JP2023032648A - 医用情報処理装置、医用情報処理方法、およびプログラム - Google Patents

医用情報処理装置、医用情報処理方法、およびプログラム Download PDF

Info

Publication number
JP2023032648A
JP2023032648A JP2021138908A JP2021138908A JP2023032648A JP 2023032648 A JP2023032648 A JP 2023032648A JP 2021138908 A JP2021138908 A JP 2021138908A JP 2021138908 A JP2021138908 A JP 2021138908A JP 2023032648 A JP2023032648 A JP 2023032648A
Authority
JP
Japan
Prior art keywords
information
medical
support
model
degree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021138908A
Other languages
English (en)
Inventor
優大 山▲崎▼
Yuta Yamazaki
和正 野呂
Kazumasa NORO
侑香 霜村
Yuka Shimomura
陽平 村口
Yohei Muraguchi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to JP2021138908A priority Critical patent/JP2023032648A/ja
Priority to US17/820,610 priority patent/US20230067142A1/en
Publication of JP2023032648A publication Critical patent/JP2023032648A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】被検体を診療する利用者に対して、より適切な支援情報を提供することである。【解決手段】実施形態の医用情報処理装置は、取得部と、支援情報導出部と、適合度導出部と、表示制御部とを持つ。取得部は、被検体に関する診療情報と所定の診療支援モデルとを取得する。支援情報導出部は、前記診療情報を前記所定の診療支援モデルに入力して所定の診療に関する支援情報を導出する。適合度導出部は、前記診療情報と前記所定の診療支援モデルとに基づいて、前記診療情報と前記所定の診療支援モデルとの適合度を導出する。表示制御部は、前記支援情報と前記適合度とを対応付けて表示させる。【選択図】図１

