Новая технология искусственного интеллекта может сделать малоинвазивные хирургические операции более безопасными и точными.

Этот индивидуальный метод, называемый XVR, помогает врачам использовать рентгеновские снимки для хирургической навигации в таких областях, как ортопедия и нейрохирургия. Телефон: 617-253-2709 MIT News Office Подпись : Новая система использует модель искусственного интеллекта, которая автоматически сопоставляет рентгеновские снимки одного пациента с 3D-сканами за считанные секунды с точностью до долей миллиметра. Авторские права : Предоставлено исследователями; MIT News ↓ Скачать подпись к изображению : XVR берет предоперационное 3D-сканирование пациента, например, МРТ или КТ, и использует его для генерации тысяч синтетических рентгеновских снимков с разных ракурсов, создавая около 1000 изображений в секунду. На изображении представлена модель оценки положения пациента. Авторские права : Предоставлено исследователями. Новая система использует модель искусственного интеллекта, которая автоматически сопоставляет рентгеновские снимки пациента с 3D-сканами за считанные секунды с точностью до долей миллиметра. Изображение предоставлено исследователями; MIT News XVR берет предоперационное 3D-сканирование пациента, например, МРТ или КТ, и использует его для генерации тысяч синтетических рентгеновских снимков под разными углами, создавая около 1000 изображений в секунду. На изображении представлена модель оценки положения пациента. Источник: любезно предоставлено исследователями.

Исследователи разработали новую методику, которая позволяет точно и быстро сопоставлять рентгеновские снимки, полученные во время операции, с предоперационным 3D-сканированием пациента. Этот метод может облегчить врачам точное управление малоинвазивными хирургическими инструментами, что приведет к более быстрым и безопасным процедурам.

Врачи проводят множество малоинвазивных операций, используя рентгеновские снимки в режиме реального времени, чтобы направлять такие инструменты, как катетеры и эндоскопы, через крошечные разрезы. Однако, поскольку рентгеновские снимки представляют собой плоские изображения, точно определить местоположение и ориентацию хирургических инструментов внутри тела пациента может быть сложно, что увеличивает риск осложнений.

Для определения местоположения хирургических инструментов врачи могут вручную совмещать рентгеновские снимки с предоперационными трехмерными медицинскими изображениями, такими как КТ или МРТ. Инструменты искусственного интеллекта, разработанные для упрощения этого процесса, с трудом справляются с надежным совмещением изображений для всех пациентов, что делает их нецелесообразными на практике.

Эта новая система, разработанная учеными и врачами из Массачусетского технологического института и сотрудничающих учреждений, использует модель искусственного интеллекта, которая адаптируется к каждому пациенту всего за пять минут. Модель автоматически сопоставляет рентгеновские снимки одного пациента с 3D-сканами за считанные секунды с точностью до долей миллиметра.

Этот метод, получивший название xvr (что расшифровывается как X-ray volume registration — регистрация рентгеновского объема), превзошел существующие методы искусственного интеллекта на порядок в широком диапазоне случаев, охватывая широкий спектр пациентов, частей тела и медицинских процедур.

«Большинство американцев живут более чем в часе езды от центра, где могут проводиться неинвазивные процедуры, такие как экстренные вмешательства при инсульте. Час в контексте инсульта — это невероятно много. Упрощение этих процедур за счет объединения 2D и 3D информации позволяет сделать эти высокоспециализированные, спасающие жизнь процедуры более доступными для гораздо более широких слоев населения», — говорит Вивек Гопалакришнан, научный сотрудник Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL), недавний выпускник программы Гарвард-Массачусетский технологический институт в области наук о здоровье и технологиях и ведущий автор статьи о xvr, опубликованной сегодня в журнале Nature.

Вместе с ним в работе над статьей приняли участие его научный руководитель Полина Голланд, профессор электротехники и информатики имени Санлина и Присциллы Чоу (EECS), главный исследователь CSAIL, руководитель группы медицинского зрения и соавтор статьи; а также Нил Дей, бывший постдокторант в группе медицинского зрения, ныне исследователь Гарвардской медицинской школы и Массачусетской больницы общего профиля, также соавтор статьи. В число других соавторов входят: Дэвид-Димитрис Хлорогианнис, исследователь и врач Гарвардской медицинской школы; Эндрю Абумусса, нейрохирург Института нейронаук им. Марион Блох при больнице Святого Луки; Анна М. Ларсон, педиатр Детской больницы Шрайнерс; Назим Хаушин, доцент кафедры радиологии Гарвардской и Бригхэмской женской больниц; Даррен Б. Орбах, врач и ученый Бостонской детской больницы. и Сары Фрискен, доцента кафедры радиологии Гарвардского университета.

Повышение информативности рентгеновских снимков

При многих малоинвазивных хирургических процедурах, таких как ангиопластика для открытия закупоренных артерий, врачи вводят инструменты через крошечный разрез и используют высокоскоростной мобильный рентгеновский сканер для получения изображений, позволяющих визуализировать процедуру под любым углом.

