CN115103620A - 疼痛估计装置以及疼痛估计方法 - Google Patents

疼痛估计装置以及疼痛估计方法 Download PDF

Info

Publication number
CN115103620A
CN115103620A CN202080096323.9A CN202080096323A CN115103620A CN 115103620 A CN115103620 A CN 115103620A CN 202080096323 A CN202080096323 A CN 202080096323A CN 115103620 A CN115103620 A CN 115103620A
Authority
CN
China
Prior art keywords
information
pain
estimation
examination
estimated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080096323.9A
Other languages
English (en)
Inventor
高山晃一
藤田浩正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Olympus Corp
Original Assignee
Olympus Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Olympus Corp filed Critical Olympus Corp
Publication of CN115103620A publication Critical patent/CN115103620A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4824—Touch or pain perception evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/005—Flexible endoscopes
    • A61B1/009—Flexible endoscopes with bending or curvature detection of the insertion part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0266—Operational features for monitoring or limiting apparatus function

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pain & Pain Management (AREA)
  • Radiology & Medical Imaging (AREA)
  • Optics & Photonics (AREA)
  • Hospice & Palliative Care (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Endoscopes (AREA)

Abstract

疼痛估计装置具有：信息取得部，其构成为进行用于取得估计用插入状况信息的处理，该估计用插入状况信息包含与在一次内窥镜检查中插入到被检者体内的内窥镜的插入部的插入形状有关的估计用插入形状信息、以及与在一次内窥镜检查中施加于插入部的力量有关的估计用操作力量信息中的至少一方；以及疼痛估计处理部，其构成为通过将估计用插入状况信息应用于估计模型来进行处理，从而生成与被检者的疼痛程度有关的疼痛信息，该估计模型是使用事先收集信息来制作的，该事先收集信息包含关于事先收集用插入形状信息和事先收集用操作力量信息中的至少一方与事先收集用疼痛信息之间的关系的信息。

