進展する手術ロボットと機械学習の融合

手術におけるロボット工学の応用は、1980年代に始まって以来、着実に成長してきた。対照的に、この分野における人工知能の統合はまだかなり新しいものだ。主に研究開発段階にある有望な応用が表面化してきている。

この記事では、手術ロボットにおける人工知能アプリケーションの現在の例と「近い将来」の例を探る。ほとんどの関連するアプリケーションは、以下の4つのカテゴリに分類される。

1. 縫合の自動化
2. 手術技能評価のための機械学習
3. 機械学習による手術用ロボットの改良
4. 外科手術のワークフローモデリングのための機械学習

1. 縫合の自動化

1.1 Raven Robot and PR2 Robot

縫合（開いた傷や切開部を縫合するプロセス）は外科手術の重要な部分だが、プロセスの中では時間のかかる側面でもある。自動化は、潜在的に手術手順の長さと外科医の疲労を減らすことができる。これは、人間の手術コマンドとロボットの応答の間の任意のタイムラグが生じる可能性があり、この遅延はリモートまたはテレサージェリーで特に課題になる可能性がある。

2013年、カリフォルニア大学バークレー校のピーター・アビール教授らのチームは、ロボットによって実行される自動縫合のためのアルゴリズムのアプリケーションに関する研究を発表した。このアルゴリズムは、Raven IIロボットとPR2ロボットの2つのロボットモデルでテストされ、シミュレーションされた。Ravenロボットは腹腔鏡手術用に設計されており、PR2プラットフォームは様々なロボットアプリケーションに適応できるようだ。

バークレーの研究チームは、全体的に87％の縫合成功率を報告している。しかし、縫合シナリオの複雑さが増すと、ロボットの縫合の精度も低下した。

下の動画では、研究チームがPR2ロボットを使って行った実験を実演している。

1.2 STARロボット

2016年には、ジョンズ・ホプキンス大学は、STARまたはスマートティッシュ自律ロボット（Smart Tissue Autonomous Robot）と呼ばれるロボット手術システムを開発したチームの研究者の一人であることを発表した。このシステムは、3Dコンピュータ画像とセンサーを統合し、縫合プロセスを通じてロボットを誘導するのに役立つ。

サイモン・レオナルド助教授らのチームは、ブタのモデルを使って ロボットの性能を比較した。開腹手術、腹腔鏡下手術、ロボット支援手術 の3つの異なる手術で5人の外科医の仕事と比較した。 全体的に、研究者たちは、STARロボットが標準的な外科手術のパフォーマンスと同等かそれ以上の結果を報告した。

米国では、軟部組織の手術が年間約4450万件行われていると推定されている。大腸や腹部の手術の場合、「縫い目の周りの漏れ」などの合併症は、人間の手術では約20～30％のケースで発生する。研究者たちは、STARのようなイノベーションがこれらの合併症を減らすのに役立つことを期待している。

現在のところ、STARがいつ病院の手術室に導入されるかは不明である。しかし、研究者たちは、ロボット手術システムが手術のミスを減らし、患者の転帰を改善するのに役立つと信じている。

この研究は、自動化された縫合の有望な可能性を示していますが、人間の手術への応用が見られるようになるまでには、広範な追加研究が必要となるはずだ。

2. 手術技能評価のための機械学習

手術手技の評価は、伝統的に、他の訓練を受けた外科医によって行われることが多い主観的な実践であった。ロボット技術が手術でより一般的に使用されるようになるにつれ、研究者たちは、手術手技を測定する自動化された方法を模索している。

2016 World Congress on Engineering and Computer Scienceで発表された研究では、ロボット支援低侵襲手術における外科医のパフォーマンスを評価するために機械学習を使用することが議論された。

研究チームは、縫合パフォーマンスから収集したデータを評価し、外科医を初心者とエキスパートの2つのカテゴリーに分類した。機械学習アルゴリズムは、完了時間、パスの長さ、深さの認識、スピード、滑らかさ、曲率の6つの特徴を測定するために開発された。

この実験的評価システムは、約85％の試験で正確に手術技能を分類したと報告されている。これは、より標準化された評価方法の可能性を示す有望な結果である。研究者らは、今後の研究では、評価方法を他の手術手技やより大きなデータプールにも拡大すべきであることを示唆している。

3. 機械学習による外科用ロボットの改良

特に繊細な操作が必要とされる脳神経外科の場合、ロボットは効果的に操作して怪我を防ぐために必要な器用さが不足していることが多い。カリフォルニア大学サンディエゴ校（UCSD）の先進ロボティクス＆コントロールラボの研究者たちは、手術用ロボットを改善するための機械学習の応用を模索している。

