JP2021047504A - 医師のための漢方医学における自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法 - Google Patents

Abstract

【課題】膨大な問診項目により取得した患者の症状に関する情報から、経験豊富な熟練した漢方専門医による総合的な判断と同様の診断結果を導き出すことができる、医師のための漢方医学における自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法を提供する。【解決手段】新たな患者の症状に関する情報を取得する患者情報取得部１１と、取得された新たな患者の症状に関する情報を、過去の患者の症状に関する情報と漢方専門医による過去の患者に対する診断結果情報とに基づいて作成された学習済みモデルを用いて、人工知能により解析して解析結果を導き出す人工知能解析部１２と、解析して導き出された解析結果から、新たな患者の考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力する診断結果出力部１３とを備える。【選択図】図３

Description

この発明は、医師のための漢方医学における診断支援装置に関し、特に患者の症状に関する情報による自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法に関するものである。

従来より、漢方医学においては、数百にものぼる膨大な問診項目により患者の健康状態に関する情報を取得し、それを漢方専門医が見て、その専門医の熟練と経験とによって治療法を決定している。しかし、経験の浅い医師にとっては、それらの問診項目に関する情報から正確な判断ができず、最適な治療法が提供されないという問題があった。

また、漢方医学においては、舌診断が非常に重要であり、膨大な問診項目の中には、医師による舌診断の結果も含まれているが、舌診断の経験が浅く、正確な判断ができない医師も多く、これによって、最適な治療法が提供されないという問題もあった。

そこで、これらの問題を解決するために、例えば特許文献１には、膨大な問診項目に関する情報をデータとして入力して患者の体質などを判定する体質判定システムが開示されている。また、例えば特許文献２には、舌診断の技能がなかったり、遠隔地にいて患者の舌を直接舌診できなかったり、また医師ではない薬剤師等であっても、漢方医学に基づく舌診の診断結果を得ることができる舌診装置が開示されている。

特開２００５−２６７３６０号公報 特開２００９−２８０５８号公報

しかしながら、例えば特許文献１に開示されているような従来の体質判定システムでは、膨大な問診項目により取得した患者の症状に関する情報について、項目ごとの条件によって分岐させて漢方医学的な体質を判定する方法を用いているため、経験豊富な熟練の漢方専門医による総合的な判断のような優れた診断結果を導くことはできない、という課題があった。また、その膨大な問診項目の中の舌診断についても、例えば特許文献２に開示されているような従来の舌診装置では、舌の画像を細かく切り分けてパラメータと比較して舌診結果を判定する方法を用いているため、誰が使用しても同じ結果を得ることはできるものの、経験豊富な熟練の漢方専門医による総合的な判断のような優れた舌診結果を導くことはできない、という課題があった。

この発明は、上記のような課題を解決するためになされたものであり、膨大な問診項目により取得した患者の症状に関する情報から、経験豊富な熟練した漢方専門医による総合的な判断と同様の診断結果を導き出すことができる、医師のための漢方医学における自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法を提供することを目的とする。

上記目的を達成するため、この発明は、医師のための漢方医学における自動診断支援装置であって、新たな患者の症状に関する情報を取得する患者情報取得部と、前記患者情報取得部が取得した前記新たな患者の症状に関する情報を、過去の患者の症状に関する情報と漢方専門医による前記過去の患者に対する診断結果情報とに基づいて作成された学習済みモデルを用いて、人工知能により解析して解析結果を導き出す人工知能解析部と、前記人工知能解析部が解析して導き出した解析結果から、前記新たな患者の考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力する診断結果出力部とを備えることを特徴とする。

この発明の医師のための漢方医学における自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法によれば、膨大な問診項目により取得した患者の症状に関する情報を人工知能により解析することにより、経験豊富な熟練した漢方専門医による総合的な判断と同様の診断結果を導き出すことができるので、医師の経験や熟練度合いに関わらず、どの患者に対しても、最適な診断結果を提供することが可能となる。

自動問診システムによる問診項目の一部についての一例を示す図である。 患者の状態の一例を示す表である。 この発明の実施の形態１における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。 すべての問診項目（この実施の形態１では３８５項目）を示す一覧表である。 この発明の実施の形態１における自動診断支援装置が自動診断を行なうための第１段階（学習段階）と第２段階（実施段階）におけるデータの流れを示すフロー図である。 この発明の実施の形態２における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。 この発明の実施の形態３における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。 この発明の実施の形態４における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。 この発明の実施の形態５における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。 この実施の形態３，４，５における自動診断支援装置が取得する舌撮影画像の一例を示す説明図である。 実際に診察にやってきた患者について、実際に熟練した漢方専門医により処方された処方薬剤と、この発明の自動診断支援装置により出力された予測薬剤とを比較する表である。 患者ＩＤ：１５の患者と、患者ＩＤ：３２の患者について、それぞれの患者の処方薬剤、予測薬剤を示した表である。 実施の形態１における図３に示す自動診断支援装置において、学習モデル作成部がオンラインで自動的に再学習を行う場合の概要構成を示すブロック図である。

この発明は、医師のための漢方医学における診断支援装置に関し、特に患者の症状に関する情報による自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法に関するものである。
以下、この発明の実施の形態について、図面を参照しながら詳細に説明する。

現在、医師の７割以上が臨床の場で漢方薬を使用していると言われているが、その使い方は、各専門診療科において、西洋薬の代用として少数の種類の漢方薬を使用しているのが現状である。その理由として、漢方薬に関する質の高い臨床エビデンス（科学的根拠）が不足していることが挙げられる。また、従来より、漢方の診断である「証」にはっきりとした定義がないことから、漢方薬の臨床研究はほとんどが西洋医学的診断に基づくものであり、漢方の特性が生かされていない。

そのため、漢方の特性である、個別化治療、患者の主観的愁訴を重視した医療、全人医療、を生かした従来にない臨床エビデンスの創出が求められる。そこで開発されたのが、それら漢方薬の特性を利用するための自動問診システムである。図１は、自動問診システムによる問診項目の一部についての一例を示す図である。

ここで、診断について説明する。診断としては一般的に四診が知られているが、これは、問診、望診、聞診、切診の４種類である。問診とは、患者の症状や主訴、病歴、生活習慣、ストレスなどについて、望診とは、顔の色つや、舌の様子、表情、体型、姿勢などについて、聞診とは、声のトーンや大きさ、呼吸、においなどについて、切診とは、脈の堅さや浮き沈みといった脈診や、腹力の強弱、抵抗といった腹診などについて診るものである。
この発明の実施の形態では、これら四診（問診、望診、聞診、切診）のうち、問診および／または望診に関する情報を取得する場合を例に説明する。

そして、図１に示すような問診項目は、四診のうちの問診についての一例であるが、従来は、図１に示すような問診項目について、患者の症状に関する情報を収集し、そこに医師側の診療情報を合わせて、漢方専門医が最適だと考える漢方薬を処方してきたが、特に漢方医学においては、「患者の状態」を正しく見極めることが非常に重要となる。

ここで、「患者の状態」とは、患者の病気の全体像をおおまかに把握する際の判断基準として「体質・体力・抵抗力・症状の現れ方などをあらわすもの」であり、例えば図２に示すように、主に「表裏」「寒熱」「虚実」「陰陽」などの物差しを用いて分類される。図２は、患者の状態の一例を示す表であり、この表に示すとおり、「表裏」は、病位（病気が存在する部位）を示しており、「表」は病位が身体の表面に近いところにある患者、「裏」は病位が身体の表面から遠いところにある患者を意味する。「寒熱」は、病性（病気の性質）を示しており、「寒」は身体が冷えている状態の患者、「熱」は身体の熱さを感じている患者を意味する。「虚実」は、病勢（病気の盛衰）を示しており、「虚」は体力や抵抗力がない患者、「実」は体力や抵抗力がある患者を意味する。「陰陽」は、病態（病気の状態）を示しており、「陰」は「裏」「寒」「虚」を統括した状態、「陽」は「表」「熱」「実」を統括した状態を意味する。

ちなみに、東洋医学では、図２に示すこれらの８項目を八綱弁証と呼び、この他にも、気血津液弁証、経絡弁証など、各々異なった視点から患者の状態が分析されているが、この発明の実施の形態においては、図２に示す八綱弁証を用いて、総合的に判断するものとして説明する。また、例えば「虚実」において、「虚」から「実」までを何段階にわけるか、というのも、それぞれの病院や医師において適宜行われるものであるが、この実施の形態では、５段階にわけるものとして説明する。

