CN109074869B - 医疗诊断支持装置、信息处理方法以及医疗诊断支持系统 - Google Patents

Abstract

本发明是要提供一种装置，该装置将用作推断的理由的信息作为关于发现的信息呈现，以便医生容易地识别。医疗诊断支持装置基于指示包括在医疗图像中的区域的特征的图像特征值来推断从医疗图像导出的诊断名称，基于图像特征值来获取关于表示包括在医疗图像中的区域的特征的发现的信息，并呈现关于发现的信息作为推断的原因。

Description

医疗诊断支持装置、信息处理方法以及医疗诊断支持系统

技术领域

本发明涉及医疗诊断支持装置、信息处理方法、医疗诊断支持系统以及程序。

背景技术

近年来，在诊断中使用各种类型的医疗信息，并且高度期望其中通过计算机分析包括医疗图像在内的医疗信息所获取的结果被用作诊断的支持的系统的技术。PTL 1公开了在如下的系统中呈现与在搜索中使用的射线照片解释项相关联的搜索结果，在该系统中，基于通过分析医疗图像和过去病例的射线照片解释项所获取的图像特征值来搜索相似病例。

即使在医生使用通过计算机分析医疗信息所获得的结果作为诊断的支持时仅显示分析结果的情况下，医生也可能无法确定结果是否有用。关于与搜索中使用的射线照片解释项深度关联的过去病例对于要进行的诊断是否是有用信息的确定可能无法仅仅通过显示过去的病例而可靠地做出。

引文列表

专利文献

PTL 1：日本专利特开No.2014-29644

发明内容

根据本发明的一些实施例，医疗诊断支持装置包括：推断单元，被配置为基于指示包括在医疗图像中的区域的特征的图像特征值来推断从医疗图像导出的诊断名称；获取单元，被配置为基于图像特征值获取关于表示包括在医疗图像中的区域的特征的发现的信息；以及呈现控制单元，被配置为呈现关于由获取单元获取的发现的信息，作为由推断单元执行的推断的原因。

参考附图，根据示例性实施例的以下描述，本发明的其它特征将变得清楚。

附图说明

图1是图示根据本发明实施例的医疗诊断支持装置的功能配置的图。

图2是图示根据本发明实施例的医疗诊断支持装置的硬件配置的图。

图3是由根据本发明实施例的医疗诊断支持装置执行的处理的流程图。

图4是图示由根据本发明实施例的医疗诊断支持装置获取的信息的图。

图5是图示由根据本发明实施例的医疗诊断支持装置获取的信息的图。

图6是图示由根据本发明实施例的医疗诊断支持装置获取的信息的图。

图7是图示由根据本发明实施例的医疗诊断支持装置显示的屏幕的图。

具体实施方式

在下文中，将参考附图描述本发明的实施例。

第一实施例

在医疗领域中，基于由诸如X射线计算机断层摄影(CT)装置或磁共振成像(MRI)装置之类的成像装置获取的医疗图像来执行图像诊断。在这里，通过观察医疗图像来进行诊断被称为“射线照片解释”。在图像诊断中，专门进行图像诊断的射线照片解释医生响应于例如来自主治医生的对执行射线照片解释的请求而执行射线照片解释。射线照片解释医生根据从图像中获取的发现(以下称为“图像发现”)和各种测量值通过综合确定来指定在医疗图像中出现(render)的病变和作为检查者的患者的症状。射线照片解释医生在射线照片解释报告中使用图像发现和测量值向作为请求者的主治医生描述导致诊断的背景。

为了支持射线照片解释，已经提出了如下的系统，该系统呈现当计算机分析医疗信息时所获取的结果。优选地，在医生使用分析结果之前呈现用作结果的原因的信息。但是，在通过使在图像中出现的特征(诸如图像特征值)数字化来获取在分析中输入的信息(下文中称为“输入信息”)的情况下，即使识别出并呈现显著影响结果的信息，该信息也难以让用户理解。根据本发明第一实施例的医疗诊断支持装置呈现如下的信息(以下称为“参考信息”)，该信息本能可理解并且即使当输入信息包括用户难以理解的信息(诸如图像特征值)时也用作导出推断结果的线索。例如，用户本能可理解的参考信息的示例包括关于通过语言表示病变区域的特征的发现的信息。

下文中将进行详细的描述。根据第一实施例的医疗诊断支持装置100获取作为射线照片解释的目标的医疗图像和包括在电子健康记录等中的信息，并且呈现用作诊断的线索的信息(参考信息)，以便执行诊断支持。

在下文中，医疗诊断支持装置100获取与肺的异常阴影的射线照片解释相关联的医疗图像、附加到医疗图像的信息以及执行医疗检查时获取的信息(下文中称为“临床信息”)，诸如过去的病史和包括肿瘤标志物在内的血液检查的值。作为示例将描述基于所获取的信息生成输入信息，使用用户(医生)可理解的格式的输入信息生成用作诊断线索的信息并且呈现信息的情况。本发明不限于这种情况，并且诊断名称、图像特征值、图像发现、临床信息等仅仅是用于描述由医疗诊断支持装置执行的处理的步骤的示例。

图1是图示医疗诊断支持装置100的功能配置的图。医疗诊断支持装置100以通信可用的方式连接到病例信息终端200。医疗诊断支持装置100包括输入信息生成单元102、图像特征值获取单元104、推断单元106、影响程度获取单元108、呈现概率获取单元110、选择单元112以及显示控制器114。包括在医疗诊断支持装置100中的功能部件通过内部总线等彼此连接。

病例信息终端200从服务器(未示出)获取关于要接受诊断的病例的信息。关于病例的信息包括医疗图像或医疗信息，诸如电子健康记录中描述的临床信息。病例信息终端200可以连接到外部存储设备(未示出)(诸如软盘驱动器(FDD)、硬盘驱动器(HDD)、光盘(CD)驱动器、数字通用盘(DVD)驱动器、磁光(MO)盘驱动器或Zip驱动器)，以便从外部存储设备获取医疗信息。

