JP3231810B2 - ニューラル・ネットワークを用いた鑑別診断支援方法 - Google Patents
ニューラル・ネットワークを用いた鑑別診断支援方法Info
- Publication number
- JP3231810B2 JP3231810B2 JP21751891A JP21751891A JP3231810B2 JP 3231810 B2 JP3231810 B2 JP 3231810B2 JP 21751891 A JP21751891 A JP 21751891A JP 21751891 A JP21751891 A JP 21751891A JP 3231810 B2 JP3231810 B2 JP 3231810B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- diseases
- input
- diagnosis
- radiographic
- 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.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims description 178
- 238000000034 method Methods 0.000 title claims description 98
- 238000003748 differential diagnosis Methods 0.000 title claims description 44
- 201000010099 disease Diseases 0.000 claims description 99
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 99
- 238000003745 diagnosis Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 36
- 230000014509 gene expression Effects 0.000 claims description 31
- 208000024891 symptom Diseases 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 208000002151 Pleural effusion Diseases 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 206010016654 Fibrosis Diseases 0.000 claims 1
- 230000004069 differentiation Effects 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 claims 1
- 230000004761 fibrosis Effects 0.000 claims 1
- 210000002751 lymph Anatomy 0.000 claims 1
- HAHMABKERDVYCH-ZUQRMPMESA-N neticonazole hydrochloride Chemical compound Cl.CCCCCOC1=CC=CC=C1\C(=C/SC)N1C=NC=C1 HAHMABKERDVYCH-ZUQRMPMESA-N 0.000 claims 1
- 208000029523 Interstitial Lung disease Diseases 0.000 description 22
- 238000010586 diagram Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 18
- 238000009607 mammography Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 210000004072 lung Anatomy 0.000 description 9
- 230000036760 body temperature Effects 0.000 description 7
- 230000003211 malignant effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000000115 thoracic cavity Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 208000035977 Rare disease Diseases 0.000 description 4
- 206010039710 Scleroderma Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 201000010001 Silicosis Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008595 infiltration Effects 0.000 description 3
- 238000001764 infiltration Methods 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 208000030270 breast disease Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 201000000306 sarcoidosis Diseases 0.000 description 2
- 206010013453 Disseminated tuberculosis Diseases 0.000 description 1
- 206010014950 Eosinophilia Diseases 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 206010018691 Granuloma Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000008771 Lymphadenopathy Diseases 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 201000006836 Miliary Tuberculosis Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000009362 Pneumococcal Pneumonia Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010035728 Pneumonia pneumococcal Diseases 0.000 description 1
- 208000010378 Pulmonary Embolism Diseases 0.000 description 1
- 206010037423 Pulmonary oedema Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 208000018555 lymphatic system disease Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000022218 streptococcal pneumonia Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
- Y10S128/922—Computer assisted medical diagnostics including image analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
- Y10S128/923—Computer assisted medical diagnostics by comparison of patient data to other data
- Y10S128/924—Computer assisted medical diagnostics by comparison of patient data to other data using artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
- Y10S128/925—Neural network
Description
【０００１】
【産業上の利用分野】本発明は、コンピュータを援用し
て疾病の鑑別診断を行うための方法に関するものである
が、特に、ニューラル・ネットワークを用いた鑑別診断
支援方法に関するものである。
て疾病の鑑別診断を行うための方法に関するものである
が、特に、ニューラル・ネットワークを用いた鑑別診断
支援方法に関するものである。
【０００２】
【従来の技術】コンピュータを援用した疾病の鑑別診断
は放射線医学の部門に於いては重要な題目であるが、多
くの疾病は放射線写真を撮影してみても間質部の描くパ
ターンが似たり寄ったりであるか全く同じになってしま
うので正確に見分けることは困難である。そういう場合
には、放射線写真細部の所見ばかりでなくこれと併せ
て、その患者に関連して臨床上得られる多くの情報、す
なわち、年令、性別、症候などを総合勘案してはじめて
ハッキリとした診断が下されるのである。従って、疾病
の鑑別診断はコンピュータによる自動操作に適している
ともいえる。コンピュータによる自動操作を用いれば、
放射線写真の示すパターンの読み取りにまだ余り習熟し
ていない医師が診断を下そうとする場合、その一助とも
なって、その診断の精確度を熟練した放射線専門医のレ
ベル近くにまで引き上げることができるからである。し
かしながら、今日までのところコンピュータを援用した
鑑別診断は広く受け入れられるには到っていない。とい
うのは、前記の臨床上の情報が多数にのぼるからであ
る。
は放射線医学の部門に於いては重要な題目であるが、多
くの疾病は放射線写真を撮影してみても間質部の描くパ
ターンが似たり寄ったりであるか全く同じになってしま
うので正確に見分けることは困難である。そういう場合
には、放射線写真細部の所見ばかりでなくこれと併せ
て、その患者に関連して臨床上得られる多くの情報、す
なわち、年令、性別、症候などを総合勘案してはじめて
ハッキリとした診断が下されるのである。従って、疾病
の鑑別診断はコンピュータによる自動操作に適している
ともいえる。コンピュータによる自動操作を用いれば、
放射線写真の示すパターンの読み取りにまだ余り習熟し
ていない医師が診断を下そうとする場合、その一助とも
なって、その診断の精確度を熟練した放射線専門医のレ
ベル近くにまで引き上げることができるからである。し
かしながら、今日までのところコンピュータを援用した
鑑別診断は広く受け入れられるには到っていない。とい
うのは、前記の臨床上の情報が多数にのぼるからであ
る。
【０００３】パターンの認識及び分類という作業を含む
諸々の問題を解決する際に強力な武器となるのが人工の
ニューラル・ネットワークである。この人工のニューラ
ル・ネットワーク（神経網）は層状の構造を持つもの
で、監視付き学習手続きを踏んで用いられるのである
が、監視付き学習手続というのは、以下の諸文献に開示
されているような逆方向に遡って誤謬を訂正するアルゴ
リズム（算法）のことである。即ちRumelhart 他による
“超小型認識構造に於ける並列処理の探究”ケンブリッ
ジ、ＭＩ・Ｔ出版（1986）とか、Grossberg による“ニ
ューラル・ネットワーク及びニューラル知能”ケンブリ
ッジ、ＭＩＴ出版（1988）とかEckmller他による“ニュ
ーラル・コンピュータ”ベルリン、Springer-Verlag
（1989）といった文献に見られるようなものであるが、
これらの文献は本明細書に於いても参考にして取り入れ
られている。人工のニューラル・ネットワークは、多数
のニューロン（神経単位）様の要素（ユニット）と、こ
れらの要素間の接続とから成っており、ハードウエア及
び／又はソフトウエアによって実施される。ニューラル
・ネットワークのユニットは、図２１に示されているよ
うに、それぞれの果たす機能に従って三つのタイプの異
なったグループ（層）に分類される。第一の層（入力
層）は、入力パターンを表わす一組のデータを受けいれ
る役目を割り当てられており、第二の層（出力層）は、
出力パターンを表わす一組のデータを供する役目を割り
当てられている。そして任意の数の中間層（隠れ層）が
入力パターンを出力パターンへと変換する役目を受け持
っているのである。これらの各層に含まれるユニットの
数は任意に決められるのだから、入力層及び出力層には
十分な数のユニットを含ませるようにして、対象となっ
ている問題の入力パターン及び出力パターンをそれぞれ
表わし得るようにできるのである。たとえば、20項目の
臨床上の情報に基づいて９種類の疾病を識別するように
設計されるニューラル・ネットワークの場合、入力ユニ
ットの数は20、出力ユニット数は９とすべきであるが、
隠れ層の数並びに隠れ層に属するユニットの数について
は実験によって最適数を定める必要がある。
諸々の問題を解決する際に強力な武器となるのが人工の
ニューラル・ネットワークである。この人工のニューラ
ル・ネットワーク（神経網）は層状の構造を持つもの
で、監視付き学習手続きを踏んで用いられるのである
が、監視付き学習手続というのは、以下の諸文献に開示
されているような逆方向に遡って誤謬を訂正するアルゴ
リズム（算法）のことである。即ちRumelhart 他による
“超小型認識構造に於ける並列処理の探究”ケンブリッ
ジ、ＭＩ・Ｔ出版（1986）とか、Grossberg による“ニ
ューラル・ネットワーク及びニューラル知能”ケンブリ
ッジ、ＭＩＴ出版（1988）とかEckmller他による“ニュ
ーラル・コンピュータ”ベルリン、Springer-Verlag
（1989）といった文献に見られるようなものであるが、
これらの文献は本明細書に於いても参考にして取り入れ
られている。人工のニューラル・ネットワークは、多数
のニューロン（神経単位）様の要素（ユニット）と、こ
れらの要素間の接続とから成っており、ハードウエア及
び／又はソフトウエアによって実施される。ニューラル
・ネットワークのユニットは、図２１に示されているよ
うに、それぞれの果たす機能に従って三つのタイプの異
なったグループ（層）に分類される。第一の層（入力
層）は、入力パターンを表わす一組のデータを受けいれ
る役目を割り当てられており、第二の層（出力層）は、
出力パターンを表わす一組のデータを供する役目を割り
当てられている。そして任意の数の中間層（隠れ層）が
入力パターンを出力パターンへと変換する役目を受け持
っているのである。これらの各層に含まれるユニットの
数は任意に決められるのだから、入力層及び出力層には
十分な数のユニットを含ませるようにして、対象となっ
ている問題の入力パターン及び出力パターンをそれぞれ
表わし得るようにできるのである。たとえば、20項目の
臨床上の情報に基づいて９種類の疾病を識別するように
設計されるニューラル・ネットワークの場合、入力ユニ
ットの数は20、出力ユニット数は９とすべきであるが、
隠れ層の数並びに隠れ層に属するユニットの数について
は実験によって最適数を定める必要がある。
【０００４】ニューラル・ネットワークの原理は、要す
るに次のように説明できる。まず、入力データを０から
１までの範囲の数値で表わし、これをニューラル・ネッ
トワークの入力ユニットへと送り込む。次に（隠れ層が
一層だけの場合について言えば）この隠れ層と出力層に
於いて二つの非線形式計算を引き続いて行ってから出力
ユニットから出力データを送り出すのである。層中の各
ユニットに於ける計算については、図２２に図式的に示
してあるが、入力ユニットの場合は別としてこの計算に
はすべての入力された数に重み付けをして総和を求める
作業とか幾つかのオフセット項を付け加える作業とか、
ロジスティック関数のようなΣ字形関数を用いて０から
１までの範囲の数値に換算する作業とかが含まれてい
る。図２２について見ると、Ｏ1 からＯn までの符号を
付してあるユニットは、入力乃至隠れ層のユニットを表
わしており、これらの入力乃至隠れ層のユニットのそれ
ぞれからの出力に対して定められている重み係数はＷ1
〜Ｗn で表わされている。そしてＩは、それぞれに重み
係数を掛けた出力の総和を表わしている。出力０は所定
のロジスティック関数方程式を用いて算出されるが、こ
の方程式でθは、入力Ｉに対する偏差値を示している。
重み係数と偏差値はニューラル・ネットワークの内部パ
ラメータで、入力データと出力データの与えられた組み
合わせに対して決められるものである。
るに次のように説明できる。まず、入力データを０から
１までの範囲の数値で表わし、これをニューラル・ネッ
トワークの入力ユニットへと送り込む。次に（隠れ層が
一層だけの場合について言えば）この隠れ層と出力層に
於いて二つの非線形式計算を引き続いて行ってから出力
ユニットから出力データを送り出すのである。層中の各
ユニットに於ける計算については、図２２に図式的に示
してあるが、入力ユニットの場合は別としてこの計算に
はすべての入力された数に重み付けをして総和を求める
作業とか幾つかのオフセット項を付け加える作業とか、
ロジスティック関数のようなΣ字形関数を用いて０から
