训练数据生成方法、控制装置及控制方法、能量处置器具与流程

1.本发明涉及一种训练数据生成方法、控制装置及控制方法、能量处置器具的输出控制方法、能量处置器具的控制装置以及能量处置器具。


背景技术：

2.以往，已知有通过从能量处置器具对生物体组织施加处置能量来对该生物体组织进行处置的处置系统(例如，参照专利文献1)。
3.在专利文献1所记载的处置系统中，通过对生物体组织施加超声波振动来处置该生物体组织。即，在该处置系统中，采用了超声波能量作为处置能量。
4.现有技术文献
5.专利文献
6.专利文献1：国际公开第2018/011918号


技术实现要素：

7.发明要解决的问题
8.然而，若在对生物体组织的处置完成之后仍继续施加处置能量，则由于过量的热而导致对该生物体组织造成了额外的损伤，有时无法适当地处置该生物体组织。另外，有时能量处置器具自身也会因热而受到损伤。
9.因此，期望一种能够适当地处置生物体组织的技术。
10.本发明是鉴于上述情况而完成的，其目的在于提供一种能够适当地处置对象物的训练数据生成方法、控制装置以及控制方法。
11.用于解决问题的方案
12.为了解决上述问题并达成目的，本发明所涉及的训练数据生成方法是由训练数据生成装置的第一处理器执行的训练数据生成方法，在所述训练数据生成方法中，获取与正在从能量处置器具对生物体组织施加超声波能量时的所述能量处置器具中的电气特性值有关的输出信息，获取拍摄正在对所述生物体组织施加所述超声波能量的状态所得到的摄影数据，通过对所述输出信息附加根据所述摄影数据得到的信息，来生成在生成用于估计与对所述生物体组织的处置相关联的关联信息的估计模型时的机器学习用的训练数据。
13.本发明所涉及的控制装置具备至少一个第二处理器，所述第二处理器获取与正在从能量处置器具对生物体组织施加超声波能量时的所述能量处置器具中的电气特性值有关的输出信息，所述第二处理器将所述输出信息作为输入数据，进行基于通过机器学习生成的估计模型的运算，由此将与所述生物体组织的处置相关联的关联信息作为输出数据进行输出。
14.本发明所涉及的控制方法是由控制装置的第二处理器执行的控制方法，在所述控制方法中，获取与正在从能量处置器具对生物体组织施加超声波能量时的所述能量处置器具中的电气特性值有关的输出信息，将所述输出信息作为输入数据，进行基于通过机器学
习生成的估计模型的运算，由此将与对所述生物体组织的处置相关联的关联信息作为输出数据进行输出。
15.本发明所涉及的能量处置器具的输出控制方法用于通过处置能量输出的控制来进行对象物的处置，所述能量处置器具的输出控制方法包括以下步骤：通过操作部受理操作者的用于输出所述处置能量输出的操作；获取从所述操作部被操作而开始所述处置能量输出起的所述处置能量输出的时间经过信息；向预先通过以所述处置能量输出的过去的时间经过信息为输入、以表示在当前以后的时间点应如何控制所述处置能量输出的控制信息为输出进行学习而得到的估计模型，输入从所述操作部被操作而开始所述处置能量输出起的所述处置能量输出的时间经过信息；根据所述估计模型所输出的控制信息，对所述能量处置器具的处置能量输出进行控制。
16.本发明所涉及的能量处置器具用于通过处置能量输出的控制来进行对象物的处置，所述能量处置器具包括：操作部，其受理操作者的用于输出所述处置能量输出的操作；以及控制部，其包括预先通过以所述处置能量输出的过去的时间经过信息为输入、以表示在当前以后的时间点应如何控制所述处置能量输出的控制信息为输出进行学习而得到的估计模型，根据被输入了从所述操作部被操作而开始所述处置能量输出起的所述处置能量输出的时间经过信息时的、所述估计模型所输出的控制信息，来对所述能量处置器具的处置能量输出进行控制。
17.本发明所涉及的能量处置器具的控制装置具备：处置状况信息获取部，其在所述能量处置器具对对象物施加处置时获取作为与所述能量处置器具的处置状况有关的信息的处置状况信息；运算部，其基于所述处置状况信息获取部获取到的所述处置状况信息，使用以能量处置器具的处置状况信息为输入、以作为与能量处置器具的处置能量输出控制有关的信息的控制信息为输出的估计模型，来运算所述控制信息。
18.本发明所涉及的能量处置器具的控制方法包括以下步骤：处置状况信息获取步骤，在所述能量处置器具对对象物施加处置时获取作为与所述能量处置器具的处置状况有关的信息的处置状况信息；运算步骤，基于通过所述处置状况信息获取步骤获取到的所述处置状况信息，使用以能量处置器具的处置状况信息为输入、以作为与能量处置器具的处置能量输出控制有关的信息的控制信息为输出的估计模型，来运算所述控制信息。
19.发明的效果
20.根据本发明所涉及的训练数据生成方法、控制装置及控制方法、能量处置器具的输出控制方法、能量处置器具的控制装置以及能量处置器具，能够适当地处置对象物。
附图说明
21.图1是示出实施方式1所涉及的处置系统的图。
22.图2是示出振子单元的图。
23.图3是示出控制装置的结构的框图。
24.图4是示出估计模型生成系统的结构的图。
25.图5是示出训练数据生成方法的流程图。
26.图6是示出估计模型生成方法的流程图。
27.图7是示出控制方法的流程图。
28.图8是说明实施方式1的效果的图。
29.图9是示出实施方式2所涉及的估计模型生成系统的结构的图。
30.图10是示出训练数据生成方法的流程图。
31.图11是示出估计模型生成方法的流程图。
32.图12是示出控制方法的流程图。
33.图13是说明实施方式2的变形例1的图。
34.图14是说明实施方式1、2的变形例2的图。
35.图15是说明实施方式2的变形例3的图。
36.图16是示出处置能量器具的控制系统的结构的框图。
37.图17是示出训练数据生成方法的流程图。
具体实施方式
38.下面，参照附图来对用于实施本发明的方式(下面为实施方式)进行说明。此外，本发明并不限定于下面说明的实施方式。并且，在附图的记载中，对相同的部分标注相同的附图标记。
39.(实施方式1)
40.[处置系统的概要结构]
[0041]
本技术提供一种能够高精度地处置对象物的能量处置器具的控制系统。即，在通过处置能量输出的控制来进行对象物的处置的能量处置器具的控制系统中，具有受理操作者的用于输出处置能量输出的操作的操作部、以及能够根据被输入了从操作部被操作而开始处置能量输出起的处置能量输出的时间经过信息时的、估计模型所输出的控制信息来对能量处置器具的处置能量输出进行控制的控制部。另外，该估计模型是预先通过以处置能量输出的过去的时间经过信息为输入、以表示在当前以后的时间点应如何控制处置能量输出的控制信息为输出进行学习而得到的的估计模型。在此，处置能量输出的时间经过信息是处置能量输出的按时间序列的信息。另外，还能够替换为以下的能量处置器具的控制系统，具备预先通过以与能量处置器具的处置能量输出对应的电气特性值的过去的时序信息为输入、以上述处置能量输出的控制信息为输出进行学习而得到的估计模型，并且具有能够根据被输入了从操作部被操作而开始处置能量输出起的电气特性值的时序信息时的、估计模型所输出的控制信息，来对能量处置器具的处置能量输出进行控制的控制部。在此，能量处置器具的控制系统狭义上是图1、图3的处置系统1，广义上是还包括图4的估计模型生成系统10的系统。
[0042]
图1是示出实施方式1所涉及的处置系统1的图。
[0043]
处置系统1通过对生物体组织等对象物施加处置能量来处置该对象物。例如，处置系统1通过对生物体组织中的成为处置对象的部位(下面记载为对象部位)施加处置能量来处置该对象部位。在本实施方式1中，采用超声波能量和高频能量作为该处置能量。另外，该处置是指对象部位的凝固(封合)或切开。此外，作为该处置，也可以同时进行对象部位的凝固(封合)和切开。如图1所示，该处置系统1具备能量处置器具2和控制装置3。
[0044]
[能量处置器具的结构]
[0045]
能量处置器具2是具有blt(螺栓紧固朗之万(langevin)型振子)的超声波处置器
具。如图1所示，该能量处置器具2具备手柄4、护套5、钳6、振子单元7以及振动传递构件8。
[0046]
手柄4是手术操作者用手握持的部分。而且，如图1所示，在该手柄4设置有操作旋钮41和操作按钮42作为操作部的一例。操作部不限于旋钮和按钮，能够进行各种改进。操作者对操作部的操作例如包括对操作按钮42的操作以开始处置能量输出。当然，操作者对操作部的操作还包括操作按钮42与操作旋钮41的协作操作。操作者对操作部的操作还可以应用触摸面板操作、脚操作、视线等姿势判定等。另外，还可以是，在装置上不设置开关等物理控件，而是对于该装置远程无线地进行控制。
[0047]
护套5具有圆筒形状。此外，下面将护套5的中心轴记载为中心轴ax(图1)。另外，下面将沿着中心轴ax的一侧记载为前端侧a1(图1)，将另一侧记载为基端侧a2(图1)。而且，护套5在基端侧a2的一部分被从手柄4的前端侧a1插入到该手柄4的内部的状态下被安装于该手柄4。
[0048]
图2是示出振子单元7的图。具体地说，图2是用包含中心轴ax的平面切割振子单元7所得到的截面图。
[0049]
如图2所示，振子单元7具备振子壳体71、超声波振子72以及变幅杆73。
[0050]
振子壳体71沿着中心轴ax呈直线状延伸，振子壳体71在前端侧a1的一部分被从手柄4的基端侧a2插入到该手柄4的内部的状态下被安装于该手柄4。
[0051]
超声波振子72被收纳于振子壳体71的内部，在控制装置3的控制下产生超声波振动。在本实施方式1中，该超声波振子是具备沿着中心轴ax层叠的多个压电元件721～724的blt。此外，在本实施方式1中，由4个压电元件721～724构成压电元件，但其数量不限于4个，也可以是其它数量。
[0052]
变幅杆73被收纳于振子壳体71的内部，用于扩大超声波振子72所产生的超声波振动的振幅。该变幅杆73具有沿着中心轴ax呈直线状延伸的长条形状。而且，如图2所示，变幅杆73具有从基端侧a2至前端侧a1排列有第一安装部731、截面积变化部732以及第二安装部733的结构。
[0053]
第一安装部731是被安装超声波振子72的部分。
[0054]
截面积变化部732具有截面积随着趋向前端侧a1而减少的形状，是扩大超声波振动的振幅的部分。
[0055]
第二安装部733是被安装振动传递构件8中的靠基端侧a2的端部的部分。
[0056]
钳6和振动传递构件8用于把持对象部位，并且向该对象部位施加超声波能量和高频能量，由此对该对象部位进行处置。
[0057]
具体地说，钳6由金属等导电性材料构成，以能够旋转的方式被安装于护套5的靠前端侧a1的端部。而且，钳6用于将对象部位把持在该钳6与构成振动传递构件8的处置部81(图1)之间。
[0058]
此外，虽然省略了具体的图示，但在上述的手柄4和护套5的内部设置有用于根据手术操作者对操作旋钮(操作部)41的操作而使钳6相对于处置部81打开和关闭的开闭机构。另外，在钳6的与处置部81相向的面上安装有树脂制的垫片(省略图示)。该垫片具有电气绝缘性，因此具有防止钳6与振动传递构件8短路的功能。另外，该垫片具有在利用超声波振动进行的对象部位的切开完成时防止正在进行超声波振动的振动传递构件8与钳6碰撞而破损的功能。
[0059]
振动传递构件8由金属等导电性材料构成，具有沿着中心轴ax呈直线状延伸的长条形状。如图1所示，该振动传递构件8以作为前端侧a1的端部的处置部81突出到外部的状态插通于护套5的内部。另外，振动传递构件8的靠基端侧a2的端部如图2所示那样与第二安装部733连接。而且，振动传递构件8将由超声波振子72产生并经由变幅杆73之后的超声波振动从基端侧a2传递到前端侧a1的端部，向被把持在处置部81与钳6之间的对象部位施加该超声波振动，来对该对象部位进行处置。即，通过从处置部81施加超声波能量来对该对象部位进行处置。
[0060]
[控制装置的结构]
[0061]
图3是示出控制装置3的结构的框图。
[0062]
控制装置3利用电缆c(图1)来与能量处置器具2电连接，统一控制该能量处置器具2的动作。如图3所示，该控制装置3具备第一电源31、第一检测电路32、第一adc(analog-to-digitalconverter：模拟-数字转换器)33、第二电源34、第二检测电路35、第二adc 36、通知部37、第二处理器38、存储部39以及输入部30。
[0063]
在此，如图2所示，在超声波振子72接合有构成电缆c的一对振子用引线c1、c1
′
。此外，在图3中，为了便于说明，将一对振子用引线c1、c1
′
仅图示为一条。
[0064]
而且，第一电源31在第二处理器38的控制下，经由一对振子用引线c1、c1
′
来对超声波振子72输出作为用于产生超声波振动的电力的第一驱动信号。由此，超声波振子72产生超声波振动。
[0065]
第一检测电路32具有作为检测电压值的电压传感器的第一电压检测电路321和作为检测电流值的电流传感器的第一电流检测电路322，经时地检测与正在对超声波振子72供给的第一驱动信号相应的us信号(模拟信号)。该us信号相当于本发明所涉及的“能量处置器具中的电气特性值”。另外，本发明所涉及的“能量处置器具中的电气特性值”可以是与能量处置器具的处置能量输出对应的电气特性值、在对处置能量输出进行控制时监视并使用的电气特性值等。
[0066]
具体地说，作为us信号，能够例示第一驱动信号中的电流值(下面记载为us电流)、该第一驱动信号中的电压值(下面记载为us电压)、该第一驱动信号中的电力值(下面记载为us电力)、根据该us电流和该us电压计算出的超声波阻抗值(下面记载为us阻抗值)、以及该us电流或该us电压的频率(下面记载为us频率)等。
[0067]
