JP2021051776A - 医療情報処理システム及び医療情報処理方法 - Google Patents

Abstract

【課題】医用画像を用いた人工知能の学習等の処理を効果的に行う医療情報処理システム及び医療情報処理方法を提供する。【解決手段】医療情報処理システムの人工知能エンジン１１において、分類処理部１１１は、データベースに基づいて、医用画像を予め設定されたカテゴリに分類する。選択処理部１１２は、当該医療情報に基づき分類したカテゴリのいずれかを選択する。一致判定部１１３は、分類されたカテゴリと選択したカテゴリとが一致しているか判定する。特異判定部１１４は、一致しない場合に、医用画像を特異カテゴリに分類する。分類調整部１１５は、特異カテゴリに分類された医用画像群に基づいて、分類処理部の動作パラメータを調整する。知識獲得部１１６は、特異カテゴリに分類された複数の医用画像に基づいて医療知識を獲得する。左右判別部１１７は、医用画像が被検眼の画像である場合に動作し、医用画像が左眼の画像か右眼の画像か判別する。【選択図】図３

Description

本発明は、医療情報処理システム及び医療情報処理方法に関する。

医療の様々な分野において画像診断や画像解析は重要な位置を占める。例えば眼科分野では、細隙灯顕微鏡、眼底カメラ、走査型レーザ検眼鏡（ＳＬＯ）、光コヒーレンストモグラフィ（ＯＣＴ）、レーザスペックルフローグラフィ（ＬＳＦＧ）、手術用顕微鏡など多様な撮影装置が使用される。

また、複数の撮影手法に使用可能な撮影装置もある。例えば、眼底カメラにより行われる撮影手法には、赤外観察、カラー撮影、フルオレセイン蛍光造影撮影、インドシアニングリーン蛍光造影撮影、自発蛍光撮影、レッドレフレックス撮影などがある。また、ＯＣＴにより行われる撮影手法には、Ｂスキャンやボリュームスキャン等の形態撮影、血管造影、血流計測、偏光撮影などがある。更に、撮影装置以外の眼科装置（検査装置、測定装置等）の多くにも、被検眼を観察するための赤外動画撮影機能が設けられている。

また、眼科分野以外にも、Ｘ線撮影装置、Ｘ線コンピュータ断層撮影（ＣＴ）装置、磁気共鳴イメージング（ＭＲＩ）装置、陽電子放射断層撮影（ＰＥＴ）装置、単一光子放射断層撮影（ＳＰＥＣＴ）装置、内視鏡など、様々な撮影装置が用いられている。

撮影装置によって取得された画像は、スクリーニングや病変特定のための解析に利用される。また、経過観察や術前術後観察においては、異なるタイミングで取得された複数の画像の比較観察や比較解析が行われている。

近年、人工知能技術の進歩は著しく、医療分野への応用も進められている。医療分野への応用は、意思決定支援、データ分析、データマイニング、トランザクション（電子カルテシステム、オーダリングシステム、医事会計システム等）、画像処理、画像解析、ロボット、遺伝子解析など、広範囲にわたる。

特開２００７−１９５９９４号公報 特開２０１５−０２８７９１号公報

人工知能を有効に利用するには学習を適切に行う必要がある。医療用人工知能では、電子カルテ等に含まれる文字列情報だけでなく医用画像も学習に供されることが望ましい。

診断や治療においては、問診、診察、検査、撮影等により得られた様々な情報が総合的に勘案される。よって、画像所見や画像解析結果が診断結果等と合致しない場合もある。例えば、視野検査や眼圧検査の結果から緑内障との確定診断がなされた場合において、眼底ＯＣＴ画像の所見や網膜神経線維層（ＲＮＦＬ）厚が緑内障の典型例に合致しない場合がある。逆に、緑内障の典型的な所見であるＲＮＦＬの菲薄化が他の要因（例えば強度近視）によるケースもある。

また、例えば、眼底像から把握される視神経乳頭が緑内障の典型所見を呈する一方、眼底ＯＣＴ画像やＲＮＦＬ厚が緑内障の典型所見を呈さない場合のように、異なるモダリティの画像の所見が一致しないこともある。

