特開 2023-136947 学習モデル生成方法、情報処理方法、情報処理装置及びコンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023136947

(43)【公開日】2023-09-29

(54)【発明の名称】学習モデル生成方法、情報処理方法、情報処理装置及びコンピュータプログラム

(51)【国際特許分類】

   A61B 34/10 20160101AFI20230922BHJP

   A61B 6/00 20060101ALI20230922BHJP

   A61B 34/20 20160101ALI20230922BHJP

   G06T 7/00 20170101ALI20230922BHJP

   G06V 10/70 20220101ALI20230922BHJP

【ＦＩ】

A61B34/10

A61B6/00 360Z

A61B34/20

G06T7/00 350B

G06V10/70

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2022042900

(22)【出願日】2022-03-17

(71)【出願人】

【識別番号】000109543

【氏名又は名称】テルモ株式会社

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】吉本 彩加

(72)【発明者】

【氏名】栗田 朋香

【テーマコード（参考）】

4C093

5L096

【Ｆターム（参考）】

4C093AA01

4C093DA02

4C093FD03

4C093FH03

4C093FH07

5L096BA06

5L096BA13

5L096HA11

5L096KA04

5L096KA15

(57)【要約】

【課題】血管内治療で使用すべきデバイスの選択を補助するための学習モデル生成方法、情報処理方法、情報処理装置及びコンピュータプログラムを提供する。
【解決手段】学習モデル生成方法では、病変部分を含んだ患者の血管に関する血管画像と、血管内治療において前記病変部分を通過することができたデバイスに関する情報とを含んだ訓練データを取得し、血管画像を入力した場合に特定のデバイスの推奨度を出力する学習モデルを、前記訓練データに基づいた学習により生成する。
【選択図】図１

【特許請求の範囲】

【請求項1】

病変部分を含んだ患者の血管に関する血管画像と、血管内治療において前記病変部分を通過することができたデバイスに関する情報とを含んだ訓練データを取得し、
血管画像を入力した場合に特定のデバイスの推奨度を出力する学習モデルを、前記訓練データに基づいた学習により生成する
ことを特徴とする学習モデル生成方法。

【請求項2】

血管画像及びデバイスに関する情報を入力した場合に前記デバイスの推奨度を出力するように、前記学習モデルを学習する
ことを特徴とする請求項１に記載の学習モデル生成方法。

【請求項3】

前記訓練データは、病変部分を含む血管画像と、血管内治療において前記病変部分を通過することができなかったデバイスに関する情報とを更に含む
ことを特徴とする請求項１又は２に記載の学習モデル生成方法。

【請求項4】

前記訓練データは、病変部分を含む血管画像と、ガイドワイヤ、バルーンカテーテル、マイクロカテーテル又はガイディングカテーテルを含む複数種類のデバイスの組み合わせに関する情報とを含み、
デバイスの組み合わせの推奨度を出力するように、前記学習モデルを学習する
ことを特徴とする請求項１乃至３のいずれか一つに記載の学習モデル生成方法。

【請求項5】

病変部分を含んだ患者の血管に関する血管画像を取得し、
血管画像を入力した場合に、血管内治療に用いられる特定のデバイスの推奨度を出力する学習モデルへ、取得した血管画像を入力し、前記学習モデルが出力した前記推奨度を取得し、
取得した前記推奨度に応じて、血管内治療のために推奨されるデバイスに関する情報を出力する
ことを特徴とする情報処理方法。

【請求項6】

前記学習モデルは、血管画像及びデバイスに関する情報を入力した場合に前記デバイスの推奨度を出力するように予め学習されており、
デバイスに関する情報を更に取得し、
取得した血管画像、及び取得したデバイスに関する情報を前記学習モデルへ入力し、前記学習モデルが出力した前記デバイスの推奨度を取得する
ことを特徴とする請求項５に記載の情報処理方法。

【請求項7】

複数のデバイスに関する情報が予め記録されており、
前記複数のデバイスの中から、取得した前記推奨度が相対的に高いデバイスを選択し、
選択したデバイスに関する情報を出力する
ことを特徴とする請求項５又は６に記載の情報処理方法。

【請求項8】

前記学習モデルは、ガイドワイヤ、バルーンカテーテル、マイクロカテーテル又はガイディングカテーテルを含む複数種類のデバイスの組み合わせの推奨度を出力するように、予め学習されており、
前記学習モデルが出力したデバイスの組み合わせの推奨度を取得し、
取得した前記推奨度に応じて、血管内治療のために推奨されるデバイスの組み合わせに関する情報を出力する
ことを特徴とする請求項５に記載の情報処理方法。

【請求項9】

前記学習モデルは、更に患者の既往歴を入力した場合に前記推奨度を出力するように予め学習されており、
患者の既往歴を更に取得し、
取得した既往歴を更に前記学習モデルへ入力し、前記学習モデルが出力した前記推奨度を取得する
ことを特徴とする請求項５乃至８のいずれか一つに記載の情報処理方法。

【請求項10】

病変部分を含んだ患者の血管に関する血管画像を取得する画像取得部と、
血管画像を入力した場合に、血管内治療に用いられる特定のデバイスの推奨度を出力する学習モデルと、
取得した血管画像を前記学習モデルへ入力し、前記学習モデルが出力した前記推奨度を取得する推奨度取得部と、
取得した前記推奨度に応じて、血管内治療のために推奨されるデバイスに関する情報を出力する出力部と
を備えることを特徴とする情報処理装置。

【請求項11】

病変部分を含んだ患者の血管に関する血管画像を取得し、
血管画像を入力した場合に、血管内治療に用いられる特定のデバイスの推奨度を出力する学習モデルへ、取得した血管画像を入力し、前記学習モデルが出力した前記推奨度を取得し、
取得した前記推奨度に応じて、血管内治療のために推奨されるデバイスに関する情報を出力する
処理をコンピュータに実行させることを特徴とするコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、血管内治療に関係する学習モデル生成方法、情報処理方法、情報処理装置及びコンピュータプログラムに関する。

【背景技術】

【0002】

血管に生じた狭窄又は閉塞等の病変部分を治療する方法の一つとして、血管に経皮的に挿入されたデバイスを使用して血管内から治療を行う血管内治療がある。血管内治療では、ガイディングカテーテル、ガイドワイヤ、マイクロカテーテル、バルーンカテーテル及びステント等の、血管に挿入される種々のデバイスを組み合わせて治療が行われる。血管内治療の一例では、施術者は、ガイドワイヤを血管内に挿入し、ガイドワイヤに沿ってバルーンカテーテルを挿入し、血管が狭窄した病変部分で、バルーンカテーテルの有するバルーンを膨張させ、病変部分を拡張する。特許文献１には、血管内治療を行うための技術の例が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－１０４３３７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

血管内治療では、デバイスは、血管内に挿入された後、血管内を通って病変部分に到達し、病変部分を通過する必要がある。血管の形状又は病変部分の状態は患者によって異なるので、施術者は、病変部分を通過することができるような適切なデバイスを使用する必要がある。しかしながら、血管内治療に使用する種々のデバイスは、デバイスごとに多数の種類が存在する。したがって、使用する各デバイスの選択およびデバイス同士の適切な組み合わせを選択することは、施術者にとって容易ではない。例えば、ガイドワイヤでは、先端形状、滑り性、先端荷重、及び剛性変化点の位置等の各種特性が異なるものが数多く存在する。更に、ガイドワイヤと組み合わせるカテーテルによっては、ガイドワイヤは、特性を最大限に発揮できることもあり、逆に、特性を十分に発揮できなくなることもある。したがって、患者の血管の形状又は病変部分の状態に応じた適切なデバイスを選択することは、施術者にとって容易ではない。

【0005】

本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、患者の血管の形状又は病変部分の状態に応じて血管内治療で使用すべきデバイスの選択を補助するための学習モデル生成方法、情報処理方法、情報処理装置及びコンピュータプログラムを提供することにある。

【課題を解決するための手段】

【0006】

本発明の一形態に係る学習モデル生成方法は、病変部分を含んだ患者の血管に関する血管画像と、血管内治療において前記病変部分を通過することができたデバイスに関する情報とを含んだ訓練データを取得し、血管画像を入力した場合に特定のデバイスの推奨度を出力する学習モデルを、前記訓練データに基づいた学習により生成することを特徴とする。

