Yeni yapay zeka tekniği, cerrahi navigasyonda hassasiyeti artırabilir
Minimal invaziv cerrahi işlemler, küçük kesilerle yapılan müdahaleler sayesinde hastalar için daha hızlı iyileşme ve daha düşük komplikasyon riski sunabiliyor. Ancak bu işlemlerde cerrahların en kritik ihtiyacı, vücut içindeki aletlerin tam olarak nerede olduğunu güvenle görebilmek. MIT ve iş birliği yapan klinik araştırma ekipleri tarafından geliştirilen yeni bir yapay zeka tekniği, bu noktada önemli bir ilerleme vadederek ameliyat sırasında çekilen röntgen görüntülerini hastanın ameliyat öncesi 3 boyutlu tıbbi taramalarıyla saniyeler içinde eşleştirebiliyor.
XVR adı verilen yöntem, “X-ray volume registration” ifadesinin kısaltması. Sistem, özellikle ortopedi, nöroşirürji, damar müdahaleleri ve kateterle yapılan işlemler gibi alanlarda, doktorların 2 boyutlu röntgen görüntülerinden daha fazla konumsal bilgi elde etmesine yardımcı olmayı amaçlıyor. Araştırmacılara göre model, hastaya özel biçimde çalışıyor ve milimetrenin altında hassasiyet seviyesine ulaşabiliyor.
Sorun: 2D röntgenler gerçek zamanlıdır ama derinlik bilgisi sınırlıdır
Minimal invaziv girişimlerde hekimler kateter, endoskop veya benzeri cerrahi araçları küçük kesilerden ilerletir. İşlem sırasında kullanılan hareketli X-ışını sistemleri, hekime gerçek zamanlı görüntü sağlar. Bu görüntüler hızlı ve pratik olsa da temelde düz, yani 2 boyutludur. Bu nedenle cerrahi aletin organlara, damarlara, kemiklere veya sinir yapılarına göre tam konumunu anlamak her zaman kolay değildir.
Bu eksikliği gidermek için doktorlar çoğu zaman ameliyat öncesinde alınmış BT veya MR gibi 3 boyutlu görüntülerden yararlanır. Ancak ameliyat sırasındaki 2D röntgen ile daha önce çekilmiş 3D taramayı doğru biçimde hizalamak, yani “kayıt” işlemini yapmak zaman alabilir. Manuel yöntemlerde hekimin anatomik işaretleri seçmesi, konum tahminleri yapması veya sisteme sayısal değerler girmesi gerekebilir. Bu da özellikle acil müdahalelerde pratik bir yük oluşturur.
XVR nasıl çalışıyor?
XVR’nin temel farkı, genel bir yapay zeka modelini tüm hastalara aynı şekilde uygulamak yerine, her hasta için hızlıca özelleştirilebilmesi. Sistem önce hastanın ameliyat öncesi 3 boyutlu BT veya MR taramasını kullanıyor. Ardından bu taramadan çok sayıda sentetik röntgen görüntüsü üretiyor. Araştırmacıların aktardığına göre yöntem, farklı açılardan saniyede yaklaşık 1000 sentetik görüntü oluşturabiliyor.
Bu görüntüler rastgele veya hayali veri olarak üretilmiyor. XVR, röntgen görüntüleme sürecinin fizik tabanlı bir simülasyonunu kullanıyor. Başka bir deyişle sistem, hastanın gerçek anatomik taramasına dayanarak, X-ışınının farklı açılardan nasıl görüneceğini hesaplıyor. Bu yaklaşım, üretken yapay zekada zaman zaman tartışılan “uydurma” sonuç riskini azaltmayı hedefliyor.
Üretilen sentetik verilerle model, ameliyat sırasında alınan 2 boyutlu röntgen görüntüsünün hastanın 3 boyutlu taramasındaki hangi açı ve konuma karşılık geldiğini öğreniyor. Sonuçta hekim, cerrahi aletin hastanın anatomisi içindeki yerini daha anlaşılır biçimde değerlendirebiliyor.
Dakikalar içinde hastaya özel model
Bu tür bir modelin en büyük zorluğu hız. Bir yapay zeka sistemini her hasta için sıfırdan eğitmek yüksek doğruluk sağlayabilir, ancak araştırmacılara göre bu süreç yaklaşık 12 saat sürebilir. Bu süre, özellikle inme müdahaleleri gibi zamanla yarışılan durumlarda kabul edilebilir değil.
