Phương pháp cá nhân hóa cho từng bệnh nhân này, được gọi là xvr, giúp các bác sĩ sử dụng tia X để định hướng phẫu thuật trong các lĩnh vực như chỉnh hình và phẫu thuật thần kinh.
Hệ thống mới sử dụng mô hình AI tự động đối chiếu khớp ảnh X-quang với ảnh quét 3D trong vài giây, đạt độ chính xác dưới milimet. Ảnh: Các nhà nghiên cứu cung cấp/MIT News
Các nhà nghiên cứu đã tạo ra một kỹ thuật mới giúp đối chiếu chính xác và nhanh chóng các tia X thu được trong quá trình phẫu thuật với hình ảnh quét y tế 3D trước phẫu thuật của bệnh nhân. Phương pháp này có thể giúp các bác sĩ lâm sàng dễ dàng điều khiển chính xác các dụng cụ phẫu thuật xâm lấn tối thiểu, dẫn đến các thủ thuật nhanh hơn và an toàn hơn.
Các bác sĩ lâm sàng thực hiện nhiều ca phẫu thuật xâm lấn tối thiểu bằng cách sử dụng tia X thời gian thực để giúp họ điều khiển các thiết bị như ống thông và nội soi qua các vết mổ nhỏ. Nhưng vì tia X là hình ảnh phẳng, nên việc xác định chính xác vị trí và hướng của các dụng cụ phẫu thuật bên trong cơ thể bệnh nhân có thể gặp khó khăn, làm tăng nguy cơ biến chứng.
Để hỗ trợ định vị các thiết bị phẫu thuật, các bác sĩ lâm sàng có thể phải căn chỉnh thủ công ảnh chụp X-quang với hình ảnh y tế 3D trước phẫu thuật, chẳng hạn như ảnh chụp CT hoặc MRI. Các công cụ trí tuệ nhân tạo được thiết kế để đơn giản hóa quy trình này gặp khó khăn trong việc căn chỉnh hình ảnh một cách chính xác cho tất cả bệnh nhân, khiến chúng không khả thi trong thực tế.
Hệ thống mới này, được phát triển bởi các nhà khoa học và bác sĩ lâm sàng tại MIT và các tổ chức hợp tác, sử dụng mô hình trí tuệ nhân tạo (AI) có khả năng thích ứng với từng bệnh nhân chỉ trong khoảng năm phút. Mô hình tự động đối khớp ảnh chụp X-quang của một bệnh nhân với ảnh quét 3D chỉ trong vài giây, với độ chính xác dưới milimet.
Làm cho hình ảnh X-quang trở nên hữu ích hơn
Trong nhiều thủ thuật phẫu thuật xâm lấn tối thiểu, chẳng hạn như nong mạch để mở các động mạch bị tắc, các bác sĩ lâm sàng đưa dụng cụ vào qua một vết mổ nhỏ và sử dụng máy quét X-quang di động tốc độ cao để tạo ra hình ảnh cho phép họ quan sát quá trình thực hiện thủ thuật từ mọi góc độ.
Nhưng để điều khiển các dụng cụ phẫu thuật mà không vô tình làm tổn thương các mô khác, các bác sĩ lâm sàng phải căn chỉnh hình ảnh X-quang thời gian thực với hình ảnh MRI hoặc CT scan trước phẫu thuật của bệnh nhân. Quá trình này, được gọi là đăng ký, giúp họ xác định vị trí của dụng cụ so với các cấu trúc giải phẫu.
Các phương pháp đăng ký thủ công chậm và tốn nhiều công sức, đòi hỏi bác sĩ phải ước lượng vị trí của dụng cụ phẫu thuật bằng cách nhập số vào máy tính hoặc nhấp vào các mốc giải phẫu trên màn hình.