Description

本発明の実施形態は、医用情報処理装置、医用情報処理方法、およびプログラムに関する。
従来、患者の診察結果から医師の診断を支援する支援情報を提示する診療支援システムが知られている。具体的には、脳卒中に関連するデータを用いて過去の診療データから類似度の高い患者を検索するシステムや、患者の診察結果に基づく特徴情報と、学習済みモデルを用いて心不全における再入院リスクを算出するシステム、医用画像から診断名を推論し、推論結果の信頼度が閾値以上のものを出力するシステムが知られている。しかしながら、これらのシステムは、特定の疾患や診療科の医師等の支援を対象にしており、別の専門の診療科や総合診療の医師に対する支援まで考慮されていなかった。そのため、別の診療科や総合診療の患者に適用した場合、疾患を持たなくても、疾患リスクが高く算出されたり、疾患ありの患者として抽出される可能性があった。これは、対象患者ごとの診療情報から得られる特徴情報と診療モデルとの適合度を考慮していないため、適合度が大小に関係なく同一の判定結果となってしまうからである。したがって、医療従事者等の利用者は、上記の判定結果から誤った判断をする可能性があった。
特開２０１９－２１１３６号公報 特開２０１２－２４９９６４号公報
Xiong Liu, Yu Chen, Jay Bae, Hu Li, Joseph Johnston, Todd Sanger, "Predicting Heart Failure Readmission from Clinical Notes Using Deep Learning", 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 21 Dec 2019.
本発明が解決しようとする課題は、被検体を診療する利用者に対して、より適切な支援情報を提供することである。
実施形態の医用情報処理装置は、取得部と、支援情報導出部と、適合度導出部と、表示制御部とを持つ。取得部は、被検体に関する診療情報と所定の診療支援モデルとを取得する。支援情報導出部は、前記診療情報を前記所定の診療支援モデルに入力して所定の診療に関する支援情報を導出する。適合度導出部は、前記診療情報と前記所定の診療支援モデルとに基づいて、前記診療情報と前記所定の診療支援モデルとの適合度を導出する。表示制御部は、前記支援情報と前記適合度とを対応付けて表示させる。
実施形態に係る医用情報処理装置１００の一構成例を示す図。 支援情報導出機能１４２について説明するための図。 診療情報の特徴ベクトルが単一の場合における診療支援モデルとの適合度の導出について説明するための図。 診療情報の特徴ベクトルが複数の場合における診療支援モデルとの適合度の導出について説明するための図。 提供用支援情報生成機能１４４により生成される提供用支援情報の内容の一例を示す図。 画像生成機能１４５により生成される画像ＩＭ１０の一例を示す図。 対象被検体が支援情報および適合度を導出したときの診療支援モデルと適合度との関係を示す図。 類似度の導出結果の一例を示す図。 類似症例結果を示す画像ＩＭ２０の一例を示す図。 追加検査項目と、追加したときのリスクおよび適合度の予測値との関係の一例を示す図。 適合度が高くなると予測される追加検査項目に関する情報を含む画像ＩＭ３０の一例を示す図。 被検体に対する疾患の判定内容について説明するための図。 実施形態に係る医用情報処理装置１００が実行する処理の一例を示すフローチャート。
以下、実施形態の医用情報処理装置、医用情報処理方法、およびプログラムを、図面を参照して説明する。
図１は、実施形態に係る医用情報処理装置１００の一例を示す図である。医用情報処理装置１００は、一つまたは複数のプロセッサにより実現される。例えば、医用情報処理装置１００は、クラウドコンピューティングシステムに含まれるコンピュータであってもよいし、他の機器に依存せずに単独で動作するコンピュータ（スタンドアローンのコンピュータ）であってもよい。
医用情報処理装置１００は、例えば、通信インターフェース１１０と、入力インターフェース１２０と、ディスプレイ１３０と、処理回路１４０と、メモリ１５０とを備える。
通信インターフェース１１０は、例えば、ＮＩＣ（Network Interface Card）等の通信インターフェースを含む。通信インターフェース１１０は、通信ネットワークＮＷを介して外部装置と通信し、外部装置から患者等の被検体に関する診療情報等の情報を受信する。外部装置とは、例えば、医用画像生成装置や診療情報サーバ、各診療科の端末装置である。医用画像生成装置とは、例えば、被検体の医用画像を撮影する装置（モダリティ）である。医用画像生成装置には、例えば、Ｘ線ＣＴ装置、ＭＲＩ装置等の医用診断装置、ＰＥＴ（Positron Emission Tomography：陽電子放出断層撮影）装置、ＰＥＴ－ＣＴ（Computed Tomography：コンピュータ断層撮影）装置、ＳＰＥＣＴ（Single Photon Emission computed Tomography：単一光子放出コンピュータ断層撮影）装置、血管造影検査装置（アンギオグラフィー装置）等が含まれてよい。医用画像生成装置によって生成される医用画像には、例えば、脳や心臓、肺等の臓器、または四肢等の対象組織（対象部位）の画像が含まれる。診療情報サーバは、複数の診療科の医師等によって診察された診療情報を収集して管理する管理装置である。また、診療情報サーバは、データベース等の記憶装置を備え、記憶装置に診療情報が格納して管理する。また、診療情報サーバは、一または複数の診療支援モデルを格納して管理してもよい。
通信インターフェース１１０は、受信した情報を処理回路１４０に出力する。また、通信インターフェース１１０は、処理回路１４０による制御を受けて、通信ネットワークＮＷを介して接続された他の装置に情報を送信してもよい。他の装置とは、例えば、診療情報サーバや、診断情報を利用する医師や看護師等が利用可能な端末装置である。
入力インターフェース１２０は、医師等の利用者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１４０に出力する。例えば、入力インターフェース１２０は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパネル等により実現される。また、入力インターフェース１２０は、例えば、マイク等の音声入力を受け付けるユーザインターフェースによって実現されてもよい。入力インターフェース１２０がタッチパネルである場合、ディスプレイ１３０は入力インターフェース１２０と一体として形成されてよい。
ディスプレイ１３０は、各種の情報を表示する。例えば、ディスプレイ１３０は、処理回路１４０によって処理された内容を示す画像等を表示したり、利用者からの各種の入力操作を受け付けるためのＧＵＩ（Graphical User Interface）等を表示したりする。例えば、ディスプレイ１３０は、ＬＣＤ（Liquid Crystal Display）や、ＣＲＴ（Cathode Ray Tube）ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等である。また、ディスプレイ１３０は、音声を出力するスピーカ等を備え、処理回路１４０の制御によって表示された画像に対応付けられた音声や警告音等を出力してもよい。
処理回路１４０は、例えば、取得機能１４１と、支援情報導出機能１４２と、適合度導出機能１４３と、提供用支援情報生成機能１４４と、画像生成機能１４５と、表示制御機能１４６とを備える。取得機能１４１は、「取得部」の一例である。適合度導出機能１４３は、「適合度導出部」の一例である。支援情報導出機能１４２は、「支援情報導出部」の一例である。提供用支援情報生成機能１４４は、「提供用支援情報生成部」の一例である。画像生成機能１４５は、「画像生成部」の一例である。表示制御機能１４６は、「表示制御部」の一例である。処理回路１４０は、例えば、ハードウェアプロセッサがメモリ（記憶装置、記憶回路）１５０に記憶されたプログラムを実行することにより、これらの機能を実現するものである。
ハードウェアプロセッサとは、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、特定用途向け集積回路（Application Specific Integrated Circuit;ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device;ＳＰＬＤ）または複合プログラマブル論理デバイス（Complex Programmable Logic Device;ＣＰＬＤ）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array;ＦＰＧＡ））等の回路（circuitry）を意味する。メモリ１５０にプログラムを記憶させる代わりに、ハードウェアプロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合、ハードウェアプロセッサは、回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。上記のプログラムは、予めメモリ１５０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭ等の非一時的記憶媒体に格納されており、非一時的記憶媒体が医用情報処理装置１００のドライブ装置（不図示）に装着されることで非一時的記憶媒体からメモリ１５０にインストールされてもよい。ハードウェアプロセッサは、単一の回路として構成されるものに限らず、複数の独立した回路を組み合わせて１つのハードウェアプロセッサとして構成され、各機能を実現するようにしてもよい。また、複数の構成要素を１つのハードウェアプロセッサに統合して各機能を実現するようにしてもよい。
