وبلاگ

نیوزویز – اولین پاسخ دهندگان پزشکی یکی از خطرناک ترین و پرمخاطره ترین نقش ها را در عملیات نظامی و بحران های بشردوستانه بر عهده می گیرند. با رایج‌تر شدن ماهیت جنگ‌ها و فجایع، از پزشکان رزمی و غیرنظامی خواسته می‌شود تا تلفات بیشتری را به‌طور گسترده‌تر و برای مدت طولانی‌تر درمان کنند.

محققان آزمایشگاه فیزیک کاربردی جانز هاپکینز (APL) در لورل، مریلند در حال بررسی این موضوع هستند که چگونه قابلیت‌های نوظهور در هوش مصنوعی (AI)، واقعیت افزوده (AR) و رباتیک می‌توانند از مداخله مشترک تیم‌های مبتنی بر هوش مصنوعی متشکل از دستیاران مجازی پزشکان و روبات‌های مستقل پشتیبانی کنند. .

APL منطقه ماموریت بهداشت ملی در حال همکاری با مرکز تحقیقات پزشکی از راه دور و فناوری پیشرفته ارتش (TATRC) در مورد راه‌هایی برای ترکیب این فناوری‌ها برای اجازه دادن به پزشکان و ماشین‌ها برای همکاری موثر است. در ماه آوریل، یک تیم APL در کنار TATRC برای نشان دادن آخرین فناوری‌های در حال توسعه برای جنگنده‌های آمریکایی در دومین رویداد سالانه فرماندهی تحقیقات و توسعه پزشکی ارتش ایالات متحده در فورت دیتریک، مریلند، کار کرد.

وی خاطرنشان کرد: موقعیت‌های جنگی آینده احتمالاً با تلفات زیاد در مناطقی که تخلیه سریع آن دشوار یا غیرممکن است مشخص می‌شود. دیوید هندلمنرباتیک ارشد در APL بخش تحقیق و توسعه (قرمز). APL نقش منحصر به فردی در کمک به ارتش برای دستیابی به چشم انداز خود برای رباتیک پزشکی و سیستم های خودمختار دارد.

Handelman رهبری یک تیم بین آزمایشگاهی را بر عهده دارد که در حال تحقیق و نشان دادن این است که چگونه دستیارهای مجازی و روباتیک می توانند به پزشکان در بهبود نتایج کمک کنند. این تیم شامل کیسی هانلی از بخش عملیات نامتقارن است، اما هلمز و کوربان ریورا از REDD و اندرو بجر از APL بخش تحقیقات فضایی.

به گفته هندلمن، هوش مصنوعی، AR و روباتیک در مراقبت از نقطه مراقبت متحول خواهند شد. او گفت: ما معتقدیم که دستیاران مجازی مبتنی بر هوش مصنوعی می توانند برای ارائه توصیه های پزشکی به پزشکان و سربازان در این زمینه مورد استفاده قرار گیرند. واقعیت افزوده می تواند تجسم جدیدی از اطلاعات بلادرنگ در مورد وضعیت بیمار ارائه دهد. ما همچنین می خواهیم ربات ها را قادر به انجام تعدادی از وظایف در حمایت از پزشکان کنیم.

او افزود اما راه حل یکپارچه ای وجود ندارد. هندلمن و تیمش به عنوان آزمایش روش تیم‌سازی ربات‌های پزشکی، روی سناریوی مراقبت صحرایی کار می‌کنند که در آن دو ربات به پزشکی که از چندین مصدوم مراقبت می‌کند کمک می‌کنند. پزشک به مصدوم نزدیک می شود و برای کمک به تنفس، تهویه کیسه-دریچه-ماسک را شروع می کند. پزشک از ربات شماره یک – یک ربات چهارپا یک دست – می خواهد که یک کیت لوله گذاری را در نزدیکی خود بیاورد. پس از لوله گذاری بیمار، پزشک کیسه تهویه را به لوله لوله گذاری متصل می کند و آن را به ربات می دهد. ربات بسته بندی بیمار را بر عهده می گیرد تا به پزشک اجازه دهد تا از سایر بیماران مراقبت کند. سپس پزشک از ربات شماره دو – یک ربات چهار پا دیگر – می خواهد تا با استفاده از حسگرهای تخصصی مصدوم را در نزدیکی بررسی کند. این ربات مصدوم را شناسایی می کند، علائم حیاتی را اندازه گیری می کند و داده ها را برای تصمیم گیری بیشتر به پزشک ارسال می کند.

