جراحی به کمک ربات به سرعت در حال تبدیل شدن به یک ابزار مهم در دست جراحان است. این تکنولوژی دقت و قابلیت‌های مانور جراحان را افزایش می‌دهد و امکان انجام جراحی‌های پیچیده را با کمترین تهاجم فراهم می‌کند. در این میان، درک و پیش‌بینی فعالیت‌های جراحی نقشی حیاتی در ارتقای ایمنی و کارایی این روش‌ها ایفا می‌کند. مقاله‌ای که در این نوشته به آن خواهیم پرداخت، به بررسی استفاده از مدل‌های ترنسفورمر، یکی از پیشرفته‌ترین تکنیک‌های هوش مصنوعی، برای تشخیص و پیش‌بینی حرکات و مسیرهای جراحی در جراحی به کمک ربات می‌پردازد.

این مقاله توسط Chang Shi, Yi Zheng و Ann Majewicz Fey نگارش شده است. این محققان با تخصص در زمینه‌های رباتیک و هوش مصنوعی، به دنبال راهی برای بهبود درک ربات از فعالیت‌های جراحی و افزایش قابلیت‌های تصمیم‌گیری آن هستند. زمینه تحقیقاتی این مقاله در تقاطع رباتیک جراحی، یادگیری ماشین و پردازش سیگنال قرار دارد. هدف نهایی، توسعه سیستم‌های رباتیک جراحی هوشمندتر و خودمختارتر است که بتوانند به جراحان در انجام دقیق‌تر و ایمن‌تر جراحی‌ها کمک کنند.

مقاله حاضر به بررسی کاربرد مدل‌های ترنسفورمر در سه حوزه کلیدی در جراحی به کمک ربات می‌پردازد: تشخیص حرکات جراحی، پیش‌بینی حرکات جراحی و پیش‌بینی مسیرهای جراحی. مدل‌های ترنسفورمر که در ابتدا برای پردازش زبان طبیعی (NLP) توسعه یافته بودند، توانایی بالایی در مدل‌سازی توالی‌ها و وابستگی‌های بلندمدت دارند. محققان در این مقاله، معماری اصلی ترنسفورمر را به گونه‌ای تغییر داده‌اند که بتواند با استفاده از داده‌های حرکتی بازوهای ربات جراحی، توالی حرکات جاری، توالی حرکات آتی و مسیرهای آتی را تخمین بزند.

به عبارت دیگر، این سیستم تلاش می‌کند تا با مشاهده حرکات کنونی ربات، تشخیص دهد که جراح در حال انجام چه حرکتی است، چه حرکتی را در آینده انجام خواهد داد و مسیر حرکت بازوهای ربات در آینده چگونه خواهد بود. این اطلاعات می‌تواند در زمینه‌های مختلفی مانند نظارت بر پیشرفت جراحی، ارزیابی مهارت جراح و طراحی استراتژی‌های کنترل مشترک در جراحی از راه دور مورد استفاده قرار گیرد.

محققان برای ارزیابی مدل‌های پیشنهادی خود، از مجموعه داده JIGSAWS (JHU-ISI Gesture and Skill Assessment Working Set) استفاده کرده‌اند. این مجموعه داده شامل اطلاعات حرکتی و تصویری از جراحی‌های مختلف انجام شده با استفاده از ربات جراحی da Vinci است. برای اطمینان از تعمیم‌پذیری نتایج، از روش اعتبارسنجی متقابل LOUO (Leave-One-User-Out) استفاده شده است. در این روش، داده‌های مربوط به یک کاربر (جراح) از مجموعه داده حذف شده و مدل بر روی داده‌های سایر کاربران آموزش داده می‌شود. سپس، عملکرد مدل بر روی داده‌های کاربر حذف شده ارزیابی می‌شود. این فرآیند برای همه کاربران تکرار می‌شود تا یک ارزیابی جامع از عملکرد مدل ارائه شود.

این روش اعتبارسنجی به طور خاص برای جلوگیری از بیش‌برازش (overfitting) به داده‌های خاص یک جراح طراحی شده است. با این روش، اطمینان حاصل می‌شود که مدل قادر است الگوهای کلی حرکات جراحی را یاد بگیرد و نه صرفاً حرکات خاص یک فرد.