通过设置这样的检测电路，在通过处置能量输出的控制来进行对象物的处置的能量处置器具的控制系统中，具备预先通过以处置能量输出的过去的时间经过信息为输入、以表示在当前以后的时间点应如何控制处置能量输出的控制信息为输出进行学习而得到的的估计模型，由此能够适当地对处置能量输出进行控制，从而能够适当地处置对象物。另外，由于能够将处置能量输出的过去的时间经过信息检测为电气特性值的过去的时序信息，因此还能够制作以电气特性值的过去的时序信息为输入、以处置能量输出的控制信息为输出进行学习而得到的估计模型，从而能够提供具有能够根据被输入实时获取到的电气特性值的时序信息时的估计模型输出的控制信息来进行处置能量输出的控制的控制部的能量处置器具。
[0068]
第一adc 33将从第一检测电路32输出的us信号(模拟信号)变换为数字信号。然后，第一adc 33将变换后的us信号(数字信号)输出到第二处理器38。
[0069]
在此，在振子壳体71设置有如图2所示那样从基端侧a2的端部延伸到前端侧a1的端部的第一导电部711。另外，虽然省略了具体的图示，但在护套5设置有第二导电部，该第二导电部从基端侧a2的端部延伸到前端侧a1的端部，用于将第一导电部711与钳6电连接。并且，在第一导电部711的靠基端侧a2的端部接合有构成电缆c的高频用引线c2。另外，在第一安装部731接合有构成电缆c的高频用引线c2
′
。
[0070]
而且，第二电源34在第二处理器38的控制下，经由一对高频用引线c2、c2
′
、第一导电部711、第二导电部以及变幅杆73，向钳6和振动传递构件8输出作为高频电力的第二驱动信号。由此，在被把持在钳6与处置部81之间的对象部位处流过高频电流。即，向该对象部位施加高频能量。然后，该对象部位因流过高频电流而产生焦耳热，从而被处置。
[0071]
如上所述，钳6和处置部81相当于本发明所涉及的一对电极。另外，钳6和处置部81相当于本发明所涉及的末端执行器9(图1)。
[0072]
第二检测电路35具有作为检测电压值的电压传感器的第二电压检测电路351和作为检测电流值的电流传感器的第二电流检测电路352，经时地检测与第二驱动信号相应的hf信号(模拟信号)。该hf信号相当于本发明所涉及的“能量处置器具中的电气特性值”。
[0073]
具体地说，作为hf信号，能够例示第二驱动信号中的电流值(下面记载为hf电流)、该第二驱动信号中的电压值(下面记载为hf电压)、该第二驱动信号中的电力值(下面记载为hf电力)、该hf电流与该hf电压的相位差(下面记载为hf相位差)、根据该hf电流和该hf电压计算出的对象部位的阻抗值(下面记载为hf阻抗值)、将该hf阻抗值乘以该hf相位差所得到的对象部位的电阻(下面记载为hf电阻值)等。
[0074]
第二adc 36将从第二检测电路35输出的hf信号(模拟信号)变换为数字信号。然后，第二adc 36将变换后的hf信号(数字信号)输出到第二处理器38。
[0075]
通知部37在第二处理器38的控制下通知规定的信息。作为该通知部37，例如能够例示通过点亮、闪烁、或者点亮时的颜色来通知规定的信息的led(light emitting diode：发光二极管)、显示规定的信息的显示装置、通过声音来输出规定的信息的扬声器等。此外，作为设置通知部37的位置，可以如图3所示那样设置于控制装置3，或者也可以设置于能量处置器具2。
[0076]
也可以是，通知部37向操作者通知例如正进行着基于估计模型的处置能量输出控制的状况、即将进行基于估计模型的处置能量输出控制的状况，使得手术操作者等操作者能够参考通知部37的上述通知来进行继续基于估计模型的处置能量输出控制、中断基于估计模型的处置能量输出控制、停止要进行的基于估计模型的处置能量输出控制等切换操作。例如，通知部37可以仅通知正进行着基于估计模型的处置能量输出控制、即将进行基于估计模型的处置能量输出控制，使得操作者能够参考通知部3的上述通知来识别并确认与基于估计模型的处置能量输出控制的进行有关的变化。另外，也可以是，通知部37不仅通知正进行着基于估计模型的处置能量输出控制、即将进行基于估计模型的处置能量输出控制，还通知与基于估计模型的处置能量输出控制有关的参数值，使得操作者能够参考通知部3通知的上述通知来识别并确认处置能量输出控制的变化，从而继续基于估计模型的处置能量输出控制，或者中断基于估计模型的处置能量输出控制、停止要进行的基于估计模型的处置能量输出控制而改为手动地进行处置能量输出控制。由此，通过设为通知部37通知与基于估计模型的处置能量输出控制有关的状况，使得操作者能够参考通知部37的上述
通知来进行改变操作的判断。并且，还可以将与操作者的中断基于估计模型的处置能量输出控制、停止要进行的基于估计模型的处置能量输出控制而改为手动地进行处置能量输出控制这样的控制变化有关的数据作为反映到下次操作中的判断材料。例如，可以将上述与控制变化有关的数据作为训练数据以供估计模型追加学习，从而使估计模型的精确度得到提高。
[0077]
第二处理器38构成为包括cpu(central processing unit：中央处理单元)及mpu(micro processing unit：微处理单元)等控制器、或者asic(application specific integrated circuit：专用集成电路)及fpga(field programmable gate array：现场可编程门阵列)等集成电路，控制处置系统1整体的动作。
[0078]
此外，关于第二处理器38的详细功能，在后述的“控制方法”中进行说明。
[0079]
存储部39存储第二处理器38执行的各种程序(包括本发明所涉及的控制程序)、以及该第二处理器38的处理所需要的信息等。
[0080]
在此，作为该第二处理器38的处理所需要的信息，能够例示第一驱动信号及第二驱动信号的设定值、以及估计模型等。
[0081]
此外，估计模型由后述的估计模型生成系统10生成。关于该估计模型以及该估计模型生成系统10的详细内容，在后述的“估计模型生成系统的结构”、“训练数据生成方法”以及“估计模型生成方法”中进行说明。
[0082]
输入部30由键盘、鼠标、开关、触摸面板等构成，受理手术操作者等进行的用户操作。作为该用户操作，能够例示上述的第一驱动信号及第二驱动信号的设定值的输入操作等。而且，输入部30对第二处理器38输出与该用户操作相应的操作信号。
[0083]
[估计模型生成系统的结构]
[0084]
接着，对估计模型生成系统10的结构进行说明。
[0085]
图4是示出估计模型生成系统10的结构的图。
[0086]
估计模型生成系统10是通过使用训练数据进行深度学习等机器学习来生成估计模型的系统。如图4所示，该估计模型生成系统10除了具备上述的能量处置器具2和控制装置3以外，还具备摄影装置11和估计模型生成装置12。
[0087]
摄影装置11是包括接收所入射的光并变换为电信号的ccd(charge coupled device：电荷耦合器件)或cmos(complementary metal oxide semiconductor：互补金属氧化物半导体)等摄像元件、并且通过拍摄特定区域来生成摄影图像的摄像机。另外，摄影装置11通过第二传输线缆ca2来与估计模型生成装置12以能够通信的方式连接。而且，摄影装置11经由第二传输线缆ca2，来对估计模型生成装置12输出该摄影图像的数据(相当于本发明所涉及的摄影数据)。
[0088]
此外，摄影装置11通过第二传输线缆ca2来与估计模型生成装置12以能够通信的方式连接，但不限于此，也可以构成为能够通过无线的方式与该估计模型生成装置12进行通信。
[0089]
如图4所示，估计模型生成装置12通过第一传输线缆ca1来与控制装置3以能够通信的方式连接、并且通过第二传输线缆ca2来与摄影装置11以能够通信的方式连接，统一控制估计模型生成系统10整体的动作。而且，估计模型生成装置12生成训练数据，并且通过使用该训练数据进行机器学习来生成估计模型。此外，估计模型生成装置12通过第一传输线
缆ca1来与控制装置3以能够通信的方式连接，但不限于此，也可以通过无线的方式与该控制装置3能够通信地连接。
[0090]
如图4所示，该估计模型生成装置12具备输入部121、显示部122、第一处理器123以及存储部124。
[0091]
输入部121由键盘、鼠标、开关、触摸面板等构成，受理用户操作。而且，输入部121对第一处理器123输出与该用户操作相应的操作信号。
[0092]
显示部122是使用液晶或有机el(electroluminescence：电致发光)等的显示器，显示部122在第一处理器123的控制下，显示基于来自该第一处理器123的影像信号的图像。
[0093]
第一处理器123构成为包括cpu及mpu等控制器、或者asic及fpga等集成电路，统一控制估计模型生成系统10整体的动作。
[0094]
此外，关于第一处理器123的详细功能，在后述的“训练数据生成方法”以及“估计模型生成方法”中进行说明。
[0095]
存储部124存储第一处理器123执行的各种程序(包括用于生成训练数据的训练数据生成程序、用于生成估计模型的估计模型生成程序)、以及该第一处理器123的处理所需要的信息等。
[0096]
在此，作为第一处理器123的处理所需要的信息，能够例示处置完成探测模型。
[0097]
此外，关于该处置完成探测模型的详细内容，在后述的“训练数据生成方法”中进行说明。
[0098]
[训练数据生成方法]
[0099]
接着，对第一处理器123执行的训练数据生成方法进行说明。
[0100]
图5是示出训练数据生成方法的流程图。
[0101]
此外，下面设为已经成为特定的对象部位被把持在钳6与处置部81之间的状态。
[0102]
首先，第一处理器123始终监视用户是否对输入部121进行了生成训练数据的用户操作(步骤s10)。然后，第一处理器123重复执行步骤s10，直到判断为进行了生成训练数据的用户操作为止。
[0103]
在判断为进行了生成训练数据的用户操作的情况下(步骤s10：“是”)，第一处理器123经由第一传输线缆ca1对第二处理器38输出控制信号。然后，第二处理器38根据该控制信号来控制第一电源31和第二电源34的动作，向被把持在钳6与处置部81之间的对象部位施加超声波能量和高频能量。即，第一处理器123使该对象部位的处置开始(步骤s11)。然后，第二处理器38经由第一传输线缆ca1将下面所示的输出信息(1)～输出信息(12)依次输出到估计模型生成装置12。
[0104]
输出信息(1)是从开始向对象部位施加超声波能量和高频能量起的经过时间。
[0105]
输出信息(2)是正在向对象部位施加超声波能量和高频能量时由第一检测电路32检测到的us信号中的us电流。
[0106]
输出信息(3)是正在向对象部位施加超声波能量和高频能量时由第一检测电路32检测到的us信号中的us电压。
[0107]
输出信息(4)是正在向对象部位施加超声波能量和高频能量时由第一检测电路32检测到的us信号中的us电力。
[0108]
输出信息(5)是正在向对象部位施加超声波能量和高频能量时由第一检测电路32
检测到的us信号中的us阻抗值。
[0109]
输出信息(6)是正在向对象部位施加超声波能量和高频能量时由第一检测电路32检测到的us信号中的us频率。
[0110]
输出信息(7)是正在向对象部位施加超声波能量和高频能量时由第二检测电路35检测到的hf信号中的hf电流。
[0111]
输出信息(8)是正在向对象部位施加超声波能量和高频能量时由第二检测电路35检测到的hf信号中的hf电压。
[0112]
输出信息(9)是正在向对象部位施加超声波能量和高频能量时由第二检测电路35检测到的hf信号中的hf电力。
[0113]
输出信息(10)是正在向对象部位施加超声波能量和高频能量时由第二检测电路35检测到的hf信号中的hf相位差。
[0114]
输出信息(11)是正在向对象部位施加超声波能量和高频能量时由第二检测电路35检测到的hf信号中的hf阻抗值。
[0115]
输出信息(12)是正在向对象部位施加超声波能量和高频能量时由第二检测电路35检测到的hf信号中的hf电阻值。
[0116]
上面所说明的输出信息(1)～输出信息(12)是能够估计对象部位的处置状态的信息。
[0117]
另外，第一处理器123经由第二传输线缆ca2对摄影装置11输出控制信号。然后，摄影装置11根据该控制信号来拍摄被把持在钳6与处置部81之间的对象部位正在被处置的状态。即，第一处理器123使该对象部位正在被处置的状态的拍摄开始(步骤s12)。然后，摄影装置11经由第二传输线缆ca2将该摄影图像的数据依次地输出到估计模型生成装置12。
[0118]
此外，在图5中，为了便于说明，设为在步骤s11之后执行步骤s12的流程，但实际上步骤s11、s12是大致同时执行的。
[0119]
在步骤s11、s12之后，第一处理器123经由第一传输线缆ca1开始获取从控制装置3依次输出的输出信息(1)～输出信息(12)(步骤s13)。此外，获取到的该输出信息(1)～输出信息(12)在估计模型生成装置12中被进行必要的预处理。
[0120]
另外，第一处理器123经由第二传输线缆ca2开始获取从摄影装置11依次输出的摄影图像的数据(步骤s14)。
[0121]
此外，在图5中，为了便于说明，设为在步骤s13之后执行步骤s14的流程，但实际上步骤s13、s14是大致同时执行的。
[0122]
在步骤s13、s14之后，第一处理器123将在大致相同的时刻获取到的输出信息(1)～输出信息(12)与摄影图像的数据相关联地依次存储到存储部124中(步骤s15)。
[0123]
