JP2018206082A - 情報処理装置、情報処理システム、情報処理方法及びプログラム - Google Patents

Abstract

【課題】 精度よく機械学習を行うための学習用データを取得することができる装置を提供する。
【解決手段】 情報処理装置は、患者の症例の特徴に関する情報であって、患者を診断することにより得られた情報である症例情報を取得し、症例情報に含まれる情報である第１の情報に基づいて、症例情報を機械学習のための学習用データとして用いるか否かを判定する。
【選択図】 図３

Description

本発明は、情報処理装置、情報処理システム、情報処理方法及びプログラムに関する。

診断や治療に際して医療従事者が多くの情報を考慮して判断を下すために、コンピュータにより支援を行うための各種のシステムが提案されている。特許文献１には、患者の疾患名及びその疾患に係る所見を含む電子文書から、疾患名に係る所見を構成する所見記述要素を、当該所見記述要素を含む電子文書の時系列上の出現頻度に基づいて抽出することが開示されている。

特開２００９−９３５８２号公報

一つの電子文書に含まれない所見記述要素を抽出することはできず、抽出されなかった要素を含む学習用データを取得することはできない。

本発明の実施形態に係る情報処理装置は、患者の症例の特徴に関する情報であって、前記患者を診断することにより取得された情報である第１の情報を含む症例情報を取得する第１の取得手段と、前記症例情報を解析することにより、前記患者の前記症例に関する情報であって、前記診断において取得されなかった情報である第２の情報を取得する第２の取得手段と、前記第１の情報と前記第２の情報とに基づいて、機械学習のための学習用データを取得する第３の取得手段と、を有することを特徴とする。

診断において得られた情報と、診断において取得されなかった情報とに基づいて機械学習のための学習用データを取得することにより、機械学習をより精度よく行うことができる。

本発明の実施形態に係る情報処理装置を含むシステムの構成の一例を示す図である。 本発明の実施形態に係る情報処理装置のハードウェア構成の一例を示す図である。 本発明の実施形態に係る情報処理装置の機能構成の一例を示す図である。 本発明の実施形態に係る情報処理装置により取得される情報の構成の一例を示す図である。 本発明の実施形態に係る情報処理装置により行われる処理の一例を示すフローチャートである。 第１の実施形態に係る情報処理装置により行われる処理の一例を示すフローチャートである。 第２の実施形態に係る情報処理装置により行われる処理の一例を示すフローチャートである。 第３の実施形態に係る情報処理装置により行われる処理の一例を示すフローチャートである。 第４の実施形態に係る情報処理装置により取得される情報の構成の一例を示す図である。 第４の実施形態に係る情報処理装置により行われる処理の一例を示すフローチャートである。 第５の実施形態に係る情報処理装置により行われる処理の一例を示すフローチャートである。

以下、図面を参照して本発明の実施形態を説明する。

［第１の実施形態］
診断において得られた情報を計算機で解析し、医師の判断の補助となる情報を提示するコンピュータ支援診断（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ：ＣＡＤ）システムが知られている。診断において得られた情報とは、たとえば患者に対する検査や問診、観察により医師が得た所見や、当該患者の医用画像や、当該医用画像を観察することにより医師が得た所見といった情報である。患者に対する検査や問診、観察により医師が得た所見には、患者の年齢や性別といった情報や、検査で得られた検査値や、病理診断の結果や、既往歴、主訴、医師または複数の医師の合議により決定された診断名といった情報を含む。医用画像を観察することにより医師が得た所見は、当該医用画像に描出された組織や病変の特徴に関する情報である。以下では、医用画像を観察することにより医師が得た所見を画像所見と称する。

ＣＡＤシステムにおいて、過去の診断で得られた情報を用いた機械学習により、新しい症例における診断名等の推論を行う場合がある。機械学習において学習に用いられるデータの質は、推論の精度に関連する可能性がある。ここで学習に用いられるデータの質とは、情報の量や正確さである。すなわち、ＣＡＤシステムのための機械学習において用いられるデータは、情報を豊富に含み、かつ正確な情報を含むことが好ましい。以下では、機械学習において用いられるデータを学習用データと称する。第１の実施形態に係る情報処理装置１０１は、質の高い学習用データを用いてＣＡＤシステムの機械学習を行えるようにすることを目的とする。

以下では情報処理装置１０１が、患者を被検体として撮像された、胸部のＸ線ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）画像の画像所見に基づいて胸部の疾患に関する推論を行うＣＡＤ装置１０２の学習用データを取得する場合を例に説明する。情報処理装置１０１は、学習用データとするために取得された過去の症例に付与されている画像所見と、当該症例の医用画像を解析することにより当該症例で取得されていなかった画像所見とを取得する。

（システム構成）
図１は、第１の実施形態に係る情報処理装置を含む情報処理システムの構成の一例を示す図である。情報処理システムは、情報処理装置１０１、ＣＡＤ装置１０２、医用画像データベース（以降、データベースを単にＤＢと称する。）１０３、読影レポートＤＢ１０４、電子カルテＤＢ１０５、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）１０６を含む。

情報処理装置１０１は、医用画像ＤＢ１０３や読影レポートＤＢ１０４、電子カルテＤＢ１０５から取得した情報に基づいて、ＣＡＤ装置１０２における機械学習のための学習用データを取得する。情報処理装置１０１はたとえばコンピュータである。学習用データは、ＣＡＤ装置１０２で機械学習を行う推論器の入力値と正解となる出力値のセットである。学習用データの一例を、図４（ｅ）を用いて後述する。

ＣＡＤ装置１０２は、情報処理装置１０１において取得された学習用データを用いた機械学習により、新たな症例と関連する疾患を推論する。ＣＡＤ装置１０２はたとえばコンピュータである。ＣＡＤ装置１０２はたとえば、医用画像に基づいて疾患名を推論し、医師の診断を支援するための情報を医師に提示する。より具体的には、ＣＡＤ装置１０２はたとえば、入力された医用画像を解析することにより画像所見を取得し、画像所見と疾患名との関係を学習した推論器を用いて、画像所見から疾患名を推論する。第１の実施形態においては、医師が医用画像上で指定した肺結節を解析した画像所見に基づいて、指定された肺結節が肺癌（原発癌）によるものであるか、転移癌によるものであるか、良性結節であるかのそれぞれの確率を推論器により推論する場合を例に説明する。ＣＡＤ装置１０２は、推論の根拠となる画像所見と推論の結果とを共に医師に提示してもよい。

医用画像ＤＢ１０３は、ＣＴ装置など各種の撮像装置で撮影された医用画像を、ＬＡＮ１０６を介して撮像装置から取得して保存する。また医用画像ＤＢ１０３は、保存された医用情報を検索、取得するための機能を提供する。医用画像はたとえば、ＤＩＣＯＭ（Ｄｉｇｉｇａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）形式の画像である。医用画像ＤＢ１０３はたとえばＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）である。

読影レポートＤＢ１０４は、読影レポート情報を、ＬＡＮ１０６を介して医師が用いるクライアント装置（不図示）から取得して保存する。また読影レポートＤＢ１０４は、保存された読影レポート情報を検索、取得するための機能を提供する。ここで読影レポート情報とは、たとえば医師が医用画像を観察することにより得た画像所見や、当該画像所見から医師が導き出した疾患に関する情報を記載したレポートである。読影レポート情報の一例を、図４（ｂ）を用いて後述する。

電子カルテＤＢ１０５は、電子カルテ情報を、ＬＡＮ１０６を介して医師が用いるクライアント装置（不図示）から取得して保存する。また電子カルテＤＢ１０５は、保存された電子カルテ情報を検索、取得するための機能を提供する。ここで電子カルテ情報は、たとえば医師が患者の診療を行う際に問診や検査で得られた情報を記載した診療記録である。電子カルテ情報の一例を、図４（ｃ）を用いて後述する。

ＣＡＤ装置１０２と、ＣＡＤ装置１０２で用いる学習用データを取得する情報処理装置１０１とを別の装置とする例を説明したが、本発明はこれに限らない。たとえばＣＡＤ装置１０２と情報処理装置１０１とは、同じ一つの装置で実現されてもよいし、ＣＡＤ装置１０２の機能と情報処理装置１０１の機能とを実現するための、複数の装置で構成されるシステムで実現されてもよい。