【0007】

本発明の一形態においては、患者の血管に関する血管画像と、血管内治療において病変部分を通過することができたデバイスに関する情報とを含んだ訓練データを用いた学習により、血管画像を入力した場合に特定のデバイスの推奨度を出力する学習モデルを生成する。血管内治療を行うためにデバイスが血管内の病変部分を通過するための難易度は、患者の血管の形状又は病変部分の状態等の血管の状態とデバイスとの組み合わせによって異なる。血管画像は、血管内治療において特定のデバイスを使用することの推奨度に関連する。このため、血管画像に応じて特定のデバイスの推奨度を出力する学習モデルを生成することが可能である。

【0008】

本発明の一形態に係る情報処理方法は、病変部分を含んだ患者の血管に関する血管画像を取得し、血管画像を入力した場合に、血管内治療に用いられる特定のデバイスの推奨度を出力する学習モデルへ、取得した血管画像を入力し、前記学習モデルが出力した前記推奨度を取得し、取得した前記推奨度に応じて、血管内治療のために推奨されるデバイスに関する情報を出力することを特徴とする。

【0009】

本発明の一形態に係る情報処理装置は、病変部分を含んだ患者の血管に関する血管画像を取得する画像取得部と、血管画像を入力した場合に、血管内治療に用いられる特定のデバイスの推奨度を出力する学習モデルと、取得した血管画像を前記学習モデルへ入力し、前記学習モデルが出力した前記推奨度を取得する推奨度取得部と、取得した前記推奨度に応じて、血管内治療のために推奨されるデバイスに関する情報を出力する出力部とを備えることを特徴とする。

【0010】

本発明の一形態に係るコンピュータプログラムは、病変部分を含んだ患者の血管に関する血管画像を取得し、血管画像を入力した場合に、血管内治療に用いられる特定のデバイスの推奨度を出力する学習モデルへ、取得した血管画像を入力し、前記学習モデルが出力した前記推奨度を取得し、取得した前記推奨度に応じて、血管内治療のために推奨されるデバイスに関する情報を出力する処理をコンピュータに実行させることを特徴とする。

【0011】

本発明の一形態においては、血管画像に応じて、特定のデバイスを血管内治療において使用することの推奨度を取得し、推奨度に応じてデバイスに関する情報を出力する。使用者は、出力された情報を確認することにより、血管内治療を実行する前に、推奨度の高いデバイスを知ることができる。このようにして、適切なデバイスの選択が補助される。

【発明の効果】

【0012】

本発明にあっては、使用者は、患者の血管の形状又は病変部分の状態等の血管の状態に応じて血管内治療で使用すべき適切なデバイスを選択することが可能となる。本発明は、適切なデバイスを使用することによって、血管内治療を安全に確実に行うことが可能となる等、優れた効果を奏する。

【図面の簡単な説明】

【0013】

【図1】血管内治療を行うために使用される治療システムの概略を示す模式図である。

【図2】情報処理装置の内部の機能構成例を示すブロック図である。

【図3】実施形態１に係る学習モデルの機能を示す概念図である。

【図4】血管画像の例を示す模式図である。

【図5】実施形態１に係るデバイス情報の内容例を示す概念図である。

【図6】学習装置の内部の機能構成例を示すブロック図である。

【図7】実施形態１に係る訓練データの内容例を示す概念図である。

【図8】学習装置が実行する処理の手順を示すフローチャートである。

【図9】実施形態１に係るデバイスデータの内容例を示す概念図である。

【図10】実施形態１に係るデバイスデータの内容例を示す概念図である。

【図11】実施形態１に係る情報処理装置が行う処理の手順を示すフローチャートである。

【図12】デバイス又はデバイスの組み合わせに関する情報の表示例を示す模式図である。

【図13】デバイス又はデバイスの組み合わせに関する情報の表示例を示す模式図である。

【図14】実施形態１に係る学習モデルの第２の例の機能を示す概念図である。

【図15】実施形態２に係る学習モデルの機能を示す概念図である。

【図16】実施形態２に係る訓練データの内容例を示す概念図である。

【図17】実施形態２に係る情報処理装置が行う処理の手順を示すフローチャートである。

【図18】実施形態３に係る学習モデルの機能の例を示す概念図である。

【発明を実施するための形態】

【0014】

以下本発明をその実施の形態を示す図面に基づき具体的に説明する。
（実施形態１）
図１は、血管内治療を行うために使用される治療システム１００の概略を示す模式図である。患者４は、血管に疾患を有しており、患者４の血管に経皮的に挿入されるデバイス３を用いて治療が行われる。治療では、単一のデバイス３に限らず、複数のデバイス３の組み合わせが用いられてもよい。治療システム１００は、情報処理装置１と、画像生成装置２１と、表示装置２２とを備える。画像生成装置２１は、患者４の血管に関する血管画像を生成する。血管画像は、患者４の血管を表した画像である。例えば、画像生成装置２１は、患者４へＸ線を照射し、患者４を透過したＸ線を検出し、血管画像として、患者４の血管を撮影したＸ線透過画像を生成する。なお、画像生成装置２１は、音波を利用して生成されるエコー画像等、血管画像としてＸ線透過画像以外の画像を生成する形態であってもよい。

【0015】

表示装置２２は、画像を表示する。表示装置２２は、例えば、液晶ディスプレイ又はＥＬディスプレイ（Electroluminescent Display）である。情報処理装置１は、画像生成装置２１及び表示装置２２に接続されている。情報処理装置１は、画像生成装置２１が生成した血管画像を取得し、血管画像を表示装置２２に表示させる。治療システム１００を使用する使用者は、例えば、血管内治療を実施する施術者５、又は他の医療従事者である。デバイス３は、施術者５の操作によって患者４の血管へ挿入される。施術者５は、表示装置２２に表示された血管画像を視認しながら、デバイス３を操作する。

【0016】

血管内治療には、ガイディングカテーテル、ガイドワイヤ、マイクロカテーテル、バルーンカテーテル及びステント等、複数種類のデバイス３が使用され得る。血管内治療では、複数種類のデバイス３の組み合わせが使用されることもある。血管内治療を行うには、デバイス３の先端が病変部分を通過する必要がある。夫々の種類のデバイス３について、先端形状、滑り性、先端荷重、先端から後端までの間で剛性が変化する点の位置等の複数の要素からなる特性が互いに異なる多くのデバイス３が、多くのメーカによって提供されている。施術者５は、デバイス３の先端が病変部分を通過することができるように、適切なデバイス３又はデバイス３の組み合わせを使用する必要がある。

【0017】

デバイス３が血管内を通って病変部分に到達し、病変部分を通過するための難易度は、血管の状態とデバイス３の特性との組み合わせによって異なる。このため、患者４の血管の形状又は病変部分の状態等の血管の状態に合わせて適切なデバイスを選択する必要がある。例えば、デバイス３の挿入位置から病変部分までの途中の血管が蛇行している場合、デバイス３は、血管壁と接触する面積が広くなる。このとき、デバイス３の滑り性が低く剛性が高いほど、デバイス３と血管壁との間の摩擦抵抗が大きくなり、施術者がデバイス３を病変部分に到達させる難易度が高くなる。このため、滑り性が高く剛性が低いデバイス３を使用することが適切となる。また、例えば、病変部分が硬い場合、先端荷重の低いガイドワイヤは、病変部分を通過することができない。このため、先端荷重の高いガイドワイヤを使用するか、又は先端形状がテーパー形状を有するガイドワイヤを使用することが適切となる。

【0018】

更に、複数のデバイス３を組み合わせて使用する場合は、施術者がデバイス３を病変部分に到達させる難易度は、複数のデバイス３の組み合わせによっても異なる。例えば、病変部分が硬くガイドワイヤが通過しにくい場合、ガイドワイヤをマイクロカテーテルに挿入し、ガイドワイヤの先端近傍でマイクロカテーテルによってガイドワイヤを支持することにより、ガイドワイヤの病変部分への通過性を向上させることができる。このため、ガイドワイヤ及びマイクロカテーテルの適切な組み合わせを選択する必要がある。このように、患者４の血管の状態に応じて、使用すべき適切なデバイス３又はデバイス３の組み合わせが選択されることが望ましい。

【0019】

情報処理装置１は、患者４の血管の状態に応じて、適切なデバイス３又はデバイス３の組み合わせを提案する処理を行う。図２は、情報処理装置１の内部の機能構成例を示すブロック図である。情報処理装置１は、サーバ装置又はパーソナルコンピュータ等のコンピュータである。情報処理装置１は、演算部１１と、メモリ１２と、記憶部１３と、ドライブ部１４と、操作部１５と、インタフェース部１６とを備えている。演算部１１は、例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit）、又はマルチコアＣＰＵを用いて構成されている。演算部１１は、量子コンピュータを用いて構成されていてもよい。メモリ１２は、演算に伴って発生する一時的なデータを記憶する。メモリ１２は、例えば、ＲＡＭ（Random Access Memory）である。記憶部１３は、不揮発性であり、例えば、ハードディスク又は不揮発性半導体メモリである。ドライブ部１４は、光ディスク又は可搬型メモリ等の記録媒体１０から情報を読み取る。