نتایج این تحقیق نشان می‌دهد که مدل‌های ترنسفورمر می‌توانند به طور موثری حرکات و مسیرهای جراحی را تشخیص و پیش‌بینی کنند. مدل پیشنهادی به دقت 89.3% در تشخیص حرکات جراحی، 84.6% در پیش‌بینی حرکات جراحی (یک ثانیه جلوتر) و خطای 2.71mm در پیش‌بینی مسیر جراحی (یک ثانیه جلوتر) دست یافته است.

نکته قابل توجه این است که این مدل‌ها تنها با استفاده از داده‌های حرکتی ربات (کینماتیک) به این نتایج دست یافته‌اند. این در حالی است که بسیاری از روش‌های موجود از داده‌های تصویری نیز استفاده می‌کنند. استفاده از داده‌های کینماتیک باعث می‌شود که سیستم سریع‌تر و کارآمدتر باشد و بتواند در زمان واقعی (near-real time) فعالیت‌های جراحی را تشخیص و پیش‌بینی کند.

علاوه بر این، مدل‌های ترنسفورمر در این تحقیق توانسته‌اند با روش‌های پیشین رقابت کنند و حتی عملکرد بهتری از خود نشان دهند. این موضوع نشان می‌دهد که مدل‌های ترنسفورمر پتانسیل بالایی برای کاربرد در زمینه جراحی به کمک ربات دارند.

دستاورد اصلی این مقاله، ارائه یک روش جدید و کارآمد برای تشخیص و پیش‌بینی فعالیت‌های جراحی با استفاده از مدل‌های ترنسفورمر است. این دستاورد می‌تواند در زمینه‌های مختلفی کاربرد داشته باشد، از جمله:

• نظارت بر پیشرفت جراحی: با تشخیص و پیش‌بینی فعالیت‌های جراحی، سیستم می‌تواند به جراح اطلاع دهد که آیا جراحی طبق برنامه پیش می‌رود یا خیر.
• ارزیابی مهارت جراح: با مقایسه عملکرد جراح با یک الگوی استاندارد، سیستم می‌تواند به ارزیابی مهارت جراح و ارائه بازخورد برای بهبود عملکرد او کمک کند.
• طراحی استراتژی‌های کنترل مشترک: در جراحی از راه دور، سیستم می‌تواند با پیش‌بینی حرکات جراح، به او در انجام دقیق‌تر و ایمن‌تر جراحی کمک کند. به عنوان مثال، سیستم می‌تواند به طور خودکار لرزش دست جراح را حذف کند یا از برخورد ابزار جراحی با بافت‌های حساس جلوگیری کند.
• آموزش جراحی: با تحلیل و بازخورد حرکات جراحان با تجربه، می‌توان از این اطلاعات برای آموزش جراحان جوان استفاده کرد.

برای مثال، تصور کنید که یک جراح در حال انجام یک جراحی پیچیده به کمک ربات است. سیستم تشخیص فعالیت‌های جراحی می‌تواند به طور مداوم حرکات جراح را تجزیه و تحلیل کند و در صورت بروز هرگونه خطا یا انحراف از برنامه، به او هشدار دهد. این امر می‌تواند به جلوگیری از بروز عوارض و بهبود نتایج جراحی کمک کند.

مقاله حاضر نشان می‌دهد که مدل‌های ترنسفورمر می‌توانند به عنوان یک ابزار قدرتمند برای تشخیص و پیش‌بینی فعالیت‌های جراحی در جراحی به کمک ربات مورد استفاده قرار گیرند. این مدل‌ها با استفاده از داده‌های حرکتی ربات، قادرند با دقت بالایی حرکات و مسیرهای جراحی را تشخیص و پیش‌بینی کنند. این دستاورد می‌تواند در زمینه‌های مختلفی مانند نظارت بر پیشرفت جراحی، ارزیابی مهارت جراح و طراحی استراتژی‌های کنترل مشترک کاربرد داشته باشد و به بهبود ایمنی و کارایی جراحی به کمک ربات کمک کند.

تحقیقات آتی می‌توانند بر روی بهبود دقت و سرعت مدل‌های ترنسفورمر، ادغام داده‌های تصویری و حرکتی و توسعه کاربردهای جدید برای این تکنولوژی تمرکز کنند. با پیشرفت‌های بیشتر در این زمینه، می‌توان انتظار داشت که سیستم‌های رباتیک جراحی هوشمندتر و خودمختارتر شوند و نقش مهم‌تری در آینده جراحی ایفا کنند.