特開 2023-145013 コンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法

(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】P2023145013

(43)【公開日】2023-10-11

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

(51)【国際特許分類】

   A61M 25/06 20060101AFI20231003BHJP

   A61B 6/03 20060101ALI20231003BHJP

   A61M 25/01 20060101ALI20231003BHJP

   A61B 34/20 20160101ALI20231003BHJP

   G06T 7/00 20170101ALI20231003BHJP

【ＦＩ】

A61M25/06 550

A61B6/03 377

A61B6/03 360J

A61B6/03 360T

A61M25/01

A61B34/20

G06T7/00 612

【審査請求】未請求

【請求項の数】16

【出願形態】ＯＬ

(21)【出願番号】P 2022052273

(22)【出願日】2022-03-28

(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】坂口 雄紀

(72)【発明者】

【氏名】澤田 賢志

(72)【発明者】

【氏名】大嶽 祐八

【テーマコード（参考）】

4C093

4C267

5L096

【Ｆターム（参考）】

4C093AA22

4C093AA24

4C093AA25

4C093AA26

4C093CA16

4C093DA02

4C093FF16

4C093FF22

4C093FF23

4C093FF28

4C267AA05

4C267AA07

4C267AA15

4C267AA41

4C267BB27

4C267CC09

4C267CC19

4C267DD01

4C267HH11

5L096AA06

5L096BA06

5L096BA13

5L096DA02

5L096HA09

5L096HA11

5L096KA04

(57)【要約】

【課題】適切なガイディングカテーテルの選択を支援できるコンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法を提供する。
【解決手段】コンピュータプログラムは、コンピュータに、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得し、治療計画を入力した場合に、複数のデバイスそれぞれで必要な、ＧＣのバックアップ力を出力する第１学習モデルに、取得した治療計画を入力して、ＧＣの必要バックアップ力を取得してＧＣの目標バックアップ力を特定し、血管部位の形態情報に基づいて、カテーテル治療に使用可能な１つ以上のＧＣを含む一覧情報を生成し、一覧情報及び形態情報に基づいて、１つ以上のＧＣそれぞれの想定バックアップ力を算出し、目標バックアップ力及び想定バックアップ力に基づいて、推奨ＧＣの情報を出力する、処理を実行させる。
【選択図】図１

【特許請求の範囲】

【請求項1】

コンピュータに、
カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得し、
カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する第１学習モデルに、取得した治療計画を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得し、
取得したバックアップ力に基づいてガイディングカテーテルの目標バックアップ力を特定し、
ガイディングカテーテルが留置される血管部位の形態情報を取得し、
取得した形態情報に基づいて、カテーテル治療に使用可能な１つ以上のガイディングカテーテルを含む一覧情報を生成し、
生成した一覧情報及び前記形態情報に基づいて、前記１つ以上のガイディングカテーテルそれぞれの想定バックアップ力を算出し、
前記目標バックアップ力及び想定バックアップ力に基づいて、推奨ガイディングカテーテルの情報を出力する、
処理を実行させるコンピュータプログラム。

【請求項2】

コンピュータに、
治療対象部位の状態情報を取得し、
治療対象部位の状態情報をさらに入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する前記第１学習モデルに、取得した状態情報を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得する、
処理を実行させる請求項１に記載のコンピュータプログラム。

【請求項3】

コンピュータに、
治療対象部位の状態情報を取得し、
取得した状態情報に基づいて、カテーテル治療に使用する複数のデバイスのデバイス情報を含む複数の治療計画候補を生成し、
生成した複数の治療計画候補の中から治療計画を選択する操作を受け付け、
選択された治療計画を前記第１学習モデルに入力する、
処理を実行させる請求項１又は請求項２に記載のコンピュータプログラム。

【請求項4】

コンピュータに、
治療対象部位を含む医用画像、前記治療対象部位の血管性状、狭窄度、及び治療歴の少なくとも一つを含む医用情報を取得し、
取得した医用情報に基づいて前記治療対象部位の状態情報を特定し、
特定した状態情報を取得する、
処理を実行させる請求項２又は請求項３に記載のコンピュータプログラム。

【請求項5】

コンピュータに、
血管部位を含む医用画像を取得し、
血管部位を含む医用画像を入力した場合、前記血管部位の形態情報を出力する第２学習モデルに、取得した前記血管部位を含む医用画像を入力して、前記血管部位の形態情報を取得する、
処理を実行させる請求項１から請求項４のいずれか一項に記載のコンピュータプログラム。

【請求項6】

コンピュータに、
取得した形態情報に基づいて前記血管部位に関する寸法、角度、湾曲度、及び形状の少なくとも一つを含む幾何学的特徴量を算出し、
算出した幾何学的特徴量に基づいて前記１つ以上のガイディングカテーテルを含む一覧情報を生成する、
処理を実行させる請求項１から請求項５のいずれか一項に記載のコンピュータプログラム。

【請求項7】

コンピュータに、
生成した一覧情報及び前記形態情報に基づいて、前記ガイディングカテーテルと前記血管部位との相互特徴量を算出し、
算出した相互特徴量に基づいて、前記ガイディングカテーテルの想定バックアップ力を算出する、
処理を実行させる請求項１から請求項６のいずれか一項に記載のコンピュータプログラム。

【請求項8】

コンピュータに、
生成した前記１つ以上のガイディングカテーテルを含む一覧情報の中から所要のガイディングカテーテルを選択する操作を受け付け、
選択されたガイディングカテーテルの一覧情報を生成する、
処理を実行させる請求項１から請求項７のいずれか一項に記載のコンピュータプログラム。

【請求項9】

コンピュータに、
前記目標バックアップ力よりも前記想定バックアップ力が大きいガイディングカテーテルの情報を、前記推奨ガイディングカテーテルの情報として出力する、
処理を実行させる請求項１から請求項８のいずれか一項に記載のコンピュータプログラム。

【請求項10】

コンピュータに、
前記目標バックアップ力よりも前記想定バックアップ力が小さい場合、その旨を通知する、
処理を実行させる請求項１から請求項９のいずれか一項に記載のコンピュータプログラム。

【請求項11】

コンピュータに、
前記目標バックアップ力よりも前記想定バックアップ力が小さい場合、想定バックアップ力が最も大きいガイディングカテーテルの情報を、前記推奨ガイディングカテーテルの情報として出力する、
処理を実行させる請求項１から請求項１０のいずれか一項に記載のコンピュータプログラム。

【請求項12】

コンピュータに、
前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力のうち最大のバックアップ力を前記目標バックアップ力として特定する、
処理を実行させる請求項１から請求項１１のいずれか一項に記載のコンピュータプログラム。

