Методы машинного обучения для компенсации деформации мозга в нейрохирургии: обзор

Деформация мозга во время нейрохирургических операций — одна из главных проблем, снижающих точность навигации. Когда хирург удаляет опухоль или манипулирует тканями, мозг смещается, и предоперационные изображения перестают соответствовать реальной анатомии. Это может привести к неполному удалению опухоли или повреждению здоровых участков. Чтобы решить эту задачу, исследователи активно применяют методы машинного обучения, которые позволяют компенсировать смещение в реальном времени. Систематический обзор 46 исследований, опубликованных с 2020 по 2025 год, показывает, какие подходы наиболее перспективны и с какими ограничениями сталкиваются разработчики.

Почему компенсация деформации мозга критична для нейрохирургии

Точная навигация во время операции — залог успешного удаления опухоли и минимизации рисков. Однако мозг — не статичный орган: он смещается под действием силы тяжести, отёка, удаления ткани или установки инструментов. Это явление называют brain shift. Если не учитывать деформацию, хирург может ориентироваться на устаревшие данные, что особенно опасно при работе вблизи функционально важных зон. Методы машинного обучения позволяют обновлять карту анатомии на основе интраоперационных данных, таких как ультразвук или МРТ, и корректировать траекторию инструментов.

Какие методы машинного обучения используются для компенсации деформации мозга

Глубокая регистрация изображений

Один из самых распространённых подходов — глубокая регистрация, при которой нейронная сеть обучается совмещать предоперационные и интраоперационные изображения. Сети, такие как VoxelMorph или U-Net, предсказывают поле деформации, которое отображает каждую точку предоперационного скана в соответствующую точку интраоперационного. Эти методы работают быстро, но требуют большого количества размеченных данных и чувствительны к артефактам.

Регрессия поля деформации

Некоторые модели напрямую регрессируют векторное поле смещения по паре изображений. Это позволяет обойтись без итеративной оптимизации, что ускоряет процесс. Однако точность таких моделей сильно зависит от качества входных данных и может снижаться при сильных деформациях или резекции ткани.

Мультимодальное выравнивание через синтез

Чтобы совместить изображения разных модальностей (например, МРТ и КТ), исследователи применяют синтез: одна модальность преобразуется в другую с помощью генеративных моделей, после чего выполняется регистрация. Это особенно полезно, когда интраоперационные данные получены с помощью ультразвука, который дешевле и доступнее, но имеет низкое качество.

Архитектуры, учитывающие резекцию

Удаление опухоли создаёт полость, которая меняет геометрию мозга. Специализированные модели учитывают этот факт, маскируя область резекции или моделируя её как граничное условие. Такие подходы требуют точной сегментации опухоли и полости, что само по себе непростая задача.

Гибридные модели с биомеханическими априорными данными

Чисто data-driven методы могут давать нефизичные деформации. Чтобы этого избежать, исследователи комбинируют машинное обучение с биомеханическими моделями, которые описывают поведение тканей на основе законов механики. Например, метод конечных элементов задаёт жёсткость и упругость, а нейросеть корректирует параметры под конкретного пациента. Это повышает реалистичность, но увеличивает вычислительную сложность.

Какие наборы данных и метрики используются для оценки

Для обучения и тестирования моделей применяются как открытые базы (например, RESECT, BITE), так и собственные клинические данные. Основные метрики — Dice Similarity Coefficient (DSC) для оценки перекрытия сегментированных структур, Target Registration Error (TRE) для точности совмещения контрольных точек и Hausdorff Distance для границ. Однако единого стандарта нет, что затрудняет сравнение методов.

Какие ограничения мешают внедрению в клинику

Несмотря на прогресс, большинство методов остаются на уровне исследований. Главные проблемы — устойчивость к нестандартным случаям (например, сильное кровотечение или неожиданная резекция), отсутствие крупных размеченных датасетов и нехватка интерпретируемости моделей. Хирурги не доверяют «чёрному ящику», который может ошибиться без объяснения. Кроме того, многие методы проверены только на ретроспективных данных, и неизвестно, как они поведут себя в реальной операционной.

Какие метрики точности необходимы для клинического применения?

Этот вопрос остаётся открытым. Исследования редко указывают пороговые значения TRE или DSC, при которых метод можно считать клинически приемлемым. Обычно ориентируются на субмиллиметровую точность, но для разных типов операций требования различаются. Например, при работе вблизи речевых зон ошибка в 2 мм может быть критичной, а при удалении менингиомы — допустимой.

Кого затронут эти технологии

Разработка методов компенсации деформации мозга важна для нейрохирургов, которые получат более точные инструменты навигации. Инженеры и разработчики медицинского ПО смогут интегрировать эти алгоритмы в существующие системы. Исследователи в области компьютерного зрения и медицинской визуализации найдут новые задачи и вызовы. Наконец, пациенты выиграют от снижения риска осложнений и более полного удаления опухолей.

Что пока остаётся неизвестным

Конкретные пороговые значения точности для клинического принятия до сих пор не определены. Влияние методов на исходы операций в реальных условиях ещё предстоит изучить. Степень интеграции предложенных алгоритмов в существующие хирургические системы остаётся низкой. Кроме того, неясно, как методы будут работать при различных типах опухолей и локализациях, а также как обеспечить их надёжность в условиях ограниченных вычислительных ресурсов операционной.

Перспективы и направления будущих исследований

Для преодоления текущих ограничений необходимо создать стандартизированные бенчмарки и датасеты, включающие разнообразные клинические сценарии. Разработка интерпретируемых моделей, которые могут объяснить свои решения, повысит доверие хирургов. Также важно интегрировать методы в реальные навигационные системы и провести проспективные клинические испытания, чтобы оценить их эффективность и безопасность. Гибридные подходы, сочетающие машинное обучение с биомеханикой, выглядят наиболее перспективными, но требуют дальнейшей оптимизации скорости и точности.