病例信息终端200可以以用户可以执行射线照片解释的格式通过显示控制器114在监视器1005中显示医疗信息。具体而言，病例信息终端200提供要由用户使用的图形用户界面(GUI)，以输入用户在通过显示控制器114在监视器1005中显示的医疗图像中看到的异常阴影的区域的坐标信息。可替代地，病例信息终端200可以提供GUI以供用户用来在通过显示控制器114在监视器1005中显示的医疗图像中输入区域的图像发现。病例信息终端200获取由用户通过GUI输入的信息，作为附加到医疗图像的信息(下文中称为“补充信息”)。

病例信息终端200通过网络等将医疗图像、医疗信息(诸如临床信息)和补充信息发送到医疗诊断支持装置100。

输入信息生成单元102基于从病例信息终端200发送到医疗诊断支持装置100的信息(诸如医疗图像、临床信息和补充信息)生成输入信息。输入信息是要被输入以用于由推断单元106执行的推断的信息元素的集合。在第一实施例中，输入信息生成单元102将医疗图像和补充信息输出到图像特征值获取单元104并获取响应于输出而从图像特征值获取单元104供应的图像特征值。然后，输入信息生成单元102将获取的图像特征值和临床信息作为输入信息输出到推断单元106和影响程度获取单元108。

图像特征值获取单元104根据从输入信息生成单元102输出的医疗图像和补充信息来获取图像特征值。图像特征值获取单元104对要接受射线照片解释的医疗图像执行图像处理，以获取医疗图像的图像特征值。在输入信息生成单元102输出诸如指示异常区域的坐标信息之类的补充信息的情况下，图像特征值获取单元104获取由该坐标信息指示的异常区域的图像特征值。在这里，图像特征值是指示图像特征的数值。具体而言，例如，图像特征值指示异常区域的形状、密度或尺寸。图像特征值获取单元104将获取的图像特征值输出到输入信息生成单元102。

推断单元106使用由输入信息生成单元102生成的输入信息作为输入来推断目标病例的诊断名称。在第一实施例中，将作为示例描述与肺的异常阴影相关联的诊断名称的推断。推断单元106可以根据从输入信息生成单元102输出的补充信息或图像处理来获取异常阴影的位置。推断单元106获取医疗图像中的异常阴影与具体诊断名称对应的概率作为推断结果。推断单元106将所获取的推断结果输出到影响程度获取单元108和显示控制器114。推断单元106是推断单元的示例。

影响程度获取单元108使用由输入信息生成单元102生成的输入信息和从推断单元106输出的推断结果来获取包括在输入信息中的元素对推断结果的影响程度。影响程度获取单元108将所获取的元素的影响程度输出到呈现概率获取单元110。

呈现概率获取单元110使用由影响程度获取单元108获取的影响程度来获取作为参考信息的候选的信息的呈现的概率。由显示控制器114为用户呈现参考信息作为由推断单元106执行的推断的原因。呈现概率是指示优选呈现程度的指标，作为参考信息的候选的参考信息。呈现概率获取单元110基于图像特征值获取图像发现。图像发现和输入信息中的临床信息是参考信息的候选。呈现概率获取单元110将所获取的参考信息的候选的呈现概率输出到选择单元112。呈现概率获取单元110是获取单元的示例。

选择单元112基于由呈现概率获取单元110获取的参考信息的候选的呈现概率来选择参考信息，即，作为推断的原因而呈现的信息。选择单元112将所选择的信息输出到显示控制器114。选择单元112是选择单元的示例。

显示控制器114将从推断单元106输出的推断结果以及由选择单元112选择的参考信息呈现给用户。显示控制器114根据推断结果和参考信息控制要在监视器1005中显示的内容。

要注意的是，包括在图1的医疗诊断支持装置100中的至少一些部件可以被实现为独立装置。此外，至少一些部件可以被实现为实现各个功能的软件。在第一实施例中，单元通过软件单独实现。

图2是图示医疗诊断支持装置100的硬件配置的图。CPU 1001主要控制各个部件的操作。主存储器1002存储将由CPU 1001执行的控制程序，并提供用于执行由CPU 1001执行的程序的工作区。磁盘1003存储操作系统(OS)、外围设备的设备驱动程序以及实现各种应用软件的程序(包括用于执行下述处理的程序)。当CPU 1001执行存储在主存储器1002和磁盘1003中的程序时，实现图1的医疗诊断支持装置100的功能(软件)和下面描述的流程图中的处理。

例如，显示存储器1004临时存储要在监视器1005中显示的数据。监视器1005是CRT监视器或液晶监视器，其基于从显示存储器1004供应的数据显示图像、文本等。鼠标1006和键盘1007被用户用来分别执行指向输入(pointing input)和文本输入。

上述部件以通信可用的方式通过公共总线1008彼此连接。CPU 1001是处理器的示例。医疗诊断支持装置100可以包括多个处理器。医疗诊断支持装置100可以包括用于专门执行推断单元106的处理的图形处理单元(GPU)或者对推断单元106的功能进行编程的现场可编程门阵列(FPGA)。此外，主存储器1002、磁盘1003和显示存储器1004是存储器的示例。

图3是由医疗诊断支持装置100执行的处理的流程图。在下面的描述中，图像特征值由“I_m”(m＝1至M)表示，图像发现由“F_n”表示(n＝1至N)表示，并且临床信息由“C_j”表示(j＝1至J)表示。在这里，值I_m的元素是连续值，值F_n的元素是离散值(类别值)，并且值C_j的元素是取决于元素的连续值或离散值。当值是离散值时，离散值由“f_nk”和“c_jk”表示。要注意的是，值k取决于值F_n和C_j而变化。此外，当图像特征值I_m和临床信息C_j是连续值时，值由“i_m”和“c_j”表示。