在步骤s15之后，第一处理器123通过使用存储于存储部124的处置完成探测模型进行图像识别，来始终监视作为被摄体而包含在存储于该存储部124的摄影图像中的对象部位的切开是否完成(步骤s16)。然后，第一处理器123重复执行步骤s16，直到判断为对象部位的切开完成为止。
[0124]
此外，处置完成探测模型是通过使用训练数据进行机器学习而生成的模型，该训练数据是对拍摄钳6、处置部81以及对象部位所得到的摄影图像附加(标注)表示该对象部位是否被切开的信息而得到的。
[0125]
在此，处置完成探测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，例如准备对多个摄影图像分别附加(标注)表示对象部位是否被切开的信息所得到的训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn(convolutional neural network：卷积神经网络)等多层神经网络的dnn(deep neural network：深度神经网络)的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn：recurrent neural network)、扩展rnn所得到的lstm(long short-term memory units：长短期记忆单元)等的方法。
[0126]
在判断为对象部位的切开已完成的情况下(步骤s16：“是”)，第一处理器123在从该判断起经过规定的时间之后，经由第一传输线缆ca1和第二传输线缆ca2来使控制装置3结束对象部位的处置并且使摄影装置11结束拍摄(步骤s17)。
[0127]
在步骤s17之后，第一处理器123对存储于存储部124的输出信息(1)～输出信息(12)附加根据摄影图像的数据得到的信息，由此生成下面所示的第一训练数据和第二训练数据(步骤s18)。
[0128]
具体地说，第一处理器123生成第一训练数据，该第一训练数据是对存储于存储部124的输出信息(1)～输出信息(12)中的、在步骤s16中判断为切开完成之前获取到的输出信息(1)～输出信息(12)附加(标注)表示切开未完成的信息而得到的。该表示切开未完成的信息相当于根据上述的摄影图像的数据得到的信息。另外，第一处理器123生成第二训练数据，该第二训练数据是对存储于存储部124的输出信息(1)～输出信息(12)中的、在步骤s16中判断为切开完成之后获取到的输出信息(1)～输出信息(12)附加(标注)表示切开已完成的信息而得到的。该表示切开已完成的信息相当于根据上述的摄影图像的数据得到的信息。此外，在第一训练数据和第二训练数据中不包含摄影图像的数据。
[0129]
然后，第一处理器123将所生成的第一训练数据和第二训练数据存储到存储部124中。
[0130]
此外，在上述的训练数据生成方法中，第一处理器123生成第一训练数据和第二训练数据，但不限于此。例如，也可以通过依次进行下面的包含人进行的工序在内的工序(1)～(4)来生成第一训练数据和第二训练数据。
[0131]
工序(1)：作业者操作摄影装置11来开始拍摄。然后，拍摄到的摄影图像的数据被依次记录到该摄影装置11内的记录部中。
[0132]
工序(2)：作业者操作输入部30，向被把持在钳6与处置部81之间的对象部位施加超声波能量和高频能量，开始该对象部位的处置。此时，期望事先设为：能够通过在该对象部位的处置的开始时间点使设置于能量处置器具2的led(light emitting diode：发光二极管)点亮、或者从设置于该能量处置器具2、控制装置3的扬声器输出声音等，来根据由摄影装置11拍摄到的摄影图像的数据掌握在哪个时间点开始了该对象部位的处置。然后，第二处理器38经由第一传输线缆ca1将输出信息(1)～输出信息(12)依次输出到估计模型生成装置12。该输出信息(1)～输出信息(12)在估计模型生成装置12中被进行必要的预处理，变换为能够作为训练数据使用的形式。
[0133]
工序(3)：当对象部位的处置完成时，作业者操作摄影装置11来结束拍摄，并且操作输入部30来停止能量输出。
[0134]
工序(4)：作业者进行将完成了预处理的输出信息(1)～输出信息(12)分配为切开完成前的数据和切开完成后的数据中的任一数据的分配作业。例如，
[0135]
作业者在显示画面中确认摄影装置11内记录的摄影图像的数据，掌握在从处5置开始起的几秒后切开完成。然后，作业者基于所掌握的这一结果来进行上述的分配作业，生成对分配为切开完成前的数据的输出信息(1)～输出信息(12)附加(标注)表示切开未完成的信息所得到的第一训练数据。另外，作业者生成对分配为切开完成后的数据的输出信息(1)～输出信息(12)附加(标注)表示切开已完成的信息所得到的第二训练数据。
[0136]
0[估计模型生成方法]
[0137]
接着，对第一处理器123执行的估计模型生成方法进行说明。
[0138]
图6是示出估计模型生成方法的流程图。
[0139]
首先，第一处理器123始终监视用户是否对输入部121进行了生成估计模型的用户操作(步骤s20)。然后，第一处理器123重复执行步骤s20，直到判断5为进行了生成估计模型的用户操作为止。
[0140]
在判断为进行了生成估计模型的用户操作的情况下(步骤s20：“是”)，第一处理器123使用存储于存储部124的第一训练数据和第二训练数据进行机器学习(步骤s21)，生成用于估计与对象部位的处置相关联的关联信息的估计
[0141]
模型(步骤s22)。在本实施方式1中，关联信息是表示对象部位的切开是否完0成的信息。
[0142]
在此，估计模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要是将通过上述的训练数据生成方法生成的多个第一训练数据和第二训练数据输入到基于多层神经网络的计算模型来
[0143]
进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经5网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0144]
然后，第一处理器123经由第一传输电缆ca1将所生成的估计模型输出到控制装置3。另外，控制装置3将该估计模型存储到存储部39。
[0145]
[控制方法]
[0146]
接着，对第二处理器38执行的控制方法进行说明。
[0147]
图7是示出控制方法的流程图。
[0148]
此外，本控制方法是在实际的手术等中执行的控制方法。因此，在执行本控制方法时，仅使用处置系统1，不使用摄影装置11和估计模型生成装置12。另外，下面设为已经成为特定的对象部位被把持在钳6与处置部81之间的状态。
[0149]
首先，第二处理器38始终监视是否进行了手术操作者对操作按钮(操作部)42的按下(输出开始操作)(步骤s30)。然后，第二处理器38重复执行步骤s30，直到判断为进行了输出开始操作为止。
[0150]
在判断为进行了输出开始操作的情况下(步骤s30：“是”)，控制第一电源31和第二电源34的动作，从该第一电源31和第二电源34输出存储于存储部39的设置值的第一驱动信号和第二驱动信号。由此，向被把持在钳6与处置部81之间的对象部位施加与该第一驱动信号及第二驱动信号的设置值相应的处置能量(超声波能量和高频能量)。即，开始进行对象
部位的切开(步骤s31)。
[0151]
在步骤s31之后，第二处理器38控制第一检测电路32和第二检测电路35的动作，开始获取输出信息(1)～输出信息(12)(步骤s32)。
[0152]
在步骤s32之后，第二处理器38开始进行基于存储于存储部39的估计模型的运算(步骤s33)。
[0153]
具体地说，在步骤s33中，第二处理器38将输出信息(1)～输出信息(12)作为输入数据，进行基于估计模型的运算，由此将与对象部位的处置相关联的关联信息作为输出数据进行输出(估计)。在本实施方式1中，如上所述，该关联信息是表示对象部位的切开是否完成的信息。
[0154]
由于具有这种基于估计模型的运算的功能，因此，能量处置器具的控制系统能够根据被输入了从操作部被操作而开始处置能量输出起的处置能量输出的时间经过信息时的、估计模型所输出的控制信息，来对能量处置器具的处置能量输出进行控制。作为上述处置能量输出，例如，检测并判定与能量处置器具所输出的处置能量输出对应的电气特性值(能量电气信号)。因此，也可以是，能量处置器具的控制系统能够根据被输入了从操作部被操作而开始处置能量输出起的上述电气特性值的时序信息时的、估计模型所输出的控制信息，来对能量处置器具的处置能量输出进行控制。
[0155]
在步骤s33之后，第二处理器38根据该步骤s33的处理结果，始终监视对象部位的切开是否完成(步骤s34)。然后，第二处理器38重复执行步骤s34，直到判断为对象部位的切开已完成为止。
[0156]
具体地说，第二处理器38在步骤s33中将表示对象部位的切开已完成的信息作为输出数据进行输出的情况下，判断为该对象部位的切开已完成(步骤s34：“是”)。另一方面，第二处理器38在步骤s33中将表示对象部位的切开未完成的信息作为输出数据进行输出的情况下，判断为该对象部位的切开未完成(步骤s34：“否”)。
[0157]
在判断为对象部位的切开已完成的情况下(步骤s34：“是”)，第二处理器38使第一电源31和第二电源34的动作停止，结束对象部位的切开(步骤s35)。
[0158]
此外，在步骤s35中，使第一电源31和第二电源34的动作停止，但不限于此，也可以使超声波能量和高频能量的输出降低。
[0159]
根据上面所说明的本实施方式1，起到下面的效果。
[0160]
在本实施方式1所涉及的第一处理器123执行的训练数据生成方法中，对输出信息(1)～输出信息(12)附加(标注)根据由摄影装置11拍摄到的摄影图像的数据得到的信息(表示对象部位的切开未完成的信息、表示对象部位的切开已完成的信息)，由此生成第一训练数据和第二训练数据。另外，在第一处理器123执行的估计模型生成方法中，通过使用该第一训练数据和第二训练数据进行机器学习来生成估计模型。
[0161]
而且，在第二处理器38执行的控制方法中，能够利用受理操作者的用于输出处置能量输出的操作的操作部、以及预先通过以处置能量输出的过去的时间经过信息为输入、以表示在当前以后的时间点应如何控制处置能量输出的控制信息为输出进行学习而得到的的估计模型，从上述操作部被进行了开始能量输出的操作的状态起或者在该状态下，根据被输入了从操作部被操作而开始处置能量输出起的处置能量输出的时间经过信息时的、估计模型所输出的控制信息来对能量处置器具的处置能量输出进行控制。另外，还可以是
以下的控制方法：能够利用预先通过以电气特性值的时序信息为输入并以上述处置能量输出的控制信息为输出进行学习而得到的估计模型，根据被输入了从操作部被操作而开始处置能量输出起的电气特性值的时序信息时的、估计模型所输出的控制信息，来对能量处置器具的处置能量输出进行控制。通过以处置能量输出的时间经过信息、与能量处置器具的处置能量输出对应的电气特性值的时序信息为输入进行基于该估计模型的运算，来估计对象部位的切开是否完成，在估计出该完成的情况下，使超声波能量和高频能量的输出停止。
[0162]
因此，在对象部位的切开完成之后也不会继续施加超声波能量和高频能量，从而不会对该对象部位、末端执行器9造成额外的损伤。当然，也可以凭操作者的判断来继续进行高频能量输出。
[0163]
在本实施方式中，可以通过上述处置系统1与上述估计模型生成系统10的组合来实现能量处置装置的控制系统。在该能量处置装置的控制系统中，能够通过上述处置系统1与上述估计模型生成系统10相协作来改进处置系统1所具有的估计模型。
[0164]
图16是示出处置能量器具的控制系统s的结构的框图。
[0165]
如图16所示，能量处置装置的控制系统s包括能量处置器具2、控制装置3’、估计模型生成装置12’、训练数据化装置101、操作/信号判定装置102以及图像获取/显示装置103。能量处置器具2与图3的能量处置器具2的结构和功能相同，控制装置3’、估计模型生成装置12’与图3的控制装置3、图4的估计模型生成装置12的结构和功能基本相同，在此省略重复的说明。以下，仅对不同点进行详细说明。
[0166]
通知部37可以具备向操作者通知正在进行基于估计模型的处置能量输出控制的状况或者即将要进行基于估计模型的处置能量输出控制的状况的功能。通过由通知部37向操作者进行基于估计模型的处置能量输出控制的状况的通知，操作者能够参考该通知来进行改变能量处置器具的操作的判断。
[0167]
在实际使用中，存在以下情况：尽管通知部37通知即将或已经进行基于被输入了实时地获取到的处置能量输出的时间经过信息(电气特性值的时序信息)时的估计模型所输出的控制信息的处置能量输出控制，但是操作者认为当前的对象物的处置状况不适合实施该处置能量输出控制而手动地指示进行与该处置能量输出控制不同的处置能量输出控制。在该情况下，认为操作者的判断与估计模型的判断产生了差异，也就是说，发生了估计模型针对当前的对象物的处置状况无法给出适当的控制信息的情况，因此估计模型尚存在改进的余地。
[0168]
此外，在此进行了预先准备估计模型并对其进行改进的记载，但也可以是最初未准备该处置能量输出控制用的估计模型，而仅按照操作者的操作进行输出控制，另外，也可以进行基于估计模型以外的规则的输出控制。可以在重复进行这种输出控制的过程中，根据输出与被处置方之间的关系，来重新制作估计模型。在这种情况下，输出控制的方法会得到改进，但如果由于该改进而输出控制突然切换则操作者也会感到困惑，因此优选的是，通过显示等方式来通知是否进行了这样的改进，根据操作者的意志来切换是否使用改进后的输出控制方法。
[0169]
