A KT-LSTM-SAC-Based Closed-Loop Temperature Control Strategy for Medical Robot-Assisted Moxibustion
تقترح هذه الورقة استراتيجية تحكم مغلقة الحلقة قائمة على KT-LSTM-SAC تدمج البيانات الحركية والحرارية عبر خوارزمية "السياسة الممثل الممثل للفاعل" (Soft Actor-Critic) المعززة بـ LSTM لتحقيق تنظيم دقيق وآمن ومستقر لدرجة الحرارة في عملية الموكسا المساعدة بالروبوت من خلال الضبط المستمر لمسافة الوقوف الخاصة بالمؤثر النهائي.
على مر قرون، اعتمدت ممارسة "الموكسا" (moxibustion) على اليد الثابتة والعين الخبيرة للممارس. في هذا العلاج التقليدي، يتم إشعال عود من نبات الشيح المجفف ويُحمل بالقرب من نقاط محددة على الجلد لتدفئة الأنسجة الكامنة تحتها. والهدف هو الوصول إلى عمق دقيق من الحرارة يحفز الجسم دون حرق السطح. ومع ذلك، يتفاعل جلد الإنسان بسرعة مع الحرارة، بينما تسخن الأنسجة العميقة ببطء أكبر بكثير. يخلق هذا التأخير تحديًا صعبًا: فإذا قرب الممارس مصدر الحرارة أكثر من اللازم لإصلاح الارتفاع البطيء في الدفء العميق، فإنه يخاطر بحرق الجلد قبل أن يستفيد الهدف العميق من الفائدة. وعلى العكس من ذلك، إذا انتظر الممارس لفترة طويلة لرؤية الأنسجة العميقة وهي تسخن، فقد يصبح السطح ساخنًا جدًا. إن جعل هذه العملية متسقة وآمنة لكل مريض يتطلب مستوى من الدقة تعجز سرعة الاستجابة البشرية عن الحفاظ عليه، خاصة عندما يتنفس المريض أو يتحرك قليلاً أثناء العلاج.
ولمعالجة هذه الفجوة بين القدرة البشرية المحدودة والحاجة العلاجية، طور باحثون في جامعة شنغهاي للعلوم والتكنولوجيا طريقة جديدة للروبوتات لإدارة هذا التوازن الحراري الدقيق. لقد أنشأوا محاكاة حاسوبية لذراع روبوت تحمل مصدر حرارة فوق نموذج لظهر إنسان. وبدلاً من مجرد الاستجابة لدرجة حرارة الجلد، تم تعليم الروبوت التنبؤ بما يحدث في الداخل بعمق الأنسجة. بنى الفريق نظامًا يعمل كدماغ ثنائي المسار: جزء يراقب حركات الروبوت والمسافة بين مصدر الحرارة والجلد، بينما يتذكر الجزء الآخر تاريخ تغيرات درجات الحرارة بمرور الوقت. ومن خلال الجمع بين هذين المسارين من المعلومات، يتعلم الروبوت تعديل موضعه باستمرار، حيث يحرك مصدر الحرارة ليصبح أقرب أو أبعد للحفاظ على دفء ثابت وعلاجي للأنسجة العميقة مع الحفاظ على سلامة الجلد.
جوهر هذا النظام هو طريقة تسمى KT-LSTM-SAC، وهو اسم يصف كيف يفكر الروبوت. يرمز "KT" إلى "kinematic-thermal" (الحركي-الحراري)، مما يعني أن الروبوت يأخذ في الاعتبار موقعه الفيزيائي والحرارة التي يولدها. أما جزء "LSTM" فيسمح للروبوت بتذكر تسلسل درجات الحرارة الماضية، وفهم أن الحرارة تستغرق وقتًا للانتقال من الجلد إلى الطبقات الأعمق. ومكون "SAC" هو خوارزمية تعلم تساعد الروبوت على معرفة أفضل الإجراءات التي يجب اتخاذها من خلال التجربة والخطأ، تمامًا كما يتعلم الشخص ركوب الدراجة الهوائية عبر السقوط والتعديل حتى يجد توازنه. في هذه الدراسة المحددة، كانت مهمة الروبوت الوحيدة هي التحكم في المسافة بين مصدر الحرارة والجلد، بالتحرك على طول خط مستقيم عمودي على الجسم. فإذا كان النسيج العميق باردًا جدًا، يحرك الروبوت الحرارة لتصبح أقرب؛ وإذا بدأت تسخن كثيرًا، يحركها بعيدًا. والأهم من ذلك، تم تدريب النظام بقواعد سلامة صارمة تعاقب الروبوت إذا ارتفت درجة حرارة الجلد كثيرًا أو إذا اقترب مصدر الحرارة أكثر من اللازم، مما يجبره على إيجاد مسار آمن للوصول إلى درجة الحرارة المستهدفة.
