MIT:n ja useiden yhdysvaltalaissairaaloiden tutkijat ovat julkaisseet tekoälymenetelmän, joka yhdistää leikkauksen aikana otetut röntgenkuvat potilaan aiempaan 3D-kuvaukseen sekunneissa ja alle millimetrin tarkkuudella. Menetelmä esiteltiin 16. syyskuuta 2026 tiedelehti Nature:ssa. Sen tavoitteena on helpottaa tähystysleikkausten navigointia ja tehdä aivoverenkiertohäiriöiden kaltaisista kiireellisistä toimenpiteistä nykyistä useamman sairaalan ulottuvilla.
Mitä ongelmaa menetelmä ratkaisee
Monet tähystysleikkaukset, kuten ahtaumien avaaminen pallolaajennuksella, tehdään reaaliaikaisen röntgenkuvauksen ohjaamana. Kuvauslaitetta voidaan liikuttaa ja kuvata toimenpidettä mistä kulmasta tahansa.
Röntgenkuva on kuitenkin tasainen. Pelkän kaksiulotteisen kuvan perusteella on vaikea päätellä, missä asennossa ja syvyydessä kirurginen instrumentti kullakin hetkellä on. Virhearvio kasvattaa komplikaatioiden riskiä.
Tämän vuoksi kliinikot kohdistavat röntgenkuvat potilaan ennen leikkausta otettuun tietokonetomografia- tai magneettikuvaukseen. Kuvien kohdistamista kutsutaan rekisteröinniksi, ja se kertoo, miten instrumentti sijoittuu suhteessa anatomisiin rakenteisiin.
Käsin tehty rekisteröinti on hidasta ja työlästä: kliinikko arvioi instrumentin asentoa joko syöttämällä lukuja tietokoneelle tai napsauttamalla anatomia maamerkkejä näytöllä. Aiemmat tekoälyyn perustuvat ratkaisut ovat puolestaan olleet epävarmoja eri potilailla, minkä vuoksi ne eivät ole vakiintuneet käyttöön.
Yksi malli yhtä potilasta varten
Menetelmän nimi on xvr (X-ray volume registration). Sen keskeinen ajatus on, ettei yritetä rakentaa yhtä mallia kaikille potilaille, vaan malli räätälöidään jokaiselle potilaalle erikseen.
xvr ottaa potilaan leikkausta edeltävän 3D-kuvauksen ja tuottaa siitä tuhansia synteettisiä röntgenkuvia eri kuvakulmista, noin tuhat kuvaa sekunnissa. Kuvat syntyvät fysiikkaan perustuvalla röntgensimulaatiolla, joka mallintaa itse kuvantamisprosessia.
Menetelmän pääkirjoittajan, MIT:n CSAIL-tutkimuslaitoksen tutkijatohtori Vivek Gopalakrishnanin mukaan lähestymistapa poikkeaa generatiivisesta tekoälystä olennaisesti. Hänen mukaansa simulaatio ei tuota kuvia tyhjästä, vaan perustuu kokonaan kyseisen potilaan kuvaustietoihin, joten hallusinaatioille ei ole tilaa.
Synteettisillä kuvilla opetettu malli osaa kohdistaa kyseisen potilaan röntgenkuvat tämän 3D-kuvaukseen sekunneissa.
Koulutusajasta pois kaksitoista tuntia
Pelkän potilaskohtaisen mallin ongelma on sen kouluttamisen hitaus. Käytännössä malli olisi pitänyt kouluttaa jokaiselle potilaalle alusta alkaen, mikä olisi kestänyt noin 12 tuntia. Hätätilanteessa menetelmä olisi siten hyödytön.
Tutkijat ratkaisivat ongelman esikouluttamalla niin sanotun perustamallin (foundation model), joka mukautuu nopeasti uuteen potilaaseen. Esikoulutusta varten he keräsivät koko kehon 3D-kuvauksia yli 2 000 potilaalta. Aineisto kattaa laajasti eri ikäryhmiä, kuvausmenetelmiä ja kehon alueita.
