L'échographie carotidienne nécessite des opérateurs qualifiés en raison des dimensions réduites des vaisseaux et de la grande variabilité anatomique, exacerbant ainsi les pénuries de sonographes et les incohérences diagnostiques. Les tentatives d'automatisation antérieures, y compris les approches basées sur des règles avec heuristiques manuelles et l'apprentissage par renforcement entraîné dans des environnements simulés, montrent une généralisabilité limitée et échouent à compléter les flux de travail clinique dans le monde réel. Ici, nous présentons UltraBot, un robot d'échographie carotidienne autonome entièrement basé sur l'apprentissage, atteignant des performances de niveau expert humain grâce à quatre innovations : (1) Un cadre d'apprentissage par imitation unifié pour acquérir des connaissances anatomiques et des compétences opérationnelles de balayage ; (2) Un ensemble de démonstration d'experts à grande échelle (247 000 échantillons, 100 × élargissement), permettant des modèles de fond incarnés avec une forte généralisation ; (3) Un protocole de balayage complet garantissant une couverture anatomique totale pour les mesures biométriques et le dépistage des plaques ; (4) La validation orientée clinique montrant des taux de succès supérieurs à 90 %, une précision de niveau expert, jusqu'à 5,5 × plus de reproductibilité à travers diverses populations non vues. Dans l'ensemble, nous montrons que l'apprentissage profond à grande échelle offre une voie prometteuse vers une échographie autonome de haute précision dans la pratique clinique.
Jiang et al. (Sat,) ont étudié cette question.