処理回路１４０が有する各構成要素は、分散化されて複数のハードウェアにより実現されてもよい。処理回路１４０は、医用情報処理装置１００が有する構成ではなく、医用情報処理装置１００と通信可能な処理装置によって実現されてもよい。処理装置は、例えば、一つの医用情報処理装置１００と接続されたワークステーション、あるいは複数の医用情報処理装置１００に接続され、以下に説明する処理回路１４０と同等の処理を一括して実行する装置（例えば、クラウドサーバ）である。
取得機能１４１は、例えば、通信インターフェース１１０を介して外部装置から任意の被検体における診療情報を取得する。診療情報には、例えば、被検体情報（被検体を識別する識別情報、属性情報、生体情報等）や医師等の診断者の所見情報、被検体の治療歴等の情報が含まれる。識別情報には、例えば、識別ＩＤ（例えば、患者ＩＤ、被検体ＩＤ）や住所、氏名等が含まれる。属性情報には、例えば、身長、体重、年齢、性別等が含まれる。生体情報には、例えば、脈拍、心拍数、呼吸数、血圧、体温等が含まれる。治療歴には、例えば、現病歴、既往歴、薬剤、処置内容等の情報が含まれる。また、診療情報には、医用画像生成装置により生成された医用画像や、医用画像の撮影条件（例えば、日時、撮影部位、撮影装置、撮影方式（スキャン条件）、再構成の条件）が含まれてもよい。診療情報に含まれる情報（項目）は、上述の例に限定されるものではなく、被検体の診療時に取得可能な他の項目が含まれてよい。取得機能１４１は、取得した診療情報をメモリ１５０内の診療情報ＤＢ（Data Base）１５１に記憶させる。
また、取得機能１４１は、例えば、通信インターフェース１１０を介して外部装置等から所定の診療に対応付けられた診療支援モデル取得する。診療支援モデルの詳細については、後述する。取得機能１４１は、取得した診療支援モデルをメモリ１５０内の診療支援モデルＤＢ１５２に記憶させる。
支援情報導出機能１４２は、取得機能１４１により取得された診療情報と診療支援モデルとに基づいて、診療情報を診療支援モデルに入力して所定の診療に関する支援情報を導出する。所定の診療に関する支援情報には、例えば、疾患に関するリスク情報が含まれる。リスク情報には、所定の疾患を発症する（またはしている）確率（可能性）を示す発症（疾患）リスク、疾患が悪化する確率を示す悪化リスク、疾患が重症化する確率を示す重症化リスク、現在から所定期間内に入院する確率を示す入院リスク、退院後の所定期間内に再入院する確率を示す再入院リスク等が含まれる。また、支援情報導出機能１４２は、上述の肯定的な確率に代えて（または加えて）、否定的な確率（例えば、発症しない（またはしていない）確認、悪化しない確率）を示すリスク情報を導出してもよい。支援情報導出機能１４２は、例えば、疾患種別ごとにリスク情報を導出する。支援情報導出機能１４２の詳細については後述する。
適合度導出機能１４３は、取得機能１４１により取得された診療情報と診療支援モデルとの適合度を導出する。適合度とは、例えば、診療支援モデルによって一または複数の症状予測をするうえで、診療情報に含まれる項目が、診療支援モデルへの入力データ（入力要素）として、どの程度当て嵌まっているか（例えば、入力データに適合しているか、または入力データに必要な項目がどの程度含まれているか）を示す指標値である。適合度導出機能１４３の詳細については後述する。
提供用支援情報生成機能１４４は、取得機能１４１により取得された支援情報のうち、適合度導出機能１４３により導出された適合度に基づいて、利用者に提供する（例えば、ディスプレイ１３０から出力させる）提供用支援情報を生成する。例えば、提供用支援情報生成機能１４４は、取得機能１４１により取得された支援情報と、適合度とが対応付けられた支援情報（適合度付き支援情報）を提供用支援情報として生成する。提供用支援情報生成機能１４４の詳細については、後述する。
画像生成機能１４５は、提供用支援情報生成機能１４４により生成された提供用支援情報に基づいて、利用者に提供する所定の診療に関する支援情報を含む画像を生成する。画像生成機能１４５の詳細については後述する。
表示制御機能１４６は、画像生成機能１４５により生成された画像等をディスプレイ１３０等に表示させる。また、表示制御機能１４６は、取得機能１４１により取得された各情報や適合度導出機能１４３により導出された情報、支援情報導出機能１４２により導出された情報等を示す画像をディスプレイ１３０等に表示させてもよい。また、表示制御機能１４６は、表示対象の情報を表示情報１５４としてメモリ１５０に記憶させてもよく、信ネットワークＮＷを介して診療情報サーバや、その他の装置に送信させてもよい。また、表示制御機能１４６は、表示対象の情報に対応する音声や警告音等を生成して、スピーカ等から出力させてもよい。なお、表示制御機能１４６は、上述した提供用支援情報生成機能および画像生成機能１４５において実行される処理を実行してもよい。
メモリ１５０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等によって実現される。これらの非一過性の記憶媒体は、ＮＡＳ（Network Attached Storage）や外部ストレージサーバ装置といった通信ネットワークＮＷを介して接続される他の記憶装置によって実現されてもよい。また、メモリ１５０には、ＲＯＭ（Read Only Memory）やレジスタ等の一過性の記憶媒体が含まれてもよい。メモリ１５０には、例えば、診療情報ＤＢ１５１、診療支援モデルＤＢ１５２、支援情報ＤＢ１５３、表示情報１５４、プログラム、その他各種情報等が格納される。
ここで、診療支援モデルＤＢ１５２に格納される診療支援モデルは、例えば、教師データ群を用いて、機械学習、ディープラーニング、ＡＩ（Artificial Intelligence；人工知能）等によって学習された学習済みモデルである。教師データとは、例えば、診療情報に含まれる各項目に基づく入力データに対して正解の診療結果が対応付けられたデータである。例えば、診療支援モデルは、診療情情報に含まれる少なくとも一つの項目の情報を入力とし、所定の疾患となる確率（および／または所定の疾患とならない確率）を出力とするモデルである。所定の疾患には、例えば、心不全、肺がん、乳がん、ＣＯＶＩＤ－１９、糖尿病、脳梗塞等のうち少なくとも一つが含まれる。診療支援モデルＤＢ１５２は、疾患種別ごとの診療支援モデルが格納されていてもよく、複数に疾患に対応した診療支援モデルが格納されていてもよい。また、診療支援モデルは、例えば、同一の疾患に対応付けられたモデルであっても、診療目的や診療の程度によって、入力データや出力データの項目が調整されたモデルであってもよい。これにより、例えば、被検体の診療目的が定期健診である場合と、定期健診によって再検査となった場合の診療とで、違った支援情報（診断結果）を取得することができる。
また、診療支援モデルＤＢ１５２に格納される診療支援モデルには、識別モデルと生成モデルとが含まれてよい。識別モデルは、例えばクラス（グループ）の境界が学習されたモデルである。識別モデルは、例えば、教師あり学習によって、入力データから診療結果を分類するにあたって、正解の診療結果の属性（例えば、所定の疾患になる確率、ならない確率）等を組み合わせた目的関数（判別関数）が生成され、生成された関数等に基づいて未知のデータが所定の属性に分類される。生成モデルは、それぞれのクラスにおけるデータの分布が学習されたモデルである。生成モデルは、正解の診療結果に相当する情報を生成する確率分布を設定し、未知のデータからその確率分布に基づいて診療結果を生成する。
また、診療支援モデルＤＢ１５２に格納される診療支援モデルには、線形モデルと非線形モデルとが含まれてよい。線形モデルの場合には、直線（一次関数）や平面でデータが分類（識別）されたり、数値が予測（生成）される。非線形モデルの場合には、曲線や曲面を用いてデータが分類（識別）されたり、数値が予測（生成）される。
支援情報ＤＢ１５３には、支援情報導出機能１４２により導出された支援情報や、提供用支援情報生成機能１４４により生成された提供用支援情報（例えば、適合度付き支援情報）が格納される。また、支援情報ＤＢ１５３には、同一の被検体に対する過去の支援情報（履歴情報）が格納されてよい。また、支援情報ＤＢ１５３には、適合度導出機能１４３によって導出された適合度に関する情報が格納されてもよい。
