JPWO2020157899A1 - 医療器具分析装置、医療器具分析方法および学習済みモデル - Google Patents

Abstract

医療器具分析装置は、医療器具の多次元構造情報が入力される構造入力部と、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残留汚染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、前記構造入力部に入力される前記医療器具の前記多次元構造情報から、前記医療器具の洗浄後残留汚染状況を推定する推定部と、前記推定部が推定した前記医療器具の前記洗浄後残留汚染状況を出力する出力部と、を備える。

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、分析方法およ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、器具の構造情報や器具の使用条件や洗浄条件など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方法が記載されている。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、精度高く洗浄性の予測することは困難であった。

上記事情を踏まえ、本発明は、設計段階において、構造や使用条件等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可能な医療器具分析装置、医療器具分析方法および学習済みモデルを提供することを目的とする。

上記課題を解決するために、この発明は以下の手段を提案している。
本発明の第一態様に係る医療器具分析装置は、医療器具の多次元構造情報が入力される構造入力部と、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残留汚染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、前記構造入力部に入力される前記医療器具の前記多次元構造情報から、前記医療器具の洗浄後残留汚染状況を推定する推定部と、前記推定部が推定した前記医療器具の前記洗浄後残留汚染状況を出力する出力部と、を備える。

本発明の第二態様に係る医療器具分析方法は、医療器具の多次元構造情報を単位領域に分割して複数の分割多次元構造情報を生成する分割工程と、前記医療器具の前記多次元構造情報から、前記複数の前記分割多次元構造情報それぞれに対応する第二多次元構造情報を生成するリサンプリング工程と、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残留汚染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、前記医療器具の前記分割多次元構造情報と前記分割多次元構造情報に対応する前記第二多次元構造情報とから、前記医療器具の洗浄後残留汚染状況を推定する推定工程と、を備える。

本発明の第三態様に係る学習済みモデルは、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残留汚染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、畳み込みニューラルネットワークから構成され、医療器具の多次元構造情報を単位領域に分割して生成された分割多次元構造情報と、前記医療器具の前記多次元構造情報から生成された、前記分割多次元構造情報に対応する第二多次元構造情報と、が前記畳み込みニューラルネットワークの入力層に入力され、前記畳み込み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残留汚染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、医療器具分析方法および学習済みモデルによれば、設計段階において、構造や使用条件等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である内視鏡を全体構成図である。 同医療器具分析装置の機能ブロックを示す図である。 多次元構造情報を分割する単位である単位領域を示す図である。 同医療器具分析装置のリサンプリング部の処理を示す図である。 同医療器具分析装置の学習済みモデルの構成概念図である。 同医療器具分析装置の表示部の表示画面の一例を示す図である。 学習用内視鏡の教師データと学習結果を示す図である。 同医療器具分析装置の動作を示すフローチャートである。 同医療器具分析装置による内視鏡の浄後残留汚染状況の推定結果である。 内視鏡の菌特有の浄後残留汚染状況を示す図である。

本発明の一実施形態について、図１から図１０を参照して説明する。
図１は、本実施形態に係る医療器具分析装置１００の分析対象である内視鏡（医療器具）２００を全体構成図である。

［内視鏡（医療器具）２００］
内視鏡（医療器具）２００は、図１に示すよう、挿入部２０１と、操作部２０２と、ユニバーサルケーブル２０３と、コネクタ２０４と、を備えている。

挿入部２０１は、観察対象部位へ挿入される細長な長尺部材である。挿入部２０１の先端には、送気・送水のために開口部（不図示）と、ライトガイドを備える照明光学系（不図示）と、撮像装置を備える撮像部（不図示）と、が設けられている。

操作部２０２は、操作ノブや各種スイッチを有している。術者は操作部２０２を操作することで、送気・送水や挿入部２０１の湾曲等を制御する。

ユニバーサルケーブル２０３は、操作部２０２の側部より延出している。ユニバーサルケーブル２０３の内部には、送気・送水チューブや、挿入部２０１の先端に設けられた照明光学系や撮像部と電気通信を行うケーブル等が挿通している。ユニバーサルケーブル２０３の先端にはコネクタ２０４が設けられている。ユニバーサルケーブル２０３は、コネクタ２０４を経由して、外部機器に接続される。