【請求項13】

カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得する第１取得部と、
カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する第１学習モデルに、取得した治療計画を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得する第２取得部と、
取得したバックアップ力に基づいてガイディングカテーテルの目標バックアップ力を特定する特定部と、
ガイディングカテーテルが留置される血管部位の形態情報を取得する第３取得部と、
取得した形態情報に基づいて、カテーテル治療に使用可能な１つ以上のガイディングカテーテルを含む一覧情報を生成する生成部と、
生成した一覧情報及び前記形態情報に基づいて、前記１つ以上のガイディングカテーテルそれぞれの想定バックアップ力を算出する算出部と、
前記目標バックアップ力及び想定バックアップ力に基づいて、推奨ガイディングカテーテルの情報を出力する出力部と
を備える、
情報処理装置。

【請求項14】

カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得し、
カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する第１学習モデルに、取得した治療計画を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得し、
取得したバックアップ力に基づいてガイディングカテーテルの目標バックアップ力を特定し、
ガイディングカテーテルが留置される血管部位の形態情報を取得し、
取得した形態情報に基づいて、カテーテル治療に使用可能な１つ以上のガイディングカテーテルを含む一覧情報を生成し、
生成した一覧情報及び前記形態情報に基づいて、前記１つ以上のガイディングカテーテルそれぞれの想定バックアップ力を算出し、
前記目標バックアップ力及び想定バックアップ力に基づいて、推奨ガイディングカテーテルの情報を出力する、
情報処理方法。

【請求項15】

カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画、及び前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を含む訓練データを取得し、
取得した訓練データに基づいて、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力するように第１学習モデルを生成する、
学習モデル生成方法。

【請求項16】

カテーテル治療に使用可能な複数のガイディングカテーテルの想定バックアップ力を収集し、
カテーテル治療の際の前記複数のガイディングカテーテルの挙動及び前記想定バックアップ力に基づいて、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を判定し、
判定したガイディングカテーテルのバックアップ力を収集して前記訓練データとして取得する、
請求項１５に記載の学習モデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、コンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法に関する。

【背景技術】

【0002】

特許文献１には、血管内にカテーテルを挿入し、カテーテル内に収容されたイメージングコアで得られた信号（血管組織に向けて出射した超音波、及び反射波）に基づいて血管断面画像を生成する画像診断装置が開示されている。

【0003】

ＰＣＩ（経皮的冠動脈インターベンション）の手技では、血管にシースが挿入され、シースの中をガイドワイヤと呼ばれる柔らかいワイヤが血管に沿って進行し、このガイドワイヤに沿ってガイディングカテーテルの先端が冠動脈起始部に留置される。そしてガイディングカテーテルの中を通ってガイドワイヤ、カテーテル、ステント、バルーンなどの様々なデバイスが冠動脈に挿入される。

【0004】

手技中には、ガイディングカテーテルが冠動脈起始部から脱落する場合がある。冠動脈起始部は繊細な部位であるため、ガイディングカテーテルが脱落する際の物理的な衝撃は心筋の機能に重大な影響を与えることもあり、ガイディングカテーテルの確実なエンゲージを確保することはＰＣＩ手技中において非常に重要なポイントとなる。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】国際公開第２０１７／１６４０７１号

【発明の概要】

【発明が解決しようとする課題】

【0006】

手技中はガイディングカテーテル内を様々なデバイスが往来するため、ガイディングカテーテルには冠動脈起始部から脱落する方向に負荷がかかっている。最適なガイディングカテーテルの選択や手技中のガイディングカテーテルの状態把握は重要な要素であるにもかかわらず、医師の経験や知識から導き出されており、個々の医師によってばらつきが発生し、治療の均一化が図られていない。また、ガイディングカテーテルが脱落するような挙動を示した際には、種々の対応策を施す必要があり、手技の遅延や、医療コスト又は病院コストが増大する。

【0007】

本発明は、斯かる事情に鑑みてなされたものであり、適切なガイディングカテーテルの選択を支援できるコンピュータプログラム、情報処理装置、情報処理方法及び学習モデル生成方法を提供することを目的とする。

【課題を解決するための手段】

【0008】

本願は上記課題を解決する手段を複数含んでいるが、その一例を挙げるならば、コンピュータプログラムは、コンピュータに、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得し、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する第１学習モデルに、取得した治療計画を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得し、取得したバックアップ力に基づいてガイディングカテーテルの目標バックアップ力を特定し、ガイディングカテーテルが留置される血管部位の形態情報を取得し、取得した形態情報に基づいて、カテーテル治療に使用可能な１つ以上のガイディングカテーテルを含む一覧情報を生成し、生成した一覧情報及び前記形態情報に基づいて、前記１つ以上のガイディングカテーテルそれぞれの想定バックアップ力を算出し、前記目標バックアップ力及び想定バックアップ力に基づいて、推奨ガイディングカテーテルの情報を出力する、処理を実行させる。

【発明の効果】

【0009】

本発明によれば、適切なガイディングカテーテルの選択を支援できる。

【図面の簡単な説明】

【0010】

【図1】本実施形態の情報処理装置の構成の一例を示す図である。

【図2】情報処理装置による処理の概要を示す図である。

【図3】状態情報特定部の処理の概要を示す図である。

【図4】治療計画候補生成部の処理の概要を示す図である。

【図5】治療計画特定部の処理の概要を示す図である。

【図6】第１学習モデルの処理の概要の第１例を示す図である。

【図7】第１学習モデルの処理の概要の第２例を示す図である。

【図8】目標バックアップ力特定部の処理の概要を示す図である。

【図9】第２学習モデルの処理の概要を示す図である。

【図10】血管部位の形態情報の一例を示す図である。

【図11】血管部位の幾何学的特徴量の一例を示す図である。

【図12】使用可能なＧＣの一覧情報の一例を示す図である。

【図13】相互特徴量算出部の処理の概要を示す図である。

【図14】相互特徴量の一例を示す図である。

【図15】想定バックアップ力算出部の処理の概要を示す図である。

【図16】推奨ＧＣ情報の一例を示す図である。

【図17】第１学習モデルの生成に用いる訓練データの一例を示す図である。

【図18】第１学習モデルの生成方法の一例を示す図である。

【図19】情報処理装置による処理手順の一例を示す図である。

【図20】第１学習モデルの生成方法の処理手順の一例を示す図である。

【発明を実施するための形態】

【0011】

以下、本発明の実施の形態について説明する。図１は本実施形態の情報処理装置１００の構成の一例を示す図である。情報処理装置１００は、装置全体を制御する制御部１０、目標バックアップ力特定部１１、状態情報特定部１２、治療計画候補生成部１３、治療計画特定部１４、想定バックアップ力算出部１５、形態情報取得部１６、幾何学的特徴量算出部１７、ＧＣ一覧情報生成部１８、相互特徴量算出部１９、推奨ＧＣ情報生成部２０、通信部２１、メモリ２２、表示部２３、操作部２４、記憶部２５、及び記録媒体読取部２９を備える。記憶部２５は、コンピュータプログラム２６、第１学習モデル２７、及び第２学習モデル２８を記憶する。

