Imitation Learning for Robot Assistance in Open Surgery: A Multi-Policy Evaluation on Suture Following
यह अध्ययन ओपन सर्जरी में सर्जन-रोबोट सहयोगात्मक सहायता के लिए सामान्य-उद्देश्यीय इमिटेशन लर्निंग (imitation learning) का पहला मल्टी-पॉलिसी मूल्यांकन प्रस्तुत करता है, जो यह प्रदर्शित करता है कि पॉलिसी बेहतर सुदृढ़ता और 92% स्टिच पूर्णता दर प्राप्त करती है और साथ ही गहराई की धारणा (depth perception) एवं एंड-इफेक्टर डिज़ाइन को नैदानिक अनुवाद (clinical translation) के लिए महत्वपूर्ण प्राथमिकताओं के रूप में पहचानती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ रोबोट केवल चीज़ों को गिरा देने वाले अनाड़ी धातु के डिब्बे नहीं हैं, बल्कि फुर्तीले सहायक हैं जो हमें देखकर सीख सकते हैं। यह इमिटेशन लर्निंग (Imitation Learning) का क्षेत्र है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ कंप्यूटर को इस बात के लिए हर एक नियम प्रोग्राम करने की आवश्यकता नहीं होती कि उसे कैसे हिलना-डुलना है। इसके बजाय, यह एक अत्यंत चौकस प्रशिक्षु (apprentice) की तरह कार्य करता है: आप इसे कुछ बार दिखाते हैं कि क्या करना है, और यह आपके कदमों की नकल करने की कोशिश करता है। इसे एक कुत्ते को गेंद लाने (fetch) के लिए सिखाने जैसा समझें; आप कुत्ते के कूदने के प्रक्षेपवक्र (trajectory) की गणना करने के लिए कोई मैनुअल नहीं लिखते, बल्कि आप बस गेंद फेंकते हैं, और कुत्ता उस पैटर्न को सीख जाता है। सर्जरी की उच्च-दांव वाली दुनिया में, यह विचार एक गेम-चेंजर है। सर्जन अविश्वसनीय रूप से कुशल होते हैं, लेकिन उन्हें अक्सर चीजों को स्थिर रखने, धागों को कसने या औजारों को व्यवस्थित करने के लिए हाथ के दूसरे जोड़े की आवश्यकता होती है, जबकि वे काटने और टांके लगाने के नाजुक काम पर ध्यान केंद्रित कर रहे होते हैं। शोधकर्ता मुख्य सवाल यह पूछ रहे हैं कि: क्या एक रोबोट उस सहायक के रूप में कार्य करना सीख सकता है, न कि केवल एक नियंत्रित वीडियो गेम की दुनिया में, बल्कि ऑपरेशन थिएटर की वास्तविक, अव्यवस्थित अराजकता में?
यह शोध पत्र सीधे उसी प्रश्न में उतरता है, लेकिन एक मोड़ के साथ: एक ऐसा रोबोट बनाने की कोशिश करने के बजाय जो स्वयं सर्जरी करे (जो अविश्वसनीय रूप से खतरनाक और जटिल है), लेखकों ने पूछा कि क्या एक रोबोट सहायक की भूमिका निभाना सीख सकता है। विशेष रूप से, उन्होंने "स्यूचर फॉलोइंग" (suture following) नामक कार्य पर ध्यान केंद्रित किया। कल्पना कीजिए कि एक सर्जन घाव को सिल रहा है; जैसे ही वे धागे को खींचते हैं, धागे का पिछला सिरा इधर-उधर लटकता रहता है। एक मानव सहायक को लगातार उस ढीले धागे को पकड़ना, उसे खींचकर तानना, और उसे रास्ते से हटाकर रखना होता है ताकि सर्जन अगला टांका लगा सके और धागा उलझ न जाए या ढीला न रह जाए। यह एक दोहराव वाला, बारीक काम है जिसमें सटीकता की आवश्यकता होती है लेकिन यह "मुख्य घटना" नहीं है। शोधकर्ता देखना चाहते थे कि क्या सामान्य उद्देश्य वाले एआई (AI) रोबोट, प्रदर्शनों के एक छोटे से सेट पर प्रशिक्षित होकर, इस विशिष्ट, सहायक नृत्य को सीख सकते हैं।
