Onderzoekers hebben een nieuw raamwerk ontwikkeld genaamd Anatomy-Informed Neural Networks (AINN), waarmee deep-learningmodellen worden gedwongen om zich aan biologische wetmatigheden te houden. Deze methode moet voorkomen dat AI-systemen medische voorspellingen doen die wel numeriek kloppen, maar anatomisch onmogelijk zijn.
Binnen de medische beeldvorming en robotica kampen deep-learningmodellen vaak met een specifiek probleem: ze kunnen resultaten genereren die wiskundig plausibel lijken, maar in de praktijk niet kunnen voorkomen in een menselijk lichaam. Dit probleem wordt versterkt wanneer er sprake is van schaarse data, waardoor de modellen minder goed generaliseren. Om dit aan te pakken, introduceert onderzoeker David P. Stonko de Anatomy-Informed Neural Networks (AINN), zoals beschreven in een recent wetenschappelijk document op arxiv.org.
Integratie van anatomische beperkingen
De kern van de AINN-benadering is het implementeren van zogenaamde 'anatomische priors'. Dit zijn vooraf gedefinieerde regels over hoe het menselijk lichaam is opgebouwd, die op twee verschillende manieren in het neurale netwerk worden verwerkt:
- Zachte beperkingen (Soft Priors): Deze worden toegevoegd als strafpunten (penalty terms) in de verliesfunctie van het model. Een voorbeeld hiervan is een 'branching penalty'. Als een model voorspelt dat een niertransplantatie-slagader uit de bekkenarterie (iliaca) komt in plaats van uit de aorta, wordt dit door het systeem als onverwacht gemarkeerd, hoewel het niet strikt onmogelijk is.
- Harde beperkingen (Hard Priors): Deze regels worden direct in de architectuur en de representatie van de status van het netwerk ingebouwd. Hierdoor worden ongeldige voorspellingen, zoals het verbreken van de continuïteit van een bloedvat, technisch onmogelijk gemaakt.
Deze aanpak is direct analoog aan physics-informed neural networks, waarbij natuurkundige wetten worden gebruikt om de output van AI te sturen.
Toepassing op aorto-iliacale deformatie
Om de effectiviteit van AINN te testen, is het model toegepast op een specifieke klinische casus: de vervorming van de aorto-iliacale boom wanneer er een stijve gidsdraad endoluminaal wordt ingebracht. Dit proces is van cruciaal belang voor moderne aortachirurgie en toekomstige autonome endovasculaire navigatie.
In dit model worden de centrumlijn van het bloedvat en het pad van de draad vertaald van een standaard driedimensionale ruimte naar curven van frames in de Lie-groep SE(3). Volgens de publicatie op wordt hierbij een Cosserat-rod draad gekoppeld aan een anatomisch verankerd bloedvat. De uiteindelijke voorspelling is een geconstraineerde minimalisatie van de gekoppelde elastische energie.
Een belangrijk aspect van dit onderzoek is het gebruik van 2D-angiogrammen om 3D-voorspellingen te trainen. Dit gebeurt via een Wasserstein-2 optimal-transport loss, waarbij de voorspelde projectie via de C-arm geometrie wordt vergeleken met de waargenomen beelden.
Context van de menselijke anatomie
De noodzaak voor dergelijke nauwkeurige modellen wordt onderstreept door de complexiteit van het menselijk lichaam. Zo beschrijft humanbodypartsanatomy.com dat de menselijke anatomie bestaat uit een uitgebreid netwerk van organen en bloedvaten, waarbij het cardiovasculaire systeem specifiek verantwoordelijk is voor het transport via het hart en de slagaders. Met een skelet van 206 botten en meer dan 600 spieren is de structurele samenhang van het lichaam essentieel voor het functioneren.
Het begrijpen van deze structuren is de basis voor zowel de fysiologie als de anatomie. De AINN-methode probeert deze biologische structuren, zoals de specifieke ligging van slagaders en de interactie tussen weefsels, te vertalen naar computertaal zodat AI-systemen minder fouten maken bij medische interventies.
Toekomstige stappen
Hoewel de kinematica en de projecties in dit onderzoek zijn geverifieerd tegen bekende grondwaarheden, is er nog geen sprake van een volledig getraind netwerk in deze fase. De huidige resultaten zijn gebaseerd op een in silico model.
In de toekomst is de bedoeling om dit model over te dragen naar echte CT-scans. De onderzoekers willen hiermee testen of de integratie van anatomische priors de voorspellende nauwkeurigheid daadwerkelijk verbetert en of het de hoeveelheid trainingsdata die nodig is om een betrouwbaar model te bouwen, kan verminderen.
Andere bronnen, zoals anatomy.app, bieden weliswaar toegang tot anatomische informatie, maar bevatten geen specifieke details over de implementatie van deze neurale netwerken. De volledige technische details van de SE(3)-formulering en de elastische energie-minimalisatie zijn terug te vinden in de volledige documentatie van .