JP2005050115A - 診断支援システム、診断支援方法および診断支援プログラム - Google Patents

Abstract

【課題】 発現頻度の高い診断結果だけでなく発現頻度の低い診断結果も得ることが可能な診断支援システム、診断支援方法および診断支援プログラムを提供することである。
【解決手段】 帰納的知識獲得部２は、医療データ格納部１の医療データから一般知識を生成する。知識ベース４には、一般知識および稀少知識が登録される。キーグラフ部３は、医療データ格納部１に格納される医療データから稀少知識および新規知識を見出す。推論部６は、診断の際に、知識ベース４に登録された一般知識および稀少知識を用いてアブダクションおよび類推により、与えられる症状から説明（診断結果）を推論して出力する。アブダクティブ知識ベース９には、推論部６により生成されたアブダクティブ知識が登録される。
【選択図】 図１

Description

本発明は、医療診断、故障診断等の種々の診断を支援する診断支援システム、診断支援方法および診断支援プログラムに関する。

従来より、医師による医療診断を支援する種々の診断支援システムが提案されている（例えば、特許文献１参照）。

従来の診断支援システムは、予め患者の病状（症状）に関する病状情報と疾患（病気）に関する疾患情報とを対応付けたデータベースを予め用意し、病状情報が入力されたときに、その病状情報に対応する疾患情報をデータベースから読み出すものである。たとえば、病状Ａ、病状Ｂおよび病状Ｃが現れたときに疾患Ｄの可能性が高い場合に、病状Ａ，Ｂ，Ｃと疾患Ｄとの対応関係がデータベースに登録される。それにより、病状Ａ、病状Ｂおよび病状Ｃを示す病状情報が入力されると、疾患Ｄを示す疾患情報が出力される。
特開２００２−３２４７６号公報

しかしながら、従来の診断支援システムでは、特定の病状から高い確率で発現する疾患は診断結果として現れるが、特定の病状から稀にしか発現しない疾患については診断結果として現れない。たとえば、病状Ａ、病状Ｂおよび病状Ｃが現れたときに疾患Ｄの可能性が高い場合には、病状Ａ、病状Ｂおよび病状Ｃを入力することにより、疾患Ｄが出力されるが、病状Ａ、病状Ｂおよび病状Ｅが現れたときに疾患Ｄであることが稀である場合には、病状Ａ、病状Ｂおよび病状Ｅから疾患Ｄの診断結果を得ることができない。そのため、稀にしか発生しない病気を発見することは困難である。

本発明の目的は、発現頻度の高い診断結果だけでなく発現頻度の低い診断結果も得ることが可能な診断支援システム、診断支援方法および診断支援プログラムを提供することである。

第１の発明に係る診断支援システムは、複数の症状および診断結果から帰納的学習により症状と診断結果との対応関係を一般知識として生成する一般知識生成手段と、複数の症状および診断結果から一般知識に比べて発現頻度の低い稀少知識を生成する稀少知識生成手段と、一般知識生成手段により生成された一般知識および稀少知識生成手段により生成された稀少知識に基づいてアブダクションおよび類推により、診断時に、与えられた症状に対応する診断結果を生成する推論手段とを備えたものである。

ここで、症状とは、診断対象において観測される状態を意味する。また、疾患とは、診断対象における病気または故障を意味する。

本発明に係る診断支援システムにおいては、複数の症状および診断結果から帰納的学習により症状と疾患との対応関係が一般知識として生成される。また、複数の症状および診断結果から一般知識に比べて発現頻度の低い稀少知識が生成される。診断時には、一般知識および稀少知識に基づいてアブダクションおよび類推により、与えられた症状に対応する診断結果が生成される。

このようにして、発現頻度の高い疾患だけでなく発現頻度の低い疾患も診断結果として得ることができる。したがって、稀な疾患を見逃すことなく確実に発見することができる。

推論手段は、アブダクションおよび類推により稀少知識および新規知識の生成を支援してもよい。この場合、診断時のアブダクションおよび類推により稀少知識および新規知識が生成されるので、診断の回数の増加に伴って診断結果の精度が向上する。

稀少知識生成手段は、キーグラフを含んでもよい。この場合、複数の症状と複数の診断結果との対応関係が図的に表示されるので、発現頻度の低い稀少知識を容易に発見することができる。

診断支援システムは、一般知識生成手段により生成された一般知識および稀少知識生成手段により生成された稀少知識を格納する第１の格納手段をさらに備え、推論手段は、第１の格納手段に格納された一般知識および稀少知識に基づいて診断結果を生成してもよい。

