Nvidia je predstavila novi framework za simulaciju medicinske fizike koji tretira zdravstvene robote kao fizičke AI sustave koji trebaju iskustvo iz stvarnog svijeta kako bi učili, a ne samo kodiranje.
Pojam fizičkog AI koristi se za opisivanje strojeva koji moraju učiti kako svijet funkcionira kroz kontakt, silu i posljedice, umjesto samo kroz tekst ili slike. Model jezika uči iz teksta, dok fizički AI sustav uči iz onoga što se događa kada kateter dođe u kontakt s krvnom žilom ili kada robotska ruka primijeni preveliku silu na meko tkivo.
Za zdravstvenu robotiku, fizička tijela koja djeluju u stvarnim procedurama su rijetka, strogo regulirana i spora u generiranju potrebnih scenarija. Medical Physics Simulation je Nvidia pokušaj da na računalni način proizvede to iskustvo.
Objavljen kao open-source dodatak platformi Isaac for Healthcare, ovaj framework generira fizičke interakcije koje bi robotski kirurzi trebali vidjeti tijekom kliničkih postupaka, poput vodiča koji se zapetlja na kalcificiranoj krvnoj žili ili reakcije mekog tkiva koja se javlja samo u malom postotku procedura.
Ove situacije se ne pojavljuju redovito u operacijskoj sali. Simulacija omogućava developerima da ih generiraju po potrebi.
Razvijanje fizičke intuicije prije nego što se upotrebi skalpel
Framework kombinira dva načina modeliranja ponašanja uređaja unutar tijela. Klasična simulacija fizike obrađuje mehanička pravila koja su već dobro poznata, poput toga kako se kateter savija ili koliko otpora pruža krvna žila. Generativni AI se bavi složenijim dijelom koji je teže kodirati ručno: dinamikom vizualne scene koja se uči iz proceduralnih podataka.
Ova kombinacija predstavlja fizički AI u malom. Klasična simulacija daje robotu fizičke zakone koje mora poštovati, dok generativna simulacija pruža raspon vizualne i anatomske varijacije potrebne za generalizaciju. U kombinaciji i pokrenuto na GPU-ima koristeći Nvidia-ine Warp i Newton biblioteke, framework može izvršiti veliki broj paralelnih trening okruženja umjesto da se bavi jednom scenom odjednom.
Nvidia tvrdi da je benchmark koji pokreće 8,192 paralelnih okruženja smanjio vrijeme obuke s više od pet sati na manje od dvije minute. Međutim, to pokazuje samo propusnost – ne i kliničku pouzdanost, a ne govori ništa o tome kako se politika obučena na ovaj način ponaša u situacijama s nepotpunim snimanjima ili odgođenim očitanjima senzora.
Gdje se testira pristup fizičkom modeliranju
Organizacije koje Nvidia navodi kao rane korisnike primjenjuju pristup fizičkom AI-u na različite načine, a popis je vrijedan pažnje zbog svoje raznolikosti.
CMR Surgical i Cambridge Consultants su najdalje otišli na strani podataka, dok Johnson & Johnson MedTech koristi framework za izgradnju digitalnog blizanca svog endoluminalnog MONARCH sustava fokusiranog na scenarije s bubrežnim kamencima.
Otvoreni modeli omogućuju razvoj zajedničkog znanja, ubrzavajući odgovornu inovaciju i pružajući potencijal za dosljedniju njegu pacijenata širom svijeta,” rekao je Chris Fryer, CTO CMR Surgical.
Otvoreni kod omogućava vanjskim recenzentima da provjere logiku modela, ali ne potvrđuje da fizičko ponašanje modela odgovara stvarnosti, što još uvijek treba potvrditi testiranjem koje nijedna od ovih tvrtki još nije objavila.
Nvidia je izgradila infrastrukturu koja bi mogla skratiti fazu razvoja fizičkog AI-a za kirurške i dijagnostičke robote.
Više o ovoj temi možete saznati na Physical AI Expo.
