JP2023136949A - Learning model generation method, information output method, information output device, and computer program - Google Patents

Abstract

To provide a learning model generation method, an information output method, an information output device, and a computer program for presenting, to a user, the probability of an occurrence of a prolapse in an intravascular treatment.SOLUTION: In a learning model generation method, training data is acquired including a blood vessel image on the state of a blood vessel of a patient, device information on a device used in an intravascular treatment, and the probability of an occurrence of prolapse in the intravascular treatment, and a learning model for outputting the probability of an occurrence of prolapse in the intravascular treatment is generated by learning based on the training data when the blood vessel image and the device information are input.SELECTED DRAWING: Figure 1

Description

本発明は、血管内治療に関連する学習モデル生成方法、情報出力方法、情報出力装置及びコンピュータプログラムに関する。 The present invention relates to a learning model generation method, an information output method, an information output device, and a computer program related to endovascular treatment.

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。 One method for treating diseased areas such as stenosis or occlusion occurring in blood vessels is endovascular treatment, in which treatment is performed from within the blood vessel using a device percutaneously inserted into the blood vessel. In endovascular treatment, treatment is performed using a combination of various devices inserted into blood vessels, such as guiding catheters, guide wires, microcatheters, balloon catheters, and stents. In an example of endovascular treatment, a practitioner inserts a guide wire into a blood vessel, inserts a balloon catheter along the guide wire, and inflates the balloon of the balloon catheter at the diseased area where the blood vessel is narrowed. Expand. Patent Document 1 discloses an example of a technique for performing endovascular treatment.

特開２０２１－１０４３３７号公報JP 2021-104337 Publication

血管内治療では、デバイスは、経皮的に血管内に挿入された後、血管内を通って狭窄又は閉塞した病変部分に到達する必要がある。血管の形状は、患者によって異なり、血管が分岐している場合もある。狭窄又は閉塞が生じた病変部分の周辺に血管の分岐がある場合、デバイスは、分岐を通過する際に、デバイスの剛性が大きく変化している部分で座屈し、座屈したデバイスの一部が血管の側枝に入るプロラプスが発生することがある。プロラプスが発生した場合は、デバイスは、それ以上進むことができずに目的の病変部分に到達できないことがある。また、プロラプスの発生に伴いデバイスが急激にかつ大きく座屈した場合、デバイスは、血管壁と擦れることにより血管壁を損傷させ、患者の病態を悪化させることがある。プロラプスの発生確率は、患者の血管の状態及びデバイスの特性等によって変化する。血管内治療を実施する施術者は、プロラプスの発生確率を把握した上で治療を行うことが望ましい。 Endovascular treatment requires a device to be percutaneously inserted into a blood vessel and then passed through the blood vessel to reach a stenotic or occluded lesion. The shape of blood vessels varies depending on the patient, and in some cases, blood vessels have branches. If there is a branch of a blood vessel around a lesion where stenosis or occlusion has occurred, the device will buckle at the part where the stiffness of the device changes significantly as it passes through the branch, and the buckled part of the device will Prolapse into side branches of blood vessels may occur. If prolapse occurs, the device may be unable to advance further to reach the desired lesion. Furthermore, if the device buckles rapidly and significantly due to the occurrence of prolapse, the device may rub against the blood vessel wall, damaging the blood vessel wall and worsening the patient's condition. The probability of occurrence of prolapse changes depending on the condition of the patient's blood vessels, the characteristics of the device, etc. It is desirable for practitioners who perform endovascular treatment to understand the probability of prolapse occurring before performing treatment.

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、血管内治療におけるプロラプスの発生確率を使用者に提示するための学習モデル生成方法、情報出力方法、情報出力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。 The present invention has been made in view of the above circumstances, and its purpose is to provide a learning model generation method, an information output method, and an information output method for presenting to a user the probability of occurrence of prolapse in endovascular treatment. The purpose of this invention is to provide output devices and computer programs.

本発明の一形態に係る学習モデル生成方法は、患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関するデバイス情報と、血管内治療におけるプロラプスの発生確率とを含んだ訓練データを取得し、前記訓練データに基づいた学習により、血管画像及びデバイス情報を入力した場合に血管内治療におけるプロラプスの発生確率を出力する学習モデルを生成することを特徴とする。 A learning model generation method according to an embodiment of the present invention uses training data that includes a blood vessel image regarding the state of a patient's blood vessels, device information regarding a device used in endovascular treatment, and the probability of occurrence of prolapse in endovascular treatment. The method is characterized in that, by learning based on the acquired training data, a learning model is generated that outputs the probability of occurrence of prolapse in endovascular treatment when blood vessel images and device information are input.

本発明の一形態においては、患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関する情報と、血管内治療におけるプロラプスの発生確率とを含んだ訓練データを用いた学習により、学習モデルを生成する。血管内治療におけるプロラプスの発生確率は、血管の状態とデバイスの特性との組み合わせによって異なる。このため、血管画像とデバイスに関する情報とに応じてプロラプスの発生確率を出力する学習モデルを生成することが可能である。 In one form of the present invention, learning is performed using training data that includes vascular images regarding the state of a patient's blood vessels, information regarding devices used in endovascular treatment, and the probability of occurrence of prolapse during endovascular treatment. Generate the model. The probability of prolapse occurring in endovascular treatment varies depending on the combination of the vascular condition and device characteristics. Therefore, it is possible to generate a learning model that outputs the prolapse occurrence probability according to the blood vessel image and information regarding the device.

本発明の一形態に係る情報出力方法は、患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関するデバイス情報とを取得し、血管画像及びデバイス情報を入力した場合に血管内治療におけるプロラプスの発生確率を出力する学習モデルへ、取得した血管画像及びデバイス情報を入力し、前記学習モデルが出力した前記確率を取得し、取得した前記確率に応じた情報を出力することを特徴とする。 An information output method according to one embodiment of the present invention acquires a blood vessel image related to a patient's blood vessel condition and device information related to a device used in endovascular treatment, and when the blood vessel image and device information are input, endovascular treatment is performed. The acquired blood vessel image and device information are input to a learning model that outputs the probability of occurrence of prolapse in the learning model, the probability outputted by the learning model is obtained, and information corresponding to the obtained probability is outputted. do.

本発明の一形態に係る情報出力装置は、患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関するデバイス情報とを取得する情報取得部と、血管画像及びデバイス情報を入力した場合に血管内治療におけるプロラプスの発生確率を出力する学習モデルと、取得した血管画像及びデバイス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確率を取得する確率取得部と、取得した前記確率に応じた情報を出力する出力部とを備えることを特徴とする。 An information output device according to one embodiment of the present invention includes an information acquisition unit that acquires a blood vessel image related to a patient's blood vessel condition and device information related to a device used in endovascular treatment; a learning model that outputs the probability of occurrence of prolapse in endovascular treatment; a probability acquisition unit that inputs the acquired blood vessel image and device information to the learning model and acquires the probability output by the learning model; The apparatus is characterized by comprising an output section that outputs information according to the probability.

本発明の一形態に係るコンピュータプログラムは、患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関するデバイス情報とを取得し、血管画像及びデバイス情報を入力した場合に血管内治療におけるプロラプスの発生確率を出力する学習モデルへ、取得した血管画像及びデバイス情報を入力し、前記学習モデルが出力した前記確率を取得し、取得した前記確率に応じた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。 A computer program according to an embodiment of the present invention acquires a blood vessel image related to a patient's blood vessel condition and device information related to a device used in endovascular treatment, and when the blood vessel image and device information are input, Input the acquired blood vessel image and device information into a learning model that outputs the probability of prolapse occurrence, acquire the probability output by the learning model, and execute a process on the computer to output information according to the acquired probability. It is characterized by causing

本発明の一形態においては、血管画像とデバイス情報に応じて、血管内治療におけるプロラプスの発生確率を取得し、確率又はプロラプスが発生する可能性が高いことの警告等、プロラプスの発生確率に応じた情報を出力する。使用者は、血管内治療におけるプロラプスの発生確率を認識することができる。 In one embodiment of the present invention, the probability of occurrence of prolapse in endovascular treatment is obtained according to the blood vessel image and device information, and the probability or warning that prolapse is likely to occur is determined depending on the probability of occurrence of prolapse. Output the information. The user can recognize the probability of prolapse occurring during endovascular treatment.

本発明にあっては、血管内治療におけるプロラプスの発生確率に応じて、プロラプスが発生しないように使用者が行動することが可能となる。このため、本発明は、血管内治療の安全性が向上する等、優れた効果を奏する。 According to the present invention, the user can take actions to prevent prolapse from occurring, depending on the probability of prolapse occurring during endovascular treatment. Therefore, the present invention has excellent effects such as improving the safety of endovascular treatment.

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。FIG. 1 is a schematic diagram showing an outline of a treatment system used to perform endovascular treatment. プロラプスが発生した状況を表す模式的断面図である。FIG. 3 is a schematic cross-sectional view showing a situation where prolapse occurs. 情報出力装置の内部の機能構成例を示すブロック図である。FIG. 2 is a block diagram showing an example of the internal functional configuration of the information output device. 学習モデルの機能を示す概念図である。FIG. 2 is a conceptual diagram showing the functions of a learning model. 血管画像の例を示す模式図である。FIG. 2 is a schematic diagram showing an example of a blood vessel image. デバイス情報の内容例を示す概念図である。FIG. 3 is a conceptual diagram showing an example of the contents of device information. 学習装置の内部の機能構成例を示すブロック図である。FIG. 2 is a block diagram showing an example of the internal functional configuration of the learning device. 訓練データの内容例を示す概念図である。FIG. 3 is a conceptual diagram showing an example of the contents of training data. 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。It is a flowchart which shows the procedure of the process which a learning device performs. 実施形態１に係る情報出力装置が行う処理の手順を示すフローチャートである。5 is a flowchart showing a procedure of processing performed by the information output device according to the first embodiment. 警告情報の出力例を示す模式図である。FIG. 3 is a schematic diagram showing an example of outputting warning information. 学習モデルの第２の例の機能を示す概念図である。FIG. 7 is a conceptual diagram showing the functions of a second example of a learning model. 実施形態２に係る情報出力装置が行う処理の手順を示すフローチャートである。7 is a flowchart showing a procedure of processing performed by the information output device according to the second embodiment.

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、情報出力装置１と、画像生成装置２１と、表示装置２２と、音声出力装置２３とを備える。画像生成装置２１は、患者４の血管の状態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。 DESCRIPTION OF THE PREFERRED EMBODIMENTS The present invention will be specifically described below based on drawings showing embodiments thereof.
(Embodiment 1)
FIG. 1 is a schematic diagram showing an outline of a treatment system 100 used for performing endovascular treatment. The patient 4 has a blood vessel disease, and is treated using a device 3 that is percutaneously inserted into the patient's blood vessel. In treatment, not only a single device 3 but also a combination of multiple devices 3 may be used. The treatment system 100 includes an information output device 1, an image generation device 21, a display device 22, and an audio output device 23. The image generation device 21 generates a blood vessel image regarding the condition of the patient's 4 blood vessels. The blood vessel image is an image representing the patient's 4 blood vessels. For example, the image generation device 21 irradiates the patient 4 with X-rays, detects the X-rays that have passed through the patient 4, and generates an X-ray transmission image of the blood vessels of the patient 4 as a blood vessel image. Note that the image generation device 21 may be configured to generate images other than X-ray transmission images as blood vessel images, such as echo images generated using sound waves.

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。音声出力装置２３は、音声を発声させる。例えば、音声出力装置２３はスピーカである。情報出力装置１は、画像生成装置２１、表示装置２２及び音声出力装置２３に接続されている。情報出力装置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。 The display device 22 displays images. The display device 22 is, for example, a liquid crystal display or an EL display (Electroluminescent Display). The audio output device 23 produces audio. For example, the audio output device 23 is a speaker. The information output device 1 is connected to an image generation device 21, a display device 22, and an audio output device 23. The information output device 1 acquires the blood vessel image generated by the image generation device 21 and causes the display device 22 to display the blood vessel image. A user who uses the treatment system 100 is, for example, a practitioner 5 who performs endovascular treatment or other medical personnel. The device 3 is inserted into the blood vessel of the patient 4 by the operation of the practitioner 5 . The practitioner 5 operates the device 3 while viewing the blood vessel image displayed on the display device 22 .