Description

疼痛估计装置以及疼痛估计方法
技术领域
发明涉及在内窥镜检查时使用的疼痛估计装置以及疼痛估计方法。
背景技术
在医疗领域的内窥镜检查中，进行用于将设置于内窥镜的细长的插入部向患者等被检者体内的深部插入的插入操作。并且，在医疗领域的内窥镜检查中，以往提出了取得有助于内窥镜的插入部的插入操作的信息的方案。
具体而言，例如，在国际公开第2018/135018号中，作为有助于内窥镜的插入部的插入操作的信息，公开了用于计算对插入到被检者体内的该插入部施加的力的方法。
在此，在医疗领域的内窥镜检查中，研究了用于估计被插入了内窥镜的插入部的(正在接受内窥镜检查的)的被检者的疼痛程度的方法。
但是，在国际公开第2018/135018号中，未公开用于根据施加于插入到被检者体内的插入部的力来估计该被检者的疼痛程度的具体方法。因此，根据国际公开第2018/135018号所公开的结构，例如产生如下问题：由于进行内窥镜的插入部的插入操作的手术者等用户无法掌握被检者的疼痛程度，有时会对该用户造成过度的负担。
本发明是鉴于上述情况而完成的，目的在于提供一种疼痛估计装置以及疼痛估计方法，能够减轻进行内窥镜的插入部的插入操作的用户的负担。
发明内容
用于解决问题的手段
本发明的一个方式的疼痛估计装置具有：信息取得部，其构成为进行用于取得估计用插入状况信息的处理，所述估计用插入状况信息包含与在一次内窥镜检查中插入到被检者体内的内窥镜的插入部的插入形状有关的估计用插入形状信息、以及与在所述一次内窥镜检查中施加于所述插入部的力量有关的估计用操作力量信息中的至少一方；以及疼痛估计处理部，其构成为通过将所述估计用插入状况信息应用于估计模型来进行处理，从而生成与所述被检者的疼痛程度有关的疼痛信息，所述估计模型是使用事先收集信息来制作的，该事先收集信息包含关于事先收集用插入形状信息和事先收集用操作力量信息中的至少一方与事先收集用疼痛信息之间的关系的信息。
本发明的一个方式的疼痛估计方法具有以下步骤：取得估计用插入状况信息，所述估计用插入状况信息包含与在一次内窥镜检查中插入到被检者体内的内窥镜的插入部的插入形状有关的估计用插入形状信息、以及与在所述一次内窥镜检查中施加于所述插入部的力量有关的估计用操作力量信息中的至少一方；以及通过将所述估计用插入状况信息应用于估计模型来进行处理，从而生成与所述被检者的疼痛程度有关的疼痛信息，所述估计模型是使用事先收集信息来制作的，该事先收集信息包含关于事先收集用插入形状信息和事先收集用操作力量信息中的至少一方与事先收集用疼痛信息之间的关系的信息。
附图说明
图1是示出包含实施方式的疼痛估计装置的内窥镜系统的主要部分的结构的图。
图2是用于说明实施方式的内窥镜系统的具体结构的框图。
图3是示出在实施方式的疼痛估计装置的处理中使用的估计模型的一例的示意图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
例如，如图1所示，内窥镜系统1构成为具有：内窥镜10、主体装置20、插入形状观测装置30、操作力量计测装置40、输入装置50、显示装置60。图1是示出包含实施方式的疼痛估计装置的内窥镜系统的主要部分的结构的图。
内窥镜10构成为具有：插入部11，其插入到患者等被检者体内；操作部16，其设置于插入部11的基端侧；以及通用软线17，其从操作部16延伸设置。另外，内窥镜10构成为经由设置于通用软线17的端部的镜体连接器(未图示)相对于主体装置20装卸自如地连接。另外，在插入部11、操作部16以及通用软线17的内部设置有用于传送从主体装置20供给的照明光的光导110(在图1中未图示)。
插入部11构成为具有挠性和细长形状。另外，插入部11从前端侧起依次设置硬质的前端部12、弯曲自如地形成的弯曲部13、具有挠性的长条的挠性管部14而构成。另外，在前端部12、弯曲部13以及挠性管部14的内部，沿着插入部11的长度方向以规定的间隔配置有产生与从主体装置20供给的线圈驱动信号对应的磁场的多个源线圈18。另外，在插入部11的内部设置有作为用于使从主体装置20供给的气体流通并向前端部12的前方排出的管路而形成的送气通道120(在图1中未图示)。另外，在设置于插入部11的至少一部分的范围的刚性可变范围的内部，沿着插入部11的长度方向设置有刚性可变机构130(在图1中未图示)，该刚性可变机构130构成为能够根据主体装置20的控制来使该刚性可变范围的弯曲刚性发生变化。此外，以下，为了便于说明，将“弯曲刚性”适当简称为“刚性”。
在前端部12设置有照明窗(未图示)，该照明窗用于将由设置于插入部11的内部的光导110传输的照明光射出到被摄体。另外，在前端部12设置有摄像部140(在图1中未图示)，该摄像部140构成为进行与从主体装置20提供的摄像控制信号对应的动作，并且对被经由照明窗射出的照明光照明的被摄体进行拍摄并输出摄像信号。
弯曲部13构成为能够根据设置于操作部16的角度旋钮(未图示)的操作而弯曲。
操作部16构成为具备用户能够把持并操作的形状。另外，在操作部16设置有角度旋钮，该角度旋钮构成为能够进行用于使弯曲部13向与插入部11的长度轴交叉的上下左右这4个方向弯曲的操作。另外，在操作部16设置有能够进行与用户的输入操作对应的指示的1个以上的镜体开关(未图示)。
主体装置20构成为具有1个以上的处理器20P和非暂时性的存储介质20M。另外，主体装置20构成为经由通用软线17相对于内窥镜10装卸自如地连接。另外，主体装置20构成为相对于插入形状观测装置30、输入装置50以及显示装置60的各部装卸自如地连接。另外，主体装置20构成为进行与来自输入装置50的指示对应的动作。并且，主体装置20构成为根据从内窥镜10输出的摄像信号生成内窥镜图像，并且进行用于使该生成的内窥镜图像显示于显示装置60的动作。另外，主体装置20构成为生成并输出用于控制内窥镜10的动作的各种控制信号。另外，主体装置20构成为具备作为疼痛估计装置的功能，进行处理，以对正在接受内窥镜检查的被检者的疼痛程度进行估计并取得估计结果，生成表示该取得的估计结果的疼痛等级信息。另外，主体装置20构成为能够进行用于使显示装置60显示如上述那样生成的疼痛等级信息的动作。
插入形状观测装置30构成为检测从设置于插入部11的各个源线圈18发出的磁场，并且基于检测出的该磁场的强度来取得多个源线圈18各自的位置。另外，插入形状观测装置30构成为生成表示如上述那样取得的多个源线圈18各自的位置的插入位置信息，并向主体装置20输出该插入位置信息。
操作力量计测装置40例如构成为具有肌电传感器，该肌电传感器能够计测在操作内窥镜10的用户的手或臂处产生的肌电位。另外，操作力量计测装置40构成为计测根据操作内窥镜10的用户对插入部11施加的操作力量而产生的电压值，生成表示计测出的该电压值的操作力量信息，并且将该操作力量信息输出到主体装置20。
此外，在本实施方式中，例如，操作力量计测装置40也可以构成为，取得对电压值等进行计测而得到的计测结果，并且生成表示取得的该计测结果的操作力量信息并将其输出到主体装置20，该电压值等根据能够进行内窥镜10的操作的未图示的机器人对插入部11施加的操作力量而产生。
输入装置50例如构成为具有鼠标、键盘以及触摸面板等那样的由用户操作的1个以上的输入接口。另外，输入装置50构成为能够将根据用户的操作而输入的信息和指示输出到主体装置20。
显示装置60例如构成为具有液晶监视器等。另外，显示装置60构成为能够将从主体装置20输出的内窥镜图像等显示在画面上。
如图2所示，内窥镜10构成为具有：源线圈18、光导110、送气通道120、刚性可变机构130以及摄像部140。图2是用于说明实施方式的内窥镜系统的具体结构的框图。
摄像部140例如构成为具有：观察窗，其供来自被照明光照明的被摄体的返回光入射；以及彩色CCD等图像传感器，其对该返回光进行拍摄并输出摄像信号。
如图2所示，主体装置20构成为具有：光源部210、送气部220、刚性控制部230、图像处理部240、线圈驱动信号生成部250、显示控制部260以及系统控制部270。
光源部210例如构成为具有1个以上的LED或1个以上的灯作为光源。另外，光源部210构成为能够产生用于对插入了插入部11的被检者体内进行照明的照明光，并且将该照明光供给到内窥镜10。另外，光源部210构成为能够根据从系统控制部270提供的系统控制信号来使照明光的光量发生变化。
送气部220例如构成为具有送气用的泵和储气瓶等。另外，送气部220构成为根据从系统控制部270提供的系统控制信号，进行用于将储存在储气瓶内的气体供给到送气通道120的动作。
刚性控制部230例如构成为具有刚性控制电路等。另外，刚性控制部230构成为，根据从系统控制部270提供的系统控制信号来控制刚性可变机构130的驱动状态，由此进行用于设定插入部11的刚性可变范围内的刚性的大小的动作。
图像处理部240例如构成为具有图像处理电路。另外，图像处理部240构成为通过对从内窥镜10输出的摄像信号实施规定的处理来生成内窥镜图像，并且将生成的该内窥镜图像输出到显示控制部260和系统控制部270。
线圈驱动信号生成部250例如构成为具有驱动电路。另外，线圈驱动信号生成部250构成为根据从系统控制部270提供的系统控制信号，生成并输出用于驱动源线圈18的线圈驱动信号。
显示控制部260构成为进行用于生成包含从图像处理部240输出的内窥镜图像在内的显示图像的处理，并且进行用于使生成的该显示图像显示于显示装置60的处理。另外，显示控制部260构成为进行用于使显示装置60显示从系统控制部270输出的疼痛等级信息的处理。显示装置60所显示的疼痛等级信息等各种信息被传递给作为用户的医生、或者作为用户以外的医疗从业者的护士等。
系统控制部270构成为生成并输出用于进行与来自操作部16和输入装置50的指示等对应的动作的系统控制信号。另外，系统控制部270构成为具有信息取得部271和疼痛估计处理部272。
信息取得部271构成为基于从插入形状观测装置30输出的插入位置信息，进行用于取得与表示插入到被检者体内的插入部11的插入状况的信息相当的插入状况信息(估计用插入状况信息)的处理。
具体而言，信息取得部271例如构成为，基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值(将在后面说明)，计算与设置于插入部11的多个源线圈18各自的位置对应的多个曲率并取得计算结果，并且生成包含取得的该计算结果的插入状况信息。即，信息取得部271构成为进行计算与插入部11的多个位置分别对应的多个曲率的处理，来作为用于得到与插入到正在接受一次内窥镜检查的被检者体内的插入部11的插入形状有关的信息(估计用插入形状信息)的处理。
