Pesquisadores criaram uma nova técnica que compara, de forma precisa e rápida, radiografias capturadas durante a cirurgia com a tomografia médica 3D pré-operatória do paciente. Esse método pode facilitar o controle preciso de instrumentos cirúrgicos minimamente invasivos pelos médicos, resultando em procedimentos mais rápidos e seguros.

Os médicos realizam muitas cirurgias minimamente invasivas usando raios X em tempo real para auxiliar na condução de dispositivos como cateteres e endoscópios através de pequenas incisões. No entanto, como os raios X são imagens planas, pode ser difícil determinar com precisão a localização e a orientação dos instrumentos cirúrgicos dentro do corpo do paciente, aumentando o risco de complicações.

Para auxiliar na localização de dispositivos cirúrgicos, os médicos podem alinhar manualmente radiografias com imagens médicas 3D pré-operatórias, como tomografias computadorizadas ou ressonâncias magnéticas. Ferramentas de inteligência artificial projetadas para agilizar esse processo têm dificuldades em alinhar as imagens de forma precisa para todos os pacientes, o que as torna inviáveis na prática.

Este novo sistema, desenvolvido por cientistas e médicos do MIT e instituições colaboradoras, utiliza um modelo de IA que se adapta a cada paciente em apenas cerca de cinco minutos. O modelo compara automaticamente as radiografias de um paciente com as imagens 3D em questão de segundos, com precisão submilimétrica.

Denominado xvr (sigla para registro de volume de raios X), ele superou os métodos de IA existentes em uma ordem de magnitude em uma ampla gama de pacientes, partes do corpo e procedimentos médicos.

“A maioria dos americanos vive a mais de uma hora de distância de um centro que possa realizar procedimentos não invasivos, como intervenções de emergência para AVC. Uma hora no tempo de um AVC é incrivelmente significativa. Facilitar esses procedimentos combinando informações 2D e 3D permite que esses tipos de procedimentos altamente especializados e que salvam vidas se tornem mais acessíveis a uma parcela muito maior da população”, afirma Vivek Gopalakrishnan, pós-doutorando no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT; recém-formado pelo Programa Harvard-MIT em Ciências e Tecnologia da Saúde; e autor principal de um artigo sobre o xvr, publicado hoje na Nature .

Ele é acompanhado no artigo por sua orientadora, Polina Golland, professora titular da Cátedra Sunlin e Priscilla Chou de Engenharia Elétrica e Ciência da Computação (EECS), pesquisadora principal do CSAIL, líder do Grupo de Visão Médica e coautora sênior do artigo; e por Neel Dey, ex-pós-doutorando do Grupo de Visão Médica, atualmente pesquisador da Faculdade de Medicina de Harvard e do Hospital Geral de Massachusetts, além de coautor sênior do artigo. Outros coautores incluem David-Dimitris Chlorogiannis, pesquisador e clínico da Faculdade de Medicina de Harvard; Andrew Abumoussa, neurocirurgião do Instituto de Neurociências Marion Bloch do Hospital St. Luke's; Anna M. Larson, médica pediátrica do Hospital Infantil Shriners; Nazim Haouchine, professor assistente de radiologia em Harvard e no Hospital Brigham and Women's; Darren B. Orbach, médico e cientista do Hospital Infantil de Boston; e Sarah Frisken, professora associada de radiologia em Harvard.

Em muitos procedimentos cirúrgicos minimamente invasivos, como a angioplastia para desobstruir artérias bloqueadas, os médicos inserem instrumentos através de uma pequena incisão e utilizam um scanner de raios X móvel de alta velocidade para gerar imagens que lhes permitem visualizar o procedimento de qualquer ângulo. 

Mas, para guiar os instrumentos cirúrgicos sem danificar acidentalmente outros tecidos, os médicos precisam alinhar as radiografias em tempo real com a ressonância magnética ou tomografia computadorizada pré-operatória do paciente. Esse processo, chamado de registro, os ajuda a determinar a posição do instrumento em relação às estruturas anatômicas. 

“São necessárias décadas de treinamento para que um médico adquira a habilidade necessária para enxergar imagens granuladas em 2D e entender a orientação de todos os elementos. Queremos tornar essas radiografias em 2D mais informativas, para que esses procedimentos que salvam vidas se tornem mais seguros e fáceis de realizar”, afirma Gopalakrishnan.

