JP2020042659A - 認知症予測装置、予測モデル生成装置および認知症予測用プログラム - Google Patents

Abstract

【課題】認知症の重症度を繰り返し測定する場合でも、患者による練習効果を排除した測定結果を得ることができるようにする。【解決手段】認知症の重症度が既知であるｍ人の患者が行った自由会話の内容を表すｍ個の文章からｎ個の単語を抽出し、ｍ個の文章およびｎ個の単語間の関係性を反映した関係性指標値を算出する関係性指標値算出部１００Ａと、１つの文章についてｎ個の関係性指標値から成る文章指標値群をもとに認知症の重症度を予測するための予測モデルを生成する予測モデル生成部１４Ａと、予測用データ入力部２０により入力される文章から関係性指標値算出部１００Ａにより算出される関係性指標値を予測モデルに適用することにより、予測対象の文章から患者の認知症の重症度を予測する認知症予測部２１Ａとを備え、ミニメンタルステート検査を行うことなく認知症の重症度を予測できるようにする。【選択図】図１

Description

本発明は、認知症予測装置、予測モデル生成装置および認知症予測用プログラムに関し、特に、患者の認知症の重症度（患者が認知症に罹っている可能性を含む）を予測する技術および、この予測に用いる予測モデルを生成する技術に関するものである。

認知症は人口の高齢化とともに増加の一途をたどり、医療の問題のみならず大きな社会課題となっている。認知症の治療に際して、認知症の早期発見および重症度の評価は非常に重要である。現在、認知症のスクリーニング検査や重症度の評価にミニメンタルステート検査（Mini Mental State Examination：ＭＭＳＥ）が日常臨床で広く用いられている。ＭＭＳＥは、見当識、記憶力、注意力（計算力）、言語的能力、構成力（図形的能力）などを見る１１項目３０点満点の質問からなる認知機能検査である。３０点中、２７点以下は軽度認知障害（Mild Cognitive Impairment：ＭＣＩ）の疑い、２３点以下は認知症の疑いがあるなどとされる。

従来、ＭＭＳＥの評価項目ごとに評価を行って認知症の罹患可能性を判定し、その判定結果に基づいて介護支援を行うシステムが知られている（例えば、特許文献１参照）。特許文献１に記載のシステムでは、被介護者の身体的または精神的健康状態をＭＭＳＥにより調査し、その調査結果から被介護者の健康状態の評価を行う。そして、被介護者の健康状態の評価に応じて音声または映像を作成して介護者に配信し、介護者がその配信された音声または映像に基づいて被介護者を介護する。その後、被介護者の身体的または精神的健康状態を再調査して被介護者の健康状態の再評価を行う。調査に関しては、記憶障害、見当識、ＡＤＬ（日常作業動作能力）、身体機能の４項目の観点から行うことが記載されている。

特開２００２−２５１４６７号公報

ＭＭＳＥは、再現性の高いテストとして広く知られている。しかしながら、同じ患者に対してテストを複数回行うと、その練習効果によって患者が質問の内容を記憶してしまい、正確な得点が計測できなくなる。そのため、認知症の重症度を頻繁に測定することが難しいという問題があった。上記した特許文献１に記載のシステムは、このようにＭＭＳＥが繰り返しの使用に不向きであるといった問題は何ら考慮されていない。

本発明は、このような問題を解決するために成されたものであり、認知症の重症度を繰り返し測定する場合でも、患者による練習効果を排除した測定結果を得ることができるようにすることを目的とする。

上記した課題を解決するために、本発明の認知症予測装置では、認知症の重症度が既知である複数人の患者が行った自由会話の内容をそれぞれ表した複数の文章を学習用データとして入力し、当該入力された複数の文章を形態素解析して複数の分解要素を抽出し、複数の文章をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成る複数の文章ベクトルを算出するとともに、複数の分解要素をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成る複数の要素ベクトルを算出し、さらに、複数の文章ベクトルと複数の要素ベクトルとの内積をそれぞれとることにより、複数の文章および複数の分解要素間の関係性を反映した関係性指標値を算出する。そして、１つの文章について複数の関係性指標値から成る文章指標値群をもとに認知症の重症度を予測するための予測モデルを生成するようにしている。予測対象とする患者について認知症の重症度を予測する際には、予測対象とする患者が行った自由会話の内容を表した文章を予測用データとして入力し、当該入力した予測用データに対して要素抽出、文章ベクトル算出、要素ベクトル算出および指標値算出の各処理を実行することによって得られる関係性指標値を予測モデルに適用することにより、予測対象とする患者の認知症の重症度を予測するようにしている。

上記のように構成した本発明によれば、患者が行った自由会話を解析することによって認知症の重症度が予測されるので、ミニメンタルステート検査（ＭＭＳＥ）を行う必要がない。このため、認知症の重症度を繰り返し測定する場合でも、患者による練習効果を排除した測定結果（予測結果）を得ることができる。特に、患者が認知症に罹っていると、認知症に特有の会話特徴が自由会話の中に見られるようになり、このような会話特徴が反映された状態で関係性指標値が算出され、当該関係性指標値を用いて予測モデルが生成されるので、患者が行った自由会話から認知症の重症度を予測することができる。

第１の実施形態による認知症予測装置の機能構成例を示すブロック図である。 第１の実施形態による文章指標値群の説明図である。 第１の実施形態による認知症予測装置の動作例を示すフローチャートである。 第２の実施形態による認知症予測装置の機能構成例を示すブロック図である。 第２の実施形態による品詞抽出部の処理内容を例示する図である。 第２の実施形態による品詞抽出部が抽出する品詞の例を示す図である。 第３の実施形態による認知症予測装置の機能構成例を示すブロック図である。 第３の実施形態による予測モデル生成部の処理内容を例示する図である。 第４の実施形態による認知症予測装置の機能構成例を示すブロック図である。 第４の実施形態による認知症予測装置の機能構成例を示すブロック図である。 第５の実施形態による認知症予測装置の機能構成例を示すブロック図である。 認知症予測装置の変形例を示すブロック図である。

（第１の実施形態）
以下、本発明による第１の実施形態を図面に基づいて説明する。図１は、第１の実施形態による認知症予測装置の機能構成例を示すブロック図である。第１の実施形態による認知症予測装置は、その機能構成として、学習用データ入力部１０、単語抽出部１１Ａ、ベクトル算出部１２Ａ、指標値算出部１３Ａ、予測モデル生成部１４Ａ、予測用データ入力部２０および認知症予測部２１Ａを備えて構成されている。ベクトル算出部１２Ａは、より具体的な機能構成として、文章ベクトル算出部１２１および単語ベクトル算出部１２２を備えている。また、本実施形態の認知症予測装置は、記憶媒体として、予測モデル記憶部３０Ａを備えている。なお、以下の説明の便宜上、単語抽出部１１Ａ、ベクトル算出部１２Ａおよび指標値算出部１３Ａで構成される部分を関係性指標値算出部１００Ａと称する。

関係性指標値算出部１００Ａは、文章に関する文章データを入力し、文章とその中に含まれる単語との関係性を反映した関係性指標値を算出して出力するものである。また、本実施形態の認知症予測装置は、患者が行った自由会話の内容を表した文章を関係性指標値算出部１００Ａが解析し、それによって算出される関係性指標値を利用して、患者による自由会話の内容から患者の認知症の重症度を予測するものである。なお、学習用データ入力部１０、関係性指標値算出部１００Ａおよび予測モデル生成部１４Ａにより、本発明の予測モデル生成装置が構成される。

本明細書において「文章」とは、一般的に句点で区切られる１つの文（センテンス）を２つ以上含んだものをいう。特に、本明細書では、医師と患者との間で行われる一連の自由会話（対話の連続）の中で患者が発話した複数回の発言内容（複数の文に相当）をまとめて１つの文章（テキスト）として扱う。すなわち、一人の患者の１回の自由会話（一連の対話）に対して、複数の文を含む１つの文章が定義される。

図１に示す各機能ブロックは、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロックは、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。

学習用データ入力部１０は、認知症の重症度が既知であるｍ人（ｍは２以上の任意の整数）の患者が行った自由会話の内容をそれぞれ表したｍ個の文章を学習用データとして入力する。例えば、学習用データ入力部１０は、あらかじめトレーニングされた医師によりＭＭＳＥのスコアが付与された患者と医師との間で行われた自由会話の音声を文字データに置換して、当該文字データに含まれる患者の発話部分の文章を学習用データとして入力する。この場合、患者について既知である認知症の重症度とは、ＭＭＳＥのスコアの値であることを意味する。学習用データ入力部１０は、ｍ人の患者の自由会話のそれぞれから取得されるｍ個の文章を複数の学習用データとして入力する。

患者と医師との間の自由会話は、例えば、５〜１０分程度の問診形式で行う。すなわち、医師が患者に対して質問し、患者がその質問に対して答えるといった形式の対話を繰り返し行う。そして、そのときの対話をマイクより入力して録音し、人手による書き起こし、または自動音声認識技術を用いて、一連の対話（自由会話）の音声を文字データに置換する。この文字データのうち、患者による発話部分のみを抽出して学習用データとする。なお、自由会話の音声を文字データに置換するときに、患者による発話部分のみを文字データに置換するようにしてもよい。

単語抽出部１１Ａは、特許請求の範囲の「要素抽出部」の一例であり、学習用データ入力部１０により学習用データとして入力されたｍ個の文章を解析し、当該ｍ個の文章からｎ個（ｎは２以上の任意の整数）の単語（特許請求の範囲の分解要素に相当）を抽出する。文章の解析方法としては、例えば、公知の形態素解析を用いることが可能である。ここで、単語抽出部１１Ａは、形態素解析によって分割される全ての品詞の形態素を単語として抽出するようにしてもよいし、特定の品詞の形態素のみを単語として抽出するようにしてもよい。

なお、ｍ個の文章の中には、同じ単語が複数含まれていることがある。この場合、単語抽出部１１Ａは、同じ単語を複数個抽出することはせず、１つのみ抽出する。すなわち、単語抽出部１１Ａが抽出するｎ個の単語とは、ｎ種類の単語という意味である。ただし、抽出するｎ個の単語には、それぞれ文章中での出現頻度を表す情報が付随している。ここで、単語抽出部１１Ａは、ｍ個の文章から同じ単語が抽出される頻度を計測し、出現頻度が大きい方からｎ個（ｎ種類）の単語、あるいは出現頻度が閾値以上であるｎ個（ｎ種類）の単語を抽出するようにしてもよい。

認知症に罹っている患者には、一度話したことを何度も繰り返してしまうという傾向が見られることがある。また、認知症に罹っている患者には、自発的な言葉が出にくく、医師からの質問に対して同じような言葉を連発するという重複会話（オウム返し）の傾向が見られることもある。そのため、単語抽出部１１Ａにより、このような認知症特有の会話特徴を含んだ自由会話の文章からｎ個の単語が抽出されることになる。

