Autonome Roboter-Navigation für endovaskuläre BCI-Zugänge: Soft Actor-Critic erreicht 70 Prozent in vitro

Kann ein rein simulationsbasierter Reinforcement-Learning-Controller die zerebrale venöse Zugangsroute für ein endovaskuläres Brain-Computer-Interface autonom navigieren und dabei auf eine ungesehene Anatomie generalisieren, und lässt sich drohendes Navigationsversagen online zuverlässig vorhersagen?

Die manuelle Platzierung endovaskulärer BCIs wie des Stentrode erfordert die präzise Führung von Katheter und Führungsdraht durch variable, teils geschlängelte zerebrale Venen. Das Verfahren ist von der Operateurerfahrung abhängig und mit fluoroskopischer Strahlenbelastung verbunden. Bisherige autonome Ansätze fokussieren auf arterielle Gefäße, der zerebrale Venenweg ist unerforscht.

Bisherige Arbeiten nutzen Reinforcement Learning für die autonome Navigation von Kathetern und Führungsdrähten, vor allem im Aortenbogen und Koronarsystem, vereinzelt auch in zerebralen Arterien. Diese Ansätze sind nicht für das venöse System validiert, bieten selten eine Online-Überwachung für menschliche Aufsicht und zeigen unzureichende Generalisierung über einzelne Trainingsanatomien hinaus.

Die Autoren trainieren zwei sequenzielle Soft-Actor-Critic-Controller mit LSTM-Beobachtungs-Einbettung und Twin-Q-Netzwerken vollständig in silico. Als Umgebung dient die Open-Source-Simulation stEVE mit SOFA und BeamAdapter; die Gefäßmodelle stammen aus zwei öffentlichen MRT-Venographien, wobei eine Anatomie für das Training mit geometrischer Augmentation (Skalierung und Radien ±20 %, Rotation bis 30°) und die zweite als Hold-out verwendet wird. Zusätzlich wird ein rekurrenter GRU-Fehlerprädiktor mit 128 Hidden Units auf Trajektorien des trainierten Controllers trainiert, um Versagen innerhalb der nächsten 20 Schritte vorherzusagen. In-vitro-Tests erfolgen an 3D-gedruckten PLA-Phantomen unter fluoroskopischer Führung mit einem Roboter-Manipulator, der Katheter und Führungsdraht unabhängig translatiert und rotiert.

In silico über 250 Episoden je Bedingung erreichten Task A und B in der Trainingsanatomie 85,6 % bzw. 98,4 % Erfolg, in der Hold-out-Anatomie 42,0 % bzw. 91,6 %. In vitro über fünf Läufe je Bedingung (insgesamt 20 Läufe) lag der Gesamterfolg bei 14 von 20 (70 %); in der Trainingsanatomie je 80 % für Task A und B, in der Hold-out-Anatomie 40 % für Task A und 80 % für Task B. Der Fehlerprädiktor erkannte in silico 99,3 bis 100,0 % der Fehlschläge, mit Falschalarmraten von 0,8 bis 6,7 % und medianen Vorwarnzeiten von 22 bis 27 Schritten. In vitro stieg das vorhergesagte Risiko vor Fehlschlägen, war aber auch in erfolgreichen Läufen erhöht, was auf Kalibrierungsfehler nach dem Transfer hinweist.

Die Studie verwendet nur zwei Venenanatomien, eine für Training und eine als Hold-out; eine größere patientenabgeleitete Kohorte fehlt. In vitro wurden nur fünf Läufe pro Bedingung durchgeführt, ohne manuelle Experten-Benchmark. Die 3D-gedruckten Phantome bilden Pulsatilität und physiologische Bewegung nicht ab; Reibung war eine Hauptfehlerquelle. Es wurde kein endovaskuläres BCI implantiert, keine Kraft- oder Sicherheitsmetriken erhoben und keine Ex-vivo- oder In-vivo-Validierung durchgeführt. Der Fehlerprädiktor wurde auf Trajektorien derselben Controller-Familie trainiert und zeigte nach Sim-to-Real-Transfer unzureichende Kalibrierung; die automatische Rückzugsreaktion ist nicht validiert. Eine Veröffentlichung des Codes wird im Paper nicht berichtet.