JP2023527136A - 診断結果を提供するための方法及び装置（ｍｅｔｈｏｄ ａｎｄ ａｐｐａｒａｔｕｓ ｆｏｒ ｐｒｏｖｉｄｉｎｇ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔ） - Google Patents

Abstract

本開示の一実施例に基づき、コンピューティング装置の１つ以上のプロセッサーにより実行される、医療データに対する診断関連情報を提供するための方法が開示される。上記方法は：上記医療データに基づき、診断情報を出力するように学習された第１診断ネットワークを利用し、入力された医療データに対して第１診断情報を演算する段階；上記第１診断ネットワークにおいて演算された上記医療データに関する特徴ベクトルに基づき、診断情報を出力するように学習された第２診断ネットワークを利用して、上記入力された医療データに対して第２診断情報を演算する段階；及び上記第１診断ネットワークの演算過程又は第２診断ネットワークの演算過程の一部分に基づき、上記入力された医療データに対して演算された上記第１診断情報及び第２診断情報を含む相関関係情報を生成する段階を含むことが可能である。

Description

本発明は、診断結果を提供するための方法に係り、より具体的には、医療データに対する、診断関連情報と診断情報との相関関係を提供する方法に関する。

人工ニューラルネットワークは、速い処理速度と大きな保存空間を利用し、入力データから出力データを抽出する方法を学習したうえで、新しい入力データに対し、上記学習した方法を適用し、出力データを導出する。ただし、人工ニューラルネットワークは、まるでブラックボックスのようで、ユーザーは、人工ニューラルネットワークが、入力データからどのようにして出力に至るかを詳しく知ることができないという問題点が当業界において存在していた。つまり、中間過程の詳細を知ることができず、人間が判断するには曖昧な問題について、人工ニューラルネットワークが答えを導出した場合、人工ニューラルネットワークに誤りがあった可能性も無視できないため、その答えを信頼すべきか否かの判断が難しくなる。このような問題は、医療及び法律分野のように、人工ニューラルネットワークが導出した結果が、ユーザーに大きな影響を及ぼす場合、さらに浮き彫りになる。したがって、当業界において、入力に対する出力の解釈が可能な、つまり透明性（ｔｒａｎｓｐａｒｅｎｃｙ）の高い結果を提供する方法又は装置が求められてきた。韓国登録特許「ＫＲ １０－２０１８－０１２３１９８」は、子宮頸部 に対する自動解析及び臨床意思決定支援システムに基づく遠隔子宮頸がん検診システムを開示し、ディープラーニングに基づく、自動解析アルゴリズムが、子宮頸がんに関するデータを解析し、その解析結果についてレビューを行うか否かを判断する内容を開示している。

本開示は、前述の背景技術に対応して案出されたものであり、医療データに対する診断関連情報と診断情報との相関関係を提供することを目的とする。

前述の課題を実現するための本開示の一実施例に基づき、コンピューティング装置の１つ以上のプロセッサーにより実行される、医療データに対する診断関連情報を提供するための方法が開示される。上記方法は：上記医療データに基づき、診断情報を出力するように学習された第１診断ネットワークを利用し、入力された医療データに対して第１診断情報を演算する段階；上記第１診断ネットワークにおいて演算された上記医療データに関する特徴ベクトルに基づき、診断情報を出力するように学習された、第２診断ネットワークを利用し、上記入力された医療データに対して第２診断情報を演算し、上記特徴ベクトルは、上記第１診断ネットワークの演算過程において導出された特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）に基づき演算される段階；及び上記第１診断ネットワークの演算過程又は第２診断ネットワークの演算過程の一部分に基づき、上記入力された医療データに対して演算された上記第１診断情報及び第２診断情報を含む相関関係情報を生成する段階を含むことが可能である。

代替の実施例において、プロセッサーが、上記第１診断ネットワークを利用し、入力された医療データに対し第１診断情報を演算する段階は、上記第１診断ネットワークにおいて上記入力された医療データに関する特徴ベクトルを演算する段階；及び上記入力された医療データに関する特徴ベクトルに基づき、上記第１診断情報を演算する段階をさらに含むことが可能である。

代替の実施例において、上記特徴ベクトルを、上記第１診断ネットワークの演算過程において導出された特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）にグローバル・プーリング（Ｇｌｏｂａｌ Ｐｏｏｌｉｎｇ）を実行し得られた結果に基づき演算することが可能である。

代替の実施例において、上記第１診断ネットワークは、複数の異なる種類の所見を含む第１診断情報を演算する相異なる２つ以上のサブ第１診断ネットワークを含むことが可能である。

代替の実施例において、上記相関関係情報は、上記第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の寄与度を含むことが可能である。

代替の実施例において、上記第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の寄与度を、上記第１診断ネットワークで演算された上記入力された医療データに関する特徴ベクトル、上記第１診断ネットワークに含まれている最終分類関数のパラメータ又は上記第２診断ネットワークに含まれている最終分類関数のパラメータのうち、少なくとも１つに基づき算出することが可能である。

代替の実施例において、上記第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の寄与度を、第１部分寄与度と第２部分寄与度とのうち、少なくとも１つに基づき算出することが可能である。

代替の実施例において、上記第１部分寄与度は、上記第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている全体所見のオッズ（ｏｄｄｓ）に基づくものになり得る。

代替の実施例において、上記第２部分寄与度は、上記第２診断情報に含まれている少なくとも１つの疾病に対する上記第１診断情報に含まれている１つ以上の所見の仮想オッズ（ｃｏｕｎｔｅｒｆａｃｔｕａｌ－ｏｄｄｓ）に基づくものであるが、上記仮想オッズは；上記第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見が必ず存在する状況の確率に基づくオッズ；上記第２診断情報に含まれている少なくとも１つの疾病に対する上記第１診断情報に含まれている１つ以上の所見が絶対に存在しない状況の確率に基づくオッズ；及び上記第２診断情報に含まれている１つの疾病に対する上記第１診断情報に含まれている１つ以上の所見の、予め決められた存在確率に基づくオッズ；のうち、少なくとも１つを含むことが可能である。

代替の実施例において、上記相関関係を生成する段階は、クラス活性化マップ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）に少なくとも一部基づき、上記第１診断情報を上記入力された医療データに表示する段階を含むことが可能である。

代替の実施例において、上記相関関係情報を生成する段階は、上記入力された医療データに関する特徴ベクトルと、上記第１診断ネットワークに含まれている最終分類関数のパラメータと、上記第２診断ネットワークに含まれている最終分類関数のパラメータとのうち、少なくともいずれか１つに基づき、クラス活性化マップ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）を生成する段階；及び上記クラス活性化マップに基づき、上記第１診断情報を上記入力された医療データに表示する段階を含むことが可能である。

前述のような課題を解決するための本開示の一実施例に基づき、コンピューター可読保存媒体に保存されたコンピュータープログラムが開示される。上記コンピュータープログラムは、１つ以上のプロセッサーにおいて実行される場合、医療データに 対する診断に関する情報を提供するための以下の動作を実行するようにし、上記動作は；上記医療データに基づき、診断情報を出力するように学習された第１診断ネットワークを利用し、入力された医療データに対して第１診断情報を演算する動作；上記第１診断ネットワークにおいて演算された上記医療データに関する特徴ベクトルに基づき、診断情報を出力するように学習された第２診断ネットワークを利用し、上記入力された医療データに対して第２診断情報を演算し、上記特徴ベクトルは、上記第１診断ネットワークの演算過程において導出された特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）に基づき演算する動作；及び上記第１診断ネットワークの演算過程又は第２診断ネットワークの演算過程の一部分に基づき、上記入力された医療データに対して演算された上記第１診断情報及び第２診断情報を含む相関関係情報を生成する動作を含むことが可能である。

前述の課題を実現するための本開示の一実施例に基づき、医療データに対する診断関連情報を提供するための装置が開示される。上記装置は、プロセッサー；及び少なくとも１つのネットワーク関数が保存されるメモリーを含み、上記メモリーは、上記プロセッサーが医療データに基づき、診断情報を出力するように学習された第１診断ネットワークを利用し、入力された医療データに対して第１診断情報を演算し、上記第１診断ネットワークにおいて演算された上記医療データに関する特徴ベクトルに基づき診断情報を出力するように学習された第２診断ネットワークを利用し、上記入力された医療データに対して第２診断情報を演算し、上記特徴ベクトルは、上記第１診断ネットワークの演算過程において導出された特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）に基づき演算され、さらに上記第１診断ネットワークの演算過程又は第２診断ネットワークの演算過程の一部分に基づき、上記入力された医療データに対して演算された上記第１診断情報及び第２診断情報を含む相関関係情報を生成するための少なくとも１つのコンピューターで実行可能な命令を保存することが可能である。

前述のような課題を実行するための本開示の一実施例に基づき、コンピューター可読保存媒体に保存されたコンピュータープログラムが開示される。上記コンピュータープログラムは、ユーザー端末に含まれている１つ以上のプロセッサーにおいて実行される場合、医療データに対する診断関連情報を表示するユーザーインターフェース（ＵＩ）を提供し、上記ユーザーインターフェースは；入力された医療データに対する第１診断情報及び上記入力された医療データに対する第２診断情報を含む相関関係情報を含み、さらに、上記相関関係情報は、第１診断ネットワークを利用した第１診断情報の演算過程及び第２診断ネットワークを利用した第２診断情報の演算過程の一部分に基づき、ユーザー端末又はサーバーにおいて生成されることが可能である。

代替の実施例において、上記相関関係情報は、上記第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の寄与度を含むオッズ比マトリックス（ｏｄｄｓ ｒａｔｉｏ ｍａｔｒｉｘ）を含むことが可能である。

本開示は、医療データに対する、診断関連情報と診断情報との相関関係を提供することが可能である。

図１は、本開示の一実施例において、医療データに対する診断関連情報を提供するためのコンピューティング装置のブロック構成図である。 図２は、本開示の一実施例において、医療データに対する診断関連情報を提供するために用いられるネットワーク関数を示す概略図である。 図３は、医療データに対する診断関連情報を提供する本開示の一実施例において、入力された医療データから第１診断情報及び第２診断情報を出力するための全体モデルの学習プロセスに係るフローチャートである。 図４は、医療データに対する診断関連情報を提供するための本開示の一実施例において、第２診断ネットワークを学習するためのフローチャートである。 図５は、医療データに対する診断関連情報を提供するための本開示の一実施例において、入力された医療データに対する第１診断情報及び第２診断情報を含む相関関係情報を視覚化した一例示図である。 図６は、医療データに対する診断関連情報を提供するため本開示の一実施例において、入力された医療データに対する第１診断情報及び第２診断情報を含む相関関係情報を表示するユーザーインターフェースに係る例示図である。 図７は、本開示の実施例を具現化できる例示的なコンピューティング環境に係る簡略かつ一般的な概略図である。

多様な実施例が以下に図面を参照しながら説明されるが、図面を通して類似の図面番号は類似の構成要素を表すために使われる。本明細書において多様な説明が本開示に対する理解を容易にするために示される。しかし、これらの実施例がこれらの具体的な説明がなくても間違いなく実施されることができる。

本明細書において、「コンポーネント」、「モジュール」、「システム」等の用語は、コンピューター関連エンティティ、ハードウェア、ファームウェア、ソフトウェア、ソフトウェアとハードウェアとの組み合わせ、またはソフトウェアの実行を指す。例えば、コンポーネントは、プロセッサー上で実行される処理手順（ｐｒｏｃｅｄｕｒｅ）、プロセッサー、オブジェクト、実行スレッド、プログラム、及び／またはコンピューターになり得るが、これらに限定されるものではない。例えば、コンピューティング装置で実行されるアプリケーションとコンピューティング装置は、両方ともコンポーネントになり得る。１つ以上のコンポーネントは、プロセッサー及び／または実行スレッドの中に常駐することができ、１つのコンポーネントは１つのコンピューターの中でローカル化されることができ、または２つ以上のコンピューターに配分されることもできる。また、このようなコンポーネントは、その内部に保存されている多様なデータ構造を持つ、多様なコンピューター可読媒体から実行することができる。コンポーネントは、例えば１つ以上のデータパケットを持つ信号（例えば、ローカルシステム、分散システムにおいて他のコンポーネントと相互作用する１つのコンポーネントからのデータ及び／または信号を通じて、他のシステムと、インターネットのようなネットワークを介して伝送されるデータ）によってローカル及び／または遠隔処理等を通じて通信することができる。

用語「または」は、排他的な「または」ではなく、内包的な「または」を意味する意図で使われる。つまり、特に特定されておらず、文脈上明確ではない場合、「ＸはＡまたはＢを利用する」は、自然な内包的置換のうち１つを意味するものとする。つまり、ＸがＡを利用したり；ＸがＢを利用したり；またはＸがＡ及びＢの両方を利用する場合、「ＸはＡまたはＢを利用する」は、これらのいずれにも当てはまるとすることができる。また、本明細書における「及び／または」という用語は、取り挙げられた関連アイテムのうち、１つ以上のアイテムの可能なすべての組み合わせを指し、含むものと理解されるべきである。

また、述語としての「含む（含める）」及び／または修飾語として「含む（含める）」という用語は、当該特徴及び／または構成要素が存在することを意味するものと理解されるべきである。ただし、述語としての「含む（含める）」及び／または修飾語として「含む（含める）」という用語は、１つ以上の他のさらなる特徴、構成要素及び／またはこれらのグループが存在すること、または追加されることを排除しないものと理解されるべきである。また、特に数が特定されていない場合や、単数の形を示すことが文脈上明確でない場合、本明細書と請求範囲において単数は、一般的に「１つまたはそれ以上」を意味するものと解釈されるべきである。

そして、「Ａ又はＢのうち少なくとも１つ」という用語については、「Ａだけを含む場合」、「Ｂだけを含む場合」、「ＡとＢの組み合わせの場合」を意味するものと解釈されたい。

当業者は、さらに、ここに開示される実施例に係るものとして説明された多様な例示的論理的ブロック、構成、モジュール、回路、手段、ロジック及びアルゴリズム段階が、電子ハードウェア、コンピューターソフトウェア、またはその両方の組み合わせによって実現されることができることを認識すべきである。ハードウェアとソフトウェアとの相互交換性を明確に例示するために、多様な例示的コンポーネント、ブロック、構成、手段、ロジック、モジュール、回路及び段階が、それらの機能性の側面で一般的に上述された。そのような機能性がハードウェアとして実装されるか或いはソフトウェアとして実装されるかは、全般的なシステムに係る特定のアプリケーション（ａｐｐｌｉｃａｔｉｏｎ）及び設計制限によって決まる。熟練した技術者は、個々の特定アプリケーションのために多様な方法で説明された機能性を実現できる。ただし、そのような実現に係る決定が本開示内容の領域を逸脱するものと解釈されてはならない。

ここに示す実施例に係る説明は、本開示の技術分野において通常の知識を持つ者が本発明を利用したりまたは実施できるように提供される。このような実施例に対する多様な変形は、本開示の技術分野において通常の知識を持つ者にとっては明確であり、ここに定義された一般的な原理は、本開示の範囲を逸脱することなく他の実施例に適用されることができる。従って、本開示はここに示す実施例によって限定されるものではなく、ここに示す原理及び新規な特徴と一貫する最広義の範囲で解釈されるべきである。

本発明の詳細な説明及び請求項において用いられている用語「映像」または「映像データ」は、離散的映像要素（例えば、２次元映像においては、ピクセル）によって構成されている多次元データを指し、言い換えると、（例えば、ビデオ画面に表示された）目視で確認できる対象、又は、（例えば、ＣＴやＭＲＩ装置などのピクセル出力に対応するファイルのような）その対象のデジタル表現物を指す用語である。

例えば、「イメージ」、「画像」、「映像」は、コンピューター断層撮影（ＣＴ； ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）、磁気共鳴画像（ＭＲＩ； ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ）、眼底映像、超音波又は、その他本発明の技術分野において公知のあらゆる医療映像システムにより収集された被検体（ｓｕｂｊｅｃｔ）の医療映像になり得る。映像が必ずしも医療的脈絡で提供されたものである必要はなく、非医療的脈絡で提供されたものにもなり得るが、例えば、セキュリティー検査用のＸ線撮影などが挙げられる。

本発明の詳細な説明及び請求項において、「ＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ；医療用デジタル映像及び通信）」の標準は、医療用機器におけるデジタル映像表現と通信に利用されるあらゆる標準規格の総称であり、ＤＩＣＯＭ標準は、米国放射線専門医会（ＡＣＲ）と米国電機工業会（ＮＥＭＡ）によって構成されている連合委員会が発表する。

また、本発明の詳細な説明及び請求項において、「医療用画像管理システム（ＰＡＣＳ； Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）」は、ＤＩＣＯＭ標準に沿って、医療用映像を保管、加工、送信するシステムを指す用語であり、Ｘ線、ＣＴ、ＭＲＩなどのデジタル医療映像装備を利用して取得した医療映像のデータを、ＤＩＣＯＭの規格に合わせて保存し、ネットワークを介して院内や外部の端末に送信することが可能であり、そのデータには、解析結果や診療記録が付け加えられることが可能である。

本発明の明細書において、「第１診断情報」及び「第２診断情報」は、ネットワーク関数が、入力された医療データから最終診断を行うために演算する中間データのうち、その演算又は出力される順番に沿って名づけられる診断情報の種類を意味することが可能である。プロセッサー（１１０）は、全体モデルに含まれている第１診断ネットワークを通じて、入力された医療データから第１診断情報を出力することが可能である。プロセッサー（１１０）は、上記第１診断情報に少なくとも一部に基づき、全体モデルに含まれている第２診断ネットワークを通じて、第２診断情報を出力することが可能である。より具体的には、プロセッサー（１１０）は、上記第１診断情報を演算するための特徴ベクトルに基づき、第２診断ネットワークを通じて、第２診断情報を出力することが可能である。第１診断情報は、入力された医療データに対して最終診断結果を生成するための中間診断情報を含むことが可能である。第２診断情報は、入力された医療データに対する最終診断結果を含むことが可能である。

