JP5668090B2 - 医療診断支援装置及び医療診断支援方法 - Google Patents
医療診断支援装置及び医療診断支援方法 Download PDFInfo
- Publication number
- JP5668090B2 JP5668090B2 JP2013057306A JP2013057306A JP5668090B2 JP 5668090 B2 JP5668090 B2 JP 5668090B2 JP 2013057306 A JP2013057306 A JP 2013057306A JP 2013057306 A JP2013057306 A JP 2013057306A JP 5668090 B2 JP5668090 B2 JP 5668090B2
- Authority
- JP
- Japan
- Prior art keywords
- inference
- inference means
- information
- medical diagnosis
- diagnosis support
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Description
本発明は、医療診断支援装置及び医療診断支援方法に関する。
医療の分野では、X線CT装置やMRI等の撮影装置により得られた医用画像を医師が読影して診断を行う画像診断が行われている。画像診断では、主治医の読影の依頼に応じて、医師は画像から得られる所見(以下、「読影所見」と称する)や各種測定値を総合的に判断して画像に写る病変の症状を特定する。そして、その診断に至った経緯を読影所見や測定値を利用して、依頼元の主治医への読影レポートとしてまとめる。
このような画像診断を支援するための診断支援装置が開発されている。例えば、特許文献1には、入力済みの情報(以下、「入力情報」と称する)に基づき、推論手段を用いて推論結果を取得し、取得した推論結果に対して、否定的な情報と肯定的な情報を支援情報として提示する技術が記載されている。これにより、推論結果を提示するとともに、入力情報に基づく装置の推論結果の導出に影響した情報を提示することも可能としている。
このような装置に用いられる推論手段は一般的に機械学習技術を用いて構築されることが多い。この場合、訓練用のデータ(以下、「学習データ」と称する)を用いて推論手段を構築する。推論手段を構築する一般的な手法としては、推論手段を複数構築し、情報量基準のような推論手段の性能を評価する指標を用いて、最適な推論手段を選択することが行われる。一方、学習データは運用時に使われるデータ(以下、「追加データ」)と同じようなデータであるという仮定のもとに利用されるが、運用が進んでいくと追加データとの乖離が大きくなっていくことがある。そこで、追加データを用いて推論手段を再構築・更新し、追加データとの乖離を抑えようとする試みがなされている。例えば、特許文献2には、追加データから取得した推定値を用いて、推論手段を漸進的に適応させる技術が記載されている。
特許文献1は、構築済の推論手段を用いる技術であり、どのように推論手段を構築するかは開示されていない。この推論手段はその目的から、推論結果の導出に影響した情報として妥当性のある情報を提示するのが望ましい。また、運用時に追加データとの乖離を防ぐために、推論手段が定期的に更新されるのが望ましい。
しかしながら、一般的な推論手段の構築手法では推論手段の性能にのみ着目しており、どれだけ妥当性のある情報を提示できるかは考慮されていなかった。また、一般に推論手段の性能と、妥当性のある情報を提示できるかの能力はトレードオフの関係にあるといわれており、推論手段の性能のみに着目した場合は、両者を満足するような推論手段を構築することはむずかしかった。
ここで、特許文献2の技術を併用した場合は、定期的に推論手段の性能を満足するような推論手段を構築することはできるが、提示する情報にどれだけ妥当性があるかも考慮した推論手段を定期的に構築することはむずかしい。
上記課題に鑑み、本発明は推論手段の性能と提示する情報の妥当性を共に考慮し、推論手段を構築することが可能な医療診断支援技術の提供を目的とする。
