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
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 Download PDFInfo
- Publication number
- JP2021047504A JP2021047504A JP2019168259A JP2019168259A JP2021047504A JP 2021047504 A JP2021047504 A JP 2021047504A JP 2019168259 A JP2019168259 A JP 2019168259A JP 2019168259 A JP2019168259 A JP 2019168259A JP 2021047504 A JP2021047504 A JP 2021047504A
- Authority
- JP
- Japan
- Prior art keywords
- patient
- information
- learning
- tongue
- acquisition unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 297
- 239000003814 drug Substances 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 53
- 208000024891 symptom Diseases 0.000 claims abstract description 132
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 120
- 201000010099 disease Diseases 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 229940079593 drug Drugs 0.000 claims description 65
- 238000011369 optimal treatment Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 15
- 210000002105 tongue Anatomy 0.000 description 168
- 239000011159 matrix material Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 239000000284 extract Substances 0.000 description 10
- 239000008187 granular material Substances 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 239000000955 prescription drug Substances 0.000 description 9
- 238000011084 recovery Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 235000008216 herbs Nutrition 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000009569 juzentaihoto Substances 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000010358 hachimijiogan Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229940124595 oriental medicine Drugs 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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)
- 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。 - 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。 - 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。 - 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。 - 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。
- 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。 - 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。
- 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019168259A JP2021047504A (ja) | 2019-09-17 | 2019-09-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019168259A JP2021047504A (ja) | 2019-09-17 | 2019-09-17 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021047504A true JP2021047504A (ja) | 2021-03-25 |
Family
ID=74878444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019168259A Pending JP2021047504A (ja) | 2019-09-17 | 2019-09-17 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021047504A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838571A (zh) * | 2021-09-03 | 2021-12-24 | 苏小慢 | 一种基于大数据的大健康医疗方法及系统 |
WO2023001301A1 (zh) * | 2021-07-23 | 2023-01-26 | 北京智精灵科技有限公司 | 基于用户能力的个性化认知训练任务推荐方法及系统 |
WO2023210219A1 (ja) * | 2022-04-28 | 2023-11-02 | Tdk株式会社 | 情報処理装置、情報処理方法、及びプログラム |
WO2023210217A1 (ja) * | 2022-04-28 | 2023-11-02 | Tdk株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005296208A (ja) * | 2004-04-09 | 2005-10-27 | Konica Minolta Holdings Inc | 診断システム |
JP2008538992A (ja) * | 2005-04-28 | 2008-11-13 | ケアストリーム ヘルス インク | 舌画像からの疾病診断のための方法 |
JP2013017660A (ja) * | 2011-07-12 | 2013-01-31 | Koichi Hirata | 舌診支援プログラム、舌診支援装置 |
JP2013117941A (ja) * | 2011-10-31 | 2013-06-13 | Sony Corp | 体質判定装置、体質判定方法、健康支援装置、健康支援方法、プログラム、端末装置および健康支援システム |
CN107432822A (zh) * | 2017-09-04 | 2017-12-05 | 杭州真医疗器械有限公司 | 一种智能拔罐诊疗系统 |
CN108154934A (zh) * | 2017-12-20 | 2018-06-12 | 华子昂 | 基于智能中医机器人的数据库系统 |