（ハードウェア構成）
図２は、第１の実施形態に係る情報処理装置１０１のハードウェア構成の一例を示す図である。情報処理装置１０１は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２０１、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２０２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２０３、記憶媒体２０４、ＬＡＮインタフェース２０５、バス２０６を含む。

ＲＯＭ２０１はＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）等、ハードウェアを初期化しＯＳを起動するためのプログラムを記憶する。

ＣＰＵ２０２は、ＢＩＯＳやＯＳ、処理プログラムを実行する際の演算処理を行う。

ＲＡＭ２０３は、ＣＰＵ２０２がプログラムを実行する際の情報を一時記憶する。

記憶媒体２０４は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）や第１の実施形態に係る処理を行うためのプログラム、情報を記憶する。記憶媒体２０４は、たとえばＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）である。

ＬＡＮインタフェース２０５は、ＩＥＥＥ（Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｓ）８０２．３ａｂ等の規格に対応し、ＬＡＮ１０６を介して通信を行うためのインタフェースである。

バス２０６は、情報処理装置１０１の内部バスである。

情報処理装置１０１はさらにＧＰＵを含んでいてもよい。特に情報処理装置１０１の機能とＣＡＤ装置１０２の機能とを一つの装置あるいは一つのシステムとして実現する場合に、ＧＰＵにより推論を行ってもよい。

ＣＰＵ２０２やＧＰＵは、プロセッサの一例である。また、ＲＯＭ２０１やＲＡＭ２０３や記憶媒体２０４はメモリの一例である。情報処理装置１０１は複数のプロセッサを有していてもよい。第１の実施形態においては、情報処理装置１０１のプロセッサがメモリに格納されているプログラムを実行することにより、情報処理装置１０の機能が実現される。また、情報処理装置１０１は特定の処理を専用に行うＣＰＵやＧＰＵ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）を有していても良い。情報処理装置１０１は特定の処理あるいは全ての処理をプログラムしたＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）を有していてもよい。情報処理装置１０１は記憶媒体２０４として複数の構成を有していてもよい。情報処理装置１０１はＬＡＮインタフェース２０５といった通信のための構成を複数有していてもよい。

情報処理装置１０１は、ユーザが情報処理装置１０１に情報を入力するための操作部（不図示）と、情報処理装置１０１がユーザに情報を提示するための表示部（不図示）と接続されていてもよい。操作部（不図示）はたとえばキーボードやマウス等である。表示部（不図示）は情報処理装置１０１からの制御に基づいて、情報を表示する。表示部（不図示）は、情報処理装置１０１からの制御に基づいて、ユーザの指示を受け付けるためのインタフェースを提供する。表示部（不図示）は、たとえば液晶ディスプレイである。なお、操作部（不図示）と表示部（不図示）とはタッチパネルディスプレイとして統合されていてもよい。

（機能構成）
図３は、第１の実施形態に係る情報処理装置１０１の機能構成の一例を示す図である。情報処理装置１０１は、画像取得部３０１、画像所見取得部３０２、確定診断取得部３０３、画像解析部３０４、学習用データ取得部３０５、学習用データＤＢ３０６、機械学習部３０７から構成される。

画像取得部３０１は、医用画像ＤＢ１０３から医用画像を取得する。画像取得部３０１は、ユーザの指示する医用画像を取得してもよいし、後述する画像所見取得部３０２が取得した読影レポートや電子カルテに記載された情報に基づいて特定される医用画像を取得してもよい。読影レポートや電子カルテに記載された情報に基づいて特定される医用画像とは、たとえば読影レポートや電子カルテに添付された医用情報や、読影レポートや電子カルテに記載された検査ＩＤに対応する検査で撮像された医用情報である。より具体的には画像取得部３０１は、図４（ｄ）に例示する読影レポートの検査ＩＤ４２３に基づいて、医用画像ＤＢ１０３から検査ＩＤ４２３と対応する検査の医用画像情報４１１−ｉ（ｉ＝１，２，・・・）を検索し、取得する。

画像所見取得部３０２は、推論の対象となる症例に関して、診断された情報を取得する。ここでは、画像所見取得部３０２は読影レポートや電子カルテに記載された情報を取得し、当該症例において診断された画像所見の情報を取得する場合を例に説明する。たとえば画像所見取得部３０２は、図４（ｄ）に例示する読影レポートの本文４２５の内容に基づき、推論の対象である肺結節に関する症例の読影レポート４２１−ｉ（ｉ＝１，２，・・・）を読影レポートＤＢ１０４から検索する。画像所見取得部３０２は、取得した読影レポート情報４２１−ｉから、画像所見、部位、患者ＩＤ、検査ＩＤといった情報を抽出する。また画像所見取得部３０２は、読影レポートや電子カルテの記載において当該症例に関する代表画像や画像における病変の位置といった情報が保持されている場合には、それらの情報を抽出する。以下では、画像所見取得部３０２により取得された画像所見を第１の画像所見と称する。第１の画像所見は、第１の情報の一例である。また、画像所見取得部３０２は第１の取得手段の一例である。

確定診断取得部３０３は、患者の診断された症例に関して、確定した疾患名を示す確定診断の情報を取得する。確定診断取得部３０３は、たとえば画像所見取得部３０２が取得した読影レポート情報４２１−ｉに記載された患者ＩＤ４２２に対応する患者の電子カルテ情報４３１−ｉ（ｉ＝１，２，・・・）を電子カルテＤＢ１０５から検索して取得する。確定診断取得部３０３は、電子カルテ情報４３１−ｉから確定診断４３７を抽出する。

画像解析部３０４は、画像取得部３０１が取得した医用画像を解析することにより、当該医用画像に描出されている特徴を示す画像所見を取得する。特に、当該医用画像に描出されている疾患の特徴を示す画像所見を取得する。画像解析部３０４により取得された情報の一例を、図４（ｄ）に例示する。以下では、画像解析部３０４により取得された画像所見を、第２の画像所見と称する。第２の画像所見は、第２の情報の一例である。画像解析部３０４は、第２の取得手段の一例である。

学習用データ取得部３０５は、ＣＡＤ装置１０２の機械学習に用いるための学習用データを取得する。学習用データ取得部３０５は、画像所見取得部３０２により取得された第１の画像所見と、画像解析部３０４により取得された第２の画像所見とに基づいて学習用データ４５１−ｉ（ｉ＝１，２，・・・）を取得する。学習用データ取得部３０５は、さらに確定診断取得部３０３により取得された確定診断に基づいて学習用データ４５１−ｉを取得する。学習用データ取得部３０５は、取得した学習用データ４５１−ｉを学習用データＤＢ３０６に保存する。学習用データ取得部３０５は、機械学習のための学習用データを取得する第３の取得手段の一例である。

学習用データＤＢ３０６は、学習用データ取得部３０５により取得された学習用データ４５１−ｉを保存する。また学習用データＤＢは、保存された学習用データを検索、取得するための機能を提供する。学習用データＤＢ３０６はＣＡＤ装置１０２に含まれていてもよく、情報処理装置１０１とＣＡＤ装置１０２と接続された外部のＤＢとして実現されてもよい。

機械学習部３０７は、学習用データＤＢ３０６の学習用データ４５１−ｉを用いて、ＣＡＤ装置１０２が用いる推論器の機械学習を行う。機械学習部３０７はＣＡＤ装置１０２に含まれていてもよく、学習用データＤＢ３０６に含まれていてもよい。

（情報の構成）
図４（ａ）〜（ｅ）は情報処理装置１０１により取得される情報の構成の一例をそれぞれ示す図である。

図４（ａ）は、医用画像ＤＢに保存される情報４１０の構成の一例を示す図である。情報４１０は、１つ以上の医用画像情報４１１−１、４１１−２、・・・から構成される。医用画像情報４１１−ｉ（ｉ＝１，２，・・・）は、たとえば１回の撮影で得られる画像情報であり、医用画像が３次元画像である場合には当該医用画像は１つ以上のスライス画像情報４１２−１、４１２−２、・・・から構成される。スライス画像情報４１２−ｉ（ｉ＝１，２，・・・）はそれぞれ１つの断面の画像情報であり、ヘッダ情報４１３と画素情報４１９から構成される。ヘッダ情報４１３は、患者ＩＤ４１４、検査ＩＤ４１５、検査日時４１６、シリーズＩＤ４１７、スライス位置４１８といった情報を含む。患者ＩＤ４１４は患者を一意に識別する情報であり、検査ＩＤ４１５は検査を一意に識別する情報であり、検査日時４１６は検査が実施された日時である。また、シリーズＩＤ４１７は、医用画像情報４１１−ｉ（ｉ＝１，２，・・・）を一意に識別する情報であり、スライス位置４１８は、断面の位置であり、所定の基準点からの体軸方向の相対距離となる。なお、医用画像が３次元画像であり複数のスライス画像情報４１２−ｉで構成される場合、それぞれのスライス画像で共通するヘッダ情報４１３についてはたとえばスライス画像情報４１２−１にのみ含まれていてもよい。画素情報４１９は、たとえば、５１２×５１２個の画素値からなり、各画素値はグレースケール（１チャネル）で１２ビットとなる。

