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

Resumen Técnico: Modelado Basado en Aprendizaje de un Dispositivo de Succión Blando con Dirección Magnética

Planteamiento del Probleza
La resección de tumores cerebrales endoscópica endonasal es una técnica mínimamente invasiva que depende de la navegación por corredores anatómicos estrechos. Sin embargo, la maniobrabilidad de los instrumentos rígidos convencionales suele verse limitada por las complejidades anatómicas específicas del paciente (p. ej., pasajes nasales estrechos, base del cráneo reducida), lo que aumenta el riesgo de daños a estructuras neurovasculares críticas. Aunque los instrumentos blandos robóticos ofrecen una solución, su comportamiento inherentemente no lineal e hiperelástico y la falta de un control intuitivo plantean desafíos significativos. Los enfoques de modelado basados en la física tradicionales (p. ej., Curvatura Constante, teoría de la varilla de Cosserat, Deformación Variable Geométrica) presentan dificultades para los dispositivos blandos accionados magnéticamente debido a la dificultad de caracterizar con precisión las propiedades de los materiales impresos en 3D, la complejidad de los torques magnéticos dependientes de la configuración y el costo computacional de la simulación en tiempo real. Además, los estudios actuales basados en aprendizaje se han centrado principalmente en robots accionados por tendones o neumáticos, dejando un vacío en el modelado basado en datos para herramientas quirúrgicas blandas accionadas magnéticamente con sensores integrados.

Metodología
Los autores proponen un marco de modelado basado en datos que mapea directamente las entradas de accionamiento magnético a la configuración geométrica de un dispositivo de succión blando personalizado.

• Diseño del Dispositivo: Se imprimió en 3D un dispositivo de succión blando miniaturizado (4 mm de diámetro exterior, 2 mm de canal interno, 40 mm de longitud activa) utilizando silicona biocompatible SIL 30. Cuenta con un imán permanente distal para la dirección y un sensor de Red de Bragg en Fibra (FBG) multinúcleo integrado para el sensor de forma en tiempo real.
• Codificación de la Forma: Los datos de deformación de la FBG se procesan para reconstruir la línea central 3D del robot. Para crear una representación compacta y de baja dimensión apta para el aprendizaje, la forma reconstruida se ajusta a una curva de Bezier cúbica definida por cuatro puntos de control ($p_0$ a $p_3$). Los extremos ($p_0, p_3$) están restringidos a la base y la punta del dispositivo, mientras que los puntos intermedios ($p_1, p_2$) definen el perfil de curvatura.
• Recolección de Datos Experimentales: Los experimentos se realizaron utilizando un sistema electromagnético de 8 bobinas. El dispositivo fue accionado bajo campos magnéticos rotatorios con parámetros variables: magnitud (0–14 mT), frecuencia (0.2–1.0 Hz) y distancia vertical de la punta respecto a la mesa de bobinas (90 mm y 100 mm). Esto resultó en un conjunto de datos de 5,097 muestras experimentales.
• Enfoques de Modelado: Se entrenaron dos arquitecturas de aprendizaje automático para predecir los cuatro puntos de control de Bezier a partir de los parámetros del campo magnético ($b_x, b_y$, magnitud, frecuencia y distancia):
  1. Red Neuronal (NN): Una red de alimentación hacia adelante (feedforward) con tres capas ocultas.
  2. Bosque Aleatorio (RF): Un conjunto de 12 regresores, cada uno con 200 árboles de decisión.

Contribuciones Clave

1. Fabricación del Dispositivo: El diseño y la fabricación de un dispositivo de succión blando miniaturizado, impreso en 3D y biocompatible, con detección FBG integrada, diseñado específicamente para la neurocirugía endoscópica endonasal.
2. Nuevo Paradigma de Modelado: La introducción de un marco basado en el aprendizaje que vincula directamente las entradas del campo magnético con los puntos de control de Bezier. Este enfoque evita la necesidad de una identificación explícita de parámetros constitutivos y derivaciones cinemáticas analíticas, ofreciendo una representación geométrica compacta e interpretable.
3. Marco Unificado: La integración conceptual de la caracterización del campo magnético, la detección FBG integrada y el aprendizaje basado en Bezier en una única estrategia de modelado aplicable a otros robots continuos accionados magnéticamente.
4. Validación Experimental: Validación exhaustiva que demuestra que el marco propuesto puede modelar con precisión el comportamiento complejo, no lineal y dependiente de la frecuencia de los robots blandos hiperelásticos bajo accionamiento magnético.

Resultados

• Desempeño del Modelo: El modelo de Bosque Aleatorio (RF) superó significativamente a la Red Neuronal (NN) en todas las métricas. El modelo RF logró un error cuadrático medio (RMSE) promedio de 0.087 mm en la predicción de los puntos de control, frente a los 0.121 mm de la NN.
• Reconstrucción de la Forma: El modelo RF produjo un error de reconstrucción de forma promedio de 0.064 mm. La distribución del error fue más ajustada y centrada en cero para el modelo RF, particularmente para los puntos de control distales ($p_2$ y $p_3$), que son críticos para el posicionamiento de la punta.
• Importancia de las Características: El análisis reveló que los componentes del campo magnético ($b_x, b_y$) influyen predominantemente en los puntos de control distales, mientras que la frecuencia de accionamiento y la distancia vertical afectan significamente la configuración de la base y el posicionamiento vertical.
• Eficiencia Computacional: El modelo RF demostró una alta eficiencia computacional adecuada para la inferencia en tiempo real, con un tiempo de predicción por muestra de aproximadamente $7.89 \times 10^{-5}$ segundos.

Significancia y Reivindicaciones
El artículo afirma presentar la primera aplicación de un modelo de predicción de forma basado en el aprendizaje diseñado específicamente para dispositivos quirúrgicos blandos accionados magnéticamente equipados con detección FBG integrada. La significancia de este trabajo radica en su capacidad para modelar el comportamiento complejo y no lineal de los robots blandos sin depender de suposiciones físicas simplificadas o parámetros de materiales difíciles de obtener. Al lograr una precisión de predicción submilimétrica y una inferencia en tiempo real, el marco establece una base para el control inteligente de herramientas accionadas magnéticamente en la neurocirugía mínimamente invasiva.

Los autores enfatizan que, si bien el enfoque basado en el aprendizaje ofrece una vía pragmática para la caracterización rápida de dispositivos, es complementario a los marcos basados en la física. Reconocen limitaciones, incluyendo la dependencia de un único prototipo (específico del dispositivo), el uso de campos magnéticos rotatorios idealizados y la ausencia de efectos de interacción con el tejido en los datos de entrenamiento actuales. Por consiguiente, los autores posicionan este trabajo como una caracterización de línea base necesaria, requiriendo trabajos futuros para validar la generalización a través de múltiples dispositivos, incorporar datos de interacción con tejidos y probar el desempeño en entornos magnéticos clínicos complejos.