Application de l’apprentissage par imitation à la planification de trajectoires dans les interventions cardiaques percutanées

Contexte académique

Les maladies valvulaires cardiaques, en particulier la régurgitation mitrale (mitral regurgitation, MR), représentent la troisième pathologie valvulaire la plus courante dans le monde, avec une incidence particulièrement élevée chez les personnes âgées. La régurgitation mitrale se caractérise par l’incapacité de la valve mitrale à se fermer complètement pendant la systole, entraînant un reflux sanguin du ventricule gauche vers l’atrium gauche. Si elle n’est pas traitée, cette affection peut provoquer des complications graves, notamment une insuffisance cardiaque. Bien que la chirurgie thoracique traditionnelle soit efficace, elle est très invasive et nécessite un temps de récupération prolongé. Ces dernières années, les interventions percutanées mini-invasives (telles que la réparation mitrale par cathéter, TEER) sont devenues une alternative intéressante grâce à leurs avantages tels qu’une moindre douleur pour le patient, des taux de complications plus faibles et une durée d’hospitalisation réduite. Cependant, ces procédures exigent une coordination main-œil extrêmement précise de la part des opérateurs, ce qui rend leur courbe d’apprentissage abrupte et limite leur accessibilité.

Pour relever ces défis, les chercheurs explorent désormais comment optimiser ces interventions par des techniques d’automatisation, en particulier en définissant des chemins de navigation sûrs pour les robots. Cependant, l’environnement dynamique du cœur (comme les mouvements périodiques de la valve mitrale) rend difficile l’utilisation des méthodes traditionnelles de planification statique de trajectoires. Par conséquent, cette étude vise à développer un cadre de planification de trajectoires basé sur des méthodes d’apprentissage spécifiquement conçu pour les interventions percutanées cardiaques dans la réparation mitrale, afin de répondre aux besoins des environnements dynamiques et sécurisés.

Origine de l’article

Cet article a été rédigé par Angela Peloso, Rossella Damiano, Xiu Zhang, Anna Bicchi, Emiliano Votta et Elena De Momi, issus respectivement du Politecnico di Milano (Italie) et de l’Institut de Technologies Biomédicales du Conseil National de la Recherche Italien (ITB-CNR). L’article a été publié en 2024 dans la revue IEEE « IEEE Transactions on Biomedical Engineering ». La recherche a bénéficié du soutien du programme Horizon 2020 de l’Union Européenne, dans le cadre du projet ARTERY, sous le numéro d’accord de subvention 101017140.

Processus de recherche

1. Objectifs et méthodes

L’objectif principal de cette étude était de développer un cadre de planification de trajectoires basé sur l’apprentissage par imitation (imitation learning, IL) pour la navigation du cathéter lors de la réparation mitrale. L’étude compare les performances de l’apprentissage par imitation génératif antagoniste (generative adversarial imitation learning, GAIL) et du clonage comportemental (behavioral cloning, BC) avec les algorithmes de planification de trajectoires traditionnels comme les arbres aléatoires rapidement explorants (RRT). Les chercheurs ont utilisé des données anatomiques spécifiques aux patients pour créer un jumeau numérique simulé, reproduisant les mouvements dynamiques de la valve mitrale.

2. Construction du modèle de jumeau numérique

L’étude a d’abord segmenté les structures anatomiques clés du cœur (comme l’oreillette gauche, la valve mitrale et le ventricule gauche) à partir de données d’imagerie par scanner CT, en utilisant le logiciel 3D Slicer. Ces données ont ensuite été importées dans la plateforme Unity pour créer un environnement statique. Pour simuler les mouvements dynamiques de la valve mitrale, les chercheurs ont extrait les données de déplacement du plan annulaire mitral pendant la systole (mitral annular plane systolic excursion, MAPSE) et ont utilisé des méthodes d’interpolation dans Unity pour mettre à jour dynamiquement la position cible, simulant ainsi les mouvements périodiques de la valve mitrale.

3. Conception et entraînement des algorithmes d’apprentissage

L’étude a utilisé quatre méthodes d’apprentissage pour la planification de trajectoires : PPO (Proximal Policy Optimization), BC, GAIL, ainsi qu’une combinaison de GAIL+BC. Pendant l’entraînement, les chercheurs ont enregistré 100 trajectoires réalisées par des opérateurs experts dans l’environnement de simulation Unity. Les algorithmes d’apprentissage observaient l’état actuel (comme la position du cathéter, la position cible, la distance, etc.) et prenaient des actions (comme l’avancement ou la rotation du cathéter) pour apprendre à planifier des trajectoires. Une fonction de récompense orientée tâche a également été conçue pour guider les algorithmes dans l’optimisation progressive des trajectoires au cours de l’entraînement.

