JP2007527743A - 心臓関連の病気及び状態のための自動診断及び意思決定支援用システム及び方法 - Google Patents

Abstract

例えば、壁運動分析による局所的な心筋機能の自動評価、心疾患及び心筋症、冠動脈疾患、及び心臓に関係する病状等の状態の自動診断、及び他の自動意思決定支援機能を含む、医師の仕事の流れの多様な態様に意思決定支援を提供するために、対象患者の（画像データ及び／または非画像データを含む）一群の患者情報から特徴を自動的に抽出し、分析するための方法を実現する心臓画像診断用のＣＡＤ（コンピュータ支援診断）システム及びアプリケーションが提供される。該ＣＡＤシステムは、該ＣＡＤシステムが患者データを分析することを「学習し」、医師の仕事の流れを支援するための適切な診断評価及び決定を下すことができるようにするために、１つまたは複数の関連する臨床領域及び／またはこのようなデータの専門家の解釈において分類された患者のケースのデータベースから取得された（学習された）一式の訓練を使用する機械学習技法を実現する。

Description

（関連出願の相互参照）
本願は、参照することにより全て完全に本明細書に組み込まれている２００３年６月２５日に出願された米国仮出願番号第６０／４８２，３２７号に、及び２００３年６月２５日に出願された米国仮出願番号第６０／４８２，２９３号に、及び２００４年２月３日に出願された米国仮特許出願番号第６０／５４１，３６０号に優先権を主張する。

本発明は、概して、自動診断及び画像診断のための意思決定支援を提供するためのシステム及び方法に関し、特に、心疾患及び心筋症、冠動脈疾患及び他の心臓関連の病状等の状態の自動診断、壁運動分析による局所的な心筋機能の自動評価、及び医師の仕事の流れを支援するための他の自動意思決定支援機能を可能にするための機械学習技法を実現する心臓画像診断用のＣＡＤ（コンピュータ支援診断）システム及びアプリケーションに関する。

冠動脈疾患及び他の心臓関連の病気は、特に西洋文明において非常によく見られ、毎年多くの人の死につながっている。可能な限り早期に心臓関連の病気を検出することによって、致死率を削減するために適切で効果的且つ費用効果の高い治療を実現できる。多様なシステム及び技法が心臓病学の分野では、心疾患の正確で早期の検出に使用される。

例えば、血管造影法は冠状動脈閉鎖症（つまり、硬化のための冠状動脈の閉鎖）を直接的に測定するために使用できる１つの方法である。しかしながら、これらの測定は多くの場合侵襲的な処置を必要とする。さらに、血管造影法は閉塞を識別し、測定するために使用できるが、このような方法はこのような閉塞の影響を測定できない、あるいはそれ以外の場合評価できない。事実上、冠状動脈閉鎖症は通常心臓壁の中で局所的に明示され、心筋組織または心筋機能の異常を生じさせる。例えば、梗塞形成は、通常、心筋組織に血液を供給する冠状血管を通る血流が不十分であるために死んだまたは死んでいく心筋組織（梗塞部）の領域の進展を指す状態である。

通常、心筋機能を評価するための方法は、壁運動の異常を特定するための心臓画像診断を通して壁運動を分析することによって実行される。一般的には、画像診断の分野では、多様なイメージングの物理療法及びシステムは病状を調べ、評価するための個人の解剖学的構造の医学画像を生成するために使用できる。これらのイメージングシステムは、例えばＣＴ（コンピュータ断層撮影法）イメージング、ＭＲＩ（磁気共鳴影像法）、ＮＭ（核磁気）共鳴影像法、Ｘ線システム、ＵＳ（超音波）システム、ＰＥＴ（陽電子放出断層撮影）システム等を含む。それぞれのイメージング法は、例えば心筋症、大腸ポリープ、動脈瘤、肺結節、心臓または動脈組織での硬化、胸部組織の癌の極小硬化または塊、及び多様な他の病変または異常を含む特定の種類の病気、病状または解剖学上の異常を調べ、評価するための他の物理療法に優る独自の優位点を提供してよい。

その可用性、相対的な低コスト、及び非侵襲性のために、心臓超音波は、通常（局所的な心収縮性の壁運動異常を評価する等）心機能を評価する目的の壁運動分析を実行するために使用されるイメージング法である。一例として、心室運動は虚血及び梗塞形成の度合いを評価するための効率的な方法である。特に、１心拍、つまり心拍の所定の一部での心内膜壁の壁運動分析は、左心室の弾力性と収縮性を定量化するため、あるいはそれ以外の場合壁運動の異常を検出し、診断するために実行できる。

心筋機能を評価するための従来の方法は、超音波（超音波心臓検査法）等の心臓画像診断を使用して壁運動を分析するための手動の方法と自動の方法を含む。例えば、左心室機能を定量化するための手動方法は、心臓周期の様々な部分の静止超音波フレーム内で特定される心内膜と心外膜の境界（カウンタ）を手動でたどり、たどった境界から壁運動に関する多様な測定値を取得することを含む。次に、いくつかの従来の方法を用いて、特定の幾何学的な想定を行い、数学モデルに対する経験的に引き出された修正を含み得る方程式をこのような測定の結果に適用する。結果は通常レポートページに表様式で表示され、このような結果の解釈には正常範囲の知識を必要とする。

超音波心臓検査法（例えば負荷エコー）での壁運動分析のための別の従来の手動の方法は分節性壁運動分析を含み、超音波心臓検査技師（ｅｃｈｏ ｃａｒｄｉｏｇｒａｐｈｅｒ）の側のかなりの訓練と経験を必要とする。このような方法を用いると、左心室の壁は、米国心エコー図学会（ＡＳＥ）によって推奨される一般的なモデルに従い、複数の分節（例えば１６または１７）に分けられる。ＬＶ分節ごとの画像データ情報を取得するために多様な標準的な超音波ビューが得られ、標準的なビューが、複数の分節が３つの主要な冠動脈分節の推定される分布と大まかに合うように得られる。次に超音波心臓検査技師は、大局的な機能と局所的な異常を評価するために取得された画像データを視覚的に検査し、次に技師の評価に基づき、ＡＳＥ推奨標準採点方式に従って壁運動スコアを各分節に割り当てる。特に超音波心臓検査技師は、画像形成可能な各分節の何らかの定性的評価を与えるために絶対的及び相対的な分節の心収縮性偏位と偏位のタイミングを視覚的に評価する。集合的な評価の結果、陰性（非病理学的）または陽性（病理学的）の発見事項が生じる。

超音波心臓検査法の分野での主要な関心事は、冠動脈疾患の診断等にかなりの障害を呈する、特に負荷心臓図検査のための壁運動を分析する上での主観性が原因の壁運動採点のばらつきである。実際、このような超音波心臓動態図レポートの精度は直接的にオペレータの経験に関係している。実際、このような診断では多くの場合「科学」より多くの「技術」がある。心臓内科医は、超音波心臓検査法の壁運動採点を改善する重要性を強調している。

心筋機能を評価するための従来の方法は、心臓画像診断を使用して壁運動を分析するための自動化された方法を含む。例えば、１つの従来の方法は、ＬＶ機能指数の自動化された推定値を提供する統合された後方散乱の分析に基づいた自動境界検出を含むが、分節のまたは大局的な壁機能には対応しない。自動的な壁運動分析のための他の方法は、偏位を示すパラメトリック画像を生成するが、分節間の定量的な比較は提供しない。自動分節運動分析（Ａ−ＳＭＡ）システムとして知られている１つの従来の方法は、ＬＣ空洞及び周囲の組織を決定するための自動境界検出、及びわずかな領域変化のパラメトリック画像を表示するための方法を含む。この指数は、胸骨傍短軸ビューにおいて等距離に離間された（ｅｑｕｉ−ｓｐａｃｅｄ）６個のセグメントの数値グラフとしても表示された。

壁運動分析のための自動化された方法はパラメトリック画像を提供し、壁運動に関連する指数を生成できるが、このような方法は自動化された評価は提供しない、あるいはそれ以外の場合心筋組織の状態（例えば、正常または異常）を特定、または特徴付けない。

課題を解決しようとする手段

本発明の例示的な実施形態は、概して、自動診断及び心臓画像診断のための意思決定支援を提供するためのシステム及び方法を含む。さらに詳細には、本発明の例示的な実施形態は、例えば、壁運動分析を通した局所的な心筋機能の自動評価、心筋症、冠動脈疾患、及び他の心臓関連の病状等の心臓病と状態の自動診断、及び医師の仕事の流れを支援するための他の自動化された意思決定支援機能を含む、医師の仕事の流れの多様な態様のために医師に自動支援を提供するために、対象患者の（画像データ及び／または非画像データを含む）一群の患者情報から関連する特徴／パラメータを抽出し、分析するための自動化された方法を実現する心臓画像診断のためのＣＡＤ（コンピュータ支援診断）システム及びアプリケーションを含む。

本発明の他の例示的な実施形態では、心臓画像診断用のＣＡＤシステム及び方法は、１つまたは複数の関連する臨床領域における分類された患者の症例のデータベースから得られる（学習される）一式の訓練データ、及び／または該ＣＡＤシステムが患者データを適切に及び正確に分析し、医師の仕事の流れを支援するために適切な診断評価及び決定を下すために「学習する」ことができるようにするためにこのようなデータの専門家の解釈を使用する、機械学習技法を実現する。

本発明のこれらの及び他の例示的な実施形態、特徴及び優位点は説明される、あるいは添付図面に関連して読まれなければならない例示的な実施形態の以下の詳細な説明から明らかになる。

一般的には、後述されるような本発明の例示的な実施形態は、自動診断及び心臓画像診断用の意思決定支援を提供するためのシステム及び方法を含む。さらに詳細には、例えば図１から図４を参照して後述されるような本発明の例示的な実施形態は、例えば壁運動分析による局所的な心筋機能の自動評価、心筋症、冠動脈疾患及び他の心臓関連の病状等の心臓病及び状態の自動診断、及び医師の仕事の流れを支援するための他の自動化された意思決定支援機能を含む、医師の仕事の流れの多様な態様のために医師に自動化された支援を提供するために、対象患者の（画像データ及び／または非画像データを含む）一群の患者情報から関連する特徴／パラメータを抽出し、分析するための自動化された方法を実現する、例えば心臓画像診断用のＣＡＤ（コンピュータ支援診断）システム及びアプリケーションを含む。該例示的なＣＡＤシステムは、１つまたは複数の関連する臨床領域における分類された患者の症例のデータベースから得られる（学習される）一式の訓練データ、及び／または該ＣＡＤシステムが患者データを適切に且つ正確に分析し、医師の仕事の流れを支援するために適切な診断評価及び決定を下すために「学習する」ことができるようにするためにこのようなデータの専門家解釈を使用する機械学習技法を実現する。