図４（ｂ）は、読影レポートＤＢ１０４に保存される情報４２０の構成の一例を示す図である。情報４２０は、１つ以上の読影レポート情報４２１−１、４２１−２、・・・から構成される。読影レポート情報４２１−ｉ（ｉ＝１，２，・・・）は患者ＩＤ４２２、検査ＩＤ４２３、検査日時４２４、本文４２５、貼付画像４２６の各情報を含む。本文４２５には画像診断の内容がたとえば自然文で記載され、図４の例では「○○に××を認めます。大きさは△△で、形状は□□です。◎◎を疑います。」と記載されている。ここで、「○○」は部位、「××」は病変、「△△」や「□□」は画像所見、「◎◎」は画像診断の結果を示す字句である。ここで字句とは、文中にある文字あるいは文字列をいい、文中において意味を表す単位である。貼付画像４２６は、たとえば読影レポートを記載した医師が、本文４２５に記載した内容を表すと考える画像を代表画像として読影レポートに貼り付けた医用画像に関する情報である。貼付画像４２６はたとえば、スライス画像情報４１２−ｉ（ｉ＝１，２，・・・）の画素情報４１９を８ビットのビットマップ形式等に変換した画像の情報である。なお、貼付画像４２６はスライス画像情報４１２−ｉ（ｉ＝１，２，・・・）やビットマップ形式等に変換された他の画像情報へのリンク情報でもよい。情報４２０は、「インプレッション」などと呼ばれる本文４２５の内容を要約した情報（不図示）を含んでいてもよい。また情報４２０は、本文４２５又はそのほかの情報（不図示）の少なくともいずれかに、読影した医用画像中における病変の位置や領域を示す情報を含んでいてもよい。

図４（ｃ）は、電子カルテＤＢ１０５に保存される情報４３０の構成の一例を示す図である。情報４３０は、１つ以上の電子カルテ情報４３１−１、４３１−２、・・・から構成される。電子カルテ情報４３１−ｉ（ｉ＝１，２，・・・）は、患者ＩＤ４３２、診療日時４３３、本文４３４、処置・処方４３５、検査４３６、確定診断４３７の各情報を含む。診療日時４３３は診療を行った日時、本文４３４は診療の内容、処置・処方４３５は治療行為や投薬の内容、検査４３６は画像診断、血液検査、病理検査などの検査の内容をそれぞれ示す。確定診断４３７は病理検査の結果などに基づいて医師が最終的に診断した疾患名を示す情報である。

図４（ｄ）は、画像解析部３０４により取得された第２の画像所見を含む情報４４０の構成の一例を示す図である。情報４４０は、画像解析部３０４が学習用の症例毎に生成する所見取得結果情報４４１−１、４４１−２、・・・から構成される。所見取得結果情報４４１−ｉ（ｉ＝１，２，・・・）は、病変４４２、部位４４３、画像所見群４４４の各情報を含む。画像所見群４４４は、１つ以上の画像所見から構成される。それぞれの画像所見は、画像所見の項目（以下、画像所見項目または所見項目と称する。）と、その項目の値によって構成される。画像所見項目は、たとえば、大きさ４４５、形状４４６、石灰化濃度比４４７などである。大きさ４４５は、たとえば肺結節の長径を表す項目であり、たとえば、「大」、「中」、「小」の３段階の値をとる。形状４４６は、たとえば肺結節の形状を表す項目であり、たとえば、「球形」、「類球形」、「分葉状」などの状態を値としてとる。また、石灰化濃度比４４７は、たとえば肺結節内の画素の中で石灰化の画素値を取る画素が占める割合を表す項目であり、たとえば、「高」、「中」、「低」、「なし」の４段階の値をとる。所見項目の値は、数値であってもよい。数値は、連続値でも離散値でもよく、範囲であってもよい。なお、画像所見項目の種類や値は上述した例に限られるものではない。

図４（ｅ）は、学習用データＤＢ３０６に保存される情報４５０の構成の一例を示す図である。学習用データＤＢ３０６に保存される情報４５０は、１つ以上の学習用データ４５１−１、４５１−２、・・・から構成される。学習用データ４５１−ｉ（ｉ＝１，２，・・・）は、病変４５２、部位４５３、画像所見群４５４、確定診断４５８の各情報を含む。ここで、画像所見群４５４は、前述の画像所見群４４４と同様の構成であるとする。

（一連の処理）
図５は、第１の実施形態に係る情報処理装置１０１により行われる処理の一例を示すフローチャートである。以下では、読影レポートＤＢ１０４から取得した情報に基づいて第１の画像所見を取得し、電子カルテＤＢ１０５から取得した情報に基づいて確定診断を取得し、医用画像ＤＢ１０３から取得した医用画像を解析することにより第２の画像所見を取得し、第１の画像所見と第２の画像所見とに基づいて学習用データを取得する処理の例を説明する。

ステップＳ５０１において、画像所見取得部３０２は読影レポートＤＢ１０４に保存された症例から、推論対象に関する症例を取得し、その画像所見、すなわち第１の画像所見を取得する。たとえば、ＣＡＤ装置１０２において肺結節の診断推論を行う場合には、当該推論のための機械学習の学習用データの候補として、読影レポートＤＢ１０４から肺結節の診断を行っている読影レポートを検索して取得する。具体的には画像所見取得部３０２は、読影レポート情報の本文に「肺結節」をキーワードとして含む読影レポートを読影レポートＤＢ１０４から検索する。画像所見取得部３０２は、読影レポート情報４２１−ｉ（ｉ＝１，２，・・・）の本文４２５に対して形態素解析や構文解析といった処理を施すことにより、当該症例の第１の画像所見を取得する。

なお所見項目の中には、読影レポートに記載しないことが、当該所見項目に関する画像所見が存在しないことを暗黙的に意味する項目がある。そのような所見項目を予め定義し、当該所見項目に関する記載がレポートから取得できない場合に、画像所見取得部３０２は当該所見項目に関して「なし」という値を取得することとしてもよい。

ステップＳ５０２において、確定診断取得部３０３は、ステップＳ５０１で取得したそれぞれの症例に関して最終的に診断された疾患名を示す情報を取得する。ここでは、確定診断取得部３０３は、当該症例に関する情報を電子カルテＤＢ１０５から検索し、確定診断４３７を取得する。たとえば確定診断取得部３０３は、ステップＳ５０１で取得した読影レポート情報４２１−ｉの患者ＩＤ４２２の値をキーとして、当該患者の電子カルテ情報４３１−ｉ（ｉ＝１，２，・・・）を検索する。確定診断取得部３０３は、電子カルテ情報４３１−ｉの所定のフィールドを読み出すことにより、当該症例の確定診断４３７を取得する。あるいは、確定診断取得部３０３は電子カルテ情報４３１−ｉに記載された情報に対して形態素解析や構文解析といった処理を施すことにより、当該症例の疾患名を取得してもよい。

ステップ５０３において、画像取得部３０１は、ステップＳ５０１で取得したそれぞれの症例に対応する医用画像情報４１１−ｉ（ｉ＝１，２，・・・）を医用画像ＤＢ１０３から取得する。たとえば画像取得部３０１は、ステップＳ５０１で取得した読影レポート情報４２１−ｉに記載された検査ＩＤ４２３の値をキーとして、当該症例の医用画像情報４１１−ｉを医用画像ＤＢ１０３から検索する。

