Nvidia „Medical Physics Simulation“: kaip dirbtinis intelektas mokosi chirurgijos dar prieš paliesdamas pacientą

Sveikatos priežiūros robotika susiduria su iššūkiu, kurio neišspręs jokia, kad ir kokia pažangi, teksto ar vaizdų analizė: robotas, valdantis kateterį kraujagyslėje ar chirurginę rankeną minkštame audinyje, turi suprasti fizinį pasaulį – jėgą, pasipriešinimą, kontaktą – o ne tik atpažinti vaizdus ar sekti instrukcijas. Būtent šią problemą sprendžia Nvidia neseniai pristatytas atviro kodo įrankis „Medical Physics Simulation“, kuris traktuoja sveikatos priežiūros robotus kaip vadinamąsias fizines dirbtinio intelekto (angl. physical AI) sistemas – mašinas, kurioms, priešingai nei kalbos modeliams, reikia ne teksto, o įkūnytos, per kontaktą ir pasekmes įgytos patirties.

Kas yra „fizinis dirbtinis intelektas“

Terminas „fizinis DI“ šiuo metu vis dažniau vartojamas Nvidia ir plačioje robotikos pramonėje, apibūdinant mašinas, kurios turi išmokti, kaip veikia fizinis pasaulis, per kontaktą, jėgą ir pasekmes – o ne vien per tekstą ar vaizdus. Kalbos modelis mokosi iš tekstų. Tuo tarpu fizinio DI sistema turi suprasti, kas nutinka, kai kateteris paliečia kraujagyslės sienelę arba kai robotinė ranka minkštam audiniui pritaiko per didelį spaudimą. Tokiai patirčiai įgyti paprastai reikia arba fizinio kūno, veikiančio realiame pasaulyje, arba pakankamai detalios simuliacijos, galinčios tą kūną atstoti.

Medicinos robotikos srityje realios patirties šaltinis – tikros operacijos – yra itin ribotas: jos griežtai reguliuojamos, retos ir negali per trumpą laiką pademonstruoti viso galimų scenarijų spektro, su kuriais robotas realiai gali susidurti. „Medical Physics Simulation“ – tai Nvidia bandymas šią įkūnytą patirtį sukurti dirbtinai, pasitelkiant skaičiavimo galią.

Kaip veikia sistema

Naujasis įrankis pristatytas kaip atviro kodo papildymas prie bendrovės platformos „Isaac for Healthcare“. Sistema generuoja fizines sąveikas, su kuriomis chirurginis ar diagnostinis robotas kitu atveju susidurtų tik po metų trukmės klinikinės patirties: kreipiamosios vielos užsikabinimą už suklaidžiojusios kalcifikuotos kraujagyslės sienelės, neįprastu kampu įstrigusį inkstų akmenį ar minkštojo audinio reakciją, pasireiškiančią tik nedidelėje dalyje procedūrų.

Nė vienas iš šių retų atvejų operacinėje nepasirodo pagal grafiką – tačiau simuliacijoje juos galima sukurti pagal poreikį, kiek tik kartų reikia.

Sistemos pagrindą sudaro du modeliavimo būdai, veikiantys kartu:

• Klasikinė fizikos simuliacija apdoroja jau gerai suprastas mechanines taisykles – kaip lenkiasi kateteris, koks pasipriešinimas kyla iš kraujagyslės sienelės, kaip kontaktinės jėgos kinta instrumentui judant per audinį.
• Generatyvinis dirbtinis intelektas, veikiantis per komponentą, pavadintą „Cosmos-H Dreams“, apdoroja sunkiau užkoduojamą dalį – vizualinę scenos dinamiką, išmoktą iš procedūrinių duomenų.

Šis derinys atspindi visą fizinio DI idėją miniatiūroje: klasikinė simuliacija suteikia roboto valdymo politikai fiziką, kurios ji privalo laikytis, o generatyvinė simuliacija – vizualinę ir anatominę įvairovę, reikalingą apibendrinimui. Abu komponentai, veikdami kartu ir paleidžiami dideliu mastu grafikos procesoriuose, naudojant Nvidia bibliotekas „Warp“ ir „Newton“, leidžia vienu metu vykdyti didelį skaičių lygiagrečių treniravimo aplinkų, o ne apdoroti kiekvieną sceną po vieną.

