JP2020042810A - 医用情報処理装置、医用情報処理方法、医用情報処理プログラムおよび医用情報処理システム - Google Patents

Abstract

【課題】結果に対する信頼性を向上できることである。【解決手段】本実施形態に係る医用情報処理装置は、取得部と、信号処理部と、診断部とを含む。取得部は、異なる撮影方法および異なる信号処理の少なくとも一方の実行により、被検体に関する複数の加工医用信号を取得する。診断部は、前記複数の加工医用信号を入力とし、学習済みモデルを用いて診断結果を出力する。【選択図】図２

Description

本発明の実施形態は、医用情報処理装置、医用情報処理方法、医用情報処理プログラムおよび医用情報処理システムに関する。

コンピュータ自動診断またはコンピュータ支援診断（ＣＡＤ：Computer Aided Diagnosis）と呼ばれる、画像が入力されると画像解析が行われ、画像に対する診断結果または診断の支援情報を出力するシステムが用いられている。しかし、出力される結果は、安定性が入力画質に依存してしまう場合があったり、診断結果を十分信頼することに不安があったりすることがある。

特開２０１７−７２９１５号公報 特開２０１７−１８２７５３号公報

本発明が解決しようとする課題は、結果に対する信頼性が高めることである。

本実施形態に係る医用情報処理装置は、取得部と、信号処理部と、診断部とを含む。取得部は、異なる撮影方法および異なる信号処理の少なくとも一方の実行により、被検体に関する複数の加工医用信号を取得する。診断部は、前記複数の加工医用信号を入力とし、学習済みモデルを用いて診断結果を出力する。

図１は、医用情報処理装置が設けられる病院情報システムの構成例を示すブロック図である。 図２は、医用情報処理装置の構成例を示すブロック図である。 図３は、学習済みモデルを生成する学習システムの一例を示すブロック図である。 図４は、多層化ネットワークの典型的な構成を示す概念図である。 図５は、第１の実施形態に係る第１の処理例に係るデータフローを示す概念図である。 図６は、第１の実施形態に係る第２の処理例に係るデータフローを示す概念図である。 図７は、第１の実施形態に係る第３の処理例に係るデータフローを示す概念図である。 図８は、第２の実施形態に係る第１の処理例に係るデータフローを示す概念図である。 図９は、第２の実施形態に係る第２の処理例に係るデータフローを示す概念図である。

以下、図面を参照しながら本実施形態に係わる医用情報処理装置、医用情報処理方法、医用情報処理プログラムおよび医用情報処理システムについて説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。
以下、一実施形態について図面を用いて説明する。

（第１の実施形態）
図１は、第１の実施形態に係る医用情報処理装置１０が設けられる病院情報システム１の構成例を示すブロック図である。図１に示される病院情報システム１は、医用情報処理装置１０、電子カルテシステム２０、医用画像管理システム（ＰＡＣＳ：Picture Archiving and Communication System）３０、及び通信端末４０を具備する。医用情報処理装置１０、電子カルテシステム２０、医用画像管理システム３０、及び通信端末４０は、ＬＡＮ（Local Area Network）等の病院内ネットワークを介してデータ通信可能に接続されている。なお、病院内ネットワークへの接続は、有線接続、及び無線接続を問わない。また、セキュリティが確保されるのであれば、接続される回線は病院内ネットワークに限定されない。例えば、ＶＰＮ（Virtual Private Network）等を介し、インターネット等、公衆の通信回線に接続するようにしても構わない。

電子カルテシステム２０は、診療情報及び患者情報等を含む電子カルテデータを記憶し、記憶している電子カルテデータを管理するシステムである。診療情報は、例えば、所見情報、病名情報、バイタル情報、検査段階情報、及び治療内容の情報等、電子カルテに係る情報を含む。患者情報は、例えば、患者ＩＤ、患者氏名、性別、及び年齢等を含む。

電子カルテシステム２０は、例えば、サーバ装置２１、及び通信端末２２を有する。サーバ装置２１と、通信端末２２とは、病院内ネットワークを介してデータ通信可能に接続されている。サーバ装置２１は、電子カルテシステム２０において、診療情報及び患者情報等を記憶し、記憶している診療情報及び患者情報等を管理する。例えば、サーバ装置２１は、出力要求に応じ、記憶している診療情報及び患者情報等を要求元へ出力する。

なお、図１では、電子カルテシステム２０に含まれるサーバがサーバ装置２１のみである場合を例に示しているが、これに限定されない。サーバ装置２１は、必要に応じて複数設けられていても構わない。例えば、サーバ装置２１は、管理する情報毎に設けられても構わない。

通信端末２２は、医師等の医療スタッフがサーバ装置２１へアクセスするための端末である。具体的には、例えば、通信端末２２は、医療スタッフより操作され、サーバ装置２１に対し、サーバ装置２１に記憶されている情報を要求する。

医用画像管理システム３０は、医用画像データを記憶し、記憶している医用画像データを管理するシステムである。医用画像管理システム３０は、例えば、サーバ装置３１を有する。サーバ装置３１は、医用画像管理システム３０において、例えば、ＤＩＣＯＭ（Digital Imaging and Communication Medicine）規格に則って変換された医用画像データを記憶し、記憶している医用画像データを管理する。例えば、サーバ装置３１は、閲覧要求に応じ、記憶している医用画像データを要求元へ送信する。

なお、図１では、医用画像管理システム３０に含まれるサーバがサーバ装置３１のみである場合を例に示しているが、これに限定されない。サーバ装置３１は、必要に応じて複数設けられていても構わない。

通信端末４０は、医師等の医療スタッフがＬＡＮに接続されているシステム及び装置等へアクセスするための端末である。

医用情報処理装置１０は、医師等の操作者による患者の診断を支援する装置である。図２は、図１に示される医用情報処理装置１０の機能構成の例を表すブロック図である。図２に示される医用情報処理装置１０は、処理回路１１、メモリ１２、及び通信インタフェース１３を有する。処理回路１１、メモリ１２、及び通信インタフェース１３は、例えば、バスを介して互いに通信可能に接続されている。

医用情報処理装置１０は、医用撮像装置を搭載する医用画像診断装置に搭載されたコンピュータであっても良いし、当該医用画像診断装置にケーブルやネットワーク等を介して通信可能に接続されたコンピュータであっても良いし、当該医用画像診断装置とは独立のコンピュータであっても良い。

処理回路１１は、医用情報処理装置１０の中枢として機能するプロセッサである。処理回路１１は、メモリ１２等に記憶されているプログラムを実行することにより、当該プログラムに対応する機能を実現する。