以上のステップＳ５０１乃至ステップＳ５０３までの処理により、情報処理装置１０１は、患者の診断された既存のデータから、症例の医用画像と、幾つかの所見項目に関する第１の画像所見と、最終的に診断された疾患名の情報である確定診断とを取得する。

ステップＳ５０４において、画像解析部３０４は、ステップＳ５０３で取得された医用画像情報４１１−ｉから、画像解析により画像所見、すなわち第２の画像所見を取得する。具体的には、画像解析部３０４は読影レポートに記載された病変の画像上での位置を、以下の手順で特定する。読影レポート情報４２１−ｉが病変の位置を示す情報を保持している場合には、画像解析部３０４はその値を医用画像における病変の位置とする。読影レポート情報４２１−ｉが代表画像の情報を保持している場合には、画像解析部３０４は３次元画像中で代表画像と類似する画像を検索し、代表画像との類似度の高いスライス画像のスライス位置を特定する。そして画像解析部３０４は、特定されたスライス画像に対して肺結節の検出処理を行い、当該スライス画像上における病変位置を検出する。読影レポート情報４２１−ｉが病変の位置を示す情報を保持しておらず、かつ代表画像の情報を保持していない場合には、画像解析部３０４は３次元画像の全てのスライス画像または読影レポート情報４２１−ｉに記載されたそのほかの情報に基づいて特定されるスライス画像に対して、肺結節の検出処理を行い、病変位置を検出する。

病変の位置が検出されると、画像解析部３０４は、その病変の位置の近傍の３次元画像に画像解析処理を施すことで、第２の画像所見を取得する。たとえば画像解析部３０４はそれぞれの画像所見を、病変の３次元画像と個々の画像所見との関係を予め機械学習させたＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いて取得する。なお、画像解析部３０４が取得する第２の画像所見の所見項目は、肺結節の診断における全ての所見項目である必要はない。たとえば、画像解析によって一定以上の信頼度（正答率）で取得可能な所見項目を予め定義しておいて、画像解析部３０４はそれらの所見項目に関してのみ第２の画像所見の取得を行うようにしてもよい。

ステップＳ５０５において、学習用データ取得部３０５は、ステップＳ５０１で取得した第１の画像所見と、ステップＳ５０４で取得した第２の画像所見とに基づいて、学習用データ４５１−ｉを取得する。学習用データ取得部３０５はさらに、ステップＳ５０２で取得した確定診断に基づいて学習用データ４５１−ｉを取得する。学習用データ取得部３０５は、学習用データ４５１−ｉを学習用データＤＢ３０６に保存する。ステップＳ５０５における学習用データ取得の処理の詳細は図６を用いて後述する。

ステップＳ５０６において、機械学習部３０７は、学習用データＤＢ３０６に保存された学習用データ４５１−ｉを用いて、ＣＡＤ装置１０２で用いる推論器の機械学習を行う。第１の実施形態で説明している例においては、機械学習部３０７は、入力データである画像所見を推論器に入力した際の推論結果である疾患名と、正解データである確定診断（疾患名）との一致率が最大となるように、推論器のパラメータを調整する。

図６は、学習用データ取得部３０５がステップＳ５０５で行う、学習用データを取得する処理の一例を示すフローチャートである。学習用データを取得する処理が開始されると、ステップＳ６０１からステップＳ６０７までの処理が繰り返される。この繰り返し処理において、対象としているｉ番目（ｉ＝１，２，・・・）の症例の画像所見項目のそれぞれに対して、ステップＳ６０１からステップＳ６０５までの処理を繰り返す。

ステップＳ６０１乃至ステップＳ６０７、及びステップＳ６１１は、学習用データの候補である少なくとも一つの症例のそれぞれに関して行われる処理であり、ステップＳ５０１で取得された症例の全てに対して行われる繰り返し処理である。

ステップＳ６０２乃至ステップＳ６０５、及びステップＳ６１１は、ｉ番目の症例に含まれる少なくとも一つの所見項目のそれぞれに関して行われる処理であり、当該少なくとも一つの所見項目の全てに対して行われる繰り返し処理である。

ステップＳ６０３において、学習用データ取得部３０５は、ｉ番目の症例の第１の画像所見がステップＳ５０１で取得されたか否かを判定する。取得された場合はステップＳ６０４に進み、取得されなかった場合はステップＳ６１１に進む。

ステップＳ６０４において、学習用データ取得部３０５は、ステップＳ５０１で取得された第１の画像所見を学習用データ４５１−ｉの画像所見群４５４に加える。

ステップＳ６１１において、学習用データ取得部３０５は、ステップＳ５０４で取得された第２の画像所見を学習用データ４５１−ｉの画像所見群４５４に加える。なお、ステップＳ６０２乃至ステップＳ６０５のループにおいて対象としている所見項目が第２の画像所見を取得しない所見項目の場合には、ステップＳ６１１の処理をスキップする。

ステップＳ６０２乃至ステップＳ６０５、及びステップＳ６１１の繰り返し処理が全ての所見項目で終了すると、ステップＳ６０６に進む。

ステップＳ６０６の処理において、学習用データ取得部３０５は、ステップＳ５０２で取得した確定診断を学習用データ４５１−ｉの確定診断４５８に加える。

ステップＳ６０１乃至ステップＳ６０７、及びステップＳ６１１の繰り返し処理が全ての症例に対して完了すると、図６に示す処理が終了する。

第１の実施形態に係る情報処理装置１０１によれば、第１の画像所見と第２の画像所見とに基づいて学習用データを取得することができる。特に、既存のデータに入力されている第１の画像所見に不足があった場合において、画像解析により取得された第２の画像所見で不足を補うことができる。第１の画像所見と第２の画像所見とに基づいて学習用データを取得し、それを機械学習に用いることで、ＣＡＤ装置１０２における推論の精度を向上させることができる。特に、第１の画像所見の不足があった場合において、当該不足のためにＣＡＤ装置１０２における推論の精度が低下することを防ぐことができる。

［第１の実施形態の変形例１］
学習用データの候補として用いる既存のデータを取得する方法は、上述した例に限らない。たとえば、症例の医用画像と、幾つかの所見項目に関する第１の画像所見と、最終的に診断された疾患名（確定診断）とを取得できる方法であれば、一つのデータからこれらの情報を取得してもよいし、対応する複数の情報からこれらの情報を取得してもよいし、いかなる方法でこれらの情報を取得してもよい。

たとえば、画像所見取得部３０２が読影レポート情報から第１の画像所見を取得する場合を例に説明したが、画像所見取得部３０２は電子カルテ情報から第１の画像所見を取得してもよいし、他の症例データベース（不図示）から情報を読み出して第１の画像所見を取得してもよいし、表示部（不図示）にユーザが第１の画像所見を入力するためのインタフェースを表示させ、ユーザが入力した情報を第１の画像所見として取得してもよい。

また、画像所見取得部３０２は、読影レポート情報が構造化されている場合、所定のフィールドから画像所見など必要な情報を取得してもよい。ここで、構造化された読影レポートとは、読影レポートとして記載されるべき項目とその内容とが予め定められた形式で記載されており、項目と当該項目の内容（すなわち当該項目の値）とが明示的に対応づけられている読影レポートである。構造化された読影レポートは、入力された項目間の関係性を示す情報が付与されていてもよい。構造化された読影レポートは、ＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）において規定されるＳＲ（Ｓｔｒｕｃｔｕｒｅｄ Ｒｅｐｏｒｔ）のように、予め定義されたコードにより読影レポートの構造や読影レポート内の情報の関連が表されてもよい。

また、確定診断取得部３０３は、最終的に診断された疾患名である確定診断を、病理検査の結果など、電子カルテ情報に付随する他の情報から取得してもよい。確定診断取得部３０３は、確定診断が本文中に自然文で記載されている場合は、形態素解析技術と構文解析技術、医療系の辞書を用いて取得してもよい。医師が診断する疾患名に関する情報が複数存在する場合には、その情報源に関する優先順位を予め定めておいてもよい。たとえば、確定診断取得部３０３が病理検査の結果に基づいて診断された疾患名を優先して確定診断として取得するようにしてもよい。また、確定診断取得部３０３は、電子カルテや読影レポートの内容から取得した情報の継時的な変化から確定診断を判定してもよい。たとえば確定診断取得部３０３は、肺結節のサイズが所定の期間で変化した度合いに応じて予め定められている疾患名を確定診断として取得してもよい。

