Supervised Mixture-of-Experts for Surgical Grasping and Retraction

ملخص تقني: مزيج الخبراء الخاضع للإشراف للقبض والشد الجراحي

بيان المشكلة
لقد حقق التعلم بالتقليد (IL) تقدماً في مجال التلاعب الروبوتي، إلا أن تطبيقه في الجراحة طفيفة التوغل (MIS) يواجه عوائق حرجة: ندرة البيانات، ومساحات العمل المقيدة، وضرورة توفر أقصى درجات السلامة والقدرة على التنبؤ. وبينما أظهرت نماذج الأساس (VLA) الواعدة في مجالات الروبوتات العامة إمكانات كبيرة، إلا أنها تعتمد على مجموعات بيانات ضخمة وموارد حوسبة عالية، مما يجعلها غير ملائمة للمجالات الجراحية حيث تكون بيانات العروض التوضيحية محدودة (غالباً أقل من 150 حلقة) وحيث يجب أن يكون زمن الاستجابة (latency) منخفضاً للغاية. علاوة على ذلك، تتطلب النهج التعليمية الجراحية الحالية غالباً إعدادات متعددة الكاميرات (مثل الكاميرات المثبتة على المعصم) أو أعداداً هائلة من العروض التوضيحية (على سبيل المثال، أكثر من 16,000 حلقة)، وهو أمر غير ممكن في بيئات التنظير التقليدية التي تتوفر فيها فقط رؤية واحدة عبر المنظار.

المنهجية
يقترح المؤلفون بنية "مزيج الخبراء الخاضع للإشراف" (Supervised Mixture-of-Experts - MoE) المصممة لتعزيز سياسات محول الأفعال خفيفة الوزن، وتحديداً "محول تجميع الأفعال" (Action Chunking Transformer - ACT). يكمن الابتكار الجوهري في الاستفادة من الطبيعة الهيكلية المعتمدة على المراحل للمهام الجراحية لتعزيز استقرار التدريب وتحسين كفاءة البيانات.

• البنية: يوسع النظام إطار عمل ACT القياسي عن طريق إدراج كتلة "MoE المدركة للمرحلة". تتكون هذه الكتلة من $H$ من الخبراء المتوازيين (خبير لكل مرحلة جراحية: الخمول، الاقتراب والقبض، الإمساك، الشد، والحفاظ على الشد) وشبكة بوابة (Gating Network).
  • الخبراء: يتم تدريب "خبراء الأفعال" و"خبراء القابض" بشكل منفصل لنمذجة توزيعات الأفعال المحددة لكل مرحلة، بناءً على المتغيرات الكامنة والحالات البصرية.
  • شبكة البوابة: على عكس نهج MoE غير الخاضعة للإشراف التي غالباً ما تعاني من انهيار النمط (mode collapse) أو عدم استقرار التقارب، يستخدم هذا النهج بوابة خاضعة للإشراف. حيث يتم تدريب مصنف للمراحل صراحةً باستخدام تسميات المراحل الجراحية الحقيقية لتوجيه الحالة الحالية إلى الخبير المناسب.
• فضاء الملاحظة: السياسة تعتمد حصرياً على الرؤية فقط، باستخدام أزواج من الصور التنظيرية ثلاثية الأبعاد (stereo). تم استبعاد البيانات الحسية الخاصة (proprioceptive data) لضمان استقلالية السياسة عن معايرة الأجهزة والضجيج الحركي.
• هدف التدريب: يقوم النموذج بتحسين الحد الأدنى المتغير الأدنى (ELBO) الذي يتضمن:
  1. فقدان إعادة بناء الفعل ($L_1$).
  2. فقدان الإنتروبيا المتقاطعة للمرحلة (CE) للإشراف على شبكة البوابة.
  3. فقدان الإنتروبيا المتقاطعة الثنائية للقابض (BCE).
  4. تنظيم تباعد كينل-ليفينجر (KL divergence).
• الإعداد التجريبي: أُجريت التجارب باستخدام نموذج محاكاة (OpenHELP phantom) مع ذراعين روبوتيين من نوع UR5e (أحدهما يحمل منظاراً ثلاثي الأبعاد، والآخر يحمل ملقطاً). تتكون مجموعة البيانات من 120 حلقة بزوايا رؤية ثابتة و50 حلقة بزوايا كاميرا عشوائية.