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を組み合わせて使用することもある。図２は、血管内においてガイドワイヤにプロラプスが発生した状況を表す模式的断面図である。本実施形態では、血管内治療において、デバイス３が血管内に挿入され、血管内を進行している時に、デバイス３が座屈し、デバイス３の座屈した部分が血管の側枝に入り込むことをプロラプスとする。 A plurality of types of devices 3 may be used for endovascular treatment, such as a guiding catheter, a guide wire, a microcatheter, a balloon catheter, and a stent. In endovascular treatment, multiple types of devices 3 may be used in combination. FIG. 2 is a schematic cross-sectional view showing a situation where prolapse occurs in a guide wire within a blood vessel. In this embodiment, in endovascular treatment, when the device 3 is inserted into a blood vessel and is progressing within the blood vessel, the device 3 buckles, and the prolapse is that the buckled portion of the device 3 enters a side branch of the blood vessel. shall be.

プロラプスは、図２に示すように、施術者が血管４１の狭窄部分４４にデバイス３の先端を通過させようとしてデバイス３を押し込んだ際に、発生することがある。デバイス３の先端が狭窄部分４４に阻まれて進行しにくい場合に、施術者５がデバイス３を更に押し込むと、デバイス３の先端部が座屈する。デバイス３の座屈した部分が狭窄部分４４の手前に存在する血管４１の側枝４３に入り込むことにより、プロラプスが発生する。プロラプスが発生すると、デバイス３は、進行が困難になり、血管内治療の継続が妨げられることがある。又は、デバイス３の座屈した部分が血管４１を損傷させ、患者の病態を悪化させることがある。したがって、施術者５は、プロラプスが発生しないように血管内治療を実施する必要がある。 As shown in FIG. 2, prolapse may occur when the practitioner pushes the device 3 in an attempt to pass the tip of the device 3 through the narrowed portion 44 of the blood vessel 41. When the distal end of the device 3 is blocked by the narrowed portion 44 and is difficult to advance, when the practitioner 5 pushes the device 3 further, the distal end of the device 3 buckles. Prolapse occurs when the buckled portion of the device 3 enters the side branch 43 of the blood vessel 41 that is present in front of the stenotic portion 44. When prolapse occurs, the device 3 may have difficulty advancing and may prevent continuation of endovascular treatment. Alternatively, the buckled portion of the device 3 may damage the blood vessel 41 and worsen the patient's condition. Therefore, the practitioner 5 needs to perform endovascular treatment so that prolapse does not occur.

血管内治療におけるプロラプスの発生確率は、患者４の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。また、プロラプスの発生確率は、デバイス３の血管内での位置によっても異なる。プロラプスの発生確率に関係する血管の状態は、血管が直線状であるか否か、血管に分岐があるか否か、血管の狭窄部分から分岐までの距離等である。プロラプスの発生確率に関係するデバイス３の特性は、デバイス３の種類、滑り性又は長軸に沿った剛性の分布等である。 The probability of prolapse occurring in endovascular treatment differs depending on the combination of the patient's 4 vascular condition and the device 3 characteristics. Further, the probability of occurrence of prolapse also differs depending on the position of the device 3 within the blood vessel. Blood vessel conditions related to the probability of prolapse include whether the blood vessel is straight, whether the blood vessel has branches, and the distance from the narrowed part of the blood vessel to the branch. The characteristics of the device 3 that are related to the probability of occurrence of prolapse include the type of the device 3, slipperiness, or stiffness distribution along the long axis.

例えば、デバイス３の剛性の長軸方向に沿った遷移は、デバイス３に用いられる素材又はデバイス３の構造によって異なるが、デバイス３の先端から基端に向かって長軸方向に沿って剛性が徐々に増加する傾向が知られている。デバイス３によっては、長軸方向に沿った剛性が大きく変化する部分を有する。以下、長軸方向に沿ってデバイス３の剛性が大きく変化する部分を剛性変化点という。デバイス３は、デバイス３の長軸方向に沿って剛性が大きく変化する剛性変化点で座屈しやすい。したがって、デバイス３は、デバイス３の剛性変化点が血管の分岐に位置した場合に、プロラプスの発生確率が高くなる。 For example, the transition of the stiffness of the device 3 along the long axis direction varies depending on the material used for the device 3 or the structure of the device 3, but the stiffness gradually changes along the long axis direction from the distal end to the proximal end of the device 3. It is known that there is a tendency for this to increase. Some devices 3 have portions in which the rigidity along the longitudinal direction varies greatly. Hereinafter, the portion where the stiffness of the device 3 changes significantly along the long axis direction will be referred to as a stiffness change point. The device 3 is likely to buckle at a stiffness change point where the stiffness changes significantly along the long axis direction of the device 3. Therefore, in the device 3, when the stiffness change point of the device 3 is located at a branch of the blood vessel, the probability of prolapse occurring increases.

図３は、情報出力装置１の内部の機能構成例を示すブロック図である。情報出力装置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。情報出力装置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。 FIG. 3 is a block diagram showing an example of the internal functional configuration of the information output device 1. As shown in FIG. The information output device 1 is a computer such as a server device or a personal computer. The information output device 1 includes a calculation section 11, a memory 12, a storage section 13, a drive section 14, an operation section 15, and an interface section 16. The calculation unit 11 is configured using, for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or a multi-core CPU. The calculation unit 11 may be configured using a quantum computer. The memory 12 stores temporary data generated along with calculations. The memory 12 is, for example, a RAM (Random Access Memory). The storage unit 13 is nonvolatile, and is, for example, a hard disk or a nonvolatile semiconductor memory. The drive unit 14 reads information from a recording medium 10 such as an optical disc or a portable memory.

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、情報出力装置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、情報出力装置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、情報出力装置１に予め記憶されていてもよい。これらの場合は、情報出力装置１はドライブ部１４を備えていなくてもよい。 The calculation unit 11 causes the drive unit 14 to read the computer program 131 recorded on the recording medium 10 and causes the storage unit 13 to store the read computer program 131. The calculation unit 11 executes processing necessary for the information output device 1 according to the computer program 131. Computer program 131 may be a computer program product. The computer program 131 may be downloaded from outside the information output device 1. Alternatively, the computer program 131 may be stored in the information output device 1 in advance. In these cases, the information output device 1 does not need to include the drive section 14.

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、表示装置２２及び音声出力装置２３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出力装置１へ送信し、情報出力装置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。情報出力装置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、情報出力装置１から受信した血管画像を表示する。なお、操作部１５は、情報出力装置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。 The operation unit 15 accepts input of information such as text by accepting operations from the user. The operation unit 15 is, for example, a touch panel, a pen tablet, a keyboard, or a pointing device. The interface section 16 is connected to an image generation device 21, a display device 22, and an audio output device 23. The image generation device 21 transmits the generated blood vessel image to the information output device 1, and the information output device 1 receives the blood vessel image transmitted from the image generation device 21 at the interface unit 16. The information output device 1 transmits the blood vessel image from the interface unit 16 to the display device 22, and the display device 22 displays the blood vessel image received from the information output device 1. Note that the operation unit 15 may be provided outside the information output device 1 and connected to the interface unit 16.

情報出力装置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。情報出力装置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。 The information output device 1 is configured by a plurality of computers, data may be stored in a distributed manner by the plurality of computers, and processing may be executed in a distributed manner by the plurality of computers. The information output device 1 may be realized using cloud computing, or may be realized by a plurality of virtual machines provided within one computer.

情報出力装置１は、プロラプスの発生確率を得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は情報出力装置１の外部に設けられており、情報出力装置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。 The information output device 1 includes a learning model 132 used to obtain the probability of occurrence of prolapse. The learning model 132 is realized by the arithmetic unit 11 executing information processing according to the computer program 131. The storage unit 13 stores data necessary for realizing the learning model 132. The learning model 132 may be configured using hardware. For example, the learning model 132 may be configured by hardware including a processor and a memory that stores necessary programs and data. Alternatively, the learning model 132 may be implemented using a quantum computer. Alternatively, the learning model 132 may be provided outside the information output device 1, and the information output device 1 may execute processing using the external learning model 132. For example, the learning model 132 may be implemented using the cloud.

図４は、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、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。例えば、血管画像は、病変部分を含んだ血管を表した画像である。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、血管内治療におけるプロラプスの発生確率を出力するように、予め学習されている。 FIG. 4 is a conceptual diagram showing the functions of the learning model 132. A blood vessel image representing the blood vessels of the patient 4 and device information indicating characteristics of the device 3 are input to the learning model 132 . For example, a blood vessel image is an image representing a blood vessel including a lesion. The learning model 132 is trained in advance so as to output the probability of occurrence of prolapse in endovascular treatment when blood vessel images and device information are input.

図５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の血管の状態及び狭窄部分の位置等の血管の状態が表現されている。血管画像は、血管の分岐を表した画像を含んでいる。血管画像は、血管内治療中に生成される。血管画像は、血管内に挿入されたデバイス３の一部の画像を含む。特に、血管画像は、デバイス３の先端を含む先端部分３４の画像を含む。デバイス３の先端部分３４は、デバイス３の一部分である。デバイス３の先端部分３４は、Ｘ線が透過しない物質で形成されており、血管画像は、Ｘ線不透過部分として、デバイス３の先端部分３４の画像を含む。 FIG. 5 is a schematic diagram showing an example of a blood vessel image. The blood vessel image is an image generated by the image generation device 21. The blood vessel image expresses the state of the blood vessel of the patient 4 and the position of the stenotic portion. The blood vessel image includes images representing blood vessel branches. Vascular images are generated during endovascular treatment. The blood vessel image includes an image of a portion of the device 3 inserted into the blood vessel. In particular, the blood vessel image includes an image of the tip portion 34 including the tip of the device 3. The tip portion 34 of the device 3 is a portion of the device 3. The distal end portion 34 of the device 3 is formed of a material that does not transmit X-rays, and the blood vessel image includes an image of the distal end portion 34 of the device 3 as an X-ray opaque portion.

学習モデル１３２へ入力される血管画像は、単一の画像であってもよく、複数の画像であってもよい。複数の血管画像は、血管の複数の箇所を表した複数の血管画像である。複数の血管画像は、生成された時点が異なる時系列的な複数の血管画像である。時系列的な複数の血管画像は、血管の同一部分を表し、時間の経過に応じて繰り返し生成される画像である。時系列的な複数の血管画像は、動画像に含まれる連続的な複数のフレームであってもよく、動画像から非連続的に抽出された複数のフレームであってもよい。学習モデル１３２へ入力される血管画像は、患者４の血管の複数の部分を表した複数の画像であってもよい。なお、血管画像は、ＩＶＵＳ（intravascular ultrasound）によって生成された画像であってもよい。 The blood vessel image input to the learning model 132 may be a single image or a plurality of images. The plurality of blood vessel images are a plurality of blood vessel images representing a plurality of locations on a blood vessel. The plurality of blood vessel images are a plurality of time-series blood vessel images generated at different times. A plurality of time-series blood vessel images represent the same portion of a blood vessel and are images that are repeatedly generated over time. The plurality of time-series blood vessel images may be a plurality of consecutive frames included in a moving image, or may be a plurality of frames non-continuously extracted from a moving image. The blood vessel images input to the learning model 132 may be a plurality of images representing a plurality of parts of the patient's 4 blood vessels. Note that the blood vessel image may be an image generated by IVUS (intravascular ultrasound).