Įspūdingas greitis, bet ne klinikinis patvirtinimas

Nvidia teigimu, atlikus bandymą su 8 192 lygiagrečiomis aplinkomis, treniravimo laikas sutrumpėjo nuo daugiau kaip penkių valandų iki mažiau nei dviejų minučių. Šis skaičius demonstruoja įspūdingą pralaidumą, tačiau svarbu suprasti, ką jis iš tikrųjų reiškia – ir ko jis nereiškia.

Toks pagreitėjimas nieko nepasako apie klinikinį patikimumą – tai yra, ar sistema realiai veiks taip, kaip planuota, tikroje operacinėje. Jis taip pat neatsako į klausimą, kaip roboto politika, treniruota tokiu būdu, elgsis susidūrusi su nepilnu vaizdiniu duomenų rinkiniu, uždelstais jutiklių signalais ar net anatomija, kuri nepateko į simuliacijos modelį.

Šis skirtumas yra itin svarbus, kai kalbame apie fizines sistemas, veikiančias su pacientais. Kalbos modelis, blogai susitvarkantis su retu atveju, tiesiog pateikia netikslų atsakymą. Tuo tarpu fizinio DI sistema, blogai susitvarkanti su retu atveju, tuo metu veikia paciento kūne. Lygiagrečios simuliacijos metodas – tai realus pažangos žingsnis, leidžiantis kūrėjams žymiai greičiau ištirti galimus veikimo trikdžius. Tačiau ar šie simuliuoti trikdžiai atitinka tai, kas iš tikrųjų gali nutikti chirurginėje operacinėje, yra atskiras, dar neatsakytas klausimas.

Kur šis metodas jau testuojamas

Nvidia įvardija kelias organizacijas kaip ankstyvąsias šios technologijos naudotojas, tačiau jų įsitraukimo gylis skiriasi – šį sąrašą verta vertinti ne kaip vienodų diegimų rinkinį, o kaip skirtingo brandos lygio eksperimentų aibę.

CMR Surgical ir inžinerinę bendrovę valdanti Cambridge Consultants (priklausanti „Capgemini“) šioje srityje pasistūmėjo toliausiai duomenų atžvilgiu. CMR bendrovė į atvirą duomenų rinkinį „Open-H Embodiment“ prisidėjo beveik 500 valandų anonimizuotų klinikinių duomenų iš savo chirurginės robotikos sistemos „Versius“, apimančių tulžies pūslės pašalinimo, prostatos šalinimo, išvaržos taisymo ir gimdos šalinimo procedūras. Abi bendrovės naudoja „Cosmos-H Dreams“ modeliuoti minkštojo audinio sąveikos fizikai bei kurti pacientui pritaikytas simuliacijas.

CMR Surgical technologijų vadovas pabrėžė, kad atviro kodo modeliai leidžia bendrovei remtis bendromis žiniomis ir spartina atsakingą inovacijų kūrimą, galiausiai suteikiant galimybę pacientams visame pasaulyje užtikrinti nuoseklesnę priežiūrą bei geresnius gydymo rezultatus.

„Johnson & Johnson MedTech“ šį įrankį naudoja kartu su „Cosmos“ pagrindu sukurtu pamatiniu modeliu, kad sukurtų savo endoluminalinės platformos „MONARCH“ skaitmeninį dvynį, sutelkdama dėmesį į urologijos scenarijus, susijusius su inkstų akmenimis.

„XCath“ šį metodą taiko endovaskulinės autonomijos politikos treniravimui – moko sistemą fizinio elgesio, reikalingo navigacijai kraujagyslėse be žmogaus rankos prie valdiklių.

„Inner Logic“ generuoja sintetinius duomenis, skirtus patvirtinti prietaisų mechaniką, ir teigia siekianti sukurti in silico (t. y. kompiuteriu sumodeliuotus) įrodymus, kurie galėtų paremti reguliavimo institucijoms teikiamas paraiškas – nors joks su šiais įrodymais susijęs pateikimas viešai kol kas nepatvirtintas.

„Medtronic Structural Heart“ šiame sąraše yra ankstyviausioje stadijoje – bendrovė tik tyrinėja simuliuoto rentgeno jutimo panaudojimo galimybes kateterio navigacijos tyrimuose.