１までの範囲の数値に換算する作業とかが含まれてい
る。図２２について見ると、Ｏ1 からＯn までの符号を
付してあるユニットは、入力乃至隠れ層のユニットを表
わしており、これらの入力乃至隠れ層のユニットのそれ
ぞれからの出力に対して定められている重み係数はＷ1
〜Ｗn で表わされている。そしてＩは、それぞれに重み
係数を掛けた出力の総和を表わしている。出力０は所定
のロジスティック関数方程式を用いて算出されるが、こ
の方程式でθは、入力Ｉに対する偏差値を示している。
重み係数と偏差値はニューラル・ネットワークの内部パ
ラメータで、入力データと出力データの与えられた組み
合わせに対して決められるものである。
【０００５】ニューラル・ネットワークには、二つの異
なった基本プロセスが含まれている。即ち、訓練プロセ
スと試験プロセスとである。ニューラル・ネットワーク
は、Rumelhart 他が前掲書のpp.318〜362に於いて示し
ているように、訓練用の入力データと期待される出力デ
ータとの組み合わせを何組も用意してこれらを用いなが
ら、逆方向に遡れるアルゴリズムによって訓練される。
（訓練の際）ニューラル・ネットワークから出てくる実
際の出力と期待される出力との間にはズレがあるが、こ
のズレを最小とするように、ニューラル・ネットワーク
の内部パラメータが調整されるのである。入力データと
出力データの同じ組み合わせに対してこの手続きをラン
ダム順序で繰り返すことによって、ニューラル・ネット
ワークは、訓練用の入力データと期待される出力データ
との間の連関を学習するのである。ひとたび十分に訓練
を受けてしまえば、ニューラル・ネットワークはその学
習経験によって様々な入力データを識別できるようにな
る。しかしながら今日までのところ、こういうニューラ
ル・ネットワークを利用する方法は、間質性疾病のコン
ピュータ援用鑑別診断には取り入れられていないのであ
る。
なった基本プロセスが含まれている。即ち、訓練プロセ
スと試験プロセスとである。ニューラル・ネットワーク
は、Rumelhart 他が前掲書のpp.318〜362に於いて示し
ているように、訓練用の入力データと期待される出力デ
ータとの組み合わせを何組も用意してこれらを用いなが
ら、逆方向に遡れるアルゴリズムによって訓練される。
（訓練の際）ニューラル・ネットワークから出てくる実
際の出力と期待される出力との間にはズレがあるが、こ
のズレを最小とするように、ニューラル・ネットワーク
の内部パラメータが調整されるのである。入力データと
出力データの同じ組み合わせに対してこの手続きをラン
ダム順序で繰り返すことによって、ニューラル・ネット
ワークは、訓練用の入力データと期待される出力データ
との間の連関を学習するのである。ひとたび十分に訓練
を受けてしまえば、ニューラル・ネットワークはその学
習経験によって様々な入力データを識別できるようにな
る。しかしながら今日までのところ、こういうニューラ
ル・ネットワークを利用する方法は、間質性疾病のコン
ピュータ援用鑑別診断には取り入れられていないのであ
る。
【０００６】
【発明が解決しようとする課題】従って、本発明の一つ
の目的は、コンピュータ援用鑑別診断のためにニューラ
ル・ネットワークを含む新規な方法を提供することであ
る。
の目的は、コンピュータ援用鑑別診断のためにニューラ
ル・ネットワークを含む新規な方法を提供することであ
る。
【０００７】本発明の今一つの目的は、コンピュータ援
用鑑別診断のためにニューラル・ネットワークを含む新
しく改良を加えた方法を提供して、放射線医の診断に向
上が図られんとするものである。
用鑑別診断のためにニューラル・ネットワークを含む新
しく改良を加えた方法を提供して、放射線医の診断に向
上が図られんとするものである。
【０００８】
【課題を解決するための手段】請求項１に係る鑑別診断
支援方法は、複数のあらかじめ定められている疾病の鑑
別診断を行う方法であって、受診者の症状に関する特徴
を規定する複数の臨床パラメータを選択し、疾病の特徴
を規定する放射線写真の記述子も複数選択し、これら複
数の臨床パラメータと放射線写真の記述子とを数値表現
に置き換え、各数値表現をさらにあらかじめ定めてある
範囲内の数値に変換し、こうして変換された数値表現を
ニューラル・ネットワークに入力して、而して、該ニュ
ーラル・ネットワークを用い該入力表現に合わせて該あ
らかじめ定めている複数の疾病の中から少なくとも一つ
を診断するようにしてなるニューラル・ネットワークを
用いている。 請求項７に係る鑑別診断支援方法は、入力
データの不完全なセットを用いてあらかじめ定められて
いる複数の疾病の鑑別診断を行う方法であって、まず、
受診者の症状に関する特徴を規定する複数の臨床パラメ
ータを選択し、疾病の特徴を規定する放射線写真の複数
の記述子も選択し、該複数の臨床パラメータと放射線写
真の記述子とから成る入力データの完全なセットを形成
し、これら複数の臨床パラメータと放射線写真の記述子
とを数値表現に置き換え、各数値表現をさらにあらかじ
め定められた範囲の数値にさらにそれぞれ変換し、入力
データの該不完全なセットのデータベースを使用して該
あらかじめ定められた複数の疾病を診断するようニュー
ラル・ネットワークを訓練し、それから該変換された数
値表現を該ニューラル・ネットワークに入力して該入力
表現が入力データの不完全なセットを表しているように
し、該入力表現に従って該あらかじめ定められた複数の
疾病の中から少なくとも一つを診断するようにして成
る。 請求項１０に係る鑑別診断支援方法は、入力データ
の不完全なセットを用いて、あらかじめ定められた複数
の疾病の鑑別診断を行う方法であって、まず、受診者の
症状に関する特徴を規定する複数の臨床パラメータを選
択し、疾病の特徴を規定する放射線写真の複数の記述子
をも選択し、これら複数の臨床パラメータと放射線写真
の記述子とからなる入力データの完全なセットを規定
し、該複数の臨床パラメータと放射線写真の記述子とを
数値表現に置き換え、これらの数値表現 をそれぞれ、あ
らかじめ定められた範囲内の数値にさらに変換し、入力
データの該不完全なセットを用いて、ニューラル・ネッ
トワークが該複数の疾病をそれぞれ同定するよう訓練
し、入力データのセットが不完全な場合には入力データ
のうち欠けているもの毎にダミー値を用いて完全な形に
して、而も該ダミー値は該あらかじめ定められた範囲内
の数値であるようにし、こうして変換された数値表現と
ダミー値とを該ニューラル・ネットワークに入力して該
入力表現が入力データの不完全なセットを表しているよ
うにし、該入力表現及び該ダミー値に従って該あらかじ
め定められた複数の疾病の中から少なくとも一つを診断
するようにして成る。
支援方法は、複数のあらかじめ定められている疾病の鑑
別診断を行う方法であって、受診者の症状に関する特徴
を規定する複数の臨床パラメータを選択し、疾病の特徴
を規定する放射線写真の記述子も複数選択し、これら複
数の臨床パラメータと放射線写真の記述子とを数値表現
に置き換え、各数値表現をさらにあらかじめ定めてある
範囲内の数値に変換し、こうして変換された数値表現を
ニューラル・ネットワークに入力して、而して、該ニュ
ーラル・ネットワークを用い該入力表現に合わせて該あ
らかじめ定めている複数の疾病の中から少なくとも一つ
を診断するようにしてなるニューラル・ネットワークを
用いている。 請求項７に係る鑑別診断支援方法は、入力
データの不完全なセットを用いてあらかじめ定められて
いる複数の疾病の鑑別診断を行う方法であって、まず、
受診者の症状に関する特徴を規定する複数の臨床パラメ
ータを選択し、疾病の特徴を規定する放射線写真の複数
の記述子も選択し、該複数の臨床パラメータと放射線写
真の記述子とから成る入力データの完全なセットを形成
し、これら複数の臨床パラメータと放射線写真の記述子
とを数値表現に置き換え、各数値表現をさらにあらかじ
め定められた範囲の数値にさらにそれぞれ変換し、入力
データの該不完全なセットのデータベースを使用して該
あらかじめ定められた複数の疾病を診断するようニュー
ラル・ネットワークを訓練し、それから該変換された数
値表現を該ニューラル・ネットワークに入力して該入力
表現が入力データの不完全なセットを表しているように
し、該入力表現に従って該あらかじめ定められた複数の
疾病の中から少なくとも一つを診断するようにして成
る。 請求項１０に係る鑑別診断支援方法は、入力データ
の不完全なセットを用いて、あらかじめ定められた複数
の疾病の鑑別診断を行う方法であって、まず、受診者の
症状に関する特徴を規定する複数の臨床パラメータを選
択し、疾病の特徴を規定する放射線写真の複数の記述子
をも選択し、これら複数の臨床パラメータと放射線写真
の記述子とからなる入力データの完全なセットを規定
し、該複数の臨床パラメータと放射線写真の記述子とを
数値表現に置き換え、これらの数値表現 をそれぞれ、あ
らかじめ定められた範囲内の数値にさらに変換し、入力
データの該不完全なセットを用いて、ニューラル・ネッ
トワークが該複数の疾病をそれぞれ同定するよう訓練
し、入力データのセットが不完全な場合には入力データ
のうち欠けているもの毎にダミー値を用いて完全な形に
して、而も該ダミー値は該あらかじめ定められた範囲内
の数値であるようにし、こうして変換された数値表現と
ダミー値とを該ニューラル・ネットワークに入力して該
入力表現が入力データの不完全なセットを表しているよ
うにし、該入力表現及び該ダミー値に従って該あらかじ
め定められた複数の疾病の中から少なくとも一つを診断
するようにして成る。
【０００９】
【００１０】
【００１１】
【作用】コンピュータを援用して疾病の鑑別診断を行う
ための方法及びシステムで、特にコンピュータを援用
し、ニューラル・ネットワークを用いて鑑別診断を行う
ための方法及びシステム。このニューラル・ネットワー
クの第一の実施態様では、臨床上のパラメータと放射線
写真の記述子とを入力し、これに基づいて複数の間質性
肺疾患の中から鑑別診断を行う。第二の実施態様に於い
ては、同様に臨床上及び放射線写真に関する情報を入力
し、これに基づいて乳房レントゲン撮影の症例について
悪性か良性かの識別を行う。これらのニューラル・ネッ
トワークはまず仮想データベースを用いて訓練された。
仮想データベースは、間質性肺疾患のそれぞれや、悪性
と良性の症例についての仮想症例から作られたものであ
る。ニューラル・ネットワークの性能は受信者特性（Ｒ
ＯＣ）分析を用いて評定された。ニューラル・ネットワ
ークの診断特性は、経験を積んだ放射線医と比較したと
ころ、後者の能力にひけをとらない高性能が達成されて
いた。本発明によるニューラル・ネットワークは、単一
のネットワークから成るようにしてもよいし、幾つかの
ネットワークを直列式に連続させても、或いは並列させ
てもよい。本発明によるニューラル・ネットワークは又
コンピュータに対してインターフェイスで接続するよう
にもできる。コンピュータは、肺組識の自動分析を行っ
て放射線写真についての入力データを客観的且つ自動的
に供給するのである。
ための方法及びシステムで、特にコンピュータを援用
し、ニューラル・ネットワークを用いて鑑別診断を行う
ための方法及びシステム。このニューラル・ネットワー
クの第一の実施態様では、臨床上のパラメータと放射線
写真の記述子とを入力し、これに基づいて複数の間質性
肺疾患の中から鑑別診断を行う。第二の実施態様に於い
ては、同様に臨床上及び放射線写真に関する情報を入力
し、これに基づいて乳房レントゲン撮影の症例について
悪性か良性かの識別を行う。これらのニューラル・ネッ
トワークはまず仮想データベースを用いて訓練された。
仮想データベースは、間質性肺疾患のそれぞれや、悪性
と良性の症例についての仮想症例から作られたものであ
る。ニューラル・ネットワークの性能は受信者特性（Ｒ
ＯＣ）分析を用いて評定された。ニューラル・ネットワ
ークの診断特性は、経験を積んだ放射線医と比較したと
ころ、後者の能力にひけをとらない高性能が達成されて
いた。本発明によるニューラル・ネットワークは、単一
のネットワークから成るようにしてもよいし、幾つかの
ネットワークを直列式に連続させても、或いは並列させ
てもよい。本発明によるニューラル・ネットワークは又
コンピュータに対してインターフェイスで接続するよう
にもできる。コンピュータは、肺組識の自動分析を行っ
て放射線写真についての入力データを客観的且つ自動的
に供給するのである。
【００１２】
【実施例】項１． 複数のあらかじめ定められている疾
病の鑑別診断を行う方法で、まず受診者の特徴を規定す
る複数の臨床パラメータを選定し、疾病の特徴を規定す
る放射線写真の記述子も複数選定し、これら複数の臨床
パラメータと放射線写真の記述子とを数値表現に置き換
え、各数値表現をさらにあらかじめ定めてある範囲内の
数値に変換し、こうして変換された数値表現をニューラ
ル・ネットワークに入力し而して、該ニューラル・ネッ
トワークを用い該入力表現に合わせて該あらかじめ定め
られている複数の疾病の中から少くとも一つを診断する
ようにして成る鑑別診断方法。
病の鑑別診断を行う方法で、まず受診者の特徴を規定す
る複数の臨床パラメータを選定し、疾病の特徴を規定す
る放射線写真の記述子も複数選定し、これら複数の臨床
パラメータと放射線写真の記述子とを数値表現に置き換
え、各数値表現をさらにあらかじめ定めてある範囲内の
数値に変換し、こうして変換された数値表現をニューラ
ル・ネットワークに入力し而して、該ニューラル・ネッ
トワークを用い該入力表現に合わせて該あらかじめ定め
られている複数の疾病の中から少くとも一つを診断する
ようにして成る鑑別診断方法。
【００１３】項２． 項１に記載の方法に於いて、該ニ
ューラル・ネットワークが、該複数のあらかじめ定めら
れている疾病のそれぞれを同定するように、該臨床パラ
メータと放射線写真の記述子との一部分を選びこれを用
いて該ニューラル・ネットワークの訓練を行い、そして
与えられた一組の該入力表現に対して望まれる診断と出
力される診断との間にできるズレが最小限になるように
該ニューラル・ネットワークを調節して該ニューラル・
ネットワークの隠れ層の最適数を決定するようにするこ
と。
ューラル・ネットワークが、該複数のあらかじめ定めら
れている疾病のそれぞれを同定するように、該臨床パラ
メータと放射線写真の記述子との一部分を選びこれを用
いて該ニューラル・ネットワークの訓練を行い、そして
与えられた一組の該入力表現に対して望まれる診断と出
力される診断との間にできるズレが最小限になるように
該ニューラル・ネットワークを調節して該ニューラル・
ネットワークの隠れ層の最適数を決定するようにするこ
と。
【００１４】３項． 項２に記載の方法に於いて、さら
に受信者特性（ＲＯＣ）分析を用いて、該ニューラル・
ネットワークの隠れ層、学習繰返し回数及び各隠れ層毎
のユニット数の最適数を決定するようにすること。 ４項． 項２に記載の方法に於いて、少くとも200 回学
習繰返しを行って該ニューラル・ネットワークを訓練す
るようにすること。
に受信者特性（ＲＯＣ）分析を用いて、該ニューラル・
ネットワークの隠れ層、学習繰返し回数及び各隠れ層毎
のユニット数の最適数を決定するようにすること。 ４項． 項２に記載の方法に於いて、少くとも200 回学
習繰返しを行って該ニューラル・ネットワークを訓練す
るようにすること。
【００１５】５項． 項１に記載の方法に於いて、該複
数のあらかじめ定められている疾病の数と同様の複数の
並列ニューラル・ネットワークから成るニューラル・ネ
ットワークを用いるようにし、これら複数のニューラル
・ネットワークの各々には複数の入力端と単一の出力端
があり、それぞれの出力が該複数のあらかじめ定められ
た疾病のそれぞれに対応しているようにすること。 ６項． 項１に記載の方法に於いて該複数のあらかじめ
定められた疾病の診断を複数のニューラル・ネットワー
クを用いて複数の小段階に分けて行うこと。
数のあらかじめ定められている疾病の数と同様の複数の
並列ニューラル・ネットワークから成るニューラル・ネ
ットワークを用いるようにし、これら複数のニューラル
・ネットワークの各々には複数の入力端と単一の出力端
があり、それぞれの出力が該複数のあらかじめ定められ
た疾病のそれぞれに対応しているようにすること。 ６項． 項１に記載の方法に於いて該複数のあらかじめ
定められた疾病の診断を複数のニューラル・ネットワー
クを用いて複数の小段階に分けて行うこと。
【００１６】７項． 項１に記載の方法に於いて複数の
連続したニューラル・ネットワークのうち第一番目のも
のを用いてまず正常パターンと異常パターンの識別を行
い、次いで第二番目のものを用いて、該複数のあらかじ
め定められている疾病かそれ以外の疾病かの識別を行
い、次いで該複数のあらかじめ定められている疾病の中
からの識別を第三のニューラル・ネットワークを用いて
行うようにすること。 ８項． 項１に記載の方法に於いて該診断段階に、さら
に複数の胸部疾患の少くとも一つを診断する段階を含ま
せるようにすること。
連続したニューラル・ネットワークのうち第一番目のも
のを用いてまず正常パターンと異常パターンの識別を行
い、次いで第二番目のものを用いて、該複数のあらかじ
め定められている疾病かそれ以外の疾病かの識別を行
い、次いで該複数のあらかじめ定められている疾病の中
からの識別を第三のニューラル・ネットワークを用いて
行うようにすること。 ８項． 項１に記載の方法に於いて該診断段階に、さら
に複数の胸部疾患の少くとも一つを診断する段階を含ま
せるようにすること。
【００１７】９項． 項８に記載の方法に於いて、３つ
の層、45の入力ユニット、少くとも一つの隠れユニット