図６は、デバイス情報の内容例を示す概念図である。図６Ａ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、デバイス３の外径、滑り性、所定の先端部分の荷重である先端荷重、及び剛性が大きく変化する剛性変化点の位置等の複数種類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３の外径は、デバイス３のサイズの例であり、剛性変化点の位置は、デバイス３の長軸方向に沿った剛性の分布の例である。デバイス３の外径、滑り性、先端荷重及び剛性変化点の位置について、数値が記録されている。剛性変化点の位置は、デバイス３の先端から剛性変化点までの長軸方向の長さで表されている。デバイス情報は、デバイス３の各部分の剛性の数値等、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。 FIG. 6 is a conceptual diagram showing an example of the contents of device information. FIG. 6A shows an example in which the device information consists of information regarding a single device 3. The device information includes the type of device 3 such as a guiding catheter, guide wire, microcatheter, balloon catheter, or stent, and the product name of the device 3. In addition, the device information includes characteristics of the device 3 consisting of multiple types of elements such as the outer diameter of the device 3, slipperiness, the tip load that is the load on a predetermined tip portion, and the position of the stiffness change point where the stiffness changes significantly. is recorded. The outer diameter of the device 3 is an example of the size of the device 3, and the position of the stiffness change point is an example of the stiffness distribution along the long axis direction of the device 3. Numerical values are recorded for the outer diameter, slipperiness, tip load, and position of the stiffness change point of the device 3. The position of the stiffness change point is expressed by the length in the longitudinal direction from the tip of the device 3 to the stiffness change point. The device information may include other elements included in the characteristics of the device 3, such as numerical values of the stiffness of each part of the device 3.

図６Ｂは、デバイス情報が、血管内治療で使用される複数のデバイス３の組み合わせを含む例を示す。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。血管内治療で使用されるデバイス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、外径、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。 FIG. 6B shows an example in which the device information includes a combination of multiple devices 3 used in endovascular treatment. When a combination of multiple types of devices 3 is used, the device information includes information regarding each device 3 included in the combination of devices 3. The device information includes information indicating the characteristics of each device 3. When the combination of devices 3 used in endovascular treatment consists of a guide wire and a balloon catheter, the characteristics of each device 3 are determined by factors such as the type, outer diameter, slipperiness, tip load, and position of the stiffness change point. , included in the device information.

血管内治療におけるプロラプスの発生確率は、数値で表される。プロラプスが発生する可能性が高い場合にプロラプスの発生確率の数値は高くなり、プロラプスが発生する可能性が低い場合にプロラプスの発生確率の数値は低くなる。例えば、プロラプスの発生確率は、０％から１００％までの数値で表される。プロラプスの発生確率は、その他の範囲の数値で表されてもよい。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。 The probability of prolapse occurring in endovascular treatment is expressed numerically. When the possibility of prolapse occurring is high, the numerical value of the probability of prolapse occurring is high, and when the possibility of prolapse occurring is low, the numerical value of the probability of prolapse occurring is low. For example, the probability of prolapse occurring is expressed as a numerical value from 0% to 100%. The probability of occurrence of prolapse may be expressed as a numerical value in other ranges. The learning model 132 is configured using a neural network such as a CNN (Convolutional Neural Network), a LSTM (Long short-term memory), or a transformer. The learning model 132 may be a model using a method other than a neural network.

学習モデル１３２の学習は、学習装置６によって行われる。図７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。 Learning of the learning model 132 is performed by the learning device 6. FIG. 7 is a block diagram showing an example of the internal functional configuration of the learning device 6. As shown in FIG. The learning device 6 is a computer such as a server device or a personal computer. The learning device 6 includes a calculation section 61, a memory 62, a drive section 63, a storage section 64, an operation section 65, a display section 66, and an interface section 67. The calculation unit 61 is configured using, for example, a CPU, a GPU, or a multi-core CPU. The calculation unit 61 may be configured using a quantum computer. The memory 62 stores temporary data generated along with calculations. The memory 62 is, for example, a RAM. The drive unit 63 reads information from a recording medium 60 such as an optical disc or a portable memory. The storage unit 64 is nonvolatile, and is, for example, a hard disk or a nonvolatile semiconductor memory.

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。 The calculation unit 61 causes the drive unit 63 to read the computer program 641 recorded on the recording medium 60 and causes the storage unit 64 to store the read computer program 641. The calculation unit 61 executes processing necessary for the learning device 6 according to the computer program 641. Computer program 641 may be a computer program product. The computer program 641 may be downloaded from outside the learning device 6 or may be stored in the learning device 6 in advance. In these cases, the learning device 6 does not need to include the drive section 63.

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、情報出力装置１により実現されてもよい。 The operation unit 65 accepts information input by accepting operations from the user. The operation unit 15 is, for example, a touch panel, a pen tablet, a keyboard, or a pointing device. The display section 66 displays information. The display section 66 is, for example, a liquid crystal display or an EL display. The operation section 65 and the display section 66 may be integrated. The interface unit 67 accepts data input. The learning device 6 may be configured by a plurality of computers or may be realized using cloud computing. The learning device 6 may be realized by the information output device 1.

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する。図８は、訓練データの内容例を示す概念図である。訓練データは、血管内治療の結果からなる。訓練データは、患者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。血管画像は、血管内に挿入されたデバイス３の画像を含むことが望ましい。特に、血管画像は、デバイス３の先端部分の画像を含むことが望ましい。血管画像は、血管内でのデバイス３の先端位置、又はデバイス３の長軸方向に沿った剛性が大きく変化する剛性変化点の血管内での位置を示す情報を含んでいてもよい。血管画像は、血管の同一部分を表した時系列的な複数の血管画像を含んでいてもよく、血管の複数の箇所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複数のデバイス３の組み合わせに関する情報を含んでいてもよい。また、訓練データは、プロラプスの発生確率を含む。訓練データに含まれるプロラプスの発生確率は、血管画像で表される血管に対してデバイス情報に係るデバイス３を用いて行う血管内治療においてプロラプスが発生する確率である。 The storage unit 64 stores training data for learning the learning model. FIG. 8 is a conceptual diagram showing an example of the contents of training data. The training data consists of endovascular treatment results. The training data includes a blood vessel image representing a patient's blood vessel and device information regarding the device 3 used in endovascular treatment performed on the blood vessel represented by the blood vessel image. The blood vessel image preferably includes an image of the device 3 inserted into the blood vessel. In particular, it is desirable that the blood vessel image include an image of the distal end portion of the device 3. The blood vessel image may include information indicating the position of the distal end of the device 3 within the blood vessel, or the position within the blood vessel of a stiffness change point where the stiffness of the device 3 changes significantly along the longitudinal direction. The blood vessel image may include a plurality of time-series blood vessel images representing the same part of the blood vessel, or may include a plurality of blood vessel images representing multiple locations of the blood vessel. The device information may include information regarding a combination of multiple devices 3 used in endovascular treatment. Further, the training data includes the probability of occurrence of prolapse. The prolapse occurrence probability included in the training data is the probability that prolapse will occur in endovascular treatment performed on a blood vessel represented by a blood vessel image using the device 3 related to the device information.

訓練データに含まれる血管画像、デバイス情報、及びプロラプスの発生確率は、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、及びプロラプスの発生確率からなる情報セットを複数含んでいる。訓練データは、プロラプスの発生確率が低い情報セットと、プロラプスの発生確率が高い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。 The blood vessel image, device information, and prolapse occurrence probability included in the training data are associated with each other. The training data includes multiple information sets including blood vessel images, device information, and prolapse occurrence probabilities. The training data includes both an information set with a low probability of prolapse occurrence and an information set with a high probability of prolapse occurrence. The information included in the training data is information generated based on endovascular treatments performed in the past. For example, the information included in the training data is information obtained when endovascular treatment is actually performed using the treatment system 100. For example, the information included in the training data is information regarding endovascular treatment described in a paper.

訓練データは、プロラプスが発生せずに安全に血管内治療を行うことができたときの血管画像及びデバイス情報に関連付けて、プロラプスの発生確率として０％等の低い数値を含んでいる。訓練データは、血管内治療においてプロラプスの危険があったとき又は実際にプロラプスが発生したときの血管画像及びデバイス情報に関連付けて、プロラプスの発生確率として１００％等の高い数値を含んでいる。実際にプロラプスが発生したときの血管画像としては、プロラプスが発生した後に得られた血管画像ではなく、プロラプスが発生する前の血管の状態を表した血管画像が訓練データに含まれている。訓練データに含まれるプロラプスの発生確率は、数値ではなく、大中小等の確率の度合いを示す情報であってもよい。又は、訓練データに含まれるプロラプスの発生確率は、実際に血管内治療を行った際にプロラプスが発生したか否かを示す情報であってもよい。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。 The training data includes a low probability of prolapse, such as 0%, in association with blood vessel images and device information when endovascular treatment can be performed safely without prolapse. The training data includes a high probability of prolapse, such as 100%, in association with blood vessel images and device information when there is a risk of prolapse during endovascular treatment or when prolapse actually occurs. As the blood vessel image when prolapse actually occurs, the training data includes a blood vessel image that represents the state of the blood vessel before prolapse occurs, rather than a blood vessel image obtained after prolapse occurs. The prolapse occurrence probability included in the training data may be information indicating the degree of probability, such as large, medium, or small, instead of a numerical value. Alternatively, the prolapse occurrence probability included in the training data may be information indicating whether prolapse occurs when endovascular treatment is actually performed. Each piece of information included in the training data is input by the user operating the operating unit 65 or by the interface unit 67, and is stored in the storage unit 64.

学習装置６は、学習モデル生成方法を実行する。図９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。 The learning device 6 executes a learning model generation method. FIG. 9 is a flowchart showing the procedure of processing executed by the learning device 6. Hereinafter, step will be abbreviated as S. The learning device 6 executes the following process by the calculation unit 61 executing information processing according to the computer program 641. The learning device 6 acquires the training data by the calculation unit 61 reading out the training data stored in the storage unit 64 (S11). In S11, the learning device 6 may acquire training data by reading training data stored outside the learning device 6 via the interface unit 16.

学習装置６は、次に、訓練データに基づいた学習により、血管画像及びデバイス情報を入力した場合にプロラプスの発生確率を出力す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。 Next, the learning device 6 generates, by learning based on the training data, a learning model that outputs the probability of prolapse when a blood vessel image and device information are input (S12). The learning model is realized by the calculation unit 61 executing information processing according to the computer program 641. The storage unit 64 stores data necessary for realizing the learning model. Note that the learning model may be configured by hardware. The learning model may be implemented using a quantum computer.

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、血管の同一部分を表した時系列的な複数の血管画像、又は血管の複数の箇所を表した複数の血管画像等、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に関する情報、又は複数のデバイス３の組み合わせに関する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、血管内治療におけるプロラプスの発生確率を出力する。演算部６１は、学習モデルが出力したプロラプスの発生確率と、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プロラプスの発生確率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。 In S12, the calculation unit 61 inputs the blood vessel image and device information included in the training data to the learning model, and performs learning of the learning model. The calculation unit 61 may input a plurality of blood vessel images to the learning model, such as a plurality of time-series blood vessel images representing the same part of a blood vessel, or a plurality of blood vessel images representing multiple locations of a blood vessel. The calculation unit 61 inputs information regarding a single device 3 or information regarding a combination of multiple devices 3 to the learning model as device information. The learning model performs calculations according to the input of blood vessel images and device information, and outputs the probability of prolapse occurring during endovascular treatment. The calculation unit 61 adjusts the calculation parameters of the learning model so that the error between the probability of occurrence of prolapse outputted by the learning model and the probability of occurrence of prolapse associated with the blood vessel image and device information input to the learning model is reduced. Adjust.

演算部６１において、プロラプスの発生確率は、プロラプスが発生した場合を１００％、発生しなかった場合を０％として処理を行う。プロラプスの発生確率の度合いを示す情報が訓練データに含まれている場合は、演算部６１は、情報をプロラプスの発生確率に換算して処理を行う。例えば、プロラプスの発生確率が大きい、中程度、小さいとあった場合、プロラプスの発生確率を７０％以上、３０％以上７０％未満、０％以上３０％未満として処理を行ってもよい。 The calculation unit 61 performs processing with the probability of prolapse occurring as 100% when prolapse occurs and 0% when it does not occur. If the training data includes information indicating the degree of probability of occurrence of prolapse, the calculation unit 61 converts the information into the probability of occurrence of prolapse and performs processing. For example, if the prolapse probability of prolapse is high, medium, or small, processing may be performed with the probability of prolapse being 70% or more, 30% or more and less than 70%, or 0% or more and less than 30%.

