L’intelligenza artificiale è già entrata da tempo nella diagnostica per immagini, ora arriva in sala operatoria dove può rendere più leggibili le immagini per guidare con precisioni le mani del chirurgo e rendere più sicuri gli interventi.
Nelle procedure chirurgiche mininvasive il campo operatorio non si osserva a occhio nudo. Il medico introduce cateteri, endoscopi e altri strumenti attraverso incisioni minime e ne segue il percorso sulla base della diagnostica per immagini acquisita in tempo reale. Il limite è noto da tempo: la radiografia è un’immagine piatta, bidimensionale, e ricostruire da lì la posizione esatta e l’orientamento di uno strumento all’interno del corpo resta difficile. È un margine di incertezza che pesa sulla sicurezza dell’intervento.
Un gruppo di ricercatori del Massachusetts Institute of Technology (Mit) con alcune istituzioni cliniche e accademiche partner propone ora una via alternativa ed innovativa. Il lavoro, pubblicato sulla rivista Nature con il titolo Rapid Patient-Specific Neural Networks for X-ray to Volume Registration e illustrato dall’ateneo, descrive un sistema di intelligenza artificiale capace di sovrapporre in modo rapido e accurato le radiografie acquisite durante l’operazione alla scansione tridimensionale realizzata sul paziente prima dell’intervento.
Capire cosa fare, dove e come
Per capire dove si trovi lo strumento rispetto agli organi, oggi il clinico deve mettere in relazione la radiografia in tempo reale con le immagini tridimensionali ottenute prima dell’operazione, come una tomografia computerizzata o una risonanza magnetica. Questa operazione di allineamento si chiama “registrazione”. Nella pratica corrente è lenta e onerosa, perché costringe a stimare la posizione dello strumento inserendo valori in un computer o indicando a mano punti di riferimento anatomici sullo schermo.
La difficoltà è anche legata alle competenze che è necessario maturare.
“Ci vogliono anni di formazione perché un clinico diventi abbastanza esperto da guardare immagini bidimensionali sgranate e capire come è orientato tutto quanto. Vogliamo rendere queste radiografie bidimensionali più informative, così da rendere più sicure e più semplici queste procedure salvavita, spiega Vivek Gopalakrishnan, ricercatore presso il Csail, il laboratorio di informatica e intelligenza artificiale del Mit, e tra gli autori dello studio, insieme a Polina Golland, docente al Mit e responsabile del Medical Vision Group del Csail, e Neel Dey, entrambi co-autori senior dello studio, insieme a clinici e ricercatori di diverse realtà sanitarie e scientifiche negli Usa.
I tentativi di automatizzare la registrazione con l’intelligenza artificiale si erano finora scontrati con un ostacolo di fondo: l’anatomia varia molto da persona a persona, e un modello che funziona bene su alcuni pazienti fallisce su altri. A complicare il quadro, la scarsità di dati clinici annotati di buona qualità rende arduo addestrare un modello abbastanza robusto da adattarsi a tutti.
Un modello unico per ogni paziente
La scelta dei ricercatori ribalta l’impostazione. Invece di inseguire un unico modello valido per chiunque, ne viene generato uno su misura del singolo paziente. “Adattiamo questo specifico modello a questo specifico paziente, e non importa se funziona su altre persone, perché per loro ci saranno modelli diversi”, osserva Gopalakrishnan.
Il sistema si chiama Xvr, acronimo di X-ray Volume Registration, ossia registrazione tra radiografia e volume tridimensionale. Il funzionamento parte dalla scansione preoperatoria del paziente – la tomografia o la risonanza – e la usa per generare migliaia di radiografie sintetiche da infinite angolazioni, al ritmo di circa 1.000 immagini al secondo. A rendere realistiche queste immagini è una simulazione fondata sulla fisica del processo radiografico.
È in questo passaggio che il ruolo dell’intelligenza artificiale si distingue da quello di altri strumenti generativi. Le immagini non vengono “inventate”, ma derivate dai dati reali del paziente. “A differenza di alcuni tipi di AI generativa, che generano dati dal nulla, questa simulazione fisica si basa interamente sulla tomografia o sulla risonanza di questo paziente. Poiché Xvr crea dati specifici del paziente in modo puramente fisico, non c’è spazio per le allucinazioni”, sottolinea il ricercatore.
Su queste radiografie sintetiche viene quindi addestrato il modello che allineerà poi, in pochi secondi, le radiografie reali con la scansione tridimensionale. Con una precisione dichiarata inferiore al millimetro.
La velocità come requisito clinico
Resta il nodo dei tempi. Addestrare da zero un modello di questo tipo per ogni paziente richiederebbe circa dodici ore, un’attesa incompatibile con l’urgenza di una sala operatoria. Per aggirarla, il gruppo ha usato Xvr per pre-addestrare un sistema più versatile, un foundation model in grado di adattarsi rapidamente a ogni nuovo caso.
Il modello di base è stato costruito raccogliendo scansioni tridimensionali di tutto il corpo di oltre 2mila pazienti, di età, tecniche di imaging e regioni anatomiche differenti. Da questi dati Xvr ha generato le radiografie sintetiche necessarie all’addestramento. L’esito è che il modello pre-addestrato si adatta a un nuovo paziente in circa cinque minuti, con la stessa accuratezza che avrebbe avuto se fosse stato addestrato da zero. “Così ora si ottiene un’accuratezza specifica per il paziente, ma anche in tempi molto rapidi, riassume Gopalakrishnan.
I test e la roadmap verso la sala operatoria
La validazione è avvenuta sul più ampio insieme disponibile di registrazioni bidimensionali-tridimensionali reali, con dati provenienti da cinque ospedali e relativi a decine di ossa e apparati, in pazienti adulti e pediatrici. Secondo quanto riportato, il sistema Xvr ha superato gli altri metodi basati sull’intelligenza artificiale in accuratezza e robustezza, con un margine descritto come di un ordine di grandezza, mantenendo una velocità compatibile con la chirurgia d’urgenza. Lo stesso sistema, indicano gli autori, potrebbe inoltre migliorare le prestazioni delle tecnologie di chirurgia robotica.
Il beneficio che i ricercatori collegano più direttamente all’impatto clinico riguarda la diffusione delle cure. “La maggior parte delle persone vive a più di un’ora da un centro in grado di eseguire procedure non invasive, come gli interventi d’emergenza per l’ictus. Un’ora, nei tempi dell’ictus, è enormemente significativa. Rendere più semplici queste procedure, combinando informazioni bidimensionali e tridimensionali, permette a interventi salvavita così specializzati di raggiungere fasce molto più ampie di popolazione, spiega Gopalakrishnan.
Lo sviluppo ulteriore è in fieri. Gli obiettivi dichiarati sono rendere Xvr ancora più rapido per l’impiego in tempo reale, condurre ulteriori studi di affidabilità ed estendere il sistema a scenari più complessi, come le parti del corpo in movimento. “Negli ultimi due anni abbiamo sviluppato e validato con cura questo algoritmo. Ora collaboriamo strettamente con aziende di robotica chirurgica e gruppi clinici per trasformare questa ricerca in strumenti utili per la navigazione o l’impiego operativo”, conclude il ricercatore.
© RIPRODUZIONE RISERVATA