次に、支援情報導出機能１４２の詳細について説明する。図２は、支援情報導出機能１４２について説明するための図である。図２に示す診断支援モデルは、診断支援モデルＤＢ１５２に格納されたモデルの一つであり、心不全の発症リスクを導出するためのモデルである。例えば、支援情報導出機能１４２は、診療情報ｘに含まれるモデルに対応した入力データ（ｘ１、ｘ２、…、ｘｎ）を、図２に示す診断支援モデルに入力し、心不全である確率ｙ１と心不全でない確率ｙ２を含む支援情報（ｙ＝［ｙ１，ｙ２］Ｔ）を導出する。また、支援情報導出機能１４２は、例えば、同一の被検体に対して異なる時間に取得された診療情報（時系列診療情報）を、診療支援モデルに入力して、支援情報（ｙ＝｛ｙｉ｝ｉ＝０ Ｎ（ｙｉ＝［ｙ１，ｙ２］Ｔ））を導出してもよい。また、支援情報導出機能１４２は、診断支援モデルＤＢ１５２に格納された他の疾患のリスクを導出するモデルを用いて、診療情報に対応付けられた被検体が他の疾患である確率（および／または他の疾患ではない確率）等を含む支援情報を導出してもよい。また、支援情報導出機能１４２は、診療情報ｘを入力とし、他の被検体（疾患患者）との症状の類似度を出力とするモデルを用いて、診療情報に対応付けられた被検体に対する支援情報を導出してもよい。
支援情報導出機能１４２は、例えば、予め入力インターフェース１２０により利用者から入力された設定情報に基づいて、診断支援モデルＤＢ１５２から使用する診断支援モデルを選択して支援情報を導出する。この場合、画像生成機能１４５は、診断支援モデルＤＢ１５２に格納された一または複数の診断支援モデルに関する情報を示す画像を生成して、表示制御機能１４６によりディスプレイ１３０に表示させる。利用者は、ディスプレイ１３０に表示された診断支援モデルのうち、入力インターフェース１２０により使用する診断支援モデルを入力する。これにより、支援情報導出機能１４２は、入力インターフェース１２０から入力された情報を設定情報として取得することができる。なお、利用者から診断支援モデルＤＢ１５２に格納されていない疾患を診断する診断支援モデルが指定された場合、支援情報導出機能１４２は、通信インターフェース１１０を介して外部装置から対応する診断支援モデルを取得してもよい。
また、支援情報導出機能１４２は、利用者からの設定情報に基づいて診断支援モデルを選択することに代えて（または加えて）、支援情報ｘに含まれる入力データ（入力項目）に基づいて、適合度導出機能１４３によって導出される適合度が閾値以上になると予測される診断支援モデルを選択して支援情報を導出してもよい。また、支援情報導出機能１４２は、診療目的や被検体情報、所見情報等に基づいて、診療支援モデルを選択してもよい。例えば、支援情報導出機能１４２は、被検体が女性である場合に、乳がんの発症リスクを導出するための診断支援モデルを用いて支援情報を導出したり、年齢に応じて発症する可能性が高い疾患に対応付けられた診断支援モデルを用いて支援情報を導出する。これにより、より適切なモデルを用いて効率よく支援情報を導出することができる。
支援情報導出機能１４２は、診断支援モデルを選択することに代えて（または加えて）、診療情報に含まれる項目から導出対象の疾患に対応付けられた診療支援モデルへの入力項目と選択してもよい。この場合、支援情報導出機能１４２は、予め入力インターフェース１２０により利用者から入力された設定情報に基づいて入力項目を選択してもよく、診療目的や被検体情報、所見情報等に基づいて入力項目を選択してもよい。これにより、導出したい疾患に対応する診療支援モデルに入力する項目を、利用者や診察の目的や用途に応じて調整することができる。
支援情報導出機能１４２は、導出された支援情報を、メモリ１５０の支援情報ＤＢ１５３に格納する。
次に、適合度導出機能１４３の詳細について説明する。例えば、適合度導出機能１４３は、支援情報導出機能１４２で使用された診療支援モデルの入力項目（入力要素）と、診療情報に含まれる項目（検査項目等）との適合度を導出する。適合度導出機能１４３は、例えば、診療支援モデルと、モデル学習時の目的関数(損失関数)に関する情報と、取得機能１４１により取得された診療情報とに基づいて、診療情報のモデルへの当てはまり具合(適合度)を導出する。例えば、適合度導出機能１４３は、診療情報に基づく特徴情報の一例である特徴ベクトルが単一である場合と複数である場合とで、診療情報モデルとの適合度の導出手法を異ならせる。特徴ベクトルとは、診療情報に含まれる項目の内容を特徴量とし、その特徴量をベクトル形式で表現したものである。特徴ベクトルは、例えばＮ次元ベクトル空間における１点として表される。Ｎ次元のそれぞれの軸は、例えば、所定の疾患に対応付けられた項目（例えば、検査項目や被検体の属性等）である。以下、特徴ベクトルが単一である場合と複数である場合のそれぞれについて説明する。
（特徴ベクトルが単一の場合）
図３は、診療情報の特徴ベクトルが単一の場合における診療支援モデルとの適合度の導出について説明するための図である。適合度導出機能１４３は、例えば、適合度を導出する対象の診療支援モデルが識別モデルである場合、支援情報における疑似的な分類ラベル（以下、「疑似的ラベル」と称する）を設定し、目的関数(例えば、分類の場合は、交差エントロピー誤差)と、支援情報と、疑似的ラベル（例えば、ｙ＝［１，０］Ｔ）とに基づいて、尤度（支援情報がどのくらい診断結果（正解の診断結果）に当てはまっているかを示す指標値）を導出する。そして、適合度導出機能１４３は、導出された尤度を０～１（または０％～１００％）に正規化したものを適合度として導出する。例えば、適合度導出機能１４３は、尤度が大きいほど適合度を大きくする。以降の説明においても同様とする。
また、適合度導出機能１４３は、診療支援モデルが線形の生成モデルである場合（線形モデルであり、且つ、生成モデルである場合）には、図３に示すように、ベクトル空間における診療情報の特徴ベクトルＦＶ１と、診療支援モデル(超平面Ｈ１)との距離(射影距離)Ｄ１を０～１（または０％～１００％）に正規化したものを適合度として導出する。例えば、適合度導出機能１４３は、距離Ｄ１が小さいほど適合度を大きくする。また、適合度導出機能１４３は、診療支援モデルが非線形の生成モデルである場合（非線形モデルであり、且つ、生成モデルの場合）には、特徴ベクトルに対応する診療情報を診療支援モデルに適用したときの上述した尤度を適合度として導出する。この場合の適合度は、０～１（または０％～１００％）に正規化される。
（特徴ベクトルが複数の場合）
図４は、診療情報の特徴ベクトルが複数の場合における診療支援モデルとの適合度の導出について説明するための図である。適合度導出機能１４３は、例えば、診療支援モデルが識別モデルである場合、支援情報の疑似的ラベル（例えば、ｙ＝［１，０］Ｔ）を設定し、設定したラベル用いて、目的関数(例えば、分類の場合は、交差エントロピー誤差)と、支援情報と、疑似的ラベルとに基づいて、尤度の統計量を導出する。統計量とは、例えば、平均値、最大値、または最小値である。そして、適合度導出機能１４３は、導出した尤度を０～１（または０％～１００％）に正規化したものを適合度として導出する。
また、適合度導出機能１４３は、診療支援モデルが線形の生成モデルである場合には、図４に示すように、例えば時間の異なる複数の診療情報から得られる複数の特徴ベクトル（図４の例ではＦＶ１～ＦＶ４）を近似する部分空間(超平面Ｈ２)と診療支援モデル(超平面Ｈ１)との距離Ｄ２を０～１（または０％～１００％）に正規化したものを適合度として導出する。例えば、適合度導出機能１４３は、距離Ｄ２が小さいほど適合度を大きくする。部分空間(超平面Ｈ２)と診療支援モデル(超平面Ｈ１)との距離とは、例えば、最短距離でもよく、最長距離でもよく、平均距離でもよい。また、適合度導出機能１４３は、例えば、超平面Ｈ２と超平面Ｈ１とがなす角(正準角)を０～１（または０％～１００％）に正規化したものを適合度として導出してもよい。例えば、適合度導出機能１４３は、正準角が小さいほど適合度を大きくする。
また、適合度導出機能１４３は、診療支援モデルが非線形の生成モデルである場合には、複数の特徴ベクトル（診療情報）を確率分布で近似し、診療支援モデルを表す確率分布との距離を適合度として導出する。確率分布の距離とは、例えば、ＫＬ（Kullback Leibler）ダイバージェンスや、αダイバージェンス、βダイバージェンスに基づく確率分布空間の距離である。また、適合度導出機能１４３は、導出した適合度を０～１（または０％～１００％）に正規化する。
次に、提供用支援情報生成機能１４４の詳細について説明する。提供用支援情報生成機能１４４は、例えば、支援情報導出機能１４２により、診療情報に対応付けられた被検体に一以上の疾患に関するリスクがある場合に、疾患種別（例えば、疾患名）ごとに、リスクに関する情報と適合度とを対応付けた提供用支援情報（適合度付き支援情報）を生成する。
図５は、提供用支援情報生成機能１４４により生成される提供用支援情報の内容の一例を示す図である。図５に示す提供用支援情報は、疾患名に、リスクと、適合度とが対応付けられた情報である。図５に示す提供用支援情報は、被検体ごとに生成されてよい。また、図５の例では、提供用支援情報が適合度の高い順にソートされているが、リスクの高い順にソートされていてもよい。また、提供用支援情報生成機能１４４は、リスクが閾値以上の提供用支援情報を生成してもよく、適合度が閾値以上の提供用支援情報を生成してもよい。提供用支援情報生成機能１４４は、生成された提供用支援情報を、メモリ１５０の支援情報ＤＢ１５３に格納する。
画像生成機能１４５は、提供用支援情報生成機能１４４により生成される提供用支援情報に基づいて、ディスプレイ１３０等に表示させて利用者に提供する画像を生成する。図６は、画像生成機能１４５により生成される画像ＩＭ１０の一例を示す図である。以下に説明する画像ＩＭ１０に表示される内容やレイアウト、色、デザイン等の表示態様についてはこれに限定されるものではなない。以降で説明する他の画像の説明についても同様とする。
図６に示す画像ＩＭ１０には、例えば、被検体情報表示領域Ａ１０と、第１支援情報表示領域Ａ１１と、第２支援情報表示領域Ａ１２とが含まれる。被検体情報表示領域Ａ１０には、診療情報に対応付けられた被検体情報が表示される。図６の例において、被検体情報表示領域Ａ１０には、被検体の識別情報である患者ＩＤと、被検体の年齢および性別が表示されている。第１支援情報表示領域Ａ１１には、例えば、提供用支援情報のうち、適合度が閾値以上の適合度付き支援情報（疾患名、リスク、適合度）が表示される。第２支援情報表示領域Ａ１２には、例えば、提供用支援情報のうち、適合度が閾値未満の適合度付き支援情報が表示される。
表示制御機能１４６は、画像生成機能１４５により表示された画像をディスプレイ１３０に表示させる。この場合、表示制御機能１４６は、第１支援情報表示領域Ａ１１に表示される情報と、第２支援情報表示領域Ａ１２に表示される情報の表示態様を異ならせて、それぞれの情報を識別可能に表示させてもよい。例えば、表示制御機能１４６は、第１支援情報表示領域Ａ１１に表示される情報を、第２支援情報表示領域Ａ１２に表示される情報よりも重要度（優先度）が高いことを利用者に把握させ易くするための表示を行う。例えば、表示制御機能１４６は、第２支援情報表示領域Ａ１２に表示される情報を、強調しない表示態様で表示させる。強調しない表示態様とは、例えば、文字または背景のグレー表示や、文字に対して所定の透過率で背景を透過させた表示等である。また、表示制御機能１４６は、第１支援情報表示領域Ａ１１に表示される情報を、第２支援情報表示領域Ａに表示される情報よりも強調して表示させてもよい。強調して表示させるとは、例えば、ハイライト表示や点滅表示、文字を赤色等の強調色で表示させることである。また、表示制御機能１４６は、第２支援情報表示領域Ａ１２の情報を非表示にし、適合度が閾値以上の適合度付き支援情報を示す画像を生成してもよい。これにより、より重要な支援情報を利用者に視認させ易くすることができる。なお、上述した表示態様のうち、どのような態様で表示させるかについては、それぞれの領域に表示される支援情報の数（例えば、疾患数）によって選択されてもよく、適合度の大きさやリスクの大きさ、疾患種別によって選択されてもよい。また、表示制御機能１４６は、入力インターフェース１２０により受け付けられた利用者からの設定情報に基づいて表示態様を選択してもよい。
（第１の変形例）
次に、提供用支援情報生成機能１４４によって生成される提供用支援情報の第１の変形例について説明する。第１の変形例において、提供用支援情報生成機能１４４は、対象の被検体の適合度付き支援情報に基づいて、他の被検体における過去の類似症例を検索し、検索結果を提供用支援情報として生成する。この場合、提供用支援情報生成機能１４４は、例えば、支援情報導出機能１４２および適合度導出機能１４３で用いられた所定の疾患に対応する診療支援モデルを過去の被検体の診療情報に適用して支援情報や適合度を導出し、その結果に基づいて、他の被検体の支援情報との類似度を導出する。
図７は、対象被検体が支援情報および適合度を導出したときの診療支援モデルと適合度との関係を示す図である。図７の例では、対象被検体（患者ＩＤ：００１）の適合度付き支援情報を生成した場合における支援情報導出機能１４２および適合度導出機能１４３で用いられたモデル（診療支援モデル）と、モデルごとの適合度との関係が示されている。提供用支援情報生成機能１４４は、例えば、図７に示す適合度付き支援情報のうち、適合度が閾値以上（例えば、８０％以上）のモデルを用いて、他の被検体との類似症例検索を行う。図７の例において、適合度が８０％以上である診療支援モデルに対応付けられた疾患は、「心不全」、「肺がん」、および「乳がん」である。したがって、提供用支援情報生成機能１４４は、診療支援モデルＤＢ１５２から心不全、肺がん、および乳がんの疾患の診療支援モデルを抽出し、抽出したモデルを用いて、診療情報ＤＢ１５１に記憶された他の被検体の診療情報を入力とした支援情報および適合度を支援情報導出機能１４２および適合度導出機能１４３により導出させる。そして、提供用支援情報生成機能１４４は、対象被検体の対象疾患ごとの適合度（心不全：９２％、肺がん：９１％、乳がん：８２％）と他の被検体の適合度との類似度を導出する。
図８は、類似度の導出結果の一例を示す図である。図８の例では、対象疾患（心不全、肺がん、乳がん）ごとに、他の被検体（患者）ごとの適合度と類似度とが示されている。図８に示す情報は、提供用支援情報の一例である。例えば、提供用支援情報生成機能１４４は、対象被検体（患者ＩＤ：００１）の心不全、肺がん、および乳がんの適合度と、他の被検体の心不全、肺がん、および乳がんの適合度とを比較し、適合度の誤差が少ないほど類似度が高くなるようにして、類似度を導出する。
また、提供用支援情報生成機能１４４は、上述の導出手法に代えて（または加えて）、対象被検体の診療情報の項目と、他の被検体の診療情報の項目とを比較して、誤差が少ないほど類似度が高くなるようにして、類似度を導出してもよい。この場合、提供用支援情報生成機能１４４は、診療情報に含まれる項目のうち、疾患ごとにモデルの入力となる項目に関して比較を行って類似度を導出する。例えば、心不全に対して類似度を導出する場合、提供用支援情報生成機能１４４は、診療情報に含まれる被検体の体重の変化や、息切れやだるさ、むくみの有無等の症状、心筋梗塞や狭心症、動脈硬化や高血圧、弁膜症、心筋症、不整脈、先天的な心臓の病気等の様々な疾患があるか否か等の合致度合に基づいて類似度を導出する。また、肺がんや乳がんに対する類似度を導出する場合、提供用支援情報生成機能１４４は、診療情報に含まれるがんの位置や大きさ、数、進行状況、治療方法、年齢等の項目に対して類似度を導出する。提供用支援情報生成機能１４４は、予め疾患ごとに決められた項目に対して類似度を導出してもよく、入力インターフェース１２０により利用者から入力された項目に基づいて類似度を導出してもよい。また、一または複数の疾患に対して共通の項目に基づいて類似度を導出してもよい。
提供用支援情報生成機能１４４は、類似度が導出された場合、類似度が閾値以上の他の被検体の支援情報（提供用支援情報）や診療情報を含む類似症例結果として提供用支援情報を生成する。画像生成機能１４５は、生成された提供用支援情報を含む画像を生成し、生成した画像を表示制御機能１４６によりディスプレイ１３０等に表示させる。
図９は、類似症例結果を示す画像ＩＭ２０の一例を示す図である。画像ＩＭ２０には、例えば、被検体情報表示領域Ａ２０と、検索項目表示領域Ａ２１と、検索結果表示領域Ａ２２とが含まれる。被検体情報表示領域Ａ２０には、被検体を識別する識別情報が表示される。図９の例において、被検体情報表示領域Ａ２０には、対象被検体の患者ＩＤと、年齢と、性別が表示されている。
検索項目表示領域Ａ２１には、類似症例検索で用いられた検索項目が表示される。具体的には、検索項目表示領域Ａ２１には、対象被検体の適合度が閾値以上である疾患（診療支援マスタ）の内容が表示される。検索結果表示領域Ａ２２には、類似症例検索結果として、心不全、肺がん、および乳がんにおいて、類似度が所定値以上である他の被検体の類似症例と類似度とが表示される。図９の例において、検索結果表示領域Ａ２２には、患者ＩＤが００２、００５、００９のそれぞれの患者が、心不全、肺がん、乳がんの疾患があることと、それぞれの疾患に対する対象被検体（支援情報、診療情報）との類似度が表示されている。
また、図９の例では、類似症例の検索項目に含まれる疾患の全ての類似度を総合的に評価して類似度の高い（例えば、対象患者の疾患ごとの適合度の誤差が小さい）情報を類似度が高い情報として表示しているが、表示内容については、これに限定されるものではない。例えば、画像生成機能１４５および表示制御機能１４６は、適合度を示す画像を生成して表示させてもよく、疾患別に類似度の高い順の検索結果示す画像を生成して表示させてもよい。また、画像生成機能１４５および表示制御機能１４６は、類似度の高さに関係なく、類似症例検索を行った結果の全てを表示させる画像を生成して表示させてもよい。
上述した第１の変形例によれば、利用者に対して、対象被検体との類似度が高い症例を持つ他の被検体の診療情報等を参考にして対象被検体の疾患を推定させたり、その後の治療方針や診察項目等を決定させ易くすることができる。
（第２の変形例）