図２に示される処理回路１１は、メモリ１２に記憶されている診断支援プログラムを実行することで、当該プログラムに対応する機能を実現する。例えば、処理回路１１は、診断支援プログラムを実行することで、取得機能１１１、信号処理機能１１３、診断機能１１５、表示制御機能１１７、及び通信制御機能１１９を実行する。なお、各機能１１１〜１１９は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能１１１〜１１９を実現するものとしても構わない。

取得機能１１１を実行することにより処理回路１１は、被検体から得られた医用信号を取得する。医用信号としては、例えば、画像信号、生データを想定するが、生データに対し何らかの信号処理を実行した画像データ発生前の中間データでも良い。また、異なる撮像方法を実行することにより複数の医用信号が複数の加工医用信号として取得されてもよい。
画像信号に基づく画像は、例えば、超音波画像、ＣＴ（Computed Tomography）画像、ＭＲ（Magnetic Resonance）画像、ＰＥＴ（Positron Emission Tomography）画像、およびＳＰＥＣＴ(Single Photon Emission Computed Tomography)画像である。生データまたは中間データは、例えば、磁気共鳴イメージング装置で取得されるｋ空間データ、Ｘ線ＣＴ装置で取得される投影データまたはサイノグラムデータ、フォトンカウンティングＣＴ装置で取得される、スペトラルデータ、エネルギー帯が異なる画像データまたは物質弁別された画像データ、超音波診断装置で取得されるエコーデータ、ＰＥＴ装置で取得されるコインシデンスデータまたはサイノグラムデータ、ＳＰＥＣＴ装置で取得される投影データまたはサイノグラムデータ、および心電図で取得されるＥＣＧ波形が挙げられるが、他のデータであってもよい。

信号処理機能１１３を実行することにより処理回路１１は、医用信号に対してそれぞれ異なる複数の信号処理を実行し、信号処理ごとに加工医用信号を生成する。信号処理機能１１３は、ある信号処理により得られた加工医用信号が後段の信号処理に送られて処理されるといった、順次処理でもよい。または、信号処理機能１１３に対して医用信号が入力され、当該医用信号に対して複数の信号処理が実行される並列処理であってもよい。

具体例として、本実施形態では、第１信号処理機能１１３１、第２信号処理機能１１３３、第３信号処理機能１１３５の３つの信号処理機能を有する場合を想定する。なお、これに限らず、処理回路１１は、４以上の信号処理機能を実行してもよい。

第１信号処理機能１１３１を実行することにより処理回路１１は、医用信号を受け取り、医用信号に対し第１信号処理を実行する。本実施形態では、第１信号処理として画像再構成処理を実行し、加工医用信号として再構成画像信号を生成する場合を想定する。例えば、医用信号がＸ線ＣＴ装置で取得される投影データおよびサイノグラムデータであれば、フィルタ補正逆投影法（Ｆｉｌｔｅｒｅｄ Ｂａｃｋ Ｐｒｏｊｅｃｔｉｏｎ）を用いて再構成ＣＴ画像信号が生成される。医用信号がＭＲＩ装置で取得されるｋ空間データである場合は、ｋ空間データに対しフーリエ変換処理を実行することで再構成ＭＲ画像信号が生成される。

第２信号処理機能１１３３を実行することにより処理回路１１は、第１信号処理機能１１３１から再構成画像信号を受け取り、第２信号処理を実行する。本実施形態では、第２信号処理として再構成画像信号に対しフィルタ処理を実行し、加工医用信号としてフィルタ後画像信号を生成する。フィルタ処理は、例えば、ノイズ低減、エッジ強調、平滑化、コントラスト化といった処理が挙げられる。

第３信号処理機能１１３５を実行することにより処理回路１１は、第２信号処理機能１１３３からフィルタ後画像信号を受け取り、第３信号処理を実行する。本実施形態ではあ、第３信号処理としてフィルタ後画像信号に対して解析処理を実行し、加工医用信号として解析画像信号を生成する。解析処理は、例えば、臓器などについてのセグメンテーション、腫瘍などのサイズ計測といった処理が挙げられる。
なお、信号処理機能１１３により生成される複数の加工医用信号は、学習時には、学習用データとして用いることができるため、取得機能１１１及び信号処理機能１１３は学習用データ生成装置の一部を構成してもよい。

診断機能１１５を実行することにより処理回路１１は、生成された複数の加工医用信号を入力とし、学習済みモデル（例えば、機械学習によりパラメータが調整された多層化ネットワーク）を用いて診断結果を出力する。具体的には、第１信号処理機能１１３１、第２信号処理機能１１３３および第３信号処理機能１１３５からそれぞれ、再構成画像信号、フィルタ後画像信号および解析画像信号を受け取る。診断機能１１５を実行することにより処理回路１１は、再構成画像信号、フィルタ後画像信号および解析画像信号を入力とし、後述の機械学習に基づく学習済みモデルを用いて、医用画像に関する診断結果を出力する。
診断結果は、例えば、腫瘍の良性及び悪性の判定結果を想定するが、これに限らず、疾患の良悪の判定結果、疾患の疑いがあるか否かといった正常では無い状態の判定結果でもよいし、臓器位置などの領域の自動抽出結果、投薬の種類、用法及び用量に関する情報でもよい。または、診断結果は、ある疾患について手術するか、手術以外の治療をするか、経過観察をするかといった疾患に対する治療及び手術の要否判定結果でもよい。さらに、診断結果はこれら上述した情報の組合せであってもよい。

なお、処理回路１１は、各診断結果を数字（連続値）として出力してもよいし、１，２，３（あるいはＡ，Ｂ，Ｃ）などでカテゴリ分けした分類情報として出力してもよい。カテゴリは、癌の進行状態を示すステージなどが一例として挙げられる。
また、処理回路１１は、診断結果として「癌が検出された位置」を示す情報を出力してもよい。例えば、処理回路１１は異なる信号処理で得られた加工医用信号に基づく画像に対して癌の位置を検出し、それぞれの検出した位置を出力する。この場合、各加工医用信号に基づく画像において同じ位置に癌が検出されれば、これまで以上に診断結果の信頼度が増すということに繋がる。

表示制御機能１１７を実行することにより処理回路１１は、診断結果をディスプレイ（図示せず）などに表示するように制御する。なお、処理回路１１は、診断結果と併せて医用信号、加工医用信号（本実施形態の例であれば、再構成画像、フィルタ後画像、解析画像）を表示するように制御してもよい。

通信制御機能１１９を実行することにより処理回路１１は、通信インタフェース１３及びＬＡＮを介し、医用情報処理装置１０と、医用画像管理システム３０などの各システム及び図示しない医用画像撮像装置（ＭＲＩ装置、Ｘ線ＣＴ装置）との通信を制御する。