保存这种情况下的与实际处置等相关的信息作为改进估计模型时的参考资料是非常重要的，因此，在本实施方式中，设为能量处置装置的控制系统s能够获取这样的重要信息并将其应用于估计模型的改进。
[0170]
例如，操作/信号判定装置102从控制装置3’的第二处理器38获取操作者的操作指示信息等信息，根据所获取到的信息来判断是否发生了操作者在通知部37通知基于估计模型的处置能量输出控制后指示进行与该处置能量输出控制不同的处置能量输出控制的情况、即是否操作者的判断与估计模型的判断存在差异。操作/信号判定装置102在判断为操作者的判断与估计模型的判断存在差异的情况下，获取与操作者实际手动指示的处置能量输出控制有关的控制信息并将获取到的控制信息发送到训练数据化装置101。
[0171]
在本实施方式中，图像获取/显示装置103具备内窥镜、腹腔镜、硬性镜以及除它们以外的图像获取装置中的至少一者。因此，操作者能够同时使用被称为内窥镜、腹腔镜、硬性镜的图像获取装置，来一边在显示装置等上确认由它们得到的图像数据的患部一边进行处置。例如，图像获取/显示装置103可以在接收到操作/信号判定装置102发送的操作者的判断与估计模型的判断存在差异的通知的情况下向训练数据化装置101发送由图像获取/显示装置103获取到的图像数据，也可以是，训练数据化装置101在接收到操作/信号判定装置102发送的控制信息的情况下直接从图像获取/显示装置103获取由图像获取/显示装置103获取到的图像数据。
[0172]
另外，操作/信号判定装置102可以具备实时记录与处置能量输出控制有关的控制信息的功能，图像获取/显示装置103可以具备实时记录图像数据的功能。在此情况下，操作/信号判定装置102还将事先记录的从操作者指示进行与该处置能量输出控制不同的处置能量输出控制起向过去追溯规定时间的估计模型所输出的控制信息发送给训练数据化装置101，图像获取/显示装置103还将事先记录的从操作者指示进行与该处置能量输出控制不同的处置能量输出控制起向过去追溯规定时间的拍摄到的图像数据发送给训练数据化装置101。
[0173]
训练数据化装置101基于操作/信号判定装置102发送的控制信息以及图像获取/显示装置103发送的图像数据来生成训练数据。例如，训练数据化装置101能够一边获取与能量处置器具中的电气特性值相关的输出信息，一边获取拍摄正在对生物体组织等对象物施加处置能量的状态所得到的摄影数据，对上述输出信息附加根据上述摄影数据得到的信息，由此，生成在生成用于估计与生物体组织等对象物的处置相关联的关联信息的估计模型时的机器学习用的训练数据。训练数据化装置101将生成的该训练数据发送给估计模型生成装置12’，从而在估计模型生成装置12’中进行估计模型的追加学习。例如，训练数据化装置101可以在本次的处置完成后将生成的训练数据发送给估计模型生成装置12’，也可以在经过预先决定的期间后将在此期间内生成的训练数据发送给估计模型生成装置12’。
[0174]
在本实施方式中，能量处置装置的控制系统s具备图像获取/显示装置103，但能量处置装置的控制系统s也可以不具备图像获取/显示装置103。在此情况下，可以是，操作/信号判定装置102在判断为操作者的判断与估计模型的判断存在差异的情况下，获取与操作者实际手动指示的处置能量输出控制有关的控制、以及在能量处置器具基于该控制信息对对象物施加处置时的与能量处置器具的处置状况有关的信息即处置状况信息，并将获取到的控制信息和处置状况信息发送到训练数据化装置101。在操作/信号判定装置102具备实时记录数据的功能的情况下，操作/信号判定装置102还可以不仅将与操作者实际手动指示有关的控制信息及处置状况信息发送给训练数据化装置101，还将事先记录的从操作者指示进行与该处置能量输出控制不同的处置能量输出控制起向过去追溯规定时间的估计模
型所输出的控制信息以及对应的处置状况信息发送给训练数据化装置101。训练数据化装置101基于操作/信号判定装置102发送的控制信息以及处置状况信息来生成训练数据，并将生成的该训练数据发送给估计模型生成装置12’，从而在估计模型生成装置12’中进行估计模型的追加学习。
[0175]
在上述实施方式中，训练数据化装置101利用操作/信号判定装置102和图像获取/显示装置103的信息进行训练数据化，因此能够根据图像数据来自动地判定实际的处置现场中的处置所引起的对象物的变化，使得能够根据由基于操作者的操作进行处置引起的对象物的变化来进行处置能量输出控制的改进等控制。此外，设为各装置通过网络连接，但在此省略其通信部的记载。此外，训练数据化装置101生成的训练数据不限于估计模型的追加学习用，也可以用于新的估计模型的生成。另外，训练数据化装置101生成的训练数据不限于发送给估计模型生成装置12’，也可以发送给其它装置。
[0176]
在上述实施方式中，在操作者不认可基于估计模型的处置能量控制而手动地操作能量处置器具的情况下，训练数据化装置101将此情况下的相关数据作为估计模型的追加学习用的训练数据而提供给估计模型生成装置12’，但不限于此。例如，也可以是，只要操作者手动地操作能量处置器具，训练数据化装置101就将操作者的上述手动操作的相关数据作为估计模型的追加学习用的训练数据而提供给估计模型生成装置12’。
[0177]
此外，还可以是，操作/信号判定装置102获取第二处理器38的预估处置结果，判断基于由图像获取/显示装置103获取到的图像数据得到的实际处置结果与预估处置结果是否一致。在判断为不一致的情况下，训练数据化装置101获取操作/信号判定装置102发送的控制信息和图像获取/显示装置103发送的图像数据，并基于控制信息和图像数据来生成训练数据。
[0178]
根据图16所示的处置能量器具的控制系统，能够对与正在对对象物施加处置能量时的能量处置器具中的处置能量输出对应的电气特性值的时间变化附加拍摄正在对对象物施加所述处置能量的状态所得到的图像数据的时间变化的信息来生成与对对象物进行处置时的处置能量输出控制相关联的训练数据，并且将生成的训练数据进行记录或发送给外部装置。
[0179]
此外，在以上说明中，以图像的获取、数据的生成、数据的记录等由特定设备进行的结构进行了说明，但实际上有时由更多的设备协作来进行处置，也可以利用由在此记载的设备以外的设备感测而生成的图像、其它数据，也可以不仅在特定设备的记录部中进行数据记录还在其它设备的记录部中进行数据记录，另外还可以在多个记录部中分散地进行数据记录。
[0180]
图17是示出的训练数据生成方法的流程图。
[0181]
图17所示的训练数据生成方法可以应用于处置能量器具的控制系统s。如图17所示，在s1001中，判断操作者是否进行了处置能量输出操作。例如，操作者通过对操作开关进行操作来进行处置能量输出操作，也可以对操作开关和操作旋钮进行协作操作来进行处置能量输出操作，还可以通过其他操作来进行处置能量输出操作。
[0182]
若在s1001中判断为操作者进行了处置能量输出操作(步骤s1001：“否”)，则进入步骤s1002，否则进入步骤s1003。在s1002中，不进行处置能量输出。在s1003中，能量处置器具进行处置能量输出而对对象物进行处置。在处置能量的输出期间能够得到对应的电气特
性值的信息，因此开始监视该信息。在此，可以将实时监视的电气特性值暂时进行记录。还可以根据需要来监视处置时的图像数据的变化。
[0183]
在步骤s1004中，基于从开始监视电气特性值起的电气特性值的时序数据或其历史记录信息，通过估计模型来进行控制信息的估计。该基于估计模型的估计能够适当地控制被处置的对象物的状态和能量处置器具本身的状态的变化。例如，能够以图案根据对象物的成分和厚度等而不断变化的电气特性值的变化(时间上的电压变化、时间上的电流变化、时间上的相位差变化等)为估计模型的输入，来进行与处置状况相应的控制。
[0184]
在步骤s1005中，判断操作者是否确认基于估计结果来进行处置能量输出控制。例如，可以向操作者显示估计模型的估计结果来让操作者确认是否进行基于该估计结果的处置能量输出控制，由此操作者能够根据显示的该估计结果和对象物的状况等来判断该估计结果是否适用于对象物的处置。
[0185]
若在步骤s1005中操作者确认进行基于该估计结果的处置能量输出控制(步骤s1005：“是”)，则进入步骤s1006，否则结束本流程而根据操作者的操作指示来进行处置能量输出控制。在步骤s1006中，基于估计结果来进行处置能量输出控制。另外，利用通知部37以声音或显示的方式向操作者通知已成为基于估计结果来进行处置能量输出控制、即“估计控制”的状态，使得操作者能够参考该通知来进行后续操作。
[0186]
通常情况下基于估计结果进行处置能量输出控制即可，但存在在预想外的对象物或状况下无法基于估计结果进行适当的处置能量输出控制的情况。在此情况下，操作者基于职业判断而在预想外的对象物或状况下基于估计结果进行处置能量输出控制之前对操作部进行停止操作，使处置能量输出停止。因此，在步骤s1011中，判断在估计模型想要继续处置能量输出的情况下操作者是否进行了无能量输出操作。
[0187]
若在步骤s1011中判断为在估计模型想要继续处置能量输出的情况下操作者进行了无能量输出操作(步骤s1011：“是”)，则进入步骤s1014。此时，操作者指示了对处置能量输出进行与基于估计模型的控制不同的控制，使得能量处置器具成为与基于估计模型的控制不同的控制。在步骤s1014中，获取已成为与基于估计模型的控制不同的控制时的控制信息及处置状况信息等相关信息。在这样的情况下，现行估计结果有改进的余地，因此，在步骤s1014中获取作为变成与基于估计模型的控制不同的控制的原因的电气特性值等，例如读出在s1003中暂时记录的电气特性值的时序信息等。在步骤s1015中，基于在步骤s1014中获取到的信息来生成训练数据并向外部外送从而能够进行估计模型的改进。
[0188]
若在步骤s1011中判断为在估计模型想要继续处置能量输出的情况下操作者未进行无能量输出操作(步骤s1011：“否”)，则进入步骤s1012。在步骤s1012中，判断在估计模型想要停止处置能量输出的情况下操作者是否进行了再次输出处置能量、继续输出处置能量的操作。在操作者认为处置完成而不需要继续处置能量输出的情况下，操作者未进行再次输出处置能量、继续输出处置能量的操作而指示停止处置能量输出。若在步骤s1012中判断为操作者未进行再次输出处置能量、继续输出处置能量的操作(步骤s1012：“否”)，则进入步骤s1013。在步骤s1013中，停止处置能量输出。
[0189]
在尽管估计模型想要停止处置能量输出、但操作者认为需要再次输出处置能量、继续输出处置能量的情况下，操作者进行再次输出处置能量、继续输出处置能量的操作。若在步骤s1012中判断为操作者进行再次输出处置能量、继续输出处置能量的操作(步骤
s1012：“是”)，则进行步骤s1016、s1017以针对现行的估计模型的未设想的状况进行学习。步骤s1016、s1017与步骤s1014、s1015相同，在此省略详细说明。
[0190]
在上述实施方式中，在进行着基于估计模型的处置能量输出控制的状态下操作者进行与基于估计模型的控制不同的控制的操作的情况下，获取与处置能量输出的经时变化对应的电气特性值的经时变化作为训练数据。
[0191]
在此，说明了在s1011、s1012中操作者的操作与估计结果不同的情况，但在s1011、s1012中，也可以是，由图像获取/显示装置103等监视由针对对象物的处置能量引起的变化，判定是否存在与估计结果不同的变化。在该情况下，不是通过操作者的判定来生成与估计结果不同的训练数据，而是通过上述图像判定来生成与估计结果不同的训练数据。
[0192]
因而，根据本实施方式1所涉及的训练数据生成方法、控制装置3以及控制方法，能够适当地处置对象部位。
[0193]
另外，能量处置器具2的处置状况因作为对象的组织(是血管还是除此以外的组织等)、环境(水分多(血液中)、水分少(血液的附着少))等而受到影响。因此，为了推测组织的切开完成或推测末端执行器9的温度，仅凭单一的参数(us阻抗值、hf阻抗值等)的话，该推测的精度存在极限。另一方面，当想要使用多个参数来进行组织的切开完成、末端执行器9的温度的推测时，需要复杂的方法。
[0194]
例如，在向对象部位仅施加超声波能量的超声波单独输出的情况下，存在由组织的变质引起的us阻抗值的变化、由在该对象部位的切开完成后在钳6的与处置部81相向的面上设置的垫片抵接处置部81引起的us阻抗值的变化。另外，us频率受到振动传递构件8的温度的影响。
[0195]
另外，例如，在向对象部位同时施加并输出超声波能量和高频能量的情况下，高频单独使用时的参数(hf阻抗值、hf相位差等)也能够使用于对象部位的切开完成探测、末端执行器9的温度推测。另一方面，还存在受到水分等的影响而对象部位的切开完成、末端执行器9的温度的推测的精度降低的情况。但是，若将超声波与高频的各参数进行组合，则与各自单独使用时的参数(仅超声波的参数、仅高频的参数)的情况相比，能够进行更高精度的对象部位的切开完成探测、末端执行器9的温度推测。
[0196]
但是，虽然通过增加参数使得推测精度的提高能够有所期待，却导致推测方法的设定变得复杂。
[0197]
因此，若有效利用机器学习，则具有能够通过将各种状况(环境、对象组织、控制装置3的设定等)下的数据作为训练数据进行学习来制作适当的模型的优点，能够使用多个参数来高精度地进行推测。
[0198]
图8是说明实施方式1的效果的图。具体地说，图8的(a)示出了仅使用超声波的参数(us阻抗值等)估计对象部位的切开完成所得到的结果。图8的(b)示出了通过本实施方式1中的控制方法估计对象部位的切开完成所得到的结果。另外，在图8中，空心的部分表示适当地估计出切开完成的比例。另外，带斜线的部分表示尽管估计为切开完成但对象部位的切开尚未完成的情况、尽管对象部位的切开完成但未估计为切开完成的情况等误探测的比例。并且，在图8中，条件(1)表示对具有弹性的组织进行的情况。条件(2)表示对薄的组织进行的情况。条件(3)表示对柔软的组织进行的情况。条件(4)表示对硬的组织进行的情况。
