JP2024034528A - モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラム - Google Patents

モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラム Download PDF

Info

Publication number
JP2024034528A
JP2024034528A JP2022138806A JP2022138806A JP2024034528A JP 2024034528 A JP2024034528 A JP 2024034528A JP 2022138806 A JP2022138806 A JP 2022138806A JP 2022138806 A JP2022138806 A JP 2022138806A JP 2024034528 A JP2024034528 A JP 2024034528A
Authority
JP
Japan
Prior art keywords
learning
data
document
model
sentence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022138806A
Other languages
English (en)
Inventor
翔太郎 三沢
Shotaro Misawa
大和 鑓水
Yamato Yarimizu
竜示 狩野
Ryuji Kano
友紀 谷口
Tomonori Taniguchi
智子 大熊
Tomoko Okuma
浩平 小野田
Kohei Onoda
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2022138806A priority Critical patent/JP2024034528A/ja
Priority to US18/458,130 priority patent/US20240070544A1/en
Publication of JP2024034528A publication Critical patent/JP2024034528A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】情報データから、情報データと関連度が高い文書と、情報データと関連度が低い文書とを適切に生成することができるモデル生成装置、文書生成装置、文書生成方法、モデル生成方法、及びプログラムを提供する。【解決手段】プロセッサが、学習用情報データを取得し、学習用文書データを取得し、前記学習用情報データと、前記学習用文書データの部分毎との一致度に基づいて、前記学習用文書データから、第１部分と、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分とを抽出し、前記学習用情報データに含まれる学習用第１データを入力データとし、かつ前記第１部分を正解データとした第１学習データにより第１機械学習モデルを生成し、前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記第２部分を正解データとした第２学習データにより第２機械学習モデルを生成する、モデル生成装置。【選択図】図７