一般的には、図１は、１つまたは複数のイメージング法を支援し、医師の仕事の流れの多様な態様のために１つまたは複数の意思決定支援機能を提供する心臓画像診断のためのＣＡＤシステム及び方法の一般的な実施形態を描いている。図２から図４は、図１のフレームワークに基づいているＣＡＤシステム及び方法の特定の例示的な実施形態である。例えば、本発明によるＣＡＤシステム及び方法の例示的な実施形態は、例えば、局所的な心筋機能の評価に関して意思決定支援機能を提供するだけではなく、局所的な心筋機能の自動評価を提供するために超音波心臓画像診断アプリケーションで実現できる図２を参照して説明される。後述されるように、図２の例示的なフレームワークに基づいているＣＡＤシステムの例示的な実施形態は、心臓超音波画像データ、及び要すれば臨床データレコードから抽出される多様なパラメータに基づいて心臓の心筋壁の領域内の心筋組織の状態を分類するための分類方法を利用する。

さらに、本発明によるＣＡＤシステム及び方法の例示的な実施形態は、心臓の状態に関する診断決定に関して意思決定支援機能を提供するだけではなく、例えば、心筋症、冠動脈疾患、及び他の関連の状態等の心臓病と状態のための自動診断を提供するために超音波心臓画像診断アプリケーションで実現できる図３を参照して説明される。後述されるように、図３の例示的なフレームワークに基づいているＣＡＤシステムの例示的な実施形態は、心臓疾患及び状態のための自動診断及び意思決定支援を提供する目的で局所的な心筋機能を評価するための壁運動分析及び分類の方法を組み込む。

さらに、本発明による多モードＣＡＤシステム及び方法の例示的な実施形態は、例えば、心臓超音波画像データを含む複数のイメージング法のための心臓画像診断に自動診断及び意思決定支援を提供するための方法を実現する、図４を参照して説明される。

本発明に従って本明細書に記載のシステム及び方法が多様な形式のハードウェア、ソフトウェア、ファームウェア、特殊目的プロセッサ、またはその組み合わせで実現されてよいことが理解されなければならない。本発明の１つの例示的な実施形態では、本明細書に記載のシステム及び方法は、１つまたは複数のプログラム記憶装置（例えば、磁気フロッピーディスク、ＲＡＭ、ＣＤ Ｒｏｍ、ＤＶＤ、ＲＯＭ、及びフラッシュメモリ）で明白に具現化され、適切なアーキテクチャを備える任意のデバイスまたは機械により実行可能であるプログラム命令を備えるアプリケーションとしてソフトウェア内で実現される。

添付図面に描かれている構成するシステムモジュール及び方法ステップがソフトウェアで実現できるため、システム構成要素（またはプロセスステップのフロー）の間の実際の接続は、アプリケーションがどのようにプログラミングされるのかに応じて異なる可能性があることがさらに理解されなければならない。本明細書で教示を考えると、関連技術の当業者は、本発明のこれらの及び類似したインプリメンテーションまたは構成を意図することができる。

図１は、本発明の例示的な実施形態に従って自動診断及び心臓画像診断用の意思決定支援を提供するためのシステムを描く高水準ブロック図である。さらに詳細には、図１は、対象患者に関して医師の仕事の流れの多様な態様において医師を支援するために、診断評価と勧告及び他の意思決定支援を提供するために、対象患者の多様なタイプの患者情報（１）と（２）を分析するための方法を実現するＣＡＤ（コンピュータ支援診断）システム（１０）を示している。ＣＡＤシステム（１０）は、ＣＡＤシステム（１０）が患者情報（１、２）を分析し、より正確な診断評価及び／または医師の仕事の流れを支援するための決定を継続的に提供するために継続的に学習できるようにする機械学習方法を使用する。

ＣＡＤシステム（１０）に対する入力は、患者の治療の過程で収集される臨床データ及び患者の履歴、家族歴、人口学的情報、金融情報などの他の情報、及び他の関連する患者情報を含む、１つまたは複数のイメージング法における画像データ（１）（例えば、超音波画像データ、ＭＲＩデータ、核医学データ等）と多様な構造化された、及び／または構造化されていないデータソースからの非画像データ（１３）を含む患者情報の多様なソースを備える。例えば、ＣＡＤシステム（１０）に提供されてよい臨床データの特定の例は、性別、年齢、糖尿病性、心既往歴、総コレステロール量、ＨＤＬ、収縮期血圧、及び喫煙等の、心臓病の危険分析のための周知の「フラミンガム研究（Ｆｒａｍｉｎｇｈａｍ Ｓｔｕｄｙ）」の中のそれらのパラメータ等の心臓疾患の特定のための危険因子及び／または心臓疾患の予測判断材料として特定された臨床変数を含む。ＣＡＤシステム（１０）は、画像データ（１）及び非画像データ（２）から情報（特徴）を自動的に抽出し、ＣＡＤシステム（１０）による分析に適切である方法で抽出された情報を結合するための方法を実現する。ＣＡＤシステム（１０）により支援されている診断及び意思決定支援機能に応じて、ＣＡＤシステム（１０）は、後述されるように、心臓疾患及び状態を調べ、診断するための医師の仕事の流れの支援を提供する、１つまたは複数の出力（１１）、（１２）、（１３）、及び／または（１４）を生成できる。

例えば、本発明の例示的な一実施形態では、ＣＡＤシステム（１０）は１つまたは複数のイメージング法データ（１）（例えば、超音波画像データ、ＭＲＩデータ、核医学データ、ＰＥＴデータ、ＣＴデータ等）及び（要すれば）非画像データ（２）から情報（画像パラメータ／特徴）を抽出し、分析し、該抽出された情報（１１）を使用して壁運動分析によって局所的な心筋機能を自動的に評価できる。例えば、局所的な心筋機能の自動評価を提供するための本発明の多様な例示的な実施形態は、心臓超音波画像データ及び要すれば臨床データ記録から抽出される多様なパラメータを使用して心臓の心筋層の壁の領域内の心筋組織の状態を自動的に分類するために、例えば１つまたは複数の分類方法（あるいは非常に多数の分類子を学習するアンサンブルベースの学習方法を含む他の機械学習方法）、（心機能に関係する多様な要因またはベイズ推論によって例えば特殊な種類の異常な運動をモデル化しようとする）モデルベースの方法、あるいはこのような方法の多様な組み合わせを使用して図２を参照して後述される。ここで使用されるような用語「分類子」が、階層分類子、アンサンブル分類子等の概して多様な種類の分類子フレームワークを指すことが理解されなければならない。例えば、階層分類子は、例えば、分類子が分節を２つのグループ（例えば、正常対異常）に分けるために使用され、次に異常な分節がさらに運動不能症、運動障害等として分類されるように設計されてよい。加えて、分類子設計は、データを２つのグループ（例えば、運動障害対他の全て、運動不能症対他の全て等）に区切り、階層的に編成するか、または並列で実行してから、最善の分類を発見するために結合するかのどちらかを試行する、非常に多数の分類子を含むことができる。さらに、分類子は、全てが同じ分類タスクを実行しようと試みる（「分類子群」と呼ばれる）多数の分類子が学習されるが、異なるデータ／変数／パラメータを用いて訓練され、それから最終的な分類ラベルを生じさせるために結合されるアンサンブル分類子を含むことができる。最後に、心筋層の壁の局所的な評価を提供することに加えて、ＣＡＤシステム（１０）は局所的な評価ごとに信頼スコアまたは信頼のインジケータを提供できる。

本発明の別の例示的な実施形態では、ＣＡＤシステム（１０）は、１つまたは複数のイメージング法データ（１）（たとえば超音波画像データ、ＭＲＩデータ、核医学データ等）及び（要すれば）非画像データ（２）から情報（画像パラメータ／特徴）を抽出し、分類し、心臓疾患の診断の確率及び（要すれば）診断（１２）の信頼の尺度を自動的に生成し、出力することができる。さらに詳細には、例証として、ＣＡＤシステム（１０）は患者の超音波検査からの関連する特徴を抽出し、分析し、例えば心筋症の状態または冠状動脈性心疾患の診断の現在の推定値及び信頼度を提供できる。

代わりに、例えば公知の心臓疾患のある患者の場合、ＣＡＤシステム（１０）は治療法のコースを示唆することができ、その場合確率及び信頼（１２）が、心蔵疾患から該患者を治すことから、その唯一の目的が末期の心臓疾患の患者の生活の質を改善することとなる純粋に待機的療法に及ぶ、該治療法が所望される（推定上、有益な）影響を有する確度を指すであろう。さらに具体的には、ＣＡＤシステム（１０）は、治療法を提案することに加え、該治療法が決められた結果を有する確率及び／または信頼度を自動的に提供し、おそらく該治療法が副作用等の決められた弊害をもたらす影響を有さないという確率及び／または信頼度を提供できる。確率は、有益と有害両方の考えられる結果に対する分布状況、あるいは将来の一時点またはさらに多くの時点で有益と有害両方の考えられる結果に対する分布状況の集合、あるいは将来の様々なときにおける考えられる結果に対する時間変化する分布状況等として指定することができる。

本発明の別の例示的な実施形態では、ＣＡＤシステム（１０）は心筋機能の局所的な評価の信頼度を改善するために、あるいは心臓疾患の診断の信頼度を改善するために既定の患者のために実行できる（あるいは取得できる）１つまたは複数のテスト（または特徴）を自動的に決定し、指定することができる。例えば、ＣＡＤシステム（１０）は、追加のテストまたは特徴ごとに、ＣＡＤシステム（１０）によって決定される評価または診断の信頼度を改善する、特定のイメージング法または（臨床データを含む）特徴の潜在的な有効性に関するなんらかの尺度または表示を提供する「スコア」（１３）を求め、出力できる。

本発明の別の例示的な実施形態では、ＣＡＤシステム（１０）は、現在の症例（１４）に類似している１つまたは複数の例示的なケーススタディを特定し、（ディスプレイまたはリストを介して）出力できる。例えば、前述し、さらに詳しく後述するように、ＣＡＤシステム（１０）は過去に分類された（診断された）症例のデータベース（つまりライブラリ）を備えてよく、対象患者についてＣＡＤシステム（１０）に入力された患者情報から抽出される特徴に基づいて、ＣＡＤシステム（１０）は診断支援のために該ライブラリからｎ個の最も関連性のある症例（またはなんらかの閾値を超える類似性尺度のある症例）を検索し、表示できる。言い換えると、ＣＡＤシステム（１０）は、自動的に抽出された特徴を使用して、訓練セットから、あるいは実際には過去に分類された症例の任意のデータベースから類似した症例の集合を提供できる。

