Generalizing Soft Tissue Deformation and Force Prediction Across Material Stiffness and Geometry
यह शोध पत्र एक सॉफ्टनेस-कंडीशन्ड इक्विवेरिएंट ग्राफ न्यूरल नेटवर्क प्रस्तुत करता है जिसे विभिन्न सामग्री कठोरता और अनदेखी ज्यामितिओं में सॉफ्ट टिश्यू विरूपण (डिफॉर्मेशन) और बल भविष्यवाणी के सटीक, वास्तविक समय के सामान्यीकरण को प्राप्त करने के लिए व्यवस्थित रूप से कैलिब्रेटेड हाइपरइलास्टिक सिमुलेशन पर प्रशिक्षित किया गया 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
कल्पना कीजिए कि एक सर्जन का हाथ एक रोबोटिक उपकरण को नाजुक, जीवित ऊतकों (tissue) के माध्यम से निर्देशित कर रहा है। इस संपर्क को सुरक्षित और वास्तविक बनाने के लिए, रोबोट को नियंत्रित करने वाले कंप्यूटर को ठीक से पता होना चाहिए कि वह ऊतक कैसे दबेगा, खिंचेगा और वापस दबाव डालेगा। यही सर्जिकल सिमुलेशन का मूल है: मानव शरीर का एक डिजिटल जुड़वां (digital twin) बनाना जो पूर्ण भौतिक सत्य के साथ प्रतिक्रिया करता है। दशकों से, वैज्ञानिक इन प्रतिक्रियाओं की गणना करने के लिए जटिल भौतिकी इंजनों (physics engines) पर निर्भर रहे हैं, जो एक आभासी अंग के भीतर प्रत्येक सूक्ष्म बिंदु के लिए विशाल समीकरणों को हल करते हैं। हालांकि ये गणनाएं अविश्वसनीय रूप से सटीक हैं, लेकिन वे भी बहुत धीमी हैं, अक्सर एक एकल गति को कंप्यूट करने में सेकंड या मिनट का समय लेती हैं। एक वास्तविक ऑपरेशन थिएटर या प्रशिक्षण सत्र में जहां एक सर्जन को तत्काल फीडबैक की आवश्यकता होती है, वहां वह देरी बहुत अधिक है। लक्ष्य हमेशा से यह रहा है कि इन सिमुलेशन को इतना तेज़ बनाया जाए कि वे वास्तविक महसूस हों, बिना उस सटीकता को खोए जो मरीजों को सुरक्षित रखती है।
बासेल विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस लक्ष्य की ओर एक महत्वपूर्ण कदम उठाया है, जिसमें उन्होंने सावधानीपूर्वक किए गए भौतिक प्रयोगों को एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस के साथ जोड़ा है। उनका काम एक जिद्दी समस्या का समाधान करता है: अधिकांश सॉफ्ट टिश्यू के कंप्यूटर मॉडल एक विशिष्ट प्रकार की सामग्री, जैसे कि एक सख्त लिवर या एक नरम किडनी के लिए तो अच्छा काम करते हैं, लेकिन जब कठोरता (stiffness) बदलती है, तो वे विफल हो जाते हैं। यदि कोई सर्जन एक सख्त अंग से बदलकर एक नरम अंग पर जाता है, तो पुराने मॉडल अक्सर टूट जाते हैं और अवास्तविक परिणाम देते हैं। शोधकर्ता एक एकल, स्मार्ट प्रणाली बनाना चाहते थे जो विभिन्न कठोरता स्तरों और आकारों के बीच सॉफ्ट टिश्यू के व्यवहार को समझ सके और उसकी भविष्यवाणी कर सके, और वह भी इतनी तेज़ी से कि उसका उपयोग वास्तविक समय (real-time) में किया जा सके।
