São Paulo — InkDesign News —
A pesquisa recente conduzida na Johns Hopkins University apresenta uma inovação significativa em **machine learning** e **inteligência artificial**, ao permitir que um robô realize cirurgias complexas de forma autônoma, utilizando sua capacidade de aprender com comandos verbais e vídeos de operações passadas.
Contexto da pesquisa
Os avanços na robótica cirúrgica têm se mostrado promissores, mas o desenvolvimento de robôs que possam operar de maneira totalmente independente ainda enfrenta desafios. O robô, denominado **Surgical Robot Transformer-Hierarchy** (SRT-H), foi projetado para realizar a remoção da vesícula biliar de um paciente simulado, respondendo a comandos e aprendendo em tempo real.
Método proposto
O SRT-H utiliza uma abordagem de aprendizado de imitação condicionada pela linguagem, permitindo ao robô não apenas executar tarefas cirúrgicas, mas também adaptar-se a variáveis anatômicas conforme necessário. O modelo foi treinado a partir de vídeos de cirurgias reais, incorporando legendas que descreviam as ações a serem realizadas. Essa metodologia é análoga ao uso de **redes neurais profundas** (DNNs) que alimentam o aprendizado do robô.
Resultados e impacto
“Esse trabalho representa um salto significativo em relação a tentativas anteriores, pois enfrenta barreiras fundamentais para a implementação de robôs cirúrgicos autônomos no mundo real.”
(“This work represents a major leap from prior efforts because it tackles some of the fundamental barriers to deploying autonomous surgical robots in the real world.”)— Ji Woong “Brian” Kim, Autor Principal, Stanford University
O robô demonstrou uma taxa de sucesso de 100% em realizar a operação de remoção da vesícula biliar, embora o tempo de execução tenha sido maior que o de um cirurgião humano. Essa precisão destaca seu potencial para melhorar operações cirúrgicas complexas, oferecendo uma nova ferramenta que pode aprender e evoluir com base em procedimentos anteriores.
Na pesquisa, o robô foi capaz de lidar com variações anatômicas e situações imprevistas, comprovando sua eficácia em ambientes clínicos dinâmicos. Os próximos desafios incluem a expansão do sistema para realizar uma variedade maior de procedimentos cirúrgicos.
Fonte: (TechXplore – Machine Learning & AI)