【0020】

演算部１１は、記録媒体１０に記録されたコンピュータプログラム１３１をドライブ部１４に読み取らせ、読み取ったコンピュータプログラム１３１を記憶部１３に記憶させる。演算部１１は、コンピュータプログラム１３１に従って、情報処理装置１に必要な処理を実行する。コンピュータプログラム１３１は、コンピュータプログラム製品であってもよい。コンピュータプログラム１３１は、情報処理装置１の外部からダウンロードされてもよい。又は、コンピュータプログラム１３１は、情報処理装置１に予め記憶されていてもよい。これらの場合は、情報処理装置１は、ドライブ部１４を備えていなくてもよい。

【0021】

操作部１５は、使用者からの操作を受け付けることにより、テキスト等の情報の入力を受け付ける。操作部１５は、例えば、タッチパネル、ペンタブレット、キーボード又はポインティングデバイスである。インタフェース部１６は、画像生成装置２１及び表示装置２２に接続されている。画像生成装置２１は、生成した血管画像を情報処理装置１へ送信し、情報処理装置１は、画像生成装置２１から送信された血管画像をインタフェース部１６で受信する。情報処理装置１は、インタフェース部１６から血管画像を表示装置２２へ送信し、表示装置２２は、情報処理装置１から受信した血管画像を表示する。なお、操作部１５は、情報処理装置１の外部に設けられており、インタフェース部１６に接続されていてもよい。

【0022】

情報処理装置１は、複数のコンピュータにより構成され、データが複数のコンピュータによって分散して記憶されていてもよく、処理が複数のコンピュータによって分散して実行されてもよい。情報処理装置１は、クラウドコンピューティングを利用して実現されてもよく、一台のコンピュータ内に設けられた複数の仮想マシンによって実現されてもよい。

【0023】

情報処理装置１は、適切なデバイス３又はデバイス３の組み合わせを提案するために用いられる学習モデル１３２を備えている。学習モデル１３２は、コンピュータプログラム１３１に従って演算部１１が情報処理を実行することにより実現される。記憶部１３は、学習モデル１３２を実現するために必要なデータを記憶している。学習モデル１３２は、ハードウェアを用いて構成されていてもよい。例えば、学習モデル１３２は、プロセッサと、必要なプログラムおよびデータを記憶するメモリとを含んだハードウェアにより構成されていてもよい。又は、学習モデル１３２は、量子コンピュータを用いて実現されてもよい。或いは、学習モデル１３２は情報処理装置１の外部に設けられており、情報処理装置１は、外部の学習モデル１３２を利用して処理を実行する形態であってもよい。例えば、学習モデル１３２はクラウドを利用して実現されてもよい。

【0024】

図３は、実施形態１に係る学習モデル１３２の機能を示す概念図である。学習モデル１３２には、病変部分を含んだ患者４の血管を表した血管画像と、デバイス３の特性を示すデバイス情報とが入力される。学習モデル１３２は、血管画像とデバイス情報とが入力された場合に、患者４に関する血管内治療に、デバイス情報で特性が示されているデバイス３を用いることの推奨度を出力するように、予め学習されている。

【0025】

図４は、血管画像の例を示す模式図である。血管画像は、画像生成装置２１によって生成された画像である。血管画像には、患者４の血管の形状及び病変部分の位置等の血管の状態が表現されている。学習モデル１３２へ入力される血管画像は、単一であってもよく、複数であってもよく、動画像であってもよい。学習モデル１３２へ入力される複数の血管画像は、病変部分を含んだ血管の同一部分を表し、生成された時点が異なる複数の画像を含んでもよく、患者４の血管の複数の部分を表した複数の画像を含んでもよい。

【0026】

図５は、実施形態１に係るデバイス情報の内容例を示す概念図である。図５Ａは、デバイス情報が単一のデバイス３に関する情報からなる例を示す。デバイス情報には、ガイディングカテーテル、ガイドワイヤ、マイクロカテーテル、バルーンカテーテル、又はステントといったデバイス３の種類と、デバイス３の製品名とが含まれる。また、デバイス情報には、先端形状、滑り性、所定の先端部分の荷重である先端荷重、及び剛性変化点の位置等の複数の要素からなるデバイス３の特性が記録されている。デバイスの種類及び先端形状については、デバイスの種類及び形状の名称が記録され、滑り性、先端荷重及び剛性変化点の位置等の各要素については、数値が記録されている。デバイス３の特性は、名称又は数値以外の形態で記録されてもよい。例えば、名称の代わりに名称に対応する数列が記録されていてもよい。

【0027】

図５Ｂは、デバイス情報がデバイス３の組み合わせに関する情報からなる例を示す。複数種類のデバイス３の組み合わせが使用される場合は、デバイス情報は、デバイス３の組み合わせに含まれる夫々のデバイス３に関する情報を含む。デバイス情報には、夫々のデバイス３の特性を示す情報が含まれる。デバイス３の組み合わせがガイドワイヤ及びバルーンカテーテルからなる場合は、夫々のデバイス３の種類、先端形状、滑り性、先端荷重及び剛性変化点の位置等の要素からなる特性が、デバイス情報に含まれている。図５Ａ及び図５Ｂに示すデバイス情報は一例であり、デバイス情報は、剛性変化点の位置等、デバイス３の特性に含まれる他の要素を含んでいてもよい。或いは、デバイス情報は、図５Ａ及び図５Ｂに示す要素の一部を含んでいなくてもよい。例えば、デバイス情報は製品名を含んでいなくてもよい。

【0028】

推奨度は、血管内治療にデバイス３を用いることを推奨する度合を示す数値である。例えば、デバイス３を用いることが推奨される場合は推奨度の値が高くなり、デバイス３を用いることが推奨されない場合は推奨度の値が低くなる。例えば、推奨度は、０％～１００％の数値で表される。推奨度は、血管内治療にデバイス３の組み合わせを用いることを推奨する度合を示す数値であってもよい。学習モデル１３２は、ＣＮＮ（Convolutional Neural Network）、ＬＳＴＭ（Long short-term memory）又はトランスフォーマ等のニューラルネットワークを用いて構成されている。学習モデル１３２は、ニューラルネットワーク以外の方法を用いたモデルであってもよい。

【0029】

学習モデル１３２の学習は、学習装置６によって行われる。図６は、学習装置６の内部の機能構成例を示すブロック図である。学習装置６は、サーバ装置又はパーソナルコンピュータ等のコンピュータである。学習装置６は、演算部６１と、メモリ６２と、ドライブ部６３と、記憶部６４と、操作部６５と、表示部６６と、インタフェース部６７とを備えている。演算部６１は、例えば、ＣＰＵ、ＧＰＵ、又はマルチコアＣＰＵを用いて構成されている。演算部６１は、量子コンピュータを用いて構成されていてもよい。メモリ６２は、演算に伴って発生する一時的なデータを記憶する。メモリ６２は、例えば、ＲＡＭである。ドライブ部６３は、光ディスク又は可搬型メモリ等の記録媒体６０から情報を読み取る。記憶部６４は、不揮発性であり、例えばハードディスク又は不揮発性半導体メモリである。

【0030】

演算部６１は、記録媒体６０に記録されたコンピュータプログラム６４１をドライブ部６３に読み取らせ、読み取ったコンピュータプログラム６４１を記憶部６４に記憶させる。演算部６１は、コンピュータプログラム６４１に従って、学習装置６に必要な処理を実行する。コンピュータプログラム６４１は、コンピュータプログラム製品であってもよい。コンピュータプログラム６４１は、学習装置６の外部からダウンロードされてもよく、学習装置６に予め記憶されていてもよい。これらの場合は、学習装置６はドライブ部６３を備えていなくてもよい。

【0031】

操作部６５は、使用者からの操作を受け付けることにより、情報の入力を受け付ける。操作部１５は、例えば、タッチパネル、ペンタブレット、キーボード又はポインティングデバイスである。表示部６６は、情報を表示する。表示部６６は、例えば、液晶ディスプレイ又はＥＬディスプレイである。操作部６５及び表示部６６は、一体になっていてもよい。インタフェース部６７は、データの入力を受け付ける。学習装置６は、複数のコンピュータにより構成されていてもよく、クラウドコンピューティングを利用して実現されてもよい。学習装置６は、情報処理装置１により実現されてもよい。