そして、この「患者の状態」を医師が問診により判断する際に、医師の経験や熟練度合いによっては正しく判断されないことも多く、医師の経験や熟練度合いによって治療法が大きく変わってしまうため、従来では必ずしも最適な治療法が提供されていないことも多かった。

そこで、この発明の実施の形態では、第１段階（学習段階）として、患者の症状に関する情報（患者の主観的症状（図１に示すような問診項目についての問診）や舌撮影画像、その他、漢方専門医以外の医師による診断結果（病名）など）と、医師側の診療情報（漢方専門医による診断に関する情報、処方、症状改善等の情報など）が反映された上で、実際に熟練の医師により診断された診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）を入手し、患者の症状に関する情報（患者の主観的症状（問診）、舌撮影画像、漢方専門医以外の医師による診断結果（病名）など）と医師による診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）とを、医師のための診断支援装置（後述の図３以降参照）に入力して、人工知能に学習させることにより、学習済みモデルを作成する。そして、第２段階（実施段階）として、その作成された学習済みモデルを用いることにより、実際の診断の際には、患者の症状に関する情報（患者の主観的症状や舌撮影画像など）を入力して人工知能によって解析することにより、医師の経験や熟練度合いに関係なく、最適な治療法を得ることができるようにした。

実施の形態１．
図３は、この発明の実施の形態１における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。この実施の形態１における自動診断支援装置１０は、学習用患者情報取得部１−１、学習モデル作成部１−２、学習用診断結果取得部１−３、患者情報取得部１１、人工知能解析部１２、診断結果出力部１３を備えている。なお、図３中、破線で示した人工知能部１２０は、学習モデル作成部１−２と人工知能解析部１２により構成されている。

学習用患者情報取得部１−１は、人工知能部１２０に学習させるために、過去の数多くの患者について、患者の症状に関する情報を問診項目情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報を取得する。
学習用診断結果取得部１−３は、人工知能部１２０に学習させるために、過去の数多くの患者について、医師側の診療情報（漢方専門医による診断に関する情報、処方、症状改善等の情報など）が反映された上で、実際に熟練の医師により診断された診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）を取得する。
なお、学習用患者情報取得部１−１が取得した情報と、学習用診断結果取得部１−３が取得した診断結果情報とは、その患者ごとに対応づけられているデータであることは言うまでもない。

学習モデル作成部１−２は、自動診断支援装置１０が自動診断を行なうための第１段階（学習段階）として、あらかじめ、学習用患者情報取得部１−１が取得した過去の数多くの患者の主観的症状（問診による患者の主観的愁訴）に関する情報と、学習用診断結果取得部１−３が取得した過去の数多くの患者に対して、実際に熟練の医師により診断された診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）、すなわち、学習用診断結果取得部１−３が取得した漢方専門医による過去の数多くの患者に対する診断結果情報とに基づいて、機械学習を行い、学習済みモデルを作成する。この場合、学習用患者情報取得部１−１が取得する患者の主観的症状に関する情報と、学習用診断結果取得部１−３が取得する熟練の医師（漢方専門医）による患者に対する診断結果情報とは、それぞれの患者ごとに対応する学習用の情報であり、いずれの取得部が取得する情報も、過去の数多くの患者についての実際の情報である。

患者情報取得部１１は、これから診断を行う新たな患者について、患者の症状に関する情報を問診項目情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報を取得する。

人工知能解析部１２は、自動診断支援装置１０が自動診断を行なうための第２段階（実施段階）として、患者情報取得部１１が取得した新たな患者の主観的症状に関する情報が数値化されたものを、学習モデル作成部１−２が作成した学習済みモデルを用いて、すなわち、患者の主観的症状と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能により解析し、解析結果を導き出す。この場合、患者情報取得部１１が取得した新たな患者の主観的症状に関する情報は、実際に解析結果を導き出したい新たな患者の症状に関する情報である。

診断結果出力部１３は、人工知能解析部１２が解析して導き出した解析結果から、その新たな患者の考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力する。

具体的には、学習用患者情報取得部１−１および患者情報取得部１１が取得する情報についての問診項目は、この実施の形態１では３８５項目とするが、それらの項目の情報には、患者が主観的に回答した情報（問診による患者の主観的愁訴の情報）が含まれている。ただし、患者情報取得部１１が取得する情報についての問診項目は、より精度の高いものとするためには３８５項目であることが好ましいが、必ずしも学習用患者情報取得部１−１が取得する情報についての問診項目と同じ３８５項目でなくてもよく、その一部であるか他のものを追加または交換したようなものであってもよい。また、学習用患者情報取得部１−１が取得する情報についての問診項目も、この実施の形態１のように３８５項目であることが好ましいが、必ずしも３８５項目でなくてもよく、その一部であるか他のものを追加または交換したようなものであってもよい。図４は、すべての問診項目（この実施の形態１では３８５項目）を示す一覧表である。そして、それぞれの項目の情報を数値として、例えば、０−１の間で数値化して取得する。

一方、人工知能部１２０には、学習用患者情報取得部１−１および学習用診断結果取得部１−３が取得した、十分な数の患者の過去のデータが蓄積されており、そのデータには少なくとも、各患者の症状に関する問診項目情報、処方された薬剤情報、かかった病気、治療法、その治療の結果（回復状態）などが含まれている。この実施の形態１では、人工知能部１２０には、あらかじめ４５８３人分の患者の過去のデータが蓄積されている。すなわち、学習用患者情報取得部１−１が取得した過去の患者の症状に関する情報も学習用診断結果取得部１−３が取得した漢方専門医による過去の患者に対する診断結果情報も、４５８３人分であり、これが教師データということになる。

学習モデル作成部１−２は、教師データである、学習用患者情報取得部１−１が取得した３８５項目のデータ（患者の症状に関する情報）と、学習用診断結果取得部１−３が取得した漢方専門医による診断結果情報とに基づいて機械学習することにより、学習済みモデルを作成する。

そして、人工知能解析部１２は、患者情報取得部１１が取得した新たな患者の症状に関する問診項目情報（少なくとも患者の主観的症状を含む情報）が数値化されたものを、学習モデル作成部１−２が作成した学習済みモデルを用いて、すなわち、過去の４５８３人分の患者の主観的症状と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能によって解析し、解析結果を導き出す。

診断結果出力部１３は、人工知能解析部１２が解析して導き出した解析結果から、過去のどの患者と同じような状態なのか、どのような薬剤が処方されて回復したか、などを割り出す。その結果、その新たな患者の考えられる病気、最適な治療法、処方すべき薬剤情報などを決定することができ、それらのうちの少なくともいずれか１つを出力する。

図５は、この発明の実施の形態１における自動診断支援装置１０が自動診断を行なうための第１段階（学習段階）と第２段階（実施段階）におけるデータの流れを示すフロー図である。この図５に示すとおり、学習段階では、学習用患者情報取得部１−１が取得する学習用患者情報１０１と、学習用診断結果取得部１−３が取得する学習用診断結果１０３から、学習モデル作成部１−２によって学習済みモデル１０２が作成される。また、実施段階では、人工知能解析部１２が、患者情報取得部１１が取得する新しい患者情報１１１を取り込んで、学習済みモデル１０２を用いて人工知能による解析を行い、人工知能解析結果（診断結果）１１３が導き出される。

ここで、仮に人間が、新たな患者の問診項目情報（患者の主観的症状に関する情報）を、過去の患者の問診項目情報と比較した場合には、１つ１つの項目を比較して分岐させていくことになるが、医師による診断に関する情報とどのように結びつけてどのように判断するかが複雑であり、漢方ならではの難しさがあるため、医師であっても、かなり経験豊富な熟練した漢方専門医でなければ、正しい結論（考えられる病気、最適な治療法、処方すべき薬剤情報）を導き出すことは困難であるが、この実施の形態１の自動診断支援装置１０では人工知能を用いているので、複雑に絡み合った問診項目情報から、経験豊富な熟練した漢方専門医による総合的な判断と同様の正しい結論を導き出すことができることを、数多くの事例検証によって確認できた。（後述する［実施例］参照）

以上のように、この実施の形態１における、医師のための漢方医学における自動診断支援装置１０によれば、膨大な問診項目により取得した患者の症状に関する情報を人工知能により解析することにより、経験豊富な熟練した漢方専門医による総合的な判断と同様の診断結果を導き出すことができるので、医師の経験や熟練度合いに関わらず、どの患者に対しても、最適な診断結果を提供することが可能となる。