Esikoulutettu malli mukautuu uuteen potilaaseen noin viidessä minuutissa ja saavuttaa saman tarkkuuden kuin alusta asti koulutettu malli.
Näyttö viidestä sairaalasta
Tutkijat testasivat mallia laajimmalla saatavilla olevalla todellisten 2D/3D-rekisteröintien aineistolla. Aineisto koottiin viidestä sairaalasta ja se kattaa kymmeniä luita ja elinjärjestelmiä sekä aikuisilta että lapsipotilailta.
xvr paransi sekä tarkkuutta että toimintavarmuutta selvästi verrattuna muihin tekoälymenetelmiin. Tutkijoiden mukaan ero oli kertaluokkaa suurempi. Menetelmä myös toimi riittävän nopeasti kiireellisiin leikkauksiin.
Nature:n abstraktin mukaan xvr saavuttaa korkean tarkkuuden sekunneissa vaihtelevissa anatomisissa rakenteissa, eri kuvantamismenetelmissä ja eri sairaaloissa.
Miksi nopeudella on väliä
Gopalakrishnan nostaa esiin saatavuuden. Hänen mukaansa suuri osa amerikkalaisista asuu yli tunnin matkan päässä keskuksesta, jossa voidaan tehdä ei-kajoavia toimenpiteitä, kuten kiireellisiä aivoverenkiertohäiriön hoitoja.
Hänen mukaansa jokainen aivoverenkiertohäiriön hoitoon kuluva tunti on ratkaisevan tärkeä. Yhdistämällä 2D- ja 3D-tietoa toimenpiteistä tulee helpompia, mikä voi tehdä erittäin erikoistuneista henkeä pelastavista toimenpiteistä nykyistä useammalle potilaalle saavutettavia.
Avoin koodi ja seuraavat askeleet
Menetelmän Python-toteutus ja kokeiden toistamiseen tarvittavat skriptit on julkaistu avoimena GitHubissa. Toteutus perustuu DiffDRR- ja PyTorch-kirjastoihin.
Tutkijat kertovat jatkavansa työtä kolmella rintamalla: menetelmän nopeuttamisessa reaaliaikakäyttöön, luotettavuuden varmistamisessa lisätutkimuksissa sekä liikkuvien kehonosien kaltaisten vaativampien tilanteiden käsittelyssä.
Gopalakrishnanin mukaan algoritmia on kehitetty ja validoitu huolellisesti kahden vuoden ajan. Nyt tutkijat tekevät yhteistyötä kirurgisten robottivalmistajien ja kliinisten ryhmien kanssa tutkimuksen muuttamiseksi käyttökelpoisiksi navigointi- ja käyttöönottotyökaluiksi.
Rahoitus
Työtä rahoittivat osittain Yhdysvaltain terveysvirasto NIH, MIT CSAIL-Wistron-ohjelma, MIT-IBM Computing Research Lab, MIT Jameel Clinic, MIT Health and Life Sciences Collaborative sekä Chou Family Transformative Research Fund.
Lähteet
- MIT Schwarzman College of Computing (MIT News) – New AI technique could make minimally invasive surgeries safer and more precise – 16.9.2026 – computing.mit.edu
- Nature – Rapid patient-specific neural networks for X-ray to volume registration – 16.9.2026 – nature.com
- News-Medical – New patient-specific AI model improves precision in minimally invasive surgeries – 16.9.2026 – news-medical.net
- Hospimedica – Patient-Specific AI Tool Aligns X-Rays With 3D Scans For Surgical Navigation – 17.9.2026 – hospimedica.com
- NeuralBuddies – AI News Recap: September 18, 2026 – 18.9.2026 – neuralbuddies.com
- Tutkimuksen lähdekoodi – github.com/eigenvivek/xvr
Vastaa