JP2014147659A - 医療診断支援装置及び医療診断支援方法 - Google Patents

Abstract

【課題】 推論手段の性能と提示する情報の妥当性を共に考慮した推論手段を構築すること。
【解決手段】医療診断支援装置は、学習データを取得する学習データ取得部と、学習データを基に複数の推論手段候補を作成する推論手段候補作成部と、学習データを基に複数の推論手段候補の性能を評価する推論性能評価部と、学習データを基に複数の推論手段候補の夫々が提示する情報の妥当性を評価する情報妥当性評価部と、複数の推論手段候補の性能と複数の推論手段候補の夫々が提示する情報の妥当性とを基に複数の推論手段候補から推論手段を選択する推論手段選択部と、を備える。
【選択図】 図１

Description

本発明は、医療診断支援装置及び医療診断支援方法に関する。

医療の分野では、Ｘ線ＣＴ装置やＭＲＩ等の撮影装置により得られた医用画像を医師が読影して診断を行う画像診断が行われている。画像診断では、主治医の読影の依頼に応じて、医師は画像から得られる所見（以下、「読影所見」と称する）や各種測定値を総合的に判断して画像に写る病変の症状を特定する。そして、その診断に至った経緯を読影所見や測定値を利用して、依頼元の主治医への読影レポートとしてまとめる。

このような画像診断を支援するための診断支援装置が開発されている。例えば、特許文献１には、入力済みの情報（以下、「入力情報」と称する）に基づき、推論手段を用いて推論結果を取得し、取得した推論結果に対して、否定的な情報と肯定的な情報を支援情報として提示する技術が記載されている。これにより、推論結果を提示するとともに、入力情報に基づく装置の推論結果の導出に影響した情報を提示することも可能としている。

このような装置に用いられる推論手段は一般的に機械学習技術を用いて構築されることが多い。この場合、訓練用のデータ（以下、「学習データ」と称する）を用いて推論手段を構築する。推論手段を構築する一般的な手法としては、推論手段を複数構築し、情報量基準のような推論手段の性能を評価する指標を用いて、最適な推論手段を選択することが行われる。一方、学習データは運用時に使われるデータ（以下、「追加データ」）と同じようなデータであるという仮定のもとに利用されるが、運用が進んでいくと追加データとの乖離が大きくなっていくことがある。そこで、追加データを用いて推論手段を再構築・更新し、追加データとの乖離を抑えようとする試みがなされている。例えば、特許文献２には、追加データから取得した推定値を用いて、推論手段を漸進的に適応させる技術が記載されている。

特開２０１０−２００８４０号公報 特開２０１０−２６２６２５号公報

特許文献１は、構築済の推論手段を用いる技術であり、どのように推論手段を構築するかは開示されていない。この推論手段はその目的から、推論結果の導出に影響した情報として妥当性のある情報を提示するのが望ましい。また、運用時に追加データとの乖離を防ぐために、推論手段が定期的に更新されるのが望ましい。

しかしながら、一般的な推論手段の構築手法では推論手段の性能にのみ着目しており、どれだけ妥当性のある情報を提示できるかは考慮されていなかった。また、一般に推論手段の性能と、妥当性のある情報を提示できるかの能力はトレードオフの関係にあるといわれており、推論手段の性能のみに着目した場合は、両者を満足するような推論手段を構築することはむずかしかった。

ここで、特許文献２の技術を併用した場合は、定期的に推論手段の性能を満足するような推論手段を構築することはできるが、提示する情報にどれだけ妥当性があるかも考慮した推論手段を定期的に構築することはむずかしい。

上記課題に鑑み、本発明は推論手段の性能と提示する情報の妥当性を共に考慮し、推論手段を構築することが可能な医療診断支援技術の提供を目的とする。

上記目的を達成するため、本発明の一つの側面に係る医療診断支援装置は、学習データを取得する学習データ取得手段と、前記学習データを基に複数の推論手段候補を作成する推論手段候補作成手段と、前記学習データを基に、前記複数の推論手段候補の性能を評価する推論性能評価手段と、前記学習データを基に、前記複数の推論手段候補の夫々が提示する情報の妥当性を評価する情報妥当性評価手段と、前記複数の推論手段候補の性能と前記複数の推論手段候補の夫々が提示する情報の妥当性とを基に前記複数の推論手段候補から推論手段を選択する推論手段選択手段と、を備えることを特徴とする。

本発明によれば、推論手段の性能と提示する情報の妥当性を共に考慮した推論手段を構築することが出来る。また、運用開始後に推論手段を更新することにより、運用開始後も持続的に適切な情報を提示することが出来る。

第１実施形態に係る医療診断支援装置の機能構成を示す図。 医療診断支援装置の各処理部をソフトウェアにより実現するコンピュータの基本構成を示す図。 第１実施形態に係る医療診断支援装置の処理手順を示す図。 読影所見及び臨床情報を例示した図。 ベイジアンネットワークを例示した図。 第２実施形態に係る医療診断支援装置の処理手順を示す図。 第３実施形態に係る医療診断支援装置の処理手順を示す図。 第３実施形態に係る計算用モデルの例を示した図。 第３実施形態に係るグラフ構造と距離計算の例を示した図。 第３実施形態に係るグラフ構造の例を示した図。 第１実施形態の医療診断支援装置による支援情報の提示例を示す図。 第４実施形態に係る医療診断支援装置の処理手順を示す図。

以下、図面を参照して、実施形態に係る医療診断支援装置及び医療診断支援方法について説明する。ただし、実施形態に記載されている構成要素はあくまで例示であり、技術的範囲は、特許請求の範囲によって確定されるのであって、以下の個別の実施形態によって限定されるわけではない。
［第１実施形態］
第１実施形態に係る医療診断支援装置は、診断対象である症例に係る医用情報を入力情報として取得し、当該症例に係る診断支援を行う推論手段を構築する。

なお、以下では、医療診断支援装置を用いて、肺の異常陰影に係る複数の読影所見および過去の病歴や腫瘍マーカー値（以下、臨床情報と称する）を学習データ及び追加データとして取得するものとする。そして取得した情報を基に、異常陰影の異常の種類（診断名）を推論対象とし、推論結果や推論結果に影響する情報を提示するのに適した推論手段を構築する場合を例として説明する。

もちろん推論対象はこれに限定されるものではなく、以下に示す診断名や入力可能な読影所見、臨床情報などは、何れも医療診断支援装置の処理の工程を説明するための一例に過ぎない。

図１は、第１実施形態に係る医療診断支援装置の機能構成を示す図である。本実施形態における医療診断支援装置１００は、症例データベース２００に接続されている。

症例データベース２００は、診断対象である症例に関して、肺の異常陰影に係る医用情報（医用画像や電子カルテの情報など）を不図示のサーバから取得する。或いは、外部記憶装置、例えば、ＦＤＤ、ＨＤＤ、ＣＤドライブ、ＤＶＤドライブ、ＭＯドライブ、ＺＩＰドライブ等を接続し、それらのドライブからデータを取得するようにしてもよい。また、症例データベース２００は、それぞれの症例に対して診断名と、診断の手掛かりとなった情報を蓄積する。これらの情報は、電子カルテや読影レポートなどから自動的に取得してもよいし、人手で付与してもよい。

