تعتبر اللحظات الحاسمة أثناء العمليات الجراحية تحديًا كبيرًا تتطلب تقديرات دقيقة في الوقت الفعلي لتجنب أي أخطاء. هنا يبرز نموذج سيرجكال مامبا (SurgicalMamba) الذي يغير طريقة فهمنا للتعرف على مراحل الجراحة في بيئات العمليات.

اعتمد فريق البحث في تطوير هذه التقنية المدعومة بالذكاء الاصطناعي على نموذج Mamba2، حيث يتميز بالثنائية المهيكلة (structured state-space duality). لكن ما هو التحدي الأساسي الذي يسعى هذا النموذج إلى حله؟

عند استخدام بيئة العمليات، يجب على النظام معرفة المرحلة الحالية من الجراحة بناءً على السياق السابق فقط، مما يعني أن تلقى المعلومات في كل إطار زمني يعتبر أمرًا بالغ الأهمية. ومع ذلك، تطرح مقاطع الفيديو الجراحية ثلاث متطلبات لا تتضح في مقاطع الفيديو التقليدية:
1. تمتد الإجراءات الجراحية لعشرات الآلاف من الإطارات.
2. تتدفق الأوقات بشكل غير منتظم حيث تتخلل فترات طويلة لحظات انتقالية تعريفية قصيرة.
3. المجال البصري محدود، مما يعني وجود ارتباط قوي بين القنوات.

قدمت تقنية سيرجكال مامبا ثلاثة مكونات تتوافق مع الثنائية المهيكلة، حيث استهدفت كل منها تحديًا معينًا:
- **بلوك SSD ذو المسارين**: يُفصل بين الأنظمة طويلة وقصيرة الأمد على مستوى الحالة المتكررة.
- **الخطوات ذات الشدة المعدلة**: وهو تحور زمني مستمر يتكيف مع المعدل الفعال وفقًا لمعلومات المرحلة.
- **إعادة تشكيل الحالة**: عملية تدوير كايلي لكل جزء توفر مزيداً من التفاعل بين القنوات في تكرار SSM.

وبالفعل، أظهرت تقنية سيرجكال مامبا نتائج مذهلة على سبع معايير عامة للتعرف على مراحل الجراحة، حيث حققت دقة 94.6% على Cholec80 و89.5% على AutoLaparo، بينما تعمل بسرعة 119 إطارًا في الثانية على جهاز GPU واحد.

إذا كنت مهتمًا بالابتكارات في مجال الذكاء الاصطناعي والمتعلقة بالجراحة، فإن سيرجكال مامبا هي بالتأكيد تكنولوجيا تستحق المتابعة.