-
2019
- 2019-09-17 JP JP2019168259A patent/JP2021047504A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005296208A (ja) * | 2004-04-09 | 2005-10-27 | Konica Minolta Holdings Inc | 診断システム |
JP2008538992A (ja) * | 2005-04-28 | 2008-11-13 | ケアストリーム ヘルス インク | 舌画像からの疾病診断のための方法 |
JP2013017660A (ja) * | 2011-07-12 | 2013-01-31 | Koichi Hirata | 舌診支援プログラム、舌診支援装置 |
JP2013117941A (ja) * | 2011-10-31 | 2013-06-13 | Sony Corp | 体質判定装置、体質判定方法、健康支援装置、健康支援方法、プログラム、端末装置および健康支援システム |
CN107432822A (zh) * | 2017-09-04 | 2017-12-05 | 杭州真医疗器械有限公司 | 一种智能拔罐诊疗系统 |
CN108154934A (zh) * | 2017-12-20 | 2018-06-12 | 华子昂 | 基于智能中医机器人的数据库系统 |
Non-Patent Citations (1)
Title |
---|
谷垣 龍哉,今井 健,大江 和彦,吉野 鉄大,渡辺 賢治: "非漢方専門医に向けた漢方製剤の処方選択支援モデルの研究", 一般社団法人人工知能学会 研究会 AIMED:医用人工知能研究会 SIG−AIMED−005, JPN6023039585, 14 March 2018 (2018-03-14), JP, pages 1 - 5, ISSN: 0005157888 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023001301A1 (zh) * | 2021-07-23 | 2023-01-26 | 北京智精灵科技有限公司 | 基于用户能力的个性化认知训练任务推荐方法及系统 |
CN113838571A (zh) * | 2021-09-03 | 2021-12-24 | 苏小慢 | 一种基于大数据的大健康医疗方法及系统 |
CN113838571B (zh) * | 2021-09-03 | 2023-12-22 | 北京约来健康科技有限公司 | 一种基于大数据的大健康医疗系统 |
WO2023210219A1 (ja) * | 2022-04-28 | 2023-11-02 | Tdk株式会社 | 情報処理装置、情報処理方法、及びプログラム |
WO2023210217A1 (ja) * | 2022-04-28 | 2023-11-02 | Tdk株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021047504A (ja) | 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 | |
CN107358606B (zh) | 用于识别糖尿病视网膜病变的人工神经网络装置及系统装置 | |
CN109285605A (zh) | 一种基于人工智能的医疗诊断系统及诊断方法 | |
CN111225612A (zh) | 基于机器学习的神经障碍识别和监测系统 | |
US20160038092A1 (en) | Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis | |
CN109256212A (zh) | 骨健康评估模型构建方法、装置、设备、介质及评估方法 | |
US20200100724A1 (en) | Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis | |
KR20190132290A (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
Islam et al. | Deep learning of facial depth maps for obstructive sleep apnea prediction | |
CN116386860A (zh) | 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台 | |
CN110352461A (zh) | 用于确定受试者中是否发生宫颈癌的方法和设备 | |
US20220280104A1 (en) | Applying non-real time and non-user attended algorithms to the stored non-imaging data and existing imaging data to obtain a dental diagnosis | |
DE102008037558A1 (de) | System und Verfahren zum Diagnostizieren eines medizinischen Zustands | |
US20100150405A1 (en) | System and method for diagnosis of human behavior based on external body markers | |
CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
WO2019172181A1 (ja) | 診断支援装置、プログラム、学習済みモデル、および学習装置 | |
Chau et al. | Teeth reconstruction using artificial intelligence: trends, perspectives, and prospects | |
KR20100013821A (ko) | 통신망을 이용한 원격 자가 진단시스템 및 진단방법 | |
KR102503609B1 (ko) | 머신 러닝을 이용한 가상 환자 정보 생성 시스템 및 방법 | |
HOVORUSHCHENKO et al. | SELECTION OF THE ARTIFICIAL INTELLIGENCE COMPONENT FOR CONSULTATIVE AND DIAGNOSTIC INFORMATION TECHNOLOGY FOR GLAUCOMA DIAGNOSIS | |
Logan et al. | From individual features to full faces: Combining aspects of face information | |
Sulistianingsih et al. | Analysis of Dialogue Technique Acceptance of Diagnosis Based Clinical Decision Support System | |
KR20170143047A (ko) | 한방건강증진 서비스를 위한 진단설문 평가 방법 | |
Agarwal et al. | Artificial Intelligence for Iris-Based Diagnosis in Healthcare | |
Abdulrahman et al. | Coronavirus Classification using Deep Convolutional Neural Network, Models. and Chest, X-ray images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220901 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230919 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230926 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240319 |