次に、提供用支援情報生成機能１４４によって生成される提供用支援情報の第２の変形例について説明する。例えば、診療支援モデルが特定の疾患ではなく、広範囲の疾患や多様な被検体を学習している場合には、どの被検体に対しても適合度が高くなったり、対象被検体の診療情報等によっては過去の被検体との比較ができず、適合度が低くなる可能性がある。そこで、第２の変形例として、提供用支援情報生成機能１４４は、対象被検体で実施されていない検査を表すデータを診療情報に追加したときの適合度を導出し、導出結果に基づいて、どの検査を追加すれば適合度が高くなるかを示す情報（例えば、適合度が高くなると推定される追加検査項目）を提供用支援情報として生成する。
例えば、提供用支援情報生成機能１４４は、現在の診療情報をｘ、追加検査項目をｚ、適合度をｑとして追加検査項目を含めることで、適合度ｉが閾値よりも高くなると予測される追加検査項目を抽出する。例えば、提供用支援情報生成機能１４４は、「適合度ｉ＝ａｒｇｍａｘｉ（ｑ（ｘ＋ｚｉ））」として、適合度が高くなると予測される追加検査項目ｚを抽出する。例えば、提供用支援情報生成機能１４４は、過去の診察情報と支援情報（提供用支援情報）とに基づいて、診察情報に含まれる診療支援モデルへの入力データ（検査項目）の違いによって、どのようにリスクや適合度が異なるかを導出する。
図１０は、追加検査項目と、追加したときのリスクおよび適合度の予測値との関係の一例を示す図である。図１０の例では、疾患が「心不全」である場合での追加検査項目ごとに、疾患リスクと適合度とが対応付けられている。なお、図１０では、追加検査項目がない場合（ｚｉがない場合）のリスクおよび適合度も含まれている。リスクや適合度は、特定値ではなく、特定範囲であってもよい。図１０の例では、追加検査項目として、ＣＴＲ（Cardio Thoracic Ratio；心胸比）、ＮＴ－ｐｒｏＢＮＰ（ヒト脳性ナトリウム利尿ペプチド前駆体Ｎ端フラグメント）、ＥＦ（Ejection Fraction；心室の駆出率）等が示され、それぞれを追加した場合のリスクと適合度の予測値が示されている。提供用支援情報生成機能１４４は、心不全以外の疾患についても同様に追加検査項目に対するリスクおよび適合度を予測した支援情報を生成する。
提供用支援情報生成機能１４４は、図１０に示すような支援情報を生成し、生成した支援情報のうち、適合度が閾値以上となる追加検査項目に関する情報を含む画像を画像生成機能１４５に生成させ、生成させた画像を表示制御機能１４６に所定の表示態様で表示させる。
図１１は、適合度が高くなると予測される追加検査項目に関する情報を含む画像ＩＭ３０の一例を示す図である。図１１に示す画像ＩＭ３０には、例えば、被検体情報表示領域Ａ３０と、支援情報表示領域Ａ３１とが含まれる。被検体情報表示領域Ａ３０には、被検体を識別する識別情報が表示される。図１１の例において、被検体情報表示領域Ａ３０には、被検体の識別情報である患者ＩＤと、被検体の年齢および性別が表示されている。
支援情報表示領域Ａ３１には、所定の疾患名（例えば、心不全）に対して、現在の検査項目に基づく疾患リスクおよび適合度と、適合度が閾値以上（または適合度が最大）の追加検査項目が追加された場合に想定される疾患リスクおよび適合度の予測値とが示されている。ここでの閾値とは、例えば、現在の検査項目に基づく適合度以上の値である。これにより、追加検査項目を追加することで、支援情報の適合度をより高くすることができる。
上述した第２の変形例によれば、対象被検体に対してどのような診療情報（検査項目）を追加すべきかを利用者に判断させ易くすることができる。また、追加検査項目を追加することで、支援情報の適合度を高くすることができるため、例えば、疾患が未確定または未知の被検体に対するより適切な支援情報を利用者に提供することができる。したがって、利用者が、より適切に被検体を診断することを支援することができる。
ここで、従来手法と実施形態による手法における支援情報の違いの一例について説明する。図１２は、被検体に対する疾患の判定内容について説明するための図である。図１２の例では、血圧、ＣＴＲ、ＢＮＰ（Brain Natriuretic Peptide）を三次元のそれぞれの軸としたベクトル空間における異なる二つの被検体の特徴ベクトルの点ＦＰ１、ＦＰ２と、心不全に対応する非線形モデル（曲面の診療支援モデル）との位置関係が示されている。例えば、特徴ベクトルからモデル曲面までの最短距離に基づいてリスクが判定される場合であて、特徴ベクトルの点ＦＰ１および点ＦＰ２のそれぞれから曲面の最短地点Ｐ１までの距離が同じであるとする。ここで、点ＦＰ１ではＣＴＲが正常であり心不全となるリスクが低く、点ＦＰ２ではＣＴＲが異常であり心不全となるリスクが高い。ここで、従来手法では、適合度まで考慮されていないため、単に最短距離に基づいてリスクが判定されるため、同一のリスク判定結果となってしまう。
そこで、上述した実施形態に示すように、対象被検体の診療情報と診療支援モデルとの適合度も導出することで、二つの被検体の特徴ベクトルに対する適合度に違いが生じるため（点ＦＰ２の方が点ＦＰ１よりも適合度が高くなるため）、より正確に被検体のリスクを導出することがきる。そして、実施形態によれば、適合度を付加した支援情報を提供用支援情報として提供することで、より適切に利用者に被検体の症状を判断させることができる。
図１３は、実施形態に係る医用情報処理装置１００が実行する処理の一例を示すフローチャートである。図１３の例において、取得機能１４１は、外部装置または診療情報ＤＢ１５１等から診療情報を取得する（ステップＳ１００）。また、取得機能１４１は、外部装置または診断支援モデルＤＢ１５２から診療支援モデルを取得する（ステップＳ１１０）。
次に、支援情報導出機能１４２は、所定の診療に関する支援情報を導出する（ステップＳ１２０）。次に、適合度導出機能１４３は、診療情報と診療支援モデルとの適合度を算出する（ステップＳ１３０）。なお、ステップＳ１２０の処理とステップＳ１３０の処理は、逆の順序で実行されてよい。次に、提供用支援情報生成機能１４４は、支援情報導出機能１４２により導出された支援情報に、適合度導出機能１４３により算出された適合度を付加した提供用支援情報（適合度付き支援情報）を生成する（ステップＳ１４０）。
次に、画像生成機能１４５は、提供用支援情報を含む画像を生成する（ステップＳ１５０）。次に、表示制御機能１４６は、生成された画像を所定の表示態様でディスプレイ１３０に表示させる（ステップＳ１６０）。これにより、本フローチャートの処理は終了する。
以上説明したように、実施形態によれば、医用情報処理装置１００は、処理回路１４０が被検体に関する診療情報と所定の診療支援モデルとを取得する。また、処理回路１４０は、診療情報を所定の診療支援モデルに入力して所定の診療に関する支援情報を導出する。また、処理回路１４０は、診療情報と所定の診療支援モデルとに基づいて、診療情報と所定の診療支援モデルとの適合度を導出する。また、処理回路１４０は、支援情報と適合度とを対応付けてディスプレイ１３０に表示させる。この結果、被検体を診療する利用者に対して、より適切な支援情報を提供することができる。
また、実施形態によれば、例えば、診療支援モデルによって、特定の疾患や診療科の診療情報を、別の専門の診療科や総合診療の医師が利用することができるため、判断が困難な疾患を、早期に発見することができる。また、実施形態によれば、疾患が未確定または未知の被検体であっても、より適切な支援情報を提供することができる。
また、実施形態によれば、対象被検体とモデルとの適合度を考慮した支援情報(リスクや類似症例)を、利用者に把握させることができる。例えば、対象被検体の診療情報（特徴ベクトル）とモデルの距離または尤度を適合度として導出し、適合度に基づいて支援情報を表示する。例えば、疾患リスクの場合には、適合度が高い支援情報のみを表示することで、利用者に適合度を把握させ、その適合度によって支援情報を活用するか否かを、より適切に判断させることができる。また、類似症例検索の場合には、対象被検体と他の被検体のそれぞれにおいて適合度を導出し、適合度と類似度に基づいて類似症例を検索することで、より類似性の高い症例を検索することができる。また、実施形態によれば、適合度が高くなる追加検査項目を予測し、予測した追加検査項目を利用者に提示することで、利用者に適切な診察をさせ易くすることができる。
上記説明したいずれかの実施形態は、以下のように表現することができる。
プログラムを格納するストレージと、
プロセッサと、を備え、
前記プロセッサは、前記プログラムを実行することにより、
被検体に関する診療情報と所定の診療支援モデルとを取得し、
前記診療情報を前記所定の診療支援モデルに入力して所定の診療に関する支援情報を導出し、
前記診療情報と前記所定の診療支援モデルとに基づいて、前記診療情報と前記所定の診療支援モデルとの適合度を導出し、
前記支援情報と前記適合度とを対応付けて表示させる、
ように構成されている、医用情報処理装置。
いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
１００…医用情報処理装置、１１０…通信インターフェース、１２０…入力インターフェース、１３０…ディスプレイ、１４０…処理回路、１４１…取得機能、１４２…支援情報導出機能、１４３…適合度導出機能、１４４…提供用支援情報生成機能、１４５…画像生成機能、１４６…表示制御機能、１５０…メモリ