【0032】

記憶部６４は、学習モデルを学習させるための訓練データを記憶している。図７は、実施形態１に係る訓練データの内容例を示す概念図である。訓練データは、病変部分を含んだ患者４の血管を表した血管画像と、血管画像で表される血管に対して行われた血管内治療で用いられたデバイス３に関するデバイス情報とを含む。訓練データは、同一の患者４の血管を表した複数の血管画像を含んでいてもよい。デバイス情報は、血管内治療で用いられたデバイス３の組み合わせに含まれる夫々のデバイス３に関する情報を含んでいてもよい。また、訓練データは、デバイス情報に係るデバイス３が血管内治療において病変部分を通過することができたか否かを示す通過結果を含んでいる。又は、通過結果は、デバイス情報に係るデバイス３の組み合わせに含まれるデバイス３が血管内治療において病変部分を通過することができたか否かを示す。例えば、通過結果の内容は、成功又は失敗である。

【0033】

訓練データに含まれる血管画像、デバイス情報及び通過結果は互いに関連付けられている。訓練データは、血管画像、デバイス情報及び通過結果からなる情報セットを複数含んでいる。訓練データは、通過結果が成功である情報セットと、通過結果が失敗である情報セットとを両方含んでいる。訓練データに含まれる情報は、過去に行われた血管内治療に基づいて生成された情報である。例えば、訓練データに含まれる情報は、実際に治療システム１００を使用して血管内治療を行った際に得られた情報である。例えば、訓練データに含まれる情報は、論文に記載された血管内治療に関する情報である。訓練データに含まれる夫々の情報は、使用者が操作部６５を操作することにより、又はインタフェース部６７により入力され、記憶部６４に記憶される。

【0034】

学習装置６は、学習モデル生成方法を実行する。図８は、学習装置６が実行する処理の手順を示すフローチャートである。以下、ステップをＳと略す。演算部６１がコンピュータプログラム６４１に従って情報処理を実行することにより、学習装置６は、以下の処理を実行する。演算部６１が記憶部６４に記憶している訓練データを読み出すことにより、学習装置６は、訓練データを取得する（Ｓ１１）。Ｓ１１において、学習装置６は、学習装置６の外部に記憶された訓練データをインタフェース部１６を介して読み出すことにより、訓練データを取得してもよい。

【0035】

学習装置６は、次に、訓練データに基づいた学習により、適切なデバイス３又はデバイス３の組み合わせを提案するために用いられる学習モデルを生成する（Ｓ１２）。学習モデルは、コンピュータプログラム６４１に従って演算部６１が情報処理を実行することにより実現される。記憶部６４は、学習モデルを実現するために必要なデータを記憶している。なお、学習モデルは、ハードウェアにより構成されていてもよい。学習モデルは、量子コンピュータを用いて実現されてもよい。

【0036】

Ｓ１２では、演算部６１は、訓練データに含まれる血管画像及びデバイス情報を学習モデルへ入力し、学習モデルの学習を行う。演算部６１は、複数の血管画像を学習モデルへ入力してもよい。演算部６１は、デバイス情報として、単一のデバイス３に係るデバイス情報を学習モデルへ入力する。或いは、演算部６１は、デバイス情報として、デバイス３の組み合わせに含まれる複数のデバイス３に係るデバイス情報を学習モデルへ入力する。学習モデルは、血管画像及びデバイス情報の入力に応じて、演算を行い、血管内治療にデバイス３又はデバイス３の組み合わせを用いることの推奨度を出力する。演算部６１は、学習モデルが出力した推奨度と、学習モデルへ入力された血管画像及びデバイス情報に関連付けられた通過結果に相当する推奨度との誤差が小さくなるように、学習モデルの演算のパラメータを調整する。

【0037】

演算部６１は、通過結果が成功である場合は通過結果に相当する推奨度を高くし、通過結果が失敗である場合は通過結果に相当する推奨度を低くする。例えば、通過結果が成功である場合は推奨度を１００％とし、通過結果が失敗である場合は推奨度を０％とする。学習モデルが出力した推奨度と、通過結果に相当する推奨度との誤差が小さくなるように、パラメータが調整される。例えば、成功を示す通過結果が関連付けられた血管画像及びデバイス情報を学習モデルへ入力した場合に、ほぼ１００％の推奨度を学習モデルが出力するように、パラメータが調整される。

【0038】

なお、通過結果は０％又は１００％以外の推奨度に換算されてＳ１２の処理が行われてもよい。例えば、訓練データには、成功又は失敗以外の状態を示す通過結果が含まれており、通過結果が０％から１００％までの間の所定の数値に換算され、Ｓ１２の処理が行われてもよい。訓練データには、通過結果として推奨度の数値が記録されていてもよい。

【0039】

演算部６１は、訓練データに含まれる、血管画像、デバイス情報及び通過結果からなる複数の情報セットを用いて、処理を繰り返し、学習モデルのパラメータを調整することにより、学習モデルの機械学習を行う。演算部６１は、このように演算のパラメータを調整することによって、学習モデル１３２を生成する。演算部６１は、調整された最終的なパラメータを記憶部６４に記憶する。Ｓ１２が終了した後は、学習装置６は、処理を終了する。

【0040】

情報処理装置１が備える学習モデル１３２は、Ｓ１１～Ｓ１２により生成された学習モデルである。例えば、Ｓ１２で調整された最終的なパラメータが、インタフェース部１６を通じて情報処理装置１へ入力され、記憶部１３に記憶される。演算部１１が記憶されたパラメータを利用した情報処理を実行することにより、学習モデル１３２が実現される。

【0041】

血管画像は血管の状態を表し、デバイス情報はデバイス３の特性を示す。血管内治療を行うためにデバイス３が血管内の病変部分を通過するための難易度は、血管の状態とデバイス３の特性との組み合わせによって異なる。血管の状態とデバイス３の特性との組み合わせが、難易度が高くなるような組み合わせである場合は、そのデバイス３を用いることの推奨度は低くなり、難易度が低くなるような組み合わせである場合は、そのデバイス３を用いることの推奨度は高くなる。このように、血管の状態を表した血管画像とデバイス３の特性を示したデバイス情報とは、当該血管に対する血管内治療において当該デバイス３を使用することの推奨度に関連する。同様に、血管画像と、デバイス３の組み合わせに含まれるデバイス３の特性を示したデバイス情報とは、当該血管に対する血管内治療において当該デバイス３を使用することの推奨度に関連する。このため、血管画像及びデバイス情報に応じて推奨度を出力する学習モデル１３２を生成することが可能である。

【0042】

訓練データは、デバイス３が病変部分を通過することができたときの血管画像及びデバイス情報を含む。これらの血管画像及びデバイス情報を学習モデルへ入力した場合に学習モデルから出力される推奨度が高くなるように、学習モデルの学習が行われる。この結果、学習された学習モデル１３２は、デバイス３が病変部分を通過することが容易な状況での血管画像及びデバイス情報を入力された場合に、高い推奨度を出力するようになる。また、訓練データは、デバイス３が病変部分を通過することができなかったときの血管画像及びデバイス情報を含む。これらの血管画像及びデバイス情報を学習モデルへ入力した場合に学習モデルから出力される推奨度が低くなるように、学習モデルの学習が行われる。この結果、学習された学習モデル１３２は、デバイス３が病変部分を通過することが困難な状況での血管画像及びデバイス情報を入力された場合に、低い推奨度を出力するようになる。このため、血管内治療においてデバイス３又はデバイス３の組み合わせを使用することの推奨度が、学習モデル１３２によって精度良く得られるようになる。

【0043】

次に、治療システム１００が実行する処理を説明する。治療システム１００は、医療機関に設置されている。情報処理装置１の記憶部１３は、医療機関で使用可能な複数のデバイス３に関する情報を記録したデバイスデータを記憶している。例えば、医療機関で在庫のあるデバイス３に関する情報が予めデバイスデータに記録されている。

【0044】

図９及び図１０は、実施形態１に係るデバイスデータの内容例を示す概念図である。図９は、デバイスデータが個々のデバイス３に関する情報からなる例を示す。デバイスデータには、ガイドワイヤＡ１、ガイドワイヤＡ２、バルーンカテーテルＢ１等、複数のデバイス３の名称が記録されている。デバイス３の名称は、製品名と同じであってもよい。デバイスデータには、夫々のデバイスの名称に関連付けて、デバイス３の種類、製品名、先端形状、滑り性、先端荷重及び剛性変化点の位置等の要素からなるデバイス３の特性を示すデバイス情報が記録されている。図１０は、デバイスデータがデバイス３の組み合わせに関する情報からなる例を示す。デバイスデータには、デバイスの組み合わせＥ１、デバイスの組み合わせＥ２等のデバイス３の組み合わせの名称に関連付けて、デバイス３の組み合わせに含まれる複数のデバイス３の名称と各デバイス３の特性を示すデバイス情報が記録されている。デバイスデータには、デバイス３又はデバイス３の組み合わせの名称の代わりに、型番又はメーカ名等、デバイス３又はデバイス３の組み合わせを特定するための情報が記録されていてもよい。