پروژه فعلی این سناریو را از طریق ترکیبی از رفتار ربات نیمه مستقل و همکاری پزشک و ربات زنده می کند.

هندلمن گفت: «ما دریافتیم که استفاده هماهنگ از هوش مصنوعی، AR و روباتیک فرصت‌های منحصر به فردی را برای کمک به پزشکان در این زمینه فراهم می‌کند. وقتی به پزشکان ارتش نشان می‌دهیم که به کجا می‌رویم، به نظر می‌رسد که آنها در مورد احتمالات بسیار هیجان‌زده هستند و ایده‌ها و قابلیت‌های جدیدی را به ما پیشنهاد می‌کنند تا بتوانیم کشف کنیم.» این به طور بالقوه می تواند جان افراد را نجات دهد و سلامت کلی بیماران را بهبود بخشد.

همجوشی تطبیقی ​​انسان و ربات

تلاش برای همجوشی ربات-پزشکی از تحقیقات در حال انجام در APL با حمایت آزمایشگاه تحقیقات ارتش و موسسه نوآوری هوش مصنوعی ارتش برای همجوشی تطبیقی ​​انسان و ربات استفاده می‌کند. این تحقیق هوش مصنوعی و یادگیری ماشینی الهام گرفته از عصبی را برای تقلید از کسب مهارت‌های انسانی برای دستیابی به استقلال قابل تنظیم (تنظیم پویا اینکه آیا انسان‌ها یا روبات‌ها عمل می‌کنند و چه زمانی انجام می‌دهند) و تیم‌سازی انطباقی (برخورد با موقعیت‌های جدید) ترکیب می‌کند.

هندلمن می‌گوید: «اگر می‌توانستیم روشی را که به انسان‌ها آموزش می‌دهیم، از طریق دستورالعمل‌های مکتوب، دستورالعمل‌های گفتاری، حرکات و مثال‌ها، به روبات‌ها آموزش دهیم؟» ما معتقدیم که قابلیت‌های جدید را می‌توان توسط گروه وسیعی از مدرسان و متخصصان موضوعی که برنامه‌نویس نیستند فعال کرد و در نتیجه فرآیند آموزش روبات‌ها را دموکراتیک کرد.

وی افزود: «نکته مهم، با توجه به اینکه برنامه‌های ماموریتی گاهی اوقات از اولین تماس دشمن جان سالم به در نمی‌برند، می‌توان رفتار ربات را در محل، در میدان، تغییر داد تا با محیط‌های پویا، دشمنان و مأموریت‌ها سازگار شود.»

محققان می‌خواهند سیستمی را ایجاد کنند که در آن انسان طرح کلی یک کار را ارائه کند – یک داربست رفتاری بر اساس استراتژی‌های خوب شناخته شده – و به ربات‌ها اجازه دهد تا یاد بگیرند که چگونه وظایف فرعی را انجام دهند تا حجم کار انسان را به حداقل برساند و دامنه راه‌حل‌های بالقوه را گسترش دهند.

“اگر کار کلی به عنوان یک نمودار رفتار یا درخت در نظر گرفته شود، ما می خواهیم که انسان ساختار درخت را ارائه دهد و ربات یاد بگیرد که چگونه “برگ” انتخاب شده را بر اساس انتقال حالت مورد نظر و درک آنچه “خوب” انجام دهد، بیاموزد. هندلمن توضیح داد که عملکرد به نظر می رسد.

این تیم در حال توسعه یک معماری شناختی برای کسب مهارت های رباتیک است تا ترکیب انسان و ربات تطبیقی ​​را امکان پذیر کند. مورد آزمایشی آن‌ها شامل انسان‌هایی است که هدست‌های واقعیت افزوده به سر می‌کنند و با ربات‌های چهار پا برای انجام کارهای مربوط به هوش، مانند حرکت مخفیانه در یک محیط یا جستجوی دشمنان، همکاری می‌کنند.

هندلمن گفت: «تحقیق در حال انجام است، اما یکی از درس‌های اولیه این است که دانش وظایف مشترک ارائه‌شده توسط کتاب‌های بازی چند عاملی می‌تواند به انسان‌ها و روبات‌ها کمک کند تا رفتار هم تیمی‌های خود را ردیابی و پیش‌بینی کنند، و ما معتقدیم که این کار باعث می‌شود شفافیت، مسئولیت پذیری و اعتماد تیم را ارتقا دهید.”