JP2023039197A

JP2023039197A - 医療器具分析装置、医療器具分析方法、及び、学習済みモデル

Info

Publication number: JP2023039197A
Application number: JP2021146239A
Authority: JP
Inventors: 拓哉葉梨; Takuya Hanashi
Original assignee: Olympus Corp
Current assignee: Olympus Corp
Priority date: 2021-09-08
Filing date: 2021-09-08
Publication date: 2023-03-20

Abstract

【課題】設計段階において、構造が複雑になった場合であったとしても精度高く洗浄性を予測することができる医療器具分析装置を提供する。【解決手段】医療器具分析装置は、医療器具の多次元構造情報をモデル入力データに変換するデータ形式変換部と、学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定部と、を備える。【選択図】図３

Description

本発明は、リユースされる医療器具であり洗浄が必要な医療器具の分析装置、分析方法、及び、学習済みモデルに関する。

リユースのために洗浄が必要な医療器具や配管器具においては、設計段階においてリユース時における洗浄性の予測を行い、洗浄がしやすい形状設計を行う必要がある。洗浄性の予測においては、器具の構造情報、及び、洗浄条件等の様々な条件を考慮する必要がある。

特許文献１には、流体シミュレーションにより洗浄パラメータを推定する配管洗浄におけるパラメータ値算出情報が記載されている。特許文献１に記載の配管洗浄におけるパラメータ値算出方法によれば、配管構造の設計段階において洗浄性の予測を行うことができる。

特許第４８３５９４４号公報

しかしながら、特許文献１に記載の配管洗浄におけるパラメータ値算出方法では、物理的な理論シミュレーションに基づいて洗浄性の予測を行っているが、検討する器具の構造が複雑となった場合や、考慮すべき条件が複雑となった場合において、精度高く洗浄性を予測することは困難であった。

本発明は、上記事情に鑑みてなされたもので、設計段階において、構造が複雑になった場合であったとしても精度高く洗浄性を予測することができる医療器具分析装置、医療器具分析方法、及び、学習済みモデルを提供することを目的とする。

本発明の一態様の医療器具分析装置は、医療器具の多次元構造情報を学習済みモデルに入力可能なモデル入力データに変換するデータ形式変換部と、学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後のタンパク質等の汚れ等（以下、汚物）の残留状況との関係に関して学習した前記学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定部と、を有する。

また、本発明の一態様の医療器具分析方法は、医療器具の多次元構造情報を学習済みモデルに入力可能なモデル入力データに変換するデータ形式変換工程と、学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した前記学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定工程と、を有する。

また、本発明の一態様の学習済みモデルは、洗浄すべき管路を有する学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した学習済みモデルであって、ポイントクラウド形式のデータを入力して深層学習することができるニューラルネットワークから構成され、医療器具の構造情報から変換されたモデル入力データが前記ニューラルネットワークの入力層に入力され、前記ニューラルネットワークの出力層から前記医療器具の洗浄後の汚物残留状況を出力するようコンピュータを機能させる。

本発明の医療器具分析装置、医療器具分析方法、及び、学習済みモデルによれば、設計段階において、構造が複雑になった場合であったとしても精度高く洗浄性を予測することができる。

一実施形態に係る医療器具分析装置の分析対象の例としての内視鏡（医療器具）の全体構成を示す図である。医療器具分析装置の全体構成を示す図である。医療器具分析装置の機能ブロックを示すブロック図である。医療器具分析装置の動作を示すフローチャートである。入力部に入力される入力モデルを示す図である。入力モデルの洗浄後の汚物残留状況の推定結果を示す図である。入力モデルから作成された実機の洗浄後の汚物残留状況を示す図である。

以下、図面を参照して本発明の実施形態を説明する。
なお、図面は、模式的なものであり、各部材の厚みと幅との関係、各部材の比率等は、現実と異なることに留意する必要がある。さらに、図面の相互間においても互いの寸法や比率が異なる部分が含まれている。

