JP2013513845A - 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術 - Google Patents

Abstract

本発明に係る装置は、複数の患者の画像の医療データ及び非画像の医療データを含む医療データを記憶するデータベース３０、画像の医療データ及び非画像の医療データの両者を含みデータベースに記憶されている患者の医療データから導出される患者を示す特徴を含む特徴ベクトルを生成し、感心のある患者について生成された特徴ベクトルに多変量解析を行い、関心のある患者についての提案される診断を決定するデジタルプロセッサ４０、及び関心のある患者についての提案される診断に関する人間が知覚可能な表現を出力するユーザインタフェース４２を備える。

Description

本発明は、医療分野、医療診断分野、腫瘍学及び関連する分野に関する。

複雑且つ異なる医学的な判断を行うための相補的な患者の情報を提供するため、癌、心臓病等のような病状の治療において、多数の異なる画像形成及び非画像形成の診断が一般にまとめられる。説明する例として、前立腺癌治療は複雑であり、臨床的利点の最適化、平均余命、及び治療に関する副作用の最小化の間の微妙なバランスを含む。ある患者において、放射線治療が示される。前立腺癌の放射線治療は、８週間という期間を通して３８の画分（fraction）において７６Ｇｙという全体の投与量のような、典型的に数週間の期間を通して毎日といった幾つかの画分で与えられる。放射線治療の治療法の選択肢は、外部ビーム治療（ERT）、すなわち対外照射療法を含み、この場合、放射線が病気の領域に伝達される一方で、周囲組織には伝達されない。原体照射法は、３Ｄ原体照射治療及び強度変調放射線治療（IMPT）を含む。与えることができる最大の放射線投与量は、放射線場における正常の組織の耐性により制限される。放射線応答は、個人の間でかなり変動し、大部分の感度の高い被験者の耐性は、腫瘍治癒の機会を制限する個体群に総じて与えることができる投与量を制限する。電離放射線は、組織レベルと同様に、細胞での組織的な応答のカスケード反応を誘発する。これらの反応は、結果として得られる正常な組織の損傷に互いに影響を及ぼす、幾つかのサイトカインカスケード反応の異なる調節を含む。正常な組織の放射線により誘発される損傷は、多くの異なる細胞のタイプを含み、長期にわたる組織組成は、放射線の結果として変化する可能性がある。例えば、炎症の細胞の数及び線維化した組織の量は、照射後に増加する。

前立腺癌の放射線治療が開始した後、患者は様々な技術を使用して画像形成される。経直腸的超音波（TRUS）誘導システムの下で針正検が行われる場合がある。しかし、TRUS画像の解像度は、初期段階の前立腺癌の検出のために十分に高くない。より進行性の前立腺癌の病期診断のため、例えば、嚢外伸展（extracapsular tumour extension）、精嚢転移（seminal vesicle involvement）、及びリンパ節の異常なサイズを検出するため、Ｘ線コンピュータ断層撮影（CT）及び磁気共鳴（MR）画像形成のような解剖学的な画像形成のモダリティを使用することができる。また、例えばコリントレーサを使用した陽電子放出型断層撮影法、単電子放出型コンピュータ断層撮影法（SPECT）及び特別なＭＲスキーム（リンパ節の病期分類のためのＣｏｍｂｉｄｅｘ（登録商標）のＭＲ分光分析）といった、機能的画像形成モダリティを採用することもできる。放射線治療の計画及びシミュレーションについて、ＣＴスキャンを計画することで、計画ＣＴスキャンが記録され、腫瘍及び感度の高い臓器は、軸方向のスライスで概説され、腫瘍体積の幾何学的な中心が計算される。前立腺癌の局所管理は、投与される放射線量と共に増加する。しかし、放射線量を増加することで、膀胱、尿道及び直腸に対する損傷により引き起こされる合併症の危険も増加する。また、合併症の発生は、放射線を浴びた体積のサイズに関連する。いわゆる照射の毒性及び放射線治療の副作用といった、係る合併症の幾つかの予測子が存在する。例えば、平均の直腸線量は、前立腺癌の３Ｄ原体照射療法における急性直腸及び腸管毒性に相関し、ホルモン療法及び抗凝結剤の使用は、保護のものであると考えられる。より詳細には、より大きな平均の直腸線量は、より大きな出血の危険性に関連し、より大きな照射された体積は、排便回数、テネスムス、失禁及び出血に関連する。ホルモン治療は、頻度及びテネスムスから保護し、痔は、テネスムス及び出血の大きな危険と関連され、糖尿病は、下痢と関連する。直腸の腸壁への投与量は、３Ｄ放射線治療の治療計画システムからの線量−体積ヒストグラム（DVH）を使用して詳細に分析される。このように、（例えば７０Ｇｙを超える投与量を受ける壁の体積といった）最も高い投与量を受ける直腸の腸壁の体積、照射された直腸の領域、ターゲットとする直腸のサイズは、幾つかの場合、平均の直腸線量よりも遅発の直腸の毒性に関して予測となる場合がある。ターゲットとする体積及び高さ、直腸の表面領域及び平均の断面領域は、放射能毒性と相関付けするために示される。膀胱容量、及び規定投与量の１０〜９０％を受ける膀胱容量のパーセンテージは、尿路機能と相関され、患者質問表は、スコアの邪魔をする。さらに、充満した膀胱は、前立腺の位置の整合性を改善し、膀胱及び腸の投与量を低下する。

上述された前立腺癌の例は、治療の選択肢を識別及び明確にするために相乗的に利用することができる、各種の画像形成の医療データと非画像形成の医療データとの間の複雑な相互関係の種類を例示する。前立腺癌の放射線治療のモニタリングは、画像形成方法により提供される情報を、体外診断（IVD: In Vitro Diagnosis）により提供される分子情報、及び様々な病状の早期診断と同様に、患者の結成からの放射線被ばくの検出のような他の目的のために使用される質量分析からの質量分析のタンパク質パターンのような、非画像形成方法からの方法と有効に結合することができる。