通信インタフェース１３は、病院内ネットワークを介して接続された電子カルテシステム２０、医用画像管理システム３０、及び通信端末４０との間でデータ通信を行う。通信インタフェース１３は、例えば、予め設定されている既知の規格に準拠してデータ通信を行う。電子カルテシステム２０との間では、例えば、ＨＬ７に準拠した通信が実施される。また、医用画像管理システム３０との間では、例えば、ＤＩＣＯＭに準拠した通信が実施される。

なお、医用情報処理装置１０は、入力インタフェースを有してもよい。入力インタフェースは、ユーザから各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１１へ出力する。入力インタフェースは、例えば、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド、及び操作面へ触れることで指示が入力されるタッチパネル等の入力機器に接続されている。また、入力インタフェースに接続される入力機器は、ネットワーク等を介して接続された他のコンピュータに設けられた入力機器でもよい。

また、医用情報処理装置１０は、ディスプレイを有してもよい。ディスプレイは、処理回路１１からの指示に従って種々の情報を表示する。また、ディスプレイは、ユーザからの各種操作を受け付けるためのＧＵＩ（Graphical User Interface）等を表示してもよい。ディスプレイは、例えば、ＣＲＴ（Cathode Ray Tube）ディスプレイ、液晶ディスプレイ、有機ＥＬディスプレイ（ＯＥＬＤ：Organic Electro Luminescence Display）、ＬＥＤディスプレイ、及びプラズマディスプレイ等、任意のディスプレイが適宜利用可能である。

メモリ１２は、種々の情報を記憶するＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、及び集積回路記憶装置等の記憶装置である。また、メモリ１２は、ＣＤ−ＲＯＭドライブ、ＤＶＤドライブ、及びフラッシュメモリ等の可搬型記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。なお、メモリ１２は、必ずしも単一の記憶装置により実現される必要は無い。例えば、メモリ１２は、複数の記憶装置により実現されても構わない。また、メモリ１２は、医用情報処理装置１０にネットワークを介して接続された他のコンピュータ内にあってもよい。このようにメモリ１２が他のコンピュータ内にある場合に、医用情報処理装置１０と、医用情報処理装置１０とネットワークを介して接続された他のコンピュータとが「医用情報処理システム」の一例として挙げられる。「医用情報処理システム」は、これに限らず、医用情報処理装置１０の機能の一部が医用情報処理装置１０および１つまたは複数の他のコンピュータに分散して設けられていればよい。

メモリ１２は、本実施形態に係る診断支援プログラム等を記憶している。なお、この診断支援プログラムは、例えば、メモリ１２に予め記憶されていてもよい。また、例えば、非一過性の記憶媒体に記憶されて配布され、非一過性の記憶媒体から読み出されてメモリ１２にインストールされてもよい。

また、メモリ１２は、例えば、機械学習により生成された識別器としての学習済みモデル１２１を記憶している。なお、学習済みモデル１２１は、計算モデルの一例である。本実施形態において、学習済みモデル１２１とは、モデル学習プログラムに従って機械学習モデルに機械学習を行わせることで生成されるモデルを表す。

次に、学習済みモデル１２１の生成方法について図３を参照して説明する。
図３は、学習済みモデル１２１を生成する学習システムの一例を示すブロック図である。図３に示される医用情報処理システムは、医用情報処理装置１０と、学習データ保管装置５０と、モデル学習装置６０とを含む。

学習データ保管装置５０は、複数の学習サンプルを含む学習用データを記憶する。例えば、学習データ保管装置５０は、大容量記憶装置が内蔵されたコンピュータである。また、学習データ保管装置５０は、コンピュータにケーブルや通信ネットワークを介して通信可能に接続された大容量記憶装置であってもよい。当該記憶装置としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、集積回路記憶装置等が適宜利用可能である。

モデル学習装置６０は、学習データ保管装置５０に記憶された学習用データに基づいて、モデル学習プログラムに従い機械学習モデルに機械学習を行わせることで、学習済みモデル１２１を生成する。本実施形態において、機械学習のアルゴリズムとして、判別分析、ロジスティック回帰、サポートベクターマシン、ニューラルネットワーク、Randomized Trees、又は部分空間法等が挙げられる。モデル学習装置６０は、ＣＰＵ（Central Processing Unit）及びＧＰＵ（Graphics Processing Unit）等のプロセッサを有するワークステーション等のコンピュータである。

モデル学習装置６０と学習データ保管装置５０とはケーブル、又は通信ネットワークを介して通信可能に接続されてもよい。また、学習データ保管装置５０がモデル学習装置６０に搭載されてもよい。これらの場合、学習データ保管装置５０からモデル学習装置６０へ学習用データが供給される。なお、モデル学習装置６０と学習データ保管装置５０とは通信可能に接続されてなくてもよい。この場合、学習用データが記憶された可搬型記憶媒体を介して、学習データ保管装置５０からモデル学習装置６０へ学習用データが供給される。

医用情報処理装置１０とモデル学習装置６０とはケーブル、又は通信ネットワークを介して通信可能に接続されてもよい。また、医用情報処理装置１０とモデル学習装置６０とは単一のコンピュータに実装されていてもよい。これらの場合、モデル学習装置６０で生成された学習済みモデル１２１が医用情報処理装置１０へ供給される。なお、医用情報処理装置１０とモデル学習装置６０とは、必ずしも通信可能に接続されてなくてもよい。この場合、学習済みモデル１２１が記憶された可搬型記憶媒体等を介して、モデル学習装置６０から医用情報処理装置１０へ学習済みモデル１２１が供給される。

学習済みモデル１２１の医用情報処理装置１０への供給は、医用情報処理装置１０の製造以降の如何なる時点で行われてもよい。例えば、製造から医用施設等への据付の間の任意の時点でもよいし、メンテナンス時でもよい。供給された学習済みモデル１２１は、医用情報処理装置１０のメモリ１２に記憶される。

本実施形態に係る学習済みモデル１２１は、例えば、医用画像データ及び非画像の診療情報等の医用信号を入力として、疾患名の推定、疾患悪性度の推定（例えば腫瘍が良性であるか悪性であるかの判定）、又は予後予測等の診断結果を出力するための、複数の関数が合成されたパラメータ付き合成関数である。

パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。本実施形態に係る学習済みモデル１２１は、上記の要請を満たす如何なるパラメータ付き合成関数であってもよい。

ここで、学習済みモデルとして用いる多層化ネットワークの典型的な構成について、図４の概念図を参照して説明する。

多層化ネットワークとは、層状に並べた隣接層間のみ結合した構造を持ち、情報が入力層側から出力層側に一方向に伝播するネットワークである。本実施形態に係る多層化ネットワークは、図４に示す様に、入力層（ｌ＝１）、中間層（ｌ＝２，３，・・・，Ｌ−１）、出力層（ｌ＝Ｌ）のＬ個の層から構成されるものとする。なお、以下は例を説明するものであって、多層化ネットワークの構成は以下の説明に限定されない。