【0045】

情報処理装置１は、血管内治療で使用すべきデバイス３又はデバイス３の組み合わせの推奨度を取得するための情報処理方法を実行する。図１１は、実施形態１に係る情報処理装置１が行う処理の手順を示すフローチャートである。演算部１１がコンピュータプログラム１３１に従って情報処理を実行することにより、情報処理装置１は、以下の処理を実行する。画像生成装置２１は、患者４の血管に関する血管画像を生成し、生成した血管画像を情報処理装置１へ入力する。情報処理装置１は、画像生成装置２１から入力された血管画像を取得する（Ｓ２１）。Ｓ２１では、インタフェース部１６が血管画像を受け付け、演算部１１が血管画像を記憶部１３に記憶させる。Ｓ２１の処理は、画像取得部に対応する。

【0046】

情報処理装置１は、次に、記憶部１３に記憶しているデバイスデータから、デバイス情報を取得する（Ｓ２２）。Ｓ２２では、演算部１１は、一のデバイス３に係るデバイス情報を、デバイスデータから抽出することにより、デバイス情報を取得する。又は、演算部１１は、デバイスデータに含まれる一組のデバイス３の組み合わせに含まれる複数のデバイス３に係るデバイス情報を抽出することにより、デバイス情報を取得する。

【0047】

情報処理装置１は、血管画像及びデバイス情報を学習モデル１３２へ入力する（Ｓ２３）。Ｓ２３では、演算部１１は、Ｓ２１で取得した血管画像と、Ｓ２２で取得したデバイス情報とを学習モデル１３２へ入力し、学習モデル１３２に処理を実行させる。演算部１１は、複数の血管画像を学習モデル１３２へ入力してもよい。演算部１１は、一のデバイス３に係るデバイス情報、又は、一組のデバイス３の組み合わせに含まれる複数のデバイス３に係るデバイス情報を学習モデル１３２へ入力する。学習モデル１３２は、血管画像及びデバイス情報の入力に応じて、血管内治療においてデバイス３又はデバイス３の組み合わせを使用することの推奨度を出力する。情報処理装置１は、学習モデル１３２が出力した推奨度を取得する（Ｓ２４）。演算部１１は、デバイス情報を学習モデル１３２へ入力したデバイス３又はデバイス３の組み合わせと関連付けて、取得した推奨度を記憶部１３に記憶する。Ｓ２４の処理は、推奨度取得部に対応する。

【0048】

情報処理装置１は、全てのデバイス３又はデバイス３の組み合わせについて推奨度を取得したか否かを判定する（Ｓ２５）。Ｓ２５では、演算部１１は、記憶部１３に記憶しているデバイスデータにデバイス情報を記録している全てのデバイス３又はデバイス３の組み合わせについてＳ２２～Ｓ２４の処理を行ったか否かを判定する。まだ推奨度を取得していないデバイス３又はデバイス３の組み合わせがある場合は（Ｓ２５：ＮＯ）、情報処理装置１は、処理をＳ２２へ戻す。Ｓ２２では、演算部１１は、まだ推奨度を取得していないデバイス３又はデバイス３の組み合わせに係るデバイス情報を、デバイスデータから取得する。

【0049】

全てのデバイス３又はデバイス３の組み合わせについて推奨度を取得している場合は（Ｓ２５：ＹＥＳ）、情報処理装置１は、推奨度が相対的に高いデバイス３又はデバイス３の組み合わせを選択する（Ｓ２６）。Ｓ２６では、演算部１１は、推奨度が高い方から所定数のデバイス３又はデバイス３の組み合わせを選択する。所定数は単数でもよく複数でもよい。なお、情報処理装置１は、全てのデバイス３又はデバイス３の組み合わせについて推奨度を取得するための処理を行うものに限るものではなく、所定数のデバイス３又はデバイス３の組み合わせについて推奨度を取得してもよい。情報処理装置１は、使用者が操作部１５を操作することによってデバイス３又はデバイス３の組み合わせの指定を受け付け、指定されたデバイス３又はデバイス３の組み合わせについて推奨度を取得するための処理を行ってもよい。

【0050】

情報処理装置１は、選択したデバイス３又はデバイス３の組み合わせに関する情報を出力する（Ｓ２７）。Ｓ２７では、演算部１１は、選択したデバイス３又はデバイス３の組み合わせを特定するための名称等の情報と、推奨度とを、インタフェース部１６から表示装置２２へ送信する。表示装置２２は、デバイス３又はデバイス３の組み合わせを特定するための情報と、推奨度とを表示する。Ｓ２７の処理は出力部に対応する。

【0051】

図１２及び図１３は、デバイス３又はデバイス３の組み合わせに関する情報の表示例を示す模式図である。図１２は、個々のデバイス３について推奨度を取得し情報を取得した例を示す。ガイドワイヤ、バルーンカテーテル、マイクロカテーテル及びガイディングカテーテル等の夫々の種類のデバイス３について、個々のデバイス３の名称が表示され、各デバイス３を血管内治療に使用することの推奨度が表示される。デバイス３のメーカ名等、名称以外にデバイス３を特定する情報が出力されてもよい。図１２には、夫々の種類について三個のデバイス３に関する情報を出力した例を示しているが、その他の数のデバイス３に関する情報が表示されてもよい。

【0052】

図１３は、デバイス３の組み合わせについて推奨度を取得し情報を取得した例を示す。デバイス３の組み合わせの夫々の名称と、デバイス３の組み合わせに含まれる複数のデバイスの名称とが表示され、デバイス３の組み合わせの夫々を血管内治療において使用することの推奨度が表示される。使用者は、表示装置２２が表示した情報を視認することにより、推奨度の高いデバイス３又はデバイス３の組み合わせに関する情報を確認する。Ｓ２７が終了した後は、情報処理装置１は、処理を終了する。Ｓ２１～Ｓ２７の処理は、血管内治療が行われる前に実行される。

【0053】

以上のように、情報処理装置１は、患者４に関する血管画像とデバイス３又はデバイス３の組み合わせに関するデバイス情報に応じて、デバイス３又はデバイス３の組み合わせを血管内治療において使用することの推奨度を得る。学習モデル１３２を利用することにより、情報処理装置１は、推奨度を容易に取得することができる。

【0054】

また、情報処理装置１は、推奨度に応じて、デバイス３又はデバイス３の組み合わせに関する情報を出力する。特に、情報処理装置１は、推奨度の高いデバイス３又はデバイス３の組み合わせに関する情報を出力する。使用者は、出力された情報を確認することにより、血管内治療を実行する前に、推奨度の高いデバイス３又はデバイス３の組み合わせを知ることができる。使用者は、推奨度の高いデバイス３又はデバイス３の組み合わせを選択し、選択したデバイス３又はデバイス３の組み合わせを用いて血管内治療を行うことができる。情報処理装置１が、使用可能な複数のデバイス３又は複数組のデバイス３の組み合わせについて推奨度を取得し、推奨度の高いデバイス３又はデバイス３の組み合わせに関する情報を出力することによって、使用者は、使用可能な複数のデバイス３又は複数組のデバイス３の組み合わせから、適切なデバイス３又はデバイス３の組み合わせを選ぶことが可能となる。このようにして、情報処理装置１は、血管内治療で使用すべき適切なデバイス３又はデバイス３の組み合わせを使用者が選択することを補助する。

【0055】

推奨度の高いデバイス３又はデバイス３の組み合わせを用いることにより、血管内治療においてデバイスが血管の病変部分を通過する難易度が低くなる。デバイスが血管の病変部分を通過することによって、使用者は、血管内治療を成功させることが可能となる。このため、使用者は、血管内治療を安全に確実に行うことが可能となる。このように、使用者は、患者の血管の状態に応じて、血管内治療を安全に確実に行うことができるように、適切なデバイス３を容易に選択することが可能となる。