疼痛估计处理部272构成为进行用于基于由信息取得部271生成的插入状况信息来取得对被检者的疼痛程度进行估计而得到的估计结果的处理。被检者的疼痛程度的估计结果例如作为规定的多个疼痛等级中的一个疼痛等级来取得。另外，疼痛估计处理部272构成为生成表示如上述那样取得的估计结果的疼痛等级信息(疼痛信息)，并且将生成的该疼痛等级信息输出到显示控制部260。
在此，对本实施方式中的疼痛估计处理部272的结构的具体例进行说明。
疼痛估计处理部272构成为通过使用估计器CLP进行处理，从而得到将与由信息取得部271生成的插入状况信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLP是通过深度学习等学习方法对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLP时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的插入状况信息相同的插入状况信息、以及表示分类结果的标签，该分类结果是将与该插入状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLP例如通过将事先收集信息作为训练数据进行机器学习来制作，该事先收集信息包含事先收集用插入形状信息和表示与该事先收集用插入形状对应的被检者的疼痛程度的事先收集用疼痛信息，来作为事先收集对象。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，例如进行如下作业：将基于被检者的主观评价基准对疼痛程度进行评价而得到的评价结果所对应的标签赋予给插入状况信息，该被检者的主观评价基准例如是具有多个开关的按钮开关的按下状态等，该多个开关根据在内窥镜检查中实际产生于该被检者的疼痛程度而被该被检者按下。或者，在制作上述训练数据时，例如进行如下作业：将基于与被检者不同的专家等人物的客观评价基准对疼痛程度进行评价而得到的评价结果所对应的标签赋予给插入状况信息，与该被检者不同的专家等人物的客观评价基准例如是由对从内窥镜检查中的该被检者发出的脑电波进行测量的脑电波仪得到的波形的分析结果、以及由对产生于该被检者的肌电位进行测量的肌电传感器得到的波形的分析结果等。
因此，根据上述估计器CLP，例如，通过将由信息取得部271生成的插入状况信息所包含的多个曲率作为输入数据输入到神经网络的输入层，能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该插入状况信息对应的被检者的疼痛等级而被估计出的等级。另外，根据使用上述估计器CLP的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的插入状况信息应用于估计器CLP来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLP相当于通过使用在该一次内窥镜检查之前得到的与该插入状况信息相同的信息进行机器学习而制作出的估计模型。
在本实施方式中，主体装置20的至少一部分的功能由处理器20P实现即可。另外，在本实施方式中，主体装置20的至少一部分可以构成为各个电子电路，或者也可以构成为FPGA(Field Programmable Gate Array：现场可编程门阵列)等集成电路中的电路块。另外，通过对本实施方式的结构进行适当变形，例如，计算机也可以从存储器等存储介质20M读入用于执行主体装置20的至少一部分的功能的程序，并且进行与读入的该程序对应的动作。
如图2所示，插入形状观测装置30构成为具有接收天线310和插入位置信息取得部320。
接收天线310例如构成为具有多个线圈，该多个线圈用于对从多个源线圈18分别发出的磁场进行3维检测。另外，接收天线310构成为检测从多个源线圈18分别发出的磁场，并且生成与检测出的该磁场的强度对应的磁场检测信号并将该磁场检测信号输出到插入位置信息取得部320。
插入位置信息取得部320构成为基于从接收天线310输出的磁场检测信号，取得多个源线圈18各自的位置。另外，插入位置信息取得部320构成为生成表示如上述那样取得的多个源线圈18各自的位置的插入位置信息并将该插入位置信息输出到系统控制部270。
具体而言，插入位置信息取得部320例如取得以被插入了插入部11的被检者的规定的位置(肛门等)成为原点或者基准点的方式假想设定的空间坐标系中的多个3维坐标值，来作为多个源线圈18各自的位置。另外，插入位置信息取得部320生成包含如上述那样取得的多个3维坐标值在内的插入位置信息，并将该插入位置信息输出到系统控制部270。
在本实施方式中，插入形状观测装置30的至少一部分可以构成为电子电路，或者也可以构成为FPGA(Field Programmable Gate Array：现场可编程门阵列)等集成电路中的电路块。另外，在本实施方式中，例如，插入形状观测装置30也可以构成为具备1个以上的处理器(CPU等)。
接着，对本实施方式的作用进行说明。
手术者等用户在连接内窥镜系统1的各部并接通电源后，例如将插入部11配置成其前端部12位于被检体的肛门或直肠附近。
信息取得部271基于从插入形状观测装置30输出的插入位置信息，进行用于生成插入状况信息的处理，该插入状况信息包含与设置于插入部11的多个源线圈18各自的位置对应的多个曲率的计算结果。
疼痛估计处理部272将由信息取得部271生成的插入状况信息所包含的多个曲率输入到估计器CLP来进行处理，由此取得与该插入状况信息对应的被检者的疼痛等级的估计结果，并且生成表示取得的该估计结果的疼痛等级信息。然后，疼痛估计处理部272将如上述那样生成的疼痛等级信息输出到显示控制部260。
具体而言，疼痛估计处理部272取得例如将被检者的疼痛程度估计为如下疼痛等级中的任一个疼痛等级的估计结果：与产生于该被检者的疼痛比较大的情况相当的疼痛等级PH、与产生于该被检者的疼痛比较小的情况相当的疼痛等级PL、与不存在产生于该被检者的疼痛的情况相当的疼痛等级PN。
显示控制部260进行用于使显示装置60显示从疼痛估计处理部272输出的疼痛等级信息的处理。
具体而言，例如在从疼痛估计处理部272输出的疼痛等级信息所表示的疼痛等级为PH的情况下，显示控制部260生成表示产生于被检者的疼痛较大的字符串，并且进行用于使生成的该字符串显示于显示装置60的处理。另外，例如在从疼痛估计处理部272输出的疼痛等级信息所表示的疼痛等级为PL的情况下，显示控制部260生成表示产生于被检者的疼痛较小的字符串，并且进行用于使生成的该字符串显示于显示装置60的处理。另外，例如在从疼痛估计处理部272输出的疼痛等级信息所表示的疼痛等级为PN的情况下，显示控制部260生成表示不存在产生于被检者的疼痛的字符串，并且进行用于使生成的该字符串显示于显示装置60的处理。
如上所述，根据本实施方式，能够对产生于正在接受内窥镜检查的被检者的疼痛程度进行估计，并且能够将表示该被检者的疼痛程度的信息提示给用户。因此，根据本实施方式，能够减轻进行内窥镜的插入部的插入操作的用户的负担。
根据本实施方式，例如，信息取得部271也可以基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值，生成2维地表示在内窥镜检查中插入到被检者的插入部11的插入形状的插入形状图像，并且进行用于生成包含生成的该插入形状图像的插入状况信息的处理。换言之，在本实施方式中，信息取得部271也可以构成为，进行生成2维地表示插入部11的插入形状的插入形状图像的处理，来作为用于得到与插入部11的插入形状有关的信息的处理。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272使用估计器CLQ进行处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的插入状况信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLQ是通过深度学习等学习方法对包含输入层、隐藏层以及输出层在内的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLQ时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的插入状况信息相同的插入状况信息、以及表示分类结果的标签，该分类结果是将与该插入状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对插入状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意方来评价疼痛程度而得到的。
因此，根据上述估计器CLQ，例如，通过取得由信息取得部271生成的插入状况信息所包含的插入形状图像的各像素的像素值等多维数据，并将该多维数据作为输入数据输入到神经网络的输入层，从而能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该插入状况信息对应的被检者的疼痛等级而被估计出的等级。另外，根据使用上述估计器CLQ的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的插入状况信息应用于估计器CLQ来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLQ相当于通过使用在该一次内窥镜检查之前得到的与该插入状况信息相同的信息进行机器学习而制作出的估计模型。
根据本实施方式，例如，信息取得部271可以取得估计用操作力量信息作为插入状况信息，该估计用操作力量信息是与在内窥镜检查中施加于插入部11的力量有关的信息。例如，可以通过在一定时间内持续记录从操作力量计测装置40输出的一个电压值来取得具有多个电压值的时间序列数据作为估计用操作力量信息，并且可以进行用于取得包含所取得的该时间序列数据的插入状况信息的处理。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272进行使用估计器CLW的处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的插入状况信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLW是通过深度学习等学习方法来对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLW时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的插入状况信息相同的插入状况信息、以及表示分类结果的标签，该分类结果是将与该插入状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLW例如通过将事先收集信息作为训练数据进行机器学习来制作，该事先收集信息包含事先收集用操作力量信息、和表示与该事先收集用操作力量信息对应的被检者的疼痛程度的事先收集用疼痛信息，来作为事先收集对象。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对检查状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的。
