NVIDIA、手術ロボット訓練を数時間から数分へ短縮するオープンソースシミュレータを公開

生体内を進む手術ロボットを構築するには、これまで十分な量を集めることがほぼ不可能だったものが必要になる。あらゆる解剖学的構造、あらゆる器具の挙動、システム障害につながり得るあらゆるエッジケースを網羅した、多様で高品質な訓練データである。実際の手術室からそうした対応関係のある観測データを収集するには極めて高いコストがかかり、倫理上の制約も大きい。さらに、最も重要なまれな失敗シナリオを必要に応じて遭遇・収集することは、実質的に不可能だ。

NVIDIAは7月22日、このボトルネックに対応するため、「NVIDIA Isaac for Healthcare」プラットフォームの最新コンポーネントとして、オープンソースの「Medical Physics Simulation」フレームワークを公開した。このフレームワークは、手術ロボット開発者にGPUアクセラレーション対応の環境を提供し、解剖学的構造と医療機器の相互作用をモデル化し、まれなシナリオを大規模に生成し、ロボット制御ポリシーを訓練できるようにする。しかも、器具が患者に到達する前の段階でそれを実行できる。

NVIDIAが引用した研究によると、発表で示されたベンチマークの性能差は段階的な改善にとどまらない。GPUネイティブのシミュレーションで8,192のロボット訓練環境を同時実行することで、ポリシー訓練は5時間超から2分未満に圧縮されるという。これは約150倍の高速化に相当し、網羅的なシナリオカバレッジを「理想」から「運用可能なもの」へと変えるほどの時間短縮である。

手術ロボット分野の大手であるCMR Surgical、Johnson & Johnson MedTech、Medtronicの3社は、発表時点ですでに統合作業を進めていた。これに血管内治療を専門とするXCathと、医療機器スタートアップのInner Logicが加わっている。

■2つのシミュレーション手法を1つのスタックに統合

Medical Physics Simulationフレームワークは、相補的な2つのシミュレーション手法を統合している。それぞれが異なる種類の物理的現実を扱う。

1つ目は古典物理シミュレーションである。NVIDIAのCUDAコンピューティングプラットフォームと、同社のWarpおよびNewtonシミュレーションエンジンを基盤とするこの層は、手術器具の挙動を支配する決定論的なルールをモデル化する。対象には、接触力学、摩擦、剛体および柔軟体の動力学が含まれる。ここでは、カテーテルが血管壁から受ける抵抗、ガイドワイヤーの曲がり方、内視鏡と組織の相互作用などが、明示的な数理物理として表現される。2026年4月に一般提供が始まったNVIDIAのNewton物理エンジンは、剛体と柔軟な構成要素の両方を含むシステムについて、正確な衝突検出と安定したシミュレーションを提供する。

2つ目は、NVIDIAのリアルタイム生成AI物理シミュレーション機能である「Cosmos-H Dreams」だ。古典物理の層とは異なり、Cosmos-H Dreamsは物理法則を方程式として表現しない。その代わり、現在の手術シーンの状態と提案されたロボット動作を入力として、その動作が実行された後に手術視野がどう見えるかを予測する、動作条件付きの世界基盤モデルとして機能する。この能力は手続き的な臨床データから学習されたもので、解析的に表現することが難しい、あるいは不可能な軟部組織の変形や器具と組織の相互作用を捉える。基礎となる研究論文で説明されている「Cosmos-H-Surgical-Simulator」モデルが、この機能を支えている。

Cosmos-H-Surgical-Simulatorモデルは、Open-H Embodimentデータセットで微調整された。これは複数機関によるオープンな手術ロボット実演データのコレクションで、当初は約2万6500件のタスク実演、32のデータセット、9種類のロボット形態、10を超える機関からのデータで構成され、合計で約490万組の同期済み映像・運動学データのペアを含んでいた。その後、データセットは大幅に拡張された。Open-Hの全体像を説明した2026年6月の論文では、780時間の対応データ、119のデータセット、20のロボットプラットフォーム、世界50以上の機関からの貢献が報告されている。

この手法では、600回のポリシーロールアウトについて、シミュレーション評価にかかる時間は約40分である。GTC 2026で公表された数値によると、実世界のベンチトップ手法では約2日かかる。