Description

本開示は、モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラムに関する。
現在までの情報を表す情報データから、情報データと関連度が低い文書を生成する技術が知られている。関連度が低い文書とは、例えば、未来に係わる文書が挙げられる。例えば、特許文献１には、第１の患者に係る患者情報と、データベースから取得したドナーに係る情報とを用いて生成された適用データを、患者情報と、ドナーに係る情報と、患者とドナーの関係に係る情報と、移植予後の結果と、の関係を学習した学習器に適用して、第１の患者の移植予後の結果を含む移植候補情報を生成する技術が開示されている。
特開２０２０－１１９３８３号公報
ところで、情報データから、情報データと関連度が高い文書と、情報データと関連度が低い文書とを生成する場合、適切な文書が生成されない場合があった。例えば、特許文献１に記載の技術では、学習器を用いて適用データ及び移植予後の結果を生成した場合、生成された適用データ及び移植予後の結果の少なくとも一方が適切な文書とならない場合がある。
本開示は、上記の事情を鑑みてなされたものであり、情報データから、情報データと関連度が高い文書と、情報データと関連度が低い文書とを適切に生成することができるモデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラムを提供することを目的とする。
上記目的を達成するために本開示の第１の態様のモデル生成装置は、少なくとも１つのプロセッサを備え、プロセッサは、学習用情報データを取得し、学習用文書データを取得し、学習用情報データと、学習用文書データの部分毎との一致度に基づいて、学習用文書データから、第１部分と、第１部分よりも学習用情報データとの一致度が低い第２部分とを抽出し、学習用情報データに含まれる学習用第１データを入力データとし、かつ第１部分を正解データとした第１学習データにより第１機械学習モデルを生成し、学習用情報データに含まれる学習用第２データを入力データとし、かつ第２部分を正解データとした第２学習データにより第２機械学習モデルを生成する。
第２の態様のモデル生成装置は、第１の態様のモデル生成装置において、学習用文書データは、第１日付情報が対応付けられた、特定の個人、特定の事物、及び特定の事象のいずれかである特定物、に係わる固有データであり、学習用情報データは、第１日付情報、または第１日付情報が表す日付よりも前の第２日付情報が対応付けられた特定物に係わる固有データである複数の文書データを含む。
第３の態様のモデル生成装置は、第１の態様のモデル生成装置において、プロセッサは、第１機械学習モデルの性能及び第２機械学習モデルの性能を報酬とした強化学習により、学習用文書データを入力とし、第１部分及び第２部分の少なくとも一方を出力する第３機械学習モデルを生成し、第３機械学習モデルを用い、学習用文書データから第１部分及び第２部分を抽出する。
第４の態様のモデル生成装置は、第１の態様のモデル生成装置において、第２機械学習モデルは、学習用情報データに基づく予測結果を出力する機械学習モデルを含み、予測結果と、テンプレートとを組み合わせて出力する機械学習モデルである。
また、上記目的を達成するために本開示の第５の態様の文書生成装置は、学習用情報データに含まれる学習用第１データを入力データとし、かつ学習用情報データと学習用文書データの部分毎との一致度に基づいて学習用文書データから抽出された第１部分を正解データとした第１学習データにより生成された第１機械学習モデルと、学習用情報データに含まれる学習用第２データを入力データとし、かつ学習用文書データから抽出された、第１部分よりも学習用情報データとの一致度が低い第２部分を正解データとした第２学習データにより生成された第２機械学習モデルと、少なくとも１つのプロセッサと、を備え、プロセッサは、情報データを取得し、第１機械学習モデルに、情報データに含まれる第１データを入力させ、第１文書を取得し、第２機械学習モデルに、情報データに含まれる第２データを入力させ、第２文書を取得し、第１文書及び第２文書から第３文書を生成する。
また、上記目的を達成するために本開示の第６の態様のモデル生成方法は、少なくとも１つのプロセッサを備えるモデル生成装置のプロセッサが実行するモデル生成方法であって、学習用情報データを取得し、学習用文書データを取得し、学習用情報データと、学習用文書データの部分毎との一致度に基づいて、学習用文書データから、第１部分と、第１部分よりも学習用情報データとの一致度が低い第２部分とを抽出し、学習用情報データに含まれる学習用第１データを入力データとし、かつ第１部分を正解データとした第１学習データにより第１機械学習モデルを生成し、学習用情報データに含まれる学習用第２データを入力データとし、かつ第２部分を正解データとした第２学習データにより第２機械学習モデルを生成する。
また、上記目的を達成するために本開示の第７の態様の文書生成方法は、学習用情報データに含まれる学習用第１データを入力データとし、かつ学習用情報データと学習用文書データの部分毎との一致度に基づいて学習用文書データから抽出された第１部分を正解データとした第１学習データにより生成された第１機械学習モデルと、学習用情報データに含まれる学習用第２データを入力データとし、かつ学習用文書データから抽出された、第１部分よりも学習用情報データとの一致度が低い第２部分を正解データとした第２学習データにより生成された第２機械学習モデルと、少なくとも１つのプロセッサと、を備える文書生成装置のプロセッサが実行する文書生成方法であって、情報データを取得し、第１機械学習モデルに、情報データに含まれる第１データを入力させ、第１文書を取得し、第２機械学習モデルに、情報データに含まれる第２データを入力させ、第２文書を取得し、第１文書及び第２文書から第３文書を生成する。
また、上記目的を達成するために本開示の第８の態様のプログラムは、本開示のモデル生成方法、及び本開示の文書生成方法の少なくとも一方を実行するプログラムである。
本開示によれば、情報データから、情報データと関連度が高い文書と、情報データと関連度が低い文書とを適切に生成することができる。
実施形態の診療サマリ生成システムにおける全体の構成の一例を概略的に表した構成図である。 診療サマリ生成装置による診療サマリの生成について説明するための図である。 診療サマリ生成装置の構成の一例を示すブロック図である。 実施形態の診療サマリ生成装置の診療サマリの生成に関する機能の一例を表す機能ブロック図である。 実施形態の診療サマリ生成装置による診療サマリ生成処理の流れの一例を表したフローチャートである。 表示部に関連文書及び診療サマリの表示させた状態の一例を示した図である。 実施形態の診療サマリ生成装置の診療サマリの生成に関する機能の一例を表す機能ブロック図である。 過去文未来文定義機構の作用について説明するための図である。 過去文サマリ生成機構学習部による過去文生成機構用モデルの学習を説明するための図である。 未来文サマリ生成機構学習部による未来文生成機構用モデルの学習を説明するための図である。 実施形態の診療サマリ生成装置による学習処理の流れの一例を表したフローチャートである。 変形例１の過去文未来文定義機構について説明するための図である。
以下、図面を参照して本開示の実施形態を詳細に説明する。なお、本実施形態は本開示の技術を限定するものではない。
まず、本実施形態の診療サマリ生成システムにおける、全体の構成の一例について説明する。図１には、本実施形態の診療サマリ生成システム１における、全体の構成の一例を表す構成図が示されている。図１に示すように、本実施形態の診療サマリ生成システム１は、診療サマリ生成装置１０及び関連文書ＤＢ（DataBase）１４を備える。診療サマリ生成装置１０、及び複数の患者の各々に関連する関連文書１５を記憶する関連文書ＤＢ１４は、ネットワーク１９を介して有線通信または無線通信により接続されている。
関連文書ＤＢ１４には、複数の患者に関する関連文書１５が記憶される。関連文書ＤＢ１４は、汎用コンピュータにデータベース管理システム（DataBase Management system：ＤＢＭＳ）の機能を提供するソフトウェアプログラムがインストールされたサーバ装置等に備えられた、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、及びフラッシュメモリ等の記憶媒体によって実現される。
一例として本実施形態の関連文書１５は、患者の診療に関連する文書であり、例えば、図２に示すように、その患者に係わる患者のカルテ、患者プロファイル、手術記録、及び検査記録等が挙げられる。なお、本実施形態において「文書」とは、単語及び文の少なくとも一方を構成要素とした情報である。例えば、文書は、１つの単語のみを含んでいてもよいし、また、複数の文を含んでいてもよい。関連文書１５は、特定の患者毎に、患者を識別するための識別情報と対応付けられて関連文書ＤＢ１４に記憶されている。本実施形態の関連文書１５が、本開示の情報データの一例である。
一方、図２に示すように、診療サマリ生成装置１０は、過去文生成機構用モデル３４及び未来文生成機構用モデル３６を含み、特定の患者に関連する関連文書１５から、診療サマリ１６を生成する装置である。診療サマリ１６は、特定の患者の診療に関する診療サマリであり、過去文サマリ１６Ｐ及び未来文サマリ１６Ｆを含む。
