Learning-Based Modeling of a Magnetically Steerable Soft Suction Device for Endoscopic Endonasal Interventions

ملخص تقني: النمذجة القائمة على التعلم لجهاز شفط ناعم قابل للتوجيه مغناطيسياً

بيان المشكلة
تعتمد عملية استئصال الأورام الدماغية عبر الأنف والأنف بالمنظار على تقنية طفيفة التوغل تعتمد على التنقل عبر ممرات تشريحية ضيقة. ومع ذلك، فإن القدرة على المناورة باستخدام الأدوات الصلبة التقليدية غالباً ما تكون محدودة بسبب التعقيدات التشريحية الخاصة بالمريض (مثل الممرات الأنفية الضيقة، أو قاعدة الجمجمة الضيقة)، مما يزيد من خطر إلحاق الضرر بالبنى الوعائية العصبية الحرجة. وبينما تقدم الأدوات الروبوتية المرنة حلاً لهذه المشكلة، إلا أن سلوكها غير الخطي ومرونتها الفائقة (hyperelastic) وعدم وجود تحكم بديهي فيها يفرض تحديات كبيرة. وتواجه نماذج النمذجة التقليدية القائمة على الفيزياء (مثل الانحناء الثابت، أو نظرية قضيب كوزيرات، أو الانفعال الهندسي المتغير) صعوبة في التعامل مع الأجهزة الناعمة التي يتم تشغيلها مغناطيسياً، وذلك بسبب صعوبة توصيف خصائص المواد المطبوعة ثلاثية الأبعاد بدقة، وتعقيد عزم الدوران المغناطيسي المرتبط بالتهيئة، والتكلفة الحسابية للمحاكاة في الوقت الفعلي. علاوة على ذلك، ركزت الدراسات القائمة على التعلم الموجودة حالياً بشكل أساسي على الروبوتات التي تعمل بالأوتار أو بالضغط الهوائي، مما ترك فجوة في النمذجة القائمة على البيانات للأدوات الجراحية الناعمة التي تعمل مغناطيسياً والمزودة باستشعار مدمج.

المنهجية
يقترح المؤلفون إطار عمل للنمذجة القائمة على البيانات يقوم بربط مدخلات التشغيل المغناطيسي مباشرة بالتهيئة الهندسية لجهاز شفط ناعم مخصص.

• تصميم الجهاز: تم طباعة جهاز شفط ناعم مصغر (قطر خارجي 4 مم، قناة داخلية 2 مم، طول نشط 40 مم) باستخدام سيليكون SIL 30 المتوافق حيوياً. يتميز الجهاز بمغناطيس دائم في طرفه البعيد للتوجيه، ومستشعر ألياف براج (FBG) متعدد النوى مدمج لاستشعار الشكل في الوقت الفعلي.
• ترميز الشكل: تتم معالجة بيانات انفعال FBG الخام لإعادة بناء الخط المركزي للروبوت. ولإنشاء تمثيل مدمج ومنخفض الأبعاد مناسب للتعلم، يتم مطابقة الشكل المعاد بناؤه مع منحنى بيزييه (Bezier curve) تكعيبي محدد بأربع نقاط تحكم ($p_0$ إلى $p_3$). يتم تقييد النقاط الطرفية ($p_0, p_3$) بقاعدة وطرف الجهاز، بينما تحدد النقاط المتوسطة ($p_1, p_2$) ملف الانحناء.
• جمع البيانات التجريبية: أُجريت التجارب باستخدام نظام كهرومغناطيسي مكون من 8 ملفات. تم تشغيل الجهاز تحت مجالات مغناطيسية دوارة بمعاملات متغيرة: الشدة (0–14 مللي تسلا)، التردد (0.2–1.0 هرتز)، والمسافة الرأسية لطرف الجهاز عن طاولة الملف (90 ملم و100 ملم). نتج عن ذلك مجموعة بيانات تضم 5,097 عينة تجريبية.
• نهج النمذجة: تم تدريب بنيتين للتعلم الآلي للتنبؤ بنقاط تحكم بيزييه الأربع من معاملات المجال المغناطيسي ($b_x, b_y$، الشدة، التردد، والمسافة):
  1. الشبكة العصبية (NN): شبكة أمامية (feedforward) بثلاث طبقات مخفية.
  2. الغابة العشوائية (RF): مجموعة من 12 مُنظِّماً (regressors)، يحتوي كل منها على 200 شجرة قرار.