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およびコネクタ２０４を含む全体が洗浄対象となる。

［医療器具分析装置１００］
図２は、本実施形態に係る医療器具分析装置１００の機能ブロックを示す図である。
医療器具分析装置１００は、プログラムを実行可能なコンピュータ７と、データを入力可能な入力装置８と、ＬＣＤモニタ等の表示部９と、を備えている。

コンピュータ７は、ＣＰＵ（Central Processing Unit）と、メモリと、記憶部と、入出力制御部と、を備えるプログラム実行可能な装置である。所定のプログラムを実行することにより、後述する推定部４等の複数の機能ブロックとして機能する。コンピュータ７は、推定部４等が実行する演算を高速に処理するために、ＧＰＵ（Graphics Processing Unit）や専用の演算回路等をさらに備えていてもよい。

コンピュータ７は、図２に示すように、入力部１と、構造分割部２と、リサンプリング部（第二構造分割部）３と、推定部４と、出力部５と、を備える。コンピュータ７の機能は、コンピュータ７に提供された医療器具分析プログラムをコンピュータ７が実行することにより実現される。

入力部１は、入力装置８から入力されたデータを受信する。入力部１は、構造入力部１１と、洗浄条件入力部１２と、使用条件入力部１３と、を有する。

構造入力部１１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１２には、内視鏡２００を洗浄する場合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、自動洗浄の場合は機種および自動洗浄の洗浄モード、洗浄水の温度、消毒の有無、洗剤・消毒剤の種類、などである。

使用条件入力部１３は、内視鏡２００を洗浄する場合おける内視鏡２００の使用条件が入力される。使用条件とは、例えば、前回の洗浄後からの内視鏡２００の使用回数・時間、内視鏡２００の通算使用年数、内視鏡２００の使用用途、洗浄回数、汚染種別、汚染物質の種類、などである。

ここで、内視鏡２００の洗浄条件と使用条件は、必須の入力データではない。一方、内視鏡２００の多次元構造情報は、必須の入力データである。

構造分割部２は、構造入力部１１に入力された内視鏡２００の多次元構造情報を単位領域Ｕに分割して複数の「分割多次元構造情報Ｄ」を生成する（分割工程）。

図３は、多次元構造情報を分割する単位である単位領域Ｕを示す図である。
構造入力部１１に入力された内視鏡２００の多次元構造情報は、三次元空間におけるボクセルに変換される。三次元空間におけるボクセルは、単位領域Ｕごとに分割されて分割多次元構造情報Ｄとなる。以降の説明において、三次元空間において互いに直交する三軸を、Ｘ軸、Ｙ軸およびＺ軸と称す。

本実施形態において、単位領域Ｕごとに分割された分割多次元構造情報Ｄは、図３に示すように、Ｘ軸方向に３２個、Ｙ軸方向に３２個、Ｚ軸方向に３２個のボクセルのデータを含んでいる。以降の説明において、このようなボクセルの領域サイズを、（Ｘ，Ｙ，Ｚ）＝（３２，３２，３２）と表現する。

内視鏡２００が含まれない単位領域Ｕや内視鏡２００が含まれていても内視鏡２００の表面が含まれない単位領域Ｕにおける分割多次元構造情報Ｄは、洗浄対象箇所を含まないため、以降の処理で行う洗浄後残留汚染状況の推定の対象とならない。そのため、洗浄後残留汚染状況の推定対象とならない分割多次元構造情報Ｄは、以降の処理が省略される。

リサンプリング部（第二構造分割部）３は、内視鏡２００の多次元構造情報から単位領域Ｕを含む周辺領域の多次元構造情報である「第二多次元構造情報Ｒ」を生成する（リサンプリング工程）。リサンプリング部３は、二種類の第二多次元構造情報Ｒ（Ｒ１，Ｒ２）を生成する。第二多次元構造情報Ｒは、分割多次元構造情報Ｄ同様、三次元空間におけるボクセルのデータを含んでいる。