Để đơn giản hóa quy trình, các nhà nghiên cứu đang phát triển các mô hình AI có thể dự đoán sự khớp nối 2D/3D. Tuy nhiên, cấu trúc giải phẫu của con người rất đa dạng, do đó một mô hình hoạt động tốt với bệnh nhân này có thể lại không hiệu quả với bệnh nhân khác.
Các nhà nghiên cứu cho biết, việc thiếu dữ liệu hình ảnh y tế được chú thích chất lượng cao khiến việc huấn luyện một mô hình học sâu đủ mạnh để thích ứng với nhiều bệnh nhân trở nên khó khăn.
Học máy dành riêng cho từng bệnh nhân
Xvr quét ảnh 3D trước phẫu thuật của một bệnh nhân, chẳng hạn như MRI hoặc CT, và sử dụng nó để tạo ra hàng nghìn tia X tổng hợp từ nhiều góc độ, tạo ra khoảng 1.000 hình ảnh mỗi giây. Nó sử dụng mô phỏng dựa trên vật lý của quá trình chụp X-quang để đảm bảo các hình ảnh tổng hợp này trông chân thực.
Khung phần mềm xvr sử dụng dữ liệu mô phỏng này để huấn luyện một mô hình AI có thể căn chỉnh chính xác ảnh chụp X-quang 2D của bệnh nhân với ảnh quét 3D của họ chỉ trong vài giây.
Tuy nhiên, mặc dù mô hình đăng ký như vậy có độ chính xác cao, nhưng việc huấn luyện từ đầu cho mỗi bệnh nhân sẽ mất khoảng 12 giờ, khiến việc triển khai trong trường hợp khẩn cấp là không thể. Để đẩy nhanh quá trình này, các nhà nghiên cứu đã sử dụng xvr để huấn luyện trước một hệ thống AI linh hoạt hơn, được gọi là mô hình nền tảng, có thể nhanh chóng thích ứng với từng bệnh nhân mới.
Họ đã thu thập dữ liệu quét hình ảnh y tế 3D toàn thân từ hơn 2.000 bệnh nhân thuộc nhiều độ tuổi, phương thức chụp ảnh và khu vực khác nhau. Xvr đã sử dụng dữ liệu đa dạng này để tạo ra ảnh X-quang tổng hợp và huấn luyện một mô hình cơ bản để thực hiện phép đăng ký 2D/3D.
Mô hình được huấn luyện trước này có thể thích ứng với bệnh nhân mới trong khoảng năm phút và thực hiện đăng ký với độ chính xác tương đương như khi được huấn luyện từ đầu.
Nhóm nghiên cứu đã thử nghiệm mô hình trên tập dữ liệu lớn nhất hiện có về đăng ký 2D/3D thực tế, kết hợp dữ liệu từ năm bệnh viện bao gồm hàng chục xương và hệ thống cơ quan ở bệnh nhân người lớn và trẻ em.
Xvr vượt trội hơn hẳn các phương pháp dựa trên trí tuệ nhân tạo khác về độ chính xác và độ bền, đồng thời hoạt động đủ nhanh cho các ca phẫu thuật khẩn cấp. Mô hình này cũng có thể được sử dụng để cải thiện hiệu suất của công nghệ phẫu thuật robot.
Trong tương lai, các nhà nghiên cứu hy vọng sẽ tập trung vào việc làm cho xvr nhanh hơn để triển khai trong thời gian thực, tiến hành các nghiên cứu sâu hơn để xác minh độ tin cậy của nó trong các tình huống khác nhau và mở rộng hệ thống để xử lý các kịch bản phức tạp hơn
Công trình này được tài trợ một phần bởi Viện Y tế Quốc gia (NIH), Chương trình MIT CSAIL-Wistron, Phòng thí nghiệm Nghiên cứu Máy tính MIT-IBM, Phòng khám MIT Jameel, Cộng tác Khoa học Sức khỏe và Đời sống MIT, và Quỹ Nghiên cứu Chuyển đổi Gia đình Chou.
Nguồn: MITNews