ベクトル算出部１２Ａは、ｍ個の文章およびｎ個の単語から、ｍ個の文章ベクトルおよびｎ個の単語ベクトルを算出する。ここで、文章ベクトル算出部１２１は、単語抽出部１１Ａによる解析対象とされたｍ個の文章をそれぞれ所定のルールに従ってｑ次元（ｑは２以上の任意の整数）にベクトル化することにより、ｑ個の軸成分から成るｍ個の文章ベクトルを算出する。また、単語ベクトル算出部１２２は、単語抽出部１１Ａにより抽出されたｎ個の単語をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｎ個の単語ベクトルを算出する。

本実施形態では、一例として、以下のようにして文章ベクトルおよび単語ベクトルを算出する。今、ｍ個の文章とｎ個の単語とから成る集合Ｓ＝＜ｄ∈Ｄ，ｗ∈Ｗ＞を考える。ここで、各文章ｄ_ｉ（ｉ＝１，２，・・・，ｍ）および各単語ｗ_ｊ（ｊ＝１，２，・・・，ｎ）に対してそれぞれ文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→（以下では、記号“→”はベクトルであることを指すものとする）を関連付ける。そして、任意の単語ｗ_ｊと任意の文章ｄ_ｉに対して、次の式(1)に示す確率Ｐ（ｗ_ｊ｜ｄ_ｉ）を計算する。

なお、この確率Ｐ（ｗ_ｊ｜ｄ_ｉ）は、例えば、文章や文書をパラグラフ・ベクトルにより評価することについて記述した論文「“Distributed Representations of Sentences and Documents”by Quoc Le and Tomas Mikolov, Google Inc, Proceedings of the 31st International Conference on Machine Learning Held in Bejing, China on 22-24 June 2014」に開示されている確率ｐに倣って算出することが可能な値である。この論文には、例えば、“the”、“cat”、“sat”という３つの単語があるときに、４つ目の単語として“on”を予測するとあり、その予測確率ｐの算出式が掲載されている。当該論文に記載されている確率ｐ（wt｜wt-k,・・・,wt+k）は、複数の単語wt-k,・・・,wt+kから別の１つの単語wtを予測したときの正解確率である。

これに対し、本実施形態で用いる式(1)に示される確率Ｐ（ｗ_ｊ｜ｄ_ｉ）は、ｍ個の文章のうち一の文章ｄ_ｉから、ｎ個の単語のうち一の単語ｗ_ｊが予想される正解確率を表している。１つの文章ｄ_ｉから１つの単語ｗ_ｊを予測するというのは、具体的には、ある文章ｄ_ｉが出現したときに、その中に単語ｗ_ｊが含まれる可能性を予測するということである。

式(1)では、ｅを底とし、単語ベクトルｗ→と文章ベクトルｄ→との内積値を指数とする指数関数値を用いる。そして、予測対象とする文章ｄ_ｉと単語ｗ_ｊとの組み合わせから計算される指数関数値と、文章ｄ_ｉとｎ個の単語ｗ_ｋ（ｋ＝１，２，・・・，ｎ）との各組み合わせから計算されるｎ個の指数関数値の合計値との比率を、一の文章ｄ_ｉから一の単語ｗ_ｊが予想される正解確率として計算している。

ここで、単語ベクトルｗ_ｊ→と文章ベクトルｄ_ｉ→との内積値は、単語ベクトルｗ_ｊ→を文章ベクトルｄ_ｉ→の方向に投影した場合のスカラ値、つまり、単語ベクトルｗ_ｊ→が有している文章ベクトルｄ_ｉ→の方向の成分値とも言える。これは、単語ｗ_ｊが文章ｄ_ｉに寄与している程度を表していると考えることができる。したがって、このような内積を利用して計算される指数関数値を用いて、ｎ個の単語ｗ_ｋ（ｋ＝１，２，・・・，ｎ）について計算される指数関数値の合計に対する、１つの単語ｗ_ｊについて計算される指数関数値の比率を求めることは、１つの文章ｄ_ｉからｎ個の単語のうち１つの単語ｗ_ｊが予想される正解確率を求めることに相当する。

なお、式(1)は、ｄ_ｉとｗ_ｊについて対称なので、ｎ個の単語のうち一の単語ｗ_ｊから、ｍ個の文章のうち一の文章ｄ_ｉが予想される確率Ｐ（ｄ_ｉ｜ｗ_ｊ）を計算してもよい。１つの単語ｗ_ｊから１つの文章ｄ_ｉを予測するというのは、ある単語ｗ_ｊが出現したときに、それが文章ｄ_ｉの中に含まれる可能性を予測するということである。この場合、文章ベクトルｄ_ｉ→と単語ベクトルｗ_ｊ→との内積値は、文章ベクトルｄ_ｉ→を単語ベクトルｗ_ｊ→の方向に投影した場合のスカラ値、つまり、文章ベクトルｄ_ｉ→が有している単語ベクトルｗ_ｊ→の方向の成分値とも言える。これは、文章ｄ_ｉが単語ｗ_ｊに寄与している程度を表していると考えることができる。

なお、ここでは、単語ベクトルｗ→と文章ベクトルｄ→との内積値を指数とする指数関数値を用いる計算例を示したが、指数関数値を用いることを必須とするものではない。単語ベクトルｗ→と文章ベクトルｄ→との内積値を利用した計算式であればよく、例えば、内積値そのもの（ただし、内積値が常に正の値となるようにするための所定の演算（例えば、内積値＋１）を行うことを含む）の比率により確率を求めるようにしてもよい。

次に、ベクトル算出部１２Ａは、次の式(2)に示すように、上記式(1)により算出される確率Ｐ（ｗ_ｊ｜ｄ_ｉ）を全ての集合Ｓについて合計した値Ｌを最大化するような文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→を算出する。すなわち、文章ベクトル算出部１２１および単語ベクトル算出部１２２は、上記式(1)により算出される確率Ｐ（ｗ_ｊ｜ｄ_ｉ）を、ｍ個の文章とｎ個の単語との全ての組み合わせについて算出し、それらを合計した値を目標変数Ｌとして、当該目標変数Ｌを最大化する文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→を算出する。

ｍ個の文章とｎ個の単語との全ての組み合わせについて算出した確率Ｐ（ｗ_ｊ｜ｄ_ｉ）の合計値Ｌを最大化するというのは、ある文章ｄ_ｉ（ｉ＝１，２，・・・，ｍ）からある単語ｗ_ｊ（ｊ＝１，２，・・・，ｎ）が予想される正解確率を最大化するということである。つまり、ベクトル算出部１２Ａは、この正解確率が最大化するような文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→を算出するものと言える。

ここで、本実施形態では、上述したように、ベクトル算出部１２Ａは、ｍ個の文章ｄ_ｉをそれぞれｑ次元にベクトル化することにより、ｑ個の軸成分から成るｍ個の文章ベクトルｄ_ｉ→を算出するとともに、ｎ個の単語をそれぞれｑ次元にベクトル化することにより、ｑ個の軸成分から成るｎ個の単語ベクトルｗ_ｊ→を算出する。これは、ｑ個の軸方向を可変として、上述の目標変数Ｌが最大化するような文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→を算出することに相当する。

指標値算出部１３Ａは、ベクトル算出部１２Ａにより算出されたｍ個の文章ベクトルｄ_ｉ→とｎ個の単語ベクトルｗ_ｊ→との内積をそれぞれとることにより、ｍ個の文章ｄ_ｉおよびｎ個の単語ｗ_ｊ間の関係性を反映したｍ×ｎ個の関係性指標値を算出する。本実施形態では、指標値算出部１３Ａは、次の式(3)に示すように、ｍ個の文章ベクトルｄ_ｉ→の各ｑ個の軸成分（ｄ₁₁〜ｄ_mq）を各要素とする文章行列Ｄと、ｎ個の単語ベクトルｗ_ｊ→の各ｑ個の軸成分（ｗ₁₁〜ｗ_nq）を各要素とする単語行列Ｗとの積をとることにより、ｍ×ｎ個の関係性指標値を各要素とする指標値行列ＤＷを算出する。ここで、Ｗ^ｔは単語行列の転置行列である。

このようにして算出された指標値行列ＤＷの各要素ｄｗ_ij（ｉ＝１，２，・・・，ｍ、ｊ＝１，２，・・・，ｎ）は、どの単語がどの文章に対してどの程度寄与しているのかを表したものと言える。例えば、１行２列の要素ｄｗ₁₂は、単語ｗ₂が文章ｄ₁に対してどの程度寄与しているのかを表した値である。これにより、指標値行列ＤＷの各行は文章の類似性を評価するものとして用いることが可能であり、各列は単語の類似性を評価するものとして用いることが可能である。

予測モデル生成部１４Ａは、指標値算出部１３Ａにより算出されたｍ×ｎ個の関係性指標値を用いて、１つの文章ｄ_ｉについてｎ個の関係性指標値ｄｗ_ij（ｊ＝１，２，・・・，ｎ）から成る文章指標値群をもとに認知症の重症度を予測するための予測モデルを生成する。ここで予測する認知症の重症度とは、ＭＭＳＥのスコアの値である。すなわち、予測モデル生成部１４Ａは、ＭＭＳＥのスコアが既知（例えば、ｘ点）である患者の自由会話をもとに算出される文章指標値群についてはｘ点にできるだけ近いスコアが予測されるような予測モデルを生成する。そして、予測モデル生成部１４Ａは、生成した予測モデルを予測モデル記憶部３０Ａに記憶させる。

図２は、文章指標値群を説明するための図である。図２に示すように、文章指標値群とは、例えば１つ目の文章ｄ_１の場合、指標値行列ＤＷの１行目に含まれるｎ個の関係性指標値ｄｗ₁₁〜ｄｗ_1nがこれに該当する。同様に、２つ目の文章ｄ_２の場合、指標値行列ＤＷの２行目に含まれるｎ個の関係性指標値ｄｗ₂₁〜ｄｗ_2nがこれに該当する。以下、ｍ個目の文章ｄ_ｍに関する文章指標値群（ｎ個の関係性指標値ｄｗ_m1〜ｄｗ_mn）まで同様である。

予測モデル生成部１４Ａは、指標値算出部１３Ａにより算出されたｍ×ｎ個の関係性指標値ｄｗ₁₁〜ｄｗ_mnを用いて、各文章ｄ_ｉ（ｉ＝１，２，・・・，ｍ）の文章指標値群についてそれぞれ認知症の重症度と関連のある特徴量を算出し、当該算出した特徴量に基づいて、１つの文章指標値群から認知症の重症度を予測するための予測モデルを生成する。ここで、予測モデル生成部１４Ａが生成する予測モデルは、文章ｄ_ｉの文章指標値群を入力として、ＭＭＳＥのスコアを解として出力する学習モデルである。