اختبر الباحثون هذا النظام في بيئة افتراضية عالية التفصيل تحاكي فيزياء جسم الإنسان، بما في ذلك الطريقة التي تنتشر بها الحرارة عبر الأنسجة وكيفية تحرك صدر الشخص مع التنفس. وضعوا هدفًا للنسيج العميق للوصول إلى 43.0 درجة مئوية والبقاء عندها، وهي درجة حرارة معروفة بفعاليتها للعلاج ولكنها تتطلب إدارة دقيقة لتجنب الإصابة. وقارنوا نظام الروبوت الجديد هذا بعدة طرق قديمة، بما في ذلك وحدات التحكم الصناعية القياسية وغيرها من مناهج الذكاء الاصطناعي التي لا تمتلك نفس ذاكرة درجات الحرارة الماضية أو نفس التصميم ثنائي المسار. وأظهرت النتائج أن الطريقة الجديدة كانت أفضل بكثير في إبقاء الأنسجة العميقة ضمن نطاق درجة الحرارة المطلوب. وفي الاختبار الأكثر دقة، حيث كان الهدف مسموحًا له بالتفاوت بمقدار نصف درجة فقط، حافظ الروبوت على درجة الحرارة في المنطقة الصحيحة بنسبة 94.80% من الوقت. كما حافظ أيضًا على متوسط خطأ صغير جداً قدره 0.32 درجة مئوية.
وربما الأهم من ذلك، أثبت النظام الجديد أنه أكثر أمانًا من البدائل. فعندما أزال الباحثون قواعد السلامة من تدريب الروبوت، أصبح جيدًا جدًا في الوصول إلى درجة الحرارة المستهدفة بسرعة، لكنه فعل ذلك من خلال الاقتراب بشكل خطير من الجلد، مما تسبب في ارتفاع مفاجئ في درجة حرارة السطح. أما النظام الكامل، مع قيود السلامة الخاصة به، فقد تعلم أن يكون أكثر صبرًا. فقد حقق خطأ متوسطًا أعلى قليلاً في الأنسجة العميقة، ولكنه أبقى درجة حرارة الجلد أقل بكثير وتجنب الحركات الخطرة. يشير هذا المقايضة إلى أن الروبوت تعلم إعطاء الأولوية لسلامة المريض على المدى الط-الطويل على حساب سرعة التسخين. ووجدت الدراسة أيضًا أن الروبوت ظل فعالاً حتى عندما تم تعديل المحاكاة لمحاكاة أنواع أجسام مختلفة أو خصائص حرارية مختلفة قليلاً، مما أظهر أن التعلم كان قويًا ولم يقتصر على الأرقام المستخدمة في الاختبار.
بينما تبدو هذه النتائج واعدة، إلا أن الباحثين واضحون في أن هذا العمل هو حاليًا مجرد محاكاة. لم يتم اختبار الروبوت بعد على جلد بشري حقيقي أو على ذراع روبوت في بيئة مستشفى. توضح الدراسة أن نموذجًا حاسوبيًا يمكنه تعلم كيفية إدارة العلاقة المعقدة والمتأخرة بين حرارة السطح ودفء الأنسجة العميقة بشكل أفضل من الطرق القياسية الحالية. ويشير ذلك إلى أنه في المستقبل، يمكن للروبوتات أن تساعد في علاج "الموكسا" من خلال توفير مستوى من التحكم الثابت والآمن يصعب على البشر الحفاظ عليه باستمرار. ستتضمن الخطوات التالية لهذه التكنولوجيا بناء نماذج أولية مادية واختبارها باستخدام مواد تحاكي الأنسجة البشرية لمعرفة ما إذا كان النجاح الافتراضي سينتقل إلى العالم الحقيقي. وحتى ذلك الحين، تقف الدراسة كإثبات لمفهوم أن الذكاء الاصطناعي يمكنه تعلم التعامل مع فيزياء العلاج بالحرارة المعقدة والمتأخرة زمنياً بدقة وعناية.
