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

Sintesi Tecnica: Una mappatura gerarchica viso-cuoio capelluto-corteccia per la neuromodulazione non invasiva mirata senza guida MRI

Problematica
Le tecniche di neuromodulazione non invasiva, come la stimolazione magnetica transcranica (TMS), la stimolazione ultrasonica transcranica (TUS) e la fotobiomodulazione transcranica (tPBM), offrono trattamenti efficaci per disturbi psichiatrici e neurologici. Tuttavia, il targeting preciso dipende tipicamente da sistemi di neuronavigazione dipendenti dalla risonanza magnetica (MRI) individuale. Questa dipendenza crea barriere significative: le scansioni MRI sono costose, dispendiose in termini di tempo, inaccessibili a molte istituzioni e scomode per alcuni pazienti. Inoltre, le attuali alternative prive di MRI soffrono di procedure manuali laboriose, della dipendenza dall'esperienza dell'operatore o di una mancanza di giustificazione teorica fondata per la mappatura dei punti di riferimento superficiali verso i target cerebrali interni. Esiste una critica necessità di un framework unificato, automatizzato e spiegabile che permetta un targeting preciso senza guida MRI.

Metodologia
Gli autori propongono un framework unificato basato su una mappatura gerarchica viso-cuoio capelluto-corteccia, integrata in un sistema di neuronavigazione robotica markerless. Il flusso di lavoro consiste in tre fasi primarie:

1. Mappatura Viso-Cuoio Capelluto (Ricostruzione della superficie cranica):

   • Input: Una nuvola di punti facciali acquisita tramite uno scanner 3D portatile.
   • Modello: Un'architettura di modellazione generativa 3D che combina un Autoencoder Variazionale (VAE) e un Modello di Diffusione. Il VAE estrae rappresentazioni latenti topologiche delle strutture facciali e craniche, mentre il modello di diffusione apprende la mappatura dallo spazio latente facciale allo spazio latente cranico.
   • Processo: Il sistema utilizza la nuvola di punti facciali come input condizionale per generare un modello completo della superficie cranica 3D, colmando efficacemente le lacune del cuoio capelluto e delle regioni posteriori della testa sulla base delle correlazioni apprese da un ampio dataset di 8.195 superfici facciali e derivate da MRI accoppiate.
   • Privacy: La modellazione generativa è addestrata su un server cloud; solo la superficie cranica ricostruita viene trasmessa al sistema locale, proteggendo la privacy facciale del paziente.

2. Corteccia-Cuoio Capelluto (Localizzazione del target):

   • Sistema di Coordinate: Gli autori introducono un sistema di Coordinate Angolari del Cuoio Capelluto (SAC), definito da tre punti di riferimento anatomici: il nasion (Nz) e i punti preauricolari sinistro e destro (LPA/RPA). Questo sistema rappresenta i punti del cuoio capelluto utilizzando coordinate angolari ($S_\theta, S_\phi$) anziché distanze geodetiche.
   • Strategia di Mappatura: Utilizzando il dataset SLIM (292 partecipanti sani), il sistema analizza statisticamente le coordinate dei target corticali (nello spazio MNI) per costruire una mappatura cuoio capelluto-corteccia a livello di popolazione. Questa mappatura trasforma un target MNI desiderato in una posizione specifica sulla superficie cranica individuale generata.
   • Vantaggio: Questo approccio scinde la costruzione della mappatura dalla necessità di dati spaziali completi del cuoio capelluto, facendo affidamento invece sui tre punti chiave facilmente identificabili sulla scansione facciale.

3. Neuronavigazione Robotica Markerless:

   • Hardware: Un braccio robotico a 6 gradi di libertà (UR5e) dotato di un applicatore TMS e di un sensore di forza/coppia a 6 assi, guidato da una telecamera a visione stereoscopica.
   • Registrazione: Il sistema esegue una registrazione dinamica tra il modello 3D virtuale della testa e la testa reale del paziente utilizzando landmark facciali rilevati dall'IA (ad esempio, punti medi degli occhi, punta del naso).
   • Ottimizzazione: Per affrontare l'incertezza inerente al rilevamento dei landmark tramite IA, il sistema impiega un algoritmo di ottimizzazione dinamica che affina i landmark del modello virtuale per minimizzare gli errori di registrazione tra lo spazio della telecamera e lo spazio di rendering.
   • Esecuzione: Il robot posiziona l'applicatore nel target calcolato e mantiene una forza di contatto costante (circa 4 N) tramite controllo di ammettenza per garantire sicurezza e stabilità durante il movimento della testa.