第ｌ層でのユニット数をＩ個とし、第ｌ層への入力ｕ^（ｌ）を式（１−１）、第ｌ層からの出力ｚ^（ｌ）を式（ｌ−２）の様にそれぞれ表記すると、第ｌ層への入力と第ｌ層からの出力との関係は、式（１−３）によって表すことができる。

ここで、右上の添字（ｌ）は層の番号を示す。また、式（１−３）におけるｆ（ｕ）は、活性化関数であり、ロジスティックシグモイド関数（ロジスティック関数）、双曲線正接関数、正規化線形関数（ReLU：Rectified Liner Unit)、線形写像、恒等写像、マックスアウト関数等、目的に応じて種々の関数を選択することができる。

第ｌ＋１層でのユニット数をＪ個とし、第ｌ層と第ｌ＋１層との間の重み付行列Ｗ^{（ｌ＋１）}を式（２−１）、第ｌ＋１層におけるバイアスｂ^{（ｌ＋１）}を式（２−２）の様にそれぞれ表記すると、第ｌ＋１層への入力ｕ^{（ｌ＋１）}、第ｌ＋１層からの出力ｚ^{（ｌ＋１）}は、それぞれ式（２−３）、式（２−４）によって表すことができる。

本実施形態に係る多層化ネットワークにおいて、入力層（ｌ＝１）には、式（３−１）で表現される医用信号が入力される。また、当該入力層においては、入力データｘがそのまま出力データｚ^（１）となるため、式（３−２）の関係が成立する。

ここで、入力層に入力される医用信号を「入力医用信号」と呼ぶことにすれば、入力医用信号ｘについては、目的に応じて種々の形式を選択することができる。以下、典型例をいくつか列記する。
（１）入力医用信号ｘを一個の画像データとし、各成分ｘ_ｐ（ｐ＝１，２，・・・，Ｎ）を当該一個の画像データを構成する位置毎の値（ピクセル値或いはボクセル値）として規定する形式。
（２）入力医用信号ｘをＭ個の画像データ（例えば、互いに撮像条件の異なる複数の画像データ）とし、各成分ｘ_ｐのうちの１≦ｐ≦ｑまでを一個目の画像データ、ｑ＋１≦ｐ≦ｒまでを二個目の画像データ、ｒ＋１≦ｐ≦ｓまでを三個目の画像データ、・・・として、入力層において画像データ毎に入力ユニットの範囲を割り当てる形式。
（３）入力医用信号ｘをＭ個の画像データとし、各成分ｘ_ｐを一個の画像データの位置毎の値（ピクセル値或いはボクセル値）を縦に並べたベクトルとして規定する形式。
（４）入力医用信号ｘを、ｋ空間データや投影データ等の生データ（ＲＡＷデータ）として、（１）〜（３）等を採用する形式。
（５）入力医用信号ｘを、畳み込み処理が施された画像データ又は生データとして、（１）〜（３）等を採用する形式。

入力層に続く中間層（ｌ＝２，３，・・・，Ｌ−１）層においては、式（２−３）、式（２−４）に従う計算を順次実行することで、各層の出力ｚ^（２），・・・ｚ^（L-1）を計算することができる。

出力層（第Ｌ層）の出力ｚ^（Ｌ）を以下の式（４−１）の様に表記する。本実施形態に係る多層化ネットワークは、入力層に入力された画像データｘが、入力層側から出力層側に向かって隣接層間でのみ結合しながら伝播する順伝播型ネットワークである。この様な順伝播型ネットワークは、式（４−２）の様な合成関数として表現することができる。

式（４−２）によって定義される合成関数は、式（２−３）、式（２−４）より、重み付行列Ｗ^{（ｌ＋１）}を用いた各層間の線形関係、各層における活性化関数ｆ（ｕ^{（ｌ＋１）}）を用いた非線形関係（又は線形関係）、バイアスｂ^{（ｌ＋１）}の組み合わせとして定義される。特に、重み付行列Ｗ^{（ｌ＋１）}、バイアスｂ^{（ｌ＋１）}はネットワークのパラメータｐと呼ばれる。式（４−２）によって定義される合成関数は、パラメータｐをどのように選ぶかで、関数としての形を変える。従って、本実施形態に係る多層化ネットワークは、式（４−２）を構成するパラメータｐを適切に選ぶことで、出力層が好ましい結果ｙを出力することができる関数として、定義することができる。

パラメータｐを適切に選ぶためには、学習用データと誤差関数とを用いた学習を実行する。ここで、学習用データとは、入力ｘ_ｎに対する望ましい出力（正解出力）をｄ_ｎとすると、式（５−１）のように表現される学習サンプル（ｘ_ｎ，ｄ_ｎ）の集合Ｄ（ｎ＝１，・・・，S）である。

また、誤差関数とは、ｘ_ｎを入力した多層化ネットワークからの出力と学習用データｄ_ｎとの近さを表す関数である。誤差関数の代表例としては、二乗誤差関数、最尤度推定関数、交差エントロピー関数等を挙げることができる。どのような関数を誤差関数に選択するかは、多層化ネットワークが取り扱う問題（例えば、回帰問題、二値問題、多クラス分類問題等）に依存する。

誤差関数をＥ（ｐ）と表記し、一つの学習サンプル（ｘ_ｎ，ｄ_ｎ）のみを使用して計算される誤差関数をＥ_ｎ（ｐ）と表記する。現在のパラメータｐ^（ｔ）は、勾配降下法に従う場合には誤差関数Ｅ（ｐ）の勾配ベクトルを用いた式（６−１）、確率的勾配降下法に従う場合には誤差関数Ｅ_ｎ（ｐ）の勾配ベクトルを用いた式（６−３）によって、新たなパラメータｐ^{（ｔ＋１）}に更新される。

ここで、εはパラメータｐの更新量の大きさを定める学習係数である。
式（６−１）又は式（６−３）に従って、現在のｐを負の勾配方向に少し動かし、これを逐次繰り返すことで、誤差関数Ｅ（ｐ）を極小にするパラメータｐを決定することができる。

なお、式（６−１）又は式（６−３）を計算するためには、式（６−２）で示されるＥ（ｐ）の勾配ベクトル、又は式（６−４）で示されるＥ_ｎ（ｐ）の勾配ベクトルを計算する必要がある。誤差関数が二乗誤差関数である場合を例とすれば、式（７−１）に示される誤差関数について、各層の重み係数と各ユニットのバイアスとで微分する必要がある。