【0012】

制御部１０は、ＩＣ（Integrated Circuit）チップ、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）等が所要数組み込まれて構成されてもよい。また、制御部１０は、ＤＳＰ（Digital Signal Processors）、ＦＰＧＡ（Field-Programmable Gate Arrays）、量子プロセッサなどを組み合わせて構成してもよい。

【0013】

制御部１０は、コンピュータプログラム２６で定められた処理を実行することができる。制御部１０による処理は、コンピュータプログラム２６による処理でもある。

【0014】

目標バックアップ力特定部１１、状態情報特定部１２、治療計画候補生成部１３、治療計画特定部１４、想定バックアップ力算出部１５、形態情報取得部１６、幾何学的特徴量算出部１７、ＧＣ一覧情報生成部１８、相互特徴量算出部１９、及び推奨ＧＣ情報生成部２０は、ハードウエアで構成してもよく、ソフトウエア（コンピュータプログラム２６）で実現するようにしてもよく、あるいはハードウエアとソフトウエアの両方で構成してもよい。情報処理装置１００は、複数の装置で構成してもよい。

【0015】

通信部２１は、通信モジュールを備え、有線通信又は無線通信により、外部の装置との間で所要の情報の授受を行うことができる。通信部２１は、治療計画に必要な医用情報を取得することができる。医用情報は、例えば、治療対象部位を含む医用画像、治療対象血管、治療対象部位の血管性状（石灰化等）、狭窄度、及び治療歴（例えば、ステントやバルーンの留置の有無など）の少なくとも一つを含むことができる。医用画像は、Ｘ線画像診断装置、例えば、ＣＴ（Computed Tomography）装置、アンギオ（ANGIO）装置などよって得られるＣＴ画像や造影画像を含む。ＣＴ画像は、血管部位（例えば、大動脈、冠動脈など）の断層画像（スライス画像）である。造影画像は、血管内に造影剤を注入し、目的の血管部位を撮影した画像である。後述のように、医用画像によって、血管部位の状態情報（病変の状態）や形態情報（大動脈や冠動脈の形状など）を特定できる。

【0016】

メモリ２２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の半導体メモリで構成することができる。コンピュータプログラム２６をメモリ２２に展開して、制御部１０がコンピュータプログラム２６を実行することができる。

【0017】

表示部２３は、液晶パネル又は有機ＥＬ（Electro Luminescence）ディスプレイ等で構成することができる。

【0018】

操作部２４は、例えば、ハードウェアキーボード、マウスなどで構成され、表示部２３に表示されたアイコンなどの操作、カーソルの移動や操作、文字等の入力などを行うことができる。なお、操作部２４は、タッチパネルで構成してもよい。

【0019】

記憶部２５は、例えば、ハードディスク又は半導体メモリ等で構成することができ、所要の情報（例えば、情報処理装置１００による処理途中のデータや処理結果など）を記憶することができる。

【0020】

記録媒体読取部２９は、例えば、光学ディスクドライブで構成することができる。記録媒体１（例えば、ＣＤ－ＲＯＭ等の光学可読ディスク記憶媒体）に記録されたコンピュータプログラム２６（プログラム製品）を記録媒体読取部２９で読み取って記憶部２５に記憶することができる。コンピュータプログラム２６は、メモリ２２に展開されて、制御部１０により実行される。なお、コンピュータプログラム２６は、通信部２１を介して、外部の装置からダウンロードして記憶部２５に記憶してもよい。

【0021】

図２は情報処理装置１００による処理の概要を示す図である。情報処理装置１００は、ＰＣＩ（経皮的冠動脈インターベンション）において、ガイディングカテーテル（「ＧＣ」とも称する）の確実なエンゲージ（留置）を実現できるように適切なガイディングカテーテルの選択を支援するための推奨ＧＣ情報を生成して出力（表示）することができる。以下、ガイディングカテーテルをＧＣと記載する。

【0022】

ＧＣは、ガイドワイヤ、カテーテル、ステント、バルーンなどのデバイス（治療機器）を冠動脈まで導くためのカテーテルであり、大動脈を通って冠動脈入口部（冠動脈起始部）にその先端が留置される。これらの治療機器は、ＧＣの内部を通って病変部に到達させることができる。

【0023】

推奨ＧＣ情報を生成するために、２つのフェーズ（治療計画フェーズ及びデバイス選択フェーズ）に分けて所要の処理を行う。治療計画フェーズでは、目標バックアップ力特定部１１がＧＣの目標バックアップ力を特定する。デバイス選択フェーズでは、想定バックアップ力算出部１５がＧＣの想定バックアップ力を算出する。推奨ＧＣ情報生成部２０は、目標バックアップ力及び想定バックアップ力に基づいて、推奨ＧＣの情報を含む推奨ＧＣ情報を生成して出力する。

【0024】

ＧＣのバックアップ力は、ＧＣが冠動脈起始部から外れないように維持する力であり、ＧＣ固有の弾性力、形状、サイズ、血管内でのＧＣの配置等の複合的な要因で決まる。以下、治療計画フェーズ及びデバイス選択フェーズについて説明する。まず、治療計画フェーズについて説明する。

【0025】

図３は状態情報特定部１２の処理の概要を示す図である。状態情報特定部１２は、通信部２１を介して取得した医用情報に基づいて、治療対象部位の状態情報を特定する。医用情報は、治療対象部位を含む医用画像、治療対象血管、治療対象部位の血管性状（例えば、石灰化の状態、屈曲・蛇行の状態、狭窄度、及び治療歴（例えば、バルーンやステントの留置の有無など）の少なくとも一つを含む。石灰化の状態、屈曲・蛇行の状態、狭窄度は、数値等で指標化してもよい。状態情報は、病変の状態分類とすることができる。病変の状態は、例えば、（１）限局性病変、（２）コンプレックス病変などに分類できる。限局性病変は、治療対象部位が狭い範囲に限られている病変である。コンプレックス病変は、限局性病変に対してより多くの因子を考慮する必要のある病変であり、例えば、ＣＴＯ（慢性完全閉塞）病変、高度石灰化病変、びまん性病変などを含む。

【0026】

状態情報特定部１２は、医用情報に基づいて状態情報を出力できるものであればよく、例えば、ルールベースで構成してもよく、あるいは、ロジスティック回帰、ランダムフォレスト、サポート・ベクター・マシン、ニューラルネットワークなどを用いてもよい。