診療サマリ生成装置１０は、関連文書１５から過去文生成機構用モデル３４を用いて過去文サマリ１６Ｐを生成する。過去文サマリ１６Ｐは、診療サマリ１６を生成する時点よりも過去における特定の患者の診療に関する診療サマリである。いわば、過去文サマリ１６Ｐは、関連文書１５の内容をまとめた文書といえ、関連文書１５との一致度が高い文書である。一例として図２に示した過去文サマリ１６Ｐは、「患者は５０歳男性、糖尿病の持病あり。」及び「入院時に手術を実施し、入院経過は非常に良好。」との２つの文を含む。
一方、診療サマリ生成装置１０は、関連文書１５から未来文生成機構用モデル３６を用いて未来文サマリ１６Ｆを生成する。未来文サマリ１６Ｆは、診療サマリ１６を生成する時点よりも未来における特定の患者の診療に関する診療サマリであり、例えば、特定の患者の予後予測や医療計画に関する診療サマリ等である。未来文サマリ１６Ｆは、関連文書１５との一致度が低い文書である。一例として図２に示した未来文サマリ１６Ｆは、「今後は通院治療を予定。」との１つの文を含む。本実施形態の診療サマリ生成装置１０が、本開示の文書生成装置の一例である。
また、本実施形態の診療サマリ生成装置１０は、過去文サマリ１６Ｐの生成に用いる過去文生成機構用モデル３４、及び未来文サマリ１６Ｆの生成に用いる未来文生成機構用モデル３６の各々を生成する機能を有する。本実施形態の診療サマリ生成装置１０が、本開示のモデル生成装置の一例である。なお、過去文生成機構用モデル３４及び未来文生成機構用モデル３６の生成については詳細を後述する。
図３に示すように、本実施形態の診療サマリ生成装置１０は、制御部２０、記憶部２２、通信Ｉ／Ｆ（Interface)部２４、操作部２６、及び表示部２８を備えている。制御部２０、記憶部２２、Ｉ／Ｆ部２４、操作部２６、及び表示部２８はシステムバスやコントロールバス等のバス２９を介して相互に各種情報の授受が可能に接続されている。
本実施形態の制御部２０は、診療サマリ生成装置１０の全体の動作を制御する。制御部２０は、プロセッサであり、ＣＰＵ（Central Processing Unit）２０Ａを備える。また、制御部２０は、後述する記憶部２２と接続される。
操作部２６は、診療サマリ１６の生成に関する指示や各種情報等をユーザが入力するために用いられる。操作部２６は特に限定されるものではなく、例えば、各種スイッチ、タッチパネル、タッチペン、及びマウス等が挙げられる。表示部２８は、診療サマリ１６、関連文書１５、及び各種情報等を表示する。なお、操作部２６と表示部２８とを一体化してタッチパネルディスプレイとしてもよい。
通信Ｉ／Ｆ部２４は、無線通信または有線通信により、ネットワーク１９を介して関連文書ＤＢ１４等との間で各種情報の通信を行う。診療サマリ生成装置１０は、診療サマリ１６から特定の患者に関連する関連文書１５を、通信Ｉ／Ｆ部２４を介して無線通信または有線通信により受信する。
記憶部２２は、ＲＯＭ（Read Only Memory）２２Ａ、ＲＡＭ（Random Access Memory）２２Ｂ、ストレージ２２Ｃを備える。ＲＯＭ２２Ａには、ＣＰＵ２０Ａにより実行される各種のプログラム等が予め記憶されている。ＲＡＭ２２Ｂは、各種データを一時的に記憶する。ストレージ２２Ｃには、ＣＰＵ２０Ａで実行される診療サマリ生成プログラム３０及び学習プログラム３２が記憶される。また、ストレージ２２Ｃには、過去文生成機構用モデル３４、未来文生成機構用モデル３６、学習データ５０、及びその他の各種情報等が記憶される。ストレージ２２Ｃは不揮発性の記憶部であり、例えば、ＨＤＤやＳＳＤ等が挙げられる。
（診療サマリ１６の生成）
まず、本実施形態の診療サマリ生成装置１０における診療サマリ１６を生成する機能について説明する。換言すると、過去文生成機構用モデル３４及び未来文生成機構用モデル３６の運用フェーズについて説明する。図４には、本実施形態の診療サマリ生成装置１０における診療サマリ１６の生成に関する構成の一例の機能ブロック図を示す。図４に示すように診療サマリ生成装置１０は、診療サマリ生成部４０、過去文サマリ生成機構４４、未来文サマリ生成機構４６、及び表示制御部４８を備える。一例として本実施形態の診療サマリ生成装置１０では、制御部２０のＣＰＵ２０Ａがストレージ２２Ｃに記憶されている診療サマリ生成プログラム３０を実行することにより、ＣＰＵ２０Ａが診療サマリ生成部４０、過去文サマリ生成機構４４、未来文サマリ生成機構４６、及び表示制御部４８として機能する。
診療サマリ生成部４０は、診療サマリを生成する対象となる特定の患者を表す患者識別情報を受け付けると、受け付けた患者識別情報に応じた関連文書１５を、ネットワーク１９を介して関連文書ＤＢ１４から取得する。診療サマリ生成部４０は、取得した関連文書１５を、過去文サマリ生成機構４４及び未来文サマリ生成機構４６に出力する。
また、診療サマリ生成部４０は、過去文サマリ生成機構４４が生成した過去文サマリ１６Ｐと、未来文サマリ生成機構４６が生成した未来文サマリ１６Ｆとを取得し、過去文サマリ１６Ｐ及び未来文サマリ１６Ｆから、診療サマリ１６を生成する。本実施形態の診療サマリ生成部４０は、過去文サマリ１６Ｐと、未来文サマリ１６Ｆとから所定の書式に基づいて、診療サマリ１６を生成する。一例として、本実施形態の診療サマリ生成部４０は、過去文サマリ１６Ｐの後に、未来文サマリ１６Ｆを付け加えることで、診療サマリ１６を生成する。
過去文サマリ生成機構４４は、過去文生成機構用モデル３４を含み、過去文生成機構用モデル３４を用いて、関連文書１５から、特定の患者に関する過去文サマリ１６Ｐを生成する。一例として、本実施形態の過去文サマリ生成機構４４は、関連文書１５を、関連文書１５に含まれる文書毎または単語毎にベクトル化して過去文生成機構用モデル３４に入力し、出力された過去文サマリ１６Ｐを取得する。過去文サマリ生成機構４４は、生成した過去文サマリ１６Ｐを診療サマリ生成部４０に出力する。本実施形態の過去文生成機構用モデル３４が、本開示の第１機械学習モデルの一例である。また、本実施形態の特定の患者に関する関連文書１５が、本開示の第１データの一例である。また、本実施形態の過去文サマリ１６Ｐが、本開示の第１文書の一例である。
未来文サマリ生成機構４６は、未来文生成機構用モデル３６を含み、未来文生成機構用モデル３６を用いて、関連文書１５から、特定の患者に関する未来文サマリ１６Ｆを生成する。一例として、本実施形態の未来文サマリ生成機構４６は、関連文書１５を、関連文書１５に含まれる文書毎または単語毎にベクトル化して未来文サマリ生成機構４６に入力し、出力された未来文サマリ１６Ｆを取得する。未来文サマリ生成機構４６は、生成した未来文サマリ１６Ｆを診療サマリ生成部４０に出力する。本実施形態の未来文生成機構用モデル３６が、本開示の第２機械学習モデルの一例である。また、本実施形態の特定の患者に関する関連文書１５が、本開示の第２データの一例である。また、本実施形態の未来文サマリ１６Ｆが、本開示の第２文書の一例である。
表示制御部４８は、診療サマリ生成部４０により生成された診療サマリ１６を、表示部２８に表示させる制御を行う。また、表示制御部４８は、診療サマリ１６を生成する元となった、特定の患者の関連文書１５も表示部２８に表示させる制御を行う。
次に、本実施形態の診療サマリ生成装置１０における診療サマリを生成する作用について図面を参照して説明する。図５には、本実施形態の診療サマリ生成装置１０において実行される診療サマリ生成処理の流れの一例を表したフローチャートが示されている。本実施形態の診療サマリ生成装置１０は、一例として、操作部２６により行われた、ユーザの開始指示等に基づいて、制御部２０のＣＰＵ２０Ａが、ストレージ２２Ｃに記憶されている診療サマリ生成プログラム３０を実行することにより、図５に一例を示した診療サマリ生成処理を実行する。
図５のステップＳ１００で診療サマリ生成部４０は、上述したようにユーザが、操作部２６を用いて指定した、特定の患者の患者識別情報を受け付ける。次のステップＳ１０２で診療サマリ生成部４０は、上述したように、患者識別情報に対応付けられている関連文書１５を関連文書ＤＢ１４から、ネットワーク１９を介して取得する。取得した関連文書１５は、過去文サマリ生成機構４４及び未来文サマリ生成機構４６に出力される。
次のステップＳ１０４で過去文サマリ生成機構４４は、上述したように、関連文書１５をベクトル化して過去文生成機構用モデル３４に入力し、出力された過去文サマリ１６Ｐを取得することで、過去文サマリ１６Ｐを生成する。過去文サマリ生成機構４４は、生成した過去文サマリ１６Ｐを診療サマリ生成部４０に出力する。
次のステップＳ１０６で未来文サマリ生成機構４６は、上述したように、関連文書１５をベクトル化して未来文生成機構用モデル３６に入力し、出力された未来文サマリ１６Ｆを取得することで、未来文サマリ１６Ｆを生成する。未来文サマリ生成機構４６は、生成した未来文サマリ１６Ｆを診療サマリ生成部４０に出力する。
なお、上記ステップＳ１０４及びＳ１０６を実行する順序は特に限定されない。例えば、ステップＳ１０６の処理を、ステップＳ１０４の処理よりも先に実行してもよい。また例えば、ステップＳ１０４の処理と、ステップＳ１０６の処理とを並行して実行してもよい。
次のステップＳ１０８で診療サマリ生成部４０は、上述したように、過去文サマリ生成機構４４が生成した過去文サマリ１６Ｐと、未来文サマリ生成機構４６が生成した未来文サマリ１６Ｆとから、診療サマリ１６を生成する。
