💻 computer science

Deep Learning-Enhanced Robotic Subretinal Injection with Real-Time Retinal Motion Compensation

Dit artikel presenteert een volledig autonoom robotisch systeem dat intraoperatieve OCT-beeldvorming integreert met op LSTM gebaseerde deep learning om fysiologische retinaire beweging te voorspellen en te compenseren, waarbij precieze en veilige subretinale injecties worden bereikt met een gemiddelde volgfout van minder dan 16,4 μm.

Oorspronkelijke auteurs: Tianle Wu, Mojtaba Esfandiari, Peiyao Zhang, Russell H. Taylor, Peter Gehlbach, Iulian Iordachita

Gepubliceerd 2026-06-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Tianle Wu, Mojtaba Esfandiari, Peiyao Zhang, Russell H. Taylor, Peter Gehlbach, Iulian Iordachita

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een naald probeert te rijgen terwijl je op een boot staat in een ruwe zee. Stel je nu voor dat die naald dunner is dan een menselijke haar, de "draad" een laag weefsel in je oog is die nooit meer terug kan groeien als het beschadigd raakt, en de "boot" je eigen oog is, dat constant trilt door je hartslag en ademhaling.

Dit is de uitdaging waar artsen voor staan bij het uitvoeren van subretinale injecties om oogziekten zoals leeftijdsgebonden maculadegeneratie (AMD) te behanden. Het doel is om medicatie onder het netvlies te glijden zonder een gat te prikken in het delicate weefsel eronder.

Dit artikel beschrijft een robotisch systeem dat is ontworpen om dit probleem op te lossen door te fungeren als een superintelligente, stabiele hand die kan "dansen" met de natuurlijke bewegingen van het oog.

Hier is hoe het systeem werkt, opgedeeld in eenvoudige stappen:

1. Het Probleem: Het Oog Staat Nooit Stil

Zelfs als je stil ligt, beweegt je oog lichtjes door je hartslag en ademhaling. Het is alsof het een kleine trampoline is die op en neer springt. Als een chirurg probeert een naald in te brengen terwijl het oog beweegt, kan hij het doel missen of, erger nog, het gevoelige weefsel scheuren. Mensen hebben handtrillingen, en zelfs de beste chirurgen kunnen de snelheid van een stuiterend oog niet perfect bijhouden.

2. De Oplossing: Een Robot met "Glazen Bol"-visie

De onderzoekers hebben een robot gebouwd die het oog niet alleen observeert, maar ook voorspelt waar het oog een fractie van een seconde in de toekomst zal zijn.

De Ogen (iOCT): De robot maakt gebruik van een speciale camera genaamd intraoperatieve Optical Coherence Tomography (iOCT). Denk hierbij aan een hogesnelheids-echografie die dwarsdoorsneden van de ooglagen in realtime maakt.
Het Brein (Deep Learning): De robot gebruikt een AI-brein genaamd een LSTM (Long Short-Term Memory) netwerk. Stel je deze AI voor als een danser die de beweging van het oog duizenden keren heeft gezien. In plaats van alleen te gokken op de volgende stap, leert de AI het ritme en de patronen van de stuiterbeweging van het oog. De AI kan precies voorspellen waar de bovenste laag van het netvlies (de ILM) een fractie van een seconde vanaf nu zal zijn.
- De Vergelijking: Het team testte deze AI tegen een simpelere methode (zoals het proberen te voorspellen van een golf door simpelweg een perfecte sinuscurve te tekenen). De AI was veel beter, omdat echte oogbewegingen niet perfecte golven zijn; ze zijn rommelig en onregelmatig. De AI kon veel beter omgaan met die rommeligheid.

3. De Dans: Gesynchroniseerde Beweging

Zodra de AI voorspelt waar het netvlies zal zijn, beweegt de robot de naald om die voorspelling bij te houden.

De "Surfen"-analogie: Stel je voor dat de naald een surfer is en het netvlies een golf. In plaats van de golf van bovenaf te willen doorsteken, beweegt de robot de naald met de golf mee, waardoor een veilige, constante afstand net boven het oppervlak wordt behouden.
De Snelheidscontrole: De robot beweegt niet met een constante snelheid. Hij gebruikt een "dynamische proportionele" strategie. Als het oog snel beweegt, versnelt de naald mee. Als het oog vertraagt, vertraagt de naald mee. Het is als een auto met cruise control die automatisch de snelheid aanpast om overeen te komen met de auto voor hem, wat zorgt voor een soepele rit.