【0056】

なお、情報処理装置１は、患者４の既往歴に応じた推奨度を得る形態であってもよい。例えば、特定の疾患を有する患者では、疾患を有していない人に比べて血管の柔軟性が異なるので、デバイス３が血管の病変部分を通過する難易度が異なる。図１４は、実施形態１に係る学習モデル１３２の第２の例の機能を示す概念図である。学習モデル１３２には、血管画像と、デバイス情報と、患者４の既往歴とが入力される。既往歴には、患者４の年齢、健康診断の結果、病歴又は治療歴等が含まれる。学習モデル１３２は、血管画像とデバイス情報と患者４の既往歴とが入力された場合に、患者４に関する血管内治療に、デバイス情報で特性が示されているデバイス３を用いることの推奨度を、出力するように、予め学習されている。

【0057】

学習装置６は、血管画像と、デバイス情報と、患者４の既往歴と、通過結果とが互いに関連付けられた訓練データを用いた学習により、学習モデル１３２を生成する。Ｓ１２では、学習装置６は、訓練データに含まれる血管画像、デバイス情報及び既往歴を学習モデルへ入力する。学習モデルは、血管画像、デバイス情報及び既往歴の入力に応じて、演算を行い、血管内治療にデバイス３又はデバイス３の組み合わせを用いることの推奨度を出力する。演算部６１は、学習モデルが出力した推奨度と、学習モデルへ入力された血管画像、デバイス情報及び既往歴に関連付けられた通過結果に相当する推奨度との誤差が小さくなるように、学習モデルの演算のパラメータを調整する。演算部６１は、訓練データに含まれる、血管画像、デバイス情報、既往歴及び通過結果からなる複数の情報セットを用いて、処理を繰り返し、学習モデルのパラメータを調整することにより、学習モデルの機械学習を行う。このように演算のパラメータが調整されることによって、学習モデル１３２が生成される。

【0058】

情報処理装置１は、学習モデル１３２を用いて、患者４の既往歴に応じた推奨度を取得する。Ｓ２３の前に、情報処理装置１は、患者４の既往歴を取得する。例えば、患者４の既往歴を記憶部１３に記憶しておき、演算部１１は、既往歴を記憶部１３から読み出すことにより、患者４の既往歴を取得する。Ｓ２３では、情報処理装置１は、取得した血管画像、デバイス情報及び既往歴を学習モデル１３２へ入力し、学習モデル１３２に処理を実行させる。学習モデル１３２は、血管画像、デバイス情報及び既往歴が入力されたことに応じて、血管内治療においてデバイス３又はデバイス３の組み合わせを使用することの推奨度を出力する。

【0059】

この形態においても、情報処理装置１によって、推奨度に応じたデバイス３又はデバイス３の組み合わせに関する情報が表示されるので、使用者は、デバイス３を選択することができる。これにより、情報処理装置１は、血管内治療で使用すべき適切なデバイス３又はデバイス３の組み合わせを使用者が選択することを補助する。使用者は、患者４の既往歴に応じたより適切なデバイス３又はデバイス３の組み合わせを選択することが可能となるので、より安全で確実な血管内治療を行うことが可能となる。

【0060】

（実施形態２）
図１５は、実施形態２に係る学習モデル１３２の機能を示す概念図である。学習モデル１３２には、病変部分を含んだ患者４の血管を表した血管画像が入力される。学習モデル１３２は、血管画像が入力された場合に、デバイスＡ及びデバイスＢ等の複数のデバイス３の夫々について、血管内治療に用いることの推奨度を出力するように、予め学習されている。又は、学習モデル１３２は、血管画像が入力された場合に、デバイスの組み合わせＡ及びデバイスの組み合わせＢ等の複数組のデバイス３の組み合わせの夫々について、血管内治療に用いることの推奨度を出力するように、予め学習されている。

【0061】

学習装置６の構成は、実施形態１と同様である。学習装置６は、学習モデル生成方法を実行する。図１６は、実施形態２に係る訓練データの内容例を示す概念図である。訓練データは、病変部分を含んだ患者４の血管を表した血管画像と、デバイスの名称等の複数のデバイス３の夫々を特定するための情報と、各デバイス３を特定するための情報に関連付けられた通過結果とを含んでいる。又は、訓練データは、血管画像と、デバイス３の組み合わせの名称等の複数組のデバイス３の組み合わせの夫々を特定するための情報と、デバイス３の組み合わせの夫々を特定するための情報に関連付けられた通過結果とを含んでいる。なお、訓練データは、同一の患者４の血管を表した複数の血管画像を含んでいてもよい。

【0062】

血管画像で表される血管に対して行われた血管内治療で用いられたデバイス３又はデバイス３の組み合わせに関連して、通過結果として成功又は失敗が記録されている。当該血管に対する血管内治療で用いられていないデバイス３又はデバイス３の組み合わせに関しては、通過結果として成功も失敗も記録されていない。血管画像と複数のデバイス３又は複数組のデバイス３の組み合わせを特定するための情報と通過結果とは互いに関連付けられている。訓練データには、血管画像と複数のデバイス３又は複数組のデバイス３の組み合わせを特定するための情報と通過結果とからなる情報セットが複数含まれている。

【0063】

学習装置６は、Ｓ１１～Ｓ１２の処理を実行することにより、学習モデル１３２を生成する。Ｓ１２では、学習装置６は、訓練データに含まれる血管画像を学習モデルへ入力する。学習モデルは、血管画像の入力に応じて、演算を行い、血管内治療に複数のデバイス３又は複数組のデバイス３の組み合わせの夫々を用いることの推奨度を出力する。演算部６１は、学習モデルが出力した推奨度と、学習モデルへ入力された血管画像に関連付けられた通過結果に相当する推奨度との誤差が小さくなるように、学習モデルの演算のパラメータを調整する。

【0064】

学習装置６は、通過結果が成功である場合は通過結果に相当する推奨度を高くし、通過結果が失敗である場合は通過結果に相当する推奨度を低くし、通過結果が成功でも失敗でもない場合は推奨度を中間の値にする。例えば、通過結果が成功である場合は推奨度を正の値にし、通過結果が失敗である場合は推奨度を負の値にし、通過結果が成功でも失敗でもない場合は推奨度をゼロにする。学習モデルが出力した推奨度と、通過結果に相当する推奨度との誤差が小さくなるように、パラメータが調整される。演算部６１は、訓練データに含まれる複数の情報セットを用いて、処理を繰り返し、学習モデルのパラメータを調整することにより、学習モデルの機械学習を行う。このように演算のパラメータが調整されることによって、学習モデル１３２が生成される。

【0065】

血管内治療を行うためにデバイス３が血管内の病変部分を通過するための難易度は、血管の状態とデバイス３との組み合わせによって異なる。このため、血管の状態を表した血管画像は、特定のデバイス３又はデバイス３の組み合わせを血管内治療に用いることの推奨度に関連する。したがって、血管画像に応じて夫々のデバイス３又はデバイス３の組み合わせの推奨度を出力する学習モデル１３２を生成することが可能である。

【0066】

訓練データは、血管画像と病変部分を通過することができたデバイス３又はデバイス３の組み合わせを特定する情報とを含む。これらの血管画像とデバイス３又はデバイス３の組み合わせを特定する情報とを学習モデルへ入力した場合に学習モデルから出力される推奨度が高くなるように、学習モデルの学習が行われる。この結果、学習された学習モデル１３２は、デバイス３又はデバイス３の組み合わせが病変部分を通過することが容易な状況での血管画像とデバイス３又はデバイス３の組み合わせを特定する情報とを入力された場合に、高い推奨度を出力するようになる。また、訓練データは、病変部分を通過することができなかったときの血管画像とデバイス３又はデバイス３の組み合わせを特定する情報とを含む。これらの血管画像とデバイス３又はデバイス３の組み合わせを特定する情報とを学習モデルへ入力した場合に学習モデルから出力される推奨度が低くなるように、学習モデルの学習が行われる。この結果、学習された学習モデル１３２は、デバイス３又はデバイス３の組み合わせが病変部分を通過することが困難な状況での血管画像とデバイス３又はデバイス３の組み合わせを特定する情報とを入力された場合に、低い推奨度を出力するようになる。このため、血管内治療において夫々のデバイス３又はデバイス３の組み合わせを使用することの推奨度が、学習モデル１３２によって精度良く得られるようになる。

【0067】

情報処理装置１は、血管内治療で使用すべきデバイス３又はデバイス３の組み合わせの推奨度を取得するための情報処理方法を実行する。記憶部１３は、実施形態１と同様のデバイスデータを記憶している。図１７は、実施形態２に係る情報処理装置１が行う処理の手順を示すフローチャートである。情報処理装置１は、画像生成装置２１から入力された血管画像を取得する（Ｓ３１）。Ｓ３１の処理は、画像取得部に対応する。