例えば、予測モデル生成部１４Ａが生成する予測モデルの形態は、回帰モデル（線形回帰、ロジスティック回帰、サポートベクターマシーンなどをベースとする学習モデル）、木モデル（決定木、回帰木、ランダムフォレスト、勾配ブースティング木などをベースとする学習モデル）、ニューラルネットワークモデル（パーセプトロン、畳み込みニューラルネットワーク、再起型ニューラルネットワーク、残差ネットワーク、ＲＢＦネットワーク、確率的ニューラルネットワーク、スパイキングニューラルネットワーク、複素ニューラルネットワークなどをベースとする学習モデル）、ベイズモデル（ベイズ推論などをベースとする学習モデル）、クラスタリングモデル（ｋ近傍法、階層型クラスタリング、非階層型クラスタリング、トピックモデルなどをベースとする学習モデル）などのうち何れかとすることが可能である。なお、ここに挙げた分類モデルは一例に過ぎず、これに限定されるものではない。

予測モデル生成部１４Ａが予測モデルを生成する際に算出する特徴量は、所定のアルゴリズムによって算出されるものであればよい。言い換えると、予測モデル生成部１４Ａにおいて行う特徴量の算出方法は、任意に設計が可能である。例えば、予測モデル生成部１４Ａは、各文章ｄ_ｉの文章指標値群のそれぞれに対し、重み付け計算により得られる値が認知症の重症度を表す既知の値（ＭＭＳＥのスコア）に近づくように所定の重み付け計算を行い、文章指標値群に対する重み付けの値を特徴量として用いて、文章ｄ_ｉの文章指標値群から認知症の重症度（ＭＭＳＥのスコア）を予測するための予測モデルを生成する。

すなわち、指標値行列ＤＷの１行目に含まれるｎ個の関係性指標値ｄｗ₁₁〜ｄｗ_1nから成る１つ目の文章ｄ_１の文章指標値群に関して、
ａ₁₁・ｄｗ₁₁＋ａ₁₂・ｄｗ₁₂＋・・・ａ_1n・ｄｗ_1n≒ＭＭＳＥの既知のスコア
となるように重み付けの値｛ａ₁₁，ａ₁₂，・・・，ａ_1n｝を特徴量として算出する。また、指標値行列ＤＷの２行目に含まれるｎ個の関係性指標値ｄｗ₂₁〜ｄｗ_2nから成る２つ目の文章ｄ_２の文章指標値群に関して、
ａ₂₁・ｄｗ₂₁＋ａ₂₂・ｄｗ₂₂＋・・・ａ_2n・ｄｗ_2n≒ＭＭＳＥの既知のスコア
となるように重み付けの値｛ａ₂₁，ａ₂₂，・・・，ａ_2n｝を特徴量として算出する。以下同様に、ｍ個目の文章ｄ_ｍの文章指標値群に関して、
ａ_m1・ｄｗ_m1＋ａ_m2・ｄｗ_m2＋・・・ａ_mn・ｄｗ_mn≒ＭＭＳＥの既知のスコア
となるように重み付けの値｛ａ_m1，ａ_m2，・・・，ａ_mn｝を特徴量として算出する。そして、これらの特徴量がそれぞれＭＭＳＥの既知のスコアに関連付けられるような予測モデルを生成する。

なお、ここではｍ組の重み付けの値｛ａ₁₁，ａ₁₂，・・・，ａ_1n｝，・・・，｛ａ_m1，ａ_m2，・・・，ａ_mn｝をそれぞれ特徴量として用いる例について説明したが、これに限定されない。例えば、ｍ人の患者に関するｍ個の学習用データから得られるｍ個の文章指標値群のうち、ＭＭＳＥのスコアが同じ患者の学習用データから得られる文章指標値群どうしに共通する特徴を持った１つまたは複数の重み値、または当該複数の重み値を用いた所定の演算値などを特徴量として抽出するようにしてもよい。

予測用データ入力部２０は、予測対象とするｍ’人（ｍ’は１以上の任意の整数）の患者が行った自由会話の内容をそれぞれ表したｍ’個の文章を予測用データとして入力する。すなわち、予測用データ入力部２０は、ＭＭＳＥのスコアが未知の患者と医師との間で行われた自由会話の音声を文字データに置換して、当該文字データに含まれる患者の発話部分の文章を予測用データとして入力する。予測対象の患者について医師との自由会話からｍ’個の文章を取得する方法は、学習対象の患者について医師との自由会話からｍ個の文章を取得する上述の方法と同様である。

予測対象とする患者は、初診の患者であってもよいし、認知症の疑いありと診断された再診の患者であってもよい。初診の患者を予測対象とする場合は、患者に対してＭＭＳＥを実施することなく、患者と医師との間で問診による自由会話を行うだけで、その患者が認知症の疑いがあるかどうかや、認知症の場合はその重症度を以下に述べるように予測することができる。一方、再診の患者を予測対象とする場合も、その患者に対してＭＭＳＥを実施することなく、患者と医師との間で問診による自由会話を行うだけで認知症の重症度を予測することができる。これにより、患者のＭＭＳＥに対する練習効果による影響を受けることなく、症状が改善または悪化しているのかを判定することが可能である。

認知症予測部２１Ａは、予測用データ入力部２０により入力された予測用データに対して単語抽出部１１Ａ、文章ベクトル算出部１２１、単語ベクトル算出部１２２および指標値算出部１３Ａの処理を実行することによって得られる関係性指標値を、予測モデル生成部１４Ａにより生成された予測モデル（予測モデル記憶部３０Ａに記憶された予測モデル）に適用することにより、予測対象とするｍ’人の患者について認知症の重症度を予測する。

例えば、ＭＭＳＥのスコアが未知であるｍ’人の患者の自由会話から取得されたｍ’個の文章が予測用データ入力部２０により予測用データとして入力された場合、認知症予測部２１Ａの指示によりこのｍ’個の文章について関係性指標値算出部１００Ａの処理を実行することにより、ｍ’個の文章指標値群を得る。認知症予測部２１は、関係性指標値算出部１００Ａにより算出されたｍ’個の文章指標値群を予測モデルに入力データとして与えることにより、ｍ’人の患者に関する認知症の重症度をそれぞれ予測する。

この予測時に単語抽出部１１Ａは、予測用データ入力部２０により予測用データとして入力されたｍ’個の文章からｎ個の単語を抽出する。単語抽出部１１Ａが予測時にｍ’個の文章から抽出する単語の数は、単語抽出部１１Ａが学習時にｍ個の文章から抽出する単語の数ｎと同じである。なお、例えばｍ’＝１の場合、つまり一人の患者の自由会話による１個の文章からｎ個の単語を抽出する場合もある。そこで、５〜１０分程度の問診形式による自由会話の中で一人の患者が発言するであろう単語の標準的な種類をあらかじめ想定して、予測用データの１個の文章から抽出されるｎ個の単語と、学習用データのｍ個の文章から抽出されるｎ個の単語との重なり（同じ単語であること）が１つもない事態が生じないようにｎの値を決定するのが好ましい。

また、予測時に文章ベクトル算出部１２１は、ｍ’個の文章をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｍ’個の文章ベクトルを算出する。単語ベクトル算出部１２２は、ｎ個の単語をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｎ個の単語ベクトルを算出する。指標値算出部１３Ａは、ｍ’個の文章ベクトルとｎ個の単語ベクトルとの内積をそれぞれとることにより、ｍ’個の文章およびｎ個の単語間の関係性を反映したｍ’×ｎ個の関係性指標値を算出する。認知症予測部２１Ａは、指標値算出部１３Ａにより算出されたｍ’個の関係性指標値を、予測モデル記憶部３０Ａに記憶された予測モデルに適用することにより、予測対象とするｍ’人の患者について認知症の重症度を予測する。

なお、予測時における演算負荷の軽減を目的として、単語ベクトル算出部１２２による単語ベクトルの算出を省略し、学習時に算出したｎ個の単語ベクトルを記憶しておいて、これを予測時に用いるようにしてもよい。このように、予測時において単語ベクトル算出部１２２が、学習時に算出したｎ個の単語ベクトルを読み出して利用する処理も、予測用データに対して文章ベクトル算出部１２２の処理を実行することの一態様として含む。

図３は、上記のように構成した第１の実施形態による認知症予測装置の動作例を示すフローチャートである。図３（ａ）は、予測モデルを生成する学習時の動作例を示し、図３（ｂ）は、生成された予測モデルを用いて認知症の重症度の予測を行う予測時の動作例を示している。

図３（ａ）に示す学習時において、まず、学習用データ入力部１０は、認知症の重症度（ＭＭＳＥのスコア）が既知であるｍ人の患者が行った自由会話の内容をそれぞれ表したｍ個の文章を学習用データとして入力する（ステップＳ１）。単語抽出部１１Ａは、学習用データ入力部１０により入力されたｍ個の文章を解析し、当該ｍ個の文章からｎ個の単語を抽出する（ステップＳ２）。

次いで、ベクトル算出部１２Ａは、学習用データ入力部１０により入力されたｍ個の文章および単語抽出部１１Ａにより抽出されたｎ個の単語から、ｍ個の文章ベクトルｄ_ｉ→およびｎ個の単語ベクトルｗ_ｊ→を算出する（ステップＳ３）。そして、指標値算出部１３Ａは、ｍ個の文章ベクトルｄ_ｉ→とｎ個の単語ベクトルｗ_ｊ→との内積をそれぞれとることにより、ｍ個の文章ｄ_ｉおよびｎ個の単語ｗ_ｊ間の関係性を反映したｍ×ｎ個の関係性指標値（ｍ×ｎ個の関係性指標値を各要素とする指標値行列ＤＷ）を算出する（ステップＳ４）。

さらに、予測モデル生成部１４Ａは、以上のようにしてｍ人の患者に関する学習用データから関係性指標値算出部１００Ａにより算出されたｍ×ｎ個の関係性指標値を用いて、１つの文章ｄ_ｉについてｎ個の関係性指標値ｄｗ_ijから成る文章指標値群をもとに認知症の重症度を予測するための予測モデルを生成し、生成した予測モデルを予測モデル記憶部３０Ａに記憶させる（ステップＳ５）。以上により、学習時の動作が終了する。

図３（ｂ）に示す予測時において、まず、予測用データ入力部２０は、予測対象とするｍ’人の患者が行った自由会話の内容をそれぞれ表したｍ’個の文章を予測用データとして入力する（ステップＳ１１）。認知症予測部２１Ａは、予測用データ入力部２０により入力された予測用データを関係性指標値算出部１００Ａに供給し、関係性指標値の算出を指示する。

この指示に応じて、単語抽出部１１Ａは、予測用データ入力部２０により入力されたｍ’個の文章を解析し、当該ｍ’個の文章からｎ個の単語を抽出する（ステップＳ１２）。次いで、ベクトル算出部１２Ａは、予測用データ入力部２０により入力されたｍ’個の文章および単語抽出部１１Ａにより抽出されたｎ個の単語から、ｍ’個の文章ベクトルｄ_ｉ→およびｎ個の単語ベクトルｗ_ｊ→を算出する（ステップＳ１３）。