【0027】

例えば、状態情報特定部１２を機械学習で生成された学習モデルで構成する場合、当該学習モデルに、治療対象部位を含む医用画像、治療対象血管、治療対象部位の血管性状（例えば、石灰化の状態、屈曲・蛇行の状態、狭窄度、及び治療歴の少なくとも一つを含む医用情報を入力した場合、当該学習モデルは、限局性病変、ＣＴＯ病変、高度石灰化病変、びまん性病変などのいずれの病変であるかを示す病変の状態（状態情報）を出力する。また、状態情報特定部１２をルールベースで構成する場合には、治療対象部位を含む医用画像、治療対象血管、治療対象部位の血管性状（例えば、石灰化の状態、屈曲・蛇行の状態、狭窄度、及び治療歴などと病変の状態とを予め関連付けたテーブルを記憶部２５に記憶しておき、医用情報が入力された場合に、当該テーブルを参照して病変の状態を出力することができる。

【0028】

図４は治療計画候補生成部１３の処理の概要を示す図である。治療計画候補生成部１３は、状態情報特定部１２が出力した、治療対象部位の状態情報を取得する。治療計画候補生成部１３は、取得した治療対象部位の状態情報に基づいて、治療計画候補を生成する。治療計画候補は、病変の状態に対応して、どのよう治療方針（治療方法や治療プロセス）で、どのようなデバイスを使用するかを含む。

【0029】

例えば、病変の状態が限局性病変である場合、治療計画候補の治療方法は、例えば、（１）治療対象部位までガイドワイヤを到達させ、（２）ＰＯＢＡ（経皮的バルーン血管形成術）を行い、（３）ＩＶＵＳカテーテルによって血管内を観察し、（４）ステントを使用して狭窄部を拡大する、の如くである。また、使用するデバイスは、例えば、ガイドワイヤ、バルーン、ＩＶＵＳカテーテル、ステントであり、（１）ガイドワイヤについては、例えば、外径がＯＯ、長さがＯＯ、性状が軟らか等の情報を含み、（２）バルーンについては、経皮的バルーン血管形成術用カテーテル、バルーンの性質や形状等の情報を含み、（３）ＩＶＵＳカテーテルについては、シャフト外形、プルバック長、適合ＧＣ等の情報を含み、（４）ステントについては、例えば、直径や長さ等の情報を含む。

【0030】

また、病変の状態が高度石灰化病変である場合、治療計画候補の治療方法は、例えば、（１）治療対象部位までガイドワイヤを到達させ、（２）ロータブレータ（高速回転ダイアモンドドリル）で石灰化した部分を削り、（３）スコアリングバルーンで病変に切れ込みを入れ、（４）ＯＣＴ（Optical Coherence Tomography）カテーテル（代替的にＩＶＵＳカテーテル）によって血管内を観察し、（５）ステントを使用して狭窄部を拡大する、の如くである。また、使用するデバイスは、例えば、ガイドワイヤ、ロータブレータ、スコアリングバルーン、ＯＣＴカテーテル、ステントであり、それぞれのデバイスについての種類、性質、性能、形状などの情報が含まれる。ＣＴＯ病変、びまん病変などの他の病変についても同様である。

【0031】

治療計画候補生成部１３は、病変の状態を表すパラメータ群から治療計画候補に含まれる情報を出力できるものであればよく、例えば、ルールベースで構成してもよく、あるいは、ニューラルネットワークなどを用いてもよい。

【0032】

例えば、治療計画候補生成部１３を機械学習で生成された学習モデルで構成する場合、当該学習モデルに、限局性病変、ＣＴＯ病変、高度石灰化病変、びまん性病変などのいずれの病変であるかを示す病変の状態を入力した場合、入力された病変に対応する治療方針及び治療に使用するデバイスの情報を出力する。また、治療計画候補生成部１３をルールベースで構成する場合には、限局性病変、ＣＴＯ病変、高度石灰化病変、びまん性病変などの病変の状態と、治療方針及び治療に使用するデバイスの情報とを予め関連付けたテーブルを記憶部２５に記憶しておき、病変の状態が入力された場合に、当該テーブルを参照して治療方針及び治療に使用するデバイスの情報を出力することができる。

【0033】

上述のように、制御部１０（治療計画候補生成部１３）は、治療対象部位の状態情報を取得し、取得した状態情報に基づいて、カテーテル治療に使用する複数のデバイスのデバイス情報を含む複数の治療計画候補を生成する。

【0034】

図５は治療計画特定部１４の処理の概要を示す図である。治療計画特定部１４は、治療計画候補生成部１３が生成した治療計画候補を表示部２３に表示する。操作部２４は、医師による治療計画を選択する操作を受け付ける。この場合、医師は、表示部２３に表示された複数の治療計画候補の中から所要の治療計画を選択できる。治療計画特定部１４は、選択された治療計画候補を治療計画として特定する。図５の例では、高度石灰化病変に関する治療計画が特定されている。制御部１０は、複数の治療計画候補の中から治療計画を選択する操作を受け付けると、選択された治療計画を第１学習モデル２７に入力することができる。

【0035】

図６は第１学習モデル２７の処理の概要の第１例を示す図である。制御部１０は、治療計画を取得して第１学習モデル２７に入力する。治療計画は、医師によって選択された治療計画であり、図６に示すように、ある病変に使用される複数のデバイスのデバイス情報が含まれる。図６では、便宜上、各デバイスのデバイス情報を、Ｄ００１、Ｄ００２、Ｄ００３、Ｄ００４、Ｄ００５で表す。第１学習モデル２７は、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、当該複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する。図６では、便宜上、各デバイスそれぞれでＧＣが必要なバックアップ力を、Ｆ０１、Ｆ０２、Ｆ０３、Ｆ０４、Ｆ０５で表す。必要なバックアップ力は、絶対値（単位：ニュートン）で表してもよく、相対値（例えば、１０段階の指標）で表してもよく、その他の評価指標で表してもよい。

【0036】

制御部１０は、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得し、取得した治療計画を第１学習モデル２７に入力して、第１学習モデル２７から、治療計画に含まれる複数のデバイスそれぞれで必要な、ＧＣのバックアップ力を取得することができる。

【0037】

図７は第１学習モデル２７の処理の概要の第２例を示す図である。図６に示した第１例との違いは、さらに治療対象部位の状態情報（病変の状態分類）が第１学習モデル２７に入力される点である。なお、図７の例では、病変の状態分類として、限局性病変、コンプレックス病変（ＣＴＯ病変、高度石灰化病変、びまん病変など）が表示されているが、実際には全ての病変が含まれるわけではなく、治療対象部位の特有の病変だけが含まれる。