このような事象は、人工知能による推論やデータマイニングの精度や確度を低下させる原因となり得る。

本発明の目的は、医用画像を用いた人工知能の学習等の処理を効果的に行うことにある。

例示的な実施形態は、データベースに基づいて医療情報を処理する人工知能エンジンを含む医療情報処理システムであって、患者の医用画像と前記患者の検査データ及び遺伝子データの一方又は双方とを受け付ける受付部と、前記データベースに基づいて、前記医用画像を予め設定された２以上のカテゴリのいずれかに分類する第１分類処理部と、前記検査データ及び前記遺伝子データの一方又は双方に基づいて、前記２以上のカテゴリのいずれかを選択する選択処理部と、前記第１分類処理部により特定されたカテゴリと前記選択処理部により選択されたカテゴリとが一致しない場合、前記医用画像を特異カテゴリに分類する第２分類処理部とを備える。

例示的な実施形態によれば、医用画像を用いた人工知能の学習等の処理を効果的に行うことができる。

例示的な医療情報処理方法を表すフローチャートである。 例示的な医療情報処理システムの構成を表す概略図である。 例示的な医療情報処理システムの構成を表す概略図である。

本発明の例示的な実施形態について図面を参照しながら詳細に説明する。例示的な医療情報処理方法は、例示的な医療情報処理システムによって実現することができる。例示的な医療情報処理システムには、データベースと人工知能エンジンとが含まれる。

典型的な医療情報処理システムは、例えば、医療機関、研究機関等に設置され、医師や研究者により利用される。他の典型的な医療情報処理システムは、複数の医療機関や研究機関からアクセス可能なサーバやデータベースを含んでもよい。医療情報処理システムは、グリッドコンピューティング、クラウドコンピューティング、並列コンピューティング、分散コンピューティング等の各種コンピューティング技術を利用して構築されていてもよい。

データベースには、例えば、専門書や論文等の周知情報、医療機関等にて収集された医療情報、各種の医療知識等が格納されている。人工知能エンジンは、このデータベースに基づいて、機械学習、データマイニング、推論、統計処理等を実行することができる。人工知能エンジンにより獲得された医療知識をデータベースに格納することができる。機械学習等を用いたデータベースの更新及び／又は人工知能エンジンの更新（パラメータ等の更新）により、医療情報処理システムの処理の確度や精度が向上していく。

実施形態において適用可能な機械学習の手法は任意であってよい。例えば、実施形態では、教師あり学習、教師なし学習、半教師あり学習、強化学習、トランスダクション（トランスダクティブ推論）、マルチタスク学習等のいずれかが適用されてよい。また、機械学習の技法として、決定木学習、相関ルール学習、ニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、サポートベクターマシン、クラスタリング、ベイジアンネットワーク、表現学習等のいずれかが適用されてよい。また、機械学習のために、自然言語処理、画像処理、推論、データマイニング等の任意の情報処理技術を利用することも可能である。

自然言語処理には、形態素解析、構文解析、文脈解析、意味理解、語義の曖昧性解消、照応解析、潜在意味解析など、任意の公知技術を用いることができる。また、自然言語処理の応用技術を自然言語情報に適用することも可能である。例えば、自動要約生成、情報抽出、情報検索、概念検索、機械翻訳、固有表現抽出、自然言語生成、校正、スペルチェックなどがある。このような自然言語処理及び／又はその応用技術に加え、データのクラスタリング、文書分類等を行うことも可能である。

画像処理は、補正、変換、解析等の任意の処理を含んでよく、それらの任意の組み合わせを含んでよい。典型的な画像処理として、輝度補正、色補正、コントラスト補正、エッジ抽出、部位の特定・評価、部位の分布の特定・評価、病変の特定・評価、病変の分布の特定・評価、形態の特定・評価、サイズの算出・評価、機能情報の算出・評価、経過解析（時系列解析）、病名の推定（疑い病名の特定）などがある。また、画像処理は、静止画の解析及び動画の解析の少なくとも一方を含んでよい。

知識とは、例えば、認識及び明示的表現が可能な情報を含み、経験的知識（経験や学習により獲得した知識）及び理論的知識（専門的情報の理論的背景知識や体系）の少なくとも一方を含む。典型的な知識として、事実、ルール、法則、判断基準、常識、ノウハウ、辞書、コーパスなどがある。また、知識には、人工知能エンジンが実行する処理に関する情報が含まれてもよい。例えば、知識は、ニューラルネットワークにおける重みパラメータやバイアスパラメータを含んでいてよい。実施形態では、医療的、医学的な知識（医療知識）が考慮される。

医療情報処理システムは、典型的には、１以上のコンピュータ（人工知能エンジンを含む）と、１以上の記憶装置（データベースの少なくとも一部を構成する）とを少なくとも含む。