المساهمات الرئيسية

1. بنية مبتكرة: تقديم امتداد MoE خاضع للإشراف لمحولات الأفعال، مما يسمح بتعلم مهام جراحية معقدة طويلة المدى من أقل من 150 عرضاً توضيحياً باستخدام التغذية الراجعة البصرية للمنظار فقط، دون الحاجة لمستشعرات عمق أو رؤية متعددة.
2. مهمة التعاون بين الإنسان والروبوت: تحديد مهمة تعاونية جديدة حيث يشير جراح بشري إلى جزء مستهدف من الأمعاء عبر أداة تنظيرية، ويقوم الروبوت بعد ذلك بتنفيذ عمليات القبض، والشد، والحفاظ على الشد ذاتياً.
3. تقييم نماذج VLA: التحقق التجريبي من أن نماذج VLA العامة (مثل SmolVLA و $\pi_0.5$) تفشل في اكتساب سياسات جراحية عالية الدقة في ظل ندرة البيانات، بينما تنجح البنيات المتخصصة وخفيفة الوزن.
4. متطلبات التعميم: إثبات قدرتين حرجتين من أجل الانتقال إلى العمليات الحية (in vivo):
   • ثبات زاوية الرؤية: التدريب باستخدام زوايا كاميرا عشوائية يسمح للسياسة بالتعميم على زوايا رؤية غير مرئية دون تمثيل ثلاثي الأبعاد صريح.
   • النقل الصفري (Zero-Shot Transfer): تنتقل السياسة إلى أنسجة الخنازير (ex vivo) بنسبة نجاح 80% دون تدريب إضافي، رغم تدريبها حصرياً على نماذج المحاكاة (phantom).

النتائج

• الأداء ضمن التوزيع (In-Distribution): في مجموعة بيانات المحاكاة ذات الرؤية الثابتة، حقق نموذج ACT + MoE المقترح نسبة نجاح إجمالية بلغت 85% (17/20)، وهو تحسن كبير عن خط الأساس ACT القياسي (50%، 10/20) وفشل تام (0%) لنماذج VLA المرجعية. كما أظهر نموذج MoE براعة فائقة، حيث قلل من انزلاق الأنسجة أثناء الانتقالات الحرجة بين المراحل.
• الأداء خارج التوزيع (OOD): حافظت سياسة MoE على متانتها تحت ظروف الإضاءة المنخفضة، والانسداد الجزئي، ومواقع القبض الجديدة، محققة نسبة نجاح إجمالية بلغت 65% (13/20) مقارلة بـ 30% (6/20) لنموذج ACT القياسي.
• التعميم على زوايا الرؤية والنقل الصفري:
  • خارج الجسم (Ex Vivo): حققت السياسة نسبة نجاح 80% (12/15) على أمعاء الخنازير (ex vivo).
  • زوايا الرؤية العشوائية: عند التدريب على مجموعة بيانات تشمل زوايا كاميرا عشوائية، حققت السياسة نسبة نجاح 82% (18/22) على زوايا كاميرا غير مرئية.
• الكفاءة: تعمل سياسة ACT + MoE بتردد 27 هرتز، وهو ما يضاهي نموذج ACT الأساسي، بينما تعمل نماذج VLA بترددات أقل بكثير (10 هرتز و3.3 هرتز)، مما يجعلها غير مناسبة للتحكم الجراحي في الوقت الفعلي.

الأهمية والادعاءات
يزعم البحث أن بنيات MoE الخاضعة للإشراف توفر مساراً فعالاً من حيث البيانات لتعلم التلاعب الماهر متعدد الخطوات في البيئات المقيدة بصرياً. ومن خلال نمذجة هيكل المراحل للمهام الجراحية صراحةً، يتغلب هذا النهج على عدم استقرار تدريب MoE غير الخاضع للإشراف وعلى الجوع للبيانات الذي تعاني منه النماذج التأسيسية. ويؤكد المؤلفون أن هذه الطريقة تعالج قيود الجراحة طفيفة التوغل (MIS) المحددة — وهي البيانات المحدودة، والمدخلات أحادية الرؤية، ومتطلبات السلامة الصارمة — مما يوفر مساراً قابلاً للتطبيق نحو المساعدة الجراحية الذاتية. إن النجاح في النقل الصفري إلى الأنسجة (ex vivo) والنتائج الأولية للعمليات الحية (الموضحة نوعياً) تشير إلى أن النظام يتمتع بالمتانة اللازمة للتعامل مع التحولات النوعية في الهندسة والبصر المتأصلة في البيئات السريرية الديناميكية. ويخلص العمل إلى أن الجمع بين التعلم بالتقليد وMoE الخاضع للإشراف يسمح بأتمتة مهام MIS متعددة الخطوات باستخدام الرؤية التنظيرية فقط، مما يقربنا من هدف النشر في العمليات الحية (in vivo).