【0038】

制御部１０は、治療対象部位の状態情報を取得し、取得した治療対象部位の状態情報を第１学習モデル２７にさらに入力し、第１学習モデル２７から、治療計画に含まれる複数のデバイスそれぞれで必要な、ＧＣのバックアップ力を取得することができる。治療計画に含まれるデバイス情報だけでなく、治療対象部位の病変（状態情報）も第１学習モデル２７に入力されるので、入力される情報の種類が増え、複数のデバイスそれぞれで必要なＧＣのバックアップ力の精度を向上させることが期待できる。

【0039】

図８は目標バックアップ力特定部１１の処理の概要を示す図である。目標バックアップ力特定部１１は、制御部１０が取得した、複数のデバイスそれぞれで必要なＧＣのバックアップ力に基づいて、ＧＣの目標バックアップ力を特定する。具体的には、各デバイスで必要なバックアップ力の中の最大値を目標バックアップ力として特定する。例えば、Ｆ０１＞Ｆ０２＞Ｆ０３＞Ｆ０４＞Ｆ０５であるとすると、目標バックアップ力はＦ０１となる。

【0040】

次に、デバイス選択フェーズについて説明する。

【0041】

図９は第２学習モデル２８の処理の概要を示す図である。制御部１０は、血管部位を含む医用画像を取得して第２学習モデル２８に入力する。医用画像は、ＣＴ（Computed Tomography）装置、アンギオ（ANGIO）装置などのＸ線画像診断装置によって得られるＣＴ画像や造影画像を含む。第２学習モデル２８は、血管部位を含む医用画像を入力した場合、ＧＣが留置される血管部位の形態情報を出力する。第２学習モデル２８は、例えば、畳み込みニューラルネットワークで構成することができ、ＳｅｇＮｅｔやＵ－Ｎｅｔなどのセマンティック・セグメンテーションを用いることができる。

【0042】

図１０は血管部位の形態情報の一例を示す図である。図１０は血管形状を模式的に図示したものであり、実際の血管形状とは異なる場合がある。図１０に示すように、血管部位の形態情報は、大動脈の形状や位置、冠動脈（図では左冠動脈）の形状や位置、冠動脈入口部の形状や位置などの情報が含まれる。医用画像のピクセル単位で、各ピクセルが、大動脈、冠動脈、冠動脈入口部（冠動脈起始部）、それら以外のように分類されている。図１０では、血管部位の形態情報を２次元で表しているが、図１０で示すような形態情報を所要の角度でＸＹＺ軸回りに回転させて、３次元情報として特定してもよい。

【0043】

形態情報取得部１６は、第２学習モデル２８が出力する、血管部位の形態情報を取得し、取得した形態情報を幾何学的特徴量算出部１７へ出力する。

【0044】

幾何学的特徴量算出部１７は、取得した形態情報に基づいて、当該血管部位に関する寸法、角度、湾曲度、及び形状の少なくとも一つを含む幾何学的特徴量を算出する。

【0045】

図１１は血管部位の幾何学的特徴量の一例を示す図である。図１１に示すよう、幾何学的特徴量（血管代表寸法）としては、例えば、冠動脈サイズｄ１（冠動脈入口部の内腔径）、大動脈サイズｄ２（冠動脈入口部手前の内腔径）、冠動脈入口部と大動脈との距離Ｌ（冠動脈入口部から対向する大動脈の内壁までの寸法）、冠動脈と大動脈の角度θ（冠動脈入口部の冠動脈の軸方向と冠動脈入口部手前の大動脈の軸方向との間の角度）、冠動脈の湾曲度ｗ１（冠動脈入口部手前の大動脈の軸方向と冠動脈入口部の冠動脈の軸方向の角度変化）、大動脈の湾曲度ｗ２（冠動脈入口部付近の大動脈の軸方向の角度変化）などを含めることができる。なお、幾何学的特徴量は、図１１の例に限定されない。図１１では、幾何学的特徴量を２次元で表しているが、図１１で示すような幾何学的特徴量を所要の角度でＸＹＺ軸回りに回転させて、３次元情報として特定してもよい。

【0046】

幾何学的特徴量算出部１７は、算出した幾何学的特徴量をＧＣ一覧情報生成部１８に出力する。

【0047】

ＧＣ一覧情報生成部１８は、幾何学的特徴量算出部１７が算出した幾何学的特徴量に基づいて複数の使用可能なＧＣを含む一覧情報を生成する。すなわち、図１１に示すような、冠動脈入口部周辺の血管代表値に基づいて、当該冠動脈入口部に留置可能なＧＣの一覧情報が生成される。

【0048】

図１２は使用可能なＧＣの一覧情報の一例を示す図である。図１２の例では、一覧情報は、在庫されているＧＣについて、形状、サイズ、使用可否の各情報を含む。例えば、形状がジャドキンス形状でサイズが３．５、４．０、４．５のＧＣは全て使用可能であり、その他のＧＣは使用不可となっている。なお、図１２の例は一例であって、一覧情報は図１２の例に限定されない。また、使用可能なＧＣの一覧情報として、使用可能なＧＣの情報だけを含めてもよい。

【0049】

ＧＣ一覧情報生成部１８は、ルールベースで構成してもよく、あるいは、ニューラルネットワークなどを用いてもよい。また、ＧＣ一覧情報生成部１８は、ＧＣが留置される血管部位の形態情報を取得し、取得した形態情報に基づいて、カテーテル治療に使用可能な複数のガイディングカテーテルを含む一覧情報を生成してもよい。この場合、あらかじめユーザが選択したＧＣの特徴（例えば、ＡｃｔｉｖｅまたはＰａｓｓｉｖｅ等）に基づいて一覧を生成してもよい。

【0050】

図１３は相互特徴量算出部１９の処理の概要を示す図である。相互特徴量算出部１９は、第２学習モデル２８が出力した、血管部位の形態情報（血管形状）、及びＧＣ一覧情報生成部１８は生成した、使用可能なＧＣの一覧情報に基づいて、ＧＣと血管部位との間の相互特徴量を算出する。

【0051】

図１４は相互特徴量の一例を示す図である。相互特徴量は、ＧＣの一覧情報に含まれる、使用可能な各ＧＣを冠動脈入口部（起始部）に留置した状態における、ＧＣと血管部位との間の相互特徴量である。相互特徴量は、例えば、同軸度、接触面積（接触長でもよい）を含む。同軸度は、ＧＣの先端が冠動脈入口部に留置した際の、冠動脈の軸方向とＧＣの軸方向とのなす角度で表すことができる。図１４の例では、同軸度は約４５度である。接触面積（接触長）は、ＧＣの先端が冠動脈入口部に留置した際の、ＧＣと大動脈の内壁との間の接触面積（接触長）である。なお、相互特徴量は、同軸度、接触面積（接触長）に限定されるものではなく、ＧＣのバックアップ力に寄与する他の特徴量を含めてもよい。図１４では、相互特徴量を２次元で表しているが、図１４で示すような相互特徴量を所要の角度でＸＹＺ軸回りに回転させて、３次元情報として特定してもよい。