【0068】

情報処理装置１は、血管画像を学習モデル１３２へ入力する（Ｓ３２）。Ｓ３２では、演算部１１は、Ｓ３１で取得した血管画像を学習モデル１３２へ入力し、学習モデル１３２に処理を実行させる。演算部１１は、複数の血管画像を学習モデル１３２へ入力してもよい。学習モデル１３２は、血管画像の入力に応じて、血管内治療において複数のデバイス３又は複数組のデバイス３の組み合わせの夫々を使用することの推奨度を出力する。

【0069】

情報処理装置１は、学習モデル１３２が複数のデバイス３又は複数組のデバイス３の組み合わせの夫々について出力した推奨度を取得する（Ｓ３３）。演算部１１は、夫々のデバイス３又はデバイス３の組み合わせと関連付けて、取得した推奨度を記憶部１３に記憶する。Ｓ３３の処理は、推奨度取得部に対応する。

【0070】

情報処理装置１は、デバイスデータに情報が記録されており、推奨度が相対的に高いデバイス３又はデバイス３の組み合わせを選択する（Ｓ３４）。Ｓ３４では、演算部１１は、デバイスデータに情報が記録されており、かつ推奨度が取得された複数のデバイス３又は複数組のデバイス３の組み合わせの中から、推奨度が高い所定数のデバイス３又はデバイス３の組み合わせを選択する。所定数は、単数でもよく複数でもよい。

【0071】

情報処理装置１は、選択したデバイス３又はデバイス３の組み合わせに関する情報を出力する（Ｓ３５）。Ｓ３５では、演算部１１は、選択したデバイス３又はデバイス３の組み合わせを特定するための名称等の情報と、推奨度とを、インタフェース部１６から表示装置２２へ送信する。表示装置２２は、デバイス３又はデバイス３の組み合わせを特定するための情報と、推奨度とを表示する。表示装置２２が表示する情報の内容は、実施形態１と同様である。Ｓ３５の処理は、出力部に対応する。Ｓ３５が終了した後は、情報処理装置１は、処理を終了する。Ｓ３１～Ｓ３５の処理は血管内治療が行われる前に実行される。

【0072】

以上のように、実施形態２においては、情報処理装置１は、患者４に関する血管画像に応じて、複数のデバイス３又は複数組のデバイス３の組み合わせの夫々の推奨度を得る。学習モデル１３２を利用することにより、情報処理装置１は、推奨度を容易に取得することができる。情報処理装置１は、推奨度の高いデバイス３又はデバイス３の組み合わせに関する情報を出力する。使用者は、出力された情報を確認し、推奨度の高いデバイス３又はデバイス３の組み合わせを選択することができる。使用可能な複数のデバイス３又は複数組のデバイス３の組み合わせの中で推奨度の高いデバイス３又はデバイス３の組み合わせについて情報処理装置１が情報を出力することによって、使用者は、使用可能な複数のデバイス３又は複数組のデバイス３の組み合わせから、適切なデバイス３又はデバイス３の組み合わせを選ぶことが可能となる。このようにして、実施形態２においても、情報処理装置１は、血管内治療で使用すべき適切なデバイス３又はデバイス３の組み合わせを使用者が選択することを補助する。推奨度の高いデバイス３又はデバイス３の組み合わせを用いることにより、血管内治療を安全に確実に行うことが可能となる。

【0073】

実施形態２においても、情報処理装置１は、患者４の既往歴に応じた推奨度を得る形態であってもよい。学習モデル１３２には、血管画像と、患者４の既往歴とが入力される。学習モデル１３２は、血管画像及び既往歴が入力された場合に、デバイスＡ及びデバイスＢ等の複数のデバイス３の夫々について推奨度を出力するように、予め学習されている。又は、学習モデル１３２は、血管画像及び記憶歴が入力された場合に、デバイスの組み合わせＡ及びデバイスの組み合わせＢ等の複数組のデバイス３の組み合わせの夫々について推奨度を出力するように、予め学習されている。

【0074】

学習装置６は、血管画像と、デバイス３又はデバイス３の組み合わせを特定するための情報と、通過結果と、患者４の既往歴とが互いに関連付けられた訓練データを用いた学習により、学習モデル１３２を生成する。Ｓ１２では、学習装置６は、訓練データに含まれる血管画像及び既往歴を学習モデルへ入力する。学習モデルは、血管画像及び既往歴の入力に応じて、演算を行い、複数のデバイス３又は複数組のデバイス３の組み合わせの夫々の推奨度を出力する。演算部６１は、学習モデルが出力した推奨度と、学習モデルへ入力された血管画像及び既往歴に関連付けられた通過結果に相当する推奨度との誤差が小さくなるように、学習モデルの演算のパラメータを調整する。演算部６１は、訓練データに含まれる複数の情報セットを用いて、処理を繰り返し、学習モデルのパラメータを調整することにより、学習モデルの機械学習を行い、学習モデル１３２が生成される。

【0075】

情報処理装置１は、学習モデル１３２を用い、患者４の既往歴に応じた夫々のデバイス３又はデバイス３の組み合わせの推奨度を取得する。Ｓ３２の前に、情報処理装置１は、患者４の既往歴を取得する。Ｓ３２では、情報処理装置１は、取得した血管画像及び既往歴を学習モデル１３２へ入力し、学習モデル１３２に処理を実行させる。学習モデル１３２は、血管画像及び既往歴の入力に応じて、複数のデバイス３又は複数組のデバイス３の組み合わせの夫々の推奨度を出力する。この形態においても、情報処理装置１によって、推奨度に応じたデバイス３又はデバイス３の組み合わせに関する情報が表示されるので、使用者は、患者４の既往歴に応じたより適切なデバイス３又はデバイス３の組み合わせを選択することが可能となる。

【0076】

（実施形態３）
実施形態３では、デバイス３又はデバイス３の組み合わせの特性別に推奨度を取得する形態を示す。図１８は、実施形態３に係る学習モデル１３２の機能の例を示す概念図である。学習モデル１３２には、病変部分を含んだ患者４の血管を表した血管画像が入力される。図１８Ａには、特性Ａ及び特性Ｂ等の所定の特性を有するデバイス３又はデバイス３の組み合わせの推奨度を学習モデル１３２が出力する形態を示す。特性Ａ及び特性Ｂ等の所定の特性は、デバイス３又はデバイス３の組み合わせの特性に含まれる先端形状、滑り性、先端荷重、剛性変化点の位置等の複数の要素を所定の値に定めたものである。学習モデル１３２は、血管画像が入力された場合に、複数の所定の特性を有するデバイス３又はデバイス３の組み合わせの夫々について推奨度を出力するように、予め学習されている。

【0077】

図１８Ｂは、学習モデル１３２が、デバイス３の特性に含まれる夫々の要素について出力する形態を示す。学習モデル１３２は、先端形状、滑り性、先端荷重、及び剛性変化点の位置等の要素について、各要素の値（形状の名称や数値）別に推奨度を出力する。例えば、先端形状が取り得る形状にはストレート型又はアングル型等の複数の形状があり、学習モデル１３２は、夫々の形状に対して推奨度を出力する。また、学習モデル１３２は、滑り性、先端荷重、及び剛性変化点の位置について、各要素が取り得る数値の複数の範囲の夫々に対して、推奨度を出力する。学習モデル１３２は、血管画像が入力された場合に、各要素の夫々の値（形状の名称や数値）に対して推奨度を出力するように、予め学習されている。

【0078】

学習装置６の構成は、実施形態１と同様である。学習装置６は、学習モデル生成方法を実行する。訓練データの内容は、図７に示した実施形態１における例と同様である。訓練データには、病変部分を含んだ患者４の血管を表した血管画像と、デバイス３に関するデバイス情報と、デバイス情報に係るデバイス３が血管内治療において病変部分を通過することができたか否かを示す通過結果とが、互いに関連付けられて含まれている。訓練データは、同一の患者４の血管を表した複数の血管画像を含んでいてもよい。デバイス情報は、デバイス３の組み合わせに含まれる夫々のデバイス３に関する情報を含んでいてもよい。通過結果は、成功又は失敗が記録されている。訓練データは、血管画像とデバイス情報と通過結果とからなる情報セットを複数含んでいる。

【0079】

学習装置６は、Ｓ１１～Ｓ１２の処理を実行することにより、学習モデル１３２を生成する。Ｓ１２では、学習装置６は、訓練データに含まれる血管画像を学習モデルへ入力する。学習モデルは、血管画像の入力に応じて、演算を行い、複数の所定の特性の夫々を有するデバイス３又はデバイス３の組み合わせを血管内治療に用いることの推奨度を出力する。演算部６１は、学習モデルが出力した推奨度と、学習モデルへ入力された血管画像に関連付けられた通過結果に応じた推奨度との誤差が小さくなるように、学習モデルの演算のパラメータを調整する。