इसे हल करने के लिए, टीम ने भौतिक दुनिया से शुरुआत की। उन्होंने सिलिकॉन का उपयोग करके परीक्षण वस्तुओं का एक सेट बनाया, जो कि एक ऐसी सामग्री है जिसका उपयोग अक्सर मानव ऊतकों की नकल करने के लिए किया जाता है। उन्होंने सिलिकॉन को अलग-अलग मात्रा में 'सॉफ्टनिंग एजेंट' के साथ मिलाया ताकि तीन अलग-अलग संस्करण बनाए जा सकें: एक बहुत सख्त, एक मध्यम, और एक काफी नरम। उन्होंने इन मिश्रणों को लंबे, बेलनाकार बीम के रूप में ढाला और उन्हें अपने वजन के नीचे लटका दिया ताकि यह देखा जा सके कि वे स्वाभाविक रूप से कैसे झुकते और झुकते हैं। उन्होंने इन बीमों को एक मानक स्मार्टफोन से फोटोग्राफ किया और कैमरा एंगल को ठीक करने के लिए सॉफ्टवेयर का उपयोग किया, जिससे उन्होंने सटीक माप प्राप्त किया कि सामग्री कैसे विकृत (deform) हुई। इन वास्तविक दुनिया के अवलोकनों ने 'ग्राउंड ट्रुथ' (ground truth) के रूप में कार्य किया, जिसके विरुद्ध सभी कंप्यूटर मॉडलों का परीक्षण किया जाना था।
इसके बाद, शोधकर्ताओं ने कंप्यूटर की ओर रुख किया ताकि यह देखा जा सके कि कौन से गणितीय नियम इस झुकने का सबसे अच्छा वर्णन करते हैं। उन्होंने सॉफ्ट मटेरियल के व्यवहार के विभिन्न सिद्धांतों का परीक्षण किया, और ऐसे सिमुलेशन चलाए जो उनके सिलिकॉन बीम के गुरुत्वाकर्षण के तहत झुकने के तरीके की सटीक नकल करने की कोशिश करते थे। उन्होंने पाया कि जबकि कुछ सिद्धांत सख्त सामग्रियों के लिए अच्छी तरह काम करते थे, वे नरम सामग्रियों के साथ संघर्ष करते थे। दो विशिष्ट सिद्धांत, जिन्हें 'ऑगडेन' (Ogden) और 'मूनी-रिवलिन' (Mooney-Rivlin) मॉडल के रूप में जाना जाता है, सभी तीन कठोरता स्तरों में सबसे विश्वसनीय पाए गए। हालांकि, इन अच्छे मॉडलों को भी वास्तविक सिलिकॉन से मेल खाने के लिए उनके आंतरिक सेटिंग्स को सावधानीपूर्वक ट्यून करने की आवश्यकता थी। यह कैलिब्रेशन चरण अत्यंत महत्वपूर्ण था; इसके बिना, आर्टिफिशियल इंटेलिजेंस को सिखाने के लिए उपयोग किया गया कंप्यूटर डेटा त्रुटिपूर्ण होता, जिससे एक ऐसी प्रणाली बनती जो गलत सबक सीखती।
कैलिब्रेटेड और विश्वसनीय भौतिक मॉडलों के साथ, टीम ने प्रशिक्षण डेटा का एक विशाल पुस्तकालय (library) तैयार किया। केवल बीम लटकाने के बजाय, उन्होंने एक ऐसा परिदृश्य सिम्युलेट किया जो सर्जरी जैसा अधिक वास्तविक हो: एक आभासी प्रोब (virtual probe) को सॉफ्ट टिश्यू के एक ब्लॉक में धंसाना, जिसमें अंदर छिपे हुए कठोर आकार हों, जैसे कि हड्डियां या ट्यूमर। उन्होंने हजारों ऐसे 'पोकिंग सिमुलेशन' चलाए, जिसमें छिपी हुई वस्तुओं के आकार, चुभाने के स्थान और ऊतक की कठोरता को बदला गया। इसने एक समृद्ध डेटासेट बनाया जो दिखा कि सतह का हिस्सा कैसे हिलता है और प्रोब ने हर क्षण कितना बल महसूस किया।
