術具装着型センサによる腹腔鏡下虫垂切除の両手操作学習：ロボット実演なしでの生体適用

- 手持ち腹腔鏡器具での手術動作を記録し、手術ロボットのpolicy学習に用いるend-to-end pipelineを提案。 - 器具軸に装着するsurgical instrument-state loggerを開発し、inertial sensor・time-of-flight sensor・Hall sensorからposeとjaw stateを外部カメラ/トラッカーなしで復元。 - 記録したdemonstrationでdiffusion policyを訓練し、生きたウサギでbimanual laparoscopic appendectomyを検証。

- 従来のsurgical robot learningはrobot-collected demonstrationsに依存しがちだが、本研究は外科医自身の手持ち器具から記録したdemonstrationのみで訓練・選択・展開が可能と示す。 - robotはsensor calibrationのtiming referenceとexecutorに限定され、demonstration収集を行わない点が新しい。 - 2つのdemonstration corporaを公開し、今後のsurgical robot learning研究を支援。

- 器具軸装着型loggerがinertial sensor、time-of-flight sensor、Hall sensorからposeとjaw stateを推定。 - data pipelineが各sensor channelのlatencyをrobot ground truthに対して測定し、channel間をalignしてobservation-action pairsを形成。 - fine-tuned DINOv3 backboneを用いたdiffusion policyを訓練し、ex-vivo rabbit appendixのdepth mapから再構成したphysics simulatorでのclosed-loop rolloutsで設計選択。 - その後、4匹のlive rabbitから得た849 in-vivo demonstrationsでpolicyを再訓練し、electrosurgeryをarmedした状態で別の4匹に展開。

- ex-vivo rabbit appendixのdepth mapから再構成したphysics simulatorでclosed-loop rolloutsを行い、policy設計を選択。 - 4匹のlive rabbitから849 in-vivo demonstrationsを収集して再訓練。 - 追加の4匹のlive rabbitでelectrosurgeryをarmedしてdeployし、外科医がsurgical phaseを選択する条件下で4匹中3匹でappendectomyを完了。

- 外科医自身の器具から記録したdemonstrationが、in vivoでのbimanual surgical policyの訓練・選択・展開に十分であることを示す。 - robotはtiming referenceとexecutorに限定され、demonstrationを収集しない。 - 限界や失敗要因、一般化可能性、倫理的側面などは要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法としてdiffusion policy、DINOv3、surgical robot learning、laparoscopic appendectomy、in-vivo validationなどの定番文献を次に読むべき。