［第１の実施形態の変形例２］
ステップＳ５０４で画像解析部３０４が第２の画像所見を取得する手法は、上述の例に限らない。たとえば、画像解析部３０４は画像特徴量に基づいて、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）やランダムフォレストといった機械学習の手法を用いて第２の画像所見を取得してもよい。

また、画像解析部３０４が事前に機械学習を行った分類器を用いて第２の画像所見を取得する場合を例に説明したが、画像解析部３０４は画像特徴量に基づくルールベース処理により第２の画像所見を取得してもよい。また、画像所見に変換可能な画像特徴量が予め設計されている場合には、画像解析部３０４は当該設計に基づいて画像特徴量から第２の画像所見を取得してもよい。画像解析部３０４は、第２の画像所見の取得方法をその所見項目ごとに適切な方法を用いてもよい。

［第１の実施形態の変形例３］
ステップＳ５０４において、画像解析部３０４は画像解析により取得できる全ての画像所見項目についての第２の画像所見を取得する場合を例に説明したが、本発明はこれに限らない。たとえば画像解析部３０４は、値が不足していても機械学習への影響が少ない所見項目についての第２の画像所見は取得しなくてもよい。また，画像解析部３０４は、ステップＳ５０１で第１の画像所見が取得できなかった所見項目に対応する第２の画像所見のみを取得してもよい。

［第２の実施形態］
第２の実施形態では、第１の実施形態と同様に、肺結節影に関する診断推論を行うＣＡＤ装置１０２の学習用データを取得する情報処理装置１０１について説明する。第２の実施形態に係る情報処理装置１０１は、第１の画像所見と第２の画像所見とに基づいて学習用データを選択する。特に、第１の画像所見と第２の画像所見とでその内容が異なる場合に情報処理装置１０１は、当該症例は学習用データとして信頼性の低い症例であると判定し、学習用データとして当該症例を選択しない。

第２の実施形態に係る情報処理装置１０１を含むシステム構成、情報処理装置１０１のハードウェア構成、機能構成、情報処理装置１０１により取得される各種の情報の構成、及び情報処理装置１０１により行われる処理はそれぞれ、図１、図２、図３、図４、図５を用いて説明した第１の実施形態と同様であるため、上述した説明を援用することによりここでの詳しい説明を省略する。また、特に断らない限り、第１の実施形態で説明した項目については、同一の番号を付すこととする。

図７は、図５に示すステップＳ５０５で学習用データ取得部３０５が学習用データを取得する処理の一例を示すフローチャートである。

ステップＳ６０１乃至ステップＳ６０７、及びステップＳ７０１乃至ステップＳ７２１は、学習用データの候補である少なくとも一つの症例のそれぞれに関して行われる処理であり、ステップＳ５０１で取得された症例の全てに対して行われる繰り返し処理である。

ステップＳ７０１乃至ステップＳ７２１は、ｉ番目の症例において取得された第１の画像所見のそれぞれに関して行われる処理であり、当該取得された第１の画像所見の所見項目の全てに対して行われる繰り返し処理である。

ステップＳ７０１において学習用データ取得部３０５は、ステップＳ５０１で取得した第１の画像所見とステップＳ５０４で取得した第２の画像所見とに基づいて、第１の画像所見を学習用データとして用いるか否かを判定する。具体的には、学習用データ取得部３０５は、第１の画像所見と第２の画像所見との比較に基づいて、第１の画像所見が学習用データとして妥当であるか否かを判定する。この観点において、学習用データ取得部３０５は判定手段の一例である。

たとえば学習用データ取得部３０５は、第１の画像所見と第２の画像所見との一致度が所定の基準を超えている場合には、第１の画像所見を学習用データとして用いると判定する。二つの画像所見の一致度は、たとえば画像所見の同義語、類義語、包含関係を定義したシソーラス辞書を用いて判定される。所定の基準は所見項目ごとに設定されてもよい。またたとえば、所定の基準をユーザが第２の画像所見の信頼性に基づいて予め設定してもよい。たとえば、第２の画像所見の信頼性が高い所見項目については一致度の基準を高く設定し、信頼性が低い所見項目については一致度の基準を低く設定できる。第２の画像所見の信頼性は、たとえば、正しいと考えられる所見が既にわかっている症例の医用画像を解析して得られた第２の画像所見の正答率等に基づいて評価される。なお、第２の画像所見を取得しない所見項目や、第２の画像所見の信頼性が所定値未満の所見項目については、ステップＳ７０１における判定を行わずに、ステップＳ７０２に処理を進めてもよい。第１の画像所見を学習用データに用いると判定された場合にはステップＳ７０２に進み、第１の画像所見を学習用データに用いないと判定された場合にはステップＳ７１１に進む。

ステップＳ７１１において学習用データ取得部３０５は、当該ループにおいて処理の対象である症例を、診断推論の学習用データとして用いないように制御する。具体的には、学習用データ取得部３０５は当該症例を学習用データ４５１−ｉ（ｉ＝１，２，・・・）に追加しない。

ステップＳ７０２において学習用データ取得部３０５は、ステップＳ５０１で取得された第１の画像所見を学習用データ４５１−ｉの画像所見群４５４に追加する。なお、学習用データ取得部３０５は、第２の画像所見の信頼性が所定値以上の所見項目については、第１の画像所見の代わりに第２の画像所見を学習用データに追加してもよい。

なお、第２の実施形態では、第１の画像所見と第２の画像所見との一致度に基づいて第１の画像所見を学習用データとして用いるか否かを判定する場合を例に説明したが、たとえば一致度に応じて当該症例の学習の重みを設定して第１の画像所見と第２の画像所見とを学習用データに用いてもよい。

第２の実施形態に係る情報処理装置１０１によれば、読影レポートや電子カルテ等に記載された情報と、医用画像を解析することにより取得された情報とに基づいて、学習用データとして用いる情報を選択的に取得することができる。具体的には、情報処理装置１０１は第１の画像所見と、第２の画像所見との一致度に基づいて、ある症例の情報を学習用データとして用いるか否かを判別して選択することができる。これにより、たとえば読影レポートに誤記等を含む症例や、読影レポートから情報を取得できなかった症例等を学習用データとして用いないように制御することができる。学習用データとして用いるか否かを判定することにより、当該学習用データを用いた機械学習によるＣＡＤの推論精度を向上することができる。

［第３の実施形態］
第３の実施形態では、第１の実施形態と同様に、肺結節影に関する診断推論を行うＣＡＤ装置１０２の学習用データを取得する情報処理装置１０１について説明する。第３の実施形態に係る情報処理装置１０１は、第１の画像所見と第２の画像所見とに基づいて学習用データを選択する。特に、第１の画像所見をデータベースから取得できなかった場合には、情報処理装置１０１は当該症例の医用画像から取得した第２の画像所見を学習用データとして用いる。

第３の実施形態に係る情報処理装置１０１を含むシステム構成、情報処理装置１０１のハードウェア構成、機能構成、情報処理装置１０１により取得される各種の情報の構成、及び情報処理装置１０１により行われる処理はそれぞれ、図１、図２、図３、図４、図５を用いて説明した第１の実施形態と同様であるため、上述した説明を援用することによりここでの詳しい説明を省略する。また、特に断らない限り、第１の実施形態で説明した項目については、同一の番号を付すこととする。

図８は、図５に示すステップＳ５０５で学習用データ取得部３０５が学習用データを取得する処理の一例を示すフローチャートである。

ステップＳ６０１乃至ステップＳ６０７、及びステップＳ７０１乃至ステップＳ７１１は、学習用データの候補である少なくとも一つの症例のそれぞれに関して行われる処理であり、ステップＳ５０１で取得された症例の全てに対して行われる繰り返し処理である。

ステップＳ７０１乃至ステップＳ７１１は、ｉ番目の症例において取得された第１の画像所見のそれぞれに関して行われる処理であり、所見項目の全てに対して行われる繰り返し処理である。