在第一实施例中，图4中所示的项和值被用作图像发现和临床信息。例如，在图像发现的情况下，在项F₁“形状”中选择四个值f₁₁“球形”、f₁₂“分叶状”、f₁₃“多边形”和f₁₄“不规则”中的一个。在项F₂“切割”中选择三个值f₂₁“深”、f₂₂“浅”和f₂₃“无”中的一个。在临床信息中的项C₁“发烧”中选择两个值c₁₁“阳性”和c₁₂“阴性”中的一个。选择连续值c_J作为“CEA”(一类肿瘤标志物)的项C_J中的元素。

在下面的描述中，作为元素的值I_m、F_n和C_j的集合用“E”表示，并且输入信息用“E_f”表示。此外，在下面的描述中，诊断名称用“D”表示。在第一实施例中，推断单元106通过选择与原发性肺癌、肺转移癌及其它对应的三个值中的一个来推断与肺的异常阴影相关联的诊断名称。在下文中，原发性肺癌、肺转移癌及其它分别由“d₁”、“d₂”和“d₃”表示。此外，当输入信息E_f被输入到推断单元106时获取的诊断名称d_s(s＝1、2或3)的推断概率由“P(d_s|E_f)”表示。

在步骤S3000中，输入信息生成单元102获取从病例信息终端200发送到医疗诊断支持装置100的信息(医疗图像、临床信息和补充信息)。在第一实施例中，作为示例将描述仅异常阴影的坐标信息作为补充信息被发送的情况。

在步骤S3010中，图像特征值获取单元104基于在步骤S3000中供应的医疗图像和补充信息执行图像处理，以获取图像特征值。在这个步骤中获取的图像特征值可以是一般图像特征值(诸如图像中的处理目标区域中的密度(亮度)的平均值或分散)，或者基于滤波器输出的图像特征值。

在第一实施例中，图像特征值获取单元104参考在步骤S3000中获取的补充信息(异常阴影的坐标信息)，从医疗图像中分割异常阴影的区域，此后，通过图像处理获取图像特征值。

在步骤S3020中，输入信息生成单元102基于在步骤S3000中获取的临床信息和在步骤S3010中获取的图像特征值来生成输入信息。例如，在这里假设在步骤S3000中获取的临床信息是{c₁₂，c₂₂，...，c_J}，并且在步骤S3010中获取的图像特征值是{i₁，i₂，...，i_M}。在这种情况下，输入信息E_f被表示如下：E_f＝{c₁₂，c₂₂，...，c_J，i₁，i₂，...，i_M}。

在步骤S3030中，推断单元106基于在步骤S3020中生成的输入信息执行与作为诊断目标的肺的异常阴影相关联的推断。具体而言，推断单元106根据表示包括在医疗图像中的区域的特征的图像特征值推断从医疗图像导出的诊断名称。具体而言，获取值P(d_s|E_f)。推断方法的示例包括使用贝叶斯网络的方法、使用支持向量机的方法以及使用神经网络的方法。在第一实施例中，使用贝叶斯网络。

在步骤S3040中，影响程度获取单元108使用在步骤S3020中生成的输入信息和在步骤S3030中执行的推断的结果来获取包括在输入信息中的元素对推断结果的影响程度。具体而言，影响程度获取单元108获取影响程度，该影响程度是针对用作由推断单元106执行的推断的输入的各个信息对于诊断名称的推断的影响程度。在第一实施例中，获取对各种诊断名称中具有最高推断概率的诊断名称d_f的影响程度。具体而言，通过从使用输入信息E_f推断的诊断名称d_f的推断概率中减去仅从输入信息E_f中移除元素e_v时获取的诊断名称d_f的推断概率，获取某个元素e_v(e_v是包括在E_f中的元素)的影响程度。元素的影响程度由“I(e_v)”表示，并被定义为下面的表达式1。

I(e_v)＝P(d_f|E_f)-P(d_f|E_f-e_v) (1)

当值“I(e_v)”为正时，由于元素e_v不包括在输入信息中，因此诊断名称d_f的推断概率降低。因而，元素e_v被视为肯定诊断名称d_f的信息。另一方面，当值“I(e_v)”为负时，由于元素e_v不包括在输入信息中，因此诊断名称d_f的推断概率增加。因而，元素e_v是不肯定诊断名称d_f的信息。

在步骤S3050中，呈现概率获取单元110获取参考信息的候选的呈现概率，即，作为推断的原因要呈现的信息。包括图像发现和临床信息的元素的呈现概率由在步骤S3040中获取的影响程度的绝对值表示。此外，呈现概率获取单元110根据图像特征值与图像发现之间的关系获取图像特征值的元素的呈现概率。

在第一实施例中，呈现概率获取单元110根据图像特征值搜索相似病例，并使用关于与相似病例相关联的发现的信息将图像特征值转换为附加有呈现概率的图像发现。可以从存储在病例信息终端200中的病例的数据库或者存储在安装在医疗诊断支持装置100外部的服务器(未示出)中的病例的数据库中检索相似病例。假设预先向存储在病例信息终端200或外部服务器(未示出)中的各个病例指派了图像发现。具体而言，呈现概率获取单元110基于图像特征值获取图像发现。更具体而言，呈现概率获取单元110获取关于与输入到推断单元106的输入信息中包括的图像特征值相关联的发现的信息。

具体而言，呈现概率获取单元110通过使用图像特征值的影响程度的绝对值作为权重执行对相似性病例搜索进行加权来提取附加有相似性程度的多个病例。然后，基于指派给提取出的病例(目标病例)的图像发现与要接受由医疗诊断支持装置100执行的诊断支持的病例(当前病例)的图像特征值之间的相似性程度来获取呈现概率。具体而言，目标病例是具有与输入到推断单元106的输入信息中包括的图像特征值类似的图像特征值的相似病例的示例。