Ekip bu engeli aşmak için önceden eğitilmiş bir temel model geliştirdi. 2.000’den fazla hastaya ait, farklı yaş gruplarını, vücut bölgelerini ve görüntüleme yöntemlerini kapsayan 3 boyutlu tıbbi taramalar kullanıldı. XVR bu verilerden sentetik röntgenler üretti ve temel model, 2D/3D kayıt görevini öğrenmek üzere eğitildi.
Yeni bir hasta geldiğinde sistemin artık sıfırdan başlaması gerekmiyor. Önceden eğitilmiş model, hastanın kendi taramasına yaklaşık beş dakika içinde uyum sağlayabiliyor. Ardından ameliyat sırasında alınan röntgen görüntülerini 3 boyutlu taramayla saniyeler içinde eşleştirebiliyor.
Neden önemli?
Araştırmanın öne çıkan yönlerinden biri, yapay zekanın cerrahi kararın yerine geçmeye değil, hekimin görüşünü güçlendirmeye odaklanması. 2D röntgen görüntülerini 3D anatomik bilgiyle birleştirmek, özellikle karmaşık anatomik bölgelerde işlem yapan klinisyenlere daha net bir navigasyon sağlayabilir.
Bu yaklaşımın potansiyel faydaları şöyle özetlenebilir:
- Cerrahi aletlerin konumunun daha hızlı anlaşılması,
- Minimal invaziv işlemlerde yönlendirme hassasiyetinin artması,
- Manuel hizalama süresinin azalması,
- Acil müdahalelerde karar sürecinin hızlanması,
- Robotik cerrahi sistemlerinin navigasyon kabiliyetinin güçlenmesi.
MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı’ndan Vivek Gopalakrishnan, özellikle inme gibi acil müdahalelerde zamanın kritik olduğuna dikkat çekiyor. Ona göre 2D ve 3D bilginin daha etkili birleştirilmesi, yüksek uzmanlık gerektiren hayat kurtarıcı işlemlerin daha geniş hasta grupları için erişilebilir hale gelmesine katkı sağlayabilir.
Testlerde mevcut yöntemleri geride bıraktı
Araştırmacılar XVR’ı, yetişkin ve çocuk hastaları kapsayan, beş hastaneden elde edilen geniş bir veri kümesinde test etti. Veri seti çok sayıda kemik ve organ sistemini içerdiği için yöntemin farklı klinik senaryolardaki dayanıklılığını değerlendirmeye olanak sağladı.
Sonuçlara göre XVR, doğruluk ve sağlamlık bakımından mevcut yapay zeka tabanlı 2D/3D kayıt yöntemlerinden belirgin şekilde daha iyi performans gösterdi. Araştırmacılar sistemin farklı hasta anatomilerine uyum sağlayabilmesini, klasik derin öğrenme yaklaşımlarına kıyasla önemli bir avantaj olarak değerlendiriyor.
Klinik kullanım için sırada ne var?
XVR henüz doğrudan günlük klinik pratiğin standart bir parçası olarak sunulmuyor. Araştırma ekibi, sistemi gerçek zamanlı kullanıma daha uygun hale getirmek, daha fazla klinik senaryoda doğrulamak ve hareketli vücut bölgeleri gibi daha karmaşık durumlara uyarlamak istiyor.
Ayrıca cerrahi robotik şirketleri ve klinik gruplarla iş birliği yapılarak teknolojinin navigasyon araçlarına dönüştürülmesi hedefleniyor. Bu süreç, hem yazılımın güvenilirliğinin kanıtlanmasını hem de hastane ortamındaki iş akışlarına uyarlanmasını gerektirecek.
Yine de XVR, yapay zeka ve makine öğreniminin tıpta nasıl daha pratik, hastaya özel ve güvenli çözümler üretebileceğine dair güçlü bir örnek sunuyor. Eğer ileri klinik doğrulamalar başarılı olursa, bu teknoloji gelecekte minimal invaziv cerrahilerin daha hızlı, daha hassas ve daha erişilebilir yapılmasına katkı sağlayabilir.