【0052】

また、相互特徴量算出部１９に入力される使用可能なＧＣの一覧情報については、ＧＣ一覧情報生成部１８は生成した一覧情報の中から所要のＧＣを医師の操作によって選択するようにしてもよい。例えば、ＧＣの選択方針としては、アクティブなエンゲージが可能なアクティブタイプ（Ａｃｔｉｖｅ）のＧＣの選択、パッシブタイプ（Ｐａｓｓｉｖｅ）のＧＣの選択、あるいは選択なし等を含む。これにより、事前スクリーニングを行って計算量を低減できる。

【0053】

上述のように、制御部１０は、生成された複数のＧＣの一覧情報の中から所要のＧＣを選択する操作を受け付け、選択されたＧＣの一覧情報を生成してもよい。

【0054】

図１５は想定バックアップ力算出部１５の処理の概要を示す図である。想定バックアップ力算出部１５は、相互特徴量算出部１９が算出した相互特徴量に基づいて、使用可能なＧＣの想定バックアップ力を算出する。

【0055】

想定バックアップ力算出部１５は、ルールベースで構成してもよく、あるいは、ニューラルネットワークなどを用いてもよい。また、想定バックアップ力算出部１５は、ＧＣ一覧情報生成部１８が生成したＧＣの一覧情報及び第２学習モデル２８が出力した、ＧＣが留置される血管部位の形態情報に基づいて、使用可能なＧＣそれぞれの想定バックアップ力を算出してもよい。想定バックアップ力は、絶対値（単位：ニュートン）で表してもよく、相対値（例えば、１０段階の指標）で表してもよく、その他の評価指標で表してもよい。

【0056】

推奨ＧＣ情報生成部２０は、目標バックアップ力及び想定バックアップ力に基づいて、推奨ＧＣの情報を含む推奨ＧＣ情報を生成して出力する。

【0057】

図１６は推奨ＧＣ情報の一例を示す図である。図１６に示すように、推奨ＧＣ情報は、使用可能なＧＣ毎に想定バックアップ力、目標バックアップ力、使用可能なＧＣが推奨ＧＣであるか否か、推奨順位などの情報を含む。例えば、ＧＣ００１については、想定バックアップ力が８、目標バックアップ力が６とすると、想定バックアップ力が目標バックアップ力より大きいので、ＧＣ００１は推奨ＧＣとなる。また、ＧＣ００２については、想定バックアップ力が７、目標バックアップ力が６とすると、想定バックアップ力が目標バックアップ力より大きいので、ＧＣ００２は推奨ＧＣとなる。また、ＧＣ００３については、想定バックアップ力が５、目標バックアップ力が６とすると、想定バックアップ力が目標バックアップ力より小さいので、ＧＣ００２は推奨ＧＣとならない。以下、同様である。推奨ＧＣが複数ある場合には、推奨順位を含めることができる。図１６の例では、想定バックアップ力の大きい順に推奨順位が決められている。推奨ＧＣの一覧情報は、図１６の例に限定されるものではない。例えば、推奨ＧＣだけの一覧情報を生成してもよい。医師は、最終的には推奨ＧＣ情報の中から使用するＧＣを選択できる。推奨ＧＣ情報は、ＧＣが冠動脈起始部から脱落する可能性が極めて低いＧＣを推奨するので、医師は、推奨ＧＣ情報の中から使用するＧＣを選択するだけで、ＧＣの確実なエンゲージを実現できる。

【0058】

上述のように、推奨ＧＣ情報生成部２０は、目標バックアップ力よりも想定バックアップ力が大きいＧＣの情報を、推奨ＧＣの一覧情報として出力する。また、推奨ＧＣ情報生成部２０は、使用可能なＧＣの全てについて、目標バックアップ力よりも想定バックアップ力が小さい場合、その旨を通知してもよい。また、推奨ＧＣ情報生成部２０は、使用可能なＧＣの全てについて、目標バックアップ力よりも想定バックアップ力が小さい場合、想定バックアップ力が最も大きいＧＣの情報を、推奨ＧＣの一覧情報として出力してもよい。

【0059】

また、術中に治療計画を変更し、入力した治療計画を修正した場合には、その修正結果に基づいて目標バックアップ力を再計算し、再計算した目標バックアップ力と想定バックアップ力と比較する。比較結果から、目標バックアップ力が想定バックアップを超える場合、または目標バックアップ力に対する想定バックアップマージンの少ない場合には、アラート（警報、通知など）を出力してユーザに注意喚起を行ってもよい。これにより、医師などのユーザは、術中であっても、ＧＣの確実なエンゲージの確保の維持を図ることができる。

【0060】

図１６で例示したように、推奨ＧＣ情報を出力（表示）する場合に、術中のシチュエーション（例えば、どのデバイスを使用しているか、デバイスと治療対象部位との相対的位置関係、ＧＣに挿入されているデバイスの種類又は数など）に応じて、必要なバックアップ力は変化する。そこで、それぞれのシチュエーション毎に目標バックアップ力、想定バックアップ力を対比して出力し、想定バックアップ力が目標バックアップ力を下回る場合には、医師などのユーザにアラートを出力してもよい。これにより、術中のシチュエーション毎にＧＣが外れる可能性の有無を見える化して注意喚起することができる。

【0061】

上述のように、本実施形態によれば、適切なガイディングカテーテルの選択を支援できる。また、従来、ガイディングカテーテルの選択は、医師の経験や知識に依存し、個々の医師によってばらつきが発生していたが、本実施形態により、経験豊富な医師と同レベルで適切なガイディングカテーテルを選択することが可能となる。

【0062】

次に、第１学習モデル２７の生成方法について説明する。

【0063】

図１７は第１学習モデル２７の生成に用いる訓練データの一例を示す図である。訓練データは、それぞれの症例に対して、実際にカテーテル治療を行った際のデータを取得して収集することができる。図１７に示すように、訓練データは、病変、当該病変で使用した複数のデバイス情報、当該病変で使用したＧＣの想定バックアップ力、当該ＧＣの挙動（例えば、ＧＣの冠動脈起始部からの浮きの有無）、当該ＧＣの必要なバックアップ力を対応付けたデータの組を含む。便宜上、病変を符号Ｌ０１、Ｌ０２、…で表す。例えば、病変Ｌ０１で使用したデバイスをＤ１００１、Ｄ１００２、Ｄ１００３、…で表す。デバイスＤ１００１、Ｄ１００２、Ｄ１００３、…で使用したＧＣの想定バックアップ力をＦ００１、Ｆ００２、Ｆ００３、…で表す。それぞれのデバイスを使用しているときにＧＣの浮きの有無が、デバイスＤ１００１では浮き有、デバイスＤ１００２では浮き無、デバイスＤ１００３では浮き有、…であったとする。