と少くとも一つの出力ユニットを備えたニューラル・ネ
ットワークを用いるようにすること。 10項． 項１に記載の方法に於いて、該診断段階にはさ
らに、複数の間質性肺疾患の中から少くとも一つを診断
する段階を含ませるようにすること。
の層、45の入力ユニット、少くとも一つの隠れユニット
と少くとも一つの出力ユニットを備えたニューラル・ネ
ットワークを用いるようにすること。 10項． 項１に記載の方法に於いて、該診断段階にはさ
らに、複数の間質性肺疾患の中から少くとも一つを診断
する段階を含ませるようにすること。
【００１８】11項． 項10に記載の方法に於いて該複数
の臨床パラメータを選定する段階では少くとも次の臨床
パラメータを選定するようにすること。即ち、受診者の
年令、性別、症候の続いている期間、症候の度合い、体
温及び免疫状態である。
の臨床パラメータを選定する段階では少くとも次の臨床
パラメータを選定するようにすること。即ち、受診者の
年令、性別、症候の続いている期間、症候の度合い、体
温及び免疫状態である。
【００１９】12項． 項10に記載の方法に於いて、該放
射線写真の複数の記述子を選定する段階では、少くとも
次の放射線写真記述子を選定するようにすること。即
ち、肺の６つの領域に於ける浸潤の分布、それらの浸潤
の等質性繊度／粗度、結節度、中隔ライン及び蜂の巣割
れ、そしてリンパ腺症、胸水並びに心臓のサイズについ
ての記述子である。
射線写真の複数の記述子を選定する段階では、少くとも
次の放射線写真記述子を選定するようにすること。即
ち、肺の６つの領域に於ける浸潤の分布、それらの浸潤
の等質性繊度／粗度、結節度、中隔ライン及び蜂の巣割
れ、そしてリンパ腺症、胸水並びに心臓のサイズについ
ての記述子である。
【００２０】13項． 項10に記載の方法に於いて20の入
力ユニット、６ユニットの隠れユニットを備えた一層の
隠れ層、及び９つの出力ユニットから成るニユーラル・
ネットワークを使用し、該９つの出力ユニットがそれぞ
れ９種の性質性肺疾患に対応しているようにすること。
力ユニット、６ユニットの隠れユニットを備えた一層の
隠れ層、及び９つの出力ユニットから成るニユーラル・
ネットワークを使用し、該９つの出力ユニットがそれぞ
れ９種の性質性肺疾患に対応しているようにすること。
【００２１】14項． 項10に記載の方法に於いてさら
に、コンピュータを用いて肺組織のコンピュータ化自動
分析を行い而して該放射線写真の記述子を得るように
し、該ニューラル・ネットワークを該コンピュータに対
してインターフェースで接続するようにすること。
に、コンピュータを用いて肺組織のコンピュータ化自動
分析を行い而して該放射線写真の記述子を得るように
し、該ニューラル・ネットワークを該コンピュータに対
してインターフェースで接続するようにすること。
【００２２】15．入力データの不完全なセットを用いて
あらかじめ定められた複数の疾病の鑑別診断を行う方法
で、まず、受診者の特徴を規定する複数の臨床パラメー
タを選定し、疾病の特徴を規定する放射線写真の複数の
記述子も選定し、該複数の臨床パラメータと放射線写真
の記述子とから成る入力データの完全なセットを形成
し、これらの複数の臨床パラメータと放射線写真の記述
子とを数値表現に置き換え該数値表現をあらかじめ定め
られた範囲の数値にさらにそれぞれ変換し、入力データ
の該不完全なセットのデータベースを使用して該あらか
じめ定められた複数の疾病を同定するようニューラル・
ネットワークを訓練し、それから該変換された数値表現
を該ニューラル・ネットワークに入力して該入力表現が
入力データの不完全なセットを表わしているようにし、
該入力表現に従って該あらかじめ定められた複数の疾病
の中から少くとも一つを診断するようにして成る方法。
あらかじめ定められた複数の疾病の鑑別診断を行う方法
で、まず、受診者の特徴を規定する複数の臨床パラメー
タを選定し、疾病の特徴を規定する放射線写真の複数の
記述子も選定し、該複数の臨床パラメータと放射線写真
の記述子とから成る入力データの完全なセットを形成
し、これらの複数の臨床パラメータと放射線写真の記述
子とを数値表現に置き換え該数値表現をあらかじめ定め
られた範囲の数値にさらにそれぞれ変換し、入力データ
の該不完全なセットのデータベースを使用して該あらか
じめ定められた複数の疾病を同定するようニューラル・
ネットワークを訓練し、それから該変換された数値表現
を該ニューラル・ネットワークに入力して該入力表現が
入力データの不完全なセットを表わしているようにし、
該入力表現に従って該あらかじめ定められた複数の疾病
の中から少くとも一つを診断するようにして成る方法。
【００２３】16項． 項15に記載の方法に於いて、該入
力データのセットが完全であった場合に必要な入力ユニ
ット数よりも少数の入力ユニットを備えたニューラル・
ネットワークを訓練して、該あらかじめ定められた複数
の疾病の各々を同定するようにすること。
力データのセットが完全であった場合に必要な入力ユニ
ット数よりも少数の入力ユニットを備えたニューラル・
ネットワークを訓練して、該あらかじめ定められた複数
の疾病の各々を同定するようにすること。
【００２４】17項． 項15に記載の方法に於いて、さら
に、該臨床パラメータと放射線写真の記述子との一部を
選びこれを使用して該ニューラル・ネットワークが該あ
らかじめ定めてある複数の疾病の各々を同定するよう訓
練し、この時与えられる入力表現のセットに対して望ま
れる診断と出力診断との間にズレがあればそのズレが最
小限になるように該ニューラル・ネットワークを調節し
て、該ニューラル・ネットワークの隠れ層の最適層数を
決定するようにすること。
に、該臨床パラメータと放射線写真の記述子との一部を
選びこれを使用して該ニューラル・ネットワークが該あ
らかじめ定めてある複数の疾病の各々を同定するよう訓
練し、この時与えられる入力表現のセットに対して望ま
れる診断と出力診断との間にズレがあればそのズレが最
小限になるように該ニューラル・ネットワークを調節し
て、該ニューラル・ネットワークの隠れ層の最適層数を
決定するようにすること。
【００２５】18項． 項17に記載の方法に於いて、さら
に受信者特性（ＲＯＣ）分析を用いて、該ニューラル・
ネットワークの隠れ層、学習繰返し回数及び隠れ層毎に
含まれるユニットについてそれぞれ最適数を決めるよう
にすること。 19項． 項17に記載の方法に於いて、学習繰返し回数を
少くとも200 回にして該ニューラル・ネットワークを訓
練すること。
に受信者特性（ＲＯＣ）分析を用いて、該ニューラル・
ネットワークの隠れ層、学習繰返し回数及び隠れ層毎に
含まれるユニットについてそれぞれ最適数を決めるよう
にすること。 19項． 項17に記載の方法に於いて、学習繰返し回数を
少くとも200 回にして該ニューラル・ネットワークを訓
練すること。
【００２６】20項． 項15に記載の方法に於いて、該あ
らかじめ定められた複数の疾病の数と同数の複数の並列
ニューラル・ネットワークから成るネットワークを使用
するようにし、これらのニューラル・ネットワークのそ
れぞれには複数の入力（端）と単一の出力（端）とが備
わっていて、該出力（端）がそれぞれ該あらかじめ定め
られた複数の疾病に対応しているようにすること。
らかじめ定められた複数の疾病の数と同数の複数の並列
ニューラル・ネットワークから成るネットワークを使用
するようにし、これらのニューラル・ネットワークのそ
れぞれには複数の入力（端）と単一の出力（端）とが備
わっていて、該出力（端）がそれぞれ該あらかじめ定め
られた複数の疾病に対応しているようにすること。
【００２７】21項． 項15に記載の方法に於いて、該あ
らかじめ定められた複数の疾病の診断を幾つかの段階に
分けて、複数のニューラル・ネットワークを使用して行
うようにすること。
らかじめ定められた複数の疾病の診断を幾つかの段階に
分けて、複数のニューラル・ネットワークを使用して行
うようにすること。
【００２８】22項． 項15に記載の方法において、複数
の連続したニューラル・ネットワークのうちの第一番目
のものを使用して、まず正常パターンと異常パターンの
識別を行い、次いで二番目のものを使用して、該あらか
じめ定められた複数の疾病かそれ以外の疾病かの識別を
行い、そして第三番目のニューラル・ネットワークを使
用して該あらかじめ定められた複数の疾病の中からの識
別を行うようにすること。 23項． 項15に記載の方法に於いて該診断段階には、さ
らに、複数の胸部疾患の少くとも一つを診断する段階を
含ませるようにすること。
の連続したニューラル・ネットワークのうちの第一番目
のものを使用して、まず正常パターンと異常パターンの
識別を行い、次いで二番目のものを使用して、該あらか
じめ定められた複数の疾病かそれ以外の疾病かの識別を
行い、そして第三番目のニューラル・ネットワークを使
用して該あらかじめ定められた複数の疾病の中からの識
別を行うようにすること。 23項． 項15に記載の方法に於いて該診断段階には、さ
らに、複数の胸部疾患の少くとも一つを診断する段階を
含ませるようにすること。
【００２９】24項． 項23に記載の方法に於いて、３層
で入力ユニットの数が45、隠れユニットの数が少くとも
一つ、そして出力ユニットの数が少くとも一つのニュー
ラル・ネットワークを使用するようにすること。 25項． 項14に記載の方法に於いて、該診断段階にはさ
らに、複数の間質性肺疾患の中から少くとも一つを診断
する段階を含ませるようにすること。
で入力ユニットの数が45、隠れユニットの数が少くとも
一つ、そして出力ユニットの数が少くとも一つのニュー
ラル・ネットワークを使用するようにすること。 25項． 項14に記載の方法に於いて、該診断段階にはさ
らに、複数の間質性肺疾患の中から少くとも一つを診断
する段階を含ませるようにすること。
【００３０】26項． 入力データの不完全なセットを用
いて、あらかじめ定められた複数の疾病の鑑別診断を行
う方法で、まず、受診者の特徴を規定する複数の臨床パ
ラメータを選定し、疾病の特徴を規定する放射線写真の
複数の記述子をも選定し、これら複数の臨床パラメータ
と放射線写真の記述子とからなる入力データの完全なセ
ットを規定し、該複数の臨床パラメータと放射線写真の
記述子とを数値表現に置き換え、これらの数値表現をそ
れぞれ、あらかじめ定められた範囲内の数値にさらに変
換し、入力データの該完全なセットを用いて、ニューラ
ル・ネットワークが該複数の疾病をそれぞれ同定するよ
う訓練し、入力データのセットが不完全な場合には入力
データのうち欠けているもの毎にダミー値を用いて完全
な形にし、而も該ダミー値は該あらかじめ定められた範
囲内の数値であるようにし、こうして変換された数値表
現とダミー値とを該ニューラル・ネットワークに入力し
て該入力表現が入力データの不完全なセットを表わして
いるようにし、該入力表現及び該ダミー値に従って該あ
らかじめ定められた複数の疾病の中から少くとも一つを
診断するようにして成る方法。
いて、あらかじめ定められた複数の疾病の鑑別診断を行
う方法で、まず、受診者の特徴を規定する複数の臨床パ
ラメータを選定し、疾病の特徴を規定する放射線写真の
複数の記述子をも選定し、これら複数の臨床パラメータ
と放射線写真の記述子とからなる入力データの完全なセ
ットを規定し、該複数の臨床パラメータと放射線写真の
記述子とを数値表現に置き換え、これらの数値表現をそ
れぞれ、あらかじめ定められた範囲内の数値にさらに変
換し、入力データの該完全なセットを用いて、ニューラ
ル・ネットワークが該複数の疾病をそれぞれ同定するよ
う訓練し、入力データのセットが不完全な場合には入力
データのうち欠けているもの毎にダミー値を用いて完全
な形にし、而も該ダミー値は該あらかじめ定められた範
囲内の数値であるようにし、こうして変換された数値表
現とダミー値とを該ニューラル・ネットワークに入力し
て該入力表現が入力データの不完全なセットを表わして
いるようにし、該入力表現及び該ダミー値に従って該あ
らかじめ定められた複数の疾病の中から少くとも一つを
診断するようにして成る方法。
【００３１】27項． 項26に記載の方法に於いて、さら
に、該ニューラル・ネットワークが、該あらかじめ定め
られている複数の疾病のそれぞれを同定するように、該
臨床パラメータと放射線写真の記述子の一部を選びこれ
を用いて訓練を行い、この時与えられる該入力表現のセ
ットに対して望まれる診断と出力診断との間にズレがあ
ればこのズレが最小限になるように該ニューラル・ネッ
トワークを調節して、該ニューラル・ネットワークの隠
れ層の最適数を決めるようにすること。
に、該ニューラル・ネットワークが、該あらかじめ定め
られている複数の疾病のそれぞれを同定するように、該
臨床パラメータと放射線写真の記述子の一部を選びこれ
を用いて訓練を行い、この時与えられる該入力表現のセ
ットに対して望まれる診断と出力診断との間にズレがあ
ればこのズレが最小限になるように該ニューラル・ネッ
トワークを調節して、該ニューラル・ネットワークの隠
れ層の最適数を決めるようにすること。
【００３２】28項． 項27に記載の方法に於いて、さら
に、受信者特性（ＲＯＣ）分析を用いて、該ニューラル
・ネットワークの隠れ層、学習繰返し回数及び隠れ層毎
に含まれるユニット数についてそれぞれ最適数を決める
ようにすること。 29項． 項27に記載の方法に於いて、少くとも200 回の
学習繰返しを行って該ニューラル・ネットワークを訓練
すること。
に、受信者特性（ＲＯＣ）分析を用いて、該ニューラル
・ネットワークの隠れ層、学習繰返し回数及び隠れ層毎
に含まれるユニット数についてそれぞれ最適数を決める
ようにすること。 29項． 項27に記載の方法に於いて、少くとも200 回の
学習繰返しを行って該ニューラル・ネットワークを訓練
すること。
【００３３】30項． 項26に記載の方法に於いて、該あ
らかじめ定められた複数の疾病の数と同数の並列ニュー
ラル・ネットワークから成るニューラル・ネットワーク
を使用し、これらのニューラル・ネットワークはそれぞ
れ複数の入力（端）と単一の出力（端）とを有し、該出
力がそれぞれ該あらかじめ定められた複数の疾病（のそ
れぞれ）に対応しているようにすること。
らかじめ定められた複数の疾病の数と同数の並列ニュー
ラル・ネットワークから成るニューラル・ネットワーク
を使用し、これらのニューラル・ネットワークはそれぞ
れ複数の入力（端）と単一の出力（端）とを有し、該出
力がそれぞれ該あらかじめ定められた複数の疾病（のそ
れぞれ）に対応しているようにすること。
【００３４】31項． 項26に記載の方法に於いて、該あ
らかじめ定められた複数の疾病の診断を幾つかの段階に
分けて、複数のニューラル・ネットワークを用いるよう
にすること。
らかじめ定められた複数の疾病の診断を幾つかの段階に
分けて、複数のニューラル・ネットワークを用いるよう
にすること。
【００３５】32項． 項26に記載の方法に於いて、複数
の連続したニューラル・ネットワークのうちの第一番目
のものを使用して正常パターンと異常パターンの識別を
行い、次いで第二番目のものを用いて、該あらかじめ定
められている複数の疾病かそれ以外の疾病かの識別を行
い、次いで第三番目のものを用いて該あらかじめ定めら
れている複数の疾病の中から識別を行うようにするこ
と。 33項． 項26に記載の方法に於いて、該診断段階には、
さらに、複数の胸部疾患の少くとも一つを診断する段階
を含ませるようにすること。
の連続したニューラル・ネットワークのうちの第一番目
のものを使用して正常パターンと異常パターンの識別を
行い、次いで第二番目のものを用いて、該あらかじめ定
められている複数の疾病かそれ以外の疾病かの識別を行
い、次いで第三番目のものを用いて該あらかじめ定めら
れている複数の疾病の中から識別を行うようにするこ
と。 33項． 項26に記載の方法に於いて、該診断段階には、
さらに、複数の胸部疾患の少くとも一つを診断する段階
を含ませるようにすること。
【００３６】34項． 項33に記載の方法に於いて、３層
で入力ユニット数45、隠れユニットが少くとも１ユニッ
ト、そして出力ユニットが少くとも１ユニット備わって
いるニューラル・ネットワークを使用すること。 35項． 項26に記載の方法に於いて、該診断段階には、
さらに、複数の間質性肺疾患の少くとも一つを診断する
段階を含ませるようにすること。
で入力ユニット数45、隠れユニットが少くとも１ユニッ
ト、そして出力ユニットが少くとも１ユニット備わって
いるニューラル・ネットワークを使用すること。 35項． 項26に記載の方法に於いて、該診断段階には、
さらに、複数の間質性肺疾患の少くとも一つを診断する
段階を含ませるようにすること。
【００３７】本発明は諸々の疾病の鑑視診断に関するも
ので、以下の解説では、間質性肺疾患の鑑別診断の場合
が専ら取り上げられているが、それは実例として便宜上
そうしたまでのことで、本発明が間質性肺疾患の鑑別診
断に限定されるものではないことをまず了解しておいて
いただきたい。
ので、以下の解説では、間質性肺疾患の鑑別診断の場合
が専ら取り上げられているが、それは実例として便宜上
そうしたまでのことで、本発明が間質性肺疾患の鑑別診
断に限定されるものではないことをまず了解しておいて
いただきたい。
【００３８】さらに添付の図面に則しつつ説明を加えて
いくことにするが、ここで特に図１について触れると、
胸部専門の放射線医によって９種の間質性肺疾患が鑑別
診断用に決められている。９種の間質性肺疾患とは、即
ち、サルコイドーシス（類肉腫症）、粟流結核、リンパ
管転移腫瘍、間質性肺水腫、珪肺症、硬皮症、肺胞性肺
炎、好酸球増多性肉芽腫及び通常の間質性肺炎（ＵＩ