図１は、一実施形態に係る医療器具分析装置の分析対象の例としての内視鏡（医療器具）の全体構成を示す図である。

図１に示すように、本実施形態の内視鏡２００は、被検体に挿入される長尺で細長な挿入部２０１と、操作部２０２と、複合ケーブルであるユニバーサルケーブル２０３と、を有して構成されている。内視鏡２００の挿入部２０１は、先端から順に先端部２０４と、湾曲部２０５と、可撓管部２０６と、を有して構成されている。

操作部２０２には、挿入部２０１の湾曲部２０５を湾曲操作するための湾曲操作ノブ２０７が回動自在に配設されると共に、送気送水ボタン２０８、吸引ボタン２０９などが設けられている。

なお、湾曲操作ノブ２０７は、湾曲部２０５を上下方向に湾曲操作するためのＵＤ湾曲操作ノブ２１０および湾曲部２０５を左右方向に湾曲操作するためのＲＬ湾曲操作ノブ２１１の２つの略円盤状の回転ノブが重畳するように配設されている。

操作部２０２から延設されたユニバーサルケーブル２０３は、延出端に図示しない光源装置に対して着脱自在な内視鏡コネクタ２１２を有している。なお、本実施形態の内視鏡２００は、挿入部２０１、操作部２０２およびユニバーサルケーブル２０３に挿通配設された照明手段のライトガイドバンドルによって、光源装置から先端部２０４まで照明光を伝送するものである。

また、内視鏡コネクタ２１２は、ここでは図示しないがコイル状のコイルケーブルが接続され、このコイルケーブルの延出端に図示しないビデオプロセッサに対して着脱自在な電気コネクタが設けられている。

内視鏡２００は、使用後に洗浄される際、ユニバーサルケーブル２０３及び内視鏡コネクタ２１２を含む全体が洗浄対象となる。

図２は、医療器具分析装置の全体構成を示す図であり、図３は、医療器具分析装置の機能ブロックを示すブロック図である。

図２に示すように、医療器具分析装置１００は、本体装置１０１と、入力装置１０２と、表示装置１０３と、を有して構成されている。本体装置１０１は、パーソナルコンピュータ等のコンピュータ装置本体であり、ＣＰＵ（Central Processing Unit）１０４、メモリ１０５などを搭載している。

より具体的には、本体装置１０１は、ＣＰＵ１０４及びメモリ１０５を備えたプロセッサを有する。ここでのプロセッサは、例えば各部の機能が個別のハードウェアで実現されてもよいし、或いは各部の一部が一体のハードウェアで実現されてもよい。例えば、プロセッサはハードウェアを含み、そのハードウェアは、デジタル信号を処理する回路及びアナログ信号を処理する回路の少なくとも一方を含むことができる。前記プロセッサは、ＣＰＵ１０４以外に、ＤＳＰ（Digital Signal Processor）等、各種のプロセッサを用いることが可能である。また、前記プロセッサは、ＡＳＩＣ(Application Specific Integrated Circuit)又は、ＦＰＧＡ（Field Programmable Gate Array）によるハードウェア回路でもよい。

入力装置１０２は、キーボード及びマウスにより構成されているが、キーボード及びマウスのいずれか一方により構成されていてもよい。本体装置１０１のＣＰＵ１０４は、入力装置１０２から入力された指示に基づいて、メモリ１０５に記憶されている各種プログラムを実行する。表示装置１０３は、ＣＰＵ１０４によって実行された各種処理結果などを表示する。

図３に示すように、本体装置１０１は、入力部１１と、データ形式変換部１２と、推定部１３と、出力部１４とを備える。本体装置１０１の機能は、メモリ１０５に記憶されている医療器具分析プログラムをＣＰＵ１０４が実行することで実現される。なお、医療器具分析プログラムは、本体装置１０１に外付けされるメモリやインターネット等を介して本体装置１０１に提供されてもよい。

入力部１１は、入力装置１０２を用いて入力されるデータを受信する。入力装置１０２を用いて入力されるデータは、内視鏡２００の多次元構造情報、内視鏡２００の洗浄条件、である。入力部１１は、構造入力部２１と、洗浄条件入力部２２と、を有する。

