JP2023536988A - 人の一部の画像を分析して病状の重症度を検出するためのシステム、方法、及びコンピュータプログラム - Google Patents

Abstract

人の皮膚状態を監視するための方法、システム、及びコンピュータプログラムが開示される。一態様では、方法は、人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを取得することと、人の自己免疫状態の重症度が上昇傾向にある尤度、または人の自己免疫状態の重症度が低下傾向にある尤度を示す重症度スコアを生成することと、ユーザの過去画像が自己免疫状態を有する人の皮膚を描写する尤度を示す過去重症度スコアと、重症度スコアを比較することと、比較に基づいて、人の自己免疫状態の重症度が上昇傾向にあるか、人の自己免疫状態の重症度が低下傾向にあるかを判定することと、を含み得る。

Description

白斑とは、皮膚色の損失により皮膚にシミを生じる症状である。これは、色素産生細胞が死滅または機能停止した時に生じ得る。

本開示の革新的な一態様によれば、人の身体の一部の画像を分析して、画像が、特定の病状またはあるレベルの病状重症度変化を伴う人を描写するか否かを判定するためのシステムが開示される。

一態様では、自己免疫状態の発症を検出するためのデータ処理システムが開示される。システムは、１つ以上のコンピュータと、命令を格納した１つ以上のストレージデバイスとを含み得、命令は、１つ以上のコンピュータにより実行されると、１つ以上のコンピュータに動作を実行させる。一態様では、動作は、人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得することと、機械学習モデルにより処理された画像データが自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた機械学習モデルへの入力として、第１の画像を表すデータを、１つ以上のコンピュータにより提供することと、第１の画像を表すデータが機械学習モデルにより処理されたことに基づいて、機械学習モデルにより生成された出力データを、１つ以上のコンピュータにより取得することであって、出力データは、第１の画像が自己免疫状態を有する人の皮膚を描写する尤度を表す、取得することと、取得された出力データに基づいて、人が自己免疫状態を有するか否かを、１つ以上のコンピュータにより判定することと、を含み得る。

他のバージョンは、対応するデバイス、方法、及びコンピュータプログラムを含み、コンピュータプログラムは、コンピュータ可読ストレージデバイス上でエンコードされた命令により定義された方法のアクションを実行する。

これらのバージョン及び他のバージョンは、任意で、下記の特徴のうちの１つ以上を含み得る。例えば、いくつかの実施態様では、人の身体の一部は、顔である。

いくつかの実施態様では、第１の画像を表すデータを取得することは、ユーザデバイスにより生成された自撮り画像である画像データを、１つ以上のコンピュータにより取得することを含み得る。

いくつかの実施態様では、第１の画像を表すデータを取得することは、ユーザデバイスのカメラへのアクセスが許可されているという判定に基づいて、ユーザデバイスのカメラを使用して人の身体の少なくとも一部を表す画像データを時々取得することを含み得、時々取得される画像データは、画像データを生成及び取得するように人から明示的な命令を受けることなく生成及び取得される画像データである。

本開示の別の革新的な態様によれば、人の皮膚状態を監視するためのデータ処理システムが開示される。システムは、１つ以上のコンピュータと、命令を格納した１つ以上のストレージデバイスとを含み得、命令は、１つ以上のコンピュータにより実行されると、１つ以上のコンピュータに動作を実行させる。一態様では、動作は、人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得することと、人の自己免疫状態の重症度が上昇傾向にある尤度、または人の自己免疫状態の重症度が低下傾向にある尤度を示す重症度スコアを、１つ以上のコンピュータにより生成することであって、重症度スコアを生成することは、機械学習モデルにより処理された画像データが自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた機械学習モデルへの入力として、第１の画像を表すデータを、１つ以上のコンピュータにより提供することと、第１の画像を表すデータが機械学習モデルにより処理されたことに基づいて、機械学習モデルにより生成された出力データを、１つ以上のコンピュータにより取得することであって、出力データは、第１の画像が自己免疫状態を有する人の皮膚を描写する尤度を表し、機械学習モデルにより生成された出力データが重症度スコアである、取得することと、を含む重症度スコアを生成することと、ユーザの過去画像が自己免疫状態を有する人の皮膚を描写する尤度を示す過去重症度スコアと、重症度スコアを、１つ以上のコンピュータにより比較することと、比較に基づいて、人の自己免疫状態の重症度が上昇傾向にあるか、人の自己免疫状態の重症度が低下傾向にあるかを、１つ以上のコンピュータにより判定することと、を含む。

他のバージョンは、対応するデバイス、方法、及びコンピュータプログラムを含み、コンピュータプログラムは、コンピュータ可読ストレージデバイス上でエンコードされた命令により定義された方法のアクションを実行する。

これらのバージョン及び他のバージョンは、任意で、下記の特徴のうちの１つ以上を含み得る。例えば、いくつかの実施態様では、人の自己免疫状態の重症度が上昇傾向にあるか、人の自己免疫状態の重症度が低下傾向にあるかを判定することは、重症度スコアが過去重症度スコアより閾値を超えて大きいと、１つ以上のコンピュータにより判定することと、重症度スコアが過去スコアより閾値を超えて大きいと判定したことに基づいて、人の自己免疫状態の重症度が上昇傾向にあると判定することと、を含み得る。

いくつかの実施態様では、人の自己免疫状態の重症度が上昇傾向にあるか、人の自己免疫状態の重症度が低下傾向にあるかを判定することは、重症度スコアが過去重症度スコアより閾値を超えて小さいと、１つ以上のコンピュータにより判定することと、重症度スコアが過去スコアより閾値を超えて小さいと判定したことに基づいて、人の自己免疫状態の重症度が低下傾向にあると判定することと、を含み得る。

本開示の別の革新的な態様によれば、病状の発症を検出するためのデータ処理システムが開示される。システムは、１つ以上のコンピュータと、命令を格納した１つ以上のストレージデバイスとを含み得、命令は、１つ以上のコンピュータにより実行されると、１つ以上のコンピュータに動作を実行させる。一態様では、動作は、人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得することと、第１の画像に類似する過去画像を、１つ以上のコンピュータにより識別することと、第１の画像に関連付けられるべき、過去画像の１つ以上の属性を、１つ以上のコンピュータにより特定することと、１つ以上の属性を記述するデータを含む第１の画像のベクトル表現を、１つ以上のコンピュータにより生成することと、機械学習モデルにより処理された画像データが病状を有する人の皮膚を描写する尤度を特定するようにトレーニングされた機械学習モデルへの入力として、第１の画像の生成されたベクトル表現を、１つ以上のコンピュータにより提供することと、第１の画像の生成されたベクトル表現が機械学習モデルにより処理されたことに基づいて、機械学習モデルにより生成された出力データを、１つ以上のコンピュータにより取得することと、取得された出力データに基づいて、人が病状を伴うか否かを、１つ以上のコンピュータにより判定することと、を含み得る。

他のバージョンは、対応するデバイス、方法、及びコンピュータプログラムを含み、コンピュータプログラムは、コンピュータ可読ストレージデバイス上でエンコードされた命令により定義された方法のアクションを実行する。

これらのバージョン及び他のバージョンは、任意で、下記の特徴のうちの１つ以上を含み得る。例えば、いくつかの実施態様では、病状は、自己免疫状態を含む。

いくつかの実施態様では、１つ以上の属性は、照明条件、時刻、日付、ＧＰＳ座標、顔の毛、病変領域、日焼け止めの使用、化粧の使用、または一時的な切り傷もしくは打撲などの過去画像属性を含む。

いくつかの実施態様では、第１の画像に類似する過去画像を１つ以上のコンピュータにより識別することは、過去画像が、過去画像内の病変領域の部位を識別するデータを含む１つ以上の属性を有する最新保存画像であることを、１つ以上のコンピュータにより特定することを含み得る。

本開示のこれらの革新的な態様及び他の革新的な態様は、明細書、図面、及び特許請求の範囲で、より詳細に説明される。

人の一部の画像を分析して、画像が特定の病状を伴う人を描写するか否かを判定するためのシステムの図である。 人の一部の画像を分析して、画像が特定の病状を伴う人を描写するか否かを判定するためのプロセスのフローチャートである。 人の一部の画像を分析して、画像が、病状の重症度が上昇傾向にある人を描写するか、特定の病状の重症度が低下傾向にある人を描写するかを、判定するためのプロセスのフローチャートである。 人の一部の画像を分析して、画像が特定の病状を伴う人を描写するか否かを判定するようにトレーニングされた機械学習モデルへの入力用に、最適化画像を生成するためのプロセスのフローチャートである。 人の一部の画像を分析して、画像が特定の病状を伴う人を描写するか否かを判定するためのシステムを実施するために使用され得るシステムコンポーネントの図である。

本開示は、人の画像を分析して、画像が特定の病状を伴う人を描写するか否かを検出するためのシステム、方法、及びコンピュータプログラムを対象とする。いくつかの実施態様では、特定の病状は、白斑などの自己免疫状態であり得る。人が特定の病状を伴うか否かを検出することには、人が特定の病状を有することを検出すること、人の特定の病状の重症度が上昇傾向にあることを検出すること、人の特定の病状の重症度が低下傾向にあることを検出すること、または、人が特定の病状を有さないことを検出すること、が含まれ得る。

