A nadie se le escapa que las intervenciones quirúrgicas neurológicas son complejas. Buena parte de esa complejidad se debe a la precisión milimétrica que requieren, ya que cualquier mínimo error al trabajar sobre el cerebro del paciente puede tener importantes consecuencias en forma de efectos secundarios transitorios o incluso permanentes para el paciente. De ahí la importancia de que los médicos dispongan de imágenes lo más precisas posibles que les permitan guiarse con precisión durante la intervención.

En este contexto, un proyecto en el que participan investigadores de Centro de Electrónica Industrial y Sistemas Multimodales (CEIMM) de la Universidad Politécnica de Madrid, ha desarrollado una herramienta basada en Inteligencia Artificial que permite, combinando diferentes tipos de datos e imágenes, obtener una reconstrucción muy precisa de la geometría del rostro del paciente que ayuda a los cirujanos a guiarse durante la operación reduciendo significativamente el riesgo de error.

“El principal objetivo de este trabajo fue mejorar la precisión de las intervenciones neuroquirúrgicas mediante el uso de Inteligencia Artificial. Para ello, intentamos desarrollar un sistema capaz de capturar con detalle la forma del rostro del paciente y utilizarla como referencia para combinar distintos tipos de imágenes médicas, como resonancias magnéticas o imágenes hiperespectrales, de forma coherente y fiable”, explica Jaime Sancho, uno de los investigadores de la UPM que participa en este estudio.

El sistema combina una cámara estéreo comercial con una red neuronal diseñada específicamente para rasgos faciales, reduciendo el error de estimación de forma significativa tanto en entornos simulados como en condiciones reales.

“La investigación tiene una aplicación directa en el quirófano. Durante una intervención neuroquirúrgica, los médicos necesitan combinar información proveniente de distintas fuentes de imagen como resonancias magnéticas, tomografías o imágenes hiperespectrales para guiar sus decisiones con la mayor precisión posible. Para que esta combinación sea útil, es imprescindible alinear correctamente todas estas imágenes con la posición real del paciente, un proceso conocido como registro. La reconstrucción facial precisa que ofrece este sistema facilita precisamente ese paso, reduciendo los márgenes de error en una fase crítica de la intervención”, añade el investigador.

Resultados muy prometedores

Desde el punto de vista técnico, el trabajo se centró en adaptar y mejorar una red neuronal existente, la arquitectura HITNet, mediante la incorporación de un mecanismo de atención facial, diseñado para que el sistema preste especial énfasis a las regiones del rostro más relevantes para la reconstrucción geométrica.

Los resultados obtenidos demuestran que la incorporación de un mecanismo de atención facial en la red neuronal mejora la precisión de la reconstrucción en todos los escenarios evaluados. Así, en entornos simulados, el error medio se redujo de 2.29 mm a 2.02 mm, con mejoras especialmente visibles en las zonas de la nariz y la boca. En condiciones reales, el error pasó de 16.91 mm a 14.39 mm, y se redujo aún más hasta 13.85 mm al aprovechar el entrenamiento previo con datos sintéticos. Además, el sistema es capaz de procesar cada imagen en apenas 10 milisegundos, lo que lo hace viable para su uso en entornos clínicos.

“Este enfoque representa un paso significativo hacia sistemas de registro de imágenes médicas más precisos y fiables, que en el futuro podrían contribuir directamente a mejorar la seguridad y los resultados de las intervenciones neuroquirúrgicas”.

Los resultados de este trabajo tienen el potencial de mejorar los resultados clínicos en pacientes con tumores cerebrales u otras patologías que requieran cirugía de alta precisión, donde milímetros de diferencia pueden tener consecuencias significativas, presentando además otra ventaja: el bajo coste que supondría su implantación en los centros hospitalarios.

“El uso de cámaras comerciales de bajo coste y datos sintéticos para el entrenamiento de los modelos abre la puerta a que soluciones de este tipo sean accesibles en centros hospitalarios con recursos limitados, ampliando así su impacto social potencial”, explican los investigadores.

Una investigación con fondos públicos

La investigación que ha dado como resultado esta herramienta se ha desarrollado en el marco de dos proyectos de financiación pública. El primero es STRATUM, un proyecto europeo en el que la Universidad Politécnica de Madrid colabora con un consorcio internacional de instituciones académicas, clínicas y tecnológicas: el Hospital Universitario 12 de Octubre (H12O), la Universidad de Tecnología de Eindhoven (TU/e), el Hospital Universitario Karolinska (KUH), el Barcelona Supercomputing Center (BSC), la Universidad de Pavia (UNIPV), el Hospital Dr. Negrín (UHDN), OPTOMIC y la Universidad de Las Palmas de Gran Canaria (ULPGC).

El segundo es OASIS, un proyecto de ámbito nacional en el que la UPM trabaja junto a la Universidad de Las Palmas de Gran Canaria (ULPGC), la Universidad de Castilla-La Mancha (UCLM) y la Universidad de Cantabria (UC).