そして、指標値算出部１３Ａは、ｍ’個の文章ベクトルｄ_ｉ→とｎ個の単語ベクトルｗ_ｊ→との内積をそれぞれとることにより、ｍ’個の文章ｄ_ｉおよびｎ個の単語ｗ_ｊ間の関係性を反映したｍ’×ｎ個の関係性指標値（ｍ’×ｎ個の関係性指標値を各要素とする指標値行列ＤＷ）を算出する（ステップＳ１４）。指標値算出部１３Ａは、算出したｍ’×ｎ個の関係性指標値を認知症予測部２１Ａに供給する。

認知症予測部２１Ａは、関係性指標値算出部１００Ａから供給されたｍ’×ｎ個の関係性指標値を予測モデル記憶部３０Ａに記憶された予測モデルに適用することにより、予測対象とするｍ’人の患者について認知症の重症度を予測する（ステップＳ１５）。これにより、予測時の動作が終了する。

以上詳しく説明したように、第１の実施形態では、認知症の重症度が既知である患者が行った自由会話の内容を表すｍ個の文章を学習用データとして入力し、当該入力された文章から算出した文章ベクトルと、文章内に含まれる単語から算出した単語ベクトルとの内積を計算することによって、文章および単語間の関係性を反映した関係性指標値を算出し、この関係性指標値を用いて予測モデルを生成している。また、予測対象とする患者について認知症の重症度を予測する際には、予測対象とする患者が行った自由会話の内容を表すｍ’個の文章を予測用データとして入力し、当該入力した予測用データから同様にして算出される関係性指標値を予測モデルに適用することにより、予測対象とする患者の認知症の重症度を予測するようにしている。

このように構成した第１の実施形態によれば、患者が行った自由会話を解析することによって認知症の重症度が予測されるので、ミニメンタルステート検査（ＭＭＳＥ）を行う必要がない。このため、認知症の重症度を繰り返し測定する場合でも、患者による練習効果を排除した測定結果（予測結果）を得ることができる。特に、患者が認知症に罹っていると、繰り返し発言される単語等を含む認知症特有の会話特徴が自由会話の中に見られるようになり、このような会話特徴が反映された状態で関係性指標値が算出され、当該関係性指標値を用いて予測モデルが生成されるので、患者が行った自由会話から認知症の重症度を予測することが可能である。

（第２の実施形態）
次に、本発明による第２の実施形態を図面に基づいて説明する。図４は、第２の実施形態による認知症予測装置の機能構成例を示すブロック図である。この図４において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図４に示すように、第２の実施形態による認知症予測装置は、関係性指標値算出部１００Ａ、予測モデル生成部１４Ａ、認知症予測部２１Ａおよび予測モデル記憶部３０Ａに代えて、関係性指標値算出部１００Ｂ、予測モデル生成部１４Ｂ、認知症予測部２１Ｂおよび予測モデル記憶部３０Ｂを備えている。第２の実施形態による関係性指標値算出部１００Ｂは、単語抽出部１１Ａ、ベクトル算出部１２Ａおよび指標値算出部１３Ａに代えて、品詞抽出部１１Ｂ、ベクトル算出部１２Ｂおよび指標値算出部１３Ｂを備えている。ベクトル算出部１２Ｂは、より具体的な機能構成として、単語ベクトル算出部１２２に代えて品詞ベクトル算出部１２３を備えている。なお、学習用データ入力部１０、関係性指標値算出部１００Ｂおよび予測モデル生成部１４Ｂにより、本発明の予測モデル生成装置が構成される。

第２の実施形態による関係性指標値算出部１００Ｂは、第１の実施形態と同様の文章に関する文章データを入力し、文章とその中に含まれる各形態素の品詞との関係性を反映した関係性指標値を算出して出力するものである。

品詞抽出部１１Ｂは、特許請求の範囲の「要素抽出部」の一例であり、学習用データ入力部１０により学習用データとして入力されたｍ個の文章を解析し、当該ｍ個の文章からｐ個（ｐは２以上の任意の整数）の品詞（特許請求の範囲の分解要素に相当）を抽出する。文章の解析方法としては、例えば、公知の形態素解析を用いることが可能である。ここで、品詞抽出部１１Ｂは、形態素解析によって分割される各形態素について、図５（ａ）のように単一の形態素ごとに１つの品詞を抽出するようにしてもよいし、図５（ｂ）のように連続する複数の形態素ごとに１セットの品詞を抽出するようにしてもよい。

なお、本実施形態において抽出する品詞は、動詞、形容詞、形容動詞、名詞、代名詞、数詞、連体詞、副詞、接続詞、感動詞、助動詞、助詞といった大分類だけでなく、図６のように中分類、小分類、細分類まで細分化された品詞を抽出する。図６は、品詞抽出部１１Ｂが抽出する品詞の一例を示すものである。ここに示す品詞は一例であり、これに限定されるものではない。

なお、ｍ個の文章の中には、同じ品詞（または同じ品詞セット）が複数含まれていることがある。この場合、品詞抽出部１１Ｂは、同じ品詞（または同じ品詞セット）を複数個抽出することはせず、１つのみ抽出する。すなわち、品詞抽出部１１Ｂが抽出するｐ個（ｐセットを含む概念とする。以下同様）の品詞とは、ｐ種類の品詞という意味である。ただし、抽出するｐ個の品詞には、それぞれ文章中での出現頻度を表す情報が付随している。

認知症に罹っている患者には、固有名詞が思い出せず「あれ」、「これ」、「それ」などの指示語を多用する傾向が見られることがある。また、認知症に罹っている患者には、次の言葉が出ず「あの」、「うーん」、「えー」などのフィラーを多用する傾向が見られることがある。そのため、このような認知症特有の会話特徴に応じて、自由会話の文章中に何度も出現する同じ品詞が存在する。品詞抽出部１１Ｂにより、このような認知症特有の会話特徴を含んだ自由会話の文章からｐ個の品詞が抽出されることになる。

ベクトル算出部１２Ｂは、ｍ個の文章およびｐ個の品詞から、ｍ個の文章ベクトルおよびｐ個の品詞ベクトルを算出する。ここで、文章ベクトル算出部１２１は、品詞抽出部１１Ｂによる解析対象とされたｍ個の文章をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｍ個の文章ベクトルを算出する。また、品詞ベクトル算出部１２３は、品詞抽出部１１Ｂにより抽出されたｐ個の品詞をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｐ個の品詞ベクトルを算出する。

文章ベクトルおよび品詞ベクトルの算出法は、第１の実施形態と同様である。すなわち、第２の実施形態において、ベクトル算出部１２Ｂは、ｍ個の文章とｐ個の品詞とから成る集合Ｓ＝＜ｄ∈Ｄ，ｈ∈Ｈ＞を考える。ここで、各文章ｄ_ｉ（ｉ＝１，２，・・・，ｍ）および各品詞ｈ_ｊ（ｊ＝１，２，・・・，ｐ）に対してそれぞれ文章ベクトルｄ_ｉ→および品詞ベクトルｈ_ｊ→を関連付ける。そして、ベクトル算出部１２Ｂは、上記式(1)と同様に算出される確率Ｐ（ｈ_ｊ｜ｄ_ｉ）を、ｍ個の文章とｐ個の品詞との全ての組み合わせについて算出し、それらを合計した値を目標変数Ｌとして、当該目標変数Ｌを最大化する文章ベクトルｄ_ｉ→および品詞ベクトルｈ_ｊ→を算出する。

指標値算出部１３Ｂは、ベクトル算出部１２Ｂにより算出されたｍ個の文章ベクトルｄ_ｉ→とｐ個の品詞ベクトルｈ_ｊ→との内積をそれぞれとることにより、ｍ個の文章ｄ_ｉおよびｐ個の品詞ｈ_ｊ間の関係性を反映したｍ×ｐ個の関係性指標値を算出する。第２の実施形態では、指標値算出部１３Ｂは、次の式(4)に示すように、ｍ個の文章ベクトルｄ_ｉ→の各ｑ個の軸成分（ｄ₁₁〜ｄ_mq）を各要素とする文章行列Ｄと、ｐ個の品詞ベクトルｈ_ｊ→の各ｑ個の軸成分（ｈ₁₁〜ｈ_pq）を各要素とする品詞行列Ｈとの積をとることにより、ｍ×ｐ個の関係性指標値を各要素とする指標値行列ＤＨを算出する。ここで、Ｈ^ｔは品詞行列の転置行列である。

予測モデル生成部１４Ｂは、指標値算出部１３Ｂにより算出されたｍ×ｐ個の関係性指標値を用いて、１つの文章ｄ_ｉについてｐ個の関係性指標値ｄｈ_ij（ｊ＝１，２，・・・，ｐ）から成る文章指標値群をもとに認知症の重症度（ＭＭＳＥのスコアの値）を予測するための予測モデルを生成する。すなわち、予測モデル生成部１４Ｂは、第１の実施形態で説明したのと同様の方法により、ＭＭＳＥのスコアが既知（例えば、ｘ点）である患者の自由会話をもとに算出される文章指標値群についてはｘ点にできるだけ近いスコアが予測されるような予測モデルを生成する。そして、予測モデル生成部１４Ｂは、生成した予測モデルを予測モデル記憶部３０Ｂに記憶させる。

認知症予測部２１Ｂは、予測用データ入力部２０により入力された予測用データに対して品詞抽出部１１Ｂ、文章ベクトル算出部１２１、品詞ベクトル算出部１２３および指標値算出部１３Ｂの処理を実行することによって得られる関係性指標値を、予測モデル生成部１４Ｂにより生成された予測モデル（予測モデル記憶部３０Ｂに記憶された予測モデル）に適用することにより、予測対象とするｍ’人の患者について認知症の重症度を予測する。

以上詳しく説明したように、第２の実施形態では、認知症の重症度が既知である患者が行った自由会話の内容を表すｍ個の文章を学習用データとして入力し、当該入力された文章から算出した文章ベクトルと、文章内に含まれる形態素の品詞から算出した品詞ベクトルとの内積を計算することによって、文章および品詞間の関係性を反映した関係性指標値を算出し、この関係性指標値を用いて予測モデルを生成している。また、予測対象とする患者について認知症の重症度を予測する際には、予測対象とする患者が行った自由会話の内容を表すｍ’個の文章を予測用データとして入力し、当該入力した予測用データから同様にして算出される関係性指標値を予測モデルに適用することにより、予測対象とする患者の認知症の重症度を予測するようにしている。

このように構成した第２の実施形態においても、患者が行った自由会話を解析することによって認知症の重症度が予測されるので、ミニメンタルステート検査（ＭＭＳＥ）を行う必要がない。このため、認知症の重症度を繰り返し測定する場合でも、患者による練習効果を排除した測定結果（予測結果）を得ることができる。特に、患者が認知症に罹っていると、所定の品詞の形態素を多く含んだ認知症特有の会話特徴が自由会話の中に見られるようになり、このような会話特徴が反映された状態で関係性指標値が算出され、当該関係性指標値を用いて予測モデルが生成されるので、患者が行った自由会話から認知症の重症度を予測することが可能である。