4. De Veiligheidscontroles

Voordat de robot zelfs probeert de naald in te brengen, voert hij een "sanity check" uit.

Hij controleert of de naald op de juiste plek zit.
Hij controleert of de camera de lagen duidelijk kan zien.
Als de gegevens er vreemd uitzien (bijvoorbeeld als de naald in het verkeerde deel van het oog lijkt te zitten), stopt de robot en vraat hij een mens om het systeem te resetten, in plaats dat er schade wordt aangericht.

5. De Resultaten: Het Systeem Testen

Het team heeft deze robot op twee manieren getest:

In een computersimulatie: Een perfecte, ideale wereld waarin niets misgaat.
In echte varkensogen (Ex Vivo): Ze gebruikten varkensogen in een laboratoriumsetting. Om het realistisch te maken, bevestigden ze de ogen aan een machine die de ogen op en neer schudde om menselijke ademhaling en hartslag na te bootsen.

De Uitkomst:

De robot volgde de bewegende ooglagen met hoge precisie.
In de "pre-insertion" fase (het zweven boven het oog) bleef de robot binnen ongeveer 16 micrometer van zijn doelwit. Om dit in perspectief te plaatsen: een menselijke haar is ongeveer 50 tot 70 micrometer dik. De robot hield een afstand aan die kleiner is dan de breedte van een haar, zelfs terwijl het oog bewoog.
Ze slaagden erin om vloeistof onder het netvlies van de varkensogen te injecteren, waardoor een "bleb" (een klein vloeistofblaasje) ontstond, wat bewijst dat de naald in de juiste ruimte kwam zonder het weefsel te scheuren.

Samenvatting

Dit artikel presenteert een robotisch systeem dat AI gebruikt om oogbewegingen te voorspellen en robotica om in perfecte synchronisatie met deze bewegingen te bewegen. Het verandert een gevaarige, schokkerige procedure in een vloeiende, gesynchroniseerde dans, wat het risico op schade aan het oog aanzienlijk vermindert. Hoewel het artikel opmerkt dat er meer testen nodig zijn voor echte menselijke operaties, laten de laboratoriumresultaten zien dat deze "slimme robot"-aanpak een grote stap voorwaarts is om deze delicate oogoperaties veiliger en nauwkeuriger te maken.

Technische Samenvatting: Deep Learning-verbeterde robotische subretinale injectie met real-time compensatie voor retinale beweging

Probleemstelling
Subretinale injectie is een cruciale procedure voor het toedienen van therapeutische middelen voor de behandeling van retinale ziekten zoals leeftijdsgebonden maculadegeneratie (AMD), met name voor opkomende behandelingen zoals stamceltransplantatie en gentherapie. Het uitvoeren van deze procedure handmatig is echter problematisch vanwege de kwetsbaarheid van het retinaal pigmentepitheel (RPE), fysiologische handtrillingen (~182 µm) en de dunheid van het netvlies (100–570 µm). Bovendien veroorzaken fysiologische factoren zoals ademhaling en hartslag een oscillerende retinale beweging (axiale beweging van ~81 µm bij ~1 Hz), wat de nauwkeurigheid van de naaldpositionering in autonome robotische systemen aanzienlijk verslechtert. Bestaande autonome methoden gaan vaak uit van een statisch oog en negeren deze beweging, wat het risico op onomkeerbare schade aan de niet-regeneratieve RPE-laag vergroot.

Methodologie
De auteurs stellen een volledig autonoom robotisch systeem voor dat intraoperatieve optische coherentietomografie (iOCT) integreert met deep learning-gebaseerde bewegingsvoorspelling om de naaldbeweging te synchroniseren met de retinale verplaatsing. Het systeem maakt gebruik van de SHER 2.0 robotmanipulator en volgt een gestructureerde workflow bestaande uit vijf fasen:

Bewegingsschatting: Een U-Net segmentatiemodel verwerkt iOCT B5-scans (vijf gelijkmatig verdeelde 2D-doorsneden) om de z-positie van de interne limiterende membraan (ILM) te extraheren.
Naaldregistratie: Voor de insertie wordt de naald gepositioneerd op ~500 µm boven de ILM. Een 1D-registratieproces brengt de positie van de naaldpunt van het beeldframe (pixels) naar het lokale frame van de robot (millimeters), waarbij temporele filtering (IQR-outlier verwijdering en mediaalberekening) wordt gebruikt om ruis te verminderen.
Sanity Check: Het systeem verifieert de registratienauwkeurigheid en controleert of de naald niet verkeerd is uitgelijnd (bijv. in de onderste helft van de B-scan) voordat het proces wordt voortgezet.
Bewegingssynchronisatie: De robot volgt de ILM-beweging in real-time. Een Long Short-Term Memory (LSTM) neuraal netwerk voorspelt de toekomstige z-positie van de ILM op basis van een sequentie van 20 voorgaande frames. Deze voorspelling presteert beter dan een baseline Fast Fourier Transform (FFT) sinusgolfmodel, vooral bij het vastleggen van niet-periodieke bewegingspatronen.
Insertie: Een dynamisch proportioneel snelheidsregelalgoritme past de insertiesnelheid van de naald ( $v$ ) aan op basis van de afstand tot de doeldiepte ( $d_{target} - d_{current}$ ), wat zorgt voor een soepele synchronisatie met de bewegende ILM-laag.

Belangrijkste Bijdragen

Volledig Geautomatiseerd Systeem: Ontwikkeling van een robotisch subretinaal injectiesysteem dat in staat is tot real-time bewegingscompensatie, waarbij het zich aanpast aan variërende amplitude en frequentie van de retinale beweging onder omstandigheden die de klinische setting benaderen.
Dynamische Controlestrategie: Implementatie van een proportioneel snelheidsregelalgoritme dat constante snelheidsincrementen vervangt door een adaptieve benadering, wat de precisie tijdens de bewegingssynchronisatie verbetert.
LSTM-gebaseerde Voorspelling: Introductie van een robuust LSTM-bewegingsvoorspellingsmodel dat een hoge nauwkeurigheid en snelle inferentie (<0,25 s) bereikt met minimale inputdata, wat de FFT-baseline aanzienlijk overtreft.
Uitgebreide Validatie: Rigoureuze testen in zowel simulatie als ex vivo open-sky varkensoogomgevingen om de effectiviteit van het systeem onder ideale en biologische omstandigheden aan te tonen.

Experimentele Resultaten
Het systeem werd gevalideerd met 18 datasets van 8 varkensogen, waarbij retinale beweging werd gesimuleerd met amplitudes van 0,05–0,15 mm en frequenties van 8–10 bpm.

Voorspellingsnauwkeurigheid: Het LSTM-model vertoonde superieure prestaties ten opzichte van de FFT-baseline. In het best-case scenario (0,05 mm amplitude, 8 bpm) behaalde de LSTM een Root Mean Squared Error (RMSE) van 6,69 µm en een Maximum Absolute Error (MaxAE) van 18,21 µm. In het worst-case scenario (0,15 mm amplitude, 10 bpm) bedroegen de RMSE 33,73 µm en de MaxAE 137,18 µm. De LSTM vertoonde consistent lagere fouten en minder latentie dan het FFT-model.
Controleprecisie: In ex vivo experimenten was de gemiddelde trackingfout tijdens de pre-insertiefases (bewegingssynchronisatie boven de ILM) 16,4 µm. Hoewel de simulatieresultaten een hogere precisie lieten zien (RMSE van 12,61 µm), weerspiegelden de ex vivo resultaten de uitdagingen van biologische onzekerheid, waarbij de RMSE toenam naar 36,25 µm tijdens de post-insertiefase door weefseldeformatie en segmentatieruis.
Succespercentage: Van de 8 injectiepogingen in ex vivo ogen resulteerden er 5 in succesvolle subretinale injecties, aangetoond door de vorming van een stabiele bleb (blaasvorming).

Betekenis en Claims
Het artikel stelt dat de integratie van voorspellende modellering, adaptieve registratie en gesynchroniseerde controle de veiligheid en nauwkeurigheid van autonome robotische subretinale injecties in dynamische retinale omgevingen aanzienlijk verbetert. De auteurs beweren dat hun aanpak een kritieke beperking aanpakt: het verwaarlozen van fysiologische oogbewegingen in huidige autonome systemen. Door een gemiddelde trackingfout van minder dan 16,4 µm in de pre-insertiefases te bereiken en de oscillerende beweging te compenseren, demonstreert het systeem het potentieel van AI-gestuurde robotische assistentie om de risico's op RPE-schade te beperken. De auteurs merken bescheiden op dat hoewel de huidige ex vivo opstelling een open-sky configuratie gebruikt, toekomstig werk zich zal richten op het optimaliseren van controlestrategieën voor grotere variaties in snelheid en het valideren van het systeem in intacte varkensogen om de klinische chirurgische omgeving beter te repliceren.