[0199]
在仅使用超声波的参数来估计了对象部位的切开完成的情况下，如图8的(a)所
示，在条件(2)、(4)中存在误探测。
[0200]
另一方面，在通过本实施方式1的控制方法估计了对象部位的切开完成的情况下，如图8的(b)所示，在所有条件(1)～(4)中都能够适当地估计该切开完成。
[0201]
(实施方式2)
[0202]
接着，对本实施方式2进行说明。
[0203]
在下面的说明中，对与上述的实施方式1同样的结构标注相同的附图标记，省略或简化其详细的说明。
[0204]
在本实施方式2中，相对于上述的实施方式1而言，估计模型生成系统10的结构不同。下面，将本实施方式所涉及的估计模型生成系统10以及摄影装置11分别记载为估计模型生成系统10a以及摄影装置11a。
[0205]
[估计模型生成系统的结构]
[0206]
图9是示出实施方式2所涉及的估计模型生成系统10a的结构的图。
[0207]
在本实施方式2所涉及的估计模型生成系统10a中，如图9所示，与上述的实施方式1所涉及的估计模型生成系统10相比，采用了与摄影装置11不同的摄影装置11a。
[0208]
摄影装置11a是生成包含表示被摄体的温度的温度信息的摄影图像的热成像仪。而且，摄影装置11a经由第二传输线缆ca2对估计模型生成装置12输出该摄影图像的数据(相当于本发明所涉及的摄影数据)。
[0209]
[训练数据生成方法]
[0210]
接着，对第一处理器123执行的训练数据生成方法进行说明。
[0211]
图10是示出训练数据生成方法的流程图。
[0212]
在本实施方式2所涉及的训练数据生成方法中，如图10所示，相对于在上述的实施方式1中说明的训练数据生成方法(图5)而言，代替步骤s12、s14～s16、s18而采用步骤s12a、s14a～s16a、s18a。因此，下面主要对步骤s12a、s14a～s16a、s18a进行说明。
[0213]
步骤s12a与步骤s11大致同时执行。
[0214]
具体地说，在步骤s12a中，本实施方式2所涉及的第一处理器123经由第二传输线缆ca2向摄影装置11a输出控制信号。然后，摄影装置11根据该控制信号拍摄被把持在钳6与处置部81之间的对象部位正在被处置的状态。即，第一处理器123使该对象部位正在被处置的状态的拍摄开始。然后，摄影装置11a经由第二传输线缆ca2将包含温度信息的摄影图像的数据依次输出到估计模型生成装置12，该温度信息表示作为被摄体的末端执行器9和对象部位中的至少一方的温度。
[0215]
步骤s14a与步骤s13大致同时执行。
[0216]
具体地说，在步骤s14a中，本实施方式2所涉及的第一处理器123经由第二传输线缆ca2开始获取从摄影装置11a依次输出的摄影图像的数据。
[0217]
步骤s15a在步骤s13、s14a之后执行。
[0218]
具体地说，在步骤s15a中，本实施方式2所涉及的第一处理器123将在大致相同的时刻获取到的输出信息(1)～输出信息(12)与摄影图像的数据相关联地依次存储到存储部124中。
[0219]
步骤s16a在步骤s15a之后执行。
[0220]
具体地说，在步骤s16a中，本实施方式2所涉及的第一处理器123基于所获取到的
摄影图像的数据中包含的温度信息识别末端执行器9和对象部位中的至少一方的温度，始终监视该温度是否达到了规定的温度。在此，该规定的温度例如能够例示对在钳6的与处置部81相向的面上设置的垫片的耐受性造成影响的温度、或者有可能对周边组织造成过度的热侵袭的温度。然后，第一处理器123重复执行步骤s16a，直到判断为末端执行器9和对象部位中的至少一方的温度达到规定的温度为止。另外，在判断为该温度达到了规定的温度的情况下(步骤s16a：“是”)，第一处理器123转移到步骤s17。
[0221]
步骤s18a在步骤s17之后执行。
[0222]
具体地说，在步骤s18a中，本实施方式2所涉及的第一处理器123通过对存储于存储部124的输出信息(1)～输出信息(12)附加根据摄影图像的数据得到的信息，来生成下面所示的训练数据。
[0223]
即，第一处理器123生成对存储于存储部124的输出信息(1)～输出信息(12)附加(标注)温度信息所得到的训练数据，该温度信息表示与该输出信息(1)～输出信息(12)相关联的摄影图像的数据中包含的末端执行器9和对象部位中的至少一方的温度。此外，在训练数据中仅包含摄影图像的数据中的该温度信息，不包含摄影图像的数据中的其它数据。
[0224]
然后，第一处理器123将所生成的训练数据存储到存储部124中。
[0225]
[估计模型生成方法]
[0226]
接着，对第一处理器123执行的估计模型生成方法进行说明。
[0227]
图11是示出估计模型生成方法的流程图。
[0228]
在本实施方式2所涉及的估计模型生成方法中，如图11所示，相对于在上述的实施方式1中所说明的估计模型生成方法(图6)，代替步骤s21、s22而采用步骤s21a、s22a。因此，下面主要对步骤s21a、s22a进行说明。
[0229]
步骤s21a、s22a在判断为进行了生成估计模型的用户操作的情况下(步骤s20：“是”)执行。
[0230]
具体地说，本实施方式2所涉及的第一处理器123使用存储于存储部124的训练数据进行机器学习(步骤s21a)，生成用于估计与对象部位的处置相关联的关联信息的估计模型(步骤s22a)。在本实施方式2中，关联信息是表示末端执行器9和对象部位中的至少一方的温度的信息。
[0231]
在此，估计模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要是将通过上述的训练数据生成方法生成的多个训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0232]
然后，第一处理器123经由第一传输线缆ca1将所生成的估计模型输出到控制装置3。另外，控制装置3将该估计模型存储到存储部39中。
[0233]
[控制方法]
[0234]
接着，对本实施方式2所涉及的控制方法进行说明。
[0235]
图12是示出控制方法的流程图。
[0236]
在本实施方式2所涉及的第二处理器38执行的控制方法中，如图12所示，相对于在上述的实施方式1中所说明的控制方法(图7)，代替步骤s33、s34而采用步骤s33a、s34a。因
此，下面主要对步骤s33a、s34a进行说明。
[0237]
步骤s33a在步骤s32之后执行。
[0238]
具体地说，在步骤s33a中，第二处理器38开始进行基于存储于存储部39的估计模型的运算。
[0239]
即，在步骤s33a中，第二处理器38将输出信息(1)～输出信息(12)作为输入数据，进行基于估计模型的运算，由此将与对象部位的处置相关联的关联信息作为输出数据进行输出(估计)。在本实施方式2中，如上所述，该关联信息是表示末端执行器9和对象部位中的至少一方的温度的信息。
[0240]
在步骤s33a之后，第二处理器38根据该步骤s33a的处理结果，始终监视末端执行器9和对象部位中的至少一方是否达到规定的温度(步骤s34a)。然后，第二处理器38重复执行步骤s34a，直到被输入了从操作部被操作而开始处置能量输出起或者在正在进行处置能量输出的状态下的处置能量输出的时间经过信息而判断为末端执行器9和对象部位中的至少一方的温度达到了规定的温度、或者根据从操作部被操作而开始处置能量输出起或者在正在进行处置能量输出的状态下的电气特性值的时序信号而判断为末端执行器9和对象部位中的至少一方的温度达到了规定的温度为止。在此，该规定的温度例如能够例示对在钳6的与处置部81相向的面上设置的垫片的耐受性造成影响的温度、或者有可能对周边组织造成过度的热侵袭的温度。
[0241]
具体地说，第二处理器38在步骤s33a中将表示达到了规定的温度的末端执行器9和对象部位中的至少一方的温度的信息作为输出数据进行输出的情况下，在步骤s34a中判断为“是”。另一方面，第二处理器38在步骤s33a中将表示未达到规定的温度的末端执行器9和对象部位中的至少一方的温度的信息作为输出数据进行输出的情况下，在步骤s34a中判断为“否”。
[0242]
然后，在步骤s34a中判断为“是”的情况下，第二处理器38转移到步骤s35。
[0243]
根据上面所说明的本实施方式2，起到下面的效果。
[0244]
在本实施方式2所涉及的第一处理器123执行的训练数据生成方法中，通过对输出信息(1)～输出信息(12)附加(标注)根据由摄影装置11拍摄到的摄影图像的数据得到的信息(表示末端执行器9和对象部位中的至少一方的温度的温度信息)，来生成训练数据。另外，在第一处理器123执行的估计模型生成方法中，通过使用该训练数据进行机器学习，来生成估计模型。而且，在第二处理器38执行的控制方法中，通过进行基于该估计模型的运算，来估计末端执行器9和对象部位中的至少一方的温度是否达到规定的温度、即该对象部位的切开是否完成，在估计出该完成的情况下，使超声波能量和高频能量的输出停止。因此，通过该输出的停止或降低，能够防止对象部位、末端执行器9成为规定的温度以上的温度，从而不会对该对象部位、该末端执行器9造成额外的损伤。
[0245]
因而，根据本实施方式2所涉及的训练数据生成方法、控制装置3以及控制方法，能够适当地处置对象部位。
[0246]
(其它实施方式)
[0247]
到此为止对用于实施本发明的方式进行了说明，但本发明不应仅限于上述的实施方式1、2。
[0248]
(变形例1)
[0249]
图13是说明实施方式2的变形例1的图。具体地说，图13是将纵轴设为末端执行器9的温度且将横轴设为时间而示出训练数据生成方法中的步骤s11以后的该温度的时间变化的图。
[0250]
在上述实施方式2所涉及的训练数据生成方法中，在步骤s16a中，使用处置完成探测模型判断是否达到规定的温度，但并不限于此。
[0251]
例如，使用在上述的实施方式2中所说明的摄影装置11a，依次测定末端执行器9的温度。
[0252]
在此，在对象部位被切开之后，钳6与处置部81接触，因此如图13所示那样，末端执行器9的温度的上升率以该对象部位的切开完成的时刻ti1为边界急剧地增加。
[0253]
然后，第一处理器123根据该上升率的变化来识别对象部位的切开完成的时刻ti1。
[0254]
即使在如上面所说明的本变形例1那样判断出对象部位的切开完成的情况下，在该对象部位的切开完成之后也不会继续施加超声波能量和高频能量，从而不会对该对象部位和末端执行器9造成额外的损伤。
[0255]
此外，关于末端执行器9的温度，不限于摄影装置11a，也可以通过热电偶等温度传感器进行测定。在上述的实施方式2中也同样可以代替摄影装置11a而采用该温度传感器。
[0256]
(变形例2)
[0257]
图14是说明实施方式1、2的变形例2的图。具体地说，图14是将纵轴设为处置能量的输出状态且将横轴设为时间的图。
[0258]
在上述的实施方式1、2中，作为本发明所涉及的训练数据，包含输出信息(1)～输出信息(12)的全部，但不限于此，只要包含该输出信息(1)～输出信息(12)中的至少两者即可，也可以采用其它训练数据。
[0259]
另外，在上述的实施方式1中，也可以采用下面所示的本变形例2所涉及的估计模型。
[0260]
本变形例2所涉及的估计模型是通过使用对输出信息(1)～输出信息(12)中的至少两者、输出时间pe1(图14)以及中止时间pe2(图14)附加(标注)根据摄影图像的数据得到的信息(表示切开未完成的信息、表示切开已完成的信息)所得到的第一训练数据和第二训练数据进行机器学习而生成的估计模型。
[0261]
在此，输出时间pe1是在紧邻当前时间点之前从能量处置器具2对生物体组织施加了处置能量(超声波能量和高频能量)的时间。另外，中止时间pe2是从该紧邻当前时间点之前的处置能量的施加完成起中止着该施加(到开始当前时间点的处置能量的施加为止)的时间。
[0262]
而且，输出时间pe1和中止时间pe2是能够估计在开始当前时间点的处置能量的施加时因余热而产生的末端执行器9的温度的信息。根据该末端执行器9的温度的不同，到对象部位的切开完成为止的时间不同。因此，输出时间pe1和中止时间pe2是能够估计对象部位的切开完成的信息。
[0263]
同样地，在上述的实施方式2中，也可以采用下面所示的本变形例2所涉及的估计模型。
[0264]
本变形例2所涉及的估计模型是通过使用对输出信息(1)～输出信息(12)中的至
少两者、输出时间pe1(图14)以及中止时间pe2(图14)附加(标注)根据摄影图像的数据得到的信息(表示末端执行器9和对象部位中的至少一方的温度的温度信息)所得到的训练数据进行机器学习而生成的估计模型。
[0265]
此外，本变形例2所涉及的估计模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，准备多个第一训练数据和第二训练数据(如果是上述的实施方式2则为多个训练数据)，将该第一训练数据和第二训练数据(如果是上述的实施方式2则为训练数据)输入到基于多层神经网络的计算模型中进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。另外，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0266]