Ｐ）の９種である。又、主要な臨床上のパラメータが６
項目、放射線写真の記述子が14項目決められている。臨
床上のパラメータ６項目というのは、患者の年令、性
別、症候が続いている期間、症候の場合、体温及び免疫
状態の６項目である。放射線撮影写真の記述子14項目の
中には、まず浸潤の分布についての６項目が含まれてい
るが、分布領域は左右の肺をそれぞれ上中下３つの領域
に分け、都合６つの領域に区分しているから６項目とな
っているのである。次に浸潤の細部についての６項目が
含まれているが、即ち（等質性、繊度／粗度、結節度、
中隔ライン、及び蜂の巣割れ）についての６項目であ
る。そしてさらに３つの放射線写真のパラメータ（リン
パ腺症、胸水、及び心臓のサイズ）を加えて計14項目と
なっているのである。
いくことにするが、ここで特に図１について触れると、
胸部専門の放射線医によって９種の間質性肺疾患が鑑別
診断用に決められている。９種の間質性肺疾患とは、即
ち、サルコイドーシス（類肉腫症）、粟流結核、リンパ
管転移腫瘍、間質性肺水腫、珪肺症、硬皮症、肺胞性肺
炎、好酸球増多性肉芽腫及び通常の間質性肺炎（ＵＩ
Ｐ）の９種である。又、主要な臨床上のパラメータが６
項目、放射線写真の記述子が14項目決められている。臨
床上のパラメータ６項目というのは、患者の年令、性
別、症候が続いている期間、症候の場合、体温及び免疫
状態の６項目である。放射線撮影写真の記述子14項目の
中には、まず浸潤の分布についての６項目が含まれてい
るが、分布領域は左右の肺をそれぞれ上中下３つの領域
に分け、都合６つの領域に区分しているから６項目とな
っているのである。次に浸潤の細部についての６項目が
含まれているが、即ち（等質性、繊度／粗度、結節度、
中隔ライン、及び蜂の巣割れ）についての６項目であ
る。そしてさらに３つの放射線写真のパラメータ（リン
パ腺症、胸水、及び心臓のサイズ）を加えて計14項目と
なっているのである。
【００３９】こういう次第で、このニューラル・ネット
ワークには入力ユニットが20（即ち臨床上のパラメータ
が６項目、放射線写真の記述子が14項目で、計20項目の
入力に備えて20のユニット）設けてあり、出力ユニット
は９（即ち９種の間質性肺疾患に合わせて９ユニット）
設けるようにしてある。図１には、本発明の第一の実施
態様によるこのニューラル・ネットワークの基本構造が
示されているのである。隠れ層と呼ばれている中間層
は、入力パターンを出力パターンに変換する際に重要な
役割を演じるものであるが、この実施態様の場合、隠れ
層は一層設けてあり、その一層中に含まれるユニット数
は２である。しかし、隠れ層の数と、隠れ層に属するユ
ニットの数とは、ネットワークに対して望まれる構造・
性能に応じて変えることができるのである。仮想データ
ベースについて
ワークには入力ユニットが20（即ち臨床上のパラメータ
が６項目、放射線写真の記述子が14項目で、計20項目の
入力に備えて20のユニット）設けてあり、出力ユニット
は９（即ち９種の間質性肺疾患に合わせて９ユニット）
設けるようにしてある。図１には、本発明の第一の実施
態様によるこのニューラル・ネットワークの基本構造が
示されているのである。隠れ層と呼ばれている中間層
は、入力パターンを出力パターンに変換する際に重要な
役割を演じるものであるが、この実施態様の場合、隠れ
層は一層設けてあり、その一層中に含まれるユニット数
は２である。しかし、隠れ層の数と、隠れ層に属するユ
ニットの数とは、ネットワークに対して望まれる構造・
性能に応じて変えることができるのである。仮想データ
ベースについて
【００４０】ニューラル・ネットワークの診断の性能を
見積るため、訓練プロセスと試験プロセス用にデータベ
ースが用意される。二人の胸部専門の放射線医がそれぞ
れ独自にこの用意にあたるのであるが、９種の疾患のそ
れぞれについて10通りの症例を想定し、即ち計90通りの
症例を仮想してその臨床データと放射線写真の所見との
組み合わせをこしらえるのである。ニューラル・ネット
ワークに入力されるデータはすべて、線形変換又は非線
形変換によって０から１まで範囲の数値に変換してから
入力される。たとえば、37℃から41℃までの体温は、線
形変換によって０〜１の範囲の数値に変換し、放射線写
真の記述子は、ひとまず０から10までの尺度で主観的に
採点を与えておいた上で、その採点を０〜１の範囲の数
値に変換するのである。ここで注意すべきことは、たと
えば、“非常に大きい”，“大きい”，“おそらく”，
“小さい”、そして“ごく小さい”といった曖昧な記述
表現も含めてあらゆる種類の表現が０から１までの範囲
の数値に変換され得るということで、それにはファジイ
理論（曖昧理論）に於いて用いられている方法に基づい
て適宜定められているmembership関数を使用すればよい
のである。( ファジイ理論については）Dubcis他の“フ
ァジイ・セット及びシステム：理論と用法”アカデミッ
ク出版（1980）とかZimmermannの“ファジィ・セット理
論及びその用法“Kluwer Nijhoff出版（1985）があり、
これらに開示されている内容は本明細中にも参考として
取り入れてある。
見積るため、訓練プロセスと試験プロセス用にデータベ
ースが用意される。二人の胸部専門の放射線医がそれぞ
れ独自にこの用意にあたるのであるが、９種の疾患のそ
れぞれについて10通りの症例を想定し、即ち計90通りの
症例を仮想してその臨床データと放射線写真の所見との
組み合わせをこしらえるのである。ニューラル・ネット
ワークに入力されるデータはすべて、線形変換又は非線
形変換によって０から１まで範囲の数値に変換してから
入力される。たとえば、37℃から41℃までの体温は、線
形変換によって０〜１の範囲の数値に変換し、放射線写
真の記述子は、ひとまず０から10までの尺度で主観的に
採点を与えておいた上で、その採点を０〜１の範囲の数
値に変換するのである。ここで注意すべきことは、たと
えば、“非常に大きい”，“大きい”，“おそらく”，
“小さい”、そして“ごく小さい”といった曖昧な記述
表現も含めてあらゆる種類の表現が０から１までの範囲
の数値に変換され得るということで、それにはファジイ
理論（曖昧理論）に於いて用いられている方法に基づい
て適宜定められているmembership関数を使用すればよい
のである。( ファジイ理論については）Dubcis他の“フ
ァジイ・セット及びシステム：理論と用法”アカデミッ
ク出版（1980）とかZimmermannの“ファジィ・セット理
論及びその用法“Kluwer Nijhoff出版（1985）があり、
これらに開示されている内容は本明細中にも参考として
取り入れてある。
【００４１】さて、先にも述べたように、層状構造を有
するニューラル・ネットワークは、実例を繰り返し示し
てやると入力データと出力データとの間の関係を学習す
る能力を持っている。換言すれば、ニューラル・ネット
ワーク中に形成される判断規準は訓練用に使われる実例
の種類数に依っているといえるわけだから、訓練用のデ
ータベースを作成するには、起こり得る症例をすべて漏
れなく網羅するよう適当な実例を選ばなければならな
い。しかしながら、実際の患者の症例の中からデータベ
ースとして使用することを予測して適当なものを普段か
ら蒐めておき而しすデータベースを作成するのは非常に
時間のかかる作業であるし、又データとして使用しよう
としている症例に関連した臨床上の情報を教材用のファ
イルにある症例から得ようとしても常に得られるとは限
らないのである。
するニューラル・ネットワークは、実例を繰り返し示し
てやると入力データと出力データとの間の関係を学習す
る能力を持っている。換言すれば、ニューラル・ネット
ワーク中に形成される判断規準は訓練用に使われる実例
の種類数に依っているといえるわけだから、訓練用のデ
ータベースを作成するには、起こり得る症例をすべて漏
れなく網羅するよう適当な実例を選ばなければならな
い。しかしながら、実際の患者の症例の中からデータベ
ースとして使用することを予測して適当なものを普段か
ら蒐めておき而しすデータベースを作成するのは非常に
時間のかかる作業であるし、又データとして使用しよう
としている症例に関連した臨床上の情報を教材用のファ
イルにある症例から得ようとしても常に得られるとは限
らないのである。
【００４２】そこで二人の胸部専門の放射線医が、教科
書にある説明と彼等自身の経験とに基づいて９種の疾病
のそれぞれに対して10の症例を選ぶ方法がとられ、この
ようにして作られたデータベースがニューラル・ネット
ワークの訓練用に使用されたのである。この仮想のデー
タベースによる手法の利点は、データベースに収められ
ている症例の総数は比較的少数でありながら、多様な症
例を或る程度まで幅広く網羅できるという点にある。仮
想データによって訓練されたニューラル・ネットワーク
は臨床用に実用に移す前に、多くの実際の症例を用いて
試験をして確実なものとしなければならない。
書にある説明と彼等自身の経験とに基づいて９種の疾病
のそれぞれに対して10の症例を選ぶ方法がとられ、この
ようにして作られたデータベースがニューラル・ネット
ワークの訓練用に使用されたのである。この仮想のデー
タベースによる手法の利点は、データベースに収められ
ている症例の総数は比較的少数でありながら、多様な症
例を或る程度まで幅広く網羅できるという点にある。仮
想データによって訓練されたニューラル・ネットワーク
は臨床用に実用に移す前に、多くの実際の症例を用いて
試験をして確実なものとしなければならない。
【００４３】本発明によるニューラル・ネットワークは
実際の症例５例を用いて試験されたのであるが、これら
の５例は、前記の９種の疾病のうちの一つによる間質性
浸潤が存在するという基準を満たしているものを選んだ
のである。試験の結果は５例すべてについて正しい診断
が下された。この後さらに研究が進めば、臨床用に実用
した場合にも完全な正確さが得られるようになるだろう
し、データベースについて修正が必要な点も明らかとな
ってくるであろう。
実際の症例５例を用いて試験されたのであるが、これら
の５例は、前記の９種の疾病のうちの一つによる間質性
浸潤が存在するという基準を満たしているものを選んだ
のである。試験の結果は５例すべてについて正しい診断
が下された。この後さらに研究が進めば、臨床用に実用
した場合にも完全な正確さが得られるようになるだろう
し、データベースについて修正が必要な点も明らかとな
ってくるであろう。
【００４４】ただし、注目すべき重要な点は、本発明に
よるニューラル・ネットワークは、訓練用のデータベー
スに新しいデータを付け加えてやれば再訓練できること
である。従って、仮に幾つかの実際の症例についてニュ
ーラル・ネットワークが正しい診断を下し損なった場合
には、これらの新しいデータを正しい診断と合わせて訓
練用のデータベースに組み入れて（再訓練を行えば）以
後、同様の症例にぶつかっても正しく鑑別診断ができる
ようになるのである。最適パラメータについて
よるニューラル・ネットワークは、訓練用のデータベー
スに新しいデータを付け加えてやれば再訓練できること
である。従って、仮に幾つかの実際の症例についてニュ
ーラル・ネットワークが正しい診断を下し損なった場合
には、これらの新しいデータを正しい診断と合わせて訓
練用のデータベースに組み入れて（再訓練を行えば）以
後、同様の症例にぶつかっても正しく鑑別診断ができる
ようになるのである。最適パラメータについて
【００４５】ニューラル・ネットワークの（能力）評価
を行うためには、ジャックナイフ法が用いられた。ジャ
ックナイフ法というのは、データベースから無作為に選
びだした症例のうちの半分を訓練用に用い、残りの半分
を使って試験を行うという方法である。無作為に選びた
した症例によって、訓練用データと試験用データとの異
なった組み合わせが10組用意され、試験プロセスの出力
を、はっきりとした正答とはっきりとした誤答に分けて
分析し、この正答、誤答を、ＲＯＣ（受信者特性）曲線
の縦座標、横座標としてそれぞれ用いてＲＯＣ曲線が作
成されたのである。
を行うためには、ジャックナイフ法が用いられた。ジャ
ックナイフ法というのは、データベースから無作為に選
びだした症例のうちの半分を訓練用に用い、残りの半分
を使って試験を行うという方法である。無作為に選びた
した症例によって、訓練用データと試験用データとの異
なった組み合わせが10組用意され、試験プロセスの出力
を、はっきりとした正答とはっきりとした誤答に分けて
分析し、この正答、誤答を、ＲＯＣ（受信者特性）曲線
の縦座標、横座標としてそれぞれ用いてＲＯＣ曲線が作
成されたのである。
【００４６】このＲＯＣ曲線は、肺に関して、たとえば
正常と異常というような、二つの状態のどちらかに検知
器（乃至観測者）が判定を下す際、その検知器（乃至観
測者）の性能を示すには最も信頼のおけるダイヤグラム
として現在のところ知られているものである。ＲＯＣ曲
線というのは、はっきりとした正答の割合とはっきりと
した誤答の割合との間の関係を示す曲線表示である。は
っきりとした正答の割合とは即ち、異常な肺を異常と正
しく類別（乃至検知）する割合のことであり、はっきり
とした誤答の割合とは、正常な肺を異常であるで不正確
に類別（乃至検知）してしまう割合のことである。この
関係は、点の代わりに曲線で表わされるが、合衆国特許
第4,839,807 号に開示されているように、これらの割合
は、スレショルドレベル（しきい値レベル）次第で変化
するものだからである。
正常と異常というような、二つの状態のどちらかに検知
器（乃至観測者）が判定を下す際、その検知器（乃至観
測者）の性能を示すには最も信頼のおけるダイヤグラム
として現在のところ知られているものである。ＲＯＣ曲
線というのは、はっきりとした正答の割合とはっきりと
した誤答の割合との間の関係を示す曲線表示である。は
っきりとした正答の割合とは即ち、異常な肺を異常と正
しく類別（乃至検知）する割合のことであり、はっきり
とした誤答の割合とは、正常な肺を異常であるで不正確
に類別（乃至検知）してしまう割合のことである。この
関係は、点の代わりに曲線で表わされるが、合衆国特許
第4,839,807 号に開示されているように、これらの割合
は、スレショルドレベル（しきい値レベル）次第で変化
するものだからである。
【００４７】本発明の第一の実施態様によるニューラル
・ネットワークでは、隠れユニットの数、隠れ層の数、
及び学習繰返しの回数というパラメータを最適のものに
決定するにあたっては、10組の異なったデータ・セット
から得られる平均ＲＯＣ曲線が利用された。隠れユニッ
トの数が及ぼす影響については、隠れ層の数は一層、学
習繰返しの回数は200 回と一定にしておいた上で、隠れ
ユニットの数だけを１から20まで変える方法で調べられ
た。同様に、隠れ層の数が及ぼす影響については、各層
に含まれるユニット数は６ユニット、学習繰返し回数は
200 回と定めておいた上で、隠れ層の数を１から３層に
まで変えて調べられた。学習繰返し回数については、隠
れ層は一層、隠れユニットは６ユニットと定めておい
て、１回から1000回にまで変えて影響が調べられたので
ある。学習繰返しの回数の数え方は、異なった訓練デー
タの一組を完全に入力する毎に一回とした。その他の幾
つかの技術的なパラメータ、たとえば、学習速度、重量
変化の運動量ファクター、及び乱数発生シードについて
も調査検討が行われた。
・ネットワークでは、隠れユニットの数、隠れ層の数、
及び学習繰返しの回数というパラメータを最適のものに
決定するにあたっては、10組の異なったデータ・セット
から得られる平均ＲＯＣ曲線が利用された。隠れユニッ
トの数が及ぼす影響については、隠れ層の数は一層、学
習繰返しの回数は200 回と一定にしておいた上で、隠れ
ユニットの数だけを１から20まで変える方法で調べられ
た。同様に、隠れ層の数が及ぼす影響については、各層
に含まれるユニット数は６ユニット、学習繰返し回数は
200 回と定めておいた上で、隠れ層の数を１から３層に
まで変えて調べられた。学習繰返し回数については、隠
れ層は一層、隠れユニットは６ユニットと定めておい
て、１回から1000回にまで変えて影響が調べられたので
ある。学習繰返しの回数の数え方は、異なった訓練デー
タの一組を完全に入力する毎に一回とした。その他の幾
つかの技術的なパラメータ、たとえば、学習速度、重量
変化の運動量ファクター、及び乱数発生シードについて
も調査検討が行われた。
【００４８】ニューラル・ネットワークの訓練を行うに
は、各疾病について10例の仮想症例を用意してこれを用
いた。しかし実際の症例から訓練用の症例を集めるとな
ると、各疾病毎に集められる症例の数を等しくできない
こともあるのである。実際、稀にしかない疾病用の訓練
症例の数は、ありふれた疾病用の訓練症例の数よりも相
当に少なくなりがちなので、このように或る疾病用の訓
練症例の数が不十分だと、特異な疾病を検知する感度が
落ちてしまうことになる。この問題は疾病の有症率（乃
至は出現度数）に関連するもので、稀にしかない疾病の
場合には、同一の訓練用症例の入力回数を増やしてやれ
ば、或る程度までは解決できる問題である。たとえば、
ありふれた疾病の症例数が100 、稀な疾病の症例数が10
集まったとすると、その場合には、ありふれた疾病の10
0 の症例は200 回繰り返して入力し、稀な疾病の10症例
は2,000 回繰り返して入力するようにすればよい。そう
すれば、有症率の違う疾病に関しても、ニューラル・ネ
ットワーク訓練用のデータ入力回数を等しく揃えること
ができるわけである。
は、各疾病について10例の仮想症例を用意してこれを用
