Un robotic, entrenado por primera vez viendo vídeos de cirujanos experimentados, ejecutó los mismos procedimientos quirúrgicos con tanta habilidad como los médicos humanos.
El uso exitoso del aprendizaje por imitación para entrenar robots quirúrgicos elimina la necesidad de programarlos con cada movimiento particular person requerido durante un procedimiento médico y acerca el campo de la cirugía robótica a una verdadera autonomía, donde los robots podrían realizar cirugías complejas sin ayuda humana.
“Es realmente mágico tener este modelo y todo lo que hacemos es alimentarlo con la entrada de la cámara y puede predecir los movimientos robóticos necesarios para la cirugía”, dijo el autor principal Axel Krieger. “Creemos que esto marca un importante paso adelante hacia una nueva frontera en la robótica médica”.
Los hallazgos dirigidos por investigadores de la Universidad Johns Hopkins se destacan esta semana en la Conferencia sobre Aprendizaje de Robots en Munich, un evento importante para la robótica y el aprendizaje automático.
El equipo, que incluía investigadores de la Universidad de Stanford, utilizó el aprendizaje por imitación para entrenar al robotic del Sistema Quirúrgico da Vinci para que realizara procedimientos quirúrgicos fundamentales: manipular una aguja; levantar tejido corporal y suturar. El modelo combinó el aprendizaje por imitación con la misma arquitectura de aprendizaje automático que sustenta ChatGPT. Sin embargo, mientras ChatGPT trabaja con palabras y texto, este modelo habla “robotic” con cinemática, un lenguaje que descompone los ángulos del movimiento robótico en matemáticas.
Los investigadores alimentaron a su modelo con cientos de vídeos grabados con cámaras de muñeca colocadas en los brazos de los robots da Vinci durante los procedimientos quirúrgicos. Estos vídeos, grabados por cirujanos de todo el mundo, se utilizan para análisis postoperatorios y luego se archivan. Casi 7.000 robots da Vinci se utilizan en todo el mundo y más de 50.000 cirujanos están capacitados en el sistema, creando un gran archivo de datos para que los robots “imiten”.
Si bien el sistema da Vinci se utiliza ampliamente, los investigadores dicen que es notoriamente impreciso. Pero el equipo encontró una manera de hacer que la entrada defectuosa funcionara. La clave fue entrenar el modelo para que realizara movimientos relativos en lugar de acciones absolutas, que son inexactas.
“Todo lo que necesitamos es introducir imágenes y luego este sistema de inteligencia synthetic encuentra la acción correcta”, dijo el autor principal Ji Woong “Brian” Kim. “Descubrimos que incluso con unos pocos cientos de demostraciones, el modelo es capaz de aprender el procedimiento y generalizar nuevos entornos que no ha encontrado”.
El equipo entrenó al robotic para realizar tres tareas: manipular una aguja, levantar tejido corporal y sutura. En cada caso, el robotic entrenado en el modelo del equipo realizó los mismos procedimientos quirúrgicos con tanta habilidad como los médicos humanos.
“Aquí el modelo es tan bueno aprendiendo cosas que no le hemos enseñado”, dijo Krieger. “Por ejemplo, si se le cae la aguja, automáticamente la recogerá y continuará. Esto no es algo que le enseñé a hacer”.
El modelo podría usarse para entrenar rápidamente a un robotic para que realice cualquier tipo de procedimiento quirúrgico, dijeron los investigadores. El equipo ahora está utilizando el aprendizaje por imitación para entrenar a un robotic para que realice no sólo pequeñas tareas quirúrgicas sino una cirugía completa.
Antes de este avance, programar un robotic para realizar incluso un aspecto easy de una cirugía requería codificar manualmente cada paso. Alguien podría pasar una década intentando modelar la sutura, dijo Krieger. Y eso es sutura para un solo tipo de cirugía.
“Es muy limitante”, dijo Krieger. “Lo nuevo aquí es que solo tenemos que recopilar el aprendizaje por imitación de diferentes procedimientos, y podemos entrenar a un robotic para que lo aprenda en un par de días. Nos permite acelerar hacia el objetivo de la autonomía mientras reducimos los errores médicos y logramos una cirugía más precisa. “.
Los autores de Johns Hopkins incluyen al estudiante de doctorado Samuel Schmidgall; el ingeniero de investigación asociado Anton Deguet; y el profesor asociado de Ingeniería Mecánica Marin Kobilarov. Los autores de la Universidad de Stanford son el estudiante de doctorado Tony Z. Zhao