（第３の実施形態）
次に、本発明による第３の実施形態を図面に基づいて説明する。図７は、第３の実施形態による認知症予測装置の機能構成例を示すブロック図である。この図７において、図４に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。第３の実施形態は、第１の実施形態で説明した文章ベクトルと単語ベクトルとから算出する指標値行列ＤＷと、第２の実施形態で説明した文章ベクトルと品詞ベクトルとから算出する指標値行列ＤＨとの両方を用いるものである。

図７に示すように、第３の実施形態による認知症予測装置は、関係性指標値算出部１００Ｂ、予測モデル生成部１４Ｂ、認知症予測部２１Ｂおよび予測モデル記憶部３０Ｂに代えて、関係性指標値算出部１００Ｃ、予測モデル生成部１４Ｃ、認知症予測部２１Ｃおよび予測モデル記憶部３０Ｃを備えている。第３の実施形態による関係性指標値算出部１００Ｃは、単語抽出部１１Ａおよび品詞抽出部１１Ｂを備えるとともに、ベクトル算出部１２Ｂおよび指標値算出部１３Ｂに代えてベクトル算出部１２Ｃおよび指標値算出部１３Ｃを備えている。ベクトル算出部１２Ｃは、より具体的な機能構成として、文章ベクトル算出部１２１、単語ベクトル算出部１２２および品詞ベクトル算出部１２３を備えている。なお、学習用データ入力部１０、関係性指標値算出部１００Ｃおよび予測モデル生成部１４Ｃにより、本発明の予測モデル生成装置が構成される。

指標値算出部１３Ｃは、上記式(3)に示したように、ｍ個の文章ベクトルｄ_ｉ→とｎ個の単語ベクトルｗ_ｊ→との内積をそれぞれとることにより、ｍ個の文章ｄ_ｉおよびｎ個の単語ｗ_ｊ間の関係性を反映したｍ×ｎ個の関係性指標値ｄｗ_ij（第１評価値行列ＤＷという）を算出する。また、指標値算出部１３Ｃは、上記式(4)に示したように、ｍ個の文章ベクトルｄ_ｉ→とｐ個の品詞ベクトルｈ_ｊ→との内積をそれぞれとることにより、ｍ個の文章ｄ_ｉおよびｐ個の品詞ｈ_ｊ間の関係性を反映したｍ×ｐ個の関係性指標値ｄｈ_ij（第２評価値行列ＤＨという）を算出する。

予測モデル生成部１４Ｃは、指標値算出部１３Ｃにより算出されたｍ×ｎ個の関係性指標値ｄｗ_ijおよびｍ×ｐ個の関係性指標値ｄｈ_ijを用いて、１つの文章ｄ_ｉについてｎ個の関係性指標値から成る文章指標値群ｄｗ_ij（ｊ＝１，２，・・・，ｎ）およびｐ個の関係性指標値から成る文章指標値群ｄｈ_ij（ｊ＝１，２，・・・，ｐ）をもとに認知症の重症度（ＭＭＳＥのスコアの値）を予測するための予測モデルを生成する。そして、予測モデル生成部１４Ｃは、生成した予測モデルを予測モデル記憶部３０Ｃに記憶させる。

ここで、予測モデル生成部１４Ｃが２組の文章指標値群ｄｗ_ij，ｄｈ_ijをどのように用いて予測モデルを生成するかは、任意に設計することが可能である。例えば、図８（ａ）のように、文章・単語間の第１指標値行列ＤＷと、文章・品詞間の第２指標値行列ＤＨとを横（行方向）に並べて、同じ行ｉに属する文章指標値群ｄｗ_ij，ｄｈ_ijをつないで、（ｎ＋ｐ）個の関係性指標値を含む１つの文章指標値群を生成し、この文章指標値群をもとに認知症の重症度を予測するための予測モデルを生成するようにしてよい。

あるいは、図８（ｂ）のように、文章・単語間の第１指標値行列ＤＷに含まれるｉ行目の文章指標値群ｄｗ_ijと、文章・品詞間の第２指標値行列ＤＨに含まれる同じｉ行目の文章指標値群ｄｈ_ijとを縦（列方向）に並べて２×ｎ次元の文章指標値群行列を生成し、この文章指標値群行列をもとに認知症の重症度を予測するための予測モデルを生成するようにしてもよい。図８（ｂ）の例では、ｎ＞ｐであることを想定し、２×ｎ次元の文章指標値群行列における２行目の行列成分については、文章指標値群ｄｈ_ijの値を左詰めで設定し、当該２行目の左端からｐ個を超える行列成分は全て値を０としている。

なお、ｍ×ｎ次元の第１指標値行列ＤＷに対して、第４の実施形態で後述するような次元圧縮処理を行うことによってｍ×ｐ次元の第１指標値行列ＤＷ_SVDを生成し、この次元圧縮された第１指標値行列ＤＷ_SVDに含まれるｉ行目の文章指標値群ｄｗ_ij（ｊ＝１〜ｐ）と、第２指標値行列ＤＨに含まれる同じｉ行目の文章指標値群ｄｈ_ij（ｊ＝１〜ｐ）とを縦（列方向）に並べて２×ｐ次元の文章指標値群行列を生成し、この文章指標値群行列をもとに認知症の重症度を予測するための予測モデルを生成するようにしてもよい。

さらに別の例として、図８（ｃ）のように、文章・単語間の第１指標値行列ＤＷに含まれるｉ行目の文章指標値群ｄｗ_ijを１×ｎ次元の第１文章指標値群行列とし、文章・品詞間の第２指標値行列ＤＨに含まれる同じｉ行目の文章指標値群ｄｈ_ijをｎ×１次元の第２文章指標値群行列として（ただし、ｐ個を超えるｎ個に満たない不足分の行列成分の値は０とする）、第１文章指標値群行列と第２文章指標値群行列との内積を計算する。そして、計算された値をもとに認知症の重症度を予測するための予測モデルを生成するようにしてもよい。

この場合についても、文章・単語間の第１指標値行列ＤＷを次元圧縮してｍ×ｐ次元の第１指標値行列ＤＷ_SVDを生成し、この次元圧縮された第１指標値行列ＤＷ_SVDに含まれるｉ行目の文章指標値群ｄｗ_ijを１×ｐ次元の第１文章指標値群行列とし、文章・品詞間の第２指標値行列ＤＨに含まれる同じｉ行目の文章指標値群ｄｈ_ijをｐ×１次元の第２文章指標値群行列として、第１文章指標値群行列と第２文章指標値群行列との内積を計算するようにしてもよい。

認知症予測部２１Ｃは、予測用データ入力部２０により入力された予測用データに対して単語抽出部１１Ａ、品詞抽出部１１Ｂ、文章ベクトル算出部１２１、単語ベクトル算出部１２２、品詞ベクトル算出部１２３および指標値算出部１３Ｃの処理を実行することによって得られる関係性指標値を、予測モデル生成部１４Ｃにより生成された予測モデル（予測モデル記憶部３０Ｃに記憶された予測モデル）に適用することにより、予測対象とするｍ’人の患者について認知症の重症度を予測する。

以上詳しく説明したように、第３の実施形態では、認知症の重症度が既知である患者が行った自由会話の内容を表すｍ個の文章を学習用データとして入力し、当該入力された文章から算出した文章ベクトルと、文章内に含まれる単語から算出した単語ベクトルとの内積を計算することによって、文章および単語間の関係性を反映した関係性指標値を算出するとともに、入力された文章から算出した文章ベクトルと、文章内に含まれる形態素の品詞から算出した品詞ベクトルとの内積を計算することによって、文章および品詞間の関係性を反映した関係性指標値を算出し、これらの関係性指標値を用いて予測モデルを生成している。また、予測対象とする患者について認知症の重症度を予測する際には、予測対象とする患者が行った自由会話の内容を表すｍ’個の文章を予測用データとして入力し、当該入力した予測用データから同様にして算出される関係性指標値を予測モデルに適用することにより、予測対象とする患者の認知症の重症度を予測するようにしている。

このように構成した第３の実施形態においても、患者が行った自由会話を解析することによって認知症の重症度が予測されるので、ミニメンタルステート検査（ＭＭＳＥ）を行う必要がない。このため、認知症の重症度を繰り返し測定する場合でも、患者による練習効果を排除した測定結果（予測結果）を得ることができる。特に、第３の実施形態では、自由会話の中で使われる単語や品詞について認知症に特有の会話特徴が反映された状態で関係性指標値が算出され、当該関係性指標値を用いて予測モデルが生成されるので、患者が行った自由会話から認知症の重症度をより正確に予測することが可能である。

（第４の実施形態）
次に、本発明による第４の実施形態を図面に基づいて説明する。図９は、第４の実施形態による認知症予測装置の機能構成例を示すブロック図である。この図９において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。なお、以下では、第１の実施形態に対する変形例として第４の実施形態を説明するが、図１０（ａ）、（ｂ）にそれぞれ示すように第２の実施形態に対する変形例または第３の実施形態に対する変形例としても同様に第４の実施形態を適用することが可能である。

図９に示すように、第４の実施形態による認知症予測装置は、関係性指標値算出部１００Ａ、予測モデル生成部１４Ａ、認知症予測部２１Ａおよび予測モデル記憶部３０Ａに代えて、関係性指標値算出部１００Ｄ、予測モデル生成部１４Ｄ、認知症予測部２１Ｄおよび予測モデル記憶部３０Ｄを備えている。第４の実施形態による関係性指標値算出部１００Ｄは、図１に示した構成に加えて次元圧縮部１５を更に備えている。なお、学習用データ入力部１０、関係性指標値算出部１００Ｄおよび予測モデル生成部１４Ｄにより、本発明の予測モデル生成装置が構成される。

次元圧縮部１５は、指標値算出部１３Ａにより算出されたｍ×ｎ個の関係性指標値を用いて、所定の次元圧縮処理を行うことにより、ｍ×ｋ個（ｋは１≦ｋ＜ｎを満たす任意の整数）の関係性指標値を算出する。次元圧縮処理は、例えば、行列を分解する方法として公知の特異値分解（singular value decomposition：ＳＶＤ）を用いることが可能である。

すなわち、次元圧縮部１５は、上記式(3)のようにして算出された評価値行列ＤＷを、３つの行列Ｕ，Ｓ，Ｖに分解する。ここで、行列Ｕはｍ×ｋ次元の左特異行列で、各列はＤＷ＊ＤＷ^ｔの固有ベクトルである（ＤＷ^ｔは評価値行列ＤＷの転置行列を示す）。行列Ｓはｋ×ｋ次元の正方行列で、対角行列成分が評価値行列ＤＷの特異値を示し、それ以外の値が全て０となっている。行列Ｖはｋ×ｎ次元の右特異行列で、各行はＤＷ^ｔ＊ＤＷの固有ベクトルである。なお、圧縮後の次元ｋは、あらかじめ定めた固定の値としてもよいし、任意の値を指定可能としてもよい。

