这是一项基于即时建模（Just-in-Time modelling）的数据驱动软传感器研究，用于预测异构组织中的穿刺针偏转。

研究背景与目的 经皮穿刺活检、药物输送和近距离放射治疗等微创手术的成功，高度依赖于将穿刺针精确放置于体内靶点。然而，针与组织间的相互作用常导致针体偏离预定轨迹，影响治疗效果。传统的解决方案主要依赖于超声图像引导或针-组织交互作用建模。前者受限于超声的狭窄视野和伪影，后者则往往需要组织的力学特性作为输入，而这在临床环境中难以实时获取，尤其是对于非均质的生物组织。现有的物理模型通常假设组织是均质的，或仅通过一系列局部均质模型来近似，难以捕捉组织异质性、各向异性及针体屈曲等不确定因素。因此，本研究的作者，来自University of Alberta的Carlos Rossa、Thomas Lehmann、Mahdi Tavakoli以及来自Cross Cancer Institute的Ronald Sloboda和Nawaid Usmani，提出了一种新的数据驱动方法，旨在不依赖深层物理理解的情况下，准确估计非均质多层组织中的针尖偏转和插入力。该研究成果于2016年12月10日在线发表于期刊《Medical & Biological Engineering & Computing》。

研究方法与工作流程 该研究的核心是采用了一种改进的即时学习（Just-in-Time Learning，JIT）建模策略。与传统的全局建模方法不同，JIT模型将穿刺过程离散为多个小的局部区域，每个区域由一个仅在当前操作范围内有效的局部线性模型表示。

数据库构建 研究人员使用一个由棱柱-旋转关节构成的二自由度机器人系统，在离体（ex vivo）异质组织中执行针穿刺来收集数据。实验使用一根18号、200毫米长的近距离放射治疗针，其基座连接一个六维力/扭矩传感器（force/torque sensor），用以测量针底的力和力矩。一根4DL14-5/38线性超声换能器在组织表面移动，于垂直于针轴的平面采集二维图像以跟踪针尖位置，并通过图像处理方法测量针尖的平面内（in-plane）和平面外（out-of-plane）偏转。组织样本由牛里脊肉嵌入工业明胶混合物中制备而成，包含皮肤层、生物组织层和另一明胶层的三层结构，以模拟高度异质的组织环境。实验共在六个不同的组织样本中执行了216次针穿刺，每次穿刺在插入深度上以0.56毫米的增量进行测量，每次穿刺被离散为约250个独立的观测样本。最终，数据库（database）包含54,000个数据样本，每个样本的输入向量（input vector）由8个变量组成：针插入深度（insertion depth）、距第一和第二次轴向旋转深度的距离、针底x和y方向的力（fx, fy）、绕y和x轴的扭矩（my, mx）以及插入速度（insertion velocity）。输出向量（output vector）由3个变量组成：平面内偏转（ux）、平面外偏转（uy）和针插入力（fz）。该数据库的设计考虑到样本并不按时间顺序排列，每个样本被视为系统在特定时刻的一次独立观测。

即时建模算法流程 当一个新的查询输入（query）xq到来时，JIT模型通过四个主要步骤来预测输出 ŷq。第一步，根据相似性标准（similarity criteria）在数据库中筛选相关数据样本。研究者将输入向量中的元素根据其对不同输出变量的影响，重新组合为四个新向量：空间位置矢量（ρs = [z, θ1, θ2]）、平面内力矢量（py = [fy, mx]）、平面外力矢量（px = [fx, my]）和速度矢量（pv = v）。针对这四个向量，定义了四种独立的欧氏距离（Euclidean distance）相似度：空间距离（dsi）、平面内力相似度（dyi）、平面外力相似度（dxi）和速度相似度（dvi）。第二步，根据相似度大小，利用高斯核函数（Gaussian kernel）的组合为每个数据样本加权。例如，平面内偏转的权重wyi仅由空间相似度和平面内力相似度决定，而插入力的权重wzi仅由空间相似度和速度相似度决定。这种针对不同输出变量采用独立权重策略是该研究的一个特色。权重函数中的平滑参数（smoothing parameters）φ用于控制局部模型的带宽（bandwidth），即决定参与局部建模的历史数据子集的大小。第三步，基于选定的相关数据和权重构建一个局部模型，本研究采用加权平均模型（weighted average model）。第四步，利用该局部模型计算出当前查询对应的输出，随后该模型即被丢弃，等待下一个查询时重复此过程。

模型验证与参数优化 为了校准模型的平滑参数φ，研究者采用了K折交叉验证（k-fold cross-validation）方法。数据库被分为训练集和验证集。训练集被划分为k个等大小的子样本，每次留出一个子样本作为查询测试模型，其余k-1个子样本构成数据库，重复k次，并以均方预测误差的平均值作为优化目标。研究者使用粒子群优化（Particle Swarm Optimization）算法来迭代搜索最优的平滑参数组合。

主要研究结果 研究通过五个不同的案例研究（case studies）验证了所提出的软传感器的准确性。在案例1至3中，三分之一的针穿刺数据作为查询，其余构建数据库，验证集包含18,000个查询点。结果显示，对所有插入情况的综合评估中，平面内偏转的平均预测误差约为0.81毫米，平面外偏转的平均预测误差在1.13至1.28毫米之间，插入力的平均预测误差在0.42至0.52牛顿之间。具体而言，执行两次轴向旋转的插入场景因其更复杂的操作使得数据特征更丰富，其平面外偏转的预测误差（如案例1中的0.88毫米）低于无旋转场景（1.58毫米）。随着插入深度的增加，预测误差虽有上升，但平面内偏转误差不超过1.7毫米，平面外偏转误差不超过1.9毫米，插入力误差不超过0.8牛顿。案例4将训练数据库缩小至18,000个样本，查询数量增至36,000个，此时整体预测误差略有增加，平面内和平面外偏转的平均误差分别为0.94毫米和1.27毫米，表明数据库大小对模型性能有显著影响。案例5使用整个数据库进行交叉验证，展现了最佳性能，平面内偏转误差为0.79毫米，平面外偏转误差为1.21毫米，验证了足够大的数据库能有效抑制异常值（outliers）的影响。此外，案例1b至3b的对比实验表明，若不使用力/扭矩和速度作为模型输入，模型整体精度会下降18%，这证实了这些测量值对于提高预测准确性的重要贡献。

研究结论与价值 本研究提出了一种新颖的基于数据驱动的软传感器方法，能够有效估计异构组织中的三维针尖偏转和插入力。该方法仅需针底的力/扭矩传感器读数、插入深度和针旋转角度信息，无需预先了解复杂的组织力学特性。实验结果表明，该传感器对针偏转的平均预测误差在2毫米以内，落在超声图像可检测到的最小肿瘤尺寸范围内，且其13毫秒的查询处理速度使其适用于实时应用，采样率比二维超声图像高50%。这项研究的科学价值在于，它提供了一种能够捕捉针-组织交互中局部非线性和不确定性的新框架，克服了传统基于物理模型的局限性。其应用价值显著：可实时为针转向控制器提供反馈，为外科医生提供视觉引导；能够用于开发触觉模拟器（haptic simulators），帮助医生在力反馈下学习和评估穿刺技巧，从而缩短临床学习曲线；还可通过数据挖掘（data mining）探索针曲率与组织刚度之间的系统性关系。该研究为处理临床中组织异质性这一难题提供了一种成本效益高、实用性强的新思路。