Betegenként alkalmazkodó AI teheti pontosabbá a műtéti röntgenezést

A lapos röntgenkép nehezíti a műtéti tájékozódást

A minimálisan invazív beavatkozások során az orvosok gyakran valós idejű röntgenképekkel vezetik át a katétereket, endoszkópokat és más eszközöket apró metszéseken keresztül. A röntgenfelvétel azonban síkbeli kép, ezért nehéz pontosan megállapítani, hol helyezkedik el és milyen irányba mutat egy eszköz a beteg testében.

A klinikusok ezt úgy próbálják kezelni, hogy a műtét előtt készült CT- vagy MRI-felvételeket összeillesztik a beavatkozás közben készített röntgenképekkel. Ezt a folyamatot regisztrációnak nevezik. A kézi illesztés lassú és megterhelő lehet, mivel az orvosnak számokat kell megadnia, vagy anatómiai pontokra kell kattintania a számítógépen.

A meglévő AI-módszerek a kutatók szerint nem minden páciensnél működnek megbízhatóan. Az eltérő anatómiai sajátosságok és a jó minőségű, annotált orvosi képadatok hiánya megnehezíti egy minden betegre robusztusan alkalmazható modell betanítását.

Az xvr minden beteghez külön igazodik

Az MIT Számítástechnikai és Mesterségesintelligencia-laboratóriumának, valamint együttműködő intézményeinek kutatói eltérő megközelítést választottak. Az xvr, vagyis X-ray volume registration, egy adott betegre szabja a modellt, ahelyett hogy egyetlen, minden páciensre azonos módon alkalmazható rendszert próbálna létrehozni.

A rendszer a beteg műtét előtti 3D-felvételéből, például CT-ből vagy MRI-ből, több ezer szintetikus röntgenképet készít különböző nézőpontokból. Ehhez a röntgenkép készítését fizikailag modellező szimulációt használ, amely másodpercenként körülbelül 1000 képet állít elő. A kutatók szerint a szimuláció kizárólag az adott beteg felvételén alapul, ezért ebben a lépésben nincs helye hallucinációknak.

Az így létrehozott adatokkal a rendszer betanítható arra, hogy a páciens kétdimenziós röntgenfelvételeit összeillessze a 3D-képpel. A kizárólag egy betegre, nulláról betanított modell körülbelül 12 órát igényelne, ezért a kutatók egy előzetesen betanított alapmodellt készítettek több mint 2000 páciens teljes testet lefedő 3D-szkennelésével. Ez az alapmodell körülbelül öt perc alatt tud alkalmazkodni egy új beteghez.

Széles körű tesztelésen javított a korábbi módszereken

A kutatócsoport az xvr-t a valódi 2D és 3D regisztrációk legnagyobb elérhető adatbázisán tesztelte. Az adatok öt kórházból származtak, és felnőtt, valamint gyermek pácienseknél több tucat csontot és szervrendszert fedtek le.

A MIT News beszámolója szerint az xvr pontosságban és robusztusságban jelentősen felülmúlta a többi AI-alapú módszert, miközben elég gyorsan működött sürgősségi műtétekhez. A kutatók szerint a módszer a robotsebészeti technológiák teljesítményének javítására is használható lehet.

Vivek Gopalakrishnan, a tanulmány vezető szerzője úgy fogalmazott: „A kétdimenziós röntgenfelvételeket informatívabbá szeretnénk tenni, hogy ezek az életmentő beavatkozások biztonságosabbá és könnyebbé váljanak.” A tanulmány szeptember 16-án jelent meg a Nature folyóiratban.

A fejlesztés a speciális beavatkozások elérhetőségét is bővítheti

Gopalakrishnan szerint az Egyesült Államok lakosságának többsége több mint egy órára él olyan központtól, ahol nem invazív beavatkozásokat, például sürgősségi stroke-kezelést végeznek. A kutató szerint a 2D-s és 3D-s információk egyesítése könnyebbé teheti az ilyen eljárásokat, így szélesebb népesség számára válhatnak elérhetővé.

A rendszer fejlesztése azonban még folytatódik. A kutatók gyorsabb működést szeretnének elérni a valós idejű alkalmazáshoz, további vizsgálatokkal ellenőriznék a megbízhatóságát, és olyan összetettebb helyzetek kezelésére is kiterjesztenék, amelyekben a test egyes részei mozognak.