実施の形態２．
図６は、この発明の実施の形態２における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。実施の形態１における自動診断支援装置１０では、取得する情報が０−１で数値化されているものであり、その数値を人工知能により解析するものであったが、この実施の形態２における自動診断支援装置２０では、取得する情報が画像化されており、その画像を人工知能によって解析するものである。

そして、この実施の形態２における自動診断支援装置２０は、学習用患者情報取得部２−１、学習モデル作成部２−２、学習用診断結果取得部２−３、患者情報取得部２１、人工知能解析部２２、診断結果出力部２３を備えている。なお、図６中、破線で示した人工知能部２２０は、学習モデル作成部２−２と人工知能解析部２２により構成されている。

学習用患者情報取得部２−１は、人工知能部２２０に学習させるために、過去の数多くの患者について、患者の症状に関する情報を問診項目情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報を取得する。
学習用診断結果取得部２−３は、人工知能部２２０に学習させるために、過去の数多くの患者について、医師側の診療情報（漢方専門医による診断に関する情報、処方、症状改善等の情報など）が反映された上で、実際に熟練の医師により診断された診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）を取得する。
なお、学習用患者情報取得部２−１が取得した情報と、学習用診断結果取得部２−３が取得した診断結果情報とは、その患者ごとに対応づけられているデータであることは言うまでもない。

学習モデル作成部２−２は、自動診断支援装置２０が自動診断を行なうための第１段階（学習段階）として、あらかじめ、学習用患者情報取得部２−１が取得した過去の数多くの患者の主観的症状（問診による患者の主観的愁訴）に関する情報と、学習用診断結果取得部２−３が取得した過去の数多くの患者に対して、実際に熟練の医師により診断された診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）、すなわち、学習用診断結果取得部２−３が取得した漢方専門医による過去の数多くの患者に対する診断結果情報とに基づいて、機械学習を行い、学習済みモデルを作成する。この場合、学習用患者情報取得部２−１が取得する患者の主観的症状に関する情報と、学習用診断結果取得部２−３が取得する熟練の医師（漢方専門医）による患者に対する診断結果情報とは、それぞれの患者ごとに対応する学習用の情報であり、いずれの取得部が取得する情報も、過去の数多くの患者についての実際の情報である。

患者情報取得部２１は、これから診断を行う新たな患者について、患者の症状に関する情報を問診項目情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報を取得する。

人工知能解析部２２は、自動診断支援装置２０が自動診断を行なうための第２段階（実施段階）として、患者情報取得部２１が取得した新たな患者の主観的症状に関する情報が画像化されたマトリックスコード（例えばＱＲコード（登録商標））を、学習モデル作成部２−２が作成した学習済みモデルを用いて、すなわち、患者の主観的症状と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能により解析し、解析結果を導き出す。この場合、患者情報取得部２１が取得した新たな患者の主観的症状に関する情報は、実際に解析結果を導き出したい新たな患者の症状に関する情報である。

診断結果出力部２３は、人工知能解析部２２が解析して導き出した解析結果から、その新たな患者の考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力する。

具体的には、学習用患者情報取得部２−１および患者情報取得部２１が取得する情報についての問診項目は、この実施の形態２でも３８５項目とするが、それらの項目の情報には、患者が主観的に回答した情報（問診による患者の主観的愁訴の情報）が含まれている。ただし、患者情報取得部２１が取得する情報についての問診項目は、より精度の高いものとするためには３８５項目であることが好ましいが、必ずしも学習用患者情報取得部２−１が取得する情報についての問診項目と同じ３８５項目でなくてもよく、その一部であるか他のものを追加または交換したようなものであってもよい。また、学習用患者情報取得部２−１が取得する情報についての問診項目も、この実施の形態２のように３８５項目であることが好ましいが、必ずしも３８５項目でなくてもよく、その一部であるか他のものを追加または交換したようなものであってもよい。そして、それぞれの項目の情報をマトリックスコード化された画像として取得する。

一方、この実施の形態２においても、人工知能部２２０には、学習用患者情報取得部２−１および学習用診断結果取得部２−３が取得した、十分な数の患者の過去のデータが蓄積されており、そのデータには少なくとも、各患者の症状に関する問診項目情報、処方された薬剤情報、かかった病気、治療法、その治療の結果（回復状態）などが含まれている。また、この実施の形態２でも、人工知能部２２０には、あらかじめ４５８３人分の患者の過去のデータが蓄積されている。すなわち、学習用患者情報取得部２−１が取得した過去の患者の症状に関する情報も学習用診断結果取得部２−３が取得した漢方専門医による過去の患者に対する診断結果情報も、４５８３人分であり、これが教師データということになる。

学習モデル作成部１−２は、教師データである、学習用患者情報取得部２−１が取得した３８５項目のデータ（患者の症状に関する情報）と、学習用診断結果取得部２−３が取得した漢方専門医による診断結果情報とに基づいて機械学習することにより、学習済みモデルを作成する。

そして、人工知能解析部２２は、患者情報取得部２１が取得した新たな患者の症状に関する問診項目情報（少なくとも患者の主観的症状を含む情報）がマトリックスコード化されたものを、学習モデル作成部２−２が作成した学習済みモデルを用いて、すなわち、過去の４５８３人分の患者の主観的症状と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能によって解析し、解析結果を導き出す。

診断結果出力部２３は、人工知能解析部２２が解析して導き出した解析結果から、過去のどの患者と同じような状態なのか、どのような薬剤が処方されて回復したか、などを割り出す。その結果、その新たな患者の考えられる病気、最適な治療法、処方すべき薬剤情報などを決定することができ、それらのうちの少なくともいずれか１つを出力する。

この発明の実施の形態２における自動診断支援装置２０が自動診断を行なうための第１段階（学習段階）と第２段階（実施段階）におけるデータの流れを示すフロー図は、実施の形態１における図５に示すフロー図と同様であるので、図示および説明を省略する。

ここで、仮に人間が、新たな患者の問診項目情報（患者の主観的症状に関する情報）を、過去の患者の問診項目情報と比較した場合には、１つ１つの項目を比較して分岐させていくことになるが、医師による診断に関する情報とどのように結びつけてどのように判断するかが複雑であり、漢方ならではの難しさがあるため、医師であっても、かなり経験豊富な熟練した漢方専門医でなければ、正しい結論（考えられる病気、最適な治療法、処方すべき薬剤情報）を導き出すことは困難であるが、この実施の形態２でも人工知能を用いており、かつ、人工知能が得意とする画像による解析を行っているので、複雑に絡み合った問診項目情報から、経験豊富な熟練した漢方専門医による総合的な判断と同様の正しい結論を導き出すことができることを、数多くの事例検証によって確認できた。（後述する［実施例］参照）
また、この実施の形態２のようにデータをマトリックスコード化する場合には、０−１データをマトリックスコードに加工する際に重み付けを変化させ、最適な出力になるように調整することができるので、入力に対する出力の正解精度を高めることができるというメリットもある。

以上のように、この実施の形態２における、医師のための漢方医学における自動診断支援装置２０によれば、実施の形態１における自動診断支援装置１０と同様に、膨大な問診項目により取得した患者の症状に関する情報を人工知能により解析することにより、経験豊富な熟練した漢方専門医による総合的な判断と同様の診断結果を導き出すことができるので、医師の経験や熟練度合いに関わらず、どの患者に対しても、最適な診断結果を提供することが可能となる。

実施の形態３．
図７は、この発明の実施の形態３における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。なお、実施の形態１における図３の概略構成を示すブロック図で説明したものと同様の構成には、同一の符号を付して重複した説明を省略する。実施の形態１における自動診断支援装置１０では、取得する情報が０−１で数値化されているものであり、その数値を人工知能により解析するものであったが、この実施の形態３における自動診断支援装置３０では、患者の症状に関する情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報（問診項目情報）に加えて、患者の舌撮影画像を取得するようにしたものである点で、実施の形態１とは異なっている。

そして、この実施の形態３における自動診断支援装置３０は、学習用患者数値情報取得部３−４と学習用舌撮影画像取得部３−５から構成される学習用患者情報取得部３−１、学習モデル作成部３−２、学習用診断結果取得部３−３、患者数値情報取得部３４と舌撮影画像取得部３５から構成される患者情報取得部３１、人工知能解析部３２、診断結果出力部３３を備えている。なお、図７中、破線で示した人工知能部３２０は、学習モデル作成部３−２と人工知能解析部３２により構成されている。