本明細書において、第１診断情報は、少なくとも１つ以上の所見に係る情報を含むことが可能である。本明細書において、所見に係る情報と所見情報は、相互置換され、同一の意味として用いられることが可能である。所見情報は、入力データに存在する特定の所見の存在確率、種類、位置等を含むことが可能である。本明細書において、第２診断情報は、少なくとも１つ以上の疾病に係る情報を含むことが可能である。本明細書において、疾病に係る情報と疾病情報は、相互置換され、同一の意味として用いられることが可能である。疾病情報は、入力データに存在する特定の疾病の存在確率、種類等を含むことが可能である。第１診断情報は、入力された医療データに対する臨床的所見に係るデータを含むことが可能である。本明細書において、所見（ｆｉｎｄｉｎｇ）情報は、疾病に対する最終判断の根拠となる資料、病変又は当該病変部に係る情報を含む意味として用いることが可能である。第２診断情報は、疾病の存在有無の判断を含むことが可能である。第２診断情報に含まれている１つの疾病の存在有無の判断において、１つ以上の所見情報が関与する場合がある。第２診断情報に含まれている相異なる２つ以上の疾病の存在有無の判断において、１つの所見情報が関与する場合がある。

一般的に、特定の疾病に対する診断は、少なくとも１つ以上の特定の所見の存在に基づき行われる。例えば、肺がんという疾病を診断する際、肺の両側の下部から、吸気時に水泡音が聴診されるという第１所見と、胸部ＣＴにおいて肺の下部に網状影が見えるという第２所見を総合して最終診断を行うことが可能である。他の例において、緑内障という疾病の診断において、網膜神経線維層欠損の度合いに着目した第１所見及び視神経乳頭周辺及び黄斑部の血管の変化に着目した第２所見が関与することが可能である。上述の説明のように、本明細書において、１つ以上の所見に対する所見情報は、疾病を誘発する独立変数として理解することができ、上記１つ以上の所見に係る情報に基づき診断された１つ以上の疾病の存在確率を含む第２診断情報は、そのような独立変数に紐づいている従属変数として理解されることが可能である。前述の疾病の種類及び所見は、一例示に過ぎず、本開示を制限するものではなく、独立変数の変化が従属変数の変化にどのような影響を及ぼすかを定量化するための本発明において、疾病及び所見の実施例が制限される必要がないということは、当業者にとって自明な事項である。

図１は、本開示の一実施例において、医療データに対する診断関連情報を提供するためのコンピューティング装置のブロック構成図である。

図１に示すコンピューティング装置（１００）の構成は、簡略化された例示に過ぎない。本開示の一実施例において、コンピューティング装置（１００）には、コンピューティング装置（１００）のコンピューティング環境を実装するための他の構成が含まれることが可能であり、開示されている構成のうち一部だけでコンピューティング装置（１００）を構成することも可能である。

コンピューティング装置（１００）は、プロセッサー（１１０）、メモリー（１３０）、ネットワーク部（１５０）を含むことができる。

プロセッサー（１１０）は、１つ以上のコアで構成されることができ、コンピューティング装置の中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、汎用グラフィック処理装置（ＧＰＧＰＵ：ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、テンサー処理装置（ＴＰＵ： ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）等のデータ分析、ディープラーニングのためのプロセッサーを含むことが可能である。プロセッサー（１１０）は、メモリー（１３０）に保存されたコンピュータープログラムを読み取り、本開示の一実施例における機械学習のためのデータ処理を実行することができる。本開示の一実施例に基づき、プロセッサー（１１０）は、ニューラルネットワークの学習のための演算を行うことができる。プロセッサー（１１０）は、ディープラーニング（ＤＬ：ｄｅｅｐ ｌｅａｒｎｉｎｇ）における学習のための入力データの処理、入力データからのフィーチャーの抽出、誤差計算、逆伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を利用したニューラルネットワークの加重値の更新等のニューラルネットワークの学習のための計算を実行することができる。プロセッサー（１１０）のＣＰＵ、ＧＰＧＰＵ及びＴＰＵのうち少なくとも１つがネットワーク関数の学習を処理できる。例えば、ＣＰＵとＧＰＧＰＵがともにネットワーク関数の学習やネットワーク関数を利用したデータの分類を行うことができる。なお、本開示の一実施例において、複数のコンピューティング装置のプロセッサーを一緒に使ってネットワーク関数の学習やネットワーク関数を利用したデータ分類を行うことができる。また、本開示の一実施例におけるコンピューティング装置において実行されるコンピュータープログラムは、ＣＰＵ、ＧＰＧＰＵ及びＴＰＵで実行可能なプログラムになり得る。

本開示の一実施例において、メモリー（１３０）は、プロセッサー（１１０）が生成したり、決定した任意の形態の情報及びネットワーク部（５５０）が受信した任意の形態の情報を保存することができる。

本開示の一実施例において、メモリー（１３０）は、フラッシュメモリータイプ（ｆｌａｓｈ ｍｅｍｏｒｙ ｔｙｐｅ）、ハードディスクタイプ（ｈａｒｄ ｄｉｓｋ ｔｙｐｅ）、マルチメディアカードマイクロタイプ（ｍｕｌｔｉｍｅｄｉａ ｃａｒｄ ｍｉｃｒｏ ｔｙｐｅ）、カードタイプのメモリー（例えばＳＤ又はＸＤメモリー等）、ラム（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ロム（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、磁気メモリー、磁気ディスク、光ディスクのうち少なくとも１つのタイプの保存媒体を含むことができる。コンピューティン装置（１００）は、インターネット（ｉｎｔｅｒｎｅｔ）上で上記メモリー（１３０）の保存機能を実行するウェブストレージ（ｗｅｂ ｓｔｏｒａｇｅ）と連携して動作することも可能である。前述のメモリーに係る記述は、例示に過ぎず、本開示はこれらに限定されない。

本開示の一実施例におけるネットワーク部（１５０）は、公衆電話交換網（ＰＳＴＮ：Ｐｕｂｌｉｃ Ｓｗｉｔｃｈｅｄ Ｔｅｌｅｐｈｏｎｅ Ｎｅｔｗｏｒｋ）、ｘＤＳＬ（ｘ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）、ＲＡＤＳＬ（Ｒａｔｅ Ａｄａｐｔｉｖｅ ＤＳＬ）、ＭＤＳＬ（Ｍｕｌｔｉ Ｒａｔｅ ＤＳＬ）、ＶＤＳＬ（Ｖｅｒｙ Ｈｉｇｈ Ｓｐｅｅｄ ＤＳＬ）、ＵＡＤＳＬ（Ｕｎｉｖｅｒｓａｌ Ａｓｙｍｍｅｔｒｉｃ ＤＳＬ）、ＨＤＳＬ（Ｈｉｇｈ Ｂｉｔ Ｒａｔｅ ＤＳＬ）及び近距離通信網（ＬＡＮ）等のような多様な有線通信システムを使用することができる。

また、本明細書におけるネットワーク部（１５０）は、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉ Ａｃｃｅｓｓ）、ＴＤＭＡ（Ｔｉｍｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉ Ａｃｃｅｓｓ）、ＦＤＭＡ（Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉ Ａｃｃｅｓｓ）、ＯＦＤＭＡ（Ｏｒｔｈｏｇｏｎａｌ Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉ Ａｃｃｅｓｓ）、ＳＣ－ＦＤＭＡ（Ｓｉｎｇｌｅ Ｃａｒｒｉｅｒ－ＦＤＭＡ）及びその他のシステムのような多様な無線通信システムを利用することができる。

本開示におけるネットワーク部（１５０）は、有線及び無線等のような通信の様態を問わずに構成されるとができ、短距通信網（ＰＡＮ：Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、近距離通信網（ＷＡＮ：Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の多様な通信網になり得る。また、上記ネットワークは、公知のワールドワイドウェブ（ＷＷＷ：Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）になり得る他、赤外線（ＩｒＤＡ：Ｉｎｆｒａｒｅｄ Ｄａｔａ Ａｓｓｏｃｉａｔｉｏｎ）又は、ブルートゥース（登録商標）（Ｂｌｕｅｔｏｏｔｈ）のように、短距離通信に利用される無線伝送技術を利用することもできる。

本明細書において説明された技術は、上記のネットワークだけでなく、他のネットワークで使われることもできる。

本開示の一実施例において、プロセッサー（１１０）は、診断関連情報を提供するために、医療データに基づき第１診断情報を出力するように学習されている第１診断ネットワークを利用し、入力された医療データに対する第１診断情報を演算することが可能である。

本発明の明細書において、医療データは、映像データ、音声データ及び時系列データのうち、少なくとも１つを含むことが可能である。つまり、医療に従事する者又は診断用の装置等によりデータにおける疾病の存在有無を判断できる任意の形態のデータが、本開示における医療データに含まれることが可能である。映像データは、患者の 患部を検査装備を通じて撮影又は測定し、電気信号化してから出力されるすべての映像データを含む。上記映像データは、医療映像撮影機器から、時間に沿って連続撮影された動画において、動画の各々のプレームを構成する映像データを含むことが可能である。例えば、エコー検査映像データ、ＭＲＩ装置により取得された映像データ、ＣＴ断層撮影により取得された映像データ、Ｘ線撮影映像データ等を含む。さらに、音声データを電気信号に変換し、グラフの形の画像として出力したり、時系列データをグラフ等の視覚化された資料として 表している場合、当該画像や資料は、上記映像データに含まれることが可能である。医療データに係る前述の例示は、一例に過ぎず、本開示を限定するものではない。

図２は、本開示の一実施例において、医療データに対する診断関連情報を提供するために用いられるネットワーク関数を示す概略図である。

本明細書の全体を通して、演算モデル、神経回路網、ネットワーク関数、ニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）は、同一の意味で用いることができる。神経回路網は、一般的にノードと呼ばれる相互連結された計算単位の集合で構成されることが多い。このようなノードは、ニューロン（ｎｅｕｒｏｎ）と称することもできる。神経回路網は、少なくとも１つ以上のノードを含めて構成される。神経回路網を構成するノード（またはニューロン）は１つ以上のリンクによって相互連結されることが可能である。

神経回路網において、リンクを介して繋がっている１つ以上のノードは、相対的に入力ノード及び出力ノードの関係を形成することができる。入力ノード及び出力ノードの概念は相対的なものであり、あるノードに対して出力ノードとなる任意のノードは、他のノードとの関係においては入力ノードになり得るが、その逆も成立する。前述のように、入力ノードと出力ノードとの関係はリンクを中心にして成立することができる。１つの入力ノードに１つ以上の出力ノードがリンクを介して繋がることができ、その逆も成立する。

１つのリンクを介して繋がっている入力ノード及び出力ノードの関係において、出力ノードのデータは入力ノードに入力されたデータに基づきその値が決められることが可能である。ここで入力ノードと出力ノードとを相互連結するノードは加重値（ｗｅｉｇｈｔ）を持つことができる。加重値は可変的なものになり得るが、神経回路網が所望の機能を行うために、利用者またはアルゴリズムによって変わることが可能である。例えば、１つの出力ノードに１つ以上の入力ノードが各リンクによって相互連結されている場合、出力ノードは上記出力ノードに繋がっている入力ノードに入力された値及び各入力ノードに対応するリンクに設定された加重値に基づき出力ノードの値を決定することができる。

前述のように、神経回路網は、１つ以上のノードが１つ以上のリンクを介して相互連結され神経回路網の中で入力ノードと出力ノードの関係を形成する。神経回路網において、ノードとリンクの数及びノードとリンクとの間の相関関係、各リンクに付与された加重値の値によって、神経回路網の特性が決まることが可能である。例えば、同数のノード及びリンクが存在し、リンクの加重値の値がそれぞれ異なる２つの神経回路網が存在する場合、その２つの神経回路網を、相異なるものと認識することができる。

神経回路網は、１つ以上のノードの集合で構成することができる。神経回路網を構成するノードの部分集合は、レイヤー（ｌａｙｅｒ）を構成できる。神経回路網を構成する複数のノードのうち一部は、第１入力ノードからの距離に基づき、１つのレイヤー（ｌａｙｅｒ）を構成することができる。例えば、第１入力ノードからの距離がｎであるノードの集合は、ｎレイヤーを構成することができる。第１入力ノードからの距離は、第１入力ノードから当該ノードに到達するために経由しなければならないリンクの最小限の数を基に定義することができる。しかし、このようなレイヤーの定義は、説明のために任意に取り挙げたものであり、神経回路網の中におけるレイヤーの構成は、前述の説明と異なる方法で定義されることができる。例えば、ノードのレイヤーは、最終出力ノードからの距離を基に定義することもできる。

第１入力ノードは、神経回路網の中のノードのうち、他のノードとの関係においてリンクを経由せずにデータが直接入力される１つ以上のノードを意味することができる。または、神経回路網のネットワークの中で、リンクを基準にしたノード間の関係において、リンクを介して繋がっている他の入力ノードを持たないノードを意味することができる。これと同様に、最終出力ノードは、神経回路網の中のノードのうち、他のノードとの関係において、出力ノードを持たない１つ以上のノードを意味することができる。また、ヒドンノードは、第１入力ノード及び最終出力ノードではないノードで、神経回路網を構成するノードを意味することができる。本開示の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードと同数で、入力レイヤーからヒドンレイヤーへと進むにつれ、ノードの数が一度減ってから、再び増加する形の神経回路網になり得る。本開示の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードの数より少なく、入力レイヤーからヒドンレイヤーへと進むにつれ、ノードの数が減少していく形の神経回路網になり得る。また、本開示の他の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードの数より多く、入力レイヤーからヒドンレイヤーへと進むにつれ、ノードの数が増加していく形の神経回路網になり得る。本開示の他の一実施例における神経回路網は、上述の神経回路網を組み合わせた形の神経回路網になり得る。

ディープニューラルネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、深層神経回路網）は、入力レイヤーと出力レイヤー以外に複数のヒドンレイヤーを含む神経回路網を意味することができる。ディープニューラルネットワークを利用するとデータの潜在的な構造（ｌａｔｅｎｔ ｓｔｒｕｃｔｕｒｅｓ）を把握することができる。つまり、写真、文章、ビデオ、音声、音楽の潜在的な構造（例えば、ある物が写真に映っているか、文章の内容と感情はどのようなものなのか、音声の内容と感情はどのようなものなのか等）を把握することができる。ディープニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、リカレントニューラルネットワーク（ＲＮＮ；：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、オートエンコーダー（ａｕｔｏ ｅｎｃｏｄｅｒ）、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、制限ボルツマンマシン（ＲＢＭ：ｒｅｓｔｒｉｃｔｅｄ ｂｏｌｔｚｍａｎｎ ｍａｃｈｉｎｅ）、深層信頼ネットワーク（ＤＢＮ：ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）、Ｑネットワーク、Ｕネットワーク、シャムネットワーク、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）等を含むことができる。前述のディープニューラルネットワークは、例示に過ぎず本開示はこれらに限定されない。

本開示の一実施例において、ネットワーク関数は、オートエンコーダー（ａｕｔｏｅｎｃｏｄｅｒ）を含むこともできる。オートエンコーダーは、入力データに類似した出力データを出力するための人工神経回路網の一種になり得る。オートエンコーダーは、少なくとも１つのヒドンレイヤーを含むことができ、奇数個のヒドンレイヤーが入出力レイヤーの間に配置されることができる。各レイヤーのノード数は、入力レイヤーのノード数から、ボトルネックレイヤー（エンコード）という中間レイヤーに向かって減っていき、ボトルネックレイヤーから出力レイヤー（入力レイヤーと対称を成す）に向かって、縮小と対称する形で、拡張することもできる。オートエンコーダーは、非線形次元減少を行うことができる。入力レイヤー及び出力レイヤーの数は、入力データの前処理後に次元に対応することができる。オートエンコーダー構造において、エンコーダーに含まれたヒドンレイヤーのノードの数は、入力データから遠くなるほど減っていく構造を持つことができる。ボトルネックレイヤー（エンコーダーとデコーダーの間に位置する、ノードの数が最も少ないレイヤー）のノードの数が少なすぎる場合、十分な量の情報が伝わらない可能性があるため、特定の数以上（例えば、入力レイヤーの半分以上等）に維持されることもあり得る。

ニューラルネットワークは、教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、半教師あり学習（ｓｅｍｉ ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、または、強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）のうち、少なくともいずれか１つの方式で学習されることができる。ニューラルネットワークの学習は、ニューラルネットワークが特定の動作を行うための知識をニューラルネットワークに提供する過程になり得る。

ニューラルネットワークは、出力のエラーを最小化する方向で学習されることが可能である。ニューラルネットワークの学習において、繰り返し学習データをニューラルネットワークに入力させ、学習データに関するニューラルネットワークの出力とターゲットのエラーを計算し、エラーを減らすための方向としてニューラルネットワークのエラーをニューラルネットワークの出力レイヤーから入力レイヤーの方向へ逆伝播（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ）してニューラルネットワークの各ノードの加重値を更新するプロセスが行われる。教師あり学習の場合、個々の学習データに正解がラベリングされている学習データを使い（つまり、ラベリングされた学習データ）、教師なし学習の場合は、個々の学習データに正解がラベリングされていない場合がある。つまり、例えばデータ分類に関する教師あり学習における学習データは、学習データの各々にカテゴリがラベリングされたデータになり得る。ラベリングされた学習データがニューラルネットワークに入力され、ニューラルネットワークの出力（カテゴリ）と学習データのラベルを比較することでエラー（ｅｒｒｏｒ）を計算することが可能である。他の例として、データ分類に関する教師なし学習の場合、入力である学習データをニューラルネットワークの出力と比較することでエラーを計算することが可能である。計算されたエラーは、ニューラルネットワークにおいて逆方向（つまり、出力レイヤーから入力レイヤー方向）へ逆伝播され、逆伝播を通じてニューラルネットワークの各レイヤーの各ノードの連結加重値を更新することが可能である。更新される各ノードの連結加重値は、学習率（ｌｅａｒｉｎｇ ｒａｔｅ）によって変化量が決まることが可能である。入力データに対するニューラルネットワークの計算とエラーの逆伝播は、学習のサイクル（ｅｐｏｃｈ）を構成することができる。学習率は、ニューラルネットワークの学習のサイクルの反復回数によって適用方式が変わることが可能である。例えば、ニューラルネットワークの学習初期においては、学習率を高くしてニューラルネットワークが早く一定のレベルの性能を確保するようにすることで効率を高め、学習の後半においては学習率を低くして精度を上げることが可能である。

