A hierarchical face-scalp-cortex mapping for non-invasive neuromodulation targeting without magnetic resonance images guidance

Resumen Técnico: Un mapeo jerárquico de cara-cuero cabelludo-corteza para la neuromodulación dirigida no invasiva sin guía de RM

Planteamiento del problema
Las técnicas de neuromodulación no invasivas, como la estimulación magnética transcraneal (EMT), la estimación ultrasónica transcraneal (ETU) y la fotobiomodulación transcraneal (fPBM), ofrecen tratamientos no farmacológicos eficaces para trastornos psiquiátricos y neurológicos. Sin embargo, el direccionamiento preciso depende típicamente de sistemas de neuronavegación dependientes de la resonancia magnética (RM) individual. Esta dependencia crea barreras significativas: las exploraciones de RM son costosas, consumen mucho tiempo, son inaccesibles para muchas instituciones y resultan incómodas para algunos pacientes. Además, las alternativas actuales libres de RM sufren de procedimientos manuales laboriosos, dependencia de la experiencia del operador o una falta de justificación teórica basada en principios para el mapeo de puntos de referencia superficiales a objetivos cerebrales internos. Existe una necesidad crítica de un marco unificado, automatizado y explicable que permita un direccionamiento preciso sin la guía de la RM.

Metodología
Los autores proponen un marco unificado basado en un mapeo jerárquico de cara-cuero cabelludo-corteza, integrado en un sistema de neuronavegación robótica sin marcadores. El flujo de trabajo consta de tres etapas principales:

1. Mapeo de Cara a Cuero Cabelludo (Reconstrucción de la Superficie Craneal):

   • Entrada: Una nube de puntos faciales adquirida mediante un escáner 3D portátil.
   • Modelo: Una arquitectura de modelado generativo 3D que combina un Autoencoder Variacional (VAE) y un Modelo de Difusión. El VAE extrae representaciones latentes topológicas de las estructuras faciales y craneales, mientras que el modelo de difusión aprende el mapeo del espacio latente facial al espacio latente craneal.
   • Proceso: El sistema toma la nube de puntos faciales como entrada condicional para generar un modelo de superficie craneal 3D completo, "rellenando" eficazmente las regiones faltantes del cuero cabelludo y la parte posterior de la cabeza basándose en correlaciones aprendidas de un gran conjunto de datos de 8.195 superficies faciales y craneales derivadas de RM emparejadas.
   • Privacidad: El modelado generativo se entrena en un servidor en la nube; solo la superficie craneal reconstruida se transmite de vuelta al sistema local, protegiendo la privacidad facial del paciente.

2. Mapeo de Corteza a Cuero Cabelludo (Localización del Objetivo):

   • Sistema de Coordenadas: Los autores introducen un sistema de Coordenadas de Ángulo de Cuero Cabelludo (SAC), definido por tres puntos de referencia anatómicos: la nasion (Nz) y los puntos preauriculares izquierdo y derecho (LPA/RPA). Este sistema representa los puntos del cuero cabelludo mediante coordenadas angulares ($S_\theta, S_\phi$) en lugar de distancias geodésicas.
   • Estrategia de Mapeo: Utilizando el conjunto de datos SLIM (292 participantes sanos), el sistema analiza estadísticamente las coordenadas de los objetivos corticales (en el espacio MNI) para construir un mapeo de corteza a cuero cabelludo a nivel poblacional. Este mapeo transforma un objetivo MNI deseado en una ubicación específica en la superficie craneal generada del individuo.
   • Ventaja: Este enfoque desacopla la construcción del mapeo de la necesidad de datos espaciales completos del cuero cabelludo, basándose en su lugar en los tres puntos de referencia clave que son fácilmente identificables en el escaneo facial.

3. Neuronavegación Robótica Sin Marcadores:

   • Hardware: Un brazo robótico de 6 grados de libertad (6-DOF) (UR5e) equipado con un aplicador de TMS y un sensor de fuerza/par de 6 ejes, guiado por una cámara de visión estéreo.
   • Registro: El sistema realiza un registro dinámico entre el modelo 3D virtual de la cabeza y la cabeza real del paciente utilizando puntos de referencia faciales detectados por IA (por ejemplo, puntos medios de los ojos, punta de la nariz).
   • Optimización: Para abordar la incertidumbre inherente de la detección de puntos de referencia basada en IA, el sistema emplea un algoritmo de optimización dinámica que refina los puntos de referencia del modelo virtual para minimizar los errores de registro entre el espacio de la cámara y el espacio de renderizado.
   • Ejecución: El robot posiciona el aplicador en el objetivo calculado y mantiene una fuerza de contacto constante (aprox. 4 N) mediante control de admitancia para garantizar la seguridad y la estabilidad durante el movimiento de la cabeza.