図４は、リサンプリング部３の処理を示す図である。
構造分割部２に内視鏡２００の多次元構造情報が入力される。図４では、説明を簡略化するため、内視鏡２００の全体の多次元構造情報でなく、内視鏡２００の一部の多次元構造情報のみが入力されている。構造分割部２は、入力された多次元構造情報を、例えば領域サイズが（Ｘ，Ｙ，Ｚ）＝（１２８，１２８，１２８）であるボクセルに変換する。構造分割部２は、変換されたボクセルを、単位領域Ｕに分割し、複数の分割多次元構造情報Ｄを生成する。分割多次元構造情報Ｄは、領域サイズが（Ｘ，Ｙ，Ｚ）＝（３２，３２，３２）であるボクセルのデータを含んでいる。

リサンプリング部３は、構造分割部２が出力する複数の分割多次元構造情報Ｄの一つであって、単位領域Ｕの一つである単位領域Ｕ０の分割多次元構造情報Ｄに対応する第二多次元構造情報Ｒ（Ｒ１，Ｒ２）を生成する。

リサンプリング部３は、単位領域Ｕ０の分割多次元構造情報Ｄに対応する、単位領域Ｕ０を含む周辺領域Ａ１の第二多次元構造情報Ｒ１を生成する。図４に示すよう、周辺領域Ａ１において単位領域Ｕ０は中心に位置している。

また、リサンプリング部３は、単位領域Ｕ０の分割多次元構造情報Ｄに対応する、単位領域Ｕ０を含む周辺領域Ａ２の第二多次元構造情報Ｒ２を生成する。図４に示すよう、周辺領域Ａ２において単位領域Ｕ０は中心に位置している。ここで、周辺領域Ａ２は、周辺領域Ａ１を含む領域である。すなわち、第二多次元構造情報Ｒ２は、第二多次元構造情報Ｒ１と比較して、より広範囲の周辺領域に関する構造情報を含むものである。

リサンプリング部３は、単位領域Ｕ０以外の単位領域Ｕそれぞれに対応する分割多次元構造情報Ｄに対応する第二多次元構造情報Ｒ（Ｒ１，Ｒ２）も同様に生成する。

本実施形態においては、第二多次元構造情報Ｒ（Ｒ１，Ｒ２）は、分割多次元構造情報Ｄと、ボクセルの領域サイズ（情報量）が同じになるように低解像度化した情報である。分割多次元構造情報Ｄと第二多次元構造情報Ｒ（Ｒ１，Ｒ２）とは、ボクセルの領域サイズが、いずれも（Ｘ，Ｙ，Ｚ）＝（３２，３２，３２）である。分割多次元構造情報Ｄと、第二多次元構造情報Ｒ（Ｒ１，Ｒ２）とは、ボクセルのデータ領域サイズが同一であり、以降の推定部４の処理において取り扱いが容易である。

本実施形態においては、リサンプリング部３が生成する第二多次元構造情報Ｒ（Ｒ１，Ｒ２）は、一つの分割多次元構造情報Ｄに対して２種類であるが、一つの分割多次元構造情報Ｄに対して３種類以上であってもよい。生成する第二多次元構造情報Ｒの種類が多いほど、推定部４での洗浄後残留汚染状況の推定の精度が向上する。

推定部４は、「学習済みモデルＭ」に基づき、構造入力部１１に入力される内視鏡２００の多次元構造情報から、洗浄条件および使用条件に基づき、内視鏡２００の洗浄後残留汚染状況を推定する（推定工程）。

学習済みモデルＭは、内視鏡２００の多次元構造情報から生成された分割多次元構造情報Ｄおよび第二多次元構造情報Ｒと、洗浄条件と、使用条件と、が入力され、内視鏡２００の洗浄後残留汚染状況を出力する畳み込みニューラルネットワーク（Convolutional Neural Network:ＣＮＮ）である。学習済みモデルＭにはボクセルを入力データとして入力することができる。