ニューラルネットワークの学習において、一般的に学習データは実際のデータ（つまり、学習されたニューラルネットワークを利用して処理しようとするデータ）の部分集合であることが可能であり、そのため学習データに係るエラーは減少するが、実際のデータに係るエラーは増加する学習サイクルが存在し得る。過剰適合（ｏｖｅｒ ｆｉｔｔｉｎｇ）は、このように学習データについて過度に学習したため、実際のデータにおいてエラーが増加する現象である。例えば、黄色い猫を見て猫を学習したニューラルネットワークが、黄色以外の色の猫を見ると猫であることを認識できない現象が過剰適合の一種になり得る。過剰適合は、マシンラーニングアルゴリズムのエラーを増加させる原因になり得る。このような過剰適合を防ぐために、多様な最適化方法を適用できる。過剰適合を防ぐためには、学習データを増加させる方法、正則化（ｒｅｇｕｌａｉｚａｔｉｏｎ）、学習の過程でネットワークのノードの一部を非活性化するドロップアウト（ｄｒｏｐ ｏｕｔ）、バッチ正規化レイヤー（ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎ ｌａｙｅｒ）の活用等の方法を適用できる。

第１診断ネットワークは、例えば、単一モデル構造になっており、入力された医療データに対して、少なくとも１つ以上の所見に関する情報を含む第１診断情報を生成することが可能である。第１診断ネットワークは、入力された医療データから、第１所見又は第２所見に関する情報をそれぞれ含む複数の相異なる第１診断情報を出力することも可能である。第１診断ネットワークは、入力された医療データから、少なくとも１つ以上の特徴マップ（ｆｅａｔｕｒｅｍａｐ）を抽出し、特徴マップに基づき特徴ベクトルを演算した後、このような特徴ペクトルに基づき少なくとも１つ以上の所見情報を含む第１診断情報を演算することが可能である。第１診断ネットワークの学習方法及び推論方法については、後述で詳しく説明する。

第１診断情報に含まれている少なくとも１つ以上の所見情報の各々は、入力された医療データに存在する所見の種類を含むことが可能である。所見情報は、所見の存在確率（ｃｏｎｆｉｄｅｎｃｅ ｓｃｏｒｅ）、所見の位置、所見の領域のうち少なくとも１つの情報を含むことが可能である。

所見情報に含まれている所見の種類は、ディープラーニングの学習方法による分類（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）結果になり得る。上記分類は、入力された医療データと所見に対する一対一（ｏｎｅ ｔｏ ｏｎｅ）分類又は一対多（ｏｎｅ ｔｏ ｍａｎｙ）分類をすべて含む。一実施例として、上記分類（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）は、入力された医療データを特定の所見に紐づけるための一対多分類になり得る。つまり、分離できる所見の数がＮ件存在する場合、プロセッサー（１１０）は、Ｎという数の分類クラスのうち、いずれか１つのクラスに分類されるように入力データを分類できる。上記分類クラスには、所見がないという意味を持つクラスを含むことが可能である。上記分類の結果は、所見の種類及び所見の存在確率（Ｃｏｎｆｉｄｅｎｃｅ Ｓｃｏｒｅ）を含むことが可能である。他の実施例において、上記分類（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）は、入力された医療データに対して学習されたすべての種類の所見に対して存在の有無を判断する一対一分類になり得る。つまり、プロセッサー（１１０）は、第１診断ネットワークを利用して分類することのできる所見の数がＮ件存在する場合、入力された医療データに対して、すべての所見に対する個別の存在確率又はすべての所見に対する存在の有無を演算できる。この場合、入力された医療データに対する第１診断情報は、最大Ｎ件の所見に係る情報を含むことが可能である。プロセッサー（１１０）は、入力された医療データに対して、第１所見の存在確率、第２所見の存在確率、......、第Ｎ所見の存在確率をそれぞれ演算することが可能である。上記分類を存在確率に基づく分類区間を設定して、多次元分類につなげることが可能である。上記分類は、予め決められたしきい値と、存在確率との比較を通じた二進法（ｂｉｎａｒｙ）分類になり得る。上記分類のために、第１診断ネットワークは、複数のサブ第１診断ネットワークを含むことが可能である。

所見情報に含まれている所見の位置は、ディープラーニング基盤の第１診断ネットワークによるディテクション（ｄｅｔｅｃｔｉｏｎ）の結果になり得る。つまり、プロセッサー（１１０）が、入力された医療データにより学習された所見の種類の中に、特定の所見が存在すると判断した場合、当該部位を表示することが可能である。上記存在判断は、ネットワーク関数により導出される確率の値及び予め決められたしきい値に基づいて実行することができる。上記当該部位の表示は、予め決められた形状のｂｏｕｎｄｉｎｇ ｂｏｘを利用して実行することが可能である。

所見情報に含まれる所見の領域に係る情報は、ディープラーニング基盤の第１診断ネットワークにおける学習の結果やネットワークを通じたセグメンテーション（Ｓｅｇｍｅｎｔａｔｉｏｎ）の結果になり得る。つまり、プロセッサー（１１０）が、入力された医療データから所見情報を出力する場合、当該所見に関する病変領域を含むピクセルを、他のピクセルとは見え方が異なるように表示して所見情報を出力することが可能である。

本開示の一実施例において、プロセッサー（１１０）は、第１診断ネットワークにおいて、入力された医療データに関する特徴ベクトルを演算し、上記入力された医療データに関する特徴ベクトルに基づき、第１診断情報を演算することが可能である。つまり、プロセッサー（１１０）は、第１診断ネットワークの演算過程において導出された特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）に基づき、特徴ベクトル（ｆｅａｔｕｒｅ ｖｅｃｔｏｒ）を演算し、それに基づき、第１診断情報を出力することが可能である。上記第１診断ネットワークの演算結果は、第１診断ネットワークによる内部演算過程において、各レイヤーから導出される、入力された医療データに対する特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）及び特徴ベクトル（ｆｅａｔｕｒｅ ｖｅｃｔｏｒ）を含むことが可能である。

プロセッサー（１１０）は、第１診断ネットワークによる演算の結果として、その内部演算過程において生成される特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）に少なくとも部分的に基づき、入力された医療データに関する特徴ベクトルを演算することが可能である。上記特徴ベクトル生成の元となる特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）は、第１診断ネットワークに含まれている各レイヤーから出力された少なくとも１つ以上の内部出力データのうち１つになり得る。第１診断ネットワークに含まれている各レイヤーは、第１診断ネットワークの内部に存在する畳み込み（Ｃｏｎｖｏｌｕｔｉｏｎａｌ）レイヤー、プーリング（Ｐｏｏｌｉｎｇ）レイヤー、全接続（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ）レイヤー等を含む。前述のレイヤーの例示は、一例にすぎず、医療データから所見情報を生成するための第１診断ネットワーク構造内部のあらゆるデータを、何ら制限なく含む。

第１診断ネットワーク内部において、最後のレイヤーに近づくほど、入力された医療データから、より抽象化が進んでいる内部出力データを演算することが可能である。また、最後のレイヤーに近づくほど、内部出力データは、最終所見情報を生成するために必要な情報だけを含むことが可能になる。従って、入力された医療データに関する特徴ベクトルは、第１診断ネットワークの内部に存在する少なくとも１つ以上の内部出力データのうち、最後に導出された特徴マップに基づき生成されることが可能である。入力された医療データに関する特徴ベクトル生成の元となる特徴マップは、第１診断ネットワークにおいて、入力された医療データから所見の最終分類を行うための全接続（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ）レイヤーに入力される特徴マップになり得る。ただし、第１診断ネットワークの内部において、最後のレイヤーに近づくほど、入力された医療データにおいてデータ損失が発生する可能性があるため、入力された医療データに関する特徴ベクトルは、第１診断ネットワークの内部に存在する少なくとも１つ以上の内部出力データのうち、予め決められた位置の特徴マップに基づき生成されることも可能である。

第１診断ネットワークの演算結果に含まれている少なくとも１つ以上の特徴マップは、予め決められたチャンネル数（Ｃ）、予め決められた高さ（Ｈ）及び予め決められた幅（Ｗ）からなる体積を有する配列で表現されることが可能である。特徴マップを配列で表現する場合、推論過程において、最初に入力されたデータに関する位置情報等を含む主な情報の損失を避けることが可能である。この場合、上記特徴マップに基づき生成された特徴ベクトルも、予め決められたチャンネル数（Ｃ'）、予め決められた高さ（Ｈ'）及び予め決められた幅（Ｗ'）を持つ配列になり得る。この場合、特徴ベクトルの、予め決められた高さ（Ｈ'）と予め決められた幅（Ｗ'）とは、それぞれ１であり、特徴ベクトルの次元は、予め決められたチャンネル数（Ｃ'）の大きさと同一のものになり得る。

プロセッサー（１１０）は、特徴マップに基づき、特徴ベクトルを生成するために平坦化（Ｆｌａｔｔｅｎ）レイヤーを利用してデータ平坦化（Ｆｌａｔｔｅｎ）を行うことが可能である。この場合、プロセッサー（１１０）は、３次元の配列データタイプである上記特徴マップを人工ニューラルネットワークの最後に存在する全接続ニューラルネットワーク（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）に入力するために、特徴マップ内部の要素を予め決められた順番に沿って一列に並べることで、１次元データに変換する作業を行うことが可能である。つまり３次元のデータが１次元データに変換されるということである。プロセッサー（１１０）は、上記変換された１次元データを特徴ベクトルとして利用することが可能である。他の実施例として、プロセッサー（１１０）は、上記特徴マップに基づき特徴ベクトルを生成するために、特徴マップに対して別途のプーリング（Ｐｏｏｌｉｎｇ）を実行した後、次元が削減された特徴マップに基づき、入力された医療データに関する特徴ベクトルを生成することも可能である。具体的にプロセッサー（１１０）は、グローバル・プーリング（Ｇｌｏｂａｌ Ｐｏｏｌｉｎｇ）を利用し、特徴マップから次元を削減した後、入力された医療データに関する特徴ベクトルを抽出することが可能である。

本開示の一実施例において、プロセッサー（１１０）は、第１診断ネットワークの演算に含まれている特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）に対してグローバル・プーリング（Ｇｌｏｂａｌ Ｐｏｏｌｉｎｇ）を実行した結果に基づき、少なくとも１つ以上の、入力された医療データに関する特徴ベクトルを演算することが可能である。

グローバル・プーリングは、グローバル平均プーリング（Ｇｌｏｂａｌ Ａｖｅｒａｇｅ Ｐｏｏｌｉｎｇ）とグローバル最大プーリング（Ｇｌｏｂａｌ Ｍａｘｉｍｕｍ Ｐｏｏｌｉｎｇ，ＧＭＰ） とを含む。グローバルプーリングは、各チャンネルに存在する複数のパラメータの値からチャンネルを代表する１つの代表値を生成する機能を意味する。グローバル平均プーリングは、１つのチャンネルの中に存在するパラメータの値の平均値を代表値に変換できる。グローバル最大プーリングは、１つのチャンネルの中に存在するパラメータの値の最大値を代表値に変換できる。例えば、第１診断ネットワークの内部に中間データとして存在する特徴マップのうち最後に導出された特徴マップの大きさが、５１２（Ｃ）ｘ５（Ｈ）ｘ５（Ｗ）の場合、この特徴マップに対してグローバルプーリングを適用した場合に導出される特徴ベクトルの大きさは、５１２（Ｃ'）ｘ１（Ｈ'）ｘ１（Ｗ'）になり得る。プロセッサー（１１０）は、グローバルプーリングを利用し、入力された医療データに関する特徴ベクトルを抽出し、これに基づき、第１診断情報を出力することが可能である。プロセッサー（１１０）は、グローバルプーリングを利用することで、各特徴マップからチャンネルごとに有意味な値を計算することが可能である。プロセッサー（１１０）は、グローバルプーリングを利用することで、３次元の大きさを有する配列形態の特徴マップを全接続（ＦＣ）レイヤーに連結するためのデータ平坦化（ｆｌａｔｔｅｎ）作業を省略できる。プロセッサー（１１０）は、特徴マップの次元をグローバルプーリングを利用して削減することで、第１診断情報の出力のための加重値（ｗｅｉｇｈｔ）、バイアス（ｂｉａｓ）等を含むパラメータ数を減らし、パラメータ保存に使われるメモリー空間を節減できる。例えば、特徴マップの大きさが５ｘ５ｘ５の場合、データ平坦化作業を通じて特徴ベクトルを抽出すると、特徴ベクトルの大きさは１２５になる。一方、グローバルプーリングを通じて特徴ベクトルを生成すると、特徴ベクトルの大きさは５になる。これは、メモリー空間を節約できるだけでなく、入力データに対するネットワーク関数のデータ過学習（ｏｖｅｒｆｉｔｔｉｎｇ）問題を防止する効果を持つ。

本開示の一実施例において、プロセッサー（１１０）は、相異なるの種類の所見を含む第１診断情報を演算する相異なる２つ以上のサブ第１診断ネットワークを含むことが可能である。例えば、所見Ａに関するサブ第１診断ネットワークは、所見Ａがラベリングされている学習データセットを通じて学習され、所見Ｂに関するサブ第１診断ネットワークは、所見Ｂがラベリングされている学習データセットを通じて学習されることが可能である。各サブ第１診断ネットワークは、当該所見の有無に関する二進分類、所見の位置、領域に関する分類等を実行することが可能である。各サブ第１診断ネットワークが演算できる所見の数は、１つ以上であり、数の上限に関する制限はない。

サブ第１診断ネットワークは、プロセッサー（１１０）が第１診断ネットワークを通じて、入力された医療データから確認しようとする所見の数だけ存在することが可能である。この場合、各サブ第１診断ネットワークが演算する第１診断情報は、それぞれ１つの所見の存在確率を含むことが可能である。他の実施例において、サブ第１診断ネットワークの数は、所見の数より少ない場合がある。この場合、各サブ第１診断ネットワークが演算する第１診断情報は、２つ以上の所見に関する情報を含むことが可能である。また、サブ第１診断ネットワークの数は、所見の数より多く、少なくとも１つ以上のサブ第１診断ネットワークが、アンサンブル（ｅｎｓｅｍｂｌｅ）され、１つの所見情報を含む第１診断情報を生成することも可能である。前述のサブ第１診断ネットワークの数は、一例に過ぎず、サブネットワークの数による効率と、第１診断情報の正確性とを比較し、ユーザーが選択し得るすべての数を含む。

第１診断ネットワークは、普遍的特徴を抽出したり、前処理動作を実行するために、汎用的特徴抽出ネットワークを含むことが可能である。汎用的特徴抽出ネットワークは、入力された医療データから特定の所見と関係なく存在する一般的な特徴を抽出した後、入力データに対して前処理動作を実行することが可能である。汎用的特徴抽出ネットワークが、一般的な特徴を抽出する前処理動作は、例えば、１つ以上のすべての所見に関するサブ第１診断ネットワークが、入力データのうち、血管を含む領域に対してのみ、第１診断情報を生成する場合、血管を含む領域をクロップ（ｃｒｏｐ）する動作を含むことが可能である。他の例として、１つ以上のすべての所見に関するサブ第１診断ネットワークが、共通して、関心を持たない領域を、入力データから取り除く動作等を含むことが可能である。汎用的特徴抽出ネットワークは、入力された医療データに存在するノイズを取り除くことも可能である。また、汎用的特徴抽出ネットワークは、最初に入力された医療データを、個別所見に対するサブ第１診断ネットワークに入力する前に、入力された医療データを、潜在空間にマッピング（ｍａｐｐｉｎｇ）することが可能である。例えば、ＲＧＢの値を持つ、入力された画像データの大きさが、５１２ｘ５１２ｘ３の場合、汎用的特徴抽出ネットワークは、線の太さ、線の種類、画像のテクスチャー等を含む普遍的特徴を抽出するために、上記入力された画像データを、５１２ｘ５１２ｘ１０２４の大きさを有する潜在空間上の多次元配列でマッピング（ｍａｐｐｉｎｇ）することが可能である。プロセッサー（１１０）が、このような普遍的特徴を汎用的特徴抽出ネットワークを通じて抽出する場合、サブ第１診断ネットワークの各々が、最初の入力に対して、同じ作業を実行する必要がなくなり、個別サブネットワークは、各所見に必要な特徴の抽出に集中して、コンピューティングリソースを集中するようになるため、全体ネットワークの性能向上につながる。プロセッサー（１１０）は、所見の各々に対応するサブ第１診断ネットワークを、前述の汎用的特徴抽出ネットワークに並列的に連結し、相異なる１つ以上の、入力された医療データに関する特徴ベクトルを、所見別に抽出し、各所見情報を含む第１診断情報を出力できる。所見の各々に対応するサブ第１診断ネットワークは、学習させようとするデータによって学習データにラベリングされている所見の数だけ存在することが可能である。前述の第１診断ネットワークの構造に関する例は、一例に過ぎず、本開示を限定するものではない。本開示において、第１診断ネットワークは、最終的に、入力された医療データに対して少なくとも１つ以上の所見情報を含む、第１診断情報を演算できる、あらゆる構造を制限なく含む。

本開示の一実施例において、プロセッサー（１１０）は、第１診断ネットワークにおいて演算された、入力された医療データに関する特徴ベクトルに基づき、第２診断情報を出力するように学習されている第２診断ネットワークを利用し、入力された医療データに対して第２診断情報を演算することが可能である。第２診断情報は、入力された医療データに対する最終診断結果を含むことが可能である。第２診断情報は、入力された医療データに係る、疾病の種類、疾病の有無、疾病の存在確率等を含むことが可能である。

