نخستین جراحی زنده مغز با کمک هوش مصنوعی و بینایی ماشین

نخستین جراحی زنده مغز با کمک هوش مصنوعی؛ بینایی ماشین چگونه به جراحان کمک کرد؟

هوش مصنوعی حالا به یکی از حساس‌ترین محیط‌های پزشکی، یعنی اتاق عمل، راه پیدا کرده است. در اتفاقی مهم که در لندن رخ داد، جراحان برای برداشتن تومور مغزی از سامانه‌ای مبتنی بر هوش مصنوعی استفاده کردند که تصاویر زنده حین جراحی را تحلیل می‌کرد و ساختارهای حساس اطراف محل عمل را به آن‌ها نشان می‌داد. این فناوری در جریان جراحی به حفظ بینایی بیمار کمک کرد و نقطه عطفی در استفاده عملی از هوش مصنوعی برای پشتیبانی از جراحی اعصاب به شمار می‌رود.

این عمل در بیمارستان ملی مغز و اعصاب لندن (National Hospital for Neurology and Neurosurgery) و با همکاری پژوهشگران دانشگاه کالج لندن (UCL) انجام شد. نکته متفاوت ماجرا این بود که هوش مصنوعی به تصاویر اسکن‌شده پیش از عمل اکتفا نمی‌کرد؛ بلکه ویدئوی زنده دوربین آندوسکوپی را در همان لحظه بررسی می‌کرد و اطلاعاتی درباره موقعیت ساختارهای مهم در اختیار تیم جراحی قرار می‌داد.

این فناوری به‌معنای انجام جراحی توسط ربات یا واگذاری تصمیم‌های پزشکی به یک الگوریتم نبود. جراح همچنان کنترل کامل عمل را در اختیار داشت و هوش مصنوعی نقش یک ابزار کمکی برای تشخیص بهتر آناتومی و کاهش احتمال آسیب به بافت‌های حساس را ایفا می‌کرد. اهمیت این تجربه دقیقاً در همین همکاری میان تخصص انسانی و تحلیل سریع ماشین است.

اولین جراحی مغز با کمک هوش مصنوعی چگونه انجام شد؟

این جراحی روی مردی ۴۸ ساله به نام Rhys Hibbert انجام شد که به توموری در ناحیه غده هیپوفیز مبتلا بود. این غده کوچک در قاعده مغز قرار دارد و با وجود اندازه محدودش، نقش مهمی در تنظیم فعالیت‌های هورمونی بدن ایفا می‌کند. تومور بیمار به‌تدریج بینایی او را تهدید می‌کرد و در صورت ادامه روند بیماری، احتمال نابینایی وجود داشت.

عمل جراحی در سال ۲۰۲۶ در بیمارستان NHNN لندن انجام شد و جزئیات آن در ماه اوت همان سال به‌صورت عمومی اعلام شد. تیم پزشکی با استفاده از فناوری توسعه‌یافته در دانشگاه UCL توانست تومور را خارج کند و بینایی بیمار را حفظ کند. این بیمار نخستین فردی بود که در یک جراحی زنده مغز از چنین سامانه هوش مصنوعی برای تحلیل هم‌زمان تصاویر عمل کمک گرفت.

دلیل اهمیت این جراحی، موقعیت بسیار حساس تومور بود. غده هیپوفیز در نزدیکی رگ‌های خونی و اعصابی قرار دارد که در کنترل بینایی نقش دارند. فاصله میان این ساختارها بسیار کم است و یک خطای کوچک در تشخیص محل آن‌ها می‌تواند پیامدهای جدی به همراه داشته باشد. در چنین شرایطی، داشتن اطلاعات دقیق از آناتومی محل جراحی اهمیت زیادی دارد.

