新系统缝合软组织的效果比外科医生单独操作更好。

在不久的未来，这样的手术场景将成为现实：在明亮的高技术手术室里，精致的机械臂静立于手术台旁。这个自主机器人虽然不会完全独立操刀，但会在接下来的手术中提供辅助，以超乎寻常的精度和更低的风险自主完成关键任务。

手术机器人的病人是一名结肠癌患者。仅仅在美国，每年就有15万余人被诊断出患有结肠癌。唯一能够治愈的治疗方案是切除结肠的病变部分，最好是通过微创腹腔镜手术完成，即通过小切口插入手术工具和小型摄像头进行操作。但这类手术往往颇具挑战。外科医生的技巧、经验和技术是影响手术结果和并发症的最重要因素，而并发症的发生率高达16%。这些并发症会降低患者的生活质量并增加死亡风险，而自主手术机器人有望降低这一概率。

手术过程中，机器人将执行精准度要求极高的任务。外科医生首先会手动控制其动作来切除癌变组织，随后监督机器人独立缝合剩余的健康结肠。通过多种成像方式和实时手术规划，机器人将以亚毫米的精度完成每一针缝合，这是人手无法实现的。因此，缝合线会更牢固、更均匀，从而降低渗漏风险。渗漏是一种危险的并发症，可能因缝合处愈合不良而发生。

虽然自主机器人尚未如前所述那样应用于人体手术，但如今我们已具备实现这种未来式手术的工具，并且其自主性还在不断提升。我们的团队以约翰斯·霍普金斯大学（位于巴尔的摩）阿克塞尔·克里格（Axel Krieger，也是本文作者之一）的机器人实验室为核心，致力于开发能比顶尖外科医生更稳定、更精准地完成重复性复杂任务的机器人。不久之后，患者或许会听到这样一句新问候语：“现在由机器人为您诊疗。”

手术机器人发展史

机器人辅助手术可追溯至1985年，当时美国加州长滩纪念医学中心的外科团队使用经过改装的工业机械臂，将穿刺针精准导入患者脑部进行了活检。虽然手术很成功，但该机器人的制造商西屋电气还是叫停了后续手术，理由是该机器人是针对工业应用设计的，缺乏医学治疗所必需的安全性。尽管遭遇了这一挫折，手术机器人仍在继续发展。1994年，美国监管部门批准了首个手术机器人：自动内窥镜优化定位系统（AESOP），这是一个由语音控制的机械臂，用于腹腔镜摄像定位。2000年问世的达芬奇机器人则是一个远程操控系统，外科医生可以借助它实现对微小器械的精密操作。

外科医生素来谨慎，因此对这项新技术的接受较慢。2012年，美国仅有不到2%的手术使用机器人辅助，但到2018年，这一比例已升至约15%。外科医生发现，机器人确实能为某些手术（如前列腺切除手术）带来明显优势。目前，美国90%以上的此类手术都采用机器人辅助。不过，机器人在其他众多手术中的优势仍不明确。机器人造价昂贵，并且操作它们的外科医生需要接受专门培训，因此部分专家对手术机器人辅助的总体效用提出了质疑。

不过，能够独立完成特定任务的自主机器人系统有望实现更优的表现，而且不需要大量人力培训。外科手术需要极高的精准度、稳定的操作手法及深厚的医学专业知识。学习如何安全地完成专业手术操作需要多年的严格训练，且对人为错误的容错空间极小。借助自主机器人系统，我们能更轻松地满足手术对安全性和一致性的严苛要求。这些机器人可以管理常规任务、避免失误，甚至有可能在极少人为干预下的情况下完成整台手术。

创新需求显而易见，全球外科医生的数量正在快速减少，而需要手术的患者却在持续增加。美国医学院协会2024年的一份报告预测，到2036年，美国将面临多达1.99万名外科医生的缺口。这类机器人能为数百万患者提供高质量手术的机会。那么，为何自主手术尚未普及？

通常，在想象工作场所中的机器人时，我们脑海中浮现的是它们在工厂中执行任务的场景，比如分拣包裹或组装汽车。机器人在此类环境中表现出色，是因为工厂环境可控且任务变化相对较小。以汽车工厂为例，装配线上的机器人会在每辆车完全相同的位置安装完全相同的部件，而外科手术要复杂得多，需要与软组织、血管和器官动态交互，很难轻易实现机器人自动化。与可控的工厂环境不同，每个手术场景都可能出现意外情况，需要实时做出决策。因此我们在日常生活中还看不到机器人的身影；我们周围的世界充满意外，需要随机应变。

