内視鏡ロボットの言語指示を解剖構造に接地する「EndoNav」、arxivで公開

何が起きたか

2026年8月22日、arxiv.orgに「EndoNav: Semantic-to-Geometric Grounding for Language-Guided Robotic Endoscopic Examination」と題する論文が公開された。EndoNavは、外科医の音声コマンドを患者固有の解剖学的シーン表現に基づいて解釈し、内視鏡の自律的可視化行動に変換するフレームワークである。評価では、CT由来の3つの解剖モデルを用いた構造化された3パス副鼻腔検査が実施され、1つの死体標本では2人の研修医による検査と比較された。EndoNavは、2人の研修医の検査に対して平均可視化IoU 87.04%と84.37%を達成し、術者間IoU 87.44%に近い性能を示した。

詳細

EndoNavは、外科医の音声コマンドを書き起こし、患者固有の解剖学的シーン表現に基づいて内視鏡視点エージェントが解釈する。このエージェントはロボットの動作を直接生成するのではなく、構造化された可視化目標を生成し、それを目標視点と検査軌道に変換する。その後、幾何学的制約付きの内視鏡動作計画と関節空間制御によって実行される。評価では、CT由来の3つの解剖モデルを使用し、構造化された3パス副鼻腔検査が実施された。1つの死体標本では、2人の研修医による検査と比較され、EndoNavは平均可視化IoU 87.04%と84.37%を達成し、術者間IoU 87.44%に近い値を示した。また、外科医が観察した解剖学的表面の92.91%と93.20%をそれぞれ回復した。

Key Facts

本紙の見方

EndoNavの新規性は、言語指示をロボットの動作に直接変換するのではなく、解剖学的シーン表現に基づく「可視化目標」という中間表現を介して変換する点にある。これにより、患者固有の解剖構造に接地した自律的可視化が可能となり、従来のロボット内視鏡システムが持つ「文脈を持たない」という限界を克服する試みと位置づけられる。評価結果は、術者間のばらつきと同等の性能を示しており、言語指示による自律的内視鏡検査の実現可能性を定量的に示した点で意義がある。 本論文は、内視鏡ロボットの制御を「解剖学的知識」と「言語理解」の統合として捉えている。これは、ロボット工学と言語処理の交差点に位置する研究であり、今後の内視鏡ロボットの自律化に向けた一歩となる。特に、副鼻腔という限られた解剖学的空間での検査を対象としているが、手法は他の解剖領域への応用可能性を示唆している。 業界構造への含意としては、内視鏡ロボットの制御ソフトウェアの高度化が進むことで、ハードウェアの差別化が難しくなる中で、ソフトウェア・アルゴリズムの重要性が増すことが挙げられる。また、患者固有の解剖モデルを用いることで、術前画像からの個別化された検査計画が可能となり、手術支援システムのパーソナライズ化が進む可能性がある。 未確定の論点としては、実際の臨床環境での有効性、他の解剖領域への一般化、リアルタイム性、安全性の検証などが挙げられる。また、本研究はシミュレーションと死体標本での評価であり、生体内での性能は未検証である。今後の臨床試験が待たれる。

なぜ重要か

EndoNavは、言語指示を解剖学的に接地した自律的内視鏡検査の実現可能性を示し、内視鏡ロボットの自律化に向けた重要な一歩となる。術者間のばらつきと同等の性能を達成したことは、ロボットによる検査の標準化や、経験の浅い医師の支援につながる可能性を示唆している。