در روش مورد استفاده، تصاویر دوربین آندوسکوپی به سامانه هوش مصنوعی منتقل می‌شدند. مدل با تحلیل فریم‌های ویدئویی، بخش‌های مهم میدان جراحی را شناسایی می‌کرد و محدوده آن‌ها را به شکل نشانه‌های بصری روی تصویر نمایش می‌داد. به این ترتیب، جراح می‌توانست در کنار مشاهده تصویر اصلی، اطلاعات تکمیلی درباره موقعیت ساختارهای حساس نیز داشته باشد.

هوش مصنوعی دقیقاً چه چیزی را در مغز تشخیص می‌دهد؟

سامانه توسعه‌یافته در UCL از فناوری بینایی ماشین یا Computer Vision استفاده می‌کند. بینایی ماشین شاخه‌ای از هوش مصنوعی است که به رایانه امکان می‌دهد محتوای تصاویر و ویدئوها را تحلیل کند، اشیا و الگوها را تشخیص دهد و اطلاعات بصری را به داده‌های قابل استفاده تبدیل کند.

در این پروژه، مدل برای شناسایی ساختارهای آناتومیکی مهم در تصاویر آندوسکوپی آموزش دیده است. از جمله این ساختارها می‌توان به ناحیه زین ترکی (Sella)، شریان‌های کاروتید و بخش‌هایی از مسیرهای عصبی و استخوانی اطراف غده هیپوفیز اشاره کرد. تشخیص دقیق این نواحی به جراح کمک می‌کند محل‌های حساس را از بخش‌هایی که امکان دستکاری بیشتری دارند، بهتر تفکیک کند.

یکی از قابلیت‌های فنی مهم سیستم، تقسیم‌بندی معنایی تصویر یا Semantic Segmentation است. در این روش، مدل فقط نمی‌گوید یک ساختار در تصویر وجود دارد؛ بلکه تلاش می‌کند محدوده دقیق آن را در سطح پیکسل مشخص کند. این تفاوت مهم است، زیرا در جراحی مغز دانستن موقعیت تقریبی یک رگ یا عصب کافی نیست و مرزهای آن نیز اهمیت دارند.

تفاوت تشخیص تصویر با تقسیم‌بندی پیکسلی

فرض کنید دوربین جراحی تصویری از چند رگ، بافت و ابزار پزشکی ثبت کرده است. یک مدل تشخیص تصویر ممکن است محل تقریبی رگ را با یک کادر مشخص کند؛ اما مدل تقسیم‌بندی پیکسلی تلاش می‌کند مرز واقعی آن را روی تصویر ترسیم کند. این سطح از جزئیات می‌تواند برای راهنمایی در جراحی‌های ظریف مفیدتر باشد، هرچند دقت آن همچنان به کیفیت تصویر و عملکرد مدل وابسته است.

در سامانه UCL، ساختارهای شناسایی‌شده به‌صورت خطوط و نشانه‌های بصری روی تصویر نمایش داده می‌شدند. پژوهشگران از نمایش خطوط پیرامونی به‌جای پوشاندن کامل بافت با رنگ استفاده کردند تا اطلاعات اضافه، دید جراح را مختل نکند. همچنین امکان فعال و غیرفعال کردن نمایش هوش مصنوعی در اختیار تیم جراحی قرار داشت.

مدل هوش مصنوعی چگونه برای جراحی مغز آموزش دید؟

آموزش این سامانه با استفاده از ویدئوهای جراحی قبلی انجام شد. پژوهشگران دانشگاه UCL مجموعه بزرگی از تصاویر و ویدئوهای آندوسکوپی مربوط به عمل‌های جراحی هیپوفیز را بررسی کردند تا مدل با شکل ظاهری ساختارهای مختلف در شرایط واقعی آشنا شود.

طبق مقاله علمی منتشرشده در نشریه Pituitary، داده‌های اولیه این سامانه از ویدئوهای جراحی ۱۱۰ بیمار تهیه شده بود. پژوهشگران ۲۱۵۷ فریم تصویری را از مراحل مهم جراحی انتخاب و ساختارهای موردنظر را در آن‌ها مشخص کردند. این تصاویر توسط افراد آشنا با جراحی هیپوفیز برچسب‌گذاری شدند و یک جراح متخصص نیز بخشی از برچسب‌ها را بررسی کرد.