开发能够应对人体复杂结构的机器人是一项艰巨的挑战，需要精密的机械设计、创新的影像技术，以及最近兴起的先进人工智能算法。这些算法必须能够实时处理数据，以适应人体不可预测的环境。

STAR：自主手术机器人

2016年是该领域的一个重要里程碑，我们团队的一个机器人系统在活体动物身上完成了首例自主软组织手术。该系统名为智能组织自主机器人（STAR），它在人类外科医生的监督下，使用市售机械臂完成了一头猪的小肠组织缝合。该机器人能够自主地在组织边缘的缝合位置间移动，并等待外科医生的批准后自主放置缝线。这种控制策略名为“监督式自主”，通常用于确保在自动完成关键任务时有外科医生参与。

STAR的缝合首次客观地展示出机器人在自主手术方面的表现优于标准医疗，与人类外科医生相比，STAR实现了更均匀的缝线间距，使得缝合线更加牢固持久。与人类通过腹腔镜技术完成的缝合相比，更坚固的缝合线能承受更高的肠内压力而不发生渗漏。我们认为，这是一项突破性成就，因为这种渗漏是接受胃肠道手术患者最担心的并发症。接受结肠缝合手术的患者中，高达20%的人会出现渗漏，这种渗漏可能引发危及生命的感染，并且可能需要再次手术。

在2016年的这次手术之前，自主软组织手术还被认为是科幻小说中的幻想。软组织会不断移动和变形，每次触碰组织时手术视野都会发生变化，因此不可能使用术前影像来引导机器人的动作。我们也曾因手术影像技术的现状而受阻。与手术镜（用于观察内部手术的细长管状器械）兼容的最佳摄像机缺乏自主机器人导航所需的可量化深度信息。

借助手术器械和影像技术的关键创新，STAR机器人获得了成功。例如，该系统使用了弧形针进行缝合，简化了将针穿过组织所需的动作。此外，新的设计使单个机械臂既能引导针又能控制缝合张力，因此不存在手术视野中器械碰撞的风险。

不过，实现STAR应用的最重要的创新是使用了一种新型双摄像头系统，该系统能够在手术过程中实时跟踪肠道。第一个摄像头提供了彩色图像和关于手术区域的可量化三维信息。利用这些信息，系统通过对肠道组织成像并确定最佳缝合位置，制定了手术计划，计算出了理想的缝合间距。但当时该系统的成像速率被限制在每秒5帧，这对于实时应用来说还不够。

为了解决这个限制，我们引入了第二个近红外摄像头，它每秒可拍摄约20张图像来跟踪放置在目标组织上的近红外标记的位置。如果给定标记的位置在连续两帧之间的移动距离过大，系统就会暂停，并根据较慢的三维成像摄像头的数据更新手术计划。依靠这一策略，STAR得以在二维空间中实时跟踪软组织变形，并可仅在组织移动危及手术成功时更新三维手术计划。

这一版本的STAR在第一次尝试即将缝线放置在正确位置的概率略超50%。在实际应用中，这意味着STAR系统每缝合2.37针，就需要人类操作者移动一次已经刺入皮肤的缝针；人类外科医生手动控制机器人时，每2.27针需要调整一次针位，与使用STAR系统的频率几乎相当。每次调整针位后完成的缝合次数是量化手术过程中对周围组织损伤程度的关键指标。一般来说，手术过程中组织被穿刺的次数越少（对应每次调整完成的缝合次数越多），对患者而言手术效果就越好。

就当时而言，STAR系统是一项革命性的成就。然而，其体积和有限的灵巧性阻碍了医生的使用热情，并且该系统从未用于人类患者。STAR的成像系统比腹腔镜手术中使用的摄像头和内窥镜大得多，因此它只能通过开放式手术进行肠道缝合，这种方法需要通过皮肤切口将肠道拉出。为了让STAR适用于腹腔镜手术，我们需要在手术成像和规划方面进行新一轮的创新。

提升STAR的手术自主性

2020年（研究结果于2022年发表），新一代STAR在软组织手术领域再创纪录：其首次在活体动物（同样是猪的肠道手术）中完成自主腹腔镜手术。该系统配备的新型内窥镜使用了带图案的光线来照亮组织并测量图案的变形程度，可实时生成手术场景的三维图像。更重要的是，该内窥镜尺寸足够小，摄像头可适配腹腔镜手术的切口。