学習済みモデルＭは、医療器具分析装置１００のコンピュータ７で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、コンピュータ７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。

図５は、学習済みモデルＭの構成概念図である。
学習済みモデルＭは、入力層３０と、第一層３１と、第二層３２と、第三層３３と、出力層３４と、を備えている。

入力層３０は、構造分割部２から入力される分割多次元構造情報Ｄと、リサンプリング部３から入力される第二多次元構造情報Ｒ（Ｒ１，Ｒ２）と、を受けとる。入力層３０は、分割多次元構造情報Ｄ０と第二多次元構造情報Ｒ（Ｒ１，Ｒ２）とを、第一層３１に出力する。

第一層３１は、フィルター層（Ｃｏｎｖ３Ｄ）４１と、プーリング層（ＭａｘＰｏｏｌ）４２とが直列につながったネットワークを３本並列に有している。分割多次元構造情報Ｄと第二多次元構造情報Ｒ（Ｒ１，Ｒ２）は、３本並列に形成されたネットワークにそれぞれ入力される。

フィルター層（Ｃｏｎｖ３Ｄ）４１は、学習により得られた学習済みのフィルター処理により画像の畳み込み演算を実施する。フィルター層のノードの活性化関数は、Ｓｔｅｐ関数、Ｓｉｇｍｏｉｄ関数、ＲｅＬＵ（Rectified Linear Unit）関数やＬｅａｋｙ ＲｅＬＵ関数、Ｐａｒａｍｅｔｒｉｃ ＲｅＬＵ関数、Ｅｘｐｏｎｅｎｔｉａｌ ｌｉｎｅａｒ ｕｎｉｔ関数、Ｓｏｆｔｓｉｎｅ関数、Ｔａｎｈ関数などである。図５において、フィルター層４１の横に記載されたカッコの内の引数は、フィルター層４１のパラメータである。第一引数はＸ軸方向のボクセル数、第二引数はＹ軸方向のボクセル数、第三引数はＺ軸方向のボクセル数、第四引数は適用されるフィルター数を示している。

プーリング層４２は、解像度を削減するフィルター処理を実施する。プーリング層４２は特徴を残しながら情報量を削減する次元削減の機能を有する。第一層３１は、フィルター層４１とプーリング層４２とを交互に繰り返すことで、ボクセルから構造情報を空間的に抽出することができる。

第二層３２は、第一層３１から入力される３つの独立した入力を結合するマージ層（Ｍｅｒｇｅ）４３を有している。なお、マージ層４３が３つの入力をマージする際、第一層３１に入力される分割多次元構造情報Ｄと第二多次元構造情報Ｒ（Ｒ１，Ｒ２）が同じ単位領域Ｕに関連付けられたものであることに基づく対応付けは必須ではない。

第三層３３は、フィルター層（Ｃｏｎｖ３Ｄ）４１とアップサンプリング層（Ｕｐｓａｍｐｌｅ３Ｄ）４４とが直列につながったネットワークである。アップサンプリング層４４は、ボクセルデータに対してアップサンプリングを実施する。

出力層３４は、ソフトマックス（Ｓｏｆｔｍａｘ）関数４５を有している。ソフトマックス関数４５は、第三層３３の出力を、分割多次元構造情報Ｄに対応した洗浄後残留汚染状況（２値）に変換して出力する。洗浄後残留汚染状況（２値）は、洗浄後における残留汚染の有無を示す値である。洗浄後残留汚染状況（２値）は、ボクセルごとに出力される。

図６は、表示部９の表示画面の一例を示す図である。
出力部５は、出力層３４から入力された洗浄後残留汚染状況を、表示部９に出力する。表示部９は、図６に示すように、入力された洗浄後残留汚染状況を表示する。

［学習済みモデルＭの生成］
学習済みモデルＭは、後述する教師データに基づいて、事前の学習により生成する。学習済みモデルＭの生成は、医療器具分析装置のコンピュータ７により実施してもよいし、コンピュータ７より演算能力が高い他のコンピュータを用いて実施してもよい。