مدل مورد استفاده بر پایه معماری Vision Transformer و با بهره‌گیری از فناوری DINOv3 توسعه یافته بود. ترنسفورمرهای بینایی می‌توانند ارتباط میان بخش‌های مختلف تصویر را تحلیل کنند و برای تشخیص الگوهای پیچیده بصری به کار بروند. در این پروژه، هدف استفاده از چنین معماری‌ای برای شناسایی دقیق ساختارهای آناتومیکی در تصاویر متغیر حین عمل بود.

آموزش مدل تنها به یک مرحله محدود نماند. با ورود اطلاعات جدید و دریافت بازخورد از تیم جراحی، پژوهشگران عملکرد سیستم را بررسی و نسخه‌های بعدی را اصلاح کردند. این روند اهمیت زیادی دارد؛ زیرا تصاویر واقعی اتاق عمل همیشه مانند نمونه‌های آموزشی واضح و بدون مانع نیستند. ابزارهای جراحی، خون، تغییر زاویه دوربین و تفاوت‌های آناتومیکی می‌توانند تشخیص را دشوار کنند.

پردازش تصاویر جراحی بدون وابستگی به فضای ابری

یکی از نکات فنی قابل‌توجه در این پروژه، نحوه پردازش اطلاعات بود. سامانه برای تحلیل تصاویر زنده به یک زیرساخت پردازشی محلی متکی بود و نیازی به ارسال ویدئوها به سرورهای ابری نداشت. این روش که با عنوان Edge AI شناخته می‌شود، داده‌ها را نزدیک به محل تولیدشان پردازش می‌کند.

در اتاق عمل، تأخیر در نمایش اطلاعات می‌تواند مشکل‌ساز باشد. اگر مدل تصویری را تحلیل کند اما نتیجه با فاصله زمانی زیادی به جراح برسد، ارزش آن برای راهنمایی لحظه‌ای کاهش پیدا می‌کند. به همین دلیل، استفاده از سخت‌افزار قدرتمند در محل و کاهش تأخیر پردازش اهمیت زیادی داشت.

برای اجرای سیستم از پلتفرم NVIDIA IGX Orin و پردازنده گرافیکی NVIDIA RTX A6000 استفاده شد. تصاویر آندوسکوپی با وضوح ۱۹۲۰ در ۱۰۸۰ پیکسل و نرخ ۲۴ فریم بر ثانیه دریافت می‌شدند. طبق گزارش پژوهشی، تأخیر پردازش تا نمایش خروجی در آزمایش‌های پیش از عمل حدود ۵۰ تا ۱۰۰ میلی‌ثانیه بود.

پردازش محلی علاوه بر کاهش وابستگی به اینترنت، می‌تواند از نظر مدیریت داده‌های حساس پزشکی نیز مزیت داشته باشد. البته امنیت اطلاعات فقط به محلی یا ابری بودن پردازش وابسته نیست و عواملی مانند کنترل دسترسی، ذخیره‌سازی، ثبت فعالیت‌ها و سیاست‌های امنیتی بیمارستان نیز اهمیت دارند.

چرا تأخیر چند میلی‌ثانیه‌ای مهم است؟

تصویر جراحی دائماً تغییر می‌کند و ابزارها در میدان دید حرکت می‌کنند. اگر هوش مصنوعی با تأخیر زیاد خروجی ارائه دهد، ممکن است محل نمایش‌داده‌شده با وضعیت فعلی بافت‌ها هماهنگ نباشد. پردازش سریع کمک می‌کند نشانه‌های بصری تا حد امکان با تصویر زنده هماهنگ بمانند؛ هرچند سرعت بالا به‌تنهایی تضمین‌کننده دقت نیست.

