AENEAS Project: First real-time intraoperative application of machine vision-based anatomical guidance in neurosurgery

El proyecto AENEAS demuestra por primera vez la viabilidad clínica de un sistema de visión artificial en tiempo real basado en YOLOv8 y TensorRT que proporciona orientación anatómica automatizada durante cirugías endoscópicas endonasales, logrando una precisión media (AP50) de 0.56 y una latencia de 47.81 ms.

Lo esencial

Imagina que un cirujano neurocirujano está realizando una operación muy delicada dentro de la nariz y el cráneo (una cirugía endoscópica). Es como intentar encontrar una aguja en un pajar, pero el "pajar" es el interior de tu cabeza y la "aguja" es una estructura vital que no debes tocar. Hasta ahora, el cirujano tenía que confiar únicamente en su memoria y en lo que veía a través de una cámara, lo cual es como conducir un coche de noche con niebla espesa: requiere mucha concentración y puede ser agotador.

El proyecto AENEAS es como haber instalado un GPS en tiempo real para ese cirujano.

Aquí te explico cómo funciona este "GPS" con un lenguaje sencillo:

1. El "Cerebro" del Sistema (La Inteligencia Artificial)

Los investigadores crearon un programa de computadora muy inteligente (llamado YOLOv8) que aprendió a reconocer las partes del cerebro y los huesos de la nariz.

• La analogía: Imagina que le mostraste al programa miles de fotos de operaciones pasadas, como si le dieras a un estudiante miles de libros de anatomía para que estudiara de noche. El estudiante aprendió a decir: "¡Eso es un hueso!", "¡Eso es un nervio!", "¡Cuidado, eso es una arteria!".

2. La "Carrera de Relevos" (La Tecnología)

Para que este estudiante sea útil en una operación real, no puede ser lento. Si tarda en pensar, el cirujano podría cometer un error. Por eso, los científicos hicieron una "carrera de relevos" tecnológica:

• Primero, el modelo se entrenó en un entorno de aprendizaje (PyTorch).
• Luego, lo tradujeron a un idioma que las máquinas entienden rápido (ONNX).
• Finalmente, lo pusieron en un motor de carreras de alto rendimiento (NVIDIA TensorRT) para que vaya a toda velocidad.
• El resultado: Todo este proceso ocurre en una caja pequeña y potente (NVIDIA Clara AGX) que está conectada a la cámara del cirujano.

3. El "Superpoder" en Tiempo Real

Durante la operación, la cámara graba el video y lo envía a este "cerebro" artificial.

• Lo que hace: El sistema mira el video, identifica las estructuras importantes y dibuja un recuadro o etiqueta sobre ellas al instante, justo en la pantalla que ve el cirujano.
• La velocidad: Es tan rápido que tarda menos de medio segundo (47 milisegundos) en ver la imagen, pensar y mostrar la etiqueta. Es más rápido que el parpadeo de un ojo humano.
• La precisión: En las pruebas, el sistema acertó en el 56% de las veces cuando se le pedía que identificara las cosas con una precisión muy alta. Aunque no es perfecto al 100%, es lo suficientemente bueno para ser un gran ayudante.

¿Por qué es importante?

Antes, nadie había logrado que esta tecnología funcionara mientras el cirujano estaba operando a un paciente vivo.

• El beneficio: Es como tener un copiloto experto que te dice: "Oye, a tu izquierda hay un nervio importante, ten cuidado". Esto ayuda al cirujano a no perderse, reduce su estrés mental (carga cognitiva) y sirve como un excelente profesor para los cirujanos que están aprendiendo.

En resumen:
El proyecto AENEAS es el primer paso para que la inteligencia artificial deje de ser solo un "estudiante de libros" y se convierta en un copiloto en vivo dentro del quirófano, ayudando a los cirujanos a ver lo invisible y operar con mayor seguridad y confianza.

Resumen técnico

Resumen Técnico Detallado: Proyecto AENEAS

A continuación se presenta un análisis técnico del artículo sobre el proyecto AENEAS, el cual marca un hito en la integración de la inteligencia artificial en el entorno quirúrgico.