白斑のような病状などのいくつかの病状の検出には、人の身体の少なくとも一部の画像により描写される人の皮膚の色素の色または他の態様における変化の分析が必要となり得る。したがって、このような分析は、画像分析モジュールに対し、患者の皮膚の正確な描写を提示する入力画像を生成することに、本質的に依存する。数多くの環境要因及び非環境要因が、人の画像の歪みを生じ得る。例えば、照明、雨、または霧などの環境要因により、画像における人の皮膚の色素の正確な表現に歪みが生じ得る。同様に、「自撮りモード」、「ビューティモード」などのカメラフィルタ、またはプログラムされた画像安定化もしくは画像補正といった非環境要因により、人の皮膚の色素の正確な表現に歪みが生じ得る。本開示は、これらの環境要因、非環境要因、または両方により生じるこれらの歪みを考慮して、画像を前処理し、これらの画像のベクトル表現を変更できるという点で、著しい技術改善を提供する。その結果、本開示の画像分析モジュールへの入力用に、最適化入力画像のベクトル表現が生成され得、これは、従来のシステムを使用して生成された入力画像と比較して、人の皮膚の色素をより正確に描写する。したがって、本開示の画像分析モジュールにより生成された出力に基づいて、本開示により行われる、画像により描写される人が特定の病状を伴うか否かに関する判定は、従来のシステムよりも正確である。

図１は、人の一部の画像を分析して、画像が特定の病状を伴う人を描写するか否かを判定するためのシステム１００の図である。システム１００は、ユーザデバイス１１０、ネットワーク１２０、及びアプリケーションサーバ１３０を含み得る。アプリケーションサーバ１３０は、アプリケーションプログラミングインターフェース（ＡＰＩ）モジュール１３１、入力生成モジュール１３２、画像分析モジュール１３３、出力分析モジュール１３５、及び通知モジュール１３７を含み得る。アプリケーションサーバ１３０はまた、過去画像データベース１３４に格納された画像、及び過去スコアデータベース１３６に格納された過去スコアに、アクセスすることができる。いくつかの実施態様では、これらのデータベースの一方または両方は、アプリケーションサーバ１３０に格納され得る。他の実施態様では、これらのデータベースの一方または両方の全てまたは一部は、アプリケーションサーバ１３０によりアクセス可能な別のコンピュータにより、格納され得る。

本明細書の目的では、モジュールという用語は、１つ以上のソフトウェアコンポーネント、１つ以上のハードウェアコンポーネント、またはこれらの任意の組み合わせを含み得、これらを使用して、本明細書によるそれぞれのモジュールに帰属する機能が実現され得る。

ソフトウェアコンポーネントは、例えば１つ以上のソフトウェア命令を含み得、これらは実行されると、本明細書によるそれぞれのモジュールに帰属する機能をコンピュータにより実現させる。ハードウェアコンポーネントは、例えば、中央処理装置（ＣＰＵ）またはグラフィック処理装置（ＧＰＵ）などの１つ以上のプロセッサ、メモリデバイス、またはこれらの組み合わせを含み得、１つ以上のプロセッサは、ソフトウェア命令を実行して、本明細書によるモジュールに帰属する機能を１つ以上のプロセッサにより実現させるように構成され、メモリデバイスは、ソフトウェア命令を格納するように構成される。代替的または付加的に、ハードウェアコンポーネントは、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または特定用途向け集積回路（ＡＳＩＣ）などの１つ以上の回路を含み得、これらは、本明細書によるモジュールに帰属する機能を実現するためにハードワイヤードロジックを使用して動作を実行するように構成されたものである。

いくつかの実施態様では、システム１００は、ユーザデバイス１１０のカメラ１１０ａを使用して、人１０５の身体の一部の第１の画像を表す第１の画像データ１１２ａを生成するプロセスの実行を開始し得る。いくつかの実施態様では、第１の画像データ１１２ａには、ＧＩＦ画像、またはＪＰＥＧ画像などの静止画像データが含まれ得る。いくつかの実施態様では、第１の画像データ１１２ａには、ＭＰＥＧ－４ビデオなどのビデオデータが含まれ得る。いくつかの実施態様では、ユーザデバイス１１０には、スマートフォンが含まれ得る。しかし、他の実施態様では、ユーザデバイス１１０は、カメラを含む任意のデバイスであり得る。例えば、いくつかの実施態様では、ユーザデバイスは、一体型カメラを含む、あるいはカメラに接続されたスマートフォン、タブレットコンピュータ、ラップトップコンピュータ、デスクトップコンピュータ、スマートウォッチ、またはスマートグラスなどであり得る。図１の実施例では、ユーザデバイス１１０は、カメラ１１０ａを使用して、人１０５の顔の画像をキャプチャする。しかし、本開示はこのように限定されず、代わりに、ユーザデバイス１１０のカメラ１１０ａを使用して、人１０５の身体のいかなる部分の画像もキャプチャし得る。

いくつかの実施態様では、ユーザデバイス１１０は、人１０５のコマンドに応じて、人１０５の身体の一部の第１の画像を表す第１の画像データ１１２ａを生成し得る。例えば、第１の画像データ１１２ａは、ユーザデバイス１１０の物理ボタンのユーザ選択に応じて、またはユーザデバイス１１０のグラフィカルユーザインターフェース上に表示されるボタンの視覚表現のユーザ選択に応じて、生成され得る。しかし、本開示は、このように限定される必要はない。代わりに、いくつかの実施態様では、ユーザデバイス１１０には、プログラムドロジックがインストール済みであり得、プログラムドロジックにより、ユーザデバイス１１０は、人１０５の身体の一部の画像データを定期的または非同期的に生成する。

後者のシナリオでは、ユーザデバイス１１０のプログラムドロジックは、人１０５の顔といった人１０５の身体の一部がカメラ１１０ａの視線内にあることを検出するように、ユーザデバイス１１０を構成し得る。次に、人の身体の一部がカメラ１１０ａの視線内にあるという判定に基づいて、ユーザデバイス１１０は、ユーザデバイス１１０による人１０５の顔の画像を表す画像データの生成を、自動的にトリガし得る。これにより、人１０５がこのシステム１００に明らかに関与しているかどうかに関係なく、確実に人の画像が継続的に取得され分析され得る。これは、人１０５が白斑などの特定の病状を伴っている可能性がある状況では、重要であり得、その理由は、人１０５は、自身の皮膚の色素変化により心理的に影響を受けており、アプリケーションを開いて自身の画像を撮り、アプリケーションサーバ１３０に提出して、自身の受けているレジメンにより白斑の重症度が上昇傾向にあるか、白斑の重症度が低下傾向にあるかを判定する意欲を喪失した状態にあり得るためである。

ユーザデバイス１１０は、第１の画像データ１１２ａを含む第１のデータ構造１１２を生成し、生成された第１のデータ構造１１２を、第１のデータ構造１１２を使用するアプリケーションサーバ１３０に、ネットワーク１２０を使用して送信し得る。生成された第１のデータ構造１１２は、第１の画像データ１１２ａを構造化するフィールドと、例えばアプリケーションサーバ１３０の宛先アドレスといった第１の画像データ１１２ａをアプリケーションサーバ１３０に送信するのに必要な任意のメタデータと、を含み得る。いくつかの実施態様では、第１のデータ構造１１２は、ユーザデバイス１１０からアプリケーションサーバ１３０へ第１の画像データ１１２ａを送信するために使用される複数の異なるメッセージとして、実施され得る。例えば、画像データ１１２ａを複数の異なるパケットにパケット化し、パケットが目的とするアプリケーションサーバ１３０の宛先に向けて、ネットワーク１２０を介してパケットを送信することにより、第１のデータ構造１１２の概念は実施され得る。他の実施態様では、第１のデータ構造１１２は、概念的に、例えば第１の画像データ１１２ａが電子メールに添付されたＳＭＴＰを介して送信される電子メールなどの電子メッセージとして、みなされ得る。図１の実施例では、ネットワーク１２０には、有線イーサネットネットワーク、有線光ネットワーク、ＷｉＦｉネットワーク、ＬＡＮ、ＷＡＮ、セルラーネットワーク、インターネット、またはこれらの任意の組み合わせが含まれ得る。

アプリケーションサーバ１３０は、アプリケーションプログラミングインターフェース（ＡＰＩ）１３１を介して、第１のデータ構造１１２を受信し得る。ＡＰＩ１３１は、ユーザデバイス１１０などの１つ以上のユーザデバイスと、アプリケーションサーバ１３０との間のインターフェースとして機能し得るソフトウェアモジュール、ハードウェアモジュール、またはこれらの組み合わせであり得る。ＡＰＩ１３１は、第１の画像データ１１２ａを抽出するために、第１のデータ構造１１２を処理し得る。ＡＰＩ１３１は、入力生成モジュール１３２への入力として、第１の画像データ１１２ａを提供し得る。

入力生成モジュール１３２は、第１の画像データ１１２ａを処理して、画像分析モジュール１３３への入力用に第１の画像データ１１２ａを準備し得る。いくつかの実施態様では、これは、画像分析モジュール１３３へ入力するために、第１の画像データ１１２ａをベクトル化するなどの正規処理を含み得る。第１の画像データ１１２ａをベクトル化することは、例えば複数のフィールドを含むベクトルを生成することを含み得、ベクトルの各フィールドは、第１の画像データ１１２ａのピクセルに対応する。生成されたベクトルは、ベクトルフィールドのそれぞれに、フィールドが対応する画像のピクセルの１つ以上の特徴を表す数値を含み得る。結果得られるベクトルは、画像分析モジュール１３３による入力及び処理に適した第１の画像データ１１２ａの数値表現であり得る。このような実施態様では、生成されたベクトルは、システム１００によるさらなる処理のために、画像分析モジュール１３３への入力として提供され得る。