نتایج آزمایش بالینی؛ فناوری هنوز در مرحله ارزیابی است

موفقیت جراحی نخستین بیمار توجه زیادی را به خود جلب کرد، اما برای بررسی علمی این فناوری باید به نتایج مطالعه بالینی نیز نگاه کرد. پژوهشگران در مقاله‌ای که سوم اکتبر ۲۰۲۶ در نشریه Pituitary منتشر شد، نتایج ارزیابی اولیه سامانه تقسیم‌بندی آناتومیکی مبتنی بر هوش مصنوعی را در جراحی زنده هیپوفیز گزارش کردند.

در این ارزیابی، هشت بیمار مبتلا به آدنوم هیپوفیز وارد مطالعه شدند. سامانه در شش مورد با موفقیت در محیط جراحی به کار گرفته شد و در دو مورد به دلیل یک مشکل پیکربندی هنگام راه‌اندازی سخت‌افزار، پیش از شروع عمل قابل استفاده نبود. بنابراین نباید تصور کرد که فناوری در تمام موارد بدون نقص اجرا شده است.

پژوهشگران در طول مطالعه، عملکرد مدل و تجربه تیم جراحی را بررسی کردند. بازخوردها به اصلاح نرم‌افزار، سخت‌افزار و رابط کاربری منجر شد. برای نمونه، در نسخه‌های بعدی ساختارهای بیشتری مانند شریان‌های کاروتید به سیستم اضافه شدند و برخی مشکلات مربوط به نمایش نادرست محدوده‌ها مورد توجه قرار گرفتند.

در مواردی که سامانه به‌درستی اجرا شد، پژوهشگران اختلال قابل‌اندازه‌گیری در روند کار جراح یا حوادث بالینی منتسب به هوش مصنوعی گزارش نکردند. با این حال، مطالعه از نظر تعداد بیماران کوچک و از نظر دامنه اجرا محدود بود؛ بنابراین نمی‌توان نتایج آن را به همه جراحی‌های مغز یا تمام بیمارستان‌ها تعمیم داد.

محدودیت‌های هوش مصنوعی در تشخیص ساختارهای حساس مغز

یکی از چالش‌های مهم این فناوری، تشخیص دقیق رگ‌های خونی و ساختارهایی است که ممکن است بخشی از آن‌ها در تصویر پنهان باشند. پژوهش منتشرشده نشان می‌دهد عملکرد مدل در تشخیص ناحیه زین ترکی بهتر از شناسایی شریان‌های کاروتید بوده است. این تفاوت اهمیت زیادی دارد؛ زیرا نمایش اشتباه یک محدوده حساس ممکن است برداشت نادرستی از محل امن یا پرخطر ایجاد کند.

مشکل دیگر زمانی رخ می‌دهد که ابزار جراحی بخشی از تصویر را می‌پوشاند. مدل ممکن است در چنین شرایطی مرزهای تشخیص‌داده‌شده را به‌درستی نمایش ندهد یا بافت‌ها را اشتباه دسته‌بندی کند. تغییر زاویه دوربین و شرایط غیرمعمول آناتومیکی نیز از عواملی هستند که می‌توانند دقت سیستم را تحت تأثیر قرار دهند.

به همین دلیل، پژوهشگران تأکید کرده‌اند که این فناوری هنوز نباید به‌عنوان مرجع مستقل تصمیم‌گیری در جراحی استفاده شود. در مرحله فعلی، نقش آن بیشتر کمک آموزشی و پشتیبانی بصری است و جراح باید خروجی مدل را با دانش تخصصی و سایر ابزارهای ناوبری جراحی ارزیابی کند.

این نکته برای هر فناوری هوش مصنوعی در پزشکی اهمیت دارد: خروجی مدل حتی اگر با درصد اطمینان بالا نمایش داده شود، لزوماً به معنای صحت قطعی آن نیست. سیستم باید در شرایط مختلف آزمایش شود و عملکرد آن در برابر خطاهای احتمالی به‌طور مستمر ارزیابی شود.