本開示の一実施例において、プロセッサー（１１０）は、医療データに対する診断関連情報を提供するために、少なくとも１つ以上の所見情報がラベリングされている医療データセット（つまり、第１学習データセット）及び少なくとも１つ以上の疾病情報がラベリングされている医療データ（つまり、第２学習データセット）を取得できる。本開示において、医療データは、病変の位置を確認したり、疾病の診断を下す際、その根拠又は裏付けになり得るあらゆる種類の医療データを含む。

プロセッサー（１１０）は、コンピューティング装置の内部メモリー（１３０）、外部メモリー又はエンティティから、上記２種類の学習データセットを取得できる。プロセッサー（１１０）が取得する第１学習データセット及び第２学習データセットは、少なくとも１つ以上の同一の医療データに対し、少なくとも１つ以上の所見情報及び少なくとも１つ以上の疾病情報がラベリングされている医療データを含むことが可能である。上記少なくとも１つ以上の医療データに対し、所見情報及び疾病情報がすべてラベリングされているデータセットから学習データセットを取得する場合、プロセッサー（１１０）は、所見情報がラベリングされている第１医療データを第１学習データセットとして取得し、疾病情報がラベリングされている第１医療データを、第２学習データセットとして取得できる。プロセッサー（１１０）は、少なくとも１つ以上の相異なる医療データを含む第１医療データ及び第２医療データに対し、それぞれ所見情報及び疾病情報がラベリングされている第１学習データセット及び第２学習データセットを取得することも可能である。

本開示における他の実施例において、プロセッサー（１１０）は、第１学習データに含まれている医療データを入力とし、少なくとも１つ以上の所見情報を含む、第１診断情報を出力するように第１診断ネットワークを学習させることが可能である。つまり、プロセッサー（１１０）は、ディープラーニング基盤の第１診断ネットワークが第１学習データを入力し、少なくとも１つ以上の所見に対する所見情報を出力するように、学習させることが可能である。本記事の一実施例における所見情報は、当該学習データに対する医学的判断の根拠となり得る情報を含むことが可能であり、例えば当該学習データに対する所見の存在の有無に係る情報、所見の存在位置に係る情報又は所見の領域に係る情報のうち、少なくとも１つを含むことが可能である。

本開示の一実施例において、プロセッサー（１１０）は、第２学習データに含まれている医療データを、予め学習された上記第１診断ネットワークに入力し、入力された医療データに関する特徴ベクトルを演算できる。さらに、プロセッサー（１１０）は、上記入力された医療データに関する特徴ベクトルを、第２診断ネットワークに入力し、少なくとも１つ以上の疾病の診断確率を含む、第２診断情報を出力するように、第２診断ネットワークに含まれているパラメータを学習させることが可能である。

プロセッサー（１１０）は、第２学習データに含まれている医療データを、上記ディープラーニング基盤の第１診断ネットワークに入力し、少なくとも１つ以上の所見に係る、入力された医療データに係る特徴ベクトルを演算し、上記演算された特徴ベクトルに基づき、第２診断情報を出力するように、第２診断ネットワークを学習させることが可能である。つまり、第２診断ネットワークの学習時に、第１診断ネットワークは、すでに学習が完了し内部パラメータ及びモデルが固定された状態で第２診断ネットワークの学習に提供されることが可能である。

以下、プロセッサー（１１０）が、第１診断ネットワーク及び第２診断ネットワークに含まれている内部パラメータを更新又は学習させる方法について、数式を用いて具体的に説明する。第１診断ネットワークは、数１に沿って、その最終出力である第１診断情報に含まれている少なくとも１つ以上の所見の存在確率を演算できる。

ｘは入力された医療データ、ｙ＿ｆ（ｘ）は入力された医療データに対する第１診断ネットワークの出力である第１診断情報に含まれている特定の所見（ｆ）の存在確率を示す。ｆは｛ｆ＿１，ｆ＿２，...，ｆ＿Ｆ｝で表現される所見集合の元としての個別所見を意味する。ｇ＿ｆ（ｘ）∈Ｒ＾Ｃは、第１診断ネットワークに入力された入力データから演算された、入力された医療データに関する特徴ベクトルを現している。ｗ＿ｆは、個別所見加重値ベクトルを、ｂ＿ｆは個別所見バイアス値を表している。σは、活性化関数を表している。

上記入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））は、特定の所見（ｆ）ごとに存在することが可能である。上記入力された医療データに関する特徴ベクトルは、少なくとも２つ以上の所見の存在確率を計算するための特徴ベクトルになり得る。本実施例においては、個々の所見ごとに、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））を生成すると仮定している。入力された医療データに関する特徴ベクトルは、任意の自然数Ｃ次元を有する実数ベクトルとして表すことが可能である。

第１診断ネットワークは、入力された医療データに基づき、１つ以上の所見情報を含む第１診断情報を生成するために、各所見ごとに個別所見加重値ベクトル（ｗ＿ｆ）及び個別所見バイアス値（ｂ＿ｆ）を含むことが可能である。第１診断ネットワークは、入力された医療データ関する特徴ベクトルに個別所見加重値ベクトル（ｗ＿ｆ∈Ｒ＾Ｃ）を転置（ｗ＿ｆ＾Ｔ）して乗じた後、個別所見バイアス値（ｂ＿ｆ∈Ｒ）を加算し、それを活性化関数（ａｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏｎ，σ）に入力し、第１診断情報に含まれている少なくとも１つ以上の所見の存在確率を計算することが可能である。第１診断ネットワークは、上記活性化関数に基づく、最終分類関数を含むことが可能である。上記個別所見加重値ベクトル（ｗ＿ｆ）及び個別所見バイアス値（ｂ＿ｆ）は、第１診断ネットワークが特徴ベクトルから特定の所見（ｆ）の存在確率を導出するために利用されるパラメータになり得る。上記個別所見加重値ベクトル（ｗ＿ｆ）及び個別所見バイアス値（ｂ＿ｆ）は、所見ごとに存在する固有のパラメータになり得る。上記パラメータは、学習によって更新またはトレーニングされることが可能である。

上述の例示のように、プロセッサー（１１０）は、入力された医療データに基づき、少なくとも１つ以上の所見情報を含む、第１診断情報を出力するために、第１診断ネットワークに含まれている、各個別所見加重値ベクトル（ｗ＿ｆ）及び第１診断ネットワークに含まれている個別所見バイアス値（ｂ＿ｆ）を学習させることが可能である。また、それに伴う逆伝播の過程において、プロセッサー（１１０）は、入力データ（ｘ）に対し、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））を演算するために、第１診断ネットワークの内部パラメータを学習及び更新することが可能である。前述の第１診断ネットワークの学習方法に関する例示において、活性関数の種類は一例にすぎず、本開示を制限するものではない。

本開示の一実施例において、プロセッサー（１１０）は、前述のように、ディープラーニング基盤の第１診断ネットワークを学習した後、学習された第１診断ネットワークに含まれている内部パラメータの値を固定し、予め決められたＤという数の疾病に対して第２診断ネットワークを学習することが可能である。プロセッサー（１１０）は、１つ以上の疾病に関する情報がラベリングされている医療データ、つまり第２学習データセットを、上記ディープラーニング基盤の第１診断ネットワークに入力し、少なくとも１つ以上の、入力された医療データに関する特徴ベクトルを演算することが可能である。プロセッサー（１１０）は、上記演算された、入力された医療データに関する特徴ベクトルを、第２診断ネットワークに入力し、少なくとも１つ以上の疾病情報を含む、第２診断情報を取得することが可能である。具体的な例示として、第２診断ネットワークが、第２診断情報を出力するために学習する目的関数の具体的な数式は、数２の通りである。

ｘは入力された医療データ、ｆ＿ｄ（ｘ）は第２診断情報の、入力された医療データに対する出力である第２診断情報に含まれている特定の疾病（ｄ）の診断確率を意味する。ｄは、予め決められたＤという数の疾病からなる集合の元として、個別の疾病を表している。ｆは、少なくとも１つ以上の個別所見を表している。ｇ＿ｆ（ｘ）∈Ｒ＾Ｃは、プロセッサー（１１０）が、入力された医療データ（ｘ）を、第１診断ネットワークに入力した後、第１診断ネットワークにおいて演算された、入力された医療データに関する特徴ベクトルを表している。入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））は、２つ以上の所見の各存在確率を計算するための特徴ベクトルになり得る。ｖ＿｛ｄ，ｆ｝は、疾病－所見加重値ベクトルを表している。ｃ＿ｄは、疾病によるバイアス値を表している。σは、活性化関数を表している。

第２診断ネットワークは、１つ以上の所見に係る、入力された医療データに関する特徴ベクトルに基づき、第２診断情報を生成するためにすべての疾病（ｄ）－所見（ｆ）の組み合わせごとに疾病（ｄ）－所見（ｆ）加重値ベクトル（ｖ＿｛ｄ，ｆ｝）及びすべての疾病ごとに疾病によるバイアス値（ｃ＿ｄ）を含むことが可能である。

第２診断ネットワークは、上記入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））に、疾病－所見バイアス値ベクトル（ｖ＿｛ｄ，ｆ｝∈Ｒ＾Ｃ）を各所見（ｆ∈｛ｆ＿１，ｆ＿２，...，ｆ＿Ｆ｝）ごとに乗ずることが可能である。第２診断ネットワークは、上記入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））に、疾病－所見バイアス値ベクトル（ｖ＿｛ｄ，ｆ｝∈Ｒ＾Ｃ）を転置（

）し、各所見（ｆ∈｛ｆ＿１，ｆ＿２，...，ｆ＿Ｆ｝）ごとに乗じた後、合算（Σ）し、当該疾病によるバイアス値（ｃ＿ｄ∈Ｒ）を加算し、それを活性化関数（ａｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏｎ，σ）に入力し、第２診断情報を出力できる。第２診断ネットワークは、上記活性化関数に基づく、最終分類関数を含むことが可能である。第２診断情報は、少なくとも１つ以上の疾病（ｄ）の診断確率を含むことが可能である。上記疾病－所見加重値ベクトル（ｖ＿｛ｄ，ｆ｝）及び疾病によるバイアス値（ｃ＿ｄ）は、第１診断ネットワークにより、最初に入力された医療データから抽出された、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））を、第２診断ネットワークに改めて入力し、最終診断結果を導出するために使用されるパラメータになり得る。疾病－所見加重値ベクトル（ｖ＿｛ｄ，ｆ｝）は、疾病－所見の組み合わせごとに存在する固有のパラメータになり得る。疾病のよるバイアス値（ｃ＿ｄ）は、個々の疾病ごとに存在する固有のパラメータになり得る。上記パラメータは、学習によって更新またはトレーニングされることが可能である。プロセッサー（１１０）は、学習された第１診断ネットワークを取得し、第１診断ネットワークモデルの内部パラメータを固定した上で、最初の医療データを第１診断ネットワークに入力してから、第１診断ネットワークから演算される、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））に基づき、第２診断ネットワークを学習できる。

前述のように、プロセッサー（１１０）が、第２診断ネットワークを学習する際、先に第１診断ネットワークを学習させてから、学習済みの第１診断ネットワークから、入力された医療データに関する特徴ベクトルを抽出し、これに基づいて、第２診断ネットワークを学習するという本開示には、次のような長所がある。第１に、入力された医療データに関する特徴ベクトルは、次元を有する配列に表現され、所見を表現するとき求められる病変の位置情報を失うことがない。言い換えると、上記特徴ベクトルは、最初に入力された医療データに所見が存在するか否かを確認できるだけでなく、所見が存在する場合は、所見の位置、所見の領域、第１診断ネットワークが所見を判断するとき根拠となったデータ等を内部パラメータの値として維持するため、これらをすべて第２診断ネットワークに提供することで、単純に所見有無の最終確率だけを伝達することより、多くの情報を損失なく伝達することが可能である。従って、第２診断ネットワークが、疾病と所見との関係を推論するにあたり、良質の入力データが提供されるため、推論性能の向上につながる。第２に、入力された医療データに関する特徴ベクトルを第１診断ネットワークと第２診断ネットワークが共有することにより、プロセッサー（１１０）が、第２診断ネットワークの出力によって診断された疾病に対する少なくとも１つ以上の所見の寄与度を、算出できるようになる。これは、医療診断モデルの全体を通して、単純にある疾病に対して、第２診断情報を生成することにとどまらず、その疾病に対する診断の判断の根拠を示すことができるという効果がある。

本開示の一実施例において、プロセッサー（１１０）は、第１診断ネットワークの演算過程又は第２診断ネットワークの演算過程の一部分に基づき、上記入力された医療データに対して演算された、上記第１診断情報及び第２診断情報を含む、相関関係情報を生成又は出力できる。上記相関関係情報は、入力された医療データに対して演算され第１診断情報、入力された医療データに対して演算された第２診断情報、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見の寄与度、上記寄与度を視覚化したデータ、オッズ比（ｏｄｄｓ ｒａｔｉｏ）、オッズ比に関するマトリックス（ｏｄｄｓ ｒａｔｉｏ ｍａｔｒｉｘ）、第１診断情報又は第２診断情報を、入力された医療データに示したクラス活性化マップ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）等を含むことが可能である。

本開示の一実施例において、第１診断情報及び第２診断情報を含む相関関係情報は、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見情報を寄与度を含むことが可能である。プロセッサー（１１０）は、寄与度を算出することで、入力された医療データから第２診断情報に含まれている特定の疾病が出力される際、個別所見の存在確率を含む第１診断情報が及ぼす影響を定量化できる。つまり、単純に、第２診断情報の根拠となる第１診断情報又は所見情報を提供するだけでなく、第１診断情報に含まれている１つ以上の所見の存在の各々が第２診断情報に及ぼす影響の大きさを比較できるように、その度合いを数値化して示すことが可能である。

プロセッサー（１１０）は、第１診断ネットワークにおいて演算された、入力された医療データに関する特徴ベクトルと、第１診断ネットワークに含まれている最終分類関数のパラメータと、第２診断ネットワークに含まれている最終分類関数のパラメータとのうち、少なくともいずれか１つに基づき、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見情報の寄与度を算出できる。第１診断ネットワークに含まれている最終分類関数又は第２診断ネットワークに含まれている最終分類は、シグモイド（ｓｉｇｍｏｉｄ）関数、Ｌｅａｋｙ ＲｅＬＵ関数等の、逆関数が存在する線形分類関数を制限なく含む。上記第１診断ネットワークに含まれている最終分類関数のパラメータは、第１診断ネットワークに含まれている個別所見加重値ベクトル（ｗ＿ｆ）及び個別所見バイアス値（ｂ＿ｆ）を含むことが可能である。上記第２診断ネットワークに含まれている最終分類関数のパラメータは、疾病（ｄ）－所見（ｆ）加重値ベクトル（ｖ＿｛ｄ，ｆ｝）及び疾病によるバイアス値（ｃ＿ｄ）を含むことが可能である。プロセッサー（１１０）は、学習された第１診断ネットワーク又は第２診断ネットワークの中に存在する線形分類関数のパラメータの値に少なくとも一部基づき、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見情報の寄与度を算出するために、寄与度を算出するための別途の学習データセット又は別途のネットワーク関数を追加で必要としない。また、本発明が開示しているように寄与度を算出すると、入力された医療データから第１診断情報又は第２診断情報を出力すると同時に、これら２つの診断情報の相関関係情報を知ることが可能である。

以下、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見情報の寄与度を算出する方法について述べる。

本開示の一実施例において、プロセッサー（１１０）は、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見情報の寄与度をオッズ（ｏｄｄｓ）に基づき算出することが可能である。本明細書において、オッズ（ｏｄｄｓ）は、数３と同じ意味であり、相互互換できる。

上記数３において、Ｐは、特定の事象が起こる確率を意味することが可能である。つまり、本明細書を通して、オッズは、「事象が起こる確率と、事象が起こらない確率との比」を意味することが可能である。例えば、眼科装備を通じて眼球を撮影した映像に対し、人工ニューラルネットワークが、緑内障だと判断する確率が８０％の場合、緑内障ではない可能性が２０％であるため、緑内障という診断情報に対する入力データのオッズは、０．８／（１－０．８）＝０．８／０．２＝４で表すことが可能である。

本開示の一実施例において、プロセッサー（１１０）は、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の寄与度を、第１部分寄与度と第２部分寄与度とのうち、少なくとも１つに基づき算出することが可能である。第１部分寄与度は、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている全体所見による影響を示す値を意味することが可能である。第２部分寄与度は、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見による影響を示す値を意味することが可能である。

プロセッサー（１１０）は、第１部分寄与度を、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている全体所見のオッズ（ｏｄｄｓ）に基づき、算出することが可能である。本明細書において、第２診断情報に含まれている、少なくとも１つの疾病に対する、第１診断情報に含まれている全体所見のオッズ（ｏｄｄｓ）は、入力された医療データにおいて、特定の疾病（ｄ）が存在するオッズ（ｏｄｄｓ）と同じ意味に用いられることが可能である。第１部分寄与度は、入力された医療データに、特定の疾病（ｄ）が存在する確率と、存在しない確率との比で表すことが可能である。本開示において、プロセッサー（１１０）が第１部分寄与度を算出する方法は、一例として、以下の数４に基づくものになり得る。

このように、プロセッサー（１１０）により算出される第１部分寄与度は、疾病（ｄ）に関する情報に対する、入力された医療データ（ｘ）のオッズ（Ｏ（ｄ；ｘ））で表現することが可能である。つまり、プロセッサー（１１０）は、学習された第１診断ネットワーク及び学習された第２診断ネットワークを含む、医療診断モデルが出力する、少なくとも１つの疾病（ｄ）に関する存在確率（ｙ＿ｄ（ｘ））を含む第２診断情報に基づき、第１部分寄与度を計算できる。そして、数４の最後の等号の右側の数式は、活性関数としてシグモイド関数（σ（ｘ））を使う場合、数５及び数６から誘導することが可能である。

