JP2007135683A

JP2007135683A - 診断支援装置

Info

Publication number: JP2007135683A
Application number: JP2005330152A
Authority: JP
Inventors: Hiroshi Fujita; 廣志藤田; Ryoichi Uchiyama; 良一内山; Satoshi Kasai; 聡笠井
Original assignee: Gifu University NUC; Konica Minolta Medical and Graphic Inc
Current assignee: Gifu University NUC; Konica Minolta Medical and Graphic Inc
Priority date: 2005-11-15
Filing date: 2005-11-15
Publication date: 2007-06-07
Anticipated expiration: 2025-11-15
Also published as: JP3871144B1

Abstract

【課題】患者について将来予測される疾病についての情報を提供する。
【解決手段】診断支援装置１０では、まず候補検出部１６において患者の撮影画像からラクナ梗塞候補の検出処理が行われる（ステップＳ１）。また、操作部１２を介してオペレータにより患者の生体属性情報の入力が行われると（ステップＳ２）、制御部１１の制御により、医師の診断結果に基づいてラクナ梗塞候補の検出結果及び生体属性情報が症例患者ＤＢ１５１又は対象患者ＤＢ１５３の何れかに記憶される（ステップＳ３）。また、診断された疾病名称、その家族歴、発病までの期間の症例情報が症例情報ＤＢ１５２に記憶される。次いで、症例患者ＤＢ１５１及び症例情報ＤＢ１５２に基づいて、制御部１１により対象患者ＤＢ１５３に登録されている各対象患者について予測値の算出が行われ、各対象患者に対応付けて対象患者ＤＢ１５３に記憶される（ステップＳ４）。
【選択図】図６

Description

本発明は、患者に関する情報を処理して診断支援情報を出力し、医師の診断支援を行う診断支援装置に関する。

医療の分野では、医師の診断作業を様々な面から支援するための診断支援装置が開発されている。例えば、複数の患者についての検査データや属性データをデータベース化し、このデータベースに基づいて発病した患者についてその発病した可能性が高い病名を判断して出力するものがある（例えば、特許文献１参照）。また、画像処理技術の進歩に伴い、患者を撮影した医用画像から病変部と予想される画像領域を異常陰影候補として検出する診断支援装置も開発されている（例えば、特許文献２参照）。
特開２００３−３１０５５７号公報特開２００２−１１２９８５号公報

しかし、上述した診断支援装置では、既に発病した疾病について分析を行っているに過ぎず、疾病についての医師の診断を補助する機能を有するにとどまっていた。

本発明の課題は、患者について将来予測される疾病についての情報を提供することが可能な診断支援装置を提供することである。

請求項１に記載の発明は、診断支援装置において、
患者を撮影して得られた医用画像から異常陰影候補の画像領域を検出する異常陰影候補検出手段と、
発病した複数の患者について得られた前記異常陰影候補の検出結果を患者毎に記憶する患者情報記憶手段と、
前記複数の患者に係る異常陰影候補の検出結果を用いて、診断対象の患者の将来の発病の可能性を示す予測値を算出する予測値算出手段と、
を備えることを特徴とする。

請求項２に記載の発明は、請求項１に記載の診断支援装置において、
前記患者情報記憶手段は、患者毎に、前記異常陰影候補の検出結果と患者の生体属性情報とを対応付けて記憶し、
前記予測値算出手段は、前記異常陰影候補の検出結果及び前記生体属性情報を用いて、前記予測値を算出することを特徴とする。

請求項３に記載の発明は、請求項２に記載の診断支援装置において、
前記生体属性情報には、少なくとも患者の年齢、性別、喫煙、疾病の家族歴、身長、体重、体脂肪率、血圧の情報が含まれることを特徴とする。

請求項４に記載の発明は、請求項２に記載の診断支援装置において、
前記生体属性情報には、前記異常陰影候補検出手段により異常陰影候補が検出されてから発病までの期間の情報が含まれることを特徴とする。

請求項５に記載の発明は、請求項４に記載の診断支援装置において、
前記予測値算出手段は、前記異常陰影候補の検出結果及び前記生体属性情報を用いて、発病すると予想される期間を算出し、これを予測値に変換することを特徴とする。

請求項６に記載の発明は、請求項２〜４の何れか一項に記載の診断支援装置において、
前記予測値算出手段は、前記生体属性情報に基づいて前記複数の患者をグループ化し、当該グループ毎に予測値を算出することを特徴とする。

請求項７に記載の発明は、請求項２〜６の何れか一項に記載の診断支援装置において、
前記記憶手段に記憶された生体属性情報に替わる仮情報を入力する入力手段を備え、
前記予測値算出手段は、前記検出された異常陰影候補及び前記入力された仮情報を用いて予測値の算出を行うことを特徴とする。

請求項８に記載の発明は、請求項２〜７の何れか一項に記載の診断支援装置において、
前記異常陰影候補検出手段が検出対象とする病変はラクナ梗塞であり、
前記予測値算出手段が算出する予測値は、前記ラクナ梗塞から認知症、脳梗塞又はくも膜下出血の何れかの疾病を将来発病する可能性を示す指標値であることを特徴とする。

請求項９に記載の発明は、請求項２〜７の何れか一項に記載の診断支援装置において、
前記診断対象の患者について前記予測値算出手段により算出された予測値を出力する出力手段を備える。

請求項１０に記載の発明は、請求項９に記載の診断支援装置において、
前記出力手段は、前記予測値とともに前記異常陰影候補検出手段の検出性能に関する情報を出力することを特徴とする。

請求項１１に記載の発明は、請求項９又は１０に記載の診断支援装置において、
前記予測値の算出に用いる前記生体属性情報に対応する改善情報を記憶する改善情報記憶手段を備え、
前記出力手段は、前記予測値の算出に用いた生体属性情報に対応する改善情報を前記改善情報記憶手段から取得し、当該予測値とともに改善情報を出力することを特徴とする。

請求項１２に記載の発明は、請求項２〜１１の何れか一項に記載の診断支援装置において、
各患者についての生体属性情報、前記予測値算出手段により算出された予測値、前記異常陰影候補検出手段による検出結果を比較可能に表示する表示手段を備えることを特徴とする。

請求項１〜３、８、９に記載の発明によれば、疾病の重要な所見となる異常陰影候補の検出結果を用いて予測値を算出することができ、予測値に対する信頼性を向上させるとともに、将来発病する可能性についての有用な情報を医師や患者に提供することができる。また、予測値の算出に生体属性情報をさらに用いることにより、詳細な情報を考慮した予測値算出を行うことができる。

請求項４、５に記載の発明によれば、医師が予測値から発病するまでの期間を予測することが可能となる。

請求項６に記載の発明によれば、特性が近い患者毎にグループ化することにより、予測値算出のための情報のばらつきを抑えることができ、その結果予測値の信頼性を向上させることができる。

請求項７に記載の発明によれば、仮情報により予測値算出の条件を変えることができ、例えば生活を改善した場合等、患者の状況が変化した場合を想定した予測値を医師に提供することができる。

請求項１０に記載の発明によれば、予測値を算出するために使用した異常陰影候補の検出結果についての信頼性を医師が確認することができる。

請求項１１に記載の発明によれば、改善情報により患者に対し、発病の原因や改善の方向性等を示すことができる。

請求項１２に記載の発明によれば、医師が各患者についての生体属性情報、予測値、異常陰影候補の検出結果を比較することができ、医師の診断の効率化を図ることができる。

まず、構成を説明する。
図１に、本実施形態における診断支援装置１０の機能的構成を示す。
診断支援装置１０は、患者の撮影画像を画像解析して異常陰影候補を検出してその結果をデータベース化するとともに、未発病の患者について将来発病する可能性を示す予測値を演算するものである。

本実施形態では、異常陰影候補として脳卒中、認知症、くも膜下出血等、様々な疾病を引き起こす要因となるラクナ梗塞を検出する例を説明する。ラクナ梗塞は、脳内の細い血管の血流が途絶え、その先の細胞が壊死に陥って血管の瘤となるものであり、それが発見されただけでは直ちに発病しているとは限らない。ラクナ梗塞の数が多くなったり、瘤が破裂して血管内の血流が流れ出すことにより、上記脳卒中等の疾病を発病するのであり、ラクナ梗塞自体はこれら疾病の所見となるものである。

図１に示すように、診断支援装置１０は、制御部１１、操作部１２、表示部１３，通信部１４、記憶部１５、候補検出部１６、画像メモリ１７、Ｉ／Ｆ１８を備えて構成されている。診断支援装置１０にはＩ／Ｆ１８を介してプリンタ２０が接続されており、また通信部１４を介して患者の撮影画像を生成する画像生成装置や当該撮影画像やその他患者に関する情報を統括的に管理するサーバ等に接続することができる。

以下、各構成部について説明する。
制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）等から構成され、ＣＰＵにより記憶部１５に記憶されている処理プログラムを読み出してＲＡＭに展開し、当該処理プログラムに従って各種演算を行うとともに、各部１２〜１８の動作を統括的に制御する。

