SRT-H: Ein hierarchisches Framework für autonome Chirurgie mittels sprachkontrolliertem Imitationslernen

Die Forschung zur autonomen Chirurgie hat sich größtenteils auf die Automatisierung einfacher Aufgaben in kontrollierten Umgebungen konzentriert. Echter chirurgischer Anwendungen erfordern jedoch geschickte Manipulation über längere Zeiträume und eine robuste Generalisierung an die inhärente Variabilität von menschlichem Gewebe. Diese Herausforderungen sind mit bestehenden logikbasierten oder konventionellen End-to-End-Lernstrategien schwer zu bewältigen. Um diese Lücke zu schließen, schlagen wir ein hierarchisches Framework zur Ausführung geschickter, langfristiger chirurgischer Schritte vor. Unser Ansatz verwendet eine hochrangige Politik für die Aufgabenplanung und eine niederrangige Politik zur Generierung von niederrangigen Trajektorien. Der hochrangige Planer plant im Sprachraum, generiert aufgabenbezogene oder korrigierende Anweisungen, die den Roboter durch die langfristigen Schritte leiten und helfen, Fehler der niederrangigen Politik zu beheben. Wir haben unser Framework durch Ex-vivo-Experimente zur Cholezystektomie, einem häufig praktizierten minimal-invasiven Verfahren, validiert und Ablationsstudien durchgeführt, um wichtige Komponenten des Systems zu bewerten. Unsere Methode erreicht eine Erfolgsquote von 100 % über acht verschiedene Ex-vivo-Gallenblasen und arbeitet vollständig autonom ohne menschliches Eingreifen. Der hierarchische Ansatz verbesserte die Fähigkeit der Politik, sich von suboptimalen Zuständen zu erholen, die in der hochdynamischen Umgebung realistischer chirurgischer Anwendungen unvermeidlich sind. Diese Arbeit demonstriert die Autonomie auf Schritt-Ebene in einem chirurgischen Eingriff und markiert einen Meilenstein auf dem Weg zur klinischen Bereitstellung autonomer chirurgischer Systeme.