従って、数４乃至数６を参照し、プロセッサー（１１０）は、学習された第１診断ネットワーク及び学習された第２診断ネットワークを含む医療診断モデルに、医療データを入力し、第１診断ネットワークから抽出される少なくとも１つ以上の所見（ｆ）に係る、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））と、第２診断ネットワークに含まれている最終分類関数のパラメータとしての、疾病－所見加重値ベクトル（ｖ＿｛ｄ，ｆ｝）と、第２診断ネットワークに含まれている最終分類関数のパラメータとしての、疾病によるバイアス値（ｃ＿ｄ））とのうち、少なくとも１つに基づき、第１部分寄与度を算出できる。

上述のように、プロセッサー（１１０）は、別途の外部装置又は追加入力を必要とせず、入力された医療データに対して疾病の存在を推論する動作の他、入力された医療データに疾病が存在するオッズに基づく第１部分寄与度を算出する動作を内部パラメータの値を利用した演算に基づき、追加で行うことが可能である。

次に、プロセッサー（１１０）が、第２部分寄与度を算出する方法について説明する。第２部分寄与度は、診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見による影響を示す値を意味することが可能である。本開示の一実施例において、プロセッサー（１１０）は、第２部分寄与度を、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見の仮想オッズ（ｃｏｕｎｔｅｒｆａｃｔｕａｌ－ｏｄｄｓ）に基づき算出することが可能である。

本明細書において、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の仮想オッズ（ｃｏｕｎｔｅｒｆａｃｔｕａｌ－ｏｄｄｓ）は、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の仮想の存在確率に基づくオッズ（ｏｄｄｓ）と同じ意味として、相互互換できる。上記仮想オッズは、入力データから、特定の種類の疾病を含む第２診断情報が演算された場合、そのような第２診断情報の演算に寄与した、第１診断情報に含まれている各所見の仮想の存在確率に基づくオッズを意味することが可能である。

例えば、入力された医療データに対する、第２診断情報として、糖尿病網膜症（ＤＲ， Ｄｉａｂｅｔｉｃ Ｒｅｔｉｎｏｐａｔｈｙ）が診断された場合、プロセッサー（１１０）が診断したそのような第２診断情報は、網膜出血（Ｈｍｒ， Ｈｅｍｏｒｒｈａｇｅ）及び硬性滲出物（ＨＥ， Ｈａｒｄ Ｅｘｕｄａｔｅ）を含む、複数の所見に対する存在確率を含む、第１診断情報に基づくものになり得る。この場合、第２診断情報（糖尿病網膜症）に対する第１診断情報（網膜出血、硬性滲出物）に含まれている１つ以上の所見情報の仮想オッズは、網膜出血という所見が１００％存在する状況を仮定した仮想オッズ、網膜出血という所見が０％存在する状況を仮定した仮想オッズ、網膜出血という所見が予め決められたｐ％存在する状況の仮想オッズを含むことが可能である。また、第２診断情報（糖尿病網膜症、ＤＲ）に対する第１診断情報（網膜出血、硬性滲出物）に含まれている１つ以上の所見情報の仮想オッズは、網膜出血という所見が１００％存在し、硬性滲出物という所見が０％存在する状況の仮想オッズを含むことが可能である。つまり、本明細書において、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見の仮想オッズは、プロセッサー（１１０）により、入力データから第２診断情報が演算されるとき、その元となる第１診断情報に含まれている少なくとも１つ以上の所見の存在確率を仮定的に設定し、それに基づき第２診断情報が導出されるオッズを意味することが可能である。

以下、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見の仮想オッズ（ｃｏｕｎｔｅｒｆａｃｔｕａｌ－ｏｄｄｓ）を計算する方法について述べる。以下、本開示の一例として、第１診断情報に含まれている１つの所見に関する存在確率を調整し、それに基づく仮想オッズを計算する方法について述べるが、これは一例にすぎず、本開示は、第２診断情報に対し第１診断情報に含まれている複数の所見の存在確率を調整し、それに基づく仮想オッズを計算する方法まで、制限なく含む。

プロセッサー（１１０）は、上記仮想オッズ（ｃｏｕｎｔｅｒｆａｃｔｕａｌ－ｏｄｄｓ）を演算するために、第１診断ネットワークにおいて演算される、入力された医療データに関する特徴ベクトルにおける特定の所見の影響を調整できる。プロセッサー（１１０）は、上記特徴ベクトルを、２つの方向の相異なるベクトルに分解する演算に基づき、入力された医療データに関する特徴ベクトルにおいて、特定の所見の影響を調整できる。プロセッサー（１１０）は、上記特徴ベクトルを、個別所見加重値ベクトル（ｗ＿ｆ）と平行する方向の第１ベクトルと、その他の方向の第２ベクトルとに分解することで、入力された医療データに関する特徴ベクトルにおいて、特定の所見の影響を調整できる。上記その他の方向の第２ベクトルは、個別所見加重値ベクトル（ｗ＿ｆ）と直交する方向のベクトルを含むことが可能である。プロセッサー（１１０）が、特徴ベクトルを、相異なる２つの方向に分解する過程は、数７に基づき行われることが可能である。

数７において、最初の等号の右側の数式は、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））を、個別所見加重値ベクトル（ｗ＿ｆ）と平行する方向の第１ベクトル（

）と、その他の方向の第２ベクトル（

）に分解したものを示している。上記数７において、最後の等号の右側の数式の第１項は、前述の数１において活性関数として使われたシグモイド関数の逆関数（σ＾（－１））を両辺に取り、各項を移項することで、導出することが可能である。つまり、数７において、最後の等号の右側の数式の第１項は、特徴ベクトル（ｇ＿ｆ（ｘ））において、個別所見加重値ベクトル（ｗ＿ｆ）と平行する方向の第１ベクトルを意味することが可能である。このように、個別所見加重値ベクトル（ｗ＿ｆ）と平行する第１ベクトルは、プロセッサー（１１０）が、入力された医療データを第１診断ネットワークに入力した後、ネットワーク関数によって導出される特徴ベクトル及び出力される第１診断情報に含まれている個別所見の存在確率（ｙ＿ｆ（ｘ））に基づき、計算することが可能である。そして、数７において、最後の等号の右側の数式の第２項（ｇ＿｛ｆ⊥ｗ＿ｆ｝（ｘ））は、特徴ベクトルにおいて、上記その他の方向の第２ベクトルを意味することが可能である。上記第２ベクトルは、個別所見加重値ベクトル（ｗ＿ｆ）と直交する成分ベクトルを意味ことが可能である。上記第２ベクトルは、上記特徴ベクトル（ｇ＿ｆ（ｘ））と、上記第１ベクトルとの差に基づき計算することが可能である。

本開示の一実施例において、プロセッサー（１１０）が第２診断情報に対して、複数の所見の存在確率を調整し、それに基づく仮想オッズを計算する場合、プロセッサー（１１０）は、特徴ベクトルを、相異なる複数の方向に分解することが可能である。具体的に、ｆ＿１とｆ＿２で表現することのできる２つの所見の存在確率を調整し、それに基づく仮想オッズを計算するために、プロセッサー（１１０）は、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））を３つの方向に分解することが可能である。具体的に、プロセッサー（１１０）は、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））を、ｆ＿１と平行する方向の第３ベクトルと、ｆ＿２と平行する方向の第４ベクトルと、その他の方向の第５ベクトルとに分解することが可能である。上記、第３ベクトルは、

のように計算することが可能であり、上記第４ベクトルは、

のように計算することが可能である。その他第５ベクトルは、上記特徴ベクトル（ｇ＿ｆ（ｘ））と、第３ベクトル及び第４ベクトルの差に基づき計算することが可能である。

プロセッサー（１１０）は、前述の特徴ベクトルの分解方法に基づき、第１診断情報に含まれている所見（ｆ）の存在確率（ｙ＿ｆ（ｘ））を変更することで、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている、１つ以上の所見の仮想オッズを、算出できる。プロセッサー（１１０）は、第１診断ネットワークから抽出された、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））を分解した後、第１診断ネットワークの出力である第１診断情報に含まれている特定の所見の存在確率（ｙ＿ｆ（ｘ））を、他の確率値（ｐ）に置換し、その変更された確率値に基づく第２診断情報のオッズ（ｏｄｄｓ）を計算できる。プロセッサー（１１０）は、特徴ベクトルにおいて、特定の所見の影響を排除又は調整できる。例えば、特定の所見（ｆ）の存在確率が、０に置換され、所見の影響が排除された特徴ベクトルは、数８で表すことが可能である。

つまり、プロセッサー（１１０）は、特徴ベクトルを、相異なる２つの方向に分解した後、活性関数の逆関数（σ＾（－１）に入力される、特定の所見の存在確率（ｙ＿ｆ（ｘ））を、他の確率値（ｐ）である０に置換することで、特徴ベクトルにおける特定の所見の影響を排除することが可能である。他の例において、活性関数の逆関数（σ＾（－１））に入力される特定の所見の存在確率（ｙ＿ｆ（ｘ））を、確率値（ｐ）１に置換する場合、特定の所見が必ず存在する状況の存在確率に基づく特徴ベクトルを得ることが可能である。さらに、活性関数の逆関数（σ＾（－１））に入力される特定の所見の存在確率（ｙ＿ｆ（ｘ））を、任意の予め決められた確率値（ｐ）に設定した場合、そのような所見の存在確率に基づく特徴ベクトルを得ることが可能である。前述のように、特徴ベクトルにおいて、特定の所見の影響は、プロセッサー（１１０）のネットワークの中の関数及びパラメータを利用した演算により調整される。

以下、特定の所見の各々の存在確率に基づく特徴ベクトルから、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見の仮想オッズを算出する方法について述べる。

本明細書において、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の仮想オッズ（ｃｏｕｎｔｅｒｆａｃｔｕａｌ－ｏｄｄｓ）は、入力された医療データ（ｘ）に対して、特定の疾病（ｄ）の情報を含む第２診断情報に対する第１診断情報に含まれている個別所見（ｆ）の仮想の存在確率（ｐ）に基づくオッズ（Ｃ（ｄ，ｆ，ｐ；ｘ））と同じ意味として、その呼称は相互互換できるものとする。プロセッサー（１１０）は、寄与度算出の元となる第２部分寄与度の算出のために、上記仮想オッズを利用できる。個別所見の仮想の存在確率（ｐ）は、０若しくは１になり得るだけでなく、０．５や０．７等の、０と１の間の任意の値にもなり得る。プロセッサー（１１０）が第２部分寄与度の算出のために参照する第２診断情報に含まれている１つの疾病に対する第１診断情報に含まれている１つ以上の所見の仮想オッズは、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見が必ず存在する状況の確率（ｐ＝１）に基づくオッズと、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見が絶対的に存在しない状況の確率（ｐ＝０）に基づくオッズと、第２診断情報に含まれている１つの疾病に対する第１診断情報に含まれている１つ以上の所見の予め決められた存在確率（０<ｐ<１）に基づくオッズとのうち、少なくとも１つを含むことが可能である。上記第１診断情報は、複数の所見に関する仮想の存在確率を含むことが可能である。特定の所見の影響が排除されている場合の第２部分寄与度、つまり、入力された医療データ（ｘ）に対して特定の疾病（ｄ）の情報を含む第２診断情報に対する第１診断情報に含まれている個別所見（ｆ）の仮想の存在確率（ｐ）に基づくオッズ（Ｃ（ｄ，ｆ，ｐ；ｘ））は、数９のように計算することが可能である。

数９は、前述の数４を参照して説明することが可能である。数９は、上記ｖ＾Ｔ＿｛ｄ，ｉ｝ｇ＿ｉ（ｘ）項を、ｉ≠ｆの場合に、各所見による値を順次足していき、ｉが特定の所見である場合（ｉ＝ｆ）にのみ、当該所見の影響が排除された項（

）を足すことで、導出できる。上述のように、本開示の一実施例において、プロセッサー（１１０）が計算する仮想オッズ（Ｃ（ｄ，ｆ，０：ｘ））は、ベクトル間の演算により、入力された医療データ（ｘ）において特定の所見（ｆ）の影響が排除（ｐ＝０）された場合、特定の疾病（ｄ）に診断される確率と、特定の疾病が存在しないと診断される確率との比率を含むことが可能である。前述の確率値（ｐ）の例は、一例にすぎず、仮想オッズは、個別所見の、予め決められた存在確率に基づき計算することが可能である。

プロセッサー（１１０）は、少なくとも１つのネットワーク関数を含む第１診断ネットワーク又は第２診断ネットワークに基づき、第１診断情報及び第２診断情報を出力する過程において、第１診断ネットワーク又は第２診断ネットワークに含まれている、学習されたパラメータを利用することが可能である。第１診断ネットワーク又は第２診断ネットワークに含まれているパラメータは、入力された医療データに関するベクトル（ｇ＿ｆ（ｘ））と、個別所見加重値ベクトル（ｗ＿ｆ）と、個別所見バイアス値（ｂ＿ｆ）と、疾病－所見バイアス値ベクトル（ｖ＿｛ｄ，ｆ｝）とのうち、少なくとも１つを含むことが可能である。プロセッサー（１１０）は、上記学習されたパラメータを活用し、第２診断情報に含まれている少なくとも１つの疾病に関する第１診断情報に含まれている１つ以上の所見の仮想オッズを計算することで、第２診断情報に対する、第１診断情報に含まれている１つ以上の所見による影響を定量化できる。これは、医療診断モデルが、単純に疾病の有無、又は、疾病の存在確率を提供することにとどまらず、どのような所見に基づき、人工ニューラルネットワークが、そのような結論に至ったのか、ユーザーが解釈できるようにする。

プロセッサー（１１０）は、第２診断情報に含まれている少なくとも１つのの疾病（ｄ）に対する第１診断情報に含まれている１つ以上の所見（ｆ）の寄与度を、オッズ比（ｏｄｄｓ ｒａｔｉｏ）に基づき表現することが可能である。本明細書において、オッズ比（ｏｄｄｓ ｒａｔｉｏ）は、交差比率や掛け算比率と同じ意味として用いられることが可能である。上記オッズ比（ｏｄｄｓ ｒａｔｉｏ）は、異なる仮定の下で導出された２つのオッズ（ｏｄｄｓ）の比率を意味することが可能である。上記オッズ比の算出の元となるオッズは、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている全体所見のオッズになり得る。上記オッズ比 算出の元となるオッズは、第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の仮想オッズになり得る。

本明細書において、「特定の疾病（ｄ）に関する第２診断情報に対して、第１診断情報に含まれている特定の所見（ｆ）が及ぼす影響に関するオッズ比」と「仮想オッズ比（ｃｏｕｎｔｅｒｆａｃｔｕａｌ－ｏｄｄｓ－ｒａｔｉｏ）」は、相互置換でき、同じ意味として用いられることが可能である。

本開示において、プロセッサー（１１０）は、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見の寄与度を、第１部分寄与度と第２部分寄与度との比率で表すことが可能である。具体的な一例として、仮想オッズ比（ｐ＝０）に関する数式は、数１０で表現できる。

上記仮想オッズ比を示す数１０は、特定の所見と疾病との間において、正の相関が合った場合、１より大きい値になることが可能である。具体的に、医療診断モデルによって、入力された医療データにおいて疾病（ｄ）が存在すると判断された場合、プロセッサー（１１０）が、当該疾病が存在すると診断するのに、有意味な影響を及ぼす特定の所見（ｆ）の影響を排除する場合、疾病が発生する確率が低くなり、結果として、仮想オッズ（Ｃ（ｄ，ｆ，０；ｘ））の値が小さくなり、仮想オッズ比（Ｒ＿｛ＣＯ｝（ｄ，ｆ，０；ｘ））の分母が小さくなる。従って、特定の所見（ｆ）の疾病（ｄ）に対する影響力を意味する、仮想オッズ比（Ｒ＿｛ＣＯ｝（ｄ，ｆ，０；ｘ））は、その値が大きいほど、入力された医療データ（ｘ）に存在する所見（ｆ）が、第２診断ネットワークが当該疾病（ｄ）に関する第２診断情報を生成するのに、寄与した度合いが大きいという意味になり得る。

プロセッサー（１１０）により演算され、相関関係情報に含まれる第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見の寄与度は、第２診断情報に含まれている１つ以上の疾病（ｄ）に対する第１診断情報に含まれている１つ以上の所見（ｆ）の発見重要度（Ｒ＿｛ＤＦ｝（ｄ，ｆ））を含むことが可能である。プロセッサー（１１０）は、上記発見重要度（Ｒ＿｛ＤＦ｝（ｄ，ｆ））を計算するために、前述の第２部分寄与度を少なくとも部分的に参照することが可能である。発見重要度（Ｒ＿｛ＤＦ｝（ｄ，ｆ））は、第２診断情報に含まれている１つ以上の疾病（ｄ）に対して、第１診断情報に含まれている特定の所見（ｆ）が必ず存在する状況の確率に基づくオッズ（Ｃ（ｄ，ｆ，１；ｘ））に基づき演算することが可能である。発見重要度（Ｒ＿｛ＤＦ｝（ｄ，ｆ））は、第２診断情報に含まれている１つ以上の疾病（ｄ）に対して、第１診断情報に含まれている特定の所見（ｆ）が絶対に存在しない状況の確率に基づくオッズ（Ｃ（ｄ，ｆ，０；ｘ））に基づき演算することが可能である。一実施例において、発見重要度は、上記２つのオッズ（Ｃ（ｄ，ｆ，１；ｘ）、Ｃ（ｄ，ｆ，０；ｘ））の比率に基づき計算することが可能である。数式は、下記の数１１の通りである。

数１１のように、プロセッサー（１１０）は、第２部分寄与度に基づき、第２診断情報に含まれている１つ以上の疾病（ｄ）に対する第１診断情報に含まれている１つ以上の所見（ｆ）の発見重要度（Ｒ＿｛ＤＦ｝（ｄ，ｆ））を計算することで、入力された医療データから当該所見を発見することが、他の所見との関係において疾病を診断するのに及ぼす重要性を定量化できる。