学習用患者情報取得部３−１は、学習用患者数値情報取得部３−４と、学習用舌撮影画像取得部３−５とにより構成されている。学習用患者数値情報取得部３−４は、人工知能部３２０に学習させるために、過去の数多くの患者について、患者の症状に関する情報を問診項目情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報を取得する。また、学習用舌撮影画像取得部３−５は、人工知能部３２０に学習させるために、過去の数多くの患者について、患者の舌および口のまわりを撮影した舌撮影画像を取得する。

学習用診断結果取得部３−３は、人工知能部３２０に学習させるために、過去の数多くの患者について、医師側の診療情報（漢方専門医による診断に関する情報、処方、症状改善等の情報など）が反映された上で、実際に熟練の医師により診断された診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）を取得する。
なお、学習用患者情報取得部３−１が取得した情報と、学習用診断結果取得部３−３が取得した診断結果情報とは、その患者ごとに対応づけられているデータであることは言うまでもない。

学習モデル作成部３−２は、自動診断支援装置３０が自動診断を行なうための第１段階（学習段階）として、あらかじめ、学習用患者情報取得部３−１が取得した過去の数多くの患者の主観的症状（問診による患者の主観的愁訴）に関する情報と患者の舌および口のまわりを撮影した舌撮影画像と、学習用診断結果取得部３−３が取得した漢方専門医による過去の数多くの患者に対する診断結果情報とに基づいて、機械学習を行い、学習済みモデルを作成する。この場合、学習用患者情報取得部３−１が取得する患者の主観的症状に関する情報と患者の舌および口のまわりを撮影した舌撮影画像と、学習用診断結果取得部３−３が取得する漢方専門医による患者に対する診断結果情報とは、それぞれの患者ごとに対応する学習用の情報であり、いずれの取得部が取得する情報も、過去の数多くの患者についての実際の情報である。

患者情報取得部３１は、患者数値情報取得部３４と、舌撮影画像取得部３５とにより構成されている。患者数値情報取得部３４は、これから診断を行う新たな患者について、患者の症状に関する情報を問診項目情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）を取得する。また、舌撮影画像取得部３５は、これから診断を行う新たな患者について、患者の舌および口のまわりを撮影した舌撮影画像を取得する。

人工知能解析部３２は、自動診断支援装置３０が自動診断を行なうための第２段階（実施段階）として、患者情報取得部３１が取得した新たな患者の主観的症状に関する情報が数値化されたものと新たな患者の舌撮影画像とを、学習モデル作成部３−２が作成した学習済みモデルを用いて、すなわち、患者の主観的症状と舌撮影画像と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能によって解析し、総合的な解析結果を導き出す。この場合、患者情報取得部３１が取得した新たな患者の主観的症状に関する情報と新たな患者の舌撮影画像は、実際に解析結果を導き出したい新たな患者の症状に関する情報である。

診断結果出力部３３は、人工知能解析部３２が解析して導き出した解析結果から、その新たな患者の状態および考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力する。

具体的には、学習用患者数値情報取得部３−４および患者数値情報取得部３４が取得する情報についての問診項目は、この実施の形態３でも３８５項目とするが、それらの中には、患者が主観的に回答した情報（問診による患者の主観的愁訴の情報）が含まれている。ただし、患者数値情報取得部３４が取得する情報についての問診項目は、より精度の高いものとするためには３８５項目であることが好ましいが、必ずしも学習用患者数値情報取得部３−４が取得する情報についての問診項目と同じ３８５項目でなくてもよく、その一部であるか他のものを追加または交換したようなものであってもよい。また、学習用患者数値情報取得部３−４が取得する情報についての問診項目も、この実施の形態３のように３８５項目であることが好ましいが、必ずしも３８５項目でなくてもよく、その一部であるか他のものを追加または交換したようなものであってもよい。そして、それぞれの項目の情報を数値として、例えば、０−１の間で数値化して取得する。

また、学習用舌撮影画像取得部３−５および舌撮影画像取得部３５が取得する舌撮影画像は、患者の舌および口のまわりを撮影した画像である。ただし、これについても舌撮影画像取得部３５が取得する舌撮影画像は、熟練の漢方専門医の診断に近づけるため、患者の舌および口のまわりを撮影した画像が好ましいが、必ずしも学習用舌撮影画像取得部３−５が取得する舌撮影画像と同じ、患者の舌および口のまわりを撮影した画像でなくてもよく、舌だけを撮影した画像であってもよい。また、学習用舌撮影画像取得部３−５が取得する舌撮影画像も、この実施の形態３のように患者の舌および口のまわりを撮影した画像であることが好ましいが、舌だけ等を撮影した画像であってもよい。

ここで、学習用舌撮影画像取得部３−５および舌撮影画像取得部３５の動作について、さらに具体的に説明する。通常医師は、患者の舌を診る場合、舌の様子だけではなく、患者の口のまわりも同時に診て、その患者の状態を判断しているが、従来の舌診断装置では、舌の画像のみを細かく切り分けてパラメータと比較して舌診結果を判定する方法を用いているため、誰が使用しても同じ結果を得ることはできるものの、経験豊富な熟練の漢方専門医による総合的な判断のような優れた舌診結果を導くことはできなかった。そこで、この発明の実施の形態３では、患者の舌の画像だけではなく、患者の口のまわりも含めて撮影した舌撮影画像を用いるようにした。

一方、人工知能部３２０には、学習用患者情報取得部３−１および学習用診断結果取得部３−３が取得した、十分な数の患者の過去のデータが蓄積されており、そのデータには少なくとも、各患者の症状に関する問診項目情報、患者の舌および口のまわりを撮影した舌撮影画像、処方された薬剤情報、かかった病気、治療法、その治療の結果（回復状態）などが含まれている。また、この実施の形態３でも、人工知能部３２０には、あらかじめ４５８３人分の患者の過去のデータが蓄積されている。すなわち、学習用患者情報取得部３−１が取得した過去の患者の症状に関する情報も学習用診断結果取得部３−３が取得した漢方専門医による過去の患者に対する診断結果情報も、４５８３人分であり、これが教師データということになる。

学習モデル作成部３−２は、教師データである、学習用患者情報取得部３−１が取得した３８５項目のデータ（患者の症状に関する情報）と舌撮影画像と、学習用診断結果取得部３−３が取得した漢方専門医による診断結果情報とに基づいて機械学習することにより、学習済みモデルを作成する。

そして、人工知能解析部３２は、患者情報取得部３１が取得した新たな患者の症状に関する問診項目情報（少なくとも患者の主観的症状に関する情報）が数値化されたものと、患者の舌および口のまわりを撮影した舌撮影画像とを、学習モデル作成部３−２が作成した学習済みモデルを用いて、すなわち、過去の４５８３人分の患者の主観的症状と舌撮影画像と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能によって解析し、総合的な解析結果を導き出す。この際、患者の症状に関する情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報（問診項目情報）に加えて、患者の舌診断に関する情報については患者の舌撮影画像を用いていることにより、経験豊富な熟練の漢方専門医と同じレベルの舌診断結果を用いることができるため、実施の形態１に比べてより正確な解析結果を導き出すことができる。

診断結果出力部３３は、人工知能解析部３２が総合的に解析して導き出した解析結果から、過去のどの患者と同じような状態なのか、どのような薬剤が処方されて回復したか、などを割り出す。その結果、その新たな患者の状態および考えられる病気、最適な治療法、処方すべき薬剤情報などを決定することができ、それらのうちの少なくともいずれか１つを出力する。

この発明の実施の形態３における自動診断支援装置３０が自動診断を行なうための第１段階（学習段階）と第２段階（実施段階）におけるデータの流れを示すフロー図は、実施の形態１における図５に示すフロー図と同様であるので、図示および説明を省略する。

ここで、仮に人間が、新たな患者の問診項目情報（患者の主観的症状に関する情報）を、過去の患者の問診項目情報と比較した場合には、１つ１つの項目を比較して分岐させていくことになるが、医師による診断に関する情報とどのように結びつけてどのように判断するかが複雑であり、漢方ならではの難しさがあるため、医師であっても、かなり経験豊富な熟練した漢方専門医でなければ、正しい結論（考えられる病気、最適な治療法、処方すべき薬剤情報）を導き出すことは困難であるが、この実施の形態３でも人工知能を用いており、かつ、患者の舌撮影画像も取得して人工知能が得意とする画像による解析を行った上で総合的な解析結果を導き出しているので、複雑に絡み合った問診項目情報から、経験豊富な熟練した漢方専門医による総合的な判断と同様の正しい結論を導き出すことができることを、数多くの事例検証によって確認できた。（後述する［実施例］参照）