構造入力部２１には、内視鏡２００の多次元構造情報が入力される。内視鏡２００の多次元構造情報とは、例えば三次元ＣＡＤなどの三次元の構造情報であって、三次元空間における構造を特定できるデータである。内視鏡２００の多次元構造情報には、各部材の材質（ゴム、金属等）が含まれてもよい。

洗浄条件入力部２２には、内視鏡２００を洗浄する場合における洗浄条件が入力される。洗浄条件とは、例えば、ブラシ洗いの回数、自動洗浄の実施の有無、自動洗浄の実施の場合は機種および自動洗浄の洗浄モード、洗浄水の温度、などである。

構造入力部２１は、入力された内視鏡２００の多次元構造情報をデータ形式変換部１２に出力する。洗浄条件入力部２２は、入力された内視鏡２００の洗浄条件に出力する。

データ形式変換部１２は、構造入力部２１から入力された内視鏡２００の多次元構造情報を、学習済みモデルＭで扱うことができるモデル入力データに変換し、推定部１３に出力する。具体的には、データ形式変換部１２は、内視鏡２００の多次元構造情報をポイントクラウドのモデル入力データの形式に変換し、推定部１３に出力する。ポイントクラウドは、三次元空間における座標（Ｘ，Ｙ，Ｚ）および色（Ｒ，Ｇ，Ｂ）の情報の集合で表される三次元の構造情報である。

推定部１３は、学習済みモデルＭを用いて、データ形式変換部１２から入力されたポイントクラウドのモデル入力データと、洗浄条件入力部２２から入力された内視鏡２００の洗浄条件とに基づき、内視鏡２００の洗浄後の汚物残留状況を推定する。

学習済みモデルＭは、洗浄すべき管路を有する内視鏡（学習用医療器具）の多次元構造情報と、内視鏡（医療器具）２００の洗浄後の汚物残留状況との関係に関して学習したモデルである。学習済みモデルＭは、ポイントクラウド形式のデータを入力して深層学習することができるPointNetあるいはPointNet++等のニューラルネットワークであり、データ形式変換部１２により内視鏡２００の多次元構造情報がポイントクラウドの形式に変換されたモデル入力データと、洗浄条件と、が入力され、内視鏡２００の洗浄後の汚物残留状況を出力する。

より具体的には、学習済みモデルＭは、内視鏡２００の多次元構造情報から変換されたモデル入力データがニューラルネットワークの入力層に入力され、ニューラルネットワークの出力層から内視鏡２００の洗浄後の汚物残留状況を出力する。

なお、学習済みモデルＭは、ポイントクラウド形式のデータを入力して深層学習することができるモデル（PointNetあるいはPointNet++）に限定されるものではなく、メッシュ形式のデータを入力して深層学習することができるモデル、又は、ボクセル形式のデータを入力して深層学習することができるモデルであってもよい。例えば、学習済みモデルＭは、ポイントクラウド形式のデータを入力して深層学習することができるモデルとしてPointNetやPointNet++、メッシュ形式のデータを入力して深層学習することができるモデルとしてグラフニューラルネットワーク（Graph Neural Network：ＧＮＮ）、又は、ボクセル形式のデータを入力して深層学習することができるモデルとして畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）を用いることができる。さらに、これら以外にも、公知の深層学習モデルであれば任意の種類のモデルを用いることができる。

この場合、データ形式変換部１２は、入力された内視鏡２００の多次元構造情報を、メッシュ、又は、ボクセルのモデル入力データの形式に変換し、推定部１３に出力する。メッシュは、三次元空間における３つの座標を直線で結んだ三角形の面の集合で表される３次元の構造情報である。ボクセルは、極小の立方体を積み上げた集合で表される３次元の構造情報である。

また、推定部１３は、学習済みモデルＭを複数有していてもよい。例えば、推定部１３は、学習済みモデルＭとして、PointNet++、ＧＮＮ、及び、ＣＮＮを有する。この場合、データ形式変換部１２は、入力された内視鏡２００の多次元構造情報を、ポイントクラウド、メッシュ、及び、ボクセルのモデル入力データの形式に変換し、推定部１３に出力する。推定部１３は、データ形式変換部１２からのポイントクラウド、メッシュ、及び、ボクセルのモデル入力データから、PointNet++、ＧＮＮ、及び、ＣＮＮの各学習済みモデルＭに基づき、内視鏡２００の洗浄後の汚物残留状況を推定する。