学習モデルが出力したプロラプスの発生確率の数値と、訓練データに含まれるプロラプスの発生確率に相当する数値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、プロラプスが発生しなかったことを示す情報に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０％の確率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。なお、プロラプスが発生したか否かを示す情報は、０％又は１００％以外の確率に換算されてＳ１２の処理が行われてもよい。 The parameters are adjusted so that the error between the numerical value of the prolapse occurrence probability output by the learning model and the numerical value corresponding to the prolapse occurrence probability included in the training data is reduced. For example, when a blood vessel image and device information associated with information indicating that prolapse has not occurred are input to the learning model, the parameters are adjusted so that the learning model outputs a probability of approximately 0%. Note that the information indicating whether or not prolapse has occurred may be converted into a probability other than 0% or 100% before the process of S12 is performed.

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、及びプロラプスの発生確率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、このように学習モデルの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。 The calculation unit 61 repeats processing using a plurality of information sets including blood vessel images, device information, and prolapse occurrence probabilities included in the training data, and adjusts the parameters of the learning model. Learn. The calculation unit 61 generates the learning model 132 by adjusting the parameters of the calculation of the learning model in this way. The calculation unit 61 stores the adjusted final parameters in the storage unit 64. After S12 ends, the learning device 6 ends the process.

情報出力装置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を通じて情報出力装置１へ入力され、記憶部１３に記憶される。記憶されたパラメータを利用した情報処理を演算部１１が実行することにより、学習モデル１３２が実現される。 The learning model 132 included in the information output device 1 is the learning model generated in S11 to S12. For example, the final parameters adjusted in S12 are input to the information output device 1 through the interface section 16 and stored in the storage section 13. The learning model 132 is realized by the calculation unit 11 executing information processing using the stored parameters.

血管画像は、血管の形状等の血管の状態を表し、血管内に挿入されたデバイス３の画像を含んだ血管画像は、血管内でのデバイス３の位置を示す。また、デバイス情報はデバイス３の特性を示す。プロラプスの発生確率は、血管の形状と、血管内でのデバイス３の位置と、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、血管の状態及びデバイス３の位置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、プロラプスの発生確率に関連する。このため、血管画像及びデバイス情報に応じてプロラプスの発生確率を出力する学習モデル１３２を生成することが可能である。 The blood vessel image represents the state of the blood vessel such as the shape of the blood vessel, and the blood vessel image including the image of the device 3 inserted into the blood vessel shows the position of the device 3 within the blood vessel. Further, the device information indicates the characteristics of the device 3. The probability of occurrence of prolapse varies depending on the combination of the shape of the blood vessel, the position of the device 3 within the blood vessel, and the characteristics of the device 3. Therefore, the blood vessel image showing the state of the blood vessel and the position of the device 3 and the device information showing the characteristics of the device 3 are related to the probability of occurrence of prolapse. Therefore, it is possible to generate a learning model 132 that outputs the prolapse occurrence probability according to the blood vessel image and device information.

血管の同一部分を表した時系列的な複数の血管画像は、血管の状態と血管中のデバイス３の位置との時間変化を示す。この時間変化は、プロラプスの発生確率に関係し得る。例えば、血管の分岐とデバイス３の剛性変化点との間の距離が近い場合は、プロラプスの発生確率は高くなる。逆に、血管の分岐とデバイス３の剛性変化点との間の距離が遠い場合は、プロラプスの発生確率は低くなる。このため、時系列的な複数の血管画像を含む訓練データを用いた学習を行うことにより、時間経過に応じて変化するプロラプスの発生確率を出力する学習モデル１３２を生成することができる。 A plurality of time-series blood vessel images representing the same portion of the blood vessel indicate temporal changes in the state of the blood vessel and the position of the device 3 in the blood vessel. This time change may be related to the probability of prolapse occurrence. For example, if the distance between the branch of the blood vessel and the stiffness change point of the device 3 is short, the probability of occurrence of prolapse increases. Conversely, if the distance between the blood vessel branch and the stiffness change point of the device 3 is long, the probability of prolapse occurring is low. Therefore, by performing learning using training data including a plurality of time-series blood vessel images, it is possible to generate a learning model 132 that outputs the prolapse occurrence probability that changes over time.

訓練データは、血管内治療におけるプロラプスの発生確率が低い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プロラプスの発生確率が低くなるように、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、プロラプスの発生確率が低くなるよう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、低い確率を出力するようになる。また、訓練データは、血管内治療におけるプロラプスの発生確率が高い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プロラプスの発生確率が高くなるように、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、プロラプスの発生確率が高くなるよう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、高い確率を出力するようになる。このため、血管内治療におけるプロラプスの発生確率が、学習モデル１３２によって精度良く得られるようになる。 The training data includes blood vessel images and device information when the probability of prolapse occurring in endovascular treatment is low. The learning model is trained so that when these blood vessel images and device information are input to the learning model, the probability of prolapse output from the learning model is low. As a result, the learned learning model 132 outputs a low probability when a blood vessel image and device information in a situation where the probability of prolapse is low is input. Further, the training data includes blood vessel images and device information when the probability of prolapse occurring in endovascular treatment is high. The learning model is trained so that when these blood vessel images and device information are input to the learning model, the probability of occurrence of prolapse output from the learning model is increased. As a result, the learned learning model 132 outputs a high probability when blood vessel images and device information in a situation where the probability of prolapse is high are input. Therefore, the probability of occurrence of prolapse in endovascular treatment can be obtained with high accuracy by the learning model 132.

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。情報出力装置１は、血管内治療中に、プロラプスの発生確率を出力するための情報出力方法を実行する。図１０は、実施形態１に係る情報出力装置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、情報出力装置１は以下の処理を実行する。 Next, the processing executed by the treatment system 100 will be explained. The treatment system 100 is installed at a medical institution. The information output device 1 executes an information output method for outputting the probability of occurrence of prolapse during endovascular treatment. FIG. 10 is a flowchart showing the procedure of processing performed by the information output device 1 according to the first embodiment. The information output device 1 executes the following process by the calculation unit 11 executing information processing according to the computer program 131.

患者４の血管内にデバイス３が挿入され、血管内治療が行われる。情報出力装置１は、血管内治療で使用しているデバイス３の特性を示すデバイス情報を取得する（Ｓ２１）。例えば、Ｓ２１では、演算部１１は、使用者による操作部１５の操作で入力された、血管内治療で使用するデバイス３のデバイス情報を取得し、記憶部１３に記憶させる。例えば、Ｓ２１では、演算部１１は、記憶部１３に予め記憶された、血管内治療で使用するデバイス３のデバイス情報を記憶部１３から読み出すことにより、デバイス情報を取得する。血管内治療でデバイス３の組み合わせが用いられる場合は、演算部１１は、デバイス３の組み合わせに含まれる複数のデバイス３に関するデバイス情報を取得する。Ｓ２１の処理は、情報取得部に対応する。 The device 3 is inserted into the blood vessel of the patient 4, and endovascular treatment is performed. The information output device 1 acquires device information indicating the characteristics of the device 3 used in endovascular treatment (S21). For example, in S<b>21 , the calculation unit 11 acquires device information of the device 3 used in endovascular treatment, input by the user's operation of the operation unit 15 , and stores it in the storage unit 13 . For example, in S21, the calculation unit 11 acquires device information by reading from the storage unit 13 the device information of the device 3 used in endovascular treatment, which is stored in advance in the storage unit 13. When a combination of devices 3 is used in endovascular treatment, the calculation unit 11 acquires device information regarding a plurality of devices 3 included in the combination of devices 3. The process of S21 corresponds to the information acquisition section.

画像生成装置２１は、デバイス３が挿入された血管の状態に関する血管画像を生成し、情報出力装置１へ入力する。血管画像は、血管内に挿入されたデバイス３の一部の画像を含む。画像生成装置２１は、血管の同一部分を表した時系列的な複数の血管画像、又は血管の複数の箇所を表した複数の血管画像を生成し、情報出力装置１へ入力する。情報出力装置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（Ｓ２２）。Ｓ２２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。Ｓ２２の処理は、画像取得部に対応する。 The image generation device 21 generates a blood vessel image regarding the state of the blood vessel into which the device 3 is inserted, and inputs it to the information output device 1. The blood vessel image includes an image of a portion of the device 3 inserted into the blood vessel. The image generation device 21 generates a plurality of time-series blood vessel images representing the same portion of a blood vessel or a plurality of blood vessel images representing a plurality of locations of a blood vessel, and inputs them to the information output device 1 . The information output device 1 acquires the blood vessel image input from the image generation device 21 (S22). In S22, the interface unit 16 receives the blood vessel image, and the calculation unit 11 stores the blood vessel image in the storage unit 13. The process of S22 corresponds to the image acquisition section.

情報出力装置１は、血管内でのデバイス３の先端位置を特定する（Ｓ２３）。デバイス３の先端を含む先端部分は、Ｘ線が透過しない物質で形成されている。Ｓ２３では、演算部１１は、血管画像の中からＸ線不透過部分を検出することにより、デバイス３の先端部分の画像を検出し、先端部分の血管画像内の位置に基づいて、血管内でのデバイス３の先端位置を特定する。 The information output device 1 identifies the position of the tip of the device 3 within the blood vessel (S23). The tip portion including the tip of the device 3 is made of a material that does not transmit X-rays. In S23, the calculation unit 11 detects an image of the distal end portion of the device 3 by detecting an X-ray opaque portion in the blood vessel image, and detects an image of the distal end portion of the device 3 within the blood vessel based on the position of the distal end portion in the blood vessel image. The tip position of the device 3 is specified.

情報出力装置１は、次に、デバイス３の先端位置を示す情報を血管画像に付加する（Ｓ２４）。Ｓ２４では、演算部１１は、Ｓ２３で特定したデバイス３の先端位置を示す情報を、血管画像に含ませる。例えば、演算部１１は、血管画像の中に、デバイス３の先端位置を示す印を追加する。 The information output device 1 then adds information indicating the position of the distal end of the device 3 to the blood vessel image (S24). In S24, the calculation unit 11 includes information indicating the tip position of the device 3 identified in S23 in the blood vessel image. For example, the calculation unit 11 adds a mark indicating the tip position of the device 3 to the blood vessel image.

Ｓ２３及びＳ２４により、血管内でのデバイス３の先端位置が明確となる。デバイス３の剛性が大きく変化する剛性変化点の位置は、デバイス３の先端から剛性変化点までの長軸方向の長さで表されてデバイス情報に含まれているので、デバイス３の先端位置に応じて剛性変化点の位置も明確になる。デバイス３の剛性変化点の位置はプロラプスの発生確率に大きく影響する。このため、情報出力装置１は、デバイス３の剛性変化点の位置が明確になることにより、プロラプスの発生確率を精度良く得ることができる。なお、情報出力装置１は、Ｓ２３及びＳ２４の代わりに、デバイス３の先端位置及びデバイス情報に基づいて血管画像内でのデバイス３の剛性変化点の位置を特定し、デバイス３の剛性変化点の位置を示す情報を血管画像に付加する処理を行ってもよい。或いは、情報出力装置１は、Ｓ２３及びＳ２４を省略してもよい。Ｓ２３及びＳ２４を省略した場合でも、血管画像に含まれるデバイス３の画像により、デバイス３の位置に応じてプロラプスの発生確率を得ることができる。 Through S23 and S24, the position of the tip of the device 3 within the blood vessel becomes clear. The position of the stiffness change point where the stiffness of the device 3 changes greatly is represented by the length in the long axis direction from the tip of the device 3 to the stiffness change point and is included in the device information. Accordingly, the position of the stiffness change point becomes clear. The position of the stiffness change point of the device 3 greatly influences the probability of prolapse occurrence. Therefore, the information output device 1 can accurately obtain the prolapse occurrence probability by clarifying the position of the stiffness change point of the device 3. Note that instead of S23 and S24, the information output device 1 identifies the position of the stiffness change point of the device 3 in the blood vessel image based on the tip position of the device 3 and the device information, and determines the position of the stiffness change point of the device 3. Processing may be performed to add information indicating the position to the blood vessel image. Alternatively, the information output device 1 may omit S23 and S24. Even if S23 and S24 are omitted, the probability of occurrence of prolapse can be obtained depending on the position of the device 3 from the image of the device 3 included in the blood vessel image.

