Nvidia lança framework de simulação médica para treinar robôs cirúrgicos com IA física
A Nvidia anunciou um novo framework de simulação médica voltado para robótica em saúde, tratando os robôs cirúrgicos como sistemas de inteligência artificial física que precisam acumular experiência corporal antes de atuarem em pacientes reais. Batizado de Medical Physics Simulation, o recurso foi disponibilizado como código aberto dentro da plataforma Isaac for Healthcare da empresa.
O conceito central por trás da novidade é o que a Nvidia e o setor de robótica chamam de IA física. Diferentemente dos grandes modelos de linguagem, que aprendem a partir de textos e imagens, um sistema de IA física aprende a partir do contato, da força e das consequências físicas das suas ações. Na prática, isso significa compreender o que acontece quando um cateter encosta na parede de um vaso sanguíneo ou quando um braço robótico aplica pressão excessiva sobre tecido mole. Esse tipo de aprendizado normalmente exige um corpo físico operando no mundo real ou uma simulação suficientemente detalhada para substituí-lo.
No campo da robótica cirúrgica, porém, obter dados reais por meio de procedimentos em pacientes é algo escasso, altamente regulado e lento. Não há como reproduzir com frequência os chamados casos de borda, situações raras como um fio-guia que se prende em uma parede vascular calcificada ou um cálculo renal posicionado em ângulo incomum. A proposta do Medical Physics Simulation é justamente fabricar computacionalmente essa experiência corporal que, de outra forma, levaria anos para ser acumulada em ambiente clínico.
O framework combina duas abordagens para modelar o comportamento de dispositivos médicos dentro do corpo humano. A primeira é a simulação de física clássica, responsável pelas regras mecânicas já bem compreendidas, como o modo como um cateter se dobra ou a resistência oferecida por uma parede vascular. A segunda é a IA generativa, encarregada da parte mais difícil de programar manualmente, que envolve a dinâmica visual das cenas, aprendida a partir de dados procedurais por meio de um componente chamado Cosmos-H Dreams. Combinadas, as duas abordagens permitem executar milhares de ambientes de treinamento em paralelo, apoiadas pelas bibliotecas Warp e Newton da Nvidia, que tiram proveito do poder de processamento das unidades de processamento gráfico da empresa.
De acordo com a Nvidia, um benchmark executado com 8.192 ambientes paralelos reduziu o tempo de treinamento de mais de cinco horas para menos de dois minutos. O resultado, no entanto, demonstra capacidade de processamento, e não confiabilidade clínica, já que não há ainda dados públicos sobre o desempenho de políticas de robôs treinadas dessa forma diante de imagens incompletas, leituras de sensores com atraso ou anatomias fora do que foi simulado. A diferença é fundamental: enquanto um modelo de linguagem que erra em um caso raro produz uma resposta incorreta, um sistema de IA física que erra nessas circunstâncias pode estar operando dentro de um paciente.
Diversas empresas e centros de pesquisa já estão utilizando o framework em diferentes estágios. A CMR Surgical e a Cambridge Consultants, firma de engenharia pertencente à Capgemini, foram as que mais avançaram no lado de dados. A CMR contribuiu com cerca de 500 horas de dados clínicos anonimizados, provenientes do seu sistema robótico Versius, abrangendo procedimentos de colecistectomia, prostatectomia, hérnia e histerectomia. O CTO da CMR Surgical, Chris Fryer, afirmou que modelos de código aberto permitem construir sobre conhecimento compartilhado, acelerando a inovação responsável e potencialmente entregando cuidados mais consistentes. Já a Johnson & Johnson MedTech está usando o framework, junto com um modelo de base baseado em Cosmos, para construir um gêmeo digital de sua plataforma MONARCH, voltada para cenários de cálculo renal em urologia.
Outras organizações aparecem em estágios iniciais de adoção. A XCath aplica o framework no treinamento de políticas de autonomia endovascular, ensinando um sistema a navegar por vasos sanguíneos sem comando humano direto. A Inner Logic gera dados sintéticos para validar a mecânica de dispositivos e pretende produzir evidências computacionais para submissões regulatórias, embora nenhuma submissão baseada nesse material tenha sido confirmada publicamente. A Medtronic Structural Heart, por sua vez, está nos estágios mais iniciais, explorando a simulação de sensores de raios-X para pesquisa em navegação de cateteres.
Um ponto destacado pela Nvidia é a justificativa para o modelo de código aberto. Robótica em saúde carrega exigências regulatórias que outros setores da IA física, como indústria e logística, não enfrentam na mesma intensidade. Reguladores e comitês clínicos precisam entender como um sistema chegou a determinado comportamento, e não apenas confirmar que o comportamento pareceu aceitável em testes. Um framework aberto permite que desenvolvedores inspecionem as premissas físicas dentro da simulação, reproduzam resultados em diferentes anatomias e construam uma trilha de evidências adequada a uma submissão regulatória.
A Nvidia construiu, portanto, uma infraestrutura que pode encurtar a fase pré-hardware do desenvolvimento de sistemas de IA física para robôs cirúrgicos e diagnósticos. A possibilidade de rodar treinamentos em escala paralela representa uma mudança em relação à prática anterior de reconstruir uma cena de simulação personalizada para cada fluxo de trabalho. Resta em aberto a validação clínica desses modelos em pacientes reais, etapa que nenhuma das empresas envolvidas publicou até o momento.