学習済みモデルＭは、医療器具分析装置１００の本体装置１０１により実行される医療器具分析プログラムの一部のプログラムモジュールとして利用される。なお、本体装置１０１は、学習済みモデルＭを実行する専用の論理回路等を有していてもよい。

次に、医療器具分析装置１００の動作について説明する。図４は、医療器具分析装置の動作を示すフローチャートである。

本体装置１０１の入力部１１は、ステップＳ１において、内視鏡２００の多次元構造情報および内視鏡２００を洗浄する場合における条件の入力を受信する。このステップＳ１の処理が入力工程を構成する。

なお、内視鏡２００を洗浄する場合における条件は必須の入力条件ではない。入力部１１に入力された内視鏡２００の多次元構造情報は、構造入力部２１からデータ形式変換部１２に出力される。一方、入力部１１に入力された内視鏡２００を洗浄する場合における条件は、洗浄条件入力部２２から推定部１３に出力される。

本体装置１０１のデータ形式変換部１２は、ステップＳ２において、内視鏡２００の多次元構造情報のデータ形式を変換する。このステップＳ２の処理がデータ形式変換工程を構成する。具体的には、データ形式変換部１２は、内視鏡２００の多次元構造情報を推定部１３の学習済みモデルＭで扱うことができるモデル入力データの形式に変換する。モデル入力データは、推定部１３に出力される。

本体装置１０１の推定部１３は、ステップＳ３において、内視鏡２００の洗浄後の汚物残留状況を推定する。このステップＳ３の処理が推定工程を構成する。具体的には、推定部１３は、学習済みモデルＭに基づき、データの形式が変換されたモデル入力データから、洗浄条件に基づき、内視鏡２００の洗浄後の汚物残留状況を推定する。推定結果は、出力部１４に出力される。

本体装置１０１の出力部１４は、ステップＳ４において、推定結果を表示装置１０３に出力する。このステップＳ４の処理が出力構成を構成する。これにより、学習済みモデルＭで推定された洗浄後の汚物残留状況が表示装置１０３に表示される。

図５は、入力部に入力される入力モデルを示す図であり、図６は、入力モデルの洗浄後の汚物残留状況の推定結果を示す図であり、図７は、入力モデルから作成された実機の洗浄後の汚物残留状況を示す図である。

図５に示す入力モデルＩＭ１、ＩＭ２及びＩＭ３は、３ＤＣＡＤ等によって作成された三次元の構造情報であり、入力部１１に入力され、入力部１１の構造入力部２１からデータ形式変換部１２に出力される。そして、データ形式変換部１２により学習済みモデルＭに入力することができるモデル入力データの形式に変換された後、推定部１３の学習済みモデルＭに入力される。

学習済みモデルＭは、図６に示すように、モデル入力データから洗浄後の汚物残留状況を推定して、三次元データである推定結果Ｒ１、Ｒ２及びＲ３を出力する。なお、図６では、推定結果Ｒ１、Ｒ２及びＲ３は二次元データとして示しているが、推定結果Ｒ１、Ｒ２及びＲ３は三次元データとして学習済みモデルＭから出力される。

洗浄後の汚物残留状況の推定結果Ｒ１、Ｒ２及びＲ３では、洗浄後に汚物が残留するであろうと推定される部分が着色されている。なお、着色されている部分において、着色が薄い部分は汚物残留のレベルが低く、着色が濃い部分は汚物残留のレベルが高いことを示している。

これにより、ユーザは、内視鏡２００の多次元構造において、着色されている部分、及び、着色の濃さから、洗浄後も汚物が残留している位置、及び、汚物残留のレベル等を認識することができる。

また、図７では、３ＤＣＡＤを用いて生成された三次元構造上のデータから実際に構造物（実機）を製造し、実機に所定の汚物を塗布した後、洗浄を行った際の実機Ａ１、Ａ２及びＡ３の汚物残留状況が示されている。実機Ａ１、Ａ２及びＡ３において、実際に汚物が残留していた部分が着色されている。