情報出力装置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（Ｓ２５）。Ｓ２５では、演算部１１は、血管画像及びデバイス情報を学習モデル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、血管の同一部分を表した時系列的な複数の血管画像、又は血管の複数の箇所を表した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、血管画像及びデバイス情報の入力に応じて、血管内治療におけるプロラプスの発生確率を出力する。情報出力装置１は、プロラプスの発生確率を取得する（Ｓ２６）。演算部１１は、学習モデル１３２が出力したプロラプスの発生確率を取得する。Ｓ２６の処理は、確率取得部に対応する。 The information output device 1 inputs the blood vessel image and device information to the learning model 132 (S25). In S25, the calculation unit 11 inputs the blood vessel image and device information to the learning model 132, and causes the learning model 132 to execute processing. The calculation unit 11 may input to the learning model 132 a plurality of time-series blood vessel images representing the same part of the blood vessel or a plurality of blood vessel images representing multiple locations of the blood vessel. The learning model 132 outputs the probability of occurrence of prolapse in endovascular treatment in response to input of blood vessel images and device information. The information output device 1 acquires the probability of occurrence of prolapse (S26). The calculation unit 11 obtains the prolapse occurrence probability output by the learning model 132. The process of S26 corresponds to the probability acquisition section.

情報出力装置１は、取得したプロラプスの発生確率が閾値を超過しているか否かを判定する（Ｓ２７）。Ｓ２７では、演算部１１は、所定の閾値とプロラプスの発生確率とを比較する。閾値は予め定められて、記憶部１３に記憶されている。閾値はコンピュータプログラム１３１に含まれていてもよい。なお、Ｓ２７では、情報出力装置１は、プロラプスの発生確率が閾値以上であるか否かを判定の条件としてもよい。 The information output device 1 determines whether the acquired prolapse occurrence probability exceeds a threshold (S27). In S27, the calculation unit 11 compares a predetermined threshold value and the probability of occurrence of prolapse. The threshold value is determined in advance and stored in the storage unit 13. The threshold value may be included in the computer program 131. In addition, in S27, the information output device 1 may use whether or not the probability of occurrence of prolapse is equal to or greater than a threshold value as a condition for determination.

プロラプスの発生確率が閾値以下である場合は（Ｓ２７：ＮＯ）、情報出力装置１は、血管内治療を終了するか否かを判定する（Ｓ２８）。Ｓ２８では、使用者による操作部１５の操作により、血管内治療の終了の指示が入力された場合に、演算部１１は、血管内治療を終了すると判定する。プロラプスの発生確率が閾値以下であっても、情報出力装置１は、プロラプスの発生確率の数値を示す情報を表示装置２２へ表示し、表示装置２２がプロラプスの発生確率の数値を表示してもよい。 If the probability of occurrence of prolapse is less than or equal to the threshold (S27: NO), the information output device 1 determines whether to end the endovascular treatment (S28). In S28, when an instruction to end the endovascular treatment is input by the user's operation on the operation unit 15, the calculation unit 11 determines to end the endovascular treatment. Even if the probability of occurrence of prolapse is below the threshold, the information output device 1 displays information indicating the numerical value of the probability of occurrence of prolapse on the display device 22, and even if the display device 22 displays the numerical value of the probability of occurrence of prolapse, the information output device 1 displays the numerical value of the probability of occurrence of prolapse. good.

血管内治療を終了しない場合（Ｓ２８：ＮＯ）、情報出力装置１は、処理をＳ２２へ戻す。Ｓ２２では、情報出力装置１は、画像生成装置２１が新たに生成した血管画像を取得する。血管内治療が行われている間、Ｓ２２～Ｓ２８の処理が繰り返し実行される。血管内治療を終了する場合は（Ｓ２８：ＹＥＳ）、情報出力装置１は、処理を終了する。 If the endovascular treatment is not completed (S28: NO), the information output device 1 returns the process to S22. In S22, the information output device 1 acquires a blood vessel image newly generated by the image generation device 21. While the endovascular treatment is being performed, the processes of S22 to S28 are repeatedly executed. If the endovascular treatment is to be ended (S28: YES), the information output device 1 ends the process.

プロラプスの発生確率が閾値を超過する場合は（Ｓ２７：ＹＥＳ）、情報出力装置１は、プロラプスが発生する可能性が高いことを警告する警告情報を出力する（Ｓ２９）。Ｓ２９では、演算部１１は、血管画像及び警告情報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、血管画像を表示し、警告情報に基づいて、プロラプスが発生する可能性が高いことを表した画像を表示する。また、演算部１１は、警告情報を音声出力装置２３へ送信する。音声出力装置２３は、警告情報に基づいて、プロラプスが発生する可能性が高いことを示す音声を出力する。このようにして、情報出力装置１は、警告情報を出力する。プロラプスの発生確率が高い場合に警告情報が出力されることにより、プロラプスの発生する可能性の高いことが使用者に通知される。Ｓ２９の処理は、出力部に対応する。 When the probability of occurrence of prolapse exceeds the threshold (S27: YES), the information output device 1 outputs warning information warning that there is a high possibility that prolapse will occur (S29). In S29, the calculation unit 11 transmits the blood vessel image and warning information from the interface unit 16 to the display device 22. The display device 22 displays a blood vessel image, and displays an image indicating that there is a high possibility that prolapse will occur based on the warning information. Further, the calculation unit 11 transmits warning information to the audio output device 23. The audio output device 23 outputs audio indicating that there is a high possibility that prolapse will occur, based on the warning information. In this way, the information output device 1 outputs warning information. By outputting warning information when the probability of prolapse occurring is high, the user is notified that the probability of prolapse occurring is high. The process of S29 corresponds to the output section.

図１１は、警告情報の出力例を示す模式図である。表示装置２２は、図１１に示すように、デバイス３の先端位置が示された血管画像と、プロラプスの発生する確率が高いことを文字で表した画像とが表示されている。Ｓ２９では、情報出力装置１は、プロラプスの発生確率の数値を表示装置２２へ送信し、表示装置２２は、図１１に示すように、プロラプスの発生確率を含む画像を出力してもよい。警告情報に基づいた画像が表示されることにより、使用者は、プロラプスの発生する可能性が高いことを目視で確認することができる。表示装置２２は、複数の血管画像を表示してもよく、ＩＶＵＳ画像等の他の画像を更に表示してもよい。或いは、表示装置２２は、血管画像を表示せずに警告を表示してもよく、プロラプスの発生確率を表示せずに警告を表示してもよい。 FIG. 11 is a schematic diagram showing an example of outputting warning information. As shown in FIG. 11, the display device 22 displays a blood vessel image showing the position of the distal end of the device 3, and an image showing in text that the probability of prolapse occurring is high. In S29, the information output device 1 transmits the numerical value of the probability of occurrence of prolapse to the display device 22, and the display device 22 may output an image including the probability of occurrence of prolapse, as shown in FIG. By displaying an image based on the warning information, the user can visually confirm that there is a high possibility that prolapse will occur. The display device 22 may display a plurality of blood vessel images, and may further display other images such as IVUS images. Alternatively, the display device 22 may display a warning without displaying the blood vessel image, or may display a warning without displaying the prolapse occurrence probability.

音声出力装置２３が発生する音声は、ブザー音等の使用者の注意をひきやすい音声である。情報出力装置１は、音声を利用して警告情報を出力することにより、表示装置２２に表示される画像を見ていない使用者に対しても、プロラプスの発生する可能性が高いことを知らせることができる。 The sound generated by the sound output device 23 is a sound that easily attracts the user's attention, such as a buzzer sound. The information output device 1 outputs warning information using audio to notify even a user who is not looking at the image displayed on the display device 22 that there is a high possibility that prolapse will occur. I can do it.

Ｓ２９が終了した後は、情報出力装置１は、処理を終了する。血管内治療は、情報出力装置１による警告情報の出力に伴って、一旦停止されてもよい。プロラプスの発生する可能性が高いことを使用者が確認した上で血管内治療が続行された場合は、情報出力装置１によるＳ２１～Ｓ２９の処理が再度実行されてもよい。 After S29 ends, the information output device 1 ends the process. The endovascular treatment may be temporarily stopped when the information output device 1 outputs warning information. If the endovascular treatment is continued after the user confirms that there is a high possibility that prolapse will occur, the information output device 1 may perform the processes of S21 to S29 again.

以上のように、情報出力装置１は、血管内に挿入されたデバイス３の一部の画像を含んだ血管画像とデバイス情報に応じて、血管内治療におけるプロラプスの発生確率を取得する。学習モデル１３２を利用することにより、情報出力装置１は、プロラプスの発生確率を容易に取得することができる。 As described above, the information output device 1 obtains the probability of occurrence of prolapse in endovascular treatment according to the blood vessel image including a partial image of the device 3 inserted into the blood vessel and the device information. By using the learning model 132, the information output device 1 can easily obtain the probability of occurrence of prolapse.

また、情報出力装置１は、プロラプスの発生確率が高い場合に、プロラプスが発生する可能性が高いことを警告する警告情報を出力する。これにより、使用者は、警告情報が出力された時点でプロラプスが発生する可能性が高いことを認識することができる。すなわち、使用者は、警告情報が出力された時点で実行中のデバイス３の操作を不注意に継続した場合、プロラプスが発生する可能性が高いことを認識することができる。プロラプスが発生する可能性が高いことを認識した使用者は、血管内治療を一旦停止することにより、プロラプスの発生を防止することができる。又は、プロラプスが発生する可能性が高いことを確認した使用者は、プロラプスが発生しないように注意しながらデバイス３を操作することにより、プロラプスの発生を防止しながら血管内治療を行うことができる。このため、血管内治療の安全性が向上する。 Furthermore, when the probability of prolapse occurring is high, the information output device 1 outputs warning information that warns that prolapse is likely to occur. Thereby, the user can recognize that there is a high possibility that prolapse will occur at the time the warning information is output. That is, the user can recognize that if the user carelessly continues to operate the device 3 that is being executed at the time when the warning information is output, there is a high possibility that prolapse will occur. A user who recognizes that there is a high possibility that prolapse will occur can prevent the occurrence of prolapse by temporarily stopping endovascular treatment. Alternatively, the user who has confirmed that there is a high possibility that prolapse will occur can perform endovascular treatment while preventing the occurrence of prolapse by operating the device 3 while being careful not to cause prolapse. . Therefore, the safety of endovascular treatment is improved.

血管画像には血管の分岐を表した画像が含まれており、デバイス情報には、デバイス３の剛性変化点の位置に関する情報が含まれている。デバイス３は、剛性変化点で座屈が発生し易く、血管の分岐に存在する血管の側枝にデバイス３の座屈した部分が入り込むことによってプロラプスが発生する。したがって、血管の分岐とデバイス３の剛性変化点との位置関係はプロラプスの発生確率に大きく影響する。学習モデル１３２が血管の分岐に関する情報を含んだ血管画像と、デバイス３の剛性変化点に関する情報を含んだデバイス情報とに応じてプロラプスの発生確率を出力することにより、情報出力装置１は、プロラプスの発生確率を精度良く提示することができる。 The blood vessel image includes an image representing the branching of the blood vessel, and the device information includes information regarding the position of the stiffness change point of the device 3. The device 3 is prone to buckling at a point of change in stiffness, and prolapse occurs when the buckled portion of the device 3 enters a side branch of a blood vessel existing at a blood vessel bifurcation. Therefore, the positional relationship between the branching of the blood vessel and the stiffness change point of the device 3 greatly influences the probability of prolapse occurring. By the learning model 132 outputting the prolapse occurrence probability according to the blood vessel image containing information regarding the branching of blood vessels and the device information containing information regarding the stiffness change point of the device 3, the information output device 1 can detect prolapse. The probability of occurrence of can be presented with high accuracy.