因此，根据上述估计器CLW，例如，通过将由信息取得部271生成的插入状况信息的时间序列数据所包含的多个电压值作为输入数据输入到神经网络的输入层，从而能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该插入状况信息对应的被检者的疼痛等级而被估计出的等级。另外，根据使用上述估计器CLW的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的插入状况信息应用于估计器CLW来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLW相当于通过使用在该一次内窥镜检查之前得到的与该插入状况信息相同的信息进行机器学习而制作出的估计模型。
根据本实施方式，例如，信息取得部271也可以进行用于取得检查状况信息(估计用检查状况信息)的处理，该检查状况信息作为表示一次内窥镜检查中的检查状况的信息，包含插入状况信息和被检者信息(估计用被检者信息)，该插入状况信息是基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值而生成的，该被检者信息相当于检测在输入装置50中输入的信息而得到的与被检者有关的信息。另外，在上述被检者信息中，例如包含表示接受内窥镜检查的被检者的性别的信息、表示该被检者的年龄的信息、表示该被检者的体型的信息、表示该被检者的肠道有无粘连的信息、以及表示该被检者有无使用镇静剂的信息等中的任意1个信息。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272进行使用估计器CLR的处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的检查状况信息所包含的各信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLR是通过深度学习等学习方法来对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLR时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的检查状况信息相同的检查状况信息、以及表示分类结果的标签，该分类结果是将与该检查状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLR例如通过将如下信息作为训练数据进行机器学习来制作：包含事先收集用被检者信息与事先收集用疼痛信息之间的关系的信息、和包含事先收集用插入形状信息与事先收集用疼痛信息之间的关系的事先收集信息。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对检查状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的。
因此，根据上述估计器CLR，例如，通过将由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率和该检查状况信息中的与被检者信息对应的值一并作为输入数据输入到神经网络的输入层，能够取得多个似然度作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该检查状况信息对应的被检者的疼痛等级而估计出的等级。另外，根据使用上述估计器CLR的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的检查状况信息应用于估计器CLR来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLR通过使用在该一次内窥镜检查之前得到的与该检查状况信息相同的信息进行机器学习来制作且被制作成与估计器CLP不同的估计模型。
根据本实施方式，例如，信息取得部271也可以进行用于取得检查状况信息的处理，该检查状况信息作为表示一次内窥镜检查中的检查状况的信息，包含插入状况信息和估计用内窥镜图像信息，该插入状况信息是基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值而生成的，该估计用内窥镜图像信息与从图像处理部240输出的内窥镜图像有关。估计用内窥镜图像信息例如可以是表示对从图像处理部240输出的内窥镜图像实施解析处理而得到的解析结果的解析信息。另外，在上述的解析信息中，例如包含表示是否发生过度接近状态的信息、以及表示该被检者的肠道中有无憩室的信息等中的任意一个信息即可，其中，过度接近状态相当于从内窥镜检查中的(被插入了插入部11的)被检者的肠壁到前端部12的前端面的距离为0或大致为0的状态。另外，上述的是否发生过度接近状态例如能够基于从图像处理部240输出的内窥镜图像整个区域中的红色的区域所占的比例来检测。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272进行使用估计器CLS的处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的检查状况信息所包含的各信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLS是通过深度学习等学习方法来对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLS时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的检查状况信息相同的检查状况信息、以及表示分类结果的标签，该分类结果是将与该检查状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLS例如通过将如下信息作为训练数据进行机器学习来制作：包含事先收集用内窥镜图像信息与事先收集用疼痛信息之间的关系的信息、和包含事先收集用插入形状信息与事先收集用疼痛信息之间的关系的事先收集信息。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对检查状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的。
因此，根据上述估计器CLS，例如，通过将由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率和与该检查状况信息中的解析信息对应的值一并作为输入数据输入到神经网络的输入层，能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该检查状况信息对应的被检者的疼痛等级而估计出的等级。另外，根据使用上述估计器CLS的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的检查状况信息应用于估计器CLS来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLS通过使用在该一次内窥镜检查之前得到的与该检查状况信息相同的信息进行机器学习来制作且被制作成与估计器CLP不同的估计模型。
根据本实施方式，例如，信息取得部271也可以进行用于生成检查状况信息的处理，该检查状况信息作为表示一次内窥镜检查中的检查状况的信息，包含插入状况信息和送气信息(估计用送气信息)，该插入状况信息是基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值而生成的，该送气信息表示检测送气部220的动作状态而得到的检测结果。此外，在上述的送气信息中，例如只要包含表示从送气部220对送气通道120的气体的供给是否持续进行了一定时间以上的信息即可。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272进行使用估计器CLT的处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的检查状况信息所包含的各信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLT是通过深度学习等学习方法来对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLT时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的检查状况信息相同的检查状况信息、以及表示分类结果的标签，该分类结果是将与该检查状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLT例如通过将如下信息作为训练数据进行机器学习来制作：包含事先收集用送气信息与事先收集用疼痛信息之间的关系的信息、和包含事先收集用插入形状信息与事先收集用疼痛信息之间的关系的事先收集信息。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对检查状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的。
因此，根据上述估计器CLT，例如，通过将由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率和与该检查状况信息中的送气信息对应的值一并作为输入数据输入到神经网络的输入层，能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该检查状况信息对应的被检者的疼痛等级而被估计出的等级。另外，根据使用上述估计器CLT的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的检查状况信息应用于估计器CLT来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLT通过使用在该一次内窥镜检查之前得到的与该检查状况信息相同的信息进行机器学习来制作且被制作成与估计器CLP不同的估计模型。
