Nueva técnica de IA podría hacer que las cirugías mínimamente invasivas sean más seguras y precisas | Noticias del MIT

Los investigadores crearon una nueva técnica que compara de manera precisa y rápida los rayos X capturados durante la cirugía con el escaneo médico 3D preoperatorio de un paciente. Este método podría facilitar que los médicos prueben con precisión herramientas quirúrgicas mínimamente invasivas, lo que conduciría a procedimientos más rápidos y seguros.

Los médicos realizan muchas cirugías mínimamente invasivas utilizando rayos X en tiempo real para ayudarlos a dirigir dispositivos como catéteres y endoscopios a través de pequeñas incisiones. Pero dado que las radiografías son imágenes planas, puede resultar complicado determinar exactamente dónde están ubicados y orientados los instrumentos quirúrgicos dentro del cuerpo del paciente, lo que aumenta el riesgo de complicaciones.

Para ayudar a localizar los dispositivos quirúrgicos, los médicos pueden alinear manualmente los rayos X con imágenes médicas preoperatorias en 3D, como tomografías computarizadas o resonancias magnéticas. Las herramientas de inteligencia artificial diseñadas para agilizar este proceso luchan por alinear las imágenes de manera sólida para todos los pacientes, lo que las hace inviables en la práctica.

Este nuevo sistema, desarrollado por científicos y médicos del MIT e instituciones colaboradoras, utiliza un modelo de IA que se adapta a cada paciente en sólo unos cinco minutos. El modelo compara automáticamente las radiografías de un paciente con escaneos 3D en cuestión de segundos y con una precisión submilimétrica.

Denominado xvr (que significa registro de volumen de rayos X), superó a los métodos de IA existentes en un orden de magnitud en una amplia gama de pacientes, partes del cuerpo y procedimientos médicos.

“La mayoría de los estadounidenses vive a más de una hora de un centro que puede realizar procedimientos no invasivos, como intervenciones de emergencia para accidentes cerebrovasculares. Una hora de duración de un accidente cerebrovascular es increíblemente sustancial. Facilitar estos procedimientos mediante la combinación de información 2D y 3D permite que este tipo de procedimientos altamente especializados que salvan vidas sean más accesibles para sectores mucho más amplios de la población”, afirma Vivek Gopalakrishnan, postdoctorado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT; recién graduado del Programa Harvard-MIT en Ciencias y Tecnología de la Salud; y autor principal de un artículo sobre xvr, que aparece hoy en Nature.

En el artículo se une a él su asesora Polina Golland, profesora Sunlin y Priscilla Chou de Ingeniería Eléctrica e Informática (EECS), investigadora principal de CSAIL, líder del Medical Vision Group y coautora principal del artículo; y Neel Dey, ex postdoctorado en Medical Vision Group y ahora investigador en la Facultad de Medicina de Harvard y el Hospital General de Massachusetts, así como coautor principal del artículo. Otros coautores incluyen a David-Dimitris Chlorogiannis, investigador y médico de la Facultad de Medicina de Harvard; Andrew Abumoussa, neurocirujano del Instituto de Neurociencia Marion Bloch de St. Luke; Anna M. Larson, médica pediátrica del Hospital Infantil Shriners; Nazim Haouchine, profesor asistente de radiología en Harvard y el Hospital Brigham and Women’s; Darren B. Orbach, médico y científico del Boston Children’s Hospital; y Sarah Frisken, profesora asociada de radiología en Harvard.

Hacer que las radiografías sean más informativas

En muchos procedimientos quirúrgicos mínimamente invasivos, como la angioplastia para abrir arterias bloqueadas, los médicos insertan instrumentos a través de una pequeña incisión y utilizan un escáner de rayos X móvil de alta velocidad para generar imágenes que les permitan visualizar el procedimiento desde cualquier ángulo.

Pero para guiar las herramientas quirúrgicas sin dañar accidentalmente otros tejidos, los médicos deben alinear los rayos X en tiempo real con la resonancia magnética o la tomografía computarizada preoperatoria del paciente. Este proceso, llamado registro, les ayuda a determinar dónde está la herramienta en relación con las estructuras anatómicas.

“Se necesitan décadas de capacitación para que un médico adquiera la habilidad suficiente para ver imágenes granuladas en 2D y comprender cómo está orientado todo. Queremos que estas radiografías en 2D sean más informativas, para que sea más seguro y fácil realizar estos procedimientos que salvan vidas”, dice Gopalakrishnan.