一方、最終出力ｙが式（４−２）で表される合成関数であることから、Ｅ（ｐ）又はＥ_ｎ（ｐ）の勾配ベクトルの計算は複雑であり、その計算量も膨大なものとなる。

この様な勾配計算における不具合は、誤差逆伝播法によって解決することができる。例えば、第ｌ−１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗ_ji ^(l)についての誤差関数の微分は、以下の式（８−１）の様に表すことができる。

ｌ層の第ｊユニットへの入力ｕ_ｊ ^（ｌ）がＥ_ｎに与える変化量は、当該第ｊユニットからの出力ｚ_ｊ ^（ｌ）を通じて第ｌ＋１層の各ユニットｋへの各入力ｕ_ｋ ^{（ｌ＋１）}を変化させることのみを介して生じるものである。このことから、式（８−１）の右辺第１項は、微分の連鎖則を用いて、次の式（９−１）の様に表すことができる。

ここで、式（９−１）の左辺をδ_ｊ ^（ｌ）とおくと、式（１０−１）、式（１０−２）の関係を使って、式（９−１）は式（１０−３）の様に書き直すことができる。

式（１０−３）より、左辺のδ_ｊ ^（ｌ）は、δ_ｋ ^{（ｌ＋１）}（ｋ＝１，２，・・・・）から計算できることがわかる。すなわち、一つ上位の出力層側に存在する第ｌ＋１層の第ｋユニットに関するδ_ｋ ^{（ｌ＋１）}が与えられれば、第ｌ層についてのδ_ｊ ^（ｌ）を計算することができる。さらに、第ｌ＋１層の第ｋユニットに関するδ_ｋ ^{（ｌ＋１）}についても、その一つ上位の出力層側に存在する第ｌ＋２層の第ｋユニットに関するδ_ｋ ^{（ｌ＋２）}が与えられれば、計算することができる。このことを逐次繰り返して最上位層である出力層まで辿ることができる。

最初に第Ｌ層である出力層の第ｋユニットに関するδ_ｋ ^（Ｌ）が取得されていれば、式（１０−３）を用いて下位側（すなわち入力層側）に向かって逐次計算を繰り返すことにより（逆伝播）、任意層におけるδ_ｋ ^{（ｌ＋１）}を計算することができる。

一方、式（８−１）の右辺第２項については、式（２−３）を第ｌ層について成分で表現した式（１１−１）を用いて、式（１１−２）の様に計算することができる。

従って、第ｌ−１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗ_ji ^(l)についての誤差関数の微分は、式（８−１）、式（１０−３）によるδ_ｊ ^（ｌ）、式（１１−２）を用いて、以下の式（１２−１）の様に表現することができる。

式（１２−１）から、第ｌ−１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗ_ji ^(l)についての誤差関数の微分は、第ｊユニットに関するδ_ｊ ^（ｌ）と、第ｉユニットからの出力であるｚ_ｉ ^{（ｌ−１）}との積で与えられることがわかる。なお、δ_ｊ ^（ｌ）についての計算は、上述した様に、式（１０−３）を用いて逆伝播により求めることができ、また、逆伝播の最初の値、すなわち、第Ｌ層である出力層に関するδ_ｊ ^（Ｌ）は、以下の式（１３−１）の様に計算することができる。

以上の手順により、本実施形態に係る多層化ネットワークについて、ある学習サンプル（ｘ_ｎ，ｄ_ｎ）を用いた学習を実現することができる。なお、複数の学習サンプルに対する誤差の総和Ｅ＝Σ_ｎＥ_ｎに関する勾配ベクトルについては、上述した手順を学習サンプル（ｘ_ｎ，ｄ_ｎ）毎に並列的に繰り返し、以下の式（１４−１）に示す和を計算することで、取得することができる。

本実施形態では、学習用データとして、医用信号について複数の信号処理が行われた複数の加工医用信号を入力とし、疾患の悪性度に関する診断結果を正解出力とした学習サンプルの集合を用いればよい。モデル学習装置６０は、当該学習用データに基づいて機械学習を実施することで、入力された医用信号に基づいて疾患の悪性度に関する診断結果を推定する学習済みモデルが生成される。

なお、上述の学習済みモデルは、撮像部位毎に関わらず、腫瘍の悪性度について検出する学習済みモデルを生成することを想定するが、心臓、肝臓、肺、脊椎といった撮像部位毎に学習済みモデルを生成してもよい。例えば、心臓を撮影した画像と、当該画像について画像処理を実行した加工画像とを入力とし、診断結果を正解出力とした学習用データを用いて機械学習を実行すればよい。

次に、第１の実施形態に係る医用情報処理装置１０の第１の処理例について、図５を参照して説明する。
図５は、医用信号が入力されてから診断結果が出力されるまでの第１の処理例に係るデータフローを示す概念図である。

第１信号処理機能１１３１を実行することにより処理回路１１は、入力された医用信号に対して第１信号処理Ｓ３１（ここでは、画像再構成処理）を実行し、再構成画像信号が生成される。再構成画像信号は、第２信号処理機能１１３３と診断機能１１５とに入力される。

第２信号処理機能１１３３を実行することにより処理回路１１は、再構成画像信号に対して第２信号処理Ｓ３３（ここでは、フィルタ処理）を実行し、フィルタ後画像信号が生成される。フィルタ後画像信号は、第３信号処理機能１１３５と診断機能１１５とに入力される。

第３信号処理機能１１３５を実行することにより処理回路１１は、フィルタ後画像信号に対して第３信号処理Ｓ３５（ここでは、セグメンテーション処理）を実行し、解析画像信号が生成される。第３信号処理Ｓ３５により生成された解析画像信号は、表示制御機能１１７を介して解析画像としてディスプレイに表示される一方、解析画像信号が診断機能１１５に入力される。

診断機能１１５を実行することにより処理回路１１は、各信号処理後の信号、すなわち、画像信号、フィルタ後画像信号及び解析画像信号を入力とし、学習済みモデルに基づいて診断結果を出力する。具体的には、例えば３つの画像で特徴的なパターンに基づき、「腫瘍は良性です」または「腫瘍は悪性です」といったメッセージなどが診断結果として出力される。

本実施形態では、１つの医用信号に対して信号処理、フィルタ処理などの複数の信号処理を次々に実行することで、特徴の異なる複数の加工医用信号を生成する。
これにより、複数段の処理が施された後の解析済み画像が表示画面に表示され、当該解析済み画像にも残っているような特徴的なパターンがあれば、どの信号処理過程にも当該パターンが残存していると考えられる。そのため、当該パターンが診断機能による処理によって、より抽出されやすくなる。

つまり、例えば、強い平滑化フィルタ処理によって抽出したかった特徴的なパターンが消去された後の画像のみが学習済みモデルに入力される場合と比較して、当該特徴的パターンを抽出するための手がかりを多く残すことができる。よって、抽出されるべき特徴的パターンが精度良く抽出される可能性が高くなる。