根据本实施方式，例如，信息取得部271也可以进行用于生成检查状况信息的处理，该检查状况信息作为表示一次内窥镜检查中的检查状况的信息，包含插入状况信息和刚性控制信息(估计用刚性可变部动作信息)，该插入状况信息是基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值而生成的，该刚性控制信息表示检测刚性控制部230的动作状态而得到的检测结果。换言之，刚性控制信息是与设置于插入部11的刚性可变部的动作有关的信息。此外，在上述的刚性控制信息中，例如只要包含表示由刚性控制部230设定的刚性的大小的设定值的信息即可。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272进行使用估计器CLU的处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的检查状况信息所包含的各信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLU是通过深度学习等学习方法来对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLU时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的检查状况信息相同的检查状况信息、以及表示分类结果的标签，该分类结果是将与该检查状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLU例如通过将如下信息作为训练数据进行机器学习来制作：包含事先收集用刚性可变部动作信息与事先收集用疼痛信息之间的关系的信息、和包含事先收集用插入形状信息与事先收集用疼痛信息之间的关系的事先收集信息。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对检查状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的。
因此，根据上述估计器CLU，例如，通过将由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率和与该检查状况信息中的刚性控制信息对应的值(刚性的大小的设定值)一并作为输入数据输入到神经网络的输入层，能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该检查状况信息对应的被检者的疼痛等级而被估计出的等级。另外，根据使用上述估计器CLU的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的检查状况信息应用于估计器CLU来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLU通过使用在该一次内窥镜检查之前得到的与该检查状况信息相同的信息进行机器学习来制作且被制作成与估计器CLP不同的估计模型。
根据本实施方式，例如，信息取得部271也可以进行用于生成检查状况信息的处理，该检查状况信息作为表示一次内窥镜检查中的检查状况的信息，包含插入状况信息和内窥镜信息(估计用使用次数信息)，该插入状况信息是基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值而生成的，该内窥镜信息相当于检测在输入装置50中输入的信息而得到的表示内窥镜10的使用次数的信息。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272进行使用估计器CLV的处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的检查状况信息所包含的各信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLV是通过深度学习等学习方法来对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLV时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的检查状况信息相同的检查状况信息、以及表示分类结果的标签，该分类结果是将与该检查状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLV例如通过将如下信息作为训练数据进行机器学习来制作：包含事先收集用使用次数信息与事先收集用疼痛信息之间的关系的信息、和包含事先收集用插入形状信息与事先收集用疼痛信息之间的关系的事先收集信息。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对检查状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的。
因此，根据上述估计器CLV，例如，通过将由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率和与该检查状况信息中的内窥镜信息对应的值一并作为输入数据输入到神经网络的输入层，能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该检查状况信息对应的被检者的疼痛等级而被估计出的等级。另外，根据使用上述估计器CLV的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的检查状况信息应用于估计器CLV来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLV通过使用在该一次内窥镜检查之前得到的与该检查状况信息相同的信息进行机器学习来制作且被制作成与估计器CLP不同的估计模型。
根据本实施方式，例如，信息取得部271也可以进行用于生成检查状况信息的处理，该检查状况信息作为表示一次内窥镜检查中的检查状况的信息，包含插入状况信息和插入部刚性信息(估计用插入部刚性信息)，该插入状况信息是基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值而生成的，该插入部刚性信息表示插入部11的刚性。此外，插入部刚性信息是表示根据插入部11的材质、长度等而预先确定的刚性的大小的信息。即，插入部刚性信息是表示根据插入部11的材质、长度等而预先确定的设计值的信息，与根据用户的操作、刚性控制部230的动作状态来改变刚性的大小的刚性控制信息不同。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272进行使用估计器CLY的处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的检查状况信息所包含的各信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLY是通过深度学习等学习方法来对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLY时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的检查状况信息相同的检查状况信息、以及表示分类结果的标签，该分类结果是将与该检查状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLY例如通过将如下数据作为训练数据进行机器学习来制作：包含事先收集用插入部刚性信息与事先收集用疼痛信息之间的关系的信息、和包含事先收集用插入形状信息与事先收集用疼痛信息之间的关系的事先收集信息。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对检查状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的。
因此，根据上述估计器CLY，例如，通过将由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率和与该检查状况信息中的插入部刚性信息对应的值一并作为输入数据输入到神经网络的输入层，能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该检查状况信息对应的被检者的疼痛等级而被估计出的等级。另外，根据使用上述估计器CLY的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的检查状况信息应用于估计器CLY来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLY通过使用在该一次内窥镜检查之前得到的与该检查状况信息相同的信息进行机器学习来制作且被制作成与估计器CLP不同的估计模型。
根据本实施方式，例如，信息取得部271也可以进行用于生成检查状况信息的处理，该检查状况信息作为表示一次内窥镜检查中的检查状况的信息，包含插入状况信息和插入长度信息(估计用插入长度信息)，该插入状况信息是基于从插入形状观测装置30输出的插入位置信息所包含的多个3维坐标值而生成的，该插入长度信息表示插入部11插入被检者的插入长度。另外，插入长度信息由插入形状观测装置30取得，并且被输入到系统控制部270的信息取得部271。另外，换言之，插入长度信息是暗示插入部11的前端部12正位于肠道的哪个部位(例如，乙状结肠、脾曲部)的信息。
并且，在如上述那样的情况下，只要构成为疼痛估计处理部272进行使用估计器CLX的处理来得到估计结果即可，该估计结果是将与由信息取得部271生成的检查状况信息所包含的各信息对应的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的，该估计器CLX是通过深度学习等学习方法来对包含输入层、隐藏层以及输出层的多层神经网络中的各连接系数(权重)进行学习而制作的。
在制作上述估计器CLX时，例如进行使用训练数据的机器学习，该训练数据包含与由信息取得部271生成的检查状况信息相同的检查状况信息、以及表示分类结果的标签，该分类结果是将与该检查状况信息对应的被检者的疼痛程度分类为规定的多个疼痛等级中的一个疼痛等级而得到的。换言之，估计器CLX例如通过将如下信息作为训练数据进行机器学习来制作：包含事先收集用插入长度信息与事先收集用疼痛信息之间的关系的信息、和包含事先收集用插入形状信息与事先收集用疼痛信息之间的关系的事先收集信息。另外，上述规定的多个疼痛等级例如分别设定为大、小以及无这样的多阶段的等级。另外，在制作上述训练数据时，进行用于对检查状况信息赋予与评价结果对应的标签的作业，该评价结果是基于接受了内窥镜检查的被检者的主观评价基准、和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的。
