A nova estrutura de simulação de física médica da Nvidia trata os robôs de saúde como sistemas físicos de IA que precisam de experiência incorporada para aprender, não apenas de código.
IA física é o termo que a Nvidia e grande parte da indústria robótica usam agora para descrever máquinas que precisam aprender como o mundo se comporta por meio de contato, força e consequências, em vez de apenas por meio de texto ou imagens.
Um modelo de linguagem aprende com o texto. Um sistema físico de IA aprende com o que acontece quando um cateter encontra a parede de um vaso ou quando um braço robótico aplica muita pressão aos tecidos moles. Esse tipo de aprendizagem normalmente requer um corpo físico operando no mundo físico ou uma simulação detalhada o suficiente para substituí-lo.
Para a robótica da saúde, os corpos físicos que operam em procedimentos reais são escassos, rigorosamente regulamentados e lentos para gerar a gama de cenários que um robô realmente precisa ver. A Simulação de Física Médica é a tentativa da Nvidia de fabricar essa experiência incorporada computacionalmente.
Anunciada como uma adição de código aberto à plataforma Isaac for Healthcare da empresa, a estrutura gera as interações físicas que um robô cirúrgico ou de diagnóstico, de outra forma, precisaria de anos de exposição clínica para encontrar: um fio-guia preso na parede de um vaso calcificado, uma pedra nos rins alojada em um ângulo incomum ou a resposta dos tecidos moles que só aparece em uma pequena fração dos procedimentos.
Nenhum desses casos extremos chega dentro do prazo em uma sala de operações. A simulação permite que os desenvolvedores os gerem sob demanda.
Construindo a intuição física antes que um bisturi se envolva
A estrutura combina duas formas de modelar como os dispositivos se comportam dentro de um corpo.
A simulação da física clássica lida com as regras mecânicas que já são bem compreendidas, como um cateter se dobra, quanta resistência a parede de um vaso aplica, como as forças de contato mudam à medida que um instrumento se move através do tecido. A IA generativa lida com a parte que é mais difícil de codificar manualmente: a dinâmica da cena visual aprendida a partir de dados procedurais, entregue por meio de um componente que a Nvidia chama de Cosmos-H Dreams.
Essa combinação é a proposta física da IA em miniatura. A simulação clássica dá a uma política de robô a física que ela precisa obedecer. A simulação generativa fornece a gama de variações visuais e anatômicas necessárias para generalizar. Reunida e executada em escala em GPUs usando as bibliotecas Warp e Newton da Nvidia, a estrutura pode executar um grande número de ambientes de treinamento paralelos, em vez de uma cena por vez.
A Nvidia afirma que um benchmark executando 8.192 ambientes paralelos reduziu o tempo de treinamento de mais de cinco horas para menos de dois minutos. No entanto, isso demonstra o rendimento – e não a confiabilidade clínica – e não diz nada sobre o desempenho de uma política treinada dessa forma em relação a imagens incompletas, leituras atrasadas de sensores e até mesmo anatomia que está fora de qualquer coisa modelada pela simulação.
Um modelo de linguagem com desempenho inferior em um caso extremo produz uma resposta ruim, mas um sistema físico de IA com desempenho inferior em um caso extremo está operando dentro de um paciente. A abordagem de simulação paralela é um avanço real na rapidez com que os desenvolvedores podem explorar os modos de falha. Se esses modos de falha simulados correspondem ao que realmente acontece de errado em uma sala cirúrgica é outra questão.
Onde a abordagem de incorporação está sendo testada
As organizações que a Nvidia nomeia como pioneiras estão aplicando a abordagem de IA física em diferentes profundidades, e vale a pena ler a lista com isso em mente, em vez de tratá-la como uma lista uniforme de implantações.
A CMR Surgical e a Cambridge Consultants, empresa de engenharia de propriedade da Capgemini, foram mais longe no lado dos dados. A CMR contribuiu com cerca de 500 horas de dados clínicos anônimos de seu sistema robótico cirúrgico Versius para o conjunto de dados Open-H Embodiment, abrangendo procedimentos de colecistectomia, prostatectomia, reparo de hérnia e histerectomia, e a dupla está usando o Cosmos-H Dreams para modelar a física da interação dos tecidos moles e produzir simulações específicas do paciente.
“Os modelos de código aberto nos permitem desenvolver o conhecimento compartilhado, acelerando a inovação responsável e, em última análise, nos dão o potencial de oferecer cuidados mais consistentes e melhores resultados para pacientes em todo o mundo”, disse Chris Fryer, CTO da CMR Surgical.
A Johnson & Johnson MedTech está usando a estrutura junto com um modelo de base baseado no Cosmos para construir um gêmeo digital de sua plataforma endoluminal MONARCH, focada em cenários de cálculos renais em urologia.
A XCath está aplicando-o ao treinamento de políticas de autonomia endovascular, ensinando a um sistema o comportamento físico da navegação nos vasos sanguíneos sem uma mão humana nos controles. A Inner Logic está gerando dados sintéticos para validar a mecânica do dispositivo e afirma que pretende produzir evidências in silico para apoiar submissões regulatórias, embora nenhuma submissão baseada nessas evidências tenha sido confirmada publicamente.
O Medtronic Structural Heart é o primeiro no grupo, explorando a detecção simulada de raios X para pesquisas de navegação por cateter.
Cada um deles é um exercício de treinamento ou uma contribuição para um conjunto de dados. Nenhum é um sistema implantado operando em um paciente com políticas aprendidas dessa forma, e a Nvidia não afirma o contrário.
O caso de código aberto para sistemas físicos de IA
A robótica de saúde carrega um requisito de governação que a maioria das aplicações físicas de IA, incluindo robôs industriais e de armazém, não enfrentam no mesmo grau: os reguladores e os conselhos de revisão clínica precisam de ver como um sistema chegou ao seu comportamento, e não apenas confirmar se o comportamento parecia aceitável nos testes.
Uma estrutura de código aberto permite que os desenvolvedores inspecionem as suposições físicas dentro da simulação, reproduzam resultados em diferentes anatomias e construam uma trilha de evidências adequada para submissão ao FDA ou órgão equivalente.
Esse é um argumento mais forte para a abertura na IA física do que na maioria das categorias de software, onde um pipeline fechado de fornecedores esconde as suposições que, de outra forma, uma equipe precisaria defender perante um regulador. Isso não resolve a questão da validação por si só.
O código aberto permite que revisores externos verifiquem a lógica do modelo, mas não confirma se o comportamento físico do modelo corresponde ao que acontece em um corpo, e essa confirmação ainda precisa vir de testes que nenhuma dessas empresas publicou ainda.
A Nvidia construiu uma infraestrutura que pode encurtar a fase de pré-hardware do desenvolvimento físico de IA para robôs cirúrgicos e de diagnóstico, e executar o treinamento nessa escala em paralelo é diferente da reconstrução de um cenário de simulação personalizado para cada fluxo de trabalho.
Você pode ouvir mais sobre esse assunto no Expo Física de IA.
Veja também: Bristol Myers Squibb compra sistema Nvidia AI para descoberta de medicamentos
Quer saber mais sobre IA e big data dos líderes do setor? Confira a AI & Big Data Expo que acontece em Amsterdã, Califórnia e Londres. O evento abrangente faz parte da TechEx e está localizado junto com outros eventos de tecnologia líderes, incluindo o Cyber Security & Cloud Expo. Clique aqui para mais informações.
AI News é desenvolvido pela TechForge Media. Explore outros eventos e webinars de tecnologia empresarial futuros aqui.
Fontesartificialintelligence