医療診断支援装置１００は、学習データ取得部１０２と、推論手段候補作成部１０４（推論手段候補作成手段）と、推論性能評価部１０６と、情報妥当性評価部１０８と、推論手段選択部１１０（推論手段選択手段）とを備える。

学習データ取得部１０２は、症例データベース２００から、肺の異常陰影に係る複数の症例の医用情報、確定診断名、及び診断の手掛かりとなった情報を、ＬＡＮ等を介して学習データとして取得する。学習データ取得部１０２は、取得した情報を、推論手段候補作成部１０４、推論性能評価部１０６、及び情報妥当性評価部１０８へと出力する。

推論手段候補作成部１０４は、学習データ取得部１０２が取得した学習データを基に、推論手段候補を複数作成する。推論手段候補作成部１０４は、作成した推論手段候補を、推論性能評価部１０６、情報妥当性評価部１０８、及び推論手段選択部１１０へと出力する。

推論性能評価部１０６は、学習データ取得部１０２が取得した学習データを基に、推論手段候補作成部１０４が作成した推論手段候補の夫々に対して推論性能を評価する。推論性能評価部１０６は評価した結果を推論手段選択部１１０へと出力する。

情報妥当性評価部１０８は、学習データ取得部１０２が取得した学習データを基に、推論手段候補作成部１０４が作成した推論手段候補の夫々に対して、推論手段候補が提示する情報の妥当性について評価する。情報妥当性評価部１０８は評価した結果を推論手段選択部１１０へと出力する。

推論手段選択部１１０は、推論手段候補作成部１０４が作成した推論手段候補から推論手段を選択する。具体的には、推論性能評価部１０６で評価した推論性能と、情報妥当性評価部１０８が評価した情報の妥当性とを基に、複数の推論手段候補から推論手段を選択する。

図２は、ソフトウェアを実行することで図１に示した各部の夫々の機能を実現するためのコンピュータの基本構成を示す図である。ＣＰＵ１００１は、主として各構成要素の動作を制御する。主メモリ１００２は、ＣＰＵ１００１が実行する制御プログラムを格納したり、ＣＰＵ１００１によるプログラム実行時の作業領域を提供する。磁気ディスク１００３は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライブ、後述する処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ１００４は、表示用データを一時的に記憶する。モニタ１００５は、例えば、ＣＲＴモニタや液晶モニタ等であり、表示メモリ１００４からのデータに基づいて画像やテキストなどの表示を行う。マウス１００６及びキーボード１００７は、ユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記の各構成要素は、共通バス１００８により互いに通信可能に接続されている。

次に、図３のフローチャートを用いて、医療診断支援装置１００が行う全体の処理を説明する。本実施形態では、ＣＰＵ１００１が主メモリ１００２に格納されている各部の機能を実現するプログラムを実行することにより実現される。この処理は、一般にマルコフ連鎖モンテカルロ法と呼ばれる。

なお、以下の説明では、読影所見及び臨床情報名をＩｊ（ｊ＝1〜ｍ）で表し、ｍ種類の読影所見及び臨床情報名Ｉ１〜Ｉｍを取り扱うものとする。そして、Ｉｊが取りうるｋ個の状態をＳｊｋと表記する。ｋの範囲はＩｊにより様々な値となる。本実施形態では、例として、図４に示したような読影所見及び臨床情報が取得可能であるものとする。さらに、夫々の読影所見及び臨床情報は図４に示したような状態を取ることが可能であるものとする。例えば、Ｉ１の「形状」は、異常陰影の形状を表しており、Ｓ１１「球形」、Ｓ１２「分葉状」、Ｓ１３「不整形」の３状態を取る。Ｉ２の「切れ込み」は、異常陰影における切れ込みの程度を表している。また、Ｉｌの「巻（気管支）」は、異常陰影における気管支の巻き込みの有無を表している。また、Ｉｍの「既往」は、過去に疾患の既往があったかどうかを表している。

また、以下の説明では、Ｓｊｋの集合をＥと表記する。ただし、ある一つのＩｊの状態Ｓｊｋの集合Ｅの中には複数に該当するものが同時に存在しないものとする。例えば、Ｉ１がＳ１１、Ｓ１２、Ｓ１３を、Ｉ２がＳ２１、Ｓ２２、Ｓ２３、Ｓ２４を取る場合、Ｅ ＝ {Ｓ１１, Ｓ２１}は取りうるが、Ｅ ＝｛Ｓ１１, Ｓ１２｝は取ることが出来ない。これは一つの読影所見及び臨床情報は一つの状態のみを取るためである。また、以下の説明では、診断名を、記号Ｄを用いて表記する。本実施形態では、診断名として、原発性肺癌、癌の肺転移、その他の３値を取るものとし、それぞれＤ１、Ｄ２、Ｄ３と表記する。また、入力情報として集合Ｅが与えられた場合の診断名Ｄｒ（ｒ＝１, ２, ３）の推論確率を、Ｐ(Ｄｒ｜Ｅ)と表記する。同様に、Ｅのサブセット（このサブセットは提示する情報を示す）をＥｘと表記し、診断名Ｄｒに対するＥｘの影響度をＩ(Ｄｒ｜Ｅｘ)と表記する。

また、推論手段として、ベイジアンネットワーク、ニューラルネットワーク、サポートベクターマシンなど既存の様々な推論手法が利用できるが、本実施形態では、推論手段としてベイジアンネットワークを用いる。ベイジアンネットワークは条件付確率を用いたグラフ構造を有する推論モデルであり、入力情報が入力された場合の各診断名の推論確率（その事例が夫々の診断名である確率。事後確率ともいう）の取得が可能である。

図５は、Ｉ１〜Ｉｍ及びＤから構成されるベイジアンネットワークを例示する図である。各変数（Ｉ１〜Ｉｍ及びＤ）はノード（図中丸）で表され、各ノードの関係はリンクと呼ばれる矢印で表される。この矢印の根元のノードを親ノードと呼び、矢印の先のノードを子ノードと呼ぶ。そして、親ノードと子ノードの関係は、親ノードを条件とする条件付確率で表される。ベイジアンネットワークでは、各変数への入力を基に変数間の条件付確率を用いた確率伝搬計算を行い、求めたい変数の事後確率を取得する。グラフ構造が変化すると、各変数の関係が変わり確率伝搬の経路も変わるため、最終的に取得される事後確率が異なってくる。本実施形態では、求める変数をＤとし、Ｄの状態である異常陰影の診断名Ｄ１、Ｄ２、Ｄ３それぞれの確率を推論結果として取得する。また、推論手段候補として、グラフ構造が異なる複数のベイジアンネットワークを構築する。