Svarbu pabrėžti: kiekvienas iš šių atvejų yra treniravimo pratimas arba duomenų rinkinio papildymas. Nė viena iš šių sistemų realiai neveikia su pacientais naudodama šiuo būdu išmoktas valdymo politikas, ir pati Nvidia to neteigia.

Kodėl atvirasis kodas šioje srityje ypač svarbus

Sveikatos priežiūros robotikai keliamas valdymo (angl. governance) reikalavimas, kurio dauguma kitų fizinio DI sričių – įskaitant pramoninius ar sandėlių robotus – nepatiria tokiu pat mastu: reguliuotojams ir klinikinės peržiūros komisijoms reikia matyti ne tik tai, kad sistemos elgesys atrodė priimtinas testavimo metu, bet ir kaip tiksliai sistema prie to elgesio priėjo.

Atviro kodo įrankis leidžia kūrėjams patikrinti pačias simuliacijos fizikos prielaidas, atkurti rezultatus skirtingoms anatomijoms ir sukurti įrodymų grandinę, tinkamą pateikti tokioms institucijoms kaip JAV maisto ir vaistų administracija (FDA) ar analogiškos institucijos kitose šalyse.

Tai stipresnis argumentas atvirumo naudai fizinio DI srityje nei daugumoje kitų programinės įrangos kategorijų, kuriose uždaras tiekėjo sprendimų vamzdynas paslepia prielaidas, kurias komandai kitu atveju tektų pagrįsti reguliuotojui. Tačiau vien tai savaime neišsprendžia patvirtinimo klausimo.

Atviras kodas leidžia išoriniams recenzentams patikrinti modelio logiką, tačiau tai nepatvirtina, kad modelio fizinis elgesys atitinka tai, kas iš tikrųjų vyksta žmogaus kūne – toks patvirtinimas vis dar turi ateiti iš testavimo, kurio kol kas nė viena iš minėtų bendrovių viešai nepaskelbė.

Ką tai reiškia platesniame kontekste

Nvidia sukūrė infrastruktūrą, galinčią sutrumpinti chirurginių ir diagnostinių robotų kūrimo etapą iki fizinės aparatinės įrangos naudojimo, o galimybė treniruoti tokiu mastu lygiagrečiai yra reikšmingas pokytis, palyginti su įprasta praktika kurti individualią, konkrečiam darbo procesui pritaikytą simuliacijos sceną kiekvienu atveju atskirai.

Šis technologinis žingsnis atspindi platesnę tendenciją robotikos ir dirbtinio intelekto srityje – vis didesnį dėmesį skiriant ne tik algoritmams, bet ir fizinei patirčiai, kurią sistemos gali įgyti dar prieš susidurdamos su realiu pasauliu. Tačiau, kaip ir bet kuriuo atveju, kai kalbama apie technologijas, tiesiogiai veikiančias žmonių sveikatą, entuziazmą dėl technologinio pralaidumo turi lydėti kruopštus, skaidrus ir viešai patikrinamas klinikinis validavimo procesas. Kol tokie duomenys nėra paskelbti, „Medical Physics Simulation“ lieka žadantis, bet dar nepilnai patvirtintas įrankis kelyje link saugesnės, protingesnės sveikatos priežiūros robotikos.

Apibendrinimas

„Medical Physics Simulation“ yra reikšmingas žingsnis link to, kad sveikatos priežiūros robotai galėtų mokytis iš tūkstančių simuliuotų scenarijų, o ne tik iš riboto skaičiaus realių operacijų. Derindama klasikinę fiziką su generatyviniu DI, Nvidia sistema leidžia greitai generuoti retus, bet kritiškai svarbius atvejus, su kuriais robotas gali susidurti realioje praktikoje. Tačiau greitis ir mastas, kad ir kokie įspūdingi, savaime negarantuoja, kad simuliacijoje išmokti modeliai vienodai patikimai veiks tikrame žmogaus kūne. Ankstyvieji technologijos naudotojai – nuo CMR Surgical iki Johnson & Johnson MedTech – kol kas naudoja šį įrankį treniravimui ir duomenų kūrimui, o ne realiems pacientams skirtoms sistemoms valdyti. Ateities klausimas, į kurį dar reikės atsakyti, yra ne tai, ar tokia simuliacija gali paspartinti kūrimą – tai jau įrodyta – o tai, ar simuliuotas pasaulis pakankamai tiksliai atspindi tikrąjį, kad juo remiantis būtų galima saugiai gydyti pacientus.