GTC SJ 2026 : IA physique pour la robotique de santé - conception axée simulation et développement accéléré

INTRO

La robotique de santé passe du concept au déploiement, alors que les hôpitaux, les chercheurs et les fabricants de dispositifs utilisent des modèles de fondation, des données synthétiques et des simulations de plus haute fidélité pour faire progresser l’autonomie chirurgicale, la formation et l’efficacité au bloc opératoire.

POINTS CLÉS

Une crise de l’offre et de la demande stimule l’adoption

Les systèmes de santé font face à une demande croissante des patients et à une capacité clinique limitée, ce qui fait de la robotique un levier potentiel de rapidité, de constance et de précision. Le défi est particulièrement aigu, car les environnements de soins sont très dynamiques, depuis l’anatomie changeante pendant une chirurgie jusqu’aux flux de travail hospitaliers en perpétuelle évolution, ce qui exige des modèles d’IA plus généralisables que dans de nombreux contextes industriels.

Les données restent le principal goulot d’étranglement

Les progrès dépendent d’une chaîne complète des données: curation, annotation, recherche, analyse des lacunes, génération synthétique, entraînement et déploiement. En pratique, chaque étape demande beaucoup de travail, et même des services cliniques similaires peuvent étiqueter les mêmes données différemment. Des moments rares mais critiques, comme un saignement ou une lésion accidentelle, ne représentent parfois que 2% à 3% d’une vidéo chirurgicale, ce qui complique la collecte d’assez d’exemples des événements les plus risqués.

Trois évolutions de l’IA remodèlent la robotique de santé

Le secteur s’appuie sur trois avancées plus larges de l’IA physique: des modèles de fondation capables de créer des données physiquement plausibles, des modèles de raisonnement pouvant expliquer les actions, et une simulation plus rapide et plus réaliste. Les développeurs partent de plus en plus de modèles ouverts, y ajoutent des données propriétaires d’hôpitaux ou de dispositifs, puis les complètent par génération synthétique ou simulation fondée sur les premiers principes avant le post-entraînement et les tests.

La chirurgie robotisée a créé une nouvelle source de données

Des chirurgiens ont décrit le robot comme le plus grand changement au bloc opératoire depuis la laparoscopie. Les systèmes robotiques détiennent désormais plus de 30% du marché de la chirurgie mini-invasive, tout en capturant de riches flux de données vidéo et cinématiques. Une grande partie de ces informations reste sous-exploitée, mais les chercheurs commencent à les transformer en modèles de performance visant à améliorer la formation des chirurgiens et, à terme, à permettre des fonctions autonomes.

L’annotation chirurgicale devient plus structurée

Des hôpitaux et groupes de recherche construisent des ontologies chirurgicales partagées pour classifier l’anatomie, les phases procédurales et les gestes. Ces étiquettes de gestes sont particulièrement importantes pour les modèles vidéo-langage-action, car elles relient ce que voit la caméra à ce que le robot doit faire. Les modèles vidéo-langage réduisent aussi le temps nécessaire pour annoter de grands jeux de données chirurgicaux qui dépendaient auparavant de rares cliniciens évaluateurs.

La simulation est repensée pour la chirurgie

Les simulateurs chirurgicaux classiques rendent les scènes pixel par pixel, mais les chercheurs testent des approches qui partent d’une image chirurgicale réelle puis simulent l’interaction avec les tissus à l’aide de la cinématique robotique et de modèles appris. L’objectif est de produire des environnements d’entraînement plus réalistes et plus évolutifs, pour les chirurgiens comme pour les robots. Selon leurs défenseurs, il ne s’agit pas seulement d’une amélioration technique mais d’une nécessité éthique, car beaucoup d’apprenants acquièrent encore des compétences robotiques complexes sur des patients vivants plutôt que dans des simulations suffisamment performantes.

La chirurgie autonome progresse par étapes au niveau des tâches

Une équipe de Johns Hopkins a présenté des systèmes d’apprentissage par imitation capables d’exécuter des tâches robotiques clés comme le soulèvement de tissus, la prise d’aiguille, le passage d’objet et le nouage, certaines avec des taux de réussite de 100% dans des études contrôlées. La même approche a été étendue à une phase plus complexe de l’ablation de la vésicule biliaire, où un système autonome a clipé et sectionné le canal biliaire et l’artère cystique dans un modèle porcin ex vivo. Les chercheurs ont indiqué que les anciens systèmes fondés sur des modèles plafonnaient autour de 60% de réussite d’un point de suture au suivant, tandis que les méthodes d’apprentissage amélioraient la robustesse et le passage à l’échelle.

Un grand jeu de données ouvert accélère le développement

Des chercheurs et partenaires ont publié ce qu’ils décrivent comme le plus grand jeu de données publié en robotique chirurgicale, avec plus de 150,000 trajectoires et environ 1 téraoctet de données. La collection avait déjà suscité environ 1,000 téléchargements peu après sa publication. Les premiers résultats de réglage fin sur des modèles basés sur GROOT ont suggéré de meilleures performances en suture que les systèmes précédents et un haut niveau de maîtrise avec seulement 33% du jeu de données de suture.

Les systèmes commerciaux utilisent d’abord l’IA sur des problèmes de flux de travail moins risqués

Moon Surgical a indiqué que sa plateforme Maestro, un robot laparoscopique sur chariot à deux bras disponible aux États-Unis et dans l’UE, a été utilisée dans près de 3,000 interventions. Plutôt que de commencer par une autonomie à haut risque, l’entreprise se concentre sur l’optimisation de l’installation, le déploiement des bras et le suivi de caméra, y compris sa fonction Scope Pilot qui permet à un chirurgien de contrôler effectivement trois instruments avec deux mains. La simulation dans Isaac et la génération de scènes synthétiques avec Cosmos Transfer servent à modéliser l’agencement de la salle, le drapage du patient, la position du lit et le placement du robot.

La robotique orthopédique suit une architecture différente

Lamb Surgical, une entreprise suisse disposant d’une autorisation de la FDA, a affirmé que la robotique des tissus durs a pris du retard sur la chirurgie des tissus mous parce que la plupart des systèmes reposent encore sur un seul bras robotique et une caméra de navigation. Sa réponse est une architecture à trois bras sur le haut du torse, avec deux bras opératoires plus une vision synchronisée, conçue pour fonctionner avec des outils non propriétaires et, à terme, prendre en charge une autonomie supervisée. L’entreprise a indiqué que l’urgence augmente parce que 40% des chirurgiens orthopédiques américains ont déjà plus de 60 ans, ce qui alimente les inquiétudes sur la capacité future à mesure que la population âgée augmente.

CONCLUSION

La robotique de santé passe de prototypes isolés à des pipelines d’IA intégrés, construits sur des données réelles, synthétiques et simulées. La question principale n’est plus de savoir si l’autonomie entrera dans les soins, mais à quelle vitesse les développeurs pourront la rendre sûre, explicable et scalable au bloc opératoire et au-delà.

Sur le même sujet : Nvidia

• →GTC SJ 2026 : la santé réinventée - à la croisée de l’intelligence numérique et de l’autonomie physique· 11 août
• →Firebird lance la plus grande usine d’IA de la région de la CEI en Arménie· 8 août
• →Déployer en toute sécurité des agents autonomes dans votre usine d’IA | AI Factory Insider Ép. 3· 3 août