さらに、以下の説明では、サブセットＥｘの影響度に応じて、サブセットＥｘが否定的な情報であるか肯定的な情報であるかを決定する。本実施形態では、入力が何もない場合の各診断名の確率（事前確率ともいう）と、サブセットＥｘが入力された場合の推論確率と、サブセットＥｘの要素数を用いて影響度を計算する。例えば、診断名Ｄｒに対するサブセットＥｘの影響度Ｉ(Ｄｒ｜Ｅｘ)を次式で算出する。ただし、Ｐ(Ｄｒ)は診断名Ｄｒの事前確率であり、Ｃ(Ｅｘ)はサブセットＥｘの要素数である。

影響度Ｉ(Ｄｒ｜Ｅｘ)が正、すなわち、サブセットＥｘのみを入力した時の事後確率が事前確率より大きい場合は、サブセットＥｘは診断名Ｄｒに対して肯定的な影響度を持つとする。一方、負の場合、すなわち、サブセットＥｘのみを入力した時の事後確率が事前確率より小さい場合は、サブセットＥｘは診断名Ｄｒに対して否定的な影響度を持つとする。また、影響度の絶対値が大きいほど肯定的／否定的な影響が強いものとする。本実施形態では提示する情報として、肯定的な情報を選択するものとする。なお、以上の影響度の算出方法、提示する情報の選択方法は、本実施形態における処理の一例であり、これに限定されるものではない。

ステップＳ３０００において、学習データ取得部１０２は、症例データベース２００から、肺の異常陰影に係る複数の症例の医用情報、確定診断名、及び診断の手掛かりとなった情報を、ＬＡＮ等を介して学習データとして取得する。以下の例では、医用情報と、診断名、診断の手掛かりとなった情報を１０００症例取得したものとする。

ステップＳ３０１０において、推論手段候補作成部１０４は、ステップＳ３０００で取得した学習データを基に推論手段候補を作成する（推論手段候補作成工程）。本実施形態では、学習データに記載の読影所見及び臨床情報の情報名（すなわちＩｊ）一覧を取得し、その一覧を基に現在のグラフ構造（以下、Ｓｃとする）に対し、改変を加え、仮のグラフ構造（以下、Ｓｔとする）を作成する。このＳｃ、Ｓｔが推論手段候補に相当する。なお、ステップＳ３０００からステップＳ３０１０へと処理が進んだ場合は、図５（ａ）のような情報名一覧（Ｉ１〜Ｉｍ）とＤからなるリンクのないグラフ構造をＳｃとする。

グラフ構造の改編は、各ノード（すなわちＩ１〜Ｉｍ及びＤ）に新たなリンクを一つ加えるか、ノード間のリンクを一つ選択し、リンクの反転または削除を行うものとする。図５（ｂ）は図５（ａ）のグラフ構造に対して、ＤからＩ１へのリンクを新たに加えた例である。もちろんこの改変は一つの例であり、この操作に限定されない。

ただし、ベイジアンネットワークを用いる場合はグラフ構造内に循環部分があると確率伝搬計算が保証されないという問題がある（図５（ｃ））。そのため、循環部分の検出を行い、循環部分がある場合は仮のグラフ構造を破棄し、もう一度作り直すのが望ましい。この循環部分の検出は、例えばKahnが提唱したアルゴリズムを用いることができる。

ステップＳ３０２０において、推論性能評価部１０６は、ステップＳ３０００で取得した学習データを基に、ステップＳ３０１０で作成した仮のグラフ構造Ｓｔに対して推論性能を評価する。

本実施形態では、仮のグラフ構造Ｓｔに対して学習データを用いた５分割交差検定を行うことで推論性能を評価する。推論性能は、医用情報（すなわちＩ１〜Ｉｍ）を用いて診断名（すなわちＤ）の推論を行い、確定診断名（すなわち正解）を推論できたかどうかの正解率により評価する。具体的には学習データの各症例の医用情報を入力情報Ｅとし、診断名を推論する。例えば、学習データのある症例の医用情報が『Ｉ１「形状」：Ｓ１２「分葉状」、Ｉ２「切れ込み」：Ｓ２２「強」、…、Ｉｌ「巻（気管支）」：Ｓｌ１「有」、…、Ｉｍ「既往」：Ｓｍ２「無」』だったとする。この場合、入力情報ＥはＥ = {Ｓ１２, Ｓ２１,…, Ｓｌ１,…, Ｓｍ２}となる。なお、入力情報Ｅを入力した時に推論される診断名は、Ｄ１、Ｄ２、Ｄ３のうち、最も事後確率が高いものとする。

その結果、１０００症例中８００症例で推論した診断名と確定診断名が一致した場合、推論性能は０．８００となる。なお、正答率で評価するのはあくまでも一例であり、他の方法で推論性能を評価してもよい。例えば確定診断名の事後確率を用いて対数尤度を計算し、推論性能の評価として用いてもよい。

ステップＳ３０３０において、情報妥当性評価部１０８は、ステップＳ３０００で取得した学習データを基に、ステップＳ３０１０で作成した仮のグラフ構造Ｓｔに対し情報の妥当性を評価する。

本実施形態では、各症例に対して異なる数の診断の手掛かりとなった情報が付与されているものとし（１〜７個）、仮のグラフ構造Ｓｔに対して学習データを用いた５分割交差検定を行うことで情報の妥当性を評価する。

なお、本実施形態ではサブセットＥｘとして、要素が１〜２個の集合Ｅのサブセット全てを取得する。例えば、前述の例のＥ ＝ {Ｓ１２, Ｓ２１,…, Ｓｌ１,・・・, Ｓｍ２}の場合、{Ｓ１２}、{Ｓ２１}、｛Ｓ１２, Ｓ２１｝、{Ｓ２１, Ｓｍ２}など、合計m + _mC₂個のサブセットＥｘが取得される。そして、仮のグラフ構造Ｓｔが提示する情報は（１）式による影響度において、０．０５以上となるサブセットExの全てとする。

また、情報の妥当性は、Ｆ値と呼ばれる評価値で計算するものとする。Ｆ値は、適合率と再現率の調和平均を取ったものであり、適合率と再現率の両方を考慮した指標であり、０〜１の値を取る。Ｆ値が１に近いほど優れた性能であることを示す。適合率は、仮のグラフ構造Ｓｔが提示する情報の中にどれだけ診断の手掛かりとなった情報が含まれているかを示したものである。再現率は、診断の手掛かりとなった情報全体に対して、仮のグラフ構造Ｓｔがいくつ情報を提示できたかを評価する。このＦ値は次式で表される。ただし、Ｆ(Ｓｔ)は仮のグラフ構造ＳｔのＦ値を示し、Ｎ(Ｓｔ)は推論モデルが提示した情報の総数、Ｒ(Ｓｔ)は推論モデルが提示した情報で、診断の手掛かりとなった情報と一致した数、Ｃ_ａｌｌは診断の手掛かりとなった情報の総数を示す。