上述された前立腺癌の例は、相互に関係のある画像形成及び非画像形成の診断の単なる１つの例である。別の例として、脳卒中及び急性心筋梗塞のような病気の主な原因である、動脈における高リスクの血小板（plaque）を考える。これらの病気は、血行動態に関連しない血小板の破裂が原因であるため、事前の症状なしに起こることがある。従って、分子マーカ及び画像形成のような診断により血小板の脆弱性を特徴付けるため、臨床研究において重要な取り組みが行われている。生活様式（喫煙又は他の高リスクの行為）、コレステロールレベル及び更なる分子マーカといった、幾つかの危険の要素が知られている。さらに、特に（例えば内膜中膜複合体厚（intima medial thickness）といった）構造的エレメント及び（例えばFDGの摂取といった）代謝のパラメータといった、画像データから導出される血小板の特性が評価される。係る画像形成診断及び非画像形成診断の組み合わせは有効であるが、単一の診断モダリティは、粥腫崩壊（plaque rupture）の危険を評価するために十分ではない。

より一般的に、個々の診断検査又は単一の診断パラメータの感度及び特異度が制限される。臨床医が診断画像、又は生体指標のパラメータのような非画像形成診断の患者データを個々に評価するとき、副作用の発現のような所定の病状が迅速に検出されないか、又は全く検出されない場合がある。逆に、個々の検査は、実際に存在しない病状にについて陽性を示す場合がある。

要するに、様々な種類の画像の医療データと非画像の医療データとを組み合わせることは、単一の診断検査を分析するよりも証拠となる。これは、患者が診断段階において複数の異なる種類の検査を一般に受け、治療の段階の進展を評価するためである。診断のアプローチは、画像形成の研究と、ＩＶＤ検査、病理組織学的なデータ等のような他の診断検査とを組み合わせる。

しかし、既存のアプローチは、画像の医療データと非画像の医療データとの相乗的な分析を促進していない。係る相乗的な分析は、高い次元からなり、関連するパラメータを識別し、病状を最適に識別する結果として得られるパラメータ空間においてサブボリュームを決定することを必要とする。問題なことに、画像形成データ及び非画像形成データは、様々な時点で、異なる部門で、又は異なる医療施設で取得され、収集される。異なる部門、異なる研究室、又は異なる医療施設での異なるデータの分析は、分析が他の相補的な医療データから利益を享受しないことを保証する。さらに、データの取得は、データ取得の順序が患者毎に広く変わるように、様々な画像及び非画像の医療研究所及び施設の可用性に基づいてスケジュールされる。結果として、相補的な画像又は非画像の診断モダリティからの医療データの完全なセットは、分析のときに利用可能ではない場合がある。幾つかのケースでは、これは、決定的なデータなしで行われることになる可能性がある。

本発明は、上述の課題及び他の課題を克服する新たな且つ改善された装置及び方法を提供する。

１つの開示される態様によれば、装置は、複数の患者の画像の医療データを含む医療データを記憶するデータベースと、データベースに記憶されている患者の医療データから導出される患者を示す特徴を含む特徴ベクトルを生成するデジタルプロセッサとを備える。

別の開示される態様によれば、診断方法は、複数の患者の画像の医療データと非画像の医療データを含む医療データを記憶するデータベースを維持するステップと、データベースの患者に対応する特徴ベクトルを生成するステップとを含み、患者の対応する特徴ベクトルは、画像の医療データと非画像の医療データの両者を含むデータベースに記憶されている対応する患者の医療データから導出される対応する患者を示す特徴を含み、少なくとも生成するステップは、デジタルプロセッサにより実行される。

別の開示される態様によれば、デジタルプロセッサは、直前のパラグラフで述べた診断方法を実行するために構成される。別の開示される態様によれば、記憶媒体は、直前のパラグラフで述べた診断方法をデジタルプロセッサに実行させるための命令を記憶する。

１つの利点は、画像の医療データと非画像の医療データとの相乗的な組み合わせからの情報を得るため、統合されたデータ分析を容易にすることにある。
別の利点は、医療診断を生成するときに関連するデータを利用可能であることが保証されることである。
更なる利点は、以下の詳細な説明を読んで理解することで、当業者にとって明らかとなるであろう。

様々な医療診断モダリティを含む医療診断装置、様々な医療診断モダリティにより取得された画像データと非画像データを相乗的に分析する装置を例示する図である。 患者の画像データと非画像データとを組み合わせる特徴ベクトルを生成するために、図１の装置により実行される法方を例示するフローチャートである。 データベースのデータを利用可能でないか又は不十分である特徴ベクトルの特徴を詰め当てするために適切に使用される幾つかの特徴パッドの一覧である。 関心のある患者の特徴ベクトルにより表現される医療データの多変量解析（MVA）を実行するため、図１の装置により実行される方法を例示するフローチャートである。

