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

Sintesi Tecnica: Modellazione basata sull'apprendimento di un dispositivo di aspirazione morbido a guida magnetica

Definizione del problema
La resezione dei tumori cerebrali endoscopica endonasale è una tecnica mini-invasiva che si affida alla navigazione in stretti corridoi anatomici. Tuttavia, la manovrabilità degli strumenti rigidi convenzionali è spesso limitata dalle complessità anatomiche specifiche del paziente (ad es., passaggi nasali stretti, base cranica ridotta), aumentando il rischio di danni a strutture neurovascolari critiche. Sebbene gli strumenti robotici flessibili offrano una soluzione, il loro comportamento intrinseco non lineare e iperelastico e la mancanza di un controllo intuitivo pongono sfide significative. Gli approcorsi di modellazione tradizionali basati sulla fisica (ad es., Curvatura Costante, teoria del bastone di Cosserat, Deformazione Variabile Geometrica) faticano con i dispositivi morbidi ad attuazione magnetica a causa della difficoltà nel caratterizzare precisamente le proprietà dei materiali stampati in 3D, della complessità delle coppie magnetiche dipendenti dalla configurazione e del costo computazionale della simulazione in tempo reale. Inoltre, gli studi esistenti basati sull'apprendimento si sono concentrati principalmente su robot a trazione tramite tendini o pneumatici, lasciando un vuoto nella modellazione data-driven per strumenti chirurgici morbidi ad attuazione magnetica con sensori integrati.

Metodologia
Gli autori propongono un framework di modellazione basato sui dati che mappa direttamente gli input di attuazione magnetica alla configurazione geometrica di un dispositivo di aspirazione morbido personalizzato.

• Design del dispositivo: Un dispositivo di aspirazione morbido miniaturizzato (diametro esterno 4 mm, canale interno 2 mm, lunghezza attiva 40 mm) è stato stampato in 3D utilizzando silicone biocompatibile SIL 30. Presenta un magnete permanente distale per la sterzata e un sensore a reticolo di Bragg a fibra (FBG) multi-core integrato per il rilevamento della forma in tempo reale.
• Codifica della forma: I dati grezzi di deformazione FBG vengono elaborati per ricostruire la linea centrale 3D del robot. Per creare una rappresentazione compatta e a bassa dimensionalità adatta all'apprendimento, la forma ricostruita viene adattata a una curva di Bezier cubica definita da quattro punti di controllo ($p_0$ a $p_3$). Gli endpoint ($p_0, p_3$) sono vincolati alla base e alla punta del dispositivo, mentre i punti intermedi ($p_1, p_2$) definiscono il profilo di curvatura.
• Raccolta dei dati sperimentali: Gli esperimenti sono stati condotti utilizzando un sistema elettromagnetico a 8 bobine. Il dispositivo è stato attuato sotto campi magnetici rotanti con parametri variabili: magnitudo (0–14 mT), frequenza (0,2–1,0 Hz) e distanza verticale della punta dal tavolo delle bobine (90 mm e 100 mm). Ciò ha generato un dataset di 5.097 campioni sperimentali.
• Approcci di modellazione: Due architetture di machine learning sono state addestrate per predire i quattro punti di controllo di Bezier dai parametri del campo magnetico ($b_x, b_y$, magnitudo, frequenza e distanza):
  1. Rete Neurale (NN): Una rete feedforward con tre strati nascosti.
  2. Random Forest (RF): Un insieme di 12 regressori, ciascuno con 200 alberi decisionali.

Contributi Chiave

1. Fabbricazione del dispositivo: Il design e la fabbricazione di un dispositivo di aspirazione morbido miniaturizzato, stampato in 3D e biocompatibile, con sensore FBG integrato, specificamente progettato per la neurochirurgia endoscopica endonasale.
2. Nuovo paradigma di modellazione: L'introduzione di un framework basato sull'apprendimento che collega direttamente gli input del campo magnetico ai punti di controllo di Bezier. Questo approccio evita la necessità di un'identificazione esplicita dei parametri costitutivi e di derivazioni cinematiche analitiche, offrendo una rappresentazione geometrica compatta e interpretabile.
3. Framework Unificato: L'integrazione concettuale della caratterizzazione del campo magnetico, del rilevamento FBG integrato e dell'apprendimento basato su Bezier in una singola strategia di modellazione applicabile ad altri robot continui ad attuazione magnetica.
4. Validazione Sperimentale: Una validazione completa che dimostra come il framework proposto possa modellare accuratamente il comportamento complesso, non lineare e dipendente dalla frequenza dei robot morbidi iperelastici sotto attuazione magnetica.

Risultati

• Prestazioni del Modello: Il modello Random Forest (RF) ha superato significativamente la Rete Neurale (NN) in tutte le metriche. Il modello RF ha raggiunto un errore quadratico medio (RMSE) di 0,087 mm nella predizione dei punti di controllo, rispetto allo 0,121 mm della NN.
• Ricostruzione della Forma: Il modello RF ha prodotto un errore medio di ricostruzione della forma di 0,064 mm. La distribuzione dell'errore era più stretta e centrata intorno allo zero per il modello RF, in particolare per i punti di controllo distali ($p_2$ e $p_3$), che sono critici per il posizionamento della punta.
• Importanza delle Caratteristiche: L'analisi ha rivelato che le componenti del campo magnetico ($b_x, b_y$) influenzano predominantemente i punti di controllo distali, mentre la frequenza di attuazione e la distanza verticale influenzano significativamente la configurazione della base e il posizionamento verticale.
• Efficienza Computazionale: Il modello RF ha dimostrato un'elevata efficienza computazionale adatta all'inferenza in tempo reale, con un tempo di predizione per campione di circa $7,89 \times 10^{-5}$ secondi.

Significato e Rivendicazioni
Il documento sostiene di presentare la prima applicazione di un modello di predizione della forma basato sull'apprendimento specificamente progettato per dispositivi chirurgici morbidi ad attuazione magnetica dotati di sensore FBG integrato. La significatività di questo lavoro risiede nella sua capacità di modellare il complesso comportamento non lineare dei robot morbidi senza fare affidamento su ipotesi fisiche semplificate o parametri materiali difficili da ottenere. Raggiungendo una precisione di predizione sub-millimetrica e un'inferenza in tempo reale, il framework stabilisce le fondamenta per il controllo intelligente di strumenti ad attuazione magnetica nella neurochirurgia mini-invasiva.

Gli autori sottolineano che, sebbene l'approccio basato sull'apprendimento offra una via pragmatica per una rapida caratterizzazione del dispositivo, esso è complementare ai framework basati sulla fisica. Essi riconoscono i limiti, tra cui la dipendenza da un singolo prototipo (specifico per il dispositivo), l'uso di campi magnetici rotanti idealizzati e l'assenza di effetti di interazione con i tessuti nei dati di addestramento attuali. Di conseguenza, gli autori pongono questo lavoro come una caratterizzazione di base necessaria, con lavori futuri richiesti per validare la generalizzazione su più dispositivi, incorporare i dati di interazione con i tessuti e testare le prestazioni in complessi ambienti clinici magnetici.