المساهمات الرئيسية

1. تصنيع الجهاز: تصميم وتصنيع جهاز شفط ناعم مصغر، مطبوع ثلاثي الأبعاد، ومتوافق حيوياً مع استشعار FBG مدمج، مصمم خصيصاً لجراحة الأعصاب عبر الأنف بالمنظار.
2. نموذج برمجي مبتكر: تقديم إطار عمل قائم على التعلم يربط مباشرة بين مدخلات المجال المغناطيسي ونقاط تحكم بيزييه. يتجاوز هذا النهج الحاجة إلى تحديد المعلمات التكوينية الصريحة والاشتقاقات الكينماتيكية التحليلية، مما يوفر تمثيلاً هندسياً مدمجاً وقابلاً للتفسير.
3. إطار عمل موحد: التكامل المفاهيمي بين توصيف المجال المغناطيسي، واستشعار FGB المدمج، والتعلم القائم على بيزييه في استراتيجية نمذجة واحدة قابلة للتطبيق على غيرها من الروبوتات المستمرة التي تعمل مغناطيسياً.
4. التحقق التجريبي: التحقق الشامل الذي يثبت قدرة الإطار المقترح على نمذجة السلوك المعقد وغير الخطي والاعتماد على التردد للروبوتات الناعمة التي تعمل مغناطيسياً.

النتائج

• أداء النموذج: تفوقت نموذج الغابة العشوائية (RF) بشكل كبير على الشبكة العصبية (NN) في جميع المقاييس. حقق نموذج RF متوسط جذر متوسط مربع الخطأ (RMSE) قدره 0.087 ملم في التنبؤ بنقاط التحكم، مقارنة بـ 0.121 ملم للشبكة العصبية.
• إعادة بناء الشكل: حقق نموذج RF متوسط خطأ في إعادة بناء الشكل قدره 0.064 ملم. كان توزيع الخطأ أكثر إحكاماً ومركزية حول الصفر في نموذج RF، خاصة بالنسبة لنقاط التحكم البعيدة ($p_2$ و $p_3$)، والتي تعد بالغة الأهمية لتحديد موقع الطرف.
• أهمية الميزات: كشف التحليل أن مكونات المجال المغناطيسي ($b_x, b_y$) تؤثر بشكل أساسي على نقاط التحكم البعيدة، بينما يؤثر تردد التشغيل والمسافة الرأسية بشكل كبير على تهيئة القاعدة والتموضع الرأسي.
• الكفاءة الحسابية: أظهر نموذج RF كفاءة حسابية عالية مناسبة للاستدلال في الوقت الفعلي، مع وقت تنبؤ لكل عينة يبلغ حوالي $7.89 \times 10^{-5}$ ثانية.

الأهمية والادعاءات
يدعي البحث أنه يقدم أول تطبيق لنموذج تنبؤ بالشكل قائم على التعلم مصمم خصيصاً للأجهزة الجراحية الناعمة التي تعمل مغناطيسياً والمزودة باستشعار FBG مدمج. تكمن أهمية هذا العمل في قدرته على نمذجة السلوك غير الخطي المعقد للروبوتات الناعمة دون الاعتماد على افتراضات فيزيائية مبسطة أو معلمات مواد يصعب الحصول عليها. ومن خلال تحقيق دقة تنبؤ أقل من المليمتر واستدلال في الوقت الفعلي، يضع هذا الإطار حجر الأساس للتحكم الذكي في الأدوات التي تعمل مغناطيسياً في جراحات الأعصاب طفيفة التوغل.

يؤكد المؤلفون أنه بينما يوفر النهج القائم على التعلم مساراً عملياً للتوصيف السريع للجهاز، فإنه يعتبر مكملاً للأطر القائمة على الفيزياء. كما يقرون بالقيود، بما في ذلك الاعتماد على نموذج أولي واحد (خاص بالجهاز)، واستخدام مجالات مغناطيسية دوارة مثالية، وغياب تأثيرات التفاعل مع الأنسجة في بيانات التدريب الحالية. وبناءً على ذلك، يضع المؤلفون هذا العمل كنموذج أولي ضروري للتوصيف، مع الحاجة إلى عمل مستقبلي للتحقق من القدرة على التعميم عبر أجهزة متعددة، ودمج بيانات التفاعل مع الأنسجة، واختبار الأداء في البيئات المغناطيسية السريرية المعقدة.