なお、入力データを増やす目的で、加工医用信号に加えて、医用信号自体が学習済みモデルの入力として用いられてもよい。

また、第１の処理例を実施する診断処理で用いる学習済みモデルの機械学習方法としては、例えば、医用信号と、第１信号処理Ｓ３１から第３信号処理Ｓ３５までの処理が施された３つの画像信号とを入力とし、これらの画像に含まれる腫瘍が良性であるか悪性であるかの診断結果を正解出力とする学習用データを用いて学習すればよい。また、ディープラーニングを用いた機械学習により、複数の画像から腫瘍が良性であるか悪性であるかの診断結果を出力するようなモデルが学習されればよい。

なお、上述のように、撮像部位毎に学習済みモデルが生成されメモリ１２に記憶される場合は、診断機能１１５を実行することにより処理回路１１が、取得した医用信号の撮像部位に応じて、対応する学習済みモデル１２１を切り換え、当該対応する学習済みモデル１２１を用いて診断結果を出力するようにしてもよい。

次に、第１の実施形態に係る医用情報処理装置１０の第２の処理例について、図６を参照して説明する。
図５に示す第１の処理例では、３つの加工医用信号に基づいて、１つの診断結果を出力する場合であるが、図６では、診断機能１１５を実行することにより処理回路１１は、３つの加工医用信号それぞれに対して１つの診断結果を出力する、つまり３つの診断結果を出力する。

具体的には、第１信号処理Ｓ３１で得られる再構成画像信号、第２信号処理Ｓ３３で得られるフィルタ後画像信号、第３信号処理Ｓ３５で得られる解析画像信号が、それぞれ個別に、同じ学習済みモデルを用いた診断処理Ｓ１５に入力される。なお、診断機能１１５を実行する処理回路１１は、診断処理Ｓ１５において同一の学習済みモデルを３つ用意し、診断処理を並列処理してもよい。ここで、同一の学習済みモデルとは、同一のパラメータを有する学習済みモデルである。または、１つの学習済みモデルに対して１つずつ加工医用信号（再構成画像信号、フィルタ後画像信号、解析画像信号）を入力することにより診断処理を実行するように逐次処理してもよい。

診断結果の出力としては、生成された３つの診断結果から多数決で最終的な診断結果を決定してもよい。具体的には、３つの診断結果が腫瘍の悪性度の判定であり、「良性」、「良性」、「悪性」といった診断結果が出力されれば、最終的に「腫瘍が良性」である診断結果が出力されればよい。

なお、処理回路１１は、加工医用信号それぞれに基づいて出力される診断結果の判定実績、例えば多数決で採用された採用率を調べ、採用率の低い、つまり品質の低い診断結果を出力する処理経路からの診断結果を出力しないように、処理を省略してもよい。または、処理回路１１は、品質の低い診断結果の重みを低くするような重み付けを行ってもよい。

また、第２の処理例における加工医用信号が画像であった場合、表示制御機能１１７によりディスプレイに表示される画像は、３回信号処理が実行された加工医用信号である解析済み画像であることを想定する。この場合、出力される加工医用信号の診断結果の内容に応じて、ディスプレイに表示する画像を変更してもよい。例えば、第２信号処理Ｓ３３後のフィルタ後画像信号に基づく診断結果が、「腫瘍が悪性」という判定であった場合、表示制御機能１１７により処理回路１１が、フィルタ後画像信号に基づく画像をディスプレイに出力する。

これによって、腫瘍が悪性であるという判定がなされた根拠となるフィルタ画像データを提示することにより、ユーザはどのような画像に対して腫瘍が悪性であると判定がなされたかを目視で確認することもできる。

なお、もし診断結果が誤りであることが明らかである場合などは、ユーザが正解を入力することで、当該加工医用信号とユーザの入力に基づく正解情報とを学習用データとして収集でき、学習済みモデルの更新にも用いることができる。

次に、第１の実施形態に係る医用情報処理装置１０の第３の処理例について、図７を参照して説明する。
図６に示す第２の処理例では、加工医用信号それぞれに対し、同じ学習済みモデルを用いて診断処理を実行するが、図７に示す第３の処理例では、診断機能１１５を実行することにより処理回路１１は、３つの加工医用信号に対し、それぞれ異なる学習済みモデルを用いて診断処理を実行する。ここで、異なる学習済みモデルとは、それぞれ異なるパラメータを有する学習済みモデルである。

例えば、加工医用信号の種類に応じて、特定の加工医用信号用に学習させた学習済みモデルを用意すればよい。具体的には、第１信号処理で得られる再構成画像信号に対して、画像再構成処理用に最適化させた学習済みモデルを用いた第１診断処理Ｓ１５−１を実行する。同様に、第２信号処理で得られるフィルタ後画像信号に対して、フィルタ処理用に最適化させた学習済みモデルを用いる第２診断処理Ｓ１５−２を実行する。第３の信号処理機能から出力される解析画像信号に対して、セグメンテーション処理に最適化させた学習済みモデルを用いる第３診断処理Ｓ１５−３を実行する。

第３の処理例を実施する診断処理で用いる学習済みモデルの機械学習方法としては、例えば、医用信号と第１信号処理Ｓ３１後の加工医用信号とを入力とし、腫瘍が良性か悪性かの診断結果を正解出力とする学習用データを用い学習すればよい。これにより、第１信号処理Ｓ３１後の加工医用信号についてファインチューニングされた学習済みモデルが生成される。
このように加工医用信号それぞれに対し、最適化させた学習済みモデルを用いることで、加工医用信号に対して、より高精度の診断を実行することができる。

なお、第１信号処理機能、第２信号処理機能および第３信号処理機能で実行される処理として、上述した処理のほかにも以下のような信号処理を実行可能である。
例えば、画像を変形させる処理としては、リサイズ、回転、トリミング、検出器レベルで信号をまとめるバインディング、および変形などが挙げられる。上述した処理のうちの３つの処理をそれぞれ、第１信号処理、第２信号処理および第３信号処理として実行すればよい。具体的には、第１信号処理として画像のリサイズを実行し、第２信号処理として画像の回転を実行し、第３信号処理として画像のトリミングを実行すればよい。
なお、第１信号処理機能から第３信号処理機能のそれぞれから出力される加工医用信号が異なれば、１つの処理が複数回繰り返されてもよい。具体例としては、第１信号処理として画像を１０２４×１０２４にリサイズし、第２信号処理として画像を５１２×５１２にリサイズし、第３信号処理として２５６×２５６にリサイズする処理を実行すればよい。