Los métodos de registro manual son lentos y engorrosos, y requieren que el médico adivine la posición de un instrumento quirúrgico ingresando números en una computadora o haciendo clic en puntos de referencia anatómicos en una pantalla.

Para agilizar el proceso, los investigadores están desarrollando modelos de IA que pueden predecir el registro 2D/3D. Pero las personas tienen una anatomía tan diversa que un modelo que funciona bien para algunos pacientes puede no funcionar para otros.

La falta de datos de imágenes médicas anotadas de alta calidad dificulta el entrenamiento de un modelo de aprendizaje profundo lo suficientemente sólido como para adaptarse a muchos pacientes, afirma Gopalakrishnan.

En lugar de intentar crear un modelo de aprendizaje automático que pueda aplicarse a todos los pacientes, los investigadores crearon un modelo diseñado para adaptarse extremadamente bien al paciente específico.

“Adaptamos este modelo específico para este paciente específico, y no importa si funciona en otras personas porque habrá diferentes modelos para esas personas”, añade Gopalakrishnan.

Aprendizaje automático específico del paciente

Xvr toma la exploración 3D preoperatoria de un paciente, como una resonancia magnética o una tomografía computarizada, y la utiliza para generar miles de rayos X sintéticos desde muchos ángulos, produciendo alrededor de 1000 imágenes por segundo. Utiliza una simulación basada en la física del proceso de rayos X para garantizar que estas imágenes sintéticas sean realistas.

“En lugar de generar datos de la nada, como algunos tipos de IA generativa, esta simulación física se basa completamente en la tomografía computarizada o la resonancia magnética de este paciente. Debido a que xvr crea datos específicos del paciente de una manera puramente basada en la física, no hay lugar para alucinaciones”, dice Gopalakrishnan.

El marco xvr utiliza estos datos simulados para entrenar un modelo de IA que puede alinear con precisión las radiografías 2D de este paciente con su escaneo de imágenes 3D en cuestión de segundos.

Pero si bien un modelo de registro de este tipo es muy preciso, se necesitarían unas 12 horas para entrenarlo desde cero para cada paciente, lo que haría imposible su implementación en caso de emergencia. Para acelerar el proceso, los investigadores utilizaron xvr para entrenar previamente un sistema de IA más versátil, llamado modelo básico, que puede adaptarse rápidamente a cada nuevo paciente.

Recolectaron exploraciones médicas en 3D de todo el cuerpo de más de 2000 pacientes que cubrían una amplia gama de edades, modalidades de imágenes y regiones. Xvr utilizó estos diversos datos para generar rayos X sintéticos y entrenar un modelo de base para realizar registros 2D/3D.

Este modelo previamente entrenado puede adaptarse a un nuevo paciente en aproximadamente cinco minutos y realiza el registro con la misma precisión que si hubiera sido entrenado desde cero.

“Así que ahora se puede obtener una precisión específica para el paciente, pero también en un período de tiempo muy rápido”, afirma Gopalakrishnan.

El equipo probó el modelo en el mayor conjunto de datos disponible de registros 2D/3D reales, incorporando datos de cinco hospitales que cubrían docenas de huesos y sistemas de órganos en pacientes adultos y pediátricos.

Xvr superó significativamente a otros métodos basados ​​en IA en precisión y solidez, y al mismo tiempo funcionó lo suficientemente rápido para cirugías de emergencia. El modelo también podría utilizarse para mejorar el rendimiento de las tecnologías de cirugía robótica.

En el futuro, los investigadores esperan centrarse en hacer que xvr sea más rápido para la implementación en tiempo real, realizar más estudios para verificar su confiabilidad en situaciones adicionales y ampliar el sistema para manejar escenarios más complejos, como partes del cuerpo en movimiento.

“Durante los últimos dos años, hemos estado desarrollando cuidadosamente este algoritmo y validándolo. Ahora, estamos colaborando estrechamente con empresas de robótica quirúrgica y grupos clínicos para convertir esta investigación en herramientas útiles para la navegación o la implementación”, afirma Gopalakrishnan.

Este trabajo fue financiado, en parte, por los Institutos Nacionales de Salud (NIH), el Programa MIT CSAIL-Wistron, el Laboratorio de Investigación en Computación MIT-IBM, la Clínica Jameel del MIT, la Colaboración de Ciencias de la Vida y la Salud del MIT y el Fondo de Investigación Transformativa de la Familia Chou.