Cómo funciona la IA que desarrolló el MIT y guía instrumentos quirúrgicos en tiempo real

Un equipo del Instituto de Tecnología de Massachusetts (MIT) desarrolló xvr, un sistema de inteligencia artificial que vincula radiografías tomadas durante una operación con estudios tridimensionales previos del paciente para precisar la ubicación de los instrumentos quirúrgicos en tiempo real. La técnica busca mejorar la navegación de instrumentos en cirugías mínimamente invasivas, acelerar los procedimientos y reducir el riesgo de dañar otros tejidos, informó MIT News, el portal de noticias del instituto.

Las pruebas reunieron estudios de más de 2.000 pacientes de distintas edades, regiones anatómicas y modalidades de imagen. El sistema, presentado en la revista científica Nature, también fue evaluado con datos de cinco hospitales, que incluían decenas de huesos y sistemas de órganos de pacientes adultos y pediátricos, y superó por un orden de magnitud a otros métodos basados en inteligencia artificial.

Radiografías 2D con referencia anatómica 3D

Las intervenciones mínimamente invasivas, como la angioplastia para abrir arterias obstruidas, requieren introducir catéteres, endoscopios u otros instrumentos a través de incisiones pequeñas. Los médicos utilizan equipos móviles de rayos X de alta velocidad para observar el procedimiento desde distintos ángulos.

Sin embargo, las radiografías son imágenes planas y pueden dificultar la identificación exacta de la posición y orientación de un instrumento dentro del cuerpo. Para operar sin lesionar estructuras cercanas, los profesionales deben alinearlas con el estudio previo del paciente y determinar la relación entre el dispositivo y la anatomía.

Vivek Gopalakrishnan, investigador posdoctoral del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT y autor principal del trabajo, explicó: “Un médico necesita décadas de formación para adquirir la habilidad de observar imágenes granuladas en 2D y comprender cómo está orientado todo. Queremos que estas radiografías 2D sean más informativas, para que resulte más seguro y sencillo realizar estos procedimientos que salvan vidas”.

El registro manual puede ser lento y exigente. El especialista debe estimar la ubicación del instrumento al ingresar números en una computadora o al seleccionar referencias anatómicas en una pantalla.

Los modelos de inteligencia artificial creados para automatizar esa tarea no siempre funcionan de forma consistente entre pacientes, porque la anatomía humana varía ampliamente. La escasez de imágenes médicas de alta calidad con anotaciones también limita el entrenamiento de sistemas de aprendizaje profundo capaces de ajustarse a esa diversidad.

En lugar de construir un único modelo destinado a todos los casos, los investigadores diseñaron un sistema para cada persona. “Adaptamos un modelo específico para un paciente específico, y no importa si funciona en otras personas porque habrá modelos distintos para ellas”, precisó Gopalakrishnan.

Datos sintéticos para adaptar en cinco minutos

Xvr parte de una tomografía o una resonancia del paciente y genera miles de radiografías sintéticas desde múltiples ángulos, a un ritmo de unas 1.000 imágenes por segundo. El proceso emplea una simulación física de los rayos X para reproducir imágenes realistas a partir del estudio anatómico individual.

El investigador detalló que el mecanismo no crea información médica desde cero: “A diferencia de algunos tipos de inteligencia artificial generativa, esta simulación física se basa por completo en la tomografía o resonancia de este paciente. Como xvr crea datos específicos para el paciente de una manera puramente física, no hay margen para alucinaciones”.

Con esas imágenes simuladas, el sistema entrena un modelo capaz de alinear las radiografías 2D con el escaneo 3D correspondiente en cuestión de segundos. El resultado alcanza precisión submilimétrica, suficiente para ubicar con mayor exactitud los instrumentos quirúrgicos.

Entrenar un modelo desde cero para cada persona demandaría unas 12 horas, un plazo incompatible con una emergencia. Para reducirlo, el equipo utilizó xvr para preentrenar un modelo fundacional, un sistema que aprende patrones generales y luego puede ajustarse rápidamente a un nuevo caso.

Ese modelo preentrenado conserva la precisión de uno creado desde cero para cada paciente, pero requiere alrededor de cinco minutos de adaptación. “Ahora se puede obtener precisión específica para cada paciente en un plazo muy breve”, señaló Gopalakrishnan.

La tecnología funcionó con rapidez suficiente para cirugías de emergencia y podría mejorar herramientas de cirugía robótica. El grupo proyecta acelerar el sistema para su uso en tiempo real, verificar su confiabilidad en más situaciones y extenderlo a escenarios más complejos, como partes del cuerpo en movimiento.

Aplicaciones para emergencias y cirugía robótica

La disponibilidad desigual de centros especializados es uno de los problemas que el equipo busca abordar. “La mayoría de los estadounidenses vive a más de una hora de un centro que puede realizar procedimientos mínimamente invasivos, como intervenciones de emergencia por accidente cerebrovascular. Una hora en el tiempo de un accidente cerebrovascular es enormemente importante”, afirmó Gopalakrishnan.

El investigador sostuvo que la combinación de información bidimensional y tridimensional puede facilitar la aplicación de procedimientos especializados en regiones con menor acceso. “Esto permite que estos procedimientos altamente especializados que salvan vidas sean más accesibles para sectores mucho más amplios de la población”.

Gopalakrishnan indicó que el algoritmo fue desarrollado y validado durante los últimos dos años. “Ahora colaboramos estrechamente con empresas de robótica quirúrgica y grupos clínicos para convertir esta investigación en herramientas útiles para navegación o despliegue”, afirmó.