いた。しかし実際の症例から訓練用の症例を集めるとな
ると、各疾病毎に集められる症例の数を等しくできない
こともあるのである。実際、稀にしかない疾病用の訓練
症例の数は、ありふれた疾病用の訓練症例の数よりも相
当に少なくなりがちなので、このように或る疾病用の訓
練症例の数が不十分だと、特異な疾病を検知する感度が
落ちてしまうことになる。この問題は疾病の有症率（乃
至は出現度数）に関連するもので、稀にしかない疾病の
場合には、同一の訓練用症例の入力回数を増やしてやれ
ば、或る程度までは解決できる問題である。たとえば、
ありふれた疾病の症例数が100 、稀な疾病の症例数が10
集まったとすると、その場合には、ありふれた疾病の10
0 の症例は200 回繰り返して入力し、稀な疾病の10症例
は2,000 回繰り返して入力するようにすればよい。そう
すれば、有症率の違う疾病に関しても、ニューラル・ネ
ットワーク訓練用のデータ入力回数を等しく揃えること
ができるわけである。
【００４９】本発明の第一の実施態様によるニューラル
・ネットワークを訓練する際に使用されている学習方
法、即ち逆方向に遡れる方法については、Rumelhart 他
の参考文献中に行き届いた説明があり、本明細書に於い
ては、煩雑になることを避けてその説明は省くことにす
る。
・ネットワークを訓練する際に使用されている学習方
法、即ち逆方向に遡れる方法については、Rumelhart 他
の参考文献中に行き届いた説明があり、本明細書に於い
ては、煩雑になることを避けてその説明は省くことにす
る。
【００５０】図２に示されている幾つかのＲＯＣ曲線
は、本発明の第一の実施態様によるニューラル・ネット
ワークの性能に対して、隠れユニットの数が及ぼす影響
を示すものである。ＲＯＣ曲線は、隠れユニットの数が
８まで増えるにつれて向上を示している。しかしなが
ら、図３に示されているように、ＲＯＣ曲線より下の部
分の面積（Ａｚ）と隠れユニットの数との関係を見る
と、隠れユニットの数を８以上にふやしてもＲＯＣ曲線
には大した向上が見られないことがわかる。勿論、ユニ
ットの数をふやす場合にも、隠れ層は一層、学習繰返し
回数は200 回という条件は一定にしておいて結果を比較
しているのである。隠れユニットの最適数を決定するた
めには、隠れユニットの各数毎に、データベースの90の
症例のすべてを完全に識別し得るかどうか、はじめにデ
ータベースを用いてニューラル・ネットワークの訓練を
行い、それから試験を行って調査検討がなされた。ただ
し、これは前述のジャックナイフ・テストではなく、む
しろ、本発明の第一の実施態様によるニューラル・ネッ
トワークの無矛盾性の証明試験である。さて、これらの
曲線に基づいて、隠れユニットの最小数は６と決定され
たのである。
は、本発明の第一の実施態様によるニューラル・ネット
ワークの性能に対して、隠れユニットの数が及ぼす影響
を示すものである。ＲＯＣ曲線は、隠れユニットの数が
８まで増えるにつれて向上を示している。しかしなが
ら、図３に示されているように、ＲＯＣ曲線より下の部
分の面積（Ａｚ）と隠れユニットの数との関係を見る
と、隠れユニットの数を８以上にふやしてもＲＯＣ曲線
には大した向上が見られないことがわかる。勿論、ユニ
ットの数をふやす場合にも、隠れ層は一層、学習繰返し
回数は200 回という条件は一定にしておいて結果を比較
しているのである。隠れユニットの最適数を決定するた
めには、隠れユニットの各数毎に、データベースの90の
症例のすべてを完全に識別し得るかどうか、はじめにデ
ータベースを用いてニューラル・ネットワークの訓練を
行い、それから試験を行って調査検討がなされた。ただ
し、これは前述のジャックナイフ・テストではなく、む
しろ、本発明の第一の実施態様によるニューラル・ネッ
トワークの無矛盾性の証明試験である。さて、これらの
曲線に基づいて、隠れユニットの最小数は６と決定され
たのである。
【００５１】図４には、隠れ層の数を変えた場合に得ら
れるそれぞれのＲＯＣ曲線が示してある。この図からわ
かることは、隠れ層の数が増すにつれてＲＯＣ曲線は低
下していることである。隠れユニットが各層毎に６ユニ
ット、学習繰返し回数が200回という条件下に於いて
は、隠れ層の数が一層の場合に最高のＲＯＣ曲線が齎さ
れている。学習繰返し回数を1000回までふやしていって
も、繰返し回数200 回の場合に得られたのとほぼ同じＲ
ＯＣ曲線が得られるだけで、大した向上は見られない。
従って、本発明の第一の実施態様によるニューラル・ネ
ットワークでは、隠れ層は一層である。
れるそれぞれのＲＯＣ曲線が示してある。この図からわ
かることは、隠れ層の数が増すにつれてＲＯＣ曲線は低
下していることである。隠れユニットが各層毎に６ユニ
ット、学習繰返し回数が200回という条件下に於いて
は、隠れ層の数が一層の場合に最高のＲＯＣ曲線が齎さ
れている。学習繰返し回数を1000回までふやしていって
も、繰返し回数200 回の場合に得られたのとほぼ同じＲ
ＯＣ曲線が得られるだけで、大した向上は見られない。
従って、本発明の第一の実施態様によるニューラル・ネ
ットワークでは、隠れ層は一層である。
【００５２】学習繰返し回数を様々に変えていった場合
に得られるＲＯＣ曲線は図５に示されている。学習繰返
し回数が増すにつれてＲＯＣ曲線には向上が認められ
る。最高のＲＯＣ曲線は、学習繰返し回数が200 乃至そ
れ以上の場合に得られる。従って、本発明の第一の実施
態様によるニューラル・ネットワークを訓練するために
は、学習繰返し回数200 回で十分なわけである。
に得られるＲＯＣ曲線は図５に示されている。学習繰返
し回数が増すにつれてＲＯＣ曲線には向上が認められ
る。最高のＲＯＣ曲線は、学習繰返し回数が200 乃至そ
れ以上の場合に得られる。従って、本発明の第一の実施
態様によるニューラル・ネットワークを訓練するために
は、学習繰返し回数200 回で十分なわけである。
【００５３】以上の次第であるから、本発明の第一の実
施態様によるニューラル・ネットワークには６つのユニ
ットを持つ隠れ層が一層含まれており、このネットワー
クは学習繰返し回数200 回で訓練されたのである。選択
学習プロセスについては、Asada 他の“間質性肺疾患の
鑑別診断のためのニューラル・ネットワーク技法“Pro
c.SPIE メディカル・イメージングＩＶ（1990）に解説
があり、本明細書にも参考として取り入れられている。 無矛盾性証明試験について
施態様によるニューラル・ネットワークには６つのユニ
ットを持つ隠れ層が一層含まれており、このネットワー
クは学習繰返し回数200 回で訓練されたのである。選択
学習プロセスについては、Asada 他の“間質性肺疾患の
鑑別診断のためのニューラル・ネットワーク技法“Pro
c.SPIE メディカル・イメージングＩＶ（1990）に解説
があり、本明細書にも参考として取り入れられている。 無矛盾性証明試験について
【００５４】診断性能テストを行う前に、ニューラル・
ネットワークの無矛盾性テストが行われた。即ち、デー
タベースに含まれているすべての症例によってニューラ
ル・ネットワークの訓練を行った上で、９種の疾病のそ
れぞれについてデータベース中に含まれている心の症例
の中から平均的な症例を選んでこれを用いてテストが行
われたのである。ニューラル・ネットワークに入力され
たこの平均的な数値とこれに応じてニューラル・ネット
ワークから出力された数値とは、それぞれ図６，図７，
図８と、図９，図１０，図１１とに示されている。図
６，図７，図８に示されているのがその平均的な入力デ
ータで、９種の疾病のそれぞれについてデータべース中
に含まれている10の症例の中から（平均的と見なされる
ものを）を選んできたものである。図９，図１０，図１
１に示されているのは、図６，図７，図８の平均的な入
力データ一組を本発明の第一の実施態様によるニューラ
ル・ネットワークに入力した場合、これに応じて出力さ
れる出力データである。図９，図１０，図１１では、横
９列が９つの出力ユニットにあたり、縦に並んでいる９
欄が図６，図７，図８の縦９欄に相当している。大きな
出力値たとえば図９，図１０，図１１の対角線沿いに見
られる0.9 は、ニューラル・ネットワークがその入力デ
ータを識別して同欄の疾病である可能性が高いと診断し
たことを示している。さらに、図９，図１０，図１１の
他の箇処に見られる0.01，0.02それに0.1 といった小さ
な出力値は、はっきりとした誤診である可能性が極めて
低いことを示している。それ故、図９，図１０，図１１
はニューラル・ネットワークの無矛盾性を証明している
わけでニューラル・ネットワークは高い確率で、９種の
疾病を識別したのである。 診断性能について
ネットワークの無矛盾性テストが行われた。即ち、デー
タベースに含まれているすべての症例によってニューラ
ル・ネットワークの訓練を行った上で、９種の疾病のそ
れぞれについてデータベース中に含まれている心の症例
の中から平均的な症例を選んでこれを用いてテストが行
われたのである。ニューラル・ネットワークに入力され
たこの平均的な数値とこれに応じてニューラル・ネット
ワークから出力された数値とは、それぞれ図６，図７，
図８と、図９，図１０，図１１とに示されている。図
６，図７，図８に示されているのがその平均的な入力デ
ータで、９種の疾病のそれぞれについてデータべース中
に含まれている10の症例の中から（平均的と見なされる
ものを）を選んできたものである。図９，図１０，図１
１に示されているのは、図６，図７，図８の平均的な入
力データ一組を本発明の第一の実施態様によるニューラ
ル・ネットワークに入力した場合、これに応じて出力さ
れる出力データである。図９，図１０，図１１では、横
９列が９つの出力ユニットにあたり、縦に並んでいる９
欄が図６，図７，図８の縦９欄に相当している。大きな
出力値たとえば図９，図１０，図１１の対角線沿いに見
られる0.9 は、ニューラル・ネットワークがその入力デ
ータを識別して同欄の疾病である可能性が高いと診断し
たことを示している。さらに、図９，図１０，図１１の
他の箇処に見られる0.01，0.02それに0.1 といった小さ
な出力値は、はっきりとした誤診である可能性が極めて
低いことを示している。それ故、図９，図１０，図１１
はニューラル・ネットワークの無矛盾性を証明している
わけでニューラル・ネットワークは高い確率で、９種の
疾病を識別したのである。 診断性能について
【００５５】ニューラル・ネットワークの診断性能は、
胸部専門の放射線医及び放射線科の上級研修医の診断能
力と比較された。本発明の第一の実施態様によるニュー
ラル・ネットワークの診断性能テストに用いられたのと
同じデータベースを使用して、三人の胸部専門放射線医
と三人の上級研修医に対して試験が行われた。各仮想症
例に関して、20項目に亘る臨床上並びに放射線写真の記
述子に目を通して、間質性肺疾患の９種の疾病の選択肢
から一番可能性があると思われるものを選んで診断を下
すまで、各受験者には１分間の持ち時間が与えられた。
診断解答には、１から５までの評価段階を設けて、各疾
病に対して確信レベルの表示を行わせるようにした。即
ち、５という表示があればその診断に対し最高レベルの
確信を抱いているということである。このように評価段
階を設ける方法は、ＲＯＣ分析に用いられる方法と同じ
である。 診断性能テストについて
胸部専門の放射線医及び放射線科の上級研修医の診断能
力と比較された。本発明の第一の実施態様によるニュー
ラル・ネットワークの診断性能テストに用いられたのと
同じデータベースを使用して、三人の胸部専門放射線医
と三人の上級研修医に対して試験が行われた。各仮想症
例に関して、20項目に亘る臨床上並びに放射線写真の記
述子に目を通して、間質性肺疾患の９種の疾病の選択肢
から一番可能性があると思われるものを選んで診断を下
すまで、各受験者には１分間の持ち時間が与えられた。
診断解答には、１から５までの評価段階を設けて、各疾
病に対して確信レベルの表示を行わせるようにした。即
ち、５という表示があればその診断に対し最高レベルの
確信を抱いているということである。このように評価段
階を設ける方法は、ＲＯＣ分析に用いられる方法と同じ
である。 診断性能テストについて
【００５６】胸部専門の放射線医、放射線科の上級研修
医及びニューラル・ネットワークという三者が、間質性
肺疾患の鑑別診断を行ったそれぞれの診断性能について
のＲＯＣ曲線が図１２に示されている。ニューラル・ネ
ットワークのＲＯＣ曲線は、胸部専門の放射線医の（成
績を）平均したＲＯＣ曲線にひけをとらないもので、放
射線科の上級研修医の（成績を）平均したＲＯＣ曲線よ
りも優れていた。図１２に示されているように各ＲＯＣ
曲線より下の部分の面積（Ａｚ）は、胸部専門放射線医
とニューラル・ネットワークの両者についてはどちらも
0.967 であり、上級研修医の場合は0.905 であった。
医及びニューラル・ネットワークという三者が、間質性
肺疾患の鑑別診断を行ったそれぞれの診断性能について
のＲＯＣ曲線が図１２に示されている。ニューラル・ネ
ットワークのＲＯＣ曲線は、胸部専門の放射線医の（成
績を）平均したＲＯＣ曲線にひけをとらないもので、放
射線科の上級研修医の（成績を）平均したＲＯＣ曲線よ
りも優れていた。図１２に示されているように各ＲＯＣ
曲線より下の部分の面積（Ａｚ）は、胸部専門放射線医
とニューラル・ネットワークの両者についてはどちらも
0.967 であり、上級研修医の場合は0.905 であった。
【００５７】上のような結果からわかることは、たとえ
ば放射線科の上級研修医とか臨床医師のように、間質性
肺疾患の鑑別診断にまで余り習熟していない観測者が診
断を下す場合、ニューラル・ネットワークを用いればそ
の診断を補助することができ、その診断成績を胸部専門
の放射線医の水準近くにまで引きあげることができると
いうことである。
ば放射線科の上級研修医とか臨床医師のように、間質性
肺疾患の鑑別診断にまで余り習熟していない観測者が診
断を下す場合、ニューラル・ネットワークを用いればそ
の診断を補助することができ、その診断成績を胸部専門
の放射線医の水準近くにまで引きあげることができると
いうことである。
【００５８】先にも述べたように、問題を解決するため
に、ニューラル・ネットワークの構造や組み合わせを設
計するにあたっては、多少、融通を利かせることができ
る。もし、あるニューラル・ネットワークに多数の出力
ユニットが設けられているというようになるなら、その
出力ユニットの数と同数のニューラル・ネットワークを
多数並列に設けるようにして、それらのニューラル・ネ
ットワークの各入力ユニット数は元のニューラル・ネッ
トワークと同じであるが、出力ユニット数はそれぞれ一
つずつになっているというように設計を変えることがで
きる。本発明の第二の実施態様に於いては、９つの異な
ったニューラル・ネットワークが用いられており、各ニ
ューラル・ネットワークの入力ユニット数はいずれも20
であるが、出力ユニットは選ばれた９種の疾病のいずれ
かにそれぞれ対応するユニットが一つだけ設けられてい
るという設計にできるのである。
に、ニューラル・ネットワークの構造や組み合わせを設
計するにあたっては、多少、融通を利かせることができ
る。もし、あるニューラル・ネットワークに多数の出力
ユニットが設けられているというようになるなら、その
出力ユニットの数と同数のニューラル・ネットワークを
多数並列に設けるようにして、それらのニューラル・ネ
ットワークの各入力ユニット数は元のニューラル・ネッ
トワークと同じであるが、出力ユニット数はそれぞれ一
つずつになっているというように設計を変えることがで
きる。本発明の第二の実施態様に於いては、９つの異な
ったニューラル・ネットワークが用いられており、各ニ
ューラル・ネットワークの入力ユニット数はいずれも20
であるが、出力ユニットは選ばれた９種の疾病のいずれ
かにそれぞれ対応するユニットが一つだけ設けられてい
るという設計にできるのである。
【００５９】又、もし与えられた問題が、一連の小問題
に分割できるようなものであれば、一連の直列ニューラ
ル・ネットワークを用いて問題を解くようにもできる。
図１３に示されているような本発明の第三の実施態様に
於いては、間質性肺疾患の鑑別診断を行うという問題を
解くにあたって、三つの直列に連続したニューラル・ネ
ットワークが用いられている。即ち、第一のニューラル
・ネットワークでは、パターンが正常か異常かという選
別だけを行い、第二のニューラル・ネットワークでは、
間質性疾患か他の疾患かの識別のみを行い、最後に第三
のニューラル・ネットワークに於いて９種の間質性肺疾
患の中から一つを選び出すという段取りにしてあるので
ある。ここで注意すべきことは、このシステムには今一
つのニューラル・ネットワークを付け加えて他の（即ち
間質性以外の）疾患の中から、たとえば初期肺癌とか肺
炎球菌性肺炎とか肺動脈塞栓症とか縦隔洞腫瘍などの疾
病を識別するようにもできるということである。以上に
述べたようなニューラル・ネットワークの並列及び直列
技法やそれらを組み合わせたものを用いるようにすれ
ば、一つ一つはむしろ小規模で単純な構造のニューラル
・ネットワークを多数用いて大規模な問題を解くことが
できるのである。
に分割できるようなものであれば、一連の直列ニューラ
ル・ネットワークを用いて問題を解くようにもできる。
図１３に示されているような本発明の第三の実施態様に
於いては、間質性肺疾患の鑑別診断を行うという問題を
解くにあたって、三つの直列に連続したニューラル・ネ
ットワークが用いられている。即ち、第一のニューラル
・ネットワークでは、パターンが正常か異常かという選
別だけを行い、第二のニューラル・ネットワークでは、