医療情報処理システムは、各種の外部装置（コンピュータ、コンピュータシステム、医療装置等）と通信可能である。例えば、医療情報処理システムは、医療機関や研究施設等の設置されたコンピュータと通信可能であり、通信回線を通じて患者の医療情報等の提供を受ける。

医療情報処理システムと外部装置との間の通信形態は任意である。例えば、医療情報処理システムと外部装置との間の通信形態は、有線通信及び／又は無線通信を含んでよく、専用回線及び／又は公衆回線を含んでよく、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、近距離通信及びインターネットのうちの少なくとも１つを含んでよい。

実施形態に含まれるコンピュータを実現するためのハードウェア及びソフトウェア、並びに、医療情報処理システム、装置及び方法を実現するためのハードウェア及びソフトウェアは、以下に例示する構成には限定されず、その実現に寄与する任意のハードウェアと任意のソフトウェアとの組み合わせを含んでいてよい。

医療情報処理システムは、人工知能エンジンとして機能するハードウェア及びソフトウェアと、人工知能エンジンにより利用可能なデータベースとして機能するハードウェア及びソフトウェアとを含む。人工知能エンジンは、例えば、人工知能技術を利用して構築されたシステム、コグニティブコンピューティング技術を利用して構築されたシステムなどを含む。

〈医療情報処理方法の例〉
典型的な医療情報処理方法に係る処理は、コンピュータによって実行される。このコンピュータは、人工知能エンジンを含む。コンピュータは、１以上のプロセッサを含む。プロセッサは、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、プログラマブル論理デバイス（例えば、ＳＰＬＤ（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ））等の回路を含む。プロセッサは、例えば、記憶装置（記憶回路）に格納されているプログラムを読み出して実行することにより所望の機能を実現する。

プロセッサは、記憶装置及び出力装置を制御することができる。記憶装置は、コンピュータの内部に含まれてもよいし、コンピュータの外部に設けられてもよい。出力装置についても同様である。出力装置は、情報を出力する装置であり、その典型例として、表示装置、通信機器、印刷装置、音声出力装置、データライタなどがある。

例示的な実施形態を含む医療情報処理方法の例を図１に示す。なお、図１に示す処理は例示に過ぎず、その１以上のステップは任意的である。つまり、実施形態に係る医療情報処理方法は、図１に示す全てのステップを含む必要はなく、それらのうちの一部のみを含んでもよい。

図１に示す処理の準備として、例えば、次のような手続きや処理が行われる。医療情報処理システムの管理者等は、患者の医療情報（電子カルテ情報、医用画像、検査データ、遺伝子データ等）や医療知識の提供を受ける契約を、医療機関や研究機関と締結する。

契約には、提供を受ける医療情報の種別などの条件が含まれていてよい。契約条件の典型的な例として、特定の診療科で収集された医療情報の提供を受けること、特定の疾患に関する医療情報の提供を受けること、特定の医師や研究者から医療情報の提供を受けることなどがある。

（Ｓ１：医療情報を受け付ける）
医療情報処理システムは、医療機関等から医療情報を受け付ける。医療情報処理システムは、医療機関等から送信された医療情報を受信する通信機器を含んでよい。また、医療情報処理システムは、記録媒体に記録された医療情報を読み取るデータリーダを含んでもよい。

医療情報は、例えば、一人の患者について収集された情報（電子カルテ、医用画像、検査データ、遺伝子データ等）のパッケージとして作成されてよい。他の例における医療情報は、同一の診断名（確定診断名、疑い病名）の複数の患者について収集された情報のパッケージであってもよい。これらの他にも、医療情報は、１以上の診療科において収集された情報のパッケージ、１以上の医療機関等において収集された情報のパッケージなどであってもよい。

医療情報には医用画像が含まれる。医用画像は任意のモダリティによって取得される。例えば眼科では、患者の眼（被検眼）を撮影するために、細隙灯顕微鏡、眼底カメラ、ＳＬＯ、ＯＣＴ、ＬＳＦＧ、手術用顕微鏡等が使用される。また、撮影手法の例として、眼底カメラによる赤外観察、カラー撮影、フルオレセイン蛍光造影撮影、インドシアニングリーン蛍光造影撮影、自発蛍光撮影、及びレッドレフレックス撮影や、ＯＣＴによる形態撮影、血管造影、血流計測、偏光撮影などがある。また、放射線科では、Ｘ線撮影装置、Ｘ線ＣＴ装置、ＭＲＩ装置、ＰＥＴ装置、ＳＰＥＣＴ装置等が使用される。また、様々な診療科において、超音波診断装置や内視鏡が使用される。

医療情報には、後述するカテゴリの選択（ステップＳ３）のための情報が含まれている。その典型的な例として診断名（確定診断名、疑い病名等）がある。診断名は、電子カルテ等に記載されている。他の例として、診断において医用画像よりも重視される検査データを、カテゴリの選択に使用することも可能である。例えば、緑内障診断において、ＯＣＴ画像よりも視野検査データや眼圧値を重視する場合がある。

なお、医療情報処理システム又は医療機関等に設置されたコンピュータは、医療情報に含まれる所定項目の情報を加工することができる。所定項目の情報は、例えば、患者の個人情報（氏名、住所、患者ＩＤ、保険証番号等）を含む。個人情報等の典型的な加工方法として、削除、暗号化、抽象化などがある。抽象化の例として、患者の実年齢を年齢区分に変換することができる（例：「３５歳」を「３０歳代」に変換する；「３５歳」を一の位で四捨五入して「４０歳」に変換する）。

（Ｓ２：人工知能で医用画像を分類する）
人工知能エンジンは、周知情報、医療情報、医療知識等が格納されたデータベースに基づいて、ステップＳ１で受け付けられた医療情報に含まれる医用画像を分類する。この分類では、予め設定された２以上のカテゴリのいずれに医用画像が属するか判定される。

例えば、所定の疾患（例えば緑内障）の「疑い有り」カテゴリと「疑い無し」カテゴリとを設けることができる。また、所定の疾患の進行度（重症度）を表す２以上のカテゴリを設けることができる。また、医用画像の解析等によって得られる特徴や特性がある。

具体例を説明する。人工知能エンジンは、ステップＳ１で受け付けられた医療情報に含まれる眼底ＯＣＴ画像を処理することにより、当該眼底ＯＣＴ画像が「緑内障有り」カテゴリ及び「緑内障無し」カテゴリのどちらに属するか決定することができる。更に、緑内障（疑い）の有無を判定できなかった場合の「不明」カテゴリが設けられてもよい。例えば、人工知能エンジンは、緑内障に関する知識ベースを含むデータベースに基づき、一般的・典型的な症例、一般的・典型的な所見等に当該眼底ＯＣＴ画像が合致するか推論することができる。この推論では、例えば、ＲＮＦＬの厚さ分布、視神経乳頭の形態、篩状板の形態等、緑内障の診断において参照される特徴・特性が眼底ＯＣＴ画像から得られ、これらが知識ベースと比較される。

或いは、人工知能エンジンは、同様の知識ベースに基づき眼底ＯＣＴ画像を処理することによって、当該眼底ＯＣＴ画像が「重度緑内障」カテゴリ、「中度緑内障」カテゴリ、「軽度緑内障」カテゴリのいずれに属するか決定することができる。更に、進行度を判定できなかった場合の「不明」カテゴリが設けられてもよい。

（Ｓ３：診断名等に基づきカテゴリを選択する）
医療情報処理システム（人工知能エンジン又は他のプロセッサ）は、医療情報に含まれる所定の情報（例えば、診断名、検査データ等の医用画像以外の情報）に基づいて、ステップＳ２で選択肢となった２以上のカテゴリのいずれかを選択する。

具体例を説明する。診断名（確定診断名、疑い病名）が記載された電子カルテを医療情報が含む場合、医療情報処理システムは、診断名に対応するカテゴリを選択することができる。例えば、ステップＳ２において「緑内障有り」カテゴリ及び「緑内障無し」カテゴリが選択肢である場合、診断名が「緑内障」を含むときには「緑内障有り」カテゴリを選択し、診断名が「緑内障」を含まないときには「緑内障無し」カテゴリを選択する。

（Ｓ４：分類結果と選択結果が一致するか？）
医療情報処理システム（人工知能エンジン又は他のプロセッサ）は、ステップＳ２において医用画像が分類されたカテゴリと、ステップＳ３において選択されたカテゴリとが一致するか判定する。双方のカテゴリが一致する場合（Ｓ４：Ｙｅｓ）、処理はステップＳ６に移行し、双方のカテゴリが一致しない場合（Ｓ４：Ｎｏ）、処理はステップＳ５に移行する。

（Ｓ５：医用画像を特異カテゴリに分類する）
ステップＳ４において双方のカテゴリが一致しないと判定された場合（Ｓ４：Ｎｏ）、医療情報処理システム（人工知能エンジン又は他のプロセッサ）は、この医用画像を特異カテゴリに分類する。特異カテゴリとは、人工知能エンジンが実行するステップＳ２において、分類されるべきカテゴリに分類されなかった例外的な（特異な）医用画像に割り当てられるカテゴリである。具体的には、特異カテゴリとは、画像所見や画像解析結果が診断名や他の検査データ等と合致しないような医用画像が分類されるカテゴリである。

医用画像が特異カテゴリに分類される場合、ステップＳ２での分類結果を破棄することができる。或いは、医用画像が特異カテゴリに分類される場合、ステップＳ２での分類結果を記録することができる。

（Ｓ６：カテゴリ毎に機械学習を行う）
以上のような処理を複数の医用画像に適用することで、各カテゴリに属する医用画像が蓄積される。医療情報処理システムは、各カテゴリについて、それに属する医用画像群に基づき人工知能エンジンの機械学習を行う。

なお、前述したように、機械学習には、教師あり学習、教師なし学習、半教師あり学習、強化学習、トランスダクション、マルチタスク学習、決定木学習、相関ルール学習、ニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、サポートベクターマシン、クラスタリング、ベイジアンネットワーク、表現学習等の技術が適用されてよい。

具体例を説明する。緑内障に関するカテゴリの選択肢が、「緑内障有り」カテゴリ、「緑内障無し」カテゴリ、及び特異カテゴリである場合、医療情報処理システムは、「緑内障有り」カテゴリに属する医用画像群による人工知能エンジンの機械学習と、「緑内障無し」カテゴリに属する医用画像群による人工知能エンジンの機械学習と、特異カテゴリに属する医用画像群による人工知能エンジンの機械学習とを実行する。

特に、特異カテゴリに分類された医用画像は、画像所見や画像解析のみによって診断を行うことが困難な例外的な（特異な）画像である。例えば「緑内障有り」カテゴリや「緑内障無し」カテゴリに基づく機械学習に加え、特異カテゴリに属する医用画像群で機械学習を行うことにより、その疾患に典型的な所見や解析結果を呈する医用画像の分類規準や、それを呈しない医用画像の分類基準だけでなく、例外的な医用画像の分類規準についても向上させることが可能である。それにより、今後実行されるステップＳ２の処理（医用画像の分類）における分類の確度や精度が向上される。

（Ｓ７：カテゴリ毎に医療知識を獲得する）
医療情報処理システム（人工知能エンジン）は、各カテゴリに属する医用画像群に基づいて医療知識を獲得する。この処理は、例えば、データマイニング、推論等の任意の処理を含んでよい。

具体例を説明する。緑内障に関するカテゴリの選択肢が、「緑内障有り」カテゴリ、「緑内障無し」カテゴリ、及び特異カテゴリである場合、人工知能エンジンは、「緑内障有り」カテゴリに属する医用画像群に基づき医療知識を獲得し、「緑内障無し」カテゴリに属する医用画像群に基づき医療知識を獲得し、特異カテゴリに属する医用画像群に基づき医療知識を獲得する。

前述のように、特異カテゴリに分類された医用画像は、画像所見や画像解析のみによって診断を行うことが困難な例外的な（特異な）画像である。したがて、例えば「緑内障有り」カテゴリや「緑内障無し」カテゴリに基づく知識獲得に加え、特異カテゴリに属する医用画像群から知識を獲得することにより、その疾患に典型的な所見や解析結果を呈する医用画像に関する知識（特徴、特性等）や、それを呈しない医用画像に関する知識（特徴、特性等）だけでなく、例外的な医用画像に関する知識（特徴、特性等）も得られる。

（Ｓ８：医療知識をデータベースに格納する）
医療情報処理システムは、ステップＳ７で獲得された医療知識をデータベースに格納する。このような医療知識は、例えば、ステップＳ２（医用画像の分類）、ステップＳ６（機械学習）、ステップＳ７（医療知識の獲得）等において利用することができる。また、獲得された医療知識を医療機関等に提供することも可能である。以上で、本例の説明を終了する。

〈医療情報処理システム〉
上記した医療情報処理方法を実現するためのシステムについて説明する。例示的な医療情報処理システムの構成を図２及び図３に示す。

図２に示す医療情報処理システム１０は、データベース１２に基づき処理を実行する人工知能エンジン１１を含む。医療情報処理システム１０は、通信回線２０を通じて１以上の医療情報データベース３０と通信可能である。医療情報データベース３０は、例えば医療機関や研究機関に設置され、各種の医療情報（患者の医療情報、研究データ等）を蓄積している。医療情報データベース３０は、医療情報処理システム１０からの要求に応じ、又は定期的に若しくは不定期的に、医療情報処理システム１０に医療情報を送信する。

医療情報処理システム１０には、人工知能エンジン１１及びデータベース１２に加え、通信部１３、ユーザインターフェイス（ＵＩ）１４、及び制御部１５が設けられている。

データベース１２には、例えば、専門書や論文等の周知情報、医療機関等にて収集された医療情報、各種の医療知識等が格納される。人工知能エンジン１１は、データベース１２に基づいて、機械学習、データマイニング、推論、統計処理等を実行する。人工知能エンジン１１により獲得された医療知識はデータベース１２に格納される。機械学習等を用いたデータベース１２の更新及び／又は人工知能エンジン１１の更新により、医療情報処理システム１０の処理の確度や精度の向上を図ることができる。ここで、医療情報処理システム１０により実行可能な機械学習の手法は、前述した手法のいずれか、又は２以上の組み合わせであってよい。また、人工知能エンジン１１は、自然言語処理、画像処理、推論、データマイニング等を実行することもできる。

通信部１３は、通信回線２０を通じて他のシステムや他の装置にデータを送信する処理と、他のシステムや他の装置からデータを受信する処理とを行う。通信部１３は、通信回線２０の通信方式に応じた公知の通信機器を含む。通信部１３（及び制御部１５）は、医用画像を含む医療情報を医療情報データベース３０から受け付ける受付部の一例として機能する。

ユーザインターフェイス１４には、表示デバイスと操作デバイスとが含まれる。操作デバイスは、例えば、マウス、キーボード、トラックパッド、ボタン、キー、ジョイスティック、操作パネル等のいずれかを含む。ユーザインターフェイス１４は、タッチパネル等を含んでもよい。ユーザインターフェイス１４は、医師等のユーザによって使用可能なコンピュータ（コンピュータ端末、携帯端末等）であってもよい。

制御部１５は各種の制御を実行する。制御部１５は、医療情報処理システム１０の各要素の制御や、２以上の要素の連係的制御を実行する。例えば、制御部１５は、通信部１３を制御することにより、医療情報データベース３０に向けて、医療情報の送信要求を送ることができる。

制御部１５は、医療情報処理システム１０の外部の装置の制御を行うことができる。例えば、ユーザインターフェイス１４が外部コンピュータである場合、制御部１５はその制御を行うことができる。制御部１５は、各種制御を行うためのプログラムと、それに基づき動作するプロセッサとを含む。

例示的な人工知能エンジン１１の構成を図３に示す。本例の人工知能エンジン１１は、分類処理部１１１、選択処理部１１２、一致判定部１１３、特異判定部１１４、分類調整部１１５、知識獲得部１１６、及び左右判別部１１７が設けられている。

なお、人工知能エンジン１１はこれらの全てを含む必要はなく、人工知能エンジン１１と異なるプロセッサがこれらのうちのいずれかを含んでもよい。

分類処理部１１１は、データベース１２に基づいて、医用画像を予め設定された２以上のカテゴリのいずれかに分類する。分類処理部１１１により、図１のステップＳ２を実現することができる。分類処理部１１１は、第１分類処理部の一例として機能する。

選択処理部１１２は、当該医療情報（例えば医用画像以外の情報）に基づいて、上記した２以上のカテゴリのいずれかを選択する。カテゴリの選択のために参照される医療情報は、例えば、診断名や、医用画像よりも重視される検査データなどである。選択処理部１１２により、図１のステップＳ３を実現することができる。選択処理部１１２は、選択処理部の一例として機能する。

一致判定部１１３は、分類処理部１１１により特定されたカテゴリと選択処理部１１２により選択されたカテゴリとが一致しているか否か判定する。一致判定部１１３により、図１のステップＳ４を実現することができる。

特異判定部１１４は、分類処理部１１１により特定されたカテゴリと選択処理部１１２により選択されたカテゴリとが一致しないと一致判定部１１３によって判定された場合に、医用画像を特異カテゴリに分類する。特異判定部１１４により、図１のステップＳ５を実現することができる。特異判定部１１４は、第２分類処理部の一例として機能する。

分類調整部１１５は、特異判定部１１４により特異カテゴリに分類された医用画像群に基づいて、分類処理部１１１の動作パラメータを調整する。つまり、分類調整部１１５は、医用画像の分類のために人工知能エンジン１１の機械学習を行う。典型的な例において、分類処理部１１１はニューラルネットワークを含んでよく、その動作パラメータは、重みパラメータ、バイアスパラメータ等であってよい。分類調整部１１５により、図１のステップＳ６を実現することができる。分類調整部１１５は、分類調整部の一例として機能する。

分類調整部１１５は、特異判定部１１４により特異カテゴリに分類された医用画像（特異画像）に基づく機械学習と、それ以外の医用画像（通常画像）に基づく機械学習とを、個別に実行することができる。例えば、分類調整部１１５は、特異画像群に基づいて分類処理部１１１の動作パラメータの第１の値を求める。更に、分類調整部１１５は、通常画像群に基づいて分類処理部１１１の動作パラメータの第２の値を求める。通常画像群が２以上のカテゴリに分割されている場合、これらカテゴリのそれぞれについて動作パラメータの値を求めるようにしてもよい。

知識獲得部１１６は、特異判定部１１４により特異カテゴリに分類された複数の医用画像に基づいて医療知識を獲得する。知識獲得部１１６は、例えば、データマイニング、推論等の処理を実行することができる。知識獲得部１１６により、図１のステップＳ７を実現することができる。知識獲得部１１６は、知識獲得部の一例として機能する。

知識獲得部１１６は、特異判定部１１４により特異カテゴリに分類された医用画像（特異画像）に基づく知識獲得と、それ以外の医用画像（通常画像）に基づく知識獲得とを、個別に実行することができる。例えば、知識獲得部１１６は、特異画像群に基づいて第１の医療知識を獲得し、且つ、通常画像群に基づいて第２の医療知識を獲得する。通常画像群が２以上のカテゴリに分割されている場合、これらカテゴリのそれぞれについて医療知識を獲得するようにしてもよい。

知識獲得部１１６により獲得された医療知識は、制御部１５によってデータベース１２に格納される。それにより、図１のステップＳ８を実現することができる。

左右判別部１１７は、医用画像が被検眼の画像である場合に動作し、医用画像が左眼の画像か右眼の画像か判別する。

左右判別部１１７が設けられる場合、データベース１２には、眼の解剖学的特徴を表す特徴情報が予め格納される。眼の解剖学的特徴の例として、視神経乳頭の位置や形態、黄斑の位置や形態、血管の走行や形態、神経線維の走行や形態などがある。左右判別部１１７は、医用画像を解析して注目部位（視神経乳頭、黄斑、血管、神経線維等）を特定し、この注目部位の位置、２以上の注目部位の相対位置、注目部位の分布等に基づいて、この医用画像が左眼画像か右眼画像か判別する。

或いは、例えばＤＩＣＯＭファイル内のタグ情報に、当該医用画像が左眼画像であるか右眼画像であるかを示す情報を記録し、左右判別部１１７がこれを参照するようにしてもよい。

人工知能エンジン１１は、特徴情報を参照して、機械学習、データマイニング、推論、図１のいずれかのステップに示す処理などを実行することができる。

データベースに予め格納される特徴情報は、左眼の解剖学的特徴を表す左眼情報と、右眼の解剖学的特徴を表す右眼情報とを含んでいてよい。この場合、人工知能エンジン１１は、左右判別部１１７による判別結果に応じた特徴情報を参照することができる。すなわち、医用画像が左眼画像であると判別された場合、左右判別部１１７は、左眼情報（及び、データベース中の他の情報等）に基づいて、機械学習、データマイニング、推論、図１のいずれかのステップに示す処理などを実行することができる。他方、医用画像が右眼画像であると判別された場合、左右判別部１１７は、右眼情報（及び、データベース中の他の情報等）に基づいて、機械学習、データマイニング、推論、図１のいずれかのステップに示す処理などを実行することができる。

〈効果〉
以上に例示した実施形態は、例えば人工知能による医用画像の分類結果が診断名と合致しない場合のように、人工知能によって医用画像が適切に分類されなかった場合、その医用画像を特異カテゴリに分類するよう構成されている。したがって、このような例外的な（特異な）医用画像を収集することができ、それらに基づいて機械学習を行うことが可能である。よって、このような例外性・特異性に着目せずに行われる従来の機械学習と比較して、人工知能の学習を効果的に行うことができる。それにより、人工知能を用いた推論やデータマイニングの精度・確度の向上を図ることが可能になる。

医用画像が被検眼の画像である場合、眼の解剖学的特徴を表す特徴情報をデータベースに予め格納することができる。更に、人工知能エンジンは、この特徴情報を含むデータベースに基づいて、機械学習、データマイニング、推論等の処理を実行するように構成されてよい。このような解剖学的特徴を参照することにより、人工知能を用いた処理の精度・確度の更なる向上を図ることができる。

被検眼の画像が左眼画像であるか右眼画像であるか判別する左右判別部が設けられ、且つ、左眼の解剖学的特徴を表す左眼情報と右眼の解剖学的特徴を表す右眼情報とを特徴情報が含む場合、人工知能エンジンは、左右判別部からの出力に応じて処理を行うことができる。つまり、人工知能エンジンは、被検眼の画像が左眼画像であると判別された場合には少なくとも左眼情報に基づいて処理を実行し、被検眼の画像が右眼画像であると判別された場合には少なくとも右眼情報に基づいて処理を実行するように構成されてよい。それにより、人工知能を用いた処理の精度・確度の更なる向上を図ることができる。

実施形態に係る医療情報処理方法に含まれる工程や、実施形態に係る医療情報処理システムに含まれる要素（構成、動作等）は、上記の例示に限定されるものではない。

以上に説明した実施形態は例示に過ぎない。本発明を実施しようとする者は、本発明の要旨の範囲内における変形（省略、置換、付加等）を任意に施すことが可能である。

１０ 医療情報処理システム
１１ 人工知能エンジン
１１１ 分類処理部
１１２ 選択処理部
１１３ 一致判定部
１１４ 特異判定部
１１５ 分類調整部
１１６ 知識獲得部
１１７ 左右判別部
１２ データベース
１３ 通信部
１４ ユーザインターフェイス
１５ 制御部
２０ 通信回線

Claims (7)

1. データベースに基づいて医療情報を処理する人工知能エンジンを含む医療情報処理システムであって、
   患者の医用画像と前記患者の検査データ及び遺伝子データの一方又は双方とを受け付ける受付部と、
   前記データベースに基づいて、前記医用画像を予め設定された２以上のカテゴリのいずれかに分類する第１分類処理部と、
   前記検査データ及び前記遺伝子データの一方又は双方に基づいて、前記２以上のカテゴリのいずれかを選択する選択処理部と、
   前記第１分類処理部により特定されたカテゴリと前記選択処理部により選択されたカテゴリとが一致しない場合、前記医用画像を特異カテゴリに分類する第２分類処理部と
   を備える医療情報処理システム。
2. 前記第２分類処理部により前記特異カテゴリに分類された医用画像に基づいて、前記第１分類処理部の動作パラメータを調整する分類調整部を備える
   ことを特徴とする請求項１に記載の医療情報処理システム。
3. 前記分類調整部は、前記特異カテゴリに分類された医用画像に基づいて前記動作パラメータの第１の値を求め、且つ、前記第１分類処理部により特定されたカテゴリと前記選択処理部により選択されたカテゴリとが一致した医用画像に基づいて前記動作パラメータの第２の値を求める
   ことを特徴とする請求項２に記載の医療情報処理システム。
4. 前記第２分類処理部により前記特異カテゴリに分類された複数の医用画像に基づいて医療知識を獲得する知識獲得部を備える
   ことを特徴とする請求項１〜３のいずれかに記載の医療情報処理システム。
5. 前記知識獲得部は、前記特異カテゴリに分類された医用画像に基づいて第１の医療知識を獲得し、且つ、前記第１分類処理部により特定されたカテゴリと前記選択処理部により選択されたカテゴリとが一致した医用画像に基づいて第２の医療知識を獲得する
   ことを特徴とする請求項４に記載の医療情報処理システム。
6. 前記医用画像は、被検眼の画像である
   ことを特徴とする請求項１〜５のいずれかに記載の医療情報処理システム。
7. データベースに基づいて処理を実行する人工知能エンジンを含むコンピュータを用いて医療情報を処理する方法であって、
   前記コンピュータが、
   患者の医用画像と前記患者の検査データ及び遺伝子データの一方又は双方とを受け付け、
   前記データベースに基づいて、前記医用画像を予め設定された２以上のカテゴリのいずれかに分類し、
   前記検査データ及び前記遺伝子データの一方又は双方に基づいて、前記２以上のカテゴリのいずれかを選択し、
   前記医用画像が分類されたカテゴリと前記医療情報に基づき選択されたカテゴリとが一致しない場合、前記医用画像を特異カテゴリに分類する
   医療情報処理方法。
   
   

Images