根据上面所说明的本变形例2，除了与上述的实施方式1、2同样的效果以外，还起到下面的效果。
[0267]
在本变形例2所涉及的估计模型中，由于使用输出信息(1)～输出信息(12)中的至少两者、输出时间pe1以及中止时间pe2，因此能够更高精度地估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0268]
此外，在本变形例2所涉及的估计模型中，使用了输出信息(1)～输出信息(12)中的至少两者、输出时间pe1以及中止时间pe2，但不限于此，也可以还采用能量处置器具2的型号名称、振动传递构件8的长度、振子单元7的型号名称、第一驱动信号和第二驱动信号的各设定值等。
[0269]
(变形例3)
[0270]
图15是说明实施方式2的变形例3的图。具体地说，图15是将纵轴设为对象部位的温度且将横轴设为时间的图。此外，在图15中，温度te1是在钳6的与处置部81相向的面上设置的垫片(省略图示)的耐受温度。另外，温度te2是蛋白质变性的温度、换言之对象部位的切开开始的温度。
[0271]
在上述的实施方式2所涉及的控制方法中，作为在步骤s34a中使用的规定的温度，采用了能够假定对象部位的切开已完成的末端执行器9和对象部位中的至少一方的温度，但不限于此。
[0272]
例如，作为该规定的温度，也可以采用蛋白质变性的温度、换言之对象部位的切开开始的温度te2。此时，第二处理器38在步骤s34a中判断为“是”的情况下，对第一电源31和第二电源34的动作进行控制，使超声波能量和高频能量的输出降低、或间歇输出超声波能量和高频能量，如图15所示，执行使对象部位的温度维持在温度te2附近的控制。
[0273]
根据上面所说明的本变形例3，除了起到与上述的实施方式2同样的效果以外，还起到下面的效果。
[0274]
在本变形例3所涉及的控制方法中，如上述那样执行使对象部位的温度维持在温度te附近的控制，因此能够避免由于对象部位的热而对在钳6的与处置部81相向的面上设置的垫片的耐受性造成影响。
[0275]
(变形例4)
[0276]
在上述的实施方式1中，也可以采用下面所示的本变形例4所涉及的耐压推测模型。
[0277]
耐压推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与在该至
少两者的检测时间点测量出的作为对象部位的血管的封合耐压进行对应所得到的训练数据进行机器学习而生成的模型。
[0278]
在此，耐压推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与在该至少两者的检测时间点测量到的血管的封合耐压进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。另外，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0279]
然后，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于耐压推测模型的运算，由此将血管的封合耐压作为输出数据进行输出(估计)。另外，第二处理器38在紧邻通过进行基于估计模型的运算而估计出的血管的切开完成的时刻之前判断为该血管的封合耐压低于特定的封合耐压的情况下，执行下面的控制。
[0280]
即，第二处理器38对第一电源31和第二电源34的动作进行控制，使超声波能量的输出降低，使高频能量的输出增加，来将血管的封合耐压设定为足够高的封合耐压。
[0281]
根据上面所说明的变形例4，除了起到与上述的实施方式1同样的效果以外，还起到下面的效果。
[0282]
在本变形例4所涉及的控制方法中，在紧邻血管的切开完成的时刻之前判断为该血管的封合耐压低于特定的封合耐压的情况下，执行上述的控制，因此能够在使该血管的封合耐压足够高的状态下完成处置。
[0283]
(变形例5)
[0284]
第二处理器38也可以通过使用上述的实施方式1中的估计模型和上述的实施方式2中的估计模型这两方，来例如下面所示那样执行控制方法。
[0285]
第二处理器38在通过进行基于上述实施方式2中的估计模型的运算而估计出的末端执行器9和对象部位中的至少一方的温度达到了规定的温度的情况下，对第一电源31和第二电源34的动作进行控制，使超声波能量和高频能量的输出降低。而且，第二处理器38在通过进行基于上述的实施方式1中的估计模型的运算而估计出对象部位被切开的情况下，使第一电源31和第二电源34的动作停止。
[0286]
另外，在上述的实施方式1、2中，也可以采用下面所示的本变形例5所涉及的第一前端推测模型～第九前端推测模型中的至少任一者。
[0287]
第一前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与对象部位的类别进行对应所得到的训练数据进行机器学习而生成的模型。作为该对象部位的类别，能够例示血管、肝脏、子宫颈部、膜组织、实质脏器、肌肉组织、硬组织等。
[0288]
在此，第一前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与对象部位的类别进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型中进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0289]
然后，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第一前端推测模型的运算，由此将被把持在钳6与处置部81之间的对象部位的类别作为输出数据进行输出(估计)。在此，估计模型是根据该对象部位的类别而分别生成的。然后，第二处理器38使用与所估计出的对象部位的类别相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0290]
第二前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与把持长度进行对应所得到的训练数据进行机器学习而生成的模型。该把持长度是指被把持在钳6与处置部81之间的对象部位的长度相对于该钳6和该处置部81中的至少一方的全长所占的比例。
[0291]
在此，第二前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与把持长度进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0292]
然后，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第二前端推测模型的运算，由此将把持长度作为输出数据进行输出(估计)。在此，估计模型是根据该把持长度而分别生成的。然后，第二处理器38使用与所估计出的把持长度相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0293]
第三前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与生物体组织的硬度进行对应所得到的训练数据进行机器学习而生成的模型。
[0294]
在此，第三前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与生物体组织的硬度进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0295]
然后，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第三前端推测模型的运算，由此将被把持在钳6与处置部81之间的对象部位的硬度作为输出数据进行输出(估计)。在此，估计模型是根据该硬度而分别生成的。然后，第二处理器38使用与所估计出的对象部位的硬度相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0296]
第四前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与钳6及处置部81中的至少一方的污染情况进行对应所得到的训练数据进行机器学习而生成的模型。
[0297]
在此，第四前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与钳6及处置部81中的至少一方的污染情况进行对应所得到的多个训练数据、并将该训练数据输入
到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0298]
而且，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第四前端推测模型的运算，由此将钳6和处置部81中的至少一方的污染情况作为输出数据进行输出(估计)。在此，估计模型是根据该钳6和处置部81中的至少一方的污染情况而分别生成的。然后，第二处理器38使用与所估计出的钳6及处置部81中的至少一方的污染情况相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0299]
第五前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与钳6及处置部81中的至少一方的磨损情况进行对应所得到的训练数据进行机器学习而生成的模型。
[0300]
在此，第五前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与钳6及处置部81中的至少一方的磨损情况进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0301]
而且，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第五前端推测模型的运算，由此将钳6和处置部81中的至少一方的磨损情况作为输出数据进行输出(估计)。在此，估计模型是根据该钳口6和处置部81中的至少一方的磨损情况而分别生成的。然后，第二处理器38使用与所估计出的钳口6及处置部81中的至少一方的磨损情况相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0302]
第六前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与生物体组织的层构造进行对应所得到的训练数据进行机器学习而生成的模型。作为该层构造，能够例示单膜、多个层等。
[0303]
在此，第六前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与生物体组织的层构造进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0304]
然后，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第六前端推测模型的运算，由此将被把持在钳6与处置部81之间的对象部位的层构造作为输出数据进行输出(估计)。在此，估计模型是根据该层构造而分别生成的。然后，第二处理器38使用与所估计出的对象部位的层构造相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0305]
第七前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与生
物体组织的成分进行对应所得到的训练数据进行机器学习而生成的模型。作为该成分，能够例示胶原蛋白、脂肪的比例等。
[0306]
在此，第七前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与生物体组织的成分进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0307]
然后，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第七前端推测模型的运算，由此将被把持在钳6与处置部81之间的对象部位的成分作为输出数据进行输出(估计)。在此，估计模型是根据该成分而分别生成的。然后，第二处理器38使用与所估计出的对象部位的成分相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0308]
第八前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与把持力量进行对应所得到的训练数据进行机器学习而生成的模型。关于该把持力量，将在钳6与处置部81之间未把持对象部位的状态设为0％，将最大限度地操作了操作旋钮41的状态设为100％，通过0％～100％的值来表示。
[0309]
在此，第八前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与把持力量进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0310]
然后，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第八前端推测模型的运算，由此将把持力量作为输出数据进行输出(估计)。在此，估计模型是根据该把持力量分别生成的。然后，第二处理器38使用与所估计出的把持力量相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0311]
