Nvidia đặt cược vào AI vật lý để giải quyết bài toán dữ liệu cho robot y tế

Khung mô phỏng Vật lý Y tế (Medical Physics Simulation) mới của Nvidia coi các robot chăm sóc sức khỏe là những hệ thống AI vật lý cần trải nghiệm thực tế để học hỏi, thay vì chỉ dựa vào mã nguồn.

AI vật lý (Physical AI) là thuật ngữ mà Nvidia và phần lớn ngành công nghiệp robot hiện nay sử dụng để mô tả các cỗ máy phải học cách thế giới vận hành thông qua tiếp xúc, lực tác động và hệ quả, thay vì chỉ thông qua văn bản hoặc hình ảnh.

Một mô hình ngôn ngữ học từ văn bản. Một hệ thống AI vật lý học từ những gì xảy ra khi ống thông (catheter) chạm vào thành mạch máu, hoặc khi cánh tay robot tạo áp lực quá mức lên mô mềm. Kiểu học tập đó thường đòi hỏi một cơ thể vật lý hoạt động trong thế giới thực, hoặc một mô phỏng đủ chi tiết để thay thế cho cơ thể đó.

Đối với robot y tế, các cơ thể vật lý hoạt động trong các ca phẫu thuật thực tế rất khan hiếm, bị quản lý chặt chẽ và mất nhiều thời gian để tạo ra các tình huống mà robot thực sự cần trải nghiệm. Medical Physics Simulation là nỗ lực của Nvidia nhằm tạo ra trải nghiệm thực tế đó bằng phương pháp tính toán.

Được công bố như một phần bổ sung mã nguồn mở cho nền tảng Isaac for Healthcare của công ty, khung mô phỏng này tạo ra các tương tác vật lý mà một robot phẫu thuật hoặc chẩn đoán thường phải mất nhiều năm tiếp xúc lâm sàng mới gặp phải: một dây dẫn (guidewire) bị mắc kẹt vào thành mạch bị vôi hóa, một viên sỏi thận nằm ở góc bất thường, hoặc phản ứng của mô mềm chỉ xuất hiện trong một tỷ lệ nhỏ các ca phẫu thuật.

Không có trường hợp ngoại lệ (edge case) nào xảy ra đúng lịch trình trong phòng mổ. Mô phỏng cho phép các nhà phát triển tạo ra chúng theo yêu cầu.

Xây dựng trực giác vật lý trước khi dao mổ được sử dụng

Khung mô phỏng này kết hợp hai cách mô hình hóa cách các thiết bị vận hành bên trong cơ thể.

Mô phỏng vật lý cổ điển xử lý các quy tắc cơ học đã được hiểu rõ, như cách ống thông uốn cong, lực cản của thành mạch máu, hay cách lực tiếp xúc thay đổi khi dụng cụ di chuyển qua mô. AI tạo sinh (Generative AI) xử lý phần khó lập trình thủ công hơn: động lực học của cảnh quan trực quan được học từ dữ liệu quy trình, được cung cấp thông qua một thành phần mà Nvidia gọi là Cosmos-H Dreams.

Sự kết hợp đó chính là bản chất của AI vật lý ở quy mô nhỏ. Mô phỏng cổ điển cung cấp cho chính sách (policy) của robot các quy luật vật lý mà nó cần tuân thủ. Mô phỏng tạo sinh cung cấp cho nó phạm vi biến đổi về hình ảnh và giải phẫu cần thiết để khái quát hóa. Khi kết hợp lại và chạy ở quy mô lớn trên các GPU sử dụng thư viện Warp và Newton của Nvidia, khung mô phỏng này có thể thực hiện số lượng lớn các môi trường huấn luyện song song thay vì từng cảnh một.

Nvidia tuyên bố rằng một bài kiểm tra chạy 8.192 môi trường song song đã rút ngắn thời gian huấn luyện từ hơn năm giờ xuống dưới hai phút. Tuy nhiên, điều đó chỉ chứng minh thông lượng – chứ không phải độ tin cậy lâm sàng – và nó không nói lên điều gì về cách một chính sách được huấn luyện theo cách này hoạt động khi đối mặt với hình ảnh không đầy đủ, dữ liệu cảm biến bị trễ, và thậm chí là cấu trúc giải phẫu nằm ngoài những gì mô phỏng đã mô hình hóa.

Một mô hình ngôn ngữ hoạt động kém trong trường hợp ngoại lệ chỉ tạo ra câu trả lời sai, nhưng một hệ thống AI vật lý hoạt động kém trong trường hợp ngoại lệ lại đang vận hành bên trong cơ thể bệnh nhân. Cách tiếp cận mô phỏng song song là một bước tiến thực sự trong việc tăng tốc độ khám phá các chế độ lỗi của nhà phát triển. Liệu các chế độ lỗi được mô phỏng đó có khớp với những gì thực sự xảy ra trong phòng mổ hay không lại là một câu hỏi khác.

Nơi cách tiếp cận hiện thân (embodiment) đang được thử nghiệm

Các tổ chức mà Nvidia nêu tên là những đơn vị tiên phong đang áp dụng cách tiếp cận AI vật lý ở các mức độ khác nhau, và danh sách này cần được đọc với lưu ý đó thay vì coi đây là một danh sách triển khai đồng nhất.