首先，呈现概率获取单元110如下所述地获取相似性程度。目标病例(T_x：x＝1至X)的图像特征值i_m的值由i_Txm表示，并且当前病例与目标病例T_x之间的相似性程度Sim(T_x)由下面的表达式2表示。要注意的是，图像特征值被归一化到0或1。因为当前病例的图像特征值和目标病例T_x的图像特征值更彼此接近，因此表达式2中的相似性程度Sim(T_x)具有更接近1的值。

[数学表达式1]

要注意的是，呈现概率获取单元110可以通过其它方法获取相似性程度。例如，呈现概率获取单元110可以不使用影响程度作为权重，而是可以使用S和T_x之间的Mahalanobis广义距离作为相似性程度。在这种情况下，优选地执行转换，使得当Mahalanobis广义距离为0时获得相似性程度1。

此外，呈现概率获取单元110根据指派给目标病例的图像发现和相似性程度来获取如表达式3中所示的图像发现的值的呈现概率(Pre(f_nk))。

[数学表达式2]

表达式3示出了当图像发现的值f_nk被指派给目标病例T_x时δ_x(f_nk)为1而当值f_nk未被指派给目标病例T_x时δ_x(f_nk)为0的函数。在表达式3中，具有高相似性程度的一组目标病例中公共图像发现的值的数量越大，图像发现的值的呈现概率越大。具体而言，呈现概率获取单元110根据相似性程度和指示与目标病例组中的某个图像发现的关联频率的统计信息来获取呈现概率。此外，图像特征值被转换为附加有呈现概率的图像发现。

在前述实施例中，呈现概率获取单元110使用存储相似病例的数据库中包括的所有数据(X个病例)来获取呈现概率。但是，本发明不限于此，并且呈现概率获取单元110可以仅使用在相似性程度排名前X'个病例或者仅使用具有大于阈值的相似性程度的X'个病例来获取呈现概率，其中阈值是预先设置的。

在步骤S3060中，选择单元112基于在步骤S3050中获取的呈现概率来选择作为推断的原因要呈现的信息。选择单元112从除了输入到推断单元106的输入信息中的图像特征值和在步骤S3050中获取的图像发现以外的元素中选择作为推断的原因要呈现的信息。由选择单元112选择的信息被呈现为参考信息，即，推断的原因。具体而言，选择单元112根据输入到推断单元106的输入信息中所包括的图像特征值与相似病例的图像特征值之间的相似性程度以及基于指示相似病例与图像发现之间的关联频率的统计信息的呈现概率来选择作为推断的原因要呈现的信息。

在第一实施例中，以呈现概率的降序选择三个信息项。要注意的是，如果可以为一个图像发现的项(例如，F_n)获取多个值(例如，f_n1和f_n2)，那么仅选择值中与较高呈现概率对应的一个，并且忽略其它值。选择的数量和选择方法不限于这些。选择的数量可以不是3。可以采用选择满足预定阈值的信息的方法。

在步骤S3070中，显示控制器114根据在步骤S3030中获取的推断结果和在步骤S3060中选择的信息来控制显示内容。具体而言，显示控制器114呈现指示发现并且由选择单元112作为推断的原因而选择的信息，其中发现表示包括在作为诊断支持的目标的病例的医疗图像中的区域的特征。

在下文中，将参考图5至图7描述从步骤S3040到步骤S3070的流程。在这里假设在步骤S3040中影响程度获取单元108获取输入到推断单元106的输入信息的元素的影响程度，如图5中所示。在步骤S3050中，呈现概率获取单元110根据表达式2获取输入信息中的图像特征值i₁至i_m(图6的(a)中所示)与目标病例之间的相似性程度。此后，呈现概率获取单元110使用与目标病例的相似性程度和与目标病例相关联的图像发现来根据表达式3获取呈现概率，如图6的(b)中所示。由此，包括在输入信息中的图像特征值被转换为附加有呈现概率的图像发现的值。具体而言，呈现概率获取单元110将M个图像特征值转换为附加有呈现概率的Y个图像发现的值。因此，呈现概率获取单元110获取附加有呈现概率的图像发现，如图6的(c)中所示。此外，呈现概率获取单元110获取输入信息中的临床信息的影响程度的绝对值，作为呈现概率。因此，呈现概率获取单元110获取附加有呈现概率的临床信息，如图6的(d)中所示。要注意的是，由于在这个实施例中使用存储在数据库(未示出)中的所有病例，因此Y是与当前病例的图像特征值无关的固定数量。另一方面，在病例限于前X'个病例或超过阈值的X”个病例的情况下，值Y可以改变。

随后，在步骤S3060中，根据临床信息的元素的图像发现和呈现概率来选择信息。在图6的示例中，元素的值按照呈现概率的降序排列如下：f₁₄，f_N1，f_N2，c_J等。但是，f_N1和f_N2都是F_N的值，因此，仅考虑具有较高呈现概率的f_N1，而f_N2被排除。因而，最终选择f₁₄、f_N1和c_J作为参考信息，即，推断的原因，如图6的(e)中所示。也就是说，在参考信息的候选中表示相同特征的发现中包括不同值的情况下，选择单元112选择与具有较高呈现概率的发现的值相关联的信息作为参考信息或推断的原因。

图7是图示在步骤S3070中在显示控制器114的控制下在监视器1005中显示的屏幕的图。显示内容700包括在步骤S3000中获取的医疗图像7000、在步骤S3030中获取的推断结果7010以及在步骤S3060中选择的参考信息7020。用户可以在图像诊断时使用推断结果7010和参考信息7020作为支持信息。

根据第一实施例，医疗诊断支持装置100基于医疗图像的输入信息执行推断，并获取输入信息的元素对推断结果的影响程度。此外，医疗诊断支持装置100使用元素的影响程度来获取呈现概率。特别地，当图像特征值包括在输入信息中时，图像特征值被转换为具有指派给其的呈现概率的图像发现，并且根据呈现概率呈现用作参考信息的图像发现和临床信息。由此，医生(即，用户)可以以人类容易理解的图像发现或临床信息的形式识别作为推断的原因的信息。