例として、１０００症例の診断の手掛かりとなった情報の総数が３０００個あった場合に、仮のグラフ構造Ｓｔが総数で５０００個の情報を提示し、そのうち２０００個が診断の手掛かりとなった情報と一致した場合を考える。この場合、仮のグラフ構造ＳｔのＦ値は、Ｆ（Ｓｔ） ＝ ２×２０００ / (５０００ + ３０００) = ０．５００となる。

ステップＳ３０４０において、推論手段選択部１１０は、ステップＳ３０１０で作成した仮のグラフ構造Ｓｔと現在のグラフ構造Ｓｃから推論手段を選択する（推論手段選択工程）。具体的にはステップＳ３０２０で評価した仮のグラフ構造Ｓｔの推論性能と、ステップＳ３０３０で評価した仮のグラフ構造Ｓｔの情報の妥当性と、現在のグラフ構造Ｓｃの推論性能、情報の妥当性を基に比較し、推論手段を選択する。

本実施形態では、次式による評価値を用いて現在のグラフ構造Ｓｃと仮のグラフ構造Ｓｔとの比較を行う。ただし、Ｖ（Ｓ）はＳの評価値であり、Ｖｉ（Ｓ）はＳの推論性能、Ｖｒ（Ｓ）はＳの情報の妥当性を示す。この例では、Ｖｉ（Ｓ）は正解率とし、Ｖｒ（Ｓ）はＦ値とするが、この例に限定されない。また、次式ではＶｉ（Ｓ）とＶｒ（Ｓ）の線形結合式となっているが、二つの要素を同時に用いていればよく非線形式であってもよい。

（３）式において、αとβは重みを示し、重みの値を変えることで、推論性能と情報の妥当性のどちらを重視するかを決めることができる。本実施形態では、Ｖｉ（Ｓ）とＶｒ（Ｓ）がいずれも０〜１の値を取り、両方とも同程度重視したいため、α＝β＝０．５００とする。例えば、正答率が０．８００でＦ値が０．５００の場合、評価値はＶ ＝ ０．５００×０．８００ + ０．５００×０．５００ ＝ ０．６５０となる。なお、本実施形態では、現在のグラフ構造Ｓｃの評価値については後述するステップＳ３０５０の処理により保存しておく。ただし、一度もステップＳ３０５０を通過していない場合は現在のグラフ構造Ｓｃの評価値は０とする。

本実施形態では、現在のグラフ構造Ｓｃと仮のグラフ構造Ｓｔの評価値を比較し、評価値の大きい方のグラフ構造を推論手段として選択する。ここで、仮のグラフ構造Ｓｔが現在のグラフ構造Ｓｃの評価値を上回っていない場合にのみ、一定の確率で仮のグラフ構造Ｓｔを選択する。もちろんこれは一つの例に過ぎず、この方法に限定されない。

確率Ｐｍｃは、例えば下式により計算する。

ここでγは減衰率を示し、０〜１の値を取る。また、ｉｔｒは後述のステップＳ３０５０を通過した回数を示す。γが１より小さいため、ｉｔｒが大きくなるほどｅｘｐのカッコ内は−∞に近づき、結果としてＰｍｃは０に近づいていく。すなわち、後述のステップＳ３０５０の通過回数が少ない場合は大きな確率を取り、多い場合は小さな確率を取る。

ステップＳ３０５０において、医療診断支援装置１００は、推論手段の構築を終了するかどうかを判定する。終了しないと判定した場合は、ステップＳ３０４０で選択した推論手段のグラフ構造を現在のグラフ構造Ｓｃとし、評価値を保存する。終了すると判定した場合は、推論手段の構築を終了する。

この判定は、種々の方法があるが、例えばステップＳ３０４０の比較において現在のグラフ構造Ｓｃの評価値が連続して上回った回数（すなわち、収束したことを示す）でもよいし、ステップＳ３０５０の通過回数でもよい。また、他の方法であってもよい。

図１１は本実施形態の手法を用いて構築したグラフ構造を用いた医療診断支援装置による支援情報の提示の一例である。この医療診断支援装置では、各診断名の推論確率を円グラフで表示し、推論確率が一番高い診断名に対する肯定的な情報を支援情報として提示する。この支援情報に対し、医師が５段階（５：診断の参考になる、３：診断に影響を及ぼさない、１：診断の妨げになる）で主観評価を行ったところ、従来法（２．８）に比べ良好な結果（３．９）を得た。

本実施形態によれば、推論性能と情報の妥当性の両方を評価し、両方を同時に満たすような評価値を採用することで、推論性能を保ったまま情報の妥当性をも考慮した推論手段を構築・選択することができる。そのため、推論に影響した情報を提示する医療診断支援装置に適した推論手段を構築することができる。

（変形例１）
本実施形態では、ステップＳ３０１０において、ステップＳ３０００からステップＳ３０１０へと処理が進んだ場合（すなわち、ステップＳ３０５０を一度も通過していない状態）は、図５（ａ）のようなリンクのないグラフ構造を初期のＳｃとしていた。しかし、医師の知識などを基に作成したグラフ構造（例えば図５（ｄ））を初期のＳｃとしてもよい。

この場合は、ステップＳ３０１０で仮のグラフ構造Ｓｔを作成する前に、ステップＳ３０２０とステップＳ３０３０及びステップＳ３０４０で示した方法を用いて、Ｓｃの評価値を計算しておくのが望ましい。この評価値はステップＳ３０４０において、Ｓｃの評価値として用いるのが望ましい。

この方法によれば、医師の知識などに基づいたグラフ構造を初期値としているため、リンクのないグラフ構造を初期値とする場合に比べ、収束が早くなるという利点がある。また、リンクのないグラフ構造を初期値とする場合に比べ、過学習となりにくいという利点がある。

（変形例２）
本実施形態では、ステップＳ３０１０において、現在のグラフ構造Ｓｃに変更を加え仮のグラフ構造Ｓｔを作成し、ステップＳ３０４０で繰り返しグラフ構造の選択を行っていた。すなわち、前述のようにマルコフ連鎖モンテカルロ法を用いて推論手段の構築を行っていた。しかし、必ずしもこの方法に限定されない。

例えば、遺伝的アルゴリズムを用いて推論手段の構築を行ってもよい。この場合は、ステップＳ３０１０においてグラフ構造を示す遺伝子を複数作成する。そしてステップＳ３０２０〜ステップＳ３０４０の処理を遺伝子で示されるグラフ構造夫々に適用する。さらにステップＳ３０５０において終了しないと判定した場合には、評価に応じて遺伝子の交差・変異の処理を経て、遺伝子の選択を行いステップＳ３０１０へと戻る。終了すると判定した場合には、遺伝子の中でもっともよい評価の遺伝子のグラフ構造を推論手段として選択し、終了する。