以上のように、この実施の形態３における、医師のための漢方医学における自動診断支援装置３０によれば、実施の形態１，２における自動診断支援装置１０，２０と同様に、膨大な問診項目により取得した患者の症状に関する情報を人工知能により解析することにより、経験豊富な熟練した漢方専門医による総合的な判断と同様の診断結果をより正確に導き出すことができるので、医師の経験や熟練度合いに関わらず、どの患者に対しても、最適な診断結果を提供することが可能となる。

実施の形態４．
図８は、この発明の実施の形態４における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。なお、実施の形態２における図６の概略構成を示すブロック図で説明したものと同様の構成には、同一の符号を付して重複した説明を省略する。実施の形態２における自動診断支援装置２０では、取得する画像はマトリックスコードのみであり、ここに含まれる患者の症状に関する情報はすべて、３８５項目に渡って患者が決定して入力した内容であったが、この実施の形態４における自動診断支援装置４０では、患者の症状に関する情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報（問診項目情報）に加えて、患者の舌撮影画像を取得するようにしたものである点で、実施の形態２とは異なっている。

そして、この実施の形態４における自動診断支援装置４０は、学習用マトリックスコード取得部４−４と学習用舌撮影画像取得部４−５から構成される学習用患者情報取得部４−１、学習モデル作成部４−２、学習用診断結果取得部４−３、マトリックスコード取得部４４と舌撮影画像取得部４５から構成される患者情報取得部４１、人工知能解析部４２、および、診断結果出力部４３を備えている。なお、図８中、破線で示した人工知能部４２０は、学習モデル作成部４−２と人工知能解析部４２により構成されている。

学習用患者情報取得部４−１は、学習用マトリックスコード取得部４−４と、学習用舌撮影画像取得部４−５とにより構成されている。学習用マトリックスコード取得部４−４は、人工知能部４２０に学習させるために、過去の数多くの患者について、患者の症状に関する情報を問診項目情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報を取得する。また、学習用舌撮影画像取得部４−５は、人工知能部４２０に学習させるために、過去の数多くの患者について、患者の舌および口のまわりを撮影した舌撮影画像を取得する。

学習用診断結果取得部４−３は、人工知能部４２０に学習させるために、過去の数多くの患者について、医師側の診療情報（漢方専門医による診断に関する情報、処方、症状改善等の情報など）が反映された上で、実際に熟練の医師により診断された診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）を取得する。
なお、学習用患者情報取得部４−１が取得した情報と、学習用診断結果取得部４−３が取得した診断結果情報とは、その患者ごとに対応づけられているデータであることは言うまでもない。

学習モデル作成部４−２は、自動診断支援装置４０が自動診断を行なうための第１段階（学習段階）として、あらかじめ、学習用患者情報取得部４−１が取得した過去の数多くの患者の主観的症状（問診による患者の主観的愁訴）に関する情報と患者の舌および口のまわりを撮影した舌撮影画像と、学習用診断結果取得部４−３が取得した漢方専門医による過去の数多くの患者に対する診断結果情報とに基づいて、機械学習を行い、学習済みモデルを作成する。この場合、学習用患者情報取得部４−１が取得する患者の主観的症状に関する情報と患者の舌および口のまわりを撮影した舌撮影画像と、学習用診断結果取得部４−３が取得する漢方専門医による患者に対する診断結果情報とは、それぞれの患者ごとに対応する学習用の情報であり、いずれの取得部が取得する情報も、過去の数多くの患者についての実際の情報である。

患者情報取得部４１は、マトリックスコード取得部４４と、舌撮影画像取得部４５とにより構成されている。マトリックスコード取得部４４は、これから診断を行う新たな患者について、患者の症状に関する情報を問診項目情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報を取得する。また、舌撮影画像取得部４５は、これから診断を行う新たな患者について、患者の舌および口のまわりを撮影した舌撮影画像を取得する。

人工知能解析部４２は、自動診断支援装置４０が自動診断を行なうための第２段階（実施段階）として、患者情報取得部４１が取得した画像、すなわち、新たな患者の主観的症状に関する情報が画像化されたマトリックスコードと、新たな患者の舌撮影画像とを、学習モデル作成部４−２が作成した学習済みモデルを用いて、すなわち、患者の主観的症状と舌撮影画像と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能により解析し、解析結果を導き出す。この場合、患者情報取得部４１が取得した新たな患者の主観的症状に関する情報と新たな患者の舌撮影画像は、実際に解析結果を導き出したい新たな患者の症状に関する情報である。

診断結果出力部４３は、人工知能解析部４２が解析して導き出した解析結果から、その新たな患者の状態および考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力する。

具体的には、学習用マトリックスコード取得部４−４およびマトリックスコード取得部４４が取得するマトリックスコードに含まれている情報についての問診項目は、この実施の形態４でも３８５項目とするが、それらの項目の情報には、患者が主観的に回答した情報（問診による患者の主観的愁訴の情報）が含まれている。ただし、マトリックスコード取得部４４が取得するマトリックスコードに含まれている情報についての問診項目は、より精度の高いものとするためには３８５項目であることが好ましいが、必ずしも学習用マトリックスコード取得部４−４が取得する情報についての問診項目と同じ３８５項目でなくてもよく、その一部であるか他のものを追加または交換したようなものであってもよい。また、学習用マトリックスコード取得部４−４が取得するマトリックスコードに含まれている情報についての問診項目も、この実施の形態４のように３８５項目であることが好ましいが、必ずしも３８５項目でなくてもよく、その一部であるか他のものを追加または交換したようなものであってもよい。そして、それぞれの項目の情報をマトリックスコード化された画像として取得する。

また、学習用舌撮影画像取得部４−５および舌撮影画像取得部４５が取得する舌撮影画像は、患者の舌および口のまわりを撮影した画像である。ただし、これについても舌撮影画像取得部４５が取得する舌撮影画像は、熟練の漢方専門医の診断に近づけるため、患者の舌および口のまわりを撮影した画像が好ましいが、必ずしも学習用舌撮影画像取得部４−５が取得する舌撮影画像と同じ、患者の舌および口のまわりを撮影した画像でなくてもよく、舌だけを撮影した画像であってもよい。また、学習用舌撮影画像取得部４−５が取得する舌撮影画像も、この実施の形態４のように患者の舌および口のまわりを撮影した画像であることが好ましいが、舌だけ等を撮影した画像であってもよい。

ここで、学習用舌撮影画像取得部４０５および舌撮影画像取得部４５の動作について、さらに具体的に説明する。通常、医師が患者の舌を診る場合、舌の様子だけではなく、患者の口のまわりも同時に診て、その患者の状態を判断しているが、従来の舌診断装置では、舌の画像のみを細かく切り分けてパラメータと比較して舌診結果を判定する方法を用いているため、誰が使用しても同じ結果を得ることはできるものの、経験豊富な熟練の漢方専門医による総合的な判断のような優れた舌診結果を導くことはできなかった。そこで、この発明の実施の形態４では、患者の舌の画像だけではなく、患者の口のまわりも含めて撮影した舌撮影画像を用いるようにした。

一方、人工知能部４２０には、学習用患者情報取得部４−１および学習用診断結果取得部４−３が取得した、十分な数の患者の過去のデータが蓄積されており、そのデータには少なくとも、各患者の症状に関する問診項目情報、患者の舌および口のまわりを撮影した舌撮影画像、処方された薬剤情報、かかった病気、治療法、その治療の結果（回復状態）などが含まれている。また、この実施の形態４でも、人工知能部４２０には、あらかじめ４５８３人分の患者の過去のデータが蓄積されている。すなわち、学習用患者情報取得部４−１が取得した過去の患者の症状に関する情報も学習用診断結果取得部４−３が取得した漢方専門医による過去の患者に対する診断結果情報も、４５８３人分であり、これが教師データということになる。

学習モデル作成部４−２は、教師データである、学習用患者情報取得部４−１が取得した３８５項目のデータ（患者の問診項目情報）と舌撮影画像と、学習用診断結果取得部４−３が取得した漢方専門医による診断結果情報とに基づいて機械学習することにより、学習済みモデルを作成する。