上記目的を達成するため、本発明の一つの側面に係る医療診断支援装置は、学習データを取得する学習データ取得手段と、前記学習データを基に複数の推論手段候補を作成する推論手段候補作成手段と、前記学習データを基に、前記複数の推論手段候補の性能を評価する推論性能評価手段と、前記学習データを基に、前記複数の推論手段候補の夫々が提示する情報の妥当性を評価する情報妥当性評価手段と、前記複数の推論手段候補の性能と前記複数の推論手段候補の夫々が提示する情報の妥当性とを基に前記複数の推論手段候補から推論手段を選択する推論手段選択手段と、を備えることを特徴とする。
本発明によれば、推論手段の性能と提示する情報の妥当性を共に考慮した推論手段を構築することが出来る。また、運用開始後に推論手段を更新することにより、運用開始後も持続的に適切な情報を提示することが出来る。
以下、図面を参照して、実施形態に係る医療診断支援装置及び医療診断支援方法について説明する。ただし、実施形態に記載されている構成要素はあくまで例示であり、技術的範囲は、特許請求の範囲によって確定されるのであって、以下の個別の実施形態によって限定されるわけではない。
[第1実施形態]
第1実施形態に係る医療診断支援装置は、診断対象である症例に係る医用情報を入力情報として取得し、当該症例に係る診断支援を行う推論手段を構築する。
[第1実施形態]
第1実施形態に係る医療診断支援装置は、診断対象である症例に係る医用情報を入力情報として取得し、当該症例に係る診断支援を行う推論手段を構築する。
なお、以下では、医療診断支援装置を用いて、肺の異常陰影に係る複数の読影所見および過去の病歴や腫瘍マーカー値(以下、臨床情報と称する)を学習データ及び追加データとして取得するものとする。そして取得した情報を基に、異常陰影の異常の種類(診断名)を推論対象とし、推論結果や推論結果に影響する情報を提示するのに適した推論手段を構築する場合を例として説明する。
もちろん推論対象はこれに限定されるものではなく、以下に示す診断名や入力可能な読影所見、臨床情報などは、何れも医療診断支援装置の処理の工程を説明するための一例に過ぎない。
図1は、第1実施形態に係る医療診断支援装置の機能構成を示す図である。本実施形態における医療診断支援装置100は、症例データベース200に接続されている。
症例データベース200は、診断対象である症例に関して、肺の異常陰影に係る医用情報(医用画像や電子カルテの情報など)を不図示のサーバから取得する。或いは、外部記憶装置、例えば、FDD、HDD、CDドライブ、DVDドライブ、MOドライブ、ZIPドライブ等を接続し、それらのドライブからデータを取得するようにしてもよい。また、症例データベース200は、それぞれの症例に対して診断名と、診断の手掛かりとなった情報を蓄積する。これらの情報は、電子カルテや読影レポートなどから自動的に取得してもよいし、人手で付与してもよい。
医療診断支援装置100は、学習データ取得部102と、推論手段候補作成部104(推論手段候補作成手段)と、推論性能評価部106と、情報妥当性評価部108と、推論手段選択部110(推論手段選択手段)とを備える。
学習データ取得部102は、症例データベース200から、肺の異常陰影に係る複数の症例の医用情報、確定診断名、及び診断の手掛かりとなった情報を、LAN等を介して学習データとして取得する。学習データ取得部102は、取得した情報を、推論手段候補作成部104、推論性能評価部106、及び情報妥当性評価部108へと出力する。
推論手段候補作成部104は、学習データ取得部102が取得した学習データを基に、推論手段候補を複数作成する。推論手段候補作成部104は、作成した推論手段候補を、推論性能評価部106、情報妥当性評価部108、及び推論手段選択部110へと出力する。
推論性能評価部106は、学習データ取得部102が取得した学習データを基に、推論手段候補作成部104が作成した推論手段候補の夫々に対して推論性能を評価する。推論性能評価部106は評価した結果を推論手段選択部110へと出力する。