血管の同一部分を表した時系列的な複数の血管画像は、血管の状態と血管内でのデバイス３の位置との時間変化を示す。したがって、情報出力装置１は、血管画像として時系列的な複数の血管画像を用いることにより、血管の状態と血管内でのデバイス３の位置との時間変化に応じたプロラプスの発生確率を取得できる。具体的には、デバイス３の剛性変化点が血管の分岐に近づいている場合は、プロラプスの発生確率が高くなり、デバイス３の剛性変化点が血管の分岐から遠ざかっている場合は、プロラプスの発生確率が低くなる。情報出力装置１は、時間経過に応じて変化するプロラプスの発生確率を取得することによって、プロラプスの発生確率を精度良く使用者に提示することができる。使用者は、情報出力装置１が取得したプロラプスの発生確率に応じてデバイス３を操作することにより、血管内治療の安全性をより向上させることができる。 A plurality of time-series blood vessel images representing the same portion of the blood vessel indicate temporal changes in the state of the blood vessel and the position of the device 3 within the blood vessel. Therefore, by using a plurality of time-series blood vessel images as blood vessel images, the information output device 1 can obtain the probability of occurrence of prolapse according to the temporal change in the state of the blood vessel and the position of the device 3 within the blood vessel. . Specifically, if the stiffness change point of the device 3 is close to the branch of the blood vessel, the probability of prolapse is high, and if the stiffness change point of the device 3 is away from the blood vessel branch, the probability of prolapse occurring is high. The probability is lower. The information output device 1 can accurately present the prolapse occurrence probability to the user by acquiring the prolapse occurrence probability that changes over time. The user can further improve the safety of endovascular treatment by operating the device 3 according to the probability of occurrence of prolapse acquired by the information output device 1.

なお、情報出力装置１は、患者４の既往歴に応じてプロラプスの発生確率を得る形態であってもよい。患者４の既往歴は、プロラプスの発生確率に影響することがある。例えば、血管が狭窄し易くなる疾患を患者４が有する場合、血管内をデバイス３が移動する際にデバイス３と血管壁との摩擦抵抗が大きくなるので、デバイス３は座屈しやすくなり、プロラプスの発生確率が高くなることがある。図１２は、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。患者４の既往歴には、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既往歴とが入力された場合に、血管内治療におけるプロラプスの発生確率を出力するように、予め学習されている。 Note that the information output device 1 may be configured to obtain the probability of occurrence of prolapse according to the medical history of the patient 4. Patient 4's medical history may influence the probability of prolapse occurring. For example, if the patient 4 has a disease that makes blood vessels more likely to narrow, the frictional resistance between the device 3 and the blood vessel wall increases when the device 3 moves within the blood vessel, making the device 3 more likely to buckle and cause prolapse. The probability of occurrence may be high. FIG. 12 is a conceptual diagram showing the functions of the second example of the learning model 132. A blood vessel image, device information, and medical history of the patient 4 are input to the learning model 132 . The past medical history of the patient 4 includes the patient's 4 age, medical examination results, medical history, treatment history, and the like. The learning model 132 is trained in advance so as to output the probability of occurrence of prolapse in endovascular treatment when a blood vessel image, device information, and medical history of patient 4 are input.

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、プロラプスの発生確率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、デバイス情報及び患者４既往歴を学習モデルへ入力する。学習モデルは、血管画像、デバイス情報及び患者４既往歴の入力に応じて、演算を行い、血管内治療におけるプロラプスの発生確率を出力する。演算部６１は、学習モデルが出力したプロラプスの発生確率と訓練データに含まれるプロラプスの発生確率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、既往歴及びプロラプスの発生確率を含む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。学習装置６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。 The learning device 6 generates the learning model 132 through learning using training data in which the blood vessel image, device information, medical history of the patient 4, and probability of occurrence of prolapse are associated with each other. In S12, the learning device 6 inputs the blood vessel image, device information, and medical history of the patient 4 included in the training data to the learning model. The learning model performs calculations according to the input of the blood vessel image, device information, and medical history of the patient 4, and outputs the probability of occurrence of prolapse in endovascular treatment. The calculation unit 61 adjusts the parameters of the calculation of the learning model so that the error between the probability of occurrence of prolapse outputted by the learning model and the probability of occurrence of prolapse included in the training data is small. The calculation unit 61 uses a plurality of information sets included in the training data, including blood vessel images, device information, medical history, and prolapse occurrence probability, to repeat the process and adjust the parameters of the learning model, thereby creating a learning model. Perform machine learning. The learning device 6 generates the learning model 132 by adjusting the calculation parameters in this way.

情報出力装置１は、学習モデル１３２を用いたＳ２１～Ｓ２９の処理により、患者４の既往歴に応じたプロラプスの発生確率を取得する。Ｓ２５の前に、情報出力装置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。Ｓ２５では、情報出力装置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、デバイス情報及び患者４の既往歴の入力に応じて、血管内治療におけるプロラプスの発生確率を出力する。 The information output device 1 obtains the prolapse occurrence probability according to the past medical history of the patient 4 through the processing of S21 to S29 using the learning model 132. Before S25, the information output device 1 acquires the medical history of the patient 4. For example, the past history of the patient 4 is stored in the storage unit 13, and the calculation unit 11 acquires the past history of the patient 4 by reading the past history from the storage unit 13. In S25, the information output device 1 inputs the acquired blood vessel image, device information, and medical history to the learning model 132, and causes the learning model 132 to execute processing. The learning model 132 outputs the probability of occurrence of prolapse in endovascular treatment according to the input of the blood vessel image, device information, and medical history of the patient 4.

この形態においては、情報出力装置１は、患者４の既往歴に応じたプロラプスの発生確率を取得し、プロラプスの発生確率に応じて警告情報を出力する。これにより、使用者は、プロラプスの発生確率を認識することができる。プロラプスの発生確率が高い場合は、使用者は、血管内治療を一旦停止するか、又は、プロラプスが発生しないように注意しながら血管内治療を行うことができる。このように、使用者は、患者４の既往歴に応じて血管内治療を安全に実施することが可能になる。 In this embodiment, the information output device 1 obtains the probability of occurrence of prolapse according to the medical history of the patient 4, and outputs warning information according to the probability of occurrence of prolapse. This allows the user to recognize the probability of prolapse occurring. If the probability of occurrence of prolapse is high, the user can temporarily stop endovascular treatment or perform endovascular treatment while being careful not to cause prolapse. In this way, the user can safely perform endovascular treatment according to the past medical history of the patient 4.

実施形態１においては、情報出力装置１が、Ｘ線不透過部分を検出することにより、血管画像中でのデバイス３の先端部分の画像を検出し、血管内でのデバイス３の先端位置を特定する形態を示した。デバイス３は、先端部分以外の部分がＸ線の透過しない物質で形成されていてもよい。この場合、情報出力装置１は、先端部分以外のデバイス３の一部分の画像を検出し、検出した画像に基づいてデバイス３の先端位置を特定する。情報出力装置１は、Ｘ線不透過部分以外のデバイス３の一部分の画像を検出する形態であってもよい。或いは、情報出力装置１は、Ｓ２３でデバイス３の先端以外の部分の位置を特定し、特定した当該部分の位置をＳ２４で血管画像に付加してもよい。例えば、情報出力装置１は、Ｓ２３で、血管画像内でのＸ線不透過部分の位置に基づいて、デバイス３の血管画像内に含まれている部分全体の位置を特定してもよい。 In the first embodiment, the information output device 1 detects an image of the distal end portion of the device 3 in the blood vessel image by detecting the X-ray opaque portion, and identifies the position of the distal end of the device 3 within the blood vessel. We have shown the form of The device 3 may be formed of a material that does not transmit X-rays except for the tip portion. In this case, the information output device 1 detects an image of a portion of the device 3 other than the tip portion, and specifies the tip position of the device 3 based on the detected image. The information output device 1 may be configured to detect an image of a portion of the device 3 other than the X-ray opaque portion. Alternatively, the information output device 1 may specify the position of a portion of the device 3 other than the tip in S23, and add the position of the specified portion to the blood vessel image in S24. For example, in S23, the information output device 1 may specify the position of the entire portion included in the blood vessel image of the device 3 based on the position of the X-ray opaque portion in the blood vessel image.

実施形態１においては、情報出力装置１が、デバイス３の先端等のデバイス３の一部の位置を特定し、特定した位置を血管画像に付加する形態を示した。情報出力装置１は、デバイス３の一部の位置を示す情報を、血管画像に付加せずに、学習モデル１３２へ入力する形態であってもよい。この形態では、学習モデル１３２は、血管画像、デバイス情報及びデバイス３の一部の位置を示す情報が入力された場合にプロラプスの発生確率を出力するように、予め学習されている。情報出力装置１は、血管画像、デバイス情報及びデバイス３の一部の位置を示す情報を学習モデル１３２へ入力し、学習モデル１３２が出力したプロラプスの発生確率を取得する。この形態でも、情報出力装置１は、血管内治療におけるプロラプスの発生確率を取得することができ、血管内治療の安全性を向上させることができる。 In the first embodiment, the information output device 1 specifies the position of a part of the device 3, such as the tip of the device 3, and adds the specified position to the blood vessel image. The information output device 1 may be configured to input information indicating the position of a part of the device 3 to the learning model 132 without adding it to the blood vessel image. In this form, the learning model 132 is trained in advance so as to output the prolapse occurrence probability when a blood vessel image, device information, and information indicating the position of a part of the device 3 are input. The information output device 1 inputs the blood vessel image, device information, and information indicating the position of a part of the device 3 to the learning model 132, and obtains the probability of occurrence of prolapse output by the learning model 132. Even in this form, the information output device 1 can acquire the probability of occurrence of prolapse in endovascular treatment, and can improve the safety of endovascular treatment.

実施形態１は、学習モデル１３２を用いてプロラプスの発生確率を得る形態を示したが、情報出力装置１は、ルールベースの処理をも利用する形態であってもよい。例えば、情報出力装置１は、血管画像に基づいて、デバイス３の剛性変化点の位置を特定し、血管の分岐とデバイス３の剛性変化点との間の距離を特定し、特定した距離に応じて、プロラプスの発生確率を取得する。このとき、情報出力装置１は、血管の分岐及びデバイス３の剛性変化点の間の距離とプロラプスの発生確率との関係を定めた所定のルールに従って、プロラプスの発生確率を決定する。 In the first embodiment, the learning model 132 is used to obtain the prolapse occurrence probability, but the information output device 1 may also use rule-based processing. For example, the information output device 1 specifies the position of the stiffness change point of the device 3 based on the blood vessel image, specifies the distance between the branch of the blood vessel and the stiffness change point of the device 3, and determines the position of the stiffness change point of the device 3 based on the specified distance. to obtain the probability of prolapse occurrence. At this time, the information output device 1 determines the probability of prolapse in accordance with a predetermined rule that defines the relationship between the distance between the branch of the blood vessel and the stiffness change point of the device 3 and the probability of prolapse.

情報出力装置１は、ルールベースでの処理によりプロラプスの発生確率を取得し、プロラプスの発生確率が所定の条件を満たした場合に、警告情報を出力してもよい。情報出力装置１は、学習モデル１３２を用いた処理とルールベースでの処理との両方を行い、いずれか一方の処理で得られたプロラプスの発生確率が所定の条件を満たした場合に、警告情報を出力してもよい。情報出力装置１は、学習モデル１３２を用いた処理とルールベースでの処理とで得られた両方のプロラプスの発生確率が所定の条件を満たした場合に、警告情報を出力してもよい。情報出力装置１は、学習モデル１３２を用いた処理とルールベースでの処理とで得られた両方のプロラプスの発生確率を表示装置２２に表示してもよい。 The information output device 1 may acquire the probability of occurrence of prolapse through rule-based processing, and output warning information when the probability of occurrence of prolapse satisfies a predetermined condition. The information output device 1 performs both processing using the learning model 132 and processing based on the rules, and outputs warning information when the prolapse occurrence probability obtained in either processing satisfies a predetermined condition. may be output. The information output device 1 may output warning information when both prolapse occurrence probabilities obtained by the process using the learning model 132 and the rule-based process satisfy a predetermined condition. The information output device 1 may display on the display device 22 the probabilities of occurrence of both prolapses obtained by the process using the learning model 132 and the process based on the rule.