ملخص تقني: استراتيجية تحكم مغلقة الحلقة في درجة الحرارة تعتمد على خوارزمية KT-LSTM-SAC للروبوتات الطبية المساعدة في عملية الموكسا (Moxibustion)
بيان المشكلة تعتمد عملية الموكسا بمساعدة الروبوت حالياً بشكل كبير على خبرة المشغل، وتواجه تحديات كبيرة تتعلق بالتأخر في الاستجابة الحرارية وعدم كفاية استقرار درجة الحرارة في الحلقة المغلقة. وبينما حققت الأنظمة الروبوتية الحالية تقدماً في تحديد نقاط الوخز (acupoints) والتغذية الراجعة لدرجة حرارة السطح، إلا أنها غالباً ما تفشل في مراعاة الحالة الحرارية عند عمق الأنسة العميقة المستهدفة بشكل كافٍ. ويصعب قياس درجة حرارة الأنسة العميقة بشكل غير جراحي، كما أن درجة حرارة السطح وحدها تعد مؤشراً غير كافٍ بسبب تأخيرات انتقال الحرارة، والأنماط المكانية، والطبيعة التراكمية للتأثيرات الحرارية. علاوة على ذلك، تؤدي الحركة التنفسية إلى إزاحات دورية تعقد عملية الحفاظ على مسافة علاج ثابتة. وتتمثل المشكلة الجوهرية التي يعالجها البحث في كيفية تحقيق تحكم مستقر وآمن ودقيق في درجة حرارة الأنسة العميقة (المستهدفة عند 43 درجة مئوية) باستخدام ملاحظات السطح والبيانات الحركية (kinematic data) فقط، مع إدارة التأخيرات المتأصلة والقيود الأمنية للعلاج الحراري.
المنهجية تقترح الدراسة طريقة (KT-LSTM-SAC) القائمة على "الشبكة العصبية المتكرطة (LSTM) ذات المسارين الحركي والحراري المعززة بخوارزمية الممثل الاجتماعي الناعم (Soft Actor–Critic)". تُصاغ مهمة التحكم كضبط مستمر لمسافة الوقوف (standoff distance) للمنفذ النهائي على طول العمود المقام على سطح نقطة الوخز. تتكون المنهجية من ثلاثة مكونات رئيسية:
نموذج التغذية الراجعة المكافئة لدرجة الحرارة: يقوم نموذج منخفض الرتبة بتقدير درجة حرارة الأنسة العميقة (T^d,t) باستخدام درجة حرارة السطح (Ts,t)، ومسافة الوقوف، وحالة الذاكرة الحرارية. يدمج النموذج:
الحالة الحركية (Kinematic State): تشمل موقع نقطة الوخز المستهدفة، والعمود المقام على السطح، ومسافات الوقفو المأمورة والفعلية، والإزاحة التنفسية (المحاكاة عبر دالة قوة جيب التمام)، وحالات المفاصل.
الحالة الحرارية (Thermal State): ينمذج المدخل الحراري المكافئ كدالة اضمحلال أسي بالنسبة للمسافة. ويقدم حالة ذاكرة حرارية (mt) لالتقاط تأثيرات التسخين المتأخرة والتراكمية. يتم تحديث درجة حرارة الأنسة العميقة بناءً على درجة حرارة السطح، ومعامل الاقتران، وعناصر الاسترداد، مما يحاكي الاستجابة الأبطأ للأنسة العميقة مقارنة بالسطح.
سياسة التحكم KT-LSTM-SAC: تستخدم بنية التحكم شبكة ثنائية المسار يتم تغذيتها في إطار عمل (Soft Actor–Critic):
المسار الحركي (Kinematic Stream): تعالج شبكة متعددة الطبقات (MLP) المتغيرات المتعلقة بالحركة (الموقع، المسافة، الاضطراب التنفسي).
المسار الحراري (Thermal Stream): تقوم شبكة الذاكرة الطويلة قصيرة المدى (LSTM) بترميز تاريخ استجابات درجة الحرارة (درجة حرارة السطح ودرجة حرارة الأنسة العميقة المقدرة) عبر الـ 50 خطوة تحكم السابقة لالتقاط التبعيات الزمنية والديناميكيات الحرارية المتأخرة.
الدمج (Fusion): تقوم وحدة دمج بوابية (gated-fusion module) بدمج الميزات من كلا المسارين لإخراج إجراء مستمر (Δdt) يمثل تعديل مسافة الوقوف.
دالة المكافأة والقيود الأمنية: توازن دالة المكافأة بين تتبع درجة الحرارة وبين السلامة، وتتضمن بنوداً لـ:
التتبع (Tracking): تشجيع درجة حرارة الأنسة العميقة المقدرة على الاقتراب من الهدف (43 درجة مئوية).
الاستقرار (Stability): مكافأة الحفاظ على درجة الحرارة ضمن نطاق مستهدف.
عقوبات السلامة (Safety Penalties): فرض عقوبات صريحة على درجة حرارة السطح المفرطة، ودرجة حرارة الأنسة العميقة المفرطة، ومسافة الوقوف غير الكافية، والضرر الحراري التراكمي.
السلاسة (Smoothness): معاقبة التغييرات المفاجئة في إجراء المنفذ النهائي.