因此，根据上述估计器CLX，例如，通过将由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率和与该检查状况信息中的插入长度信息对应的值一并作为输入数据输入到神经网络的输入层，能够取得多个似然度来作为从该神经网络的输出层输出的输出数据，该多个似然度分别对应于能够作为与该检查状况信息对应的被检者的疼痛等级而被估计出的等级。另外，根据使用上述估计器CLX的处理，例如，能够得到与从神经网络的输出层输出的输出数据所包含的多个似然度中最高的一个似然度对应的一个疼痛等级，来作为被检者的疼痛等级的估计结果。
即，根据以上说明的处理，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的检查状况信息应用于估计器CLX来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计器CLX通过使用在该一次内窥镜检查之前得到的与该检查状况信息相同的信息进行机器学习来制作且被制作成与估计器CLP不同的估计模型。
根据本实施方式，例如，信息取得部271可以构成为进行用于生成插入状况信息的处理，该插入状况信息包含基于从插入形状观测装置30输出的插入位置信息而取得的多个曲率、和基于从操作力量计测装置40输出的操作力量信息而取得的时间序列数据。换言之，在本实施方式中，只要构成为信息取得部271进行用于生成插入状况信息的处理即可，该插入状况信息作为表示插入到正在接受一次内窥镜检查的被检者体内的插入部11的插入状况的信息，包含与插入部11的插入形状有关的信息、以及根据在该一次内窥镜检查中对插入部11施加的力量而得到的信息中的至少一个。另外，在上述那样的情况下，疼痛估计处理部272例如也可以构成为进行如下处理：基于将由信息取得部271生成的插入状况信息所包含的多个曲率输入到估计器CLP而得到的输出数据、以及将该插入状况信息所包含的时间序列数据输入到估计器CLW而得到的输出数据，来估计被检者的疼痛等级并得到估计结果。
根据本实施方式，疼痛估计处理部272不限于将根据被检者的疼痛等级的估计结果而生成的疼痛等级信息输出到显示控制部260，例如，也可以将该疼痛等级信息输出到未图示的扬声器。并且，在这种情况下，例如能够根据由疼痛估计处理部272生成的疼痛等级信息从扬声器输出不同的警告音或声音。
根据本实施方式，疼痛估计处理部272不限于将根据被检者的疼痛等级的估计结果而生成的疼痛等级信息输出到显示控制部260，例如，也可以将该疼痛等级信息输出到未图示的灯。并且，在这种情况下，例如能够根据由疼痛估计处理部272生成的疼痛等级信息以不同的闪烁间隔使灯发光。
根据本实施方式，疼痛估计处理部272不限于生成表示估计结果的疼痛等级信息并将其输出到显示控制部260，例如，也可以根据该估计结果进一步生成用于引导由用户进行的插入部11的插入操作的操作引导信息，并且将该操作引导信息输出到显示控制部260，该估计结果是将被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的。
具体而言，疼痛估计处理部272例如在得到疼痛等级PH作为被检者的疼痛等级的估计结果的情况下，生成促使插入部11暂时停止的操作引导信息，并且将该操作引导信息输出到显示控制部260。另外，疼痛估计处理部272例如在得到疼痛等级PL作为被检者的疼痛等级的估计结果的情况下，生成促使进行插入部11的插入速度和插入力量等的调整的操作引导信息，并且将该操作引导信息输出到显示控制部260。另外，疼痛估计处理部272例如在得到疼痛等级PN作为被检者的疼痛等级的估计结果的情况下，生成促使维持插入部11的插入速度和插入力量等的操作引导信息，并且将该操作引导信息输出到显示控制部260。另外，疼痛估计处理部272例如在得到疼痛等级PO作为被检者的疼痛等级的估计结果的情况下，生成促使进行与用户当前进行的插入部11的插入操作不同的插入操作的操作引导信息，并且将该操作引导信息输出到显示控制部260，以便变化为表示比疼痛等级PO小的疼痛的疼痛等级。
根据本实施方式，疼痛估计处理部272不限于将根据被检者的疼痛等级的估计结果而生成的操作引导信息输出到显示控制部260，例如，也可以将该操作引导信息输出到未图示的扬声器。并且，在这种情况下，例如能够从扬声器输出促使进行与由疼痛估计处理部272生成的操作引导信息对应的操作的声音。
根据本实施方式，疼痛估计处理部272不限于将根据被检者的疼痛等级的估计结果而生成的操作引导信息输出到显示控制部260，例如，也可以将该操作引导信息输出到未图示的灯。并且，在这样的情况下，例如，能够以促使进行与由疼痛估计处理部272生成的操作引导信息对应的操作的点亮状态使灯发光。
根据本实施方式，疼痛估计处理部272不限于将根据被检者的疼痛等级的估计结果而生成的疼痛等级信息、操作引导信息输出到显示控制部260，也可以在以自动进行插入部11的插入动作的方式构成的自动插入装置的控制中使用疼痛等级信息、操作引导信息。在这样的情况下，例如，在得到疼痛等级PP作为被检者的疼痛等级的估计结果的情况下，生成促使进行与自动插入装置当前进行的插入部11的插入动作不同的插入动作的操作引导信息，并且将该操作引导信息输出到自动插入装置，以便变化为表示比疼痛等级PP小的疼痛的疼痛等级。
根据本实施方式，疼痛估计处理部272不限于使用通过机器学习制作的估计模型来进行与被检者的疼痛等级的估计有关的处理，例如也可以使用由多项式表示的估计模型来进行与该被检者的疼痛等级的估计有关的处理。以下对这样的情况的例子进行说明。
疼痛估计处理部272例如通过将由信息取得部271生成的插入状况信息所包含的多个曲率应用于由下述数学式(1)那样的多项式表示的估计模型来计算疼痛值Pa，并且取得根据计算出的该疼痛值Pa的大小来估计被检者的疼痛等级而得到的估计结果。另外，在下述数学式(1)中，A1、A2、A3、…、As、As+1表示近似参数，X1、X2、X3、…、Xs表示由信息取得部271生成的插入状况信息所包含的s个曲率。
Pa＝A1X1+A2X2+A3X3+…AsXs+As+1…(1)
上述数学式(1)的近似参数A1、A2、A3、…、As、As+1例如能够通过进行由下述数学式(2)表示的行列式所涉及的运算来算出。另外，在下述数学式(2)中，P1、P2、P3、…、Pm表示已知的m个疼痛值，该已知的m个疼痛值相当于基于接受了内窥镜检查的被检者的主观评价基准和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的值。另外，在下述数学式(2)中，X1m、X2m、X3m、…、Xsm表示根据疼痛值Pm取得的已知的s个曲率。
Figure BDA0003792724910000221
即，根据以上说明的例子，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的插入状况信息应用于上述(1)的多项式来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，上述(1)的多项式相当于使用在该一次内窥镜检查之前得到的与该插入状况信息相同的信息而制作出的估计模型。
根据以上说明的由多项式表示的估计模型，能够得到与通过机器学习制作的估计模型相同的作用效果。
另外，在疼痛估计处理部272的处理中使用的估计模型不限于制作成上述数学式(1)那样的1次多项式，例如，也可以制作成具有2次以上的次数的多项式，该多项式能够应用由信息取得部271生成的插入状况信息所包含的多个曲率。
另外，在疼痛估计处理部272的处理中使用的估计模型不限于制作成上述数学式(1)那样的多项式，例如，也可以制作成如下多项式：能够一并应用由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率和与该检查状况信息中的被检者信息对应的值。
根据本实施方式，疼痛估计处理部272不限于使用通过机器学习制作的估计模型来进行与被检者的疼痛等级的估计有关的处理，例如也可以使用通过统计方法取得的估计模型来进行与该被检者的疼痛等级的估计有关的处理。以下对这样的情况的例子进行说明。另外，以下说明的估计模型的制作所涉及的处理不限于在疼痛估计处理部272中进行，也可以在计算机等与主体装置20不同的装置中进行。
疼痛估计处理部272例如通过排列与p(p≥2)个疼痛值的每一个对应的q(q≥2)个曲率来生成矩阵C，并且对该生成的矩阵C实施下述数学式(3)所示的奇异值分解，其中，p(p≥2)个疼痛值相当于基于接受了内窥镜检查的被检者的主观评价基准和与该被检者不同的专家等人物的客观评价基准中的任意评价基准来评价疼痛程度而得到的值。另外，在下述数学式(3)中，V表示左奇异向量，S表示奇异值矩阵，UT表示右奇异向量的转置矩阵。
c＝VSUT…(3)
疼痛估计处理部272将进行上述数学式(3)所示的奇异值分解而得到的q行1列的左奇异向量V所包含的q个成分中最大的值作为第一成分Vx来取得，并且将该左奇异向量V所包含的各要素中第二大的值作为第二成分Vy来取得。即，将第一成分Vx作为在p个疼痛值各自的评价中被估计为产生了最大影响的成分来取得。另外，将第二成分Vy作为在p个疼痛值各自的评价中被估计为产生了第二大的影响的成分来取得。
疼痛估计处理部272从与p个疼痛值中的一个疼痛值Px对应的q个曲率中分别取得相当于第一成分Vx的曲率Cx和相当于第二成分Vy的曲率Cy。即，曲率Cx和曲率Cy能够表示为由第一成分Vx和第二成分Vy规定的2维坐标系中的坐标值(Cx，Cy)。
疼痛估计处理部272对p个疼痛值的每一个进行用于取得与疼痛值Px对应的坐标值(Cx，Cy)的处理，由此制作出如图3所示的估计模型CMA。图3是表示在实施方式的疼痛估计装置的处理中使用的估计模型的一例的示意图。
疼痛估计处理部272从由信息取得部271生成的检查状况信息中的插入状况信息所包含的多个曲率中取得与第一成分Vx和第二成分Vy对应的2个曲率，在将取得的该2个曲率(由该2个曲率决定的坐标值)应用于估计模型CMA的状态下进行基于k近邻法等的聚类处理，由此取得被检者的疼痛等级的估计结果。
即，根据以上说明的例子，疼痛估计处理部272构成为，将在一次内窥镜检查中由信息取得部271生成的插入状况信息应用于估计模型CMA来进行处理，由此得到将该一次内窥镜检查中的被检者的疼痛程度估计为规定的多个疼痛等级中的一个疼痛等级而得到的估计结果，该估计模型CMA是使用在该一次内窥镜检查之前得到的与该插入状况信息相同的信息而制作的。
根据使用以上说明的统计方法取得的估计模型，能够得到与通过机器学习制作的估计模型相同的作用效果。
此外，本发明并不限定于上述的实施方式，当然能够在不脱离发明的主旨的范围内进行各种变更、组合、应用。

Claims (12)

1.一种疼痛估计装置，其特征在于，具有：
信息取得部，其构成为进行用于取得估计用插入状况信息的处理，所述估计用插入状况信息包含与在一次内窥镜检查中插入到被检者体内的内窥镜的插入部的插入形状有关的估计用插入形状信息、以及与在所述一次内窥镜检查中施加于所述插入部的力量有关的估计用操作力量信息中的至少一方；以及
疼痛估计处理部，其构成为通过将所述估计用插入状况信息应用于估计模型来进行处理，从而生成与所述被检者的疼痛程度有关的疼痛信息，所述估计模型是使用事先收集信息来制作的，该事先收集信息包含关于事先收集用插入形状信息和事先收集用操作力量信息中的至少一方与事先收集用疼痛信息之间的关系的信息。
2.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行计算与所述插入部的多个位置分别对应的多个曲率的处理，来作为用于取得所述估计用插入形状信息的处理。
3.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行生成表示所述插入部的插入形状的插入形状图像的处理，来作为用于取得所述估计用插入形状信息的处理。
4.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行用于取得估计用检查状况信息的处理，所述估计用检查状况信息作为表示所述一次内窥镜检查中的检查状况的信息，包含所述估计用插入状况信息和与所述被检者有关的估计用被检者信息，
所述估计模型是使用还包含事先收集用被检者信息与所述事先收集用疼痛信息之间的关系的所述事先收集信息来制作的，
所述疼痛估计处理部构成为通过将所述估计用检查状况信息应用于所述估计模型来进行处理，从而生成所述疼痛信息。
5.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行用于取得估计用检查状况信息的处理，所述估计用检查状况信息作为表示所述一次内窥镜检查中的检查状况的信息，包含所述估计用插入状况信息和与由所述内窥镜拍摄所述被检者体内而得到的内窥镜图像有关的估计用内窥镜图像信息，
所述估计模型是使用还包含事先收集用内窥镜图像信息与所述事先收集用疼痛信息之间的关系的所述事先收集信息来制作的，
所述疼痛估计处理部构成为通过将所述估计用检查状况信息应用于所述估计模型来进行处理，从而生成所述疼痛信息。
6.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行用于取得估计用检查状况信息的处理，所述估计用检查状况信息作为表示所述一次内窥镜检查中的检查状况的信息，包含所述估计用插入状况信息和估计用送气信息，所述估计用送气信息与进行用于对所述内窥镜供给气体的动作的送气部的动作状态有关，
所述估计模型是使用还包含事先收集用送气信息与所述事先收集用疼痛信息之间的关系的所述事先收集信息来制作的，
所述疼痛估计处理部构成为通过将所述估计用检查状况信息应用于所述估计模型来进行处理，从而生成所述疼痛信息。
7.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行用于取得估计用检查状况信息的处理，所述估计用检查状况信息作为表示所述一次内窥镜检查中的检查状况的信息，包含所述估计用插入状况信息和估计用刚性可变部动作信息，所述估计用刚性可变部动作信息与设置于所述插入部的刚性可变部的动作有关，
所述估计模型是使用还包含事先收集用刚性可变部动作信息与所述事先收集用疼痛信息之间的关系的所述事先收集信息来制作的，
所述疼痛估计处理部构成为通过将所述估计用刚性可变部动作信息应用于所述估计模型来进行处理，从而生成所述疼痛信息。
8.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行用于取得估计用检查状况信息的处理，所述估计用检查状况信息作为表示所述一次内窥镜检查中的检查状况的信息，包含所述估计用插入状况信息和与所述内窥镜的使用次数有关的估计用使用次数信息，
所述估计模型是使用还包含事先收集用使用次数信息与所述事先收集用疼痛信息之间的关系的所述事先收集信息来制作的，
所述疼痛估计处理部构成为通过将所述估计用使用次数信息应用于所述估计模型来进行处理，从而生成所述疼痛信息。
9.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行用于取得估计用检查状况信息的处理，所述估计用检查状况信息作为表示所述一次内窥镜检查中的检查状况的信息，包含所述估计用插入状况信息和与所述插入部的刚性有关的估计用插入部刚性信息，
所述估计模型是使用还包含事先收集用插入部刚性信息与所述事先收集用疼痛信息之间的关系的所述事先收集信息来制作的，
所述疼痛估计处理部构成为通过将所述估计用检查状况信息应用于所述估计模型来进行处理，从而生成所述疼痛信息。
10.根据权利要求1所述的疼痛估计装置，其特征在于，
所述信息取得部构成为进行用于取得估计用检查状况信息的处理，所述估计用检查状况信息作为表示所述一次内窥镜检查中的检查状况的信息，包含所述估计用插入状况信息和与所述插入部插入所述被检者的插入长度有关的估计用插入长度信息，
所述估计模型是使用还包含事先收集用插入长度信息与所述事先收集用疼痛信息之间的关系的所述事先收集信息来制作的，
所述疼痛估计处理部构成为通过将所述估计用检查状况信息应用于所述估计模型来进行处理，从而生成所述疼痛信息。
11.根据权利要求1所述的疼痛估计装置，其特征在于，
所述疼痛估计处理部根据所生成的所述疼痛信息进一步生成用于对所述插入部的插入操作进行引导的操作引导信息。
12.一种疼痛估计方法，其具有以下步骤：
取得估计用插入状况信息，所述估计用插入状况信息包含与在一次内窥镜检查中插入到被检者体内的内窥镜的插入部的插入形状有关的估计用插入形状信息、以及与在所述一次内窥镜检查中施加于所述插入部的力量有关的估计用操作力量信息中的至少一方；以及
通过将所述估计用插入状况信息应用于估计模型来进行处理，从而生成与所述被检者的疼痛程度有关的疼痛信息，所述估计模型是使用事先收集信息来制作的，该事先收集信息包含关于事先收集用插入形状信息和事先收集用操作力量信息中的至少一方与事先收集用疼痛信息之间的关系的信息。
CN202080096323.9A 2020-02-14 2020-02-14 疼痛估计装置以及疼痛估计方法 Pending CN115103620A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/005815 WO2021161514A1 (ja) 2020-02-14 2020-02-14 痛み推定装置及び痛み推定方法