Os métodos de registro manual são lentos e trabalhosos, exigindo que o médico adivinhe a posição de um instrumento cirúrgico digitando números em um computador ou clicando em pontos de referência anatômicos em uma tela. 

Para agilizar o processo, pesquisadores estão desenvolvendo modelos de IA capazes de prever o registro 2D/3D. No entanto, a anatomia humana é tão diversa que um modelo que funciona bem para alguns pacientes pode falhar para outros. 

A falta de dados de imagens médicas anotadas de alta qualidade dificulta o treinamento de um modelo de aprendizado profundo robusto o suficiente para se adaptar a muitos pacientes, afirma Gopalakrishnan.

Em vez de tentar criar um modelo de aprendizado de máquina que pudesse ser aplicado a todos os pacientes, os pesquisadores construíram um modelo projetado para se adaptar extremamente bem ao paciente específico.

“Adaptamos este modelo específico para este paciente específico, e não importa se funciona para outras pessoas, porque haverá modelos diferentes para essas pessoas”, acrescenta Gopalakrishnan.

O Xvr utiliza uma tomografia 3D pré-operatória de um paciente, como uma ressonância magnética ou tomografia computadorizada, para gerar milhares de radiografias sintéticas de vários ângulos, produzindo cerca de 1.000 imagens por segundo. Ele usa uma simulação do processo de radiografia baseada em princípios físicos para garantir que essas imagens sintéticas sejam realistas.

“Em vez de gerar dados do nada, como alguns tipos de IA generativa, esta simulação física é inteiramente baseada na tomografia computadorizada ou ressonância magnética deste paciente. Como o xvr cria dados específicos do paciente de uma maneira puramente física, não há espaço para alucinações”, diz Gopalakrishnan.

A estrutura xvr utiliza esses dados simulados para treinar um modelo de IA capaz de alinhar com precisão as radiografias 2D desse paciente com sua imagem digitalizada em 3D em questão de segundos.

Mas, embora esse modelo de registro seja altamente preciso, levaria cerca de 12 horas para treiná-lo do zero para cada paciente, o que o tornaria inviável em uma emergência. Para acelerar o processo, os pesquisadores usaram o xvr para pré-treinar um sistema de IA mais versátil, chamado modelo de base, que pode se adaptar rapidamente a cada novo paciente. 

Eles coletaram imagens médicas tridimensionais de corpo inteiro de mais de 2.000 pacientes, abrangendo uma ampla gama de idades, modalidades de imagem e regiões. A Xvr usou esses dados diversos para gerar raios-X sintéticos e treinar um modelo básico para realizar o registro 2D/3D.

Este modelo pré-treinado consegue se adaptar a um novo paciente em cerca de cinco minutos e realiza o cadastro com a mesma precisão como se tivesse sido treinado do zero. 

“Agora você pode obter precisão específica para cada paciente, mas também em um prazo muito curto”, diz Gopalakrishnan.

A equipe testou o modelo no maior conjunto de dados disponível de registros reais em 2D/3D, incorporando dados de cinco hospitais que abrangiam dezenas de ossos e sistemas orgânicos em pacientes adultos e pediátricos. 

O XVR apresentou desempenho significativamente superior a outros métodos baseados em IA em termos de precisão e robustez, além de operar com rapidez suficiente para cirurgias de emergência. O modelo também pode ser usado para aprimorar o desempenho de tecnologias de cirurgia robótica. 

No futuro, os pesquisadores esperam se concentrar em tornar o xvr mais rápido para implantação em tempo real, realizar mais estudos para verificar sua confiabilidade em outras situações e expandir o sistema para lidar com cenários mais complexos, como partes do corpo em movimento. 

“Nos últimos dois anos, temos desenvolvido e validado cuidadosamente este algoritmo. Agora, estamos colaborando de perto com empresas de robótica cirúrgica e grupos clínicos para transformar esta pesquisa em ferramentas úteis para navegação ou implantação”, diz Gopalakrishnan.

Este trabalho foi financiado, em parte, pelos Institutos Nacionais de Saúde (NIH), pelo Programa MIT CSAIL-Wistron, pelo Laboratório de Pesquisa em Computação MIT-IBM, pela Clínica Jameel do MIT, pela Colaboração em Ciências da Saúde e da Vida do MIT e pelo Fundo de Pesquisa Transformadora da Família Chou.