Contributi Chiave

• Framework Unificato: Il documento colma il divario tra la ricostruzione della superficie geometrica e la mappatura superficie-cervello, fornendo una spiegazione fondata per la stima dei target intracranici partendo dai soli dati facciali.
• Modellazione Generativa: Dimostra la fattibilità di un modello generativo basato sulla diffusione per ricostruire superfici craniche complete da scansioni facciali parziali, eliminando la necessità di misurazioni manuali del cuoio capelluto.
• Sistema di Coordinate Angolari del Cuoio Capelluto (SAC): Viene proposto un nuovo sistema di coordinate che facilita la mappatura corteccia-cuoio capelluto utilizzando solo tre punti di riferimento anatomici, riducendo l'accumulo di errore rispetto ai metodi basati su geodetiche.
• Automazione Markerless: L'integrazione di questo framework in un sistema di navigazione robotica markerless elimina la necessità di marker fisici, riducendo i tempi di preparazione e la dipendenza dall'operatore.

Risultati

• Accuratezza della Ricostruzione Superficiale: In un set di test di 503 casi MRI, il modello generativo ha raggiunto un errore medio di ricostruzione inferiore a 1,05 mm per la maggior parte delle regioni del cuoza capelluto, con errori più elevati osservati nell'area occipitale e vicino alle orecchie. I test di consistenza su tre operatori hanno mostrato un'alta correlazione intra-classe (ICC > 0,89 per la distanza media).
• Accuratezza del Targeting (In Silico): Utilizzando la mappatura basata su SAC su 292 partecipanti sani, l'errore medio di targeting del cuoio capelluto è variato da 2,36 mm a 5,70 mm, e l'errore di targeting corticale da 2,50 mm a 8,81 mm. La validazione su 18 pazienti con insonnia ha mostrato che, sebbene gli errori aumentino leggermente con gli input basati su scanner rispetto agli input basati su MRI, gli errori di targeting corticale per le regioni chiave (M1 e DLPFC) rimangono comparabili ad altri dataset.
• Validazione su Phantom: Su un phantom di testa stampato in 3D, il sistema di navigazione markerless ottimizzato ha raggiunto un errore posizionale medio < 5 mm e un errore angolare < 3°, superando i metodi di landmark non ottimizzati.
• Validazione Clinica (In Vivo): In uno studio su 18 pazienti con insonnia trattati con rTMS a 1 Hz mirando alla DLPFC destra per due settimane, sono stati osservati miglioramenti significativi nella qualità del sonno (i punteggi PSQI sono scesi da 13,39 a 8,39; i punteggi ISI da 18,56 a 12,17). Fondamentalmente, lo studio ha rilevato che non esiste una correlazione significativa tra l'entità degli errori di stima del targeting e gli esiti terapeutici, suggerendo che l'accuratezza del framework è sufficiente per l'efficacia clinica.

Significatività e Rivendicazioni
Gli autori affermano che questo framework offre una soluzione fondata, spiegabile e automatizzata per il targeting della neuromodulazione priva di MRI. Integrando frammenti di correlazioni anatomiche in un flusso di lavoro unificato, il sistema affronta i limiti degli attuali metodi manuali (bassa accuratezza, alta variabilità) e dei sistemi dipendenti da MRI (alto costo, bassa accessibilità).

Il documento sostiene che questo approccio:

• Abbassa le Barriere Cliniche: Rende la neuromodulazione precisa accessibile agli ospedali comunitari, alle cliniche psichiatriche e ai centri di riabilitazione dove la MRI non è disponibile.
• Riduce il Carico del Paziente: Elimina la necessità di scansioni MRI pre-trattamento e il posizionamento manuale di marker, abbreviando il flusso di lavoro del trattamento a circa 10–15 minuti.
• Permette l'Automazione: Il sistema robotico markerless apre la strada a futuri servizi di neuromodulazione automatizzati o non presidiati.
• Dimostra la Fattibilità: Il trattamento riuscito di pazienti con insonnia senza guida MRI valida l'utilità clinica del framework, suggerendo che gli errori di stima rientrano nell'intervallo accettabile per la diffusione efficace della stimolazione.

Gli autori rimangono modesti riguardo ai limiti, riconoscendo che i dati di addestramento accoppiati sono attualmente limitati, che l'assunzione di mappatura lineare potrebbe non catturare perfettamente le complesse distribuzioni dei campi fisici e che il campione in vivo era piccolo. Suggeriscono che il lavoro futuro si concentrerà sull'espansione dei dataset, sul miglioramento dell'adattamento del dominio per le variazioni degli scanner e, potenzialmente, sullo sviluppo di dispositivi robotici indossabili.