Generalizing Soft Tissue Deformation and Force Prediction Across Material Stiffness and Geometry

外科医の手が、繊細な生体組織の中をロボットの器具で導いている場面を想像してみてください。この相互作用を安全かつリアルにするためには、コンピュータがその組織がどのように沈み込み、伸び、押し返してくるかを正確に把握していなければなりません。これこそが外科手術シミュレーションの核心であり、人間の体のデジタルツイン（双子）を作成し、完璧な物理的真実に基づいて反応させることです。数十年もの間、科学者たちは複雑な物理エンジンに頼り、仮想臓器内のあらゆる微小な点に対して膨大な方程式を解くことで、これらの反応を計算してきました。これらの計算は驚異的に正確ですが、同時に非常に時間がかかり、たった一度の動きを計算するだけで数秒から数分を要することもしばしばあります。実際の手術室や、外科医が即時的なフィードバックを必要とするトレーニングセッションにおいて、その遅延は長すぎます。目標は常に、精度を損なうことなく、シミュレーションを現実と感じられるほど十分に高速化する方法を見つけることでした。

バーゼル大学の研究チームは、入念な物理実験と新しいタイプの人工知能を組み合わせることで、この目標に向けた重要な一歩を踏み出しました。彼らの研究は、ある厄介な問題に取り組んでいます。それは、ほとんどのコンピュータによる軟組織モデルは、硬い肝臓や柔らかい腎臓といった特定の種類の材料にはうまく機能しますが、硬さが変化すると機能しなくなるという問題です。従来のモデルでは、外科医が硬い臓器から柔らかい臓器へと切り替えると、モデルが破綻し、非現実的な結果を生じさせてしまうことがよくありました。研究者たちは、さまざまな硬さのレベルや形状にわたって軟組織の挙動を理解し、予測できる、単一のスマートなシステムを構築したいと考えました。しかも、リアルタイムでの使用が可能なほど高速に動作するシステムです。

これを解決するために、チームはまず物理的な世界から着手しました。彼らは、人間の組織を模倣するためによく使われる材料であるシリコーンを用いて、一連のテスト用オブジェクトを作成しました。シリコーンに異なる量の軟化剤を混ぜ合わせ、非常に硬いもの、中程度のもの、そしてかなり柔らかいものの3つの異なるバージョンを作成しました。これらの混合物を長い円柱状のビームに成形し、自重によってどのように自然に曲がり、たわむのかを観察するために吊り下げました。標準的なスマートフォンとカメラの角度を補正するソフトウェアを使用して、これらのビームを撮影することで、材料がどのように変形したかを精密に測定しました。これらの現実世界の観察結果は、すべてのコンピュータモデルがテストされる際の「ゴールドスタンダード（黄金律）」、すなわち「グラウンドトゥルース（真の事実）」として機能しました。

次に、研究者たちはコンピュータへと目を向け、どの数学的規則がこの曲がりを最もよく説明できるかを検証しました。彼らは、軟質材料がどのように振る舞うかに関するいくつかの理論をテストし、シリコーンのビームが重力の下でどのようにたわむかを正確に再現しようとするシミュレーションを実行しました。その結果、いくつかの理論は硬い材料にはうまく機能しましたが、柔らかい材料には苦戦することが分かりました。オグデン（Ogden）モデルおよびムーニー・リブリン（Mooney-Rivlin）モデルとして知られる2つの特定の理論は、これら3つの硬さレベルすべてにおいて最も信頼できることが判明しました。しかし、これらの優れたモデルであっても、内部設定を実際のシリコーンに完璧に一致するように注意深く調整する必要がありました。このキャリブレーション（校正）のステップは極めて重要でした。なぜなら、このステップなしでは、人工知能を学習させるためのコンピュータデータに欠陥が生じ、システムが誤った教訓を学んでしまうことになるからです。

物理モデルが校正され、信頼できるものとなったところで、チームは膨大な学習データのライブラリを生成しました。単にビームを吊るすだけでなく、より手術に近いシナリオをシミュレートしました。それは、骨や腫瘍のような隠れた硬い形状を含む、柔らかい組織のブロックの中に仮想のプローブ（探針）を突き刺すというものです。彼らは、隠れた物体の形状、突っつく位置、および組織の硬さを変化させながら、何千回もの突き刺しシミュレーションを実行しました。これにより、組織の表面がどのように動き、プローブが各瞬間においてどれほどの力を感じるかを示す、豊かなデータセットが作成されました。

パズルの最後のピースは、人工知能そのものでした。研究者たちは、軟組織の不規則な形状のような、構造化されていないデータから学習するように設計された特殊なタイプのニューラルネットワークを使用しました。彼らは、材料の「柔らかさ」を重要な情報として注目するようにこのネットワークを改良しました。校正済みのシミュレーションデータをネットワークに読み込ませることで、組織の形状を観察し、その硬さを知るだけで、組織がどのように変形し、どの程度の力で押し返してくるかを予測できるように学習させたのです。その結果、未知の形状と特定の硬さレベルを与えられた際に、その結果を即座に予測できるシステムが完成しました。

結果は驚くべきものでした。新しいシステムは、平均誤差1ミリ未満、つまり人間の目には実質的に見えないレベルの精度で組織の動きを予測できました。また、力の予測についても高い精度を示しましたが、その精度の高さは、基礎となる物理モデルがどれほど適切に校正されているかに大きく依存していました。物理モデルが一貫しているとき、力の予測は信頼できるものでしたが、物理モデルが非常に硬い材料に対して苦戦する場合、力の予測は変動しやすくなりました。決定的なことに、システムはわずか0.010秒でこれらの計算を行い、人間の手が動く速度に追いつくのに十分な速さを実現しました。

この研究は、異なる材料や形状にわたって機能する、軟組織をシミュレートするための単一の汎用ツールを構築することが可能であることを証明しています。人工知能を注意深く校正された物理実験に基づかせることで、研究者たちは、コンピュータが抽象的な数学ではなく、現実から学ぶことを保証しました。このシステムはまだ人間の外科医に取って代わるものではありませんが、医療専門家のトレーニングや複雑な手術の計画において強力な新しい方法を提供します。これは、外科手術シミュレーターが人体特有の多様な質感に即座に適応し、まるで本物に触れているかのような自然なフィードバックを提供する未来を示唆しています。