間質性疾患か他の疾患かの識別のみを行い、最後に第三
のニューラル・ネットワークに於いて９種の間質性肺疾
患の中から一つを選び出すという段取りにしてあるので
ある。ここで注意すべきことは、このシステムには今一
つのニューラル・ネットワークを付け加えて他の（即ち
間質性以外の）疾患の中から、たとえば初期肺癌とか肺
炎球菌性肺炎とか肺動脈塞栓症とか縦隔洞腫瘍などの疾
病を識別するようにもできるということである。以上に
述べたようなニューラル・ネットワークの並列及び直列
技法やそれらを組み合わせたものを用いるようにすれ
ば、一つ一つはむしろ小規模で単純な構造のニューラル
・ネットワークを多数用いて大規模な問題を解くことが
できるのである。
【００６０】ところで、場合によっては、といってもそ
れは実際の状況に於いては極めて普通に起こることなの
であるが、入力データの一組を完全に揃えられないこと
がある。このように入力情報のうちの幾つかが欠けてい
る場合にもニューラル・ネットワークから出力を得よう
とすれば、その方法は、欠けているデータのすべての組
み合わせを考えて、その組み合わせに対応するように入
力ユニット数が異なった幾つかのニューラル・ネットワ
ークを用意することである。本発明の第四の実施態様に
よれば、間質性肺疾患の鑑別診断を行うにあたって、た
とえば、20項目ある臨床データ入力のうちの４項目（症
候の続いている期間、症候の場合、体温及び免疫状態）
の情報を入手できないことが時々ある。こういう場合
は、16の異なったニューラル・ネットワークを用意すれ
ばよいので、即ちそれらの16のうちの一つのニューラル
・ネットワークの入力（ユニット）数は20、４つのニュ
ーラル・ネットワークの入力ユニット数は19、６つのニ
ューラル・ネットワークでは入力ユニット数が18、４つ
のニューラル・ネットワークでは入力ユニット数が17、
そして残る一つのニューラル・ネットワークの入力ユニ
ット数は16とすれば、欠落している四つの臨床データ入
力のあらゆる組合わせがこれらのニューラルネットワー
クで表わされていることになる。これら16のニューラル
ネットワークに対して完全に揃った初期入力データ一組
を用いて訓練を施しておけば、これらのニューラル・ネ
ットワークにデータの揃わない入力を行るようになるの
である。
れは実際の状況に於いては極めて普通に起こることなの
であるが、入力データの一組を完全に揃えられないこと
がある。このように入力情報のうちの幾つかが欠けてい
る場合にもニューラル・ネットワークから出力を得よう
とすれば、その方法は、欠けているデータのすべての組
み合わせを考えて、その組み合わせに対応するように入
力ユニット数が異なった幾つかのニューラル・ネットワ
ークを用意することである。本発明の第四の実施態様に
よれば、間質性肺疾患の鑑別診断を行うにあたって、た
とえば、20項目ある臨床データ入力のうちの４項目（症
候の続いている期間、症候の場合、体温及び免疫状態）
の情報を入手できないことが時々ある。こういう場合
は、16の異なったニューラル・ネットワークを用意すれ
ばよいので、即ちそれらの16のうちの一つのニューラル
・ネットワークの入力（ユニット）数は20、４つのニュ
ーラル・ネットワークの入力ユニット数は19、６つのニ
ューラル・ネットワークでは入力ユニット数が18、４つ
のニューラル・ネットワークでは入力ユニット数が17、
そして残る一つのニューラル・ネットワークの入力ユニ
ット数は16とすれば、欠落している四つの臨床データ入
力のあらゆる組合わせがこれらのニューラルネットワー
クで表わされていることになる。これら16のニューラル
ネットワークに対して完全に揃った初期入力データ一組
を用いて訓練を施しておけば、これらのニューラル・ネ
ットワークにデータの揃わない入力を行るようになるの
である。
【００６１】試験用のデータ・セットが不完全な場合に
これを何とか使いこなす今一つの方法は、不完全なデー
タ・セットを用いて訓練しておいたニューラル・ネット
ワークを使用することである。不完全なデータ・セット
で訓練するというのは、入力すべきデータが欠けている
入力ユニットに対して“ダミー（模擬）”入力値を繰返
し入力して訓練するので、その際ダミー入力値を０から
１までの範囲で、たとえば0.1 といった適当な増分を以
て変えていくのである。この方法によれば、各ユニット
に於いて或る範囲の出力値が得られるので、データ・セ
ットが不完全な症例の場合でも、この出力値を参考に
し、欠けている入力データの取り得る数値の範囲をも総
合勘案するようにすれば、可能性のある結論が割り出せ
るのである。たとえば、欠落している臨床データが或る
疾病にとっては重要なものでない場合もあり、そういう
場合には、実際には入力データが欠けている入力ユニッ
トに様々なダミー入力値を入力してやったとしても、す
べての出力ユニットに於ける出力値には、基本的には変
化がない筈で、図１４の珪肺症の場合がこの実例にな
る。即ち、この場合、ニューラル・ネットワークの出力
値は、症例の続いている期間という項目の入力値がどう
変わろうとその影響は受けていないのである。
これを何とか使いこなす今一つの方法は、不完全なデー
タ・セットを用いて訓練しておいたニューラル・ネット
ワークを使用することである。不完全なデータ・セット
で訓練するというのは、入力すべきデータが欠けている
入力ユニットに対して“ダミー（模擬）”入力値を繰返
し入力して訓練するので、その際ダミー入力値を０から
１までの範囲で、たとえば0.1 といった適当な増分を以
て変えていくのである。この方法によれば、各ユニット
に於いて或る範囲の出力値が得られるので、データ・セ
ットが不完全な症例の場合でも、この出力値を参考に
し、欠けている入力データの取り得る数値の範囲をも総
合勘案するようにすれば、可能性のある結論が割り出せ
るのである。たとえば、欠落している臨床データが或る
疾病にとっては重要なものでない場合もあり、そういう
場合には、実際には入力データが欠けている入力ユニッ
トに様々なダミー入力値を入力してやったとしても、す
べての出力ユニットに於ける出力値には、基本的には変
化がない筈で、図１４の珪肺症の場合がこの実例にな
る。即ち、この場合、ニューラル・ネットワークの出力
値は、症例の続いている期間という項目の入力値がどう
変わろうとその影響は受けていないのである。
【００６２】しかしながら、様々なダミー入力値を入力
してやるとそれに対して幾つかの出力ユニットに於ける
出力値に目立った変化が見られるという場合には、可能
性として或る疾病なり他の疾病なりに結論を出そうとす
るなら、図１５に示したように、対応する入力値の可能
性を考慮して判定することができる。つまり、図１５で
は、ＵＩＰ（通常の間質性肺炎）及び硬皮症用の出力は
体温の関数として示されているのだか、もし体温が低け
れば、その疾病はＵＩＰである可能性が高く、もし体温
が高ければ、その疾病がＵＩＰである可能性は減じて硬
皮症である確率が高くなるのである。従って臨床データ
が欠落していたとしてもその欠落データの可能性として
ありそうな数値を考えることによって、医者は様々な肺
疾患の鑑別診断を行うことができるのである。
してやるとそれに対して幾つかの出力ユニットに於ける
出力値に目立った変化が見られるという場合には、可能
性として或る疾病なり他の疾病なりに結論を出そうとす
るなら、図１５に示したように、対応する入力値の可能
性を考慮して判定することができる。つまり、図１５で
は、ＵＩＰ（通常の間質性肺炎）及び硬皮症用の出力は
体温の関数として示されているのだか、もし体温が低け
れば、その疾病はＵＩＰである可能性が高く、もし体温
が高ければ、その疾病がＵＩＰである可能性は減じて硬
皮症である確率が高くなるのである。従って臨床データ
が欠落していたとしてもその欠落データの可能性として
ありそうな数値を考えることによって、医者は様々な肺
疾患の鑑別診断を行うことができるのである。
【００６３】なお、ニューラル・ネットワークの訓練を
行う際、臨床上重要な入力データが不完全であるにもか
かわらず、それを入力してしまいたいとか入力しなけれ
ばならないという場合がある。つまり、全入力ユニット
用の入力データの大半は入手できており、即ち大抵の入
力データは完全なのであるが、入力データのうちの小部
分が不完全なものだとする。こういう場合、その不完全
な入力データでも、欠落しているデータの“ダミー”値
をこしらえてやれば、ニューラル・ネットワークの訓練
用に使うことができるのである。欠落しているデータの
ダミー値は、同じ疾病に属する入力データの中から完全
なものを探し出してきて流用するのである。もともと同
じ疾病に属する入力データから選んでくるのだから、欠
落した入力ユニットに於けるこの“ダミー”入力値の範
囲や配分は、該入力ユニットに於ける実際の入力値と類
似したものとなっている。換言すれば、ニューラル・ネ
ットワークの訓練にあたっては、たとえば200 回という
ように多数回繰返し入力が行われるわけであるが、実際
の配分に合わせた上記の様々なダミー入力値が、訓練中
の各入力毎に選びだされるのである。
行う際、臨床上重要な入力データが不完全であるにもか
かわらず、それを入力してしまいたいとか入力しなけれ
ばならないという場合がある。つまり、全入力ユニット
用の入力データの大半は入手できており、即ち大抵の入
力データは完全なのであるが、入力データのうちの小部
分が不完全なものだとする。こういう場合、その不完全
な入力データでも、欠落しているデータの“ダミー”値
をこしらえてやれば、ニューラル・ネットワークの訓練
用に使うことができるのである。欠落しているデータの
ダミー値は、同じ疾病に属する入力データの中から完全
なものを探し出してきて流用するのである。もともと同
じ疾病に属する入力データから選んでくるのだから、欠
落した入力ユニットに於けるこの“ダミー”入力値の範
囲や配分は、該入力ユニットに於ける実際の入力値と類
似したものとなっている。換言すれば、ニューラル・ネ
ットワークの訓練にあたっては、たとえば200 回という
ように多数回繰返し入力が行われるわけであるが、実際
の配分に合わせた上記の様々なダミー入力値が、訓練中
の各入力毎に選びだされるのである。
【００６４】本発明によるニューラル・ネットワーク用
の放射線写真についての入力データは、放射線医が主観
的に接点した数値で表わされる。この方法は、多くの臨
床状況に於いては、実行できそうにもないことかもしれ
ない。しかしながら、合衆国特許第4,839,807 号及び第
4,851,484 号に開示されているような、肺組織のコンピ
ュータ式自動分析によれば所要の数値を得ることができ
るのである。それ故、本発明の第六の実施態様によれ
ば、ニューラル・ネットワークは、コンピュータ機構に
インターフェースで接続されており、このコンピュータ
機構が肺組織の分析を自動的に行い、ニューラル・ネッ
トワークに入力すべき放射線写真についてのデータはす
べて、客観的且つ自動的に与えられるようになってい
る。
の放射線写真についての入力データは、放射線医が主観
的に接点した数値で表わされる。この方法は、多くの臨
床状況に於いては、実行できそうにもないことかもしれ
ない。しかしながら、合衆国特許第4,839,807 号及び第
4,851,484 号に開示されているような、肺組織のコンピ
ュータ式自動分析によれば所要の数値を得ることができ
るのである。それ故、本発明の第六の実施態様によれ
ば、ニューラル・ネットワークは、コンピュータ機構に
インターフェースで接続されており、このコンピュータ
機構が肺組織の分析を自動的に行い、ニューラル・ネッ
トワークに入力すべき放射線写真についてのデータはす
べて、客観的且つ自動的に与えられるようになってい
る。
【００６５】本発明は、間質性肺疾患の鑑別診断にのみ
専ら限定とされるものではなく、他の領域の医学診断に
もニューラル・ネットワークを使用することができる。
例えば、レントゲンによる乳房撮影に於ける良性パター
ンと悪性パターンの識別などで、この識別のためには、
多くの臨床上の所見、実験室での実験結果、及び／又は
放射線写真の所見を相関させつつ同時に把握しなければ
ならないのである。
専ら限定とされるものではなく、他の領域の医学診断に
もニューラル・ネットワークを使用することができる。
例えば、レントゲンによる乳房撮影に於ける良性パター
ンと悪性パターンの識別などで、この識別のためには、
多くの臨床上の所見、実験室での実験結果、及び／又は
放射線写真の所見を相関させつつ同時に把握しなければ
ならないのである。
【００６６】本発明の第七の実施態様に於けるニューラ
ル・ネットワークは、乳癌のレントゲン撮影による診断
に適用され、症例が良性か悪性かを識別するために用い
られた。このネットワークは、３層のフィードフォワー
ド式ニューラル・ネットワークで、逆方向に遡れる算法
を備えている。このニューラル・ネットワークには、入
力ユニットが45、隠れユニットが１〜25、出力ユニット
が１〜５含まれている。このニューラル・ネットワーク
を訓練するには様々な症例の乳癌レントゲン写真の特徴
や臨床データを評価して点数で表わし、この点数を、そ
れぞれの症例についてあらかじめわかっている良性か悪
性かという正しい診断と共に入力するようにしたのであ
る。図１６，図１７，図１８，図１９には臨床上のパラ
メータや放射線写真の記述子を含む様々な入力データの
リストが掲げてある。訓練プロセスに於いては、乳房レ
ントゲン撮影についての教科書（Laszlo Tabar及びPete
rB.Dean、乳房レントゲン撮影教材図表集、Georg Yhiem
e 出版、（1985））、から選んだ60の症例から成るデ
ータベース中の各症例毎に、熟練した乳房レントゲン撮
影医が、図１６，図１７，図１８，図１９に示した各特
徴の採点を行った。たとえば、異常な濃いかたまりが観
測された場合には、その濃い密集部分の形状について、
乳房レントゲン撮影医は、図１６，図１７，図１８，図
１９のＩＩ．Ｂ．Ｉに示されているように０から10まで
の段階をつけて採点を行った。即ち０点というのは線形
で一次元的な形状ということであり、評点５なら長円形
の病変部評点が10なら大体球形の病変部ということであ
る。さらに、図１６，図１７，図１８，図１９に示され
ているように乳房レントゲン撮影医は（悪性か良性かと
いう）正しい診断についてもチェックし、もし実際の臨
床状況にあれば忠告して勧めるであろう行動コースにも
チェックしたのだが、これらが結局、望ましい出力に相
当することになるわけである。以上のような採点は０と
１との間の数値に変換され、ニューラル・ネットワーク
への入力及びニューラル・ネットワークからの望まれる
出力として用いられたのである。このニューラル・ネッ
トワークの評価を行うには、ラウンド・ロビン及びジャ
ックナイフ法を用いてＲＯＣ分析が行われた。良性と悪
性の症例を含む60の症例から成るデータベースを用いて
ＲＯＣ分析を行ったところ、図２０に示さているよう
に、Ａｚ（ＲＯＣ曲線より下の部分の面積）は、ほぼ0.
85〜９という値がでた。こういうＡｚの高数値は何を示
しているかといえば、ニューラル・ネットワークを用い
れば、乳房レントゲン写真の診断をきわめて正確に行え
ることを示しているのである。
ル・ネットワークは、乳癌のレントゲン撮影による診断
に適用され、症例が良性か悪性かを識別するために用い
られた。このネットワークは、３層のフィードフォワー
ド式ニューラル・ネットワークで、逆方向に遡れる算法
を備えている。このニューラル・ネットワークには、入
力ユニットが45、隠れユニットが１〜25、出力ユニット
が１〜５含まれている。このニューラル・ネットワーク
を訓練するには様々な症例の乳癌レントゲン写真の特徴
や臨床データを評価して点数で表わし、この点数を、そ
れぞれの症例についてあらかじめわかっている良性か悪
性かという正しい診断と共に入力するようにしたのであ
る。図１６，図１７，図１８，図１９には臨床上のパラ
メータや放射線写真の記述子を含む様々な入力データの
リストが掲げてある。訓練プロセスに於いては、乳房レ
ントゲン撮影についての教科書（Laszlo Tabar及びPete
rB.Dean、乳房レントゲン撮影教材図表集、Georg Yhiem
e 出版、（1985））、から選んだ60の症例から成るデ
ータベース中の各症例毎に、熟練した乳房レントゲン撮
影医が、図１６，図１７，図１８，図１９に示した各特
徴の採点を行った。たとえば、異常な濃いかたまりが観
測された場合には、その濃い密集部分の形状について、
乳房レントゲン撮影医は、図１６，図１７，図１８，図
１９のＩＩ．Ｂ．Ｉに示されているように０から10まで
の段階をつけて採点を行った。即ち０点というのは線形
で一次元的な形状ということであり、評点５なら長円形
の病変部評点が10なら大体球形の病変部ということであ
る。さらに、図１６，図１７，図１８，図１９に示され
ているように乳房レントゲン撮影医は（悪性か良性かと
いう）正しい診断についてもチェックし、もし実際の臨
床状況にあれば忠告して勧めるであろう行動コースにも
チェックしたのだが、これらが結局、望ましい出力に相
当することになるわけである。以上のような採点は０と
１との間の数値に変換され、ニューラル・ネットワーク
への入力及びニューラル・ネットワークからの望まれる
出力として用いられたのである。このニューラル・ネッ
トワークの評価を行うには、ラウンド・ロビン及びジャ
ックナイフ法を用いてＲＯＣ分析が行われた。良性と悪
性の症例を含む60の症例から成るデータベースを用いて
ＲＯＣ分析を行ったところ、図２０に示さているよう
に、Ａｚ（ＲＯＣ曲線より下の部分の面積）は、ほぼ0.
