Generalizing Soft Tissue Deformation and Force Prediction Across Material Stiffness and Geometry

Stel je de hand van een chirurg voor die een robotisch instrument door delicaat, levend weefsel leidt. Om deze interactie veilig en realistisch te maken, moet de computer die de robot aanstuurt precies weten hoe dat weefsel zal vervormen, uitrekken en terugduwen. Dit is de kern van chirurgische simulatie: het creëren van een digitale tweeling van het menselijk lichaam die reageert met perfecte fysieke waarheid. Decennialang hebben wetenschappers vertrouwd op complexe physics-engines om deze reacties te berekenen, waarbij enorme vergelijkingen worden opgelost voor elk minuscuul punt binnen een virtueel orgaan. Hoewel deze berekeningen ongelooflijk nauwkeurig zijn, zijn ze ook pijnlijk traag; ze nemen vaak seconden of zelfs minuten in beslag om een enkele beweging te berekenen. In een echte operatiekamer of tijdens een trainingssessie waarbij een chirurg directe feedback nodig heeft, is die vertraging te lang. Het doel is altijd geweest om een manier te vinden om deze simulaties snel genoeg te maken om echt aan te voelen, zonder de precisie te verliezen die patiënten veilig houdt.

Een team onderzoekers aan de Universiteit van Basel heeft een belangrijke stap richting dit doel gezet door zorgvuldige fysieke experimenten te combineren met een nieuw type kunstmatige intelligentie. Hun werk pakt een hardnekkig probleem aan: de meeste computermodellen van zacht weefsel werken goed voor één specifiek type materiaal, zoals een stijve lever of een zachte nier, maar falen wanneer de stijfheid verandert. Als een chirurg overschakelt van een stevig orgaan naar een zachter een, breken de oude modellen vaak ineen en produceren ze onrealistische resultaten. De onderzoekers wilden een enkel, slim systeem bouwen dat het gedrag van zacht weefsel over een breed scala aan stijfheidsniveaus en vormen kon begrijpen en voorspellen, terwijl het tegelijkertijd snel genoeg draait voor real-time gebruik.

Om dit op te lossen, begon het team bij de fysieke wereld. Ze maakten een reeks testobjecten met behulp van siliconen, een materiaal dat vaak wordt gebruikt om menselijk weefsel na te bootsen. Ze mengden de siliconen met verschillende hoeveelheden een verzachter om drie verschillende versies te creëren: één zeer stevig, één gemiddeld en één behoorlijk zacht. Ze goten deze mengsels in lange, cilindrische balken en hingen ze onder hun eigen gewicht om te zien hoe ze van nature bogen en doorhingen. Door deze balken te fotograferen met een standaard smartphone en software te gebruiken om camerahoeken te corrigeren, legden ze nauwkeurige metingen vast van hoe het materiaal vervormde. Deze waarnemingen uit de echte wereld dienden als de gouden standaard, de grondwaarheid waartegen alle computermodellen zouden worden getest.

Vervolgens wendden de onderzoekers zich tot de computer om te zien welke wiskundige regels deze buiging het beste beschreven. Ze testten verschillende theorieën over hoe zachte materialen zich gedragen, waarbij ze simulaties uitvoerden die probeerden de exacte manier na te bootsen waarop hun siliconen balken door onder invloed van de zwaartekracht doorhingen. Ze ontdekten dat hoewel sommige theorieën goed werkten voor de stevigere materialen, ze moeite hadden met de zachtere materialen. Twee specifieke theorieën, bekend als de Ogden- en Mooney-Rivlin-modellen, bleken het meest betrouwbaar over alle drie de stijfheidsniveaus. Zelfs deze goede modellen vereisten echter dat hun interne instellingen zorgvuldig werden afgestemd om perfect bij de siliconen te passen. Deze kalibratiestap was cruciaal; zonder deze afstemming zou de computerdata die gebruikt werd om de kunstmatige intelligentie te trainen gebrekkig zijn, wat zou leiden tot een systeem dat de verkeerde lessen leerde.

Met de physics-modellen gekalibreerd en vertrouwd, genereerde het team een enorme bibliotheek aan trainingsdata. In plaats van alleen balken op te hangen, simuleerden ze een scenario dat meer lijkt op een operatie: een virtuele sonde die in een blok zacht weefsel prikt dat verborgen, rigide vormen bevat, zoals botten of tumoren. Ze voerden duizenden van deze prik-simulaties uit, waarbij ze de vorm van de verborgen objecten, de locatie van de prik en de stijfheid van het weefsel varieerden. Dit creëerde een rijke dataset die precies liet zien hoe het oppervlak van het weefsel bewoog en hoeveel kracht de sonde op elk moment voelde.

Het laatste puzzelstukje was de kunstmatige intelligentie zelf. De onderzoekers gebruikten een gespecialiseerd type neuraal netwerk, een computerprogramma dat is ontworpen om te leren van ongestructureerde data, zoals de onregelmatige vormen van zacht weefsel. Ze pasten dit netwerk aan zodat het aandacht besteedde aan de "zachtheid" van het materiaal als een cruciale informatiebron. Door het netwerk te voeden met de gekalibreerde simulatiegegevens, leerden ze het te voorspellen hoe een stuk weefsel zou vervormen en hoeveel weerstand het zou bieden, simpelweg door naar de vorm te kijken en de stijfheid te kennen. Het resultaat was een systeem dat een nieuwe, nog niet eerder geziene vorm en een specifiek stijfheidsniveau kon nemen en direct de uitkomst kon voorspellen.

De resultaten waren opmerkelijk. Het nieuwe systeem kon de beweging van het weefsel voorspellen met een gemiddelde fout van minder dan één millimeter, een niveau van precisie dat effectief onzichtbaar is voor het menselijk oog. Het voorspelde ook de betrokken krachten met hoge nauwkeurigheid, hoewel de precisie van deze krachtvoorspellingen sterk afhankelijk was van hoe goed het onderliggende physics-model was gekalibreerd. Wanneer het physics-model consistent was, waren de krachtvoorspellingen betrouwbaar; wanneer het physics-model moeite had met zeer stijve materialen, werden de krachtvoorspellingen variabeler. Cruciaal was dat het systeem deze berekeningen uitvoerde in slechts 0,010 seconden, een snelheid die snel genoeg is om een menselijke hand die in real-time beweegt bij te houden.

Dit werk demonstreert dat het mogelijk is om een enkele, algemene tool te bouwen voor het simuleren van zacht weefsel die werkt over verschillende materialen en vormen heen. Door de kunstmatige intelligentie te funderen in zorgvuldig gekalibreerde fysieke experimenten, zorgden de onderzoekers ervoor dat de computer leerde van de werkelijkheid, en niet alleen van abstracte wiskunde. Hoewel het systeem nog geen vervanging is voor een menselijke chirurg, biedt het een krachtige nieuwe manier om medische professionals op te leiden en complexe procedures te plannen. Het suggereert een toekomst waarin chirurgische simulators zich direct kunnen aanpassen aan de unieke, variërende texturen van het menselijk lichaam, en realistische feedback bieden die net zo natuurlijk aanvoelt als het aanraken van de echte zaak.