この場合、第１の格納手段に格納される一般知識および稀少知識を更新することにより、診断の精度を向上させることができる。

診断支援システムは、第１の格納手段に格納された一般知識をさらに一般化する一般化手段をさらに備えてもよい。それにより、診断時に、与えられる症状に基づいて診断結果を得ることができる確率を向上させることができる。

推論手段は、アブダクションおよび類推に伴ってアブダクティブ知識を生成し、推論手段により生成されたアブダクティブ知識を格納する第２の格納手段をさらに備えてもよい。

この場合、診断時のアブダクションおよび類推に伴ってアブダクティブ知識が副産物として生成され、生成されたアブダクティブ知識が逐次保存される。

診断支援システムは、第２の格納手段に格納されたアブダプティブ知識を一般化することにより一般知識を生成する一般化手段をさらに備えてもよい。

この場合、診断時に生成されたアブダクティブ知識により一般知識が逐次更新される。したがって、診断の精度を経時的に向上させることができる。

診断支援システムは、新規知識を格納する第３の格納手段と、第３の格納手段に格納された新規知識に基づいて第１の格納手段に格納された一般知識または稀少知識を更新する更新手段をさらに備えてもよい。

この場合、新規知識が逐次的に保存され、その新規知識に基づいて第１の格納手段に格納された一般知識または稀少知識が更新されるので、診断の精度を経時的に向上させることができる。

第２の発明に係る診断支援方法は、複数の症状および診断結果から帰納的学習により症状と診断結果との対応関係を一般知識として生成するステップと、複数の症状および診断結果から一般知識に比べて発現頻度の低い稀少知識を生成するステップと、生成された一般知識および生成された稀少知識に基づいてアブダクションおよび類推により、診断時に、与えられた症状に対応する診断結果を生成するステップとを備えたものである。

本発明に係る診断支援方法においては、複数の症状および診断結果から帰納的学習により症状と疾患との対応関係が一般知識として生成される。また、複数の症状および診断結果から一般知識に比べて発現頻度の低い稀少知識が生成される。診断時には、一般知識および稀少知識に基づいてアブダクションおよび類推により、与えられた症状に対応する診断結果が生成される。

このようにして、発現頻度の高い疾患だけでなく発現頻度の低い疾患も診断結果として得ることができる。したがって、稀な疾患を見逃すことなく確実に発見することができる。

第３の発明に係る診断支援プログラムは、コンピュータにより実行可能な診断支援プログラムであって、複数の症状および診断結果から帰納的学習により症状と診断結果との対応関係を一般知識として生成する処理と、複数の症状および診断結果から一般知識に比べて発現頻度の低い稀少知識を生成する処理と、生成された一般知識および生成された稀少知識に基づいてアブダクションおよび類推により、診断時に、与えられた症状に対応する診断結果を生成する処理とを備えたものである。

本発明に係る診断支援プログラムにおいては、複数の症状および診断結果から帰納的学習により症状と疾患との対応関係が一般知識として生成される。また、複数の症状および診断結果から一般知識に比べて発現頻度の低い稀少知識が生成される。診断時には、一般知識および稀少知識に基づいてアブダクションおよび類推により、与えられた症状に対応する診断結果が生成される。

このようにして、発現頻度の高い疾患だけでなく発現頻度の低い疾患も診断結果として得ることができる。したがって、稀な疾患を見逃すことなく確実に発見することができる。

本発明によれば、発現頻度の高い疾患だけでなく発現頻度の低い疾患も診断結果として得ることができる。したがって、稀な疾患を見逃すことなく確実に発見することができる。

図１は本発明の一実施の形態に係る診断支援システムの構成を示すブロック図である。本実施の形態では、診断支援システムの一例として、医療診断支援システムについて説明する。

図１の診断支援システム１００は、医療データ格納部１、帰納的知識獲得部２、キーグラフ部３、知識ベース４、一般化過程部５、推論部６、更新処理部７，８、アブダクティブ知識ベース９および新規知識ベース１０を備える。

医療データ格納部１はデータベースからなる。この医療データ格納部１には、各患者の症状情報として検査データ等の医療データが格納される。帰納的知識獲得部２は、帰納的学習プログラムにより構成され、医療データ格納部１に格納される医療データから一般知識を生成する。一般知識は決定木から生成された節（式）により表される。決定木は、複数の医療データと複数の病名等の疾患情報との対応関係を樹枝状に表したものである。この決定木により１または複数の医療データから疾患情報が決定される。