しかし、図１の実施例のようないくつかの実施態様では、入力生成モジュール１３２は、画像分析モジュール１３３への入力として第１の画像データ１１２ａを提供する前に、画像分析モジュール１３３への入力用に第１の画像データ１１２ａを準備する追加動作を実行し得る。例えば、入力生成モジュール１３２は、人１０５の身体の部分を示す過去画像データベース１３４に格納された過去画像に基づいて、画像分析モジュール１３３への入力用に画像１１２ａを最適化し得る。過去画像データベース１３４に格納されたこれらの過去画像は、分析のためにアプリケーションサーバ１３０に以前に提出された人１０５の画像を含み得る。他の実施態様では、過去画像データベース１３４に格納された過去画像は、医師の往診中にキャプチャされた画像、または人１０５に関連付けられたソーシャルメディアアカウントから取得された画像など、１つ以上の他のソースから取得された画像であり得る。過去画像のこれらの実施例は、限定としてみなされるべきではなく、過去画像データベース１３４に格納された人１０５の過去画像は、いずれの手段で取得されてもよい。

いくつかの実施態様では、過去画像のうちの１つ以上は、過去画像の属性を記述するメタデータに関連付けられ得る。例えば、メタデータを使用して、複数の過去画像のそれぞれに注釈を付け、過去画像の属性を示すことができ、属性には、例えば照明条件、時刻、日付、ＧＰＳ座標、顔の毛、病変領域、日焼け止めの使用、化粧の使用、または一時的な切り傷もしくは打撲などが挙げられ、過去画像に関連付けられた環境要因または非環境要因を考慮して、過去画像が人１０５の皮膚の色素沈着を正確に表しているか否かに関して、領域にタグが付けられる。いくつかの実施態様では、これらのタグは、過去画像のレビューに基づいて、人間のユーザにより割り当てられ得る。

入力生成モジュール１３２は、過去画像データベース１３４に格納された過去画像を使用して、多数の異なる方法で画像１１２ａを最適化し得る。本開示の目的では、画像１１２ａなどの画像を「最適化する」ことは、画像１１２ａを画像分析モジュール１３３による処理により適したものにするために、（ｉ）画像を表すデータを生成すること、または（ｉｉ）画像分析モジュール１３３への入力として提供され得る画像に関連付けられたデータを生成すること、を含み得る。画像分析モジュール１３３が最適化前の画像を処理して生成した出力データと比べて、最適化画像により画像分析モジュール１３３がより良い出力データ１３３ａを生成する場合、最適化画像は、画像分析モジュールによる処理により適したものであり得る。より良い出力とは、例えば、人が特定の病状を伴うか、人の特定の病状の重症度が上昇傾向にあるか、人の特定の病状の重症度が低下傾向にあるか、人が特定の病状を伴わないかに関して、画像分析モジュール１３３により生成された出力データ１３３ａに基づいて、出力分析モジュール１３５がより正確な判定を行うことができる出力が挙げられ得る。

いくつかの実施態様では、最適化画像１１２ｂを生成するために、入力生成モジュール１３２により画像１１２ａが多数の異なる方法で処理され得る。一実施態様では、入力生成モジュールは、新たに受信した画像１１２ａと過去画像１３４との比較を実行し得る。最適化画像１１２ｂに十分に類似する過去画像が識別されると、入力生成モジュール１３２は、画像ベクトルの１つ以上のフィールドの値を、入力画像１１２ａに類似すると特定された識別過去画像のメタデータ属性に対応する値に設定し得る。

例えば、入力生成モジュール１３２は、新たに取得された画像１１２ａが過去画像のうちの１つに類似すると、特定することができる。いくつかの実施態様では、類似性は、例えば、画像１１２ａを表すベクトルと、それぞれの過去画像を表す１つ以上のベクトルとのベクトルベース比較に基づく画像類似性に基づいて、特定され得る。新たに取得された画像１１２ａが特定の照明条件でキャプチャされた過去画像に類似すると特定されると、入力生成モジュール１３２は、画像１１２ａが特定の照明条件の中で撮像されたことを示すように、最適化画像１１２ｂの画像ベクトル表現のフィールドを設定し得る。この追加情報は、画像分析モジュール１３３により行われる推論に情報を与え得る信号を、画像分析モジュール１３３に提供し得る。

別の実施例として、新たに取得された画像１１２ａが、日焼け止めを付けた人１０５をキャプチャした過去画像に類似すると特定されると、入力生成モジュール１３２は、画像内の描写人物１０５が日焼け止めを付けた状態で画像１１２ａは撮像されたことを示すように、最適化画像１１２ｂの画像ベクトル表現のフィールドを設定し得る。この追加情報は、画像分析モジュール１３３により行われる推論に情報を与え得る信号を、画像分析モジュール１３３に提供し得る。

別の実施例として、入力生成モジュールは、新たに取得された画像１１２ａと類似過去画像との関係を特定し得る。いくつかの実施態様では、画像１１２ａと過去画像との類似性は、画像間の時間的関係に基づいて特定され得る。例えば、特定の過去画像は、人１０５の皮膚の一部を描写する最新キャプチャ画像または最新保存画像である場合、画像１１２ａに類似すると特定され得る。このような場合、入力生成モジュール１３２は、類似過去画像に関連付けられたメタデータであって、過去画像により描写される人１０５の皮膚上に描写される既知の白斑病変の部位を示すメタデータに基づいて、最適化画像を表すベクトル１１２ｂに含めるデータを生成し得る。この追加情報は、画像分析モジュール１３３により行われる推論に情報を与え得る信号を、画像分析モジュール１３３に提供し得る。

これらの実施例のいかなるものも、本開示の範囲を限定するものとして解釈されるべきではない。代わりに、任意の過去写真の任意の属性を記述する任意のメタデータを使用して、画像分析モジュール１３３への入力用に画像を最適化することができる。

入力生成モジュール１３２は、画像分析モジュールへの入力用に、最適化画像１１２ｂのベクトル表現を生成し得る。ベクトル表現には、複数のフィールドを含むベクトルが含まれ得、ベクトルの各フィールドは、第１の画像データ１１２ａのピクセルに対応し、１つ以上のフィールドは、１つ以上の類似過去画像から第１の画像データ１１２ａに帰属させた追加情報を表す。生成されたベクトル１１２ｂは、ベクトルフィールドのそれぞれに数値を含み得、これは、フィールドが対応する画像ピクセルの１つ以上の特徴を表し、１つ以上の数値は、入力画像に帰属する追加情報の存在、不在、程度、部位、または他の特徴を示す。

画像分析モジュール１３３は、最適化画像１１２ｂのベクトル表現を分析し、出力データ１３３ａを生成するように構成され得、出力データ１３３ａは、最適化画像１１２ｂのベクトル表現により表される画像１１２ａが、白斑などの病状を伴う人を描写する尤度を示す。最適化画像データ１１２ｂを表すベクトルが画像分析モジュール１３３により処理されたことに基づいて、画像分析モデル１３３により生成された出力データ１３３ａは、出力分析モジュール１３５により分析されて、人１０５が病状を伴うか否かが判定され得る。

いくつかの実施態様では、画像分析モジュール１３３は、１つ以上の機械学習モデルを含み得、機械学習モデルにより処理された最適化画像データ１１２ｂのベクトル表現などの画像データが、１つ以上の自己免疫状態などの病状を有する人１０５の皮膚を描写する画像を表す尤度を特定するように、機械学習モデルはトレーニング済みである。いくつかの実施態様では、自己免疫状態は、白斑であり得る。すなわち、機械学習モデルは、出力データ１３３ａを生成するようにトレーニングされ得、出力データ１３３ａは、機械学習モデルにより処理されたベクトル表現１１２ｂが表す画像データで描写される人が、白斑を有する可能性が高い人である確率、または白斑を有さない可能性が高い人である確率などの値を表し得る。しかし、機械学習モデルにより生成された出力データ１３３ａを、機械学習モデル自身が実際に分類するわけではない。代わりに、機械学習モデルは、出力データ１３３ａを生成し、出力データ１３３ａを出力分析モジュール１３５に提供し、出力分析モジュール１３５は、出力データ１３３ａを人１０５の１つ以上のクラスに閾値で分けるように構成され得る。

機械学習モデルは、数多くの異なる方法でトレーニングされ得る。一実施態様では、最適化画像を表すトレーニングベクトルのトレーニングラベルを生成するシミュレータを使用して、トレーニングが達成され得る。トレーニングラベルは、トレーニングベクトル表現が、病状を伴う人の画像に対応するか、病状を伴わない人の画像に対応するかに関して、指示を提供し得る。このような実施態様では、最適化画像を表す各トレーニングベクトルが、機械学習モデルへの入力として提供され、機械学習モデルにより処理され得、次に、機械学習モデルにより生成されたトレーニング出力を使用して、トレーニングベクトル表現の予測ラベルが特定され得る。トレーニングベクトル表現の予測ラベルは、処理されたトレーニングベクトル表現に対応するトレーニングラベルと比較され得る。次に、予測ラベルとトレーニングラベルとの違いに基づいて、第１の機械学習モデルのパラメータが調整され得る。このプロセスは、新たに処理されたトレーニングベクトル表現の予測ラベルが、トレーニングベクトル表現のシミュレータにより生成されたトレーニングラベルと、所定の誤差レベル内で一致し始めるまで、複数のトレーニングベクトル表現のそれぞれに関して、反復的に続けられ得る。

最適化画像のベクトル表現を処理して、ベクトル表現に対応する画像が特定の病状を伴う人を描写する尤度を示す出力データ１３３ａを生成するようにトレーニングされた機械学習モデルなどの画像分析モジュール１３３により生成された出力データ１３３ａは、出力分析モジュール１３５への入力として提供され得る。出力分析モジュール１３５は、出力データ１３３ａを受信し、確率などの出力データ１３３ａに１つ以上のビジネスロジックルールを適用して、最適化画像のベクトル表現の基となった画像１１２ａで描写される人が、病状を伴うか、病状を伴わないかを判定し得る。

