Onderzoekers van de Johns Hopkins University hebben een nieuw systeem ontwikkeld waarmee robots chirurgische procedures kunnen uitvoeren met de vaardigheid van ervaren chirurgen, door hen te trainen met behulp van videobeelden. Dit systeem, gebaseerd op ‘imitatieleren’, maakt het mogelijk om chirurgische robots technieken te laten aanleren zonder dat elke beweging afzonderlijk geprogrammeerd hoeft te worden.
Het onderzoek, uitgevoerd door Johns Hopkins in samenwerking met Stanford University, kan een stap betekenen in de richting van meer autonome robotchirurgie en kan bijdragen aan het verlagen van het aantal medische fouten en het vergroten van de precisie bij complexe ingrepen.
Het onderzoek, gepubliceerd in een peer-reviewed artikel en gepresenteerd op de Conference on Robot Learning in München, maakt gebruik van het da Vinci Surgical System, een wereldwijd ingezet platform voor chirurgische robots. Hoewel dit systeem vaak wordt gebruikt, heeft het beperkte precisie, omdat elke beweging zorgvuldig moet worden geprogrammeerd. Het nieuwe model van Johns Hopkins traint de robot echter op basis van relatieve bewegingen, waardoor deze handelingen zoals het hanteren van een naald, optillen van weefsel en hechten kan uitvoeren door alleen video’s van eerdere operaties te analyseren.
Axel Krieger, hoofdonderzoeker, legt uit dat het systeem camerabeelden van da Vinci-robotarmen gebruikt om de benodigde bewegingen te voorspellen. Het model maakt gebruik van een soortgelijke machine learning-architectuur als taalmodellen zoals ChatGPT, maar vertaalt dit naar wiskundige kinematica die de robot kan interpreteren. Hoofdauteur Ji Woong “Brian” Kim merkt op dat de robot al na enkele honderden demonstratievideo’s in staat is om handelingen te generaliseren en uit te voeren in nieuwe situaties.
Tijdens de tests kon de robot dankzij dit model zelfstandig reageren op verstoringen, zoals het laten vallen van een naald, en zijn taak vervolgens hervatten—een vaardigheid die niet specifiek was geprogrammeerd. Volgens de onderzoekers biedt dit systeem een efficiënte methode om robots in korte tijd te trainen voor een breed scala aan chirurgische handelingen, met trainingsperiodes van enkele dagen in plaats van jaren.
Het Johns Hopkins-team, waaronder promovendus Samuel Schmidgall, onderzoeksingenieur Anton Deguet en universitair hoofddocent Marin Kobilarov, werkt momenteel aan verdere ontwikkeling van het systeem om in de toekomst volledige chirurgische ingrepen autonoom te ondersteunen.