知識ベース４はデータベースからなる。この知識ベース４には、一般知識および稀少知識が登録される。

ここで、知識とは、医療データ（症状情報）と疾患情報との対応関係を表すものである。一般知識は、発現頻度の高い知識を意味する。これに対して、稀少知識は、一般知識に比べて発現頻度の低い知識を意味する。

一般知識および稀少知識は、複数の項からなる節（式）で表される。例えば、一般知識は、節「ａ，ｂ，ｃ→ｄ」で表される。ここで、「ａ」、「ｂ」、「ｃ」および「ｄ」は項である。節「ａ，ｂ，ｃ→ｄ」は、症状「ａ」、症状「ｂ」および症状「ｃ」が現れた場合には疾患「ｄ」であることを意味する。各項は、十二指腸潰瘍、ピロリ菌、高ガストリン血症等の具体的なキーワードを含む。

一般知識の例としては、「十二指腸潰瘍，ピロリ菌→高ガストリン血症」である。これは、十二指腸潰瘍およびピロリ菌がある場合には、高ガストリン血症であることを意味する。

キーグラフ部３は、ＫｅｙＧｒａｐｈ（キーグラフ）プログラムにより構成され、医療データ格納部１に格納される医療データから稀少知識および新規知識（未知知識）を見出す。すなわち、キーグラフ部３は、医療データから稀な疾患情報または新規な疾患情報を見つけ出す。キーグラフ部３により見出された稀少知識および新規知識は、新規知識ベース１０に与えられる。

ここで、ＫｅｙＧｒａｐｈは、要素同士の関連を出現頻度にかかわらず、グラフィカル（図的）に表示する手法である。したがって、キーグラフ部３によると、発現頻度の非常に低い稀少知識および現時点まで知られていない新規知識を発見することができる。

なお、医療データ格納部１に格納される医療データから稀少知識および新規知識を見出すために他の手法を用いることもできる。

一般化過程部５は、機械学習プログラムにより構成され、知識ベース４に登録された一般知識および後述するアブダクティブ知識ベース９に登録されたアブダクティブ知識を一般化し、一般知識として知識ベース４に与える。

ここで、知識の一般化とは、詳細な複数の知識を上位概念の知識で表すことをいう。

例えば、一般知識として「清酒（よく飲む）→脂質代謝異常」、「ウイスキー（よく飲む）→脂質代謝異常」および「ワイン（よく飲む）→脂質代謝異常」がある場合、一般化により「アルコール（よく飲む）→脂質代謝異常」という一般知識を生成することができる。

推論部６は、後述する推論プログラムにより構成される。この推論部６は、診断の際に、知識ベース４に登録された一般知識および稀少知識を用いてアブダクション（abduction：発想推論)および類推により、与えられる症状から説明（診断結果）を推論して出力する。また、推論部６は、所定の事項に関して医者等の専門家１０に確認を要求する。推論部６の詳細な動作については後述する。

推論部６による診断の際に、副産物としてアブダクティブ（発想的）知識または新規知識が生成される場合がある。

ここで、アブダクティブ知識とは、知識が欠如している状態でアブダクションを行った際に補間的に生成される知識をいう。例えば、「ａ，ｂ，ｃ→ｄ」という一般知識があるとする。与えられる症状に項「ｂ」および項「ｃ」がある場合、項「ｄ」を説明するために項「ａ」がアブダクティブ知識として生成される。この場合、アブダクションにより「ｘ，ｙ→ｚ」というアブダクティブ知識を生成することも可能である。

アブダクティブ知識ベース９はデータベースからなる。このアブダクティブ知識ベース９には、推論部６により生成されたアブダクティブ知識が登録される。

更新処理部７は、定期的または不定期（例えば、推論部６による診断時）にアブダクティブ知識ベース９に登録されたアブダクティブ知識を、専門家１１による確認の後、一般化過程部５に与える。この場合、更新処理部７は、アブダクティブ知識ベース９に登録されたアブダクティブ知識を専門家１１に提示し、そのアブダクティブ知識が正しいか否かの判断を求め、専門家１１が正しいと判断した場合に、そのアブダクティブ知識を一般化過程部５に与える。また、専門家１１がアブダクティブ知識を修正した場合には、更新処理部７は、修正後のアブダクティブ知識を一般化過程部５に与える。

一般化過程部５は、更新処理部７により与えられる複数のアブダクティブ知識を一般化する。

例えば、アブダクティブ知識として「清酒（５合）→脂質代謝異常」、「清酒（５．５合）→脂質代謝異常」、「清酒（６合）→脂質代謝異常」および「清酒（８合）→脂質代謝異常」がある場合、一般化により「清酒（＞５合）→脂質代謝異常」を生成することができる。また、専門家１１の判断により「清酒（よく飲む）→脂質代謝異常」を生成することができる。

