加州大学团队最新展望：当人工智能遇见医疗机器人

2023-08-30 09:59:19 人工智能 ℃

后台-插件-广告管理-内容页头部广告（手机）

1、论文试图解决什么问题？

梳理了人工智能与机器人技术在医疗领域的最新应用，并探讨了一些常见问题及其解决方案，例如提高机器人在手术中的导航精度，作者讨论了在软组织中导航医疗器械的挑战，并提出了利用人工智能驱动的规划算法来辅助准确操纵器械的需要。文章还探讨了利用人工智能提升图像理解能力，作者总结了以往技术的局限性，这些技术依赖于手动分割或基于特征的解剖结构识别。他们建议利用人工智能策略，如语义信息和高级推理，以提高图像导引和安全导航。此外，还有解决标注数据获取困难、实现长期组织追踪和推进机器人辅助手术的自主性等问题。通过应用人工智能技术，他们希望改善医疗机器人的功能和性能，从而提高手术效果和患者护理水平。

2、这篇论文的亮点是什么？

深入探讨了人工智能与医疗机器人的融合的新趋势，强调了人工智能与医疗机器人技术的结合，开启了医疗领域的新时代。通过应用计算机视觉、医学图像分析、触觉、导航、精确操纵和机器学习等技术，先进的医疗机器人可以执行诊断和手术程序、辅助康复，并提供个性化的假肢支持。

此外，作者还讨论了医学影像与机器人结合的应用，特别关注人工智能在器械操纵、图像理解和图像获取方面的应用。他们强调规划算法、语义信息和深度学习技术的进展，以提高手术过程中的导航、安全性和准确性。

最后，作者梳理了领域中的挑战与解决方案，指出了融合人工智能和医疗机器人领域面临的挑战，例如准确数据标注、长期组织追踪以及自主机器人系统的发展。他们还强调了无监督或弱监督方法的潜力，以及解决机器人辅助手术中的容错性和罕见边界条件的重要性。

3、这篇论文有什么贡献？

报告了人工智能驱动的医疗机器人的进展，探讨了人工智能技术与医疗机器人的结合，展示了自主机器人在诊断成像、手术、康复和假肢方面的潜力。文章强调了计算机视觉、图像分析和机器学习等技术在提升医疗机器人功能方面的应用。还提出了图像理解和机器人导航的改进方式，讨论了在医疗图像引导机器人方面应用人工智能的方法，重点关注图像理解和导航。他们提出了利用语义信息和深度学习改进机器人辅助手术安全性和准确性的新策略，以及用于器械导航规划的算法的进展。最后，作者表达了对患者护理的未来展望，文章预见到机器人技术、医学、材料科学和计算机科学的融合，结合人工智能的进展，可以极大改善患者护理。它强调通过应用 AI 驱动的医疗机器人，提供更安全、高效、广泛可及的医疗保健，改善康复和假肢的功能、流动性和个性化支持。

人工智能在医疗机器人中的应用正在给医学领域带来变革。先进的医疗机器人可以对患者进行诊断，或者动手术，并帮助患者康复。医疗机器人甚至能和人类融合为一体——作为截肢患者的智能机械假肢。这些设备中使用到的技术，包括计算机视觉、医学影像分析、触觉反馈、导航、精确操作和机器学习等, 可以让机器人自主进行医学影响诊断、远程手术、手术辅助任务，甚至能够包办整个手术过程。更有甚者，康复设备和智能假肢中的 AI 可以为用户提供个性化支持，改善其身体机能。这些都得益于机器人技术、医学、材料科学和人工智能等领域的快速进步。

近日，来自加州大学圣地亚哥分校的 Michael Yip 等人在《科学》杂志上发表了一篇题为“Artificial intelligence meets medical robotics”的展望，梳理了人工智能和机器人技术在医疗领域的最新进展，并展望其未来的发展方向。

人工智能与医学影像引导机器人

医学影像引导机器人（Medical image–guided robotics）结合了最新的医学影像与机器人技术。前者可以识别关键解剖结构、病变和目标位置, 后者则可以精确定位仪器或工具。常用的成像模式包括超声、MRI、CT 及内窥镜。机器人可以辅助进行解剖结构成像, 成像也可以引导机器人精确达到目标。

该技术的早期应用通常涉及引导仪器以识别特定的解剖结构来进行活检。当前研究重点在于影像理解。利用人工智能的基于语义信息的高级推理能力，可以提供更好的导航性能。这些技术应用在医疗机器人上，能够提高路径规划能力和准确性，让机器人更精确地定位目标部位。

影像理解的应用之一是成像本身。例如，有了机器人的辅助，医学超声更加稳定, 并实现自动化超声扫描。内窥镜也同样使用机器人辅助，其中，人工智能可用于内窥镜的定位、映射及相关大量图像数据集的分析。

不过该将机器人运用在这个领域也存在诸多挑战。比如要获取用于训练人工智能的标注训练数据存在困难，需要医生进行准确标注，而且真实数据是非常昂贵的。使用合成图像可部分缓解问题，但效果上仍存在差异。对术中视频标注也同样具有挑战性，因此无监督或弱监督学习的方法更可取。

机器人辅助手术

全球每年有 100 多万例手术是使用机器人来进行的，但全过程都由外科医生完全控制。手术不容有误，要让机器人达到足够安全可靠的标准尚需时日。不过让机器人在医生的监督下达到一定程度的自主运行却是可行的，而且已经取得了实质进展。在这种情况下，特定的子任务由机器人在人的监督下执行，在必要时人类可以接管。

这种“监督下的自主”（supervised autonomy）可应用于清创、缝合等外科的子任务中。目前，研究者们正在尝试让机器人在外科医生监督下自主执行这些任务，并已经在实验室中取得初步结果, 但在用于临床之前，仍需解决一些问题，比如怎样让机器人安全地下针，并来回操作针线。