CMR Surgical và Cambridge Consultants, công ty kỹ thuật thuộc sở hữu của Capgemini, đã đi xa nhất về khía cạnh dữ liệu. CMR đã đóng góp gần 500 giờ dữ liệu lâm sàng ẩn danh từ Hệ thống Robot Phẫu thuật Versius của mình vào bộ dữ liệu Open-H Embodiment, bao gồm các thủ thuật cắt túi mật, cắt tuyến tiền liệt, sửa thoát vị và cắt tử cung, và cả hai đang sử dụng Cosmos-H Dreams để mô hình hóa vật lý tương tác mô mềm và tạo ra các mô phỏng dành riêng cho từng bệnh nhân.

"Các mô hình mã nguồn mở cho phép chúng ta xây dựng dựa trên kiến thức chia sẻ, thúc đẩy đổi mới có trách nhiệm và cuối cùng, mang lại cho chúng ta tiềm năng cung cấp dịch vụ chăm sóc nhất quán hơn và kết quả tốt hơn cho bệnh nhân trên toàn thế giới," Chris Fryer, CTO tại CMR Surgical cho biết.

Johnson & Johnson MedTech đang sử dụng khung mô phỏng này cùng với một mô hình nền tảng dựa trên Cosmos để xây dựng bản sao kỹ thuật số (digital twin) cho nền tảng nội soi MONARCH của mình, tập trung vào các tình huống sỏi thận trong tiết niệu.

XCath đang áp dụng nó vào việc huấn luyện chính sách tự hành nội mạch, dạy cho hệ thống hành vi vật lý khi điều hướng trong mạch máu mà không cần bàn tay con người điều khiển. Inner Logic đang tạo ra dữ liệu tổng hợp để xác thực cơ học thiết bị, và cho biết họ dự định tạo ra bằng chứng in silico để hỗ trợ các hồ sơ pháp lý, mặc dù chưa có hồ sơ nào dựa trên bằng chứng đó được xác nhận công khai.

Medtronic Structural Heart đang ở giai đoạn sớm nhất trong nhóm, khám phá việc mô phỏng cảm biến tia X cho nghiên cứu điều hướng ống thông.

Mỗi trường hợp trên đều là một bài tập huấn luyện hoặc đóng góp dữ liệu. Không có hệ thống nào được triển khai hoạt động trên bệnh nhân với các chính sách được học theo cách này, và Nvidia cũng không khẳng định điều ngược lại.

Lập luận về mã nguồn mở cho các hệ thống AI vật lý

Robot y tế mang theo một yêu cầu quản trị mà hầu hết các ứng dụng AI vật lý khác, bao gồm cả robot công nghiệp và kho bãi, không phải đối mặt ở mức độ tương tự: các cơ quan quản lý và hội đồng đánh giá lâm sàng cần thấy cách một hệ thống đạt được hành vi của nó, chứ không chỉ xác nhận rằng hành vi đó trông có vẻ chấp nhận được trong thử nghiệm.

Một khung mã nguồn mở cho phép các nhà phát triển kiểm tra các giả định vật lý bên trong mô phỏng, tái tạo kết quả trên các cấu trúc giải phẫu khác nhau và xây dựng một lộ trình bằng chứng phù hợp để nộp cho FDA hoặc một cơ quan tương đương.

Đó là một lập luận mạnh mẽ hơn cho tính mở trong AI vật lý so với hầu hết các danh mục phần mềm khác, nơi quy trình đóng của nhà cung cấp che giấu các giả định mà một nhóm sẽ phải giải trình trước cơ quan quản lý. Bản thân nó không giải quyết được vấn đề xác thực.

Mã nguồn mở cho phép các nhà đánh giá bên ngoài kiểm tra logic của mô hình, nhưng nó không xác nhận hành vi vật lý của mô hình khớp với những gì xảy ra trong cơ thể, và sự xác nhận đó vẫn phải đến từ các thử nghiệm mà chưa công ty nào trong số này công bố.

Nvidia đã xây dựng cơ sở hạ tầng có thể rút ngắn giai đoạn tiền phần cứng trong phát triển AI vật lý cho robot phẫu thuật và chẩn đoán, và việc chạy huấn luyện ở quy mô song song này là một sự thay đổi so với việc phải xây dựng lại cảnh mô phỏng tùy chỉnh cho mỗi quy trình làm việc.

Bạn có thể tìm hiểu thêm về chủ đề này tại Physical AI Expo.

Xem thêm: Bristol Myers Squibb mua hệ thống AI của Nvidia để khám phá thuốc.

Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy xem AI & Big Data Expo diễn ra tại Amsterdam, California và London. Sự kiện toàn diện này là một phần của TechEx và được tổ chức cùng địa điểm với các sự kiện công nghệ hàng đầu khác bao gồm Cyber Security & Cloud Expo. Nhấp vào đây để biết thêm thông tin.

AI News được vận hành bởi TechForge Media. Khám phá các sự kiện và hội thảo trực tuyến về công nghệ doanh nghiệp sắp tới tại đây.