4. Ajustement des paramètres et validation

Pour assurer la stabilité et les performances des algorithmes, les chercheurs ont effectué une recherche par grille des hyperparamètres et ont sélectionné les modèles les plus performants pour la validation. Ils ont comparé les performances des algorithmes d’apprentissage avec celles de l’algorithme RRT dans des environnements statiques et dynamiques, en évaluant des métriques telles que le temps d’exécution des trajectoires, la longueur des trajectoires, l’erreur de position cible, la distance minimale aux obstacles et la courbure moyenne des trajectoires.

Résultats principaux

1. Résultats de l’ajustement des paramètres

Dans un environnement statique, l’algorithme BC a montré les meilleures performances avec un paramètre de force de 0,1, tandis que GAIL a obtenu ses meilleurs résultats avec un paramètre de force de 0,1. La combinaison GAIL+BC a donné les meilleurs résultats avec des paramètres de force de 0,1-0,1. Dans un environnement dynamique, les algorithmes BC et GAIL+BC ont atteint leurs meilleures performances avec des paramètres de force de 0,1-0,1, tandis que GAIL n’a pas réussi à atteindre la cible.

2. Comparaison des performances de planification de trajectoires

Dans un environnement statique, les algorithmes BC et GAIL+BC ont affiché des longueurs de trajectoires et des erreurs de position cible significativement inférieures à celles de l’algorithme RRT, avec une meilleure fluidité et une plus grande distance minimale aux obstacles. Dans un environnement dynamique, l’algorithme GAIL+BC a surpassé BC en termes d’erreur de position cible et de fluidité des trajectoires, bien que la longueur des trajectoires soit légèrement supérieure à celle de RRT. Globalement, les algorithmes d’apprentissage ont montré une excellente répétabilité et sécurité, générant des trajectoires similaires à celles des experts sans nécessiter d’ajustements ultérieurs.

3. Analyse statistique et interprétation des résultats

L’analyse statistique a montré que les algorithmes d’apprentissage présentaient une erreur de position cible significativement inférieure à celle de RRT, en particulier dans un environnement dynamique. De plus, les trajectoires générées par les algorithmes d’apprentissage ont également montré d’excellentes performances en termes de distance minimale aux obstacles et de fluidité, indiquant une haute sécurité et faisabilité clinique.

Conclusion

Cette étude propose un cadre de planification de trajectoires basé sur des méthodes d’apprentissage pour la navigation du cathéter lors de la réparation mitrale. En combinant l’apprentissage par imitation génératif antagoniste et le clonage comportemental, la recherche a réussi à générer des trajectoires sûres, fluides et hautement reproductibles dans des environnements statiques et dynamiques. Comparés à l’algorithme RRT traditionnel, les algorithmes d’apprentissage ont montré des avantages significatifs en termes d’erreur de position cible, de longueur des trajectoires et de distance minimale aux obstacles, sans nécessiter d’ajustements ultérieurs. Ce cadre pose les bases pour le développement futur des interventions cardiaques assistées par robot, avec le potentiel de réduire la dépendance à l’égard des opérateurs, de minimiser les risques et d’améliorer les résultats pour les patients.

Points forts de la recherche

1. Innovation : Cette étude applique pour la première fois l’apprentissage par imitation génératif antagoniste et le clonage comportemental à la planification de trajectoires dans les interventions cardiaques percutanées, répondant ainsi aux besoins des environnements dynamiques et sécurisés.
2. Praticité : En intégrant des données de démonstration expertes, les algorithmes d’apprentissage peuvent générer des trajectoires similaires aux opérations cliniques, réduisant ainsi le besoin d’ajustements ultérieurs et améliorant la standardisation et la reproductibilité des interventions.
3. Valeur clinique : Ce cadre fournit une nouvelle voie technologique pour les interventions cardiaques assistées par robot, avec le potentiel de promouvoir la diffusion et l’optimisation des interventions mini-invasives.

Autres informations utiles

La recherche souligne également que les travaux futurs pourraient élargir ce cadre pour répondre aux différences anatomiques entre les patients et valider son application dans des scénarios cliniques réels. De plus, la possibilité de calibrer les systèmes de simulation et physiques a été proposée pour garantir une navigation précise des cathéters robotiques lors d’interventions réelles.