情報妥当性評価部108は、学習データ取得部102が取得した学習データを基に、推論手段候補作成部104が作成した推論手段候補の夫々に対して、推論手段候補が提示する情報の妥当性について評価する。情報妥当性評価部108は評価した結果を推論手段選択部110へと出力する。
推論手段選択部110は、推論手段候補作成部104が作成した推論手段候補から推論手段を選択する。具体的には、推論性能評価部106で評価した推論性能と、情報妥当性評価部108が評価した情報の妥当性とを基に、複数の推論手段候補から推論手段を選択する。
図2は、ソフトウェアを実行することで図1に示した各部の夫々の機能を実現するためのコンピュータの基本構成を示す図である。CPU1001は、主として各構成要素の動作を制御する。主メモリ1002は、CPU1001が実行する制御プログラムを格納したり、CPU1001によるプログラム実行時の作業領域を提供する。磁気ディスク1003は、オペレーティングシステム(OS)、周辺機器のデバイスドライブ、後述する処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ1004は、表示用データを一時的に記憶する。モニタ1005は、例えば、CRTモニタや液晶モニタ等であり、表示メモリ1004からのデータに基づいて画像やテキストなどの表示を行う。マウス1006及びキーボード1007は、ユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記の各構成要素は、共通バス1008により互いに通信可能に接続されている。
次に、図3のフローチャートを用いて、医療診断支援装置100が行う全体の処理を説明する。本実施形態では、CPU1001が主メモリ1002に格納されている各部の機能を実現するプログラムを実行することにより実現される。この処理は、一般にマルコフ連鎖モンテカルロ法と呼ばれる。
なお、以下の説明では、読影所見及び臨床情報名をIj(j=1〜m)で表し、m種類の読影所見及び臨床情報名I1〜Imを取り扱うものとする。そして、Ijが取りうるk個の状態をSjkと表記する。kの範囲はIjにより様々な値となる。本実施形態では、例として、図4に示したような読影所見及び臨床情報が取得可能であるものとする。さらに、夫々の読影所見及び臨床情報は図4に示したような状態を取ることが可能であるものとする。例えば、I1の「形状」は、異常陰影の形状を表しており、S11「球形」、S12「分葉状」、S13「不整形」の3状態を取る。I2の「切れ込み」は、異常陰影における切れ込みの程度を表している。また、Ilの「巻(気管支)」は、異常陰影における気管支の巻き込みの有無を表している。また、Imの「既往」は、過去に疾患の既往があったかどうかを表している。
また、以下の説明では、Sjkの集合をEと表記する。ただし、ある一つのIjの状態Sjkの集合Eの中には複数に該当するものが同時に存在しないものとする。例えば、I1がS11、S12、S13を、I2がS21、S22、S23、S24を取る場合、E = {S11, S21}は取りうるが、E ={S11, S12}は取ることが出来ない。これは一つの読影所見及び臨床情報は一つの状態のみを取るためである。また、以下の説明では、診断名を、記号Dを用いて表記する。本実施形態では、診断名として、原発性肺癌、癌の肺転移、その他の3値を取るものとし、それぞれD1、D2、D3と表記する。また、入力情報として集合Eが与えられた場合の診断名Dr(r=1, 2, 3)の推論確率を、P(Dr|E)と表記する。同様に、Eのサブセット(このサブセットは提示する情報を示す)をExと表記し、診断名Drに対するExの影響度をI(Dr|Ex)と表記する。
また、推論手段として、ベイジアンネットワーク、ニューラルネットワーク、サポートベクターマシンなど既存の様々な推論手法が利用できるが、本実施形態では、推論手段としてベイジアンネットワークを用いる。ベイジアンネットワークは条件付確率を用いたグラフ構造を有する推論モデルであり、入力情報が入力された場合の各診断名の推論確率(その事例が夫々の診断名である確率。事後確率ともいう)の取得が可能である。