85〜９という値がでた。こういうＡｚの高数値は何を示
しているかといえば、ニューラル・ネットワークを用い
れば、乳房レントゲン写真の診断をきわめて正確に行え
ることを示しているのである。
【００６７】以上に述べた説明から、本発明についてさ
らに様々な修正・変形を考え出すことも勿論可能であ
る。それ故、特許請求の範囲内でさえあれば、本明細書
に説明した通りでなくとも違ったやり方で本発明を実施
し得ることを了解しておいていただきたい。
らに様々な修正・変形を考え出すことも勿論可能であ
る。それ故、特許請求の範囲内でさえあれば、本明細書
に説明した通りでなくとも違ったやり方で本発明を実施
し得ることを了解しておいていただきたい。
【００６８】
【発明の効果】以上のように、本発明によれば、コンピ
ュータ援用鑑別診断のためにニューラル・ネットワーク
を含む新規な方法が提供でき、放射線医の診断に向上が
図られるものとなる。
ュータ援用鑑別診断のためにニューラル・ネットワーク
を含む新規な方法が提供でき、放射線医の診断に向上が
図られるものとなる。
【図１】本発明による入力ユニットが20、出力ユニット
が９、そして隠れ層は一層含まれており一層の隠れ層中
にはユニットが２つ含まれているニューラル・ネットワ
ークを示す図。
が９、そして隠れ層は一層含まれており一層の隠れ層中
にはユニットが２つ含まれているニューラル・ネットワ
ークを示す図。
【図２】隠れユニットの数は１から８までの範囲で変化
させてあるが、いずれの場合も隠れ層は一層、学習繰返
しは200 回にしてある、隠れユニットの数が、本発明に
よるニューラル・ネットワークのＲＯＣ曲線に及ぼす影
響を示す特性図。
させてあるが、いずれの場合も隠れ層は一層、学習繰返
しは200 回にしてある、隠れユニットの数が、本発明に
よるニューラル・ネットワークのＲＯＣ曲線に及ぼす影
響を示す特性図。
【図３】隠れユニットの数は１から20までの範囲で変化
させてあるが、いずれの場合も隠れ層は一層、学習組返
しは200 回にしてある、隠れユニットの数が本発明によ
るニューラル・ネットワークのＲＯＣ曲線より下の領域
の面積に及ぼす影響を示す特性図。
させてあるが、いずれの場合も隠れ層は一層、学習組返
しは200 回にしてある、隠れユニットの数が本発明によ
るニューラル・ネットワークのＲＯＣ曲線より下の領域
の面積に及ぼす影響を示す特性図。
【図４】隠れ層の数は１から３までの範囲で変化させて
あるが、いずれの場合も一層中に含まれる隠れユニット
の数は６、学習繰返しは200 回にしてある、隠れ層の数
が本発明によるニューラル・ネットワークのＲＯＣ曲線
に及ぼす影響を示す特性図。
あるが、いずれの場合も一層中に含まれる隠れユニット
の数は６、学習繰返しは200 回にしてある、隠れ層の数
が本発明によるニューラル・ネットワークのＲＯＣ曲線
に及ぼす影響を示す特性図。
【図５】学習繰返しの回数は１から1,000 回までの範囲
で変化させてあるが、いずれの場合も隠れ層は一層、隠
れユニットの数は6 にしてある、学習繰返しが本発明に
よるニューラル・ネットワークのＲＯＣ曲線に及ぼす影
響を示す特性図。
で変化させてあるが、いずれの場合も隠れ層は一層、隠
れユニットの数は6 にしてある、学習繰返しが本発明に
よるニューラル・ネットワークのＲＯＣ曲線に及ぼす影
響を示す特性図。
【図６】矛盾性証明試験における入力データを示す第１
の図。
の図。
【図７】矛盾性証明試験における入力データを示す第２
の図。
の図。
【図８】矛盾性証明試験における入力データを示す第３
の図。
の図。
【図９】矛盾性証明試験における入力データを示す第４
の図。
の図。
【図１０】矛盾性証明試験における矛盾性証明を示す第
１の図。
１の図。
【図１１】矛盾性証明試験における矛盾性証明を示す第
２の図。
２の図。
【図１２】間質性肺疾患についてそれぞれの診断成績と
鑑別診断が示されている、胸部専門の放射線医、放射線
科の上級の研修医、及び本発明によるニューラル・ネッ
トワークという三者のＲＯＣ曲線を比較して示した特性
図。
鑑別診断が示されている、胸部専門の放射線医、放射線
科の上級の研修医、及び本発明によるニューラル・ネッ
トワークという三者のＲＯＣ曲線を比較して示した特性
図。
【図１３】間質性肺疾患の鑑別診断のために設計された
三つの連続したニューラル・ネットワークが示されてい
る、本発明の第二の実施態様の構成図。
三つの連続したニューラル・ネットワークが示されてい
る、本発明の第二の実施態様の構成図。
【図１４】症例の続いている期間という項目に相当する
入力（ユニット）に於いて、０から１までの範囲でダミ
ー入力値を変化させた場合に、珪肺症という病名に相当
する出力ユニットに現われるニューラル・ネットワーク
の出力値を示す特性図。
入力（ユニット）に於いて、０から１までの範囲でダミ
ー入力値を変化させた場合に、珪肺症という病名に相当
する出力ユニットに現われるニューラル・ネットワーク
の出力値を示す特性図。
【図１５】体温という項目に相当する入力ユニットに於
いて、０から１までの範囲でダミー入力値を変化させた
場合に、ＵＩＰ及び硬皮症という二つの病名にそれぞれ
相当する二つのユニットに現われるニューラル・ネット
ワークの出力値を示す特性図。
いて、０から１までの範囲でダミー入力値を変化させた
場合に、ＵＩＰ及び硬皮症という二つの病名にそれぞれ
相当する二つのユニットに現われるニューラル・ネット
ワークの出力値を示す特性図。
【図１６】臨床上のパラメータと乳房撮影写真の記述子
とが含まれている、乳房撮影による診断に用いられるデ
ータ・シートを示す第１の図。
とが含まれている、乳房撮影による診断に用いられるデ
ータ・シートを示す第１の図。
【図１７】臨床上のパラメータと乳房撮影写真の記述子
とが含まれている、乳房撮影による診断に用いられるデ
ータ・シートを示す第２の図。
とが含まれている、乳房撮影による診断に用いられるデ
ータ・シートを示す第２の図。
【図１８】臨床上のパラメータと乳房撮影写真の記述子
とが含まれている、乳房撮影による診断に用いられるデ
ータ・シートを示す第３の図。
とが含まれている、乳房撮影による診断に用いられるデ
ータ・シートを示す第３の図。
【図１９】臨床上のパラメータと乳房撮影写真の記述子
とが含まれている、乳房撮影による診断に用いられるデ
ータ・シートを示す第４の図。
とが含まれている、乳房撮影による診断に用いられるデ
ータ・シートを示す第４の図。
【図２０】本発明の七番目の実施態様によるニューラル
・ネットワークのＲＯＣ曲線を示す特性図。
・ネットワークのＲＯＣ曲線を示す特性図。
【図２１】本発明以前の先行技術による層状構造式人工
ニューラル・ネットワークの基本構造を示す図式図。
ニューラル・ネットワークの基本構造を示す図式図。
【図２２】先行技術による人工ニューラル・ネットワー
クの一つのユニット中に於ける計算を示す略図。
クの一つのユニット中に於ける計算を示す略図。
無し
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平２−196334（ＪＰ，Ａ) 特開 平２−185240（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) A61B 10/00 A61B 5/00 A61B 6/00
Claims (12)
- 【請求項１】 複数のあらかじめ定められている疾病の
鑑別診断を行う方法であって、 受診者の症状に関する特徴を規定する複数の臨床パラメ
ータを選択し、 疾病の特徴を規定する放射線写真の記述子も複数選択
し、 これら複数の臨床パラメータと放射線写真の記述子とを
数値表現に置き換え、各数値表現をさらにあらかじめ定
めてある範囲内の数値に変換し、 こうして変換された数値表現をニューラル・ネットワー
クに入力して、 而して、該ニューラル・ネットワークを用い該入力表現
に合わせて該あらかじめ定めている複数の疾病の中から
少なくとも一つを診断するようにしてなるニューラル・
ネットワークを用いた鑑別診断支援方法。 - 【請求項２】 請求項１記載の方法において、該ニュー
ラル・ネットワークが、該あらかじめ定めている複数の
疾病のそれぞれを同定するように、該臨床パラメータと
放射線写真の記述子との一部分を選びこれを用いて該ニ
ューラル・ネットワークの訓練を行い、そして与えられ
た一組の該入力表現に対して望まれる診断と出力される
診断との間にできるズレが最小限になるように該ニュー
ラル・ネットワークを調節して該ニューラル・ネットワ
ークの隠れ層の最適数を決定する鑑別診断支援方法。 - 【請求項３】 請求項２記載の方法において、さらに受
診者特性（ＲＯＣ）分析を用いて、該ニューラル・ネッ
トワークの隠れ層、学習繰り返し回数及び各隠れ層毎の
ユニット数の最適数を決定する鑑別診断支援方法。 - 【請求項４】 請求項１記載の方法において、複数の連
続したニューラル・ネットワークのうち第一番目のもの
を用いてまず正常パターンと異常パターンとの識別を行
い、次いで第ニ番目のものを用いて、該複数のあらかじ
め定めている疾病かそれ以外の疾病かの識別を行い、次
いで該複数のあらかじめ定めている疾病の中からの識別
を第三のニューラル・ネットワークを用いて行う鑑別診
断支援方法。 - 【請求項５】 請求項１記載の方法において、該複数の
臨床パラメータを選定する段階では少なくとも受診者の
年令、性別、症候の続いている期間、症候の 度合い、体
温及び免疫状態に関する臨床パラメータを選定する鑑別
診断支援方法。 - 【請求項６】 請求項１記載の方法において、該放射線
写真の複数の記述子を選定する段階では少なくとも肺の
６つの領域における浸潤の分布、それらの浸潤の等質性
繊度／粗度、結節度、中隔ライン、蜂の巣割れ、リンパ
線症、胸水及び心臓のサイズについての放射線写真記述
子を選定する鑑別診断支援方法。 - 【請求項７】 入力データの不完全なセットを用いてあ
らかじめ定められている複数の疾病の鑑別診断を行う方
法であって、 まず、受診者の症状に関する特徴を規定する複数の臨床
パラメータを選択し、 疾病の特徴を規定する放射線写真の複数の記述子も選択
し、 該複数の臨床パラメータと放射線写真の記述子とから成
る入力データの完全なセットを形成し、 これら複数の臨床パラメータと放射線写真の記述子とを
数値表現に置き換え、 各数値表現をさらにあらかじめ定められた範囲の数値に
さらにそれぞれ変換し、 入力データの該不完全なセットのデータベースを使用し
て該あらかじめ定められた複数の疾病を診断するようニ
ューラル・ネットワークを訓練し、 それから該変換された数値表現を該ニューラル・ネット
ワークに入力して該入力表現が入力データの不完全なセ
ットを表しているようにし、 該入力表現に従って該あらかじめ定められた複数の疾病
の中から少なくとも一つを診断するようにして成る鑑別
診断支援方法。 - 【請求項８】 請求項７記載の方法において、さらに、
該臨床パラメータと放射線写真の記述子との一部を選び
これを使用して該ニューラル・ネットワークがあらかじ
め定めてある複数の疾病の各々を同定するように訓練
し、この時与えられる入力表現のセットに対して望まれ
る診断と出力診断との間にズレがあればそのズレが最小
限になるように該ニューラル・ネットワークを調節し
て、該ニューラル・ネットワークの隠れ層の最適層数を
決定する鑑別診断支援方法。 - 【請求項９】 請求項８記載の方法において、さらに受
診者特性（ＲＯＣ）分析を用いて、該ニューラル・ネッ
トワークの隠れ層、学習繰り返し回数及び隠 れ層毎に含
まれるユニットについてそれぞれ最適数を決める鑑別診
断支援方法。 - 【請求項１０】 入力データの不完全なセットを用い
て、あらかじめ定められた複数の疾病の鑑別診断を行う
方法であって、 まず、受診者の症状に関する特徴を規定する複数の臨床
パラメータを選択し、 疾病の特徴を規定する放射線写真の複数の記述子をも選
択し、 これら複数の臨床パラメータと放射線写真の記述子とか
らなる入力データの完全なセットを規定し、 該複数の臨床パラメータと放射線写真の記述子とを数値
表現に置き換え、 これらの数値表現をそれぞれ、あらかじめ定められた範
囲内の数値にさらに変換し、 入力データの該不完全なセットを用いて、ニューラル・
ネットワークが該複数の疾病をそれぞれ同定するよう訓
練し、 入力データのセットが不完全な場合には入力データのう
ち欠けているもの毎にダミー値を用いて完全な形にし
て、 而も該ダミー値は該あらかじめ定められた範囲内の数値
であるようにし、 こうして変換された数値表現とダミー値とを該ニューラ
ル・ネットワークに入力して該入力表現が入力データの
不完全なセットを表しているようにし、 該入力表現及び該ダミー値に従って該あらかじめ定めら
れた複数の疾病の中から少なくとも一つを診断するよう
にして成る鑑別診断支援方法。 - 【請求項１１】 請求項１０記載の方法において、さら
に、該ニューラル・ネットワークがあらかじめ定めてあ
る複数の疾病のそれぞれを同定するように、該臨床パラ
メータと放射線写真の記述子との一部を選びこれを用い
て訓練を行い、この時与えられる入力表現のセットに対
して望まれる診断と出力診断との間にズレがあればその
ズレが最小限になるように該ニューラル・ネットワーク
を調節して、該ニューラル・ネットワークの隠れ層の最
適層数を決定する鑑別診断支援方法。 - 【請求項１２】 請求項１０記載の方法において、さら
に受診者特性（ＲＯＣ）分析を用いて、該ニューラル・
ネットワークの隠れ層、学習繰り返し回数及び隠れ層毎
に含まれるユニット数についてそれぞれ最適数を決める
鑑別診断支援 方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US57380090A | 1990-08-28 | 1990-08-28 | |
| US573800 | 1990-08-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04332548A JPH04332548A (ja) | 1992-11-19 |
| JP3231810B2 true JP3231810B2 (ja) | 2001-11-26 |
Family
ID=24293442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP21751891A Expired - Fee Related JP3231810B2 (ja) | 1990-08-28 | 1991-08-28 | ニューラル・ネットワークを用いた鑑別診断支援方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (2) | US5463548A (ja) |
| JP (1) | JP3231810B2 (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008036068A (ja) * | 2006-08-04 | 2008-02-21 | Hiroshima Univ | 骨粗鬆症診断支援装置および方法、骨粗鬆症診断支援プログラム、骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体、骨粗鬆症診断支援用ｌｓｉ |
| KR20140042531A (ko) * | 2012-09-28 | 2014-04-07 | 삼성전자주식회사 | 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법 |
| CN106485054A (zh) * | 2016-09-21 | 2017-03-08 | 广东工业大学 | 基于bp神经网络算法的智能诊断用数据分析方法及系统 |
| WO2017095014A1 (ko) * | 2015-11-30 | 2017-06-08 | 임욱빈 | Dnn 학습을 이용한 세포이상 여부 진단시스템 및 그 진단관리 방법 |
Families Citing this family (131)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5941832A (en) * | 1991-09-27 | 1999-08-24 | Tumey; David M. | Method and apparatus for detection of cancerous and precancerous conditions in a breast |
| US5790761A (en) * | 1992-12-11 | 1998-08-04 | Heseltine; Gary L. | Method and apparatus for the diagnosis of colorectal cancer |
| JP2967450B2 (ja) * | 1993-03-29 | 1999-10-25 | 株式会社学習情報通信システム研究所 | コンピュータによる画像診断支援装置およびその方法 |
| US5878746A (en) * | 1993-08-25 | 1999-03-09 | Lemelson; Jerome H. | Computerized medical diagnostic system |
| US5935060A (en) | 1996-07-12 | 1999-08-10 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system including list based processing |
| US6206829B1 (en) | 1996-07-12 | 2001-03-27 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system including network access |
| US5660176A (en) | 1993-12-29 | 1997-08-26 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system |
| USRE43433E1 (en) | 1993-12-29 | 2012-05-29 | Clinical Decision Support, Llc | Computerized medical diagnostic and treatment advice system |
| US6463438B1 (en) * | 1994-06-03 | 2002-10-08 | Urocor, Inc. | Neural network for cell image analysis for identification of abnormal cells |
| US5659666A (en) * | 1994-10-13 | 1997-08-19 | Thaler; Stephen L. | Device for the autonomous generation of useful information |
| WO1996012187A1 (en) * | 1994-10-13 | 1996-04-25 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
| US5782762A (en) * | 1994-10-27 | 1998-07-21 | Wake Forest University | Method and system for producing interactive, three-dimensional renderings of selected body organs having hollow lumens to enable simulated movement through the lumen |
| JP2705615B2 (ja) * | 1995-02-03 | 1998-01-28 | 日本電気株式会社 | 自律神経活動分類装置 |
| US5687716A (en) * | 1995-11-15 | 1997-11-18 | Kaufmann; Peter | Selective differentiating diagnostic process based on broad data bases |
| US5732697A (en) * | 1995-11-22 | 1998-03-31 | Arch Development Corporation | Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography |
| US6063026A (en) * | 1995-12-07 | 2000-05-16 | Carbon Based Corporation | Medical diagnostic analysis system |
| US5642936A (en) * | 1996-01-29 | 1997-07-01 | Oncormed | Methods for identifying human hereditary disease patterns |
| US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
| TW514513B (en) | 1996-02-06 | 2002-12-21 | Deus Technologies Inc | Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
| US6678669B2 (en) | 1996-02-09 | 2004-01-13 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
| JP2000506642A (ja) * | 1996-02-09 | 2000-05-30 | サーノフ コーポレイション | 不確定の訓練データを用いてオブジェクトを検出及び分類するようにニューラルネットワークを訓練する方法及び装置 |
| AU2316297A (en) * | 1996-02-09 | 1997-08-28 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
| CA2247918C (en) * | 1996-03-01 | 2002-12-24 | Medicomp Of Virginia, Inc. | Intelligent prompting |
| US6198838B1 (en) * | 1996-07-10 | 2001-03-06 | R2 Technology, Inc. | Method and system for detection of suspicious lesions in digital mammograms using a combination of spiculation and density signals |
| US5815591A (en) * | 1996-07-10 | 1998-09-29 | R2 Technology, Inc. | Method and apparatus for fast detection of spiculated lesions in digital mammograms |
| US5839438A (en) * | 1996-09-10 | 1998-11-24 | Neuralmed, Inc. | Computer-based neural network system and method for medical diagnosis and interpretation |
| US5987345A (en) * | 1996-11-29 | 1999-11-16 | Arch Development Corporation | Method and system for displaying medical images |
| US5873824A (en) * | 1996-11-29 | 1999-02-23 | Arch Development Corporation | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks |
| WO1998029825A2 (en) * | 1996-12-16 | 1998-07-09 | Neopath, Inc. | Method and apparatus for efficacy improvement in management of cases with equivocal screening results |
| US5797839A (en) * | 1996-12-23 | 1998-08-25 | Apple Blossom, Llc | Homeopathic treatment selection system and method |
| US5860917A (en) * | 1997-01-15 | 1999-01-19 | Chiron Corporation | Method and apparatus for predicting therapeutic outcomes |
| US6109270A (en) * | 1997-02-04 | 2000-08-29 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Multimodality instrument for tissue characterization |
| US6324532B1 (en) * | 1997-02-07 | 2001-11-27 | Sarnoff Corporation | Method and apparatus for training a neural network to detect objects in an image |
| US6466687B1 (en) * | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
| US8682045B2 (en) * | 1997-02-25 | 2014-03-25 | Wake Forest University Health Sciences | Virtual endoscopy with improved image segmentation and lesion detection |
| US6234964B1 (en) | 1997-03-13 | 2001-05-22 | First Opinion Corporation | Disease management system and method |
| US6246782B1 (en) | 1997-06-06 | 2001-06-12 | Lockheed Martin Corporation | System for automated detection of cancerous masses in mammograms |
| US6317617B1 (en) * | 1997-07-25 | 2001-11-13 | Arch Development Corporation | Method, computer program product, and system for the automated analysis of lesions in magnetic resonance, mammogram and ultrasound images |
| US6078680A (en) * | 1997-07-25 | 2000-06-20 | Arch Development Corporation | Method, apparatus, and storage medium for detection of nodules in biological tissue using wavelet snakes to characterize features in radiographic images |
| US6021404A (en) * | 1997-08-18 | 2000-02-01 | Moukheibir; Nabil W. | Universal computer assisted diagnosis |
| US6970587B1 (en) | 1997-08-28 | 2005-11-29 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
| AU741337B2 (en) * | 1997-08-28 | 2001-11-29 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
| US6137898A (en) * | 1997-08-28 | 2000-10-24 | Qualia Computing, Inc. | Gabor filtering for improved microcalcification detection in digital mammograms |
| US5999639A (en) | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
| US7308126B2 (en) * | 1997-08-28 | 2007-12-11 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
| US6418238B1 (en) | 1997-09-22 | 2002-07-09 | Olympus Optical Co., Ltd. | Image detection apparatus and image detection method capable of detecting roundish shape |
| US6394952B1 (en) * | 1998-02-03 | 2002-05-28 | Adeza Biomedical Corporation | Point of care diagnostic systems |
| US6267722B1 (en) | 1998-02-03 | 2001-07-31 | Adeza Biomedical Corporation | Point of care diagnostic systems |
| US6385474B1 (en) * | 1999-03-19 | 2002-05-07 | Barbara Ann Karmanos Cancer Institute | Method and apparatus for high-resolution detection and characterization of medical pathologies |
| USD434153S (en) * | 1998-04-20 | 2000-11-21 | Adeza Biomedical Corporation | Point of care analyte detector system |
| USD432244S (en) * | 1998-04-20 | 2000-10-17 | Adeza Biomedical Corporation | Device for encasing an assay test strip |
| US6996549B2 (en) | 1998-05-01 | 2006-02-07 | Health Discovery Corporation | Computer-aided image analysis |
| US6273854B1 (en) | 1998-05-05 | 2001-08-14 | Body Bio Corporation | Medical diagnostic analysis method and system |
| US6281503B1 (en) * | 1998-05-06 | 2001-08-28 | Quanta Vision, Inc. | Non-invasive composition analysis |
| WO1999063320A2 (en) * | 1998-05-29 | 1999-12-09 | The Brigham And Women's Hospital, Inc. | Computer system and computer-implemented process for analyzing results of cytology tests for performance evaluation of cytologists |
| US6282305B1 (en) * | 1998-06-05 | 2001-08-28 | Arch Development Corporation | Method and system for the computerized assessment of breast cancer risk |
| US6282531B1 (en) | 1998-06-12 | 2001-08-28 | Cognimed, Llc | System for managing applied knowledge and workflow in multiple dimensions and contexts |
| EP2302594A3 (en) | 1998-11-25 | 2011-04-06 | Wake Forest University | Virtual endoscopy with improved image segmentation and lesion detection |
| US6110109A (en) * | 1999-03-26 | 2000-08-29 | Biosignia, Inc. | System and method for predicting disease onset |
