Generalizing Soft Tissue Deformation and Force Prediction Across Material Stiffness and Geometry

Stellen Sie sich die Hand eines Chirurgen vor, die ein Roboterwerkzeug durch empfindliches, lebendes Gewebe führt. Um diese Interaktion sicher und realistisch zu gestalten, muss der Computer, der den Roboter steuert, genau wissen, wie sich dieses Gewebe verformt, dehnt und zurückdrückt. Dies ist das Herzstück der chirurgischen Simulation: die Erstellung eines digitalen Zwillingen des menschlichen Körpers, der mit perfekter physikalischer Wahrheit reagiert. Seit Jahrzehnten verlassen sich Wissenschaftler auf komplexe Physik-Engines, um diese Reaktionen zu berechnen, indem sie massive Gleichungen für jeden winzigen Punkt innerhalb eines virtuellen Organs lösen. Obwohl diese Berechnungen unglaublich genau sind, sind sie auch quälend langsam und benötigen oft Sekunden oder gar Minuten, um eine einzige Bewegung zu berechnen. In einem echten Operationssaal oder in einer Trainingssitzung, in der ein Chirurg sofortiges Feedback benötigt, ist diese Verzögerung zu lang. Das Ziel war schon immer, einen Weg zu finden, diese Simulationen schnell genug zu machen, damit sie sich echt anfühlen, ohne die Präzision zu verlieren, die Patienten schützt.

Ein Team von Forschern der Universität Basel hat einen bedeutenden Schritt in Richtung dieses Ziels unternommen, indem es sorgfältige physikalische Experimente mit einer neuen Art von künstlicher Intelligenz kombiniert hat. Ihre Arbeit adressiert ein hartnäckiges Problem: Die meisten Computermodelle für Weichgewebe funktionieren gut für eine spezifische Art von Material, wie etwa eine feste Leber oder eine weiche Niere, versagen jedoch, wenn sich die Steifigkeit ändert. Wenn ein Chirurg von einem festen Organ zu einem weicheren wechselt, brechen die alten Modelle oft zusammen und liefern unrealistische Ergebnisse. Die Forscher wollten ein einziges, intelligentes System bauen, das in der Lage ist, das Verhalten von Weichgewebe über ein breites Spektrum an Steifigkeitsgraden und Formen hinweg zu verstehen und vorherzusagen – und das alles, während es schnell genug für die Echtzeitnutzung läuft.

Um dies zu lösen, begann das Team mit der physischen Welt. Sie erstellten eine Reihe von Testobjekten aus Silikon, einem Material, das häufig verwendet wird, um menschliches Gewebe nachzubilden. Sie mischten das Silikon mit unterschiedlichen Mengen eines Weichmachers, um drei verschiedene Versionen zu erstellen: eine sehr feste, eine mittelfeste und eine recht weiche. Sie gossen diese Mischungen in lange, zylindrische Balken und hängten sie unter ihrem eigenen Gewicht auf, um zu beobachten, wie sie sich natürlich bogen und durchhingen. Indem sie diese Balken mit einem Standard-Smartphone fotografierten und Software zur Korrektur der Kamerawinkel verwendeten, erfassten sie präzise Messungen der Materialverformung. Diese realen Beobachtungen dienten als Goldstandard – als die „Ground Truth“, gegen die alle Computermodelle getestet werden würden.

Als Nächstes wandten sich die Forscher der Computerwelt zu, um zu prüfen, welche mathematischen Regeln dieses Biegen am besten beschreiben. Sie testeten verschiedene Theorien darüber, wie sich weiche Materialien verhalten, und führten Simulationen durch, die versuchten, die exakte Art und Weise zu replizieren, wie ihre Silikonbalken unter der Schwerkraft durchhingen. Sie fanden heraus, dass einige Theorien zwar gut für die festeren Materialien funktionierten, aber bei den weicheren Materialien Schwierigkeiten bekamen. Zwei spezifische Theorien, bekannt als Ogden- und Mooney-Rivlin-Modelle, stachen als die zuverlässigsten über alle drei Steifigkeitsstufen hinweg hervor. Selbst diese guten Modelle mussten jedoch in ihren internen Einstellungen sorgfältig abgestimmt werden, um perfekt zum realen Silikon zu passen. Dieser Kalibrierungsschritt war entscheidend; ohne ihn wären die Computordaten, die die künstliche Intelligenz lehren, fehlerhaft gewesen, was zu einem System geführt hätte, das die falschen Lektionen lernt.

