En las últimas décadas, la robótica quirúrgica ha experimentado un gran auge, hasta el punto de que hoy en día la presencia de robots en los quirófanos se ha convertido en un hecho cotidiano. Los robots quirúrgicos comerciales que existen en la actualidad se limitan a reproducir los movimientos que realiza el cirujano en una consola maestra, o a responder a sencillos comandos de voz en el caso de los asistentes robóticos camarógrafos, pero es el cirujano el que asume toda la carga de trabajo de la operación. Por ello, hay una tendencia actual que va encaminada al desarrollo de robots con cierto grado de autonomía, que permitan liberar al cirujano de realizar ciertas tareas y de tomar determinadas decisiones. Sin embargo, aún queda mucho camino por recorrer hasta alcanzar el concepto de un robot quirúrgico colaborativo que pueda trabajar de forma autónoma sin la intervención directa del cirujano.

En la presente propuesta se pretende dar un paso más allá en el campo de los robots quirúrgicos autónomos mediante el desarrollo de estrategias de colaboración que permitan al robot asistir al cirujano mediante el control autónomo de la herramienta auxiliar durante una intervención de colecistectomía laparoscópica, sin que éste tenga que estar continuamente comandando las acciones del robot. Para ello, en primer lugar, se propone la implementación de un mapa geométrico del entorno que analice la imagen endoscópica y sea capaz de identificar y localizar tanto el instrumental quirúrgico como las diferentes estructuras anatómicas. Actualmente, las técnicas de análisis de imagen para la identificación de órganos se han limitado a imágenes tomográficas, mientras que el reconocimiento de objetos en imágenes endoscópicas se limita al instrumental quirúrgico. Así, en este proyecto se pretende avanzar en esta línea mediante la identificación de órganos en imágenes endoscópicas reales. Una vez identificados y localizados los diferentes elementos que componen la imagen, se pretende aumentar las capacidades del robot mediante la generación de un mapa semántico que dote de sentido conceptual el estado actual del entorno. En este sentido, el mapa semántico se basará en un sistema de lógica de predicados que permita representar el entorno mediante un conjunto de hechos o situaciones que son verdaderos en un determinado instante. Finalmente, la planificación de movimientos de alto nivel se realizará mediante un algoritmo de aprendizaje profundo por refuerzo. Por un lado, la política de generación de movimientos del robot se modelará mediante una red neuronal que tomará como entrada una representación del entorno dada por la salida de los mapas geométrico y semántico, y la configuración actual del robot. La fusión de estas tres fuentes de información (imagen endoscópica, razonamiento semántico y sensores del robot) permite disponer de una representación completa del entorno, que evite la necesidad de comandos externos del cirujano durante el desempeño de la tarea. Por otro lado, se implementará un algoritmo de aprendizaje por refuerzo que modifique los pesos de la red neuronal entrenada inicialmente en función de los refuerzos que va obteniendo el sistema por medio de la experiencia.