| US6801645B1 (en) | 1999-06-23 | 2004-10-05 | Icad, Inc. | Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies |
| US6785410B2 (en) | 1999-08-09 | 2004-08-31 | Wake Forest University Health Sciences | Image reporting method and system |
| US6819785B1 (en) * | 1999-08-09 | 2004-11-16 | Wake Forest University Health Sciences | Image reporting method and system |
| US20040267568A1 (en) * | 1999-09-15 | 2004-12-30 | Mark Chandler | Creation of a database of biochemical data and methods of use |
| WO2001026026A2 (en) * | 1999-10-04 | 2001-04-12 | University Of Florida | Local diagnostic and remote learning neural networks for medical diagnosis |
| US20020068857A1 (en) | 2000-02-14 | 2002-06-06 | Iliff Edwin C. | Automated diagnostic system and method including reuse of diagnostic objects |
| US6549646B1 (en) | 2000-02-15 | 2003-04-15 | Deus Technologies, Llc | Divide-and-conquer method and system for the detection of lung nodule in radiological images |
| US7379885B1 (en) * | 2000-03-10 | 2008-05-27 | David S. Zakim | System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment |
| US20020049612A1 (en) * | 2000-03-23 | 2002-04-25 | Jaeger Scott H. | Method and system for clinical knowledge management |
| US7236623B2 (en) * | 2000-04-24 | 2007-06-26 | International Remote Imaging Systems, Inc. | Analyte recognition for urinalysis diagnostic system |
| EP1301894B1 (en) * | 2000-04-24 | 2009-06-24 | International Remote Imaging Systems, Inc. | Multi-neural net imaging apparatus and method |
| US6947586B2 (en) | 2000-04-24 | 2005-09-20 | International Remote Imaging Systems, Inc. | Multi-neural net imaging apparatus and method |
| US8388530B2 (en) | 2000-05-30 | 2013-03-05 | Vladimir Shusterman | Personalized monitoring and healthcare information management using physiological basis functions |
| US9183351B2 (en) | 2000-05-30 | 2015-11-10 | Vladimir Shusterman | Mobile system with network-distributed data processing for biomedical applications |
| US7485095B2 (en) | 2000-05-30 | 2009-02-03 | Vladimir Shusterman | Measurement and analysis of trends in physiological and/or health data |
| US6785570B2 (en) * | 2000-12-22 | 2004-08-31 | Md Medical Diagnostics Inc. | System and method for analysis of a tissue |
| EP1352376A4 (en) | 2000-12-22 | 2005-11-02 | Aidentity Matrix Medical Inc | MULTI-AGENT COLLABORATIVE ARCHITECTURE FOR PROBLEM SOLVING AND TUTORING |
| US6954730B2 (en) * | 2001-06-18 | 2005-10-11 | Jkl Software Development Llc | System and method for assisting diagnosis and treatment of temporomandibular joint conditions |
| US20020198663A1 (en) * | 2001-06-18 | 2002-12-26 | Lau Kenneth U. | System and method for assisting diagnosis and treatment of temporomandibular joint conditions |
| US7191106B2 (en) * | 2002-03-29 | 2007-03-13 | Agilent Technologies, Inc. | Method and system for predicting multi-variable outcomes |
| US7295691B2 (en) * | 2002-05-15 | 2007-11-13 | Ge Medical Systems Global Technology Company, Llc | Computer aided diagnosis of an image set |
| US7285092B2 (en) | 2002-12-18 | 2007-10-23 | Barbara Ann Karmanos Cancer Institute | Computerized ultrasound risk evaluation system |
| WO2003096883A2 (en) | 2002-05-16 | 2003-11-27 | Barbara Ann Karmanos Cancer Institute | Combined diagnostic and therapeutic ultrasound system |
| US6736776B2 (en) | 2002-10-11 | 2004-05-18 | Interactive Diagnostic Imaging, Llc | Method for diagnosing and interpreting dental conditions |
| US7047235B2 (en) * | 2002-11-29 | 2006-05-16 | Agency For Science, Technology And Research | Method and apparatus for creating medical teaching files from image archives |
| US6926672B2 (en) * | 2002-12-18 | 2005-08-09 | Barbara Ann Karmanos Cancer Institute | Electret acoustic transducer array for computerized ultrasound risk evaluation system |
| US6837854B2 (en) | 2002-12-18 | 2005-01-04 | Barbara Ann Karmanos Cancer Institute | Methods and systems for using reference images in acoustic image processing |
| US7780595B2 (en) | 2003-05-15 | 2010-08-24 | Clinical Decision Support, Llc | Panel diagnostic method and system |
| AU2004251359B2 (en) * | 2003-06-25 | 2009-01-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for breast imaging |
| EP1692633A4 (en) * | 2003-11-27 | 2012-02-08 | Agency Science Tech & Res | METHOD AND DEVICE FOR CONSTRUCTION OF A MULTIDISCIPLINARY AND PERSONAL MEDICAL MULTIMEDIA IMAGE LIBRARY |
| US8442280B2 (en) | 2004-01-21 | 2013-05-14 | Edda Technology, Inc. | Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading |
| US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
| US7236938B2 (en) * | 2004-08-11 | 2007-06-26 | Hewlett-Packard Development Company, L.P. | System and method for refreshing metric values |
| US9081879B2 (en) | 2004-10-22 | 2015-07-14 | Clinical Decision Support, Llc | Matrix interface for medical diagnostic and treatment advice system and method |
| CA2600158A1 (en) * | 2005-03-16 | 2006-09-28 | Cornell Research Foundation, Inc. | Method for expanding the domain of imaging software in a diagnostic work-up |
| US8484048B2 (en) * | 2005-03-23 | 2013-07-09 | Cincinnati Children's Hospital Medical Center | Automated system and method for prioritization of waiting patients |
| US20070038474A1 (en) * | 2005-08-09 | 2007-02-15 | Halsted Mark J | Workflow and communications logging functions of an automated medical case management system |
| US8280805B1 (en) | 2006-01-10 | 2012-10-02 | Sas Institute Inc. | Computer-implemented risk evaluation systems and methods |
| EP1994493A1 (en) * | 2006-03-03 | 2008-11-26 | Koninklijke Philips Electronics N.V. | Identifying set of image characteristics for assessing similarity of images |
| US7912773B1 (en) * | 2006-03-24 | 2011-03-22 | Sas Institute Inc. | Computer-implemented data storage systems and methods for use with predictive model systems |
| US10201324B2 (en) | 2007-05-04 | 2019-02-12 | Delphinus Medical Technologies, Inc. | Patient interface system |
| US8870771B2 (en) * | 2007-05-04 | 2014-10-28 | Barbara Ann Karmanos Cancer Institute | Method and apparatus for categorizing breast density and assessing cancer risk utilizing acoustic parameters |
| CN101796559B (zh) * | 2007-09-04 | 2013-08-21 | 皇家飞利浦电子股份有限公司 | 基于接收器操作特性的训练 |
| WO2009077910A1 (en) * | 2007-12-14 | 2009-06-25 | Koninklijke Philips Electronics N.V. | Image analysis of brain image data |
| US20100063947A1 (en) * | 2008-05-16 | 2010-03-11 | Burnside Elizabeth S | System and Method for Dynamically Adaptable Learning Medical Diagnosis System |
| US8515862B2 (en) | 2008-05-29 | 2013-08-20 | Sas Institute Inc. | Computer-implemented systems and methods for integrated model validation for compliance and credit risk |
| AU2008363525B2 (en) * | 2008-10-31 | 2016-01-28 | Fundacio Institut Guttmann | Method and system to safely guide interventions in procedures the substrate whereof is neuronal plasticity |
| JP5517524B2 (ja) | 2009-08-10 | 2014-06-11 | キヤノン株式会社 | 医療診断支援装置、医療診断支援装置の制御方法およびプログラム |
| WO2011100691A1 (en) | 2010-02-12 | 2011-08-18 | Delphinus Medical Technologies, Inc. | Method of characterizing the pathological response of tissue to a treatmant plan |
| JP2013519455A (ja) | 2010-02-12 | 2013-05-30 | デルフィヌス メディカル テクノロジーズ，インコーポレイテッド | 患者の組織を特徴づける方法 |
| RU2460116C1 (ru) * | 2011-03-23 | 2012-08-27 | Федеральное государственное учреждение "Межотраслевой научно-технический комплекс "Микрохирургия глаза" им. акад. С.Н. Федорова Федерального агентства по высокотехнологичной медицинской помощи" | Автоматизированное рабочее место офтальмомикрохирурга по детской хирургии |
| US8577131B1 (en) | 2011-07-12 | 2013-11-05 | Google Inc. | Systems and methods for visual object matching |
| KR101910576B1 (ko) * | 2011-11-08 | 2018-12-31 | 삼성전자주식회사 | 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치 |
| US8788291B2 (en) | 2012-02-23 | 2014-07-22 | Robert Bosch Gmbh | System and method for estimation of missing data in a multivariate longitudinal setup |
| US9763641B2 (en) | 2012-08-30 | 2017-09-19 | Delphinus Medical Technologies, Inc. | Method and system for imaging a volume of tissue with tissue boundary detection |
| US10123770B2 (en) | 2013-03-13 | 2018-11-13 | Delphinus Medical Technologies, Inc. | Patient support system |
| EP3035850B1 (en) | 2013-08-20 | 2020-05-13 | Densitas Incorporated | Methods and systems for determining breast density |
| EP3069286A1 (en) | 2013-11-13 | 2016-09-21 | Koninklijke Philips N.V. | Hierarchical self-learning system for computerized clinical diagnostic support |
| US10143443B2 (en) | 2014-05-05 | 2018-12-04 | Delphinus Medical Technologies, Inc. | Method for representing tissue stiffness |
| US10743837B2 (en) | 2014-08-04 | 2020-08-18 | Delphinus Medical Technologies, Inc. | Ultrasound waveform tomography method and system |
| US10285667B2 (en) | 2014-08-05 | 2019-05-14 | Delphinus Medical Technologies, Inc. | Method for generating an enhanced image of a volume of tissue |
| US10706533B2 (en) | 2016-05-13 | 2020-07-07 | National Jewish Health | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification |
| US11432778B2 (en) * | 2017-01-24 | 2022-09-06 | General Electric Company | Methods and systems for patient monitoring |
| GB2567900A (en) * | 2017-10-31 | 2019-05-01 | Babylon Partners Ltd | A computer implemented determination method and system |
| EP3489861A1 (en) | 2017-11-24 | 2019-05-29 | Siemens Healthcare GmbH | Computer-based diagnostic system |
| CN108877924A (zh) * | 2018-03-30 | 2018-11-23 | 杭州依图医疗技术有限公司 | 一种哮喘概率的确定方法及装置 |
| US11049606B2 (en) | 2018-04-25 | 2021-06-29 | Sota Precision Optics, Inc. | Dental imaging system utilizing artificial intelligence |
| EP3564961A1 (en) | 2018-05-03 | 2019-11-06 | Koninklijke Philips N.V. | Interactive coronary labeling using interventional x-ray images and deep learning |
| CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
| JP7442964B2 (ja) * | 2018-09-26 | 2024-03-05 | キヤノンメディカルシステムズ株式会社 | 医用情報収集システム及び医用情報収集装置 |
| JP7086818B2 (ja) | 2018-10-29 | 2022-06-20 | 富士フイルム株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| US10997475B2 (en) * | 2019-02-14 | 2021-05-04 | Siemens Healthcare Gmbh | COPD classification with machine-trained abnormality detection |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4730259A (en) * | 1985-03-01 | 1988-03-08 | Gallant Stephen I | Matrix controlled expert system producible from examples |
| US4839807A (en) * | 1987-08-03 | 1989-06-13 | University Of Chicago | Method and system for automated classification of distinction between normal lungs and abnormal lungs with interstitial disease in digital chest radiographs |
| US4912647A (en) * | 1988-12-14 | 1990-03-27 | Gte Laboratories Incorporated | Neural network training tool |
| US4941122A (en) * | 1989-01-12 | 1990-07-10 | Recognition Equipment Incorp. | Neural network image processing system |
| JPH0660826B2 (ja) * | 1989-02-07 | 1994-08-10 | 動力炉・核燃料開発事業団 | プラントの異常診断方法 |
| US5046019A (en) * | 1989-10-13 | 1991-09-03 | Chip Supply, Inc. | Fuzzy data comparator with neural network postprocessor |
-
1991
- 1991-08-28 JP JP21751891A patent/JP3231810B2/ja not_active Expired - Fee Related
-
1993
- 1993-04-28 US US08/053,345 patent/US5463548A/en not_active Expired - Lifetime
-
1995
- 1995-04-14 US US08/422,172 patent/US5622171A/en not_active Expired - Lifetime
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008036068A (ja) * | 2006-08-04 | 2008-02-21 | Hiroshima Univ | 骨粗鬆症診断支援装置および方法、骨粗鬆症診断支援プログラム、骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体、骨粗鬆症診断支援用ｌｓｉ |
| KR20140042531A (ko) * | 2012-09-28 | 2014-04-07 | 삼성전자주식회사 | 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법 |
| KR101993716B1 (ko) | 2012-09-28 | 2019-06-27 | 삼성전자주식회사 | 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법 |
| WO2017095014A1 (ko) * | 2015-11-30 | 2017-06-08 | 임욱빈 | Dnn 학습을 이용한 세포이상 여부 진단시스템 및 그 진단관리 방법 |
| US10679751B2 (en) | 2015-11-30 | 2020-06-09 | Wook-Bin IM | Cell abnormality diagnosis system using DNN learning, and diagnosis management method of the same |
| CN106485054A (zh) * | 2016-09-21 | 2017-03-08 | 广东工业大学 | 基于bp神经网络算法的智能诊断用数据分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US5463548A (en) | 1995-10-31 |
| JPH04332548A (ja) | 1992-11-19 |
| US5622171A (en) | 1997-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3231810B2 (ja) | ニューラル・ネットワークを用いた鑑別診断支援方法 | |
| Üreten et al. | Detection of rheumatoid arthritis from hand radiographs using a convolutional neural network | |
| Elmore et al. | Variability in interpretive performance at screening mammography and radiologists’ characteristics associated with accuracy | |
| Asada et al. | Potential usefulness of an artificial neural network for differential diagnosis of interstitial lung diseases: pilot study. | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| Stevens et al. | Artificial neural networks can distinguish novice and expert strategies during complex problem solving | |
| CN108230311A (zh) | 一种乳腺癌检测方法及装置 | |
| Gupta | Pneumonia detection using convolutional neural networks | |
| CN109065171A (zh) | 基于集成学习的川崎病风险评估模型的构建方法及系统 | |
| Slovic et al. | Analyzing use of diagnostic signs | |
| WO2001026026A2 (en) | Local diagnostic and remote learning neural networks for medical diagnosis | |
| Wang et al. | MARnet: Multi-scale adaptive residual neural network for chest X-ray images recognition of lung diseases | |
| Al-Issa et al. | Pulmonary diseases decision support system using deep learning approach | |
| Kadhim et al. | Detection of COVID-19 in X-Rays by Convolutional Neural Networks | |
| Lejbkowicz et al. | Bone Browser a decision-aid for the radiological diagnosis of bone tumors | |
| Bharati et al. | Disease Detection from Lung X-ray Images Based on Hybrid Deep Learning | |
| Saglam et al. | COVID-19 Detection from X-ray Images Using a New CNN Approach | |
| Tang et al. | A neural network to pulmonary embolism aided diagnosis with a feature selection approach | |
| Kandukuri et al. | Heart Stroke Detection Using KNN Algorithm | |
| Lee et al. | Deep learning algorithms for detecting acute thoracic aortic dissection on plain chest radiography: a retrospective multicenter study | |
| CN112562851A (zh) | 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统 | |
| Kaur et al. | An Accurate Integrated System to detect Pulmonary and Extra Pulmonary Tuberculosis using Machine Learning Algorithms | |
| Shchetinin et al. | Automated detection of COVID-19 coronavirus infection based on analysis of chest X-ray images by deep learning methods | |
| Ravi et al. | ViDi: descriptive visual data clustering as radiologist assistant in COVID-19 streamline diagnostic | |
| Chetoui et al. | Efficient deep neural network for an automated detection of COVID-19 using CT images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080914 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080914 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090914 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |