JP2022156528A

JP2022156528A - 予後予測装置、予後予測方法及びプログラム

Info

Publication number: JP2022156528A
Application number: JP2021060268A
Authority: JP
Inventors: 倫之角谷; Noriyuki KADOYA; 真梨子梅田; Mariko Umeda; 裕斗菅井; Yuto Sugai; 祥平田中; Shohei Tanaka; 啓一神宮; Keiichi Jingu
Original assignee: Tohoku University NUC
Current assignee: Tohoku University NUC
Priority date: 2021-03-31
Filing date: 2021-03-31
Publication date: 2022-10-14
Also published as: US20240177863A1; SE2351110A1; WO2022210473A1

Abstract

【課題】腫瘍疾患を患う患者の予後予測の精度を向上させる予後予測装置、予後予測方法及びプログラムを提供する。【解決手段】予後予測システム１００において、グラフ理論で定義される量を用いて表現された腫瘍の像の情報であるグラフ腫瘍情報と腫瘍を有する人又は動物の予後との関係を示す情報である予後予測情報を取得する予後予測情報取得装置１と、推定対象が有する腫瘍の像を示すグラフ腫瘍情報に基づき推定対象の予後を予測する予後予測装置２と、を備える。【選択図】図１

Description

本発明は、予後予測装置、予後予測方法及びプログラムに関する。

近年、ラジオミクス（Radiomics）と呼称される技術が研究されている。ラジオミクスは、大量の医用画像から抽出した何千種類もの表現型情報であるラジオミクス特徴量と病理情報、予後、副作用等の臨床情報との関係を大規模かつ網羅的に扱う技術である。ラジオミクスの応用の１つとして、腫瘍疾患を患う患者の予後予測への応用が研究されている。

より具体的には、腫瘍の表現型の情報を用いて腫瘍疾患を患う患者の予後予測を行う技術が研究されている。このような研究では、腫瘍の表現型の情報として、例えば腫瘍の球状度や、腫瘍内全ＣＴ値の２乗や、腫瘍内ＣＴ値のばらつきを用いることが提案されている。

国際公開第２０２０／０６７４８１号特表２００８－５２２２７３号公報

Ahmed Hosny et.al.,"Deep learning for lung cancer prognostication: A retrospective multi-cohort radiomics study", PLoS Medicine, 15(11):e1002711, Nov 30, (2018)

しかしながら、腫瘍の球状度や、腫瘍内全ＣＴ値の２乗や、腫瘍内ＣＴ値のばらつき等のこれまで提案されてきた腫瘍の表現型の情報は正確ではない場合があり、施設や患者間で情報の精度のばらつきが大きい。また、腫瘍の表現型の情報から腫瘍内の局所情報を取得することは難しいという問題もある。そのため、腫瘍の表現型の情報を用いた腫瘍疾患を患う患者の予後予測は、予測が正確ではない場合があった。

上記事情に鑑み、本発明は、腫瘍疾患を患う患者の予後予測の精度を向上させる技術を提供することを目的としている。

本発明の一態様は、グラフ理論で定義される量を用いて表現された腫瘍の像の情報であるグラフ腫瘍情報と前記腫瘍を有する人又は動物の予後との関係を示す情報である予後予測情報を用いて、推定対象が有する腫瘍の像を示すグラフ腫瘍情報に基づき前記推定対象の予後を予測する予後予測部、を備える予後予測装置である。

本発明の一態様は、グラフ理論で定義される量を用いて表現された腫瘍の像の情報であるグラフ腫瘍情報と前記腫瘍を有する人又は動物の予後との関係を示す情報である予後予測情報を用いて、推定対象が有する腫瘍の像を示すグラフ腫瘍情報に基づき前記推定対象の予後を予測する予後予測ステップ、を有する予後予測方法である。

本発明の一態様は、上記の予後予測装置をコンピュータとして機能させるためのプログラムである。

本発明により、腫瘍疾患を患う患者の予後予測の精度を向上させることが可能となる。

実施形態の予後予測システム１００の概要を説明する説明図。実施形態における予後予測情報取得装置１のハードウェア構成の一例を示す図。実施形態における制御部１１の機能構成の一例を示す図。実施形態における予後予測情報取得装置１が実行する処理の流れの一例を示すフローチャート。実施形態における予後予測装置２のハードウェア構成の一例を示す図。実施形態における制御部２１の機能構成の一例を示す図。実施形態における予後予測装置２が実行する処理の流れの一例を示すフローチャート。実施形態における腫瘍画像とグラフ腫瘍情報との関係の一例を説明する第１の説明図。実施形態における腫瘍画像とグラフ腫瘍情報との関係の一例を説明する第２の説明図。実施形態におけるグラフ量の一例を説明する第１の説明図。実施形態におけるグラフ量の一例を説明する第２の説明図。実施形態におけるグラフ量の一例を説明する第３の説明図。実施形態における実験を説明する第１の説明図。実施形態における実験を説明する第２の説明図。実施形態における実験を説明する第３の説明図。実施形態における実験を説明する第４の説明図。実施形態における実験を説明する第５の説明図。実施形態における実験を説明する第６の説明図。実施形態における実験を説明する第７の説明図。実施形態における実験を説明する第８の説明図。実施形態における実験を説明する第９の説明図。実施形態における実験を説明する第１０の説明図。実施形態における実験を説明する第１１の説明図。実施形態における実験を説明する第１２の説明図。変形例におけるグラフ量の一例を説明する説明図。

（実施形態）
図１は、実施形態の予後予測システム１００の概要を説明する説明図である。予後予測システム１００は、予後予測情報取得装置１と予後予測装置２とを備える。

予後予測情報取得装置１は、画像に写る腫瘍の像（以下「腫瘍像」という。）の情報であってグラフ量を用いて表現された腫瘍の像の情報（以下「グラフ腫瘍情報」という。）と腫瘍疾病の患者の予後との関係を示す情報（以下「予後予測情報」という。）を取得する。腫瘍疾病の患者は、腫瘍を有する人又は動物の一例である。グラフ量は、グラフ理論で定義される量である。グラフ量は、グラフ理論で定義される量であればどのような量であってもよい。

なお、腫瘍像を写す画像（以下「腫瘍画像」という。）は腫瘍を写すことが可能な技術によって得られた画像であればどのような画像であってもよい。腫瘍画像は、例えばＣＴ（computed tomography）画像である。腫瘍画像は、例えばＭＲＩ（magnetic resonance imaging）画像であってもよいし、超音波画像であってもよい。

グラフ量は、例えばグラフ理論におけるグラフのトポロジーを示す情報である。グラフ理論におけるトポロジーを示す情報とは、具体的には少なくともグラフの各頂点の位置関係を示す情報である。グラフ量は、例えばグラフ理論で定義される頂点の重みである。そのため、グラフ量は、重みが定義された頂点間の位置関係と各頂点の重みとを示す量であってもよい。グラフ量は、例えばグラフ理論で定義される辺の重みであってもよい。グラフ量は、例えばグラフ理論で定義される頂点の次数であってもよい。

グラフ量は、例えばグラフ理論で定義される隣接行列であってもよい。グラフ量は、例えばグラフ理論で定義される次数行列であってもよい。グラフ量は、例えばグラフ理論で定義される接続行列であってもよい。

グラフ量は、例えばグラフ理論で定義される離心数であってもよい。グラフ量は、例えばグラフ理論で定義されるグラフの半径であってもよい。グラフ量は、例えばグラフ理論で定義されるグラフの直径であってもよい。

グラフ量は、例えばグラフの経路に関する量であってもよい。グラフの経路に関する量は、例えばグラフの最小全域木（参考文献１参照）に関する量であってもよい。グラフの経路に関する量は、例えばグラフがオイラー閉路である場合には、オイラー閉路に関する量であってもよい。グラフの経路に関する量は、例えばグラフがハミルトン閉路である場合には、ハミルトン閉路に関する量であってもよい。

参考文献１：B.コルテ/J.フィーゲン著（浅野孝夫・浅野泰仁・小野孝男・平田富夫訳）「組合せ最適化第２版理論とアルゴリズム」丸善出版、2012年、pp.160-163

グラフ腫瘍情報は、グラフ量を用いて表現されればよい。そのため、グラフ腫瘍情報は必ずしもグラフ量そのものだけで表現される必要は無い。グラフ腫瘍情報は、例えば複数のグラフ量間の関係を示す情報によって表現されてもよい。

複数のグラフ量間の関係を示す情報は、例えば腫瘍の情報を表現するグラフ（以下「腫瘍表現グラフ」という。）が無向グラフか否かという情報であってもよい。複数のグラフ量間の関係を示す情報は、例えば腫瘍表現グラフが有向グラフか否かという情報であってもよい。複数のグラフ量間の関係を示す情報は、例えば腫瘍表現グラフが積グラフか否かという情報であってもよい。複数のグラフ量間の関係を示す情報は、例えば腫瘍表現グラフが正則グラフか否かという情報であってもよい。

複数のグラフ量間の関係を示す情報は、例えば腫瘍表現グラフがオイラー閉路か否かという情報である。複数のグラフ量間の関係を示す情報は、例えば腫瘍表現グラフがハミルトン閉路か否かという情報であってもよい。

複数のグラフ量間の関係を示す情報は、例えば腫瘍の情報を示す隣接行列について、エルミート行列か否か等の所定の行列の性質を有するか否かを示す情報であってもよい。複数のグラフ量間の関係を示す情報は、例えば腫瘍の情報を示す次数行列について、エルミート行列か否か等の所定の行列の性質を有するか否かを示す情報であってもよい。複数のグラフ量間の関係を示す情報は、例えば腫瘍の情報を示す接続行列について、エルミート行列か否か等の所定の行列の性質を有するか否かを示す情報であってもよい。

複数のグラフ量間の関係を示す情報は、例えば腫瘍表現グラフと予め定められた基準のグラフとの違いを示す情報であってもよい。腫瘍表現グラフと予め定められた基準のグラフとの違いを示す情報は、例えば、腫瘍表現グラフと予め定められた基準のグラフとが同型であるか否かを示す情報である。

予後予測情報は、例えば機械学習の方法によって取得された学習済みの学習モデルである。以下、説明の簡単のため、予後予測情報が、機械学習の方法によって取得された学習済みの学習モデルである場合を例に、予後予測システム１００を説明する。

予後予測情報取得装置１は、グラフ腫瘍情報に基づきグラフ腫瘍情報が示す腫瘍を有する人又は動物の予後を予測する学習モデル（以下「予後予測学習モデル」という。）を機械学習の方法により更新する。

なお、学習モデルは、実行される条件と順番と（以下「実行規則」という。）が予め定められた１又は複数の処理を含む数理モデルである。以下説明の簡単のため、機械学習の方法による学習モデルの更新を学習という。また、学習モデルの更新とは、学習モデルにおけるパラメータの値を好適に調整することを意味する。また、学習モデルの実行とは、学習モデルが含む各処理を実行規則にしたがって実行することを意味する。

なお学習モデルは、例えばニューラルネットワークによって表現される。なお、ニューラルネットワークとは、電子回路、電気回路、光回路、集積回路等の回路であって学習モデルを表現する回路である。学習モデルの更新とは、学習モデルを表現するニューラルネットワークが学習によって更新されることでもある。学習によってニューラルネットワークが更新されるとは、ニューラルネットワークのパラメータの値が更新されることを意味する。またニューラルネットワークのパラメータは、ニューラルネットワークを構成する回路のパラメータであり、ニューラルネットワークを構成する回路が表現する学習モデルのパラメータでもある。

予後予測学習モデルを表現するニューラルネットワークは、予後予測学習モデルを表現可能なニューラルネットワークであればどのようなニューラルネットワークであってもよい。予後予測学習モデルを表現するニューラルネットワークは、例えば深層ニューラルネットワークである。

予後予測情報取得装置１は、より具体的には、グラフ腫瘍情報と予後情報との対のうち、グラフ腫瘍情報を説明変数として用い予後情報を正解ラベル（すなわち目的変数）として用いた機械学習の方法により、予後予測学習モデルを更新する。予後情報は、予後を示す情報である。以下、グラフ腫瘍情報と予後情報との対を、学習データセットという。

予後予測情報取得装置１は、所定の終了条件（以下「学習終了条件」という。）が満たされるまで予後予測学習モデルを更新する。学習終了条件は、例えば所定の数の学習データセットを用いた学習が行われたという条件である。学習済みの予後予測学習モデルが、予後予測情報の一例である。学習済みの予後予測学習モデルは、学習終了条件が満たされたタイミングにおける予後予測学習モデルである。

予後予測装置２は、腫瘍画像の画像データ（以下「腫瘍画像データ」という。）を受け付ける。予後予測装置２は、予後予測情報を用いて、被写体腫瘍を有する予測対象の予後を予測する。被写体腫瘍は、腫瘍画像データが示す腫瘍画像に写る腫瘍である。予測対象は、人又は動物である。予測対象は、例えば患者である。予後予測装置２が用いる予後予測情報は、例えば予後予測情報取得装置１によって得られた予後予測情報である。そのため、予後予測装置２が用いる予後予測情報は、例えば学習済みの予後予測学習モデルである。

なお、予後予測情報取得装置１には、腫瘍画像データと予後情報との対（以下「処理前学習データセット」という。）が入力される。予後予測情報取得装置１は、予め定められた所定の規則に従って、処理前学習データセットに基づき１又は複数の学習データセットを生成する。以下、処理前学習データセットに基づき１又は複数の学習データセットを生成する処理を、学習データセット生成処理という。学習データセット生成処理は、処理前学習データセットが含む腫瘍画像データに基づき１又は複数のグラフ腫瘍情報を生成することで、学習データセットから１又は複数の学習データセットを生成する処理である。

腫瘍画像データに基づき生成されたグラフ腫瘍情報は、腫瘍画像データが示す腫瘍画像に写る腫瘍の像を示す情報であって、予め定義されたグラフ量の値を示す情報である。腫瘍画像データに基づき１又は複数のグラフ腫瘍情報を生成する処理は、例えば予め定義されたグラフ量の値を腫瘍画像データに基づき算出する処理である。以下、腫瘍画像データに基づき１又は複数のグラフ腫瘍情報を生成する処理を、グラフ腫瘍情報取得処理という。

図２は、実施形態における予後予測情報取得装置１のハードウェア構成の一例を示す図である。予後予測情報取得装置１は、バスで接続されたＣＰＵ（Central Processing Unit）等のプロセッサ９１とメモリ９２とを備える制御部１１を備え、プログラムを実行する。予後予測情報取得装置１は、プログラムの実行によって制御部１１、通信部１２、入力部１３、記憶部１４及び出力部１５を備える装置として機能する。

より具体的には、プロセッサ９１が記憶部１４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９２に記憶させる。プロセッサ９１が、メモリ９２に記憶させたプログラムを実行することによって、予後予測情報取得装置１は、制御部１１、通信部１２、入力部１３、記憶部１４及び出力部１５を備える装置として機能する。

制御部１１は、予後予測情報取得装置１が備える各種機能部の動作を制御する。制御部１１は、例えば学習データセット生成処理を実行する。制御部１１は、例えば予後予測学習モデルを実行する。

制御部１１は、例えば出力部１５の動作を制御する。制御部１１は、例えば予後予測学習モデルの実行により生じた各種情報を記憶部１４に記録する。制御部１１は、例えば通信部１２又は入力部１３に入力された情報を記憶部１４に記録する。

通信部１２は、予後予測情報取得装置１を外部装置に接続するための通信インタフェースを含んで構成される。通信部１２は、有線又は無線を介して外部装置と通信する。外部装置は、例えば処理前学習データセットの送信元の装置である。通信部１２は、処理前学習データセットの送信元の装置との通信により、処理前学習データセットの送信元の装置が送信した処理前学習データセットを受信する。外部装置は、例えば予後予測装置２である。通信部１２は、予後予測装置２との通信によって予後予測装置２に、例えば予後予測情報を送信する。通信部１２が予後予測装置２に送信する予後予測情報は、例えば学習済みの予後予測学習モデルである。

入力部１３は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部１３は、これらの入力装置を予後予測情報取得装置１に接続するインタフェースとして構成されてもよい。入力部１３は、予後予測情報取得装置１に対する各種情報の入力を受け付ける。入力部１３には、例えば学習の開始の指示が入力される。入力部１３には処理前学習データセットが入力されてもよい。

記憶部１４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部１４は予後予測情報取得装置１に関する各種情報を記憶する。記憶部１４は、例えば入力部１３又は通信部１２を介して入力された情報を記憶する。記憶部１４は、例えば予後予測学習モデルの実行により生じた各種情報を記憶する。

なお、処理前学習データセットは、必ずしも通信部１２だけに入力される必要もないし、入力部１３だけに入力される必要もない。処理前学習データセットは、通信部１２と入力部１３とのどちらから入力されてもよい。また処理前学習データセットは、予め記憶部１４に記憶済みであってもよい。

出力部１５は、各種情報を出力する。出力部１５は、例えばＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイ、有機ＥＬ（Electro-Luminescence）ディスプレイ等の表示装置を含んで構成される。出力部１５は、これらの表示装置を予後予測情報取得装置１に接続するインタフェースとして構成されてもよい。出力部１５は、例えば入力部１３に入力された情報を出力する。出力部１５は、例えば予後予測学習モデルの実行結果を表示してもよい。出力部１５は、例えば学習データセット生成処理の実行により生成された学習データセットが含むグラフ腫瘍情報を出力してもよい。

図３は、実施形態における制御部１１の機能構成の一例を示す図である。制御部１１は、通信制御部１０１、入力制御部１０２、出力制御部１０３、学習データセット取得部１０４、モデル実行部１０５、更新部１０６、終了判定部１０７及び記憶制御部１０８を備える。

通信制御部１０１は、通信部１２の動作を制御する。通信制御部１０１の制御により通信部１２は、学習済みの予後予測学習モデル（すなわち予後予測情報）を予後予測装置２に送信する。入力制御部１０２は、入力部１３の動作を制御する。出力制御部１０３は、出力部１５の動作を制御する。

学習データセット取得部１０４は、処理前学習データセットに対して学習データセット生成処理を実行する。学習データセット取得部１０４は学習データセット生成処理の実行により１又は複数の学習データセットを生成する。学習データセット取得部１０４は、このように、学習データセット生成処理の実行により学習データセットを生成することで学習データセットを取得する。

学習データセット取得部１０４による学習データセット生成処理の実行の対象の処理前学習データセットは、例えば通信部１２又は入力部１３に入力された処理前学習データセットである。学習データセット取得部１０４による学習データセット生成処理の実行の対象の処理前学習データセットは、例えば予め記憶部１４に処理前学習データセットが記録済みの場合には、記憶部１４が記憶する処理前学習データセットであってもよい。

モデル実行部１０５は、学習データセット取得部１０４が取得した学習データセットに含まれるグラフ腫瘍情報に対して予後予測学習モデルを実行する。モデル実行部１０５は予後予測学習モデルの実行により、学習データセット取得部１０４が取得したグラフ腫瘍情報が示す腫瘍を有する人又は動物の予後を予測する。

更新部１０６は、予測損失に基づき、予後予測学習モデルを更新する。予測損失は、モデル実行部１０５の予測の結果と学習データセット取得部１０４が取得した学習データセットに含まれる正解ラベル（すなわち予後情報）との違いである。

モデル実行部１０５の予測の結果と予後情報とはどちらも、例えば１階のテンソル（すなわちベクトル）で表現される。モデル実行部１０５の予測の結果と予後情報とはどちらも、例えば２階のテンソル（すなわち行列）で表現されてもよい。モデル実行部１０５の予測の結果と予後情報とはどちらも、例えば３階以上のテンソルで表現されてもよい。予測損失は、例えばモデル実行部１０５の予測の結果を表現するテンソルと予後情報を表現するテンソルとの内積の逆数で表現される。内積の値が大きいほど、モデル実行部１０５の予測の結果を表現するテンソルと予後情報を表現するテンソルとの違いが小さいので、予測損失は小さい。

終了判定部１０７は、学習終了条件が満たされたか否かを判定する。記憶制御部１０８は、各種情報を記憶部１４に記録する。

図４は、実施形態における予後予測情報取得装置１が実行する処理の流れの一例を示すフローチャートである。通信部１２又は入力部１３に処理前学習データセットが入力され、入力された処理前学習データセットに対する学習データセット生成処理の実行により学習データセット取得部１０４が学習データセットを取得する（ステップＳ１０１）。

次にモデル実行部１０５がステップＳ１０１で取得された学習データセットが含むグラフ腫瘍情報に対して予後予測学習モデルを実行する（ステップＳ１０２）。予後予測学習モデルの実行によりモデル実行部１０５は、ステップＳ１０１で取得されたグラフ腫瘍情報が示す腫瘍を有する人又は動物の予後を予測する。

次に更新部１０６が、ステップＳ１０２で得られた予測の結果とステップＳ１０１で得られた学習データセットに含まれる正解ラベルとの違い（すなわち予測損失）に基づき、違いを小さくするように予後予測学習モデルを更新する（ステップＳ１０３）。

次に終了判定部１０７が、学習終了条件が満たされたか否かを判定する（ステップＳ１０４）。学習終了条件が満たされた場合（ステップＳ１０４：ＹＥＳ）、処理が終了する。一方、学習終了条件が満たされない場合（ステップＳ１０４：ＮＯ）、ステップＳ１０１の処理に戻る。

図５は、実施形態における予後予測装置２のハードウェア構成の一例を示す図である。予後予測装置２は、バスで接続されたＣＰＵ等のプロセッサ９３とメモリ９４とを備える制御部２１を備え、プログラムを実行する。予後予測装置２は、プログラムの実行によって制御部２１、通信部２２、入力部２３、記憶部２４及び出力部２５を備える装置として機能する。

より具体的には、予後予測装置２は、プロセッサ９３が記憶部２４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９４に記憶させる。プロセッサ９３が、メモリ９４に記憶させたプログラムを実行することによって、予後予測装置２は、制御部２１、通信部２２、入力部２３、記憶部２４及び出力部２５を備える装置として機能する。

制御部２１は、予後予測装置２が備える各機能部の動作を制御する。制御部２１は、例えば予測対象の腫瘍の像を写す腫瘍画像データを取得する。制御部２１は取得した腫瘍画像データに基づき予後予測情報を用いて予測対象の予後を予測する。以下、腫瘍画像データに基づき予後予測情報を用いて予測対象の予後を予測する処理を、予後予測処理という。

予後予測処理は、前処理と、主処理とを含む。前処理は主処理の実行前に実行される。前処理は、腫瘍画像データに基づき１又は複数のグラフ腫瘍情報を生成する処理である。前処理は、例えば予め定められたグラフ量であって学習データ生成処理において定義されていたグラフ量の値を腫瘍画像データに基づき算出する処理である。前処理は、腫瘍画像データに基づき１又は複数のグラフ腫瘍情報を生成する処理であればどのような処理であってもよく、例えば学習データセット生成処理において実行されるグラフ腫瘍情報取得処理と同様の処理であってもよい。

主処理は、前処理で得られたグラフ腫瘍情報に基づき、予後予測情報を用いて予測対象の予後を予測する処理である。主処理は、例えば前処理で得られたグラフ腫瘍情報に対して学習済みの予後予測学習モデルを実行する処理である。

制御部２１は、例えば予後予測処理の実行の結果を記憶部２４に記録する。制御部２１は、例えば通信部２２の動作を制御する。

通信部２２は、予後予測装置２を外部装置に接続するための通信インタフェースを含んで構成される。通信部２２は、有線又は無線を介して外部装置と通信する。通信部２２の通信先の外部装置は、例えば予後予測情報取得装置１である。通信部２２は、例えば予後予測情報取得装置１との通信により、予後予測情報取得装置１が送信した予後予測情報を受信する。

外部装置は、例えば腫瘍画像データの送信元の装置であってもよい。このような場合、通信部２２は、腫瘍画像データの送信元の装置との間の通信によって、腫瘍画像データを受信する。外部装置は、例えば腫瘍画像の撮影装置である。腫瘍画像の撮影装置は、例えばＣＴ装置である。腫瘍画像の撮影装置は、例えばＭＲＩ装置であってもよい。

入力部２３は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部２３は、これらの入力装置を予後予測装置２に接続するインタフェースとして構成されてもよい。入力部２３は、予後予測装置２に対する各種情報の入力を受け付ける。入力部２３には、例えば腫瘍画像データが入力されてもよい。

記憶部２４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部２４は予後予測装置２に関する各種情報を記憶する。記憶部２４は、例えば予後予測装置２が備える各機能部の動作を制御するプログラムを予め記憶する。記憶部２４は、例えば予後予測情報を記憶する。記憶部２４が記憶する予後予測情報は、予後予測情報取得装置１によって得られた予後予測情報である。記憶部２４は、例えば予後予測装置２による予測の結果を記憶する。

なお、腫瘍画像データは、必ずしも通信部２２だけに入力される必要もないし、入力部２３だけに入力される必要もない。腫瘍画像データは、通信部２２と入力部２３とのどちらから入力されてもよい。

出力部２５は、各種情報を出力する。出力部２５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部２５は、これらの表示装置を予後予測装置２に接続するインタフェースとして構成されてもよい。出力部２５は、例えば入力部２３に入力された情報を出力する。出力部２５は、例えば通信部２２又は入力部２３に入力された腫瘍画像データが示す腫瘍画像を表示してもよい。出力部２５は、例えば予後予測処理の実行結果を表示してもよい。

図６は、実施形態における制御部２１の機能構成の一例を示す図である。制御部２１は、通信制御部２１０、入力制御部２２０、出力制御部２３０、入力データ取得部２４０、予後予測部２５０及び記憶制御部２６０を備える。

通信制御部２１０は、通信部２２の動作を制御する。入力制御部２２０は、入力部２３の動作を制御する。出力制御部２３０は、出力部２５の動作を制御する。

入力データ取得部２４０は、通信部２２又は入力部２３に入力されたデータを取得する。入力データ取得部２４０は、例えば通信部２２又は入力部２３に入力された腫瘍画像データを取得する。入力データ取得部２４０は、例えば予め通信部２２又は入力部２３に腫瘍画像データが入力されており予め記憶部２４に腫瘍画像データが記録済みの場合には、記憶部２４から腫瘍画像データを読み出してもよい。

予後予測部２５０は、入力データ取得部２４０が取得した腫瘍画像データに対して予後予測処理を実行する。予後予測処理の実行により予後予測部２５０は、被写体腫瘍を有する人又は動物（すなわち予測対象）の予後を予測する。

予後予測部２５０は、前処理実行部２５１及び主処理実行部２５２を備える。前処理実行部２５１は、前処理を実行する。主処理実行部２５２は、主処理を実行する。予後予測部２５０による予後予測処理は、例えば入力データ取得部２４０が取得した腫瘍画像データに対して前処理実行部２５１が前処理を実行し、前処理実行部２５１が得たグラフ腫瘍情報に対して主処理実行部２５２が主処理を実行する処理である。入力データ取得部２４０が取得した腫瘍画像データが示す画像に写る腫瘍は推定対象の有する腫瘍である。そして、推定対象が有する腫瘍の像を示すグラフ腫瘍情報は入力データ取得部２４０が取得した腫瘍画像データに対して前処理が実行されることで得られる。そのため、このように予後予測部２５０は、推定対象が有する腫瘍の像を示すグラフ腫瘍情報に基づき推定対象の予後を予測する。

記憶制御部２０６は、各種情報を記憶部２４に記録する。

図７は、実施形態における予後予測装置２が実行する処理の流れの一例を示すフローチャートである。入力データ取得部２４０が推定対象の腫瘍の像を示す腫瘍画像データを取得する（ステップＳ２０１）。推定対象は、予後予測装置２による予後の予測の推定の対象である人又は動物である。次に、予後予測部２５０が、予後予測処理の実行により、推定対象の予後を予測する（ステップＳ２０２）。出力制御部２３０が出力部２５の動作を制御することで、出力部２５にステップＳ２０２で得られた予測の結果を表示させる（ステップＳ２０３）。

＜腫瘍画像とグラフ腫瘍情報との関係＞
図８は、実施形態における腫瘍画像とグラフ腫瘍情報との関係の一例を説明する第１の説明図である。図８は、画像Ｇ１、画像Ｇ２及び画像Ｇ３の３つの画像とその関係とを示す。図８の画像Ｇ１は、腫瘍画像データが示す画像（すなわち腫瘍画像）の一例である。画像Ｇ１には、推定対象の胸の断面図が写っている。画像Ｇ１には、推定対象の腫瘍の断面図も写っている。画像Ｇ１における領域Ａ１の画像が推定対象の腫瘍の断面図である。

図８の画像Ｇ２は、領域Ａ１に写る腫瘍を表現するグラフ理論における頂点の一例を領域Ａ１の画像に重畳した図である。以下、説明の簡単のため、グラフ理論における頂点を、単に、頂点という。また以下、説明の簡単のため、グラフ理論における辺を、単に、辺という。また以下、説明の簡単のため、グラフ理論におけるグラフを、単に、グラフという。

画像Ｇ２において頂点は領域Ａ１の画像の画素ごとに１つ存在する。そのため、頂点の位置関係は画素の位置関係に同一である。画像Ｇ２が示す各頂点の色は領域Ａ１の画像における対応する各画素の画素値を表す。領域Ａ１の画像はグレースケール画像である。そのため、画像Ｇ２の頂点が表す画素値はスカラーである。画素値は、例えばＣＴ値である。

画像Ｇ３は、画像Ｇ２内の領域Ａ２内に存在する頂点を示す。画像Ｇ３は、辺の一例を示す。辺は、頂点と頂点とを結ぶ。しかしながら、必ずしも全ての頂点と頂点との間に辺が存在するわけではない。図８が示す辺は、辺が結ぶ頂点間の画素値の差の絶対値が所定の閾値以上の辺である。

図８の例において頂点は、腫瘍画像の画素ごとに定義されている。しかしながら、頂点は必ずしも画素ごとに定義される必要は無い。頂点は、予め定義された単位画素ごとに定義されれば、画素ごとに定義される必要は無い。単位画素は、互いに隣接する１又は複数の画素の集まりである。単位画素は、例えば３×３の画素である。

図８の例のように１つの頂点が１つの画素に対応する場合、頂点は対応する画素の画素値を表す。頂点が表す画素値は、画素指標値の一例である。画素指標値は、単位画素が含む各画素の画素値に関する予め定義された指標の値である。頂点が表す画素値は、頂点の重みの一例である。

画素指標値は、画像がグレースケール画像やモノクロ画像等の画素値がスカラーの画像であって単位画素が１つの画素である場合には、例えば画素値そのものである。画素指標値は、画像がグレースケール画像やモノクロ画像等の画素値がスカラーの画像であって単位画素が複数の画素である場合には、単位画素が含む各画素の画素値の分布の統計量である。統計量は、代表値であってもよいし、散布度であってもよい。代表値は、例えば平均であってもよいし、中央値であってもよいし、最大値であってもよいし、最小値であってもよい。散布度は、例えば標準偏差である。

画素指標値は、画像がカラー画像等の画素値が１階以上のテンソルで表現される画像であって単位画素が１つの画素である場合には、例えば画素値を表すテンソルを示すスカラーの指標である。画素値を表すテンソルを示すスカラーの指標は、例えばテンソルがベクトル（すなわち１階のテンソル）である場合には、例えばベクトルの大きさである。画素値を表すテンソルを示すスカラーの指標は、例えばテンソルが行列（すなわち２階のテンソル）である場合には、例えば行列式の値である。画素値を表すテンソルを示すスカラーの指標は、例えばテンソルが３階以上のテンソルである場合には、例えば各要素の２乗和である。頂点が表す画素指標値は、頂点の重みの一例である。

このように頂点は腫瘍画像の単位画素ごとに定義された量である。そこで、グラフ量として頂点を用いるグラフ腫瘍情報は、各頂点についてそれぞれ対応する単位画素の腫瘍画像内における位置を示す情報（以下「単位画素位置情報」という。）、を含む。単位画素位置情報において各単位画素の腫瘍画像内における位置は、例えば各単位画素の重心の位置で示される。単位画素位置情報において各単位画素の腫瘍画像内における位置は、例えば各単位画素の所定の端部の位置で示されてもよい。

なお、図８では、辺が結ぶ頂点間の画素値の差の絶対値が所定の閾値以上の辺という条件を満たす辺だけが存在していた。すなわち、図８の例では、グラフ腫瘍情報にはグラフ量として辺が含まれており、その辺は、頂点間の画素値の差の絶対値が所定の閾値以上の辺という条件を満たす辺であった。しかしながらグラフ腫瘍情報が含む辺は、必ずしも辺が結ぶ頂点間の画素値の差の絶対値が所定の閾値以上の辺という条件を満たす辺である必要は無い。

グラフ腫瘍情報が含む辺は、辺の結ぶ２つの頂点の各画素指標値の違いが違いに関する所定の条件（以下「違い条件」という。）を満たす、という条件（以下「辺条件」という。）を満たせばどのようなものであってもよい。なお、グラフ腫瘍情報が含む辺とはグラフが有する辺である。違い条件は、例えば辺の結ぶ２つの頂点の各画素指標値の差の絶対値が所定の値以下という条件である。違い条件は、例えば辺の結ぶ２つの頂点の各画素指標値の比の大きさが所定の範囲内の大きさという条件であってもよい。辺の結ぶ２つの頂点の各画素指標値の違いは、辺の重みの一例である。

以下説明の簡単のため、単位画素が１つの画素であり、画像がグレースケール画像であり、違い条件が辺の結ぶ２つの頂点の各画素指標値の差の絶対値が所定の値（以下「辺閾値」という。）以下という条件である場合を例に予後予測システム１００を説明する。

図９は、実施形態における腫瘍画像とグラフ腫瘍情報との関係の一例を説明する第２の説明図である。より具体的には図９は、辺閾値を変化させた場合のグラフの変化の一例を示す図である。辺閾値は、最小が５ＨＵであり最大が５０ＨＵであった。辺閾値としては、５ＨＵから５０ＨＵまで５ＨＵ間隔で区切られた１０個の値が用いられた。

図９は、画像４－１、画像４－２、画像４－３、画像４－４、画像４－５を示す。画像４－１～画像４－５はいずれも同一の腫瘍画像を示すグラフである。図９は画像４－１～画像４－５のグラフはトポロジーが異なることを示す。同一の腫瘍画像を示すにも関わらずトポロジーが異なるのは、辺閾値が異なるためである。

より具体的には、画像４－１は辺閾値がＢ１である場合におけるグラフの一例である。画像４－２は辺閾値がＢ２である場合におけるグラフの一例である。値Ｂ２は値Ｂ１より大きな値である。画像４－３は辺閾値がＢ３である場合におけるグラフの一例である。値Ｂ３は値Ｂ２より大きな値である。画像４－４は辺閾値がＢ４である場合におけるグラフの一例である。値Ｂ４は値Ｂ３より大きな値である。画像４－５は辺閾値がＢ５である場合におけるグラフの一例である。値Ｂ５は値Ｂ４より大きな値である。

図９は、辺閾値が大きくなるほど、得られるグラフは腫瘍内部の不均質な領域を表現することを示す。辺閾値が大きくなるほどグラフが腫瘍内部の不均質な領域を表現する理由は、辺閾値が大きくなるほど、ＣＴ値の差が大きい腫瘍内部の不均質な領域の情報だけを使いグラフを作成するためである。より具体的には、以下の理由による。すなわち、辺の重みが辺閾値以上である辺のみを有するグラフの場合、辺閾値が大きいほど、辺が結ぶ２つの頂点の一方の頂点の重みと他方の頂点の重みとの差が大きいグラフが得られる。そして、辺が結ぶ２つの頂点の一方の頂点の重みと他方の頂点の重みとの差が大きいほどグラフの表現する腫瘍内部は不均質である。したがって、辺閾値が大きくなるほど、得られるグラフは腫瘍内部の不均質な領域を表現する。

＜グラフ量の例＞
グラフ量の例をより詳細に説明する。図１０は、実施形態におけるグラフ量の一例を説明する第１の説明図である。図１０は、合計２５個の頂点を有するグラフを示す。図１０のグラフは２５個の頂点が５×５の行列状に配置されたトポロジーを有するグラフである。図１０のグラフは、重み付きグラフであり、辺の太さは辺の重みを示す。辺が太いほど辺の重みが重いことを示す。

グラフ量は、例えば頂点に関する量であってもよい。頂点に関する量は、例えばグラフが有する頂点の個数である。図１０の例の場合、頂点の個数を示すグラフ量の値は２５である。以下、グラフが有する頂点の個数を、第１グラフ特徴量という。

グラフ量は、例えば辺に関する量であってもよい。辺に関する量は、例えばグラフが有する辺の個数である。グラフが有する辺は、辺が結ぶ２つの頂点の各画素指標値の違いが違い条件を満たすという条件を満たす。グラフが有する辺は、例えば辺が結ぶ２つの頂点の画素値の違いの絶対値が辺閾値以上という条件を満たす。

以下、説明の簡単のため、グラフが有する辺は、辺が結ぶ２つの頂点の画素値の違いの絶対値が辺閾値以上という条件を満たす場合を例に、予後予測システム１００を説明する。以下、グラフが有する辺の個数を、第２グラフ特徴量という。

辺に関する量は、例えばグラフが有する辺の重みの合計値であってもよい。以下、グラフが有する辺の重みの合計値を、第３グラフ特徴量という。辺に関する量は、例えばグラフが有する辺の重みのグラフ内の平均値であってもよい。以下、グラフが有する辺の重みのグラフ内の平均値を、第４グラフ特徴量という。辺に関する量は、例えばグラフが有する辺の重みのグラフ内の最大値であってもよい。以下、グラフが有する辺の重みのグラフ内の最大値を、第５グラフ特徴量という。

辺に関する量は、例えばグラフが有する辺のうち重みと辺閾値との違いが所定の違い以下の辺の数であってもよい。重みと辺閾値との違いが所定の違い以下という条件は、例えば重みが辺閾値と同一という条件であってもよい。以下、グラフが有する辺のうち重みが辺閾値と同一という条件を満たす辺の数を、第６グラフ特徴量という。

辺に関する量は、例えばグラフが有する辺のうち、重みと辺閾値との違いが所定の違いよりも大きな辺の数であってもよい。重みと辺閾値との違いが所定の違いよりも大きいという条件は、例えば重みが辺閾値より大きいという条件であってもよい。以下、グラフが有する辺のうち重みが辺閾値より大きいという条件を満たす辺の数を、第７グラフ特徴量という。

グラフ量は、例えば次数に関する量であってもよい。次数に関する量は、例えばグラフ内の次数の合計値である。以下、グラフ内の次数の合計値を、第８グラフ特徴量という。次数に関する量は、例えばグラフ内の次数の平均値であってもよい。以下、グラフ内の次数の平均値を、第９グラフ特徴量という。

図１１は、実施形態におけるグラフ量の一例を説明する第２の説明図である。図１１は５×５のトポロジーを有するグラフを示す。図１１は頂点Ｃ１に接続された辺の数が２であることを示す。頂点Ｃ１には２つの辺が接続されているため、頂点Ｃ１の次数は２である。頂点Ｃ１に接続された２つの辺はそれぞれ、グラフが有する辺である。

グラフ量は、上述したように、例えば最小全域木に関する量であってもよい。最小全域木に関する量は、例えば最小全域木の辺の重みの合計値である。以下、最小全域木の辺の重みの合計値を、第１０グラフ特徴量という。最小全域木に関する量は、例えば最小全域木の辺の数であってもよい。以下、最小全域木の辺の数を、第１１グラフ特徴量という。

最小全域木に関する量は、最小全域木を構成する辺のうち重みが最大の辺の重み、であってもよい。以下、最小全域木を構成する辺のうち重みが最大の辺の重みを、第１２グラフ特徴量という。最小全域木に関する量は、グラフが有する辺の数に対する最小全域木を構成する辺の数の割合であってもよい。以下、グラフが有する辺の数に対する最小全域木を構成する辺の数の割合を、第１３グラフ特徴量という。

グラフ量は、必ずしも１つの腫瘍画像から得られる量である必要は無い。グラフ量は、同一の腫瘍を異なる条件で撮影した複数の画像から得られてもよい。例えばグラフ量は、第１種個別グラフ量の値の合計値であってもよい。第１種個別グラフ量は、複数の断面図それぞれから得られる予め定義されたグラフ量である。複数の断面図は、同一の腫瘍の断面図であって例えば所定の方向の位置が異なる断面図である。所定の方向は、例えばアキシャル方向である。以下、第１種個別グラフ量の値の合計値を、第１４グラフ特徴量という。

グラフ量は、例えば第１種個別グラフ量の値の合計値を腫瘍の体積で割り算した量であってもよい。以下、第１種個別グラフ量の値の合計値を腫瘍の体積で割り算した量を、第１５グラフ特徴量という。グラフ量は、例えば第１種個別グラフ量の値の合計値を断面図の枚数で割り算した量であってもよい。以下、第１種個別グラフ量の値の合計値を断面図の枚数で割り算した量を、第１６グラフ特徴量という。

グラフ量は、例えば複数の断面図それぞれについて得られるグラフが辺で接続された結果得られる３次元のグラフ（すなわち空間グラフ）に関する量であってもよい。複数の断面図は、同一の腫瘍の断面図であって例えば所定の方向の位置が異なる断面図である。所定の方向は、例えばアキシャル方向である。以下、複数の断面図それぞれについて得られるグラフが辺で接続された結果得られる３次元のグラフに関する量を、第１７グラフ特徴量という。

複数の断面図は、必ずしも空間的な位置が異なる複数の断面図である必要は無く、時間的な位置が異なる複数の断面図であってもよい。すなわち、複数の断面図は、同一の断面が互いに異なる複数の時刻で撮影された結果であってもよい。

複数の断面図は、空間的な位置と時間的な位置とが異なる断面図であってもよい。

グラフ量は、必ずしも１つのグラフから得られる量である必要は無い。グラフ量は、第２種個別グラフ量に基づいて得られる量であってもよい。第２種個別グラフ量は、同一の腫瘍画像を示す複数のグラフであって互いに辺閾値が異なる複数のグラフそれぞれから得られる予め定義されたグラフ量の集合である。

グラフ量は、例えばグラフ順序集合の辺閾値と各要素の値との関係を示す関数の傾きである。グラフ順序集合は、第２種個別グラフ量が含む各要素を辺閾値の大きさの順番に並べた順序集合である。以下、グラフ順序集合の辺閾値と各要素の値との関係を示す関数の傾きを、第１８グラフ特徴量という。

図１２は、実施形態におけるグラフ量の一例を説明する第３の説明図である。より具体的には、図１２は第２種個別グラフ量の一例を示す図である。図１２の横軸は辺閾値を示し、縦軸はグラフ量の値を示す。図１２の曲線Ｌ１の各辺閾値に対応する縦軸の値の順序集合が、グラフ順序集合の一例である。すなわち図１２の曲線Ｌ１は、グラフ順序集合の一例を表現する線である。辺閾値は、最小が１ＨＵであり最大が５０ＨＵであった。辺閾値としては、１ＨＵから５０ＨＵまで１ＨＵ間隔で区切られた５０個の値が用いられた。

グラフ量は、例えばグラフ順序集合の辺閾値と各要素の値との関係を示す関数のｙ切片の値であってもよい。以下、グラフ順序集合の辺閾値と各要素の値との関係を示す関数のｙ切片の値を、第１９グラフ特徴量という。

グラフ量は、例えばグラフ順序集合の辺閾値と各要素の値との関係を示す関数のピークの位置であってもよい。ピークの位置は具体的には、グラフ順序集合の辺閾値と各要素の値との関係を示す関数のピークの値に対応する辺閾値である。以下、グラフ順序集合の辺閾値と各要素の値との関係を示す関数のピークの位置を、第２０グラフ特徴量という。

グラフ量は、例えばグラフ順序集合の辺閾値と各要素の値との関係を示す関数の尖度であってもよい。以下、グラフ順序集合の辺閾値と各要素の値との関係を示す関数の尖度を、第２１グラフ特徴量という。

グラフ量は、例えばグラフ順序集合の辺閾値と各要素の値との関係を示す関数の歪度であってもよい。以下、グラフ順序集合の辺閾値と各要素の値との関係を示す関数の歪度を、第２２グラフ特徴量という。

グラフ量は、例えばグラフ順序集合の辺閾値と各要素の値との関係を示す関数の四分位範囲であってもよい。以下、グラフ順序集合の辺閾値と各要素の値との関係を示す関数の四分位範囲を、第２３グラフ特徴量という。

＜実験結果＞
予後予測システム１００を用いた予後の予測の実験の結果の一例を説明する。実験で使用された症例は、肺癌の放射線治療を受けた患者のうち除外項目に該当する症例を除いた合計３０４の非小細胞肺癌の症例であった。すなわち、実験では合計３０４の腫瘍画像が用いられた。実験で用いられた腫瘍画像のそれぞれは計画ＣＴ画像又はストラクチャデータであった。除外項目の症例は、小細胞肺癌の症例と、組織型が不明の症例と、ＧＴＶの輪郭が不足している症例とであった。

実験では合計３０４の腫瘍画像の７割が学習モデルの学習に用いられた。すなわち合計３０４の腫瘍画像の７割である２１３例がトレーニングデータに含まれる情報として用いられた。実験では合計３０４の腫瘍画像の３割である９１例が学習済みの学習モデルの予測の精度の検証に用いられた。すなわち合計３０４の腫瘍画像の３割がテストデータとして用いられた。ただし、学習に用いられる腫瘍画像のうち死亡した患者の腫瘍画像の死亡しなかった患者の腫瘍画像に対する割合と、検証に用いられる腫瘍画像のうち死亡した患者の腫瘍画像の死亡しなかった患者の腫瘍画像に対する割合と、は略同一であった。

図１３は、実施形態における実験を説明する第１の説明図である。より具体的には図１３は、実験で用いられた症例の詳細を示す図である。図１３は、実験で３０４人の患者の症例が用いられたことを示す。図１３は、患者の生存期間の中央値が５９８日であったことを示す。図１３は、患者の生存期間の範囲は１日から３３６４日であったことを示す。

図１３は、３０４人の患者の組織型の分布を示す。図１３は、３０４人のうちの１３５人については組織型が腺癌であったことを示す。図１３は、３０４人のうちの１４９人については組織型が扁平上皮癌であったことを示す。図１３は、３０４人のうちの７人については組織型が大細胞癌であったことを示す。図１３は、３０４人のうちの１３人については組織型がＮＯＳ（not otherwise specified）であったことを示す。

図１３は、組織型が腺癌である患者の生存期間は中央値が５６２日であって範囲が１日から３３６４日であったことを示す。図１３は、組織型が扁平上皮癌である患者の生存期間は中央値が７７５日であって範囲が８日から３２５３日であったことを示す。図１３は、組織型が大細胞癌である患者の生存期間は中央値が５４０日であって範囲が２７９日から２８７５日であったことを示す。図１３は、組織型がＮＯＳである患者の生存期間は中央値が９６７日であって範囲が７７日から２５６２日であったことを示す。

図１３は、３０４人の患者の病期の分布を示す。図１３は、病期がステージＩの患者は８３人であったことを示す。図１３は、病期がステージＩＩの患者は２５人であったことを示す。図１３は、病期がステージＩＩＩの患者は１４６人であったことを示す。図１３は、病期がステージＩＶの患者は４１人であったことを示す。

図１３は、病期がステージＩの患者の生存期間は中央値が８９５日であって範囲が１０日から３３６４日であったことを示す。図１３は、病期がステージＩＩの患者の生存期間は中央値が４１８日であって範囲が４９日から２８７５日であったことを示す。図１３は、病期がステージＩＩＩの患者の生存期間は中央値が６７７．５日であって範囲が１９日から３３０２日であったことを示す。図１３は、病期がステージＩＶの患者の生存期間は中央値が２０８日であって範囲が９日から２８２４日であったことを示す。

図１４は、実施形態における実験を説明する第２の説明図である。より具体的には、図１４は、実験で用いられた腫瘍画像の一例を示す図である。実験では、治療計画で用いた計画ＣＴ画像からＧＴＶ（Gross tumor volume）の領域が抽出され、抽出されたＧＴＶの領域の画像についてグラフ腫瘍情報が生成された。すなわち、実験では、腫瘍画像として計画ＣＴ画像に含まれるＧＴＶの領域の画像が用いられた。図１４における枠Ｗ１で囲まれた領域がＧＴＶの領域の画像の一例である。

図１５は、実施形態における実験を説明する第３の説明図である。より具体的には、図１５は、腫瘍画像からグラフ腫瘍情報が生成されるまでの実験で行われた処理の流れの一例の概要を説明する図である。実験では、患者の断面図が複数取得された。断面図はアキシャルの断面図であった。実験では取得された複数の各断面図についてＧＴＶの領域の画像が抽出された。

図１５における“Ｓｌｉｃｅ：１”は、１枚目の断面図を意味する。図１５における“Ｓｌｉｃｅ：２”は、２枚目の断面図を意味する。図１５における“ＬａｓｔＳｌｉｃｅ”は、複数の断面図のうちの最後の断面図を意味する。図１５の症例において断面図の数は２０であった。そのため、図１５における“ＬａｓｔＳｌｉｃｅ”は、２０番目の断面図を意味する。

実験では、各ＧＴＶの領域の画像ごとにグラフが生成された。実験では、グラフが示す辺に対して所定の閾値が設定された。実験では、設定された所定の閾値未満の辺が削除される処理が実行された。所定の閾値未満の辺が削除される場合、グラフ腫瘍情報は、辺を削除しない場合よりも高い精度で腫瘍内部の不均質を示す。

実験では、辺の削除に用いる閾値は複数であった。具体的には、実験で用いられた辺閾値は、最小が５ＨＵであり最大が５０ＨＵであった。そして実験で用いられた辺閾値としては、５ＨＵから５０ＨＵまで５ＨＵ間隔で区切られた１０個の値が用いられた。実験では、閾値ごとにグラフ量の値が取得される処理が各ＧＴＶの領域の画像について実行された。以下、閾値ごとにグラフ量の値が取得される処理を各ＧＴＶの領域の画像について実行する処理を、第１段階グラフ量取得処理という。

実験では、第１段階グラフ量取得処理で取得されたグラフ量の和を取得し、ＧＴＶの体積で割り算する処理が実行された。以下、第１段階グラフ量取得処理で取得されたグラフ量の和を取得し、ＧＴＶの体積で割り算する処理を第２段階グラフ量取得処理という。

実験では、第１段階グラフ量取得処理で取得されたグラフ量と第２段階グラフ量取得処理で取得されたグラフ量とが用いられた。実験では、合計１２７のグラフ量が用いられた。

合計１２７のグラフ量は、具体的には第１グラフ特徴量から求めた第１４グラフ特徴量、第２～第１２グラフ特徴量から求めた第１５グラフ特徴量、第１８－１～第１８－１３グラフ特徴量、第１９－１～第１９－０グラフ特徴量、第２種個別グラフ量が含む各要素が第１０グラフ特徴量である第２０グラフ特徴量、第２種個別グラフ量が含む各要素が第１０グラフ特徴量である第２１グラフ特徴量の総計３７種の分類のいずれかに分類される量であった。

なお、第１８－１～第１８－１３グラフ特徴量、第１９－１～第１９－１０グラフ特徴量については後述する。実験では、このようにして得られた１２７のグラフ量の各値を示す情報がグラフ腫瘍情報として用いられた。

実験では上述した３７種のグラフ量を用いたにもかかわらず、実験で用いられたグラフ量の総数が１２７や１５９等の２３より大きな値である理由について説明する。その理由は、実験で用いられたグラフ量は、必ずしも１種類の分類につき１つ、では無かったからである。例えば、実験において３７種の分類の一部の分類は、複数の辺閾値についてそれぞれグラフ量が取得された。なお、実験において辺閾値の数は１０であった。また、実験において３７種の分類の一部の分類は、断面図ごとにグラフ量が取得された。

断面の数が１枚である場合を例により具体的に理由を説明する。実験において、第１グラフ特徴量の数は、辺閾値によらず１であった。そのため、頂点に関するグラフ量の総数は１であった。第２グラフ特徴量～第４グラフ特徴量は、辺閾値ごとに取得された。第５グラフ特徴量の数は、辺閾値によらず１であった。第６グラフ特徴量及び第７グラフ特徴量は、辺閾値ごとに取得された。辺閾値の数が１０であったため、辺に関するグラフ量の総数は５１であった。

第８グラフ特徴量及び第９グラフ特徴量は、辺閾値ごとに取得された。そのため、次数に関するグラフ量の総数は２０であった。第１０グラフ特徴量～第１３グラフ特徴量は、辺閾値ごとに取得された。そのため、次数に関するグラフ量の数は４０であった。

第１４グラフ特徴量は、第１グラフ特徴量について取得された。第１５グラフ特徴量は、辺閾値ごとに取得された。

第１８グラフ特徴量は、第１５グラフ特徴量ごとに取得された。第１９グラフ特徴量は、第１５グラフ特徴量ごとに取得された。第２０グラフ特徴量は、第１０グラフ特徴量から求めた第１５グラフ特徴量より取得された。第２１グラフ特徴量は、第１０グラフ特徴量から求めた第１５グラフ特徴量より取得された。第２２グラフ特徴量は、第１０グラフ特徴量から求めた第１５グラフ特徴量より取得された。

なお、実験では事前に、どれだけの種類のグラフ量を用いることが好ましいか、LASSO-cox回帰モデルを用いた検証が行われた。その結果、検証の対象とした合計１５９のグラフ量のうち、上述の合計１２７のグラフ量を用いることで、１２８以上のグラフ量を用いる場合以上の予測の精度が得られることが確認された。検証の対象のグラフ量には上述の合計１２７のグラフ量にくわえて、さらに、第１３グラフ特徴量から求めた第１５グラフ特徴量、第２種個別グラフ量が含む各要素が第２グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第２グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第７グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第７グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第６グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第６グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第６グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第４グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第４グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第３グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第９グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第９グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第８グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第８グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第１３グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第１３グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第１３グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第１３グラフ特徴量である第１９グラフ特徴量、第２種個別グラフ量が含む各要素が第１２グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第１２グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第１２グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量、第２種個別グラフ量が含む各要素が第１０グラフ特徴量である第２２グラフ特徴量が含まれていた。

実験では、LASSO-cox回帰モデルを学習モデルとする学習が行われた。実験では、図１５に示す処理で取得されたグラフ腫瘍情報と予後情報との対が学習データセットとして学習に用いられた。実験における予後情報は、生存死亡の情報と生存期間とであった。

このように、実験では、説明変数を図１５に示す処理で取得されたグラフ腫瘍情報とし目的変数を予後情報とする学習によりLASSO-cox回帰モデルを更新することで、予後予測情報が取得された。したがって、実験における予後予測情報は、図１５に示す処理で取得されたグラフ腫瘍情報と予後との関係を示す情報であった。実験における学習では、具体的には各グラフ量について係数を最適化する処理であった。したがってLASSO-cox回帰モデルは予後予測学習モデルの一例である。

図１６～図１９を用い、予後予測システム１００における学習を、従来の技術と比較して説明する。比較対象の従来の技術は、１０７個のラジオミクス（Radiomics）特徴量を用いて予後を予測する技術であった。

比較対象の従来技術の１０７個のラジオミクス特徴量のうちの１４個の特徴量は、腫瘍の形又は大きさを表現する特徴量であった。比較対象の従来技術の１０７個のラジオミクス特徴量のうちの１８個の特徴量は、腫瘍の画素値の分布を表現する特徴量であった。比較対象の従来技術の１０７個のラジオミクス特徴量のうちの７５個の特徴量は、腫瘍の不均一性を表現する特徴量であった。

より具体的には、比較対象の従来技術の特徴量のうち、腫瘍の形又は大きさを表現する特徴量は、一般にShapeと呼称される特徴量であった。比較対象の従来技術の特徴量のうち、腫瘍の画素値の分布を表現する特徴量は、一般にStatisticalと呼称される特徴量であった。比較対象の従来技術の特徴量のうち、腫瘍の不均一性を表現する特徴量は、一般にTextureと呼称される特徴量であった。

比較対象の従来技術は、機械学習の方法により学習モデルを更新することで、１０７のラジオミクス特徴量と予後との関係を示す学習済みの学習モデルを取得する技術である。比較対象の従来技術は、学習により得た学習済みの学習モデルを用いて予後を予測する技術である。以下、比較対象の従来の技術における学習モデルを比較学習モデルという。

図１６は、実施形態における実験を説明する第４の説明図である。より具体的には、図１６は、トレーニングデータを予後予測システム１００の予後予測学習モデルに入力し予後予測学習モデルの学習をおこなった結果の一例を示す第１の図である。図１６の縦軸は条件付きの確率の部分尤度（Partial Likelihood Deviance）を示す。図１６の横軸はLog Lambdaを示す。Log Lambdaはモデルの最適化に使うパラメータを意味する。モデルの最適化に使うパラメータとは具体的には、正則化係数を意味する。

図１６は、横軸の各値について条件付きの確率の部分尤度を示す。図１６の線Ｌ２－１は、予後予測システム１００による予後の予測の結果の誤差を最小にした結果を示す。図１６の線Ｌ２－２は、予後予測システム１００による予後の予測の結果の誤差が最小となる正則化係数を示す。予後の予測の結果の誤差とは、予後の予測の結果が誤りである度合である。図１６の枠Ｗ２で囲まれた各数値は、正則化係数を意味する。

図１７は、実施形態における実験を説明する第５の説明図である。より具体的には、図１７は、トレーニングデータを予後予測システム１００の予後予測学習モデルに入力し予後予測学習モデルの学習をおこなった結果の一例を示す第２の図である。図１７の縦軸は係数（Coefficients）を示す。係数は具体的には、rad scoreの算出に用いる係数である。Rad scoreは、予後を示す指標である。Rad scoreは、値が高いほど予後が悪いことを示す。図１７の横軸はLog Lambdaを示す。Log Lambdaはモデルの最適化に使うパラメータを意味する。モデルの最適化に使うパラメータとは具体的には、正則化係数を意味する。すなわち、図１７は、各特徴量と正則化との関係を示す。なお実験における特徴量であって予後予測システム１００における特徴量は、合計１５９のグラフ量である。

なお、予後予測システム１００における特徴量は、グラフ腫瘍情報を表現するグラフ量であればどのような量であってもよい。そのため、予後予測システム１００における特徴量は、例えば上述又は後述の第１グラフ特徴量から第２２グラフ特徴量のそれぞれであってもよい。図１７の例では、予後予測システム１００における特徴量は、上述の合計１５９の各グラフ量であった。このように、予後予測システム１００における特徴量は、グラフ腫瘍情報を表現するグラフ量であればどのような量であってもよく、使用される予後予測システム１００における特徴量は予後予測システム１００の適用場面に応じて定義された量であってよい。

図１７の線Ｌ３は、予後予測システム１００による予後の予測の結果の誤差が最小となる正則化係数を示す。図１７の枠Ｗ３で囲まれた各数値は、正則化係数を意味する。なお、図１７の各グラフは予後予測学習モデルに入力された各グラフ量の係数を示す。そのため、同じ配色又は線種のグラフであっても（すなわち同一線上に存在するとしても）横軸の各点ごとに異なるグラフ量の係数を示す。

図１８は、実施形態における実験を説明する第６の説明図である。より具体的には、図１８は、トレーニングデータを従来の技術の比較学習モデルに入力し比較学習モデルの学習をおこなった結果の一例を示す第１の図である。図１８の縦軸は条件付きの確率の部分尤度（Partial Likelihood Deviance）を示す。図１８の横軸はLog Lambdaを示す。Log Lambdaは正則化係数を意味する。

図１８は、横軸の各値について条件付きの確率の部分尤度を示す。図１８の点線Ｌ４－１は、学習済みの比較学習モデルによる予後の予測の結果の誤差を最小にした結果を示す。図１８の線Ｌ４－２は、学習済みの比較学習モデルによる予後の予測の結果の誤差が最小となる正則化係数を示す。図１８の枠Ｗ４で囲まれた各数値は、正則化係数を意味する。

図１９は、実施形態における実験を説明する第７の説明図である。より具体的には、図１９は、トレーニングデータを従来の技術の比較学習モデルに入力し比較学習モデルの学習をおこなった結果の一例を示す第２の図である。図１９の縦軸は係数（Coefficients）を示す。係数は具体的には、rad scoreの算出に用いる係数である。図１９の横軸はLog Lambdaを示す。Log Lambdaは正則化係数を意味する。

図１９の線Ｌ５は、学習済みの比較学習モデルによる予後の予測の結果の誤差が最小となる正則化係数を示す。図１９の枠Ｗ５で囲まれた各数値は、正則化係数を意味する。なお、図１９の各グラフは予後予測学習モデルに入力された各グラフ量の係数を示す。そのため、同じ配色又は線種のグラフであっても（すなわち同一線上に存在するとしても）横軸の各点ごとに異なるグラフ量の係数を示す。

図１６及び図１７の結果と図１８及び図１９の結果とは、予後予測システム１００による予後の予測の結果の誤差が従来の技術による予後の予測の結果の誤差よりも収束することを示す。予後予測システム１００による予後の予測の結果の誤差が従来の技術による予後の予測の結果の誤差よりも収束するため、予後予測システム１００は従来の技術よりも有用である。

図２０は、実施形態における実験を説明する第８の説明図である。図２０の表における“グラフ理論の特徴量”の行は、実験において予後予測システム１００で用いられたグラフ量に関する情報を示す。図２０の表における“従来の特徴量”の行は、実験において従来の技術で用いられたラジオミクス特徴量に関する情報を示す。図２０の表における“選択された特徴量”の列は、実験において予後予測システム１００で選択された特徴量（グラフ量）と、比較学習モデルで選択された特徴量とを示す。図２０の表における“係数”の列は、実験で用いられた学習済みの予後予測学習モデルにおいて選択された特徴量の各重みと、実験で用いられた学習済みの比較学習モデルにおいて選択された特徴量の各重みと、を示す。

図２０の“頂点＿頂点の個数”は、グラフ量が第１グラフ特徴量であることを意味する。図２０の“辺＿しきい値と同じ値を持つ辺の個数＿しきい値１０”は、グラフ量が第６グラフ特徴量であることを意味する。図２０の“ヒストグラム＿しきい値と同じ値を持つ辺の個数＿近似曲線ｙ切片”は、グラフ量が、第２種個別グラフ量が含む各要素が第２グラフ特徴量である第１９グラフ特徴量、であることを意味する。図２０の表は、“頂点＿頂点の個数”のグラフ量の重みが５．２５９×１０^－６であったことを示す。図２０の表は、“辺＿しきい値と同じ値を持つ辺の個数＿しきい値１０”のグラフ量の重みが９．５９１×１０^－２であったことを示す。図２０の表は、“ヒストグラム＿しきい値と同じ値を持つ辺の個数＿近似曲線ｙ切片”のグラフ量の重みが３．５３２であったことを示す。

図２０の表は、Maximum2DDiameterRow/shapeの重みが９．９２４×１０^－３であったことを示す。図２０の表は、ZoneVariance/glszmの重みが１．９１７×１０^－７であったことを示す。図２０の表は、Complexity/ngtdmの重みが７．１７３×１０^－５であったことを示す。Maximum2DDiameterRow/shapeの定義はサジタル面における腫瘍表面の頂点間の最大のペアワイズユークリッド距離である。ZoneVariance/glszmの定義は同じ画素値を持つ隣接したボクセルの大きさのばらつきである。Complexity/ngtdmの定義はある階調値と一定の距離内の隣接階調との平均階調値の差を数値化した行列の複雑さである。

図２１及び図２２を用いて、予後が相対的に良い腫瘍の像の一例と予後が相対的に悪い腫瘍の像の一例とを示す。

図２１は、実施形態における実験を説明する第９の説明図である。より具体的には、図２１は、予後が図２２の示す腫瘍よりも良い腫瘍の像の一例を示す図である。図２１は画像Ｇ５と画像Ｇ６とを示す。画像Ｇ５は、予後が図２２の示す腫瘍よりも良い腫瘍の像の一例である。画像Ｇ６は、画像Ｇ５に示す腫瘍のグラフの一例である。

実験では、画像Ｇ５に示す腫瘍に対するラッドスコアであって予後予測システム１００によって得られたラッドスコアは０．４５であった。一方、実験では、画像Ｇ５に示す腫瘍に対するラッドスコアであって従来の技術によって得られたラッドスコアは０．９４であった。

図２２は、実施形態における実験を説明する第１０の説明図である。より具体的には、図２２は、予後が図２１の示す腫瘍よりも悪い腫瘍の像の一例を示す図である。図２２は画像Ｇ７と画像Ｇ８とを示す。画像Ｇ７は、予後が図２１の示す腫瘍よりも悪い腫瘍の像の一例である。画像Ｇ８は、画像Ｇ７に示す腫瘍のグラフの一例である。

実験では、画像Ｇ７に示す腫瘍に対するラッドスコアであって予後予測システム１００によって得られたラッドスコアは０．８０であった。０．８０は、０．４５の１．８倍である。一方、実験では、画像Ｇ７に示す腫瘍に対するラッドスコアであって従来の技術によって得られたラッドスコアは１．０８であった。１．０８は０．９４の１．１倍である。このように実験では、予後予測システム１００によって得られたラッドスコアの方が従来の技術によって得られたラッドスコアよりも明確に腫瘍の状態の変化を示した。

また、図２１と図２２とは、相対的に予後の悪い腫瘍の方が相対的に予後の良い腫瘍よりも腫瘍内部が不均質になっていることを示す。図２１と図２２とは、グラフ内の辺の密度は、相対的に予後の悪い腫瘍の方が高いことを示す。このように、図２１と図２２とは、腫瘍のグラフを表示することで予後予測システム１００のユーザが視覚的に予後を推測可能であることを示す。

そのため、予後予測装置２が備える出力部２５は被写体腫瘍のグラフを表示してもよい。出力部２５が被写体腫瘍のグラフを表示することで、予後予測装置２はユーザに視覚的に予後を推測可能にする効果を奏する。

図２３及び図２４を用いて、Kaplan-Meier曲線を用いた評価に関して予後予測システム１００の奏する効果を説明する。実験では、予めテストデータを予後予測装置２に入力することで、テストデータごとにラッドスコアが得られた。実験では得られたラッドスコアの分布の中央値を境にして、ラッドスコアが中央値よりも低いテストデータ（以下「低スコアデータ」という。）とラッドスコアが中央値以上のテストデータ（以下「高スコアデータ」という。）とにテストデータが分類された。

実験では、低スコアデータの集合と高スコアデータの集合との間で生存期間に有意差が有るか否かがKaplan-Meier曲線を用いて評価された。実験では、Kaplan-Meier曲線を用いた生存期間の有意差の有無の評価が、予後予測システム１００で得られたラッドスコアと従来の技術で得られたラッドスコアとについてそれぞれで実行された。

図２３は、実施形態における実験を説明する第１１の説明図である。より具体的には図２３は、予後予測システム１００で得られたラッドスコアについてKaplan-Meier曲線を用いた生存期間の有意差の有無の評価の結果を示す図である。図２３の横軸は生存期間を示す。図２３の縦軸は生存確率を示す。図２３の“Low Risk”の線は低スコアデータの集合の生存曲線を示す。図２３の“High Risk”の線は高スコアデータの集合の生存曲線を示す。図２３の結果については、Kaplan-Meier曲線におけるｐ値が０．００４であった。

図２４は、実施形態における実験を説明する第１２の説明図である。より具体的には図２４は、従来の技術で得られたラッドスコアについてKaplan-Meier曲線を用いた生存期間の有意差の有無の評価の結果を示す図である。図２４の横軸は生存期間を示す。図２４の縦軸は生存確率を示す。図２４の“Low Risk”の線は低スコアデータの集合の生存曲線を示す。図２４の“High Risk”の線は高スコアデータの集合の生存曲線を示す。図２４の結果については、Kaplan-Meier曲線におけるｐ値が０．０３であった。

図２３と図２４とは、予後予測システム１００が従来の技術と同様にKaplan-Meier曲線を用いた生存期間の有意差を示すことができることを示す。

実験では、予後の予測の精度をＣ－ｉｎｄｅｘを用いて評価することも行われた。Ｃ－ｉｎｄｅｘは予後の予測の精度の指標であり、１に近いほど予測の精度が高く、０．５に近いほど予測の精度が低いことを示す指標である。

実験では、テストデータを用いてＣ－ｉｎｄｅｘが算出された。実験では、予後予測システム１００による予測の精度に関して、Ｃ－ｉｎｄｅｘの値は０．６７９であり、Ｌｏｇ－ｒａｎｋ検定におけるｐ値は０．００４であった。実験では、従来の技術による予測の精度に関して、Ｃ－ｉｎｄｅｘの値は０．６２５であり、Ｌｏｇ－ｒａｎｋ検定におけるｐ値は０．０１であった。このように、実験では、予後予測システム１００による予測の精度の方が従来の技術による予測の精度よりも高いことが示された。

このように構成された実施形態の予後予測情報取得装置１は、グラフ腫瘍情報を用いてグラフ腫瘍情報と予後との関係を示す情報である予後予測情報を取得する。そのため、予後予測情報取得装置１は腫瘍疾患を患う患者の予後予測の精度を向上させることができる。

このように構成された実施形態の予後予測装置２は、グラフ腫瘍情報を用いてグラフ腫瘍情報と予後との関係を示す情報である予後予測情報を用いて予後を予測する。そのため、予後予測装置２は腫瘍疾患を患う患者の予後予測の精度を向上させることができる。

このように構成された実施形態の予後予測システム１００は、グラフ腫瘍情報を用いてグラフ腫瘍情報と予後との関係を示す情報である予後予測情報を取得する。そのため、予後予測システム１００は腫瘍疾患を患う患者の予後予測の精度を向上させることができる。また、予後予測システム１００は、グラフ腫瘍情報を用いてグラフ腫瘍情報と予後との関係を示す情報である予後予測情報を用いて予後を予測する。そのため、予後予測システム１００は腫瘍疾患を患う患者の予後予測の精度を向上させることができる。

（変形例）
なお、グラフ量は、例えば腫瘍画像を複数の領域に区分した結果の領域ごとに得られるグラフ量を頂点の重みとするグラフから得られるグラフ量であってもよい。

図２５は、変形例におけるグラフ量の一例を説明する説明図である。図２５は、腫瘍画像をＫ１～Ｋ９の９つの領域に区分することを示す。図２５は、Ｋ１～Ｋ９の各領域についてグラフが生成されることと、生成されたグラフから得られたグラフ量を重みとする頂点を有するグラフが生成されることとを示す。

なお、予後予測システム１００が用いるグラフ量は、第１グラフ特徴量だけであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＣ－ｉｎｄｅｘは０．６５７であった。また、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０８５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０５であった。

なお、予後予測システム１００が用いるグラフ量は、第５グラフ特徴量だけであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＣ－ｉｎｄｅｘは０．６３２であった。また、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６４４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１であった。

なお、予後予測システム１００が用いるグラフ量は、第２グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５５７であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０３０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．３２８であった。

なお、予後予測システム１００が用いるグラフ量は、第７グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５４６であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０４６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１３５であった。

なお、予後予測システム１００が用いるグラフ量は、第６グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６８５であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０００であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１０であった。

なお、予後予測システム１００が用いるグラフ量は、第４グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４１であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１１８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４４であった。

なお、予後予測システム１００が用いるグラフ量は、第３グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４１５であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．３２８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．３４９であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４９０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２９３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．５１７であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４７９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．３９０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．８７５であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６６５であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００６であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６３６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１１８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１０８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４０３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４４７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１８０であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４３１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．８９６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．７８０であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４２４であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．９９０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．７８０であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５８９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０２１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．４５９であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６３１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１１２であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１１８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．３８７であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．５７５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１５６であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６０６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６８７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．２４３であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６４３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０７８であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５２４であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１８７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．７９９であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６３１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１１５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１１８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．３７５であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６６０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１５６であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４９８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１６であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６３３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４８６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００７であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４６４であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．９３３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．８５４であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１１７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１１８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．３６９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．７００であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０６３であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４４５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４６７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１３９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１１７であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１２２であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１１８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．３６３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６９６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０２１であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４４であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４８０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４７であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４８４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６０６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４６０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．３１７であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２７であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１５３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１１８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．３６４であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６５１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０２１であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４５であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．５３０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．５５３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１２８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３１であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２８であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１５７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１１８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．３６３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．５９８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０２２であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６２５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６６１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１５であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６６３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０５４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０２９であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２８であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１６６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．３６５であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．５２７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３８であった。

なお、予後予測システム１００が用いるグラフ量が第２グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．７５６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１２であった。

なお、予後予測システム１００が用いるグラフ量が第７グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．７８４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１２であった。

なお、予後予測システム１００が用いるグラフ量が第６グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６６７であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０５１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００７であった。

なお、予後予測システム１００が用いるグラフ量が第４グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１７７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４８であった。

なお、予後予測システム１００が用いるグラフ量が第３グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．３６９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４５０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３８であった。

なお、予後予測システム１００が用いるグラフ量は、第９グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６３２であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０４７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０７７であった。

なお、予後予測システム１００が用いるグラフ量は、第８グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５５７であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０３０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．３２８であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０４１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４０であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４９０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２９３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．５１７であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６５２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０３９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３１であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４３１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．８９６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．７８０であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６５９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０３９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０５８であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６０６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６８７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．２４３であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６６３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０４０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４７であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４９８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１６であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６７１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０４２であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４９であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４４５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６７５であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０４６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４９であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４４であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４８０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６７４であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０５０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４９であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４５であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．５３０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６７３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０５９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４９であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６２５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第９グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６７１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０７２であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４９であった。

なお、予後予測システム１００が用いるグラフ量が第８グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．７５６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１２であった。

なお、予後予測システム１００が用いるグラフ量は、第１０グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４０８であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．５５１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．２４４であった。

なお、予後予測システム１００が用いるグラフ量は、第１２グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４４であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２４９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０２４であった。

なお、予後予測システム１００が用いるグラフ量は、第１１グラフ特徴量だけであってもよい。このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１９であった。また、このような場合であって辺閾値の値が５ＨＵの場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３３であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４４６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．３２０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．７１０であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２４７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１７であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は１０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５６０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０３７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．４３０であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４２５であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．７５３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．２６０であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２０７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００９であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は１５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４９６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．４０５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．６９７であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．６８２であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１８８であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１７７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００９であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は２０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５７７であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．７４９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．３６９であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６３３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．３５６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３０であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１７０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００９であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は２５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２８７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０８５であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２５６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１６５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００９であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は３０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６３６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１６５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００６であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２１１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１５であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１８１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４８であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は３５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４３であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１３９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００５であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６５０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２０４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１５であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４１であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１６４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０５０であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は４０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１３１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１５であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４６であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２１７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１５であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４０であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１６５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３９であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は４５ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４９であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１４６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１５であった。

なお、予後予測システム１００が用いるグラフ量が第１０グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２６０であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１７であった。

なお、予後予測システム１００が用いるグラフ量が第１２グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１５６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３９であった。

なお、予後予測システム１００が用いるグラフ量が第１１グラフ特徴量だけである場合、辺閾値の値は５０ＨＵであってもよい。このような場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４２であった。また、このような場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１８５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１５であった。

以下、第２種個別グラフ量が含む各要素が第２グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量を第１８－１グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第２グラフ特徴量である第１９グラフ特徴量を第１９－１グラフ特徴量という。なお、１次項の傾きとは、グラフ量から作成されたヒストグラムに対して３次関数の多項式で近似をした際に得られる関数の１次関数の項の傾きである。なお、ヒストグラムは縦軸がグラフ量の値を示し横軸が辺閾値を示すヒストグラムである。

なお、予後予測システム１００が用いるグラフ量は、第１８－１グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６８３であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００２であった。

なお、予後予測システム１００が用いるグラフ量は、第１９－１グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１７であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０９５であった。

以下、第２種個別グラフ量が含む各要素が第７グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量を第１８－２グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第７グラフ特徴量である第１９グラフ特徴量を第１９－２グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第６グラフ特徴量である第１９グラフ特徴量を第１９－３グラフ特徴量という。

なお、予後予測システム１００が用いるグラフ量は、第１８－２グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６８２であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００４であった。

なお、予後予測システム１００が用いるグラフ量は、第１９－２グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６００であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００７であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．２８２であった。

なお、予後予測システム１００が用いるグラフ量は、第１９－３グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６８２であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０００であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００８であった。

以下、第２種個別グラフ量が含む各要素が第４グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量を第１８－３グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第４グラフ特徴量である第１９グラフ特徴量を第１９－４グラフ特徴量という。

なお、予後予測システム１００が用いるグラフ量は、第１８－３グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２３であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２６９であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０９３であった。

なお、予後予測システム１００が用いるグラフ量は、第１９－４グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６５０であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１３４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０５９であった。

以下、第２種個別グラフ量が含む各要素が第３グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量を第１８－４グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第３グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量を第１８－５グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第３グラフ特徴量である第１９グラフ特徴量を第１９－５グラフ特徴量という。

なお、３次項の傾きとは、グラフ量から作成されたヒストグラムに対して３次関数の多項式で近似をした際に得られる関数の３次関数の項の傾きである。なお、２次項の傾きとは、グラフ量から作成されたヒストグラムに対して３次関数の多項式で近似をした際に得られる関数の２次関数の項の傾きである。

なお、予後予測システム１００が用いるグラフ量は、第１８－４グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５４１であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．３２２であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．６７８であった。

なお、予後予測システム１００が用いるグラフ量は、第１８－５グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１２であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０１８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．１３７であった。

なお、予後予測システム１００が用いるグラフ量は、第１９－５グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．４２８であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２１８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．５９５であった。

以下、第２種個別グラフ量が含む各要素が第９グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量を第１８－６グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第９グラフ特徴量である第１９グラフ特徴量を第１９－６グラフ特徴量という。

なお、予後予測システム１００が用いるグラフ量は、第１８－６グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５９２であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．１２１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．４２６であった。

なお、予後予測システム１００が用いるグラフ量は、第１９－６グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２７であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０５１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０９６であった。

以下、第２種個別グラフ量が含む各要素が第８グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量を第１８－７グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第８グラフ特徴量である第１９グラフ特徴量を第１９－７グラフ特徴量という。

なお、予後予測システム１００が用いるグラフ量は、第１８－７グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６８３であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００１であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００２であった。

なお、予後予測システム１００が用いるグラフ量は、第１９－７グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１７であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００５であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０９５であった。

以下、第２種個別グラフ量が含む各要素が第１０グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量を第１８－８グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第１０グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量を第１８－９グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第１０グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量を第１８－１０グラフ特徴量という。

なお、予後予測システム１００が用いるグラフ量は、第１８－８グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６５３であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００２であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４６であった。

なお、予後予測システム１００が用いるグラフ量は、第１８－９グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６３７であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０６４であった。

なお、予後予測システム１００が用いるグラフ量は、第１８－１０グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５８１であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．０３４であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．２２３であった。

以下、第２種個別グラフ量が含む各要素が第１０グラフ特徴量である第１９グラフ特徴量を第１９－８グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第１２グラフ特徴量である第１９グラフ特徴量を第１９－９グラフ特徴量という。

なお、予後予測システム１００が用いるグラフ量は、第１９－８グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６２２であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．９５８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０１６であった。

なお、予後予測システム１００が用いるグラフ量は、第１９－９グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６４７であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２９３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０３９であった。

以下、第２種個別グラフ量が含む各要素が第１１グラフ特徴量であって傾きが３次項の傾きである第１８グラフ特徴量を第１８－１１グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第１１グラフ特徴量であって傾きが２次項の傾きである第１８グラフ特徴量を第１８－１２グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第１１グラフ特徴量であって傾きが１次項の傾きである第１８グラフ特徴量を第１８－１３グラフ特徴量という。

なお、予後予測システム１００が用いるグラフ量は、第１８－１１グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５７６であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．２１６であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．３３６であった。

なお、予後予測システム１００が用いるグラフ量は、第１８－１２グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５３３であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．９７３であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．４３９であった。

なお、予後予測システム１００が用いるグラフ量は、第１８－１３グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５９９であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０４２であった。

以下、第２種個別グラフ量が含む各要素が第１１グラフ特徴量である第１９グラフ特徴量を第１９－１０グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第１０グラフ特徴量である第２０グラフ特徴量を第２０－１グラフ特徴量という。以下、第２種個別グラフ量が含む各要素が第１０グラフ特徴量である第２１グラフ特徴量を第２１－１グラフ特徴量という。

なお、予後予測システム１００が用いるグラフ量は、第１９－１０グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６６５であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．００２であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．００１であった。

なお、予後予測システム１００が用いるグラフ量は、第２０－１グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．６１８であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．８０８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．０７９であった。

なお、予後予測システム１００が用いるグラフ量は、第２１－１グラフ特徴量だけであってもよい。このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば、予後予測システム１００のＣ－ｉｎｄｅｘは０．５７７であった。また、このような場合であって辺閾値の数が５０の場合、上述の９１例のテストデータを用いた実験によれば予後予測システム１００のＬｏｇ－ｒａｎｋ検定におけるｐ値は０．９５８であり、予後予測システム１００のKaplan-Meier曲線におけるｐ値は０．７１６であった。

なお、予後予測情報取得装置１は必ずしも学習データセット生成処理を実行する必要は無い。このような場合、予後予測情報取得装置１には、処理前学習データセットに代えて学習データセットが入力される。そしてこのような場合、学習データセット取得部１０４は、処理前学習データセットに基づき学習データセットを生成する処理の実行に代えて通信部１２又は入力部１３に入力された学習データセットを取得する処理を実行する。学習データセット取得部１０４は、予め記憶部１４に学習データセットが記録済みの場合には記憶部１４から学習データセットを読み出すことで学習データセットを取得してもよい。

なお、予後予測装置２は必ずしも前処理を実行する必要は無い。このような場合、予後予測装置２には、腫瘍画像データに代えてグラフ腫瘍情報が入力される。そしてこのような場合、入力データ取得部２４０は腫瘍画像データの取得に代えてグラフ腫瘍情報を取得する。そして入力データ取得部２４０がグラフ腫瘍情報を取得する場合、予後予測部２５０は、前処理を実行せず主処理を実行する。入力データ取得部２４０は、予め記憶部２４にグラフ腫瘍情報が記録済みの場合には記憶部２４からグラフ腫瘍情報を読み出すことでグラフ腫瘍情報を取得してもよい。

なお、予後予測情報取得装置１は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、予後予測情報取得装置１が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

なお、予後予測装置２は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、予後予測装置２が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

なお、予後予測情報取得装置１と予後予測装置２とは必ずしも異なる装置として実装される必要は無い。予後予測情報取得装置１と予後予測装置２とは１つの装置で実装されてもよい。

なお、予後予測システム１００は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、予後予測システム１００が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

なお、予後予測システム１００の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１００…予後予測システム、１…予後予測情報取得装置、２…予後予測装置、１１…制御部、１２…通信部、１３…入力部、１４…記憶部、１５…出力部、１０１…通信制御部、１０２…入力制御部、１０３…出力制御部、１０４…学習データセット取得部、１０５…モデル実行部、１０６…更新部、１０７…終了判定部、１０８…記憶制御部、２１…制御部、２２…通信部、２３…入力部、２４…記憶部、２５…出力部、２１０…通信制御部、２２０…入力制御部、２３０…出力制御部、２４０…入力データ取得部、２５０…予後予測部、２５１…前処理実行部、２５２…主処理実行部、２６０…記憶制御部、９１…プロセッサ、９２…メモリ、９３…プロセッサ、９４…メモリ

Claims

グラフ理論で定義される量を用いて表現された腫瘍の像の情報であるグラフ腫瘍情報と前記腫瘍を有する人又は動物の予後との関係を示す情報である予後予測情報を用いて、推定対象が有する腫瘍の像を示すグラフ腫瘍情報に基づき前記推定対象の予後を予測する予後予測部、
を備える予後予測装置。
前記グラフ理論で定義される量は、グラフの頂点に関する量である、
請求項１に記載の予後予測装置。
前記グラフの頂点は、互いに隣接する１又は複数の画素の集まりである単位画素ごとに定義される、
請求項２に記載の予後予測装置。
前記グラフの頂点に関する量は、重みが定義された頂点間の位置関係と各頂点の重みとを示す量である、
請求項３に記載の予後予測装置。
前記重みは、前記単位画素が含む各画素の画素値に関する予め定義された指標の値である、
請求項４に記載の予後予測装置。
前記グラフ理論で定義される量は、グラフの辺に関する量である、
請求項１に記載の予後予測装置。
前記グラフ理論で定義される量は、グラフの次数に関する量である、
請求項１に記載の予後予測装置。
前記グラフ理論で定義される量は、グラフの最小全域木に関する量である、
請求項１に記載の予後予測装置。
グラフ理論で定義される量を用いて表現された腫瘍の像の情報であるグラフ腫瘍情報と前記腫瘍を有する人又は動物の予後との関係を示す情報である予後予測情報を用いて、推定対象が有する腫瘍の像を示すグラフ腫瘍情報に基づき前記推定対象の予後を予測する予後予測ステップ、
を有する予後予測方法。
請求項１から８のいずれか一項に記載の予後予測装置としてコンピュータを機能させるためのプログラム。