JP2021117926A - 医用情報処理システム、医用情報処理装置、医用情報処理システムの制御方法、及びプログラム - Google Patents

Abstract

【課題】データの条件に適合する学習モデルにより判定処理を行うこと。【解決手段】医用情報処理システムは、医用情報を取得する取得部と、機械学習を行うために使用するデータを振り分けるための条件を設定する条件設定部と、医用情報と条件とを用いた機械学習により、条件ごとに異なる複数の学習モデルの作成を行う機械学習部と、複数の学習モデルを用いて、対象データに対して判定処理を行う判定部と、を備える。判定部は、条件ごとに異なる複数の学習モデルから、対象データの条件に適合する学習モデルを選択し、当該選択した学習モデルを用いて、判定処理を行う。【選択図】図２

Description

本発明は、医用情報処理システム、医用情報処理装置、医用情報処理システムの制御方法、及びプログラムに関するものである。

医用情報処理システムにおいて、機械学習を用いてユーザーの傾向や嗜好に沿った情報を提供する機能や、画像解析精度を向上させる機能等が提案されている。特許文献１には機械学習により作成した識別器の判定精度を算出し、最も判定精度に優れた識別器を判定処理に使用する技術が開示されている。

特許第５５３３６６２号明細書

しかしながら、機械学習を用いた機能においては、機能の判定性能が学習用データに依存することがしばしばある。例えば、Ｘ線撮影画像の照射野を認識する機能の学習において、学習用データの割合の大半が胸部部位のデータを用いて学習された機能を使用する場合に、胸部以外の部位のデータを入力としてその機能を使用すると、判定性能が低下することが予想される。

一方で、胸部の部位のデータを入力としてその機能を使用すると、学習前よりも判定性能が向上することが想定される。

したがって、その機能の判定に使用する学習モデルを入れ替えると特定の条件では判定性能が向上するが、それ以外の条件では判定性能が低下する場合が生じ得る。

本発明は上記の課題に鑑みてなされたもので、データの条件に適合する学習モデルにより判定処理を行うことが可能な医用情報処理技術の提供を目的とする。

本発明の目的を達成するために、本発明の一態様による医用情報処理システムは、医用情報を取得する取得手段と、
機械学習を行うために使用するデータを振り分けるための条件を設定する条件設定手段と、
前記医用情報と前記条件とを用いた前記機械学習により、前記条件ごとに異なる複数の学習モデルの作成を行う機械学習手段と、
前記複数の学習モデルを用いて、対象データに対して判定処理を行う判定手段と、を備え、
前記判定手段は、前記条件ごとに異なる複数の学習モデルから、前記対象データの条件に適合する学習モデルを選択し、当該選択した学習モデルを用いて、前記判定処理を行うことを特徴とする。

本発明によれば、データの条件に適合する学習モデルにより判定処理を行うことが可能になる。

添付図面は明細書に含まれ、その一部を構成し、本発明の実施形態を示し、その記述と共に本発明の原理を説明するために用いられる。
医用情報システムの一例を示すシステム構成図。 第１実施形態に係る機械学習制御装置が実施する処理の手順を示すフローチャート。 第１実施形態に係る放射線撮影制御装置が実施する処理の手順を示すフローチャート。 第１実施形態に係る判定部に適用される学習モデルの一例を示す図。 第２実施形態に係る機械学習制御装置が実施する処理の手順を示すフローチャート。 第３実施形態に係る機械学習制御装置が実施する処理の手順を示すフローチャート。 第３実施形態に係る機械学習制御装置が通知する情報の例を示す図。

以下、添付図面を参照して本発明の実施形態を詳しく説明する。尚、以下の実施形態は特許請求の範囲に係る本発明を限定するものでなく、また本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。以下の実施形態及び特許請求の範囲において、放射線は、Ｘ線の他、α線、β線、γ線、及び各種粒子線なども含む。

[第１実施形態]
図１〜図４を参照して、本発明の第１実施形態による医用情報処理システムの構成および動作について説明する。

＜医用情報処理システムの構成＞
図１は、本発明の第１実施形態に係る医用情報処理システム１０の構成の一例を示す図である。医用情報処理システム１０は、放射線撮影制御装置１０１、および判定精度評価装置として機能する機械学習制御装置１１３を有する。医用情報処理システム１０において、放射線撮影制御装置１０１および機械学習制御装置１１３は、ネットワーク１２２を介して、ＨＩＳ１１７、ＲＩＳ１１８、ＰＡＣＳ１１９、プリンタ１２０、レポートサーバ１２１と通信可能に接続している。ＨＩＳ１１７（Ｈｏｓｐｉｔａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ）は、放射線撮影の進捗を管理する院内情報システムである。

また、ＲＩＳ１１８（Ｒａｄｉｏｌｏｇｙ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ）は放射線部門内情報システムであり、ＰＡＣＳ１１９（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ）は画像サーバである。レポートサーバ１２１には、読影医によって作成された読影レポートが保存される。

ＨＩＳ１１７は、会計情報を管理するサーバを含んでいても良い。放射線撮影が必要と判断されると、ＨＩＳ１１７の端末より検査指示を入力し、依頼先である放射線部門に伝達する。この依頼情報を検査オーダといい、この検査オーダには依頼元の部門名や、検査項目、被写体１３０の個人データなどが含まれる。放射線部門はＲＩＳ１１８から送信された検査オーダを受信すると、撮影条件などを付加し、放射線撮影制御装置１０１へ転送する。

放射線撮影制御装置１０１では受信した検査オーダに従って放射線撮影を実施する。放射線撮影制御装置１０１の撮影制御に基づいて撮影された画像に検査情報が付与され、ＰＡＣＳ１１９への転送やプリンタ１２０でのプリント出力が行われる。また、放射線撮影制御装置１０１での検査の実施情報は、ＨＩＳ１１７へ転送される。ＨＩＳ１１７へ転送された検査の実施情報は、検査の進捗管理以外に、検査後の会計処理にも用いられる。読影医はＰＡＣＳ１１９に転送された画像やプリンタ１２０でプリントされた画像を確認して読影結果を記載した読影レポートをレポート作成装置（不図示）で作成する。読影レポートはレポートサーバ１２１で保存される。

これら各装置間は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）等で構成されるネットワーク１２２を介して接続されている。なお、これら各装置には、１又は複数のコンピュータが含まれる。コンピュータには、例えば、ＣＰＵ等の主制御部、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の記憶部が設けられている。また、コンピュータには、ネットワークカード等の通信部、キーボード、ディスプレイ又はタッチパネル等の入出力部等が設けられていてもよい。これら各構成要素は、バス等により接続され、主制御部が記憶部に記憶されたプログラムを読み出して実行することで制御される。

＜放射線撮影制御装置１０１の構成＞
放射線撮影制御装置１０１は、表示部１０２と、操作部１０３と、判定部１０４と、放射線発生制御部１０５と、表示制御部１０６と、撮影制御部１０７とを有する。

放射線発生制御部１０５は、ケーブル１１１を介して放射線発生部１１０と接続されており、放射線発生部１１０からの放射線の照射を制御する。放射線発生部１１０は、例えば、放射線管球により実現され、被写体１３０（例えば、患者の特定部位）に向けて放射線を照射する。

撮影制御部１０７は、放射線撮影制御装置１０１における処理を統括制御する。表示部１０２は、例えば、液晶ディスプレイ等で実現され、各種情報をユーザー（撮影技師、医師等）に向けて表示する。操作部１０３は、例えば、マウスや操作ボタン等で実現され、ユーザーからの各種指示を装置内に入力する。なお、表示部１０２及び操作部１０３は、それらが一体となったタッチパネルで実現されてもよい。

判定部１０４は過去の診断で得られた医用情報を用いた機械学習による作成済の学習モデルに基づいた推論を行う識別器であり、疾患の推論や画像処理を行う。ここで医用情報とは検査オーダや画像、読影レポートのいずれかに１つに含まれる情報であってもよいし、検査オーダや画像、読影レポートに含まれる情報の組み合わせでもよい。

また、撮影制御部１０７は、ケーブル１１２を介して放射線検出器１０９と接続されており、ケーブル１１２により両者の間では、電源、画像信号や制御信号等が授受される。放射線検出器１０９は、被写体１３０を透過した放射線を検出し、被写体１３０を透過した放射線に基づく画像（放射線画像）を取得する検出器として機能する。すなわち、放射線発生部１１０及び放射線検出器１０９が連携して動作することにより放射線撮影部が実現される。放射線検出器１０９は、例えば立位または臥位の撮影台１０８に設置されている。

撮影制御部１０７は、ＲＩＳ１１８から受信したオーダ情報のうち少なくとも１つに対応する放射線撮影の開始を指示する指示部として機能する。ＲＩＳ１１８から受信したオーダ情報には、例えば被検者情報と被検者についての１または複数の撮影部位が含まれる。ここで、放射線撮影の開始の指示は、例えば、操作部１０３がユーザーの入力を受けて指示される。あるいは、撮影制御部１０７が撮影すべきオーダ情報を選択して撮影の開始を指示してもよい。

放射線撮影を実施すると、表示部１０２に画像（放射線画像）が表示される。ユーザーは表示された画像に対し、操作部１０３を介して画像処理、切り出し、アノテーションの付与、幾何変換等の画像編集を実施することが可能である。これらの画像編集は判定部１０４によって自動で行われてもよい。

以上が、第１実施形態に係る医用情報処理システムにおける放射線撮影制御装置１０１の構成の一例についての説明である。なお、図１に示す構成は、あくまで一例であり、適宜変更することが可能である。例えば、図１では、放射線撮影制御装置１０１に対してネットワーク１２２を介して各種装置が接続されているが、必ずしも放射線撮影制御装置１０１は、このような装置と接続される必要はない。診断画像がＤＶＤのような可搬媒体へ出力され、可搬媒体を介して各種装置へ入力されても良い。また、このネットワーク１２２は有線で構成されていても、一部が無線信号伝送路で構成されていても良い。ケーブル１１１とケーブル１１２についても一部が無線信号伝送路で構成されていても良い。

＜機械学習制御装置１１３の構成及び処理の手順＞
図１及び図２のフローチャートを参照して、第１実施形態における機械学習制御装置１１３の構成、および機械学習制御装置１１３が実施する、医用情報処理システムの制御方法における処理の手順を説明する。図１に示すように、機械学習制御装置１１３は、学習・評価用データ取得部１１４と、学習・評価用データ記憶部１１５と、判定精度評価部１１６と、条件設定部１２３と、機械学習部１２４とを有する。

ステップＳ２０１において、学習・評価用データ取得部１１４は、ネットワーク１２２を介して接続された医用情報処理システム１０のいずれかの装置から、機械学習の学習または評価に使用するデータ（医用情報）の取得を行う。例えば、医用画像を入力とした学習を行う場合、学習・評価用データ取得部１１４はＰＡＣＳ１１９から画像の取得を行う。機械学習の入力データとして取得するデータは単一のデータまたは複数のデータのいずれでも構わない。取得したデータは学習・評価用データ記憶部１１５に保持される。なお、学習・評価用データ取得部１１４は取得したデータを学習・評価用データ記憶部１１５に記憶せず、条件設定部１２３にデータを出力することも可能である。

ステップＳ２０２において、条件設定部１２３は機械学習を行うために使用するデータを振り分けるための条件を設定する。例えば、データの振り分けのための条件として、例えば、撮影部位や撮影方向といった条件が設定される。条件設定は条件設定部１２３による設定に限らず、ユーザーが手動で設定してもよい。

ステップＳ２０３において、機械学習部１２４は、データ（医用情報）とステップＳ２０２で設定された条件とを用いた機械学習により、条件ごとに異なる複数の学習モデルの作成を行う。すなわち、機械学習部１２４は、学習・評価用データ取得部１１４で取得されたデータ（または、学習・評価用データ記憶部１１５に保持されたデータ）と、条件設定部１２３により設定された条件を受け取り、条件ごとに異なる複数の学習モデルを作成する。例えば、ステップＳ２０２において撮影部位という条件が設定されている場合は撮影部位ごとの学習モデルが作成され、撮影方向という条件が設定されている場合は撮影方向ごとの学習モデルが作成される。

ステップＳ２０４において、判定精度評価部１１６は、機械学習部１２４で新たに作成された学習モデルによる判定処理の精度評価を行う。すなわち、判定精度評価部１１６は、学習・評価用データ取得部１１４で取得された医用情報（または、学習・評価用データ記憶部１１５に保持されたデータ（医用情報））と、条件設定部１２３により設定された条件とに基づいて、機械学習部１２４で新たに作成された条件ごとに異なる複数の学習モデルの精度評価を行う。精度評価として、判定精度評価部１１６は、精度評価に使用した条件（評価データ条件）と、条件に対応した評価データを入力した場合における判定処理の精度（判定精度）とを取得する。判定精度評価部１１６は、評価するデータの条件として、機械学習部１２４による学習モデルの作成に使われたものと同じデータ条件を使用する。例えば、判定精度評価部１１６は、胸部部位の条件で作成した学習モデルの評価データとして、胸部部位のデータを使用する。

ステップＳ２０５において、判定精度評価部１１６は、作成された学習モデルの精度評価の結果に基づいて、機械学習部１２４の学習により新たに作成された学習モデルを判定部１０４に適用するか否かの判断を行う。例えば、判定精度評価部１１６は、機械学習部１２４の学習により新たに作成された学習モデルによる判定処理の精度と、現在、判定部１０４で使用されている学習モデルによる判定処理の精度との比較に基づいて、精度評価を行う。

判定部１０４は、新たに作成された学習モデルに対して、それぞれの条件に対応した評価データを入力し、新たに作成された学習モデルから出力される判定処理の精度を取得する。そして、判定部１０４は、新たに作成された学習モデルから出力される判定処理の精度と、判定部１０４で現在使用されている学習モデルに評価データを入力した場合に、現在使用されている学習モデルから出力される判定処理の精度と、の比較に基づいて、精度評価を行う。

判定精度評価部１１６は、判定精度の比較結果に基づいて、新たな学習モデルの判定精度が、判定部１０４で現在使用されている学習モデルの判定精度以下の場合（Ｓ２０５−Ｎｏ）、処理を終了する。

一方、判定精度評価部１１６は、判定精度の比較結果に基づいて、新たな学習モデルの判定精度が、判定部１０４で現在使用されている学習モデルの判定精度よりも高い場合に（Ｓ２０５−ＹＥＳ）、判定精度評価部１１６は、処理をステップＳ２０６に進め、作成された新たな学習モデルを判定部１０４に出力するという判断を行う。

ステップＳ２０６において、判定精度評価部１１６は、新たに作成された学習モデルによる判定処理の精度が、判定部１０４で使用されている学習モデルによる判定処理の精度よりも高い場合に、新たに作成された学習モデルと条件とを判定部１０４に出力する。判定精度評価部１１６は、機械学習部１２４の学習により新たに作成された学習モデルと、ステップＳ２０２で設定された条件とを放射線撮影制御装置１０１に出力する。

放射線撮影制御装置１０１が、判定精度評価部１１６から出力された条件及び学習モデルを取得すると、各条件の学習モデルが判定部１０４の設定に適用される。例えば、放射線撮影制御装置１０１が、胸部部位という条件で学習したモデルＡと、胸部以外の部位という条件で学習したモデルＢを取得した場合、判定部１０４の判定処理で使用する判定対象データの条件に適合した学習モデルが選択され、機械学習に使用される。

＜放射線撮影制御装置１０１の処理＞
図３のフローチャートを参照して、第１実施形態における放射線撮影制御装置１０１が実施する処理の手順を説明する。

ステップＳ３０１において、判定部１０４は推論処理を実行する際の入力パラメータとなる、判定対象データを撮影制御部１０７から取得する。例えば、判定部１０４が、推論処理として、Ｘ線撮影画像の照射野認識の判定を行う場合、判定対象データはＸ線撮影画像となる。また、条件に沿って学習モデルを切り替えるため、撮影部位などの情報も判定対象データに含まれる。

ステップＳ３０２において、判定部１０４は、ステップＳ２０６の処理で、機械学習制御装置１１３から出力された学習モデルと条件を取得する。

ステップＳ３０３において、判定部１０４は、取得した判定対象データに基づいて、条件に適合した学習モデルを選択する。判定部１０４は、条件ごとに異なる複数の学習モデルから、判定対象データの条件に適合する学習モデルを選択し、選択した学習モデルを用いて、判定処理を行う。例えば、胸部部位のＸ線撮影画像に対して照射野認識の判定を行う場合、判定部１０４は、胸部部位という条件に対応した学習モデルを選択する。そして、判定部１０４は、条件に対応した学習モデルを機械学習の識別器に適用する。

ステップＳ３０４において、判定部１０４は、ステップＳ３０３で選択された学習モデルを使用して、機械学習を使用した判定処理を行う。以上により放射線撮影制御装置１０１の処理は終了する。

＜学習モデルの例＞
次に判定部１０４に適用される学習モデルについて説明する。図４は判定部１０４に適用される学習モデルの一例を示す図である。図４（Ａ）は、機械学習部１２４の学習により作成された学習モデルが判定部１０４に適用される適用前の状態を示し、図４（Ｂ）は作成された学習モデルの適用後を示している。図４（Ａ）に示す学習モデルの適用前の状態では、条件(図４の例では部位)によって使用する学習モデルを切り替えることは行わず、判定部１０４は、すべての部位において、既に設定されている学習モデルＡを使用した判定処理を行う。一方、図４（Ｂ）に示す学習モデルの適用後の状態では、条件(図の例では部位)によって、判定部１０４は、使用するモデルを切り替える。例えば、判定部１０４に入力された判定対象データが胸部部位のＸ線撮影画像の場合、胸部部位という条件に適合した学習モデルＢを使用する。

本実施形態の医用情報処理システムによれば、機械学習制御装置１１３における学習時に条件ごとに学習を行った学習モデルを作成して、放射線撮影制御装置１０１の判定部１０４における判定処理では、その条件に適合した学習モデルを選択し、選択した学習モデルを使用した判定処理を行うことができる。判定部１０４で使用されている学習モデルの精度に比べて新たに作成された学習モデルの精度が高い場合、判定部１０４は、条件に対応した判定処理で使用する学習モデルとして、判定部１０４で使用されている学習モデルを、新たに作成された学習モデルで更新する。

判定部１０４は、条件に対応した対象データが入力された場合、更新された学習モデルを用いて、対象データに対して判定処理を行う。また、判定部１０４は、更新の対象となった学習モデルに対応する条件とは異なる対象データが入力された場合、判定部１０４で使用されている学習モデルを用いて、当該対象データに対して判定処理を行う。

例えば、胸部部位の学習用データのみで学習された学習モデルを作成して、これを判定部１０４に適用した場合、胸部部位以外の判定対象データが入力された際に判定精度が低下することが予想される。

しかし、胸部部位以外の判定対象データには従来使用していた学習モデルをそのまま使用し、胸部部位の判定対象データには更新した学習モデルを使用する、というように、条件に応じたモデルの切り替えを行うことで、判定精度を低下することなく、かつ、特定の条件の判定精度を向上させることができる。

本実施形態では部位という条件を挙げて説明したが、この例に限定されず、センサ情報、撮影条件、被写体情報、画像処理パラメータ、画像情報といった医用情報データ等々を条件とすることができる。すなわち、機械学習制御装置１１３における学習時に、医用情報データを条件とした学習を行った学習モデルを作成して、放射線撮影制御装置１０１の判定部１０４における判定処理では、その医用情報データを条件とし、医用情報データに適合した学習モデルを選択し、選択した学習モデルを使用した判定処理を行うことができる。

判定対象データが学習時の医用情報データ以外のデータである場合は従来使用していた学習モデルをそのまま使用し、判定対象データが学習時の医用情報データである場合は、医用情報データを条件とした学習を行った学習モデルに切り替えを行う。これにより、判定対象データが学習時の医用情報データ以外のデータである場合には判定精度を低下することなく、かつ、判定対象データが学習時の医用情報データである場合には、判定精度を向上させることができる。

[第２実施形態]
第２実施形態では、第１実施形態ステップＳ２０２で説明した条件の設定方法とは異なる条件設定の例を説明する。本実施形態に係る医用情報処理システムの構成は、第１実施形態の図１で説明した構成と同様である。以下の説明では、医用情報処理システム１０において、第１実施形態における条件の設定方法と異なる処理部分を中心に説明する。

第２実施形態では、条件設定部１２３は、条件において複数のパラメータが含まれている場合、複数のパラメータのすべての組み合わせに基づいた条件を設定し、機械学習部１２４は、医用情報と、複数のパラメータのすべての組み合わせに基づいた条件とに基づいた機械学習により、条件ごとに異なる複数の学習モデルの作成を行う。

図５は第２実施形態に係る機械学習制御装置１１３が実施する処理の手順を示すフローチャートである。図５のフローチャートにおいて、ステップＳ２０１、Ｓ２０３〜Ｓ２０６の処理内容は図２のフローチャートと同様の処理内容であり、条件の設定方法（Ｓ５０１）が異なる点で、図２のフローチャートと相違する。

ステップＳ５０１において、条件設定部１２３は、条件において複数のパラメータが含まれている場合、複数のパラメータのすべての組み合わせに基づいた条件を設定する。条件設定部１２３は、取り得る複数のパラメータの全ての組み合わせに基づいた条件を自動設定する。例えば、機械学習を行うために使用するデータを振り分けるための条件に３種類の値を取りうるパラメータＡ１、Ａ２、Ａ３と、４種類の値を取りうるパラメータＢ１、Ｂ２、Ｂ３、Ｂ４を含んでいる場合に、そのパラメータのすべての組み合わせに基づいた計１２パターンの条件を設定する。

以降の処理では、図２において説明した処理と同様に、ステップＳ２０３で、機械学習部１２４は、医用情報と、複数のパラメータのすべての組み合わせに基づいた条件について学習を行い、ステップＳ２０４で、判定精度評価部１１６は学習モデルの精度評価を行う。ステップＳ２０５において、判定精度評価部１１６は、作成された学習モデルの精度評価の結果に基づいて、新たに作成された学習モデルを判定部１０４に適用するか否かの判断を行う。

学習モデルを判定部１０４に適用する場合は、図３において説明した処理と同様に、ステップＳ３０３において、判定部１０４は、取得した判定対象データに基づいて、条件に適合した学習モデルを選択する。判定対象データをもとに条件の組に適合した学習モデルを選択する。

以上説明したように、本実施形態の医用情報処理システムによれば、ユーザーが設定したパラメータだけでなく、パラメータのすべての組み合わせに基づいた条件について網羅的に学習・評価を行うことができる。ユーザーが条件を設定する場合は、ユーザーの意図によって条件が限定されてしまうが、パラメータのすべての組み合わせに基づいた条件を学習することで、ユーザーの意図に制限されない性能向上のすべての可能性を条件に反映し、学習モデルの作成および評価を行うことが可能になる。なお、本実施形態はあくまで一例であり、判定対象データと設定された条件との適合性の判定により学習モデルを切り替える処理を含んでいればよい。

[第３実施形態]
第３実施形態では、第１実施形態のステップＳ２０４における学習モデルの精度評価をユーザーに通知して、学習モデルの精度評価の結果に基づいて、新たに作成された学習モデルを判定部１０４に適用するか否かの判断する処理の例を説明する。本実施形態に係る医用情報処理システムの構成は、第１実施形態の図１で説明した構成と同様である。以下の説明では、医用情報処理システム１０において、第１実施形態における処理方法と異なる処理である学習モデルの精度評価をユーザーに通知する処理を中心に説明する。

第３実施形態では、判定精度評価部１１６は、新たに作成された学習モデルについて、条件ごとの精度評価の結果を通知する。

図６は第３実施形態に係る機械学習制御装置１１３が実施する処理の手順を示すフローチャートである。図６のフローチャートにおいて、ステップＳ２０１〜Ｓ２０６の処理内容は図２のフローチャートと同様の処理内容であり、評価結果を通知する処理（Ｓ６０１）が追加されている点で、図２のフローチャートと相違する。

ステップＳ６０１において、判定精度評価部１１６は、条件ごとの学習モデルの評価結果を通知する。図７は、機械学習制御装置１１３の判定精度評価部１１６が通知する情報の例を示す図である。精度評価の結果には、評価対象の学習モデルを示す情報と、精度評価に使用した条件（評価データ条件）と、条件に対応した評価データを入力した場合における判定処理の精度（判定精度）とが含まれる。

図７において、モデルＡは、判定部１０４において現在使用中の学習モデルであり、機械学習部１２４の学習により作成された学習モデルが判定部１０４に適用される適用前のモデルを示す。モデルＡは、図４（Ａ）で説明した学習モデルに対応する。また、モデルＢは、機械学習部１２４の学習により新規作成された学習モデルであり、図４（Ｂ）で説明した学習モデル（モデルＢ）に対応する。

評価データ条件が「胸部」である場合、現在使用中のモデルＡ（精度８０％）に比べて、新規作成のモデルＢ（精度９０％）のほうが判定精度は高くなる。一方、評価データ条件が「胸部以外」である場合、現在使用中のモデルＡ（精度８０％）に比べて、新規作成のモデルＢ（精度７５％）のほうが判定精度は低くなる。

判定対象データが学習時の医用情報データ以外のデータ（胸部以外のデータ）である場合は従来使用していた学習モデル（図７のモデルＡ）をそのまま使用し、判定対象データが学習時の医用情報データ（胸部のデータ）である場合は、医用情報データを条件とした学習を行った学習モデル（図７のモデルＢ）に切り替えを行う。これにより、判定対象データが学習時の医用情報データ以外のデータである場合には判定精度を低下することなく、かつ、判定対象データが学習時の医用情報データである場合には、判定精度を向上させることができる。

判定精度評価部１１６は、条件ごとの学習モデルの評価結果とともに、新規作成した学習モデル（モデルＢ）と現在使用中の学習モデル（モデルＡ）とを比較した評価結果の比較結果をメッセージ情報として通知する。判定部１０４で現在使用している学習モデル（図７のモデルＡ）よりも、判定精度が向上する学習モデル（図７のモデルＢ）が存在する場合、判定精度評価部１１６は、条件（評価データ条件）と学習モデル（モデルＢ）と精度に関する情報を含むメッセージ情報を生成し、ユーザーに通知する。

判定精度評価部１１６は、精度評価の結果と、判定部１０４で使用されている学習モデルの精度と新たに作成された学習モデルの精度とを比較したメッセージ情報と、の組み合わせにより通知を行う。

図７に示す評価結果およびメッセージ情報の通知は、ネットワーク１２２を介して出力される。放射線撮影制御装置１０１の表示制御部１０６は、精度評価の結果と、メッセージ情報との組み合わせを表示部１０２に表示させる。判定精度評価部１１６から出力された評価結果およびメッセージ情報は、表示制御部１０６の制御に基づいて、表示部１０２に表示される。

以上説明したように、本実施形態の医用情報処理システムによれば、評価の結果を通知することでどの条件のデータに対して、どのモデルを使用することが適切なのかをユーザーに通知し、評価結果およびメッセージ情報をユーザーが一覧できるように情報を可視化することが可能になる。なお、本実施形態はあくまで一例であり、学習モデルと条件（評価データ条件）との組み合わせごとの評価結果を通知する仕組みを含んでいれば、本実施形態の構成に限定されるものではない。図７に示す通知の形式は変更可能であり、必ずしも図７に示す形式に限定されるものではない。

［第４実施形態］
第１実施形態〜第３実施形態では、医用情報処理システム１０として、放射線撮影制御装置１０１、および機械学習制御装置１１３を有する構成について説明したが、この構成に限定されず、装置単体の医用情報処理装置として構成することも可能である。例えば、図１に示す機械学習制御装置１１３の機能構成を放射線撮影制御装置１０１の内部に設けることも可能である。また、放射線撮影制御装置１０１の機能構成を機械学習制御装置１１３の内部に設けることも可能である。この場合、装置単体の医用情報処理装置として構成した場合、上述の医用情報処理システム１０により実現される効果と同様の効果を得ることが可能である。

すなわち、上記の各実施形態によれば、データの条件に適合する学習モデルにより判定処理を行うことが可能になる。これにより、データの条件に適合する学習モデルによる判定処理では判定性能が向上し、それ以外の条件では判定性能の低減を抑制することが可能になる。

［その他の実施形態］
本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

本発明は上記実施形態に制限されるものではなく、本発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。

１０１ 放射線撮影制御装置
１０２ 表示部
１０４ 判定部
１０６ 表示制御部
１０７ 撮影制御部
１０９ 放射線検出器
１１３ 機械学習制御装置
１１４ 学習・評価用データ取得部
１１５ 学習・評価用データ記憶部
１１６ 判定精度評価部
１２２ ネットワーク
１２３ 条件設定部
１２４ 機械学習部

Claims (15)

1. 医用情報を取得する取得手段と、
   機械学習を行うために使用するデータを振り分けるための条件を設定する条件設定手段と、
   前記医用情報と前記条件とを用いた前記機械学習により、前記条件ごとに異なる複数の学習モデルの作成を行う機械学習手段と、
   前記複数の学習モデルを用いて、対象データに対して判定処理を行う判定手段と、を備え、
   前記判定手段は、前記条件ごとに異なる複数の学習モデルから、前記対象データの条件に適合する学習モデルを選択し、当該選択した学習モデルを用いて、前記判定処理を行うことを特徴とする医用情報処理システム。
2. 前記条件設定手段は、前記条件において複数のパラメータが含まれている場合、前記複数のパラメータのすべての組み合わせに基づいた条件を設定し、
   前記機械学習手段は、前記医用情報と、前記複数のパラメータのすべての組み合わせに基づいた条件とに基づいた前記機械学習により、前記条件ごとに異なる複数の学習モデルの作成を行うことを特徴とする請求項１に記載の医用情報処理システム。
3. 前記機械学習手段で新たに作成された学習モデルによる前記判定処理の精度評価を行う評価手段を更に備え、
   前記評価手段は、前記新たに作成された学習モデルによる前記判定処理の精度と、前記判定手段で使用されている学習モデルによる前記判定処理の精度との比較に基づいて、前記精度評価を行うことを特徴とする請求項１または２に記載の医用情報処理システム。
4. 前記評価手段は、
   前記新たに作成された学習モデルに対して、それぞれの条件に対応した評価データを入力し、前記学習モデルから出力される前記判定処理の精度と、
   前記判定手段で使用されている学習モデルに前記評価データを入力した場合に、当該学習モデルから出力される前記判定処理の精度と、の比較に基づいて、前記精度評価を行うことを特徴とする請求項３に記載の医用情報処理システム。
5. 前記評価手段は、
   前記新たに作成された学習モデルによる前記判定処理の精度が、前記判定手段で使用されている学習モデルによる前記判定処理の精度よりも高い場合に、前記新たに作成された学習モデルと前記条件とを前記判定手段に出力することを特徴とする請求項４に記載の医用情報処理システム。
6. 前記判定手段は、当該判定手段で使用されている学習モデルの精度に比べて前記新たに作成された学習モデルの精度が高い場合、
   前記条件に対応した前記判定処理で使用する学習モデルとして、当該判定手段で使用されている学習モデルを、前記新たに作成された学習モデルで更新することを特徴とする請求項３乃至５のいずれか１項に記載の医用情報処理システム。
7. 前記判定手段は、前記条件に対応した対象データが入力された場合、前記更新された学習モデルを用いて、当該対象データに対して判定処理を行うことを特徴とする請求項６に記載の医用情報処理システム。
8. 前記判定手段は、前記条件とは異なる対象データが入力された場合、前記判定手段で使用されている学習モデルを用いて、当該対象データに対して判定処理を行うことを特徴とする請求項６に記載の医用情報処理システム。
9. 前記評価手段は、前記新たに作成された学習モデルについて、前記条件ごとの精度評価の結果を通知することを特徴とする請求項３乃至８のいずれか１項に記載の医用情報処理システム。
10. 前記精度評価の結果には、評価対象の学習モデルを示す情報と、前記精度評価に使用した条件と、前記条件に対応した評価データを入力した場合における前記判定処理の精度とが含まれることを特徴とする請求項９に記載の医用情報処理システム。
11. 前記評価手段は、前記精度評価の結果と、前記判定手段で使用されている学習モデルの精度と前記新たに作成された学習モデルの精度とを比較したメッセージ情報と、の組み合わせにより前記通知を行うことを特徴とする請求項９または１０に記載の医用情報処理システム。
12. 前記精度評価の結果と、前記メッセージ情報との組み合わせを表示手段に表示させる表示制御手段を更に備えることを特徴とする請求項１１に記載の医用情報処理システム。
13. 医用情報を取得する取得手段と、
    機械学習を行うために使用するデータを振り分けるための条件を設定する条件設定手段と、
    前記医用情報と前記条件とを用いた前記機械学習により、前記条件ごとに異なる複数の学習モデルの作成を行う機械学習手段と、
    前記複数の学習モデルを用いて、対象データに対して判定処理を行う判定手段と、を備え、
    前記判定手段は、前記条件ごとに異なる複数の学習モデルから、前記対象データの条件に適合する学習モデルを選択し、当該選択した学習モデルを用いて、前記判定処理を行うことを特徴とする医用情報処理装置。
14. 医用情報処理システムの制御方法であって、
    取得手段が、医用情報を取得する取得工程と、
    条件設定手段が、機械学習を行うために使用するデータを振り分けるための条件を設定する条件設定工程と、
    機械学習手段が、前記医用情報と前記条件とを用いた前記機械学習により、前記条件ごとに異なる複数の学習モデルの作成を行う機械学習工程と、
    判定手段が、前記複数の学習モデルを用いて、対象データに対して判定処理を行う判定工程と、を有し、
    前記判定工程では、前記条件ごとに異なる複数の学習モデルから、前記対象データの条件に適合する学習モデルを選択し、当該選択した学習モデルを用いて、前記判定処理を行うことを特徴とする医用情報処理システムの制御方法。
15. コンピュータに、請求項１４に記載の医用情報処理システムの制御方法の各工程を実行させるプログラム。

Images