【0064】

ＧＣの必要バックアップ力は、以下のようにして判定する。すなわち、デバイスＤ１００１ではＧＣの浮きが有なので、必要バックアップ力は、想定バックアップ力Ｆ００１以上であるとする。デバイスＤ１００２ではＧＣの浮きが無なので、必要バックアップ力は、想定バックアップ力Ｆ００２であるとする。デバイスＤ１００３ではＧＣの浮きが有なので、必要バックアップ力は、想定バックアップ力Ｆ００３以上であるとする。他のデバイスについても同様に判定する。

【0065】

病変Ｌ０２についても同様に、デバイスＤ１００１ではＧＣの浮きが無なので、必要バックアップ力は、想定バックアップ力Ｆ０１１であるとする。デバイスＤ１００４ではＧＣの浮きが有なので、必要バックアップ力は、想定バックアップ力Ｆ０１４以上であるとする。デバイスＤ１００５ではＧＣの浮きが無なので、必要バックアップ力は、想定バックアップ力Ｆ０１５であるとする。他のデバイスについても同様に判定する。また、他の病変についても同様に判定する。このようにして、それぞれのデバイスでＧＣの必要バックアップ力のデータを収集できる。

【0066】

上述のように、制御部１０は、以下のようにして収集された訓練データを取得できる。すなわち、カテーテル治療に使用可能な複数のＧＣの想定バックアップ力を収集し、カテーテル治療の際の複数のＧＣの挙動及びＧＣの想定バックアップ力に基づいて、複数のデバイスそれぞれで必要な、ＧＣのバックアップ力を判定し、判定したＧＣの必要バックアップ力を収集して訓練データとする。

【0067】

図１８は第１学習モデル２７の生成方法の一例を示す図である。以下では、情報処理装置１００が第１学習モデル２７を生成することを想定しているが、情報処理装置１００以外の学習処理装置が第１学習モデル２７を生成し、情報処理装置１００が、生成された第１学習モデル２７を取得するようにしてもよい。制御部１０は、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画、治療対象部位の状態情報（病変の状態）、及び複数のデバイスそれぞれで必要な、ＧＣのバックアップ力（必要バックアップ力）を含む訓練データを取得する。制御部１０は、取得した訓練データに基づいて、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、複数のデバイスそれぞれで必要な、ＧＣのバックアップ力を出力するように第１学習モデル２７を生成することができる。第１学習モデル２７の生成の際、第１学習モデル２７が出力する、デバイス毎のＧＣの必要バックアップ力が、訓練データに含まれる教師データである、デバイス毎のＧＣの必要バックアップ力に近づくように、第１学習モデル２７のパラメータを調整すればよい。なお、図１８の例では、学習用入力データに治療対象部位の状態情報が含まれているが、治療対象部位の状態情報を学習用入力データに含めなくてもよい。ただし、治療対象部位の状態情報を学習用入力データに含めた方が、第１学習モデル２７の推論精度が向上することが期待できる。

【0068】

図１９は情報処理装置１００による処理手順の一例を示す図である。便宜上、処理の主体を制御部１０として説明する。制御部１０は、医用画像を含む医用情報を取得する（Ｓ１１）。医用情報は、治療計画を生成するのに必要な情報を含む。制御部１０は、取得した医用情報に基づいて病変の状態を分類する（Ｓ１２）。病変の状態は、治療対象部位の状態情報である。制御部１０は、病変の状態分類に基づいて、治療計画候補を生成する（Ｓ１３）。

【0069】

制御部１０は、生成した治療計画候補を表示部２３に表示し、医師による治療計画の選択を受け付ける（Ｓ１４）。医師は、必要に応じて治療計画候補の中から所要の候補を選択できる。制御部１０は、選択された治療計画候補を治療計画として特定する（Ｓ１５）。

【0070】

制御部１０は、特定した治療計画、病変の状態を第１学習モデル２７に入力して、各デバイスで必要なＧＣのバックアップ力（必要バックアップ力）を取得し（Ｓ１６）、取得した必要バックアップ力に基づいて目標バックアップ力を特定する（Ｓ１７）。

【0071】

制御部１０は、医用画像を第２学習モデル２８に入力して、血管部位の形態情報（血管形状）を取得し（Ｓ１８）、取得した形態情報に基づいて血管の幾何学的特徴量（血管代表寸法）を算出する（Ｓ１９）。血管部位の形態情報は図１０を参照、幾何学的特徴量は図１１を参照。制御部１０は、幾何学的特徴量に基づいて、使用可能なＧＣの一覧情報を生成する（Ｓ２０）。使用可能なＧＣの一覧情報は図１２を参照。

【0072】

制御部１０は、血管部位の形態情報、及び使用可能なＧＣの一覧情報に基づいて、ＧＣと血管部位との相互特徴量を算出する（Ｓ２１）。相互特徴量は図１４を参照。制御部１０は、相互特徴量に基づいて、ＧＣの想定バックアップ力を算出する（Ｓ２２）。制御部１０は、目標バックアップ力及び想定バックアップ力に基づいて推奨ＧＣ情報（図１６参照）を生成し（Ｓ２３）、処理を終了する。

【0073】

図２０は第１学習モデル２７の生成方法の処理手順の一例を示す図である。制御部１０は、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画、及び当該複数のデバイスで必要な、ガイディングカテーテルのバックアップ力（必要バックアップ力）を含む訓練データを取得する（Ｓ３１）。制御部１０は、複数のデバイスが使用された治療対象部位の状態情報（病変の状態）を含む訓練データを取得する（Ｓ３２）。

【0074】

制御部１０は、治療計画及び治療対象部位の状態情報を入力した場合に、複数のデバイス毎にガイディングカテーテルの必要なバックアップ力を出力するように第１学習モデルを生成する（Ｓ３３）。制御部１０は、生成した第１学習モデル２７を記憶部２５に記憶し（Ｓ３４）、処理を終了する。