医師の仕事の流れに関連して類似した症例を表示するというＣＡＤシステム（１０）の機能は医師にかなりの支援を提供できることが理解されなければならない。例えば、類似した症例を表示することは、経験不測のユーザに訓練を提供できる。実際に新米のユーザは、症例がどうしてそのように解釈されたのかの根拠または理由を突き止める、またはそれ以外の場合理解するために他の症例を検討できる。さらに、類似した症例の表示は、経験不足のユーザがＣＡＤシステム（１０）の診断結果を確認する手段になることもできる。事実上、既定の条件についての診断の確率に加えて、ＣＡＤシステム（１０）はその評価を正当化するために類似した症例を表示できる。さらに、類似した症例を表示することにより、予後診断及び治療の評価を可能にする。さらに具体的には、類似した症例を研究し、他の患者が様々な治療のオプションにどのように反応したかを確かめることにより、医師は現在の患者に対するこれらのオプションの有効性の評価を開始できる。最後に、個々の病院が特定の病気の２−３の例しか有さない（あるいは例を有さない）可能性のある相対的にまれな診断では、このようなシステムを有することにより、複数の機関から該特定の病気のこのような典型的な症例を収集することが可能になり、このようにしてその特定の病気についての症例の相対的に大きなサンプルを可能にする。

前記に鑑みて、ＣＡＤシステム（１０）は一般的には、患者の現状（例えば、特定の病気の確率または確度）の評価を提供し、（例えば、おそらく評価の曖昧さを削減する取得できる追加のテスト（または特徴）を特定する対象となる）患者のための次善の医療または診断を決定することによって医師の仕事の流れを支援する自動化されたシステムと見なすことができる。前述したように、ＣＡＤシステム（１０）が、それにより情報が学習され／引き出され、ＣＡＤシステム（１０）の訓練セットで収集されるデータにより決定が後押しされる１つまたは複数の機械学習及び／またはモデルベースの方法を実現することが理解されなければならない。特に、前述したように、ＣＡＤシステム（１０）はＣＡＤシステム（１０）に教えるために訓練データが得られる例示的な診断症例のライブラリを含むことができる。専門家によって決定され、コードに変換される一式の規則から開発され、引き出される「エキスパートシステム」とは対照的に、ＣＡＤシステム（１０）は正確な診断決定を提供し、診断された症例から学習される、あるいは専門家の知識から学習される訓練データに基づいた意思決定支援を提供することを学習する。

多様な機械学習方法がＣＡＤシステム（１０）によって実現されてよいことが理解されなければならない。例えば、同一出願人による、参照することによりここに組み込まれている、コンテキスト情報に基づいたリアルタイム特徴感度分析のためのシステム及び方法（Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄ ｆｏｒ Ｒｅａｌ−Ｔｉｍｅ Ｆｅａｔｕｒｅ Ｓｅｎｓｉｔｉｖｉｔｙ Ａｎａｌｙｓｉｓ Ｂａｓｅｄ ｏｎ Ｃｏｎｔｅｘｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ）」と題される、２００３年１１月６日にＺｈｏｕらによって提出された米国特許出願番号第１０／７０２，９８４号に説明されているシステム及び方法は、診断の曖昧さを削減するために試験または特徴のどれが最も関連性があるのかを決定するためにＣＡＤシステム（１０）内で使用できる。本来、Ｚｈｏｕの手法はプロセスのモデルを作成し、曖昧さを削減する上でのそれぞれの特徴の相対的な重要性を決定することである。このような方法はここで実現でき、それによって各イメージング法つまり診断経路は１つまたは複数の特徴の集合として説明できる。次に、Ｚｈｏｕにより説明される方法は、どの特徴が診断または評価の信頼度で最大の改善をもたらすのかを判断するために使用される。症例の大きな訓練セットから学習する他の機械学習技法は、ＣＡＤシステム（１０）で実現できる。例えば、決定木、ＳＶＭ、ベイズネットワーク、または例えば複数の分類子を学習し、最終的な診断に到達するためにそれらを結合するアンサンブルベースの方法等の多様な機械学習技法が使用されてよい。

ＣＡＤシステム（１０）が、このような決定を提供するために使用できる多様な特徴または情報を欠くときにも、適切な意思決定支援を提供できることが理解されなければならない。これは紛失データに対処できる分類子を構築することによって、あるいは紛失値を推測するために他の学習方法を使用して、あるいは患者データ／画像のいくらか（または全て）を欠くときに推測／学習を実行するために当業者にとって公知の種々の方法のどれかを使用して様々な種類のデータに対処するために異なる分類子を学習することによって達成されてよい。言うまでもなく、システムの信頼度は、提供できる情報が多いほど向上する。既定の患者についてまったく情報がない極端な場合には、ＣＡＤシステム（１０）は医師に該患者に関して講じる初期の処置に関してなんらかの指導を与えることができる。紛失データ／ノイズの多いデータで学習するおよび／または推測を実行するための多様な方法が意思決定支援システムで使用されてよい。

前記方法が、冠状動脈性心疾患等の心臓の状態のための自動的なスクリーニングを提供するために拡張できることが理解されなければならない。例えば、ＣＡＤシステム（１０）は、患者が冠動脈疾患を有する（あるいは発現することがある）確度、及び潜在的な心臓状態を最もよく検出するために患者に（存在する場合）どのスクリーニング検査を提供するべきかに関して、患者の臨床履歴及び家族暦を鑑みて決定を下すように構成できる。このような決定は、前述したような訓練セット及び機械学習技法を使用して下すことができる。さらに、スクリーニングのために、ＣＡＤシステム（１０）は、病気の確度、訓練セットからの典型的な症例、及び既定の患者にとって最適となるスクリーニング検査を含む、前述したような決定を生成、出力できる。

ここで図２を参照すると、ブロック図は、本発明の別の例示的な実施形態による心臓画像診断のための自動診断及び意思決定支援を提供するためのシステムを示している。さらに具体的には、図２は、本発明の例示的な実施形態による心筋壁運動を分析するために非画像データだけではなく１つまたは複数のイメージング法から得られる多様なパラメータ（例えば超音波画像データ、ＭＲＩデータ、核医学データ等）も使用する心臓の心筋機能の自動化された局所的な評価のための方法を含む超音波心臓画像診断のためのＣＡＤシステム（２０）を示す。図２のＣＡＤシステム（２０）は、１つまたは複数の超音波イメージング方法を支援するために図１のＣＡＤシステム（１０）の１つまたは複数の例示的なフレームワークを示す。一般的には、ＣＡＤシステム（２０）は、特徴抽出モジュール（２２）と、特徴結合モジュール（２３）と、分類モジュール（２４）と、診断／ワークフロー支援モジュール（２５）とを備えるデータ処理システム（２１）を備える。該特徴抽出モジュール（２２）は、超音波画像データ（３）（及びおそらく他のイメージングデータ）、ならびに臨床データ、家族データ、履歴データ等の非画像患者データ（４）の他のソースから関連するパラメータを抽出するための多様な方法（２２−１、２２−２、２２−３、２２−４）を実現する。患者データは、（特定の分野の指定された値としてデータベースの中で）構造化された形式で使用可能であってよいあるいは（例えばテキストの自然言語処理による）患者記録から抽出されてよい。該特徴結合モジュール（２２）は、分析用のために該分類モジュール（２４）への入力に適した方法で該抽出された特徴を結合する。

該分類モジュール（２４）は、診断支援及び意思決定支援を提供するために使用される情報を生成するために、モデルビルダ（２４−２）を介して訓練される／動的に適応される、１つまたは複数の分類モデルを使用して結合された抽出パラメータを分析する分類方法（２４−１）（または分類エンジン）を備える。該診断／ワークフロー支援モジュール（２５）は、（例えば心筋機能の局所的な評価を提供する、現在の症例に類似する症例の集合を提供する、局所的な評価の信頼度を高める追加の特徴のあり得る利点を示すスコアを提供する等の）図１を参照して前述したような機能を実現するための１つまたは複数の方法を含む。

ＣＡＤシステム（２０）は、ユーザが該診断／ワークフロー支援モジュール（２５）によって支援されている１つまたは複数の機能を選択できるようにし、システムが処理結果を表示し、ユーザに提示できるようにする、ユーザインタフェース（２６）（例えば、キーボード及びマウス入力装置を用いてコンピュータモニタ上で表示されるグラフィックユーザインタフェース）をさらに備える。処理結果は、後述されるように本発明の例示的な実施形態による多様な方法の１つまたは複数で表示し、ユーザに提示できる。

ＣＡＤシステム（２０）は、多様なソースから引き出される情報の臨床領域知識ベースを維持するレポジトリ（２７）をさらに備える。例えば、該臨床領域知識（２７）は、ＣＡＤシステム（２０）によって支援されている臨床領域に関連する分析された／分類された症例（２８）の大型データベースから学習される、あるいは自動的に抽出される。臨床領域知識（２７）は、過去の苦情を分析することから専門家によって直接的に入力される専門家臨床知識、または支援されている臨床領域に関して、医療団体または保険会社と関連する規則／規定／指針に関する情報を含んでよい。詳しく後述されるように、レポジトリ（２７）の中の臨床領域知識は、データ処理システム（２１）の多様な方法（２２、２３、２４及び２５）で使用できる。

本発明の１つの例示的な実施形態では、ＣＡＤシステム（２０）は、対象患者の心臓の超音波画像（３）で心筋層の壁運動及び壁厚を自動的に分析するための方法を含み、それにより心筋層の心臓組織の局所的な分節を正常または異常として自動的に分類するために使用される壁運動と壁肥厚パラメータを抽出する。特に、図２に示されるようなＣＡＤシステム（２０）の１つの例示的な実施形態では、特徴抽出モジュール（２２）は超音波画像データ（３）から壁運動パラメータを抽出するための壁運動抽出モジュール（２２−１）と、超音波画像データ（３）から壁肥厚化パラメータを抽出するための壁肥厚抽出モジュール（２２−２）を備える。

本発明の１つの例示的な実施形態では、該特徴抽出モジュール（２２−１、２２−２）は、同一出願人により、参照することによりここに完全に組み込まれている「運動中のオブジェクトの大局的な形状を追跡調査するためのシステム及び方法（Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄ ｆｏｒ Ｔｒａｃｋｉｎｇ ａ Ｇｌｏｂａｌ Ｓｈａｐｅ ｏｆ ａｎ Ｏｂｊｅｃｔ ｉｎ Ｍｏｔｉｏｎ）」と題される２００３年３月５日に出願された米国特許出願番号第１０／７９４，４７６号に説明されている方法を実現する。簡略には、この出願は、例えば、経時的に進化する心臓の医学分析のために、超音波心臓動態図画像（２次元、３次元、及び４次元（３次元＋時間））で（例えば、心臓の心内膜壁及び／または心外膜壁等の）心臓の心筋層の壁の大局的な形状及び／または局所的な運動を追跡調査するための方法を説明している。これらの方法は、多様な視野からの心臓の２Ｄ、３Ｄまたは４Ｄ（３Ｄ＋時間）画像から左心室の心内膜壁を追跡調査するための超音波心臓動態図システムで使用できる。これらの方法は、心筋層の壁の多様な部分の運動の大きさ、方向及びタイミングを追跡調査するために使用できる。さらに、これらの方法は、このような時間フレームで壁肥厚化データを提供するための時間枠（心収縮期段階）で心筋層の壁の内側輪郭と外側輪郭を追跡調査するために使用できる。

例えば、壁運動情報だけを考慮する超音波心臓検査法で使用される従来の方法とは対照的に、心収縮期段階の間の心臓壁の肥厚化を検討するのが重要である。事実上、心臓壁の一部が死んでいるとしても、このような部分は該壁の近傍の分節によって引っ張られてよい――不適切な分析につながることがある公知の、「連結（ｔｅｔｈｅｒｉｎｇ）」と呼ばれる現象である。有利なことに、壁運動と壁肥厚化の療法を検討することにより、下にある壁の健康がさらに正確に評価される。

相応して、前述したような本発明の１つの例示的な実施形態では、データ処理システム（２１）は局所的に心臓壁の状態を評価するために所望される心筋層の心臓壁の局所的な部分のための壁運動と壁肥厚化のパラメータを抽出する。本発明の１つの実施形態では、該分類モジュール（２４）から出力される評価または分類結果は心臓壁の１つまたは複数の領域のための壁運動「スコア」を含む。該診断／ワークフロー支援モジュール（２５）は、ユーザインタフェース（２６）を介して表示するために分類結果を表示する。特に、本発明の例示的な一実施形態では、分類結果は米国心エコー図学会（ＡＳＥ）の推奨規格に従って心臓の左心室の多様な分節のための壁運動「スコア」としてユーザに提示される。特に、ＡＳＥ規格では、左心室は複数の分節（例えば１６または１７）に分けられる。ＡＳＥは多様な分節のために画像データを取得するために標準的な超音波ビュー（ＢモードでのＡ４Ｃビュー、Ａ２Ｃビュー、ＰＳＡＸビュー、ＰＬＡＸビュー、ＡＬＡＸビュー）を使用し、各分節に以下のような壁運動スコア、つまり１＝正常、２＝運動機能減少症、３＝無動症、４＝運動障害、及び５＝動脈瘤を割り当てるためにこのような画像データを分析することを推奨する（例えば、Ｓｃｈｉｌｌｅｒら、「二次元超音波による左心室の定量化のための推奨策（Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｆｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ ｏｆ ｔｈｅ Ｌｅｆｔ Ｖｅｎｔｒｉｃｌｅ ｂｙ Ｔｗｏ−Ｄｉｍｅｎｓｉｏｎａｌ Ｕｌｔｒａｓｏｕｎｄ）」、米国心エコー図学会誌（Ｊｏｕｒｎａｌ ｏｆ Ａｍｅｒｉｃａｎ Ｓｏｃｉｅｔｙ ｏｆ Ｅｃｈｏｃａｒｄｉｏｇｒａｐｈｙ）、第２巻、３５８ページ、２８８９ページ及びＳｎｙｄｅｒらを参照すること）。

ＡＳＥによって推奨されている採点技法が使用される例示的な実施形態では、（ＡＳＥスコアを含む）分類結果が図５に示されるように「要点」プロットに表示できる。さらに具体的には、図５は心臓のＬＶの１６分節モデルに基づいた２Ｄプロット（５０）を示しており、１６分節はＡｎｔ（前部）、Ｍｅｄ、Ｌａｔ（側面）、Ｐｏｓｔ（後部）、Ａｐｅｘ（先端）として示される標準向きデータとともに、３Ｄ ＬＶ空洞の２Ｄ表現で示される。本発明の例示的な一実施形態に従って、図２の該分類モジュール（２４）の処理結果は、分節ごとのＡＳＥ推奨策に基づいて１から５のスケールでの壁運動「スコア」として提示され、そのスコアは２Ｄプロットでユーザに提示される。ソースは、実際のスコアを分節の中に含めることによって、あるいはスコアに従って分節を着色することによって表示できる。スコアを提示する他の方法は、当業者によって容易に想像できる。

本発明の他の例示的な実施形態では、ＡＳＥによって定義された分節よりむしろ、正常な組織と異常な組織の分類が、イメージの各箇所または指定された小区域内で実行できる。

本発明による壁運動分析プロセスが、Ｊｏｌｌｙらによる、「心臓のＭＲ画像での左心室の分節化（Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ Ｌｅｆｔ Ｖｅｎｔｒｉｃｌｅ ｉｎ ａｒｄｉａｃ ＭＲ Ｉｍａｇｅｓ）」と題される記事、コンピュータビジョンに関する国際会議の会報、ＩＣＣＶ、２００１年、カナダ、バンクーバー（Ｖａｎｃｏｕｖｅｒ、Ｃａｎａｄａ）、２００１年７月、第１巻、５０１から５０８ページで説明されるような他のイメージング法を使用して実現できることが理解されなければならない。例えば、心臓ＭＲ画像で左心室を分節化するための方法が利用できることが理解されなければならない。このような技法は、超音波について前述した技法に類似した方法でＭＲ画像から運動及び肥厚化データを抽出するために使用できる。類似した技法はＣＴ画像にも使用できる。

本発明の他の例示的な実施形態では、心臓壁の局所的な評価を提供することに加えて、分類モジュール（２４）が、既定の分節のための評価（例えば壁運動スコア）での信頼度を表す、分節ごとに信頼度レベルを決定するための方法を含むことがある。事実上、体の体質の変動及び他の要因だけではなく画質の差異のために、同じ人物の中でさえ様々な評価が様々なレベルの信頼度を有する可能性がある。例えば、局所的な壁運動を検討するにすぎない場合、超音波心臓検査技師（ｅｃｈｏ ｃａｒｄｉｏｇｒａｐｈｅｒ）にとって多くの場合、信号強度が強い体節間膜の分析の信頼度が通常は、信号強度が弱い側方の壁のその分析の信頼度より優れている。超音波心臓検査技師は患者を評価するときにはこのような情報を自動的に検討する。しかしながら、従来の自動化されたシステムでは、対応する信頼度の分析は行わずに単に結果だけを示す。本発明の例示的な一実施形態に従って、局所的な壁運動分析の場合、ＡＳＥの指針に従って、各分節の信頼度インジケータとともに、各分節（おそらく１から１０という尺度で）には１から５のスコアを割り当てることができる。

図２のＣＡＤシステム（２０）の他の例示的な実施形態では、心筋機能の自動化された局所的な評価を提供するために、１つまたは複数の追加の機能を抽出し、検討できることが理解されなければならない。さらに具体的には、本発明の他の例示的な実施形態では、特徴抽出モジュール（２２）は、壁運動を自動的に分析し、心筋壁の正常な分節と異常な分節を特徴付け／分類するために分類プロセス（２４−１）による分析のための他の関連性のある画像パラメータを抽出するパラメータ抽出方法（２２−３）を実現できる。例えば、壁運動と壁肥厚化のデータに加えて、自動化された診断及び評価は、小部分の壁短縮化、小部分の領域変更、最大偏位、最大偏位の段階（つまり、心臓サイクルのどのポイントで最大偏位が発生するのか）、偏位の速度（絶対または相対）、及び心筋組織の歪みまたは歪み速度等のパラメータに基づくことができ、このようなパラメータは心臓サイクル全体、または心収縮期のような心臓サイクルの所定の部分での1つまたは複数の多様な種類の超音波画像データ（３）からから抽出できる。

さらに具体的には、本発明の実施形態に従って、１つまたは複数の追加の局所的な測定が超音波画像データ（３）から抽出され、心臓壁の総合的な局所評価に、分析に結合できる。例えば、特徴抽出モジュール（２２）は組織速度及び歪み及び歪み速度等の局所的なパラメータを抽出するための１つまたは複数の追加の特徴抽出方法（２２−３）を実現してよい。公知技術として知られているように、組織速度、歪み、及び歪み速度のイメージングは、心筋組織の局所的な評価を提供するために使用できる。これらの評価は、通常、超音波心臓検査技師が評価するための画像として分離して提供される。多くの場合、これらの速度と歪み速度の画像は、評価が困難であり、解釈の誤差につながることがあるアーチファクトを有する。しかしながら、これらから特徴を抽出し、それらを他の特徴と結合することによって、局所的な評価のより正確な評価を行うことができる。

超音波画像（３）から抽出される別の局所パラメータは、コントラストパーフュージョンを含む。パーフュージョンは心臓壁の中に入る血液の測定であり、コントラストイメージング方法は、コントラストパーフュージョンパラメータが局所的な心筋機能を評価するために抽出できる超音波画像データを獲得するために使用できる。再び、パーフュージョン特徴を他の特徴と結合することによって、局所的機能のさらによい評価を得ることができる。

局所的な心筋機能を評価するために検討できる別のパラメータは、収縮の開始のタイミング等のタイミングデータを含む。事実上、死んでいる、あるいは損傷している心筋壁（またはその一部）が他の心筋層の壁より後に収縮し始めてよい。したがって、タイミングパラメータは心筋機能を評価するための追加情報として使用できる。位相イメージング方法は、タイミングパラメータから超音波画像データ（３）を獲得するために使用することができ、局所的な心筋機能をアサートするために抽出できる。

さらに、さまざま分節を互いに比較すると、心筋機能をアサートするために有効である追加情報を提供できる。事実上、従来の技法は分離した各分節を見る。ただし、心筋の様々な分節を互いに比較することによって重大な利点を達成できる。例えば、局所的な壁運動を評価するとき、心臓の１つの部分の運動はゆっくりしていると考えられてよい。しかしながら、その壁の部分が心臓の他の部分より著しくゆっくりと移動していれば、壁のその部分は心臓の他の部分と同じ速度で行うことができ、別の評価を下すことができる。

本発明の別の例示的な実施形態では、３Ｄ超音波データからのパラメータの抽出により、２Ｄデータに優る追加の優位点を提供できる。壁運動分析の現在の技法は２Ｄ（＋時間）データを使用する。ただし、３Ｄ（＋時間）から特徴を抽出することは多くの理由から有益であろう。第１に、速度は単なる「面内の」速度より追跡調査できるため、速度のより正確なピクチャが使用できる。第２に、２Ｄ画像は、同じ２Ｄスライスがつねに使用できるという仮定がなされるために劣っている。心臓の運動のために、これは真実ではない。したがって、局所的な心筋層の分析のための運動、肥厚化、速度、歪み、歪み速度及び／または３Ｄでのコントラストパーフュージョンによりさらに正確な評価が可能になる。

心筋機能を評価するために実現されてよい他のパラメータは大局的な指数を含む。従来の自動化された技法は、局所的な心筋機能を評価するために、運動または歪みのような局所的な指数だけに依存していた。しかしながら、局所的な機能を自動的に評価する技法は、心臓機能の大局的な指数も考慮に入れる必要がある。これらは、以下を含むがこれらに限定されない。つまり、左心室の体積と排出部分、左心室壁厚及び質量、ならびにＥ／Ａ率等の拡張期の機能インジケータを含むことができる。これらの指数は心臓の特定の領域での問題を具体的に指していないが、このようなパラメータは概して冠動脈疾患を示し、局所的な心筋機能の評価のための追加の機能を提供する。

本発明の他の例示的な実施形態において、データ処理システム（２１）は、対象患者の非画像患者データ（４）から関連するパラメータを抽出し、分析し、心筋機能の自動化された局所的な評価を提供するために抽出された画像パラメータと関連して使用される。患者データ（４）は、患者の治療の過程で収集される、複数の構造化されたデータソースと構造化されていないデータソースからの患者情報を含むことがある。一般的には、構造化されたデータソースは、例えば財務（料金請求書作成発行）、実験室及び薬局データベースを含み、通常は患者情報はデータベーステーブルで維持される。構造化されていないデータソースは、例えば、波形データ、自由記載式の実験室テスト結果、医師増加記録、医療処置の詳細、処方薬情報、放射線レポート、及び他の専門家レポートを含む。

本発明の例示的な実施形態に従って、非画像患者データ（４）は、例えば、心筋機能の自動化された局所的な評価を提供するために使用できる、冠状動脈性心疾患及び他の関連した病状を示すかなりの量の有用なデータを含むことがある。一例として臨床情報は履歴及び医師のメモに記載されてよく、医師はある人が胸の痛みを経験してきたことを注記する。さらに、糖尿病等の特定の病気は、人が冠動脈疾患を発現する／有する可能性を高めることがある。コレステロールのレベル、喫煙履歴、環動脈性疾患の家族暦、年齢、性別、（例えば超音波測定からの）脈管内膜−内側厚さ（ｉｎｔｉｍａ−ｍｅｄｉａｌ ｔｈｉｃｋｎｅｓｓ）等の他の表示も、冠動脈疾患のリスクを評価するために使用できる。

したがって、図２の例示的な実施形態では、特徴抽出モジュール（２２）は、評価中の病状について関連性のある構造化された、及び／または構造化されていない患者データ記録（４）から関連性のある患者データを抽出するための１つまたは複数の患者データ抽出方法（２２−４）を含む。局所的な心筋層の評価の例示的な実施形態に関して、臨床データは、心筋機能が低い特定の部位を指摘しない可能性があるが、このような臨床データは局所的な心筋機能の評価において全体的に有効である場合がある。患者データ記録（４）から関連性のあるパラメータを抽出するための抽出モジュール（２２−４）によって任意の適切なデータ分析／データマイニングの方法が、患者レコードの誤差／矛盾／紛失情報に対処するために実現されてよいことが理解されなければならない。例示的な実施形態では、患者データ抽出方法（２２−４）及び特徴結合方法（２３）は、ともに参照することにより本書に完全に組み込まれる、２００１年１１月２日に出願された米国仮出願番号第６０／３３５，５４２に対する優先権を主張する、「患者データマイニング（Ｐａｔｉｅｎｔ Ｄａｔａ Ｍｉｎｉｎｇ）」と題される、２００２年１１月４日に出願された同一出願人による同時係属の米国特許出願、米国出願番号第１０／２８７，０５５号に説明されるように、データマイニング方法及び特徴結合方法を使用して実現されてよい。

簡略には、米国出願番号第１０／２８７，０５５号は、ある特定の時点での患者についての確率論的なアサーションとして表現される知識ベース内（例えば、レポジトリ（２７）内）に含まれている領域に特殊な知識を使用して臨床データ記録から関連性のある情報を抽出し、既定の期間で同じ変数（領域に特殊な基準）を参照し、その変数に関する単一の統一された確率論的なアサーションを形成するため、したがって（該変数が経時的にどのように変化することがあるのかについての時間的な制約を適用することを含む）経時的にその情報を調整し、その変数の値の変化に対処するために全ての要素を組み合わせるためのデータマイニング方法を説明している。

さらに、冠状動脈性心疾患のリスクを評価するために患者情報を結合するための方法は、同一出願人により、参照することにより本書に完全に組み込まれている「心臓病スクリーニングのための患者データマイニング（Ｐａｔｉｅｎｔ Ｄａｔａ Ｍｉｎｉｎｇ ｆｏｒ Ｃａｄｉｏｌｏｇｙ Ｓｃｒｅｅｎｉｎｇ）」と題される２００２年１１月４日に出願された米国特許出願番号第１０／２８７，０８５号に説明されている。

図２の例示的な実施形態では、前述したように、データ処理システム（２１）が、特徴抽出（２２）、特徴結合（２３）、及びモデル構築（２４−２ｂ）等の多様な方法を実行するために、レポジトリ（２７）に維持される臨床領域知識データを使用する。領域に特殊な知識ベース（２７）は、病気に特殊な領域の知識を含んでよい。例えば、病気に特殊な領域知識は、病気のリスク、病気の進行情報、合併症情報、病気に関連する結果と変数、病気に関連する測定、及びＡＣＣ、ＡＨＡ及びＥＳＣ等の医療団体により確立された方針と指針に影響を及ぼす多様な要因を含んでいる可能性がある。

例証として、急性心筋梗塞症（ＡＭＩ）を診断するための領域に特殊な基準は、以下の３つの要因の組み合わせの無条件の存在または不在に応じてＡＭＩの診断を指定してよい。つまり（ｉ）心臓の痛みの徴候、（ｉｉ）ＥＫＧ（心電図）の変化及び（ｉｉｉ）傷ついた心筋により放出される酵素の変化である。さらに、個人に心臓の痛みがあったと仮定すると、心電図と酵素の変化が個別に及び組み合わせて指定された基準をどの程度満たすのかは、症状の確実性（「決定的」、「有望」、または「可能性がある」）を決定するために使用できる、あるいは数値の確実性（例えば、０％と１００％の間）として提示できる。

領域に特殊な知識ベース（２７）は、機関に特殊な領域知識も含んでよい。例えば、これはある特定の病院で入手可能なデータ、ある病院での文書構造、病院の方針、病院の指針、及び病院のあらゆる変形についての情報を含んでよい。

臨床領域知識ベース（２７）は、多様なソースから引き出されてよい。例えば、臨床領域知識ベース（２７）は、分析された／分類された症例（２８）の大型データベースから学習される知識を含む。加えて、臨床領域知識ベース（２７）は過去の苦情の分析から、あるいは例えば保険会社により確立された規則と規定から専門家によって入力される知識を含んでよい。領域知識ベース（２７）内のデータは、システムが理解できる情報を生じさせる入力またはプログラムとして符号化できる。前述したように、領域専門家データは、適切なユーザインタフェースを使用する領域専門家からの手作業による入力によって取得されてよい、あるいは領域専門家データは自動的にまたはプログラムにより入力されてよい。

抽出モジュール（２２−４）は、関連性のあるパラメータを抽出し、瞬間または期間に関連性のある患者についての確率論的なアサーション（要素）を生成するために領域知識ベース（２７）内の関連性のあるデータを使用できる。抽出に必要とされる領域知識は概して各ソースに特殊である。例えば、テキストソースからの抽出は、句の位置決定（ｓｐｏｔｔｉｎｇ）によって実施されてよく、重要な句及びそこから引き出すことができる推測を指定する規則のリストが提供される。例えば、医者のメモの中に以下の単語―「心臓の左心室に心筋症の証拠がある」―を含む文がある場合には、この文から、患者に心筋症があることを推測するために、句「心筋症」を探し、それが発見されると、患者に心筋症があることをある程度の信頼度をもって断言するようにシステムに命令する規則が指定できる。データベースソースからの抽出は、ソースの中の表を照会することによって実施されてよく、その場合、領域知識はデータベースの中のどのフィールドにどのような情報が存在するのかを符号化する必要がある。他方、抽出プロセスはデータベースに含まれている情報の複雑な関数を計算することを必要とすることがあり、その場合、領域知識は、システムの残りにその出力が送られてよい、この計算を実行するプログラムの形で提供されてよい。

特徴結合モジュール（２３）によって実現される方法は、前記に組み込まれた特許出願に説明されているものである場合がある。例えば、特徴結合方法は、同じ／異なるソースからの潜在的に矛盾するアサーションから既定の時点での各変数の統一された見解を生じさせるプロセスである場合がある。本発明の多様な実施形態では、これは要素によって表される変数の統計に関する領域知識を使用して実行される。

モデルビルダ（２４−２）は、多様な抽出された特徴を分析するために訓練され（おそらく、動的に最適化され）る分類方法（２４−１）によって実現される分類モデルを構築するインプリメンテーションに応じて多様なレベルでの診断支援及び評価を提供する。分類方法が、（例えば、分類子がニューラルネットワークを使用して構築される場合に当てはまる）その予測をユーザに対して説明できない「ブラックボックス」である可能性があることが理解されなければならない。分類方法は（例えば、分類子が決定木を使用して構築される場合に当てはまる）人間が読み取ることのできる形式である「ホワイトボックス」である可能性がある。他の実施形態では、分類モデルは（例えば、「ホワイトボックス」型分類子と「ブラックボックス」型分類子の組み合わせ）どのようにして解決策が引き出されるのかを部分的に説明できる「グレイボックス」である可能性がある。実現される分類方法の種類は、領域知識データとモデル構築プロセス（２４−２）に依存する。モデル構築プロセスは、決定木、支援ベクトル機械、ベイズネットワーク、確率的推論当を含んでよい実現される分類方式、及び当業者に公知である他の分類方法に応じて変化する。

モデルビルダ／更新プロセス（２４−２）は、分類モデルを訓練し、分類プロセス（２４−１）によって実現される過去に訓練された分類モデルをおそらく動的に更新するために臨床領域値ベース（２７）内のデータを使用する。本発明の例示的な一実施形態では、モデルビルダ／更新プロセス（２４−２）は局所的な心筋機能を評価することを学習する分類モデルを構築する／訓練するために「オフラインで」実現される。本発明の別の例示的な実施形態では、モデルビルダ／更新プロセス（２４−２）が、新規に分析された患者データから引き出される追加の学習データで更新されるレポジトリ（２７）内の領域知識データを使用するか、あるいはそれ以外の場合、関連性のある条件に関連付けられた分類モデルを最適化することができる「連続」学習方法を利用する。有利なことに、連続学習機能性は、分類方法（２４−１）が、費用のかかる人間の介入なしに経時的に絶えず向上できるようにすることによってＣＡＤシステム（２０）の堅牢性を増大させる。

図２の例示的なＣＡＤシステム（２０）では、前述したように、診断／ワークフロー支援モジュール（２６）は、図１を参照して前述したような１つまたは複数の診断機能と意思決定支援機能を提供できる。例えば、診断／ワークフロー支援モジュール（２６）は、超音波画像データ（３）及び／または非画像患者データ記録（４）から抽出される特徴の集合に基づいて、評価の信頼度の尺度とともに局所的な心筋機能の評価を提供するように分類モジュール（２４）に命令できる。分類エンジン（２５−１）は、モジュール（２３）から出力される結合された特徴を分析するために訓練される１つまたは複数の分類モデルを使用してこのような分類を実行できる。別の例示的な実施形態では、診断／ワークフロー支援モジュール（２５）が、局所的な評価における信頼度を高めるために、どの追加イメージング法または特徴（例えば、Ｂモード超音波画像データ、他の画像モード及び／または非画像データから）を取得し、さらに分析できるのかを判断するように分類モジュール（２４）に命令できる。さらに診断／ワークフロー支援モジュール（２５）は、抽出された特徴の現在の集合に基づいてレポジトリ（２７）内の１つまたは複数の類似する患者症例を取得し、（ユーザインタフェースを介して）表示するように分類モジュール（２３）に命令できる。

ここで図３を参照すると、ブロック図は、本発明の別の例示的な実施形態による心臓画像診断のための自動化された診断及び意思決定支援を提供するためのシステムを示す。さらに具体的には、図３は、医師の作業の流れを支援するために他の意思決定支援機能を提供するだけではなく、多様な超音波画像モード（Ｂモード、コントラストイメージング、及び／または位相イメージング等）及び／または非画像患者データの１つまたは複数から取得される画像パラメータを使用して、例えば冠状動脈性心疾患の自動診断も提供するためのＣＡＤシステム（３０）を示す。例示的な一実施形態では、図３のＣＡＤシステム（３０）は図２について前述したような自動化された壁運動分類分析を組み込む。図３のＣＡＤシステム（３０）は、１つまたは複数の超音波イメージング方法を支援するために図１のＣＡＤシステム（１０）の１つまたは複数の例示的なフレームワークを示す。

図３を参照すると、ＣＡＤシステム（３０）は、医師がある特定の患者のための治療または診断経路を決定するのを支援するための他の方法だけではなく、超音波画像データから抽出される多様なパラメータに基づいた心臓病の自動分類（診断）のための方法も実現するデータ処理システム（３１）を備える。一般的には、データ処理システム（３１）は、特徴抽出モジュール（３２）、特徴結合モジュール（３３）、分類モジュール（３４）及び診断／ワークフロー支援モジュール（３５）を備える。さらに、ＣＡＤシステム（３０）は、（例えば、１つまたは複数の種類の心臓の状態の自動診断及び診断の信頼度を提供し、診断における信頼度を高めるために（例えば、Ｂモード超音波画像データ、他の画像モード、及び／または非画像データから）どの追加超音波イメージング法または特徴を取得し、さらに分析できるのかを決定し、診断／ワークフロー支援モジュール（３５）によって支援されている１つまたは複数の機能を選択するためにＣＡＤシステム（３０）とのユーザ対話を可能にするユーザインタフェース（３６）を備える。

該特徴抽出モジュール（３２）は、心臓病の自動診断及び後述されるような他のタイプの意思決定支援を提供するために分析できる、超音波画像データ（５）及び非画像患者データ（６）の多様なモデルの１つまたは複数から関連性のあるパラメータを抽出するための多様な方法（３２−１から３２−９）を実現する。例えば、特徴抽出モジュール（３２）は、超音波画像から抽出される運動及び肥厚化のパラメータに基づいて心筋機能の局所的な評価を提供するための、図２を参照して前述した方法を実現する自動壁運動分析モジュール（３２−１）を含む。モジュール（３２−１）から出力されるパラメータは、評価の実績（例えば、分節ごとの壁運動スコア）あるいは心臓の状態の自動診断を提供するため、あるいは他の診断支援機能を提供するためにさらに処理される、抽出された運動と肥厚化のパラメータである場合がある。

他の抽出モジュールは、例えば、ＬＶＥＦ（左心室駆出分画）、ＬＶＥＤＶ（左心室最終心臓拡張量）、ＬＶＥＳＶ（左心室最終収縮体積）等を含む超音波画像データからグローバルパラメータを抽出するためのグローバルパラメータ抽出モジュール（３２−２）、及び冠状動脈心疾患の一般的な兆候を提供する、Ｅ／Ａ率等の心臓拡張パラメータを抽出するための心臓拡張パラメータ抽出モジュール（３２−３）を含む。さらに、血液速度は超音波（３２−４）におけるドップラーイメージから抽出してよい。さらに、局所的なパラメータは、歪み及び歪み速度データを抽出するための歪み速度パラメータ抽出モジュール（３２−５）と、コントラストイメージングからパーフュージョン特徴を抽出するためのコントラストパーフュージョンモジュール（３２−６）、３Ｄ（＋時間）超音波画像から特徴を抽出するための４Ｄ抽出モジュール（３２−７）、及び同じまたは追加のモードについて超音波画像データから関連性のあるパラメータを抽出するための他の画像特徴抽出モジュール（３２−８）を含む超音波画像から抽出できる。特徴抽出モジュール（３２）によって実現される多様な特徴抽出方法（３２−１から３２−９）は、図２を参照して前述したそれらの方法と同じまたは類似している。前述したように超音波画像及び他の画像データから特徴を抽出するために実現されてよい多様な方法が、当業者には周知であり、任意の適切な公知の１つまたは複数の抽出方法が抽出モジュールのために実現されてよい（例えば、「コントラスト超音波心臓検査法による心筋層のパーフュージョン評価（Ｍｙｏｃａｒｄｉａｌ Ｐｅｒｆｕｓｉｏｎ Ａｓｓｅｓｓｍｅｎｔ Ｗｉｔｈ Ｃｏｎｔｒａｓｔ Ｅｃｈｏｃａｒｄｉｏｇｒａｐｈｙ）」、医学画像２００１：超音波イメージングと信号処理（Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ ２００１：Ｕｌｔｒａｓｏｎｉｃ Ｉｍａｇｉｎｇ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ）、Ｍｉｃｈａｅｌ Ｆ．Ｉｎｓａｎａ、Ｋ．Ｋｉｒｋ Ｓｈｕｎｇ、編集者、ＳＰＩＥの会報、第４３２５巻（超音波のためのコントラストパーフュージョンのための方法）、ハシモトら、「心筋層の歪み速度は組織ドップラーイメージングと比較される左心室の心内膜下機能の評価のための優れた方法である」、Ｊ Ａｍ Ｃｏｌｌ．Ｃａｒｄｉｏｌ．２００３年１１月５日：４２（９）：１５８４−６（超音波での歪み及び歪み速度イメージングのための方法）、及びＧ．Ｉ．Ｓａｎｃｈｅｚ−Ｏｒｔｉｚら、「３Ｄ超音波心臓検査法からの自動化されたＬＶ運動分析（Ａｕｔｏｍａｔｅｄ ＬＶ ｍｏｔｉｏｎ ａｎａｌｙｓｉｓ ｆｒｏｍ ３Ｄ ｅｃｈｏｃａｒｄｉｏｇｒａｐｈｙ）」、医学画像の理解と分析（ＭＩＵＡ）会議１９９９年（Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ ａｎｄ Ａｎａｌｙｓｉｓ（ＭＩＵＡ） Ｃｏｎｆｅｒｅｎｃｅ １９９９）、英国オックスフォード、８５から８８ページ（３Ｄ超音波画像からのパラメータの抽出方法）等を参照すること）。図３のシステムでは、このような特徴は例えば心臓関連の病気の自動診断のためにさらに使用されるのに対し、図２の例示的な実施形態では、このような特徴は例えば局所的な心筋機能の自動評価に使用される。

特徴結合モジュール（３３）は、分類モジュール（３４）によって入力及び分析に適切である方法で抽出された特徴の集合を結合する。分類モジュール（３４）は、心臓病の自動診断機能と他の意思決定支援機能を提供するために、モデルビルダ（３４−２）を介して訓練される／動的に適応される１つまたは複数の分類モデルを使用して該結合された抽出パラメータを分析するための分類方法（３４−１）を備える。ＣＡＤシステム（３０）は、分類方法（３４−１）によって使用される分類モデルを構築する／訓練するためにモデルビルダ（３４−２）によって使用されるトレーニングデータを提供する情報の臨床領域知識ベースを維持するレポジトリ（３７）をさらに備える。ＣＡＤシステム（３０）によって支援されている１つまたは複数の臨床領域に関連する分析された／分類された症例（３８）の大型データベースは、レポジトリ（３７）内の訓練データを取得するために使用できる。臨床領域知識（３７）は、過去の苦情の分析から専門家によって直接的に入力される専門家臨床知識、または支援されている臨床領域に関して医療団体または保険会社と関連付けられている規則、規定、及び／または指針に関連する情報を含んでよい。レポジトリ（３７）内の臨床領域知識は、データ処理システム（３１）の多様な方法（３２、３３、３４及び３５）で使用できる。

図３の多様なモジュール（３２、３３、３４及び３５）は、前述したように図２のＣＡＤシステム（２０）のそれらの対応するモジュール（２２、２３、２４及び２５）と同じまたは類似した方法を実現できることが理解されなければならない。しかしながら、分類モジュール（２４）と（３４）の分類法とモデル構築方法等の多様な方法は、それぞれのＣＡＤシステム（２０）と（３０）によって支援されている決定支援機能、特徴抽出方法及び／または画像物理療法のタイプに応じて変化する。さらに、臨床領域知識ベース（３７）は、知識ベース（２７）と（３７）内の訓練データが、それぞれのＣＡＤシステム（２０）と（３０）によって支援されている意思決定支援機能、特徴抽出方法及び／またはイメージ法のタイプに応じて変化することを除き、図２の知識ベース（２７）に類似している。