学習済みモデルＭの生成は、周知の技術である誤差逆伝播法（バックプロパゲーション）による教師あり学習によって行われ、フィルター層４１のフィルター構成やニューロン（ノード）間の重み付け係数が更新される。

本実施形態においては、使用後の医療機器を実際に洗浄して解析した洗浄後残留汚染状況が教師データである。以降の説明において、学習のために使用および洗浄を行った内視鏡を「学習用内視鏡（学習用医療機器）」という。具体的には、学習用内視鏡の多次元構造情報から生成された分割多次元構造情報Ｄおよび第二多次元構造情報Ｒと、洗浄条件と、使用条件と、学習用内視鏡の洗浄後残留汚染状況と、の組み合わせが、教師データである。学習用内視鏡の洗浄後残留汚染状況は、例えば、たんぱく質等の付着場所や付着量である。

教師データは、学習用内視鏡の多次元構造情報および洗浄条件と使用条件を変えて、可能な限り多様なものを用意することが望ましい。特に多様な洗浄条件と使用条件の教師データを用意することで、様々な条件において発生するノイズに対してＳ／Ｎ識別能が高く、かつ、ロバストな洗浄後残留汚染状況の推定が可能な学習済みモデルＭを生成することができる。

コンピュータ７は、学習用内視鏡の多次元構造情報から生成された分割多次元構造情報Ｄおよび第二多次元構造情報Ｒを入力層３０に入力し、洗浄条件および使用条件を第二層３２のマージ層４３に入力し、教師データの洗浄後残留汚染状況と出力層３４から出力される洗浄後残留汚染状況との平均二乗誤差が小さくなるように、フィルター層のフィルター構成やニューロン（ノード）間の重み付け係数の学習を行う。

図７は、学習用内視鏡の教師データと学習結果を示す図である。
図７（ａ）は、単位領域Ｕに分割された学習用内視鏡である。図７（ａ）において、汚染が洗浄後において実際に残留した部分が着色され、洗浄後残留汚染状況として示されている。
図７（ｂ）は、学習後の学習済みモデルＭを用いて、学習用内視鏡の洗浄後残留汚染状況を推定した結果である。図７（ｂ）に示す洗浄後残留汚染状況の推定結果は、図７（ａ）に示す洗浄後残留汚染状況に対して、９９％以上の予測精度で、洗浄後残留汚染状況を推定できており、学習済みモデルＭが精度高く学習されたモデルであることを示している。

［医療器具分析装置１００の動作］
次に、医療器具分析装置１００の動作について説明する。図８は、医療器具分析装置１００の動作を示すフローチャートである。

コンピュータ７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を洗浄する場合おける洗浄条件と使用条件の入力を受信する。

コンピュータ７は、ステップＳ２において、内視鏡２００の多次元構造情報を、三次元空間におけるボクセルに変換する。三次元空間におけるボクセルは、単位領域Ｕごとに分割されて分割多次元構造情報Ｄとなる。

コンピュータ７は、ステップＳ３において、分割された複数の分割多次元構造情報Ｄから一つの分割多次元構造情報Ｄを取得する。

コンピュータ７は、ステップＳ４において、ステップＳ３において取得された分割多次元構造情報Ｄに対応する第二多次元構造情報Ｒ１を生成する。コンピュータ７は、ステップＳ５において、第二多次元構造情報Ｒが規定数取得されたかを判定する。本実施形態では、第二多次元構造情報Ｒを二種類生成するので、コンピュータ７は、再度ステップＳ４を実施して、ステップＳ３において取得された分割多次元構造情報Ｄに対応する第二多次元構造情報Ｒ２を生成する。

コンピュータ７は、ステップＳ６において、学習済みモデルＭに基づき、分割多次元構造情報Ｄおよび第二多次元構造情報Ｒから、洗浄条件および使用条件に基づき、内視鏡２００の洗浄後残留汚染状況を推定する。

コンピュータ７は、ステップＳ７において、分割された複数の分割多次元構造情報Ｄの全てについて洗浄後残留汚染状況の推定を行ったかを判定する。全ての分割多次元構造情報Ｄについて推定を行っていない場合、コンピュータ７は、ステップＳ３において、他の分割多次元構造情報Ｄのデータを取得する。全ての分割多次元構造情報Ｄについて推定を行っている場合、コンピュータ７は、ステップＳ８を実施する。

コンピュータ７は、ステップＳ８において、複数の分割多次元構造情報Ｄごとに推定した洗浄後残留汚染状況を再構築し、分割前の多次元構造情報の全体についての洗浄後残留汚染状況を生成する。

コンピュータ７は、ステップＳ９において、再構築した洗浄後残留汚染状況を表示部９に出力する。

図９は、内視鏡２００の浄後残留汚染状況の推定結果である。
図９（ａ）は、単位領域Ｕに分割された内視鏡２００の一部である。汚染が洗浄後において残留するであろうと予測される部分が着色されて示されている。
図９（ｂ）は、内視鏡２００の浄後残留汚染状況の推定結果である。図９（ｂ）に示す洗浄後残留汚染状況の推定結果は、図９（ａ）に示す洗浄後残留汚染状況に対して、９９％以上の予測精度で、洗浄後残留汚染状況を推定できている。図９（ｂ）に示す推定結果は、学習用内視鏡の洗浄後残留汚染状況を教師データとして用いて学習した学習済みモデルＭに基づき、内視鏡２００の浄後残留汚染状況を精度高く推定できることを示している。

本実施形態の医療器具分析装置１００によれば、設計段階において、多次元構想条件や使用条件等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。入力データである多次元構造情報は情報量が多いため、学習や推定における情報処理量が増加する。そのため、多次元構造情報は分割して分割多次元構造情報Ｄとして処理する必要があるが、分割多次元構造情報Ｄには分割された単位領域の周辺領域に関する情報が欠落する。本実施形態の医療器具分析装置１００によれば、分割多次元構造情報Ｄに対応する第二多次元構造情報Ｒを補助情報として学習や推定に用いることで、単位領域Ｕの周辺領域を考慮したうえで、単位領域Ｕに関する洗浄性を精度高く予測することができる。

図１０は、内視鏡２００の菌特有の浄後残留汚染状況を示す図である。
図１０（ａ）に示すように、内視鏡２００の洗浄後に残留する菌は、構造や使用条件等が同一であっても、離散的に分散して付着するため、菌以外の汚染を比較すると、浄後残留汚染状況の推測が難しい。しかしながら、本実施形態の医療器具分析装置１００によれば、図１０（ｂ）に示すように、内視鏡２００の洗浄後に残留する菌についての浄後残留汚染状況を一般化して推定することができる。

以上、本発明の一実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。また、上述の一実施形態および変形例において示した構成要素は適宜に組み合わせて構成することが可能である。

（変形例１）
医療器具分析装置の機能は、上記実施形態における医療器具分析プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。

（変形例２）
例えば、上記実施形態では、学習済みモデルＭは畳み込みニューラルネットワークであったが、学習済みモデルの態様はこれに限定されない。学習済みモデルは、サポートベクターマシン（ＳＶＭ）線形回帰、ロジスティック回帰、決定木、回帰木、ランダムフォレストなどの教師あり機械学習により学習されるモデルであってもよい。

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に適用することができる。

１００ 医療器具分析装置
２００ 内視鏡（医療器具）
１ 入力部
１１ 構造入力部
１２ 洗浄条件入力部
１３ 使用条件入力部
２ 構造分割部
３ リサンプリング部（第二構造分割部）
４ 推定部
５ 出力部
７ コンピュータ
８ 入力装置
９ 表示部
Ｄ 分割多次元構造情報
Ｒ 第二多次元構造情報
Ｕ 単位領域
Ｍ 学習済みモデル

Claims (13)