以下に列挙する各処理についても、第１信号処理から第３信号処理までの各処理として実行可能である。
画像の濃淡を変更する処理としては、ウィンドウ幅およびウィンドウレベル（ＷＷ／ＷＬ）の変更、ガンマ補正、ダイナミックレンジ変更、コントラスト変換、対数変換、およびビット変換処理などが挙げられる。
空間フィルタ処理としては、平均フィルタ、メディアンフィルタ、ノイズ低減フィルタ、および非局所平均（Non-local mean）フィルタなどが挙げられる。
周波数変換処理としては、ハイパスフィルタ、ローパスフィルタ、および、１つ以上の周波数帯を通過させるバンドパスフィルタなどが挙げられる。
サンプリング処理としては、アップサンプリングまたはダウンサンプリングなどが挙げられる。
画像補正処理としては、動き補正、レジストレーション、セグメンテーション、エッジ強調、細線化、ダイレーション、補間などが挙げられる。
画像再構成処理に関して変更可能な項目としては、アルゴリズム、再構成パラメータ、解像度、係数、スライス厚、取得するビュー角度（フルスキャン、ハーフスキャン、７０％スキャンなど）、スパースなデータの取得位置、超解像の種別などが挙げられる。

被検体に関して変更可能な項目としては、使用するデータの心位相（タイムウィンドウ）、呼吸位相などが挙げられる。例えば、最大吸気のタイミングで取得したデータと、最大呼気のタイミングで取得したデータとで画像にバリエーションを持たせることができる。なお、被検体に関して変更可能な項目は、異なる撮影方法として医用信号取得前に設定されてもよい。
Ｘ線ＣＴ装置に関して変更可能な項目としては、デュアルエナジーにおけるそれぞれの管電圧、Decompositionする際の基準物質、Subtractionの係数、フォトンカウンティングのエネルギー・ビンなどが挙げられる。なお、Ｘ線ＣＴ装置に関して変更可能な項目は、異なる撮影方法として医用信号取得前に設定されてもよい。
時間方向のずれに関して変更する場合の処理としては、フレーム加算、リカーシブフィルタの係数、サンプリング数、散乱線用のグリッドを揺らすことによりモアレの無い画像を得るための揺動グリッド、時間方向に少しずれたデータなどが挙げられる。
処理するデータの違いとしては、ｋ空間データで処理するか、サイノグラムで処理するかが挙げられる。その他、圧縮処理の違いや色変換（ＲＧＢからＣＭＹＫ）の違いなども挙げられる。

なお、上述した処理は一般的に想定されない信号処理の順序でなければ、各信号処理として適宜組み合わせることが可能である。
例えば、最大吸気位相のタイミングのデータを選択する前に平均フィルタをかけることは一般的に想定されない。そのため、最大吸気位相のタイミングのデータを選択することが第１信号処理として設定され、平均フィルタをかけることが第２信号処理として設定されればよい。
また、症例に応じてどのような信号処理を組み合わせるかを経験的または販売する機器の用途などにより予め決定しておき、症例に応じた信号処理の組み合わせが実行されてもよい。

以上に示した第１の実施形態によれば、１つの医用信号を入力とし、医用信号に信号処理を実行することで複数の加工医用信号を生成し、複数の加工医用信号を入力として、学習済みモデルを用いて診断結果を生成する。これにより、例えば、少ないデータで学習した学習済みモデルであって、想定される入力分布（入力の幅）に十分対応できていないようなモデルであっても、利用時に、１つの医用信号からデータにバリエーションを持たせ（データを揺らし）、異なる複数の加工医用信号に基づいて結果を出力できる。よって、モデルの学習時に入力データを水増しすることとは異なり、利用時において、複数の画像を入力とすることなく、ユーザの入力としては１つの医用信号を入力するだけで、学習済みモデルに入力する医用信号の診断材料を増やすことができる。
また、学習済みモデルも、各加工医用信号に対して用意することができるため、１つの学習済みモデルに信号処理まで含むようなモデルとは異なり、加工医用信号にあわせて１つだけ学習済みモデルを変更するなど、スケーラブルな変更を行うことができる。
結果として、ユーザの労力を大幅に低減しつつ、より精度の高い診断結果をユーザに提供することができ、ＣＡＤによる診断結果に対する信頼性を向上できる。

（第２の実施形態）
第２の実施形態では、医用情報処理装置１０からの診断結果の出力を、いわゆるセカンドオピニオン等で用いられる場合を想定する。

第２の実施形態に係る医用情報処理装置１０の第１の処理例について、図８を参照して説明する。
図８に示す医用情報処理装置１０では、医用信号が診断機能１１５に入力される。診断機能１１５を実行することにより処理回路１１は、入力された医用信号について、第１診断処理Ｓ１５−１、第２診断処理Ｓ１５−２及び第３診断処理Ｓ１５−３が別個に行われる。なお、医用信号に限らず、フィルタ処理など何らかの信号処理後の加工医用信号でもよい。すなわち、各診断処理Ｓ１５に入力される信号が同一であればよい。

ここで、第１診断処理Ｓ１５−１から第３診断処理Ｓ１５−３まで用いる各学習済みモデルは、それぞれ別個に機械学習されたモデルである。
異なる学習済みモデルの取得手法としては、例えば、異なる病院で学習された学習済みモデルを用いればよい。病院毎に撮像装置のメーカー及び型番、技師が異なるので、同じ撮像部位の医用信号を元に機械学習をおこなっても異なる学習済みモデルが得られる。また、昼の時間帯に撮影された画像と、夜の時間帯に撮影された画像など、撮影された時間帯が異なっても異なる学習済みモデルが得られる。

診断機能１１５により、第１診断処理Ｓ１５−１、第２診断処理Ｓ１５−２及び第３診断処理Ｓ１５−３のそれぞれの処理結果である３つの診断結果が出力される。出力された３つの診断結果は、ディスプレイに表示される、音声で出力されるといった提示手法により、ユーザに提示される。

診断結果の出力形態としては、例えば、ディスプレイに３つの診断結果を並列表示してもよいし、３つの診断結果が切り替わるように順次提示してもよい。または、第１診断処理から第３診断処理までの切り換え可能に提示し、ユーザが診断処理を指定することで、対応する診断結果を提示するようにしてもよい。

ユーザは、出力された複数の診断結果を参照して、結果を検討すればよい。つまり、同じ医用信号に対して、異なる診断手法により異なる診断結果が得られ、複数の医者から診断結果を得るセカンドオピニオンと同様の効果が得られる。
例えば、学習済みモデルが異なる３つの診断処理による診断結果が全て同じ出力である場合、当該診断結果を信頼してもよいと考えられる。一方、３つの診断処理による診断結果がそれぞれ異なる診断結果を出力した場合、ユーザは再検査や追加検査を希望するといった対応を検討してもよい。

