Ecografía Intraoperatoria para Cirugía de Tumores Cerebrales Potenciada por IA (BrainUS-AI)

La cirugía de tumores cerebrales presenta grandes desafíos debido a la compleja anatomía del cerebro y la naturaleza infiltrativa de estas lesiones, que a menudo se localizan cerca de áreas elocuentes. Uno de los determinantes clave de la supervivencia del paciente es la extensión de la resección tumoral, siempre que pueda lograrse sin comprometer la función neurológica 1. Para maximizar la resección segura, los neurocirujanos dependen de una variedad de ayudas intraoperatorias, incluyendo agentes fluorescentes, neuronavegación, estimulación eléctrica directa y técnicas avanzadas de imagen intraoperatoria, especialmente la resonancia magnética intraoperatoria (ioMRI) y la ecografía intraoperatoria (ioUS) 2.

Aunque la ioMRI ofrece una excelente resolución y precisión, su alto costo, demandas logísticas y complejidad de integración limitan su disponibilidad a un pequeño número de centros especializados 3. En contraste, la ioUS es una modalidad versátil y de bajo costo que se integra naturalmente en el flujo de trabajo quirúrgico 4-6. Sin embargo, su adopción más amplia se ha visto limitada por varios factores: alta dependencia del operador, una pronunciada curva de aprendizaje y desafíos de interpretación relacionados con artefactos, planos de imagen no estándar, bajo contraste entre el tumor y el cerebro normal, y un campo de visión restringido.

En las últimas décadas, la investigación sobre segmentación de tumores cerebrales basada en IA ha avanzado sustancialmente, pero la mayoría de los trabajos se han centrado en MRI 7. En el contexto de ioUS, estudios tempranos como el de Ritschel et al. 8 demostraron que los modelos de clasificación supervisada (por ejemplo, máquinas de vectores de soporte) podían distinguir el tumor del tejido sano en ecografía con contraste, pero estos enfoques requerían mucho trabajo y se limitaban a conjuntos de datos pequeños. Ilunga-Mbuyamba et al. 9 investigaron posteriormente el registro multimodal entre ioUS y MRI para mejorar la segmentación, pero la viabilidad clínica se vio limitada por la necesidad de una co-registración precisa. Más recientemente, los enfoques basados en aprendizaje profundo de Canalini et al. 10 y Carton et al. 11 se han aplicado para segmentar cavidades quirúrgicas y volúmenes tumorales en imágenes de ioUS.

Métodos de vanguardia como los reportados por Faanes et al. 12, que utilizan arquitecturas nnU-Net, han logrado coeficientes de similitud de Dice prometedores de 0.6-0.9 en conjuntos de datos públicos como RESECT-SEG 13 y ReMIND 14. Sin embargo, estos modelos no fueron diseñados para inferencia en tiempo real y no han sido validados en entornos quirúrgicos en vivo. Otros enfoques, como el de Dorent et al. 15, han dependido de imágenes de ecografía sintéticas derivadas de MRI preoperatoria, lo que plantea preocupaciones sobre la generalización a datos reales de ioUS. En general, a pesar de estos avances, la traducción clínica sigue siendo limitada debido a los desafíos únicos de ioUS, incluyendo menor resolución espacial, heterogeneidad de la imagen y variabilidad en los protocolos de adquisición.

En otros dominios médicos, la segmentación de ecografía asistida por IA ha demostrado viabilidad en tiempo real. Por ejemplo, Hu et al. 16 implementaron modelos basados en U-Net para segmentación de lesiones mamarias a 16 cuadros por segundo (FPS) con puntuaciones Dice superiores a 0.75, mientras que Wei et al. 17 aplicaron detección basada en YOLO para identificar placas carotídeas con 98.5% de precisión a 39 FPS. A pesar de su eficiencia y precisión, enfoques similares aún no se han implementado y validado clínicamente para cirugía de tumores cerebrales usando ioUS.

Nuestro proyecto tiene como objetivo abordar esta brecha realizando una validación multicéntrica, prospectiva y no aleatorizada de un prototipo de modelo de segmentación basado en aprendizaje profundo específicamente diseñado para ecografía intraoperatoria de tumores cerebrales en tiempo real. El modelo opera a velocidades de cuadro quirúrgicas, delineando automáticamente los límites del tumor directamente en la transmisión de ecografía en vivo, con el objetivo de ayudar en la toma de decisiones intraoperatorias, maximizar la extensión de la resección cuando sea oncológicamente apropiado y preservar la función neurológica.

Este estudio se basa en nuestro trabajo previo, que ha establecido una base científica sólida para la validación propuesta. En nuestra publicación reciente, "Segmentación de Glioma Basada en Aprendizaje Profundo de Imágenes de Ecografía Intraoperatoria 2D: Un Estudio Multicéntrico Usando la Base de Datos de Ecografía Intraoperatoria de Tumores Cerebrales (BraTioUS)" 18, entrenamos y validamos un modelo de aprendizaje profundo para segmentación de tumores cerebrales usando datos multicéntricos de BraTioUS-DB, marcando un hito en la investigación de ioUS. En un segundo estudio, "Detección de Tumores Cerebrales en Tiempo Real en Ecografía Intraoperatoria: Desde el Entrenamiento del Modelo hasta la Implementación en el Quirófano" 19, desarrollamos y evaluamos prospectivamente un modelo de detección de visión por computadora en tiempo real en el quirófano. Juntos, estas contribuciones proporcionan un marco robusto para avanzar en la segmentación basada en IA en tiempo real en ecografía intraoperatoria, directamente alineado con los objetivos del presente estudio.