Un grupo del Instituto de Tecnología de Massachusetts (MIT) diseñó xvr, un sistema de inteligencia artificial que enlaza las radiografías tomadas durante una intervención con estudios tridimensionales previos del paciente para determinar la ubicación de los instrumentos en tiempo real. La meta es mejorar la navegación de dispositivos en procedimientos mínimamente invasivos, acortar tiempos y disminuir el riesgo de dañar tejidos adyacentes.
Las pruebas incluyeron datos de más de 2.000 pacientes de diversas edades, regiones anatómicas y modalidades de imagen. Además, el sistema fue evaluado con información de cinco hospitales, abarcando decenas de huesos y sistemas de órganos de pacientes adultos y pediátricos. En comparación con otros enfoques basados en IA, xvr mostró un rendimiento superior por un margen significativo.
En intervenciones mínimamente invasivas, como la angioplastia, los médicos introducen catéteres, endoscopios y otros instrumentos mediante incisiones pequeñas y emplean equipos móviles de rayos X para observar desde distintos ángulos. Dado que las radiografías son imágenes bidimensionales, a veces resulta difícil identificar con exactitud la posición y orientación de un instrumento dentro del cuerpo. Para evitar daños en estructuras vecinas, es crucial alinear estas imágenes con el estudio previo del paciente y entender la relación entre el dispositivo y la anatomía.
Vivek Gopalakrishnan, investigador posdoctoral del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y autor principal del trabajo, subrayó que “un médico acumula décadas de formación para interpretar imágenes en 2D granuladas y entender la orientación general. Queremos que estas radiografías 2D sean más informativas, para que operar sea más seguro y ágil”.
El registro manual de la ubicación de un instrumento puede ser lento y demandante, ya que el especialista debe estimar su posición ingresando datos o eligiendo referencias anatómicas en una pantalla. Los modelos de IA desarrollados para automatizar esa tarea no siempre se generalizan entre pacientes, porque la anatomía varía mucho entre personas; además, la escasez de imágenes médicas de alta calidad con anotaciones dificulta el entrenamiento de modelos de aprendizaje profundo que se ajusten a esa diversidad.
En lugar de buscar un único modelo universal, los investigadores optaron por un enfoque específico por paciente: “Adaptamos un modelo para un paciente concreto, y no importa si no funciona en otros casos, porque habrá modelos distintos para ellos”, explicó Gopalakrishnan.
Xvr parte de una tomografía computarizada o resonancia magnética del paciente y genera miles de radiografías sintéticas a partir de múltiples proyecciones, con el objetivo de orientar con mayor precisión los instrumentos durante la intervención.