次元圧縮部１５は、以上のようにして分解した３つの行列のうち、右特異行列Ｖの転置行列Ｖ^ｔによって評価値行列ＤＷを変換することにより、評価値行列ＤＷの次元を圧縮する。すなわち、ｍ×ｎ次元の評価値行列ＤＷと、ｎ×ｋ次元の右特異転置行列Ｖ^ｔとの内積を計算することにより、ｍ×ｎ次元の評価値行列ＤＷをｍ×ｋ次元の評価値行列ＤＷ_SVDに次元圧縮する（ＤＷ_SVD＝ＤＷ＊Ｖ^ｔ）。なお、ＤＷ_SVDは評価値行列ＤＷをＳＶＤにより次元圧縮した行列を示しており、ＤＷ≒Ｕ＊Ｓ＊Ｖ＝ＤＷ_SVD＊Ｖの関係が成り立つ。

このように、ＳＶＤの手法を用いて評価値行列ＤＷの次元を圧縮することにより、評価値行列ＤＷで表現される特徴を可能な限り損ねること無く評価値行列ＤＷを低ランク近似することができる。なお、ここでは右特異行列Ｖの転置行列Ｖ^ｔによって評価値行列ＤＷを変換する例について説明したが、ｍの値とｎの値が一致する場合には、左特異行列Ｕによって評価値行列ＤＷを変換するようにしてもよい（ＤＷ_SVD＝ＤＷ＊Ｕ）。

予測モデル生成部１４Ｄは、次元圧縮部１５により次元圧縮されたｍ×ｋ個の関係性指標値を用いて、１つの文章ｄ_ｉについてｋ個の関係性指標値ｄｗ_ij（ｉ＝１，２，・・・，ｋ）から成る文章指標値群をもとに認知症の重症度を予測するための予測モデルを生成する。そして、予測モデル生成部１４Ｄは、生成した予測モデルを予測モデル記憶部３０Ｄに記憶させる。

認知症予測部２１Ｄは、予測用データ入力部２０により入力された予測用データに対して単語抽出部１１Ａ、文章ベクトル算出部１２１、単語ベクトル算出部１２２、指標値算出部１３Ａおよび次元圧縮部１５の処理を実行することによって得られる関係性指標値を、予測モデル生成部１４Ｄにより生成された予測モデル（予測モデル記憶部３０Ｄに記憶された予測モデル）に適用することにより、予測対象とするｍ’人の患者について認知症の重症度を予測する。

上記第１の実施形態では、５〜１０分程度の問診形式による自由会話の中で一人の患者が発言するであろう単語の標準的な種類を想定して、ｎの値を選ぶ必要があった。ｎの値が小さいと、予測対象とする一人の患者が発言する単語と、学習用データの文章から抽出したｎ種類の単語との重なりが少なくなり、重なりが１つもなくなる可能性もある。また、ｎ個から漏れた単語（単語抽出部１１により抽出されない単語）の情報は評価値行列ＤＷに加味されないことになる。そのため、ｎの値が小さくなればなるほど、予測の精度は落ちる。一方で、十分大きなｎの値を選べば、重なりが０個になる可能性は少なくなり、ｎ個から漏れる単語も少なくなるが、行列のサイズが大きくなり計算量が増える。また、出現頻度の低い単語も特徴量として含めることになり、過学習を起こしやすい。

これに対し、第４の実施形態によれば、ｍ個の文章に含まれる多く（例えば全て）の単語をｎ個の単語として抽出して評価値行列ＤＷを生成し、この評価値行列ＤＷで表現される特徴を反映させた状態で次元圧縮した評価値行列ＤＷ_SVDを算出することができる。これにより、少ない計算負荷で、学習による予測モデルの生成および当該生成した予測モデルを用いた認知症の重症度の予測をより正確に行うことが可能である。

なお、ここでは次元圧縮の一例としてＳＶＤを用いる例について説明したが、本発明はこれに限定されない。例えば、主成分分析（principal component analysis：ＰＣＡ）など他の次元圧縮手法を用いてもよい。

また、図９では、第１の実施形態において生成する文章・単語間の評価値行列ＤＷを次元圧縮する例について説明したが、図１０（ａ）のように第２の実施形態において生成する文章・品詞間の評価値行列ＤＨを次元圧縮する場合も同様に行うことが可能である。これに対し、図１０（ｂ）のように第３の実施形態において生成する第１評価値行列ＤＷおよび第２評価値行列ＤＨを次元圧縮する場合は、以下のような態様で行うことが可能である。

例えば、第１評価値行列ＤＷおよび第２評価値行列ＤＨのそれぞれに対して個別に次元圧縮を行うことが可能である。すなわち、ｍ×ｎ次元の第１評価値行列ＤＷをｍ×ｋ次元の第１評価値行列ＤＷ_SVDに次元圧縮するとともに、ｍ×ｐ次元の第２評価値行列ＤＨをｍ×ｋ次元の第２評価値行列ＤＨ_SVDに次元圧縮する。別の例として、図８（ａ）のように第１指標値行列ＤＷと第２指標値行列ＤＨとを横に並べてｍ×（ｎ＋ｐ）次元の１つの指標値行列を生成し、この生成した指標値行列をｍ×ｋ次元の評価値行列に次元圧縮するようにしてもよい。

（第５の実施形態）
次に、本発明による第５の実施形態を図面に基づいて説明する。図１１は、第５の実施形態による認知症予測装置の機能構成例を示すブロック図である。この図１１において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。なお、以下では、第１の実施形態に対する変形例として第５の実施形態を説明するが、第２の実施形態〜第４の実施形態の何れかに対する変形例としても同様に第５の実施形態を適用することが可能である。

図１１に示すように、第４の実施形態による認知症予測装置は、学習用データ入力部１０、予測モデル生成部１４Ａ、認知症予測部２１Ａおよび予測モデル記憶部３０Ａに代えて、学習用データ入力部１０Ｅ、予測モデル生成部１４Ｅ、認知症予測部２１Ｅおよび予測モデル記憶部３０Ｅを備えている。なお、学習用データ入力部１０Ｅ、関係性指標値算出部１００Ａおよび予測モデル生成部１４Ｅにより、本発明の予測モデル生成装置が構成される。

学習用データ入力部１０Ｅは、認知症の複数の評価項目ごとに重症度が既知であるｍ人の患者が行った自由会話の内容をそれぞれ表したｍ個の文章を学習用データとして入力する。認知症の複数の評価項目ごとの重症度とは、ＭＭＳＥの５つの評価項目、すなわち、見当識、記憶力、注意力（計算力）、言語的能力、構成力（図形的能力）ごとの各スコアの値であることを意味する。

予測モデル生成部１４Ｅは、関係性指標値算出部１００Ａにより算出されたｍ×ｎ個の関係性指標値を用いて、１つの文章ｄ_ｉについてｎ個の関係性指標値ｄｗ_ij（ｊ＝１，２，・・・，ｎ）から成る文章指標値群をもとに認知症の評価項目ごとの重症度を予測するための予測モデルを生成する。ここで予測する認知症の重症度とは、ＭＭＳＥの５つの評価項目ごとのスコアの値である。

すなわち、予測モデル生成部１４Ｅは、ＭＭＳＥの見当識、記憶力、注意力、言語的能力、構成力の各スコアが既知（例えば、それぞれｘ１点、ｘ２点、ｘ３点、ｘ４点、ｘ５点）である患者の自由会話をもとに算出される文章指標値群については、各評価項目についてそれぞれｘ１点、ｘ２点、ｘ３点、ｘ４点、ｘ５点にできるだけ近いスコアが予測されるような予測モデルを生成する。そして、予測モデル生成部１４Ｅは、生成した予測モデルを予測モデル記憶部３０Ｅに記憶させる。

予測モデル生成部１４Ｅは、指標値算出部１３Ａにより算出されたｍ×ｎ個の関係性指標値ｄｗ₁₁〜ｄｗ_mnを用いて、各文章ｄ_ｉ（ｉ＝１，２，・・・，ｍ）の文章指標値群についてそれぞれ認知症の評価項目ごとの重症度と関連のある特徴量を評価項目ごとに算出し、当該算出した特徴量に基づいて、１つの文章指標値群から認知症の評価項目ごとの重症度を予測するための予測モデルを生成する。ここで、予測モデル生成部１４Ｅが生成する予測モデルは、文章ｄ_ｉの文章指標値群を入力として、ＭＭＳＥの評価項目ごとのスコアを解として出力する学習モデルである。

第５の実施形態においても、予測モデル生成部１４Ｅが予測モデルを生成する際に算出する特徴量は、所定のアルゴリズムによって算出されるものであればよい。言い換えると、予測モデル生成部１４Ｅにおいて行う特徴量の算出方法は、任意に設計が可能である。例えば、予測モデル生成部１５Ｅは、各文章ｄ_ｉの文章指標値群のそれぞれに対し、評価項目ごとに、重み付け計算により得られる値が認知症の評価項目ごとの重症度を表す既知の値（ＭＭＳＥの評価項目ごとのスコア）に近づくように所定の重み付け計算を行い、文章指標値群に対する重み付けの値を評価項目ごとの特徴量として用いて、文章ｄ_ｉの文章指標値群から認知症の評価項目ごとの重症度（ＭＭＳＥの評価項目ごとのスコア）を予測するための予測モデルを生成する。

例えば、予測モデル生成部１４Ｅは、文章ｄ_ｉの文章指標値群に対するｎ個の重み値｛ａ_i1，ａ_i2，・・・，ａ_in｝のうち、何れか１つまたは複数の重み値を特徴量として第１評価項目（見当識）のスコアを予測し、別の１つまたは複数の重み値を特徴量として第２評価項目（記憶力）のスコアを予測し、以下同様に更に別の１つまたは複数の重み値を特徴量として第３評価項目〜第５評価項目（注意力、言語的能力、構成力）のスコアを予測するような予測モデルを生成する。

認知症予測部２１Ｅは、予測用データ入力部２０により入力された予測用データに対して単語抽出部１１Ａ、文章ベクトル算出部１２１、単語ベクトル算出部１２２および指標値算出部１３Ａの処理を実行することによって得られる関係性指標値を、予測モデル生成部１４Ｅにより生成された予測モデル（予測モデル記憶部３０Ｅに記憶された予測モデル）に適用することにより、予測対象とするｍ’人の患者について認知症の評価項目ごとの重症度を予測する。

以上のように構成した第５の実施形態によれば、ミニメンタルステート検査（ＭＭＳＥ）を行うことなく、ＭＭＳＥの評価項目ごとのスコアを予測することが可能である。

なお、ここではＭＭＳＥの５つの評価項目ごとにスコアを予測する例について説明したが、当該５つの評価項目を更に細分化したより多くの評価項目ごとにスコアを予測するようにしてもよい。

