во время операции и оперативнее выбирать параметры дробления. В перспективе это также может помочь быстрее определять меры профилактики повторного образования камней. Однако для внедрения технологии в медицинскую практику необходимо подтвердить её эффективность на более широком наборе клинических данных.

Станет ли анализ инфракрасного спектра стандартным инструментом уролога во время операции — или разнообразие состава почечных камней потребует более сложных методов диагностики, чем может обеспечить даже обученная на синтетических данных нейросеть?