図5は、I1〜Im及びDから構成されるベイジアンネットワークを例示する図である。各変数(I1〜Im及びD)はノード(図中丸)で表され、各ノードの関係はリンクと呼ばれる矢印で表される。この矢印の根元のノードを親ノードと呼び、矢印の先のノードを子ノードと呼ぶ。そして、親ノードと子ノードの関係は、親ノードを条件とする条件付確率で表される。ベイジアンネットワークでは、各変数への入力を基に変数間の条件付確率を用いた確率伝搬計算を行い、求めたい変数の事後確率を取得する。グラフ構造が変化すると、各変数の関係が変わり確率伝搬の経路も変わるため、最終的に取得される事後確率が異なってくる。本実施形態では、求める変数をDとし、Dの状態である異常陰影の診断名D1、D2、D3それぞれの確率を推論結果として取得する。また、推論手段候補として、グラフ構造が異なる複数のベイジアンネットワークを構築する。
さらに、以下の説明では、サブセットExの影響度に応じて、サブセットExが否定的な情報であるか肯定的な情報であるかを決定する。本実施形態では、入力が何もない場合の各診断名の確率(事前確率ともいう)と、サブセットExが入力された場合の推論確率と、サブセットExの要素数を用いて影響度を計算する。例えば、診断名Drに対するサブセットExの影響度I(Dr|Ex)を次式で算出する。ただし、P(Dr)は診断名Drの事前確率であり、C(Ex)はサブセットExの要素数である。
影響度I(Dr|Ex)が正、すなわち、サブセットExのみを入力した時の事後確率が事前確率より大きい場合は、サブセットExは診断名Drに対して肯定的な影響度を持つとする。一方、負の場合、すなわち、サブセットExのみを入力した時の事後確率が事前確率より小さい場合は、サブセットExは診断名Drに対して否定的な影響度を持つとする。また、影響度の絶対値が大きいほど肯定的/否定的な影響が強いものとする。本実施形態では提示する情報として、肯定的な情報を選択するものとする。なお、以上の影響度の算出方法、提示する情報の選択方法は、本実施形態における処理の一例であり、これに限定されるものではない。
ステップS3000において、学習データ取得部102は、症例データベース200から、肺の異常陰影に係る複数の症例の医用情報、確定診断名、及び診断の手掛かりとなった情報を、LAN等を介して学習データとして取得する。以下の例では、医用情報と、診断名、診断の手掛かりとなった情報を1000症例取得したものとする。
ステップS3010において、推論手段候補作成部104は、ステップS3000で取得した学習データを基に推論手段候補を作成する(推論手段候補作成工程)。本実施形態では、学習データに記載の読影所見及び臨床情報の情報名(すなわちIj)一覧を取得し、その一覧を基に現在のグラフ構造(以下、Scとする)に対し、改変を加え、仮のグラフ構造(以下、Stとする)を作成する。このSc、Stが推論手段候補に相当する。なお、ステップS3000からステップS3010へと処理が進んだ場合は、図5(a)のような情報名一覧(I1〜Im)とDからなるリンクのないグラフ構造をScとする。
グラフ構造の改編は、各ノード(すなわちI1〜Im及びD)に新たなリンクを一つ加えるか、ノード間のリンクを一つ選択し、リンクの反転または削除を行うものとする。図5(b)は図5(a)のグラフ構造に対して、DからI1へのリンクを新たに加えた例である。もちろんこの改変は一つの例であり、この操作に限定されない。
ただし、ベイジアンネットワークを用いる場合はグラフ構造内に循環部分があると確率伝搬計算が保証されないという問題がある(図5(c))。そのため、循環部分の検出を行い、循環部分がある場合は仮のグラフ構造を破棄し、もう一度作り直すのが望ましい。この循環部分の検出は、例えばKahnが提唱したアルゴリズムを用いることができる。
ステップS3020において、推論性能評価部106は、ステップS3000で取得した学習データを基に、ステップS3010で作成した仮のグラフ構造Stに対して推論性能を評価する。