Nachdem die Physikmodelle kalibriert und vertrauenswürdig waren, generierte das Team eine massive Bibliothek an Trainingsdaten. Anstatt nur Balken aufzuhängen, simulierten sie ein Szenario, das eher einer Operation gleicht: Eine virtuelle Sonde dringt in einen Block aus Weichgewebe ein, der versteckte, starre Formen im Inneren enthält, wie etwa Knochen oder Tumore. Sie führten tausende dieser Einstich-Simulationen durch und variierten dabei die Form der verborgenen Objekte, den Ort des Einstichs und die Steifigkeit des Gewebes. Dies erzeugte einen reichhaltigen Datensatz, der genau zeigte, wie sich die Oberfläche des Gewebes bewegte und wie viel Kraft die Sonde in jedem Moment spürte.

Das letzte Puzzleteil war die künstliche Intelligenz selbst. Die Forscher verwendeten eine spezialisierte Art von neuronalem Netzwerk, ein Computerprogramm, das darauf ausgelegt ist, aus unstrukturierten Daten wie den unregelmäßigen Formen von Weichgewebe zu lernen. Sie modifizierten dieses Netzwerk so, dass es der „Weichheit“ des Materials als eine Schlüsselinformation Aufmerksamkeit schenkt. Indem sie das Netzwerk mit den kalibrierten Simulationsdaten fütterten, brachten sie ihm bei, vorherzusagen, wie sich ein Stück Gewebe verformen würde und wie stark es zurückdrücken würde – allein durch das Betrachten seiner Form und das Wissen um seine Steifigkeit. Das Ergebnis war ein System, das in der Lage war, eine neue, noch nicht gesehene Form und einen spezifischen Steifigkeitsgrad zu nehmen und das Ergebnis sofort vorherzusagen.

Die Ergebnisse waren beeindruckend. Das neue System konnte die Bewegung des Gewebes mit einem durchschnittlichen Fehler von weniger als einem Millimeter vorhersagen – ein Präzisionsniveau, das für das menschliche Auge praktisch unsichtbar ist. Es sagte auch die beteiligten Kräfte mit hoher Genauigkeit voraus, wobei die Präzision dieser Kraftvorhersagen stark davon abhing, wie gut das zugrunde liegende Physikmodell kalibriert war. Wenn das Physikmodell konsistent war, waren die Kraftvorhersagen zuverlässig; wenn das Physikmodell mit sehr steifen Materialien kämpfte, wurden die Kraftvorhersagen variabler. Entscheidend war, dass das System diese Berechnungen in nur 0,010 Sekunden durchführte – eine Geschwindigkeit, die schnell genug ist, um mit einer menschlichen Hand in Echtzeit Schritt zu halten.

Diese Arbeit zeigt, dass es möglich ist, ein einziges, universell einsetzbares Werkzeug zur Simulation von Weichgewebe zu bauen, das über verschiedene Materialien und Formen hinweg funktioniert. Indem sie die künstliche Intelligenz in sorgfältig kalibrierte physikalische Experimente einbetteten, stellten die Forscher sicher, dass der Computer von der Realität lernte und nicht nur von abstrakter Mathematik. Obwohl das System noch kein Ersatz für einen menschlichen Chirurgen ist, bietet es eine leistungsstarke neue Möglichkeit, medizinische Fachkräfte auszubilden und komplexe Eingriffe zu planen. Es deutet auf eine Zukunft hin, in der chirurgische Simulatoren sich sofort an die einzigartigen, variierenden Texturen des menschlichen Körpers anpassen können und ein realistisches Feedback liefern, das sich so natürlich anfühlt wie die Berührung des echten Objekts.