あるいは、ステップＳ３０１０で多数のグラフ構造を作成し、夫々に対してステップＳ３０２０〜ステップＳ３０４０により評価を行い、もっともよい評価のグラフ構造を選択してもよい。この場合はステップＳ３０５０の処理を行わずに終了する。なお、このグラフ構造の作成は手動で多数のグラフ構造を作成しておき、選択する方法であってもよい。

さらに、本実施形態では、ベイジアンネットワークを推論手段とし、推論手段候補としてグラフ構造を変化させていたが、その他の方法であってもよい。例えば、ベイジアンネットワーク、ニューラルネットワーク、決定木など様々な推論方法を推論手段候補とし、そのうちの一つを推論手段として選択する方法であってもよい。

（変形例３）
本実施形態では、ステップＳ３０３０において、各症例に対して付与された、診断の手掛かりとなった情報を用いて情報の妥当性を評価していた。しかし、必ずしもこの方法に限定されない。

例えば、診断名ごとに手掛かりとなる情報を設定しておき、推論手段が提示する情報と、その症例の診断名に対する情報との類似性を利用して情報の妥当性を評価しても良い。あるいは、推論手段が提示する情報に対して主観評価を行い、その評価を情報の妥当性の評価としてもよい。

（変形例４）
本実施形態では、ステップＳ３０４０で示した評価式により推論手段を選択する際、重みのα、βの値を固定していた。しかし、必ずしもこの方法に限定されない。

例えば、推論性能あるいは情報の妥当性の評価値をもとに重みを変更してもよい。具体的には、推論性能が低いうちはαを大きくして推論性能を重視し、推論性能が高くなったらβを大きくして情報の妥当性を重視してもよい。

あるいは、反復回数（すなわち、ステップＳ３０１０を通過した回数）によって、α、βを変更しても良い。例えば、反復回数が少ないうちはαを大きくし、反復回数が多くなったらαを小さくしてもよい。

この方法によれば、重みを固定せずに推論手段を選択可能なため、より柔軟な推論手段の選択を行うことができる。

なお、ここで示した全ての変形例はこの他の実施形態にも適用することができる。

［第２実施形態］
本実施形態に関わる医療診断支援装置は、学習データに加え、運用時に得られたデータを追加データとして追加し、推論手段の更新（再構築）を行う。

なお、本施形態に係る医療診断支援装置の構成は第１実施形態における図１と同様である。また、ソフトウェアの実行によって医療診断支援装置１００の各部の機能を実現するコンピュータの基本構成は、第１実施形態における図２と同様である。

次に、図６のフローチャートを用いて、医療診断支援装置１００が行う全体の処理を説明する。ただし、このフローチャートで示したステップにおいて、第１実施形態と同じステップ番号のものは前述した処理と同様の処理を行う。ただし、ステップＳ３０１０に関しては、その処理の一部が第１実施形態とは異なっている。以下、追加された処理と第１実施形態との相違部分についてのみ説明する。

ステップＳ６０００において、医療診断支援装置１００は推論手段の構築を行う。この処理は、ステップＳ３０００〜ステップＳ３０５０の処理により作られるものであり、詳細な処理は第１実施形態で説明した通りである。

ステップＳ６０１０において、医療診断支援装置１００は、追加データの保存を行う。具体的には、ステップＳ６０００で作成された推論手段を用いた診断支援装置の運用時に、電子カルテや読影レポートといった形で医用情報を不図示のサーバに保存する。そして、保存された情報に対して定期的に、病理検査の結果や人手により対応する確定診断名と診断の手掛かりとなった情報を付与し、症例データベース２００に保存する。

ステップＳ６０２０において、医療診断支援装置１００は追加データ取得処理を行い、症例データベース２００から、運用開始前の学習データに加え、運用開始後に症例データベースに保存した症例を追加データとして取得する。

ステップＳ３０１０において、推論手段候補作成部１０４は、ステップＳ６０２０で取得したデータを基に推論手段候補を作成する。本実施形態では、ステップＳ３０５０を一度も通過していない場合は、ステップＳ６０００で構築した推論手段のグラフ構造を現在のグラフ構造Ｓｃとして処理を行う。ただし、ステップＳ６０００の処理におけるステップＳ３０５０の通過は無視する。

ステップＳ３０２０〜ステップＳ３０５０の処理は、学習データではなく、学習データと追加データを用いて評価すること以外は、前述した処理と同様の処理を行う。この場合、ステップＳ３０４０において推論手段の選択のために用いる評価式の重みは、ステップＳ６０００で用いた重みを用いるのが望ましい。重みを可変にしていた場合は、Ｓｃを作成した場合の重みを保存しておき、それを初期値として用いてもよい。もちろん、重みを新たに設定してもよく、これらで挙げた例に限定されない。

また、後述の第４実施形態の方法を適用する場合は、それぞれの推論手段に関する重みを保存しておき、初期値として用いてもよい。

本実施形態によれば、運用開始後に集まったデータを用いて推論手段を更新することにより、追加データとの乖離が生じた時に、より適切な推論手段を持続的に適用することができる。なお、本実施形態の処理は予め定められたタイミングで定期的に行うことが望ましい。例えば、３か月に一度処理を行うことで、最適な医療診断支援装置を持続的に運用することが可能である。

（変形例１）
本実施形態では、ステップＳ６０１０において、ステップＳ６０００で構築した推論手段を用いた診断支援装置の運用時の追加データを保存していた。しかしながら、必ずしも運用時のデータでなくてもよい。例えば、他施設のデータ（データベース）であってもよい。例えば、拠点Ａのデータ（データベース）で構築した推論手段を拠点Ｂで用いる時に、拠点Ｂで蓄積されたデータ（データベース）を追加データとして加えて推論手段を再構築してもよい。

（変形例２）
本実施形態では、ステップＳ３０１０において、ステップＳ３０５０を一度も通過していない場合は、ステップＳ６０００で構築した推論手段のグラフ構造を現在のグラフ構造Ｓｃとして処理を行っていた。しかし、その他の方法であってもよい。例えば、第１実施形態で示したようにリンクのないグラフ構造をＳｃとしてもよいし、他の方法であってもよい。

なお、ここで示した変形例１、変形例２はこの他の実施形態にも適用することができる。

[第３実施形態]
本実施形態に関わる医療診断支援装置は、推論モデルの構造を考慮した推論手段の評価を行う。なお、本施形態に係る医療診断支援装置の構成は第１実施形態における図１と同様である。また、ソフトウェアの実行によって医療診断支援装置１００の各部の機能を実現するコンピュータの基本構成は、第１実施形態における図２と同様である。

次に、図７のフローチャートを用いて、医療診断支援装置１００が行う全体の処理を説明する。ただし、このフローチャートで示したステップにおいて、第１実施形態と同じステップ番号のものは前述した処理と同様の処理を行う。ただし、ステップＳ３０１０乃至ステップＳ３０４０の処理の一部が第１実施形態とは異なっている。以下、追加された処理と第１実施形態との相違部分についてのみ説明する。