前述の数式は、本開示における寄与度算出方式を説明するために、活性化関数としてシグモイド（Ｓｉｇｍｏｉｄ）関数を使っている。しかし、上記活性関数は、ｔａｎｈ関数、Ｌｅａｋｙ ＲｅＬＵ関数等を含む、逆関数を取ることのできるあらゆる活性関数を制限なく含む。さらに、上記置換される確率値も、制限なく任意の予め決められた値に変更または計算することが可能である。つまり、前述の例示は、本開示を制限するものではなく、単純な値の変更や関数の変更を通じても、本開示が達成しようとする目的と効果を達成することができるということは、当業者にとって自明な事項である。

一般的に、人工ニューラルネットワークは、最初に入力されたデータに対して、無数のノード間における演算過程を経て、最終出力を導出する。従って、人工ニューラルネットワークを通して、出力が得られた場合でも、ユーザーは、人工ニューラルネットワークが、入力データのどのような情報に基づき当該結果を導出したのかを把握しがたい。一方、本開示におけるプロセッサー（１１０）は、最終的に出力された第１診断情報と第２診断情報との間の相関関係情報を通じて、第１診断情報が第２診断情報に及ぼす影響を定量的に導出できる。これを通じて、様々な独立変数が関与して従属変数が決まる因果関係において、独立変数を制御することにより、独立変数と従属変数との相関関係を確かめることが可能である。その結果、本開示は、ディープラーニング基盤のネットワーク関数の透明性（ｔｒａｎｓｐａｒｅｎｃｙ）を高めるとともに、信頼度の高い結果を提供することが可能である。つまり、医療界等を含む産業界において、人工ニューラルネットワークの最終判断に対する根拠の提出及び高い信頼度が求められる場合、人工ニューラルネットワークの信頼度を定量的に提供できる効果がある。

本開示の一実施例において、プロセッサー（１１０）は、第１診断情報及び第２診断情報を含む相関関係情報を生成又は出力するとき、第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見の寄与度を視覚化して提供することが可能である。プロセッサー（１１０）は、入力された医療データに対する疾病の有無又は疾病の存在確率を含む第２診断情報、当該第２診断情報に寄与する１つ以上の所見情報を含む第１診断情報又は第１診断情報の寄与度等を値として出力することが可能である。プロセッサー（１１０）は、ユーザーの可読性のために、上記の値を視覚化して提供することが可能である。上記視覚化のための動作は、第１診断情報の寄与度分布をグラフに表し、各所見の寄与度の差異をグラフにおける表現因子の大きさの違いで表す動作や、入力データに寄与度の大きい所見の病変領域を表す動作や、第２診断情報に対する第１診断情報に含まれている所見情報の寄与度を、その度合いによって色の濃淡を変えて２次元マトリックス（ｍａｔｒｉｘ）で表す動作等を含むことが可能である。

プロセッサー（１１０）が、第１診断情報及び第２診断情報を含む相関関係情報を出力する際、クラス活性化マップ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）に少なくとも一部基づき、第１診断情報を、入力された医療データに表示して出力することが可能である。プロセッサー（１１０）は、クラス活性化マップを通じて、医療診断モデルの最終診断結果である第２診断情報が、入力された医療データのどのピクセル領域によって出力されたのかを表現することが可能である。プロセッサー（１１０）は、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））に基づき、クラス活性化マップを生成することが可能である。本開示の一実施例において、特徴ベクトル（ｇ＿ｆ（ｘ）∈Ｒ＾Ｃ）が、グローバル平均プーリング（Ｇｌｏｂａｌ Ａｖｅｒａｇｅ Ｐｏｏｌｉｎｇ）によって抽出された場合、プロセッサー（１１０）は、特徴ベクトル（ｇ＿ｆ（ｘ））が、グローバル平均プーリングによって処理される直前の特徴マップ（ｇ＿ｆ（ｘ）∈Ｒ＾｛Ｃ'×Ｈ'×Ｗ'｝）に基づき、クラス活性化マップを生成することが可能である。その数式は、数１２の通りである。

プロセッサー（１１０）は、第２診断ネットワークが，第２診断情報を生成するために、入力された医療データに関する特徴ベクトルに対して、所見ごとに乗ずるパラメータである、疾病―所見加重値ベクトル（ｖ＿｛ｄ，ｊ｝）に少なくとも部分的に基づいてクラス活性化マップを生成できる。具体的に、プロセッサー（１１０）は、クラス活性化マップを生成するために、特徴マップ（ｇ＿ｆ（ｘ））の各チャンネルに乗ずる加重値の値を、疾病―所見加重値ベクトル（ｖ＿｛ｄ，ｊ｝）に基づいて決めることが可能である。

本開示の一実施例において、プロセッサー（１１０）は、第１診断情報及び第２診断情報を含む相関関係情報を出力する際、入力された医療データに関する特徴ベクトルと、第１診断ネットワークに含まれている最終分類関数のパラメータと、第２診断ネットワークに含まれている最終分類関数のパラメータとのうち、少なくともいずれか１つに基づき、クラス活性化マップ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）を生成し、上記クラス活性化マップに基づき、上記第１診断情報を、上記入力された医療データに表示して出力することが可能である。プロセッサー（１１０）は、第１診断ネットワークの演算過程において、グローバル平均プーリングにより、入力された医療データに関する特徴ベクトル（ｇ＿ｆ（ｘ））が抽出される直前のデータである特徴マップ（ｇ＿ｆ（ｘ））を、第１診断ネットワークの演算結果から取得できる。上記数１２に示すように、プロセッサー（１１０）は、第１診断ネットワークの最終分類関数に含まれている個別所見加重値（ｗ＿ｆ）ベクトルと平行する方向の成分ベクトル、第２診断ネットワークの最終分類関数に含まれている疾病―所見加重値ベクトル（ｖ＿｛ｄ，ｆ｝）を、上記特徴マップ（ｇ＿ｆ（ｘ））に各チャンネルごとに乗じてから合算することで、これに基づきクラス活性化マップを生成できる。上記クラス活性化マップを通じて、プロセッサー（１１０）は、入力された医療データにおいて、第２診断情報の出力に影響を及ぼす第１診断情報に含まれている１つ以上の所見情報に係る病変領域を示すことが可能である。

以下、図３を用いて説明する。図３は、医療データに対する診断関連情報を提供する本開示の一実施例において、入力された医療データから第１診断情報及び第２診断情報を出力するための全体モデルの学習プロセスに係るフローチャートである。プロセッサー（１１０）は、少なくとも１つ以上の所見情報がラベリングされている医療データを含む第１学習データセットを取得（２１０）できる。上記第１診断情報は、医療データに対する所見の有無、所見の位置、所見に対する確率等を含むことが可能である。プロセッサー（１１０）は、第１学習データに含まれている医療データを入力とし、少なくとも１つ以上の所見情報を出力するように、第１診断ネットワークを学習（２３０）させることが可能である。プロセッサー（１１０）は、少なくとも１つ以上の疾病情報がラベリングされている医療データを含む第２学習データセットを取得（２５０）できる。この時、第２学習データセットを取得（２５０）する段階は、第１診断ネットワークを学習（２３０）させる段階と、その順番が置き換えられることもある。プロセッサー（１１０）は、第２学習データに含まれている医療データを、第１診断ネットワークに入力し、入力された医療データに関する特徴ベクトルを演算（２７０）できる。入力された医療データに関する特徴ベクトルは、入力された医療データに対して、第１診断ネットワークが第１診断情報を出力するために行う、中間演算過程において演算されるデータを含むことが可能である。プロセッサー（１１０）は、入力された医療データに関する特徴ベクトルを入力とし、少なくとも１つ以上の疾病情報を含む、第２診断情報を出力するように、第２診断ネットワークを学習することが可能である。第２診断情報は、疾病の名前、疾病の存在有無、疾病の根拠となる所見、根拠となる所見の病変領域等を含むことが可能である。第２診断ネットワークは、入力された医療データに関する特徴ベクトルから、第２診断情報を算出するために、ネットワーク関数で構成することが可能であり、決定ツリー（ｄｅｃｉｓｉｏｎ ｔｒｅｅ）で構成することも可能である。プロセッサー（１１０）は、学習された第１診断ネットワーク及び学習された第２診断ネットワークを含む、医療診断モデルにデータを入力して出力された１つ以上の第２診断情報に対して、第１診断情報の寄与度を算出できる。

図４は、医療データに対する診断関連情報を提供するための本開示の一実施例において、第２診断ネットワークを学習するためのフローチャートである。プロセッサー（１１０）は、学習が完了したディープラーニング基盤の第１診断ネットワークを獲得（２８１）できる。学習が完了したということは、上記ディープラーニング基盤の第１診断ネットワークの中に含まれているパラメータの値は、これ以上学習もしくは更新されないという意味を含む。上記ディープラーニング基盤の第１診断ネットワークのモデルを固定した後、プロセッサー（１１０）は、第２学習データに含まれている医療データを、第１診断ネットワークに入力し、少なくとも１つ以上の、入力された医療データに関する特徴ベクトルを演算（２８３）できる。その後、プロセッサー（１１０）は、上記入力された医療データに関する特徴ベクトルに基づき、医療データに対する第２診断情報を出力するように、第２診断ネットワークを学習（２８５）させることが可能である。第１診断ネットワークの最終診断結果ではない、第１診断ネットワークの中の演算過程における特徴ベクトルに基づき、第２診断ネットワークが学習されるということは、単純な値だけを含む数値より多くの情報を盛り込んでいるベクトル形態を、第２診断ネットワークの学習データとして提供するということを意味する。従って、第２診断ネットワークが、第２診断情報と第１診断情報との相関関係をより正確に学習及び推論できる。

前述のように、プロセッサー（１１０）が、全体の医療診断モデルに含まれている、第１診断ネットワーク及び第２診断ネットワークを段階別に分けて、順次学習することで、第２診断ネットワークは、第１診断ネットワークが演算する、予め決められた特定の次元を有するベクトル形態の中間データに基づき学習することが可能である。例えば、第１診断ネットワークと第２診断ネットワークとを同時に学習すれば、第１診断ネットワークと第２診断ネットワークとの組み合わせは、全体として１つの単一ネットワークと変わらないものになる。また、第１診断ネットワークと第２診断ネットワークとを同時に学習すれば、学習過程において、入力された医療データに関する特徴ベクトルは、修正と更新を繰り返すため、第２診断ネットワークに、第１診断ネットワークにおいて演算される、入力された医療データに関する特徴ベクトルを、学習データとして提供することができない。従って、全体を１つのネットワークのように学習する場合は、入力された医療データに関する特徴ベクトルと第２診断情報との関係を学習することが不可能であり、結局第２診断情報と第１診断情報との相関関係情報を出力することが不可能になる。一方、本開示は、第１診断ネットワークの学習を先に進めてから、第１診断ネットワークの演算の結果を利用して、第２診断ネットワークの学習を行うことで、個別所見の特定の疾病に対する影響を踏まえた、医療診断モデルを学習できる。つまり、特定の診断に寄与する所見を定量的に確認できるようになる。

図５は、医療データに対する診断関連情報を提供するための本開示の一実施例において、入力された医療データに対する第１診断情報及び第２診断情報を含む相関関係情報を視覚化した一例示図である。図５の棒ブラフ（５１０）は、第２診断情報に寄与する第１診断情報を、その寄与度の大きさに対応して表現しているグラフである。図５の実施例において、第２診断情報は、１つの疾病関する情報だけを含む第２診断情報になり得る。第１診断情報に含まれている１つ以上の所見に対応する棒の大きさは、各所見が疾病に影響を及ぼす度合いの比に比例することが可能である。プロセッサー（１１０）は、各所見の疾病に対する寄与度の度合いに基づき、全体の所見のうち、寄与度が最も大きい第１所見（５１１）、寄与度が２番目に大きい第２所見（５１３）、寄与度が３番目に大きい第３所見（５１５）を選択することが可能である。

プロセッサー（１１０）は、クラス活性化マップに基づき、１つ以上の所見に関する情報を含む第１診断情報を、入力された医療データに表示することが可能である。プロセッサー（１１０）は、原本医療データ（５３０）に対し、第１所見に係る病変（５５１）を表示する第１医療データ（５５０）、第２所見に係る病変（５７１）を表示する第２医療データ（５７０）、第３所見に係る病変（５９１）を表示する第３医療データ（５９０）を生成できる。前述の３つの所見は、全体の所見を含む第１診断情報のうち、プロセッサー（１１０）によって演算された寄与度の度合いに基づく上位３つの所見になり得る。プロセッサー（１１０）により選択される所見の数は、一例にすぎず、本開示を制限するものではない。プロセッサー（１１０）は、特定の疾病に対する第１診断情報に含まれている所見の寄与度の度合いを棒グラフ（５１０）に出力することができるため、診断結果の原因をユーザーに一目瞭然に示すことができ、かつ、各所見に対する病変領域を前述のように原本医療データ（５３０）に表示することができるため、ユーザーに対して、所見の位置を把握しやすい資料を提供できる。

本開示の一実施例において、医療データに対する診断関連情報を提供する、ニューラルネットワークの演算に係るデータを保存する、データ構造を保存しているコンピューターで読み取り可能な記録媒体が開示される。医療データに対する診断関連情報を提供するニューラルネットワークの演算に係るデータは、次のようなプロセッサー（１１０）の動作を通じて取得できる。プロセッサー（１１０）は、少なくとも１つ以上の所見情報がラベリングされている医療データを含む第１学習データセットに基づき、第１診断ネットワークを学習した後、少なくとも１つ以上の疾病情報がラベリングされている医療データを含む第２学習データセットを第１診断ネットワークに対する入力とし演算された第２学習データセットに含まれている医療データに関する特徴ベクトルに少なくとも部分的に基づき、第２診断ネットワークを学習し、第１診断ネットワークの学習の結果及び第２診断ネットワークの学習の結果に少なくとも部分的に基づき、第１学習データセットに対する第１診断情報セットと、第２学習データセットとに含まれている第２診断情報セットの相関関係情報を算出することが可能である。つまり、プロセッサー（１１０）は、第１診断ネットワークと第２診断ネットワークの学習を通じて。新しい医療データに対して、第１診断情報、第２診断情報、又は、各診断情報の相関関係情報を推論できるだけでなく、学習過程において取得したパラメータの値を通じ、学習データセットから算出された全体の第２診断情報と、全体の第１診断情報との相関関係を視覚化して出力することが可能である。

本開示の一実施例において、コンピューティング装置（１００）は、ディスプレイ部（図示は省略）をさらに含むことが可能である。上記ディスプレイ部は、液晶ディスプレイ（ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ， ＬＣＤ）、薄膜トランジスタ液晶ディスプレイ（ｔｈｉｎ ｆｉｌｍ ｔｒａｎｓｉｓｔｏｒ－ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ， ＴＦＴ ＬＣＤ）、有機発光ダイオード（ｏｒｇａｎｉｃ ｌｉｇｈｔ－ｅｍｉｔｔｉｎｇ ｄｉｏｄｅ， ＯＬＥＤ）、フレキシブルディスプレイ（ｆｌｅｘｉｂｌｅ ｄｉｓｐｌａｙ）、３次元ディスプレイ（３Ｄ ｄｉｓｐｌａｙ）のうち、少なくとも１つを含むことができる。これらのうち、一部のディスプレイモジュールは、それを通して外部を見ることができるように、透明性又は光透過性の素材で作られる場合がある。それらを、透明ディスプレイモジュールと称することができるが、上記透明ディスプレイモジュールの代表例として、ＴＯＬＥＤ（Ｔｒａｎｓｐａｒｅｎｔ ＯＬＥＤ）等がある。前述のディスプレイ部の種類は、例示にすぎず、本開示におけるコンピューティング装置は、ディスプレイのためのあらゆる形態のディスプレイ装置を含むことが可能である。

プロセッサー（１１０）は、上記ディスプレイ部を通じて、入力された医療データに対する第１診断情報及び第２診断情報を含む相関関係情報を表示することが可能である。上記相関関係情報は、入力された医療データに対して演算された第１診断情報、入力された医療データに対して演算された第２診断情報、第２診断情報に対する第１診断情報の寄与度、上記寄与度を視覚化したデータ、オッズ比（ｏｄｄｓ ｒａｔｉｏ）、オッズ比に関するマトリックス（ｏｄｄｓ ｒａｔｉｏ ｍａｔｒｉｘ）、第１診断情報又は第２診断情報を入力された医療データに示したクラス活性化マップ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）等を含むことが可能である。

プロセッサー（１１０）は、上記第１診断情報及び第２診断情報を含む相関関係情報を表示する際、相関関係情報を、第２診断情報に対する第１診断情報の寄与度を含むオッズ比マトリックス（ｏｄｄｓ ｒａｔｉｏ ｍａｔｒｉｘ）で表示することが可能である。

本開示の一実施例において、コンピューティング装置（１００）のプロセッサー（１１０）は、ネットワーク部（１５０）を通じて、入力された医療データに対する第１診断情報と、上記入力された医療データに対する第２診断情報とを含む相関関係情報を、ユーザー端末に送信することが可能である。ユーザー端末は、図１に示すコンピューティング装置に含まれている各構成のうち、少なくとも１つを含むことが可能である。ユーザー端末は、ネットワーク部を利用して、外部サーバーから第１診断情報及び第２診断情報を含む相関関係情報を受信することができるが、ユーザー端末に含まれているプロセッサーを利用して、前述の方法を利用し医療データの入力を受け、第１診断情報及び第２診断情報を含む相関関係情報を生成することも可能である。ユーザー端末は、医療データに対する診断関連情報を表示するユーザーインターフェース（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）を提供することが可能である。ユーザー端末は、出力部を通じて、第１診断情報及び第２診断情報を含む相関関係情報を含むユーザーインターフェースを提供することが可能である。ユーザー端末は、図６に示しているような画面構成を、少なくとも一部含む、ユーザーインターフェースを表示することが可能である。以下、図６を用いて、相関関係情報をオッズ比マトリックス（ｏｄｄｓ ｒａｔｉｏ ｍａｔｒｉｘ）に基づき表示する方法について述べる。

