Visualization of decision making process in endovascular treatment and proposal of preoperative plannind method

点击翻译按钮获取中文摘要

本研究は，強化学習における報酬という定量化可能な指標を用いて血管内治療における医師の判断を可視化することである．研究初年度である本年度は，２つの技術に取り組んだ．一つは血管内治療を模擬した強化学習において，報酬がデバイスの操作にどのような影響をおよぼすか？である．二つ目は，報酬を算出する根拠になるデバイスの応答性（手元操作量とデバイス先端の移動量の比率）を，現実に存在する様々な血管形状で実験的手法を用いて取得する技術の開発である．前者については，報酬を任意の値に設定する．さらに，危険な場所を仮定し，それを回避すると思われる報酬分布を手動で設計することにより，押す操作や回転操作の重要性を調べた．その結果，危険な場所の反対側の押す操作に対する報酬を高くすることにより危険な場所の回避率は上昇した．また，危険な場所の直前の回転操作に対する報酬の操作では回避率に大きな影響は表れなかった．以上のことから，術者は危険な場所が存在する場合，反対側を押すことを強く意識し，直前での回避操作（回転操作）は重要でないと考えている可能性が示唆された．後者については，研究協力者である医師に，実際に遭遇する典型的な血管形状をイラスト化してもらい，それに基づいた２次元的な血管模型を作製した．その血管模型内にデバイスを挿入し，その時のデバイス挙動を画像処理によって定量評価した．またそれらの値についてガウス過程回帰やサポートベクターマシーンなどを用いて，影響をおよぼす因子について分析した．その結果，例えば，遠位側血管中心線ねじり回数，遠位側屈曲数，遠位側血管中心線のSUM(θ)/L が大きな値であるほど操作が困難になることを明らかにした．ただしこれらの因子は複雑に絡み合っており，明確にするためには深層機械学習などによる，より高度なデータ分析が必要あろうということが分かった．