このような実施態様では、出力データ１３３ａを評価するために、出力分析モジュール１３５により単一の閾値が使用され得る。例えば、いくつかの実施態様では、出力分析モジュール１３５は、確率などの出力データ１３３ａを取得し、取得した出力データ１３３ａを所定閾値と比較し得る。取得した出力データ１３３ａが所定閾値を満たさないと出力分析モジュール１３５が判定した場合は、人１０５が特定の病状を伴わないと出力分析モジュール１３５は判定し得る。あるいは、取得した出力データ１３３ａが所定閾値を満たすと出力分析モジュール１３５が判定した場合は、人１０５が特定の病状を伴うと出力分析モジュール１３５は判定し得る。

いくつかの実施態様では、出力分析モジュール１３５は、出力データ１３５ａ生成し得、出力データ１３５ａは、人１０５が病状を伴うか否かに関して、生成された出力データ１３３ａに基づいて出力分析モジュール１３５が下した判定を示すデータを含む。通知モジュール１３７は、レンダリングを含む通知１３７ａを生成し得、通知１３７ａは、ユーザデバイス１１０によりレンダリングされると、ユーザデバイスにより、出力分析モジュール１３５が下した判定を人１０５に伝えるアラートまたは他の視覚的メッセージを、ユーザデバイス１１０のディスプレイ上に表示させる。しかし、本開示は、このように限定される必要はない。例えば、通知１３７ａは、ユーザデバイス１１０により処理されると、出力分析モジュール１３５の判定を他の方法で伝達するように構成され得る。例えば、通知１３７ａは、ユーザデバイス１１０により処理されると、視覚的メッセージとは別に、または視覚的メッセージと組み合わせて、触覚フィードバックまたは音声メッセージにより、出力データ１３３ａに基づく出力分析モジュール１３５の判定結果を伝達させるように構成され得る。通知１３７ａは、アプリケーションサーバ１３０により、ネットワーク１２０を介してユーザデバイス１１０に送信され得る。

しかし、本明細書の主題は、通知１３７ａをユーザデバイス１１０に送信するアプリケーションサーバ１３０に限定されない。例えば、アプリケーションサーバ１３０は、異なるユーザデバイスなどの別のコンピュータに通知１３７ａを送信することもできる。いくつかの実施態様では、例えば、人１０５の医師、家族、または他の人のユーザデバイスに、通知１３７ａは送信され得る。

出力分析モジュール１３５は、他の種類の判定を下すこともできる。いくつかの実施態様では、例えば、出力分析モジュール１３５は、最適化画像のベクトル表現が、病状の重症度が上昇傾向にある人を描写する画像に対応するか、病状の重症度が低下傾向にある人を描写する画像に対応するかに関して、判定を下し得る。

実施例として、図１を参照すると、最適化画像１１２ｂのベクトル表現の処理に基づいて画像分析モジュール１３３が出力データを生成した後、出力分析モジュール１３５は、確率または重症度スコアなどの出力データ１３３ａを、過去スコア１３６データベースに格納し得る。この出力データは、画像１１２ａにより描写される患者１０５が伴う病状の重症度のレベルを表す重症度スコアとして、使用され得る。いくつかの実施態様では、この重症度スコアは、人１０５の病状の重症度が上昇傾向にある尤度、または人１０５の病状の重症度が低下傾向にある尤度を示すことができる。それから後の時点で、ユーザデバイス１１０は、カメラ１１０ａを使用して、ユーザ１０５の第２の画像１１４ａをキャプチャし得る。ユーザデバイス１１０は、第２のデータ構造１１４を使用して、ネットワーク１２０を介してアプリケーションサーバに、第２の画像１１４ａを送信し得る。ＡＰＩモジュール１３１は、第２のデータ構造を受信し、画像１１４ａを抽出し、次いで入力生成モジュール１３２への入力として画像１１４ａを提供し得る。

この実施例を続けると、入力生成モジュール１３２は、前述の動作を実行して、画像１１４ａを最適化し得る。いくつかの実施態様では、これは、過去画像データベース１３４の検索を実行することと、１つ以上の過去画像の属性を現在の画像１１４ａに移植することと、を含み得る。入力生成モジュール１３２は、移植された属性に基づいて、最適化画像１１４ｂの第２のベクトル表現を生成し得る。入力生成モジュール１３２は、画像分析モジュール１３３への入力として、最適化画像１１４ｂの第２のベクトル表現を提供し得る。画像分析モジュール１３３は、最適化画像１１４ｂの第２のベクトル表現を処理して、第２の出力データ１３３ｂを生成し得、第２の出力データ１３３ｂは、第２の画像１１４ａが特定の病状を伴う人１０５を描写する尤度を示す。

この時点で、出力分析モジュール１３５は、最適化画像１１２ｂの第１のベクトル表現に基づいて生成された第１の出力データ１３３ａを考慮して、最適化画像１１４ｂの第２のベクトル表現に基づいて生成された第２の出力データ１３３ｂを分析し得る。具体的には、出力分析モジュール１３５は、第１の出力データ１３３ａに対する第２の出力データ１３３ｂの変化に基づいて、画像１１４ａにより描写される人１０５の特定の病状の重症度が上昇傾向にあるか、このような人１０５の特定の病状の重症度が低下傾向にあるかを、判定し得る。例えば、出力値「１」は、人が病状を有することを意味し、出力値「０」は、人が病状を有さないことを意味する尺度が確立されていると仮定する。このような尺度の下、第１の出力データ１３３ａが０．６５であり、第２の出力データ１３３ｂが０．７８であった場合、第１の出力データ１３３ａと第２の出力データ１３３ｂとの差により、人１０５の病状の重症度は上昇傾向にあることが示される。同様に、同じ尺度で、第１の出力データ１３３ａが０．６５であり、第２の出力データ１３３ｂが０．４９であったシナリオでは、第１の出力データ１３３ａと第２の出力データ１３３ｂとの差により、人１０５の病状の重症度は低下傾向にあることが示される。

これらの実施例のいずれも、本開示を限定するものではない。例えば、「１」は、人が病状を有さないことを意味し、「０」は、人が病状を有することを意味するなど、他の尺度が使用されてもよい。別の実施例として、「－１」は、人が病状を有さないことを意味し、「１」は、人が病状を有することを意味するように、尺度が決定されてもよい。実際、いずれの尺度が使用されてもよく、入力生成モジュール１３２により生成された出力データ１３３ａ、１３３ｂの範囲に基づいて、調整することができる。

しかし、本開示は、このように限定される必要はない。例えば、いくつかの実施態様では、出力分析モジュール１３５は、他のプロセス、システム、またはこれらの組み合わせを使用して、画像１１４ａにより描写される人の特定の病状の重症度が上昇傾向にあるか、このような人の特定の病状の重症度が低下傾向にあるかを判定し得る。例えば、いくつかの実施態様では、出力分析モジュール１３５は、１つ以上の機械学習モデルを備え得、機械学習モデルは、ＭＬモデル１３３により生成された出力データ１３３ｂが、画像１１４ａにより描写される人の特定の病状の重症度が上昇傾向を示すか、このような人の特定の病状の重症度が低下傾向を示すかを、予測するようにトレーニング済みである。

より詳細には、画像１１４ａに基づいて生成された現在の重症度スコアと、画像１１２ａに基づいて生成された重症度スコアなどの１つ以上の過去重症度スコアとに関連付けられた人の病状（例えば自己免疫状態）の重症度が上昇傾向にある尤度、またはこのような人の病状（例えば自己免疫状態）の重症度が低下傾向にある尤度を、特定するようにトレーニングされた１つ以上の機械学習モデルを、このような実施態様の出力分析モジュール１３５は含み得る。すなわち、画像１１４ａに基づいて生成された現在の重症度スコアと、画像１１２ａに基づいて生成された重症度スコアなどの１つ以上の過去重症度スコアとに関連付けられた人の病状（例えば自己免疫状態）の重症度が上昇傾向にある確率、またはこのような人の病状（例えば自己免疫状態）の重症度が低下傾向にある確率などの値を表し得る出力データ１３５ａを生成するように、機械学習モデルはトレーニングされ得る。次に、出力分析モジュール１３５の１つ以上の機械学習モデルにより生成された出力データを分析して、現在の重症度スコア及び１つ以上の過去重症度スコアに関連付けられた人の病状（例えば自己免疫状態）の重症度が上昇傾向にあるか、このような人の病状（例えば自己免疫状態）の重症度が低下傾向にあるかが、判定され得る。いくつかの実施態様では、重症度スコアに関連付けられた人の病状が進行傾向にあるか、退行傾向にあるかを判定する際、機械学習モデルが考慮できるデータ信号をより多く提供するために、１つ以上の機械学習モデルは、現在の重症度スコアに加えて、複数の過去重症度スコアを入力として受信するように、トレーニングされ得る。

出力分析モジュール１３５により下された判定は、通知モジュール１３７ａを使用して、ユーザデバイス１１０または他のユーザデバイスに送信され得る。例えば、出力分析モジュール１３５は、人１０５の病状の重症度が上昇傾向にあるか、人１０５の病状の重症度が低下傾向にあるか、人１０５の病状の重症度に変化がないかなどを示す出力データ１３５ａを生成し得る。出力データ１３５ａは、通知モジュール１３７に提供され得、通知モジュールは、出力データ１３５ａに基づいて通知１３７ａを生成し得る。アプリケーションサーバ１３０は、ユーザデバイス１１０または他のユーザデバイスへの通知を、それぞれのユーザデバイスのうちの１つ以上に通知１３７ａを送信することにより行い得る。