为让STAR适用于腹腔镜手术，我们对其中的每个部件都进行了改造。例如，由于这类手术在患者腹腔的有限空间内进行，我们不得不增加第二个机械臂来维持缝合线的适当张力，同时还需避免与缝合臂发生碰撞。为了帮助STAR自主操控缝线并防止与已完成的缝合缠绕，我们在机器人的手术工具上增加了第二个关节，使其能像手腕一样灵活完成动作。

由于要通过腹腔镜进行肠道缝合，因此必须使用临时缝线固定组织以便STAR的内窥镜能够观察，在完全由外科医生完成这种手术时，这个步骤很常见。但是将肠道固定在腹壁上后，组织会随着动物的每次呼吸而移动。为了抵消这种移动的影响，我们使用了机器学习来检测和测量每次呼吸引起的组织移动，然后引导机器人到达正确的缝合位置。在这些过程中，STAR在缝合第一针前生成了手术计划，检测了腹腔内的组织移动并抵消了其影响，并且在没有外科医生输入的情况下完成了手术计划中的大部分缝合动作。这种控制策略名为“任务自主”，是实现我们设想的未来系统手术完全自主的基本步骤。

虽然最初的STAR检测组织的方法仍依赖于使用近红外标记，但深度学习的最新进展已实现无需标记的自主组织追踪。影像处理中的机器学习技术还将内窥镜直径缩小至10毫米，并实现了同步进行三维成像和实时组织追踪，同时保持了与早期STAR摄像头同样的精准度。

依靠这些技术进步，STAR得以在手术过程中进行精细调整，从而减少了外科医生纠正性操作的次数。在实际应用中，这款新型STAR系统自主完成5.88针缝合才需医生调整一次针位，比医生全程手动操作机器人（这种情况下每针都需引导）的表现优异得多。相比之下，人类外科医生在不借助机器人辅助的情况下进行腹腔镜手术时，几乎每缝一针都需要调整针位。

在研究人员不断探索手术任务自动化边界的过程中，人工智能和机器学习方法很可能持续发挥重要作用。最终，这些方法或将实现手术机器人迄今未能实现的更完整的自动化形态。

手术机器人的未来展望

随着技术进步，自主手术机器人正逐步接近实际临床应用。但要让这些机器人在临床环境中更实用，我们需要赋予它们更接近人类的感知与操作能力。机器人可以利用计算机视觉解析视觉数据，利用自然语言处理理解语音指令，并借助先进的动作控制系统实现精准操作。集成这些系统，意味着外科医生可以直接口头指挥机器人“抓住左侧的组织”或者“在这里打结”等。相比之下，在传统机器人手术系统中，每个动作都需要用复杂的数学方程描述。

为了打造这类机器人，我们需要可通过海量手术数据进行学习的通用机器人控制器。这些控制器将在训练中观察专家级外科医生的操作，学习如何应对手术中软组织变形等突发状况。目前机器人手术中使用的是由外科医生直接操控的控制台，与此不同的是，这种未来的机器人控制器将在手术任务中运用人工智能自主管理机器人的动作与决策、减少人为干预需求，同时仍确保机器人在外科医生的监督之下。

用于人类患者的手术机器人将收集海量数据，最终这些机器人系统可以利用这些数据进行训练，学习掌握未被明确教授的任务。由于这些机器人在受控环境中执行重复性操作，因此它们能持续从新数据中学习，从而优化其算法。但挑战在于跨各种平台数据收集，因为医疗数据属于敏感数据，并受到隐私法规的严格约束。要充分发挥机器人的潜力，我们需要在医院、高校和产业界的通力合作下训练这些智能设备。

随着自主机器人进入临床，我们将面临万一出现问题时更加复杂的责任认定难题。传统上外科医生对患者护理负全责，但如果是机器人自主行动，那么责任主体将难以界定：是外科医生、机器人硬件制造商，还是软件开发者？例如，如果机器人错误解读数据，导致手术失误，那么责任在于未进行干预的医生还是技术供应商？要想应对这些情况并确保始终将患者安全放在第一位，明确的指南和法规至关重要。随着技术更加普及，还需确保患者充分知悉自主系统的使用，包括其潜在的优点与相关风险。

得益于当前研发的成像与控制技术，外科医生与自主机器人助手共同接诊的场景将不再遥远。患者开始受益于这些进步时，手术室中的自主机器人将不仅仅是一种可能性，而是医疗领域的新标准。

作者：Justin D. Opfermann, Samuel Schmidgall, Axel Krieger