Xvr povezuje rendgen i 3D snimke za sigurniju hiruršku navigaciju
Istraživači i kliničari sa MIT-a i partnerskih ustanova predstavili su xvr, sistem za povezivanje rendgenskih snimaka nastalih tokom operacije sa pacijentovim preoperativnim 3D CT ili MRI snimkom. Model se novom pacijentu prilagođava za oko pet minuta, registraciju obavlja za nekoliko sekundi i postiže submilimetarsku preciznost.
Tehnika, čiji naziv znači X-ray volume registration, namenjena je podršci minimalno invazivnim procedurama u oblastima kao što su ortopedija i neurohirurgija. Autori navode da je xvr na širokom skupu pacijenata, delova tela i postupaka nadmašio postojeće AI metode za red veličine.
Zašto je povezivanje 2D i 3D prikaza važno
Tokom zahvata poput angioplastike, kliničari kroz mali rez uvode katetere, endoskope ili druge instrumente i oslanjaju se na mobilni rendgenski uređaj. Rendgenski snimak je dvodimenzionalan, pa iz njega može biti teško pouzdano utvrditi tačan položaj i orijentaciju alata u odnosu na anatomsku strukturu pacijenta.
Registracija sa ranije snimljenim CT-om ili MRI-jem daje taj prostorni kontekst. Ručni postupak može biti spor: lekar procenjuje položaj unosom parametara ili označavanjem anatomskih tačaka na ekranu. AI alati koji pokušavaju da rade jednako za sve pacijente imaju problem sa velikim razlikama u anatomiji i ograničenom količinom kvalitetno označenih medicinskih podataka.
Model oblikovan prema jednom pacijentu
Xvr polazi od preoperativnog 3D snimka konkretnog pacijenta i iz njega stvara veliki broj sintetičkih rendgenskih prikaza iz različitih uglova. Sistem proizvodi približno 1.000 takvih slika u sekundi, pri čemu simulacija rendgenskog procesa počiva na fizici i na pacijentovom CT ili MRI snimku.
Ti simulirani podaci služe za obuku modela koji povezuje 2D rendgen sa 3D volumenom istog pacijenta. Obuka od početka za svakog pacijenta trajala bi oko 12 sati, što nije prihvatljivo u hitnim okolnostima. Zato je tim unapred obučio foundation model na celotelesnim 3D snimcima više od 2.000 pacijenata, različite starosti, modaliteta snimanja i anatomskih regija.
Prethodno obučeni model zatim zadržava preciznost pristupa obučenog od nule, ali se konkretnom pacijentu prilagođava za oko pet minuta. Testiranje je obuhvatilo najveći dostupan skup stvarnih 2D/3D registracija, sa podacima iz pet bolnica, desetinama kostiju i organskih sistema, kao i odraslim i pedijatrijskim pacijentima.
Put od validacije do kliničke primene
Autori smatraju da bi sistem mogao da unapredi navigaciju hirurških instrumenata i rad robotskih hirurških tehnologija. Sledeći koraci obuhvataju ubrzavanje za rad u realnom vremenu, dodatne studije pouzdanosti i obradu složenijih slučajeva, uključujući pokretne delove tela.
Za zdravstvene organizacije praktična poruka je da se ovakva AI rešenja ne procenjuju samo po preciznosti modela. Jednako su važni vreme prilagodbe pacijentu, kvalitet kliničke validacije, rad sa stvarnim snimcima i uklapanje u postojeći tok operacije.