図６は、医療データに対する診断関連情報を提供するため本開示の一実施例において、入力された医療データに対する第１診断情報及び第２診断情報を含む相関関係情報を表示するユーザーインターフェースに係る例示図である。プロセッサー（１１０）により学習されたネットワーク関数は、ネットワーク関数に含まれているパラメータの値に基づき、第１診断情報と第２診断情報との相関関係を表示することが可能である。図６のオッズ比マトリックス（３１０）に含まれている個別のマス目は、第２診断情報に含まれている少なくとも１つ以上の疾病の各々に対する、第１診断情報に含まれている１つ以上の所見の寄与度の度合いを、個別に表すことが可能である。オッズ比マトリックス（３１０）に含まれている個別のマス目は、各所見の寄与度の度合いを、前述の仮想オッズ比（ｏｄｄｓ ｒａｔｉｏ）に基づき、表現することが可能である。上記オッズ比（ｏｄｄｓ ｒａｔｉｏ）の表現は、絶対的な度合いの差や相対的な度合いの差を区別する色に係る表現になり得る。プロセッサー（１１０）は、特定の疾病に影響を及ぼす個別の所見の寄与度を、その寄与度の度合いに対応する異なる色でオッズ比マトリックス（３１０）に表現することが可能である。例えば、入力された医療データに対して出力された第２診断情報に含まれている、Ｄ１という疾病（３１１）に対して、第１診断情報に含まれている個別所見のマス目を、その寄与度の度合いによりそれぞれ異なる色で表現することが可能である。図６において、疾病Ｄ１に対する所見Ｆ１（３１３）の寄与度は、所見Ｆ２を除くその他の所見に比べて比較的大きいということを、Ｄ１－Ｆ１の組み合わせに対応するマス目（３１５）の塗りつぶしの色で把握することが可能である。オッズ比マトリックス（３１０）の縦軸は、第２診断情報に含まれている、少なくとも１つの疾病を含むことが可能である。オッズ比マトリックス（３１０）の横軸は、第１診断情報に含まれている１つ以上の所見を含むことが可能である。図６の色付きの棒（３３０）は、プロセッサー（１１０）が算出した寄与度の最小値と最大値の分布に対応する色になり得る。上記色付きの棒（３３０）の最小値と最大値は、全体寄与度分布から抽出することも可能であり、任意の値に予め選択しておくことも可能である。

データ構造は、データに効率的なアクセスおよび修正を可能にするデータの組織、管理、保存を意味することができる。データ構造は、特定の問題（例えば、最短時間でデータ検索、データ保存、データ修正）を解決するためのデータ組織を意味することができる。データ構造は、特定のデータ処理機能をサポートするように設計されたデータ要素間の物理的または論理的な関係と定義することもできる。データ要素間の論理的な関係は、ユーザーが考えるデータ要素間の連結関係を含むことができる。データ要素間の物理的な関係は、コンピューター可読保存媒体（例えば、ハードディスク）に物理的に保存されているデータ要素間の実際の関係を含むことができる。データ構造は具体的にデータの集合、データ間の関係、データに適用できる関数またはコマンドを含むことができる。効果的に設計されたデータ構造により、コンピューティング装置はコンピューティング装置のリソースを最小限に使用しながら計算を行うことができる。具体的にコンピューティング装置は効果的に設計されたデータ構造を通じて演算、読み取り、挿入、削除、比較、交換、検索の効率性を高めることができる。

データ構造はデータ構造の形態によって線形データ構造と非線形データ構造に区分されることができる。線形データ構造は、一つのデータの後に一つのデータだけが連結される構造である可能性がある。線形データ構造はリスト（Ｌｉｓｔ）、スタック（Ｓｔａｃｋ）、キュー（Ｑｕｅｕｅ）、デッキ（Ｄｅｑｕｅ）を含むことができる。リストは、内部的に順序が存在する一連のデータセットを意味することが可能である。リストは連結リスト（Ｌｉｎｋｅｄ Ｌｉｓｔ）を含むことができる。連結リストはそれぞれのデータがポインタを持って一列に連結されている方式でデータが連結されたデータ構造でありうる。連結リストでポインタは、次や以前のデータとの連結情報を含むことができる。連結リストは形態によって単一連結リスト、二重連結リスト、円形連結リストで表現できる。スタックは制限的にデータにアクセスできるデータリスト構造である可能性がある。スタックは、データ構造の片端でのみデータを処理（例えば、挿入または削除）できる線形データ構造である可能性がある。スタックに保存されたデータは、遅く入るほど早く出てくるデータ構造（ＬＩＦＯ－Ｌａｓｔ ｉｎ Ｆｉｒｓｔ Ｏｕｔ）である可能性がある。キューは制限的にデータにアクセスできるデータ羅列構造であり、スタックとは異なり遅く保存されたデータほど遅く出てくるデータ構造（ＦＩＦＯ－ＦｉｒｓｔｉｎＦｉｒｓｔＯｕｔ）であることができる。デッキはデータ構造の両端でデータを処理できるデータ構造になり得る。

非線形データ構造は、一つのデータの後に複数のデータが連結される構造である可能性がある。非線形データ構造はグラフ（Ｇｒａｐｈ）データ構造を含むことができる。グラフデータ構造は頂点（Ｖｅｒｔｅｘ）と幹線（Ｅｄｇｅ）で定義でき、幹線は互いに異なる二つの頂点を連結する線を含むことができる。グラフデータ構造ツリー（Ｔｒｅｅ）データ構造を含むことができる。ツリーデータ構造はツリーに含まれる複数の頂点のうち、互いに異なる２つの頂点を連結させる経路が一つのデータ構造になり得る。すなわち、グラフデータ構造でループ（ｌｏｏｐ）を形成しないデータ構造になり得る。

本明細書にかけて、演算モデル、神経回路網、ネットワーク関数、ニューラルネットワークは同じ意味で使用できる。（以下ではニューラルネットワークで統一して記述する。）データ構造はニューラルネットワークを含むことができる。そして、ニューラルネットワークを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ニューラルネットワークを含むデータ構造はまた、ニューラルネットワークに入力されるデータ、ニューラルネットワークの加重値、ニューラルネットワークのハイパーパラメータ、ニューラルネットワークから獲得したデータ、ニューラルネットワークの各ノードまたはレイヤーに関連する活性関数、ニューラルネットワークの学習のための損失関数を含むことができる。ニューラルネットワークを含むデータ構造は、上記開示された構成のうち任意の構成要素を含むことができる。すなわち、ニューラルネットワークを含むデータ構造は、ニューラルネットワークに入力されるデータ、ニューラルネットワークの加重値、ニューラルネットワークのハイパーパラメータ、ニューラルネットワークから獲得したデータ、ニューラルネットワークの各ノードまたはレイヤーに関連する活性関数、ニューラルネットワークのトレーニングのための損失関数など、全部またはこれらの任意の組み合わせを含んで構成されることができる。前述した構成以外にも、ニューラルネットワークを含むデータ構造は、ニューラルネットワークの特性を決定する任意の他の情報を含むことができる。また、データ構造は、ニューラルネットワークの演算過程で使用されたり発生するすべての形態のデータを含むことができ、前述の事項に制限されるわけではない。コンピューター可読保存媒体は、コンピューター可読記録媒体および／またはコンピューター可読伝送媒体を含むことができる。ニューラルネットワークは、一般的にノードと呼ばれる相互接続された計算単位の集合で構成されることができる。このようなノードはニューロン（ｎｅｕｒｏｎ）と呼ばれることができる。ニューラルネットワークは、少なくとも１つ以上のノードを含んで構成される。

データ構造は、ニューラルネットワークに入力されるデータを含むことができる。ニューラルネットワークに入力されるデータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ニューラルネットワークに入力されるデータは、ニューラルネットワークの学習過程で入力される学習データおよび／または学習が完了したニューラルネットワークに入力される入力データを含むことができる。ニューラルネットワークに入力されるデータは、前処理（ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を経たデータおよび／または前処理対象となるデータを含むことができる。前処理はデータをニューラルネットワークに入力させるためのデータ処理過程を含むことができる。したがって、データ構造は前処理対象となるデータおよび前処理で発生するデータを含むことができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。

データ構造は、ニューラルネットワークに入力されるか、ニューラルネットワークから出力されるデータを含むことができる。ニューラルネットワークに入力されたり、出力されるデータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。コンピューター可読保存媒体に保存されたデータ構造は、ニューラルネットワークの推論過程で入力されるデータ、またはニューラルネットワークの推論結果に出力される出力データを含むことができる。また、データ構造は特定のデータ加工方法によって加工されるデータを含むことができるので、加工前後のデータを含むことができる。したがって、データ構造は加工の対象となるデータおよびデータ加工方法を通じて加工されたデータを含むことができる。

データ構造は、ニューラルネットワークの加重値を含むことができる。（本明細書で加重値、パラメータは同じ意味で使用できる。）そして、神経回路網の加重値を含むデータ構造はコンピューター可読保存媒体に保存されることができる。ニューラルネットワークは、複数の加重値を含むことができる。加重値は可変的であり、ニューラルネットワークが望む機能を遂行するために、ユーザーまたはアルゴリズムによって可変することができる。例えば、一つの出力ノードに一つ以上の入力ノードがそれぞれのリンクによって相互接続された場合、出力ノードは上記出力ノードと連結された入力ノードに入力された値及びそれぞれの入力ノードに対応するリンクに設定されたパラメータに基づいて出力ノード値を決定することができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。

制限ではなく例として、加重値は神経回路網学習過程で可変する加重値および／または神経回路網学習が完了した加重値を含むことができる。ニューラルネットワーク学習過程で可変される加重値は、学習サイクルが始まる時点の加重値および／または学習サイクルの間に可変される加重値を含むことができる。ニューラルネットワーク学習が完了した加重値は、学習サイクルが完了した加重値を含むことができる。したがって、ニューラルネットワークの加重値を含むデータ構造は、ニューラルネットワーク学習過程で可変される加重値および／またはニューラルネットワーク学習が完了した加重値を含むデータ構造を含むことができる。したがって、上述した加重値および／または各加重値の組み合わせは、神経回路網の加重値を含むデータ構造に含まれるものとする。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。

ニューラルネットワークの加重値を含むデータ構造は、直列化（ｓｅｒｉａｌｉｚａｔｉｏｎ）過程を経た後、コンピューター可読保存媒体（例えば、メモリ、ハードディスク）に保存されることができる。直列化は、データ構造を同一または他のコンピューティングデバイスに保存し、後で再構成して使用できる形態に変換する過程である可能性がある。コンピューティングデバイスは、データ構造を直列化し、ネットワークを介してデータを送受信することができる。直列化されたニューラルネットワークの加重値を含むデータ構造は、逆直列化（ｄｅｓｅｒｉａｌｉｚａｔｉｏｎ）を通じて同じコンピューティング装置または他のコンピューティング装置で再構成されることができる。ニューラルネットワークの加重値を含むデータ構造は、シリアル化に限定されるものではない。さらに、神経回路網の加重値を含むデータ構造は、コンピューティング装置の資源を最小限に使用しながら演算の効率を高めるためのデータ構造（例えば、非線形データ構造で Ｂ－Ｔｒｅｅ、Ｔｒｉｅ、ｍ－ｗａｙ ｓｅａｒｃｈ ｔｒｅｅ、ＡＶＬｔｒｅｅ、Ｒｅｄ－Ｂｌａｃｋ Ｔｒｅｅ）を含むことができる。前述の事項は例示に過ぎず、本開示はこれに限定されない。

データ構造は、ニューラルネットワークのハイパーパラメータ（Ｈｙｐｅｒ－ｐａｒａｍｅｔｅｒ）を含むことができる。そして、ニューラルネットワークのハイパーパラメータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ハイパーパラメータは、ユーザーによって可変される変数である可能性がある。ハイパーパラメータは、例えば、学習率（ｌｅａｒｎｉｎｇ ｒａｔｅ）、コスト関数（ｃｏｓｔ ｆｕｎｃｔｉｏｎ）、学習サイクル反復回数、加重値初期化（例えば、加重値初期化対象となる加重値の範囲設定）、Ｈｉｄｄｅｎ Ｕｎｉｔ個数（例えば、ヒドゥンレイヤーの個数、ヒドゥンレイヤーのノード数）を含むことができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。

図７は、本開示の実施例が具現化されることのできる例示的なコンピューティング環境に係る簡略で一般的な概略図である。本開示が一般的にコンピューティング装置により具現化されることができると前述されているが、当業者であれば本開示が一つ以上のコンピューター上で実行されることのできるコンピューター実行可能命令及び／またはその他のプログラムモジュールと結合して及び／またはハードウェアとソフトウェアの組み合わせとして具現化されることができるということをよく理解できるだろう。

一般的に、本明細書におけるモジュールは、特定のタスクを実行したり特定の抽象的なデータ類型を実装するルーティン、プログラム、コンポーネント、データ構造、その他等々を含む。また、当業者なら本開示の方法がシングルプロセッサーまたはマルチプロセッサーコンピューターシステム、ミニコンピューター、メインフレームコンピューターはもちろん、パーソナルコンピューター、ハンドヘルド（ｈａｎｄｈｅｌｄ）コンピューティング装置、マイクロプロセッサー基盤、またはプログラム可能な家電製品、その他等々（これらは、それぞれ１つ以上の関連する装置と繋がって動作することができる）をはじめとする、他のコンピューターシステムの構成によって実施されることができることをよく理解できるだろう。

本開示において説明された実施例は、さらに、あるタスクが通信ネットワークを通じて繋がっている遠隔処理装置によって実行される分散コンピューティング環境で実施されることができる。分散コンピューティング環境において、プログラムモジュールは、ローカルや遠隔メモリー保存装置の両方に位置することができる。

コンピューターは、多様なコンピューター可読媒体を含む。コンピューターによってアクセス可能な媒体はいずれもコンピューター可読媒体になり得るが、このようなコンピューター可読媒体は揮発性及び非揮発性媒体、一時的（ｔｒａｎｓｉｔｏｒｙ）及び非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）媒体、移動式及び非－移動式媒体を含む。制限ではなく例として、コンピューター可読媒体は、コンピューター可読保存媒体及びコンピューター可読伝送媒体を含むことができる。コンピューター可読保存媒体は、コンピューター可読命令、データ構造、プログラムモジュール又はその他のデータのような情報を保存する任意の方法又は技術により実装される揮発性及び非揮発性媒体、一時的及び非－一時的媒体、移動式及び非移動式媒体を含む。コンピューター可読保存媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリーまたはその他のメモリー技術、ＣＤ－ＲＯＭ、ＤＶＤ（ｄｉｇｉｔａｌ ｖｉｄｅｏ ｄｉｓｋ）またはその他の光ディスク保存装置、磁気カセット、磁気テープ、磁気ディスク保存装置またはその他の磁気保存装置、またはコンピューターによってアクセスされることができ、情報を保存するのに使われることのできる任意のその他の媒体を含むが、これに限定されない。

コンピューター可読伝送媒体は、通常、搬送波（ｃａｒｒｉｅｒ ｗａｖｅ）またはその他の伝送メカニズム（ｔｒａｎｓｐｏｒｔ ｍｅｃｈａｎｉｓｍ）のような被変調データ信号（ｍｏｄｕｌａｔｅｄ ｄａｔａ ｓｉｇｎａｌ）にコンピューター可読命令、データ構造、プログラムモジュールまたはその他のデータ等を実装し、すべての情報伝達媒体を含む。被変調データ信号という用語は、信号の中で情報をエンコードするように、その信号の特性のうち１つ以上を設定または変更した信号を意味する。制限ではなく例として、コンピューター可読伝送媒体は、有線ネットワークまたは直接配線接続（ｄｉｒｅｃｔ－ｗｉｒｅｄ ｃｏｎｎｅｃｔｉｏｎ）のような有線媒体、そして音響、ＲＦ、赤外線、その他の無線媒体のような無線媒体を含む。前述の媒体のいずれかによる任意の組み合わせもまたコンピューター可読伝送媒体の範囲に含まれるものとする。

コンピューター（１１０２）を含む本開示の多様な側面を実現する例示的な環境（１１００）が示されており、コンピューター（１１０２）は、処理装置（１１０４）、システムメモリー（１１０６）、システムバス（１１０８）を含む。システムバス（１１０８）は、システムメモリー（１１０６）（これに限定されない）をはじめとするシステムコンポーネントを処理装置（１１０４）につなげる。処理装置（１１０４）は、多様な商用プロセッサーのうち任意のプロセッサーになり得る。デュエルプロセッサーとその他のマルチプロセッサーアーキテクチャもまた処理装置（１１０４）として利用されることができる。

システムバス（１１０８）は、メモリーバス、周辺装置バス、そして多様な商用バスアーキテクチャの中から、任意のものを使用するローカルバスにさらに相互連結されることのできる複数の類型のバス構造のうちいずれかになり得る。システムメモリー（１１０６）は、読み取り専用メモリー（ＲＯＭ）（１１１０）やランダムアクセスメモリー（ＲＡＭ）（１１１２）を含む。基本的な入出力システム（ＢＩＯＳ）は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の非揮発性メモリー（１１１０）に保存され、このＢＩＯＳは、起動中の時等にコンピューター（１１０２）の中の複数の構成要素間の情報のやりとりをサポートする基本的なルーティンを含む。ＲＡＭ（１１１２）は、またデータをキャッシュするための静的ＲＡＭ等の高速ＲＡＭを含むことができる。