操作部１３は、キーボードやマウス等を備え、これらの操作がなされると、その操作に応じた操作信号を生成して制御部１１に出力する。

表示部１３は、ＬＣＤ（Liquid Crystal Display）等のディスプレイを備え、制御部１１からの指示に従って各種操作画面、制御部１１の処理結果等の表示情報をディスプレイ上に表示させる。

通信部１４は、ネットワークインターフェイスカード等の通信用インターフェイスを備え、外部装置と通信を行う。例えば、画像形成装置から患者の撮影画像を受信する、或いは患者に関する情報を統括管理するサーバに、候補検出部１６により検出された病変候補に関する情報、制御部１１により算出される予測値の情報等を送信する。

記憶部１５は、制御部１１で実行される処理プログラム、処理プログラムの実行に必要な各種パラメータ、データ等を記憶している。
また、記憶部１５は、症例患者ＤＢ（Data Base）１５１、症例情報ＤＢ１５２、対象患者ＤＢ１５３、改善情報ＤＢ１５４を記憶している。

症例患者ＤＢ１５１は、発病した患者（以下、症例患者という）についての属性情報、生体情報を管理するためのＤＢである。属性情報とは、患者の氏名、付与された患者ＩＤ、年齢、性別等の患者個人に関する情報をいう。生体情報とは患者の生体に関する情報をいい、例えば患者の体重、身長等の身体に関する情報、血圧、体脂肪率、中性脂肪値等の検査で得られた情報、喫煙、飲酒等の患者の生活に関する情報等が含まれる。以下、属性情報と生体情報を合わせて生体属性情報ということがある。これら生体属性情報は、検査の結果や問診票に対する患者の回答等から取得されたものをオペレータが操作部１２を介して診断支援装置１０に入力するものである。

症例患者ＤＢ１５１には、図２に示すように、患者ＩＤに対応付けて症例患者の氏名等の属性情報及び血圧等の生体情報が記憶されている。また、候補検出部１６による検出結果であるラクナ梗塞候補数が記憶されている。なお、図２に示す属性情報及び生体情報はその一例を示すものであり、これに限定されるものではない。例えば、「喫煙」の情報項目においては、喫煙の有無だけに限らず、１日の喫煙量（たばこの本数）、喫煙歴等、より詳細な情報を記憶しておくこととしてもよい。

症例情報ＤＢ１５２には、図３に示すように、症例患者ＤＢ１５１に記憶されている症例患者について、医師により診断された疾病名称、その疾病の家族歴、発病までの期間の情報が患者ＩＤに対応付けて記憶されている。

対象患者ＤＢ１５３は、未発病の患者であって、今後発病する可能性を示す予測値を算出する対象となる患者（以下、対象患者という）についての属性情報及び生体情報を管理するためのＤＢである。
対象患者ＤＢ１５３には、図４に示すように、対象患者の患者ＩＤに対応付けて患者氏名等の属性情報及び血圧等の生体情報が記憶されている。なお、家族歴の項目では、家族歴がある場合にその疾病名称が記憶される。また、後述するデータベース処理において制御部１１により算出された予測値の情報と、候補検出部１６により検出された（又はその後医師の診断により認定された）ラクナ梗塞候補数が記憶されている。

改善指示情報ＤＢ１５４は、予測値に基づき患者に生活改善を指示するための指示メッセージ等の改善指示情報を管理するＤＢである。改善指示情報ＤＢ１５４には、例えば図５に示すように、改善が必要な項目毎に改善条件及びその改善条件に対応する２つの改善指示情報１、２が記憶されている。例えば、「体重」の項目において標準体重より大きい体重を標準体重まで減少させた改善条件には、「体重を標準体重まで減らしましょう」の改善指示情報１と、「体重を減らすための代表的な方法・・・」の改善指示情報２とが対応する。

候補検出部１６は、ＣＰＵ等から構成され、記憶部１５に記憶されている候補検出処理プログラムとの協働により、患者の撮影画像を画像解析することによりラクナ梗塞陰影の候補領域を検出する。

以下、ラクナ梗塞候補の検出方法について説明する。ここでは、ＭＲＩ（Magnetic Resonance Imaging）により撮影されたＴ１強調画像、Ｔ２強調画像を用いて検出することとする。
まず、画像メモリ１７から検出対象患者のＴ１強調画像及びＴ２強調画像を読み出す。Ｔ１強調画像ではラクナ梗塞は脳組織より低信号を呈するのに対し、Ｔ２強調画像では脳組織より高信号を呈する。ラクナ梗塞は脳室周辺で脳実質領域上に存在するので、画像上では円形上の陰影として周辺領域と異なるコントラストで浮かび上がる。

よって、候補検出部１６は、Ｔ２強調画像を用いて閾値を変化させながら２値化を繰り返し、各２値化画像において高信号を呈する直径３〜１０ｍｍの円形状の領域を抽出する。そして、この抽出領域について円形度、面積等の特徴量を算出して特徴量解析を行うことによりラクナ梗塞候補の１次検出を行う。

次いで、Ｔ１強調画像においてヒストグラムを作成して最多頻度画素値を求め、この最多頻度画素値を拡張点として領域拡張法により脳実質領域を抽出する。次いで、ラクナ梗塞の１次候補のうち、この抽出された脳実質領域外に存在する１次候補は偽陽性候補であると判断する。ラクナ梗塞は脳実質領域上に存在するので、抽出された脳実質領域以外の脳溝、脳辺縁部等の領域で検出された１次候補は偽陽性であると判断できるからである。そして、１次候補から偽陽性候補と判断された候補を削除した残りの候補を最終的な検出結果として出力する。

なお、上記検出方法はその一例であり、他の検出方法を適用することとしてもよく、適用する検出方法については特に限定しない。

画像メモリ１７は、通信部１４を介して入力された患者の撮影画像を記憶している。

Ｉ／Ｆ１８は、プリンタ２０を接続するためのインターフェイスである。
プリンタ２０は、診断支援装置１０から入力される出力データに基づいてプリント処理を行う。例えば、診断支援装置１０から改善指示シートの出力データを受けて改善指示シートをプリント出力する。

次に、上記診断支援装置１０の動作について説明する。
診断支援装置１０は、制御部１１と記憶部１５に記憶されている各処理プログラムとの協働により、検査を終えた患者についてオペレータにより入力される生体属性情報をデータベース化し、そのデータベースに基づいて対象患者の予測値を算出するデータベース処理、算出された予測値の表示を行う予測値表示処理、予測値に対応する改善事項を記載した改善指示シートを出力するシート出力処理のソフトウェア処理を実行する。

最初に図６を参照してデータベース処理について説明する。
図６に示すデータベース処理では、まず候補検出部１６において患者の撮影画像からラクナ梗塞候補の検出処理が行われる（ステップＳ１）。検出結果は表示部１３において表示され、例えば撮影画像上に検出されたラクナ梗塞候補の位置を示す矢印等のマーカが表示される。医師はこの検出結果を参照しながら撮影画像の読影を行い、ラクナ梗塞の認定、発病しているか否か等の診断を行い、その診断結果を操作部１２を介して診断支援装置１０に入力する。なお、発病していると診断した場合には、さらに診断した疾病名称、その疾病の家族歴、発病までの期間の情報を入力する。

一方、オペレータは、上記検査を終えた患者の生体属性情報を診断支援装置１０に入力する。
診断支援装置１０では、操作部１２を介してオペレータにより患者の生体属性情報の入力が行われると（ステップＳ２）、制御部１１の制御により、医師の診断結果に基づいてラクナ梗塞候補の検出結果及び生体属性情報が症例患者ＤＢ１５１又は対象患者ＤＢ１５３の何れかに記憶される（ステップＳ３）。

すなわち、医師により発病しているとの診断結果が入力されている場合は、ラクナ梗塞候補の検出結果及び生体属性情報は症例患者ＤＢ１５１に記憶され、未発病であるとの診断結果が入力されている場合には対象患者ＤＢ１５３に記憶される。なお、発病していると診断された場合には、診断された疾病名称、その家族歴、発病までの期間の症例情報が症例情報ＤＢ１５２に記憶される。また、以前は未発病であった対象患者について再検査したところ、発病したと診断される場合があるので、症例患者ＤＢ１５１と対象患者ＤＢ１５３の照合が行われ、同一患者が検索された場合には対象患者ＤＢ１５３内に記憶されている生体属性情報が削除される。

このように各ＤＢ１５１〜１５３の更新が行われると、症例患者ＤＢ１５１及び症例情報ＤＢ１５２に基づいて、制御部１１により対象患者ＤＢ１５３に登録されている各対象患者について予測値の算出が行われる。算出された予測値は各対象患者に対応付けて対象患者ＤＢ１５３に記憶される（ステップＳ４）。

ここで、予測値の算出方法について、重回帰分析手法を用いた方法とニアレストネイバー法を用いた方法について説明する。
〈重回帰分析手法を用いた場合〉
重回帰分析による予測値の算出時には、下記の重回帰分析式１により発病までの予測期間Ｙを算出する。
Ｙ＝ａ₁ｘ₁＋ａ₂ｘ₂＋・・・＋ａ_nｘ_n＋ｅ・・・（１）
ここで、ｘ_nはｎ個の独立変数であり、ａ_nは重み付け係数である。
また、ｅは定数である。

係数ａ_nは症例患者ＤＢ１５１に記憶されている各症例患者の生体属性情報及びラクナ梗塞候補数により予め決定される。すなわち、症例患者については発病までの期間が分かっているため、Ｙにその期間のデータを入力し、症例患者についての生体属性情報及びラクナ梗塞候補数のｎ個の項目データをそれぞれｘ_nに入力した式１を複数の症例患者について作成し、これら複数の式１を満たす最適なａ_nが求められる。

このようにしてａ_nが求められた式１において、予測値を算出する対象患者について対象患者ＤＢ１５３に記憶されている生体属性情報及びラクナ梗塞候補数の各項目データをｘ_nに入力することにより、予測期間Ｙが算出される。算出された予測期間Ｙは１〜１００に正規化された予測値Ｚに変換される。本実施形態では、予測値が高いほど発病の可能性が高いことを示すこととし、正規化値への変換は、予測期間Ｙの０〜５年を単純に１００〜０の正規化値に線形変換する（予測期間０に対して予測値１００、予測期間５に対して予測値０を割り付ける）。

〈ニアレストネイバー法を用いた場合〉
ニアレストネイバー法は、症例患者ＤＢ１５１に記憶されている生体属性情報及びラクナ梗塞候補数のｎ個の項目データを変量とする母標本の特徴量空間に、対象患者の生体属性情報及びラクナ梗塞候補数のｎ個の項目データを変量とする対象標本をおいたときに、対象標本から最も距離が近い母標本を求めるものである。この母標本の症例患者の発病までの期間が対象患者の発病までの予測期間Ｙとして近似する。このようにして求められた予測期間Ｙは重回帰分析の場合と同様に正規化され、０〜１００の予測値Ｚとして算出される。

上記対象標本と母標本との距離は、母標本の分散を考慮してユークリッド距離を求める。なお、対象標本とユークリッド距離が最も近い母標本であっても、ユークリッド距離の大きさによってはこの母標本の発病までの期間に予測期間Ｙを近似すると誤差が大きくなる場合もあるため、ユークリッド距離の大きさに応じて予測値Ｚの値を補正する。補正は予め準備された補正テーブルを用いて行う。補正テーブルは、例えばユークリッド距離が１、２、３と大きくなるにつれて予測値Ｚからそれぞれ１、３、１０だけ減算するといったように、ユークリッド距離に対する補正値が予め決められているものである。この補正値は実験的、経験的に最適なものを設定すればよい。補正例を説明すると、予測値Ｚ＝８０と算出されたが、最も近い母標本とのユークリッド距離が２である場合には、補正テーブルに基づいて予測値Ｚ＝８０−３＝７７と算出される。

なお、上記のように最も近い母標本の発病までの期間を予測期間Ｙとみなすこととしてもよいが、対象標本とのユークリッド距離が最も小さい母標本から順に複数選択し、この複数の母標本の発病までの期間を平均して、その平均期間を予測期間Ｙとすることとしてもよい。

また、何れの手法においても、例えば今回の検査では「血圧」は測定しなかった等、対象患者について入力すべき情報項目の全てについてデータが得られなかった場合、そのデータが得られなかった情報項目において標準的な代替データを用いることとしてもよいし、その情報項目についてはデータを入力しないこととしてもよい。

以上のようにして、各対象患者についての予測値Ｚが算出されると、この予測値Ｚが対象患者の患者ＩＤに対応付けて対象患者ＤＢ１５３に記憶される（ステップＳ４）。予測値Ｚは、症例患者ＤＢ１５１によって変動するため、症例患者ＤＢ１５１の更新に応じて算出することとしてもよいし、一定期間毎に算出し直すこととしてもよい。

次に、予測値表示処理について、図７を参照して説明する。
図７に示す予測値表示処理では、制御部１１の制御により、図８に示す患者リスト画面ｄ１が表示部１３上に表示される（ステップＳ１１）。

患者リスト画面ｄ１では、対象患者ＤＢ１５３に記憶されている対象患者が一覧表示され、各対象患者の患者ＩＤ、生体属性情報、ラクナ梗塞候補数等の情報が比較可能なリストｄ１１が表示されている。初期設定では患者ＩＤ順に対象患者がリスト表示されている。ラクナ梗塞候補数については、リストの下部に候補検出部１６の検出性能ｄ１２が表示される。これは、予め真陽性か偽陽性かが判明している画像を用いて候補検出部１６により検出した結果、真陽性を検出した確率を真陽性率、検出した偽陽性数を全症例数で割った値を一症例あたりの偽陽性数としているものであり、医師が候補検出部１６の検出結果の信頼性を確認するための指標値として表示されている。

また、患者リスト画面ｄ１では、各対象患者について算出された予測値がリスト表示されている。この予測値についてはソート（並び替え処理）が可能であり、画面右上にその指示キーｋ１が表示されている。また、対象患者を選択して撮影画像等、さらに詳細な情報を表示させることも可能であり、その指示キーｋ２が表示されている。

ここで、操作部１２を介して予測値ソートの指示キーｋ１が操作されると（ステップＳ１２；Ｙ）、制御部１１により予測値の高い順に各対象患者が並べ替えられたリストｄ１１が患者リスト画面ｄ１上に表示される（ステップＳ１３）。

また、操作部１２を介して患者リストｄ１１から一の対象患者が選択され、次いで画像表示の指示キーｋ２が操作されると、図９に示す詳細画面ｄ２が表示され、選択された患者の撮影画像、予測値、その他詳細情報が表示される（ステップＳ１４）。

詳細画面ｄ２では、選択された対象患者の撮影画像ｄ２１、算出された予測値ｄ２２が表示され、対象患者の生体属性情報、ラクナ梗塞候補の検出数が詳細情報ｄ２３として表示されている。また、ニアレストネイバー法により予測値を算出した場合、予測値の算出に係る母標本となった症例患者の生体属性情報、ラクナ梗塞候補の検出数、症例情報を症例患者ＤＢ１５１、症例情報ＤＢ１５２から読み出してそのリストｄ２４を表示することとしてもよい。これにより、医師は対象患者と傾向が似ている症例患者についての生体属性情報等を診断の参考情報とすることができる。

また、詳細画面ｄ２では、改善指示シート出力のための指示キーｋ３が表示されており、この指示キーｋ３を操作することにより、対象患者の生活について改善を指示するための改善指示シートをプリンタ２０により出力することができる。

以下、図１０を参照して、シート出力処理について説明する。シート出力処理は、上記詳細画面ｄ２において指示キーｋ３が操作されることにより開始される処理である。
図１０に示すシート出力処理では、制御部１１により予測値の改善パラメータとなる情報項目（以下、改善項目という）について仮情報が設定され、当該仮情報を用いて予測値が再度算出される（ステップＳ１０１）。以下、先に算出されている予測値と、仮情報を用いて算出された予測値とを識別するため、前者を現在予測値、後者を改善予測値という。

改善項目は、患者の生活の変化等により改善することができる項目として、改善予測値の算出に用いる情報項目の中から予め決定されているものである。例えば、血圧や体重等は患者の改善努力によって変化させることができるためその生体属性情報の情報項目が改善項目として決定されるが、身長や年齢、性別、ラクナ梗塞陰影候補数等、患者の改善努力が及ばない情報項目については改善項目として決定されない。

仮情報は、健康体の標準的な指標値が設定される。例えば、改善項目「体重」についての仮情報は、その患者の年齢、性別、身長等から標準と定義する体重が用いられる。標準体重は日本肥満学会で定義している標準体重＝身長（ｍ）×身長（ｍ）×２２の式を用いることができる。

改善予測値の算出は、現在予測値の算出方法と同一の方法で算出する。すなわち、重回帰分析手法を用いた場合には、同じ説明変量及び独立変量を適用した重回帰分析式を用いて改善項目についてのみ仮情報に替えて入力することとなる。また、どの改善項目がどれだけ予測値に影響するかを特定できるように、仮情報を入力する改善項目毎に改善予測値を算出する。すなわち、「血圧」の改善項目に仮情報を用いた場合の改善予測値、「体重」の改善項目に仮情報を用いた場合の改善予測値等のように、各改善項目について患者が生活を改善した場合の改善予測値が算出される。

次いで、制御部１１により各改善項目について算出された改善予測値について、現在予測値に対する変化率が算出され、その変化率が大きい改善項目の有無が判別される（ステップＳ１０２）。変化率は、改善予測値／現在予測値の比率とする。変化率が小さいもの、つまり予測値に対する影響が小さい改善項目は、もともとその項目については標準（健康体）である、或いは発病にはあまり影響が無い項目であるため、改善の必要性が小さい。よって、閾値により変化率が小さい改善項目を判別し、変化率が大きい改善項目についてのみ改善指示するようにする。変化率の大小を判断するための閾値については、経験的に最適なものを適宜設定すればよい。

判別の結果、変化率が大きい改善項目が全くない場合には（ステップＳ１０２；Ｎ）、改善指示シートは出力せずに、本処理を終了する。
一方、変化率が大きい改善項目が少なくとも１つ含まれている場合には（ステップＳ１０２；Ｙ）、制御部１１により、その変化率が大きいと判別された改善項目及びその改善条件に対応する改善指示情報が改善情報ＤＢ１５４から読み出される（ステップＳ１０３）。

図５に示す例で説明すると、変化率が大きい改善項目「体重」について標準体重より多きい体重から標準体重の仮情報に替えて改善予測値を算出した場合には、改善指示情報１「体重を標準体重まで減らしましょう」、改善指示情報２「体重を減らすための代表的な方法・・・」の２つの改善指示情報が読み出される。

次いで、制御部１１により改善指示シートに表示する患者の生体属性情報がＤＢ１５３から読み出されると、改善指示シートのフォーマットのデータが記憶部１５から読み出され、このフォーマットに従って、患者の生体属性情報、患者について算出された現在予測値、改善予測値、読み出された改善指示情報等が記載された改善指示シートの出力データが生成される。そして、この出力データがプリンタ２０に送信され、プリンタ２０により図１１に示すような改善指示シートがプリント出力される（ステップＳ１０４）。

図１１に示すように、改善指示シートＲでは、患者氏名が記載され、当該患者についての生体属性情報及びラクナ梗塞候補数が受診結果の一覧ｒ１１として記載され、算出された現在予測値ｒ１２が併せて記載されている。また、改善項目のうち、現在予測値からの変化率が大きいと判断された改善項目についての改善指示情報ｒ１３及び改善予測値ｒ１４が記載されている。また、より具体的な改善指示情報ｒ１５も記載されている。改善指示情報ｒ１３は、改善情報ＤＢ１５４から読み出された改善指示情報１に該当し、改善指示情報ｒ１５は、改善指示情報２に該当するものである。

以上のように、本実施形態によれば、発病した症例患者についてのラクナ梗塞候補の検出結果、生体属性情報、発病までの期間等の情報をＤＢ化しておき、このＤＢに基づいて対象患者が発病する可能性を示す予測値を算出するので、将来発病するかもしれない疾病の予測情報を医師に提供することができる。また、ラクナ梗塞候補の検出結果や生体属性情報等の様々な情報を用いて予測値を算出するので、疾病の発病について総合的な予測を行うことができ、質の高い診断支援を行うことが可能となる。

また、仮情報を用いて改善予測値を算出し、改善指示情報とともに改善指示シートとして出力するので、改善項目から疾病の発病の要因を特定することができるとともに、改善すべき方向性を患者に示すことができる。

また、ニアレストネイバー法により予測値を算出する場合、対象患者に近い症例患者の生体属性情報等を表示するので、医師に発病に関する参考情報を提供することができる。例えば、医師は症例患者の疾病名称から対象患者が発病すると予測される疾病の種類を予想することができる。

なお、上述した実施形態は、本発明を適用した好適な一例であり、これに限定されない。
例えば、予測値を算出する際に症例患者のグループ化を行うこととしてもよい。例えば、性別、年齢層別、発病した疾病別等に症例患者をグループ化してこのグループ毎に重回帰分析式を求める、或いはニアレストネイバー法の母集団を形成しておく。そして、対象患者の予測値を算出する際には対象患者が該当するグループの重回帰分析式又はニアレストネイバー法における母集団を用いる。より傾向が近い症例患者をグループ化することにより、発病の予測精度を向上させることができる。

また、本実施形態では、医師の診断時の参考情報として提供するために予測値を求めることとしたが、医師の診断トレーニングに用いることもできる。

また、ニアレストネイバー法を適用した場合、予測値の算出に用いた各症例患者について、発病までの期間の平均値、分散値、最小期間、最大期間等を求め、これを参考情報として詳細画面ｄ２において表示する等してもよい。医師は、この表示により発病に関する統計的情報を取得することができる。

また、症例患者についてさらにラクナ梗塞の位置や大きさ、存在する血管の太さ等について医師が判定した結果等の情報を症例情報ＤＢ１５２に記憶しておき、これを予測値算出のための情報項目に設定することとしてもよい。ラクナ梗塞は主血管等の太い血管にあるほど疾病の重篤度が高い等、その位置や大きさ、血管等によって疾病に至る可能性が変動する。よって、ラクナ梗塞候補が検出された対象患者については、検出されたラクナ梗塞候補の位置、大きさ、その血管の太さ等の情報を同様に得て予測値の算出に用いることにより、より信頼性の高い予測値を得ることが可能となる。

本実施形態における診断支援装置の機能的構成を示す図である。図１の記憶部に記憶されている症例患者ＤＢ例を示す図である。図１の記憶部に記憶されている症例情報ＤＢ例を示す図である。図１の記憶部に記憶されている対象患者ＤＢ例を示す図である。図１の記憶部に記憶されている改善情報ＤＢ例を示す図である。診断支援装置により実行されるデータベース処理の流れを説明するフローチャートである。診断支援装置により実行される予測値表示処理の流れを説明するフローチャートである。図１の表示部に表示される患者リスト画面例を示す図である。図１の表示部に表示される詳細画面例を示す図である。診断支援装置により実行されるデータベース処理の流れを説明するフローチャートである。改善指示シート例を示す図である。

符号の説明

１０診断支援装置
１１制御部
１２操作部
１３表示部
１４通信部
１５記憶部
１６候補検出部
１７画像メモリ
１８Ｉ／Ｆ
２０プリンタ

Claims

患者を撮影して得られた医用画像から異常陰影候補の画像領域を検出する異常陰影候補検出手段と、
発病した複数の患者について得られた前記異常陰影候補の検出結果を患者毎に記憶する患者情報記憶手段と、
前記複数の患者に係る異常陰影候補の検出結果を用いて、診断対象の患者の将来の発病の可能性を示す予測値を算出する予測値算出手段と、
を備えることを特徴とする診断支援装置。
前記患者情報記憶手段は、患者毎に、前記異常陰影候補の検出結果と患者の生体属性情報とを対応付けて記憶し、
前記予測値算出手段は、前記異常陰影候補の検出結果及び前記生体属性情報を用いて、前記予測値を算出することを特徴とする請求項１に記載の診断支援装置。
前記生体属性情報には、少なくとも患者の年齢、性別、喫煙、疾病の家族歴、身長、体重、体脂肪率、血圧の情報が含まれることを特徴とする請求項２に記載の診断支援装置。
前記生体属性情報には、前記異常陰影候補検出手段により異常陰影候補が検出されてから発病までの期間の情報が含まれることを特徴とする請求項２に記載の診断支援装置。
前記予測値算出手段は、前記異常陰影候補の検出結果及び前記生体属性情報を用いて、発病すると予想される期間を算出し、これを予測値に変換することを特徴とする請求項４に記載の診断支援装置。
前記予測値算出手段は、前記生体属性情報に基づいて前記複数の患者をグループ化し、当該グループ毎に予測値を算出することを特徴とする請求項２〜４の何れか一項に記載の診断支援装置。
前記記憶手段に記憶された生体属性情報に替わる仮情報を入力する入力手段を備え、
前記予測値算出手段は、前記検出された異常陰影候補及び前記入力された仮情報を用いて予測値の算出を行うことを特徴とする請求項２〜６の何れか一項に記載の診断支援装置。
前記異常陰影候補検出手段が検出対象とする病変はラクナ梗塞であり、
前記予測値算出手段が算出する予測値は、前記ラクナ梗塞から認知症、脳梗塞又はくも膜下出血の何れかの疾病を将来発病する可能性を示す指標値であることを特徴とする請求項２〜７の何れか一項に記載の診断支援装置。
前記診断対象の患者について前記予測値算出手段により算出された予測値を出力する出力手段を備える請求項２〜７の何れか一項に記載の診断支援装置。
前記出力手段は、前記予測値とともに前記異常陰影候補検出手段の検出性能に関する情報を出力することを特徴とする請求項９に記載の診断支援装置。
前記予測値の算出に用いる前記生体属性情報に対応する改善情報を記憶する改善情報記憶手段を備え、
前記出力手段は、前記予測値の算出に用いた生体属性情報に対応する改善情報を前記改善情報記憶手段から取得し、当該予測値とともに改善情報を出力することを特徴とする請求項９又は１０に記載の診断支援装置。
各患者についての生体属性情報、前記予測値算出手段により算出された予測値、前記異常陰影候補検出手段による検出結果を比較可能に表示する表示手段を備えることを特徴とする請求項２〜１１の何れか一項に記載の診断支援装置。