第一实施例的第一修改

在第一实施例中，在步骤S3050中搜索相似病例，并且将图像特征值转换为图像发现。本发明不限于此，并且可以通过使用图像特征值推断图像发现的值的可能性来将图像特征值转换为附加有呈现概率的图像发现。在这里，可以使用仅具有等于或大于某个阈值的影响程度的图像特征值。在这种情况下，可以将其它图像特征值确定为缺陷值。此外，可以仅使用具有前N个影响程度的图像特征值。可以使用图像发现的可能性作为呈现概率，或者可以对图像特征值的影响程度的平均值、最大值和最小值进行积分。

第一实施例的第二修改

在第一实施例中，在步骤S3050中搜索相似病例，并且将图像特征值转换为图像发现。本发明不限于此，并且可以使用图像特征值与图像发现之间的相关比来执行到附加有呈现概率的图像发现的转换。例如，呈现概率获取单元110获取图像特征值i_m与存储在数据库中的病例的图像发现F_n之间的相关比η_mn，并获取图像特征值的影响程度和相关比的乘积的平均值。呈现概率获取单元110如表达式4中所示地获取图像发现F_n的呈现概率(Pre(F_n))。

[数学表达式3]

在另一个示例中，可以解析F_n，当检测到f_nk时为1并且当未检测到f_nk时为0的与K个图像发现的值对应的类别值以及相关比在图像发现的值f_nk的呈现概率被获取之前被获取。假设图像特征值i_m与图像发现f_nk之间的相关比由η_mnk表示，那么图像发现的值f_nk的呈现概率可以由表达式5表示。

[数学表达式4]

具体而言，预定相关比可以被用作用于在获取呈现概率时通过某个图像发现来表示图像特征值的统计信息。

第二实施例

第二实施例的医疗诊断支持装置100使用从图像特征值到图像发现的转换结果作为推断的输入信息来执行推断和推断的原因的呈现。

第二实施例的医疗诊断支持装置100包括与图1中第一实施例相同的部件。要注意的是，其中一些功能与第一实施例的功能不同，并且现在将描述仅与第一实施例不同的部分。

输入信息生成单元102基于从病例信息终端200发送到医疗诊断支持装置100的信息(医疗图像、临床信息和补充信息)来生成输入信息。在第二实施例中，输入信息生成单元102将医疗图像和补充信息输出到图像特征值获取单元104。此后，输入信息生成单元102获取从图像特征值获取单元104输出的图像特征值。此外，输入信息生成单元102基于获取的图像特征值执行推断并执行到附加有可能性的图像发现的转换。然后，输入信息生成单元102将转换后的图像发现和临床信息作为输入信息输出到影响程度获取单元108和呈现概率获取单元110。输入信息生成单元102是基于图像特征值获取关于发现的信息的获取单元的示例。输入信息生成单元102可以从外部服务器(未示出)获取关于图像发现的信息，该外部服务器提供基于图像特征值推断图像发现的功能，或者可以使与输入信息生成单元102不同的模块(例如，推断单元106或第二推断单元)执行推断。

推断单元106基于由输入信息生成单元102生成的输入信息来执行推断。输入信息包括从图像特征值转换的图像发现。具体而言，推断单元106是基于图像特征值推断从医疗图像导出的诊断名称的推断单元的示例。

呈现概率获取单元110基于由输入信息生成单元102生成的附加有可能性的图像发现和由影响程度获取单元108获取的影响程度来获取参考信息的候选的呈现概率。呈现概率获取单元110向选择单元112输出所获取的参考信息的候选的呈现概率。

医疗诊断支持装置100具有与图2中所示第一实施例的硬件配置相同的硬件配置。具体而言，当CPU 1001执行存储在主存储器1002和磁盘1003中的程序时，实现医疗诊断支持装置100的功能(软件)和图3的流程图中的处理。医疗诊断支持装置100可以包括多个处理器。例如，医疗诊断支持装置100可以单独地包括：基于图像特征值推断图像发现的输入信息生成单元102，以及对推断从医疗图像导出的诊断名称的推断单元106的功能进行编程的FPGA。

图3是由第二实施例的医疗诊断支持装置100执行的处理的流程图。通过调用前面的描述，省略了与第一实施例的处理相同的处理的详细描述，并且在下文中将描述与第一实施例不同的部分。

步骤S3000和步骤S3010中的处理与第一实施例的处理相同。

在步骤S3020中，输入信息生成单元102将在步骤S3000中获取的临床信息和在步骤S3010中获取的图像特征值转换为图像发现，以生成输入信息。具体而言，输入信息生成单元102通过对在步骤S3010中获取的图像特征值执行推断来获取关于发现的信息。在第二实施例中，输入信息生成单元102例如基于图像特征值执行推断并且将图像发现转换为附加有可能性的图像发现。

在这里假设作为从图像特征值{i₁，i₂，...，i_M}的转换的结果而获取的图像发现与形状(F₁：f₁₁，f₁₂，f₁₃和f₁₄)对应。输入信息生成单元102使用图像特征值作为输入来输出f₁₁、f₁₂、f₁₃和f₁₄的可能性。假设f₁₁的可能性是L(f₁₁)，那么满足以下表达式：L(f₁₁)+L(f₁₂)+L(f₁₃)+L(f₁₄)＝1.0。可以采用各种方法作为对图像发现执行推断的方法，只要可以输出附加有可能性的值即可。在第二实施例中，使用多值神经网络。此外，附加有可能性的转换后的图像发现在下文中用“F₁()”表示。具体而言，输入信息生成单元102获取关于与图像特征值对应的发现的信息，并获取将图像特征值表示为发现的可能性(即，统计信息)。