一般化過程部５により一般化されたアブダクティブ知識は、知識ベース４に一般知識として登録される。また、更新処理部７は、専門家が正しいと判断したアブダクティブ知識を一般化しないで直接知識ベース４に稀少知識として登録する。

新規知識ベース１０はデータベースからなる。この新規知識ベース１０には、推論部６により与えられた新規知識およびキーグラフ部３により与えられた稀少知識または新規知識が登録される。

更新処理部８は、定期的または不定期（例えば、推論部６による診断時）に新規知識ベース１０に登録された稀少知識または新規知識を、専門家１１による確認の後、知識ベース４に与える。この場合、更新処理部８は、新規知識ベース１０に登録された稀少知識または新規知識を専門家１１に提示し、その稀少知識または新規知識が正しいか否かの判断を求め、専門家１１が正しいと判断した場合に、その稀少知識または新規知識を知識ベース４に与える。また、専門家１１が稀少知識または新規知識を修正した場合には、更新処理部８は、修正後の稀少知識または新規知識を知識ベース４に与える。

知識ベース４に与えられた新規知識のうち発現頻度の高い新規知識は一般知識として知識ベース４に登録され、発現頻度の低い新規知識は稀少知識として知識ベース４に登録される。このようにして、定期的にまたは不定期に知識ベース４の内容が逐次更新される。

図２は図１の診断支援システム１００のハードウエア構成を示すブロック図である。

診断支援システム１００は、ＣＰＵ（中央演算処理装置）５０１、ＲＯＭ（リードオンリメモリ）５０２、ＲＡＭ（ランダムアクセスメモリ）５０３、入力装置５０４、表示装置５０５、外部記憶装置５０６、記録媒体駆動装置５０７および印刷装置５０８を含む。

入力装置５０４は、キーボード、マウス等からなり、各種指令、医療データおよび患者の症状を入力するために用いられる。ＲＯＭ５０２にはシステムプログラムが記憶される。記録媒体駆動装置５０７は、ＣＤ−ＲＯＭドライブ、フロッピィディスクドライブ等からなり、ＣＤ−ＲＯＭ、フロッピィディスク等の記録媒体５０９に対してデータの読み書きを行う。

記録媒体５０９には、診断支援プログラムが記録されている。外部記憶装置５０６は、ハードディスク装置等からなり、記録媒体駆動装置５０７を介して記録媒体５０９から読み込まれた診断支援プログラムおよび各種データを記憶する。ＣＰＵ５０１は、外部記憶装置５０６に記憶された診断支援プログラムをＲＡＭ５０３上で実行する。

診断支援プログラムは、図１の帰納的知識獲得部２、キーグラフ部３、一般化過程部５、推論部６および更新処理部７，８を含む。

図１の医療データ格納部１、知識ベース４、アブダクティブ知識ベース９および新規知識ベース１０は、外部記憶装置５０６に構成される。

表示装置５０５は、液晶表示パネル、ＣＲＴ（陰極線管）等からなり、各種文字および画像等により図１の推論部６により出力される診断結果等を表示する。印刷装置５０８は、図１の推論部６により出力される診断結果等を印刷する。

なお、診断支援プログラムを記録する記録媒体５０９として、ＲＯＭ等の半導体メモリ、ハードディスク等の種々の記録媒体を用いることができる。また、診断支援プログラムを通信回線等の通信媒体を介して外部記憶装置５０６にダウンロードし、ＲＡＭ５０３上で実行してもよい。

本実施の形態では、帰納的知識獲得部２が一般知識生成手段に相当し、キーグラフ部３が稀少知識生成手段に相当し、推論部６が推論手段に相当する。また、知識ベース４が第１の格納手段に相当し、アブダクティブ知識ベース９が第２の格納手段に相当し、新規知識ベース１０が第３の格納手段に相当する。さらに、一般化過程部５が一般化手段に相当し、更新処理部８が更新手段に相当する。

図３は医療データ格納部１に格納される医療データの一例を示す図である。

図３に示すように、医療データ格納部１には、医療データとして複数の患者の検査結果が検査項目ごとに格納される。図３の例では、患者ごとに“ａｇｅ（年齢）”、“ｓｅｘ（性別）”、“ｇｏｉｔｒｅ（甲状腺腫）”、“ｔｕｍｏｒ（腫瘍）”、“ｈｙｐｏｐｉｔｕｉｔａｒｙ（下垂体機能低下）”、“ｐｓｙｃｈ（心理分析）”、“ＴＳＨ（甲状腺刺激ホルモン）”、“Ｔ３”、“ＴＴ４”、“Ｔ４Ｕ”、“ＦＴＩ（遊離サイロキシン指数）”および“Ｄｉａｇｎｏｓｉｓ（診断）”の項目についてのデータが格納されている。