次のステップＳ１１０で表示制御部４８は、上述したように、関連文書１５及び診療サマリ１６を表示部２８に表示させる。図６には、関連文書１５及び診療サマリ１６を表示部２８に表示させた状態の一例を示す。これにより、医師等のユーザは、特定の患者に関する診療サマリ１６を得ることができる。ステップＳ１１０の処理が終了すると、図５に示した診療サマリ生成処理が終了する。
このように、本実施形態の診療サマリ生成装置１０によれば、特定の患者の関連文書１５から、その特定の患者に係わる過去文サマリ１６Ｐと未来文サマリ１６Ｆとを含む診療サマリ１６を生成し、ユーザに提供することができる。
（過去文生成機構用モデル３４及び未来文生成機構用モデル３６の生成）
次に、本実施形態の診療サマリ生成装置１０における過去文生成機構用モデル３４及び未来文生成機構用モデル３６を生成する機能について説明する。換言すると、過去文生成機構用モデル３４及び未来文生成機構用モデル３６の学習フェーズについて説明する。
図７には、本実施形態の診療サマリ生成装置１０における過去文生成機構用モデル３４及び未来文生成機構用モデル３６の生成に関する構成の一例の機能ブロック図を示す。図７に示すように診療サマリ生成装置１０は過去文未来文定義機構６０、過去文サマリ生成機構学習部６４、及び未来文サマリ生成機構学習部６６を備える。一例として本実施形態の診療サマリ生成装置１０では、制御部２０のＣＰＵ２０Ａがストレージ２２Ｃに記憶されている学習プログラム３２を実行することにより、ＣＰＵ２０Ａが過去文未来文定義機構６０、過去文サマリ生成機構学習部６４、及び未来文サマリ生成機構学習部６６として機能する。
一例として図８に示すように、本実施形態の診療サマリ生成装置１０では、学習用関連文書５２と正解サマリ５４との組である学習データ５０を用いて、過去文生成機構用モデル３４及び未来文生成機構用モデル３６の学習が行われる。学習データ５０は、訓練データまたは教師データとも呼ばれる。本実施形態の学習用関連文書５２が本開示の学習用情報データの一例であり、本実施形態の正解サマリ５４が本開示の学習用文書データの一例である。
学習用関連文書５２は、関連文書１５と同様に、特定の患者のカルテ、患者プロファイル、手術記録、及び検査記録等を含む。正解サマリ５４は、特定の患者の診療に関して学習用関連文書５２を参照して医師等により実際に生成された診療サマリである。正解サマリ５４は、過去文サマリ１６Ｐに対応する正解過去文サマリ５４Ｐと、未来文サマリ１６Ｆに対応する正解未来文サマリ５４Ｆとを含む。本実施形態の正解過去文サマリ５４Ｐが本開示の第１部分の一例であり、本実施形態の正解未来文サマリ５４Ｆが本開示の第２部分の一例である。
過去文未来文定義機構６０は、学習用関連文書５２と、正解サマリ５４の部分毎との一致度に基づいて、正解サマリ５４から、正解過去文サマリ５４Ｐと、正解過去文サマリ５４Ｐよりも学習用関連文書５２との一致度が低い正解未来文サマリ５４Ｆとを抽出する。一例として、本実施形態の過去文未来文定義機構６０は、２つの文字列が相違している度合い（相違度）を示す尺度である編集距離や、要約を評価するための指標であるＲＯＵＧＥ (Recall-Oriented Understudy for Gisting Evaluation)等を用いて、正解サマリ５４に含まれる各文について、学習用関連文書５２との一致度を導出する。また、過去文未来文定義機構６０は、学習用関連文書５２との一致度が閾値以上の文を、正解過去文サマリ５４Ｐとする。換言すると、過去文未来文定義機構６０は、学習用関連文書５２との一致度が閾値未満の文を、正解未来文サマリ５４Ｆとする。
例えば、図８に示した正解サマリ５４に含まれる３つの文のうち、「患者は５０歳男性、糖尿病の持病あり。」との文の学習用関連文書５２との一致率が７割、「入院時に手術を実施し、入院経過は非常に良好。」との文の学習用関連文書５２との一致率が８割とする。また、正解サマリ５４に含まれる３つの文のうち、「今後は通院治療を予定。」との文の学習用関連文書５２との一致率が１割とする。ここで、一致しているか否かの判断基準となる閾値が２割である場合、過去文未来文定義機構６０は、正解過去文サマリ５４Ｐとして前者の２つの文を、正解未来文サマリ５４Ｆとして後者の１つの文を抽出する。
これにより、学習用関連文書５２と正解過去文サマリ５４Ｐとの組であり、過去文生成機構用モデル３４の学習に用いる第１学習データ５０Ｐと、学習用関連文書５２と正解未来文サマリ５４Ｆとの組であり、未来文生成機構用モデル３６の学習に用いる第２学習データ５０Ｆとが得られる。
過去文サマリ生成機構学習部６４は、第１学習データ５０Ｐを用いて機械学習モデルの学習を行うことにより、過去文サマリ生成機構４４の過去文生成機構用モデル３４を生成する。図９には、本実施形態の過去文サマリ生成機構学習部６４による過去文生成機構用モデル３４の学習を説明するための図が示されている。
本実施形態の過去文サマリ生成機構学習部６４は、まず、学習用関連文書５２から、予め定められた基準に基づいて、一つの学習用関連文書５２Ｄを抽出する。一例として本実施形態の過去文サマリ生成機構学習部６４は、学習用関連文書５２に含まれる１つの文を１つの学習用関連文書５２Ｄとして、単文単位で学習用関連文書５２Ｄを抽出する。なお、学習用関連文書５２から学習用関連文書５２Ｄを抽出するための上記基準は特に限定されず、例えば、対応付けられている日付が同日であることを基準としてもよい。
過去文サマリ生成機構学習部６４は、学習用関連文書５２Ｄの、正解過去文サマリ５４Ｐに対する一致度を導出する。なお、過去文サマリ生成機構学習部６４は、ある学習用関連文書５２Ｄの一致度として、正解過去文サマリ５４Ｐを構成する文との一致度のうち、最も高い一致度を、その学習用関連文書５２Ｄの一致度として採用してもよい。例えば、正解過去文サマリ５４Ｐを所定の条件に従って分割し、分割した部分毎に、学習用関連文書５２Ｄとの一致度を導出し、最も高い部分の一致度を学習用関連文書５２Ｄの一致度としても良い。なお、所定の条件とは、例えば、文単位、フレーズ単位等があげられる。また、正解過去文サマリ５４Ｐを分割する方法としては、例えば、１文字ずつシフとしながら一致度を導出し、最も一致度が高くなる場所で分割を行う方法等が挙げられる。また、過去文サマリ生成機構学習部６４が、一致度を導出する方法は、得に限定されず、例えば、上述したＲＯＵＧＥ等を用いてもよい、また例えば、人手により、一致度を設定してもよい。学習用関連文書５２に含まれる個々の学習用関連文書５２Ｄ毎に、一致度が出される。本実施形態では、一致度は、０以上、１以下の値となり、数値が大きいほど、一致度が高い、すなわち、一致していることを表す。この一致度を正解スコア７２と対応する、学習用関連文書５２Ｄとの組である学習データ７０を与えられて、過去文生成機構用モデル３４の学習を行う。
図９に示すように、本実施形態の過去文生成機構用モデル３４は、学習フェーズにおいて、訓練データまたは教師データとも呼ばれる学習データ７０を与えられて学習される。
学習フェーズにおいて、過去文生成機構用モデル３４には、学習用関連文書５２Ｄが例えば、単語毎にベクトル化されて入力される。過去文生成機構用モデル３４は、学習用関連文書５２Ｄに対して学習用スコア７３を出力する。正解スコア７２及び学習用スコア７３に基づいて、損失関数を用いた過去文生成機構用モデル３４の損失演算がなされる。そして、損失演算の結果に応じて過去文生成機構用モデル３４の各種係数の更新設定がなされ、更新設定にしたがって、過去文生成機構用モデル３４が更新される。
なお、このとき、過去文生成機構用モデル３４には、学習の対象とする学習用関連文書５２Ｄに加えて、当該患者に関する検査値等の付加情報や、他の候補となる学習用関連文書も入力に用いてもよい。このように学習の対象とする学習用関連文書５２Ｄ以外の関連情報を利用することにより、予測を行い易くすることができる。
学習フェーズにおいては、学習用関連文書５２Ｄの過去文生成機構用モデル３４への入力、過去文生成機構用モデル３４からの学習用スコア７３の出力、損失演算、更新設定、及び過去文生成機構用モデル３４の更新の上記一連の処理が、学習データ７０が交換されつつ繰り返し行われる。上記一連の繰り返しは、正解スコア７２に対する学習用スコア７３の予測精度が、予め定められた設定レベルまで達した場合に終了される。このようにして、関連文書１５に含まれる個々の文書である関連文書１５Ｄを入力とし、スコアを出力する過去文生成機構用モデル３４が生成される。このスコアが高いほど、入力させた関連文書１５Ｄが、生成すべき過去文サマリ１６Ｐとの一致度合いが高いことを表す。過去文サマリ生成機構学習部６４は、生成した過去文生成機構用モデル３４を、診療サマリ生成装置１０の記憶部２２のストレージ２２Ｃに記憶させる。
この場合、例えば、運用フェーズで過去文サマリ生成機構４４は、関連文書１５に含まれる複数の関連文書１５Ｄを過去文生成機構用モデル３４に入力させ、出力される関連文書１５Ｄ毎のスコアを取得する。そして、過去文サマリ生成機構４４は、複数の関連文書１５Ｄのうちから、スコアが高い方から、順に、予め定められた数の関連文書１５Ｄを抽出することで、過去文サマリ１６Ｐとして生成する。
また、未来文サマリ生成機構学習部６６は、未来文サマリ生成機構４６の未来文生成機構用モデル３６を、学習データ５０を入力とし、正解サマリ５４の正解未来文サマリ５４Ｆを正解データとして機械学習モデルの学習を行うことにより生成する。第２学習データ５０Ｆを用いて機械学習モデルの学習を行うことにより、未来文サマリ生成機構４６の未来文生成機構用モデル３６を生成する。図１０には、本実施形態の未来文サマリ生成機構学習部６６による未来文生成機構用モデル３６の学習を説明するための図が示されている。