上記第１〜第５の実施形態では、学習器と予測器とを備えた認知症予測装置について例示したが、学習器のみを備えた予測モデル生成装置と、予測器のみを備えた認知症予測装置とを別に構成してもよい。学習器のみを備えた予測モデル生成装置の構成は、上記第１〜第５の実施形態で説明した通りである。一方、予測器のみを備えた認知症予測装置の構成は、例えば図１２に示す通りである。

図１２において、第２要素抽出部１１’は、単語抽出部１１Ａ、品詞抽出部１１Ｂ、または、単語抽出部１１Ａおよび品詞抽出部１１Ｂの組み合わせの何れかと同様の機能を有するものである。第２文章ベクトル算出部１２１’は、文章ベクトル算出部１２１と同様の機能を有するものである。第２要素ベクトル算出部１２０’は、単語ベクトル算出部１２２、品詞ベクトル算出部１２３、または、単語ベクトル算出部１２２および品詞ベクトル算出部１２３の組み合わせの何れかと同様の機能を有するものである。第２指標値算出部１３’は、指標値算出部１３Ａ〜１３Ｅの何れかと同様の機能を有するものである。認知症予測部２１’は、認知症予測部２１Ａ〜２１Ｅの何れかと同様の機能を有するものである。予測モデル記憶部３０’は、予測モデル記憶部３０Ａ〜３０Ｅの何れかと同様の予測モデルを記憶するものである。

また、上記第１〜第５の実施形態では、「認知症の重症度」がＭＭＳＥのスコアである場合の例、すなわち、ＭＭＳＥのスコアを予測する例について説明したが、本発明はこれに限定されない。例えば、認知症の重症度は、ＭＭＳＥのスコアの最大値未満かつ２以上の数で分類したカテゴリとしてもよい。例えば、ＭＭＳＥのスコアが３０〜２７点の場合は認知症の疑いなし、２６〜２２点の場合は軽度認知症障害の疑いあり、２１点以下の場合は認知症の疑いあり、のように認知症の重症度を３つのカテゴリに分類し、患者がどの分類に該当するかを予測するようにしてもよい。

この場合、例えば第１の実施形態において予測モデル生成部１４Ａは、ＭＭＳＥのスコアが３０〜２７点であることが既知の患者の自由会話に対応する文章データをもとに算出される文章指標値群については「認知症の疑いなし」の第１カテゴリに分類され、ＭＭＳＥのスコアが２６〜２２点であることが既知の患者の自由会話に対応する文章データをもとに算出される文章指標値群については「軽度認知症障害の疑いあり」の第２カテゴリに分類され、ＭＭＳＥのスコアが２１点以下であることが既知の患者の自由会話に対応する文章データをもとに算出される文章指標値群については「認知症の疑いあり」の第３カテゴリに分類されるような予測モデルを生成する。

例えば、予測モデル生成部１４Ａは、各文章ｄ_ｉの文章指標値群についてそれぞれ特徴量を算出し、当該算出した特徴量の値に応じて、マルコフ連鎖モンテカルロ法によるカテゴリ分離の最適化を行うことにより、各文章ｄ_ｉを複数のカテゴリに分類するための予測モデルを生成する。ここで、予測モデル生成部１４Ａが生成する予測モデルは、文章指標値群を入力として、予測したい複数のカテゴリのうち何れかを解として出力する学習モデルである。あるいは、何れかのカテゴリに分類される確率を数値として出力する学習モデルとしてもよい。学習モデルの形態は任意である。

また、上記第１〜第５の実施形態では、ＭＭＳＥのスコアを基準として認知症の重症度を予測する例について説明したが、本発明はこれに限定されない。すなわち、ＭＭＳＥのスコア以外で認知症の重症度を把握する方法、例えば、改訂版長谷川式簡易知能評価スケール（Hasegawa's Dementia Scale-Revised：HDS-R）、ADAS-cog（Alzheimer's Disease Assessment Scale-cognitive subscale）、CDR（Clinical Dementia Rating）、CDT（Clock Drawing Test）、COGNISTAT（Neurobehavioral Cognitive Status Examination）、セブンミニッツスクリーニングなどを基準として認知症の重症度を予測するようにすることも可能である。

また、上記第１〜第５の実施形態では、医師と患者との問診形式による自由会話を文字データ化し、これを認知症の重症度に関する学習および予測に利用する例について説明したが、本発明はこれに限定されない。例えば、患者が日常生活の中で行っている自由会話を文字データ化し、これを認知症の重症度に関する学習および予測に利用するようにしてもよい。

その他、上記第１〜第５の実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

１０，１０Ｅ 学習用データ入力部
１１Ａ 単語抽出部（要素抽出部）
１１Ｂ 品詞抽出部（要素抽出部）
１２Ａ〜１２Ｅ ベクトル算出部
１２１ 文章ベクトル算出部（要素ベクトル算出部）
１２２ 単語ベクトル算出部（要素ベクトル算出部）
１２３ 品詞ベクトル算出部（要素ベクトル算出部）
１３Ａ〜１３Ｃ 指標値算出部
１４Ａ〜１４Ｅ 予測モデル生成部
１５ 次元圧縮部
２０ 予測用データ入力部
２１Ａ〜２１Ｅ 認知症予測部
３０Ａ〜３０Ｅ 予測モデル記憶部
１００Ａ〜１００Ｅ 関係性指標値算出部

Claims (18)

