Visualization of decision making process in endovascular treatment and proposal of preoperative plannind method
Project/Area Number |
22K12841
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 90130:Medical systems-related
|
Research Institution | Yamaguchi University |
Principal Investigator |
森 浩二 山口大学, 大学院創成科学研究科, 准教授 (40346573)
|
Project Period (FY) |
2022-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥3,770,000 (Direct Cost: ¥2,900,000、Indirect Cost: ¥870,000)
Fiscal Year 2024: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2022: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
|
Keywords | 血管内治療 / 強化学習 / 可視化 / 操作 / 判断 / 応答性 / ガイドワイヤ / カテーテル / 最適操作 |
Outline of Research at the Start |
血管内治療は,柔軟で細く長いワイヤー状のデバイスを血管の中に送り込む低侵襲な治療法である.術者は,指先でミリ単位以下の精度で,デバイスの根元に押す/引くや左/右回転などの操作を与え,先端を病変部へ誘導する.複雑に曲がっている血管内でのデバイスの挙動は非線形性が強く,予測困難であるので,術者の経験と勘が重視される. この分野にもロボット手術が導入され始め,大きな問題が生じている.熟練医師の経験と勘をロボットに移植できないのである.本研究課題では,強化学習というアルゴリズムを活用して,熟練医師の思考プロセスの可視化することを目的としている.
|
Outline of Annual Research Achievements |
本研究は,強化学習における報酬という定量化可能な指標を用いて血管内治療における医師の判断を可視化することである.研究初年度である本年度は,2つの技術に取り組んだ.一つは血管内治療を模擬した強化学習において,報酬がデバイスの操作にどのような影響をおよぼすか?である.二つ目は,報酬を算出する根拠になるデバイスの応答性(手元操作量とデバイス先端の移動量の比率)を,現実に存在する様々な血管形状で実験的手法を用いて取得する技術の開発である. 前者については,報酬を任意の値に設定する.さらに,危険な場所を仮定し,それを回避すると思われる報酬分布を手動で設計することにより,押す操作や回転操作の重要性を調べた.その結果,危険な場所の反対側の押す操作に対する報酬を高くすることにより危険な場所の回避率は上昇した.また,危険な場所の直前の回転操作に対する報酬の操作では回避率に大きな影響は表れなかった.以上のことから,術者は危険な場所が存在する場合,反対側を押すことを強く意識し,直前での回避操作(回転操作)は重要でないと考えている可能性が示唆された. 後者については,研究協力者である医師に,実際に遭遇する典型的な血管形状をイラスト化してもらい,それに基づいた2次元的な血管模型を作製した.その血管模型内にデバイスを挿入し,その時のデバイス挙動を画像処理によって定量評価した.またそれらの値についてガウス過程回帰やサポートベクターマシーンなどを用いて,影響をおよぼす因子について分析した.その結果,例えば,遠位側血管中心線ねじり回数,遠位側屈曲数,遠位側血管中心線のSUM(θ)/L が大きな値であるほど操作が困難になることを明らかにした.ただしこれらの因子は複雑に絡み合っており,明確にするためには深層機械学習などによる,より高度なデータ分析が必要あろうということが分かった.
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究初年度の計画は,応答性を強化学習の報酬へ変換する方法について検討することである.この計画に従って,血管内治療を模擬した強化学習において,報酬がデバイスの操作にどのような影響をおよぼすか?を調査した.また現実に存在する様々な血管形状で実験的手法を用いて取得することを試みた. 前者の研究から,術者は危険な場所が存在する場合,反対側を押すことを強く意識している可能性を示すことができた.強化学習の報酬分布と医師の行動を結び付けて解釈することは,本研究の目的である.それが仮想的な報酬分布を与えた強化学習研究とはいえ,実現できたことは,本研究課題における仮説である,報酬分布は医師の判断を代表して,それを読み取ることで医師の判断を可視化できるが正しいことを強く示唆するものである. 後者については,研究協力者である医師に,実際に遭遇する典型的な血管形状をイラスト化してもらい,それに基づいた2次元的な血管模型を作製した.その血管模型内にデバイスを挿入し,その時のデバイス挙動を画像処理によって定量評価できるようになった.研究実績で述べたように,血管形状と応答性の関係を明確に整理することに困難が生じるということは,研究計画時に予想されたことであり,想定の範囲内である. これらの成果が得られたことについて,研究計画のとおりであり,おおむね順調に進展しているという判断が適切であると考えている.
|
Strategy for Future Research Activity |
1年目に強化学習における危険部位回避のための報酬設計,および実際の血管形状における応答性を定量評価する実験技術の確立を行った.2年目は,2つの新規技術の開発と1つの技術改良を目指す. 新規技術開発の一つ目は,医師の実際の操作から,強化学習における報酬分布を推測する方法の確立である.これについては,逆強学習という手法が提案されており,論文等で発表されている.この技術を使って血管内治療を想定した逆強化学習プログラムに応用する. 新規技術開発の二つ目は,医師の操作を実際に取得するためのシステムを開発することである.実際の手術では医師はデバイスを指でつかんで操作している.この指の動きを捉えるのは技術的ハードルが高いので,ゲームパッドのようなコントローラーを使って,血管模型内にデバイスを挿入していく装置を開発する.これを使って人が,血管模型内にデバイスを挿入する際に,血管のどの部位で,どのような操作を行うのか?を記録することを目指す. 技術改良は,1年目の研究で明らかになった応答性に関する支配因子の解明である.深層機械学習の技術を応用して,実際に存在するような複雑な血管形状における応答性などに対して,影響をおよぼしている因子の特定やその影響力の大きさなどを評価する方法について検討する.
|
Report
(1 results)
Research Products
(5 results)