Во время малоинвазивной операции врач может видеть текущий рентгеновский кадр, но это плоское изображение. До вмешательства у пациента уже есть объёмная компьютерная или магнитно-резонансная томограмма. Совместить два вида данных так, чтобы понять положение инструмента относительно тканей, сложно: снимки сделаны в разное время и под разными углами. Исследователи MIT представили алгоритм xvr, который быстро сопоставляет их для конкретного пациента. Пока это исследовательская технология, а не обычная функция операционных по всему миру.
В чём задача «регистрации» изображений
Рентген во время процедуры показывает положение устройства сейчас, но накладывает структуры друг на друга. Объёмное исследование даёт трёхмерную анатомию, но сделано заранее. Регистрация — поиск такого положения 3D-модели, при котором она соответствует текущему двумерному виду. Ошибка здесь опасна: красивое совмещение на экране бесполезно, если реальное положение сосуда или кости другое.
Ручной подбор ориентиров занимает время и зависит от опыта. Универсальная обученная модель тоже может ошибаться на необычной анатомии. Поэтому команда выбрала путь адаптации к отдельному пациенту, а не попытку однажды научить программу идеально работать для всех.
Представим сосудистое вмешательство: врач продвигает инструмент по двумерному изображению и должен понимать, как он расположен относительно изгиба сосуда, увиденного на предварительном объёмном исследовании. При смене угла рентгеновской установки привычный контур меняется. Совмещение снимков может дать более понятную навигационную подсказку, но только если система правильно учитывает положение пациента и сохраняет точность при каждом новом кадре. Именно эта проверка на реальной процедуре ещё впереди.
Как обучают систему на конкретном снимке
Алгоритм берёт предварительный 3D-снимок пациента и с помощью физической модели создаёт множество синтетических рентгеновских изображений под разными углами. На этой задаче он учится распознавать, как плоский кадр соотносится с объёмом. Предварительное обучение на снимках более двух тысяч людей позволяет затем приспособить систему к новому пациенту примерно за пять минут; само сопоставление занимает секунды. Это важно для ситуации, где длительная ручная настройка неудобна.
Слова «синтетический рентген» не означают подделку медицинских данных. В данном методе это вычисленный вид уже имеющейся анатомии пациента при заданном направлении луча. Однако точность такой симуляции и реальные движения тканей остаются предметом проверки.
Для создания быстрой стартовой модели использовали объёмные исследования более двух тысяч пациентов разных возрастов и с разными областями сканирования. Это не значит, что программа «запоминает» готовое решение для любого будущего пациента. Общая настройка помогает быстро доучить модель на индивидуальном снимке. Без неё обучение с нуля заняло бы слишком долго для срочного вмешательства. Такой компромисс между общим опытом и персональной адаптацией — центральная идея метода.
Что проверили исследователи
По сообщению MIT, систему оценивали на наборе настоящих сопоставлений двумерных и трёхмерных изображений из пяти больниц, охватывающем разные части тела и возрастные группы. В этих технических испытаниях метод оказался точнее и устойчивее ряда сравниваемых алгоритмов; сообщается о субмиллиметровой точности в условиях тестирования. Но численная ошибка сопоставления — не то же самое, что уменьшение осложнений у пациентов.
Для внедрения нужны дополнительные исследования в разнообразных ситуациях, включая движение органов, нестандартное положение пациента и работу в реальном темпе операции. Исследователи прямо называют эти задачи следующими этапами и обсуждают сотрудничество с клиническими командами. Нет оснований писать, что технология уже одобрена регулятором или стала стандартом лечения.
Техническая проверка отвечает на вопрос, насколько точно изображения совпадают в известных тестовых случаях. Клиническая проверка должна ответить на другие вопросы: помогает ли врачам эта подсказка быстрее ориентироваться, не отвлекает ли она, как система ведёт себя при плохом качестве снимка и меняется ли частота осложнений. Даже очень малая средняя ошибка не исключает отдельных сложных случаев, которые важнее всего для безопасности пациента. Именно поэтому будущая оценка должна рассматривать и редкие сбои.
Зачем следить за проектом
Есть и простое ограничение исходной идеи: предварительный объёмный снимок отражает анатомию в момент обследования, а не любую последующую позу и движение пациента. Даже идеально найденный угол не устранит разницу, если ткань сместилась. Поэтому система должна не только быстро выдавать совпадение, но и уметь сигнализировать, когда уверенности в нём недостаточно. Это особенно важно в редких сложных случаях, которые средняя точность на тестовом наборе способна скрыть.
Читайте также: Нарушение ритма сердца заметили по сетчатке: что умеет алгоритм и чего пока не умеет
Если надёжное совмещение удастся подтвердить в клинической практике, хирургу будет проще ориентироваться по индивидуальной анатомии при работе через небольшие доступы. Потенциально это может повысить удобство навигации и безопасность, но результат для пациентов ещё нужно измерить. Сейчас главное достижение — продемонстрированный способ быстро адаптировать вычислительную модель к конкретному человеку и проверить её на разнообразных данных, не выдавая лабораторную точность за уже доказанную медицинскую пользу.