図１を参照して、複数の代表的な医療診断装置、研究室又は他の施設が例示のために示されている。図１は、例示的な実施の形態では（Koninklijke Philips Electronics N.V. Eindhoven., The Netherlandsから入手可能な）Ｓｋｙｌｉｇｈｔ（登録商標）ガンマカメラであるガンマカメラ１０、例示的な実施の形態では（Koninklijke Philips Electronics N.V. Eindhoven., The Netherlandsから入手可能な）ＧＥＭＩＮＩ（登録商標）ＰＥＴ／ＣＴ画像形成システムであるハイブリッドＰＥＴ／ＣＴ、例示的な実施の形態では（Koninklijke Philips Electronics N.V. Eindhoven., Netherlandsから入手可能な）Ａｃｈｉｅｖａ（登録商標）磁気共鳴（ＭＲ）システムであるＭＲ画像形成システム１４を含む。ガンマカメラ１０は、単電子放出型コンピュータ断層撮影法（SPECT）画像を取得する。ハイブリッドＰＥＴ／ＣＴ画像形成システム１２は、ＰＥＴ画像とＣＴ画像とを取得する。ＭＲシステム１４は、ＭＲ画像を取得する。画像形成システム１０，１２及び１４は、例示的なものであって、一般に、ここで開示される診断技術は、様々なＳＰＥＣＴ画像形成システム、様々なＰＥＴ画像形成システム、様々なＣＴ画像形成システム、様々なＭＲ画像形成システム、様々な超音波画像形成システム、様々な蛍光透視画像形成システム、様々な光画像形成システム等と同様に、様々なハイブリッドの係る画像形成システムといった、様々なタイプの画像形成システムを使用して実施される。

例示される実施の形態では、任意の画像アーカイブ及び通信システム（PACS：Picture Archiving and Communication System）は、様々な画像形成モダリティにより取得された画像の医療データをアーカイブし、アーカイブされた画像の医療データにアクセスするためのセントラルデータベースを提供する。本明細書で使用されたとき、用語「画像の医療データ」は、（CINE系列を含む）取得された画像、ＰＥＴ又はＣＴイメージャにより取得されたリストモード（list-mode）画像データ又はＭＲイメージャにより取得されたｋ空間サンプルのようなソースデータ、画像の心臓ゲーティング（cardiac gating）を提供するために取得される心電図（ECG）のような関連するデータ、及び臓器の寸法のような画像形成セッションの一部として画像から導出される医療画像データ、線量−体積ヒストグラム（DVH）、心拍出量又は標準摂取率（SUV）等のような画像から導出される機能的パラメータを含む。画像から導出される医療画像データは、画像形成施設で生成され、ＰＡＣＳ１６に記憶されるか、又はＰＡＣＳ１６で記憶される画像に基づいて後に生成される。

図１を参照して、複数の非画像（non-image）の医療診断装置、研究室、又は他の施設、すなわち、プロテオミクスデータ又は質量分析データ或いはマススペクトルから導出されたデータを取得する質量分析計２０、及び、採血又は他の（液体）サンプルからのプロテオミクス又はゲノム分子情報、及び履歴データ等のような体外診断（IVD）データを取得する臨床診断施設２２も表されている。非画像の診療施設２０，２２は、例示するためのものであって、一般に、ここで開示される診断技術は、様々な質量分析装置又は施設、様々なＩＶＤ装置又は施設、様々な組織病理診断装置又は施設等と同様に、様々なハイブリッドの係る装置又は施設のような、様々なタイプの非画像の診断施設を使用して実施することができる。非画像の医療データの他のソースは、患者のアンケート、患者の治療データ、心拍数、血圧等のような記録された生理的なパラメータを含む。

データベース３０は、複数の患者の医療データを記憶する。記憶された医療データは、メディカルイメージャ１０，１２及び１４（或いは、異なる、更なる又は他のメディカルイメージャ）により取得される画像の医療データ、及び非画像診断装置又は施設２０，２２（或いは、異なる、更なる又は他の非画像診断装置又は施設）により取得された非画像の医療データの両者を含む。記憶されるデータは、データのタイプ、データのソース、取得日、研究室のＩＤ及び他の関連する情報を識別するメタデータとタグ付けされる。医療データは、データが取得されたときにデータベース３０に記憶され、これに応じて時間的に任意の所与のポイントで、特定の患者に関する記憶されている医療データは、医療関係者により指示された所定の検査が未だ実行されていないか、又は所定の検査が未だ指示されていない意味で「不十分“incomplete”」である。さらに、データベース３０におけるデータの記憶は、物理的に他の場所にあるデータへのポインタ又は他のリンクの記憶を含むものと広義に解釈されるべきである。例えば、医療画像は、ＰＡＣＳ１６に物理的に記憶され、医療画像へのポインタ又はリンクがデータベース３０に記憶され、この場合、医療画像は、データベース３０に「記憶される」と考えられる。

デジタルプロセッサ４０は、関心のある患者について提案される診断を生成するため、データベース３０に記憶される医療データと非画像の医療データの分析を実行する。本明細書で使用されたとき、用語「デジタルプロセッサ」は、マイクロプロセッサ、マイクロコントローラ等と同様に、コンピュータネットワークサーバ、インターネットベースのサーバ等のようなマイクロプロセッサ又はマイクロコントローラを包含するものとして広義に解釈される。デジタルプロセッサ４０は、データベース３０における医療データの記憶を任意に制御するか、又は代替的に、異なるデジタルプロセッサ（図示せず）は、データベース３０における医療データの記憶を制御する場合がある。提案される診断は、例えば、以下の診断のうちの１以上を含む場合がある。（１）病状、（２）病状の段階、（３）治療の副作用、（４）治療の反応等。さらに、提案される診断は、任意に、１以上の診断のそれぞれの有望さを示す対応する確率（と共に１以上の診断）を含む。

ユーザインタフェース４２は、関心のある患者の診断を要求するためにユーザがデジタルプロセッサ４０と対話するのを可能にし、データベース３０から提案される診断又は他の情報をユーザが見るのを可能にする。このような目的で、例示されるユーザインタフェースは、少なくとも１つのディスプレイ４４、及び、例示されるキーボード、又はマウス或いは他のポインティングデバイス、又はタッチスクリーン等のような少なくとも１つのユーザ入力装置４６を含む。また、ユーザインタフェース４２は、ユーザインタフェース４２の動作を制御するデジタルプロセッサを含み、このデジタルプロセッサは、関心のある患者の提案される診断を生成するため、データベース３０に記憶される医療データと非画像の医療データの分析を実行する同じデジタルプロセッサ４０、又は異なるデジタルプロセッサ（図示せず）である。

データベース３０は、（病院又は他の医療施設で治療される全ての患者、又は病院のネットワークにより治療される全ての患者のような）複数の患者の画像の医療データ及び非画像の医療データの統合されたデータ収集を連続的に実行する。データベース３０における医療データの連続的な収集は、提案される診断を生成するために、関心のある患者に適用される多変量解析（MVA）を構築するため、トレーニング（学習）モードで使用される大規模の、増え続けるデータセットを利用可能にする。

ＭＶＡでは、様々な診断手順から導出される医療診断検査の結果及びパラメータにより定義される多次元空間は、特定の病状を記述する、関連する識別パラメータ及びそれぞれの多次元サブボリュームを識別するために分析される。本明細書で使用されたとき、用語「多変量解析（MVA）」は、例えば（限定されるものではないが）多項式モデル、様々な統計量解析、モンテカルロシミュレーション等を含む、複数のパラメータ又は多変量解析を包含することが意図される。

このような目的で、患者の医療データは、関連する参照値、較正及び正規化値、誤り推定、サンプル収集及び分析等の日付を与えるメタデータと共にデータベース３０に記憶される。ＭＶＡは、医療データから抽出された特徴に合わせて動作する。関心のある領域における臓器間の距離、又は腸壁の厚さ、前立腺の直径、前立腺の体積等のような、関連する特徴は、医療画像により提供される場合がある。また、関連する特徴は、マススペクトル又はＩＶＤ検査結果のような非画像の医療データにより提供される場合もある。特徴の多様性は、人間が知覚可能なフォーマットで出力される（例えばユーザインタフェース４２のディスプレイ４４で表示される）か、或いは、個々の副作用、健康上のリスク、治療の推奨、又は他の提案される診断に到達するため、デジタルプロセッサ４０によりＭＶＡを介して統合して分析される。

ＭＶＡで使用される異なる種類の特徴は、例えば、患者の体の液体からのマススペクトル及びＩＶＤデータと同様に、関心のある患者からの医療画像データの例を含む。関心のある患者以外の、同じ病状を有する大規模な患者のセットは、データベース３０から生成され、ある診断に到達するか、或いは、病気の進行又は治療の影響をモニタするため、関心のある患者について得られるデータとの比較するために使用される。質量スペクトルからの特徴は、例えば所定の閾値及び指定されたマスインターバル（mass interval）内のマスを超える強度を有するピークとして定義される。係る質量スペクトルの特徴から、真のマス又は真の分子構造及びそれらの対応する全体の強度が任意に計算され、タンパク質又はペプチドに割り当てられ、ピークの高さは、患者のサンプルにおけるタンパク質／ペプチドの濃度を推定するために使用される。この場合、実際のタンパク質／ペプチドの濃度は、ＭＶＡの特徴として使用される。

データベース３０は、ひとたびデータが記憶された患者の数が統計的に妥当なＭＶＡを提供するために十分に多くなると、ＭＶＡを構築するために使用される。更なる患者がデータベース３０に継続して追加されるとき、ＭＶＡは、前もって構築されるか、又は代替的に新たな患者のデータに基づいて調節される。結果として、データベース３０により定義される基準状態は、増加するデータ量と共に連続して改善され、「正常」、「病気」、「珍しくない」、「病気ではない」、病気又は治療の影響の様々なステージ、或いは他の可能性のある診断を定義する高次元の空間においてデータを提供する。データベース３０に追加されるそれぞれの患者の特徴は、提案される診断を生成するため、例えば構築されたＭＶＡにより実施されるように、データベースにおける利用可能な参照データに適切に比較される。提案される診断は、病状、治療の副作用の等級付け、所定の治療からの改善等である。

図１を算用して、プロセッサ４０は、以下のようにＭＶＡを実行する。（医療のデータベース３０に現在記憶されている患者データにより反映される時間的に所与のポイントで）関心のある患者の患者データ５０は、入力としての役割を果たす。患者データ５０は、患者の特徴ベクトルジェネレータ５２により多次元空間に変換され、特徴ベクトルジェネレータは、データベース３０に記憶される患者の医療データであって、患者の画像の医療データ及び患者の非画像の医療データの両者を含む患者の医療データ５０から導出される関心のある患者を示す特徴を含む特徴ベクトルを生成する。関心のある患者の特徴ベクトルは、ＭＶＡが動作する多次元空間における関心のある患者の表現として考えることができる。

データベース３０は、関心のある患者が様々な診断の画像形成及び非画像の診断検査を受けるときに続けて更新され、幾つかの場合において、患者のデータ５０は、特徴ベクトルの所定のエレメントが利用可能な患者のデータ５０から決定することができないように不十分である。不足しているデータを提供するため、特徴パディングコンポーネント５４は、患者の医療データ５０から導出することができない特徴ベクトルの特徴をデフォルト値で埋める。コンポーネント５２，５４の出力は、関心のある患者を示す特徴を含む特徴ベクトル５６である。

任意に、それぞれの患者について生成された特徴ベクトル５６は、特徴ベクトルのデータベース６０に蓄積される。このように、特徴ベクトルの再計算が回避される。関心のある患者が更なる検査を受ける場合、特徴ベクトル５６は、特徴ベクトルのデータベース６０から検索することができ、更なる検査の結果により影響されるベクトルエレメントは、コンポーネント５２，５４により更新され、更新された特徴ベクトルは、特徴ベクトルのデータベース６０に記憶される。

特徴ベクトルのデータベース６０に記憶される特徴ベクトルは、提案される診断を生成するため、多変量解析（MVA）を構築するために適切に使用される。幾つかの実施の形態では、ＭＶＡは、特徴ベクトルを受信して分類する分類手段により実施され、係る実施の形態では、ＭＶＡ構築のコンポーネントは、既に診断された患者の特徴ベクトルの学習セットを使用して分類手段を学習させるＭＶＡトレーナ６２として適切に実施され、既に診断された患者のうちの幾つかは、関連する診断（ポジティブな例）を有し、既に診断された患者のうちの幾つかは、関連する診断（ネガティブな例）を有さない。次いで、結果として学習される分類手段は、ＭＶＡエキスパート６４を実施する。

提案される診断が望まれる関心のある患者を特徴ベクトル５６が表す場合、分岐点６６で、特徴ベクトル５６は、ＭＶＡエキスパート６４に入力され、ＭＶＡエキスパート６４は、関心のある患者の提案される診断を出力する。提案される診断は、ユーザインタフェースディスプレイ４４で表示されるか、さもなければ人間が知覚可能な出力フォーマットで提示される。関心のある患者は、ＭＶＡエキスパート６４を学習させるために使用された多数の学習セットではない。これは、関心のある患者は、事前に公知の診断を有さず、ポジティブな学習の例ではなく、ネガティブな学習の例ではないからである。しかし、幾つかの実施の形態では、提案される診断は、ユーザインタフェース４２を介して医師又は他の人間の医療要員により許容又は拒否され、その後、確認された診断を（現在）含む関心のある患者の特徴ベクトルは、ＭＶＡエキスパート６４の改善のためにデータを更に学習するとき、ＭＶＡトレーナ６２により使用される。

要するに、図１のシステムは、ＩＶＤデータ又はマススペクトルデータのような画像及び非画像の医療データから特徴を抽出し、正常及び病気の状態の多次元のボリュームの定義をもつデータセットを作成する。新たな患者の特徴が作成され、データベースのＩＶＤ及び画像形成の特徴に比較される。それぞれの患者について、ＩＶＤの特徴を直交する画像の特徴と結合することが提案される。１実施の形態では、結果は、医師の診断を支援するためにスクリーンに共に表示される。別の実施の形態では、特徴は統合して分析され、診断である応答値又はベクトルが得られる。

図２を参照して、特徴ベクトルの例示的な実施の形態の動作が記載される。ＭＶＡが動作する多次元空間がＮ次元を有する場合、特徴ベクトルは、Ｎ次元に対応するＮ個のエレメントを含む。ルーピングオペレータ７０は、処理のためにそれぞれのベクトルエレメントを順に選択する。選択されたベクトルエレメントの計算で使用される患者データは、動作７２において識別され、特徴は、動作７４において識別された患者データから計算され、動作７６においてベクトルエレメント値として記憶される。この処理は、動作７８において、特徴ベクトル５６を構築するため、それぞれのベクトルエレメントについて（又は等価的に、多次元空間のそれぞれの次元について）繰返される。

図２及び図３を参照して、特徴パディングコンポーネント５４の例示的な実施の形態の動作が記載される。関連する患者データを識別する動作７２の後、関連する患者データが不足しているかに関するチェック７４が行われる。関連する患者データが不足していない場合、特徴ベクトルの生成コンポーネント５２は、既に記載されたように動作７４，７６を実行する。しかし、関連する患者データが不足している場合、パディング操作８２が代わりに適用され、その特徴についてデフォルト値が割り当てられ、次いで、動作７６において、ベクトルエレメント値として記憶される。デフォルトのベクトルエレメント値は、特徴のタイプ及び実行される特定のＭＶＡに基づいて適切に選択される。図３は、特徴が診断検査の結果である場合における、幾つかの予期されるデフォルト値を一覧として示す。この場合における不足しているデータは、診断検査データであり、この診断検査データなしに、診断検査結果を判定することができない。“Ｎｅｇ”デフォルト値は、利用不可能な検査結果がネガティブであることを仮定することが有利である場合に、特徴を埋め込むために適切に使用される。これは、例えば、陽性の結果がＭＶＡにより「無視されて」終了するように、診断検査が高い偽陽性率を有する場合に適切である。“Ｐｏｓ”デフォルト値は、利用不可能な検査結果がポジティブであることを仮定することが有利である場合に、特徴を埋め込むために適切に使用される。これは、例えば、陰性の結果がＭＶＡにより「無視されて」終了するように、診断検査が高い偽陰性率を有する場合に適切である。

“Ｃｒｉｔ”デフォルト値は、この絶対に欠かせない診断検査がない場合に提案される診断が全く提示されないように、利用可能な検査結果が診断に絶対に欠かせない場合に特徴を埋めるために適切に使用される。例えば、腫瘍が悪性である可能性を推定するために構築されたＭＶＡの場合、腫瘍に関する生検検査は、十分に不可欠であると考えられる場合があり、生検検査の結果を利用不可能性である場合に、提案される診断「悪性」又は「良性」は提示されるべきではない。

“ＴＢＤ”デフォルト値は、提案される診断を特徴ベクトルに組み込むために任意に提供される。幾つかの実施の形態では、提案される診断は、特徴ベクトルと関連されるが、特徴ベクトルに組み込まれない。しかし、提案される実施の形態では、特徴ベクトルのベクトルエレメントとして扱われる。このアプローチの利点は、医師又は他の有能な人間の医学の要員がＭＶＡを用いることなしに診断を行った場合、この人間の診断は、特徴ベクトルにダイレクトに組み込まれることである。係る実施の形態では、提案される診断に対応するベクトルエレメントについてパッド値“ＴＢＤ”により示される、診断が利用不可能である場合にのみ、ＭＶＡが特徴ベクトルに適用される。

図４を参照して、判定点６６の例示的な実施の形態の動作が記載される。第一の判定ブロック９０で、診断に対応する特徴ベクトル５６のベクトルエレメントが検査される。このベクトルエレメントが診断値を既に含んでいる場合、診断は「既知」であると想定され、特徴ベクトル５６は、動作９２において学習の例として任意にマークされる。言い換えれば、この場合、診断を提案するためにＭＶＡエキスパート６４を適用する必要はないが、事前に既知の診断による特徴ベクトル５６は、ＭＶＡエキスパート６４の更なる学習のために任意に使用される場合がある。

他方で、第一の判定ブロック９０で、診断に対応する特徴ベクトル５６のベクトルエレメントは、デフォルトのパッド“ＴＢＤ”を含むことが発見された場合、診断は現在利用可能ではないと認識される。これに応じて、第二の判定ブロック９４で、特徴ベクトル５６の残りのベクトルエレメントは、これらのベクトルエレメントの何れかが“Ｃｒｉｔ”デフォルトパッドの値を含むかを判定するために調べられる。何れかのベクトルエレメントが“Ｃｒｉｔ”デフォルトのパッド値を含む場合、重要な特徴が取得されるべきである要求は、通信動作９６においてユーザインタフェース４２を介して行われる。例えば、腫瘍が悪性である可能性を調べるために構築されるＭＶＡの前の例示において、生検検査の結果に対応する特徴がデフォルトパッド“Ｃｒｉｔ”を含む場合、動作９６は、生検検査が実行されるべきことを提案し、この重要な生検検査がない場合に提案された診断が提供されない。

図４を参照して、両方の判定ブロック９０，９４にパスした場合、診断が望まれ、十分な患者データが利用可能であると認識され、これに応じて、提案される診断を生成するため、特徴ベクトル５６がＭＶＡエキスパート６４に入力される。図４の実施の形態では、提案される診断は、出力動作９８においてユーザインタフェース４２を介して提示され、ユーザは、提案される診断を確認する（すなわち受け入れる）か、又は提案される診断を訂正（又は、一般に拒否）する。任意に、動作９８は、確認された診断を、診断に対応するベクトルエレメントにロードし（すなわち、デフォルトのパッド値“ＴＢＤ”を確認された診断で置き換える）、ＭＶＡエキスパート６４の更なる学習における任意の使用のために学習例として特徴ベクトル５６をマークする。

ＭＶＡエキスパート６４は、実施される診断及び他の事項に依存して様々に実施することができる。幾つかの実施の形態では、診断は、２値の判定であり、例えば「悪性」又は「良性」の何れかとして腫瘍を識別する診断は、２値の判定である。２値の診断について、ＭＶＡエキスパート６４は、二値分類手段として実施される。他の実施の形態において、診断は、複数の可能な値を有する。例えば、腹部の痛みに苦しむ患者の診断は、「虫垂炎」、「食中毒」、「腹部のガス」、「ヘルニア」等のような様々な可能性のある診断を含む。２を超える可能性のある診断を有する診断を実施するためにＭＶＡエキスパート６４を構築する１つのアプローチは、それぞれ可能性のある診断がマルチクラス分類手段の１つの可能性のある出力に対応するマルチクラス分類手段を採用することである。２を超える可能性のある診断を有する診断を実施するためにＭＶＡエキスパート６４を構築する別のアプローチは、複数の２値分類手段を採用することであり、それぞれの２値分類手段は、特定の可能性のある診断に対応し、その診断の確率を提供する。診断が相互に排他的であって、全ての可能性のある診断に及ぶ場合、２値分類手段により出力される可能性は、マルチクラス分類手段のそれに等価な出力を生成するために正規化することができる。

さらに、ＭＶＡエキスパート６４は、分類手段以外のアルゴリズムにより実施することができる。例えば、別の想定される実施の形態では、特徴ベクトルのデータベース６０は、所与の診断について平均又は典型的な特徴ベクトルを決定するためにアクセスされる。例えば、これは、所与の診断を有する全ての特徴ベクトルを通したそれぞれのベクトル成分の値を平均することで行われる。次いで、ＭＶＡエキスパート６４は、関心のある患者の特徴が所与の診断を有する「平均的な」患者の対応する特徴にどの位近いかに関する定量的な測度を提供するように、関心のある患者の特徴ベクトル５６と所与の診断の平均又は典型的な特徴ベクトルとの間の距離を示す距離の測度（たとえばユークリック距離の測度を使用して）を計算する。任意に、この分析は、関心のある患者の特徴と、所与の診断をもつ「平均的な」患者の対応する特徴とのエレメント毎の比較を更に含む。より一般的に、データベース６０の特徴ベクトルの特徴の形式のデータは、一般的な病状に苦しむ大規模な患者のセットを通して平均化され、診断に到達するか或いは病気の進行又は治療の影響をモニタするために、関心のある患者について取得されたデータ（関心のある患者の特徴ベクトルの形式）との比較のために使用される。

ＭＶＡエキスパート６４により実行される別の有効な分析は、ユークリッド距離の測度又は他の選択された距離の測度の公式により測定される、多次元空間における特徴ベクトル５６に最も近い特徴ベクトル（又は複数の特徴ベクトル）について特徴ベクトルのデータベース６０をサーチすることで、データベース３０における最も近い患者（又は複数の最も近い患者）を探すことである。