次に、第２の実施形態に係る医用情報処理装置１０の第２の処理例について、図９を参照し説明する。
図９では、医用信号が画像である場合を想定しており、第２の処理例は、同じ学習済みモデルに対して少し異なる画像処理を実行した複数の加工画像を入力とすることで、複数の診断結果が出力される例である。

画像は、第１信号処理Ｓ３１、第２信号処理Ｓ３３及び第３信号処理Ｓ３５のそれぞれに入力される。画像は、各信号処理機能でそれぞれ異なる画像処理が施され、３つの異なる加工画像が生成される。
異なる画像処理としては、例えば、種類としてはフィルタ処理であるが、手法が異なるフィルタ処理を実行すればよい。具体的には、第１信号処理Ｓ３１として、移動平均フィルタが実行され、第２信号処理Ｓ３３として、メディアンフィルタが実行され、第３信号処理Ｓ３５として、細線化処理が実行されればよい。

このような異なる画像処理より得られた３つの加工画像を入力とし、同一の学習済みモデルを用いた診断処理により、３つの診断結果を生成する。生成した３つの診断結果がディスプレイに表示されることにより、ユーザに提示される。

処理回路１１は、図６と同様に、ユーザの指定によりまたは自動的に、診断結果を切り換えて表示してもよい。例えば、３つの診断結果のうち１つだけ「腫瘍は悪性」だという結果が出力された場合、ユーザ指定により切り換える場合は、タッチパネルなどであればユーザが「腫瘍は悪性」という診断結果をタッチすることで選択され、自動的に切り換える場合は、少数派の診断結果が選択される。その後、表示制御機能１１７を実行することで処理回路１１が、選択された診断結果を出力した診断処理に入力された画像を表示することで、ユーザは「腫瘍は悪性」という診断結果の根拠となった画像を見ることができる。

これにより、もし診断結果が誤りであることが明らかである場合などは、ユーザが正解を入力することで、当該加工医用信号と正解とを学習用データとして収集でき、学習済みモデルの更新にも用いることができる。

なお、３つの診断結果をまとめ、集計結果をユーザに提示してもよい。例えば、多数決で総合的な結果を出すような集計結果を提示してもよいし、診断結果の結果そのものではなく、「３つとも異なる結果です」「２つは良性を示す判定結果で、１つは悪性を示す判定結果です」といった集計情報（メッセージ）を提示してもよい。

以上に示した第２の実施形態によれば、１つの医用信号からデータにバリエーションを持たせた（データを揺らした）異なる複数の加工医用信号に基づいて複数の診断結果を提示する。これにより、ユーザ側で複数の結果から状況を把握することができ、第２の実施形態に係る医用情報処理装置の出力をセカンドオピニオンとして利用できる。結果として、ユーザに対する信頼性を向上させることができる。

加えて、実施形態に係る各機能は、当該処理を実行するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータに当該手法を実行させることのできるプログラムは、磁気ディスク（ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤ、Ｂｌｕ−ｒａｙ（登録商標）ディスクなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ 病院情報システム
１０ 医用情報処理装置
１１ 処理回路
１２ メモリ
１３ 通信インタフェース
２０ 電子カルテシステム
２１ サーバ装置
２２，４０ 通信端末
３０ 医用画像管理システム
３１ サーバ装置
５０ 学習データ保管装置
６０ モデル学習装置
１１１ 取得機能
１１３ 信号処理機能
１１５ 診断機能
１１７ 表示制御機能
１１９ 通信制御機能
１２１ 学習済みモデル
１１３１ 第１信号処理機能
１１３３ 第２信号処理機能
１１３５ 第３信号処理機能

Claims (14)

1. 異なる撮影方法および異なる信号処理の少なくとも一方の実行により、被検体に関する複数の加工医用信号を取得する取得部と、
   前記複数の加工医用信号を入力とし、学習済みモデルを用いて診断結果を出力する診断部と、
   を具備する医用情報処理装置。
2. 被検体に関する医用信号に対して前記異なる信号処理として複数の信号処理を行うことにより信号処理ごとに前記加工医用信号を生成する信号処理部を、さらに具備する、請求項１に記載の医用情報処理装置。
3. 前記信号処理部は、前記複数の信号処理において、第１信号処理により生成される第１加工医用信号を後段の第２信号処理への入力とする請求項２に記載の医用情報処理装置。
4. 前記信号処理部は、前記複数の信号処理において、前記医用信号を各信号処理への入力とする請求項２に記載の医用情報処理装置。
5. 前記診断部は、複数の診断結果に基づいて１つの診断結果を出力する請求項１から請求項４のいずれか１項に記載の医用情報処理装置。
6. 前記診断部は、前記複数の加工医用信号それぞれに対し、１つの診断結果を出力する請求項１から請求項４のいずれか１項に記載の医用情報処理装置。
7. 前記診断部は、前記複数の加工医用信号に対して、同一のパラメータを有する学習済みモデルを用いる請求項１から請求項６のいずれか１項に記載の医用情報処理装置。
8. 前記診断部は、前記複数の加工医用信号に対して、それぞれ異なるパラメータを有する学習済みモデルを用いる請求項１から請求項６のいずれか１項に記載の医用情報処理装置。
9. 前記診断部は、特定の加工医用信号用に学習させた学習済みモデルを用いる請求項８に記載の医用情報処理装置。
10. 前記診断結果は、疾患の良悪の判定結果、疾患の疑いの判定結果、治療及び手術の要否判定結果の少なくとも１つを含む請求項１から請求項９のいずれか１項に記載の医用情報処理装置。
11. 異なる撮影方法および異なる信号処理の少なくとも一方の実行により、被検体に関する複数の加工医用信号を取得し、
    前記複数の加工医用信号を入力とし、学習済みモデルを用いて診断結果を出力する医用情報処理方法。
12. コンピュータに、
    異なる撮影方法および異なる信号処理の少なくとも一方の実行により、被検体に関する複数の加工医用信号を取得する取得機能と、
    前記複数の加工医用信号を入力とし、学習済みモデルを用いて診断結果を出力する診断機能と、
    を実現させる医用情報処理プログラム。
13. 医用信号を格納する医用情報管理装置と、
    前記医用信号に対して複数の信号処理を行うことにより信号処理ごとに加工医用信号を生成する信号処理装置と、
    を具備する医用情報処理システム。
14. 前記医用信号を入力とし、前記医用信号に関する診断結果を出力するように学習された学習済みモデルを有し、
    前記信号処理装置は、生成された複数の加工医用信号を入力とし、前記学習済みモデルを用いて診断結果を出力する診断部を具備する請求項１３に記載の医用情報処理システム。