そして、人工知能解析部４２は、患者情報取得部４１が取得した新たな患者の症状に関する問診項目情報（少なくとも患者の主観的症状に関する情報）を含むマトリックスコード（マトリックスコード化された画像）と、患者の舌および口のまわりを撮影した舌撮影画像とを、学習モデル作成部４−２が作成した学習済みモデルを用いて、すなわち、過去の４５８３人分の患者の主観的症状と舌撮影画像と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能によって解析し、解析結果を導き出す。この際、患者の症状に関する情報として、少なくとも患者の主観的症状（問診による患者の主観的愁訴）に関する情報（問診項目情報）に加えて、患者の舌診断に関する情報については患者の舌撮影画像を用いていることにより、経験豊富な熟練の漢方専門医と同じレベルの舌診断結果を用いることができるため、実施の形態２に比べてより正確な解析結果を導き出すことができる。

診断結果出力部４３は、人工知能解析部４２が解析して導き出した解析結果から、過去のどの患者と同じような状態なのか、どのような薬剤が処方されて回復したか、などを割り出す。その結果、その新たな患者の状態および考えられる病気、最適な治療法、処方すべき薬剤情報などを決定することができ、それらのうちの少なくともいずれか１つを出力する。

この発明の実施の形態４における自動診断支援装置４０が自動診断を行なうための第１段階（学習段階）と第２段階（実施段階）におけるデータの流れを示すフロー図は、実施の形態１における図５に示すフロー図と同様であるので、図示および説明を省略する。

ここで、仮に人間が、新たな患者の問診項目情報（患者の主観的症状に関する情報）を、過去の患者の問診項目情報と比較した場合には、１つ１つの項目を比較して分岐させていくことになるが、医師による診断に関する情報とどのように結びつけてどのように判断するかが複雑であり、漢方ならではの難しさがあるため、医師であっても、かなり経験豊富な熟練した漢方専門医でなければ、正しい結論（その患者の状態および考えられる病気、最適な治療法、処方すべき薬剤情報）を導き出すことは困難であるが、この実施の形態４でも人工知能を用いており、かつ、人工知能が得意とする画像による解析を行っているので、複雑に絡み合った問診項目情報から、経験豊富な熟練した漢方専門医による総合的な判断と同様の正しい結論を導き出すことができることを、数多くの事例検証によって確認できた。（後述する［実施例］参照）

以上のように、この実施の形態４における、医師のための漢方医学における自動診断支援装置４０によれば、実施の形態１，２，３における自動診断支援装置１０，２０，３０と同様に、膨大な問診項目により取得した患者の症状に関する情報を人工知能により解析することにより、経験豊富な熟練した漢方専門医による総合的な判断と同様の診断結果をより正確に導き出すことができるので、医師の経験や熟練度合いに関わらず、どの患者に対しても、最適な診断結果を提供することが可能となる。

実施の形態５．
図９は、この発明の実施の形態５における、医師のための漢方医学における自動診断支援装置の概要構成を示すブロック図である。この実施の形態５における自動診断支援装置５０では、実施の形態３，４と同様に、患者の症状に関する情報として、患者の舌および口のまわりを撮影した舌撮影画像を取得し、その舌撮影画像を人工知能によって解析するものである。

そして、この実施の形態５における自動診断支援装置５０は、学習用患者情報取得部５−１、学習モデル作成部５−２、学習用診断結果取得部５−３、患者情報取得部５１、人工知能解析部５２、および、診断結果出力部５３を備えている。なお、図９中、破線で示した人工知能部５２０は、学習モデル作成部５−２と人工知能解析部５２により構成されている。

学習用患者情報取得部５−１は、人工知能部５２０に学習させるために、過去の数多くの患者について、患者の症状に関する情報として、患者の舌および口のまわりを撮影した舌撮影画像を取得する。

学習用診断結果取得部５−３は、人工知能部５２０に学習させるために、過去の数多くの患者について、医師側の診療情報（漢方専門医による診断に関する情報、処方、症状改善等の情報など）が反映された上で、実際に熟練の医師により診断された診断結果情報（考えられる病気、最適な治療法、処方すべき薬剤情報など）を取得する。
なお、学習用患者情報取得部５−１が取得した情報と、学習用診断結果取得部５−３が取得した診断結果情報とは、その患者ごとに対応づけられているデータであることは言うまでもない。

学習モデル作成部５−２は、自動診断支援装置５０が自動診断を行なうための第１段階（学習段階）として、あらかじめ、学習用患者情報取得部５−１が取得した過去の数多くの患者の舌および口のまわりを撮影した舌撮影画像と、学習用診断結果取得部５−３が取得した漢方専門医による過去の数多くの患者に対する診断結果情報とに基づいて、機械学習を行い、学習済みモデルを作成する。この場合、学習用患者情報取得部５−１が取得する患者の舌および口のまわりを撮影した舌撮影画像と、学習用診断結果取得部５−３が取得する漢方専門医による患者に対する診断結果情報とは、それぞれの患者ごとに対応する学習用の情報であり、いずれの取得部が取得する情報も、過去の数多くの患者についての実際の情報である。

患者情報取得部５１は、これから診断を行う新たな患者について、患者の症状に関する情報として、患者の舌および口のまわりを撮影した舌撮影画像を取得する。

人工知能解析部５２は、自動診断支援装置５０が自動診断を行なうための第２段階（実施段階）として、患者情報取得部５１が取得した新たな患者の舌撮影画像を、学習モデル作成部５−２が作成した学習済みモデルを用いて、すなわち、患者の舌撮影画像と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能により解析し、解析結果を導き出す。この場合、患者情報取得部５１が取得した新たな患者の舌撮影画像は、実際に解析結果を導き出したい新たな患者の症状に関する情報（舌撮影画像）である。

診断結果出力部５３は、人工知能解析部５２が解析して導き出した解析結果から、その新たな患者の状態および考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力する。

具体的には、学習用患者情報取得部５−１および患者情報取得部５１が取得する情報は、実施の形態３，４における学習用患者情報取得部３−１，４−１の学習用舌撮影画像取得部３−５，４−５および患者情報取得部３１，４１の舌撮影画像取得部３５，４５が取得するのと同じように、患者の舌診断に関する情報であり、患者の舌および口のまわりを撮影した舌撮影画像をそのまま取得する。ただし、患者情報取得部５１が取得する舌撮影画像は、熟練の漢方専門医の診断に近づけるため、患者の舌および口のまわりを撮影した画像が好ましいが、必ずしも学習用患者情報取得部５−１が取得する舌撮影画像と同じ、患者の舌および口のまわりを撮影した画像でなくてもよく、舌だけを撮影した画像であってもよい。また、学習用患者情報取得部５−１が取得する舌撮影画像も、この実施の形態５のように患者の舌および口のまわりを撮影した画像であることが好ましいが、舌だけ等を撮影した画像であってもよい。

ここで、学習用患者情報取得部５−１および患者情報取得部５１の動作について、さらに具体的に説明する。通常、医師が患者の舌を診る場合、舌の様子だけではなく、患者の口のまわりも同時に診て、その患者の状態を判断しているが、従来の舌診断装置では、舌の画像のみを細かく切り分けてパラメータと比較して舌診結果を判定する方法を用いているため、誰が使用しても同じ結果を得ることはできるものの、経験豊富な熟練の漢方専門医による総合的な判断のような優れた舌診結果を導くことはできなかった。そこで、この発明の実施の形態５では、患者の舌の画像だけではなく、患者の口のまわりも含めて撮影した舌撮影画像を用いるようにした。

図１０は、この実施の形態３，４，５における自動診断支援装置３０，４０，５０が取得する舌撮影画像の一例を示す説明図であり、図１０（ａ）〜（ｅ）まで、５人の患者の舌および口のまわりを撮影した舌撮影画像、および、図２に示す「虚実」で５段階に分類した場合の患者の状態を示している。ここで、経験豊富な熟練の漢方専門医が、患者の舌および口のまわりを診て患者の状態を診断する場合には、舌の色・形・大きさ・膨張度、舌についたコケの状態（量や色など）、舌の周辺に歯形がついているか否か、口のまわりの色、口のまわりの皮膚の色・はり・つや、など、舌についてだけでも様々な観点から、また、舌についてだけではなく口のまわりも含めて、総合的に判断している。そのため、例えば図１０に示す例では、図１０（ａ）の患者は、舌の色だけ見れば赤くて血色が良いが、総合的には状態が「虚」（５段階中もっとも「虚」）だと判断されており、図１０（ｅ）の患者は、状態が「実」だと判断されている。

