Nvidia Kembangkan Physical AI untuk Latih Robot Medis

Nvidia memperkenalkan pendekatan baru dalam pengembangan robotika kesehatan melalui teknologi Physical AI, yang diyakini mampu mengatasi salah satu hambatan terbesar di industri, yakni keterbatasan data untuk melatih robot medis. Berbeda dengan kecerdasan buatan berbasis bahasa yang belajar dari miliaran teks, Physical AI dirancang untuk memahami dunia melalui interaksi fisik sehingga robot dapat belajar layaknya manusia ketika berhadapan langsung dengan lingkungan nyata.

Untuk mewujudkan visi tersebut, Nvidia meluncurkan Medical Physics Simulation, sebuah framework open source yang menjadi bagian dari platform Isaac for Healthcare. Teknologi ini memungkinkan robot bedah maupun robot diagnostik memperoleh pengalaman virtual melalui simulasi fisika yang realistis, tanpa harus menunggu bertahun-tahun hingga berbagai kasus langka muncul dalam praktik klinis.

Pendekatan ini dinilai dapat mempercepat proses pengembangan robot medis sekaligus memperluas variasi kondisi yang dapat dipelajari sistem AI sebelum diterapkan di lingkungan rumah sakit.

Robot Medis Membutuhkan Pengalaman, Bukan Sekadar Data

Dalam beberapa tahun terakhir, perkembangan Generative AI telah melahirkan berbagai Large Language Model (LLM) yang mampu memahami dan menghasilkan teks dalam berbagai bahasa. Namun, konsep tersebut dinilai belum cukup untuk diterapkan pada robot yang bekerja langsung di dunia nyata.

Menurut Nvidia, Physical AI merupakan sistem kecerdasan buatan yang belajar melalui interaksi fisik. Artinya, robot tidak hanya mengenali gambar atau membaca data, tetapi juga memahami bagaimana suatu objek bereaksi terhadap tekanan, sentuhan, gaya, maupun gerakan.

Sebagai contoh, sebuah robot bedah perlu mengetahui bagaimana kateter akan melengkung ketika melewati pembuluh darah, seberapa besar tekanan yang aman diberikan pada jaringan lunak, atau bagaimana respons tubuh pasien terhadap pergerakan instrumen bedah.

Pengalaman seperti ini sulit diperoleh hanya melalui data digital. Robot memerlukan pengalaman langsung atau simulasi yang memiliki tingkat akurasi sangat tinggi agar mampu belajar menghadapi berbagai kondisi yang mungkin terjadi saat operasi.

Keterbatasan Data Menjadi Tantangan Besar

Berbeda dengan AI berbasis bahasa yang dapat dilatih menggunakan miliaran dokumen dari internet, robot medis memiliki keterbatasan akses terhadap data nyata.

Prosedur medis berlangsung dalam lingkungan yang sangat ketat, baik dari sisi keselamatan pasien maupun regulasi. Robot hanya dapat digunakan pada kondisi tertentu dengan pengawasan tenaga medis, sehingga proses pengumpulan data berlangsung lambat.

Selain itu, tidak semua kondisi klinis dapat ditemui setiap hari. Banyak kasus yang tergolong langka sehingga robot membutuhkan waktu bertahun-tahun untuk mengalaminya apabila hanya mengandalkan prosedur nyata. Kondisi inilah yang mendorong Nvidia mengembangkan Medical Physics Simulation sebagai lingkungan pelatihan virtual.

Melalui framework tersebut, pengembang dapat menciptakan berbagai skenario yang sulit ditemukan di ruang operasi. Misalnya, kawat pemandu (guidewire) yang tersangkut pada pembuluh darah yang mengalami kalsifikasi, batu ginjal dengan posisi tidak lazim, hingga respons jaringan lunak yang hanya muncul pada sebagian kecil pasien.

Dengan simulasi tersebut, robot dapat terus berlatih menghadapi berbagai kemungkinan tanpa harus menunggu kasus serupa benar-benar terjadi.

Menggabungkan Simulasi Fisika dan Generative AI

Medical Physics Simulation dibangun menggunakan dua pendekatan utama yang saling melengkapi.

Pendekatan pertama memanfaatkan simulasi fisika klasik untuk menghitung berbagai aturan mekanis yang sudah dipahami secara ilmiah. Teknologi ini menghitung bagaimana alat medis bergerak di dalam tubuh, bagaimana gaya kontak berubah ketika instrumen menyentuh jaringan, hingga besarnya hambatan yang diberikan pembuluh darah terhadap kateter.

Sementara itu, pendekatan kedua menggunakan Generative AI melalui komponen bernama Cosmos-H Dreams. Teknologi ini bertugas menghasilkan variasi visual dan anatomi berdasarkan data prosedur medis sehingga simulasi menjadi jauh lebih beragam.

Dengan mengombinasikan kedua teknologi tersebut, robot tidak hanya memahami hukum fisika, tetapi juga mampu belajar menghadapi variasi kondisi pasien yang sangat beragam.

Framework ini dijalankan menggunakan GPU Nvidia dengan dukungan pustaka Warp dan Newton, sehingga ribuan lingkungan simulasi dapat diproses secara bersamaan.

Pelatihan Ribuan Simulasi Sekaligus

Salah satu keunggulan utama Medical Physics Simulation adalah kemampuannya menjalankan simulasi dalam jumlah besar secara paralel. Nvidia mengungkapkan bahwa framework tersebut mampu mengoperasikan hingga 8.192 lingkungan simulasi pada waktu yang sama.

Melalui pendekatan ini, waktu pelatihan AI dapat dipangkas secara signifikan, dari lebih dari lima jam menjadi kurang dari dua menit pada salah satu pengujian internal perusahaan.

Meski demikian, Nvidia menegaskan bahwa peningkatan tersebut menunjukkan efisiensi komputasi, bukan berarti robot telah siap digunakan untuk menangani pasien. Masih terdapat sejumlah tantangan yang harus dihadapi sebelum teknologi ini benar-benar dapat diterapkan di lingkungan klinis.

Misalnya, bagaimana sistem merespons gambar medis yang kualitasnya kurang baik, keterlambatan pembacaan sensor, maupun kondisi anatomi pasien yang belum pernah muncul dalam data simulasi. Perbedaan ini menjadi penting karena kesalahan pada sistem Physical AI memiliki konsekuensi yang jauh lebih besar dibandingkan AI berbasis teks.

Jika chatbot menghasilkan jawaban yang keliru, dampaknya mungkin hanya berupa informasi yang tidak akurat. Sebaliknya, jika robot bedah melakukan kesalahan saat berada di dalam tubuh pasien, risiko yang ditimbulkan dapat memengaruhi keselamatan pasien.

Karena itu, simulasi tetap harus divalidasi melalui pengujian nyata sebelum teknologi tersebut dapat digunakan secara luas.

Sejumlah Perusahaan Mulai Mengadopsi

Sejumlah perusahaan teknologi kesehatan telah mulai menguji framework Physical AI Nvidia sesuai kebutuhan masing-masing.

CMR Surgical bersama Cambridge Consultants menjadi salah satu kontributor terbesar dengan menyumbangkan hampir 500 jam data klinis anonim dari sistem robot bedah Versius Surgical Robotic System ke dalam dataset Open-H Embodiment.

Data tersebut mencakup berbagai prosedur operasi, seperti pengangkatan kantung empedu, prostatektomi, operasi hernia, hingga histerektomi.

Selain menyumbangkan data, kedua perusahaan juga memanfaatkan Cosmos-H Dreams untuk menghasilkan simulasi interaksi jaringan lunak yang disesuaikan dengan karakteristik masing-masing pasien.

Chief Technology Officer CMR Surgical, Chris Fryer, mengatakan bahwa pendekatan open source memungkinkan berbagai pihak berbagi pengetahuan sehingga inovasi dapat berkembang lebih cepat sekaligus meningkatkan kualitas layanan kesehatan di masa depan.

Sementara itu, Johnson & Johnson MedTech menggunakan framework tersebut bersama foundation model berbasis Cosmos untuk membangun digital twin dari platform endoluminal MONARCH. Pengembangannya difokuskan pada simulasi penanganan batu ginjal dalam bidang urologi.

Perusahaan lain, XCath, memanfaatkan teknologi ini untuk melatih sistem navigasi pembuluh darah secara otonom agar robot mampu memahami perilaku fisik ketika bergerak di dalam pembuluh darah tanpa kendali langsung dari dokter.

Adapun Inner Logic menggunakan simulasi untuk menghasilkan data sintetis guna memvalidasi mekanisme perangkat medis. Perusahaan tersebut juga berencana memanfaatkan bukti in silico sebagai bagian dari dokumen pengajuan kepada regulator.

Di sisi lain, Medtronic Structural Heart masih berada pada tahap eksplorasi awal dengan meneliti penggunaan sensor sinar-X virtual dalam simulasi navigasi kateter.

Meski demikian, Nvidia menegaskan bahwa seluruh implementasi tersebut masih sebatas penelitian, pelatihan AI, atau kontribusi data. Belum ada sistem yang digunakan untuk menangani pasien dengan kebijakan AI hasil pelatihan framework ini.

Open Source Permudah Proses Validasi

Salah satu alasan Nvidia merilis Medical Physics Simulation sebagai framework open source adalah untuk mendukung proses validasi yang menjadi syarat utama dalam industri kesehatan.

Robot medis harus memenuhi berbagai persyaratan dari regulator sebelum dapat digunakan pada pasien. Regulator tidak hanya menilai hasil akhir suatu sistem, tetapi juga ingin memahami bagaimana AI mengambil keputusan.

Melalui kode sumber yang terbuka, pengembang dapat memeriksa asumsi fisika yang digunakan dalam simulasi, mengulang pengujian pada berbagai variasi anatomi, hingga membangun dokumentasi ilmiah yang diperlukan untuk proses persetujuan regulator seperti FDA.

Namun demikian, keterbukaan kode bukan berarti seluruh tantangan telah teratasi.

Validasi terhadap perilaku robot tetap harus dilakukan melalui pengujian laboratorium dan uji klinis yang komprehensif. Hingga saat ini, belum ada perusahaan yang mempublikasikan hasil uji klinis robot medis yang sepenuhnya dilatih menggunakan framework Medical Physics Simulation.

Meski masih berada pada tahap awal, langkah Nvidia menunjukkan arah baru dalam pengembangan robotika kesehatan. Dengan memanfaatkan simulasi fisika berskala besar dan Generative AI, perusahaan berharap proses pelatihan robot medis dapat berlangsung jauh lebih cepat, efisien, serta mampu mempersiapkan sistem menghadapi berbagai kondisi yang sulit ditemukan dalam praktik klinis sehari-hari. Apabila berhasil melewati seluruh tahapan validasi, pendekatan Physical AI berpotensi mempercepat hadirnya generasi baru robot medis yang lebih cerdas, adaptif, dan aman untuk mendukung layanan kesehatan modern.