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

Resumo Técnico: Modelagem Baseada em Aprendizado de um Dispositivo de Sucção Macio Magneticamente Direcionável

Definição do Problema
A ressecção de tumores cerebrais endoscópica endonasal é uma técnica minimamente invasiva que depende da navegação por corredores anatômicos estreitos. No entanto, a manobrabilidade de instrumentos rígidos convencionais é frequentemente limitada pelas complexidades anatômicas específicas do paciente (ex: passagens nasais estreitas, base do crânio reduzida), aumentando o risco de danos a estruturas neurovasculares críticas. Embora instrumentos robóticos flexíveis ofereçam uma solução, seu comportamento inerentemente não linear e hiperelástico, além da falta de controle intuitivo, impõem desafios significativos. As abordagens tradicionais de modelagem baseadas em física (ex: Curvatura Constante, teoria da haste de Cosserat, Deformação Variável Geométrica) enfrentam dificuldades com dispositivos macios atuados magneticamente devido à dificuldade de caracterizar precisamente as propriedades do material impresso em 3D, à complexidade dos torques magnéticos dependentes da configuração e ao custo computacional para simulação em tempo real. Além disso, estudos baseados em aprendizado existentes focaram primariamente em robôs acionados por tendão ou pneumáticos, deixando uma lacuna na modelagem baseada em dados para ferramentas cirúrgicas macias magneticamente atuadas com sensores incorporados.

Metodologia
Os autores propõem um framework de modelagem baseado em dados que mapeia diretamente os inputs de atuação magnética para a configuração geométrica de um dispositivo de sucção macio customizado.

• Design do Dispositivo: Um dispositivo de sucção macio miniaturizado (4 mm de diâmetro externo, 2 mm de canal interno, 40 mm de comprimento ativo) foi impresso em 3D utilizando silicone biocompatível SIL 30. Ele apresenta um ímã permanente distal para direcionamento e um sensor de Red de Bragg em Fibra (FBG) multi-core incorporado para detecção de forma em tempo real.
• Codificação de Forma: Os dados brutos de deformação FBG são processados para reconstruir a linha central 3D do robô. Para criar uma representação compacta e de baixa dimensão adequada para o aprendizado, a forma reconstruída é ajustada a uma curva de Bezier cúbica definida por quatro pontos de controle ($p_0$ a $p_3$). Os pontos extremos ($p_0, p_3$) são restritos à base e à ponta do dispositivo, enquanto os pontos intermediários ($p_1, p_2$) definem o perfil de curvatura.
• Coleta de Dados Experimentais: Experimentos foram conduzidos utilizando um sistema eletromagnético de 8 bobinas. O dispositivo foi atuado sob campos magnéticos rotativos com parâmetros variáveis: magnitude (0–14 mT), frequência (0,2–1,0 Hz) e distância vertical da ponta em relação à mesa de bobinas (90 mm e 100 mm). Isso resultou em um conjunto de dados de 5.097 amostras experimentais.
• Abordagens de Modelagem: Duas arquiteturas de aprendizado de máquina foram treinadas para prever os quatro pontos de controle de Bezier a partir dos parâmetros do campo magnético ($b_x, b_y$, magnitude, frequência e distância):
  1. Rede Neural (NN): Uma rede feedforward com três camadas ocultas.
  2. Random Forest (RF): Um ensemble de 12 regressores, cada um com 200 árvores de decisão.

Principais Contribuições

1. Fabricação do Dispositivo: O design e a fabricação de um dispositivo de sucção macio miniaturizado, impresso em 3D, biocompatível e com sensor FBG integrado, especificamente adaptado para neurocirurgia endoscópica endonasal.
2. Novo Paradigma de Modelagem: A introdução de um framework de aprendizado que vincula diretamente os inputs de campo magnético aos pontos de controle de Bezier. Esta abordagem evita a necessidade de identificação explícita de parâmetros constitutivos e derivações cinemáticas analíticas, oferecendo uma representação geométrica compacta e interpretável.
3. Framework Unificado: A integração conceitual da caracterização do campo magnético, detecção FBG incorporada e aprendizado baseado em Bezier em uma única estratégia de modelagem aplicável a outros robôs contínuos magneticamente atuados.
4. Validação Experimental: Validação abrangente demonstrando que o framework proposto pode modelar com precisão o comportamento complexo, não linear e dependente de frequência de robôs macios hiperelásticos sob atuação magnética.

Resultos

• Desempenho do Modelo: O modelo Random Forest (RF) superou significativamente a Rede Neural (NN) em todas as métricas. O modelo RF alcançou um Erro Quadrático Médio (RMSE) médio de 0,087 mm na previsão dos pontos de controle, comparado a 0,121 mm para a NN.
• Reconstrução de Forma: O modelo RF produziu um erro de reconstrução de forma médio de 0,064 mm. A distribuição do erro foi mais concentrada e centrada em zero para o modelo RF, particularmente para os pontos de controle distais ($p_2$ e $p_3$), que são críticos para o posicionamento da ponta.
• Importância das Características: A análise revelou que os componentes do campo magnético ($b_x, b_y$) influenciam predominantemente os pontos de controle distais, enquanto a frequência de atuação e a distância vertical afetam significamente a configuração da base e o posicionamento vertical.
• Eficiência Computacional: O modelo RF demonstrou alta eficiência computacional adequada para inferência em tempo real, com um tempo de predição por amostra de aproximadamente $7,89 \times 10^{-5}$ segundos.

Significância e Alegações
O artigo afirma apresentar a primeira aplicação de um modelo de predição de forma baseado em aprendizado especificamente adaptado para dispositivos cirúrgicos macios magneticamente atuados equipados com detecção FBG incorporada. A significância deste trabalho reside em sua capacidade de modelar o comportamento não linear complexo de robôs macios sem depender de suposições físicas simplificadas ou parâmetros de material difíceis de obter. Ao alcançar precisão de predição submilimétrica e inferência em tempo real, o framework estabelece uma base para o controle inteligente de ferramentas magneticamente atuadas em neurocirurgia minimamente invasiva.

Os autores enfatizam que, embora a abordagem baseada em aprendizado ofereça um caminho pragmático para a caracterização rápida de dispositivos, ela é complementar aos frameworks baseados em física. Eles reconhecem limitações, incluindo a dependência de um único protótipo (específico para o dispositivo), o uso de campos magnéticos rotativos idealizados e a ausência de efeitos de interação com tecidos nos dados de treinamento atuais. Consequentemente, os autores posicionam este trabalho como uma caracterização de base necessária, com trabalhos futuros exigindo a validação da generalização entre múltiplos dispositivos, a incorporação de dados de interação com tecidos e o teste de desempenho em ambientes clínicos magnéticos complexos.