Club

Vědci zlepšují robotickou asistovanou chirurgii pomocí AI

Operace pomocí robotů neslibuje nic jiného než posun paradigmatu v medicíně. V podoborech od urologie a gynekologie po kardiologii a pediatrickou chirurgii to umožňuje chirurgům provádět komplexní postupy, aniž by se museli uchýlit k laparotomii (chirurgické řezy do břicha). Umělá inteligence jim teď poslouží k ještě preciznějším výkonům.

 

Magazín

 

 Ještě lepší je, že chirurgičtí roboti obsahují kamery, které zachycují každý pohyb nože a jehly a stehy, což přispívá k videotéce, která by mohla být použita k tréninku systémů rozpoznávání gest pro hodnocení dovedností, postupných instrukcí a automatizaci preoperačních i postoperačních úkonů.

 

Neuronové sítě

Problém spočívá v tom, že nejmodernější metody rozpoznávání akcí vyžadují ruční označení vzorků, jako jsou videa, což bývá časově náročné i náchylné k chybám. Možná proto právě výzkumníci na Robotics Institute v UCL v Londýně, Polytechnické univerzitě v Miláně a na univerzitě ve Veroně nedávno prozkoumali předtištěný dokument o Arxiv.org („Mírně dohledové rozpoznávání chirurgických gest“), který nevyžaduje více než několik anotovaných demonstrací pro trénování algoritmu rozpoznávání neuronové sítě.

 

 

V pozadí neuronové sítě sestávají z neuronů, které jsou uspořádány ve vrstvách a přenášejí signály do jiných neuronů. Tyto signály (data nebo vstupy přiváděné do neuronové sítě) putují z vrstvy do vrstvy a pomalu vyladí síť úpravou synaptické síly (váhy) každého spojení. Síť v průběhu času extrahuje prvky ze sady dat a identifikuje průřezové trendy, případně se učí vytvářet předpovědi.

 

Chirurgické demonstrace

V této studii výzkumníci využili neredukovaného rozpoznávacího algoritmu založeného na klasickém Gaussovském modelu mixu (GMM), aby našli směs vícerozměrných distribucí pravděpodobnosti, která nejlépe modelovala jejich chirurgický demonstrační vstupní soubor. Je to ideální modelová architektura pro úkoly, které se navzájem přísně neovlivňují, jako je simultánní segmentace a klasifikace. Navíc je to intuitivní, protože algoritmy založené na GMM představují třídy akcí prostřednictvím nezávislých prostředků a dalších proměnných.

Vědci otestovali tři chirurgické demonstrace (dva od odborných pracovníků a jeden od přechodného pracovníka) spolu s anotacemi základních dat k inicializaci parametrů algoritmu založeného na GMM. Za účelem ověření platnosti tým vytvořil veřejný soubor dat nazvaný JIGSAWS, který obsahuje označená videa a kinematická data zachycená během demonstrací osmi chirurgy pomocí chirurgického systému Intuitive Surgical da Vinci. Spoluřešitelé dokumentu říkají, že v řadě experimentů s navrhovanými anotacemi a předefinováním akcí a optimalizací vstupů se jim podařilo zvýšit celkovou přesnost rozpoznávání o 25% ve srovnání se základní hodnotou, a tak zlepšit rozpoznávání tříd akcí.

 

Soubory údajů jsou zatím malé

Experimentální výsledky na skutečných chirurgických kinematických trajektoriích během tréninkového cvičení potvrzují, že „mírně dohlížené rozpoznávání“ významně převyšuje standardní metodu rozpoznávání úkolu. Vědci však připouštějí, že jejich experimentální soubory údajů byly relativně malé a že přístupy GMM nejsou obecně robustní vůči stále variabilnějším údajům. Avšak v budoucí práci mají v úmyslu dále prozkoumat účinky „mírného dohledu na rozpoznávání“ u bezdohledových přístupů založených na Hidden Markov Models (HMM). Skrytý Markovův model (HMM) je statistický model, ve kterém je modelovaný systém považován za proces s nepozorovatelnými stavy. Kdežto Gaussovské modely mixu (GMM) jsou pravděpodobnostní modely pro reprezentaci normálně distribuovaných subpopulací v rámci celkové populace.

 

 

Připravil: Radek Svoboda