ステップＳ３０００、及び、ステップＳ３０１０の処理は、第１実施形態における処理と同様である。

ステップＳ７０００において、医療診断支援装置１００のＣＰＵ１００１は、仮のグラフ構造Ｓｔ内の各ノード間の距離を計算し、計算結果を保存する。本実施形態ではノード間の距離を、リンクの向きを無視した場合に最短で辿る場合のリンクの数とする。ただし、辿ることが出来ない場合には距離を∞とする。

図８にＩ１からＩｍの距離を計算する具体例を示す。図８（ａ）ではＩ１からＩｍに到達するには，Ｉ１−Ｉ２−Ｄ−Ｉｍというルートのみしかないため、距離は３となる。一方、図８（ｂ）では、前述のルートの他にＩ１−Ｉｌ−Ｉｍというルートがあるため、最短のルートを取り、距離は２となる。図８（ｃ）では、Ｉ１からＩｍに辿るルートはないため、距離は∞となる。この距離計算は、例えばワーシャル・フロイド法を用いて計算できる。

ステップＳ７０１０において、推論手段候補作成部１０４は、ステップＳ３０１０で作成した仮のグラフ構造Ｓｔと、ステップＳ７０００で計算した距離の計算結果を基に計算用モデルＳｔ’を作成する。具体的には、計算結果から診断ノードＤと読影所見及び臨床情報の情報名を示す夫々のノード（Ｉ１〜Ｉｍ）との距離が∞であるノードを取得する。そして、取得されたノード間にリンクがある場合は全て削除し、削除したグラフ構造をＳｔ’とする。すなわち、仮のグラフ構造Ｓｔの一部のリンクを切断してＳｔ’を作成する。例えば、図８（ｃ）では、診断ノードＤとの距離が∞のノードとして、ＩｌとＩｍが取得される。次に、ＩｌとＩｍの間にリンクがあるので削除する。最終的には図８（ｄ）のようなグラフ構造になる。

ステップＳ３０２０において、推論性能評価部１０６は、ステップＳ３０００で取得した学習データとステップＳ７０００で計算した距離結果を基に、ステップＳ７０１０で作成した計算用モデルＳｔ’の推論性能を評価する。

本実施形態では、診断名の事後確率を、入力情報Ｅから、診断名ノードから辿ることのできるノード（すなわち、距離が∞ではないノード）に対応する医用情報からなる情報Ｅ’を作成し、Ｅ’を用いて計算する。例えば、Ｅ ＝ {Ｓ１２, Ｓ２１,・・・, Ｓｌ１,・・・, Ｓｍ２}の場合、診断名ノードから辿ることが出来ないＩｌ（Ｓｌ１）とＩｍ（Ｓｍ２）は除去され、Ｅ’＝ {Ｓ１２, Ｓ２１,・・・}が作成される。そして、Ｅ’を用いて、Ｄ１、Ｄ２、Ｄ３の事後確率を計算する。

以下、第１実施形態のステップＳ３０２０で説明した内容と同じ処理を行い、推論性能を評価する。なお、診断名ノードに接続されていないノード間のリンクは診断名の確率伝搬計算に影響しない。このため、Ｅを用いて評価した仮のグラフ構造Ｓｔの推論性能と、Ｅ’を用いて評価した仮のグラフ構造Ｓｔの推論性能、及びＥ’を用いて評価した計算用モデルＳｔ’の推論性能はまったく同じとなる。計算コストは、無駄な確率伝搬計算を行わないため、Ｅ’を用いて計算用モデルＳｔ’を評価した時が最も小さくなる。

ステップＳ７０２０において、医療診断支援装置１００は、ステップＳ３０２０で取得した推論性能が閾値以上であるかどうかを判定する。閾値以上であればステップＳ３０３０へ進み、そうでなければ情報の妥当性の評価をせず、ステップＳ３０４０へと進む。

この閾値は、推論手段に求める推論性能の評価であることが望ましい。例えば、最低限求める推論性能が０．７００の場合は、閾値を０．７００にするのが望ましい。

ステップＳ３０３０において、情報妥当性評価部１０８は、ステップＳ３０００で取得した学習データとステップＳ７０００で計算した距離結果を基に、ステップＳ７０１０で作成した計算用モデルＳｔ’に対し情報の妥当性を評価する。

本実施形態では、前述したＥ’及びステップＳ７０００で計算した距離結果を基に、要素が１〜２個であるサブセットＥｘを取得する。具体的には、診断ノードとの距離及び、要素が複数の場合は、要素間の距離を考慮してサブセットＥｘを取得する。これは、グラフ構造を用いた確率伝搬計算において、要素間の距離が遠い場合に比べ近い場合の方が及ぼす影響が大きい傾向があることに基づいている。本実施形態では、Ｅ’の中で、診断ノードとの距離が３以下のＩｊを要素とするサブセットＥｘを取得する。また、要素が複数の場合は、前述の条件を満たし、かつ、要素同士の距離が２以下であるサブセットＥｘを取得する。

例えば、Ｅ’ = {Ｓ１２,Ｓ２１,Ｓ３３,Ｓ４１,Ｓ５３,Ｓ６１,Ｓ７２}であり、計算用モデルＳｔ’が図９に示すようなグラフ構造であった場合を考える。この場合は、Ｄとの距離が３以下である情報は、Ｉ１, Ｉ２, Ｉ３, Ｉ５, Ｉ６, Ｉ７なので、サブセットＥｘとして{Ｓ１２}、{Ｓ２１}、{Ｓ３３}、{Ｓ５３}、{Ｓ６１}、{Ｓ７２}が取得される。上記条件を満たし、ノード同士が２以下の組み合わせは（Ｉ１,Ｉ２）、(Ｉ１,Ｉ３)、(Ｉ１,Ｉ５)、(Ｉ２，Ｉ３)、(Ｉ２,Ｉ５)、(Ｉ２,Ｉ６)、(Ｉ３,Ｉ５)、(Ｉ３, Ｉ７)、(Ｉ５,Ｉ６)、(Ｉ５,Ｉ７)、(Ｉ６,Ｉ７)の１１個である。すなわち、サブセットＥｘとして{Ｓ１２, Ｓ２１}、{Ｓ１２, Ｓ３３}、{Ｓ１２, Ｓ５３}、{Ｓ２１, Ｓ３３}、{Ｓ２１, Ｓ５３}、{Ｓ２１, Ｓ６１}、{Ｓ３３, Ｓ５３}、{Ｓ３３, Ｓ７２}、{Ｓ５３, Ｓ６１}、{Ｓ５３, Ｓ７２}、{Ｓ６１,Ｓ７２}が取得される。

以下、第１実施形態のステップＳ３０３０で説明した内容と同じ処理を行い、情報の妥当性を評価する。この処理により、検討するサブセットＥｘの数が減り確率伝搬計算の回数が少なくなるため、計算コストを抑えることが期待できる。

