dos programas de rigidez para aprendizagem flexível Robótica, movendo decisivamente além das limitações de seus antecessores. Tentativas anteriores de automação, como a própria universidade Robôs autônomos de TIGOL. No entanto, esses sistemas operavam em condições altamente controladas, geralmente exigindo marcadores fluorescentes especiais para rastrear e confiar em planos rígidos e pré-programados que não tinham adaptabilidade. “O programa disse ao robô exatamente como se mover e o que fazer. Funcionou como nesses braços robóticos Kuka, soldando carros em pisos de fábrica.”
Essa abordagem, que dependia de máquinas de estado artesanais, não possuía expressividade para lidar com a natureza imprevisível da cirurgia. Em contraste, o SRT-H é construído para um ambiente mais dinâmico.”Nosso trabalho atual é muito mais flexível. É uma IA que aprende com demonstrações”, acrescentou Kim.
Essa mudança para o aprendizado de imitação é a inovação principal do sistema. Em vez de ser explicitamente programado para toda contingência, a SRT-H adquire suas sofisticadas habilidades de manipulação observando demonstrações humanas.
Como resultado, não requer equipamentos especiais, marcadores de rastreamento ou dispositivos cirúrgicos personalizados. Isso permite que a IA lide com variações naturais em anatomia e tecido que confundiriam uma máquina pré-programada, representando um movimento fundamental da simples automação para a inteligência de máquinas genuínas na sala de operações. href=”https://h-surgical-robot-transformer.github.io/”Target=”_ Blank”> Arquitetura sofisticada e em duas camadas
, que imita uma equipe colaborativa. Emprega uma política de idiomas de alto nível, construída em um modelo de transformador, que atua como o”cérebro”. Esse planejador analisa feeds de vídeo para elaborar uma estratégia, emitindo instruções de nível de tarefa na linguagem natural. Isso é emparelhado com uma política de baixo nível que traduz esses comandos em movimentos físicos precisos para os braços do robô.
Esse design hierárquico é crucial para enfrentar procedimentos longos e complexos. Ele permite que o sistema quebre uma colecistectomia de 17 etapas em tarefas gerenciáveis, como agarrar, recorte e corte. Mais importante, permite uma capacidade vital: a auto-corrigir. Se a política de baixo nível cometer um erro, como perder um alcance, o planejador de alto nível detecta o erro e emite uma instrução corretiva para recuperar, Uma habilidade aprendida nos dados de treinamento especializados . Nos ensaios, a média foi de seis correções por procedimento, demonstrando desempenho robusto sem ajuda humana.”O que há de especial no SRT-H é que é o primeiro sistema de cirurgia robótica a ser tão autônoma enquanto ainda usa um robô cirúrgico padrão, o Da Vinci”. Essa capacidade de operar em uma plataforma amplamente implantada, com mais de 10.000 unidades em hospitais, poderia acelerar significativamente seu caminho para a relevância e adoção clínica. Automatando tarefas administrativas para combater os principais problemas clínicos. Os gigantes da tecnologia estão cada vez mais competindo para desenvolver sistemas para diagnóstico e tratamento avançados, criando um contexto rico e competitivo para a conquista SRT-H. Avaliado contra estudos de caso desafiadores, o sistema alcançou uma taxa de precisão de 85,5%, em comparação com apenas 20% para um painel de médicos. O CEO da Microsoft AI, Mustafa Suleyman, afirmou com ousadia: “A Microsoft deu um passo genuíno em direção à superinteligência médica.”No entanto, a Microsoft não está sozinha. O Google está buscando ciências fundamentais com seu projeto Alphafold e parceria com a HCA Healthcare na automação do fluxo de trabalho, enquanto o OpenAI está envolvendo o FDA ao usar a IA para otimizar a avaliação de medicamentos. Publicado na Nature, a revisão de 83 estudos constatou que, embora a IA diagnóstica esteja se tornando poderosa, ela ainda fica significativamente atrás de especialistas humanos. Como observou o pesquisador líder Dr. Hirotaka Takita: “Esta pesquisa mostra que os recursos de diagnóstico da IA generativa são comparáveis aos médicos não especialistas.”
O caminho do laboratório para a sala de operações
Apesar dos resultados impressionantes, a transição para a clínica para a clínica. A cirurgia do mundo real envolve complexidades como sangramento, movimento de tecido imprevisível e movimentos respiratórios, que não foram totalmente replicados nos testes ex vivo. Além disso, a atual configuração de hardware, particularmente as câmeras de pulso, provavelmente não se encaixaria nas portas laparoscópicas padrão, um requisito essencial para procedimentos minimamente invasivos.
Os pesquisadores reconhecem esses desafios e propõem um caminho a seguir. Eles acreditam que o sistema pode se adaptar ao movimento e ao sangue se essas variáveis forem incorporadas a dados de treinamento futuros. Para problemas de hardware, eles observam que as câmeras modernas e sub-milímetro podem ser integradas às ferramentas cirúrgicas. Para abordar possíveis oclusões de lentes de neblina ou sangue, elas sugerem adotar soluções existentes, como agentes anti-nebros ou limpadores de escopo robótico. Os imensos conjuntos de dados necessários para treinar IA médica são uma fonte de preocupação pública significativa, conforme destacado por controvérsias sobre o uso de dados de pacientes do NHS para modelos de treinamento. À medida que esses sistemas se tornam mais autônomos, garantir que suas ações sejam transparentes, explicáveis e seguras é fundamental. Os pesquisadores enfatizam que seu objetivo é aumentar os cirurgiões, não substituí-los. O sistema foi projetado para apoiar intervenções de idiomas em tempo real de especialistas humanos, enquadrando-o como uma ferramenta para reduzir a fadiga e padronizar os cuidados, uma etapa crucial para obter aceitação de médicos e pacientes.