Vascular Geometry Characterization for AI-Based Endovascular Navigation

Resumen Técnico: Caracterización de la Geometría Vascular para la Navegación Endovascular Basada en IA

Planteamiento del Problema
La trombectomía mecánica (TM) es el tratamiento estándar de oro para el accidente cerebrovascular isquémico agudo, pero el acceso está limitado por la escasez de neurorradiólogos especializados. Si bien el Aprendizaje por Refuerzo (RL) ofrece una vía para automatizar la navegación endovascular, el campo carece de marcos estandarizados para evaluar la dificultad de la navegación. Los entornos de prueba (benchmarks) de código abierto actuales suelen depender de geometrías vasculares simplificadas, y los conjuntos de datos disponibles públicamente que incorporan la vasculatura real de pacientes son escasos. Además, incluso cuando se utiliza vasculatura real, la geometría y la complejidad vascular rara vez se cuantifican, lo que impide una interpretación significativa del rendimiento del agente en relación con la dificultad anatómica. Esta brecha dificulta la comparación de modelos entre instituciones y ralentiza el progreso de la investigación.

Metodología
El estudio empleó una metodología de cuatro pasos para caracterizar sistemáticamente las características vasculares y analizar su asociación con los resultados de la navegación:

1. Segmentación de Datos y Extracción de la Línea Media: Se segmentaron árboles vasculares a partir de exploraciones de Angiotomografía Computarizada (ATC) de 61 pacientes utilizando 3D Slicer y el Vascular Modeling Toolkit. Esto produjo líneas medias, puntos finales de ramificación y radios de los vasos.
2. Extracción Automatizada de Métricas: Un flujo de trabajo personalizado en Python cuantificó automáticamente ocho métricas morfológicas y geométricas:
   • Tipo de Arco Aórtico: Clasificado como Tipo I, II o III basándose en la distancia vertical entre el origen de la arteria braquiocefálica (BCA) y el ápice del arco en relación con el diámetro de la carótida común izquierda (LCCA).
   • Presencia de Arco Bovino: Determinada por la intersección geométrica de las líneas medias de la BCA y la LCCA.
   • Longitud del Vaso: Medida desde el origen aórtico hasta la bifurcación de la carótida común (CCA).
   • Tortuosidad: Calculada como la relación entre la longitud geodésica y la longitud euclidiana.
   • Radios de los Vasos: Radios medios en los orígenes de la BCA, la carótida común derecha (RCCA) y la LCCA.
   • Ángulos de Desprendimiento (Take-off Angles): El ángulo entre la línea media del arco aórtico y la línea media del vaso en el origen.
   • Curvas Inversas: Segmentos donde el ángulo del vaso respecto al eje del árbol vascular global excedió los 100°.
3. Simulación de Navegación Autónoma: Se entrenó un agente de aprendizaje por refuerzo de Actor-Crítico Suave (SAC) para navegar un guía y un catéter de guía desde la parte superior de la aorta descendente hacia la RCCA o la LCCA. Para aislar el efecto de la geometría vascular, se entrenó un agente de RL separado para cada uno de los 61 modelos vasculares específicos de pacientes bajo condiciones idénticas. Cada agente se sometió a un máximo de $1 \times 10^6$ pasos de exploración.
4. Análisis Estadístico: Se utilizaron modelos de regresión lineal y logística de efectos mixtos para analizar las asociaciones entre las métricas vasculares cuantificadas y los resultados de la navegación (tasa de éxito, tiempo de procedimiento y ratio de trayectoria) a través de 2,440 episodios de evaluación. Los efectos aleatorios dieron cuenta de la variabilidad entre los árboles vasculares, mientras que los efectos fijos estimaron el impacto de métricas específicas.

Contribuciones Clave

• Flujo de Trabajo de Cuantificación Automatizada: Los autores introdujeron un flujo de trabajo reproducible para extraer características vasculares a partir de líneas medias derivadas de ATC. Esto permite la comparación del rendimiento de los modelos de RL en diferentes entornos vasculares sin necesidad de compartir los datos de imagen crudos de los pacientes, preservando así la privacidad.
• Análisis Sistemático de Características: Utilizando un agente de RL autónomo de última generación como un "operador" constante, el estudio realizó un análisis detallado para identificar qué características vasculares específicas predicen un rendimiento de navegación alto o bajo, ampliando la limitada evidencia sobre las influencias anatómicas en la TM.
• Conjunto de Datos de Mundo Real a Gran Escala: El análisis se llevó a cabo en el mayor conjunto de datos de vasculaturas reales derivadas de ATC utilizado hasta la fecha para simulaciones de navegación endovascular autónoma.

Resultos
El estudio encontró que la geometría vascular influye significativamente en la dificultad de la navegación, observándose patrones distintos para la navegación del lado izquierdo y del derecho:

• Navegación del Lado Izquierdo:
  • La presencia de un arco bovino aumentó el tiempo de navegación en 30.19 segundos y redujo el ratio de trayectoria.
  • El Arco Aórtico Tipo II/III aumentó el tiempo de navegación en 37.92 segundos.
  • El aumento de la tortuosidad prolongó significativamente el tiempo del procedimiento ($\beta = 118.20$) y redujo la probabilidad de éxito.
  • Un mayor ángulo de desprendimiento de la LCCA se asoció con un aumento en la probabilidad de éxito.
• Navegación del Lado Derecho:
  • El Arco Aórtico Tipo II/III extendió el tiempo del procedimiento en 45.94 segundos.
  • Cada curva inversa adicional se asoció con un aumento de 3.96 segundos en el tiempo de navegación y una menor probabilidad de éxito.
  • Un mayor ángulo de desprendimiento de la BCA se asoció con un aumento en la probabilidad de éxito.
• Observaciones Generales: Las tareas del lado derecho generalmente exhibieron tasas de éxito más altas y tiempos de procedimiento más cortos en comparación con las tareas del lado izquierdo. La vía del lado derecho también demostró una mayor variabilidad en longitud y tortuosidad.

Significancia y Reivindicaciones
El artículo afirma demostrar, por primera vez, que la dificultad de navegación del agente de TM está fuertemente influenciada por la geometría vascular. El flujo de trabajo automatizado propuesto permite la caracterización objetiva y cuantitativa de las características vasculares, proporcionando una base para:

1. Gradación de Complejidad Estandarizada: Establecer un marco consistente para evaluar la dificultad de la navegación.
2. Evaluación de Modelos de RL: Facilitar la comparación de modelos de aprendizaje por refuerzo a través de diferentes instituciones sin comprometer la privacidad del paciente.

Los autores declaran explícitamente que el propósito del estudio no es demostrar una navegación autónoma clínicamente generalizable. En su lugar, el agente de RL sirve como un operador in silico estandarizado para investigar la dificultad de navegación dependiente de la anatomía. El trabajo destaca el potencial de combinar la cuantificación automatizada de métricas con simulaciones de RL para estandarizar la evaluación de la complejidad, reconociendo al mismo tiempo las limitaciones, como la falta de validación frente al desempeño de expertos humanos y la restricción del análisis al arco aórtico y las arterias carótidas comunes. Se identifica la necesidad de trabajo futuro para expandir los conjuntos de datos, incorporar validación clínica y extender el marco a segmentos vasculares distales.