编译 | 曾全晨 审稿 | 王建民
今天为大家介绍的是来自多位作者合著的一篇关于医疗机器人展望的论文。人工智能（AI）在医疗机器人中的应用为医学带来了一个新时代。先进的医疗机器人可以进行诊断和手术程序，辅助康复，并提供共生义肢来替代肢体。这些设备使用的技术包括计算机视觉、医学图像分析、触觉反馈、导航、精确操控和机器学习（ML），可以使自主机器人进行诊断成像、远程手术、手术子任务，甚至整个手术过程。此外，康复设备和先进义肢中的人工智能可以提供个性化支持，以及改善功能和移动性。机器人技术、医学、材料科学和计算能力的巨大进展相结合，有望在未来带来更安全、更高效、更广泛可用的患者护理。
利用人工智能进行医学图像引导的机器人技术
医学影像引导机器人手术将医学影像与机器人技术相结合，通过医学影像可以确定关键解剖结构、病变和物体的位置，而机器人技术的精准定位优势提供了重要的帮助。常用的影像技术包括超声、磁共振成像、计算机断层扫描以及白光或荧光内窥镜。机器人可以用于辅助解剖结构的成像，或者通过影像引导机器人来指导其定位到关键目标。在医学影像引导机器人领域，早期的应用案例通常涉及使用针等工具进行解剖学活检。AI的重点通常放在针的操纵机制和规划算法上，因为穿越软组织需要遵循组织内的最小曲率半径和在插入过程中的组织位移等限制。虽然在解决与软组织多次和间断接触的微创机器人工具导航方面仍存在挑战，但现在已经有许多基于AI驱动的机器人操纵规划解决方案可供选择，而且还提出了高度灵巧的机器人系统，可以在AI的辅助下规划并到达目标。
目前，大部分的努力都集中在图像理解方面。以往的技术使用繁琐的人工分割（手动标注）解剖特征和/或基于特征的有限解剖识别。现在，医学影像引导中的新型AI策略利用语义信息，即直接从像素信息中识别解剖类型及其特征的高级推理，以提供更好、更安全的导航。就像计算机视觉领域在对象定位和场景分割方面取得的显著进展一样，这些技术已经开始应用于手术场景和与手术相关的物体上。机器人可以利用这些技术来规划和准确到达目标。
图像理解的一个有趣应用是在图像采集本身。例如，机器人辅助使医学超声成像更加一致，实现自主扫描，并且可以改善边远和服务不足社区的检查。将超声探头移动到患者身上以识别医学诊断中使用的标准成像平面是一个具有挑战性的AI问题，涉及到使用深度学习网络来预测必要的探头运动。机器人辅助还用于内窥镜检查，其中刚性或柔性内窥镜，甚至具有磁性驱动的胶囊被用于手术、胃肠道成像和支气管镜检查。操作内窥镜是具有挑战性的，需要相当的经验才能掌握，因此自动运动是具有吸引力的。术中超声和X射线成像使得术前医学影像能够与患者进行配准，用于活检和手术。在相应的腹腔镜摄像机视图中定位术中配准所识别的目标仍然是一个挑战。在手术进行过程中，需要使用计算机视觉技术对组织进行长期跟踪，以应对组织变化。
在机器人辅助手术和远程手术中的监督自主性
每年有超过一百万次手术是由机器人执行的。这些机器人非常先进，但并不具备完全自主性，它们完全由人类外科医生控制。这是因为外科手术容不得错误，存在大量罕见但潜在危险的边缘条件，而即使一次失败的后果也可能是致命的。在机器人完全自主且足够安全可靠以进入临床使用之前，可能还需要很长时间。与此同时，在“监督自主性”方面取得了重要进展，即机器人在人类密切监督下执行特定的子任务，而当必要时人类可以随时接管。以去除坏死组织或伤口中的异物等手术子任务为例。去除坏死组织是一项非常繁琐的任务，外科医生很容易忽视残留的异物，从而导致感染。去除坏死组织是一项非常适合采用监督自主性的外科手术任务，手术机器人和摄像系统可以在外科医生的密切监督下系统地识别和清除残留物，而外科医生可以随时接管，以防止系统错误地将染色异常的人体组织误认为异物。在实验室条件下已经实现了对外科手术去除坏死组织的监督自主性，但仍需要进一步研究扩展这些结果，并在体内进行评估。
另一个例子是外科缝合。这个外科手术子任务通常由医学住院医生负责，因为它是繁琐且有一定的容错性。外科缝合需要平均放置缝线以平衡组织力量。监督自主性可以产生更加一致的缝合，从而减少愈合时间和瘢痕的形成。研究人员正在研究如何使用监督自主性进行缝合，外科医生可以使用仪器触摸划定伤口的边界，然后系统计算并显示出针头进入和退出点的最佳位置，以平均分布张力在伤口上。外科医生可以调整这些点或者允许机器人在密切监督下自主进行缝合。研究人员已经在实验室中展示了初步结果，但在进行缝合测试之前，需要解决安全牢固地握住手术针、在夹持工具之间交换针头以及管理手术线的松弛等问题。监督自主性还为“远程手术”打开了大门，即经验丰富的外科专家可以在远程位置指导手术。