然后，输入信息生成单元102生成转换后的图像发现和临床信息的集合作为输入信息。附加有可能性的图像发现被用作输入信息。例如，当临床信息是{c₁₂，c₂₂，...，c_J}，并且转换后的图像发现是{F₁()，F₂()，...}时，输入信息E_f表示如下：E_f＝[c₁₂，c₂₂，...，c_J，F₁()，F₂()，...]。

在步骤S3030中，推断单元106基于在步骤S3020中生成的输入信息执行与作为诊断目标的肺的异常阴影相关联的推断。与第一实施例一样，贝叶斯网络被用作推断方法。具体而言，推断单元106使用关于基于图像特征值获取的发现的信息作为输入信息来执行推断。

由于在第二实施例中图像发现的值由可能性表示，因此对图像发现的所有组合执行推断，并且使用可能性来对推断的结果进行积分。在这里，作为示例将描述图像发现是F_a{f_a1，f_a2}和F_b{f_b1，f_b2}并且临床信息是{c_J}的情况。首先，推断单元106生成考虑输入信息中包括的元素的所有组合的试验性输入信息(E_z)。在这种情况下，推断单元106生成四个试验性输入信息，即，E₁＝{f_a1，f_b1，c_J}、E₂＝{f_a1，f_b2，c_J]、E₃＝[f_a2，f_b1，c_J]和E₄＝{f_a2，f_b2，c_J}。然后，推断单元106使用各个试验性输入信息来获取P(d_s|E_z)。此外，推断单元106执行各个P(d_s|E_z)和图像发现的可能性的积分，并通过将积分的结果彼此相加来获取作为最终推断结果值。在上面的示例中，推断单元106获取“L(f_a1)×L(f_b1)×P(d_s|E₁)+...+L(f_a2)×L(f_b2)×P(d_s|E₄)”作为最终推断结果P(d_s|E_z)。在上面的示例中，推断结果可以由下面的表达式6表示。

[数学表达式5]

具体而言，推断单元106生成多条试验性输入信息，所述多条试验性输入信息包括关于包括在输入信息中的发现的信息中的至少一些，并且基于推断的结果来推断诊断名称，其中推断是基于多个试验性输入信息和可能性(即，统计信息)执行的。要注意的是，推断单元106可以不考虑具有等于或小于阈值的可能性的图像发现的值。

步骤S3040中的处理与第一实施例的处理相同。

在步骤S3050中，呈现概率获取单元110使用在步骤S3020中获取的图像发现的可能性和在步骤S3040中获取的影响程度来获取呈现概率。呈现概率获取单元110获取临床信息中包括的元素的影响程度的绝对值作为呈现概率。此外，呈现概率获取单元110获取由输入信息生成单元102转换的图像发现的可能性和影响程度的绝对值的乘积作为呈现概率。具体而言，呈现概率获取单元110基于影响程度和作为统计信息的示例的可能性来获取图像发现的呈现概率L(f_nk)×I(f_nk)。

步骤S3060和步骤S3070中的处理与第一实施例中的处理相同。具体而言，选择单元112根据对关于包括在输入信息中的发现的信息的推断的影响程度和作为基于统计信息的值的用于通过关于发现的信息表示由图像特征值指示的区域的呈现概率来选择作为推断的原因要呈现的信息。然后，显示控制器114将由选择单元112选择的信息作为推断的原因呈现。

根据第二实施例，医疗诊断支持装置100根据图像处理的结果将医疗图像转换为图像发现，并使用转换后的图像发现和临床信息作为输入信息。然后，医疗诊断支持装置100获取输入信息的元素的呈现概率，并根据呈现概率呈现用作参考信息的图像发现和临床信息。由此，医生(即，用户)可以以人们容易理解的图像发现或临床信息的形式识别参考信息，因此，医生可以使用参考信息作为对诊断的支持。

第二实施例的第一修改

在步骤S3020中，输入信息生成单元102基于图像特征值通过推断获取附加有可能性的图像发现。但是，本发明不限于此，并且与第一实施例一样，可以搜索相似病例以获取关于发现的信息，或者可以使用相关比来获取关于发现的信息。

当通过搜索相似病例获取关于发现的信息时，使用Mahalanobis的广义距离获取相似性程度Sim(T_x)，并且可以使用用于获取表达式3的呈现概率的表达式作为发现的可能性。

当要使用相关比获取关于发现的信息时，例如，可以根据下面的表达式7获取可能性。

[数学表达式6]

第二实施例的第二修改

在步骤S3030中，生成图像发现的所有组合的试验性输入信息，并且使用试验性输入信息的推断的结果被积分，从而获得最终推断结果。但是，可以不生成图像发现的所有组合的试验性输入信息。例如，在推断中可以仅使用具有最高可能性的图像发现的值。

第三实施例

在第三实施例中，作为示例将描述要输入到推断单元106的输入信息包括关于基于图像特征值获取的发现的信息和关于由医生输入的发现的信息作为补充信息的情况。

第三实施例的医疗诊断支持装置100包括与图1中所示的第一实施例相同的部件。此外，医疗诊断支持装置100具有与图2中所示的第一实施例的硬件配置相同的硬件配置。具体而言，当CPU 1001执行存储在主存储器1002和磁盘1003中的程序时，实现根据第三实施例的医疗诊断支持装置100的功能(软件)和图3的流程图中的处理。

图3是根据第三实施例的医疗诊断支持装置100执行的处理的流程图。通过调用前面的描述，省略了与第一实施例的处理相同的处理的详细描述，并且在下文中将描述与第一实施例不同的部分。

步骤S3000和步骤S3010中的处理与第一实施例的处理相同。

在步骤S3020中，输入信息生成单元102基于在步骤S3000中获取的临床信息、包括在补充信息中的图像发现和在步骤S3010中获取的图像特征值来生成输入信息。在这里假设在步骤S3000中获取的临床信息是{c₁₂，c₂₂，...，c_J}，补充信息中包括的图像发现是{f₁₁，f₃₁}，并且在步骤S3010中获取的图像特征值是{i₁，i₂，...，i_M}。在这种情况下，输入信息E_f表示如下：E_f＝{c₁₂，c₂₂，...，c_J，f₁₁，f₃₁，i₁，i₂，...，i_M}。

步骤S3030和步骤S3040中的处理与第一实施例的处理相同。

在步骤S3050中，呈现概率获取单元110使用在步骤S3040中计算的影响程度来计算参考信息的候选的呈现概率。呈现概率获取单元110获取图像发现和临床信息中包括的元素的影响程度的绝对值作为呈现概率。此外，呈现概率获取单元110将图像特征值转换为附加有呈现概率的图像发现。

与第一实施例一样，在第三实施例中搜索相似病例并且获取基于图像特征值的图像发现。在这里，通过搜索相似病例获取的图像发现和由医生输入的图像发现可以彼此一致。例如，当如上所述的图像发现彼此一致时，呈现概率获取单元110确定通过相似病例搜索获取的图像发现不是参考信息的候选。在这里假设包括在输入信息中的图像发现是f₁₁，并且获取包括在图6的(c)中的附加有呈现概率的图像发现。在这种情况下，例如，由于由医生输入作为图像发现F₁中包括的值的f₁₁，因此在附加有呈现概率的图像发现中作为图像发现F₁中包括的值的f₁₄不被确定为参考信息的候选，并且呈现概率被设置为0。因而，参考信息的候选仅包括图像发现F₁中包括的f₁₁。作为补充信息的f₁₁的呈现概率与影响程度的绝对值对应。

步骤S3060和步骤S3070中的处理与第一实施例的处理相同。

根据第三实施例，当图像发现包括在补充信息中时，医疗诊断支持装置100确定图像特征值、图像发现和临床信息是输入信息。此后，基于输入信息执行推断，并且获取对输入信息的元素的推断结果的影响程度。此外，医疗诊断支持装置100使用元素的影响程度来获取呈现概率。但是，当从图像特征值转换的图像发现和包括在输入信息中的图像发现彼此一致时，优先使用包括在输入信息中的图像发现。由此，医生(即，用户)使用由医生输入的图像发现来执行推断，此外，参考信息可以以人们容易理解的图像发现或临床信息的形式呈现。此外，用户可以考虑用户的思考来检查推断的原因。

修改

当实现前述实施例的至少一个功能的程序通过网络或存储介质供应给系统或装置并且系统或装置的计算机中包括的至少一个处理器读取和执行程序时，可以实现本发明。此外，本发明可以通过实现至少一个功能的电路(例如，专用集成电路(ASIC))来实现。

根据前述实施例的每个医疗诊断支持装置可以被实现为单个装置，或者多个装置可以以通信可用的方式彼此组合。这两种情况都包括在本发明的实施例中。上述处理可以由公共服务器装置或公共服务器组执行。医疗诊断支持装置和包括在医疗诊断支持系统中的多个装置可以以预定的通信速率彼此通信，并且不一定是医疗诊断支持装置和医疗诊断支持系统安装在同一设施或同一国家中的情况。

本发明的实施例还包括将实现前述实施例中的功能的软件程序供应给系统或装置的情况，并且包括在系统或装置中的计算机读取和执行所提供的程序的代码。

因而，安装在计算机中的用于通过计算机实现实施例的处理的程序代码也包括在本发明的实施例中。此外，在计算机中操作的OS等根据由计算机读取的程序中包括的指令执行部分或全部实际处理，并且通过该处理实现上述实施例的功能。

通过适当组合前述实施例而获取的实施例也包括在本发明的实施例中。

根据本发明的实施例，可以使用关于包括医生容易识别的内容的发现的信息来呈现用作推断的原因的信息，因此，医生可以容易地确定推断的结果是否对诊断有用。

本发明的(一个或多个)实施例还可以通过读出并执行记录在存储介质(其也可以被更完整地称为“非瞬态计算机可读存储介质”)上的计算机可执行指令(例如，一个或多个程序)以执行上述(一个或多个)实施例中的一个或多个实施例的功能和/或包括用于执行上述(一个或多个)实施例中的一个或多个实施例的功能一个或多个电路(例如，专用集成电路(ASIC))的系统或装置的计算机来实现，以及通过例如从存储介质读出并执行计算机可执行指令以执行上述(一个或多个)实施例中的一个或多个实施例的功能和/或控制一个或多个电路执行上述(一个或多个)实施例中的一个或多个实施例的功能而通过由系统或装置的计算机执行的方法来实现。计算机可以包括一个或多个处理器(例如，中央处理单元(CPU)、微处理单元(MPU))，并且可以包括单独计算机或单独处理器的网络，以读出并执行计算机可执行指令。计算机可执行指令可以例如从网络或存储介质提供给计算机。存储介质可以包括例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)、分布式计算系统的存储装置、光盘(诸如紧凑盘(CD)、数字多功能盘(DVD)或蓝光盘(BD)^TM)、闪存设备、存储卡等。

虽然已经参考示例性实施例描述了本发明，但是应当理解的是，本发明不限于所公开的示例性实施例。以下权利要求的范围将被赋予最广泛的解释，以便涵盖所有此类修改以及等效的结构和功能。

本申请要求于2016年4月13日提交的日本专利申请No.2016-080650的权益，该申请通过引用整体上并入本文。

Claims (19)

1.一种医疗诊断支持装置，包括：

推断单元，被配置为基于图像特征值来推断从医疗图像导出的诊断名称，其中图像特征值是指示包括在医疗图像中的区域的特征的数值，并且是通过对医疗图像进行图像处理而获取的；

