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

Technische Samenvatting: Leergebaseerde Modellering van een Magnetisch Stuurbaar Zacht Zuigapparaat

Probleemstelling
Endoscopische endonasale hersentumorresectie is een minimaal invasieve techniek die afhankelijk is van navigatie door nauwe anatomische corridors. De manoeuvreerbaarheid van conventionele rigide instrumenten is echter vaak beperkt door patiëntspecifieke anatomische complexiteiten (bijv. nauwe neusholten, verminderde schedelbasis), wat het risico op schade aan kritieke neurovasculaire structuren vergroot. Hoewel flexibele robotische instrumenten een oplossing bieden, vormen hun inherente nietlineaire, hyperelastische gedrag en gebrek aan intuïtieve besturing aanzienlijke uitdagingen. Traditionele fysische modelleringsbenaderingen (bijv. Constant Curvature, Cosserat-staaftheorie, Geometric Variable Strain) worstelen met magnetisch aangedreven zachte apparaten vanwege de moeilijkheid bij het nauwkeurig karakteriseren van 3D-geprinte materiaaleigenschappen, de complexiteit van configuratieafhankelijke magnetische momenten en de computationele kosten van real-time simulatie. Bovsamen hebben bestaande leergebaseerde studies zich voornamelijk gericht op peesgestuurde of pneumatische robots, waardoor er een gat is in de data-gedreven modellering voor magnetisch aangedreven zachte chirurgische instrumenten met ingebedde sensoren.

Methodologie
De auteurs stellen een data-gedreven modelleringskader voor dat magnetische actuatiedata direct koppelt aan de geometrische configuratie van een aangepast zacht zuigapparaat.

• Apparaatontwerp: Een geminiaturaliseerd (4 mm buitenste diameter, 2 mm binnenkanaal, 40 mm actieve lengte) zacht zuigapparaat werd 3D-geprint met biocompatibel SIL 30 silicone. Het beschikt over een distale permanente magneet voor sturing en een ingebedde multi-core Fiber Bragg Grating (FBG) sensor voor real-time vormdetectie.
• Vormcodering: Ruwe FBG-rekgegevens worden verwerkt om de 3D-middellijn van de robot te reconstrueren. Om een compacte, laagdimensionale representatie te creëren die geschikt is voor leren, wordt de gereconstrueerde vorm aangepast aan een kubische Bezier-curve gedefinieerd door vier controlepunten ($p_0$ tot $p_3$). De eindpunten ($p_0, p_3$) zijn begrensd aan de basis en de tip van het apparaat, terwijl de tussenliggende punten ($p_1, p_2$) het krommingsprofiel definiëren.
• Experimentele Gegevensverzameling: Experimenten werden uitgevoerd met een systeem van 8 spoelen. Het apparaat werd geactiveerd onder roterende magnetische velden met variërende parameters: magnitude (0–14 mT), frequentie (0,2–1,0 Hz) en verticale tipafstand van de spoeltafel (90 mm en 100 mm). Dit resulteerde in een dataset van 5.097 experimentele monsters.
• Modelleringsbenaderingen: Er werden twee machine learning-architecturen getraind om de vier Bezier-controlepunten te voorspellen van de magnetische veldparameters ($b_x, b_y$, magnitude, frequentie en afstand):
  1. Neuraal Netwerk (NN): Een feedforward netwerk met drie verborgen lagen.
  2. Random Forest (RF): Een ensemble van 12 regressoren, elk met 200 beslissingsbomen.

Belangrijkste Bijdragen

1. Apparaatfabricage: Het ontwerp en de fabricage van een geminiaturaliseerd, 3D-geprint, biocompatibel zacht zuigapparaat met geïntegreerde FBG-sensing, specifiek afgestemd op endoscopische endonasale neurochirurgie.
2. Nieuw Modelleringsparadigma: De introductie van een leergebaseerd kader dat magnetische veldinputten direct koppelt aan Bezier-controlepunten. Deze benadering omzeilt de noodzaak van expliciete constitutieve parameteridentificatie en analytische kinematische afleidingen, en biedt een compacte en interpreteerbare geometrische representatie.
3. Verenigd Kader: De conceptuele integratie van magnetische veldkarakterisering, ingebedde FBG-sensing en Bezier-gebaseerd leren in één enkele modelleringsstrategie die toepasbaar is op andere magnetisch aangedreven continuümrobots.
4. Experimentele Validatie: Uitgebreide validatie die aantoont dat het voorgestelde kader het complexe, nietlineaire en frequentieafhankelijke gedrag van hyperelastische zachte robots onder magnetische actuatie nauwkeurig kan modelleren.

Resultaten

• Modelprestaties: Het Random Forest (RF) model presteerde aanzienlijk beter dan het Neurale Netwerk (NN) over alle metrieken. Het RF-model behaalde een gemiddelde Root Mean Square Error (RMSE) van 0,087 mm bij het voorspellen van de controlepunten, vergeleken met 0,121 mm voor de NN.
• Vormreconstructie: Het RF-model leverde een gemiddelde vormreconstructiefout van 0,064 mm. De foutverdeling was nauwer en meer gecentreerd rond nul voor het RF-model, met name voor de distale controlepunten ($p_2$ en $p_3$), die cruciaal zijn voor de positionering van de tip.
• Kenmerkbelang (Feature Importance): Analyse toonde aan dat magnetische veldcomponenten ($b_x, b_y$) voornamelijk de distale controlepunten beïnvloeden, terwijl de actuatiefrequentie en verticale afstand aanzienlijk invloed hebben op de basisconfiguratie en verticale positionering.
• Computationele Efficiëntie: Het RF-model vertoonde een hoge computationele efficiëntie die geschikt is voor real-time inferentie, met een voorspeltijd per monster van ongeveer $7,89 \times 10^{-5}$ seconden.

Betekenis en Claims
Het artikel claimt de eerste toepassing te zijn van een leergebaseerd vormvoorspellingsmodel specifiek afgestemd op magnetisch aangedreven zachte chirurgische apparaten uitgerust met ingebedde FBG-sensing. De betekenis van dit werk ligt in het vermogen om het complexe nietlineaire gedrag van zachte robots te modelleren zonder te vertrouwen op vereenvoudigde fysische aannames of moeilijk verkrijgbare materiaalparameters. Door een voorspellingsnauwkeurigheid van sub-millimeter en real-time inferentie te bereiken, legt het kader de basis voor de intelligente besturing van magnetisch aangedreven instrumenten in minimaal invasieve neurochirurgie.

De auteurs benadrukken dat hoewel de leergebaseerde benadering een pragmatische weg biedt voor snelle apparaatkarakterisering, deze complementair is aan fysische kaders. Zij erkennen beperkingen, waaronder de afhankelijkheid van een enkel prototype (apparaatspecifiek), het gebruik van geïdealiseerde roterende magnetische velden, en de afwezigheid van weefselinteractie-effecten in de huidige trainingsdata. Bij consequent positioneren de auteurs dit werk als een noodzakelijke baseline-karakterisering, waarbij toekomstig werk vereist is om de generalisatie over meerdere apparaten te valideren, weefselinteractiedata te integreren en de prestaties in complexe klinische magnetische omgevingen te testen.