1. 医療器具の多次元構造情報が入力される構造入力部と、
   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残留汚染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、前記構造入力部に入力される前記医療器具の前記多次元構造情報から、前記医療器具の洗浄後残留汚染状況を推定する推定部と、
   前記推定部が推定した前記医療器具の前記洗浄後残留汚染状況を出力する出力部と、を備える、
   医療器具分析装置。
2. 前記医療器具の前記多次元構造情報を単位領域に分割して複数の分割多次元構造情報を生成する構造分割部と、
   前記医療器具の前記多次元構造情報から、各前記複数の前記分割多次元構造情報に対応する第二多次元構造情報を生成する第二構造分割部と、を備えて、
   前記推定部は、前記分割多次元構造情報と前記分割多次元構造情報に対応する前記第二多次元構造情報とから、前記医療器具の前記洗浄後残留汚染状況を推定する、
   請求項１に記載の医療器具分析装置。
3. 前記第二多次元構造情報は、前記単位領域を含む周辺領域の前記多次元構造情報である、
   請求項２に記載の医療器具分析装置。
4. 前記第二多次元構造情報は、前記分割多次元構造情報と情報量が同じになるように低解像度化した情報である、
   請求項３に記載の医療器具分析装置。
5. 前記学習済みモデルは、
   前記学習用医療器具の前記多次元構造情報から生成された前記分割多次元構造情報と、
   前記学習用医療器具の前記多次元構造情報から生成された前記第二多次元構造情報と、
   前記学習用医療器具の前記洗浄後残留汚染状況と、
   の関係に関して学習したモデルである、
   請求項２から請求項４のいずれか一項に記載の医療器具分析装置。
6. 前記医療器具の使用条件が入力される使用条件入力部をさらに有し、
   前記学習済みモデルは、前記学習用医療器具の使用条件を入力としてさらに用い、
   前記推定部は、前記医療器具の前記多次元構造情報から、前記医療器具の前記使用条件に基づいて、前記医療器具の前記洗浄後残留汚染状況を推定する、
   請求項１から請求項５のいずれか一項に記載の医療器具分析装置。
7. 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さらに有し、
   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さらに用い、
   前記推定部は、前記医療器具の前記多次元構造情報から、前記医療器具の前記洗浄条件に基づいて、前記医療器具の前記洗浄後残留汚染状況を推定する、
   請求項１から請求項５のいずれか一項に記載の医療器具分析装置。
8. 医療器具の多次元構造情報を単位領域に分割して複数の分割多次元構造情報を生成する分割工程と、
   前記医療器具の前記多次元構造情報から、前記複数の前記分割多次元構造情報それぞれに対応する第二多次元構造情報を生成するリサンプリング工程と、
   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残留汚染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、前記医療器具の前記分割多次元構造情報と前記分割多次元構造情報に対応する前記第二多次元構造情報とから、前記医療器具の洗浄後残留汚染状況を推定する推定工程と、
   を備える、
   医療器具分析方法。
9. 前記第二多次元構造情報は、前記単位領域を含む周辺領域の前記多次元構造情報である、
   請求項８に記載の医療器具分析方法。
10. 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残留汚染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、
    畳み込みニューラルネットワークから構成され、
    医療器具の多次元構造情報を単位領域に分割して生成された分割多次元構造情報と、
    前記医療器具の前記多次元構造情報から生成された、前記分割多次元構造情報に対応する第二多次元構造情報と、が前記畳み込みニューラルネットワークの入力層に入力され、
    前記畳み込み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残留汚染状況を出力するようコンピュータを機能させるための
    学習済みモデル。
11. 前記第二多次元構造情報は、前記単位領域を含む周辺領域の前記多次元構造情報である、
    請求項１０に記載の学習済みモデル。
12. 前記畳み込みニューラルネットワークは、前記多次元構造情報に加えて、前記医療器具の使用条件を入力とする、
    請求項１０または請求項１１に記載の学習済みモデル。
13. 前記畳み込みニューラルネットワークは、前記多次元構造情報に加えて、前記医療器具の洗浄条件を入力とする、
    請求項１０または請求項１１に記載の学習済みモデル。

Images