获取单元，被配置为获取关于通过语言表示包括在医疗图像中的区域的特征的发现的信息，所述发现是从图像特征值转换的；以及

呈现控制单元，被配置为呈现由获取单元获取的关于所述发现的信息，作为由推断单元执行的推断的原因。

2.如权利要求1所述的医疗诊断支持装置，还包括：选择单元，被配置为从由推断单元用作推断的输入的信息当中选择作为推断的原因而要由呈现控制单元呈现的信息。

3.如权利要求2所述的医疗诊断支持装置，其中选择单元被配置为对于由推断单元用作推断的输入的信息，根据作为对诊断名称的推断的影响的程度的影响程度来选择作为推断的原因而要由呈现控制单元呈现的信息。

4.如权利要求3所述的医疗诊断支持装置，

其中选择单元被配置为根据影响程度以及用于通过所述发现表示由图像特征值指示的区域的特征的统计信息来选择作为推断的原因而要由呈现控制单元呈现的信息，并且

其中呈现控制单元呈现由选择单元选择的推断的原因。

5.如权利要求4所述的医疗诊断支持装置，其中获取单元被配置为获取关于与图像特征值相关联的所述发现的信息，所述信息包括在作为要用作推断的输入的信息的集合的输入信息中。

6.如权利要求5所述的医疗诊断支持装置，其中获取单元被配置为根据关于在具有与输入信息中包括的图像特征值相似的图像特征值的相似病例中使用的发现的信息来获取关于与包括在输入信息中的图像特征值相关联的所述发现的信息，并且

其中选择单元被配置为基于影响程度、输入信息中包括的图像特征值与相似病例的图像特征值之间的相似性程度以及指示所述发现与相似病例之间的关联频率的统计信息来选择作为推断的原因而要呈现的信息。

7.如权利要求4所述的医疗诊断支持装置，其中推断单元被配置为使用由获取单元基于作为输入的图像特征值获取的关于所述发现的信息来执行推断。

8.如权利要求7所述的医疗诊断支持装置，

其中获取单元被配置为通过对各个图像特征值执行推断来获取关于所述发现的信息，并且通过关于所述发现的信息获取用于表示由图像特征值指示的区域的特征的统计信息，并且

其中选择单元根据影响程度和由获取单元获取的统计信息来选择作为推断的原因而要呈现的信息。

9.如权利要求8所述的医疗诊断支持装置，其中推断单元被配置为生成多条试验性输入信息，所述多条试验性输入信息包括关于推断的输入信息中包括的至少多个所述发现的信息，并且基于针对所述多条试验性输入信息的推断的结果和由获取单元获取的统计信息来推断诊断名称。

10.如权利要求4至9中任一项所述的医疗诊断支持装置，其中选择单元被配置为使用预定的相关比作为用于通过所述发现来表示由图像特征值指示的区域的特征的统计信息。

11.如权利要求4至9中任一项所述的医疗诊断支持装置，其中选择单元被配置为当由获取单元基于图像特征值获取的关于所述发现的信息包括以不同方式表示相同特征的多个发现时，选择关于所述多个发现中的具有更高呈现概率的一个发现的信息。

12.如权利要求4至9中任一项所述的医疗诊断支持装置，其中选择单元被配置为当作为由推断单元执行的推断的输入包括关于由用户输入的发现的信息时，不选择关于由获取单元针对由关于由用户输入的发现的信息表示的特征所获取的发现的信息。

13.如权利要求1至9中任一项所述的医疗诊断支持装置，其中推断单元被配置为根据在对患者执行的诊断中获取的医疗信息和关于由用户输入的发现的信息以及指示包括在医疗图像中的区域的特征的图像特征值来推断从医疗图像导出的诊断名称。

14.如权利要求1至9中任一项所述的医疗诊断支持装置，其中呈现控制单元被配置为通过在显示单元中显示关于所述发现的信息来呈现作为推断的原因的所述信息。

15.如权利要求1至9中任一项所述的医疗诊断支持装置，还包括：显示控制单元，被配置为使显示单元显示医疗图像、推断出的诊断名称以及作为推断的原因的关于所述发现的信息。

16.一种诊断支持的信息处理方法，所述方法包括：

基于图像特征值来推断从医疗图像导出的诊断名称，其中图像特征值是指示包括在医疗图像中的区域的特征的数值，并且是通过对医疗图像进行图像处理而获取的；

获取关于通过语言表示包括在医疗图像中的区域的特征的发现的信息，所述发现是从图像特征值转换的；以及

呈现所获取的关于所述发现的信息作为推断的原因。

17.一种诊断支持的信息处理方法，所述方法包括：

使用图像特征值作为输入来推断从医疗图像导出的诊断名称，其中图像特征值是指示包括在医疗图像中的区域的特征的数值，并且是通过对医疗图像进行图像处理而获取的；

获取关于通过语言表示包括在医疗图像中的区域的特征的发现的信息，所述发现是从为推断输入的图像特征值转换的；以及

呈现所获取的关于发现的信息作为推断的原因。

18.一种诊断支持的信息处理方法，所述方法包括：

获取关于通过语言表示包括在医疗图像中的区域的特征的发现的信息，所述发现是从图像特征值转换的，其中图像特征值是指示所述区域的特征的数值，并且是通过对医疗图像进行图像处理而获取的；

使用基于作为输入的图像特征值获取的关于所述发现的信息来推断从医疗图像导出的诊断名称；以及

呈现关于所述发现的信息作为推断的原因。

19.一种医疗诊断支持系统，包括：

推断单元，被配置为基于图像特征值来推断从医疗图像导出的诊断名称，其中图像特征值是指示包括在医疗图像中的区域的特征的数值，并且是通过对医疗图像进行图像处理而获取的；

呈现控制单元，被配置为呈现关于通过语言表示包括在医疗图像中的区域的特征的发现的信息，作为由推断单元执行的推断的原因；以及

获取单元，被配置为获取关于所述发现的信息，所述发现是从图像特征值转换的。

Images