HRNet-FCN: L’IA che Guida il Chirurgo nella Complessità Vascolare Pancreatica

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi appassiona moltissimo: come l’intelligenza artificiale sta entrando in sala operatoria per rendere interventi complessi, come quelli al pancreas, più sicuri e precisi. Immaginate di dover navigare in un labirinto di vasi sanguigni delicatissimi, dove un errore può avere conseguenze serie. Ecco, la chirurgia pancreatica laparoscopica è un po’ così.

La Sfida della Chirurgia Pancreatica Laparoscopica

La chirurgia laparoscopica al pancreas è fantastica perché è mininvasiva: meno dolore, recupero più rapido, degenze ospedaliere più brevi. Ma c’è un “ma”. Il pancreas è un organo complesso, circondato da strutture vitali, in particolare vasi sanguigni cruciali come l’asse vena mesenterica superiore-vena porta (SMV-PV) e la vena splenica. Questi vasi sono fragili e il rischio di sanguinamento intraoperatorio è sempre dietro l’angolo.

Pensateci: l’asse SMV-PV è fondamentale per decidere se un tumore al pancreas è operabile, specialmente se c’è invasione venosa. Bisogna preservarlo o ricostruirlo con estrema cura. La gestione corretta di questi vasi impatta enormemente sull’esito dell’intervento. Il problema è che in laparoscopia, il chirurgo perde il “senso del tatto”, quindi l’identificazione visiva di queste strutture diventa ancora più critica e difficile. È una delle sfide più grandi in questo tipo di chirurgia.

L’Intelligenza Artificiale come “Copilota” Visivo

Ed è qui che entriamo in gioco noi, o meglio, entra in gioco il Deep Learning (DL). Questa branca dell’intelligenza artificiale ha già fatto faville nell’analisi di immagini mediche come ecografie, PET-CT, TAC, risonanze magnetiche. Nel campo della chirurgia intelligente, il DL si è dimostrato capace di identificare con precisione arterie importanti, come quelle renali o mesenteriche.

Negli ultimi anni, abbiamo visto studi sull’uso del DL per identificare punti di riferimento anatomici in interventi come la colecistectomia. Ma la chirurgia pancreatica era rimasta un po’ indietro. Così, ci siamo chiesti: possiamo usare il DL per “illuminare” questi vasi critici durante interventi come la pancreatectomia distale laparoscopica (LDP) – per lesioni nella coda o corpo del pancreas – e la procedura di Whipple (duodenocefalopancreatectomia) – per lesioni nella testa del pancreas? Entrambe sono procedure complesse che richiedono un training lunghissimo per i chirurghi. Un aiuto visivo sarebbe prezioso, sia per l’intervento stesso che per la formazione.

Il Nostro Approccio: HRNet-FCN al Lavoro

Abbiamo raccolto un’enorme quantità di dati: 12.694 immagini da 126 video di LDP e 35.986 immagini da 138 video di Whipple, tutti annotati da chirurghi esperti per indicare esattamente dove si trovavano l’asse SMV-PV e la vena splenica.

Poi abbiamo messo all’opera un modello di Deep Learning chiamato High Resolution Network (HRNet) combinato con una Full Convolutional Network (FCN). Perché HRNet? Perché, a differenza di altri modelli che riducono la risoluzione dell’immagine per poi tentare di ricostruirla (perdendo dettagli preziosi), HRNet mantiene sempre un’alta risoluzione. Ha una struttura parallela che lavora su diverse scale contemporaneamente e fonde continuamente le informazioni. Questo è cruciale per identificare strutture fini e complesse come i vasi sanguigni. L’aggiunta di FCN ottimizza ulteriormente la rappresentazione delle caratteristiche per la nostra specifica applicazione chirurgica.

Abbiamo addestrato il modello a riconoscere e delineare questi vasi. Inizialmente, abbiamo provato a fargli distinguere tra SMV-PV e vena splenica (segmentazione multiclasse), ma i risultati non erano ottimali, soprattutto nei casi più difficili (immagini sfocate, con sangue, ecc.). Il modello faticava a differenziare nettamente i due tipi di vasi.