“ｓｅｘ（性別）”の項目における“Ｆ”は女性を示し、“Ｍ”は男性を示す。また、“ｇｏｉｔｒｅ（甲状腺腫）”、“ｔｕｍｏｒ（腫瘍）”、“ｈｙｐｏｐｉｔｕｉｔａｒｙ（下垂体機能低下）”および“ｐｓｙｃｈ（心理分析）”の項目における“ｆ”は「偽」を表し、“ｔ”は「真」を表す。さらに、“Ｔ３”、“ＴＴ４”、“Ｔ４Ｕ”および“ＦＴＩ（遊離サイロキシン指数）”の項目については測定値が示されている。また、“Ｄｉａｇｎｏｓｉｓ（診断）”の項目には、診断結果が示されている。

図４は図３の医療データから生成される決定木の一例を示す図である。

図４の例では、“ＴＳＨ”の値が６以下の場合には、正常である。また、“ＴＳＨ”の値が６よりも大きい場合には、“ＦＴＩ”の値が６４以下の場合と“ＦＴＩ”の値が６４よりも小さい場合とに分かれる。

“ＦＴＩ”の値が６４以下の場合には、“計測された“ＴＳＨ”が「偽」であれば、正常である。計測された“ＴＳＨ”が「真」の場合には、計測された“Ｔ４Ｕ”が「偽」であれば、“ｃｏｍｐｅｎｓａｔｅｄ ｈｙｐｏｔｈｙｒｏｉｄ（代償性甲状腺機能低下）”である。計測された“Ｔ４Ｕ”が「真」の場合には、“ｔｈｙｒｏｉｄ ｓｕｒｇｅｒｙ（甲状腺手術”）が「偽」であれば、“ｐｒｉｍａｒｙ ｈｙｐｏｔｈｙｒｏｉｄ（原発性甲状腺機能低下）”であり、“ｔｈｙｒｏｉｄ ｓｕｒｇｅｒｙ（甲状腺手術）”が「真」であれば、正常である。

“ＦＴＩ”の値が６４よりも大きい場合には、“ｔｈｙｒｏｘｉｎｅ（サイロキシン）”が「真」であれば、正常である。“ｔｈｙｒｏｘｉｎｅ（サイロキシン）”が「偽」の場合には、計測された“ＴＳＨ”が「偽」であれば、正常である。計測された“ＴＳＨ”が「真」の場合には、“ｔｈｙｒｏｉｄ ｓｕｒｇｅｒｙ（甲状腺手術）”が「真」であれば、正常である。

図５は図４の決定木から得られる節（式）の一例を示す図である。

図５の１行目の節（式）は、“ＴＳＨ”の値が６以下の場合には正常であることを表す。

２行目の節（式）は、“ＴＳＨ”の値が６より大きく、“ＦＴＩ”の値が６４以下であり、“ＴＳＨ”が「真」であり、“Ｔ４Ｕ”が「偽」であれば、“ｃｏｍｐｅｎｓａｔｅｄ ｈｙｐｏｔｈｙｒｏｉｄ（代償性甲状腺機能低下）”であることを表す。

３行目の節（式）は、“ＴＳＨ”の値が６より大きく、“ＦＴＩ”の値が６４よりも大きく、“Ｔ４Ｕ”が「偽」であり、“ＴＳＨ”が「偽」であれば、正常であることを表す。

図６は図１の診断支援システム１００で実行される診断支援プログラムにおける推論部６の処理を示すフローチャートである。

まず、推論部６は、診断時に、症状の入力を受け付ける（ステップＳ１）。次に、推論部６は、知識ベース４の一般知識または稀少知識に基づいて症状を説明可能であるか否か（すなわち診断可能か否か）を判定する（ステップＳ２）。この場合、推論部６は、まず、知識ベース４において症状に対応する一般知識を探索し、症状に対応する一般知識がない場合に症状に対応する稀少知識を探索する。なお、推論部６は、知識ベース４において症状に対応する一般知識および稀少知識を同時に探索してもよい。

症状を説明可能な場合には、推論部６は、知識ベース４の一般知識または稀少知識に基づいて説明（診断結果）を生成して出力する（ステップＳ３）。

推論部６は、知識ベース４の一般知識または稀少知識に基づいて症状を説明することができない場合には、症状の説明のために欠如している知識を生成する（ステップＳ４）。そして、推論部６は、生成した知識（欠如した知識）に類似する知識があるか否かを判定する（ステップＳ５）。

生成した知識（欠如した知識）に類似する知識がない場合は、推論部６は、生成した知識を専門家１１に提示し（ステップＳ６）、提示した知識が正しいか否かの判断を専門家１１に求める（ステップＳ７）。

提示した知識が正しくない場合には、推論部６は、専門家１１に正しい知識を求める（ステップＳ８）。専門家１１は、提示された知識を修正し、正しい知識を入力する。そして、推論部６は、専門家１１から正しい知識を取得したか否かを判定する（ステップＳ９）。

専門家１１から正しい知識を取得した場合には、推論部６は、専門家１１から取得した知識に基づいて症状の説明（診断結果）を生成して出力する（ステップＳ１０）。また、推論部６は、専門家１１から取得した知識をアブダクティブ知識ベース９にアブダクティブ知識として登録する（ステップＳ１１）。

ステップＳ９において専門家１１から正しい知識を取得できない場合には、推論部６は、生成した知識（欠如した知識）を新規知識として新規知識ベース１０に登録する（ステップＳ１４）。

ステップＳ７において提示した知識（欠如した知識）が正しい場合には、推論部６は、提示した知識に基づいて症状の説明（診断結果）を生成して出力する（ステップＳ１０）。また、推論部６は、提示した知識をアブダクティブ知識ベース９に登録する（ステップＳ１１）。

ステップＳ５において生成した知識（欠如した知識）に類似する知識がある場合には、推論部６は、所定のアルゴリズムにより類似する知識を取得し（ステップＳ１２）、取得した知識が正しいか否かの判断を専門家１１に求める（ステップＳ１３）。

取得した知識（欠如した知識に類似する知識）が正しくない場合には、ステップＳ８に進み、専門家１１に正しい知識を求める。

取得した知識（欠如した知識に類似する知識）が正しい場合には、推論部６は、取得した知識に基づいて症状の説明（診断結果）を生成して出力する（ステップＳ１０）。また、推論部６は、取得した知識（欠如した知識に類似する知識）をアブダクティブ知識ベース９にアブダクティブ知識として登録する（ステップＳ１１）。

図６のフローチャートにおいて、類似知識の取得の処理が類推に相当し、それ以外の処理がアブダクティブに相当する。

図７は図６の推論部６の処理における類似知識取得処理を示すフローチャートである。この類似知識取得処理は、たとえばサブルーチンにより構成される。

まず、推論部６は、知識を表す節を受け取る（ステップＳ３１）。例えば、推論部６は、知識として節「ａ，ｂ，ｃ→ｄ」を受け取る。

次に、推論部６は、節を項に分解する（ステップＳ３２）。例えば、推論部６は、節「ａ，ｂ，ｃ→ｄ」を項「ａ」、項「ｂ」、項「ｃ」および項「ｄ」に分解する。

次いで、推論部６は、分解された項からキーワードを抽出する（ステップＳ３３）。例えば、推論部６は、項「ｂ」からキーワードとして「ペロリ菌」を抽出する。

さらに、推論部６は、所定のアルゴリズムに基づいて、抽出したキーワード中に既存の知識（知識ベース４に登録された一般知識または稀少知識）中のキーワードと類似するものがあるか否かを判定する（ステップＳ３４）。

例えば、項「ｂ」がキーワードとして「ペロリ菌」を含み、知識ベース４に登録された項「ｂ’」がキーワードとして「ピロリ菌」を含み、項「ｂ」が項「ｂ’」と類似しているものとする。また、項「ｄ」が知識ベース４に登録された項「ｄ’」と類似しているものとする。

抽出したキーワード中に既存の知識中のキーワードと類似するものがない場合には、推論部６は何もせずに処理を終了する。

抽出したキーワード中に既存の知識中のキーワードと類似するキーワードがある場合には、推論部６は、類似するキーワードを含む節を検索する（ステップＳ３５）。例えば、推論部６は、知識ベース４において項「ｂ’」を含む節、項「ｄ’」を含む節等を検索する。

そして、推論部６は、既存の知識中に類似するキーワードを含む節があるか否かを判定する（ステップＳ３６）。

既存の知識中に類似するキーワードを含む複数の節がある場合には、複数の節のうち合成すると与えられた節中のキーワードを交換したものと同等になる節を出力する（ステップＳ３７）。