単一のＭＶＡエキスパート６４は図１に例示されているが、実際には、それぞれ学習されるか、又はさもなければ特定の診断に向けられる選択された多変量解析を実行するために構築される様々なＭＶＡエキスパートが存在することができる。様々なＭＶＡエキスパートは、同じ特徴ベクトルを利用するか、又は異なる特徴ベクトルを利用することができる。幾つかの実施の形態では、同じ特徴ベクトルは、全てのＭＶＡエキスパートにより使用されるが、それぞれのＭＶＡエキスパートによる使用のために特徴のサブセットを選択するため、適切な特徴選択処理が実行される。適切な特徴選択処理は、区別する特徴を識別するフィルタリング、冗長な特徴を除くフィルタリング等を含む。例えば、主要成分分析（PCA）は、特徴選択の公知のアプローチである。

様々な識別スキームは、データベース３０，６０における患者を識別するために使用される。１つのアプローチでは、それぞれの患者は、固有の患者の識別番号が割り当てられる。これは、例えば「最も近い患者」が特徴ベクトル５６からの距離に基づいて識別されたときに、患者の匿名性を容易にする。任意に、患者の名前又は他の患者を識別する情報もデータベース３０，６０に含まれる。後者の場合、ユーザインタフェース４２は、許可された人物のみが患者を識別する情報にアクセスすることが許可されることを保証するため、ログイン手順又は任意の生体識別（例えば指紋リーダ）のような適切なセキュリティ手順を含むことが好ましい。

以下では、例示的な病状として前立腺癌を治療するための放射線治療を使用して、より詳細な例示が述べられる。ここで、画像の特徴は、直腸、膀胱又は前立腺のような重要な臓器間の距離、腸壁の厚さ、前立腺の直径、前立腺の体積のような臓器に特化した寸法等を含む。関連する非画像の特徴は、質量分析測定２０又はＩＶＤ検査２２から抽出される場合がある。放射線治療に対する腫瘍の反応と相関することが期待される画像に基づいた特徴は、例えば、病変体積、ＦＤＧ−ＰＥＴ又は他の機能画像形成により評価される病変代謝及び増殖、例えば拡散強調ＭＲにより評価される細胞の完全性、等を含む。これらの特徴の多くは、重要な臓器における健康な組織の炎症及び照射の毒性と相関することが期待される。腫瘍の反応の予測の画像の導出された特徴は、サイズ／体積、線量−体積ヒストグラム（DVH）、テクスチャのような形態学の特徴、表面構造の規則性又は不規則性等を含む。前立腺癌治療について関心のある分子の特徴は、例えばＦＭＩＳＯ−ＰＥＴにより評価される低酸素症の程度を含む。係る特徴を判定するため、体積描写技法及び周波数分析のような画像処理アルゴリズムを適用することができる。造影剤の動的な画像形成は、スロープを提供し、薬物動態のモデリングの場合、トレーサの生体内分布の速度定数を提供する。

連続的な一時的なデータ記憶を通して、データの多次元空間が達成される。多次元空間の第一及び第二の次元（又は等価的に、特徴ベクトルの第一及び第二のエレメント）は、例えばプランニングＣＴから導出された体積及び線量を表す。第三及び第四の次元は、患者の血清及び尿におけるＩＶＤマーカの濃度を表し、第五から第十の次元は、質量分析のタンパク質のパターン又はその１以上の特徴（所定のピーク位置でのピーク強度）を表す。多次元空間は、数学アルゴリズムを使用して分析され、患者のサンプルにおける実際の分子の質量及び／又は個々の治療のリスクが得られる。

診断用の医療データベース３０に記憶され、データベース６０の特徴ベクトルにより患者毎に表現されるデータは、ＭＶＡエキスパート６４により統合して分析される。このような目的で、患者の特徴ベクトル５６を生成するために、コンポーネント５２，５４によりある患者から生じたデータから特徴が自動的に抽出される。抽出された特徴ベクトルは、データベース６０に記憶される。前立腺癌の応用について典型的な画像形成の特徴は、定量的又は定性的であり、放射線治療計画ＣＴからのＤＶＨ、計画体積、前立腺体積、膀胱の体積、直腸体積、全体の線量、分割された線量、ＳＵＶ等を含む。質量スペクトルの特徴は、所定の閾値及び指定されたマスインターバルにおける質量を超える強度を有するピークである。これらの質量スペクトルの特徴から、真のマス又は真の分子構造並びにそれらの対応する全体の強度が計算され、患者のサンプルにおけるタンパク質／ペプチド及びそれらの濃度に割り当てられる。典型的なＩＶＤ特徴は、Ｃ反応性タンパク質（ＣＲＰ）、血球数、及び対応する基準値を使用して訂正した後のヘモグロビン濃度（Ｈｂ）といった、生体学的に関連する液体における分子の濃度を含む。しかし、特徴は、分子の診断データと同様に画像形成からの混合である場合がある。全ての患者において類似する特徴（画像形成と同様に分子）は、内部基準として使用される。多くの患者において類似する特徴の数学的な組み合わせは、比較のための標準を定義するために使用される。他方で、多くの患者に類似する特徴は、ＭＶＡエキスパート６４を構築する前に、適切な特徴選択処理により有利にも除去される場合がある。

関心のある患者からの特徴は、特徴間の相関のために分析される。さらに、異なる臓器の特徴の共通又は統合された評価から、患者に特化した治療の合併症のリスクが計算され、リスクの階層化が行われる。新たな患者又は新たな時点からのデータがデータベースに記憶され、続いて分析されたとき、既に記憶されているデータへの最良の適合が自動的に識別され、副作用のリスク、治療の推奨、又は他の診断が計算される。

本明細書で開示された診断技術は、開示される診断技術をデジタルプロセッサ４０に実行させる命令を記憶する記憶媒体として実施される。係る記憶媒体は、例えば、ハードディスク又は他の磁気記憶媒体、光ディスク又は他の光記憶媒体、ランダムアクセスメモリ（RAM）、リードオンリメモリ（ROM）、フラッシュメモリ、又は別の静電気の記憶媒体等を含む。

