تُعتبر عملية تسجيل الكبد أثناء العمليات الجراحية واحدة من التحديات الكبرى التي تواجه الأطباء بسبب التحولات الجسدية الكبيرة في الأنسجة الرخوة وقلة القياسات المتاحة خلال الجراحة. ولتبسيط هذه العملية، قامت مجموعة من الباحثين بتقديم إطار MeiBRD (Meta-Learning Intraoperative Biomechanical Residual Deformation) الذي يجمع بين المعرفة البيوميكانيكية وتعلم الآلة.

في هذا الإطار، يُعتبر نموذج البيوميكانيك عبارة عن مبدأ أساسي يمّكن من تقليل تأثير المشاكل المتكررة الناتجة عن قيود البيانات، ولكنه غالبًا ما يُظهر انحيازًا مستمرًا في التوقعات بسبب تبسيط الافتراضات. لذلك، يتمثل الحل المقترح في تعلم دالة تشوه متبقية بدلاً من محاولة تعلم حقل تشوه كامل، حيث يتم تطوير نموذج يُعتمد فيه على وظائف الانتشار المعتمدة على الشبكات العصبية الرسومية مع الانتباه الهندسي، مما يُسهل معالجة البيانات الثلاثية الأبعاد للكبد.

الإبتكار الأكبر يكمن في كيفية استغلال القياسات النادرة: حيث يُنظر إليها على أنها عينات سياقية، مما يتيح التعلم من هذه البيانات لتحسين دقة التسجيل. من خلال تجارب أجريت على مجموعة بيانات لمحاكاة كبد قابل للتشوه، أظهرت النتائج تحسينًا ملحوظًا في دقة التسجيل وقدرة على التعميم مقارنة بالطرق التقليدية مثل النماذج الصلبة والنماذج البيوميكانيكية التي تعتمد على البيانات. يُعتبر هذا التطور خطوة مهمة نحو تحسين نتائج العمليات الجراحية الدقيقة ويُظهر مدى قوة دمج التعلم الآلي مع المعرفة البيوميكانيكية.