推定部１３の学習済みモデルＭによって推定された図６の推定結果Ｒ１、Ｒ２及びＲ３において、汚物が残留しているであろうと推定された部分と、図８の実機Ａ１、Ａ２及びＡ３において、実際に汚物が残留していた部分と、が略一致しており、学習済みモデルＭによって精度良く汚物残留箇所を推定できている。

そのため、ユーザは、推定部１３の学習済みモデルＭによって推定され、表示装置１０３に表示された洗浄後の汚物残留状況を確認することで、設計段階において、精度高く洗浄性を予測することができる。さらに、入力装置１０２を用いて洗浄条件を細かく変更して学習済みモデルＭによって洗浄後の汚物残留状況を推定することで、洗浄条件が複雑になった場合でも、設計段階において、精度高く洗浄性を予測することができる。

以上のように、本実施形態の医療器具分析装置によれば、設計段階において、構造が複雑になった場合であったとしても精度高く洗浄性を予測することができる。

なお、本明細書におけるフローチャート中の各ステップは、その性質に反しない限り、実行順序を変更し、複数同時に実行し、あるいは実行毎に異なった順序で実行してもよい。

本発明は、上述した実施形態に限定されるものではなく、本発明の要旨を変えない範囲において、種々の変更、改変等が可能である。

１１…入力部、１２…データ形式変換部、１３…推定部、１４…出力部、２１…構造入力部、２２…洗浄条件入力部、１００…医療器具分析装置、１０１…本体装置、１０２…入力装置、１０３…表示装置、１０４…ＣＰＵ、１０５…メモリ、２００…内視鏡、２０１…挿入部、２０２…操作部、２０３…ユニバーサルケーブル、２０４…先端部、２０５…湾曲部、２０６…可撓管部、２０７…湾曲操作ノブ、２０８…送気送水ボタン、２０９…吸引ボタン、２１０…湾曲操作ノブ、２１１…湾曲操作ノブ、２１２…内視鏡コネクタ、Ｍ…学習済みモデル。

Claims

医療器具の多次元構造情報を学習済みモデルに入力可能なモデル入力データに変換するデータ形式変換部と、
学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した前記学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定部と、
を有する医療器具分析装置。
前記推定部が推定した前記医療器具の前記洗浄後の汚物残留状況を表示装置に出力する出力部を更に有する、請求項１に記載の医療器具分析装置。
前記データ形式変換部は、前記医療器具の多次元構造情報をポイントクラウド、メッシュ、又は、ボクセルの形式の前記モデル入力データに変換する、請求項１に記載の医療器具分析装置。
前記医療器具の洗浄条件が入力される洗浄条件入力部を更に有し、
前記学習済みモデルは、前記学習用医療器具の洗浄条件を入力として更に用い、
前記推定部は、前記医療器具の前記モデル入力データから、前記医療器具の洗浄条件に基づいて、前記医療器具の前記洗浄後の汚物残留状況を推定する、請求項１に記載の医療器具分析装置。
医療器具の多次元構造情報を学習済みモデルに入力可能なモデル入力データに変換するデータ形式変換工程と、
学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した前記学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定工程と、
を有する医療器具分析方法。
前記推定工程が推定した前記医療器具の前記洗浄後の汚物残留状況を出力する出力工程を更に有する、請求項５に記載の医療器具分析方法。
前記データ形式変換工程は、前記医療器具の多次元構造情報をポイントクラウド、メッシュ、又は、ボクセルの形式の前記モデル入力データに変換する、請求項５に記載の医療器具分析方法。
洗浄すべき管路を有する学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した学習済みモデルであって、
ポイントクラウド形式のデータを入力して深層学習することができるニューラルネットワークから構成され、
医療器具の構造情報から変換されたモデル入力データが前記ニューラルネットワークの入力層に入力され、
前記ニューラルネットワークの出力層から前記医療器具の洗浄後の汚物残留状況を出力するようコンピュータを機能させる、
学習済みモデル。
前記ニューラルネットワークは、前記モデル入力データに加え、前記医療器具の洗浄条件を前記入力層に入力する、請求項８に記載の学習済みモデル。