1. 認知症の重症度が既知である複数人の患者が行った自由会話の内容をそれぞれ表した複数の文章を学習用データとして入力する学習用データ入力部と、
   上記学習用データ入力部により上記学習用データとして入力された上記複数の文章を形態素解析し、当該複数の文章から複数の分解要素を抽出する要素抽出部と、
   上記複数の文章をそれぞれ所定のルールに従ってｑ次元（ｑは２以上の任意の整数）にベクトル化することにより、ｑ個の軸成分から成る複数の文章ベクトルを算出する文章ベクトル算出部と、
   上記複数の分解要素をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成る複数の要素ベクトルを算出する要素ベクトル算出部と、
   上記複数の文章ベクトルと上記複数の要素ベクトルとの内積をそれぞれとることにより、上記複数の文章および上記複数の分解要素間の関係性を反映した関係性指標値を算出する指標値算出部と、
   上記指標値算出部により算出された上記関係性指標値を用いて、１つの文章について複数の関係性指標値から成る文章指標値群をもとに上記認知症の重症度を予測するための予測モデルを生成する予測モデル生成部と、
   予測対象とする患者が行った自由会話の内容を表した文章を予測用データとして入力する予測用データ入力部と、
   上記予測用データ入力部により入力された上記予測用データに対して上記要素抽出部、上記文章ベクトル算出部、上記要素ベクトル算出部および上記指標値算出部の処理を実行することによって得られる関係性指標値を、上記予測モデル生成部により生成された上記予測モデルに適用することにより、上記予測対象とする患者について上記認知症の重症度を予測する認知症予測部とを備えたことを特徴とする認知症予測装置。
2. 上記学習用データ入力部は、認知症の重症度が既知であるｍ人（ｍは２以上の任意の整数）の患者が行った自由会話の内容をそれぞれ表したｍ個の文章を上記学習用データとして入力し、
   上記要素抽出部は、上記学習用データ入力部により上記学習用データとして入力された上記ｍ個の文章を解析し、当該ｍ個の文章からｎ個（ｎは２以上の任意の整数）の単語を抽出する単語抽出部であり、
   上記文章ベクトル算出部は、上記ｍ個の文章をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｍ個の文章ベクトルを算出し、
   上記要素ベクトル算出部は、上記ｎ個の単語をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｎ個の単語ベクトルを算出する単語ベクトル算出部であり、
   上記指標値算出部は、上記ｍ個の文章ベクトルと上記ｎ個の単語ベクトルとの内積をそれぞれとることにより、上記ｍ個の文章および上記ｎ個の単語間の関係性を反映したｍ×ｎ個の関係性指標値を算出し、
   上記予測モデル生成部は、上記指標値算出部により算出された上記ｍ×ｎ個の関係性指標値を用いて、１つの文章についてｎ個の関係性指標値から成る文章指標値群をもとに上記認知症の重症度を予測するための予測モデルを生成し、
   上記予測用データ入力部は、予測対象とするｍ’人（ｍ’は１以上の任意の整数）の患者が行った自由会話の内容をそれぞれ表したｍ’個の文章を予測用データとして入力し、
   上記認知症予測部は、上記予測用データ入力部により入力された上記予測用データに対して上記単語抽出部、上記文章ベクトル算出部、上記単語ベクトル算出部および上記指標値算出部の処理を実行することによって得られる関係性指標値を、上記予測モデル生成部により生成された上記予測モデルに適用することにより、上記予測対象とするｍ’人の患者について上記認知症の重症度を予測することを特徴とする請求項１に記載の認知症予測装置。
3. 上記学習用データ入力部は、認知症の重症度が既知であるｍ人（ｍは２以上の任意の整数）の患者が行った自由会話の内容をそれぞれ表したｍ個の文章を上記学習用データとして入力し、
   上記要素抽出部は、上記学習用データ入力部により上記学習用データとして入力された上記ｍ個の文章を解析し、当該ｍ個の文章からｐ個（ｐは２以上の任意の整数）の品詞を抽出する品詞抽出部であり、
   上記文章ベクトル算出部は、上記ｍ個の文章をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｍ個の文章ベクトルを算出し、
   上記要素ベクトル算出部は、上記ｐ個の品詞をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｐ個の品詞ベクトルを算出する品詞ベクトル算出部であり、
   上記指標値算出部は、上記ｍ個の文章ベクトルと上記ｐ個の品詞ベクトルとの内積をそれぞれとることにより、上記ｍ個の文章および上記ｐ個の品詞間の関係性を反映したｍ×ｐ個の関係性指標値を算出し、
   上記予測モデル生成部は、上記指標値算出部により算出された上記ｍ×ｐ個の関係性指標値を用いて、１つの文章についてｐ個の関係性指標値から成る文章指標値群をもとに上記認知症の重症度を予測するための予測モデルを生成し、
   上記認知症予測部は、上記予測用データ入力部により入力された上記予測用データに対して上記品詞抽出部、上記文章ベクトル算出部、上記品詞ベクトル算出部および上記指標値算出部の処理を実行することによって得られる関係性指標値を、上記予測モデル生成部により生成された上記予測モデルに適用することにより、上記予測対象とするｍ’人の患者について上記認知症の重症度を予測することを特徴とする請求項１に記載の認知症予測装置。
4. 上記学習用データ入力部は、認知症の重症度が既知であるｍ人（ｍは２以上の任意の整数）の患者が行った自由会話の内容をそれぞれ表したｍ個の文章を上記学習用データとして入力し、
   上記要素抽出部は、上記学習用データ入力部により上記学習用データとして入力された上記ｍ個の文章を解析し、当該ｍ個の文章からｎ個（ｎは２以上の任意の整数）の単語を抽出する単語抽出部と、上記学習用データ入力部により上記学習用データとして入力された上記ｍ個の文章を解析し、当該ｍ個の文章からｐ個（ｐは２以上の任意の整数）の品詞を抽出する品詞抽出部とを含み、
   上記文章ベクトル算出部は、上記ｍ個の文章をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｍ個の文章ベクトルを算出し、
   上記要素ベクトル算出部は、上記ｎ個の単語をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｎ個の単語ベクトルを算出する単語ベクトル算出部と、上記ｐ個の品詞をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｐ個の品詞ベクトルを算出する品詞ベクトル算出部とを含み、
   上記指標値算出部は、上記ｍ個の文章ベクトルと上記ｎ個の単語ベクトルとの内積をそれぞれとることにより、上記ｍ個の文章および上記ｎ個の単語間の関係性を反映したｍ×ｎ個の関係性指標値を算出するとともに、上記ｍ個の文章ベクトルと上記ｐ個の品詞ベクトルとの内積をそれぞれとることにより、上記ｍ個の文章および上記ｐ個の品詞間の関係性を反映したｍ×ｐ個の関係性指標値を算出し、
   上記予測モデル生成部は、上記指標値算出部により算出された上記ｍ×ｎ個の関係性指標値および上記ｍ×ｐ個の関係性指標値を用いて、１つの文章についてｎ個の関係性指標値から成る文章指標値群およびｐ個の関係性指標値から成る文章指標値群をもとに上記認知症の重症度を予測するための予測モデルを生成し、
   上記認知症予測部は、上記予測用データ入力部により入力された上記予測用データに対して上記単語抽出部、上記品詞抽出部、上記文章ベクトル算出部、上記単語ベクトル算出部、上記品詞ベクトル算出部および上記指標値算出部の処理を実行することによって得られる上記関係性指標値を、上記予測モデル生成部により生成された上記予測モデルに適用することにより、上記予測対象とするｍ’人の患者について上記認知症の重症度を予測することを特徴とする請求項１に記載の認知症予測装置。
5. 上記指標値算出部により算出された上記関係性指標値に対して所定の次元圧縮処理を行うことにより、次元圧縮された関係性指標値を算出する次元圧縮部を更に備え、
   上記予測モデル生成部は、上記次元圧縮部により次元圧縮された関係性指標値を用いて、１つの文章について複数の関係性指標値から成る文章指標値群をもとに上記認知症の重症度を予測するための予測モデルを生成し、
   上記認知症予測部は、上記指標値算出部により算出された関係性指標値に対して更に上記次元圧縮部の処理を実行することによって得られる関係性指標値を、上記予測モデル生成部により生成された上記予測モデルに適用することにより、上記予測対象とする患者について上記認知症の重症度を予測することを特徴とする請求項１〜４の何れか１項に記載の認知症予測装置。
6. 上記予測モデル生成部は、上記文章指標値群について上記認知症の重症度と関連のある特徴量を算出し、当該算出した特徴量に基づいて、上記文章指標値群から上記認知症の重症度を予測するための上記予測モデルを生成することを特徴とする請求項１〜５の何れか１項に記載の認知症予測装置。
7. 上記予測モデル生成部は、上記文章指標値群に対し、重み付け計算により得られる値が上記認知症の重症度を表す既知の値に近づくように所定の重み付け計算を行い、上記文章指標値群に対する重み付けの値を上記特徴量として用いて、上記文章指標値群から上記認知症の重症度を予測するための上記予測モデルを生成することを特徴とする請求項６に記載の認知症予測装置。
8. 上記学習用データ入力部は、上記認知症の複数の評価項目ごとに重症度が既知である複数人の患者が行った自由会話の内容をそれぞれ表した複数の文章を学習用データとして入力し、
   上記予測モデル生成部は、上記文章指標値群をもとに上記認知症の上記評価項目ごとの重症度を予測するための予測モデルを生成し、
   上記認知症予測部は、上記予測対象とする患者について上記認知症の上記評価項目ごとの重症度を予測することを特徴とする請求項１〜５の何れか１項に記載の認知症予測装置。
9. 上記予測モデル生成部は、上記文章指標値群について上記認知症の上記評価項目ごとの重症度と関連のある特徴量を上記評価項目ごとに算出し、当該算出した特徴量に基づいて、上記文章指標値群から上記認知症の上記評価項目ごとの重症度を予測するための上記予測モデルを生成することを特徴とする請求項８に記載の認知症予測装置。
10. 上記予測モデル生成部は、上記文章指標値群に対し、上記評価項目ごとに、重み付け計算により得られる値が上記認知症の上記評価項目ごとの重症度を表す既知の値に近づくように所定の重み付け計算を行い、上記文章指標値群に対する重み付けの値を上記評価項目ごとの上記特徴量として用いて、上記文章指標値群から上記認知症の上記評価項目ごとの重症度を予測するための上記予測モデルを生成することを特徴とする請求項９に記載の認知症予測装置。
11. 上記認知症の重症度は、ミニメンタルステート検査のスコアの値であることを特徴とする請求項１〜１０の何れか１項に記載の認知症予測装置。
12. 上記認知症の重症度は、ミニメンタルステート検査のスコアの最大値未満かつ２以上の数で分類したカテゴリであることを特徴とする請求項１〜１０の何れか１項に記載の認知症予測装置。
13. 認知症の重症度が既知である複数人の患者が行った自由会話の内容をそれぞれ表した複数の文章を学習用データとして入力する学習用データ入力部と、
    上記学習用データ入力部により上記学習用データとして入力された上記複数の文章を形態素解析し、当該複数の文章から複数の分解要素を抽出する要素抽出部と、
    上記複数の文章をそれぞれ所定のルールに従ってｑ次元（ｑは２以上の任意の整数）にベクトル化することにより、ｑ個の軸成分から成る複数の文章ベクトルを算出する文章ベクトル算出部と、
    上記複数の分解要素をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成る複数の要素ベクトルを算出する要素ベクトル算出部と、
    上記複数の文章ベクトルと上記複数の要素ベクトルとの内積をそれぞれとることにより、上記複数の文章および上記複数の分解要素間の関係性を反映した関係性指標値を算出する指標値算出部と、
    上記指標値算出部により算出された上記関係性指標値を用いて、１つの文章について複数の関係性指標値から成る文章指標値群をもとに上記認知症の重症度を予測するための予測モデルを生成する予測モデル生成部とを備えたことを特徴とする予測モデル生成装置。
14. 上記学習用データ入力部は、上記認知症の複数の評価項目ごとに重症度が既知である複数人の患者が行った自由会話の内容をそれぞれ表した複数の文章を学習用データとして入力し、
    上記予測モデル生成部は、上記文章指標値群をもとに上記認知症の上記評価項目ごとの重症度を予測するための予測モデルを生成することを特徴とする請求項１３に記載の予測モデル生成装置。
15. 予測対象とする患者が行った自由会話の内容を表した１以上の文章を予測用データとして入力する予測用データ入力部と、
    上記予測用データ入力部により上記予測用データとして入力された上記１以上の文章を形態素解析し、当該１以上の文章から複数の分解要素を抽出する第２要素抽出部と、
    上記１以上の文章を所定のルールに従ってｑ次元（ｑは２以上の任意の整数）にベクトル化することにより、ｑ個の軸成分から成る１以上の文章ベクトルを算出する第２文章ベクトル算出部と、
    上記複数の分解要素をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成る複数の要素ベクトルを算出する第２要素ベクトル算出部と、
    上記１以上の文章ベクトルと上記複数の要素ベクトルとの内積をそれぞれとることにより、上記１以上の文章および上記複数の分解要素間の関係性を反映した関係性指標値を算出する第２指標値算出部と、
    上記第２指標値算出部により算出された関係性指標値を、請求項１３の予測モデル生成装置により生成された予測モデルに適用することにより、上記予測対象とする患者について上記認知症の重症度を予測する認知症予測部とを備えたことを特徴とする認知症予測装置。
16. 認知症の重症度が既知である複数人の患者が行った自由会話の内容をそれぞれ表した複数の文章を学習用データとして入力する学習用データ入力手段、
    上記学習用データ入力手段により上記学習用データとして入力された上記複数の文章を形態素解析し、当該複数の文章から複数の分解要素を抽出する要素抽出手段、
    上記複数の文章をそれぞれ所定のルールに従ってｑ次元（ｑは２以上の任意の整数）にベクトル化することにより、ｑ個の軸成分から成る複数の文章ベクトルを算出する文章ベクトル算出手段、
    上記複数の分解要素をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成る複数の要素ベクトルを算出する要素ベクトル算出手段、
    上記複数の文章ベクトルと上記複数の要素ベクトルとの内積をそれぞれとることにより、上記複数の文章および上記複数の分解要素間の関係性を反映した関係性指標値を算出する指標値算出手段、および
    上記指標値算出手段により算出された上記関係性指標値を用いて、１つの文章について複数の関係性指標値から成る文章指標値群をもとに上記認知症の重症度を予測するための予測モデルを生成する予測モデル生成手段
    としてコンピュータを機能させるための認知症予測用プログラム。
17. 予測対象とする患者が行った自由会話の内容を表した文章を予測用データとして入力する予測用データ入力手段、および
    上記予測用データ入力手段により入力された上記予測用データに対して上記要素抽出手段、上記文章ベクトル算出手段、上記要素ベクトル算出手段および上記指標値算出手段の処理を実行することによって得られる関係性指標値を、上記予測モデル生成手段により生成された上記予測モデルに適用することにより、上記予測対象とする患者について上記認知症の重症度を予測する認知症予測手段
    としてコンピュータを更に機能させるための請求項１６に記載の認知症予測用プログラム。
18. 予測対象とする患者が行った自由会話の内容を表した１以上の文章を予測用データとして入力する予測用データ入力手段、
    上記予測用データ入力手段により上記予測用データとして入力された上記１以上の文章を形態素解析し、当該１以上の文章から複数の分解要素を抽出する第２要素抽出手段、
    上記１以上の文章を所定のルールに従ってｑ次元（ｑは２以上の任意の整数）にベクトル化することにより、ｑ個の軸成分から成る１以上の文章ベクトルを算出する第２文章ベクトル算出手段、
    上記複数の分解要素をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成る複数の要素ベクトルを算出する第２要素ベクトル算出手段、
    上記１以上の文章ベクトルと上記複数の要素ベクトルとの内積をそれぞれとることにより、上記１以上の文章および上記複数の分解要素間の関係性を反映した関係性指標値を算出する第２指標値算出手段、および
    上記第２指標値算出手段により算出された関係性指標値を、請求項１６に記載の予測モデル生成手段により生成された予測モデルに適用することにより、上記予測対象とする患者について上記認知症の重症度を予測する認知症予測手段
    としてコンピュータを機能させるための認知症予測用プログラム。