【0075】

本実施形態のコンピュータプログラムは、コンピュータに、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得し、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する第１学習モデルに、取得した治療計画を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得し、取得したバックアップ力に基づいてガイディングカテーテルの目標バックアップ力を特定し、ガイディングカテーテルが留置される血管部位の形態情報を取得し、取得した形態情報に基づいて、カテーテル治療に使用可能な１つ以上のガイディングカテーテルを含む一覧情報を生成し、生成した一覧情報及び前記形態情報に基づいて、前記１つ以上のガイディングカテーテルそれぞれの想定バックアップ力を算出し、前記目標バックアップ力及び想定バックアップ力に基づいて、推奨ガイディングカテーテルの情報を出力する、処理を実行させる。

【0076】

本実施形態のコンピュータプログラムは、コンピュータに、治療対象部位の状態情報を取得し、治療対象部位の状態情報をさらに入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する前記第１学習モデルに、取得した状態情報を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得する、処理を実行させる。

【0077】

本実施形態のコンピュータプログラムは、コンピュータに、治療対象部位の状態情報を取得し、取得した状態情報に基づいて、カテーテル治療に使用する複数のデバイスのデバイス情報を含む複数の治療計画候補を生成し、生成した複数の治療計画候補の中から治療計画を選択する操作を受け付け、選択された治療計画を前記第１学習モデルに入力する、処理を実行させる。

【0078】

本実施形態のコンピュータプログラムは、コンピュータに、治療対象部位を含む医用画像、前記治療対象部位の血管性状、狭窄度、及び治療歴の少なくとも一つを含む医用情報を取得し、取得した医用情報に基づいて前記治療対象部位の状態情報を特定し、特定した状態情報を取得する、処理を実行させる。

【0079】

本実施形態のコンピュータプログラムは、コンピュータに、血管部位を含む医用画像を取得し、血管部位を含む医用画像を入力した場合、前記血管部位の形態情報を出力する第２学習モデルに、取得した前記血管部位を含む医用画像を入力して、前記血管部位の形態情報を取得する、処理を実行させる。

【0080】

本実施形態のコンピュータプログラムは、コンピュータに、取得した形態情報に基づいて前記血管部位に関する寸法、角度、湾曲度、及び形状の少なくとも一つを含む幾何学的特徴量を算出し、算出した幾何学的特徴量に基づいて前記１つ以上のガイディングカテーテルを含む一覧情報を生成する、処理を実行させる。

【0081】

本実施形態のコンピュータプログラムは、コンピュータに、生成した一覧情報及び前記形態情報に基づいて、前記ガイディングカテーテルと前記血管部位との相互特徴量を算出し、算出した相互特徴量に基づいて、前記ガイディングカテーテルの想定バックアップ力を算出する、処理を実行させる。

【0082】

本実施形態のコンピュータプログラムは、コンピュータに、生成した前記１つ以上のガイディングカテーテルを含む一覧情報の中から所要のガイディングカテーテルを選択する操作を受け付け、選択されたガイディングカテーテルの一覧情報を生成する、処理を実行させる。

【0083】

本実施形態のコンピュータプログラムは、コンピュータに、前記目標バックアップ力よりも前記想定バックアップ力が大きいガイディングカテーテルの情報を、前記推奨ガイディングカテーテルの情報として出力する、処理を実行させる。

【0084】

本実施形態のコンピュータプログラムは、コンピュータに、前記目標バックアップ力よりも前記想定バックアップ力が小さい場合、その旨を通知する、処理を実行させる。

【0085】

本実施形態のコンピュータプログラムは、コンピュータに、前記目標バックアップ力よりも前記想定バックアップ力が小さい場合、想定バックアップ力が最も大きいガイディングカテーテルの情報を、前記推奨ガイディングカテーテルの情報として出力する、処理を実行させる。

【0086】

本実施形態のコンピュータプログラムは、コンピュータに、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力のうち最大のバックアップ力を前記目標バックアップ力として特定する、処理を実行させる。

【0087】

本実施形態の情報処理装置は、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得する第１取得部と、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する第１学習モデルに、取得した治療計画を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得する第２取得部と、取得したバックアップ力に基づいてガイディングカテーテルの目標バックアップ力を特定する特定部と、ガイディングカテーテルが留置される血管部位の形態情報を取得する第３取得部と、取得した形態情報に基づいて、カテーテル治療に使用可能な１つ以上のガイディングカテーテルを含む一覧情報を生成する生成部と、生成した一覧情報及び前記形態情報に基づいて、前記１つ以上のガイディングカテーテルそれぞれの想定バックアップ力を算出する算出部と、前記目標バックアップ力及び想定バックアップ力に基づいて、推奨ガイディングカテーテルの情報を出力する出力部とを備える。

【0088】

本実施形態の情報処理方法は、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を取得し、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力する第１学習モデルに、取得した治療計画を入力して、前記治療計画に含まれる複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を取得し、取得したバックアップ力に基づいてガイディングカテーテルの目標バックアップ力を特定し、ガイディングカテーテルが留置される血管部位の形態情報を取得し、取得した形態情報に基づいて、カテーテル治療に使用可能な１つ以上のガイディングカテーテルを含む一覧情報を生成し、生成した一覧情報及び前記形態情報に基づいて、前記１つ以上のガイディングカテーテルそれぞれの想定バックアップ力を算出し、前記目標バックアップ力及び想定バックアップ力に基づいて、推奨ガイディングカテーテルの情報を出力する。

【0089】

本実施形態の学習モデル生成方法は、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画、及び前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を含む訓練データを取得し、取得した訓練データに基づいて、カテーテル治療に使用する複数のデバイスのデバイス情報を含む治療計画を入力した場合に、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を出力するように第１学習モデルを生成する。

【0090】

本実施形態の学習モデル生成方法は、カテーテル治療に使用可能な複数のガイディングカテーテルの想定バックアップ力を収集し、カテーテル治療の際の前記複数のガイディングカテーテルの挙動及び前記想定バックアップ力に基づいて、前記複数のデバイスそれぞれで必要な、ガイディングカテーテルのバックアップ力を判定し、判定したガイディングカテーテルのバックアップ力を収集して前記訓練データとして取得する。

【符号の説明】

【0091】

１ 記録媒体
１０ 制御部
１１ 目標バックアップ力特定部
１２ 状態情報特定部
１３ 治療計画候補生成部
１４ 治療計画特定部
１５ 想定バックアップ力算出部
１６ 形態情報取得部
１７ 幾何学的特徴量算出部
１８ ＧＣ一覧情報生成部
１９ 相互特徴量算出部
２０ 推奨ＧＣ情報生成部
２１ 通信部
２２ メモリ
２３ 表示部
２４ 操作部
２５ 記憶部
２６ コンピュータプログラム
２７ 第１学習モデル
２８ 第２学習モデル
２９ 記録媒体読取部

【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】

【図19】

【図20】