ここで図４を参照すると、ブロック図は、本発明の別の例示的な実施形態による心臓画像診断に自動診断及び意思決定支援を提供するためのシステムを示す。さらに具体的には、図４は、１つまたは複数の心臓画像診断モードに関して意思の作業の流れを支援するために他の意思決定支援機能を提供するだけではなく、例えば、多様な超音波イメージング方法（Ｂモード、コントラストイメージング、及び／または位相イメージング等）、ＭＲＩ、ＮＭ、ＰＥＴ、ＣＴ、ＣＴ血管造影法、Ｘ線血管造影法、ＭＲ血管造影法等を含む多様なイメージング法の１つまたは複数から取得される画像パラメータ、及び／または非画像患者データを使用して冠状動脈精神疾患の自動診断を支援するマルチモードＣＡＤシステム（４０）を示す。様々なイメージング法を組み合わせると、多様な利点が提供できる。例えば、様々なイメージング法は異なる種類の情報を提供できる。超音波画像は解剖学上の情報を提供できるが、核医学画像はパーフュージョン等の機能情報を提供できる。これらを組み合わせると、医師にとってさらに優れた診断支援が提供できる。別の例は、冠状動脈のイメージングを、例えばＣＴと、超音波またはＭＲＩを使用する左心室についての情報と結合することである。このようにして、冠状動脈疾患についての情報を心臓の筋肉に対するその影響と結合することができる。

例示的な一実施形態では、図４のＣＡＤシステム（４０）は、前述したような例示的なＣＡＤシステム（１０）、（２０）及び（３０）の特徴抽出方法、分類方法、診断及び意思決定支援方法等のいくつかまたは全てを組み込んでいる。図４のＣＡＤシステム（４０）は心臓画像診断にマルチモードＣＡＤを提供するために図１のＣＡＤシステム（１０）のための１つまたは複数の例示的なフレームワークを示す。

図４を参照すると、ＣＡＤシステム（４０）は、例えば１つまたは複数の異なるタイプの画像データ（例えばＭＲＩ画像データ（７ａ）、超音波画像データ（７ｂ）、ＮＭ画像データ（７ｃ））及び対象患者の（例えば、カテーテル法、実験室データ（７ｄ）及び臨床データ、履歴データ及び／または物理データ（７ｅ）を備えるデータ記録）非画像データを含む、患者情報（７）の多様なソースからパラメータを抽出し、分析することによって、医師の作業の流れを支援するための他の意思決定支援機能性だけではなく、心臓病の自動分類（診断）を提供するための方法を実現するデータ処理システム（４１）を備えている。

一般的には、データ処理システム（４１）は、特徴抽出モジュール（４２）、特徴結合モジュール（４３）、分類モジュール（４４）及び診断／ワークフロー支援モジュール（４５）を備える。さらに、ＣＡＤシステム（４０）は、（例えば、１つまたは複数の種類の心臓の状態について自動診断と診断の信頼度を提供し、診断の信頼度を高めるためにどのような追加のイメージング法または特徴を取得し、さらに分析できるのかを判断し、抽出された特徴の現在の集合に基づいてレポジトリ内の１つまたは複数の類似した患者症例を取得し、表示する等の）診断／ワークフロー支援モジュール（４５）によって支援される１つまたは複数の機能を選択するために、ＣＡＤシステム（４０）とのユーザ対話を可能にするユーザインタフェース（４６）を備える。

該特徴抽出モジュール（４２）は、支援されているイメージング法から画像パラメータ（４２−１から４２−２）を抽出するための「ｎ」個の特徴抽出方法、及び非画像データソースからパラメータを抽出するための他の特徴またはテキスト抽出方法（４２−３、４２−４）を実現する。例えば、特徴抽出モジュール（４２）は、自動化された壁運動分析機能を提供するために超音波画像（または他のイメージング法）から壁運動と肥厚化のパラメータを抽出し、分析する方法と、グローバル画像パラメータと局所的な画像パラメータを抽出するために図３と図４を参照して前述した画像パラメータ抽出方法を含むことがある。該特徴結合モジュール（４３）は、分類モジュール（４４）による入力と分析に適した方法で抽出された特徴の集合を結合する。分類モジュール（４４）は、心臓病の自動診断機能と他の意思決定支援機能を提供するために、モデルビルダ（４４−２）を介して訓練される／動的に適応される１つまたは複数の分類モデルを使用して結合された抽出パラメータを分析するための分類方法（４４−１）を備える。ＣＡＤシステム（４０）は、分類方法（４４−１）によって使用される分類モデルを構築する／訓練するためにモデルビルダ（４４−２）によって使用される訓練データを提供する、情報の臨床領域知識ベースを維持するレポジトリ（４７）をさらに備える。ＣＡＤシステム（４０）によって支援されている１つまたは複数の臨床領域に関連する分析された／分類された症例（４８）の大型データベースは、レポジトリ（４７）内に記憶されている訓練データを取得するために使用できる。レポジトリ（４７）内の臨床領域知識は、データ処理システム（４１）の多様な方法（４２、４３、４４及び４５）によって使用できる。

図４の多様なモジュール（４２、４３、４４及び４５）が、前述したように、図２のＣＡＤシステム（２０）のそれらの対応するモジュール（２２、２３、２４及び２５）及び／または図３のＣＡＤシステム（３０）の対応するモジュール（３２、３３、３４及び３５）と同じまたは類似した方法を実現できることが理解されなければならない。しかしながら、分類モジュール（４４）の分類方法及びモデル構築方法等の多様な方法は、ＣＡＤシステム（４０）によって支援されている意思決定支援機能、特徴抽出方法、及び／またはイメージ法のタイプに応じて変化する。さらに、臨床領域知識ベース（４７）は、知識ベース（４７）の中の訓練データが、ＣＡＤシステム（４０）によって支援されている意思決定支援機能、特徴抽出方法及び／またはイメージ法のタイプに応じて変化することを除き、図２と図３の知識ベース（２７）と（３７）に類似している。

心臓疾患用の診断のための追加のテストで考え得る値を評価するための本発明の例示的な実施形態による多様な機械学習方法が、ここで、図６の例示的なノード図を参照して説明される。これらの例示的な実施形態の場合、トレーニング集合がｍ個の症例からなり、各症例が過去に実行されたテストから抽出されるｎ個の特徴からなると仮定される。各症例Ｃ_i，（ｉ＝１，．．．，ｍ）は、特徴のベクトル（ｆ₁、ｆ₂、．．．ｆ_n）として表現できる。

症例Ｃ_iごとに、実際の診断（ｄ_i）が以下のとおりであり、
ｄ_i ＝ １ 診断が陽性である場合
０ それ以外の場合
患者に関して実行された様々なテスト（Ｔ_i1、Ｔ_i2、Ｔ_i3，．．．Ｔ_ik）に対応するｋ個の変数があり、ｋ個の変数のそれぞれ１つが集合｛０，１｝内で値をとることができる、及び対応するテストが本物の診断ｄ₁に関して正しく予測した場合にはｋ＝１である、あるいはそれ以外の場合ｋ＝０であることがさらに仮定される。

このような過去の情報が訓練データから抽出されるとさらに仮定すると、後述される例示的な機械学習をベースにした方法は、患者の病歴から抽出される特徴ベクトルに基づいてどのテストが正確な診断を提供するのかを予測するために使用できる。

例示的な一実施形態では、１つの方法は以下のとおりである。最初に、あらゆるＣ_iにとってＭ（Ｃ_i）＝Ｍ（ｆ₁，ｆ₂，，，ｆ_n）＝（Ｔ_i1、Ｔ_i2、Ｔ_i3、Ｔ_i4）となるように特徴空間から｛（Ｐ₁、Ｐ₂、Ｐ₃、Ｐ₄）／Ｐ_i∈｛０，１｝｝にマッピングＭが決定される。このプロセスは、図６に示されるように人工的なニューラルネットワーク技術を使用して達成できる。新しい患者の場合、マッピングＭはこの患者にどのテストが推奨されるのかを説明する対応するバイナリ出力を提供する。

この問題は、どのテストが正しい診断を出したのかに従って、症例Ｃ_iごとに、そのラベルが定義されるマルチクラス分類問題と見なすこともできる。例えば、１つの考えられる手法は以下のとおりである。テストごとに、全てのトレーニング症例は、その症例のためのそのテストの精度に従って分類される。次に、（例えば、ＳＶＭ、決定木、ベイズネットワーク等の）任意のバイナリ分類アルゴリズムを使用して（各テストに１つ）４つの分類子が訓練される。新しい患者が検討されるとき、患者データは、どのテストが正しい診断を出すかを予測するために該４つの分類子で試験される。

前記２つの手法を使用すると、プロセスの結果は２つ以上のテストとなることが注記されなければならない。

別の例示的な手法は以下のとおりである。訓練セットにｍ個の症例があると仮定する。新しい症例は、前述したｎ個の特徴を使用してこれらのｍ個の症例と比較される。この比較に基づいて、ｐ個の症例が現在の症例に最も「類似」しているとして選択され、類似性は多様な方法の１つで定義できる。例えば、１つの手法は、ｎ次元の特徴空間でユークリッド距離を検討することである。他の周知の距離測定も利用できる。前記プロセスが、表示のために症例のライブラリから例示的な症例を選択することにおいても使用できることが理解されなければならない。

類似性基準が決定され、最も「類似する」症例が特定されると、分類子は訓練セットの中のｋ回のテストのそれぞれに構築できる。特に、一例として、分類子は、例えば情報の以下の集合、つまり（ｉ）現在の情報と壁運動分析の結果、（ｉｉ）現在の情報と超音波、（ｉｉｉ）現在の情報とＭＲＩ等のそれぞれを使用して診断が陽性であるのか、あるいは陰性であるのかを試験するために構築される。

各分類子は、ｐ個の症例の１つから学習せずに（ｌｅａｖｅ−ｏｎｅ−ｏｕｔ手法）構築され、次に保留された症例がこの分類子を使用して分類される。これはｐ個の症例のそれぞれに繰り返され、全体のプロセスはｋ回のテストのそれぞれに繰り返される。その結果、平均確度はｋ回のテストのそれぞれに計算され、どのテストが最も有効であるのかのスコアとして役立つであろう。

本発明の他の例示的な実施形態に従って、ＣＡＤシステムが、ＣＡＤの多様なモジュール／構成要素が通信ネットワーク上で分散される分散モデルで実現されてよいことが理解されなければならない。例えば、ＣＡＤシステムは、アプリケーションサーバを介してＣＡＤ機能のリモートアクセスの提供を実現するためにＡＳＰ（アプリケーションサービスプロバイダ）によって提供できる。例えば類似する症例を特定するために使用される症例のデータベースは、中央の位置に位置できる。優位点は、多くのメモリを専有する症例の大型データベースがあらゆるシステムに常駐しなくてもよいという点である。加えて、症例に対する更新は非常に容易に行うことができる。この中心位置は例えば病院内であるか、あるいはそれはこのようなシステムを使用する誰もがアクセスする１つの中央データベースとなる。別の可能性は、症例が複数の場所に位置するが、それらがあたかも１箇所にあるかのように検索され、アクセスされる分散データベースを使用することである。そのようにすると、類似する症例を見つけるために異なる場所に位置する症例を検索できる。データベースに加えて、分類子等のＣＡＤシステムの他の部分を中心に配置できる。