学習用データ取得部３０５は、ｉ番目の症例の第１の画像所見が取得できたか否かを判定し（ステップＳ６０３）、第１の画像所見が取得できなかった場合（ステップＳ６０３でＮｏ）、当該症例の医用画像を解析して取得した第２の画像所見を学習用データとして用いる（ステップＳ６１１）。一方、第１の画像所見が取得できた場合（ステップＳ６０３でＹｅｓ）、学習用データ取得部３０５は当該第１の画像所見を学習用データとして用いるか否かを判定し（ステップＳ７０１）、当該第１の画像所見を学習用データとして用いると判定された場合には当該第１の画像所見又は第２の画像所見の何れか一方を学習用データとして用いる（ステップＳ７０２）。当該第１の画像所見を学習用データとして用いないと判定された場合（ステップＳ７０１でＮｏ）、学習用データ取得部３０５はｉ番目の症例を学習用データとして用いない（ステップＳ７１１）。ｉ番目の症例を学習用データとして用いる場合、学習用データ取得部３０５は当該症例の診断された疾患名である確定診断を学習用データに追加し、学習用データＤＢ３０６に保存する（ステップＳ６０６）。

なお、第３の実施形態では、第１の画像所見と第２の画像所見とに基づいて第１の画像所見を学習用データに用いるか否かを判定する場合を例に説明したが、判定された結果に応じて当該症例の学習の重みを設定し、第１の画像所見と第２の画像所見とを学習に用いてもよい。

第３の実施形態に係る情報処理装置１０１によれば、第１の画像所見と第２の画像所見とに基づいて学習用データを取得することができる。特に、既存のデータに入力されている第１の画像所見に不足があった場合において、画像解析により取得された第２の画像所見で不足を補うことができる。また、読影レポートや電子カルテ等に記載された情報と、医用画像を解析することにより取得された情報とに基づいて、学習用データとして用いる情報を選択的に取得することができる。これにより、情報処理装置１０１により取得された学習用データを用いた機械学習によるＣＡＤの推論精度を向上することができる。

［第４の実施形態］
第４の実施形態では、第１の実施形態と同様に、肺結節影に関する診断推論を行うＣＡＤ装置１０２の学習用データを取得する情報処理装置１０１について説明する。第４の実施形態に係る情報処理装置１０１は、ある所見項目に関する画像所見が読影レポート等の情報から取得できなかった場合に、その所見項目の重要度に応じて、当該症例の画像から取得した画像所見を用いるか、当該症例を学習対象から除外するかを切り替える。

第４の実施形態に係る情報処理装置１０１を含むシステム構成、情報処理装置１０１のハードウェア構成、機能構成、情報処理装置１０１により取得される各種の情報の構成、及び情報処理装置１０１により行われる処理はそれぞれ、図１、図２、図３、図４、図５を用いて説明した第１の実施形態と同様であるため、上述した説明を援用することによりここでの詳しい説明を省略する。また、特に断らない限り、第１の実施形態で説明した項目については、同一の番号を付すこととする。

第４の実施形態に係る情報処理装置１０１の学習用データ取得部３０５は、重要度取得部（不図示）を備える。重要度取得部（不図示）は、図９に例示する所見項目重要度定義情報群９００（以下、情報群９００と称する。）といった、所見項目ごとに予め定義された情報に基づいて、所見項目の重要度を判定する。

図９は、情報群９００の構成の一例を示す図である。情報群９００は、１つ以上の所見項目重要度定義情報（以下、定義情報と称する。）９０１−１、９０１−２、・・・を含む。定義情報９０１−ｉ（ｉ＝１，２，・・・）は、診断９０２、所見項目重要度群（以下、重要度群と称する。）９０３の各情報を含む。重要度群９０３は、病変９０４、大きさ重要度９０５、形状重要度９０６、石灰化濃度比重要度９０７、散布巣重要度９０８、・・・といった、それぞれの所見項目に対する重要度を示す各情報を含む。たとえばそれぞれの重要度を示す情報は予め定義された「高」、「中」、「低」の何れかの値を取る。重要度を示す情報は、ユーザが所定の範囲内で指定する任意の値であってもよいし、重要であるか否かを２値で表してもよい。たとえば重要度を示す情報は「５」、「４」、「３」、「２」、「１」、「０」の６値などの離散値のいずれかの値であってもよいし、「０．０」から「１．０」までの範囲における任意の実数値などの連続値であってもよい。

図１０は、図５に示すステップＳ５０５で学習用データ取得部３０５が学習用データを取得する処理の一例を示すフローチャートである。

ステップＳ６０１乃至ステップＳ６１１、ステップＳ７１１、及びステップＳ１００１乃至ステップＳ１００２は、学習用データの候補である少なくとも一つの症例のそれぞれに関して行われる処理であり、ステップＳ５０１で取得された症例の全てに対して行われる繰り返し処理である。

ステップＳ６０２乃至ステップＳ６０５、ステップＳ６１１、ステップＳ７１１、及びステップＳ１００１乃至ステップＳ１００２は、ｉ番目の症例において取得された第１の画像所見のそれぞれに関して行われる処理であり、所見項目の全てに対して行われる繰り返し処理である。

学習用データ取得部３０５は、ｉ番目の症例の第１の画像所見が取得できたか否かを判定する（ステップＳ６０３）。第１の画像所見が取得できなかった場合、ステップＳ１００１に進む。

ステップＳ１００１において重要度取得部（不図示）は、情報群９００を参照して画像所見の所見項目に対して予め定義されている重要度を示す情報である重要度Ｒを取得する。

ステップＳ１００２において重要度取得部（不図示）は、当該所見項目の重要度が高いか否かを判定する。具体的には、重要度取得部（不図示）はたとえば重要度Ｒの値が「高」であるか否かを判定する。重要度Ｒが「高」の場合、学習用データ取得部３０５はｉ番目の症例を学習用データとして用いない（ステップＳ７１１）。一方、重要度Ｒが「高」でない場合（Ｓ１００２のＮｏ）、当該症例の医用画像を解析して取得した第２の画像所見を学習用データとして用いる（ステップＳ６１１）。

ｉ番目の症例を学習用データとして用いる場合、学習用データ取得部３０５は当該症例の診断された疾患名である確定診断を学習用データに追加し、学習用データＤＢ３０６に保存する（ステップＳ６０６）。

なお、上述の例では図９に例示した情報群９００を予め定めておく場合を例に説明したが、疾患名を推論した結果に応じて情報群９００を予め定め、また更新してもよい。たとえば、ユーザまたは重要度取得部（不図示）またはＣＡＤ装置１０２またはその他の制御部（不図示）は、「肺癌」の症例で且つ「肺癌」と診断推論される複数の症例に対して石灰化濃度比の画像所見のみを「高」、「中」、「低」、「なし」と変えて診断推論を行い、推論結果が「肺癌」以外に変化した症例の割合に基づき石灰化濃度比の重要度Ｒを決定してもよい。たとえば変化した症例の割合が３０％未満なら「低」、３０％以上で７０％未満ならば「中」、７０％以上ならば「高」とする。すなわち、前記割合が７０％以上の場合は、所見取得における誤差が診断推論の学習に与える影響が大きいと仮定し、上述のステップＳ１００２とステップＳ７１１の処理において、取得した症例を学習には用いないよう制御される。新規の症例に対してＣＡＤ装置１０２で行われた結果に基づいて情報群９００が更新されてもよい。たとえば、新規の症例において入力されているある所見項目の値を「Ｎｕｌｌ」に置き換えて推論を行った場合に、推論される疾患名が変化したり、所定の基準以上に疾患名に対する推論確率が変化したりする所見項目の重要度が高く設定されるようにしてもよい。

また、第４の実施形態では、重要度Ｒを診断毎に定義する例を説明したが、重要度Ｒは所見項目毎に定義されてもよいし、症状など診断に関わる他の臨床情報に対応付けて定義されてもよい。また、ステップＳ１００２で重要度Ｒが「０」である場合のように、すなわち画像所見の値が当該診断の推論と独立であることが明らかな場合は、画像所見の値が空であっても、任意の値であってもよい。

第４の実施形態に係る情報処理装置１０１によれば、第１の画像所見と第２の画像所見とに基づいて学習用データを取得することができる。特に情報処理装置１０１は、既存のデータに入力されている第１の画像所見に不足があった場合において、画像解析により取得された第２の画像所見で不足を補うことができる。また情報処理装置１０１は、重要度が高い所見項目に不足がある場合にはその症例を学習用データとして用いないようにすることができる。これにより、ＣＡＤ装置１０２の推論で用いられる機械学習を精度よく行うことができる。