（実施形態２）
実施形態２においては、血管内治療を行う前に、血管内治療におけるプロラプスの発生確率を取得する形態を示す。治療システム１００及び情報出力装置１の構成は、実施形態１と同様である。学習モデル１３２は、デバイス３が挿入されていない血管を表した血管画像と血管内治療で使用予定のデバイス３の特性を示すデバイス情報とを入力した場合に、血管内治療におけるプロラプスの発生確率を出力するように、予め学習されている。 (Embodiment 2)
In the second embodiment, a mode is shown in which the probability of occurrence of prolapse in endovascular treatment is obtained before performing endovascular treatment. The configurations of the treatment system 100 and the information output device 1 are similar to those in the first embodiment. The learning model 132 calculates the probability of occurrence of prolapse in endovascular treatment when inputting a blood vessel image representing a blood vessel in which no device 3 is inserted and device information indicating the characteristics of the device 3 scheduled to be used in endovascular treatment. It has been trained in advance to output.

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が用いる訓練データに含まれる血管画像は、血管内に挿入されたデバイス３の画像を含んでいなくてもよい。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。血管画像は、血管の形状等の血管の状態を表し、デバイス情報は、デバイス３の特性を示す。血管にデバイス３が挿入されていない段階であっても、血管内治療におけるプロラプスの発生確率は、血管の形状とデバイス３の特性との組み合わせによって異なる。例えば、デバイス３が病変部分まで移動する途中の血管に分岐が多い場合は、プロラプスの発生確率は高くなる。このため、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、プロラプスの発生確率に関連する。したがって、学習装置６は、血管画像及びデバイス情報に応じてプロラプスの発生確率を出力する学習モデル１３２を生成できる。 The configuration of the learning device 6 is similar to that of the first embodiment. The blood vessel images included in the training data used by the learning device 6 do not need to include images of the device 3 inserted into the blood vessel. The learning device 6 generates the learning model 132 by executing the processes of S11 to S12. The blood vessel image represents the state of the blood vessel such as the shape of the blood vessel, and the device information represents the characteristics of the device 3. Even when the device 3 is not inserted into the blood vessel, the probability of prolapse occurring during endovascular treatment varies depending on the combination of the shape of the blood vessel and the characteristics of the device 3. For example, if there are many branches in the blood vessel on the way to which the device 3 moves to the lesion, the probability of prolapse occurring increases. Therefore, the blood vessel image representing the state of the blood vessel and the device information representing the characteristics of the device 3 are related to the probability of occurrence of prolapse. Therefore, the learning device 6 can generate a learning model 132 that outputs the prolapse occurrence probability according to the blood vessel image and device information.

情報出力装置１は、血管内治療を行う前に、血管内治療におけるプロラプスの発生確率を出力するための情報出力方法を実行する。図１３は、実施形態２に係る情報出力装置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、情報出力装置１は以下の処理を実行する。 Before performing endovascular treatment, the information output device 1 executes an information output method for outputting the probability of occurrence of prolapse in endovascular treatment. FIG. 13 is a flowchart showing the procedure of processing performed by the information output device 1 according to the second embodiment. The information output device 1 executes the following process by the calculation unit 11 executing information processing according to the computer program 131.

血管内治療を行う前の段階で、情報出力装置１は、血管内治療で使用予定のデバイス３の特性を示すデバイス情報を取得する（Ｓ３１）。例えば、Ｓ３１では、演算部１１は、使用者による操作部１５の操作で入力された、血管内治療で使用予定のデバイス３のデバイス情報を取得する。例えば、演算部１１は、記憶部１３に予め記憶された血管内治療で使用するデバイス３のデバイス情報を記憶部１３から読み出すことにより、デバイス情報を取得する。Ｓ３１の処理は、情報取得部に対応する。 Before performing endovascular treatment, the information output device 1 acquires device information indicating the characteristics of the device 3 scheduled to be used in the endovascular treatment (S31). For example, in S31, the calculation unit 11 acquires device information of the device 3 scheduled to be used in endovascular treatment, which is input by the user's operation of the operation unit 15. For example, the calculation unit 11 acquires device information by reading device information of the device 3 used in endovascular treatment from the storage unit 13, which is stored in advance in the storage unit 13. The process of S31 corresponds to the information acquisition section.

画像生成装置２１は、血管内治療を行う前の段階で、患者４の血管の状態に関する血管画像を生成する。血管画像には、血管内に挿入されたデバイス３の画像は含まれない。情報出力装置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（Ｓ３２）。Ｓ３２の処理は、画像取得部に対応する。 The image generation device 21 generates a blood vessel image regarding the state of the blood vessels of the patient 4 before performing endovascular treatment. The blood vessel image does not include an image of the device 3 inserted into the blood vessel. The information output device 1 acquires the blood vessel image input from the image generation device 21 (S32). The process of S32 corresponds to the image acquisition section.

情報出力装置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（Ｓ３３）。Ｓ３３では、演算部１１は、血管画像及びデバイス情報を学習モデル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、血管画像及びデバイス情報の入力に応じて、血管内治療におけるプロラプスの発生確率を出力する。情報出力装置１は、プロラプスの発生確率を取得する（Ｓ３４）。演算部１１は、学習モデル１３２が出力したプロラプスの発生確率を取得する。Ｓ３４の処理は、確率取得部に対応する。 The information output device 1 inputs the blood vessel image and device information to the learning model 132 (S33). In S33, the calculation unit 11 inputs the blood vessel image and device information to the learning model 132, and causes the learning model 132 to execute processing. The learning model 132 outputs the probability of occurrence of prolapse in endovascular treatment in response to input of blood vessel images and device information. The information output device 1 acquires the probability of occurrence of prolapse (S34). The calculation unit 11 obtains the prolapse occurrence probability output by the learning model 132. The process of S34 corresponds to the probability acquisition section.

情報出力装置１は、血管内治療におけるプロラプスの発生確率を出力する（Ｓ３５）。Ｓ３５では、演算部１１は、取得したプロラプスの発生確率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、プロラプスの発生確率に応じて、血管内治療におけるプロラプスの発生確率の数値を含む画像を表示する。演算部１１は、取得したプロラプスの発生確率をインタフェース部１６から音声出力装置２３へ送信し、音声出力装置２３は、プロラプスの発生確率を示す音声を出力してもよい。Ｓ３５の処理は、出力部に対応する。Ｓ３５が終了した後は、情報出力装置１は、処理を終了する。 The information output device 1 outputs the probability of occurrence of prolapse in endovascular treatment (S35). In S<b>35 , the calculation unit 11 transmits the obtained prolapse occurrence probability from the interface unit 16 to the display device 22 . The display device 22 displays an image including a numerical value of the probability of occurrence of prolapse in endovascular treatment according to the probability of occurrence of prolapse. The calculation unit 11 may transmit the obtained prolapse occurrence probability from the interface unit 16 to the audio output device 23, and the audio output device 23 may output audio indicating the prolapse occurrence probability. The process of S35 corresponds to the output section. After S35 ends, the information output device 1 ends the process.

以上のように、実施形態２では、行われる予定の血管内治療におけるプロラプスの発生確率が出力される。学習モデル１３２を利用することにより、情報出力装置１は、プロラプスの発生確率を容易に取得することができる。使用者は、血管内治療を行う前に、プロラプスの発生確率を認識することができる。プロラプスの発生確率が高い場合に血管内治療を行わないようにすることにより、プロラプスの発生を防止することができる。又は、プロラプスの発生確率が高いことを確認した使用者は、プロラプスが発生しないように注意しながらデバイス３を操作することにより、プロラプスの発生を防止しながら血管内治療を行うことができる。このため、血管内治療の安全性が向上する。 As described above, in the second embodiment, the probability of occurrence of prolapse in the endovascular treatment scheduled to be performed is output. By using the learning model 132, the information output device 1 can easily obtain the probability of occurrence of prolapse. The user can recognize the probability of prolapse before performing endovascular treatment. By not performing endovascular treatment when the probability of prolapse occurring is high, the occurrence of prolapse can be prevented. Alternatively, the user who has confirmed that the probability of prolapse occurring is high can perform endovascular treatment while preventing the occurrence of prolapse by operating the device 3 while being careful not to cause prolapse. Therefore, the safety of endovascular treatment is improved.

実施形態２では、情報出力装置１は、複数種類のデバイス３又は複数組のデバイス３の組み合わせに関する複数のデバイス情報を用いて、血管内治療におけるプロラプスの発生確率を取得してもよい。Ｓ３１では、情報出力装置１は、複数のデバイス情報を取得する。Ｓ３３では、情報出力装置１は、複数種類のデバイス３又は複数組のデバイス３の組み合わせに関する複数のデバイス情報と血管画像とを学習モデル１３２へ入力し、Ｓ３４では、複数のデバイス情報に応じた複数のプロラプスの発生確率を取得する。Ｓ３５では、情報出力装置１は、複数のデバイス情報に係る複数種類のデバイス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、プロラプスの発生確率を出力する。使用者は、複数種類のデバイス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、プロラプスの発生確率を認識することができる。使用者は、プロラプスの発生確率が最も低いデバイス３又はデバイス３の組み合わせを使用して血管内治療を行うことにより、安全にまた確実に血管内治療を行うことが可能となる。 In the second embodiment, the information output device 1 may obtain the probability of occurrence of prolapse in endovascular treatment using a plurality of device information regarding combinations of multiple types of devices 3 or multiple sets of devices 3. In S31, the information output device 1 acquires a plurality of device information. In S33, the information output device 1 inputs a plurality of device information and blood vessel images regarding a combination of a plurality of types of devices 3 or a plurality of sets of devices 3 to the learning model 132, and in S34, a plurality of device information and blood vessel images related to a combination of a plurality of types of devices 3 or a plurality of sets of devices 3 are input to the learning model 132. Obtain the probability of occurrence of prolapse. In S35, the information output device 1 outputs the prolapse occurrence probability for each of the combinations of the plurality of types of devices 3 or the plurality of sets of devices 3 related to the plurality of device information. The user can recognize the probability of prolapse occurring for each combination of multiple types of devices 3 or multiple sets of devices 3. By performing endovascular treatment using the device 3 or a combination of devices 3 with the lowest probability of prolapse, the user can safely and reliably perform endovascular treatment.

実施形態２においても、情報出力装置１は、患者４の既往歴に応じてプロラプスの発生確率を得る形態であってもよい。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、血管内治療におけるプロラプスの発生確率を出力するように、予め学習されている。情報出力装置１は、学習モデル１３２を用いて、患者４の既往歴に応じたプロラプスの発生確率を取得する。Ｓ３３の前に、情報出力装置１は、患者４の既往歴を取得する。Ｓ３３では、情報出力装置１は、血管画像、デバイス情報及び患者４の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、デバイス情報及び患者４の既往歴が入力されたことに応じて、血管内治療におけるプロラプスの発生確率を出力する。 In the second embodiment as well, the information output device 1 may be configured to obtain the probability of occurrence of prolapse according to the medical history of the patient 4. The learning model 132 is trained in advance to output the probability of occurrence of prolapse in endovascular treatment when a blood vessel image, device information, and medical history of the patient 4 are input. The information output device 1 uses the learning model 132 to obtain the probability of occurrence of prolapse according to the medical history of the patient 4. Before S33, the information output device 1 acquires the medical history of the patient 4. In S33, the information output device 1 inputs the blood vessel image, device information, and medical history of the patient 4 to the learning model 132, and causes the learning model 132 to execute processing. The learning model 132 outputs the probability of occurrence of prolapse in endovascular treatment in response to input of the blood vessel image, device information, and medical history of the patient 4.

