Vascular Geometry Characterization for AI-Based Endovascular Navigation

Resumo Técnico: Caracterização da Geometria Vascular para Navegação Endovascular Baseada em IA

Definição do Problema
A trombectomia mecânica (TM) é o tratamento padrão ouro para o acidente vascular cerebral isquêmico agudo, porém o acesso é limitado pela escassez de neurorradiologistas especializados. Embora o Aprendizado por Reforço (RL) ofereça um caminho para automatizar a navegação endovascular, a área carece de frameworks padronizados para avaliar a dificuldade de navegação. Os benchmarks de código aberto atuais frequentemente dependem de geometrias vasculares simplificadas, e conjuntos de dados publicamente disponíveis que incorporem a vasculatura real de pacientes são escassos. Além disso, mesmo quando a vasculatura real é utilizada, a geometria e a complexidade vascular raramente são quantificadas, impedindo uma interpretação significativa do desempenho do agente em relação à dificuldade anatômica. Essa lacuna dificulta a comparação de modelos entre instituições e retarda o progresso da pesquisa.

Metodologia
O estudo empregou uma metodologia de quatro etapas para caracterizar sistematicamente os recursos vasculares e analisar sua associação com os resultados de navegação:

1. Segmentação de Dados e Extração de Linha Central (Centerline): As árvores vasculares foram segmentadas a partir de exames de Angiotomografia Computadorizada (CTA) de 61 pacientes utilizando o 3D Slicer e o Vascular Modeling Toolkit. Isso resultou em linhas centrais, extremidades de ramos e raios vasculares.
2. Extração Automatizada de Métricas: Um pipeline customizado em Python quantificou automaticamente oito métricas morfológicas e geométricas:
   • Tipo de Arco Aórtico: Classificado como Tipo I, II ou III com base na distância vertical entre a origem da artéria braquiocefálica (BCA) e o ápice do arco em relação ao diâmetro da artéria carótida comum esquerda (LCCA).
   • Presença de Arco Bovino: Determinada pela interseção geométrica das linhas centrais da BCA e da LCCA.
   • Comprimento do Vaso: Medido desde a origem da aorta até a bifurcação da artéria carótida comum (CCA).
   • Tortuosidade: Calculada como a razão entre o comprimento geodésico e o comprimento euclidiano.
   • Raios Vasculares: Raios médios nas origens da BCA, da carótida comum direita (RCCA) e da LCCA.
   • Ângulos de Saída (Take-off Angles): O ângulo entre a linha central do arco aórtico e a linha central do vaso na origem.
   • Curvas Reversas: Segmentos onde o ângulo do vaso em relação ao eixo da árvore vascular global excedeu 100°.
3. Simulação de Navegação Autônoma: Um agente de aprendizado por reforço Soft Actor-Critic (SAC) foi treinado para navegar um fio guia e um cateter de guia do topo da aorta descendente até a RCCA ou LCCA. Para isolar o efeito da geometria vascular, um agente de RL separado foi treinado para cada um dos 61 modelos vasculares específicos de pacientes sob condições idênticas. Cada agente passou por até $1 \times 10^6$ passos de exploração.
4. Análise Estatística: Modelos de regressão linear e logística de efeitos mistos foram usados para analisar as associações entre as métricas vasculares quantificadas e os resultados de navegação (taxa de sucesso, tempo de procedimento e razão de caminho) através de 2.440 episódios de avaliação. Efeitos aleatórios consideraram a variabilidade entre as árvores vasculares, enquanto efeitos fixos estimaram o impacto de métricas específicas.

Principais Contribuições

• Pipeline de Quantificação Automatizada: Os autores introduziram um pipeline reprodutível para extrair características vasculares de linhas centrais derivadas de CTA. Isso permite a comparação de desempenho de modelos de RL em diferentes ambientes vasculares sem a necessidade de compartilhar dados de imagem bruta de pacientes, preservando assim a privacidade.
• Análise Sistemática de Características: Utilizando um agente de RL autônomo de última geração como um "operador" consistente, o estudo realizou uma análise detalhada para identificar quais características vasculares específicas predizem alto ou baixo desempenho de navegação, expandindo as limitadas evidências sobre influências anatômicas na TM.
• Conjunto de Dados de Grande Escala do Mundo Real: A análise foi conduzida no maior conjunto de dados de vasculaturas reais derivadas de CTA utilizados até o momento para simulações de navegação endovascular autônoma.

Resultos
O estudo descobriu que a geometria vascular influencia significativamente a dificuldade de navegação, com padrões distintos observados para a navegação do lado esquerdo e direito:

• Navegação do Lado Esquerdo:
  • A presença de um arco bovino aumentou o tempo de navegação em 30,19 segundos e reduziu a razão de caminho.
  • Arco aórtico Tipo II/III aumentou o tempo de navegação em 37,92 segundos.
  • O aumento da tortuosidade prolongou significativamente o tempo do procedimento ($\beta = 118,20$) e reduziu a probabilidade de sucesso.
  • Um maior ângulo de saída da LCCA foi associado a um aumento na probabilidade de sucesso.
• Navegação do Lado Direito:
  • Arco aórtico Tipo II/III estendeu o tempo de procedimento em 45,94 segundos.
  • Cada curva reversa adicional foi associada a um aumento de 3,96 segundos no tempo de navegação e uma menor probabilidade de sucesso.
  • Um maior ângulo de saída da BCA foi associado ao aumento da probabilidade de sucesso.
• Observações Gerais: As tarefas do lado direito geralmente exibiram taxas de sucesso mais altas e tempos de procedimento mais curtos em comparação com as tarefas do lado esquerdo. O trajeto do lado direito também demonstrou maior variabilidade em comprimento e tortuosidade.

Significância e Alegações
O artigo afirma demonstrar, pela primeira vez, que a dificuldade de navegação do agente de TM é fortemente influenciada pela geometria vascular. O pipeline automatizado proposto permite a caracterização objetiva e quantitativa de características vasculares, fornecendo uma base para:

1. Graduação de Complexidade Padronizada: Estabelecer um framework consistente para avaliar a dificuldade de navegação.
2. Avaliação de Modelos de RL: Facilitar o benchmarking de modelos de aprendizado por reforço entre diferentes instituições sem comprometer a privacidade do paciente.

Os autores declaram explicitamente que o propósito do estudo não é demonstrar uma navegação autônoma clinicamente generalizável. O agente de RL serve como um operador in silico padronizado para investigar a dificuldade de navegação dependente da anatomia. O trabalho destaca o potencial de combinar a quantificação automatizada de métricas com simulações de RL para padronizar a avaliação de complexidade, ao mesmo tempo em que reconhece limitações, como a falta de validação contra o desempenho de especialistas humanos e a restrição da análise ao arco aórtico e às artérias carótidas comuns. Identifica-se que trabalhos futuros são necessários para expandir os conjuntos de dados, incorporar validação clínica e estender o framework para segmentos vasculares distais.