このように、経験豊富な熟練の漢方専門医による診断結果は、経験の浅い医師からみれば、一体どのように判断するのかを習得するのが難しく、例えば図１０（ａ）〜（ｅ）の舌撮影画像と正しい答えである病気の状態を見ても、なぜそのように判断されたのかを説明することも難しく、最終的に正しい診断結果（考えられる病気、最適な治療法、処方すべき薬剤情報など）を導き出すことも難しいが、この発明の実施の形態３，４，５における自動診断支援装置３０，４０，５０によれば、人工知能によって正しい診断結果を導き出すことができるのである。

一方、人工知能部５２０には、学習用患者情報取得部５−１および学習用診断結果取得部５−３が取得した、十分な数の患者の過去のデータが蓄積されており、そのデータには少なくとも、各患者の舌および口のまわりを撮影した舌撮影画像、処方された薬剤情報、かかった病気、治療法、その治療の結果（回復状態）などが含まれている。また、この実施の形態５でも、人工知能部５２０には、あらかじめ４５８３人分の患者の過去のデータが蓄積されている。すなわち、学習用患者情報取得部５−１が取得した過去の患者の症状に関する情報も学習用診断結果取得部５−３が取得した漢方専門医による過去の患者に対する診断結果情報も、４５８３人分であり、これが教師データということになる。

学習モデル作成部５−２は、教師データである、学習用患者情報取得部５−１が取得した舌撮影画像と、学習用診断結果取得部５−３が取得した漢方専門医による診断結果情報とに基づいて機械学習することにより、学習済みモデルを作成する。

そして、人工知能解析部５２は、患者情報取得部５１が取得した患者の舌撮影画像を、学習モデル作成部５−２が作成した学習済みモデルを用いて、すなわち、過去の４５８３人分の患者の舌撮影画像と漢方専門医による診断結果情報とにより作成された学習済みモデルを用いて人工知能によって解析し、解析結果を導き出す。この際、患者の舌診断に関する情報については患者の舌および口のまわりを撮影した舌撮影画像を用いていることにより、経験豊富な熟練の漢方専門医と同じレベルの舌診断結果を用いることができるため、より正確な解析結果を導き出すことができる。

診断結果出力部５３は、人工知能解析部５２が解析して導き出した解析結果から、過去のどの患者と同じような状態なのか、などを割り出す。その結果、その新しい患者の状態および考えられる病気、最適な治療法、処方すべき薬剤情報などを決定することができ、それらのうちの少なくともいずれか１つを出力する。

この発明の実施の形態５における自動診断支援装置５０が自動診断を行なうための第１段階（学習段階）と第２段階（実施段階）におけるデータの流れを示すフロー図は、実施の形態１における図５に示すフロー図と同様であるので、図示および説明を省略する。

ここで、仮に人間が、新たな患者の舌撮影画像を、過去の患者の舌撮影画像と比較した場合には、どの部分に着目すれば患者の状態を判定できるのかを把握することは難しいが、この実施の形態５では人工知能を用いており、かつ、患者の舌撮影画像を取得して人工知能が得意とする画像による解析を行った上で解析結果を導き出しているので、経験豊富な熟練した漢方専門医による総合的な判断と同様の正しい結論を導き出すことができることを、数多くの事例検証によって確認できた。（後述する［実施例］参照）

以上のように、この実施の形態５における、医師のための漢方医学における自動診断支援装置５０によれば、実施の形態３，４における自動診断支援装置３０，４０と同様に、医師による診断に関する問診項目情報のうち舌診断に関する情報について患者の舌撮影画像を人工知能により解析することにより、経験豊富な熟練した漢方専門医による総合的な判断と同様の診断結果を導き出すことができるので、医師の経験や熟練度合いに関わらず、どの患者に対しても、最適な診断結果を提供することが可能となる。

上記いずれの実施の形態においても、自動診断支援装置１０，２０，３０，４０，５０には、大量の処理を短時間で行うことが可能なＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が搭載されていることが望ましいが、通常のＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が搭載されているパソコン等であっても実現可能である。

また、同様の処理を、ＧＰＵやＣＰＵにコンピュータプログラムを実行させることにより論理的に実現することも可能である。この場合、コンピュータプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ−ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

［実施例］
ここで、この発明における自動診断支援装置による診断結果の精度の高さを示すために、実際に熟練した漢方専門医による診断結果と、この発明の実施の形態２における自動診断支援装置２０による診断結果とを比較した実施例を紹介する。学習モデル作成部２−２が使用した教師データとしては、上記の実施の形態において説明したとおり、４５８３人分のデータを用いており、問診項目は３８５項目であるが、解析結果を導き出すために患者情報取得部２１が取得した実際の患者の問診項目は２１６項目とした。

図１１は、実際に診察にやってきた患者について、実際に熟練した漢方専門医により処方された処方薬剤と、この発明の自動診断支援装置により出力された予測薬剤とを比較する表である。具体的には、患者ＩＤ：１５および患者ＩＤ：３２という２人の患者についての１ヶ月に１回の受診の結果を示しており、それぞれの患者について、上段の処方薬剤が、熟練した漢方専門医の診断によって処方された薬剤であり、下段の予測薬剤が、この発明の自動診断支援装置２０の人工知能解析部２２が解析して導き出した薬剤である。この図１１の表の中の薬剤番号の名称は、薬剤番号１１９が「ツムラ酸棗仁湯エキス顆粒（医療用）」、薬剤番号２１９が「ツムラ八味地黄丸エキス顆粒（医療用）」、薬剤番号１３３が「ツムラ四物湯エキス顆粒（医療用）」、薬剤番号１３９が「ツムラ十全大補湯エキス顆粒（医療用）」、薬剤番号２０９が「ツムラ女神散エキス顆粒（医療用）」であり、１人の患者について上段（処方薬剤）と下段（予測薬剤）で同じ薬剤を処方していればいるほど、精度よく予測していると言える。なお、図１１においては、処方薬剤と予測薬剤が一致していたものについては、薬剤番号を網掛けして示している。

図１２は、患者ＩＤ：１５の患者と、患者ＩＤ：３２の患者について、それぞれの患者の処方薬剤、予測薬剤を示した表である。図１２（ａ）に示すとおり、患者ＩＤ：１５の患者の処方薬剤および予測薬剤は、薬剤番号１１９：ツムラ酸棗仁湯エキス顆粒（医療用）、薬剤番号２１９：ツムラ八味地黄丸エキス顆粒（医療用）である。また、図１２（ｂ）に示すとおり、患者ＩＤ：３２の患者の処方薬剤および予測薬剤は、薬剤番号１３３：ツムラ四物湯エキス顆粒（医療用）、薬剤番号１３９：ツムラ十全大補湯エキス顆粒（医療用）、薬剤番号２０９：ツムラ女神散エキス顆粒（医療用）である。なお、この図１２の例では、薬剤名のみが出力されているが、病名も出力されるようにしてもよい。

図１１を見るとわかるとおり、患者ＩＤ：１５の患者については、受診１回目から処方薬剤も予測薬剤も同一であり、もっとも精度よく結果が導き出されている。また、患者ＩＤ：３２については、受診１回目では、熟練した漢方専門医による診断では処方薬剤は１３３と２０９、この発明の自動診断支援装置２０により解析して導き出された予測薬剤は１３９と２０９であったが、受診２回目では、いずれも１３９と２０９であった。すなわち、自動診断支援装置２０による予測薬剤は、１回目から正しかったということになり、やはり精度よく結果が導き出されていることがわかる。この実施例では、患者２人の結果のみを図示しているが、他の患者の結果も含めて、９８％の精度で正しい結果が導き出された。

なお、上記いずれの実施の形態においても、自動問診システムによる問診（漢方専門医の所見なし）および／または望診（舌撮影画像を用いるもの）に関する情報を取得して人工知能で解析して診断結果を導き出す場合を例に説明したが、さらにデータ数を増加したり、この他に、聞診、切診などの測定データや、文献データ、また、処方、症状改善度等、日常診療に関する情報についても取得して人工知能で解析して診断結果を導き出すようにすれば、さらにより正確で最適な診断結果を提供することが可能になる、すなわち、さらに高精度な診療支援システムを確立することが可能になると考えられる。

また、上記いずれの実施の形態においても、第１段階（学習段階）として、まずは学習用のデータ（既存のデータ）を用いて学習済みモデルを作成し、第２段階（実施段階）としてその学習済みモデルを用いて、実際に解析結果を導き出したい新たな患者の症状に関する情報を人工知能により解析して解析結果を導き出す、というものとして説明したが、新たなデータがある程度収集されたところで、また改めて第１段階（学習段階）を実行する、すなわち、再学習するようにすれば、過去のデータに新規のデータが加えられたデータを用いて学習することにより、より精度が高くなることが期待できる。また、この場合には、前述のように、データ数を増加したり、問診だけでなく聞診、切診などのデータや、文献データなどを追加することによって、さらに精度の高い診断結果を提供することが可能になる。

さらに、そのような再学習を、オンラインで自動的に行うことも可能である。図１３は、実施の形態１における図３に示す自動診断支援装置１０において、学習モデル作成部１−２がオンラインで自動的に再学習を行う場合の概要構成を示すブロック図である。学習用データとして、学習用患者情報取得部１−１および学習用診断結果取得部１−３から取得したｘ個の既存のデータから学習モデル作成部１−２が学習済みモデル（ｘ）を作成し、新規の患者のデータが入力されると、人工知能解析部１２が、学習モデル作成部１−２が作成した学習済みモデル（ｘ）を用いて、患者情報取得部１１が取得したｘ＋１個目の新たな患者の症状に関する情報を人工知能により解析して解析結果を導き出すところまでは同じであるが、このときに、学習モデル作成部１−２は、患者情報取得部１１が取得したｘ＋１個目の患者情報データと、診断結果出力部１３から出力されるｘ＋１個目の診断結果を取り込んで、すなわち、ｘ＋１個のデータを用いて再学習して学習済みモデル（ｘ＋１）を作成する。ただし、ここで得られたｘ＋１個目の診断結果は、９９．８％の確率で正しいものではあるが、熟練の医師による診断結果ではなく、自動診断支援装置１０の人工知能解析部１２により解析された結果であるので、本当に正しい診断結果であるか否かを熟練の漢方専門医によってチェックする正しい結果を出力する結果補正部９を介して、ｘ＋１個目の診断結果情報として学習用診断結果取得部１−３に取り込まれる。そして、人工知能解析部１２は、その再学習された学習済みモデル（ｘ＋１）を用いて、患者情報取得部１１が取得したｘ＋２個目の新たな患者の症状に関する情報を解析して解析結果を導き出す。

このように、オンラインで次々と新たな情報を取り込んで再学習することにより、さらに精度の高い診断結果を提供することが可能になる。なお、ここでは、実施の形態１についてのみ説明したが、実施の形態２〜５についても同様にオンラインで自動的に再学習させるようにすることも可能である。

また、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

１−１，２−１，３−１，４−１，５−１ 学習用患者情報取得部
１−２，２−２，３−２，４−２，５−２ 学習モデル作成部
１−３，２−３，３−３，４−３，５−３ 学習用診断結果取得部
３−４ 学習用患者数値情報取得部
３−５，４−５ 学習用舌撮影画像取得部
４−４ 学習用マトリックスコード取得部
９ 結果補正部
１０，２０，３０，４０，５０ 自動診断支援装置
１１，２１，３１，４１，５１ 患者情報取得部
１２，２２，３２，３２，５２ 人工知能解析部
１３，２３，３３，４３，５３ 診断結果出力部
３４ 患者数値情報取得部
３５，４５ 舌撮影画像取得部
４４ マトリックスコード取得部
１０１ 学習用患者情報
１０２ 学習済みモデル
１０３ 学習用診断結果
１１１ 新しい患者情報
１１３ 人工知能解析結果（診断結果）
１２０，２２０，３２０，４２０，５２０ 人工知能部

Claims (9)

1. 医師のための漢方医学における自動診断支援装置であって、
   新たな患者の症状に関する情報を取得する患者情報取得部と、
   前記患者情報取得部が取得した前記新たな患者の症状に関する情報を、過去の患者の症状に関する情報と漢方専門医による前記過去の患者に対する診断結果情報とに基づいて作成された学習済みモデルを用いて、人工知能により解析して解析結果を導き出す人工知能解析部と、
   前記人工知能解析部が解析して導き出した解析結果から、前記新たな患者の考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力する診断結果出力部と
   を備えることを特徴とする自動診断支援装置。
2. 過去の患者の症状に関する情報を取得する学習用患者情報取得部と、
   漢方専門医による前記過去の患者の診断結果情報を取得する学習用診断結果取得部と、
   前記学習用患者情報取得部が取得した前記過去の患者の症状に関する情報と、前記学習用診断結果取得部が取得した漢方専門医による前記過去の患者に対する診断結果情報とに基づいて、学習済みモデルを作成する学習モデル作成部と、
   をさらに備え、
   前記人工知能解析部は、前記学習モデル作成部が作成した前記学習済みモデルを用いて、人工知能により解析して解析結果を導き出す
   ことを特徴とする請求項１記載の自動診断支援装置。
3. 前記患者の症状に関する情報は、少なくとも患者の主観的症状に関する問診項目情報、または、患者の舌撮影画像であり、
   前記人工知能解析部は、少なくとも前記患者情報取得部が取得した患者の主観的症状に関する問診項目情報または前記舌撮影画像を、少なくとも前記過去の患者の主観的症状に関する問診項目情報または前記過去の患者の舌撮影画像と、漢方専門医による前記過去の患者に対する診断結果情報とに基づいて作成された学習済みモデルを用いて、人工知能により総合的に解析して解析結果を導き出す
   ことを特徴とする請求項１または請求項２記載の自動診断支援装置。
4. 前記患者の症状に関する情報は、少なくとも患者の主観的症状に関する問診項目情報、および、患者の舌撮影画像であり、
   前記人工知能解析部は、前記患者情報取得部が取得した患者の主観的症状に関する問診項目情報と前記舌撮影画像とを、前記過去の患者の主観的症状に関する問診項目情報と前記過去の患者の舌撮影画像と漢方専門医による前記過去の患者に対する診断結果情報とに基づいて作成された学習済みモデルを用いて、人工知能により総合的に解析して解析結果を導き出す
   ことを特徴とする請求項１または請求項２記載の自動診断支援装置。
5. 前記舌撮影画像は、前記患者の舌および口のまわりを撮影した画像であることを特徴とする請求項３または請求項４記載の自動診断支援装置。
6. 医師のための漢方医学における自動診断支援方法であって、
   患者情報取得部が、新たな患者の症状に関する情報を取得するステップと、
   人工知能解析部が、前記患者情報取得部が取得した前記新たな患者の症状に関する情報を、過去の患者の症状に関する情報と漢方専門医による前記過去の患者に対する診断結果情報とに基づいて作成された学習済みモデルを用いて、人工知能により解析して解析結果を導き出すステップと、
   診断結果出力部が、前記人工知能解析部が解析して導き出した解析結果から、前記新たな患者の考えられる病気と、最適な治療法と、処方すべき薬剤情報のうちの少なくともいずれか１つを出力するステップと
   を備えることを特徴とする自動診断支援方法。
7. コンピュータに、請求項６記載の自動診断支援方法を実行させるためのプログラム。
8. 医師のための漢方医学における自動診断支援方法をコンピュータに実行させるための学習済みモデルであって、
   過去の患者の症状に関する情報に対して、漢方専門医による前記過去の患者に対する診断結果情報を教師データとして、ある患者の症状に関する情報から、前記ある患者の診断結果を出力するように学習され、
   新たな患者の症状に関する情報に基づいて、当該新たな患者の診断結果を導き出すステップを前記コンピュータに機能させることを特徴とする学習済みモデル。
9. 新たな患者の症状に関する情報に基づいて当該新たな患者の診断結果を導き出す、医師のための漢方医学における自動診断支援方法をコンピュータに実行させるための学習済みモデル作成方法であって、
   学習用患者情報取得部が、過去の患者の症状に関する情報を取得するステップと、
   学習用診断結果取得部が、漢方専門医による前記過去の患者に対する診断結果情報を取得するステップと、
   学習用人工知能解析部が、前記学習用患者情報取得部が取得した前記過去の患者の症状に関する情報に対して、前記学習用診断結果取得部が取得した漢方専門医による前記過去の患者に対する診断結果情報を教師データとして、ある患者の症状に関する情報から、前記ある患者の診断結果を解析して出力するように学習された学習済みモデルを作成するステップと、
   を備えることを特徴とする学習済みモデル作成方法。

Images