例えば、既存の知識中に節「ａ，ｂ’→ｅ」および節「ｅ，ｃ→ｄ’」がある場合、これらの節を合成すると、節「ａ，ｂ’，ｃ→ｄ’」となる。この場合、合成された節「ａ，ｂ’，ｃ→ｄ’」は、与えられた節「ａ，ｂ，ｃ→ｄ」中の項「ｂ」および項「ｄ」をそれぞれ既存の節中の項「ｂ’」および項「ｄ’」と交換したものと同等になる。したがって、類似する知識として「ａ，ｂ’，ｃ→ｄ’」が出力される。

既存の知識中に抽出したキーワードを含む節がない場合には、与えられた節中のキーワードのみを既存の知識中のキーワードで置換して出力する（ステップＳ３８）。

例えば、推論部６は、既存の知識中に類似する項「ｂ’」を含む節等がない場合、与えられた節「ａ，ｂ，ｃ→ｄ」中の項「ｂ」を類似する項「ｂ’」で置換し、節「ａ，ｂ’，ｃ→ｄ」を出力する。

以下、図１の診断支援システム１００の動作の具体例を図８および図９を参照しながら説明する。

図８は図１の診断支援システム１００の動作の第１の具体例を示す図である。

図８（ａ）に示すように、知識ベース４に一般知識として「十二指腸潰瘍，ピロリ菌→高ガストリン血症」が登録されているものとする。

図８（ｂ）に示すように、与えられた症状が「十二指腸潰瘍，ピロリ菌，切傷，熱」の場合には、図８（ａ）の一般知識から診断結果として「高ガストリン血症」を説明することができる。

図８（ｃ）に示すように、与えられた症状が「十二指腸潰瘍，切傷，熱」であり、「ピロリ菌」が欠如している場合には、「ピロリ菌」を生成し、「ピロリ菌」の存在が正しいか否かを判定する。「ピロリ菌」の存在が正しい場合には、診断結果として「高ガストリン血症」のおそれがあると説明する。

図８（ｄ）に示すように、与えられた症状が「十二指腸潰瘍，ペロリ菌，切傷，熱」の場合には、「ペロリ菌」が「ピロリ菌」と類似しているか否かを判定する。「ペロリ菌」が「ピロリ菌」と類似している場合には、類似知識「十二指腸潰瘍，ペロリ菌→高ガストリン血症」を生成する。そして、類似知識「十二指腸潰瘍，ペロリ菌→高ガストリン血症」が正しいか否かを判定する。類似知識「十二指腸潰瘍，ペロリ菌→高ガストリン血症」が正しい場合には、診断結果として「高ガストリン血症」のおそれがあると説明する。この場合、類似知識「十二指腸潰瘍，ペロリ菌→高ガストリン血症」をアブダクティブ知識としてアブダクティブ知識ベース９に登録する。

図９は図１の診断支援システム１００の動作の第２の具体例を示す図である。

知識ベース４に図９（ａ）に示す一般知識が登録されているものとする。図９（ｂ）に示す症状が与えられた場合には、アルコール性肝炎の疑いがあると説明することができる。

一方、図９（ｃ）に示すように、与えられた症状に「清酒（よく飲む）」が欠如している場合には、「清酒（よく飲む）」を生成する。そして、「清酒（よく飲む）」が正しいか否かを判定する。「清酒（よく飲む）」が正しい場合には、診断結果として「アルコール性肝炎のおそれがある」と説明する。

また、「清酒（よく飲む）」が成立しない場合には、「清酒（よく飲む）」と類似していない知識を探す。「奈良づけ（よく食べる）」が「清酒（よく飲む）」と類似している場合には、類似知識「奈良づけ（よく食べる），血清ＩｇＡ高値→肝細胞の風船様変化」を生成する。そして、類似知識「奈良づけ（よく食べる），血清ＩｇＡ高値→肝細胞の風船様変化」が正しいか否かを判定する。類似知識「奈良づけ（よく食べる），血清ＩｇＡ高値→肝細胞の風船様変化」が正しい場合には、診断結果として「アルコール性肝炎のおそれがある」と説明する。この場合、類似知識「奈良づけ（よく食べる），血清ＩｇＡ高値→肝細胞の風船様変化」をアブダクティブ知識としてアブダクティブ知識ベース９に登録する。

上記のように、本実施の形態に係る診断支援システムによれば、発現頻度の高い診断結果だけでなく発現頻度の低い診断結果も得ることができる。したがって、稀な疾患または病気も見逃さずに発見することができる。