1. El Problema

A pesar de que los sistemas existentes de reconocimiento anatómico han demostrado un rendimiento prometedor en entornos fuera de línea (offline), existe una brecha crítica en la implementación clínica: ningún sistema había sido desplegado previamente durante operaciones en vivo. La neurocirugía, específicamente la cirugía endoscópica endonasal, requiere una orientación anatómica precisa y constante. La falta de asistencia automatizada en tiempo real obliga a los cirujanos a depender exclusivamente de su experiencia visual y cognitiva, lo que puede aumentar la carga mental y el riesgo de errores de orientación en corredores quirúrgicos complejos.

2. Metodología

El equipo desarrolló un sistema de visión por máquina diseñado específicamente para la detección automática de estructuras anatómicas durante la cirugía. La arquitectura técnica se basa en los siguientes componentes:

• Modelo de IA: Se entrenó un modelo de detección de anatomía en tiempo real utilizando la arquitectura YOLOv8 (desarrollada por Ultralytics) dentro del entorno PyTorch.
• Optimización para Despliegue: Tras el entrenamiento, el modelo se exportó al formato ONNX y se optimizó posteriormente utilizando el motor NVIDIA TensorRT para maximizar la velocidad de inferencia.
• Plataforma de Ejecución: El sistema se desplegó utilizando el SDK NVIDIA Holoscan, ejecutándose en un kit de desarrollador NVIDIA Clara AGX. Esta configuración permite el procesamiento de video quirúrgico con baja latencia.
• Validación: El rendimiento del modelo se comparó contra videos etiquetados manualmente (referencia "ground truth"). Las métricas de evaluación incluyeron:
  • Precisión Media (AP50): Calculada con un umbral de Intersección sobre Unión (IoU) de 0.5.
  • Latencia: Se midió el retraso de extremo a extremo, desde la adquisición del cuadro de video hasta la visualización de la salida anotada.

3. Contribuciones Clave

Este estudio presenta varias contribuciones fundamentales al campo de la neurocirugía asistida por computadora:

• Primera Implementación Intraoperatoria: Es el primer reporte de un sistema de visión por máquina de grado clínico que funciona en tiempo real durante una cirugía neuroquirúrgica humana.
• Pipeline de Optimización de Alto Rendimiento: Demuestra la viabilidad de una cadena de herramientas completa (PyTorch → ONNX → TensorRT → Holoscan) para llevar modelos de IA desde el laboratorio al quirófano.
• Guía Anatómica Continua: Proporciona una asistencia automatizada que identifica hitos anatómicos críticos en el corredor transesfenoidal sin interrupción, superando la limitación de los sistemas puramente de análisis post-hoc.

4. Resultados

Los resultados experimentales validan la viabilidad técnica del sistema:

• Rendimiento de Detección: El modelo alcanzó una Precisión Media (AP50) de 0.56. Se observó una detección fiable de los hitos anatómicos más relevantes dentro del corredor transesfenoidal.
• Rendimiento en Tiempo Real: El sistema logró una latencia de extremo a extremo extremadamente baja, con una media de 47.81 ms y una mediana de 46.57 ms. Este nivel de velocidad es crucial para que la asistencia sea percibida como "en tiempo real" por el cirujano y no interfiera con el flujo de trabajo quirúrgico.

5. Significado e Impacto

El proyecto AENEAS representa un paso inicial decisivo hacia la integración de la IA en los flujos de trabajo neuroquirúrgicos rutinarios. Su impacto potencial se manifiesta en tres áreas principales:

1. Mejora de la Orientación: Ofrece una guía anatómica continua que ayuda a los cirujanos a navegar por estructuras complejas con mayor precisión.
2. Reducción de la Carga Cognitiva: Al automatizar la identificación de estructuras, libera recursos mentales del cirujano para otras tareas críticas de la operación.
3. Herramienta de Formación: Funciona como un potente sistema de entrenamiento para residentes y cirujanos en formación, proporcionando retroalimentación visual inmediata sobre la anatomía.

En conclusión, el estudio demuestra que la asistencia quirúrgica basada en visión por máquina de grado clínico es técnicamente factible y sienta las bases para futuras aplicaciones de IA en la cirugía mínimamente invasiva.