المساهمات الرئيسية
البنية ثنائية المسار: قدمت الورقة بنية مبتكرة (KT-LSTM-SAC) تدمج الحالة الحركية (بما في ذلك الاضطراب التنفسي) مع الميزات الحرارية الزمنية. وهذا يسمح للسياسة بتعلم العلاقة بين تعديلات المسافة والاستجابات الحرارية المتأخرة بشكل أكثر فعالية من مناهج SAC أو LSTM-SAC القياسية.
تقدير درجة حرارة الأنسة العميقة للتحكم: على عكس الأعمال السابقة التي تعتمد أساساً على درجة حرارة السطح، تدمج هذه الدراسة نموذج انتقال حرارة مكافئ لتقدير درجة حرارة الأنسة العميقة، واستخدام هذا التقدير كمتغير تغذية راجعة أساسي لحلقة التحكم.
التعلم المقيد بالسلامة: تدمج الطريقة قيود السلامة الحرارية (حدود السطح، الضرر التراكمي، مسافة الوقوف) مباشرة في دالة المكافأة، مما يضمن تعلم السياسة التوازن بين كفاءة التسخين وسلامة المريض.
إطار محاكاة شامل: تم تطوير بيئة محاكاة تعتمد على (MuJoCo)، تضم ذراعاً روبوتية بـ 6 درجات حرية، ونموذجاً لظهر بشري، ومحاكاة للحركة التنفسية، ووحدة تغذية راجعة حرارية ديناميكية لاختبار استراتيجية التحكم بدقة.
النتائج تم تقييم الطريقة المقترحة في بيئة محاكاة عند درجة حرارة مستهدفة قدرها 43.0 ± 0.5 درجة مئوية، وتمت مقارنتها بكل من PID، وTD3، وSAC القياسية، وLSTM-SAC.
مقاييس الأداء: حققت KT-LSTM-SAC معدل إشغال للنطاق المستهدف بنسبة 94.80%، ومتوسط خطأ مطلق (MAE) قدره 0.32 درجة مئوية، ومتوسط تكلفة سلامة قدره 3.60 × 10⁻².
التحليل المقارن:
مقارنة بـ PID، أظهرت KT-LSTM-SAC معدلات نجاح أعلى بكثير وأخطاء تتبع أقل، مما يوضح حدود التحكم التقليدي في ظل الديناميكيات الحرارية المتأخرة.
مقارنة بـ SAC وTD3 القياسيتين، أدى إدراج LSTM لاستخراج الميزات الزمنية إلى تحسين كل من دقة التتبع والسلامة.
مقارنة بـ LSTM-SAC، أدت إضافة المسار الحركي (KT-LSTM-SAC) إلى زيادة معدل إشغال النطاق المستهدف وتقليل متوسط تكلفة السلامة.
دراسة الاستئصال (Ablation Study): أدى حذف قيود السلامة (KT-LSTM-SAC بدون سلامة) إلى انخفاض في الخطأ المطلق (0.29 درجة مئوية) ولكن مع ارتفاع كبير في متوسط تكلفة السلامة (8.36 × 10⁻²) وأقصى درجة حرارة للسطح، مما يؤكد أن قيود السلامة ضرورية لمنع إجراءات التسخين العدوانية والمخاطرة.
المتانة (Robustness): حافظت الطريقة على معدلات نجاح بنسبة 100% تحت اضطرابات بنسبة ±10% في بارامترات النموذج الحراري الأساسية، رغم تراجع الأداء قليلاً تحت اضطرابات بنسبة ±20%.
القدرة على التكيف: نجح المتحكم في الحفاظ على الأداء عبر درجات حرارة مستهدفة مجاورة (42.0، 42.5، و43.0 درجة مئوية).
الأهمية والادعاءات تدعي الورقة أن طريقة KT-LSTM-SAC توفر توازناً متفوقاً بين أداء تتبع درجة الحرارة والسلامة الحرارية مقارنة باستراتيجيات التحكم الموجودة. ومن خلال نمذجة الحالات الحركية والميزات الحرارية الزمنية معاً، تتعامل هذه الطريقة بفعالية مع الطبيعة المتأخرة والتراكمية لانتقال الحرارة في الأنسجة البيولوجية. وتفترض الدراسة أن إطار العمل القائم على المحاكاة هذا يعد خطوة قابلة للتطبيق نحو التحكم في درجة الحرارة في حلقة مغلقة في عمليات الموكسا بمساعدة الروبوتات الطبية. ومع ذلك، يشير المؤلفون بتواضع إلى أن العمل الحالي يعتمد على المحاكاة؛ وأن التحقق المستقبلي باستخدام نماذج تحاكي الأنسجة (phantoms) ومنصات روبوتية فيزيائية مطلوب لمعالجة عوامل العالم الحقيقي مثل ضوضاء القياس، وأخطاء التحديد الموضعي، والتباين بين الأفراد في الاستجابة الحرارية.