آیا هوش مصنوعی می‌تواند جای جراح مغز را بگیرد؟

اتفاقی که در لندن رخ داد، نشانه‌ای از ورود جدی‌تر هوش مصنوعی به اتاق عمل است؛ اما به معنای جایگزینی جراح با ماشین نیست. در این تجربه، جراح تمام مراحل اصلی عمل را مدیریت می‌کرد و هوش مصنوعی فقط اطلاعات تصویری بیشتری در اختیار او قرار می‌داد.

جراحی مغز به تصمیم‌گیری‌های پیچیده‌ای نیاز دارد که فقط به تشخیص یک ساختار در تصویر محدود نمی‌شوند. وضعیت عمومی بیمار، سابقه پزشکی، ویژگی‌های تومور، خون‌ریزی احتمالی و واکنش بافت‌ها در طول عمل باید در نظر گرفته شوند. بسیاری از این تصمیم‌ها به تجربه بالینی و ارزیابی لحظه‌ای جراح وابسته‌اند.

در آینده ممکن است هوش مصنوعی بتواند ابزارهای بیشتری برای تحلیل بافت، شناسایی ابزارهای جراحی، پیش‌بینی برخی خطرها و ارائه راهنمایی‌های دقیق‌تر فراهم کند. با این حال، توسعه چنین قابلیت‌هایی به مطالعات بالینی گسترده، ارزیابی ایمنی و تأیید نهادهای نظارتی نیاز دارد.

کاربردهای آینده بینایی ماشین در جراحی‌های پزشکی

فناوری مورد استفاده در این جراحی فقط به مغز محدود نمی‌شود. تحلیل زنده تصاویر می‌تواند در جراحی‌های لاپاراسکوپی، جراحی‌های رباتیک، عمل‌های مربوط به دستگاه گوارش و دیگر روش‌هایی که با دوربین انجام می‌شوند نیز کاربرد داشته باشد.

در جراحی‌های لاپاراسکوپی، شناسایی رگ‌ها، اعصاب و مجاری حساس می‌تواند به جراح کمک کند هنگام جدا کردن بافت‌ها دقت بیشتری داشته باشد. در جراحی‌های مغز نیز چنین سامانه‌هایی می‌توانند برای مشخص کردن مرز تومور و ساختارهای حیاتی اطراف آن توسعه پیدا کنند.

یکی دیگر از کاربردهای احتمالی، آموزش جراحان است. مدل‌های هوش مصنوعی می‌توانند در جریان مشاهده ویدئوهای جراحی، ساختارهای مهم را مشخص کنند و به دانشجویان و پزشکان در حال آموزش کمک کنند تا ارتباط میان آناتومی و مراحل مختلف عمل را بهتر درک کنند.

ترکیب بینایی ماشین با واقعیت افزوده، تصویربرداری پزشکی و سامانه‌های ناوبری نیز می‌تواند مسیر تازه‌ای برای جراحی‌های دقیق‌تر ایجاد کند. در چنین شرایطی، جراح ممکن است اطلاعاتی را مشاهده کند که از ترکیب تصویر زنده، اسکن‌های قبلی و تحلیل هوش مصنوعی به دست آمده‌اند.

پرسش‌های متداول درباره جراحی مغز با هوش مصنوعی

آیا واقعاً نخستین جراحی مغز با هوش مصنوعی انجام شده است؟

در اوت ۲۰۲۶، بیمارستان NHNN لندن اعلام کرد برای نخستین بار از یک سامانه هوش مصنوعی جهت تحلیل زنده تصاویر حین جراحی مغز و کمک به جراح استفاده کرده است. این فناوری در عمل برداشتن تومور هیپوفیز یک بیمار ۴۸ ساله به کار رفت.

آیا هوش مصنوعی خودش تومور مغزی را خارج کرد؟

خیر. جراحی توسط تیم پزشکی انجام شد و جراح کنترل کامل عمل را در اختیار داشت. هوش مصنوعی تصاویر زنده را تحلیل می‌کرد و ساختارهای حساس را برای کمک به تصمیم‌گیری جراح مشخص می‌کرد.

