En robot, der er trænet på videoer af operationer, udførte en lang fase af en galdeblærefjernelse uden menneskelig hjælp. Robotten opererede for første gang på en livagtig patient, og under operationen reagerede den på og lærte af stemmekommandoer fra teamet – som en uerfaren kirurg, der arbejder sammen med en mentor.
Robotten fungerede upåklageligt på tværs af forsøg og med samme ekspertise som en dygtig menneskelig kirurg, selv under uventede scenarier, der er typiske i virkelige medicinske nødsituationer.
Arbejdet, der ledes af forskere fra Johns Hopkins University, er et banebrydende fremskridt inden for kirurgisk robotteknologi, hvor robotter kan præstere med både mekanisk præcision og menneskelignende tilpasningsevne og forståelse.
“Dette fremskridt flytter os fra robotter, der kan udføre specifikke kirurgiske opgaver, til robotter, der virkelig forstår kirurgiske procedurer”, siger den medicinske robotforsker Axel Krieger.
Det er en afgørende forskel, som bringer os betydeligt tættere på klinisk brugbare autonome kirurgiske systemer, der kan fungere i den rodede, uforudsigelige virkelighed, som den faktiske patientbehandling er.
Resultaterne er offentliggjort i Science Robotics.
I 2022 udførte Kriegers Smart Tissue Autonomous Robot, STAR, den første autonome robotkirurgi på et levende dyr – en laparoskopisk operation på en gris. Men robotten krævede specielt markeret væv, opererede i et meget kontrolleret miljø og fulgte en fast, forudbestemt operationsplan. Krieger sagde, at det var som at lære en robot at køre ad en nøje kortlagt rute.
Men hans nye system, siger han, “er som at lære en robot at navigere på enhver vej, i enhver tilstand, og reagere intelligent på alt, hvad den møder.”
Surgical Robot Transformer-Hierarchy, SRT-H, udfører virkelig kirurgi, tilpasser sig individuelle anatomiske træk i realtid, træffer beslutninger i farten og korrigerer sig selv, når tingene ikke går som forventet.
SRT-H er bygget med den samme maskinlæringsarkitektur, som driver ChatGPT, og den er også interaktiv og kan reagere på talte kommandoer (‘tag fat i galdeblærehovedet’) og korrektioner (‘flyt den venstre arm lidt til venstre’). Robotten lærer af denne feedback.
“Dette arbejde repræsenterer et stort spring fra tidligere bestræbelser, fordi det tackler nogle af de grundlæggende barrierer for at anvende autonome kirurgiske robotter i den virkelige verden,” siger hovedforfatter Ji Woong ‘Brian’ Kim, en tidligere postdoktoral forsker ved Johns Hopkins, som nu arbejder ved Stanford University.
Vores arbejde viser, at AI-modeller kan gøres pålidelige nok til kirurgisk autonomi – noget, der engang føltes fjernt, men som nu beviseligt er levedygtigt.
Sidste år brugte Kriegers team systemet til at træne en robot i at udføre tre grundlæggende kirurgiske opgaver: manipulation af en nål, løft af kropsvæv og suturering. Disse opgaver tog kun et par sekunder hver.
Proceduren for fjernelse af galdeblæren er meget mere kompleks, en minutlang række af 17 opgaver. Robotten skulle identificere bestemte kanaler og arterier og gribe præcist fat i dem, placere clips strategisk og klippe dele af med en saks.
SRT-H lærte at udføre arbejdet med galdeblæren ved at se videoer af Johns Hopkins-kirurger, der udførte det på grisekadavere. Holdet forstærkede den visuelle træning med billedtekster, der beskrev opgaverne. Efter at have set videoerne udførte robotten operationen med 100 % nøjagtighed.
Selvom det tog robotten længere tid at udføre arbejdet end en menneskelig kirurg, var resultaterne sammenlignelige med en ekspertkirurg.
“Ligesom kirurgiske kandidater ofte mestrer forskellige dele af en operation i forskellige tempi, illustrerer dette arbejde løftet om at udvikle autonome robotsystemer på en tilsvarende modulær og progressiv måde”, siger Johns Hopkins-kirurgen Jeff Jopling, som er medforfatter.
Robotten fungerede fejlfrit på tværs af anatomiske forhold, der ikke var ensartede, og under uventede omveje – som da forskerne ændrede robottens startposition, og da de tilsatte blodlignende farvestoffer, der ændrede udseendet af galdeblæren og det omgivende væv.
“For mig viser det virkelig, at det er muligt at udføre komplekse kirurgiske indgreb på egen hånd”, siger Krieger.
Det er et bevis på, at det er muligt, og at denne ramme for imitationslæring kan automatisere så komplekse procedurer med en så høj grad af robusthed.
Som det næste vil teamet gerne træne og teste systemet på flere typer operationer og udvide dets kapacitet til at udføre en komplet autonom operation.