「連続体ロボット」は柔軟性のあるロボット素材でできており、低侵襲手術のコアコンポーネントとしての役割を果たしている。

自動化はルーチンプロセスに特に適している。しかし、手術環境は常に予測可能なものではなく、連続体ロボットの信頼性に悪影響を及ぼす。その結果、研究者は、これらのロボットがより複雑な環境をうまくナビゲートできるようにする方法を模索している。

4. 外科手術のワークフローモデリングのための機械学習

手術の効率を向上させることへの関心は、患者と手術チームの両方のために、術前と術後の経験にまで広がっている。手術における合併症の発生率は、推定3～17%。ある研究では、合併症を経験した患者の平均病院費用が19,626ドルから36,060ドルへと119パーセント増加したことが示されている。

チェックリストは回避可能なエラーを軽減するための戦略として提案されてきたが、現在では自動化もまた、外科手術のワークフローを改善するための潜在的なツールとして検討されている。

このような手作業のプロセスは、多くの場合、時間がかかり、プロセスを改善するための自動フィードバックを提供していない。IDEAL-Xの適応学習プラットフォームは、機械学習を使用して、ユーザーがどのようにレポートを生成するかを理解し、パターンを予測することで、プロセスのスピードと効率を向上させる。下記の4分間のビデオでは、IDEAL-Xシステムがどのように機能するかをデモで紹介している。

また別の研究では、このシステムは「非常に効果的」で、他の2つの臨床情報抽出方法と比較して95％の精度率を達成したと報告している。研究者らは、システムの操作に高度なスキルは必要なく、オンラインで自由に利用でき、性能を向上させるための適応性が高いと結論付けている。これらのことから、臨床利用に適していると考えられる。

考察

外科分野における機械学習の潜在的な応用は多様であり、トレーニング、手術、臨床データ管理など、外科領域に沿った複数のポイントに対応している。外科医の時間と病院の費用を一貫して節約することで、長期的にその価値を証明することができるイノベーションが最も成功する可能性がある。

例えば、機械学習ベースのIDEAL-X臨床情報抽出システムは、その学習曲線の低さと複数の医療専門分野での有用性により、この記事で取り上げた他のアプリケーションよりも早く導入できる可能性を秘めている。

一方、自動縫合ロボットは、大規模なテスト、レビュー、市場承認プロセスを経て、完成までに何年もかかることが予想される。また、ロボットの使用方法を外科医に教えるためのコストも考慮しなければならない。

縫合ロボットのようなツールを操作できるようになるために必要な時間を予測することは困難だ。実際、一部の業界専門家は、AIが外科分野に完全に統合されるのを見るまでには、最大20年かかるかもしれないと示唆している。

考慮すべき課題の中には、AIが手術環境でどのように機能するかというものがある。機械学習は、堅牢で豊富なデータに基づいて成長し、パターン認識に傾いている。手術の複雑さは、多くの場合、はるかに均一ではなく、かなり予測不可能な環境を作り出し、理想的なAIの状況とは正反対だ。

参考文献

1. J. Schulman, A. Gupta, S. Venkatesan, M. Tayson-Frederick and P. Abbeel, "A case study of trajectory transfer through non-rigid registration for a simplified suturing scenario," 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems, Tokyo, 2013, pp. 4111-4117, doi: 10.1109/IROS.2013.6696945.
2. Azad Shademan, Ryan S. Decker, Justin D. Opfermann, Simon Leonard, Axel Krieger, Peter C. W. Kim. Supervised autonomous robotic soft tissue surgery. Science Translational Medicine 04 May 2016 : 337ra64.
3. Mahtab J. Fard, Sattar Ameri, Ratna B. Chinnam, Abhilash K. Pandya, Michael D. Klein, R. Darin Ellis. Machine Learning Approach for Skill Evaluation in Robotic-Assisted Surgery. Lecture Notes in Engineering and Computer Science: Proceedings of The World Congress on Engineering and Computer Science 2016, 19-21 October, 2016, San Francisco, USA.
4. Zheng S, Lu JJ, Ghasemzadeh N, Hayek SS, Quyyumi AA, Wang F. Effective Information Extraction Framework for Heterogeneous Clinical Reports Using Online Machine Learning and Controlled Vocabularies. JMIR Med Inform. 2017;5(2):e12. Published 2017 May 9. doi:10.2196/medinform.7235.

Photo: "da Vinci Surgical Robot"by Ars Electronica is licensed under CC BY-NC-ND 2.0