図１０に示すように、本実施形態の未来文生成機構用モデル３６は、学習フェーズにおいて、訓練データまたは教師データとも呼ばれる第２学習データ５０Ｆを与えられて学習される。未来文生成機構用モデル３６は、予測モデル３６Ｆを含む。予測モデル３６Ｆは、例えば、特定の患者の未来の状態に対して予測を行う予測モデルである。学習フェーズにおいて、予測モデル３６Ｆには、学習用関連文書５２及び特定の患者に対応付けられた検査値等の学習用関連情報５３が入力される。なお、例えば、学習用関連文書５２等の文書データは、文書毎にベクトル化されて入力される。予測モデル３６Ｆは、学習用関連文書５２に対して学習用予測結果８０を出力する。なお、学習用予測結果８０は、正解未来文サマリ５４Ｆの集合とテンプレート８１とを突き合わせて、上位となる代入候補を抽出し、その中から選択するタスクにする。ここで用いるテンプレート８１の例としては、通院・投薬治療・自宅療養・リハビリ等の各々に関するテンプレートが挙げられる。このとき、予測モデル３６Ｆの学習はこの方法に限定されず、語彙集合・フレーズ集合・医療用辞書等から代入する語を選択したり、予め人手で定めた基準（例えば、退院までの日数（『Ｘ日後に退院予定』に代入するＸ）を正解として設定したりしてもよい。なお、予め人手で定めた基準を用いる場合、予測モデル３６Ｆの学習は、別に用意した学習データ（この例で言えば、退院までの日数）を用いることが想定される。未来文生成機構用モデル３６は、学習用予測結果８０とテンプレート８１とを組合せて、学習用未来文８２を生成する。なお、予測モデル３６Ｆが出力する学習用予測結果８０は、「通院治療」等のコンテンツと、いずれのテンプレート８１を用いるかについてテンプレート８１の指定を表す情報も含む形態であってもよい。この場合、未来文生成機構用モデル３６は、学習用予測結果８０に含まれるコンテンツを、指定されたテンプレート８１と組み合わせる。学習用未来文８２及び正解未来文サマリ５４Ｆに基づいて、損失関数を用いた予測モデル３６Ｆの損失演算がなされる。そして、損失演算の結果に応じて予測モデル３６Ｆの各種係数の更新設定がなされ、更新設定にしたがって、予測モデル３６Ｆが更新される。
学習フェーズにおいては、学習用関連文書５２及び学習用関連情報５３の予測モデル３６Ｆへの入力、予測モデル３６Ｆからの学習用予測結果８０の出力、学習用予測結果８０とテンプレート８１とを組合せて学習用未来文８２の生成、損失演算、更新設定、及び予測モデル３６Ｆの更新の上記一連の処理が、第２学習データ５０Ｆが交換されつつ繰り返し行われる。上記一連の繰り返しは、正解未来文サマリ５４Ｆに対する学習用未来文８２の予測精度が、予め定められた設定レベルまで達した場合に終了される。未来文サマリ生成機構学習部６６は、生成した未来文生成機構用モデル３６を、診療サマリ生成装置１０の記憶部２２のストレージ２２Ｃに記憶させる。
なお、テンプレート８１の設定方法は特に限定されない。例えば、テンプレート８１は、人手により設定されてもよい。また例えば、テンプレート８１を複数種類用意し、テンプレート８１の種類を代えながら上記学習を行い、学習用未来文８２が最も正解未来文サマリ５４Ｆと一致するテンプレート８１を採用する形態としてもよい。
また、学習用予測結果８０とテンプレート８１とを組み合わせるのに代えて、学習用予測結果８０という制約を加えた文書生成を行う形態としてもよい。
なお、未来文サマリ５４Ｆを生成する方法は、上述の形態に限定されない。例えば、未来文生成機構用モデル３６を、未来文を生成するための単一のモデルを含む形態としてもよい。この場合、予測モデル３６Ｆに代わり、学習用関連文書５２、若しくは学習用関連文書５２及び学習用関連情報５３と、正解未来文サマリ５４Ｆとを含む第２学習データ５０Ｆを用いて、学習用未来文８２を出力するよう、単一のモデルの学習が行われる。
次に、本実施形態の診療サマリ生成装置１０における過去文サマリ生成機構４４及び未来文サマリ生成機構４６を学習する作用について図面を参照して説明する。図１１には、本実施形態の診療サマリ生成装置１０において実行される学習処理の流れの一例を表したフローチャートが示されている。本実施形態の診療サマリ生成装置１０は、一例として、操作部２６により行われた、ユーザの学習開始指示等に基づいて、制御部２０のＣＰＵ２０Ａが、ストレージ２２Ｃに記憶されている学習プログラム３２を実行することにより、図１１に一例を示した学習処理を実行する。
ステップＳ２００で過去文未来文定義機構６０は、学習データ５０の正解サマリ５４における、正解過去文サマリ５４Ｐと、正解未来分サマリ５４Ｆとを定義する。上述したように、本実施形態の過去文未来文定義機構６０は、学習用関連文書５２と、正解サマリ５４の部分毎との一致度に基づいて、正解サマリ５４から、正解過去文サマリ５４Ｐと、正解過去文サマリ５４Ｐよりも学習用関連文書５２タとの一致度が低い正解未来文サマリ５４Ｆとを抽出する。
次のステップＳ２０２で過去文サマリ生成機構学習部６４は、第１学習データ５０Ｐを用いて、過去文生成機構用モデル３４を生成する。上述したように、本実施形態の過去文サマリ生成機構学習部６４は、第１学習データ５０Ｐの学習用関連文書５２に含まれる学習用関連文書５２Ｄの各々と、正解過去文サマリ５４Ｐとの一致度を導出する。また、過去文サマリ生成機構学習部６４は、導出した一致度に基づいて、各学習用関連文書５２Ｄの正解スコア７２を導出し、学習用関連文書５２Ｄと正解スコア７２とを含む学習データ７０により過去文生成機構用モデル３４を学習する。
次のステップＳ２０４で未来文サマリ生成機構学習部６６は、第２学習データ５０Ｆを用いて、未来文生成機構用モデル３６を生成する。上述したように、本実施形態の未来文サマリ生成機構学習部６６は、学習用関連文書５２を予測モデル３６Ｆに入力する。予測モデル３６Ｆから出力された学習用予測結果８０とテンプレート８１とを組み合わせた学習用未来文８２と正解未来文サマリ５４Ｆとを用いて未来文生成機構用モデル３６の更新を行うことにより、未来文生成機構用モデル３６を生成する。ステップＳ２０４の処理が終了すると図１１に示した学習処理が終了する。
このようにして過去文生成機構用モデル３４及び未来文生成機構用モデル３６を学習することにより、上述のように、診療サマリ生成装置１０は、関連文書１５から診療サマリ１６を生成することができる。
なお、過去文未来文定義機構６０は、正解サマリ５４から正解過去文サマリ５４Ｐと、正解未来文サマリ５４Ｆとを抽出できればよく、その方法等は上記の形態に限定されず、例えば変形例１のようにしてもよい。
（変形例１）
図１２には、本変形例の過去文未来文定義機構６０による正解過去文サマリ５４Ｐと、正解未来文サマリ５４Ｆとの抽出について説明するための図が示されている。本変形例では、分離モデル７９により、正解サマリ５４を正解過去文サマリ５４Ｐと正解未来文サマリ５４Ｆとに分離する。分離モデル７９の学習フェーズでは、図１２に示すように、分離モデル７９が、正解サマリ５４を入力とし、仮正解過去文サマリ１６ＰＰと、仮正解未来文サマリ１６ＦＦとに分離する。複数の正解サマリ５４に対して分離モデル７９が分離を行い、複数の仮正解過去文サマリ１６ＰＰと、仮正解未来文サマリ１６ＦＦとを生成する。さらに、学習用関連文書５２と、複数の仮正解過去文サマリ１６ＰＰとを組合せた学習データ８２Ａにより、過去文生成機構用モデル３４を学習させて、学習された過去文生成機構用モデル３４により、仮過去文サマリを生成する。また、学習用関連文書５２と、複数の仮正解未来文サマリ１６ＦＦとを組合せた学習データ８４Ａにより、未来文生成機構用モデル３６を学習させて、学習された未来文生成機構用モデル３６により、仮未来文サマリを生成する。さらに、仮過去文サマリと、仮未来文サマリとを組み合わせて仮診療サマリＸを生成する。この仮診療サマリＸと、正解サマリ５４との一致度を報酬として、分離モデル７９の強化学習を行うことにより、分離モデル７９が、正解サマリ５４から正解過去文サマリ５４Ｐと、正解未来文サマリ５４Ｆとを適切に抽出できるようになる。なお、分離モデル７９は、正解過去文サマリ５４Ｐ及び正解未来文サマリ５４Ｆの一方を出力するモデルであってもよい。本変形例の分離モデル７９が、本開示の第３機械学習モデルの一例である。
また、過去文サマリ生成機構学習部６４は、過去文生成機構用モデル３４を生成できればよく、その方法や生成される過去文生成機構用モデル３４の具体的な内容等は上記の形態に限定されない。例えば、過去文サマリ生成機構学習部６４は、上述のようにして抽出した関連文書１５Ｄのスコアを、高いものから順に並び替える機械学習モデルをさらに学習させてもよい。
また、未来文サマリ生成機構学習部６６は、未来文生成機構用モデル３６を生成できればよく、その方法や生成される未来文生成機構用モデル３６の具体的な内容等は上記の形態に限定されない。例えば、患者情報に含まれる関連文書１５Ｄから最も未来文サマリ１６Ｆに近い関連文書１５Ｄを抽出し、抽出した関連文書１５Ｄを未来文に書き換える形態としてもよい。また、上記の予測モデル３６Ｆとテンプレート８１を生成する機械学習モデルとの一部を共通モデルとして設け、未来文生成機構用モデル３６を３つのモデルを備えた形態としてもよい。
以上説明したように、上記形態の診療サマリ生成装置１０は、ＣＰＵ２０Ａは、学習用関連文書５２及び正解サマリ５４を含み学習データ５０を取得する。