टीम ने एक ओपन-सोर्स रोबोटिक आर्म और त्वचा के एक नकली टुकड़े (सिलिकॉन फैंटम) का उपयोग करके एक "ट्रेनिंग कैंप" स्थापित किया, जिसमें एक धागा गुजर रहा था। उन्होंने एक मानव ऑपरेटर से एक "लीडर" रोबोटिक आर्म को पकड़ने और खींचने की गति का 160 बार प्रदर्शन कराया, जिससे 32,000 से अधिक वीडियो फ्रेम का एक डेटासेट तैयार हुआ। फिर उन्होंने चार अलग-अलग एआई "स्टूडेंट" दिमागों को आपस में लड़ाया ताकि यह देखा जा सके कि कौन सबसे अच्छी तरह सीखता है। ये छात्र एक मानक ट्रांसफार्मर मॉडल से लेकर एक विशाल, पूर्व-प्रशिक्षित "विज़न-लैंग्वेज-एक्शन" मॉडल (एक प्रकार का एआई जिसने इस विशिष्ट प्रशिक्षण से पहले लाखों छवियों और कार्यों को देखा है) तक विस्तृत थे।
परिणाम "बुरा नहीं" और "बहुत आशाजनक" का मिश्रण थे। आदर्श, नियंत्रित परिस्थितियों में, रोबोट 50% से 75% बार सफलतापूर्वक धागे को पकड़ने में सफल रहे। मुख्य आकर्षण पूर्व-प्रशिक्षित मॉडल था, जो 75% बार सफल रहा। हालाँकि, शोधकर्ताओं ने एक विशिष्ट कमजोरी पाई: गहराई का बोध (depth perception)। जबकि रोबोट बाएं या दाएं (पार्श्व गति) की ओर धागे को देखने में अच्छे थे, वे अक्सर यह आंकने में संघर्ष करते थे कि उन्हें वास्तव में कितना आगे तक पहुँचना है। यह एक ऐसे व्यक्ति की तरह है जो एक गेंद को स्पष्ट रूप से देख तो सकता है लेकिन उसे पकड़ने के लिए आगे बढ़ने या पीछे हटने का सही अंदाजा लगाने में चूक जाता है। सभी मॉडलों के लिए विफलता का यही मुख्य कारण था।
अध्ययन ने यह भी परीक्षण किया कि ये रोबोट "वास्तविक दुनिया" की अव्यवस्था को कितनी अच्छी तरह संभालते हैं। जब शोधकर्ताओं ने बैकग्राउंड बदला या पूर्ण नीले सर्जिकल ड्रेप को हटाकर एक अव्यवस्थित मेज दिखाई, तो शून्य से प्रशिक्षित किए गए रोबोट (जिन्होंने दुनिया को पहले नहीं देखा था) पूरी तरह से विफल हो गए, और लगभग हर बार असफल रहे। लेकिन पूर्व-प्रशिक्ित मॉडल? इसने काम करना जारी रखा, और इसकी सफलता दर में केवल मामूली गिरावट आई। यह सुझाव देता है कि जिसके पास पहले से ही दुनिया को समझने वाला "दिमाग" है, वह रोबोट वातावरण बदलने पर अनुकूलित होने में मदद करता है।
अंत में, टीम ने अपने सर्वश्रेष्ठ रोबोट को एक वास्तविक सर्जन के साथ लाइव ट्रायल में लिया। इस परीक्षण में, रोबोट को पूर्ण होने की आवश्यकता नहीं थी; यदि रोबлот थोड़ा गलत होता है, तो सर्जन सूक्ष्म समायोजन कर सकता था। इस अधिक उदार, वास्तविक दुनिया के परिदृश्य में, रोबोट ने 25 में से 23 टांके सफलतापूर्वक पूरे किए (92% सफलता दर)। लेखक निष्कर्ष निकालते हैं कि हालांकि यह तकनीक कल ही मानव सहायक को बदलने के लिए तैयार नहीं है, लेकिन यह सुझाव देती है कि एक रोबोट ओपन सर्जरी में एक सहायक भागीदार बनने के रूप में कार्य कर सकता है। सबसे बड़ी बाधाएं अभी भी रोबोट को गहराई को बेहतर ढंग से आंकना सिखाने और एक ऐसा ग्रिपर डिजाइन करने में है जो बिना गिराए फिसलन भरे, पतले धागे को पकड़ सके। लेकिन दरवाजा खुला है: देखकर सीखने वाला रोबोट सहायक अब केवल एक विज्ञान-कथा का सपना नहीं है; यह कुछ और सुधारों के बाद एक व्यवहार्य वास्तविकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।