【0080】

学習装置６は、入力された血管画像に関連付けられた通過結果が成功である場合は、血管画像に関連付けられたデバイス情報が示す特性に対応する推奨度を、他の特性に対応する推奨度よりも高くする。また、学習装置６は、入力された血管画像に関連付けられた通過結果が失敗である場合は、血管画像に関連付けられたデバイス情報が示す特性に対応する推奨度を、他の特性に対応する推奨度よりも低くする。

【0081】

例えば、所定の特性を有するデバイス３又はデバイス３の組み合わせの推奨度を学習モデル１３２が出力する形態では、学習装置６は、通過結果が成功である場合に、デバイス情報が示す特性を有するデバイス３又はデバイス３の組み合わせの推奨度を正の値にし、他の特性を有するデバイス３又はデバイス３の組み合わせの推奨度をゼロにする。デバイス３の特性に含まれる夫々の要素について推奨度を学習モデル１３２が出力する形態では、学習装置６は、通過結果が成功である場合に、デバイス情報に該当する各要素の値に対する推奨度を正の値にし、各要素の他の値に対する推奨度をゼロにする。

【0082】

例えば、所定の特性を有するデバイス３又はデバイス３の組み合わせの推奨度を学習モデル１３２が出力する形態では、学習装置６は、通過結果が失敗である場合に、デバイス情報が示す特性を有するデバイス３又はデバイス３の組み合わせの推奨度を負の値にし、他の特性を有するデバイス３又はデバイス３の組み合わせの推奨度をゼロにする。デバイス３の特性に含まれる夫々の要素について推奨度を学習モデル１３２が出力する形態では、学習装置６は、通過結果が失敗である場合に、デバイス情報に該当する各要素の値に対する推奨度を負の値にし、各要素の他の値に対する推奨度をゼロにする。

【0083】

演算部６１は、学習モデルが出力した推奨度と、通過結果に応じた推奨度との誤差が小さくなるように、パラメータを調整する。演算部６１は、訓練データに含まれる複数の情報セットを用いて、処理を繰り返し、学習モデルのパラメータを調整することにより、学習モデルの機械学習を行う。このように演算のパラメータが調整されることによって、学習モデル１３２が生成される。

【0084】

血管内治療を行うためにデバイス３が血管内の病変部分を通過するための難易度は、血管の状態と、デバイス３又はデバイス３の組み合わせの特性とによって異なる。このため、血管の状態を表した血管画像は、所定の特性を有するデバイス３又はデバイス３の組み合わせを血管内治療に用いることの推奨度に関連する。したがって、学習装置６は、血管画像に応じて、所定の特性についての推奨度、又は特性に含まれる要素の値に対する推奨度を出力する学習モデル１３２を生成することが可能である。学習装置６は、病変部分を通過することができたデバイス３又はデバイス３の組み合わせの特性に関する情報と、病変部分を通過することができなかったデバイス３又はデバイス３の組み合わせの特性に関する情報とを含んだ訓練データを利用して、学習モデル１３２を学習する。これによって、所定の特性又は各要素の値に対する推奨度が、学習モデル１３２によって精度良く得られるようになる。

【0085】

情報処理装置１は、血管内治療で使用すべきデバイス３又はデバイス３の組み合わせの推奨度を取得するための情報処理方法を実行する。記憶部１３は、実施形態１と同様のデバイスデータを記憶している。情報処理装置１は、Ｓ３１～Ｓ３５の処理を実行することにより、情報処理方法を実行する。Ｓ３２では、演算部１１は、血管画像を学習モデル１３２へ入力する。学習モデル１３２は、血管画像の入力に応じて、血管内治療において複数の所定の特性を有するデバイス３又はデバイス３の組み合わせの夫々を使用することの推奨度を出力する。又は、学習モデル１３２は、デバイス３の特性に含まれる各要素の値に対して推奨度を出力する。

【0086】

Ｓ３４では、情報処理装置１は、デバイスデータにデバイス情報が記録されているデバイス３又はデバイス３の組み合わせの中から、推奨度の高いデバイス３又はデバイス３の組み合わせを選択する。例えば、情報処理装置１は、推奨度の高い所定の特性を有するデバイス３又はデバイス３の組み合わせを選択する。或いは、情報処理装置１は、特性に含まれる要素の値が推奨度の高い値になっているデバイス３又はデバイス３の組み合わせを選択する。Ｓ３５では、情報処理装置１は、選択したデバイス３又はデバイス３の組み合わせを特定するための情報と、推奨度とを、表示装置２２に表示させる。表示装置２２が表示する情報の内容は、実施形態１と同様である。Ｓ３５では、推奨度の高い所定の特性、又は推奨度の高い各要素の値を表示装置２２に表示してもよい。

【0087】

以上のように、実施形態３においては、情報処理装置１は、患者４に関する血管画像に応じて、デバイス３又はデバイス３の組み合わせの特性別に推奨度を得る。学習モデル１３２を利用することにより、情報処理装置１は、推奨度を容易に取得することができる。情報処理装置１は、推奨度の高いデバイス３又はデバイス３の組み合わせに関する情報を出力し、使用者は、出力された情報を確認し、推奨度の高いデバイス３又はデバイス３の組み合わせを選択することができる。使用者は、使用可能な複数のデバイス３又は複数組のデバイス３の組み合わせから、適切なデバイス３又はデバイス３の組み合わせを選ぶことが可能となる。このように、実施形態３においても、情報処理装置１は、血管内治療で使用すべき適切なデバイス３又はデバイス３の組み合わせを使用者が選択することを補助する。使用者は、情報処理装置１によって提案された推奨度の高いデバイス３又はデバイス３の組み合わせを用いることにより、血管内治療を安全に確実に行うことが可能となる。

【0088】

実施形態３においても、情報処理装置１は、患者４の既往歴に応じた推奨度を得る形態であってもよい。学習モデル１３２には、血管画像と、患者４の既往歴とが入力される。学習モデル１３２は、血管画像及び既往歴が入力された場合に、複数の所定の特性を有するデバイス３又はデバイス３の組み合わせの夫々について推奨度を出力するように、予め学習されている。或いは、学習モデル１３２は、血管画像及び既往歴が入力された場合に、特性に含まれる各要素の値に対して推奨度を出力するように、予め学習されている。

【0089】

学習装置６は、血管画像と、デバイス情報と、通過結果と、患者４の既往歴とが互いに関連付けられた訓練データを用いた学習により、学習モデル１３２を生成する。Ｓ１２では、学習装置６は、訓練データに含まれる血管画像及び既往歴を学習モデルへ入力する。学習モデルは、血管画像及び既往歴の入力に応じて、演算を行い、推奨度を出力する。演算部６１は、学習モデルが出力した推奨度と、学習モデルへ入力された血管画像及び既往歴に関連付けられた通過結果に応じた推奨度との誤差が小さくなるように、学習モデルの演算のパラメータを調整する。演算部６１は、訓練データに含まれる複数の情報セットを用いて、処理を繰り返し、学習モデルのパラメータを調整することにより、学習モデルの機械学習を行い、学習モデル１３２を生成する。

【0090】

情報処理装置１は、学習モデル１３２を用い、患者４の既往歴に応じたデバイス３又はデバイス３の組み合わせの特性別の推奨度を取得する。Ｓ３２の前に、情報処理装置１は、患者４の既往歴を取得する。Ｓ３２では、情報処理装置１は、取得した血管画像及び既往歴を学習モデル１３２へ入力し、学習モデル１３２に処理を実行させる。学習モデル１３２は、血管画像及び既往歴の入力に応じて、複数の所定の特性を有するデバイス３又はデバイス３の組み合わせの夫々の推奨度を出力する。或いは、学習モデル１３２は、血管画像及び既往歴の入力に応じて、特性に含まれる各要素の値に対して推奨度を出力する。この形態においても、情報処理装置１によって、推奨度に応じたデバイス３又はデバイス３の組み合わせに関する情報が表示されるので、使用者は、患者４の既往歴に応じたより適切なデバイス３又はデバイス３の組み合わせを選択することが可能となる。

【0091】

本発明は上述した実施の形態の内容に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。すなわち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態も、本発明の技術的範囲に含まれる。

【符号の説明】

【0092】

１００ 治療システム
１ 情報処理装置
１０ 記録媒体
１３１ コンピュータプログラム
１３２ 学習モデル
２１ 画像生成装置
２２ 表示装置
３ デバイス
４ 患者
４１ 血管
４２ 病変部分
５ 施術者
６ 学習装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】