Claims (13)

  1. 被検体に関する診療情報と所定の診療支援モデルとを取得する取得部と、
    前記診療情報を前記所定の診療支援モデルに入力して所定の診療に関する支援情報を導出する支援情報導出部と、
    前記診療情報と前記所定の診療支援モデルとに基づいて、前記診療情報と前記所定の診療支援モデルとの適合度を導出する適合度導出部と、
    前記支援情報と前記適合度とを対応付けて表示させる表示制御部と、
    を備える、医用情報処理装置。
  2. 前記支援情報導出部は、複数の診療支援モデルのうち、前記診療情報に含まれる項目に基づいて診療支援モデルを選択し、選択した診療支援モデルに前記診療情報を入力して前記支援情報を導出する、
    請求項１に記載の医用情報処理装置。
  3. 支援情報導出機能１４２は、診療情報に含まれる項目から導出対象の疾患に対応付けられた診療支援モデルへの入力項目と選択し、選択した入力項目の情報を前記診療支援モデルに入力して前記支援情報を導出する、
    請求項１または２に記載の医用情報処理装置。
  4. 前記適合度導出部は、ベクトル空間における前記被検体の診療情報に基づく特徴ベクトルと、前記ベクトル空間における診療支援モデルとの距離または尤度に基づいて前記適合度を導出する、
    請求項１から３のうち何れか１項に記載の医用情報処理装置。
  5. 前記適合度導出部は、前記診療支援モデルが識別モデルである場合、前記診療支援モデルに対応する目的関数と、前記支援情報と、前記支援情報における疑似的な分類ラベルとに基づいて、前記支援情報の尤度を導出し、導出した尤度に基づいて前記適合度を導出する、
    請求項４に記載の医用情報処理装置。
  6. 前記適合度導出部は、前記特徴ベクトルが単一であり、
    前記診療支援モデルが線形の生成モデルである場合、前記特徴ベクトルと前記診療支援モデルとの距離に基づいて前記適合度を導出し、
    前記診療支援モデルが非線形の生成モデルである場合、前記特徴ベクトルに対応する前記診療情報を前記診療支援モデルに適用したときの尤度に基づいて前記適合度を導出する、
    請求項４または５に記載の医用情報処理装置。
  7. 前記適合度導出部は、前記特徴ベクトルが複数であり、
    前記診療支援モデルが線形の生成モデルである場合、複数の前記特徴ベクトルに基づく部分空間と前記診療支援モデルとの距離に基づいて前記適合度を導出し、
    前記診療支援モデルが非線形の生成モデルである場合、複数の前記特徴ベクトルに対する確率分布を生成し、生成した確率分布と前記診療支援モデルに対応する確率分布とにおける確率分布空間の距離に基づいて前記適合度を導出する、
    請求項４から６のうち何れか１項に記載の医用情報処理装置。
  8. 前記表示制御部によってディスプレイに表示させる画像を生成する画像生成部を更に備え、
    前記画像生成部は、前記適合度導出部により導出された適合度が閾値以上の支援情報を示す画像を生成する、
    請求項１から７のうち何れか１項に記載の医用情報処理装置。
  9. 前記表示制御部は、前記適合度が前記閾値以上の支援情報と、前記閾値未満の支援情報とを識別可能に表示させる、
    請求項８に記載の医用情報処理装置。
  10. 前記表示制御部は、前記被検体の支援情報と他の被検体の支援情報との類似度が閾値以上の前記他の被検体の支援情報を表示させる、
    請求項１から９のうち何れか１項に記載の医用情報処理装置。
  11. 前記表示制御部は、前記適合度が高くなると予測される前記診療情報に含まれていない追加検査項目に関する情報を表示させる、
    請求項１から１０のうち何れか１項に記載の医用情報処理装置。
  12. 医用情報処理装置のコンピュータが、
    被検体に関する診療情報と所定の診療支援モデルとを取得し、
    前記診療情報を前記所定の診療支援モデルに入力して所定の診療に関する支援情報を導出し、
    前記診療情報と前記所定の診療支援モデルとに基づいて、前記診療情報と前記所定の診療支援モデルとの適合度を導出し、
    前記支援情報と前記適合度とを対応付けて表示させる、
    医用情報処理方法。
  13. 医用情報処理装置のコンピュータに、
    被検体に関する診療情報と所定の診療支援モデルとを取得させ、
    前記診療情報を前記所定の診療支援モデルに入力して所定の診療に関する支援情報を導出させ、
    前記診療情報と前記所定の診療支援モデルとに基づいて、前記診療情報と前記所定の診療支援モデルとの適合度を導出させ、
    前記支援情報と前記適合度とを対応付けて表示させる、
    プログラム。
JP2021138908A 2021-08-27 2021-08-27 医用情報処理装置、医用情報処理方法、およびプログラム Pending JP2023032648A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021138908A JP2023032648A (ja) 2021-08-27 2021-08-27 医用情報処理装置、医用情報処理方法、およびプログラム
US17/820,610 US20230067142A1 (en) 2021-08-27 2022-08-18 Medical information processing device, medical information processing method, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021138908A JP2023032648A (ja) 2021-08-27 2021-08-27 医用情報処理装置、医用情報処理方法、およびプログラム