ステップＳ３０４０において、推論手段選択部１１０は、ステップＳ３０１０で作成した計算用モデルＳｔ’と現在のグラフ構造Ｓｃを基に推論手段を選択する。具体的にはステップＳ３０２０で評価したＳｔ’の推論性能と、ステップＳ３０３０で評価したＳｔ’の情報の妥当性と、Ｓｃの推論性能、情報の妥当性を基に比較し、推論手段を選択する。

比較方法に関しては、第１実施形態のステップＳ３０４０で説明した方法と同一である。ただし、ステップＳ７０２０の判定の結果、情報の妥当性を評価しなかった場合は、Ｖｒ（Ｓ）＝０とする。

また、本実施形態では、比較の結果、計算用モデルＳｔ’が選択された場合は、計算用モデルＳｔ’を作成する基となった仮のグラフ構造Ｓｔを選択する。

ステップＳ３０５０の処理は、第１実施形態における処理と同様である。

本実施形態によれば、グラフ構造の改編や、情報の妥当性に用いる部分情報Exの数を根拠に基づいて削減することにより、性能を保ったまま計算コストを削減することが期待できる。従って、第２実施形態で示したような短い期間でモデルを再構築する場面において特に有用である。

（変形例１）
第３実施形態では、ステップＳ３０３０において、診断ノードと各情報ノードの距離と、各情報ノード間の距離に基づいてExの数を抑制していた。しかしながら、他の方法で抑制してもよい。

例えば、要素数がＮ個の部分情報で十分影響が大きい場合は、情報を組み合わせなくても影響が大きいため、その部分情報単独で推論結果の導出に影響した情報と見なせると判断し、要素の組み合わせの候補から除外するようにしてもよい。具体的には影響度に閾値を設け、閾値以上の影響度を持つ要素は、組み合わせの候補から除外する。この閾値は、例えば、仮のグラフ構造Ｓｔが提示する情報を決定する値の２倍とする。すなわち、影響度が０．０５以上に提示する情報とする場合は、閾値を０．１０とする。

例えば、前述の例で、{Ｓ１２}の影響度が０．１２、{Ｓ２１}の影響度が０．０４、{Ｓ３３}の影響度が０．０２、{Ｓ５３}の影響度が０．１１、{Ｓ６１}の影響度が０．２１、{Ｓ７２}の影響度が０．０５の場合を考える。この場合は、{Ｓ１２}、{Ｓ５３}、{Ｓ６１}が閾値を超えているため組み合わせの候補から除外する。すなわち、{Ｓ２１}、{Ｓ３３}、{Ｓ７２}から組み合わせを作成する。各ノードの距離を勘案すると、最終的に{Ｓ２１，Ｓ３３}、{Ｓ３３, Ｓ７２}が要素数２のサブセットＥｘとして得られる。

さらに、ノードが直接接続するノードの数を用いてサブセットＥｘの数を減らしてもよい。具体的には、完全な親子関係にあるノードは組み合わせの候補から除外してもよい。図１０で示したグラフ構造を基に説明する。例えば、このグラフ構造においては、Ｉ１に情報が入力されると、Ｉ２に情報が入力されようがされまいが、確率伝搬計算結果は同じ結果となる。したがって、この場合はＩ１とＩ２の各状態の組み合わせによる部分情報は作成しないものとする。一方、Ｉ３、Ｉ６、Ｉ７において、Ｉ３とＩ７との組み合わせでは、Ｉ７はＩ６を通じてＤに確率伝搬するため、この組み合わせによる部分情報は作成する。同様に、Ｉ６とＩ７との組み合わせも作成する。しかし、Ｉ３、Ｉ６、Ｉ７の組み合わせは、Ｉ３、Ｉ６に情報が入るとＩ７に情報が入力されようがされまいが、確率伝搬計算結果が同一になるため作成しない。

上記で挙げた操作によりさらにサブセットＥｘの数を抑制することができる。従って、より短い期間でのモデルの再構築が期待できる。なお、ここで示した変形例１はこの他の実施形態にも適用することができる。

上記の実施形態によれば、推論手段の性能と提示する情報の妥当性を共に考慮し、推論手段を構築することができる。また、追加データを用いて、推論手段の性能と、提示する情報の妥当性を共に考慮して推論手段を定期的に更新し、運用開始後も適切な情報を提示することができる診断支援技術の提供が可能になる。

[第４実施形態]
本実施形態に係る医療診断支援装置は、種々のパラメータで作成した複数の推論手段を統合して最終的な推論手段の構築を行う。なお、本施形態に係る医療診断支援装置の構成は第１実施形態における図１と同様である。また、ソフトウェアの実行によって医療診断支援装置１００の各部の機能を実現するコンピュータの基本構成は、第１実施形態における図２と同様である。

次に、図１２のフローチャートを用いて、医療診断支援装置１００が行う全体の処理を説明する。ただし、このフローチャートで示したステップにおいて、第１実施形態及び第２実施形態と同じステップ番号のものは前述した処理と同様の処理を行う。ただし、ステップＳ６０００の処理の一部が第２実施形態とは異なっている。以下、追加された処理と第２実施形態との相違部分についてのみ説明する。

ステップＳ１２０００において、医療診断支援装置１００は、ステップＳ６０００の推論手段の構築に必要なパラメータの設定を複数行う。例えば、ステップＳ３０４０で示した評価式の重みα、βの値や、グラフ構造の初期値、サブセットＥｘの取得方法などである。もちろんパラメータは、ここで挙げた例に限定されない。

ステップＳ６０００において、医療診断支援装置１００は、ステップＳ１２０００で設定した複数のパラメータを用いてパラメータ毎に推論手段の構築を行う。図１２のフローチャートでは推論手段の構築を並列で行っているが、順次構築処理を行ってもよい。

ステップＳ１２０１０において、医療診断支援装置１００は、ステップＳ６０００で夫々構築された推論手段に対して重みを設定する。例えば、推論性能の値によって重みを付与してもよいし、情報の妥当性によって重みを付与してもよく、他の方法であってもよい。本実施形態では、全ての推論手段に対して重みを同一（すなわち、１）とする。

ステップＳ１２０２０において、医療診断支援装置１００は、ステップＳ６０００で夫々構築された推論手段と、ステップＳ１２０１０で夫々設定された重みを基に推論手段を統合する。

本実施形態では、それぞれの推論手段の推論確率（事後確率）及び影響度について、加重平均を取るような統合を行う。推論手段Ｓｕの事後確率をＰｕ、影響度をＩｕ、重みをＷｕとすると、統合した推論手段の事後確率Ｐと影響度Ｉは以下で示される。