この応用は、１以上の好適な実施の形態を記載する。修正及び変更は、先の詳細な説明を読んで理解することで他に生じる場合がある。本出願は、特許請求の範囲及びその等価なものの範囲に含まれる限りにおいて、全ての係る修正及び変更を含むとして解釈されることが意図される。

Claims (22)

1. 複数の患者の画像の医療データを少なくとも含む医療データを記憶するデータベースと、
   前記データベースに記憶されている患者の医療データから導出される患者を示す特徴を含む特徴ベクトルを生成するデジタルプロセッサと、
   を備える装置。
2. 前記データベースは、複数の患者の画像の医療データと非画像の医療データの両者を含む医療データを記憶する、
   請求項１記載の装置。
3. 前記データベースに記憶される非画像の医療データは、質量分析の医療データ、体外診断の医療データ、患者の利益データ、患者の治療データ、電気生理学的なデータ及び患者のアンケートの回答データのうちの少なくとも１つを含む、
   請求項２記載の装置。
4. 前記デジタルプロセッサは、関心のある患者について生成された特徴ベクトルに多変量解析を実行して、前記関心のある患者について提案される診断を決定し、
   当該装置は、
   前記関心のある患者について前記提案される診断に関する人間が知覚可能な表現を出力する、
   請求項１乃至３の何れか記載の装置。
5. 前記提案される診断は、（１）病状、（２）病状の段階、（３）治療の副作用、及び（４）治療の反応からなるグループから選択される１以上の診断を含む、
   請求項４記載の装置。
6. 前記デジタルプロセッサは、前記関心のある患者以外の複数の患者について生成された特徴ベクトルに基づいて前記多変量解析を構築する、
   請求項４又は５記載の装置。
7. 前記デジタルプロセッサは、少なくとも１つの分類子を使用して前記多変量解析を行い、前記関心のある患者以外の複数の患者について生成された特徴ベクトルのトレーニングセットを使用して前記少なくとも１つの分類子をトレーニングすることで前記多変量解析を構築し、
   前記トレーニングセットの前記特徴ベクトルは、診断、治療の副作用又は治療の反応を含むか、又は前記診断、治療の副作用又は治療の反応に関連される、
   請求項６記載の装置。
8. 前記デジタルプロセッサは、１以上の２値の分類子を使用して前記多変量解析を実現し、
   それぞれの２値の分類子は、対応する診断の確率を出力する、
   請求項６又は７記載の装置。
9. 前記デジタルプロセッサは、前記多変量解析の構築後に前記データベースに追加される１以上の更なる患者について生成される１以上の更なる特徴ベクトルに基づいて前記多変量解析を更新する、
   請求項６乃至８の何れか記載の装置。
10. 前記提案される診断は、前記関心のある患者について生成された特徴ベクトルの特徴として記憶される、
    請求項４乃至９の何れか記載の装置。
11. 前記デジタルプロセッサは、前記データベースに記憶されている患者の医療データから導出することができない特徴ベクトルの特徴をデフォルトの値で埋める、
    請求項１乃至１０の何れか記載の装置。
12. 前記デジタルプロセッサは、重要な特徴について前記データベースに記憶されている患者の医療データから導出された値を含まない前記関心のある患者について生成される特徴ベクトルに応答して更なる患者のデータを要求する、
    請求項１乃至１１の何れか記載の装置。
13. 複数の患者について画像の医療データと非画像の医療データとを含む医療データを記憶するデータベースを維持するステップと、
    前記データベースの患者に対応する特徴ベクトルを生成するステップとを含み、前記患者に対応する特徴ベクトルは、画像の医療データと非画像の医療データの両者を含む前記データベースに記憶されている、患者の医療データから導出される前記患者を示す特徴を含み、
    少なくとも前記生成するステップは、デジタルプロセッサにより実行される、診断方法。
14. 関心のある患者に対応する特徴ベクトルに多変量解析を行い、前記関心のある患者について提案される診断を決定するステップと、
    前記関心のある患者についての前記提案される診断に関する人間が知覚可能な表現を出力するステップと、
    を更に含む請求項１３記載の診断方法。
15. 前記関心のある患者以外の前記データベースの患者の特徴ベクトルに基づいて前記多変量解析を構築するステップを更に含む、
    請求項１４記載の診断方法。
16. 前記構築するステップは、前記関心のある患者以外の前記データベースの患者の特徴ベクトルからなるトレーニングセットを使用して、前記多変量解析を行う１以上の分類子をトレーニングするステップを含み、
    前記トレーニングセットの特徴ベクトルは、診断を含む、
    請求項１５記載の診断方法。
17. 前記構築するステップは、前記維持するステップが前記データベースに更なる患者について医療データを維持するときに前記構築するステップを更新するステップを含む、
    請求項１５又は１６記載の診断方法。
18. 関心のある患者に対応する特徴ベクトルの特徴に関する人間が知覚可能な表現を同時に表示するステップを更に含む、
    請求項１３乃至１７の何れか記載の診断方法。
19. 前記維持するステップは、前記データベースに画像の医療データを記憶するステップを含み、
    前記画像の医療データは、画像アーカイブ及び通信サービスから取得される、
    請求項１３乃至１８の何れか記載の診断方法。
20. 前記維持するステップは、複数の異なる医療施設から取得された医療データを前記データベースに記憶するステップを含む、
21. 請求項１３乃至２０の何れか記載の診断方法を実行するデジタルプロセッサ。
22. 請求項１３乃至２０の何れか記載の診断方法をデジタルプロセッサに実行させる命令を記憶したコンピュータ読み取り可能な記録媒体。

Images