Publications (1)

Publication Number Publication Date
JP2023032648A true JP2023032648A (ja) 2023-03-09

Family

ID=85288150

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021138908A Pending JP2023032648A (ja) 2021-08-27 2021-08-27 医用情報処理装置、医用情報処理方法、およびプログラム

Country Status (2)

Country Link
US (1) US20230067142A1 (ja)
JP (1) JP2023032648A (ja)

Also Published As

Publication number Publication date
US20230067142A1 (en) 2023-03-02

Similar Documents

Publication Publication Date Title
Gonzalez et al. Disease staging and prognosis in smokers using deep learning in chest computed tomography
Rajpurkar et al. Mura: Large dataset for abnormality detection in musculoskeletal radiographs
US9317918B2 (en) Apparatus, method, and computer program product for medical diagnostic imaging assistance
CN109074869B (zh) 医疗诊断支持装置、信息处理方法以及医疗诊断支持系统
Rajpurkar et al. Mura dataset: Towards radiologist-level abnormality detection in musculoskeletal radiographs
US12027267B2 (en) Information processing apparatus, information processing system, information processing method, and non-transitory computer-readable storage medium for computer-aided diagnosis
JP6975253B2 (ja) エンティティ間のコンテキスト的類似度の学習及び適用
WO2019073940A1 (ja) 診断支援装置、情報処理方法、診断支援システム及びプログラム
US20220367049A1 (en) Systems for Detecting and Identifying Coincident Conditions
Kanikar et al. Prediction of cardiovascular diseases using support vector machine and Bayesien classification
Zreik et al. Combined analysis of coronary arteries and the left ventricular myocardium in cardiac CT angiography for detection of patients with functionally significant stenosis
JP2022059448A (ja) 診療支援システム
Deriba et al. Artificial intelligence assisted decision making in predicting COVID-19 patient’s path
Prodhan et al. Combination of the features of pre-trained Xception and VGG16 models to identify childhood pneumonia from chest X-ray images
WO2023073092A1 (en) Managing a model trained using a machine learning process
JP2023032648A (ja) 医用情報処理装置、医用情報処理方法、およびプログラム
JP7178910B2 (ja) 情報処理装置、医用画像処理装置、およびプログラム
Nawaz et al. Ensemble of Autoencoders for Anomaly Detection in Biomedical Data: A Narrative Review
Ogungbe et al. Design and Implementation of Diagnosis System for Cardiomegaly from Clinical Chest X-ray Reports
Rudnicka et al. Advancements in artificial intelligence-driven techniques for interventional cardiology
Duffy et al. Deep Learning Discovery of Demographic Biomarkers in Echocardiography
Avram et al. Evaluation of Stenoses Using AI Video Models Applied to Coronary Angiographies
Au-Yeung et al. State of the art in artificial intelligence and machine learning techniques for improving patient outcomes pertaining to the cardiovascular and respiratory systems
EP4280224A1 (en) A computer-implemented method of determining a myocardial infarct risk information and for providing a trained risk determination function, a risk determination system and computer program
WO2022091868A1 (ja) 情報処理装置、情報表示装置、情報処理方法、情報処理システム及びプログラム