这种监督模式也适用于“远程手术”，资深专家可远程指导。不过直接远程控制机器人仍存在时延和不稳定性。监督下的自主模式可以通过允许外科子任务本地控制、间歇性远程监督等来解决这个问题。使用专门的高速光纤网络来进行远程手术被证明是可行的，但尚未获批临床使用。

随着近年来机器人技术进步显著，更多人工智能会被应用在手术室中。而这种监督下的自主有巨大的潜力来提高手术效率和质量。

软体机器人用于微创手术

在过去几十年中，机器人辅助微创手术 (robot-assisted minimally invasive surgery，RAMIS) 取得了长足进步。RAMIS 系统使用细长的器械, 通过患者皮肤上的小切口进行手术。机器人使手术过程简化，避免了手术过程中外科医生手部颤抖的问题，改善了人机工效。此外，RAMIS 可以生成大量数据, 用于提高安全性和实现某些自主任务。尽管一些 RAMIS 平台取得了成功，但这些系统通常受其刚性部件设计的限制，难以接触身体某些特定区域，并可能导致组织损伤。

软体机器人是更灵活、适应性更强的外科机器人。它们具有高度的灵活性和刚度调节能力以安全地执行手术。软体机器人的关键在于使用可以变形、弯曲、收缩和改变刚度的材料，让机器人手术更安全、更顺畅。这些机器人可适应不同的身体部位, 可用于诊断和治疗。例如, 流体驱动的软体机器人系统可以提高治疗耳朵过程中患者的舒适度，并安全引导针头到达注射部位。软体机器人对胃肠道的病理学诊断也很关键，因为这些组织柔软、可延展、常塌陷，需要不同的软/硬工作模式切换。

欧盟 STIFF-FLOP 项目对软体机器人进行微创手术进行了大量尝试。该项目所开发的软体机器人由生物相容性硅橡胶制成，通过气动致动。另外, 机器人还采用了先进的机器学习技术，使外科医生可以直观地远程控制软体机器人, 其触觉系统让医生分辨机器人与软组织的接触。

软体机器人存在的一个问题是系统缺乏精确度。在传统机器人中, 电动机直接控制机械臂, 其执行器不会变形。软体机器人依靠变形实现运动, 所产生的运动难以建模, 可能导致较低的定位精度, 这在手术中可能是一个关键问题。目前研究人员正在开发各种基于人工智能和机器学习的高级策略, 以处理软体机器人的非线性运动。计算机视觉、机器学习、建模和仿真的进步, 可以使软体机器人用于外科手术，而无需繁琐的远程控制和医生培训。

把高度自主的手术机器人带入临床

自主手术机器人有能力给患者带来稳定的手术效果，而不需要依赖外科医生的经验和技能。这些机器人整合了人工智能和各种工具来执行任务，具有比人类外科医生更高的稳定性和准确性，并可以在没有外科医生的情况下为人们提供必要的医疗护理，比如在太空舱里。这样的机器人将使优质外科手术更普及，大大减少再次手术的需求，从而降低医疗成本。尽管目前大多数系统还未获得临床批准，但它们在未来必将发挥重要作用。

通常, 自主手术机器人按其自动化水平进行分类，并集成负责手术决策的算法。随着自动化水平的提高，机器人在外科手术中的角色也越来越重要，集成的人工智能也越多。低水平的机器人由人远程控制，高水平的机器人则使用人工智能执行手术。

要实现最高水平的自主仍存在技术、监管和社会因素等挑战。机器人需要更好地检测、处理和应对手术中不可预测的变化。这在软组织手术中尤为突出，需要深度学习和人工智能预测和应对不断变化的场景。这使得手术机器人面临更严格的监管审查，因为需要证明其安全性和疗效。对于人工智能算法, 这意味着其性能需要达到外科专家的水平。另外，社会压力也可能限制机器人的采用。为建立公众信任, 自主机器人可能会逐步推广，逐渐引入诸如组织识别、内窥镜控制和缝合等自主性子任务, 最终组合成完整程序，实现未来全自主的机器人外科手术。

康复机器人

康复需要从诊所扩展到社区和家庭，为患者提供连续护理。为实现这一目标, 工程师和医生们开发了可穿戴机器人，使行动不便者可以更好地运动。这些可穿戴的便携式自主机器人以及它们捕获的数据，可以带来全新的康复方法。可以想象未来这些机器人能够减轻医生负担，同时学习患者特定的功能障碍，之后发送至患者家中，用个性化算法跟踪康复进程。

软、硬件技术的进步促进了这种应用。创新设计能够实现更高的功率密度，软性的于服装式相结合的界面使设备轻巧。模块化也允许用户按个人需求定制。除机械设计外，机器学习算法现在可以使用可穿戴传感器检测和量化运动，控制策略让用户参与控制回路。这些技术有助于研究大量高强度训练对于康复的效果。

与云端相连的可穿戴机器人将开创数据驱动远程康复的新纪元。集成传感器可以为医生和用户提供重要生物学和生理指标反馈。但是如何更好地整合这些反馈来引导运动学习仍是难题。在临床人群中开发泛化的数据驱动算法也很复杂，连续的评估也增加了表征患者恢复进展的时间分辨率。而且随着恢复时间跨度的延长，开发出对各种噪声具有鲁棒性的算法仍有挑战性。这些方法的验证也因缺乏真实环境下的基准真实数据而复杂化。如果成功克服这些困难，那么患者和机器人所对应的数据可用于识别什么人最有可能从特定的设备中受益。这有助于更好地选择干预措施, 降低成本。