远程手术有可能大大增加远程地区或自然灾害期间熟练外科医生的可及性。由于光学和电信号固有的时间延迟，专家无法直接控制所有手术仪器的动作，因此任何直接控制回路都会不稳定。监督自主性可以通过允许局部控制手术子任务并进行间歇的远程监督来解决这个问题。远程手术已经通过专用的高速光纤网络得到证明，并正在被研究人员积极探索，但尚未获得临床使用的批准。
将高度自治的外科机器人引入临床实践
在过去的几十年中，机器人辅助微创手术（RAMIS）取得了相当大的进展。RAMIS系统使用细长的直线仪器通过患者皮肤上的小切口进行操作。机器人技术使手术程序更简单，过滤了外科医生的手部颤动，改善了整体人体工程学，并恢复了通常在手动微创手术中无法实现的三维视觉。此外，RAMIS允许生成大量数据，可以用于提高安全性和实施一些自主任务。尽管像达芬奇手术机器人系统用于前列腺切除术和腹部或胸部手术等RAMIS平台取得了成功，但这些系统常常受到其刚性组件设计的限制，这可能使得难以进入身体的某些区域，并可能导致组织损伤。软体机器人是开发更灵活、适应性更强的外科机器人的一种有前景的途径，具备必要的灵活性和刚度调节来安全进行外科手术。软体机器人的关键特点是使用可以变形、弯曲、收缩和改变刚度的材料，将机器人手术的范式推向更安全、更柔软的方向。这些机器人适用于不同的身体部位，例如耳朵、腹部和胸腔，并且既可用于诊断又可用于介入。例如，一种利用液体驱动的软体机器人系统被开发用于增加耳部治疗时患者的舒适度，并安全地将针头引导到所需的注射部位。软体机器人在胃肠道病理诊断中也是一个关键应用领域，因为这些组织具有柔韧性、可伸展性和常常塌陷，需要使用一系列软性和硬性的工作模式。
目前仍存在一些重大的技术挑战。一个主要问题是软体机器人系统在精确度和准确度方面的不足。在传统的外科机器人中，电动马达直接或通过肌腱驱动机器人的机械臂，执行器由不在手术过程中发生变形的刚性组件制成。然而，软体机器人系统依靠材料的变形来实现运动。由此产生的运动更难建模，可能导致位置准确度降低，在外科手术中可能成为一个关键问题。为了克服这一挑战，正在开发基于人工智能、机器学习和数据驱动控制的先进策略，以应对软体机器人高度非线性的运动行为。
将高度自主的外科机器人引入临床
高度自主的外科机器人是未来的外科医生。它们具备独立于外科医生经验和技能的能力，能够标准化患者的治疗结果；它们将人工智能和灵巧工具融合，以比专家外科医生更一致和准确的方式执行任务；它们可以在没有外科医生可用的环境中提供必要的医疗护理，如人类太空飞行任务。这样的机器人将通过使高质量的外科手术普及化并减少纠正性手术的发生来使医疗保健民主化，并从而降低医疗成本。尽管目前大多数系统尚未获得临床批准，但它们在未来肯定会发挥作用。
一般来说，自主外科机器人按照其自主程度（LoA）进行分类，并融合了负责增强外科决策的算法。随着自主程度的提高，机器人在手术中的角色和与系统集成的人工智能的复杂性也会增加。例如，LoA 0（无自主性）的达芬奇手术系统使用人类遥控进行手术，没有使用人工智能；而LoA 1（机器人辅助）的EndoAssist相机支架使用算法限制工具的运动。在更高的自主程度下，外科医生将控制权移交给机器人，机器人使用人工智能来执行外科任务。在LoA 2（任务自主）下，机器人可以使用通过观察学习的方法独立切割组织，例如达芬奇研究套件；而LoA 3（有条件自主）的智能组织自主机器人（STAR）使用机器学习来跟踪软组织的变形，执行缝合的外科计划。LoA 4（高自主）和LoA 5（全自主）的外科系统目前还无法实现，但它们的发展已在望。
在达到最高程度的自主性之前，还有一些技术、法规和社会挑战需要解决。机器人需要更好地检测、处理和应对外科领域中的不可预测变化。这些挑战在软组织手术中将会更加突出，深度学习和人工智能将在预测和应对不断变化的外科场景方面发挥作用。由此产生的技术将面临增加的监管审查，因为目前尚不清楚具备行医能力的系统将如何受到美国食品药品监督管理局（FDA）或其他医疗器械监管机构的监管。这些系统需要证明其安全性超过远程操作，并且在敏感性和特异性方面至少与专家外科医生的临床标准一样好。社会压力也可能会限制采用自主外科机器人，因为在医学领域使用人工智能存在普遍的抵抗。
康复机器人即将出发