［第５の実施形態］
第５の実施形態では、第１の実施形態と同様に、肺結節影に関する診断推論を行うＣＡＤ装置１０２の学習用データを取得する情報処理装置１０１について説明する。第５の実施形態に係る情報処理装置１０１は、医用画像を解析することにより得られた第２の画像所見に関する確信度に応じて、第１の画像所見と第２の画像所見とを用いて学習用データを取得する。

第５の実施形態に係る情報処理装置１０１を含むシステム構成、情報処理装置１０１のハードウェア構成、機能構成、情報処理装置１０１により取得される各種の情報の構成、及び情報処理装置１０１により行われる処理はそれぞれ、図１、図２、図３、図４、図５を用いて説明した第１の実施形態と同様であるため、上述した説明を援用することによりここでの詳しい説明を省略する。また、特に断らない限り、第１の実施形態で説明した項目については、同一の番号を付すこととする。

第５の実施形態に係る情報処理装置１０１の学習用データ取得部３０５は、重要度取得部（不図示）と確信度取得部（不図示）とを備える。確信度取得部（不図示）は、画像所見取得部３０４で取得された第２の画像所見がどの程度確かであるのかを示す確信度Ｃを取得する。

図１１は、図５に示すステップＳ５０５で学習用データ取得部３０５が学習用データを取得する処理の一例を示すフローチャートである。

ステップＳ６０１乃至ステップＳ６１１、ステップＳ７０１乃至ステップＳ７１１、ステップＳ１００１、及びステップＳ１１０１乃至ステップＳ１１３１は、学習用データの候補である少なくとも一つの症例のそれぞれに関して行われる処理であり、ステップＳ５０１で取得された症例の全てに対して行われる繰り返し処理である。

ステップＳ６０２乃至ステップＳ６０５、ステップＳ６１１、ステップＳ７０１乃至ステップＳ７０２、及びステップＳ１１２１乃至ステップＳ１１３１は、ｉ番目の症例において取得された第１の画像所見のそれぞれに関して行われる処理であり、所見項目の全てに対して行われる繰り返し処理である。

ステップＳ１１０１の処理において、確信度取得部（不図示）は、ステップＳ５０４で取得された第２の画像所見の取得の確信度Ｃを判定する。確信度Ｃはたとえば、画像所見取得部３０４で用いる分類器が出力する分類の確率に基づき取得される値であり、ここでは、ＣＮＮの出力層で用いられるｓｏｆｔｍａｘ関数の出力値に基づくこととする。たとえば確信度Ｃは、ｓｏｆｔｍａｘ関数の出力値が０．５未満ならば「低」、０．５以上で０．８未満ならば「中」、０．８以上ならば「高」とする。

重要度取得部（不図示）はステップＳ１１０１で確信度Ｃを取得した所見項目に関する重要度Ｒを取得する（ステップＳ１００１）。学習用データ取得部３０５は、当該所見項目に関して第１の画像所見が取得できたか否かを判定し（ステップＳ６０３）、第１の画像所見を取得できなかった場合（Ｓ６０３でＮｏ）、ステップＳ１１３１に進む。

ステップＳ１１３１において学習用データ取得部３０５は、重要度Ｒと確信度Ｃとに応じて第２の画像所見を学習用データとして用いるか否かを判定する。具体的には、学習用データ取得部３０５はたとえば、重要度Ｒが「高」であり且つ確信度Ｃが「高」である、又は、重要度Ｒが「中」以下且つ確信度Ｃが「中」以上であるか否かを判定する。ステップＳ１１３１の判定結果が真の場合（Ｓ１１３１でＹｅｓ）、当該症例の医用画像を解析して取得した第２の画像所見を学習用データとして用いる（ステップＳ６１１）。一方、ステップＳ１１３１の判定結果が偽の場合（Ｓ１１３１でＮｏ）、学習用データ取得部３０５はｉ番目の症例を学習用データとして用いない（ステップＳ７１１）。

ステップＳ６０３において第１の画像所見を取得できたと判定された場合、学習用データ取得部３０５は第１の画像所見を学習用データとして用いるか否かを判定する（ステップＳ７０１）。第１の画像所見を学習用データとして用いないと判定された場合（ステップＳ７０１でＮｏ）、ステップＳ１１２１に進む。

ステップＳ１１２１において学習用データ取得部３０５が行う判定に関する処理はステップＳ１１３１における判定に関する処理と同様である。上述した説明を援用することによりここでの詳しい説明を省略する。ステップＳ１１２１の判定結果が真の場合（Ｓ１１２１でＹｅｓ）、当該症例の医用画像を解析して取得した第２の画像所見を学習用データとして用いる（ステップＳ６１１）。一方、ステップＳ１１２１の判定結果が偽の場合（Ｓ１１２１でＮｏ）、学習用データ取得部３０５は、ステップＳ５０１で取得された第１の画像所見を学習用データ４５１−ｉの画像所見群４５４に加える（ステップＳ６０４）。

ｉ番目の症例に関してすべての所見項目について上述の処理を完了し、ｉ番目の症例を学習用データとして用いる場合、学習用データ取得部３０５は当該症例の診断された疾患名である確定診断を学習用データに追加し、学習用データＤＢ３０６に保存する（ステップＳ６０６）。

なお、画像所見取得部３０４の分類器が機械学習により取得された場合、確信度取得部（不図示）は第２の画像所見が取得された医用画像と当該分類器の機械学習に用いられた医用画像との類似性が高い場合に、当該第２の画像所見の所見項目に関して高い確信度Ｃを取得してもよい。また確信度取得部（不図示）は、大きさや濃度など画像から得られる定量値に対応する所見項目に関して、高い確信度Ｃを取得してもよい。また確信度取得部（不図示）は、予め所見項目毎に設定された確信度を取得してもよい。また確信度取得部（不図示）は、正解となる画像所見が既知である症例における、画像解析で得られた画像所見の正答率に基づいて確信度Ｃを取得してもよい。

第５の実施形態に係る情報処理装置１０１によれば、第１の画像所見と第２の画像所見とに基づいて学習用データを取得することができる。特に情報処理装置１０１は、既存のデータに入力されている第１の画像所見に不足があった場合において、画像解析により取得された第２の画像所見で不足を補うことができる。また情報処理装置１０１は、第１の画像所見を取得できず、それに対応する第２の画像所見の確信度が高くない場合には、当該症例を学習用データとして用いないようにすることができる。また情報処理装置１０１は、第１の画像所見を取得でき、第２の画像所見の確信度Ｃが高くない場合については第１の画像所見を学習用データとして用いるようにすることができる。また情報処理装置１０１は、所見項目の重要度が高い場合には、画像解析の確信度が高い症例を選択的に学習用データとして用いるようにすることができる。これにより、ＣＡＤ装置１０２の推論で用いられる機械学習を精度よく行うことができる。

［変形例］
上述の実施形態においてＣＡＤ装置１０２が肺結節と胸部の疾患とに関する推論を行う場合を例に説明したが、本発明はこれに限らない。たとえばＣＡＤ装置１０２は肺結節以外の他の部位や他の疾患に関する推論を行う装置であってもよい。またＣＡＤ装置１０２は、疾患に関する推論に限られず、治療方針や類似症例に関する推論を行う装置であってもよい。

上述の実施形態において、たとえば読影レポートから取得した第１の画像所見と、医用画像の画像特徴量に基づいて取得した第２の画像所見とに基づいて学習用データを取得する場合を例に説明したが、本発明はこれに限らない。ＣＡＤ装置１０２は医用画像の画像特徴量を入力として当該医用画像に描出される病態の疾患名を推論する構成であってもよい。その場合ＣＡＤ装置１０２の推論器の学習用データとなる症例は画像所見に加えて、または画像所見に代えて画像特徴量を含んでいてもよい。

