في عالم الجراحة الروبوتية، يعد توقع مسارات الإبرة الجراحية خطوة حاسمة تساهم في تحسين دقة العمليات وتقليل المخاطر. لذا، قدم الباحثون SutureFormer، وهو إطار عمل يعتمد على التعلم المعزز (Reinforcement Learning) ليكون أسلوبًا مبتكرًا في هذا المجال. يعتمد SutureFormer على معالجة مقاطع الفيديو التنظيرية لتوقع حركة الإبرة بدقة عالية، مما يساعد في التخطيط المبكر وتوجيه الحركة في الوقت الفعلي.

تعتمد التقنيات التقليدية لتعلم الحركة من الملاحظات البصرية على تقديرات وصفية قد تتجاهل الارتباطات الزمنية بين خطوات الحركة المتجاورة. ومع استخدام الإشارات المحدودة، يمكن أن يؤدي ذلك إلى صعوبات في نماذج التعلم التقليدية. ولكن من خلال إعادة صياغة هذه المسألة كخيار قرارٍ متسلسل، يتم اعتبار رأس الإبرة كعميل يتحرك خطوة بخطوة في الفضاء البكسل، مما يتيح التقاط تدريجي لحركة الإبرة.

من خلال استخدام SutureFormer، يمكن الاستفادة من بيانات التوجيه المحدودة وتحويلها إلى إشارات مكافأة كثيفة عبر تقنيات استيفاء متقدمة. ميزة أخرى هي قدرة النظام على ترميز مقاطع ذات طول متغير، مما يساعد في التركيز على الإشارات الجانبية المحلية والديناميكيات الزمنية طويلة المدى.

عند إجراء التجارب على مجموعة بيانات جديدة تحتوي على 1,158 مسارًا جراحيًا من 50 مريضًا، أظهر SutureFormer انخفاضًا بنسبة 58.6% في خطأ الإزاحة المتوسطة مقارنةً بأفضل الأساليب المتاحة، مما يدلل على فعاليته في نمذجة تنبؤ مسارات الإبرة كتعلم عمل متسلسل على المستوى البكسلي.

SutureFormer ليس مجرد ابتكار تقني، بل يعد خطوة مهمة نحو جعل العمليات الجراحية أكثر أمانًا وأقل تكلفة، مما يفتح المجال للعديد من التطبيقات المستقبلية في مجال الجراحة الروبوتية.