この形態においては、使用者は、患者４の既往歴に応じたプロラプスの発生確率を認識することができる。使用者は、プロラプスの発生確率に応じた行動をとることにより、患者４の既往歴に応じて血管内治療を安全に実施することが可能になる。 In this form, the user can recognize the probability of prolapse occurring depending on the patient's 4 past medical history. By taking actions according to the probability of occurrence of prolapse, the user can safely perform endovascular treatment according to the medical history of the patient 4.

情報出力装置１は、ルールベースの処理をも利用する形態であってもよい。例えば、情報出力装置１は、血管画像に基づいて、血管の狭窄部分と血管の分岐との間の距離を特定し、デバイス３の先端から剛性変化点までの距離を特定し、特定した二つの距離の差に応じて、プロラプスの発生確率を取得する。このとき、情報出力装置１は、二つの距離の差とプロラプスの発生確率との関係を定めた所定のルールに従って、プロラプスの発生確率を決定する。例えば、二つの距離の差が小さいほどプロラプスの発生確率が高いとする。 The information output device 1 may also use rule-based processing. For example, the information output device 1 specifies the distance between the narrowed part of the blood vessel and the branch of the blood vessel based on the blood vessel image, specifies the distance from the tip of the device 3 to the stiffness change point, and determines the distance between the two specified points. Obtain the probability of prolapse occurrence according to the difference in distance. At this time, the information output device 1 determines the probability of occurrence of prolapse according to a predetermined rule that defines the relationship between the difference between the two distances and the probability of occurrence of prolapse. For example, suppose that the smaller the difference between the two distances, the higher the probability of prolapse occurring.

情報出力装置１は、ルールベースでの処理によりプロラプスの発生確率を取得し、プロラプスの発生確率が所定の条件を満たした場合に、警告情報を出力してもよい。情報出力装置１は、学習モデル１３２を用いた処理とルールベースでの処理との両方を行い、いずれか一方の処理で得られたプロラプスの発生確率が所定の条件を満たした場合に、警告情報を出力してもよい。情報出力装置１は、学習モデル１３２を用いた処理とルールベースでの処理とで得られた両方のプロラプスの発生確率が所定の条件を満たした場合に、警告情報を出力してもよい。情報出力装置１は、学習モデル１３２を用いた処理とルールベースでの処理とで得られた両方のプロラプスの発生確率の数値を表示装置２２に表示してもよい。 The information output device 1 may acquire the probability of occurrence of prolapse through rule-based processing, and output warning information when the probability of occurrence of prolapse satisfies a predetermined condition. The information output device 1 performs both processing using the learning model 132 and processing based on the rules, and outputs warning information when the prolapse occurrence probability obtained in either processing satisfies a predetermined condition. may be output. The information output device 1 may output warning information when both prolapse occurrence probabilities obtained by the process using the learning model 132 and the rule-based process satisfy a predetermined condition. The information output device 1 may display on the display device 22 the numerical values of both prolapse occurrence probabilities obtained by the process using the learning model 132 and the process based on the rule.

情報出力装置１は、実施形態１に係る処理と、実施形態２に係る処理との両方を実行してもよい。血管内治療を行う前に、情報出力装置１は、実施形態２に係る処理を実行し、使用者は、プロラプスの発生確率を認識し、プロラプスの発生確率に応じた血管内治療を開始する。血管内治療中には、情報出力装置１は、実施形態１に係る処理を実行し、使用者は、状況に応じて変化するプロラプスの発生確率を認識し、プロラプスの発生確率に応じた対処を行う。これにより、使用者は、より安全に血管内治療を行うことが可能となる。 The information output device 1 may perform both the process according to the first embodiment and the process according to the second embodiment. Before performing endovascular treatment, the information output device 1 executes the process according to the second embodiment, and the user recognizes the probability of occurrence of prolapse, and starts endovascular treatment according to the probability of occurrence of prolapse. During endovascular treatment, the information output device 1 executes the process according to Embodiment 1, and the user recognizes the probability of occurrence of prolapse, which changes depending on the situation, and takes measures according to the probability of occurrence of prolapse. conduct. This allows the user to perform endovascular treatment more safely.

実施形態１及び２においては、表示装置２２及び音声出力装置２３が使用される形態を示したが、情報を出力するために表示装置２２及び音声出力装置２３の内の一方のみが使用されてもよい。 In the first and second embodiments, the display device 22 and the audio output device 23 are used, but it is also possible to use only one of the display device 22 and the audio output device 23 to output information. good.

今回開示された実施形態は全ての点で例示であって、制限的なものでは無いと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。 The embodiments disclosed herein are illustrative in all respects and should not be considered restrictive. The scope of the present invention is indicated by the claims rather than the above-mentioned meaning, and is intended to include meanings equivalent to the claims and all changes within the scope.

１００ 治療システム
１ 情報出力装置
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 100 Treatment System 1 Information Output Device 10 Recording Medium 131 Computer Program 132 Learning Model 21 Image Generation Device 22 Display Device 3 Device 4 Patient 41 Blood Vessel 42 Lesion Part 5 Practitioner 6 Learning Device

Claims (14)

患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関するデバイス情報と、血管内治療におけるプロラプスの発生確率とを含んだ訓練データを取得し、
前記訓練データに基づいた学習により、血管画像及びデバイス情報を入力した場合に血管内治療におけるプロラプスの発生確率を出力する学習モデルを生成する
ことを特徴とする学習モデルの生成方法。 Obtaining training data including a blood vessel image regarding the patient's blood vessel condition, device information regarding the device used in endovascular treatment, and the probability of occurrence of prolapse in endovascular treatment,
A method for generating a learning model, characterized in that, by learning based on the training data, a learning model is generated that outputs the probability of occurrence of prolapse in endovascular treatment when blood vessel images and device information are input. 前記訓練データは、血管内に挿入されたデバイスの一部の画像を含んだ血管画像を含む
ことを特徴とする請求項１に記載の学習モデルの生成方法。 The learning model generation method according to claim 1, wherein the training data includes a blood vessel image that includes an image of a part of a device inserted into a blood vessel. 患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関するデバイス情報とを取得し、
血管画像及びデバイス情報を入力した場合に血管内治療におけるプロラプスの発生確率を出力する学習モデルへ、取得した血管画像及びデバイス情報を入力し、前記学習モデルが出力した前記確率を取得し、
取得した前記確率に応じた情報を出力する
ことを特徴とする情報出力方法。 Obtaining a blood vessel image regarding the patient's blood vessel condition and device information regarding the device used in endovascular treatment,
inputting the acquired blood vessel image and device information to a learning model that outputs the probability of prolapse occurring in endovascular treatment when the blood vessel image and device information are input, and acquiring the probability output by the learning model;
An information output method, comprising: outputting information according to the obtained probability. 前記学習モデルは、血管内に挿入されたデバイスの一部の画像を含んだ血管画像及びデバイス情報を入力した場合に前記確率を出力するように、予め学習されており、
血管内治療中に、前記患者の血管内に挿入されたデバイスの一部の画像を含んだ血管画像を取得し、
前記血管画像の取得と前記確率の取得とを繰り返し、
取得した前記確率が所定の条件を満たした場合に、プロラプスが発生する可能性が高いことを警告する警告情報を出力する
ことを特徴とする請求項３に記載の情報出力方法。 The learning model is trained in advance so as to output the probability when a blood vessel image including a partial image of a device inserted into a blood vessel and device information are input,
acquiring a blood vessel image including an image of a portion of a device inserted into the blood vessel of the patient during endovascular treatment;
repeating the acquisition of the blood vessel image and the acquisition of the probability;
4. The information output method according to claim 3, further comprising outputting warning information warning that prolapse is likely to occur when the obtained probability satisfies a predetermined condition. 前記学習モデルは、時系列的な複数の血管画像及びデバイス情報を入力した場合に前記確率を出力するように、予め学習されており、
時系列的な複数の血管画像を取得し、
取得した前記複数の血管画像及び前記デバイス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確率を取得する
ことを特徴とする請求項４に記載の情報出力方法。 The learning model is trained in advance to output the probability when a plurality of time-series blood vessel images and device information are input,
Acquire multiple blood vessel images in time series,
The information output method according to claim 4, further comprising inputting the plurality of acquired blood vessel images and the device information to the learning model, and acquiring the probability output by the learning model. 取得した前記確率が所定の閾値を超過した場合に、前記警告情報を出力する
ことを特徴とする請求項４又は５に記載の情報出力方法。 The information output method according to claim 4 or 5, wherein the warning information is output when the acquired probability exceeds a predetermined threshold. 画像を表示する表示装置を用い、
前記血管画像と、プロラプスが発生する可能性が高いことを表した画像とを前記表示装置に表示することによって、前記警告情報を出力する
ことを特徴とする請求項４乃至６のいずれか一つに記載の情報出力方法。 Using a display device that displays images,
Any one of claims 4 to 6, wherein the warning information is output by displaying the blood vessel image and an image indicating that there is a high possibility that prolapse will occur on the display device. Information output method described in. プロラプスが発生する可能性が高いことを示す音声を出力することによって、前記警告情報を出力する
ことを特徴とする請求項４乃至７のいずれか一つに記載の情報出力方法。 8. The information output method according to claim 4, wherein the warning information is output by outputting a sound indicating that prolapse is highly likely to occur. 前記血管画像に基づいて、前記デバイスの位置を特定し、
前記デバイスの位置を示す情報を前記血管画像に付加する
ことを特徴とする請求項４乃至８のいずれか一つに記載の情報出力方法。 locating the device based on the blood vessel image;
The information output method according to any one of claims 4 to 8, further comprising adding information indicating the position of the device to the blood vessel image. 前記血管画像は、血管の分岐を表した画像を含んでいる
ことを特徴とする請求項４乃至９のいずれか一つに記載の情報出力方法。 The information output method according to any one of claims 4 to 9, wherein the blood vessel image includes an image showing branching of blood vessels. 前記学習モデルは、患者の血管画像、デバイス情報及び前記患者の既往歴を入力した場合に前記確率を出力するように、予め学習されており、
患者の既往歴を更に取得し、
取得した血管画像、デバイス情報及び既往歴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確率を取得する
ことを特徴とする請求項３乃至１０のいずれか一つに記載の情報出力方法。 The learning model is trained in advance to output the probability when inputting a patient's blood vessel image, device information, and patient's medical history,
Obtain further medical history of the patient,
The information output method according to any one of claims 3 to 10, characterized in that the acquired blood vessel image, device information, and past history are input to the learning model, and the probability output by the learning model is acquired. . 前記デバイス情報は、長軸方向に沿って剛性が変化する剛性変化点の位置を含む
ことを特徴とする請求項３乃至６のいずれか一つに記載の情報出力方法。 7. The information output method according to claim 3, wherein the device information includes a position of a stiffness change point where stiffness changes along the longitudinal direction. 患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関するデバイス情報とを取得する情報取得部と、
血管画像及びデバイス情報を入力した場合に血管内治療におけるプロラプスの発生確率を出力する学習モデルと、
取得した血管画像及びデバイス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確率を取得する確率取得部と、
取得した前記確率に応じた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出力装置。 an information acquisition unit that acquires a blood vessel image regarding a patient's blood vessel condition and device information regarding a device used in endovascular treatment;
a learning model that outputs the probability of occurrence of prolapse in endovascular treatment when blood vessel images and device information are input;
a probability acquisition unit that inputs the acquired blood vessel image and device information to the learning model and acquires the probability output by the learning model;
An information output device comprising: an output unit that outputs information according to the acquired probability. 患者の血管の状態に関する血管画像と、血管内治療で使用するデバイスに関するデバイス情報とを取得し、
血管画像及びデバイス情報を入力した場合に血管内治療におけるプロラプスの発生確率を出力する学習モデルへ、取得した血管画像及びデバイス情報を入力し、前記学習モデルが出力した前記確率を取得し、
取得した前記確率に応じた情報を出力する
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。 Obtaining a blood vessel image regarding the patient's blood vessel condition and device information regarding the device used in endovascular treatment,
inputting the acquired blood vessel image and device information to a learning model that outputs the probability of prolapse occurring in endovascular treatment when the blood vessel image and device information are input, and acquiring the probability output by the learning model;
A computer program that causes a computer to execute a process of outputting information according to the obtained probability.

Images