第九前端推测模型是通过使用将输出信息(1)～输出信息(12)中的至少两者与末端执行器9的前端的环境进行对应所得到的训练数据进行机器学习而生成的模型。作为该环境，能够例示腹腔镜下、剖腹、生理盐水中、血液中等。
[0312]
在此，第九前端推测模型由各层具有一个或多个节点的神经网络构成。另外，机器学习的种类没有特别限定，只要准备将输出信息(1)～输出信息(12)中的至少两者与末端执行器9的前端的环境进行对应所得到的多个训练数据、并将该训练数据输入到基于多层神经网络的计算模型来进行学习即可。并且，作为机器学习的方法，例如使用基于cnn等多层神经网络的dnn的方法。并且，作为机器学习的方法，也可以使用基于递归型神经网络(rnn)、扩展rnn所得到的lstm等的方法。
[0313]
然后，第二处理器38在执行控制方法时，将输出信息(1)～输出信息(12)中的至少两者作为输入数据，进行基于第九前端推测模型的运算，由此将末端执行器9的前端的环境
作为输出数据进行输出(估计)。在此，估计模型是根据该环境而分别生成的。然后，第二处理器38使用与所估计出的末端执行器9的前端的环境相应的估计模型，来估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0314]
根据上面所说明的本变形例5，除了起到与上述的实施方式1、2同样的效果以外，还起到下面的效果。
[0315]
在本变形例5中，使用了第一前端推测模型～第九前端推测模型中的至少任一者，因此能够更高精度地估计对象部位的切开完成、末端执行器9和对象部位中的至少一方的温度。
[0316]
此外，也可以将上述的第一前端推测模型～第九前端推测模型中的两个以上的前端推测模型适当地组合使用。另外，在上述的第一前端推测模型～第九前端推测模型中，使用了输出信息(1)～输出信息(12)中的至少两者，但不限于此，也可以采用由内窥镜拍摄到的摄影图像、来自设置于能量处置器具2的传感器的输出值等。
[0317]
(变形例6)
[0318]
在上述的实施方式1、2中，作为向对象部位施加的处置能量，采用了超声波能量和高频能量，但不限于此，也可以仅采用超声波能量。也可以仅采用高频能量，也可以是除超声波能量和高频能量以外的其它能量，也可以是除超声波能量和高频能量以外的其它能量，也可以是超声波能量和除高频能量以外的其它能量，也可以是高频能量和除超声波能量以外的其它能量。另外，能量处置器具可以包括超声波处置器具和/或高频处置器具。
[0319]
本发明所涉及的“摄影数据”可以是通过摄影装置11在实验室实验时或手术中拍摄特定区域而得到的，也可以是在手术中由摄影装置11以外的内窥镜、腹腔镜、硬性镜等设备拍摄特定区域而得到的。
[0320]
在上述的实施方式1、2中，处置能量输出控制包括使处置能量输出停止、使处置能量输出降低，但不限于此，处置能量输出控制还可以包括使处置能量输出升高、使处置能量输出以规定图案进行变化，使处置能量输出再次开始。
[0321]
[方式]
[0322]
本领域技术人员能够理解上述的例示性的实施方式是以下的方式的具体例。
[0323]
(项目1)
[0324]
一种训练数据生成方法，由训练数据生成装置的第一处理器执行，在所述训练数据生成方法中，获取与正在从能量处置器具对生物体组织施加超声波能量时的所述能量处置器具中的电气特性值有关的输出信息，获取拍摄正在对所述生物体组织施加所述超声波能量的状态所得到的摄影数据，通过对所述输出信息附加根据所述摄影数据得到的信息，来生成在生成用于估计与所述生物体组织的处置相关联的关联信息的估计模型时的机器学习用的训练数据。
[0325]
(项目2)
[0326]
根据项目1所述的训练数据生成方法，其中，所述电气特性值包含以下中的至少两者：对所述能量处置器具中的产生所述超声波能量的超声波换能器供给的电流值；对所述超声波换能器供给的电压值；对所述超声波换能器供给的电力值；对所述超声波换能器供给的电流或电压的频率；根据所述电流值和所述电压值计算出的超声波阻抗值；以及从开始对所述生物体组织施加所述超声波能量起的经过时间。
[0327]
(项目3)
[0328]
根据项目1所述的训练数据生成方法，其中，所述摄影数据包含通过热成像仪拍摄到的、表示所述能量处置器具的末端执行器的温度的温度信息。
[0329]
(项目4)
[0330]
根据项目1所述的训练数据生成方法，其中，所述摄影数据包含通过热成像仪拍摄到的、表示所述生物体组织的温度的温度信息。
[0331]
(项目5)
[0332]
根据项目1所述的训练数据生成方法，其中，根据所述摄影数据得到的信息是表示是否通过施加所述超声波能量而切开了所述生物体组织的信息。
[0333]
(项目6)
[0334]
根据项目1所述的训练数据生成方法，其中，在所述输出信息的获取中，获取与除了正在对所述生物体组织施加所述超声波能量以外还正在对所述生物体组织施加高频能量时的所述能量处置器具中的电气特性值有关的输出信息。在所述摄影数据的获取中，获取拍摄除了正在对所述生物体组织施加所述超声波能量以外还正在对所述生物体组织施加所述高频能量的状态所得到的摄影数据。
[0335]
(项目7)
[0336]
根据项目6所述的训练数据生成方法，其中，所述电气特性值包含以下中的任一者：对所述能量处置器具中的产生所述高频能量的一对电极供给的电流值；对所述一对电极供给的电压值；对所述一对电极供给的电力值；对所述一对电极供给的电流与电压的相位差；根据所述电流值和所述电压值计算出的所述生物体组织的阻抗值；对所述阻抗值乘以所述相位差所得到的所述生物体组织的电阻；以及从开始对所述生物体组织施加所述高频能量起的经过时间。
[0337]
(项目8)
[0338]
一种控制装置，具备至少一个第二处理器，所述第二处理器获取与正在从能量处置器具对生物体组织施加超声波能量时的所述能量处置器具中的电气特性值有关的输出信息，所述第二处理器将所述输出信息作为输入数据，进行基于通过机器学习生成的估计模型的运算，由此将与所述生物体组织的处置相关联的关联信息作为输出数据进行输出。
[0339]
(项目9)
[0340]
根据项目8所述的控制装置，其中，所述电气特性值包含以下中的至少两者：对所述能量处置器具中的产生所述超声波能量的超声波换能器供给的电流值；对所述超声波换能器供给的电压值；对所述超声波换能器供给的电力值；对所述超声波换能器供给的电流或电压的频率；根据所述电流值和所述电压值计算出的超声波阻抗值；以及从开始对所述生物体组织施加所述超声波能量起的经过时间。
[0341]
(项目10)
[0342]
根据项目8所述的控制装置，其中，所述关联信息是表示所述生物体组织的切开是否完成的信息。
[0343]
(项目11)
[0344]
根据项目10所述的控制装置，其中，还具备电源，所述电源对所述能量处置器具中的超声波换能器输出用于使该超声波换能器产生所述超声波能量的驱动信号，所述第二处
理器在所述关联信息是表示所述生物体组织的切开已完成的信息的情况下，控制所述电源的动作，来使所述超声波能量的输出停止或降低。
[0345]
(项目12)
[0346]
根据项目8所述的控制装置，其中，所述关联信息是表示所述能量处置器具中的末端执行器和所述生物体组织中的至少一方的温度的信息。
[0347]
(项目13)
[0348]
根据项目12所述的控制装置，其中，还具备电源，所述电源对所述能量处置器具中的超声波换能器输出用于使该超声波换能器产生所述超声波能量的驱动信号，所述第二处理器在基于所述关联信息得到的所述末端执行器和所述生物体组织中的至少一方的温度达到了规定的温度的情况下，控制所述电源的动作，来使所述超声波能量的输出停止或降低。
[0349]
(项目14)
[0350]
根据项目12所述的控制装置，其中，还具备电源，所述电源对所述能量处置器具中的超声波换能器输出用于使该超声波换能器产生所述超声波能量的驱动信号，所述第二处理器在基于所述关联信息得到的所述末端执行器和所述生物体组织中的至少一方的温度达到了规定的温度的情况下，控制所述电源的动作，来使所述超声波能量的输出降低、或间歇输出所述超声波能量。
[0351]
(项目15)
[0352]
根据项目8所述的控制装置，其中，所述估计模型是通过深度学习而生成的。
[0353]
(项目16)
[0354]
根据项目8所述的控制装置，其中，所述输出信息是与除了正在对所述生物体组织施加所述超声波能量以外还正在对所述生物体组织施加高频能量时的所述能量处置器具中的电气特性值有关的输出信息。
[0355]
(项目17)
[0356]
根据项目16所述的控制装置，其中，所述电气特性值包含以下中的任一者：对所述能量处置器具中的产生所述高频能量的一对电极供给的电流值；对所述一对电极供给的电压值；对所述一对电极供给的电力值；对所述一对电极供给的电流与电压的相位差；根据所述电流值和所述电压值计算出的所述生物体组织的阻抗值；对所述阻抗值乘以所述相位差所得到的所述生物体组织的电阻；以及从开始对所述生物体组织施加所述高频能量起的经过时间。
[0357]
(项目18)
[0358]
根据项目8所述的控制装置，其中，所述输出信息包含在紧邻当前时间点之前从所述能量处置器具对生物体组织施加了所述超声波能量的输出时间和从所述紧邻当前时间点之前的所述超声波能量的施加完成起中止着所述施加的中止时间。
[0359]
(项目19)
[0360]
一种控制方法，由控制装置的第二处理器执行，在所述控制方法中，获取与正在从能量处置器具对生物体组织施加超声波能量时的所述能量处置器具中的电气特性值有关的输出信息，将所述输出信息作为输入数据，进行基于通过机器学习生成的估计模型的运算，由此将与所述生物体组织的处置相关联的关联信息作为输出数据进行输出。
[0361]
(项目20)
[0362]
一种能量处置器具的控制装置，具备：处置状况信息获取部，其在所述能量处置器具对对象物施加处置时获取作为与所述能量处置器具的处置状况有关的信息的处置状况信息；运算部，其基于所述处置状况信息获取部获取到的所述处置状况信息，使用以能量处置器具的处置状况信息为输入、以作为与能量处置器具的处置能量输出控制有关的信息的处置关联信息为输出的估计模型，来运算所述处置关联信息。
[0363]
(项目21)
[0364]
根据项目20所述的能量处置器具的控制装置，其中，还具备输出部，该输出部向外部输出所述运算部运算出的所述处置关联信息。
[0365]
(项目22)
[0366]
根据项目20或21所述的能量处置器具的控制装置，其中，还具备控制部，该控制部根据所述运算部运算出的处置关联信息来对所述能量处置器具的处置能量输出进行控制。
[0367]
(项目23)
[0368]
根据项目20～22中的任一项所述的能量处置器具的控制装置，其中，还具备通知部，该通知部以能够被所述能量处置器具的操作者识别的方式通知所述处置关联信息。
[0369]
(项目24)
[0370]
根据项目20～23中的任一项所述的能量处置器具的控制装置，其中，还具备切换部，该切换部用于将对所述能量处置器具的所述处置能量输出控制的控制模式在根据所述运算部运算出的处置关联信息来自动地进行控制的自动控制模式与所述能量处置器具的操作者手动地进行控制的手动控制模式之间切换。
[0371]
(项目25)
[0372]
根据项目24所述的能量处置器具的控制装置，其中，还具备控制模式通知部，该控制模式通知部以能够被所述能量处置器具的操作者识别的方式通知所述控制模式。
[0373]
(项目26)
[0374]
根据项目24或25所述的能量处置器具的控制装置，其中，还具备摄影数据获取部，所述摄影数据获取部在所述能量处置器具对对象物施加处置时获取对所述对象物和所述能量处置器具进行拍摄所得到的摄影数据。
[0375]
(项目27)
[0376]
根据项目26所述的能量处置器具的控制装置，其中，还具备判定部，所述判定部判定所述运算部运算出的所述处置关联信息所表示的能量处置器具的处置能量输出控制与基于所述摄影数据得到的能量处置器具的处置能量输出控制是否一致，在由所述判定部判定为不一致的情况下，所述切换部将控制模式切换至所述手动控制模式。
[0377]
(项目28)
[0378]
根据项目27所述的能量处置器具的控制装置，其中，还具备存储部，所述存储部将在所述手动控制模式下由所述处置状况信息获取部获取到的所述处置状况信息和由所述摄影数据获取部获取到的所述摄影数据以按时间序列对应的方式相关联地存储。
[0379]
(项目29)
[0380]
根据项目26所述的能量处置器具的控制装置，其中，还具备存储部，在所述切换部根据所述能量处置器具的操作者的操作指示而将控制模式从所述自动控制模式切换至所
述手动控制模式的情况下，所述存储部将在所述手动控制模式下由所述处置状况信息获取部获取到的所述处置状况信息和由所述摄影数据获取部获取到的所述摄影数据以按时间序列对应的方式相关联地存储。
[0381]
(项目30)
[0382]
根据项目20～29中的任一项所述的能量处置器具的控制装置，其中，所述能量处置器具对对象物施加的处置能量是超声波能量和/或高频能量，所述处置状况信息包括所述能量处置器具中的电气特性值。
[0383]
(项目31)
[0384]
根据项目30所述的能量处置器具的控制装置，其中，还具备检测电路，该检测电路检测用于产生所述超声波能量和/或高频能量的驱动信号中的电流值和电压值，所述电气特性值包括所述电流值、所述电压值、所述驱动信号的施加时间、所述电流值或所述电压值的频率、以及基于所述电流值和所述电压值计算出的电力值、电阻值、电流与电压的相位差及阻抗值这些电气特性值中的至少两者。
[0385]
(项目32)
[0386]