例として、推論手段が３つで、各推論手段の重みが１の場合を考える。また、診断名Ｄｒの事後確率を計算するものとし、診断名Ｄｒに対するサブセットＥｘの影響度を考える。各推論手段の事後確率がそれぞれ０．６５、０．７２、０．６９の場合は、Ｐ＝（１×０．６３＋１×０．７２＋１×０．６９）／（１＋１＋１）＝０．６８となる。同様にＥｘの影響度がそれぞれ０．２５、−０．１３、０．０６の場合には、Ｉ＝０．０６となる。

本実施形態によれば、種々のパラメータで作成した複数の推論手段を統合して、一つの推論手段を構築することができる。これにより、種々のパラメータの得意・不得意な分野を補う、より有用な推論手段の構築が期待できる。

（変形例１）
本実施形態では、ステップＳ１２０１０において、推論性能および／または推論情報の妥当性の評価値を利用した重みの設定、あるいは、均等な重みの設定をしていた。しかしながら他の方法であってもよい。

例えば、医師により各々の推論手段を主観評価し、その主観評価により重みを設定してもよい。例えば、主観評価により順位を付け、その逆数を重みとしてもよい。つまり、１位となった推論手段の重みは１／１＝１、２位となった推論手段の重みは１／２…、としてもよい。あるいは医師がもっともよい主観評価をつけた推論手段のみを採用しても良い。この場合は、もっともよい主観評価をつけた推論手段の重みを１に、その他の推論手段の重みを０にすることに相当する。また、この医師による主観評価は、複数の医師の合議で決定してもよいし、複数の医師の評価を勘案して決定しても良い。

この方法によれば、ユーザである医師にとって評価が高い推論手段の重みを高く設定することができる。これにより、より医師にとって有用な情報を呈する推論手段の構築が期待できる。

（変形例２）
本実施形態では、設定した複数のパラメータごとにステップＳ６０００で推論手段を構築し、それらの推論手段に重みを設定して統合し、一つの推論手段を構築していた。しかしながら他の方法であってもよい。

例えば、第１の実施形態で示したステップＳ３０１０において複数の推論手段候補を作成し、ステップＳ３０５０で複数の推論手段候補に夫々重みを設定して統合し、一つの推論手段候補としてもよい。

なお、ここで示した変形例１、変形例２はこの他の実施形態にも適用することができる。

（その他の実施形態）
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（またはＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。

Claims (17)

1. 学習データを取得する学習データ取得手段と、
   前記学習データを基に複数の推論手段候補を作成する推論手段候補作成手段と、
   前記学習データを基に、前記複数の推論手段候補の性能を評価する推論性能評価手段と、
   前記学習データを基に、前記複数の推論手段候補の夫々が提示する情報の妥当性を評価する情報妥当性評価手段と、
   前記複数の推論手段候補の性能と前記複数の推論手段候補の夫々が提示する情報の妥当性とを基に前記複数の推論手段候補から推論手段を選択する推論手段選択手段と、
   を備えることを特徴とする医療診断支援装置。
2. 前記推論手段候補作成手段は、種々の推論手法を推論手段候補として作成することを特徴とする請求項１に記載の医療診断支援装置。
3. 前記推論手段候補作成手段は、グラフ構造が異なるベイジアンネットワークを推論手段候補として作成することを特徴とする請求項１または２に記載の医療診断支援装置。
4. 前記推論手段候補作成手段はマルコフ連鎖モンテカルロ法を用いた処理により、前記複数の推論手段候補を作成し、
   前記推論手段選択手段はマルコフ連鎖モンテカルロ法を用いた処理により、前記複数の推論手段候補から推論手段を選択することを特徴とする請求項１乃至３のいずれか１項に記載の医療診断支援装置。
5. 前記推論手段候補作成手段は遺伝的アルゴリズムを用いた処理により、前記複数の推論手段候補を作成し、
   前記推論手段選択手段は遺伝的アルゴリズムを用いた処理により、前記複数の推論手段候補から推論手段を選択することを特徴とする請求項１乃至３のいずれか１項に記載の医療診断支援装置。
6. 追加データを取得する追加データ取得手段を更に備え、
   前記推論性能評価手段は、前記学習データと前記追加データとを基に前記複数の推論手段候補の性能を評価し、
   前記情報妥当性評価手段は、前記学習データと前記追加データとを基に前記複数の推論手段候補の夫々が提示する情報を評価することを特徴とする請求項１乃至５のいずれか１項に記載の医療診断支援装置。
7. 前記追加データ取得手段により取得される前記追加データは、前記医療診断支援装置を運用時に得られたデータであることを特徴とする請求項６に記載の医療診断支援装置。
8. 前記追加データ取得手段は前記追加データを予め定められたタイミングで取得することを特徴とする請求項６または７に記載の医療診断支援装置。
9. 前記追加データ取得手段は前記追加データを前記学習データが取得されたデータベースとは異なるデータベースから取得することを特徴とする請求項６乃至８のいずれか１項に記載の医療診断支援装置。
10. 前記情報妥当性評価手段は、前記推論手段候補の性能に基づき処理を変えて前記情報の妥当性を評価することを特徴とする請求項１乃至９のいずれか１項に記載の医療診断支援装置。
11. 前記情報妥当性評価手段は、前記推論手段候補の性能が閾値を超えない場合、前記情報の妥当性の評価を行わないことを特徴とする請求項１乃至１０のいずれか１項に記載の医療診断支援装置。
12. 前記推論手段候補作成手段は、前記グラフ構造における診断ノードとの距離を基にグラフ構造を改変することを特徴とする請求項３に記載の医療診断支援装置。
13. 前記グラフ構造に応じて作成された医用情報の部分情報を基に医療診断を支援する情報を提示する提示手段を更に備えることを特徴とする請求項３に記載の医療診断支援装置。
14. 前記グラフ構造における診断ノードとの距離を基に前記部分情報を作成する作成手段を更に備えることを特徴とする請求項１３に記載の医療診断支援装置。
15. 前記作成手段は前記グラフ構造におけるノード間の距離を基に前記部分情報を作成することを特徴とする請求項１４に記載の医療診断支援装置。
16. 前記推論手段候補作成手段は、異なるパラメータを用いて作成した複数の推論手段に重みを設定し、重みを基に複数の推論手段候補を統合した推論手段を構築することを特徴とする請求項１に記載の医療診断支援装置。
17. 医療診断支援装置の医療診断支援方法であって、
    学習データ取得手段が、学習データを取得する学習データ取得工程と、
    推論手段候補作成手段が、前記学習データを基に複数の推論手段候補を作成する推論手段候補作成工程と、
    推論性能評価手段が、前記学習データを基に、前記複数の推論手段候補の性能を評価する推論性能評価工程と、
    情報妥当性評価手段が、前記学習データを基に、前記複数の推論手段候補の夫々が提示する情報の妥当性を評価する情報妥当性評価工程と、
    推論手段選択手段が、前記複数の推論手段候補の性能と前記複数の推論手段候補の夫々が提示する情報の妥当性とを基に前記複数の推論手段候補から推論手段を選択する推論手段選択工程と、
    を有することを特徴とする医療診断支援方法。

Images