Contribuciones Clave

• Marco Unificado: El artículo cierra la brección entre la reconstrucción de la superficie geométrica y el mapeo de superficie a cerebro, proporcionando una explicación basada en principios para estimar los objetivos intracraneales únicamente a partir de datos faciales.
• Modelado Generativo: Demuestra la viabilidad de un modelo generativo basado en difusión para reconstruir superficies craneales completas a partir de escaneos faciales parciales, eliminando la necesidad de mediciones manuales del cuero cabelludo.
• Sistema de Coordenadas de Ángulo de Cuero Cabelludo (SAC): Se propone un nuevo sistema de coordenadas que facilita el mapeo de corteza a cuero cabelludo utilizando solo tres puntos de referencia anatómicos, reduciendo la acumulación de errores en comparación con los métodos basados en geodésicas.
• Automatización Sin Marcadores: La integración de este marco en un sistema de navegación robótica sin marcadores elimina la necesidad de marcadores fiduciarios físicos, reduciendo el tiempo de configuración y la dependencia del operador.

Resultados

• Precisión de la Reconstrucción de la Superficie: En un conjunto de prueba de 503 casos de RM, el modelo generativo logró un error de reconstrucción medio de menos de 1.05 mm en la mayoría de las regiones del cuero cabelludo, observándose errores mayores en el área occipital y cerca de las orejas. Las pruebas de consistencia entre tres operadores mostraron una alta correlación intra-clase (ICC > 0.89 para la distancia media).
• Precisión de Direccionamiento (In Silico): Utilizando el mapeo basado en SAC en 292 participantes sanos, el error medio de direccionamiento del cuero cabelludo osciló entre 2.36 mm y 5.70 mm, y el error de direccionamiento cortical entre 2.50 mm y 8.81 mm. La validación en 18 pacientes con insomnio mostró que, si bien los errores aumentaron ligeramente con las entradas basadas en escáner en comparación con las basadas en RM, los errores de direccionamiento cortical para regiones clave (M1 y DLPFC) se mantuvieron comparables a otros conjuntos de datos.
• Validación en Fantoma: En un fantoma de cabeza impreso en 3D, el sistema de navegación optimizado sin marcadores logró un error posicional medio de < 5 mm y un error angular de < 3°, superando a los métodos de puntos de referencia no optimizados.
• Validación Clínica (In Vivo): En un estudio de 18 pacientes con insomnio tratados con rTMS de 1 Hz dirigido a la DLPFC derecha durante dos semanas, se observaron mejoras significativas en la calidad del sueño (las puntuaciones PSQI disminuyeron de 13.39 a 8.39; las puntuaciones ISI disminuyeron de 18.56 a 12.17). Crucialmente, el estudio encontró que no existe una correlación significativa entre la magnitud de los errores de estimación de direccionamiento y los resultados terapéuticos, lo que sugiere que la precisión del marco es suficiente para la eficacia clínica.

Significancia y Reivindicaciones
Los autores afirman que este marco ofrece una solución basada en principios, explicable y automatizada para el direccionamiento de la neuromodulación sin necesidad de RM. Al integrar correlaciones anatómicas fragmentadas en un flujo de trabajo unificado, el sistema aborda las limitaciones de los métodos manuales actuales (baja precisión, alta variabilidad) y los sistemas dependientes de RM (alto costo, baja accesibilidad).

El artículo postula que este enfoque:

• Reduce las Barreras Clínicas: Hace que el direccionamiento preciso de la neuromodulación sea accesible para hospitales comunitarios, clínicas psiquiátricas y centros de rehabilitación donde no hay RM disponible.
• Reduce la Carga del Paciente: Elimina la necesidad de exploraciones de RM previas al tratamiento y la colocación manual de marcadores, acortando el flujo de trabajo de tratamiento a aproximadamente 10–15 minutos.
• Permite la Automatización: El sistema robótico sin marcadores allana el camino para futuros servicios de neuromodulación automatizados o no tripulados.
• Demuestra la Viabilidad: El tratamiento exitoso de pacientes con insomnio sin guía de RM valida la utilidad clínica del marco, sugiriendo que los errores de estimación se encuentran dentro del rango aceptable de dispersión de la estimulación efectiva.

Los autores mantienen la modestia respecto a las limitaciones, reconociendo que los datos de entrenamiento emparejados son actualmente limitados, que el supuesto de mapeo lineal puede no capturar perfectamente las complejas distribuciones de campos físicos, y que el tamaño de la muestra in vivo fue pequeño. Sugieren que el trabajo futuro se centrará en expandir los conjuntos de datos, mejorar la adaptación de dominio para las variaciones de los escáneres y, potencialmente, desarrollar dispositivos robóticos portátiles.