ＣＡＤ装置１０２が画像特徴量を入力として疾患名を推論する構成である場合に、情報処理装置１０１が学習用データを取得する例を説明する。情報処理装置１０１は過去に疾患名が診断された症例に含まれる医用画像を解析することにより第１の画像特徴量を取得する。ここで第１の画像特徴量は第１の情報の一例である。しかしながら、解析の対象として情報処理装置１０１に入力された医用画像の状態により第１の画像特徴量を適切に把握できない場合が考えられる。ここで医用画像の状態とはたとえば、医用画像の画質や大きさ、医用画像が描出する被検体の範囲である。たとえば情報処理装置１０１に入力された医用情報が被検体の肺を含まないために、肺結節に関する推論を行うための画像特徴量を取得できない場合がある。情報処理装置１０１は上述の実施形態と同様の思想により、たとえば第１の画像特徴量の値や、画像特徴量の種類に関して予め定められている重要度に基づいて第１の画像特徴量を学習用データとして用いるか否かを選択する。第１の画像特徴量を学習用データとして用いない場合に、情報処理装置１０１は第２の画像特徴量を取得する。ここで第２の画像特徴量は第２の情報の一例である。情報処理装置１０１はたとえば、第１の画像特徴量と対応する種類の画像特徴量を取得するのに適切な状態に当該医用画像を加工したり、当該加工の程度を第１の画像特徴量の取得時よりも強めたりしたうえで再度解析を行い、取得された画像特徴量を第２の画像特徴量とする。別の例では、情報処理装置１０１は第１の画像特徴量と対応する種類の画像特徴量を、第１の画像特徴量を取得したのとは異なるアルゴリズムにより取得し第２の画像特徴量とする。

ＣＡＤ装置１０２が画像特徴量を入力として疾患名を推論する構成である場合にも、情報処理装置１０１は上述の第１の実施形態乃至第５の実施形態と同様にして第１の情報と第２の情報とに基づいて学習用データを取得することができる。情報処理装置１０１またはＣＡＤ装置１０２の少なくともいずれかに、ＣＡＤ装置１０２に入力された症例に対する疾患名の推論の根拠をユーザに提示する提示部（不図示）を備えていてもよい。また、ＣＡＤ装置１０２に入力された医用画像の画像特徴量を画像所見に変換する変換部（不図示）を情報処理装置１０１またはＣＡＤ装置１０２に備えてもよい。提示部（不図示）は、変換部（不図示）により画像特徴量から画像所見に変換された情報を推論の根拠としてユーザに提示してもよい。

上述の実施形態のように第１の情報と第２の情報とを比較する場合であって、第１の情報と第２の情報とがともに画像特徴量である場合には、上述の比較の例に加えて、さらに画像特徴量に関する疫学データやビッグデータを利用して比較してもよい。たとえば、ある症例において患者の年齢や性別や既往歴といった情報から画像特徴量の値の範囲を定め、情報処理装置１０１は当該範囲に基づいて第１の情報と第２の情報とのいずれか学習用データとして適切かを判定してもよい。

上述の実施形態においては読影レポートといった情報から取得された第１の画像所見（第１の情報）と、医用画像を解析することにより取得された第２の画像所見（第２の情報）とに基づいて学習用データを取得する場合を例に説明したが、本発明はこれに限らない。たとえば、第１の情報と第２の情報との少なくともいずれか一方は、読影レポートや電子カルテといった情報に含まれる、画像所見以外の情報であってもよい。読影レポートや電子カルテといった情報に含まれる画像所見以外の情報とは、たとえば患者の年齢や性別といった情報である。また、第１の画像所見と第２の画像所見とに加えて、さらに当該画像所見以外の情報に基づいて学習用データを取得してもよい。たとえば学習用データ取得部３０５は、患者の年齢や性別に鑑みて信頼度が低いと考えられる第１の情報又は第２の情報を学習用データとして用いないようにしてもよい。

また、学習用データ取得部３０５は同一の患者の複数の時点で取得された複数の情報に基づいて、第１の情報や第２の情報を学習用データとして用いるか否かを判定してもよい。すなわち情報処理装置１０１は、特定の患者の時系列情報と、第１の情報と第２の情報とに基づいて学習用データを取得してもよい。学習用データ取得部３０５は既知の症例の時系列情報と、学習用データの候補となる症例の時系列情報とを取得する。たとえば所見項目「大きさ」に関して、既知の症例の時系列情報に鑑みて肺結節の大きさが大きくなる可能性が高い場合を例に考える。情報処理装置１０１は学習用データの候補となる症例に関して取得された「大きさ」の画像所見を、当該候補の症例において取得された画像所見（第１の情報及び第２の情報）と、当該候補の症例において過去に取得された画像所見とを比較する。当該候補の症例において取得された画像所見が過去の画像所見よりも肺結節が小さくなっていることを示している場合には、当該候補の症例において取得された画像所見の妥当性を低く判定する。

本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（たとえば、ＡＳＩＣ）によっても実現可能である。

本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

上述の各実施形態における情報処理装置は、単体の装置として実現してもよいし、複数の装置を互いに通信可能に組合せて上述の処理を実行する形態としてもよく、いずれも本発明の実施形態に含まれる。共通のサーバ装置あるいはサーバ群で、上述の処理を実行することとしてもよい。情報処理装置および情報処理システムを構成する複数の装置は所定の通信レートで通信可能であればよく、また同一の施設内あるいは同一の国に存在することを要しない。

本発明の実施形態には、前述した実施形態の機能を実現するソフトウェアのプログラムを、システムあるいは装置に供給し、そのシステムあるいは装置のコンピュータが該供給されたプログラムのコードを読みだして実行するという形態を含む。

したがって、実施形態に係る処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明の実施形態の一つである。また、コンピュータが読みだしたプログラムに含まれる指示に基づき、コンピュータで稼働しているＯＳなどが、実際の処理の一部又は全部を行い、その処理によっても前述した実施形態の機能が実現され得る。

上述の実施形態を適宜組み合わせた形態も、本発明の実施形態に含まれる。

Claims (10)

1. 患者の症例の特徴に関する情報であって、前記患者を診断することにより得られた情報である症例情報を取得する第１の取得手段と、
   前記症例情報に含まれる情報である第１の情報に基づいて、前記症例情報を機械学習のための学習用データとして用いるか否かを判定する判定手段と、
   を有することを特徴とする情報処理装置。
2. 前記症例情報を解析することにより、前記患者の症例の特徴に関する情報であって、前記診断において取得されなかった情報である第２の情報を取得する第２の取得手段をさらに有し、
   前記判定手段は、前記第１の情報と前記第２の情報とに基づいて、前記第１の情報を前記学習用データとして用いるか否かを判定することを特徴とする請求項１に記載の情報処理装置。
3. 前記判定手段は、前記第１の情報と、前記第１の情報の項目に関して前記取得された前記第２の情報とが異なる場合に、前記症例情報を前記学習用データとして用いないと判定することを特徴とする請求項２に記載の情報処理装置。
4. 前記判定手段は、前記第１の情報と、前記第１の情報の項目に関して前記取得された前記第２の情報との一致度に基づいて、前記症例情報を前記学習用データとして用いるか否かを判定することを特徴とする請求項２に記載の情報処理装置。
5. 前記判定手段は、前記第１の情報の項目に関して前記取得された前記第２の情報の信頼性に基づいて、前記第１の情報と前記第２の情報の何れを前記学習用データとして用いるかを判定することを特徴とする請求項１乃至請求項４のいずれか１項に記載の情報処理装置。
6. 前記判定手段は、前記第１の情報の項目の診断における重要度に基づいて、前記症例情報を前記学習用データとして用いるか否かを判定することを特徴とする請求項１乃至請求項５のいずれか１項に記載の情報処理装置。
7. 前記判定手段により前記症例情報を前記学習用データとして用いると判定された場合に、前記症例情報を前記学習用データとして取得する第３の取得手段をさらに有することを特徴とする請求項１乃至請求項６のいずれか１項に記載の情報処理装置。
8. 患者の症例の特徴に関する情報であって、前記患者を診断することにより得られた情報である症例情報を取得する第１の取得手段と、
   前記症例情報に含まれる情報である第１の情報に基づいて、前記症例情報を機械学習のための学習用データとして用いるか否かを判定する判定手段と、
   を有することを特徴とする情報処理システム。
9. 患者の症例の特徴に関する情報であって、前記患者を診断することにより得られた情報である症例情報を取得する工程と、
   前記症例情報に含まれる情報である第１の情報に基づいて、前記症例情報を機械学習のための学習用データとして用いるか否かを判定する工程と、
   を有することを特徴とする情報処理方法。
10. 請求項９に記載の情報処理方法をコンピュータに実行させるためのプログラム。

Images