学習用関連文書５２と、学習用関連文書５２の部分毎との一致度に基づいて、正解サマリ５４から、正解過去文サマリ５４Ｐと、正解過去文サマリ５４Ｐよりも学習用関連文書５２との一致度が高い正解サマリ５４Ｆとを抽出する。学習用関連文書５２を入力データとし、かつ正解過去文サマリ５４Ｐを正解データとした第１学習データにより過去文生成機構用モデル３４を生成する。学習用関連文書５２に含まれる学習用関連文書５２を入力データとし、かつ正解サマリ５４Ｆを正解データとした第２学習データにより未来文生成機構用モデル３６を生成する。
このように、本実施形態の診療サマリ生成装置１０は、学習用関連文書５２との一致度が高く、直接、導き出すことが比較的容易な正解過去文サマリ５４Ｐを正解データとして、過去文生成機構用モデル３４を生成する。また、診療サマリ生成装置１０は、学習用関連文書５２との一致度が低く、直接、導き出すことが比較的困難な正解サマリ５４Ｆを正解データとして、未来文生成機構用モデル３６を生成する。
これにより、本実施形態の診療サマリ生成装置１０では、関連文書１５から、過去文生成機構用モデル３４を用いて過去文サマリ１６Ｐを生成し、未来文生成機構用モデル３６を用いて未来文サマリ１６Ｆを生成する。また、診療サマリ生成装置１０は、過去文サマリ１６Ｐ及び未来文サマリ１６Ｆから診療サマリ１６を生成することができる。関連文書１５から、関連文書１５と関連度が高い過去文サマリ１６Ｐと、関連文書１５と関連度が低い未来文サマリ１６Ｆとを適切に生成することができる。従って、本実施形態の診療サマリ生成装置１０によれば、適切な診療サマリ１６を生成することができる。
なお、上記形態では、特定の患者に関する患者情報から過去文サマリ１６Ｐ及び未来文サマリ１６Ｆを含む診療サマリ１６を生成する形態について説明したが、生成する対象等は、本形態に限定されない。例えば、特定の購入者に関する購入者プロファイルや、購入品の履歴、及び購入日時等を含む購入者情報から過去文サマリ１６Ｐ及び未来文サマリ１６Ｆを含む市場レポートを生成する形態に本開示の技術を適用してもよい。
また、上記形態において、例えば、診療サマリ生成部４０、過去文サマリ生成機構４４、未来文サマリ生成機構４６、表示制御部４８、過去文未来文定義機構６０、過去文サマリ生成機構学習部６４、及び未来文サマリ生成機構学習部６６といった各種の処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。
また、上記各実施形態では、診療サマリ生成プログラム３０、及び学習プログラム３２の各々が記憶部２２に予め記憶（インストール）されている態様を説明したが、これに限定されない。診療サマリ生成プログラム３０、及び学習プログラム３２の各々は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよい。また、診療サマリ生成プログラム３０、及び学習プログラム３２の各々は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。つまり、本実施形態で説明したプログラム(プログラム製品)は、記録媒体で提供するほか、外部のコンピュータから配信する形態であっても良い。
以上の上記実施形態に関し、更に以下の付記を開示する。
（付記１）
少なくとも１つのプロセッサを備え、
前記プロセッサは、
学習用情報データを取得し、
学習用文書データを取得し、
前記学習用情報データと、前記学習用文書データの部分毎との一致度に基づいて、前記学習用文書データから、第１部分と、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分とを抽出し、
前記学習用情報データに含まれる学習用第１データを入力データとし、かつ前記第１部分を正解データとした第１学習データにより第１機械学習モデルを生成し、
前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記第２部分を正解データとした第２学習データにより第２機械学習モデルを生成する、
モデル生成装置。
（付記２）
前記学習用文書データは、第１日付情報が対応付けられた特定の患者に係わる患者データであり、
前記学習用情報データは、前記第１日付情報、または前記第１日付情報が表す日付よりも前の第２日付情報が対応付けられた前記特定の患者に係わる患者データである複数の文書データを含む、
付記１に記載のモデル生成装置。
（付記３）
前記プロセッサは、
前記第１機械学習モデルの性能及び前記第２機械学習モデルの性能を報酬とした強化学習により、前記学習用文書データを入力とし、前記第１部分及び前記第２部分の少なくとも一方を出力する第３機械学習モデルを生成し、
前記第３機械学習モデルを用い、前記学習用文書データから前記第１部分及び前記第２部分を抽出する
付記１または付記２に記載のモデル生成装置。
（付記４）
前記第２機械学習モデルは、
前記学習用情報データに基づく予測結果を出力する機械学習モデルを含み、前記予測結果と、テンプレートとを組み合わせて出力する機械学習モデルである、
付記１から付記３のいずれか１つに記載のモデル生成装置。
（付記５）
学習用情報データに含まれる学習用第１データを入力データとし、かつ前記学習用情報データと学習用文書データの部分毎との一致度に基づいて前記学習用文書データから抽出された第１部分を正解データとした第１学習データにより生成された第１機械学習モデルと、
前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記学習用文書データから抽出された、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分を正解データとした第２学習データにより生成された第２機械学習モデルと、
少なくとも１つのプロセッサと、を備え、
前記プロセッサは、
情報データを取得し、
第１機械学習モデルに、前記情報データに含まれる第１データを入力させ、第１文書を取得し、
第２機械学習モデルに、前記情報データに含まれる第２データを入力させ、第２文書を取得し、
前記第１文書及び前記第２文書から第３文書を生成する、
文書生成装置。
（付記６）
少なくとも１つのプロセッサを備えるモデル生成装置の前記プロセッサが実行するモデル生成方法であって、
学習用情報データを取得し、
学習用文書データを取得し、
前記学習用情報データと、前記学習用文書データの部分毎との一致度に基づいて、前記学習用文書データから、第１部分と、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分とを抽出し、
前記学習用情報データに含まれる学習用第１データを入力データとし、かつ前記第１部分を正解データとした第１学習データにより第１機械学習モデルを生成し、
前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記第２部分を正解データとした第２学習データにより第２機械学習モデルを生成する、
モデル生成方法。
（付記７）
学習用情報データに含まれる学習用第１データを入力データとし、かつ前記学習用情報データと学習用文書データの部分毎との一致度に基づいて前記学習用文書データから抽出された第１部分を正解データとした第１学習データにより生成された第１機械学習モデルと、前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記学習用文書データから抽出された、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分を正解データとした第２学習データにより生成された第２機械学習モデルと、少なくとも１つのプロセッサと、を備える文書生成装置の前記プロセッサが実行する文書生成方法であって、
情報データを取得し、
第１機械学習モデルに、前記情報データに含まれる第１データを入力させ、第１文書を取得し、
第２機械学習モデルに、前記情報データに含まれる第２データを入力させ、第２文書を取得し、
前記第１文書及び前記第２文書から第３文書を生成する、
文書生成方法。
（付記８）
付記６に記載のモデル生成方法、及び付記７に記載の文書生成方法の少なくとも一方を実行するプログラム。
１ 診療サマリ生成システム
１０ 診療サマリ生成装置
１５、１５Ｄ 関連文書
１６ 診療サマリ、１６Ｐ、１６ＰＰ 過去文サマリ、１６Ｆ、１６ＦＦ 未来文サマリ
１９ ネットワーク
２０ 制御部、２０Ａ ＣＰＵ
２２ 記憶部、２２Ａ ＲＡＭ、２２Ｂ ＲＯＭ、２２Ｃ ストレージ
２４ 通信Ｉ／Ｆ部
２６ 操作部
２８ 表示部
２９ バス
３０ 診療サマリ生成プログラム
３２ 学習プログラム
３４ 過去文生成機構用モデル
３６ 未来文生成機構用モデル、３６Ｆ 予測モデル
４０ 診療サマリ生成部
４４ 過去文サマリ生成機構
４６ 未来文サマリ生成機構
４８ 表示制御部
５０ 学習データ、５０Ｐ 第１学習データ、５０Ｆ 第２学習データ
５２、５２Ｄ 学習用関連文書
５４ 正解サマリ、５４Ｐ 正解過去文サマリ、５４Ｆ 正解未来文サマリ
６０ 過去文未来文定義機構
６４ 過去文サマリ生成機構学習部
６６ 未来文サマリ生成機構学習部
７０ 学習データ
７２ 正解スコア
７３ 学習用スコア
７９ 分離モデル
８０ 学習用予測結果
８１ テンプレート
８２ 学習用未来文、８２Ａ 学習データ
８４Ａ 学習データ