康复需要从诊所延伸到社区和家庭，以为患者提供连续的护理。为了实现这一目标，工程师、临床医生和最终用户已经开发出可穿戴机器人，使行动受限的人们能够进行更好的运动练习和体验。尽管这些系统在历史上被视为辅助技术，但正在进行的工作表明，这些便携式和自主机器人及其所捕捉的数据可以导致根本不同的康复方法。人们可以想象一个未来，在诊所中使用可穿戴机器人减轻临床医生的身体负担，同时了解患者特定的功能障碍，然后将这些机器人发送到患者的家中，通过个性化的机器学习算法跟踪他们的康复过程。
硬件和软件的最新技术进步正在促进这种转变的真实世界应用。创新的驱动硬件方法通过电缆驱动或气动驱动机制实现更高的比功率（单位质量功率）。柔软的基于服装的接口可以轻便且不限制用户，使设备能够在辅助运动、机械透明和阻力运动（用于力量训练）之间平滑过渡。这些系统的增加模块化还可以根据个体特定的功能障碍进行定制。除了新的机械设计，基于学习的估计算法现在使用可穿戴传感器来检测和量化运动，控制策略现在将用户纳入控制循环，提供个性化的干预。
可穿戴云连接机器人将开启数据驱动的远程物理康复时代。集成传感器可以为临床医生和用户提供有关重要生物力学和生理指标的反馈，类似于智能健身追踪器。然而，将这种反馈与临床输入进行最佳组合，以引导运动学习和促进行为变化仍然是一个悬而未决的挑战。此外，由于每个个体可用数据有限且个体之间变异性较大，因此在临床人群中开发广义的数据驱动机器学习和人工智能算法尤其复杂。连续的运动评估还增加了对患者进展的时间分辨率，使得更及时准确地检测到性能恶化或改善。
然而，由于传感器漂移、传感器放置、环境变化和用户日常变异性，开发对恢复时间尺度（几个月到几年）噪声鲁棒的估计算法仍然是一个挑战。在真实世界环境中验证这些方法进一步复杂化了缺乏真实场景中的基准数据。如果成功，来自患者和机器人的相应数据可以与机器学习技术结合，确定谁最有可能从特定设备中获益。这种分类将实现对干预措施的高效处方，减少临床医生和患者的成本。该领域将有新的机会研究纵向数据如何为训练参数的个体化提供新方法，例如生物反馈和设备控制器优化。
AI实现了共生式机器人假肢
先进的机器人义肢，如灵巧的义手和电动义腿，引领了一个恢复肢体活动能力的范式转变。这些现代义肢将人工智能嵌入到机器操作中，以实现对用户意图、环境和用户身体状况的适应。这对于人-义肢的共生至关重要——智能义肢和人类使用者在日常生活中无缝地协同工作，成为一个系统。
例如，人工智能实现了对义肢的神经控制。基于用户意图来控制义肢的概念非常有趣。这需要一种有效的神经解码器，能够准确解读通过人类神经肌肉信号传达的用户意图，以控制义肢的运动。从简单的线性分类器到深度学习回归模型，机器学习算法已经成为强大的神经解码方法，可以识别用户对关节运动（例如手腕或膝盖的屈伸）、手抓握模式（例如细微捏取或大力握持）或行走模式（例如起坐转换和平地行走）的意图。机器学习解码器的输出发送到义肢控制器，产生用户期望的肢体运动，实现在任务执行过程中的人-义肢共生。
通过实现人工智能，实现人-义肢的共生，可以适应各种环境和情境。人类的手可以灵巧地与不同大小和材质的物体互动；人的腿在行走时可以适应各种地形。因此，一个共生型义肢也应具备环境适应性。机器视觉已经被应用于义肢控制中，用于创建环境感知。通过应用于义肢手上安装的摄像头所捕获的图像的深度学习算法，机器视觉可以识别预期的抓取对象，从而使义肢手能够准备适当的手腕姿势和手抓握模式或力度以促进抓取动作。同样，安装在义肢腿上的视觉传感器可以识别用户前方的地形，从而自动适应义肢控制，以实现平稳的地形过渡。
由于不同截肢者在其身体状况和运动障碍方面存在较大差异，共生型义肢需要为每个用户提供个性化的辅助。在当前的临床环境中，机器人下肢义肢的个性化控制是通过手动和启发式方法进行的，这种方法不准确且耗时且劳动密集。为了自动化这个过程，研究人员已经开发了强化学习算法和其他数据驱动的优化方法，如贝叶斯优化，通过与人类共同参与进行个性化行走辅助的义肢控制调整。对于基于强化学习的算法来说，义肢个性化过程可能只需5分钟，并且产生的智能AI调优代理可以在不同时间范围内持续产生用户自适应控制。
尽管机器人义肢中的人工智能显示出巨大的潜力，但由于人与机器的紧密联系，人工智能在日常义肢控制中需要更加稳健和安全。此外，人们是否会在认知上体现并信任基于人工智能的义肢也是一个未解决的问题。这些挑战将引导未来的研究努力，使基于人工智能的共生型机器人义肢具备多功能性、安全可靠，并且在截肢用户中具备认知接受性。
参考资料
Michael Yip et al. ,Artificial intelligence meets medical robotics.Science381,141-146(2023).
DOI:10.1126/science.adj3312
