Avances en la detección de aneurismas durante la neurocirugía

La neurocirugía depende mucho de técnicas de imagen avanzadas y del uso de microscopios durante la cirugía. Un procedimiento crítico se llama Cirugía de Clips de Aneurisma Microquirúrgico (MACS), que busca reparar aneurismas en el cerebro. Esta cirugía conlleva un riesgo significativo debido a la posibilidad de que el aneurisma se rompa durante la operación. Darse cuenta de cuándo el aneurisma es visible en los videos quirúrgicos puede ayudar a los médicos a manejar mejor los riesgos involucrados.

Este artículo presenta un nuevo conjunto de datos que incluye videos quirúrgicos de 16 pacientes sometidos a MACS. Cada video ha sido anotado por expertos para indicar si el aneurisma es visible en algún momento. El objetivo es desarrollar un método que ayude a identificar esos momentos en tiempo real, mejorando potencialmente los resultados quirúrgicos al alertar al equipo quirúrgico cuando están entrando en una fase de alto riesgo.

#Resumen del Conjunto de Datos

El conjunto de datos utilizado para este estudio incluye 16 videos tomados de procedimientos de MACS. Cada video fue grabado usando un microscopio quirúrgico y contiene alrededor de 350,000 fotogramas individuales. Los fotogramas se clasifican en tres tipos:

• Tipo-X: No hay aneurisma visible.
• Tipo-Y: Aneurisma visible.
• Tipo-Z: Fotogramas excluidos del análisis por varias razones, como movimiento o imágenes poco claras.

Debido a la naturaleza de la cirugía, la mayoría de los fotogramas (alrededor del 80%) no muestran aneurisma, lo que crea un desafío para entrenar sistemas de detección automatizados, ya que hay menos ejemplos de aneurismas presentes.

#Métodos de Investigación

Para abordar el desafío de detectar aneurismas en los videos quirúrgicos, se desarrollaron dos modelos de aprendizaje automático.

1. MACSSwin-T: Este modelo se enfoca en analizar fotogramas individuales de video para determinar si el aneurisma está presente.
2. vidMACSSwin-T: Este modelo se basa en el primero, considerando también el aspecto temporal, es decir, analiza una secuencia de fotogramas para hacer su detección.

Ambos modelos fueron entrenados para reconocer el aneurisma en presencia de vasos cerebrales de apariencia similar y se evaluaron en su capacidad para clasificar correctamente los fotogramas.

#Resultados del Estudio

Los resultados mostraron tasas de precisión prometedoras para ambos modelos. El modelo MACSSwin-T logró una precisión promedio de aproximadamente 80.8%, mientras que el modelo vidMACSSwin-T, que analiza secuencias de fotogramas, consiguió una precisión promedio del 87.1%. Esto indica que incorporar el aspecto temporal ayuda a mejorar el rendimiento de la detección.

Se realizó una evaluación adicional comparando las salidas de los modelos con las valoraciones hechas por neurocirujanos humanos. Los modelos de IA estuvieron bastante cerca de las evaluaciones humanas, logrando una precisión del 66.7% al 86.7% en un conjunto de prueba de imágenes no vistas, comparado con tasas de precisión humanas que promediaron alrededor del 82%.

#Mapas de Activación de Clases

Para entender mejor cómo funcionan los modelos, se crearon mapas de activación de clases. Estos mapas representan visualmente qué áreas de los fotogramas de entrada los modelos enfocan al hacer sus predicciones sobre la presencia de un aneurisma. Estos mapas, generados para una selección de fotogramas Tipo-Y, mostraron que los modelos pudieron identificar correctamente la ubicación de los aneurismas, lo que indica que los modelos están aprendiendo a enfocarse en las áreas correctas dentro de las imágenes.

#Comparación con Expertos Humanos

Para evaluar aún más la efectividad de los modelos, se consultó a un grupo de 10 neurocirujanos expertos. Se les pidió que revisaran un conjunto de 15 fotogramas seleccionados cuidadosamente de los videos quirúrgicos, clasificándolos como que contenían un aneurisma o no. En general, los expertos humanos acertaron en identificar la presencia de un aneurisma en el 82% de los casos.

Cuando se compararon los resultados de los modelos de IA con las evaluaciones humanas, quedó claro que los modelos tuvieron un desempeño similar al de los expertos, especialmente cuando el umbral de detección se ajustó para proporcionar una evaluación más indulgente. Este ajuste permitió a los modelos identificar más aneurismas sin aumentar la detección falsa de aneurismas inexistentes.

#Desafíos en la Detección

A pesar de los resultados prometedores, quedan varios desafíos en la detección de aneurismas durante la cirugía. Uno de los principales problemas es la breve duración durante la cual un aneurisma puede ser visible en el campo de visión. Esta breve visibilidad significa que los modelos deben aprender a identificar aneurismas a partir de datos limitados, lo que dificulta crear un sistema de detección robusto.

Además, el tamaño variable y las características visuales de los aneurismas, que a menudo parecen similares a los vasos sanguíneos cercanos, añaden complejidad a la tarea de detección. Los modelos deben superar estas similitudes visuales y aprender a distinguir el aneurisma de otras estructuras.

#Direcciones Futuras

De cara al futuro, hay varias vías para continuar trabajando.

1. Mejorar Métodos de Pre-procesamiento: Mejorar cómo se preparan los fotogramas de video antes de ser introducidos en los modelos podría mejorar la precisión.
2. Agrupar Información Temporal: Encontrar formas aún mejores de combinar información de múltiples fotogramas podría llevar a detecciones más precisas.
3. Mejorar la Supervisión Débil: Desarrollar estrategias para usar mejor las etiquetas limitadas disponibles podría conducir a mejores resultados de entrenamiento.

Al enfocarse en estas áreas, es posible crear un sistema más efectivo para reconocer momentos de alto riesgo durante la cirugía, mejorando en última instancia la seguridad del paciente y la efectividad quirúrgica.

#Conclusión

Este estudio demuestra que es posible usar técnicas de aprendizaje automático para detectar aneurismas durante procedimientos quirúrgicos. El desarrollo del conjunto de datos MACS y los dos modelos propuestos marcan un paso significativo hacia la automatización de la detección de momentos críticos en neurocirugía. A medida que los modelos continúan evolucionando y mejorando, pueden ofrecer herramientas valiosas para los cirujanos, mejorando potencialmente la atención al paciente y los resultados en el quirófano.