また、知識ベース４が新規知識および稀少知識で逐次更新されるので、経時的に診断精度が向上する。

なお、上記実施の形態では、本発明に係る診断支援システム、診断支援方法および診断支援プログラムを医療診断に適用した場合について説明したが、本発明の診断支援システム、診断支援方法および診断支援プログラムは、自動車等の故障診断にも適用することができる。その場合には、医療データ格納部１の代わりに症状情報として故障データを格納する故障データ格納部が用いられる。

本発明は、医療診断の支援、自動車等の故障診断の支援等に利用することができる。

本発明の一実施の形態に係る診断支援システムの構成を示すブロック図である。 図１の診断支援システムのハードウエア構成を示すブロック図である。 医療データ格納部に格納される医療データの一例を示す図である。 図３の医療データから生成される決定木の一例を示す図である。 図４の決定木から得られる節（式）の一例を示す図である。 図１の診断支援システムで実行される診断支援プログラムにおける推論部の処理を示すフローチャートである。 図６の推論部の処理における類似知識取得処理を示すフローチャートである。 図１の診断支援システムの動作の第１の具体例を示す図である。 図１の診断支援システムの動作の第２の具体例を示す図である。

符号の説明

１ 医療データ格納部
２ 帰納的知識獲得部
３ キーグラフ部
４ 知識ベース
５ 一般化過程部
６ 推論部
７，８ 更新処理部
９ アブダクティブ知識ベース
１０ 新規知識ベース
１１ 専門家
５０ 診断支援システム
１００ 診断支援システム
５０１ ＣＰＵ
５０２ ＲＯＭ
５０３ ＲＡＭ
５０４ 入力装置
５０５ 表示装置
５０６ 外部記憶装置
５０７ 記録媒体駆動装置
５０８ 印刷装置
５０９ 記録媒体

Claims (10)

1. 複数の症状および診断結果から帰納的学習により症状と疾患との対応関係を一般知識として生成する一般知識生成手段と、
   複数の症状および疾患から前記一般知識に比べて発現頻度の低い稀少知識を生成する稀少知識生成手段と、
   前記一般知識生成手段により生成された一般知識および前記稀少知識生成手段により生成された稀少知識に基づいてアブダクションおよび類推により、診断時に、与えられた症状に対応する診断結果を生成する推論手段とを備えたことを特徴とする診断支援システム。
2. 前記推論手段は、アブダクションおよび類推により稀少知識および新規知識の生成を支援することを特徴とする請求項１記載の診断支援システム。
3. 前記稀少知識生成手段は、キーグラフを含むことを特徴とする請求項１または２記載の診断支援システム。
4. 前記一般知識生成手段により生成された一般知識および前記稀少知識生成手段により生成された稀少知識を格納する第１の格納手段をさらに備え、
   前記推論手段は、前記第１の格納手段に格納された一般知識および稀少知識に基づいて診断結果を生成することを特徴とする請求項１〜３のいずれかに記載の診断支援システム。
5. 前記第１の格納手段に格納された一般知識をさらに一般化する一般化手段をさらに備えたことを特徴とする請求項４記載の診断支援システム。
6. 前記推論手段は、アブダクションおよび類推に伴ってアブダクティブ知識を生成し、
   前記推論手段により生成されたアブダクティブ知識を格納する第２の格納手段をさらに備えたことを特徴とする請求項４または５記載の診断支援システム。
7. 前記第２の格納手段に格納されたアブダプティブ知識を一般化することにより一般知識を生成する一般化手段をさらに備えたことを特徴とする請求項６記載の診断支援システム。
8. 新規知識を格納する第３の格納手段と、
   第３の格納手段に格納された新規知識に基づいて前記第１の格納手段に格納された一般知識または稀少知識を更新する更新手段をさらに備えたことを特徴とする請求項４〜７のいずれかに記載の診断支援システム。
9. 複数の症状および診断結果から帰納的学習により症状と疾患との対応関係を一般知識として生成するステップと、
   複数の症状および診断結果から前記一般知識に比べて発現頻度の低い稀少知識を生成するステップと、
   前記生成された一般知識および前記生成された稀少知識に基づいてアブダクションおよび類推により、診断時に、与えられた症状に対応する診断結果を生成するステップとを備えたことを特徴とする診断支援方法。
10. コンピュータにより実行可能な診断支援プログラムであって、
    複数の症状および診断結果から帰納的学習により症状と疾患との対応関係を一般知識として生成する処理と、
    複数の症状および診断結果から前記一般知識に比べて発現頻度の低い稀少知識を生成する処理と、
    前記生成された一般知識および前記生成された稀少知識に基づいてアブダクションおよび類推により、診断時に、与えられた症状に対応する診断結果を生成する処理とを備えたことを特徴とする診断支援プログラム。

Images