フレームワークには、センサーモダリティのエミュレーションも統合されている。HIT Consultantの報道によると、開発者はシミュレートされた透視画像、X線、超音波画像を強化学習ループに直接組み込める。Medtronic Structural Heartはこの機能を活用しており、シミュレートされたX線センシングとフレームワークを組み合わせ、カテーテルナビゲーション研究向けの訓練データを生成している。柔軟な器具と血管解剖の相互作用は、実世界データだけで特徴づけることが難しいことで知られる領域である。

■すでに構築が進むエコシステム

発表時のパートナーの中で最も広範な統合を進めているのはCMR Surgicalである。同社はCapgemini傘下のCambridge Consultantsと連携し、Cosmos-H Dreamsを使って軟部組織手術の相互作用物理を学習し、同社の「Versius Plus」手術ロボットシステム向けに患者固有のシミュレーションを生成している。CMRは、胆嚢摘出術、前立腺摘除術、ヘルニア修復術、子宮摘出術にわたるVersiusプラットフォーム由来の匿名化臨床データ約500時間分をOpen-H Embodimentデータセットに提供しており、量の面で同データセット最大の単一提供者となっている。

CMR Surgicalの最高技術責任者であるChris Fryer氏は、「オープンソースモデルによって、共有された知見の上に構築できるようになり、責任あるイノベーションが加速され、最終的には世界中の患者により一貫したケアとより良い転帰を提供できる可能性が生まれる」と述べた。

CMRは、7月23日にフロリダで開幕するSociety for Robotic Surgery（SRS）2026カンファレンスで、シミュレーションベースの予測機能を披露する予定だ。同社は、異なる動作の下で手術視野がどのように変化し得るかをシステムがモデル化し、リアルタイムの外科医の意思決定を支援する可能性を示す。

Johnson & Johnson MedTechは、Cosmosベースの基盤モデルとこのフレームワークを併用し、泌尿器科向け内腔型「MONARCH」プラットフォームのデジタルツインを構築している。臨床現場では十分な頻度で遭遇することが難しい複雑な腎結石シナリオをモデル化するためだ。XCathはこのフレームワークを血管内治療の自律化ポリシー訓練に適用している。Inner Logicは、市場投入に向けた規制経路を支援することを意図した合成データとインシリコのエビデンスパッケージを生成している。

■オープンソース化がFDA提出資料に持つ意味

このフレームワークをオープンソースとして公開するという判断は、偶然ではない。NVIDIAは透明性を規制上の資産として明確に位置づけている。開発者は基盤となるコード、モデルの重み、データパイプラインを検査でき、その検査記録を規制審査に向けた証拠基盤の一部として利用できる。

これは重要である。規制当局は、医療AI開発者に対し、デバイスが患者に届く前に訓練データの出所と多様性を示すことをますます求めるようになっているからだ。ブラックボックス化されたシミュレーション環境は監査が難しい。一方、コードと重みが公開されている環境は、医療機器メーカーにとって、信頼できる証拠提出の土台となる。

その意味合いは、個別企業の提出資料にとどまらない。NVIDIAはMedical Physics Simulationフレームワークと、より広範なIsaac for Healthcareスタックを、手術AI分野が規制上の根拠を構築するために依拠する共有インフラとして位置づけている。これは、自律走行車分野でシミュレーションが規制当局の求める訓練証拠の規模を生成するための主要な仕組みになった流れと重なる。同じパターンが手術ロボットに適用されれば、NVIDIAはこの分野の規制上の信頼性の多くが築かれるインフラ層になる。

学術機関や小規模な医療機器スタートアップにとって、オープンソース公開は別の意味も持つ。CMR SurgicalやJ&J MedTechと同じ技術基盤上で、GPUアクセラレーション対応の解剖シミュレーションにアクセスできるようになり、独自にシミュレーション環境をゼロから構築する必要がなくなる。

■エッジでの安全性：「IGX Thor」と「NVIDIA Halos」スタック

より良い訓練データを生成することは、自律型手術AIの課題の一部に対応するにすぎない。訓練済みポリシーを、生命に関わるシステムの安全要件を満たす形で手術室に持ち込むことは、別の工学的課題である。