人１０５の病状の重症度が上昇傾向にあるか、人１０５の病状の重症度が低下傾向にあるか、人１０５の病状の重症度に変化がないかを示す出力データ１３５ａを分析するために、追加のアプリケーションが使用されてもよい。いくつかの実施態様では、例えば、出力データ１３５ａまたは通知１３７ａは、第１の画像データ１１２ａ及び第２の画像データ１１４ａにそれぞれ対応するベクトルに基づいて、第１の出力データ１３３ａと第２の出力データ１３３ｂとの変化度を表すデータを含み得る。ユーザデバイス１１０または別のユーザデバイス上のソフトウェアは、第１の出力データ１３３ａと第２の出力データ１３３ｂとの変化度を分析して、人１０５または人の医師に１つ以上のアラートを生成することができる。このようなアラートは、人１０５に自分の薬を塗布することを思い出させ、または医師にその人の処方箋を調整するように提案することなどができる。例えば、病状が白斑であるようないくつかの実施態様では、ソフトウェアは、第１の出力データ１３３ａと第２の出力データ１３３ｂとの差は、ユーザの白斑病変がより深刻化傾向にあることを示すと、判断するように構成され得る。このような事例では、ソフトウェアは、第１の出力データ１３３ａと第２の出力データ１３３ｂとの変化度に基づいて、人１０５に自分の薬を塗布することを思い出させ、人１０５に自分の薬をより頻繁に塗布することを提案し、または医師に人１０５の薬の投与量を増やすように提案するアラートを生成し得る。同様の範囲の他のアプリケーションも、本開示の範囲内であることが意図される。これらのリマインダアラート／提案アラートのための分析は、ユーザデバイス上のアプリケーションにより実行されると説明されるが、本開示はこのように限定されない。代わりに、出力データ１３３ａと出力データ１３３ｂとの差の度合の分析は、アプリケーションサーバ１３０上の出力分析モジュール１３５により実行されてもよく、リマインダアラート／提案アラートは、通知モジュール１３７により生成されてもよい。

通知モジュール１３７がＡＰＩモジュール１３１を介して通知１３７ａを渡すことは明示的に示されていないが、いくつかの実施態様では、ユーザデバイスとアプリケーションサーバとの間のデータ通信は、アプリケーションサーバ１３０とユーザデバイス（複数可）との間のミドルウェア形態であるＡＰＩ１３１を介して行われるとみなされる。

図２は、人の一部の画像を分析して、画像が特定の病状を伴う人を描写するか否かを判定するためのプロセス２００のフローチャートである。通常、プロセス２００は、人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得すること（２１０）と、機械学習モデルにより処理された画像データが自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた機械学習モデルへの入力として、第１の画像を表すデータを、１つ以上のコンピュータにより提供すること（２２０）と、第１の画像を表すデータが機械学習モデルにより処理されたことに基づいて、機械学習モデルにより生成された出力データを、１つ以上のコンピュータにより取得することであって、出力データは、第１の画像が自己免疫状態を有する人の皮膚を描写する尤度を表す、取得すること（２３０）と、取得された出力データに基づいて、人が自己免疫状態を有するか否かを、１つ以上のコンピュータにより判定すること（２４０）と、を含み得る。

図３は、人の一部の画像を分析して、画像が、病状の重症度が上昇傾向にある人を描写するか、特定の病状の重症度が低下傾向にある人を描写するかを、判定するためのプロセス３００のフローチャートである。例えば、いくつかの実施態様では、プロセス３００は、人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得すること（３１０）と、人の自己免疫状態の重症度が上昇傾向にある尤度、または人の自己免疫状態の重症度が低下傾向にある尤度を示す重症度スコアを、１つ以上のコンピュータにより生成すること（３２０）と、ユーザの過去画像が自己免疫状態を有する人の皮膚を描写する尤度を示す過去重症度スコアと、重症度スコアを、１つ以上のコンピュータにより比較すること（３３０）と、比較に基づいて、人の自己免疫状態の重症度が上昇傾向にあるか、人の自己免疫状態の重症度が低下傾向にあるかを、１つ以上のコンピュータにより判定すること（３４０）と、を含み得る。

図４は、人の一部の画像を分析して、画像が特定の病状を伴う人を描写するか否かを判定するようにトレーニングされた機械学習モデルへの入力用に、最適化画像を生成するためのプロセス４００のフローチャートである。通常、プロセス４００は、人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得すること（４１０）と、第１の画像に類似する過去画像を、１つ以上のコンピュータにより識別すること（４２０）と、第１の画像に関連付けられるべき、過去画像の１つ以上の属性を、１つ以上のコンピュータにより特定すること（４３０）と、１つ以上の属性を記述するデータを含む第１の画像のベクトル表現を、１つ以上のコンピュータにより生成すること（４４０）と、機械学習モデルにより処理された画像データが特定の病状を有する人の皮膚を描写する尤度を特定するようにトレーニングされた機械学習モデルへの入力として、第１の画像の生成されたベクトル表現を、１つ以上のコンピュータにより提供すること（４５０）と、第１の画像の生成されたベクトル表現が機械学習モデルにより処理されたことに基づいて、機械学習モデルにより生成された出力データを、１つ以上のコンピュータにより取得すること（４６０）と、取得された出力データに基づいて、人が病状を伴うか否かを、１つ以上のコンピュータにより判定すること（４７０）と、を含み得る。

図５は、人の一部の画像を分析して、画像が特定の病状を伴う人を描写するか否かを判定するためのシステムを実施するために使用され得るシステムコンポーネントの図である。

コンピューティングデバイス５００は、ラップトップ、デスクトップ、ワークステーション、携帯情報端末、サーバ、ブレードサーバ、メインフレーム、及び他の好適なコンピュータなど、様々な形態のデジタルコンピュータを表すことが意図される。コンピューティングデバイス５５０は、携帯情報端末、携帯電話、スマートフォン、及び他の同様のコンピューティングデバイスなど、様々な形態のモバイルデバイスを表すことが意図される。さらに、コンピューティングデバイス５００または５５０は、ユニバーサルシリアルバス（ＵＳＢ）フラッシュドライブを含み得る。ＵＳＢフラッシュドライブは、オペレーティングシステム及び他のアプリケーションを格納し得る。ＵＳＢフラッシュドライブは、無線送信器、または別のコンピューティングデバイスのＵＳＢポートに挿入できるＵＳＢコネクタなど、入力／出力コンポーネントを含み得る。ここに示されるコンポーネント、これらの接続及び関係、ならびにこれらの機能は、例示のみを目的としており、本書で説明及び／または特許請求される発明の実施態様を限定する目的はない。

コンピューティングデバイス５００は、プロセッサ５０２、メモリ５０４、ストレージデバイス５０６、メモリ５０４と高速拡張ポート５１０を接続する高速インターフェース５０８、及び低速バス５１４とストレージデバイス５０６に接続する低速インターフェース５１２を含む。コンポーネント５０２、５０４、５０６、５０８、５１０、及び５１２のそれぞれは、様々なバスを使用して相互接続され、共通のマザーボード上に、または必要に応じて他の方法で、取り付けられ得る。プロセッサ５０２は、メモリ５０４またはストレージデバイス５０６に格納された命令を含む、コンピューティングデバイス５００内で実行される命令を処理して、高速インターフェース５０８に接続されたディスプレイ５１６などの外部入力／出力デバイス上に、ＧＵＩのグラフィック情報を表示し得る。他の実施態様では、複数のプロセッサ及び／または複数のバスが、必要に応じて複数のメモリ及びメモリ類とともに使用され得る。また、複数のコンピューティングデバイス５００は、例えばサーババンク、ブレードサーバ群、またはマルチプロセッサシステムとして、必要な動作の部分を提供する各デバイスと接続され得る。

メモリ５０４は、コンピューティングデバイス５００内で情報を格納する。一実施態様では、メモリ５０４は、揮発性メモリユニット（複数可）である。別の実施態様では、メモリ５０４は、不揮発性メモリユニット（複数可）である。メモリ５０４はまた、磁気ディスクまたは光ディスクなどのコンピュータ可読媒体の別の形態であってもよい。

ストレージデバイス５０６は、コンピューティングデバイス５００に大容量ストレージを提供することができる。一実施態様では、ストレージデバイス５０６は、コンピュータ可読媒体であり得、またはコンピュータ可読媒体を含み得、例えば、フロッピーディスクデバイス、ハードディスクデバイス、光ディスクデバイス、もしくはテープデバイス、またはフラッシュメモリ、もしくは他の同様のソリッドステートメモリデバイス、またはストレージエリアネットワークもしくは他の構造内のデバイスを含むデバイスアレイなどが挙げられる。コンピュータプログラム製品は、情報担体で有形に具現化され得る。コンピュータプログラム製品はまた、命令を含み得、命令は、実行されると、前述の方法などの１つ以上の方法を実行する。情報担体は、メモリ５０４、ストレージデバイス５０６、またはプロセッサ５０２上のメモリなどのコンピュータ可読媒体またはマシン可読媒体である。

高速コントローラ５０８は、コンピューティングデバイス５００の帯域幅集約型動作を管理し、一方で低速コントローラ５１２は、より低い帯域幅集約型動作を管理する。このような機能の割り当ては、単なる例である。一実施態様では、高速コントローラ５０８は、メモリ５０４、例えばグラフィックプロセッサまたはアクセラレータを介してディスプレイ５１６、及び様々な拡張カード（図示せず）を受け入れることができる高速拡張ポート５１０に、接続される。実施態様では、低速コントローラ５１２は、ストレージデバイス５０６及び低速拡張ポート５１４に接続される。例えばＵＳＢ、ブルートゥース（登録商標）、イーサネット、ワイヤレスイーサネットなどの様々な通信ポートを含み得る低速拡張ポートは、キーボード、ポインティングデバイス、マイクロフォン／スピーカペア、スキャナ、またはスイッチもしくはルータなどのネットワークデバイスといった、１つ以上の入力／出力デバイスに、例えばネットワークアダプタを介して、接続され得る。コンピューティングデバイス５００は、図に示されるように、多数の異なる形態で実装することができる。例えば、コンピューティングデバイス５００は、標準サーバ５２０として実装されてもよく、またはこのようなサーバ群で複数回実装されてもよい。また、コンピューティングデバイス５００は、ラックサーバシステム５２４の一部として実装されてもよい。さらに、コンピューティングデバイス５００は、ラップトップコンピュータ５２２などのパーソナルコンピュータで実装されてもよい。あるいは、コンピューティングデバイス５００のコンポーネントは、デバイス５５０などのモバイルデバイス（図示せず）の他のコンポーネントと組み合わされてもよい。このようなデバイスのそれぞれは、コンピューティングデバイス５００、５５０のうちの１つ以上を含み得、システム全体は、相互通信する複数のコンピューティングデバイス５００、５５０で構成され得る。

コンピューティングデバイス５００は、図に示されるように、多数の異なる形態で実装することができる。例えば、コンピューティングデバイス５００は、標準サーバ５２０として実装されてもよく、またはこのようなサーバ群で複数回実装されてもよい。また、コンピューティングデバイス５００は、ラックサーバシステム５２４の一部として実装されてもよい。さらに、コンピューティングデバイス５００は、ラップトップコンピュータ５２２などのパーソナルコンピュータで実装されてもよい。あるいは、コンピューティングデバイス５００のコンポーネントは、デバイス５５０などのモバイルデバイス（図示せず）内の他のコンポーネントと組み合わされてもよい。このようなデバイスのそれぞれは、コンピューティングデバイス５００、５５０のうちの１つ以上を含み得、システム全体は、相互通信する複数のコンピューティングデバイス５００、５５０で構成され得る。

コンピューティングデバイス５５０は、プロセッサ５５２、メモリ５６４、及び入力／出力デバイス、例えば他のコンポーネントの中でもディスプレイ５５４、通信インターフェース５６６、トランシーバ５６８などを含む。追加のストレージを提供するために、デバイス５５０には、マイクロドライブまたは他のデバイスといったストレージデバイスも提供され得る。コンポーネント５５２、５６４、５５４、５６６、及び５６８のそれぞれは、様々なバスを使用して相互接続され、コンポーネントのうちのいくつかは、共通のマザーボード上に、または必要に応じて他の方法で、取り付けられ得る。

プロセッサ５５２は、メモリ５６４に格納された命令を含む、コンピューティングデバイス５５０内の命令を実行し得る。プロセッサは、別個の複数のアナログプロセッサ及びデジタルプロセッサを含むチップのチップセットとして、実装され得る。さらに、プロセッサは、多数のアーキテクチャのうちのいずれかを使用して実装され得る。例えば、プロセッサ５５２は、ＣＩＳＣ（複合命令セットコンピュータ）プロセッサ、ＲＩＳＣ（縮小命令セットコンピュータ）プロセッサ、またはＭＩＳＣ（最小命令セットコンピュータ）プロセッサであり得る。プロセッサは、例えば、ユーザインターフェース、デバイス５５０により実行されるアプリケーション、及びデバイス５５０によるワイヤレス通信の制御など、デバイス５５０の他のコンポーネントの調整を提供し得る。

プロセッサ５５２は、ディスプレイ５５４に接続された制御インターフェース５５８及びディスプレイインターフェース５５６を介して、ユーザと通信し得る。ディスプレイ５５４は、例えば、ＴＦＴ（薄膜トランジスタ液晶）ディスプレイ、またはＯＬＥＤ（有機発光ダイオード）ディスプレイ、または他の好適なディスプレイ技術であり得る。ディスプレイインターフェース５５６は、ディスプレイ５５４を駆動してグラフィック及び他の情報をユーザに提示させる好適な回路を備え得る。制御インターフェース５５８は、ユーザからコマンドを受信し、プロセッサ５５２に提出するためにコマンドを変換し得る。さらに、デバイス５５０と他のデバイスとの近距離通信を可能にするために、プロセッサ５５２と通信する外部インターフェース５６２が設けられ得る。外部インターフェース５６２は、例えば、いくつかの実施態様では、有線通信を提供し得、または他の実施態様では、無線通信を提供し得、複数のインターフェースも使用され得る。

メモリ５６４は、コンピューティングデバイス５５０内で情報を格納する。メモリ５６４は、コンピュータ可読媒体（複数可）、揮発性メモリユニット（複数可）、または不揮発性メモリユニット（複数可）のうちの１つ以上として実装され得る。拡張メモリ５７４も提供され、拡張インターフェース５７２を介してデバイス５５０に接続され得、拡張インターフェース５７２には、例えばＳＩＭＭ（シングルインラインメモリモジュール）カードインターフェースが含まれ得る。このような拡張メモリ５７４は、デバイス５５０に割り増しのストレージ空間を提供することができ、またはデバイス５５０のアプリケーションまたは他の情報を格納することもできる。具体的には、拡張メモリ５７４は、前述のプロセスを実行または補足するための命令を含むことができ、セキュア情報も含むことができる。よって、例えば、拡張メモリ５７４は、デバイス５５０のセキュリティモジュールとして設けられ得、デバイス５５０の安全な使用を可能にする命令でプログラムされ得る。さらに、ハッキング不可能な方法でＳＩＭＭカードに識別情報を配置するなど、追加情報とともに、ＳＩＭＭカードを介して、セキュアアプリケーションが提供され得る。

メモリには、下記で論述されるように、例えばフラッシュメモリ及び／またはＮＶＲＡＭメモリが含まれ得る。一実施態様では、コンピュータプログラム製品は、情報担体で有形に具現化される。コンピュータプログラム製品は、命令を含み、命令は、実行されると、前述の方法などの１つ以上の方法を実行する。情報担体は、メモリ５６４、拡張メモリ５７４、またはプロセッサ５５２上のメモリなどのコンピュータ可読媒体またはマシン可読媒体であり、例えばトランシーバ５６８または外部インターフェース５６２を介して受け付けられ得る。

デバイス５５０は、必要に応じてデジタル信号処理回路を含み得る通信インターフェース５６６を介して、無線で通信し得る。通信インターフェース５６６は、数ある中でもＧＳＭ音声通話、ＳＭＳ、ＥＭＳ、もしくはＭＭＳメッセージング、ＣＤＭＡ、ＴＤＭＡ、ＰＤＣ、ＷＣＤＭＡ（登録商標）、ＣＤＭＡ２０００、またはＧＰＲＳなど、様々なモードまたはプロトコル下の通信を提供し得る。このような通信は、例えば無線周波数トランシーバ５６８を介して実行され得る。さらに、例えばブルートゥース（登録商標）、Ｗｉ－Ｆｉ、または他のこのようなトランシーバ（図示せず）を使用して、短距離通信が実行され得る。さらに、ＧＰＳ（全地球測位システム）受信器モジュール５７０は、デバイス５５０に追加のナビゲーション関連無線データ及び位置関連無線データを提供することができ、これらは、デバイス５５０上で実行されるアプリケーションにより必要に応じて使用され得る。

デバイス５５０はまた、オーディオコーデック５６０を使用して可聴通信を行うことができ、オーディオコーデック５６０は、ユーザからの発話情報を受信し、それを使用可能なデジタル情報に変換し得る。同様に、オーディオコーデック５６０は、例えばデバイス５５０のハンドセット内のスピーカを介するなどして、ユーザに可聴音を生成し得る。このような音には、音声通話からの音が含まれ得、例えば音声メッセージ、音楽ファイルなどの録音された音が含まれ得、またデバイス５５０上で作動するアプリケーションにより生成される音も含まれ得る。

コンピューティングデバイス５５０は、図に示されるように、多数の異なる形態で実装することができる。例えば、コンピューティングデバイス５５０は、携帯電話５８０として実装されてもよい。また、コンピューティングデバイス５５０は、スマートフォン５８２、携帯情報端末、または他の同様のモバイルデバイスの一部として実装されてもよい。

本明細書で説明されるシステム及び方法の様々な実施態様は、デジタル電子回路、集積回路、特別に設計されたＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／またはこのような実施態様の組み合わせで、実現され得る。これらの様々な実施態様は、１つ以上のコンピュータプログラムの実施態様を含み得、１つ以上のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを含むプログラム可能システムで実行可能及び／または解釈可能であり、少なくとも１つのプログラマブルプロセッサは、専用または汎用であり、ストレージシステム、少なくとも１つの入力デバイス、及び少なくとも１つの出力デバイスに接続され、これらからデータ及び命令を受信し、これらにデータ及び命令を送信し得る。

これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとしても知られる）は、プログラマブルプロセッサ用のマシン命令を含み、高次手続き型言語及び／またはオブジェクト指向プログラミング言語で、及び／またはアセンブリ／マシン言語で実装され得る。本明細書で使用される用語「マシン可読媒体」、「コンピュータ可読媒体」は、マシン命令をマシン可読信号として受信するマシン可読媒体を含むプログラマブルプロセッサにマシン命令及び／またはデータを提供するために使用される、例えば磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ）といった、任意のコンピュータプログラム製品、装置、及び／またはデバイスを指す。用語「マシン可読信号」は、マシン命令及び／またはデータをプログラマブルプロセッサに提供するために使用される任意の信号を指す。

ユーザとのインタラクションを提供するために、例えばＣＲＴ（ブラウン管）またはＬＣＤ（液晶表示）モニタなどのユーザに情報を表示するためのディスプレイデバイスと、例えばマウスまたはトラックボールなどのユーザがコンピュータ入力することを可能にするキーボード及びポインティングデバイスと、を有するコンピュータ上で、本明細書で説明されるシステム及び技法は実施され得る。同様に他の種類のデバイスも、ユーザとのインタラクションを提供するために使用され得、例えば、ユーザに提供されるフィードバックは、例えば視覚フィードバック、聴覚フィードバック、または触覚フィードバックなどの任意の形態の感覚フィードバックであり得、ユーザからの入力は、音声入力、発話入力、または触覚入力を含む任意の形態で受信され得る。

本明細書で説明されるシステム及び技法は、例えばデータサーバのようなバックエンドコンポーネントを含むコンピューティングシステム、または例えばアプリケーションサーバなどのミドルウェアコンポーネントを含むコンピューティングシステム、または例えば本明細書で説明されるシステム及び技法の実施態様とユーザがインタラクトすることを可能にするグラフィカルユーザインターフェースもしくはウェブブラウザを有するクライアントコンピュータなどのフロントエンドコンポーネントを含むコンピューティングシステム、またはこのようなバックエンドコンポーネント、ミドルウェアコンポーネント、またはフロントエンドコンポーネントの任意の組み合わせを含むコンピューティングシステムにおいて、実施され得る。システムのコンポーネントは、任意の形態または媒体のデジタルデータ通信、例えば通信ネットワークにより、相互接続され得る。通信ネットワークの例として、ローカルエリアネットワーク（「ＬＡＮ」）、広域ネットワーク（「ＷＡＮ」）、及びインターネットが挙げられる。

コンピューティングシステムは、クライアント及びサーバを含み得る。クライアント及びサーバは、一般に互いに離れており、通常、通信ネットワークを介してインタラクションを行う。クライアントとサーバの関係は、各自のコンピュータ上で作動し、互いにクライアント‐サーバ関係を有するコンピュータプログラムにより、生じる。

他の実施形態
数多くの実施形態が説明された。しかしながら、本発明の趣旨及び範囲から逸脱することなく、様々な改変が行われてもよいことが、理解されよう。さらに、図に示される論理フローは、望ましい結果を達成するために、示される特定の順序または連続的順序を必要としない。さらに、説明されるフローに対し、他のステップが提供されてもよく、またはステップが削除されてもよく、説明されるシステムに対し、他のコンポーネントが追加されてもよく、またはコンポーネントが削除されてもよい。したがって、他の実施形態は、下記の特許請求の範囲内である。

Claims (36)

1. 自己免疫状態の発症を検出するための方法であって、
   人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得することと、
   機械学習モデルにより処理された画像データが前記自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像を表す前記データを、前記１つ以上のコンピュータにより提供することと、
   前記第１の画像を表す前記データが前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することであって、前記出力データは、前記第１の画像が前記自己免疫状態を有する人の皮膚を描写する尤度を表す、前記取得することと、
   前記取得された出力データに基づいて、前記人が前記自己免疫状態を有するか否かを、前記１つ以上のコンピュータにより判定することと、
   を含む、方法。
2. 前記人の前記身体の前記一部は、顔である、請求項１に記載の方法。
3. 前記第１の画像を表す前記データを取得することは、
   ユーザデバイスにより生成された自撮り画像である画像データを、前記１つ以上のコンピュータにより取得すること、
   を含む、請求項１に記載の方法。
4. 前記第１の画像を表す前記データを取得することは、
   ユーザデバイスのカメラへのアクセスが許可されているという判定に基づいて、前記ユーザデバイスの前記カメラを使用して人の身体の少なくとも一部を表す画像データを時々取得することであって、時々取得される前記画像データは、前記画像データを生成及び取得するように前記人から明示的な命令を受けることなく生成及び取得される画像データである、前記取得すること、
   を含む、請求項１に記載の方法。
5. 自己免疫状態の発症を検出するためのデータ処理システムであって、前記システムは、
   １つ以上のコンピュータと、
   命令を格納した１つ以上のストレージデバイスと、
   を備え、前記命令は、前記１つ以上のコンピュータにより実行されると、前記１つ以上のコンピュータに動作を実行させ、前記動作は、
   人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、前記１つ以上のコンピュータにより取得することと、
   機械学習モデルにより処理された画像データが前記自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像を表す前記データを、前記１つ以上のコンピュータにより提供することと、
   前記第１の画像を表す前記データが前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することであって、前記出力データは、前記第１の画像が前記自己免疫状態を有する人の皮膚を描写する尤度を表す、前記取得することと、
   前記取得された出力データに基づいて、前記人が前記自己免疫状態を有するか否かを、前記１つ以上のコンピュータにより判定することと、
   を含む、システム。
6. 前記人の前記身体の前記一部は、顔である、請求項５に記載のシステム。
7. 前記第１の画像を表す前記データを取得することは、
   ユーザデバイスにより生成された自撮り画像である画像データを、前記１つ以上のコンピュータにより取得すること、
   を含む、請求項５に記載のシステム。
8. 前記第１の画像を表す前記データを取得することは、
   ユーザデバイスのカメラへのアクセスが許可されているという判定に基づいて、前記ユーザデバイスの前記カメラを使用して人の身体の少なくとも一部を表す画像データを時々取得することであって、時々取得される前記画像データは、前記画像データを生成及び取得するように前記人から明示的な命令を受けることなく生成及び取得される画像データである、前記取得すること、
   を含む、請求項５に記載のシステム。
9. １つ以上のコンピュータにより実行可能な命令を含むソフトウェアを格納する非一時的コンピュータ可読媒体であって、前記命令は、前記１つ以上のコンピュータにより実行されると、前記１つ以上のコンピュータに動作を実行させ、前記動作は、
   人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、前記１つ以上のコンピュータにより取得することと、
   機械学習モデルにより処理された画像データが自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像を表す前記データを、前記１つ以上のコンピュータにより提供することと、
   前記第１の画像を表す前記データが前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することであって、前記出力データは、前記第１の画像が前記自己免疫状態を有する人の皮膚を描写する尤度を表す、前記取得することと、
   前記取得された出力データに基づいて、前記人が前記自己免疫状態を有するか否かを、前記１つ以上のコンピュータにより判定することと、
   を含む、コンピュータ可読媒体。
10. 前記人の前記身体の前記一部は、顔である、請求項９に記載のコンピュータ可読媒体。
11. 前記第１の画像を表す前記データを取得することは、
    ユーザデバイスにより生成された自撮り画像である画像データを、前記１つ以上のコンピュータにより取得すること、
    を含む、請求項９に記載のコンピュータ可読媒体。
12. 前記第１の画像を表す前記データを取得することは、
    ユーザデバイスのカメラへのアクセスが許可されているという判定に基づいて、前記ユーザデバイスの前記カメラを使用して人の身体の少なくとも一部を表す画像データを時々取得することであって、時々取得される前記画像データは、前記画像データを生成及び取得するように前記人から明示的な命令を受けることなく生成及び取得される画像データである、前記取得すること、
    を含む、請求項９に記載のコンピュータ可読媒体。
13. 人の皮膚状態を監視するための方法であって、
    人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得することと、
    前記人の自己免疫状態の重症度が上昇傾向にある尤度、または前記人の自己免疫状態の重症度が低下傾向にある尤度を示す重症度スコアを、前記１つ以上のコンピュータにより生成することであって、前記重症度スコアを生成することは、
    機械学習モデルにより処理された画像データが前記自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像を表す前記データを、前記１つ以上のコンピュータにより提供することと、
    前記第１の画像を表す前記データが前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することであって、前記出力データは、前記第１の画像が前記自己免疫状態を有する人の皮膚を描写する尤度を表し、前記機械学習モデルにより生成された前記出力データが前記重症度スコアである、前記取得することと、
    を含む、前記重症度スコアを生成することと、
    前記ユーザの過去画像が前記自己免疫状態を有する人の皮膚を描写する尤度を示す過去重症度スコアと、前記重症度スコアを、前記１つ以上のコンピュータにより比較することと、
    前記比較に基づいて、前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを、前記１つ以上のコンピュータにより判定することと、
    を含む、方法。
14. 前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを判定することは、
    前記重症度スコアが前記過去重症度スコアより閾値を超えて大きいと、前記１つ以上のコンピュータにより判定することと、
    前記重症度スコアが前記過去スコアより前記閾値を超えて大きいと判定したことに基づいて、前記人の前記自己免疫状態の重症度が上昇傾向にあると判定することと、
    を含む、請求項１３に記載の方法。
15. 前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを判定することは、
    前記重症度スコアが前記過去重症度スコアより閾値を超えて小さいと、前記１つ以上のコンピュータにより判定することと、
    前記重症度スコアが前記過去スコアより前記閾値を超えて小さいと判定したことに基づいて、前記人の前記自己免疫状態の重症度が低下傾向にあると判定することと、
    を含む、請求項１３に記載の方法。
16. 人の皮膚状態を監視するためのデータ処理システムであって、前記システムは、
    １つ以上のコンピュータと、
    命令を格納した１つ以上のストレージデバイスと、
    を備え、前記命令は、前記１つ以上のコンピュータにより実行されると、前記１つ以上のコンピュータに動作を実行させ、前記動作は、
    人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、前記１つ以上のコンピュータにより取得することと、
    前記人の自己免疫状態の重症度が上昇傾向にある尤度、または前記人の自己免疫状態の重症度が低下傾向にある尤度を示す重症度スコアを、前記１つ以上のコンピュータにより生成することであって、前記重症度スコアを生成することは、
    機械学習モデルにより処理された画像データが前記自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像を表す前記データを、前記１つ以上のコンピュータにより提供することと、
    前記第１の画像を表す前記データが前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することであって、前記出力データは、前記第１の画像が前記自己免疫状態を有する人の皮膚を描写する尤度を表し、前記機械学習モデルにより生成された前記出力データが前記重症度スコアである、前記取得することと、
    を含む、前記重症度スコアを生成することと、
    前記ユーザの過去画像が前記自己免疫状態を有する人の皮膚を描写する尤度を示す過去重症度スコアと、前記重症度スコアを、前記１つ以上のコンピュータにより比較することと、
    前記比較に基づいて、前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを、前記１つ以上のコンピュータにより判定することと、
    を含む、システム。
17. 前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを判定することは、
    前記重症度スコアが前記過去重症度スコアより閾値を超えて大きいと、前記１つ以上のコンピュータにより判定することと、
    前記重症度スコアが前記過去スコアより前記閾値を超えて大きいと判定したことに基づいて、前記人の前記自己免疫状態の重症度が上昇傾向にあると判定することと、
    を含む、請求項１６に記載のシステム。
18. 前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを判定することは、
    前記重症度スコアが前記過去重症度スコアより閾値を超えて小さいと、前記１つ以上のコンピュータにより判定することと、
    前記重症度スコアが前記過去スコアより前記閾値を超えて小さいと判定したことに基づいて、前記人の前記自己免疫状態の重症度が低下傾向にあると判定することと、
    を含む、請求項１６に記載のシステム。
19. １つ以上のコンピュータにより実行可能な命令を含むソフトウェアを格納する非一時的コンピュータ可読媒体であって、前記命令は、前記１つ以上のコンピュータにより実行されると、前記１つ以上のコンピュータに動作を実行させ、前記動作は、
    人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、前記１つ以上のコンピュータにより取得することと、
    前記人の自己免疫状態の重症度が上昇傾向にある尤度、または前記人の自己免疫状態の重症度が低下傾向にある尤度を示す重症度スコアを、前記１つ以上のコンピュータにより生成することであって、前記重症度スコアを生成することは、
    機械学習モデルにより処理された画像データが前記自己免疫状態を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像を表す前記データを、前記１つ以上のコンピュータにより提供することと、
    前記第１の画像を表す前記データが前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することであって、前記出力データは、前記第１の画像が前記自己免疫状態を有する人の皮膚を描写する尤度を表し、前記機械学習モデルにより生成された前記出力データが前記重症度スコアである、前記取得することと、
    を含む、前記重症度スコアを生成することと、
    前記ユーザの過去画像が前記自己免疫状態を有する人の皮膚を描写する尤度を示す過去重症度スコアと、前記重症度スコアを、前記１つ以上のコンピュータにより比較することと、
    前記比較に基づいて、前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを、前記１つ以上のコンピュータにより判定することと、
    を含む、コンピュータ可読媒体。
20. 前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを判定することは、
    前記重症度スコアが前記過去重症度スコアより閾値を超えて大きいと、前記１つ以上のコンピュータにより判定することと、
    前記重症度スコアが前記過去スコアより前記閾値を超えて大きいと判定したことに基づいて、前記人の前記自己免疫状態の重症度が上昇傾向にあると判定することと、
    を含む、請求項１９に記載のコンピュータ可読媒体。
21. 前記人の前記自己免疫状態の重症度が上昇傾向にあるか、前記人の前記自己免疫状態の重症度が低下傾向にあるかを判定することは、
    前記重症度スコアが前記過去重症度スコアより閾値を超えて小さいと、前記１つ以上のコンピュータにより判定することと、
    前記重症度スコアが前記過去スコアより前記閾値を超えて小さいと判定したことに基づいて、前記人の前記自己免疫状態の重症度が低下傾向にあると判定することと、
    を含む、請求項１９に記載のコンピュータ可読媒体。
22. 病状の発症を検出するための方法であって、
    人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、１つ以上のコンピュータにより取得することと、
    前記第１の画像に類似する過去画像を、前記１つ以上のコンピュータにより識別することと、
    前記第１の画像に関連付けられるべき、前記過去画像の１つ以上の属性を、前記１つ以上のコンピュータにより特定することと、
    前記１つ以上の属性を記述するデータを含む前記第１の画像のベクトル表現を、前記１つ以上のコンピュータにより生成することと、
    機械学習モデルにより処理された画像データが前記病状を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像の前記生成されたベクトル表現を、前記１つ以上のコンピュータにより提供することと、
    前記第１の画像の前記生成されたベクトル表現が前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することと、
    前記取得された出力データに基づいて、前記人が前記病状を伴うか否かを、前記１つ以上のコンピュータにより判定することと、
    を含む、方法。
23. 前記病状は、自己免疫状態を含む、請求項２２に記載の方法。
24. 前記１つ以上の属性は、照明条件、時刻、日付、ＧＰＳ座標、顔の毛、病変領域、日焼け止めの使用、化粧の使用、または一時的な切り傷もしくは打撲などの過去画像属性を含む、請求項２２に記載の方法。
25. 前記第１の画像に類似する過去画像を、前記１つ以上のコンピュータにより識別することは、
    前記過去画像が前記人の最新保存画像であると、前記１つ以上のコンピュータにより特定すること、
    を含む、請求項２２に記載の方法。
26. 前記１つ以上の属性は、前記過去画像内の病変領域の部位を識別するデータを含む、請求項２５に記載の方法。
27. 病状の発症を検出するためのデータ処理システムであって、前記システムは、
    １つ以上のコンピュータと、
    命令を格納した１つ以上のストレージデバイスと、
    を備え、前記命令は、前記１つ以上のコンピュータにより実行されると、前記１つ以上のコンピュータに動作を実行させ、前記動作は、
    人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、前記１つ以上のコンピュータにより取得することと、
    前記第１の画像に類似する過去画像を、前記１つ以上のコンピュータにより識別することと、
    前記第１の画像に関連付けられるべき、前記過去画像の１つ以上の属性を、前記１つ以上のコンピュータにより特定することと、
    前記１つ以上の属性を記述するデータを含む前記第１の画像のベクトル表現を、前記１つ以上のコンピュータにより生成することと、
    機械学習モデルにより処理された画像データが前記病状を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像の前記生成されたベクトル表現を、前記１つ以上のコンピュータにより提供することと、
    前記第１の画像の前記生成されたベクトル表現が前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することと、
    前記取得された出力データに基づいて、前記人が前記病状を伴うか否かを、前記１つ以上のコンピュータにより判定することと、
    を含む、システム。
28. 前記病状は、自己免疫状態を含む、請求項２７に記載のシステム。
29. 前記１つ以上の属性は、照明条件、時刻、日付、ＧＰＳ座標、顔の毛、病変領域、日焼け止めの使用、化粧の使用、または一時的な切り傷もしくは打撲などの過去画像属性を含む、請求項２７に記載のシステム。
30. 前記第１の画像に類似する過去画像を、前記１つ以上のコンピュータにより識別することは、
    前記過去画像が前記人の最新保存画像であると、前記１つ以上のコンピュータにより特定すること、
    を含む、請求項２７に記載のシステム。
31. 前記１つ以上の属性は、前記過去画像内の病変領域の部位を識別するデータを含む、請求項３０に記載のシステム。
32. １つ以上のコンピュータにより実行可能な命令を含むソフトウェアを格納する非一時的コンピュータ可読媒体であって、前記命令は、前記１つ以上のコンピュータにより実行されると、前記１つ以上のコンピュータに動作を実行させ、前記動作は、
    人の身体の少なくとも一部における皮膚を描写する第１の画像を表すデータを、前記１つ以上のコンピュータにより取得することと、
    前記第１の画像に類似する過去画像を、前記１つ以上のコンピュータにより識別することと、
    前記第１の画像に関連付けられるべき、前記過去画像の１つ以上の属性を、前記１つ以上のコンピュータにより特定することと、
    前記１つ以上の属性を記述するデータを含む前記第１の画像のベクトル表現を、前記１つ以上のコンピュータにより生成することと、
    機械学習モデルにより処理された画像データが病状を有する人の皮膚を描写する尤度を特定するようにトレーニングされた前記機械学習モデルへの入力として、前記第１の画像の前記生成されたベクトル表現を、前記１つ以上のコンピュータにより提供することと、
    前記第１の画像の前記生成されたベクトル表現が前記機械学習モデルにより処理されたことに基づいて、前記機械学習モデルにより生成された出力データを、前記１つ以上のコンピュータにより取得することと、
    前記取得された出力データに基づいて、前記人が前記病状を伴うか否かを、前記１つ以上のコンピュータにより判定することと、
    を含む、コンピュータ可読媒体。
33. 前記病状は、自己免疫状態を含む、請求項３２に記載のコンピュータ可読媒体。
34. 前記１つ以上の属性は、照明条件、時刻、日付、ＧＰＳ座標、顔の毛、病変領域、日焼け止めの使用、化粧の使用、または一時的な切り傷もしくは打撲などの過去画像属性を含む、請求項３２に記載のコンピュータ可読媒体。
35. 前記第１の画像に類似する過去画像を、前記１つ以上のコンピュータにより識別することは、
    前記過去画像が前記人の最新保存画像であると、前記１つ以上のコンピュータにより特定すること、
    を含む、請求項３２に記載のコンピュータ可読媒体。
36. 前記１つ以上の属性は、前記過去画像内の病変領域の部位を識別するデータを含む、請求項３５に記載のコンピュータ可読媒体。

Images