AI驱动的超声微型机器人,革新精准医疗新范式

星标“医工学人”,第一时间获取医工交叉领域新闻动态~

在医疗科技的广阔天地中,微型机器人正逐步崭露头角,其在精准医疗领域的应用潜力令人瞩目,例如靶向药物输送和微创手术等。然而,这些微小却复杂的机器人在实际操作中面临着巨大的挑战,包括复杂的动力学、难以复制的微尺度感知能力,以及对无线驱动系统(如超声波)的依赖,使得其精确控制难上加难。传统的控制方法往往力不从心,而强化学习(RL)虽能赋予机器人学习和适应环境的能力,但在微型机器人领域,其对海量训练数据的需求、缓慢的收敛速度以及在新环境中的泛化能力不足等问题,严重阻碍了其实际应用。

 

01

模型基强化学习(MBRL):破解微型机器人控制难题

一项由Mahmoud Medany、Lorenzo Piglia、Liam Achenbach、S. Karthik Mukkavilli 和 Daniel Ahmed等研究人员合作发表在《自然机器智能》(Nature Machine Intelligence)上的突破性研究,为这一困境提供了革命性的解决方案。他们引入了模型基强化学习(MBRL),特别是采用了Dreamer v.3 算法,成功实现了超声驱动自主微型机器人的精确控制与导航。
这项创新技术的核心在于其“基于模型”的学习机制。与传统的强化学习不同,MBRL允许微型机器人在一个“想象”的环境中进行学习和训练。这意味着机器人可以预测未来的状态和动作,从而在无需大量真实物理实验的情况下,高效地掌握复杂的导航技能。这种方法极大地克服了微型机器人数据获取困难、训练周期长等固有挑战。
 

02

AI如何操控微型机器人?

该研究团队设计了一个巧妙的实验设置:一个八边形排列的压电换能器(PZT)环绕着一个人工血管通道。微型机器人由2-5微米直径的生物兼容性微气泡在超声场中自组织形成。通过精确控制PZT的激活与去激活,结合毫秒级的快速切换,研究人员能够利用声压梯度驱动微型机器人在通道内精准移动。

AI在此过程中扮演着至关重要的角色。通过定制的Python代码进行图像采集和处理(如使用Segment Anything模型进行图像分割和实时追踪),MBRL模型能够实时获取微型机器人的当前状态,并根据目标进行智能决策。研究人员还开发了一个基于Pygame的模拟环境,用于微型机器人的预训练,大大缩短了收敛时间,并提高了在物理环境中的适应性。

 

03

卓越性能:仿真到现实的飞跃

MBRL的优势在实验中得到了充分体现。与最先进的无模型强化学习算法PPO相比,MBRL在各种复杂通道(如分支通道、迂回通道和血管通道)中表现出更快的收敛速度和更高的目标导航成功率。例如,在简单的多输出分支通道中,MBRL比PPO快约50倍达到收敛。在复杂的血管通道中,MBRL仅需100万步即可收敛,而PPO则需要约2500万步。

 

更令人兴奋的是,经过仿真环境预训练的模型在实际物理实验中展现出了卓越的泛化能力和适应性。即使在之前从未见过的新通道中,模型也能在短短30分钟的微调后,将成功率从50%提升至90%以上。这表明AI驱动的超声微型机器人有望在真实的复杂生物环境中进行实时操作,例如在复杂的血管系统中进行药物递送或诊断。

 
 

04

未来展望

这项研究为超声驱动微型机器人的自主控制开辟了新的道路,展示了AI在革新生物医学应用中微型机器人技术的巨大潜力。随着技术的不断成熟,我们有理由相信,这些AI控制的超声微型机器人将在疾病诊断、靶向治疗、微创手术等领域发挥关键作用,为人类健康带来革命性的突破。

 

▼参考资料

Medany, M., Piglia, L., Achenbach, L. et al. Model-based reinforcement learning for ultrasound-driven autonomous microrobots. Nat Mach Intell (2025). https://doi.org/10.1038/s42256-025-01054-2

 

 

END

撰文 | 刘瑄伦

编辑 | 周宇茜

审核 | 医工学人理事会

扫码加入医工学人,进入综合及细分领域群聊,参与线上线下交流活动

 

推荐阅读

 

医工学人公众号征稿须知

 

 

AI精准“导航”抑郁症治疗:告别“试错”,拥抱个性化新时代

 

 

医工简报 | 用于空间生物标志物发现的自动化细胞注释与分类技术;双源CBCT短扫描轨迹下的大视野成像技术

 

 

Nature Electronics | “PillTrek”:可吞咽的智能实验室,实时解读肠道健康密码

 

点击关注医工学人

最新直播

图片

 

本篇文章来源于微信公众号: 医工学人

发表回复