Claims (8)

  1. 少なくとも１つのプロセッサを備え、
    前記プロセッサは、
    学習用情報データを取得し、
    学習用文書データを取得し、
    前記学習用情報データと、前記学習用文書データの部分毎との一致度に基づいて、前記学習用文書データから、第１部分と、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分とを抽出し、
    前記学習用情報データに含まれる学習用第１データを入力データとし、かつ前記第１部分を正解データとした第１学習データにより第１機械学習モデルを生成し、
    前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記第２部分を正解データとした第２学習データにより第２機械学習モデルを生成する、
    モデル生成装置。
  2. 前記学習用文書データは、第１日付情報が対応付けられた特定の患者に係わる患者データであり、
    前記学習用情報データは、前記第１日付情報、または前記第１日付情報が表す日付よりも前の第２日付情報が対応付けられた前記特定の患者に係わる患者データである複数の文書データを含む、
    請求項１に記載のモデル生成装置。
  3. 前記プロセッサは、
    前記第１機械学習モデルの性能及び前記第２機械学習モデルの性能を報酬とした強化学習により、前記学習用文書データを入力とし、前記第１部分及び前記第２部分の少なくとも一方を出力する第３機械学習モデルを生成し、
    前記第３機械学習モデルを用い、前記学習用文書データから前記第１部分及び前記第２部分を抽出する
    請求項１に記載のモデル生成装置。
  4. 前記第２機械学習モデルは、
    前記学習用情報データに基づく予測結果を出力する機械学習モデルを含み、前記予測結果と、テンプレートとを組み合わせて出力する機械学習モデルである、
    請求項１に記載のモデル生成装置。
  5. 学習用情報データに含まれる学習用第１データを入力データとし、かつ前記学習用情報データと学習用文書データの部分毎との一致度に基づいて前記学習用文書データから抽出された第１部分を正解データとした第１学習データにより生成された第１機械学習モデルと、
    前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記学習用文書データから抽出された、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分を正解データとした第２学習データにより生成された第２機械学習モデルと、
    少なくとも１つのプロセッサと、を備え、
    前記プロセッサは、
    情報データを取得し、
    第１機械学習モデルに、前記情報データに含まれる第１データを入力させ、第１文書を取得し、
    第２機械学習モデルに、前記情報データに含まれる第２データを入力させ、第２文書を取得し、
    前記第１文書及び前記第２文書から第３文書を生成する、
    文書生成装置。
  6. 少なくとも１つのプロセッサを備えるモデル生成装置の前記プロセッサが実行するモデル生成方法であって、
    学習用情報データを取得し、
    学習用文書データを取得し、
    前記学習用情報データと、前記学習用文書データの部分毎との一致度に基づいて、前記学習用文書データから、第１部分と、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分とを抽出し、
    前記学習用情報データに含まれる学習用第１データを入力データとし、かつ前記第１部分を正解データとした第１学習データにより第１機械学習モデルを生成し、
    前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記第２部分を正解データとした第２学習データにより第２機械学習モデルを生成する、
    モデル生成方法。
  7. 学習用情報データに含まれる学習用第１データを入力データとし、かつ前記学習用情報データと学習用文書データの部分毎との一致度に基づいて前記学習用文書データから抽出された第１部分を正解データとした第１学習データにより生成された第１機械学習モデルと、前記学習用情報データに含まれる学習用第２データを入力データとし、かつ前記学習用文書データから抽出された、前記第１部分よりも前記学習用情報データとの一致度が低い第２部分を正解データとした第２学習データにより生成された第２機械学習モデルと、少なくとも１つのプロセッサと、を備える文書生成装置の前記プロセッサが実行する文書生成方法であって、
    情報データを取得し、
    第１機械学習モデルに、前記情報データに含まれる第１データを入力させ、第１文書を取得し、
    第２機械学習モデルに、前記情報データに含まれる第２データを入力させ、第２文書を取得し、
    前記第１文書及び前記第２文書から第３文書を生成する、
    文書生成方法。
  8. 請求項６に記載のモデル生成方法、及び請求項７に記載の文書生成方法の少なくとも一方を実行するプログラム。
JP2022138806A 2022-08-31 2022-08-31 モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラム Pending JP2024034528A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022138806A JP2024034528A (ja) 2022-08-31 2022-08-31 モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラム
US18/458,130 US20240070544A1 (en) 2022-08-31 2023-08-29 Model generation apparatus, document generation apparatus, model generation method, document generation method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022138806A JP2024034528A (ja) 2022-08-31 2022-08-31 モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラム

Publications (1)

Publication Number Publication Date
JP2024034528A true JP2024034528A (ja) 2024-03-13

Family

ID=89996626

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022138806A Pending JP2024034528A (ja) 2022-08-31 2022-08-31 モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラム

Country Status (2)

Country Link
US (1) US20240070544A1 (ja)
JP (1) JP2024034528A (ja)

Also Published As

Publication number Publication date
US20240070544A1 (en) 2024-02-29

Similar Documents

Publication Publication Date Title
CN109670179B (zh) 基于迭代膨胀卷积神经网络的病历文本命名实体识别方法
CN109215754A (zh) 病历数据处理方法、装置、计算机设备和存储介质
CN111401066B (zh) 基于人工智能的词分类模型训练方法、词处理方法及装置
JP5245255B2 (ja) 固有表現抽出プログラム、固有表現抽出方法および固有表現抽出装置
TWI682287B (zh) 知識圖譜產生裝置、方法及其電腦程式產品
JP6772213B2 (ja) 質問応答装置、質問応答方法及びプログラム
CN110427486B (zh) 身体病况文本的分类方法、装置及设备
JP7433601B2 (ja) エキスパートレポートエディタ
Boag et al. Cliner 2.0: Accessible and accurate clinical concept extraction
CN111461168A (zh) 训练样本扩充方法、装置、电子设备及存储介质
CN114913953B (zh) 医学实体关系的识别方法、装置、电子设备及存储介质
CN116994694A (zh) 基于信息提取的患者病历数据筛选方法、装置和介质
JP7049974B2 (ja) 情報処理装置、情報処理方法、及びプログラム
JP6963535B2 (ja) 分析方法、分析装置及びプログラム
WO2021174923A1 (zh) 概念词序列生成方法、装置、计算机设备及存储介质
WO2019187696A1 (ja) ベクトル化装置、言語処理方法及びプログラム
Klochko et al. Data mining of the healthcare system based on the machine learning model developed in the Microsoft azure machine learning studio
CN116757207A (zh) 基于人工智能的icd自动编码方法及相关设备
JP2024034528A (ja) モデル生成装置、文書生成装置、モデル生成方法、文書生成方法、及びプログラム
CN115631823A (zh) 相似病例推荐方法及系统
CN114627993A (zh) 信息预测方法、装置、存储介质及计算机设备
JP7472587B2 (ja) エンコーディングプログラム、情報処理装置およびエンコーディング方法
CN114581177A (zh) 产品推荐方法、装置、设备及存储介质
CN111971754B (zh) 医学信息处理装置、医学信息处理方法及存储介质
JP6181890B2 (ja) 文献解析装置、文献解析方法およびプログラム