Considerando che anatomicamente la vena splenica si unisce alla vena mesenterica superiore per formare la vena porta, abbiamo avuto un’idea: e se li trattassimo come un’unica entità, un “punto di riferimento anatomico venoso”? Abbiamo quindi semplificato il compito per l’IA: distinguere solo tra “vena” e “non vena” (segmentazione binaria).

Risultati Sorprendenti e Capacità in Tempo Reale

Questa mossa si è rivelata vincente! I risultati sono migliorati nettamente. Abbiamo testato il modello su casi a bassa e alta difficoltà (basata sulla chiarezza dell’immagine e sulla dimensione del vaso).
Ecco alcuni numeri chiave ottenuti combinando i dati di LDP e Whipple:

• Coefficiente di Dice medio: 0.754 (un buon indicatore di sovrapposizione tra la previsione dell’IA e la verità)
• Recall (Sensibilità): 85.00% (l’IA ha trovato l’85% dei vasi reali)
• Precisione: 91.10% (quando l’IA ha detto “questo è un vaso”, aveva ragione nel 91.1% dei casi)

Un aspetto fondamentale è che unendo i set di dati di LDP e Whipple, il modello è diventato più robusto e capace di generalizzare, cioè di funzionare bene in contesti chirurgici diversi. Addirittura, abbiamo visto che addestrare il modello sul dataset combinato migliorava le performance anche sui singoli test set di LDP e Whipple, identificando aree che prima venivano mancate!

E la velocità? Il nostro modello HRNet-FCN, pur mantenendo alta qualità, riesce a processare le immagini a 11 fotogrammi al secondo (fps) su una GPU A100. Questo è considerato tempo reale in chirurgia, sufficiente per fornire un feedback visivo fluido e utile al chirurgo durante l’operazione, senza ritardi percepibili. Abbiamo confrontato HRNet-FCN con altri modelli noti (come U-Net, Deeplabv3++) e il nostro si è distinto per un ottimo bilanciamento tra accuratezza (specialmente nei casi a bassa difficoltà) ed efficienza computazionale.

Dalla Ricerca alla Sala Operatoria: Impatto e Futuro

Questo lavoro rappresenta, a nostra conoscenza, il primo riconoscimento automatico di punti di riferimento anatomici venosi specifici per la chirurgia pancreatica laparoscopica basato su IA, ed è stato già sperimentato in sala operatoria reale!

I vantaggi potenziali sono enormi:

• Maggiore precisione chirurgica: l’IA aiuta a visualizzare chiaramente i vasi.
• Riduzione delle complicanze: identificare correttamente i vasi riduce il rischio di lesioni e sanguinamenti.
• Diminuzione dello stress del chirurgo: avere un “copilota” affidabile può alleggerire la pressione.
• Miglioramento della formazione: può essere uno strumento didattico eccezionale.

Certo, ci sono ancora sfide. A volte l’IA commette errori (falsi positivi, cioè identifica come vaso qualcosa che non lo è, o falsi negativi, manca un vaso). Abbiamo notato che strutture con composizione simile (come parti del fegato) possono confondere il modello. Stiamo lavorando per migliorare ulteriormente la precisione, magari usando modelli ancora più avanzati (come i Transformer) o integrando informazioni contestuali (cosa sta succedendo nell’intervento, dove sono gli strumenti).

Un’altra sfida è la scarsità di dati, specialmente per casi rari come anomalie venose o tumori avanzati che coinvolgono i vasi (spesso non operati in laparoscopia). Raccogliere dataset più ampi e diversificati da vari centri chirurgici sarà cruciale.

Guardando al futuro, pensiamo all’integrazione di queste tecnologie con sistemi di Realtà Aumentata (AR). Immaginate il chirurgo che vede le immagini laparoscopiche con i vasi critici evidenziati direttamente nel suo campo visivo, come una sovrapposizione digitale. Questo potrebbe davvero rivoluzionare la navigazione chirurgica.

In conclusione, siamo entusiasti dei progressi fatti. Il nostro modello HRNet-FCN ha dimostrato di poter identificare in modo affidabile e in tempo reale i vasi sanguigni chiave nella chirurgia pancreatica laparoscopica. È un passo importante verso interventi più sicuri ed efficaci, sfruttando la potenza dell’intelligenza artificiale per supportare l’abilità e l’esperienza del chirurgo. La strada è ancora lunga, ma le potenzialità sono immense!

Fonte: Springer