Однако для того, чтобы направлять хирургические инструменты, не повреждая случайно другие ткани, врачам необходимо совмещать рентгеновские снимки в реальном времени с предоперационным МРТ или КТ-сканированием пациента. Этот процесс, называемый регистрацией, помогает им определить положение инструмента относительно анатомических структур.

«Чтобы врач мог видеть зернистые двухмерные изображения и понимать, как всё расположено, требуются десятилетия обучения. Мы хотим сделать эти двухмерные рентгеновские снимки более информативными, чтобы проведение этих жизненно важных процедур стало безопаснее и проще», — говорит Гопалакришнан.

Методы ручной регистрации медленны и обременительны, требуя от врача угадывать положение хирургического инструмента, вводя числа в компьютер или щелкая по анатомическим ориентирам на экране.

Для оптимизации процесса исследователи разрабатывают модели искусственного интеллекта, способные прогнозировать 2D/3D-регистрацию. Однако анатомия людей настолько разнообразна, что модель, хорошо работающая для одних пациентов, может оказаться неэффективной для других.

По словам Гопалакришнана, отсутствие высококачественных аннотированных медицинских изображений затрудняет обучение модели глубокого обучения, достаточно надежной для адаптации к большому числу пациентов.

Вместо того чтобы пытаться создать модель машинного обучения, применимую ко всем пациентам, исследователи разработали модель, которая идеально адаптируется к конкретным потребностям каждого пациента.

«Мы разрабатываем конкретную модель для конкретного пациента, и неважно, подойдет ли она другим людям, потому что для них будут созданы разные модели», — добавляет Гопалакришнан.

Машинное обучение, учитывающее индивидуальные особенности пациента

XVR берет предоперационное 3D-сканирование пациента, например, МРТ или КТ, и использует его для генерации тысяч синтетических рентгеновских снимков под разными углами, создавая около 1000 изображений в секунду. Для обеспечения реалистичности этих синтетических изображений используется моделирование процесса рентгеновского излучения на основе физических принципов.

«Вместо того чтобы генерировать данные из ничего, как некоторые виды генеративного ИИ, эта физическая симуляция полностью основана на компьютерной томографии или МРТ этого пациента. Поскольку xvr создает данные, специфичные для пациента, исключительно на основе физических принципов, здесь нет места для галлюцинаций», — говорит Гопалакришнан.

Платформа xvr использует эти смоделированные данные для обучения модели искусственного интеллекта, которая может точно совместить 2D-рентгеновские снимки пациента с его 3D-изображением за считанные секунды.

Однако, несмотря на высокую точность такой модели регистрации, на ее обучение с нуля для каждого пациента потребовалось бы около 12 часов, что делает ее непригодной для использования в экстренных случаях. Чтобы ускорить этот процесс, исследователи использовали XVR для предварительного обучения более универсальной системы искусственного интеллекта, называемой базовой моделью, которая может быстро адаптироваться к каждому новому пациенту.

Они собрали трехмерные медицинские снимки всего тела более чем 2000 пациентов, представляющих широкий возрастной диапазон, использующих различные методы визуализации и обследующих различные области. XVR использовала эти разнообразные данные для генерации синтетических рентгеновских снимков и обучения базовой модели для выполнения 2D/3D регистрации.

Эта предварительно обученная модель может адаптироваться к новому пациенту примерно за пять минут и выполняет регистрацию с той же точностью, как если бы она была обучена с нуля.

«Таким образом, теперь можно получить точные данные, специфичные для каждого пациента, причем в очень короткие сроки», — говорит Гопалакришнан.

Команда протестировала модель на самом большом доступном наборе данных реальных 2D/3D-регистраций, включающем данные из пяти больниц, охватывающие десятки костей и систем органов у взрослых и детей.

XVR значительно превзошла другие методы на основе ИИ по точности и надежности, при этом работая достаточно быстро для экстренных операций. Модель также может быть использована для повышения эффективности роботизированных хирургических технологий.

В будущем исследователи надеются сосредоточиться на ускорении работы XVR для развертывания в режиме реального времени, проведении дальнейших исследований для проверки его надежности в дополнительных ситуациях и расширении возможностей системы для обработки более сложных сценариев, таких как движение частей тела.

«В течение последних двух лет мы тщательно разрабатывали и проверяли этот алгоритм. Сейчас мы тесно сотрудничаем с компаниями, занимающимися хирургической робототехникой, и клиническими группами, чтобы превратить результаты этих исследований в полезные инструменты для навигации или развертывания», — говорит Гопалакришнан.

Данная работа частично финансировалась Национальными институтами здравоохранения (NIH), программой MIT CSAIL-Wistron, вычислительной исследовательской лабораторией MIT-IBM, клиникой MIT Jameel, программой MIT Health and Life Sciences Collaborative и фондом трансформационных исследований семьи Чоу.

Источник: news.mit.edu