さらに、前記を鑑みて、本発明によるＣＡＤシステムは、多様なサービス／支払い方法の１つに基づいたここに説明されるような診断支援機能と他の意思決定支援機能を提供するためにサービス契約つまりＳＬＡ（サービス内容合意書）に従って第三者サービスプロバイダによって提供されるサービス（例えばウェブサービス）として実現できることが理解されなければならない。例えば、第三者サービスプロバイダは契約により、多様な臨床領域のための分類モデルを訓練し、維持し、更新する義務があり、医師またはヘルスケア組織は利用回数制、つまり年払い加入料金等で「オンラインで」ＣＡＤシステムにアクセスできる。このような例では、当業者に公知である多様な方法が、患者の秘密性を維持し、それ以外の場合は安全な暗号化、圧縮方式等を使用して患者データを通信チャネル上で送信するために実現できる。当業者は、本発明によるＣＡＤシステムの多様なアーキテクチャ及び実施を容易に考案することができ、本書における如何なる記載事項も本発明の範囲の制限として解釈されないものとする。

本発明の例示的な実施形態はここで添付図面を参照して説明したが、本発明がそれらの正確な実施形態に制限されず、多様な他の変更及び変形が本発明の範囲または精神を逸脱することなく当業者によってその中で用いらてよいことが理解されなければならない。全てのこのような変更及び変形は、添付も請求項により定められるように本発明の範囲内に含まれることが意図される。

本発明の例示的な実施形態による自動診断及び心臓画像診断のための意思決定支援を提供するためのシステムのブロック図である。 本発明の別の実施形態による自動診断及び心臓画像診断のための意思決定支援を提供するためのシステムのブロック図である。 本発明の別の例示的な実施形態による自動診断及び心臓画像診断のための意思決定支援を提供するためのシステムのブロック図である。 本発明の別の例示的な実施形態による自動診断及び心臓画像診断のための意思決定支援を提供するためのシステムのブロック図である。 本発明の例示的な実施形態による、グラフィックユーザインタフェースで壁運動スコアを表示するために使用できる心臓心室の複数の分節の例示的な二次元表現である。 本発明の例示的な実施形態による分類方法を説明する例示的な図である。

Claims (40)

1. 患者の心臓の画像データから情報を取得すること、
   前記患者の非画像データ記録から情報を取得すること、
   前記取得した情報を使用して前記心臓の状態を自動的に評価すること、
   を含む心臓画像診断に自動診断及び意思決定支援を提供するための方法。
2. 画像データから情報を取得することが、１つまたは複数の超音波イメージング法の超音波画像データから１つまたは複数の特徴を自動的に抽出することを含む請求項１に記載の方法。
3. 前記超音波画像データが３Ｄ超音波画像データを含む請求項２に記載の方法。
4. 超音波画像データから１つまたは複数の特徴を自動的に抽出することが、左心室体積、左心室駆出分画、左心室壁厚、左心室壁質量、またはＥ／Ａ率等の心臓拡張機能インジケータを含む心機能の大局的な特徴あるいは前記大局的な特徴の任意の組み合わせを抽出することを含む請求項２に記載の方法。
5. 超音波画像データから１つまたは複数の特徴を自動的に抽出することが、組織速度データ、歪みデータ、歪み速度データ、パーフュージョンデータまたはタイミングデータを含む局所パラメータあるいは前記局所パラメータの任意の組み合わせを抽出することを含む請求項２に記載の方法。
6. 超音波画像データから１つまたは複数の特徴を自動的に抽出することが、歪み、アコースティックストリーミングのような流体運動、コントラストパーフュージョンのような血液の動き、またはＢモード画像、あるいはその任意の組み合わせに関連する特徴を抽出することを含む請求項５に記載の方法。
7. 前記画像データが、超音波画像データ、ＭＲ（磁気共鳴）画像データ、ＣＴ（コンピュータ断層撮影）画像データ、ＰＥＴ画像データ、核医学画像データ、または冠動脈ツリー（ｔｒｅｅ）画像データ、またはこれらの任意の組み合わせの１つを含む請求項１に記載の方法。
8. 非画像データ記録から情報を取得することが、対象患者の臨床情報、家族情報及び／または履歴情報を含む構造化された及び／または構造化されていないデータソースから特徴を自動的に抽出することを含む請求項１に記載の方法。
9. 心臓の画像データから情報を取得することが、心臓の局所的な心筋機能に関連する情報を取得するために画像特徴を使用して自動化された壁運動分析を実行することを含む請求項１に記載の方法。
10. 自動化された壁運動分析を実行することが、前記画像データから、心筋層の壁運動と心筋層の壁肥厚化に関連する画像特徴を使用して自動的に抽出することを含む請求項９に記載の方法。
11. 前記心臓の状態を自動的に評価することが、心臓病または心臓の状態の診断の確率を自動的に決定することを含む請求項１に記載の方法。
12. 診断の前記確率の信頼度を自動的に決定することをさらに含む請求項１１に記載の方法。
13. 診断の前記確率の前記信頼度を高める追加情報を自動的に決定することをさらに含む請求項１２に記載の方法。
14. 追加情報を自動的に決定することが、診断の前記確率の前記信頼度を高める際の前記追加情報の有効性の尺度を決定することをさらに含む請求項１３に記載の方法。
15. 現在の診断に類似している１つまたは複数の過去に診断された症例を自動的に特定することをさらに含む請求項１１に記載の方法。
16. 現在の診断に類似する１つまたは複数の過去に診断された症例を自動的に特定することが、前記取得された情報に類似する特徴の分類された症例のライブラリを検索するために前記取得された情報を使用することを含む請求項１５に記載の方法。
17. 前記特定された症例を表示することを含む請求項１６に記載の方法。
18. 前記取得された情報を使用して前記心臓の状態を自動的に評価することが、前記取得された情報を分析するために訓練される、機械学習方法、モデルベースの方法、または機械学習方法とモデルベースの方法の任意の組み合わせを使用して前記心臓の状態を分類することを含む請求項１に記載の方法。
19. 専門家データ及び／または複数のケーススタディから学習されるデータを使用して連続的にまたは周期的に分類するための前記方法を再訓練することを含む請求項１８に記載の方法。
20. 画像データと非画像データを含む、対象患者の患者データから特徴を自動的に抽出すること、
    前記対象患者の前記患者データから抽出される前記特徴を分析することによって前記対象患者の心臓の現状を自動的に決定すること、
    前記対象患者の決定された現状に基づいて、前記対象患者のためのヘルスケアまたは診断または治療経路に関する医師の作業の流れを支援するために意思決定支援を自動的に提供すること、
    を含む心臓画像診断に自動診断及び意思決定支援を提供するための方法。
21. 前記対象患者の現状を自動的に決定することが、心臓病または心臓の状態の診断の確率または将来心臓病または心臓の状態を発症する確率を自動的に決定することを含む請求項２０に記載の方法。
22. 意思決定支援を自動的に提供することが、診断の前記確率の信頼度を高める患者の１つまたは複数の追加特徴を自動的に決定することを含む請求項２１に記載の方法。
23. １つまたは複数の追加機能を自動的に決定することが、前記１つまたは複数の追加機能のそれぞれについて、診断の前記信頼度を高める上で有効性の尺度を決定することをさらに含む請求項２２に記載の方法。
24. 意思決定支援を自動的に提供することが、診断の前記確率の信頼度を高める１つまたは複数の追加の心臓画像診断試験を自動的に決定することを含む請求項２１に記載の方法。
25. １つまたは複数の追加の心臓画像診断試験を自動的に決定することが、前記１つまたは複数の追加試験のそれぞれについて、診断の前記信頼度を高める上での有効性の尺度を決定することをさらに含む請求項２４に記載の方法。
26. 意思決定支援を自動的に提供することが、現在の症例に類似する１つまたは複数の過去に診断された症例を自動的に特定することを含む請求項２１に記載の方法。
27. 前記１つまたは複数の特定された類似した症例を表示することを含む請求項２６に記載の方法。
28. 前記対象患者の現状を自動的に決定することが、前記対象患者が心臓病または心臓の状態を発症する確度を自動的に決定することを含む請求項２０に記載の方法。
29. 医師の作業の流れを支援するために意思決定支援を自動的に提供することが、療法を提案することを含む請求項２０に記載の方法。
30. 前記療法が決定された結果を有する確率及び／または信頼度の尺度を自動的に提供することをさらに含む請求項２９に記載の方法。
31. 前記療法が副作用等の決定された有害な影響を有さないという確率及び／または信頼度の尺度を自動的に提供することをさらに含む請求項２９に記載の方法。
32. 前記確率が有益と有害の療法の考えられる結果に対する分布である請求項３０に記載の方法。
33. 前記確率が、将来の１つまたは複数の時点で有益と有害の両方の考えられる結果での分布の集合である請求項３０に記載の方法。
34. 前記確率が、将来の様々な時点での考えられる結果に対する時間依存分布である請求項３０に記載の方法。
35. 超音波、ＭＲ、ＣＴ、ＰＥＴ、ＭＲ血管造影法、ＣＴ血管造影法、Ｘ線血管造影法、及び核医学を含む少なくとも２つの異なるイメージング法からの患者の心臓の画像データから情報を取得すること、
    前記少なくとも２つのイメージング法の前記画像データから特徴を抽出すること、
    前記抽出された特徴を分析することによって前記患者の現状を自動的に決定すること、
    前記対象患者の決定された現在の状態に基づいて、前記患者のためのヘルスケア、または診断または治療経路に関する医師の作業の流れを支援するために意思決定支援を自動的に提供すること、
    を含む心臓画像診断に自動診断及び意思決定支援を提供するための方法。
36. 前記画像データからの前記抽出された特徴が、前記患者の非画像データからの特徴と結合される請求項３５に記載の方法。
37. 前記イメージング法のうちの１つが冠動脈を結像するために使用される請求項２９に記載の方法。
38. ＣＴ血管造影法が、冠動脈に関する特徴を抽出するために使用され、ＣＴ、ＭＲ、ＰＥＴ、核医学及び超音波のうちの１つまたは複数が前記心臓の前記心筋層を結像するために使用される請求項３７に記載の方法。
39. ＭＲ血管造影法が、冠動脈に関する特徴を抽出するために使用され、ＣＴ、ＭＲ、ＰＥＴ、核医学及び超音波の１つまたは複数が前記心臓の前記心筋層を結像するために使用される請求項３７に記載の方法。
40. Ｘ線血管造影法が、冠動脈に関する特徴を抽出するために使用され、ＣＴ、ＭＲ、ＰＥＴ、核医学及び超音波の１つまたは複数が前記心臓の前記心筋層を結像するために使用される請求項３７に記載の方法。

Images