コンピューター（１１０２）においては、また、内蔵型ハードディスクドライブ（ＨＤＤ）（１１１４）（例えば、ＥＩＤＥ、ＳＡＴＡ）―この内蔵型ハードディスクドライブ（１１１４）はまた適切なシャシー（図示は省略）の中で外付け型の用途で構成されることができる―、磁気フロッピーディスクドライブ（ＦＤＤ）（１１１６）（例えば、移動式ディスケット（１１１８）から読み取ったりそれに書き込むためのものである）及び光ディスクドライブ（１１２０）（例えば、ＣＤ－ＲＯＭディスク（１１２２）を読み取ったり、ＤＶＤ等のその他の高容量光媒体から読み取ったり、それに書き込むためのものである）を含む。ハードディスクドライブ（１１１４）、磁気ディスクドライブ（１１１６）及び光ディスクドライブ（１１２０）は、それぞれハードディスクドライブインターフェース（１１２４）、磁気ディスクドライブインターフェース（１１２６）及び光ドライブインターフェース（１１２８）によってシステムバス（１１０８）に繋がることができる。外付け型ドライブの実装のためのインターフェース（１１２４）は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）やＩＥＥＥ１３９４インターフェース技術のうち、少なくとも１つまたはその両方を含む。

これらのドライブ及びこれらに係るコンピューター可読媒体は、データ、データ構造、コンピューターで実行可能な命令、その他等々の非揮発性保存を提供する。コンピューター（１１０２）の場合、ドライブ及び媒体は、任意のデータを適切なデジタル形式に保存することに対応する。前述におけるコンピューター可読保存媒体に係る説明が、ＨＤＤ、移動式磁気ディスク及びＣＤまたはＤＶＤ等の移動式光媒体について触れているが、当業者ならジップドライブ（ｚｉｐ ｄｒｉｖｅ）、磁気カセット、フラッシュメモリーカード、カートリッジ、その他等々のコンピューターにより読み取り可能な他の類型の保存媒体もまた例示的な運営環境で使われることができ、さらに、このような媒体のうち任意のある媒体が、本開示の方法を実行するためのコンピューターで実行可能な命令を含むことができることをよく理解できるだろう。

運営システム（１１３０）、１つ以上のアプリケーションプログラム（１１３２）、その他のプログラムモジュール（１１３４）及びプログラムデータ（１１３６）をはじめとする多数のプログラムモジュールが、ドライブ及びＲＡＭ（１１１２）に保存されることができる。運営システム、アプリケーション、モジュール及び／またはデータの全部またはその一部分がまたＲＡＭ（１１１２）にキャッシュされることができる。本開示が商業的に利用可能な様々な運営システムまたは複数の運営システムの組み合わせにより実装されることができることをよく理解できるだろう。

ユーザーは、１つ以上の有線・無線の入力装置、例えば、キーボード（１１３８）及びマウス（１１４０）等のポインティング装置を通じてコンピューター（１１０２）に命令及び情報を入力することができる。その他の入力装置（図示は省略）としてはマイク、ＩＲリモコン、ジョイスティック、ゲームパッド、スタイラスペン、タッチスクリーン、その他等々があり得る。これら及びその他の入力装置が、よくシステムバス（１１０８）に繋がっている入力装置インターフェース（１１４２）を通じて処理装置（１１０４）に繋がることがあるが、並列ポート、ＩＥＥＥ１３９４直列ポート、ゲームポート、ＵＳＢポート、ＩＲインターフェース、その他等々のその他のインターフェースによって繋がることができる。

モニター（１１４４）または他の類型のディスプレイ装置も、ビデオアダプター（１１４６）等のインターフェースを通じてシステムバス（１１０８）に繋がる。モニター（１１４４）に加えて、コンピューターは一般的にスピーカー、プリンター、その他等々のその他の周辺出力装置（図示は省略）を含む。

コンピューター（１１０２）は、有線及び／または無線通信による（複数の）遠隔コンピューター（１１４８）等の１つ以上の遠隔コンピューターへの論理的接続を利用し、ネットワーク化された環境で動作することができる。（複数の）遠隔コンピューター（１１４８）は、ワークステーション、サーバーコンピューター、ルーター、パーソナルコンピューター、携帯用コンピューター、マイクロプロセッサー基盤の娯楽機器、ピア装置またはその他の通常のネットワークノードになることができ、一般的にコンピューター（１１０２）について述べられた構成要素のうち、多数またはその全部を含むが、簡略化するために、メモリー保存装置（１１５０）のみ図示されている。図示されている論理的接続は、近距離通信網（ＬＡＮ）（１１５２）及び／または、より大きいネットワーク、例えば、遠距離通信網（ＷＡＮ）（１１５４）における有線・無線の接続を含む。このようなＬＡＮ及びＷＡＮのネットワーキング環境は、オフィスや会社では一般的なもので、イントラネット等の全社的コンピューターネットワーク（ｅｎｔｅｒｐｒｉｓｅ－ｗｉｄｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ）を容易にし、これらはすべて全世界のコンピューターネットワーク、例えば、インターネットに繋がることができる。

ＬＡＮネットワーキング環境で使われるとき、コンピューター（１１０２）は、有線及び／または無線通信ネットワークインターフェース、または、アダプター（１１５６）を通じてローカルネットワーク（１１５２）に繋がる。アダプター（１１５６）は、ＬＡＮ（１１５２）への有線または無線通信を容易にすることができ、このＬＡＮ（１１５２）は、また無線アダプター（１１５６）と通信するためにそれに設置されている無線アクセスポイントを含む。ＷＡＮネットワーキング環境で使われるとき、コンピューター（１１０２）は、モデム（１１５８）を含むことができたり、ＷＡＮ（１１５４）上の通信サーバーに繋がったり、またはインターネットを通じる等、ＷＡＮ（１１５４）を通じて通信を設定するその他の手段を持つ。内蔵型又は外付け型、そして、有線または無線装置になり得るモデム（１１５８）は、直列ポートインターフェース（１１４２）を通じてシステムバス（１１０８）に繋がる。ネットワーク化された環境において、コンピューター（１１０２）について説明されたプログラムモジュールまたはその一部分が、遠隔メモリー／保存装置（１１５０）に保存されることができる。図示されたネットワーク接続が例示的なものであり、複数のコンピューター間で通信リンクを設定する他の手段が使われることができるということは容易に理解できることである。

コンピューター（１１０２）は、無線通信で配置されて動作する任意の無線装置またはユニット、例えば、プリンター、スキャナー、デスクトップ及び／または携帯用コンピューター、ＰＤＡ（ｐｏｒｔａｂｌｅ ｄａｔａ ａｓｓｉｓｔａｎｔ）、通信衛星、無線で検出可能なタグに係る任意の装備または場所及、及び電話と通信する動作をする。これは、少なくともＷｉ－Ｆｉ及びブルートゥース（登録商標）無線技術を含む。従って、通信は、従来のネットワークのように予め定義された構造であったり、単純に少なくとも２つの装置の間でのアドホック通信（ａｄ ｈｏｃ ｃｏｍｍｕｎｉｃａｔｉｏｎ）になり得る。

Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）は、有線で繋がっていなくても、インターネット等への接続を可能にする。Ｗｉ－Ｆｉは、このような装置、例えば、コンピューターが室内及び室外で、つまり基地局の通話圏内のどこからでもデータを送受信できるようにするセル電話のような無線技術である。Ｗｉ－Ｆｉネットワークは、安全で信頼性があり、高速である無線接続を提供するためにＩＥＥＥ８０２．１１（ａ、ｂ、ｇ、その他）という無線技術を使う。コンピューターを互いに、インターネット及び有線ネットワーク（ＩＥＥＥ８０２．３またはイーサネットを使う）に接続するためにＷｉ－Ｆｉが使われることができる。Ｗｉ－Ｆｉネットワークは、非認可２．４や５ＧＨｚの無線帯域において、例えば、１１Ｍｂｐｓ（８０２．１１ａ）または５４Ｍｂｐｓ（８０２．１１ｂ）のデータレートで動作したり、両帯域（デュエル帯域）を含む製品において動作することができる。

本開示の技術分野における通常の知識を持つ者は情報及び信号が任意の多様な異なる技術及び手法を利用して示されることができることを理会できる。例えば、上記の説明において参照できるデータ、指示、命令、情報、信号、ビット、シンボル及びチップは、電圧、電流、電磁気派、磁場等または粒子、光学場等または粒子、またはこれらの任意の組み合わせによって示されることができる。

本開示の技術分野において通常の知識を持つ者は、ここに開示された実施例に係る説明で取り挙げられた多様な例示的な論理ブロック、モジュール、プロセッサー、手段、回路、アルゴリズム段階が電子ハードウェア、（利便性のために、ここでは「ソフトウェア」と称される）多様な形のプログラムまたは設計コード、またはこれらすべての結合により実装されることができることを理解できるだろう。ハードウェア及びソフトウェアのこのような相互互換性を明確に説明するために、多様な例示的なコンポーネント、ブロック、モジュール、回路、及び段階がこれらの機能に着目して上記で一般的に説明された。このような機能がハードウェアやソフトウェアで実装されるかどうかは、特定のアプリケーションおよび全体システムに対して付与される設計上の制限によって決まる。本開示の技術分野において通常の知識を持つ者は、個々の特定のアプリケーションについて多様な手法で説明された機能を実現することができるが、このような実現の決定は、本開示の範囲を逸脱するものと解釈されてはならない。

ここに示された多様な実施例は、方法、装置、または標準プログラミング及び／またはエンジニアリング技術を使った製造物品（ａｒｔｉｃｌｅ）によって実現できる。用語「製造物品」は、任意のコンピューターで可読な装置からアクセス可能なコンピュータープログラム、キャリアー、または媒体（ｍｅｄｉａ）を含む。例えば、コンピューターで可読保存媒体は、磁気保存装置（例えば、ハードディスク、フロッピーディスク、磁気ストリップ等）、光学ディスク（例えば、ＣＤ、ＤＶＤ等）、スマートカード及びフラッシュメモリー装置（例えば、ＥＥＰＲＯＭ、カード、スティック、キードライブ等）を含むが、これらに限定されるものではない。また、ここに示されている多様は保存媒体は、情報を保存するための１つ以上の装置及び／または他の機械可読媒体を含む。

示されたプロセスにおける複数の段階の特定の順番または階層構造は、例示的なアプローチの一例であることを理解すべきである。設計上の優先順位に基づき、本開示の範囲内で、プロセスにおける段階の特定の順番または階層構造が再配列されることができることを理解すべきである。添付の方法請求項は、サンプルとしての順番で、多様な段階のエレメントを提供するが、示された特定の順番または階層構造に限定されることを意味するわけではない。

示された実施例に関する説明は、任意の本開示の技術分野において通常の知識を持つ者が、本開示を利用したりまたは実施できるように提供される。このような実施例に対する多様な変形は、本開示の技術分野において通常の知識を持つ者には明確に理解できるものであり、ここに定義された一般的な原理は、本開示の範囲を逸脱することなく他の実施例に適用されることができる。従って、本開示はここに示す実施例によって限定されるものではなく、ここに示す原理及び新規な特徴と一貫する最広義の範囲で解釈されるべきである。

上記のように、発明の実施のための最善の形態において、関連する内容を述べた。

本発明は、医療データに対する診断関連情報を提供するコンピューティング装置等に利用されることが可能である。

Claims (14)

1. コンピューティング装置の１つ以上のプロセッサーにより実行される、医療データに対する診断関連情報を提供する方法であって、
   前記医療データに基づき、診断情報を出力するように学習された第１診断ネットワークを利用し、入力された医療データに対して第１診断情報を演算する段階；
   前記第１診断ネットワークにおいて演算された前記医療データに関する特徴ベクトルに基づき、診断情報を出力するように学習された、第２診断ネットワークを利用し、前記入力された医療データに対して第２診断情報を演算し、前記特徴ベクトルは、前記第１診断ネットワークの演算過程において導出された特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）に基づき演算される段階；及び
   前記第１診断ネットワークの演算過程又は第２診断ネットワークの演算過程の一部分に基づき、前記入力された医療データに対して演算された前記第１診断情報及び第２診断情報を含む相関関係情報を生成する段階；
   を含む、
   医療データに対する診断関連情報を提供する方法。
2. 請求項１において、
   プロセッサーが、前記第１診断ネットワークを利用し、入力された医療データに対し第１診断情報を演算する段階は、
   前記第１診断ネットワークにおいて前記入力された医療データに関する特徴ベクトルを演算する段階；及び
   前記入力された医療データに関する特徴ベクトルに基づき、前記第１診断情報を演算する段階；
   をさらに含む、
   医療データに対する診断関連情報を提供する方法。
3. 請求項１において、
   前記特徴ベクトルは、
   前記第１診断ネットワークの演算過程において導出された特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）にグローバル・プーリング（Ｇｌｏｂａｌ Ｐｏｏｌｉｎｇ）を実行し得られた結果に基づき演算される、
   医療データに対する診断関連情報を提供する方法。
4. 請求項１において、
   前記第１診断ネットワークは、
   複数の異なる種類の所見を含む第１診断情報を演算する相異なる２つ以上のサブ第１診断ネットワークを含む、
   医療データに対する診断関連情報を提供する方法。
5. 請求項１において、
   前記相関関係情報は、
   前記第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている１つ以上の所見情報の寄与度を含む、
   医療データに対する診断関連情報を提供する方法。
6. 請求項５において、
   前記第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の寄与度は、
   前記第１診断ネットワークで演算された前記入力された医療データに関する特徴ベクトル、前記第１診断ネットワークに含まれている最終分類関数のパラメータ又は前記第２診断ネットワークに含まれている最終分類関数のパラメータのうち、少なくともいずれか１つに基づき算出される、
   医療データに対する診断関連情報を提供する方法。
7. 請求項５において、
   前記第２診断情報に含まれている少なくとも１つの疾病に対する、第１診断情報に含まれている１つ以上の所見の寄与度は、
   第１部分寄与度と第２部分寄与度とのうち、少なくとも１つに基づき算出される、
   医療データに対する診断関連情報を提供する方法。
8. 請求項７において、
   前記第１部分寄与度は、
   前記第２診断情報に含まれている少なくとも１つの疾病に対する第１診断情報に含まれている全体所見のオッズ（ｏｄｄｓ）に基づく、
   医療データに対する診断関連情報を提供する方法。
9. 請求項７において、
   前記第２部分寄与度は、
   前記第２診断情報に含まれている少なくとも１つの疾病に対する前記第１診断情報に含まれている１つ以上の所見の仮想オッズ（ｃｏｕｎｔｅｒｆａｃｔｕａｌ－ｏｄｄｓ）に基づくものであるが、
   前記仮想オッズは；
   前記第２診断情報に含まれている少なくとも１つの疾病に対する前記第１診断情報に含まれている１つ以上の所見が必ず存在する状況の確率に基づくオッズ；
   前記第２診断情報に含まれている少なくとも１つの疾病に対する前記第１診断情報に含まれている１つ以上の所見が絶対に存在しない状況の確率に基づくオッズ；又は
   前記第２診断情報に含まれている少なくとも１つの疾病に対する前記第１診断情報に含まれている１つ以上の所見の予め決められた存在確率に基づくオッズ；
   のうち、少なくとも１つを含む、
   医療データに対する診断関連情報を提供する方法。
10. 請求項１において、
    前記相関関係情報を生成する段階は、
    クラス活性化マップ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）に少なくとも一部基づき、前記第１診断情報を前記入力された医療データに表示する段階を含む、
    医療データに対する診断関連情報を提供する方法。
11. 請求項１において、
    前記相関関係情報を生成する段階は、
    前記入力された医療データに関する特徴ベクトルと、前記第１診断ネットワークに含まれている最終分類関数のパラメータと、前記第２診断ネットワークに含まれている最終分類関数のパラメータとのうち、少なくともいずれか１つに基づき、クラス活性化マップ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐ）を生成する段階；及び
    前記クラス活性化マップに基づき、前記第１診断情報を前記入力された医療データに表示する段階；
    を含む、
    医療データに対する診断関連情報を提供する方法。
12. プロセッサー；及び
    少なくとも１つのネットワーク関数が保存されるメモリーを含み、
    前記メモリーは、前記プロセッサーが
    医療データに基づき、診断情報を出力するように学習された第１診断ネットワークを利用し、入力された医療データに対して第１診断情報を演算し、
    前記第１診断ネットワークにおいて演算された前記医療データに関する特徴ベクトルに基づき診断情報を出力するように学習された第２診断ネットワークを利用して、前記入力された医療データに対して第２診断情報を演算し、前記特徴ベクトルは、前記第１診断ネットワークの演算過程において導出された特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）に基づき演算され、さらに
    前記第１診断ネットワークの演算過程又は第２診断ネットワークの演算過程の一部分に基づき、前記入力された医療データに対して演算された前記第１診断情報及び第２診断情報を含む相関関係情報を生成するための、少なくとも１つの、コンピューターで実行可能な命令を保存する、
    医療データに対する診断関連情報を提供するための装置。
13. コンピューター可読保存媒体に保存されたコンピュータープログラムであって、前記コンピュータープログラムは、ユーザー端末に含まれている１つ以上のプロセッサーにおいて実行される場合、医療データに対する診断関連情報を表示するユーザーインターフェース（ＵＩ）を提供し、前記ユーザーインターフェースは；
    入力された医療データに対する第１診断情報及び上記入力された医療データに対する第２診断情報を含む相関関係情報；
    を含み、さらに
    前記相関関係情報は、第１診断ネットワークを利用した第１診断情報の演算過程及び第２診断ネットワークを利用した第２診断情報の演算過程の一部分に基づき、ユーザー端末又はサーバーにおいて生成される、
    コンピューター可読保存媒体に保存されたコンピュータープログラム。
14. 請求項１３において、
    前記相関関係情報は、
    前記第２診断情報に含まれている少なくとも１つの疾病に対する前記第１診断情報に含まれている１つ以上の所見の寄与度を含むオッズ比マトリックス（ｏｄｄｓ ｒａｔｉｏ ｍａｔｒｉｘ）；
    を含む、
    コンピューター可読保存媒体に保存されたコンピュータープログラム。

Images