NVIDIAは、Blackwell世代の産業グレードのエッジAI計算モジュールである「IGX Thor」を、機能安全認証を必要とする医療配備向けのハードウェア層として位置づけてきた。IGX T5000モジュールは、最大2,070 FP4テラフロップスのAI性能、14個のNeoverse ARM CPUコア、273GB/sの帯域幅を持つ128GBメモリーを提供する。その安全アーキテクチャには、専用の「Functional Safety Island」が含まれる。これはIEC 61508の安全度水準3（SIL 3）規格の認証を受けた分離プロセッサであり、独立した電源、クロック、I/Oドメインを備える。プラットフォームには2万2000を超える内蔵安全機構が組み込まれており、IEC 61508への適合性についてTÜV Rheinlandによる独立レビューを受けている。また、より広範なHalosエコシステムでは、TÜV SÜDが認証パートナーを務めている。

これらの機能は、NVIDIAが2026年6月にロボティクス向けに発表した物理AI向けフルスタック安全システム「NVIDIA Halos」の下に整理されている。NVIDIA Halos AI Systems Inspection Labは、ISO/IEC 17020の検査機関としてANABの認定を受けており、正式なIEC 61508またはISO 13849認証を目指す医療機器メーカーにとって、時間とコストを削減する認証経路を提供する。

Medtronicは、手術ロボット配備に向けてNVIDIAのIsaac for Healthcareのハードウェアおよびソフトウェアスタックを検討している企業の1社である。この領域では、高性能AI推論と内蔵の機能安全認証アーキテクチャの組み合わせが、汎用コンピューティングプラットフォームでは満たせない要件に対応する。

■注目ポイントQ&A

●手術ロボットにおける「Sim-to-Realギャップ」とは何ですか？

Sim-to-Realギャップとは、シミュレーションで訓練されたロボットポリシーの性能と、その同じポリシーを実際の手術環境の物理ハードウェアに展開した際の性能との差を指します。どれほど高忠実度であっても、シミュレーションは近似です。実際の患者における組織変形、器具のたわみ、画像ノイズ、手技のばらつきは、シミュレーション上の対応物と完全には一致しません。シミュレーションで高い成功率を達成したロボットポリシーでも、実際の手術ハードウェアに移行すると性能が低下する可能性があります。

NVIDIAの2つのパラダイムを組み合わせた手法、すなわち古典的な決定論的物理と、実際の臨床データから学習した生成AI物理を組み合わせる手法は、シミュレーション環境を実際の解剖学的構造や組織挙動により近づけ、このギャップを狭めることを特に意図したものです。ただし、このギャップが解消されたわけではありません。2025年にScience Roboticsで発表された研究では、強化学習ベースの手術ロボットポリシーがとりわけSim-to-Realの課題に苦しむことが示されました。シミュレーション訓練の結果を臨床配備につなげる前には、物理的な手術ハードウェア上での独立した実世界検証が引き続き必要です。

●NVIDIA Isaac for Healthcareを導入している企業はどこですか？

7月22日のフレームワーク公開時点で確認されている導入企業には、CMR Surgical（Versius Plus、軟部組織手術）、Johnson & Johnson MedTech（MONARCH内腔型泌尿器科プラットフォーム）、Medtronic Structural Heart（カテーテルナビゲーション）、XCath（血管内治療の自律化）、Inner Logic（規制対応向け合成データ）が含まれます。MassDeviceによると、過去のNVIDIA Isaac for Healthcareパートナーには、Karl Storz傘下のAsensus、Moon Surgical、Virtual Incision、Neptune Surgical、Stereotaxisも含まれます。

●オープンソースで利用できるということは、学術研究機関も手術AI研究に使えるのですか？

はい。Medical Physics Simulationフレームワークは、NVIDIAのIsaac for Healthcare組織のGitHubで公開されており、カスタムデバイスや解剖学的構造向けのシミュレーション環境を開発するための参照ワークフローも文書化されています。学術機関やスタートアップは、独自のデータ契約やプラットフォームライセンスを必要とせず、発表時に名前が挙がった商用導入企業が使うものと同じGPUアクセラレーション対応のシミュレーション基盤にアクセスできます。

●このフレームワークは実際の手術ロボットテストに代わるものですか？

いいえ。フレームワークは訓練を加速し、実際のハードウェアでは再現が難しい、あるいは不可能なシナリオについて網羅的なシミュレーションを可能にします。しかし、実世界でのテストに代わるものではありません。手術AIデバイスの規制承認には、物理ハードウェア上で、そして最終的には臨床利用において、安全性と有効性を実証することが求められます。このシミュレーションフレームワークは、前臨床の開発・訓練段階を加速するものとして位置づけられており、臨床検証の代替ではありません。

元記事: NVIDIA Cuts Surgical Robot Training From Hours to Minutes With Open-Source Simulator