هوش مصنوعی در جراحی مغز چه چیزهایی را تشخیص می‌دهد؟

این سامانه برای شناسایی ساختارهای آناتومیکی مانند ناحیه زین ترکی و شریان‌های کاروتید آموزش دیده است. هدف آن مشخص کردن محدوده ساختارهای مهم در تصویر آندوسکوپی و کمک به جراح برای تشخیص دقیق‌تر محل عمل است.

فناوری مورد استفاده در این جراحی چه نام دارد؟

این فناوری بر پایه بینایی ماشین و تقسیم‌بندی معنایی تصویر (Semantic Segmentation) ساخته شده است. مدل با تحلیل تصاویر زنده، محدوده ساختارهای مختلف را در سطح پیکسل مشخص می‌کند.

آیا این سیستم به اینترنت و فضای ابری نیاز دارد؟

خیر. سامانه مورد استفاده در این پروژه روی سخت‌افزار پردازشی محلی اجرا می‌شد و برای تحلیل زنده تصاویر به اتصال ابری وابسته نبود. این روش امکان پردازش نزدیک به زمان واقعی را فراهم می‌کند.

آیا جراحی با هوش مصنوعی خطر کمتری دارد؟

این فناوری می‌تواند با ارائه اطلاعات تصویری دقیق‌تر به جراح کمک کند، اما هنوز شواهد کافی برای اثبات کاهش قطعی خطر در تمام جراحی‌ها وجود ندارد. نتایج اولیه امیدوارکننده‌اند، ولی مطالعات بزرگ‌تر و چندمرکزی برای ارزیابی ایمنی و اثربخشی ضروری هستند.

آیا هوش مصنوعی در آینده جایگزین جراحان می‌شود؟

در حال حاضر چنین هدفی برای این فناوری مطرح نیست. کاربرد اصلی آن کمک به جراح در تحلیل تصاویر، تشخیص ساختارهای حساس و تصمیم‌گیری دقیق‌تر است. مسئولیت تصمیم‌های پزشکی و اجرای عمل همچنان بر عهده تیم درمان قرار دارد.

آیا این فناوری در همه بیمارستان‌ها قابل استفاده است؟

خیر. سامانه هنوز در مرحله ارزیابی اولیه بالینی قرار دارد و برای استفاده گسترده به آزمایش‌های بیشتر، بهبود دقت، بررسی عملکرد در مراکز مختلف و دریافت تأییدیه‌های لازم نیاز دارد.

جمع‌بندی؛ همکاری انسان و هوش مصنوعی در اتاق عمل

نخستین جراحی زنده مغز با کمک بینایی ماشین نشان داد هوش مصنوعی می‌تواند از محیط‌های آزمایشگاهی و نرم‌افزارهای تشخیصی فراتر برود و در لحظات حساس یک عمل جراحی نیز اطلاعات مفیدی ارائه کند. در این تجربه، تحلیل زنده تصاویر آندوسکوپی به جراحان کمک کرد ساختارهای مهم اطراف تومور هیپوفیز را بهتر شناسایی کنند و عمل را با حفظ بینایی بیمار به پایان برسانند.

با وجود اهمیت این دستاورد، فناوری هنوز در مراحل ابتدایی ارزیابی بالینی قرار دارد. محدودیت در تشخیص برخی رگ‌ها، خطاهای احتمالی در شرایط دشوار تصویربرداری و نیاز به آزمایش‌های گسترده‌تر نشان می‌دهند که راه استفاده فراگیر از این ابزارها هنوز ادامه دارد.

آنچه این پروژه را ارزشمند می‌کند، جایگزین کردن پزشک با هوش مصنوعی نیست؛ بلکه فراهم کردن ابزارهایی است که بتوانند توانایی تشخیص و تصمیم‌گیری جراح را تقویت کنند. اگر پژوهش‌های آینده ایمنی و اثربخشی این فناوری را تأیید کنند، احتمالاً در سال‌های پیش رو شاهد حضور گسترده‌تر سامانه‌های هوشمند در جراحی‌های پیچیده خواهیم بود.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *