I en banbrytande utveckling för medicinteknik har forskare vid Johns Hopkins University skapat en robot som kan utföra avancerade operationer utan mänsklig inblandning.
Surgical Robot Transformer-Hierarchy (SRT-H) genomförde gallblåseoperationer på realistiska modeller med 100 % noggrannhet i åtta olika försök. Till skillnad från tidigare kirurgiska robotar, som krävde förmärkta vävnader och kontrollerade miljöer, visade SRT-H både mekanisk precision och mänsklig liknande anpassningsförmåga i oförutsägbara situationer.
Roboten anpassar sig till individuella anatomiska egenskaper i realtid, fattar beslut på plats och korrigerar sig själv när något inte går som förväntat. SRT-H är byggd på samma maskininlärningsarkitektur som driver ChatGPT och är interaktiv – den svarar på röstkommandon som "greppa gallblåsehalsen" och korrigeringar som "flytta vänster arm lite åt vänster". Roboten lär sig av denna återkoppling.
Gallblåseoperationen består av en komplex sekvens av 17 moment. Roboten behövde identifiera specifika gångar och artärer och greppa dem exakt, placera klämmor strategiskt och klippa av delar med sax. SRT-H lärde sig dessa moment genom att titta på videor där kirurger från Johns Hopkins utförde operationen på gris-kadaver. Teamet förstärkte den visuella träningen med bildtexter som beskrev varje moment. Efter denna träning utförde roboten operationen med 100 % noggrannhet.
Även om roboten tog längre tid än en mänsklig kirurg var resultaten jämförbara med en expert. "Precis som kirurgiska ST-läkare ofta bemästrar olika delar av en operation i olika takt, illustrerar detta arbete potentialen i att utveckla autonoma robotsystem på ett liknande modulärt och progressivt sätt," säger Jeff Jopling, kirurg vid Johns Hopkins och medförfattare till studien.
Roboten presterade felfritt även när forskarna introducerade oväntade utmaningar, såsom att ändra robotens startposition eller tillsätta blodliknande färgämnen som förändrade vävnadernas utseende. "För mig visar det verkligen att det är möjligt att utföra komplexa kirurgiska ingrepp autonomt," säger Axel Krieger, huvudforskare. "Detta är ett bevis på att det är möjligt och att denna imitation learning-ram kan automatisera så komplexa ingrepp med så hög robusthet."
Även om detta är ett stort framsteg uppskattar Axel Krieger att det kan ta fem till tio år innan ett autonomt robotsystem når kliniska prövningar på människor, med betydande regulatoriska hinder att övervinna. Nästa steg är att teamet planerar att träna och testa systemet på fler typer av operationer och utöka dess kapacitet för att kunna genomföra helt självständiga operationer.