पहेली का अंतिम हिस्सा स्वयं आर्टिफिशियल इंटेलिजेंस था। शोधकर्ताओं ने एक विशेष प्रकार के न्यूरल नेटवर्क का उपयोग किया, जो एक ऐसा कंप्यूटर प्रोग्राम है जिसे सॉफ्ट टिश्यू के अनियमित आकारों जैसे असंरचित डेटा (unstructured data) से सीखने के लिए डिज़ाइन किया गया है। उन्होंने इस नेटवर्क को संशोधित किया ताकि यह सामग्री की "कोमलता" (softness) पर एक प्रमुख जानकारी के रूपकार ध्यान दे सके। इस नेटवर्क को कैलिब्रेटेड सिमुलेशन डेटा खिलाकर, उन्होंने इसे सिखाया कि वह किसी आकार को देखकर और उसकी कठोरता को जानकर, यह भविष्यवाणी कर सके कि ऊतक कैसे विकृत होगा और वह कितना प्रतिरोध देगा। परिणाम यह था कि सिस्टम एक नए, अनदेखे आकार और एक विशिष्ट कठोरता स्तर को लेकर तुरंत परिणाम की भविष्यवाणी कर सकता था।
परिणाम आश्चर्यजनक थे। नया सिस्टम औसतन एक मिलीमीटर से भी कम की त्रुटि के साथ ऊतक की गति की भविष्यवाणी कर सकता था, जो कि मानवीय दृष्टि के लिए प्रभावी रूप से अदृश्य स्तर की सटीकता है। इसने बलों (forces) की भविष्यवाणी भी उच्च सटीकता के साथ की, हालांकि बल की भविष्यवाणियों की सटीकता इस बात पर बहुत अधिक निर्भर थी कि अंतर्निहित भौतिक मॉडल को कितनी अच्छी तरह कैलिब्रेट किया गया है। जब भौतिक मॉडल सुसंगत था, तो बल की भविष्यवाणियां विश्वसनीय थीं; जब भौतिक मॉडल बहुत सख्त सामग्रियों के साथ संघर्ष करता था, तो बल की भविष्यवाणियां अधिक परिवर्तनशील हो जाती थीं। सबसे महत्वपूर्ण बात यह है कि इस सिस्टम ने यह गणना मात्र 0.010 सेकंड में की, जो एक चलते हुए मानव हाथ के साथ तालमेल बिठाने के लिए पर्याप्त तेज़ गति है।
यह कार्य यह प्रदर्शित करता है कि विभिन्न सामग्रियों और आकारों के लिए काम करने वाला सॉफ्ट टिश्यू को सिम्युलेट करने वाला एक एकल, सामान्य-उद्देश्य वाला उपकरण बनाना संभव है। आर्टिफिशियल इंटेलिजेंस को सावधानीपूर्वक कैलिब्रेट किए गए भौतिक प्रयोगों में स्थापित करके, शोधकर्ताओं ने यह सुनिश्चित किया कि कंप्यूटर वास्तविकता से सीखे, न कि केवल अमूर्त गणित से। हालांकि यह प्रणाली अभी तक मानव सर्जन का स्थान लेने वाली नहीं है, लेकिन यह चिकित्सा पेशेवरों को प्रशिक्षित करने और जटिल प्रक्रियाओं की योजना बनाने का एक शक्तिशाली नया तरीका प्रदान करती है। यह एक ऐसे भविष्य का संकेत देती है जहाँ सर्जिकल सिमुलेटर मानव शरीर की अद्वितीय, परिवर्तनशील बनावट के अनुकूल हो सकेंगे, जो वास्तविक स्पर्श जैसा स्वाभाविक फीडबैक प्रदान करेंगे।
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।