Publications (1)

Publication Number Publication Date
CN115103620A true CN115103620A (zh) 2022-09-23

Family

ID=77292722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080096323.9A Pending CN115103620A (zh) 2020-02-14 2020-02-14 疼痛估计装置以及疼痛估计方法

Country Status (4)

Country Link
US (1) US20220378368A1 (zh)
JP (1) JP7340086B2 (zh)
CN (1) CN115103620A (zh)
WO (1) WO2021161514A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015196075A (ja) 2014-04-03 2015-11-09 学校法人産業医科大学 内視鏡用訓練装置および内視鏡用訓練プログラム
WO2018134898A1 (ja) 2017-01-17 2018-07-26 オリンパス株式会社 可撓性管状システム及び力覚情報算出方法
JP2019005038A (ja) 2017-06-22 2019-01-17 オリンパス株式会社 内視鏡システム

Also Published As

Publication number Publication date
JPWO2021161514A1 (zh) 2021-08-19
WO2021161514A1 (ja) 2021-08-19
JP7340086B2 (ja) 2023-09-06
US20220378368A1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
EP2082678B1 (en) Endoscope insertion shape analysis system
WO2004023986A1 (ja) 医療処置システム、内視鏡システム、内視鏡挿入動作プログラム及び内視鏡装置
US20220361733A1 (en) Endoscopic examination supporting apparatus, endoscopic examination supporting method, and non-transitory recording medium recording program
US20180184884A1 (en) Flexible tube insertion apparatus and method of operating thereof
JP6749020B2 (ja) 内視鏡ナビゲーション装置
US20200129043A1 (en) Tubular insertion device and operation support method
EP3876186A1 (en) Method for enhancing the visibility of blood vessels in color images and visualization systems implementing the method
JP7245360B2 (ja) 学習モデルの生成方法、プログラム、手技支援システム、情報処理装置、情報処理方法及び内視鏡用プロセッサ
JP7292376B2 (ja) 制御装置、学習済みモデル、および内視鏡の移動支援システムの作動方法
US20220398771A1 (en) Luminal structure calculation apparatus, creation method for luminal structure information, and non-transitory recording medium recording luminal structure information creation program
US20210048355A1 (en) Stress estimation system, stress estimation apparatus, endoscope apparatus, and stress estimation method
CN113365545A (zh) 图像记录装置、图像记录方法和图像记录程序
WO2018134898A1 (ja) 可撓性管状システム及び力覚情報算出方法
CN116261416A (zh) 用于混合成像和导航的系统和方法
US20220409030A1 (en) Processing device, endoscope system, and method for processing captured image
US20220218180A1 (en) Endoscope insertion control device, endoscope insertion control method, and non-transitory recording medium in which endoscope insertion control program is recorded
JP6001217B1 (ja) 内視鏡挿入形状観測装置
US20230380662A1 (en) Systems and methods for responsive insertion and retraction of robotic endoscope
JP7340086B2 (ja) 痛み推定装置及びプログラム
WO2024029502A1 (ja) 内視鏡検査支援装置、内視鏡検査支援方法、及び、記録媒体
JP7167334B2 (ja) モニタリングシステム及び内視鏡の模型への挿入操作の評価方法
WO2023175732A1 (ja) 内視鏡検査支援システム、内視鏡検査支援方法および記憶媒体
WO2024028925A1 (ja) 内視鏡検査支援装置、内視鏡検査支援方法、及び、記録媒体
WO2024096840A1 (en) Method and device for endoscopy evaluation
Jayender et al. Hidden Markov model for quantifying clinician expertise in flexible instrument manipulation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination