Tele-Cranio: A CT-free AI Solution for Remote Diagnosis and Planning of Craniomaxillofacial Deformities

Resumen Técnico: Tele-Cranio

Planteamiento del Problema

El cuidado de las deformidades craneomaxilofaciales (CMF) depende en gran medida de la Tomografía Computarizada (TC) o la Tomografía Computarizada de Haz Cónico (CBCT) para el diagnóstico esquelético definitivo y la planificación quirúrgica. Sin embargo, esta dependencia crea barreras significativas para la evaluación remota, el seguimiento longitudinal y la comunicación con el paciente, particularmente en poblaciones pediátricas. La necesidad de imágenes vinculadas a instalaciones y con alta carga de radiación para cada etapa de la atención —desde el cribado inicial hasta el monitoreo postoperatorio— impone cargas económicas, inaccesibilidad geográfica y riesgos acumulativos de radiación. Si bien el aprendizaje profundo ha avanzado en la reconstrucción facial 3D a partir de imágenes 2D, los métodos existentes están limitados por su dependencia de flujos de trabajo de 3D a 3D (que requieren escáneres o TC) y por haber sido entrenados en conjuntos de datos de sujetos normales, lo que los hace ineficaces para las complejas variaciones morfológicas encontradas en las deformidades CMF (por ejemplo, labio y paladar hendido, microsemia facial). Existe una brecha crítica en herramientas libres de radiación e independientes del equipo que sean capaces de inferir la morfología esquelética a partir de datos de superficie para apoyar el triaje remoto y la comunicación con el paciente sin reemplazar la planificación definitiva basada en TC.

Metodología

Los autores proponen Tele-Cranio, un marco de IA diseñado para reconstruir la morfología facial 3D, inferir las estructuras esqueléticas subyacentes y simular los resultados postoperatorios utilizando únicamente fotografías faciales 2D adquiridas mediante dispositivos móviles. El sistema opera a través de un flujo de trabajo clínico de tres fases:

1. Construcción del Recurso de Datos
Se construyó un conjunto de datos multiinstitucional de 539 muestras pareadas, que comprende fotografías clínicas 2D, escaneos faciales 3D con textura (3dMD) y modelos esqueléticos derivados de alta resolución de TC. La cohorte incluye 205 controles normales y 334 pacientes con diversas deformidades CMF (maloclusión, labio y paladar hendido, hemifacial microsemia y anomalías raras). Se realizó un registro riguroso por parte de cirujanos experimentados para asegurar la correspondencia a nivel de vértices entre las superficies de tejido blando y esqueléticas, creando una base de topología consistente para el entrenamiento.

2. Fase I: Reconstrucción Facial 3D con Conciencia de la Deformidad
El flujo de trabajo comienza convirtiendo fotografías faciales 2D de múltiples vistas, capturadas con un smartphone, en una superficie facial 3D con topología consistente.

• Procesamiento de Entrada: Las imágenes se someten a una normalización mediante RetinaFace para la detección de puntos de referencia (landmarks) y una transformación afín a un sistema de coordenadas canónico.
• Reconstrucción: Se emplea un Modelo Morfológico Facial Paramétrico (3DMM), donde un codificador profundo predice los coeficientes de geometría, albedo, pose e iluminación.
• Refinamiento: Un módulo de refinamiento optimiza la reconstrucción gruesa inicial minimizando una pérdida de reproyección de puntos de referencia multivista ponderada por residuos, guiada por un detector de puntos de referencia ajustado para casos de deformidad. Esto produce una superficie facial 3D refinada ($F_{refine}$).

3. Fase II: Inferencia Transmodal mediante BCM-D
El motor de inferencia central es el Modelo de Deformidad de Cráneo-Maxilar Bidireccional (BCM-D).

• Arquitectura: El BCM-D utiliza una formulación de espacio latente compartido. Aplica el Análisis de Componentes Principales (PCA) a los vectores concatenados de la geometría de la cara y el cráneo para aprender una base geométrica conjunta ($B_{BCM-D}$) que captura el acoplamiento estadístico entre el tejido blando facial y el hueso craneal a través de morfologías normales y patológicas.
• Inferencia de Cara a Cráneo: Dada la cara 3D reconstruida ($V_f^{refine}$), el modelo estima el vector de coeficientes latentes compartidos ($\alpha_{BCM-D}$) minimizando el error de proyección contra el componente facial de la base. Este coeficiente se aplica luego al componente esquelético para inferir la morfología craneal específica del paciente ($V_s^{pred}$).
• Inferencia de Cráneo a Cara: Inversamente, dada una geometría esquelética planificada ($V_s^{plan}$), el modelo infiere el coeficiente latente correspondiente para predecir la superficie facial postoperatoria ($V_f^{pred}$).

4. Fase III: Simulación Inversa Condicionada por la Cirugía
Para apoyar las discusiones de planificación quirúrgica, el sistema realiza una simulación inversa. Los clínicos definen las modificaciones esqueléticas (por ejemplo, osteotomías) utilizando herramientas de planificación estándar. Estos cambios esqueléticos planificados se pasan a través de la vía de cráneo-a-cara del BCM-D para generar una vista previa facial postoperatoria específica del paciente. Se optimiza un campo de desplazamiento residual para preservar las relaciones de espesor de tejido local derivadas de los datos preoperatorios, combinando la prioridad estadística con las restricciones anatómicas específicas del paciente.

Resultados Clave

El sistema fue validado en subgrupos heterogéneos de CMF utilizando métricas que incluyen el Error Cuadrático Medio (RMSE), la distancia de Chamfer y el Recall@3 mm.

• Reconstrucción Facial 3D (Fase I): El módulo con conciencia de la deformidad logró un RMSE general de 1.95 ± 0.40 mm frente a los escaneos de referencia 3dMD. El rendimiento fue mayor en controles normales (RMSE 1.78 mm) y casos de maloclusión, con errores ligeramente superiores en labio y paladar hendido (CL/P) y deformidades no clasificadas debido a la discontinuidad del tejido local y las cicatrices.
• Inferencia Intrínseca 3D-a-3D (BCM-D): Cuando se le proporcionaron escaneos faciales 3D de verdad absoluta, el BCM-D demostró una alta precisión bidireccional, logrando un RMSE de 1.12 ± 0.13 mm para la inferencia de cara a cráneo y 1.17 ± 0.13 mm para la simulación de cráneo a cara.
• Desempeño de Extremo a Extremo (Foto 2D a Cráneo): En el flujo de trabajo completo (foto 2D $\to$ cara 3D $\to$ cráneo 3D), el sistema logró un RMSE general de 1.99 ± 0.39 mm y un Recall@3 mm de 0.78. Los errores se propagaron desde la etapa de reconstrucción de la imagen, resultando en mayores desviaciones en los grupos de deformidad complejos (CL/P, HFM) en comparación con los casos normales o de maloclusión.
• Simulación Inversa (Fase III): En un estudio de 42 pacientes sometidos a cirugía de doble mandíbula, las predicciones faciales postoperatorias de Tele-Cranio mostraron un error de distancia superficial global menor (1.16 ± 0.65 mm) en comparación con el estándar comercial ProPlan CMF (1.48 ± 0.83 mm) al utilizar entradas de planificación esquelética idénticas. Sin embargo, los errores residuales persistieron en las regiones periorales (por ejemplo, el filtrum, el borde bermellón) donde el tejido cicatricial y la dinámica muscular compleja desafían el modelado.

Significación y Reivindicaciones

El artículo posiciona a Tele-Cranio no como un reemplazo para el diagnóstico definitivo basado en TC o la planificación quirúrgica, sino como una herramienta adyacente accesible y libre de radiación para fases específicas del continuo de atención CMF.

• Utilidad Clínica: El sistema permite el triaje remoto, la consulta pre-TC y la visualización para el paciente de los posibles resultados, reduciendo así la necesidad de viajes innecesarios y la exposición repetida a la radiación durante el cribado y el seguimiento.
• Accesibilidad: Al desacoplar la evaluación preliminar de los equipos radiológicos a gran escala, Tele-Cranio extiende la evaluación morfológica orientada al especialista a entornos con recursos limitados o geográficamente remotos.
• Prioridades Basadas en Datos: El estudio demuestra que los modelos de aprendizaje profundo entrenados en conjuntos de datos diversos y ricos en patologías pueden aprender el complejo acoplamiento biomecánico entre el tejido blando y el hueso, incluso en presencia de deformidades severas, siempre que se disponga de datos pareados de alta calidad.
• Alcance Modesto: Los autores declaran explícicamente que los modelos esqueléticos generados son "referencias anatómicas visuales preliminares" adecuadas para la comunicación y la discusión de la planificación, pero no capturan la arquitectura ósea volumétrica ni las patologías internas. Por consiguiente, la TC o CBCT sigue siendo obligatoria para la planificación de grado operativo, el diseño de osteotomías y la evaluación de riesgos.

El trabajo establece una prueba de concepto para una "modalidad sin contacto y libre de radiación" que complementa los flujos de trabajo tradicionales, con el objetivo de mejorar el cumplimiento del paciente, la comunicación y la eficiencia de la atención CMF, reconociendo al mismo tiempo las limitaciones de la inferencia basada en la superficie en casos patológicos complejos.