根据项目30或31所述的能量处置器具的控制装置，其中，所述处置状况信息还包括在紧邻当前时间点之前从所述能量处置器具对对象物施加了所述处置能量的输出时间和从所述紧邻当前时间点之前的所述处置能量的施加完成起中止着所述施加的中止时间、所述对象物的类别、所述能量处置器具的类别、所述能量处置器具的把持长度、所述对象物的硬度、所述能量处置器具的前端的污染情况、所述能量处置器具的前端的磨损情况、所述对象物的层构造、所述对象物的成分、对所述能量处置器具的把持力量以及所述能量处置器具的前端的环境中的一个以上的其他处置状况信息。
[0387]
(项目33)
[0388]
根据项目20～32中的任一项所述的能量处置器具的控制装置，其中，所述处置关联信息包括所述能量处置器具所进行的处置是否完成、所述能量处置器具的前端的温度、所述对象物的温度、所述对象物的耐压、使所述处置能量的输出停止、使所述处置能量的输出降低、使所述处置能量的输出升高、使所述处置能量的输出以规定图案进行变化以及使所述处置能量的输出重新开始中的一个以上的信息。
[0389]
(项目34)
[0390]
根据项目20～33中的任一项所述的能量处置器具的控制装置，其中，所述能量处置器具的所述处置能量输出控制包括使所述处置能量的输出停止、使所述处置能量的输出降低、使所述处置能量的输出升高、使所述处置能量的输出以规定图案进行变化以及使所述处置能量的输出重新开始。
[0391]
(项目35)
[0392]
根据项目22所述的能量处置器具的控制装置，其中，还具备电源，该电源对所述能量处置器具输出用于产生处置能量的驱动信号，所述控制部控制所述电源的动作来进行对所述能量处置器具的所述处置能量输出控制。
[0393]
(项目36)
[0394]
一种模型生成装置，生成以能量处置器具对对象物施加处置时的作为与能量处置器具的处置状况有关的信息的处置状况信息为输入、以作为与能量处置器具的处置能量输
出控制有关的信息的处置关联信息为输出的估计模型。
[0395]
(项目37)
[0396]
根据项目36所述的模型生成装置，具备：训练数据获取部，其获取所述处置状况信息与所述处置关联信息的组作为训练数据；以及估计模型生成部，其使用所述训练数据获取部获取到的训练数据，通过机器学习来生成所述估计模型。
[0397]
(项目38)
[0398]
根据项目37所述的模型生成装置，其中，所述训练数据中的所述处置关联信息是根据在所述能量处置器具对对象物施加处置时对所述对象物和所述能量处置器具进行拍摄所得到的摄影数据来得到的信息。
[0399]
(项目39)
[0400]
根据项目38所述的模型生成装置，其中，还具备摄影数据处理部，该摄影数据处理部对所获取到的摄影数据进行处理来得到所述处置关联信息。
[0401]
(项目40)
[0402]
根据项目37～39中的任一项所述的模型生成装置，其中，还具备追加学习部，该追加学习部对已生成的估计模型，基于所述训练数据获取部追加获取到的训练数据，通过机器学习来进行追加学习。
[0403]
(项目41)
[0404]
根据项目36～39中的任一项所述的模型生成装置，其中，所述处置状况信息包括所述能量处置器具中的电气特性值。
[0405]
(项目42)
[0406]
根据项目41所述的模型生成装置，其中，所述电气特性值包括用于产生所述处置能量的驱动信号的电流值、电压值、所述驱动信号的施加时间、所述电流值或所述电压值的频率、以及基于所述电流值和所述电压值计算出的电力值、电阻值、电流与电压的相位差及阻抗值这些电气特性值中的至少两者。
[0407]
(项目43)
[0408]
根据项目41或42所述的模型生成装置，其中，所述处置状况信息还包括在紧邻当前时间点之前从所述能量处置器具对对象物施加了所述处置能量的输出时间和从所述紧邻当前时间点之前的所述处置能量的施加完成起中止着所述施加的中止时间、所述对象物的类别、所述能量处置器具的类别、所述能量处置器具的把持长度、所述对象物的硬度、所述能量处置器具的前端的污染情况、所述能量处置器具的前端的磨损情况、所述对象物的层构造、所述对象物的成分、对所述能量处置器具的把持力量以及所述能量处置器具的前端的环境中的一个以上的其他处置状况信息。
[0409]
(项目44)
[0410]
根据项目43所述的模型生成装置，其中，所述其他处置状况信息是使用以所述电气特性值为输入、以所述其他处置状况信息为输出的能量处置器具的前端推测模型运算出的。
[0411]
(项目45)
[0412]
根据项目36～44中的任一项所述的模型生成装置，其中，所述处置关联信息包括所述能量处置器具所进行的处置是否完成、所述能量处置器具的前端的温度、所述对象物
的温度、所述对象物的耐压、使所述处置能量的输出停止、使所述处置能量的输出降低、使所述处置能量的输出升高、使所述处置能量的输出以规定图案进行变化以及使所述处置能量的输出重新开始中的一个以上的信息。
[0413]
(项目46)
[0414]
一种能量处置器具的控制系统，具备：根据上述的能量处置器具的控制装置；以及上述的模型生成装置，所述能量处置器具的控制装置从所述模型生成装置获取所述估计模型来使用所述估计模型运算所述处置关联信息，或者，从所述模型生成装置获取所述估计模型并存储于存储部，并且使用所述存储部中存储的所述估计模型运算所述处置关联信息。
[0415]
(项目47)
[0416]
根据项目46所述的能量处置器具的控制系统，其中，还具备训练数据生成装置，所述能量处置器具的控制装置所存储的所述处置状况信息以及在所述能量处置器具对对象物施加处置时拍摄所述对象物和所述能量处置器具所得到的摄影数据被输入到该训练数据生成装置，该训练数据生成装置对所述处置状况信息附加从所述摄影数据得到的处置关联信息来生成训练数据，所述模型生成装置从所述训练数据生成装置获取所述训练数据。
[0417]
(项目48)
[0418]
根据项目46所述的能量处置器具的控制系统，其中，所述能量处置器具的控制装置所存储的所述处置状况信息以及在所述能量处置器具对对象物施加处置时拍摄所述对象物和所述能量处置器具所得到的摄影数据被输入到所述模型生成装置，所述模型生成装置的摄影数据处理部对所述摄影数据进行处理来得到所述处置关联信息，所述模型生成装置的训练数据获取部获取所述处置状况信息与所述处置关联信息的组作为训练数据，所述模型生成装置的估计模型生成部或追加学习部基于所述训练数据来进行所述估计模型的生成或者已生成的估计模型的追加学习。
[0419]
(项目49)
[0420]
根据项目47或48所述的能量处置器具的控制系统，其中，所述模型生成装置具备存储部，该存储部存储获取到的所述训练数据。
[0421]
(项目50)
[0422]
一种能量处置器具的控制方法，包括以下步骤：处置状况信息获取步骤，在所述能量处置器具对对象物施加处置时获取作为与所述能量处置器具的处置状况有关的信息的处置状况信息；运算步骤，基于通过所述处置状况信息获取步骤获取到的所述处置状况信息，使用以能量处置器具的处置状况信息为输入、以作为与能量处置器具的处置能量输出控制有关的信息的处置关联信息为输出的估计模型，来运算所述处置关联信息。
[0423]
附图标记说明
[0424]
1：处置系统；2：能量处置器具；3：控制装置；4：手柄；5：护套；6：钳；7：振子单元；8：振动传递构件；9：末端执行器；10、10a：估计模型生成系统；11、11a：摄影装置；12：估计模型生成装置；30：输入部；31：第一电源；32：第一检测电路；33：第一adc；34：第二电源；35：第二检测电路；36：第二adc；37：通知部；38：第二处理器；39：存储部；41：操作旋钮；42：操作按钮；71：振子壳体；72：超声波振子；73：变幅杆；81：处置部；121：输入部；122：显示部；123：第一处理器；124：存储部；321：第一电压检测电路；322：第一电流检测电路；351：第二电压检
测电路；352：第二电流检测电路；711：第一导电部；721～724：压电元件；731：第一安装部；732：截面积变化部；733：第二安装部；a1：前端侧；a2：基端侧；ax：中心轴；c：电缆；c1、c1
′
：振子用引线；c2、c2
′
：高频用引线；ca1：第一传输线缆；ca2：第二传输线缆；pe1：输出时间；pe2：中止时间；te1、te2：温度；ti1：时刻。

技术特征：
1.一种训练数据生成方法，由训练数据生成装置的第一处理器执行，在所述训练数据生成方法中，获取与正在从能量处置器具对生物体组织施加超声波能量时的所述能量处置器具中的电气特性值有关的输出信息，获取拍摄正在对所述生物体组织施加所述超声波能量的状态所得到的摄影数据，通过对所述输出信息附加根据所述摄影数据得到的信息，来生成在生成用于估计与所述生物体组织的处置相关联的关联信息的估计模型时的机器学习用的训练数据。2.根据权利要求1所述的训练数据生成方法，其中，所述电气特性值包含以下中的至少两者：对所述能量处置器具中的产生所述超声波能量的超声波换能器供给的电流值；对所述超声波换能器供给的电压值；对所述超声波换能器供给的电力值；对所述超声波换能器供给的电流或电压的频率；根据所述电流值和所述电压值计算出的超声波阻抗值；以及从开始对所述生物体组织施加所述超声波能量起的经过时间。3.根据权利要求1所述的训练数据生成方法，其中，在所述输出信息的获取中，获取与除了正在对所述生物体组织施加所述超声波能量以外还正在对所述生物体组织施加高频能量时的所述能量处置器具中的电气特性值有关的输出信息，在所述摄影数据的获取中，获取拍摄除了正在对所述生物体组织施加所述超声波能量以外还正在对所述生物体组织施加所述高频能量的状态所得到的摄影数据。4.一种控制方法，由控制装置的第二处理器执行，在所述控制方法中，获取与正在从能量处置器具对生物体组织施加超声波能量时的所述能量处置器具中的电气特性值有关的输出信息，将所述输出信息作为输入数据，进行基于通过机器学习生成的估计模型的运算，由此将与所述生物体组织的处置相关联的关联信息作为输出数据进行输出。5.一种能量处置器具的输出控制方法，用于通过处置能量输出的控制来进行对象物的处置，所述能量处置器具的输出控制方法包括以下步骤：通过操作部受理操作者的用于输出所述处置能量输出的操作；获取从所述操作部被操作而开始所述处置能量输出起的所述处置能量输出的时间经过信息；向预先通过以所述处置能量输出的过去的时间经过信息为输入、以表示在当前以后的时间点应如何控制所述处置能量输出的控制信息为输出进行学习而得到的估计模型，输入从所述操作部被操作而开始所述处置能量输出起的所述处置能量输出的时间经过信息；根据所述估计模型所输出的控制信息，对所述能量处置器具的处置能量输出进行控制。6.根据权利要求5所述的能量处置器具的输出控制方法，其中，在通过以所述处置能量输出的过去的时间经过信息为输入、以表示在当前以后的时间点应如何控制所述处置能量输出的控制信息为输出进行学习而得到的估计模型的学习中包括以下步骤：
为了得到与已获取到的所述处置能量输出的时间经过信息相关联的第一训练数据，预先获取所述处置能量输出控制中的所述对象物的处置状况；和/或为了得到与已获取到的所述处置能量输出的时间经过信息相关联的第二训练数据，在所述处置能量输出控制中获取所述对象物的处置状况。7.一种能量处置器具，用于通过处置能量输出的控制来进行对象物的处置，所述能量处置器具包括：操作部，其受理操作者的用于输出所述处置能量输出的操作；以及控制部，其包括预先通过以所述处置能量输出的过去的时间经过信息为输入、以表示在当前以后的时间点应如何控制所述处置能量输出的控制信息为输出进行学习而得到的估计模型，根据被输入了从所述操作部被操作而开始所述处置能量输出起的所述处置能量输出的时间经过信息时的、所述估计模型所输出的控制信息，来对所述能量处置器具的处置能量输出进行控制。8.一种能量处置器具的控制装置，具备：处置状况信息获取部，其在所述能量处置器具对对象物施加处置时获取作为与所述能量处置器具的处置状况有关的信息的处置状况信息；运算部，其基于所述处置状况信息获取部获取到的所述处置状况信息，使用以能量处置器具的处置状况信息为输入、以作为与能量处置器具的处置能量输出控制有关的信息的控制信息为输出的估计模型，来运算所述控制信息。9.根据权利要求8所述的能量处置器具的控制装置，其中，还具备：输出部，其向外部输出所述运算部运算出的所述控制信息；摄影数据获取部，其获取在所述能量处置器具对对象物施加处置时对所述对象物和所述能量处置器具进行拍摄所得到的摄影数据，来作为所述处置状况信息；以及存储部，其将由所述摄影数据获取部获取到的所述摄影数据同作为与能量处置器具的处置能量输出控制有关的信息的控制信息以按时间序列对应的方式相关联地存储。10.一种能量处置器具的控制方法，包括以下步骤：处置状况信息获取步骤，在所述能量处置器具对对象物施加处置时获取作为与所述能量处置器具的处置状况有关的信息的处置状况信息；运算步骤，基于通过所述处置状况信息获取步骤获取到的所述处置状况信息，使用以能量处置器具的处置状况信息为输入、以作为与能量处置器具的处置能量输出控制有关的信息的控制信息为输出的估计模型，来运算所述控制信息。

技术总结
本发明提供一种训练数据生成方法、控制装置及控制方法、能量处置器具。在训练数据生成方法中，获取与正在对生物体组织施加超声波能量时的能量处置器具中的电气特性值有关的输出信息(步骤S13)，获取拍摄正在对生物体组织施加超声波能量的状态所得到的摄影数据(步骤S14)，通过对输出信息附加根据摄影数据得到的信息，来生成在生成用于估计与生物体组织的处置相关联的关联信息的估计模型时的机器学习用的训练数据(步骤S18)。用的训练数据(步骤S18)。用的训练数据(步骤S18)。


技术研发人员：加藤言
受保护的技术使用者：奥林巴斯医疗株式会社
技术研发日：2022.12.27
技术公布日：2023/7/13