本実施形態では、仮のグラフ構造Stに対して学習データを用いた5分割交差検定を行うことで推論性能を評価する。推論性能は、医用情報(すなわちI1〜Im)を用いて診断名(すなわちD)の推論を行い、確定診断名(すなわち正解)を推論できたかどうかの正解率により評価する。具体的には学習データの各症例の医用情報を入力情報Eとし、診断名を推論する。例えば、学習データのある症例の医用情報が『I1「形状」:S12「分葉状」、I2「切れ込み」:S22「強」、…、Il「巻(気管支)」:Sl1「有」、…、Im「既往」:Sm2「無」』だったとする。この場合、入力情報EはE = {S12, S21,…, Sl1,…, Sm2}となる。なお、入力情報Eを入力した時に推論される診断名は、D1、D2、D3のうち、最も事後確率が高いものとする。
その結果、1000症例中800症例で推論した診断名と確定診断名が一致した場合、推論性能は0.800となる。なお、正答率で評価するのはあくまでも一例であり、他の方法で推論性能を評価してもよい。例えば確定診断名の事後確率を用いて対数尤度を計算し、推論性能の評価として用いてもよい。
ステップS3030において、情報妥当性評価部108は、ステップS3000で取得した学習データを基に、ステップS3010で作成した仮のグラフ構造Stに対し情報の妥当性を評価する。
本実施形態では、各症例に対して異なる数の診断の手掛かりとなった情報が付与されているものとし(1〜7個)、仮のグラフ構造Stに対して学習データを用いた5分割交差検定を行うことで情報の妥当性を評価する。
なお、本実施形態ではサブセットExとして、要素が1〜2個の集合Eのサブセット全てを取得する。例えば、前述の例のE = {S12, S21,…, Sl1,・・・, Sm2}の場合、{S12}、{S21}、{S12, S21}、{S21, Sm2}など、合計m + mC2個のサブセットExが取得される。そして、仮のグラフ構造Stが提示する情報は(1)式による影響度において、0.05以上となるサブセットExの全てとする。
また、情報の妥当性は、F値と呼ばれる評価値で計算するものとする。F値は、適合率と再現率の調和平均を取ったものであり、適合率と再現率の両方を考慮した指標であり、0〜1の値を取る。F値が1に近いほど優れた性能であることを示す。適合率は、仮のグラフ構造Stが提示する情報の中にどれだけ診断の手掛かりとなった情報が含まれているかを示したものである。再現率は、診断の手掛かりとなった情報全体に対して、仮のグラフ構造Stがいくつ情報を提示できたかを評価する。このF値は次式で表される。ただし、F(St)は仮のグラフ構造StのF値を示し、N(St)は推論モデルが提示した情報の総数、R(St)は推論モデルが提示した情報で、診断の手掛かりとなった情報と一致した数、Callは診断の手掛かりとなった情報の総数を示す。
例として、1000症例の診断の手掛かりとなった情報の総数が3000個あった場合に、仮のグラフ構造Stが総数で5000個の情報を提示し、そのうち2000個が診断の手掛かりとなった情報と一致した場合を考える。この場合、仮のグラフ構造StのF値は、F(St) = 2×2000 / (5000 + 3000) = 0.500となる。
ステップS3040において、推論手段選択部110は、ステップS3010で作成した仮のグラフ構造Stと現在のグラフ構造Scから推論手段を選択する(推論手段選択工程)。具体的にはステップS3020で評価した仮のグラフ構造Stの推論性能と、ステップS3030で評価した仮のグラフ構造Stの情報の妥当性と、現在のグラフ構造Scの推論性能、情報の妥当性を基に比較し、推論手段を選択する。
本実施形態では、次式による評価値を用いて現在のグラフ構造Scと仮のグラフ構造Stとの比較を行う。ただし、V(S)はSの評価値であり、Vi(S)はSの推論性能、Vr(S)はSの情報の妥当性を示す。この例では、Vi(S)は正解率とし、Vr(S)はF値とするが、この例に限定されない。また、次式ではVi(S)とVr(S)の線形結合式となっているが、二つの要素を同時に用いていればよく非線形式であってもよい。
(3)式において、αとβは重みを示し、重みの値を変えることで、推論性能と情報の妥当性のどちらを重視するかを決めることができる。本実施形態では、Vi(S)とVr(S)がいずれも0〜1の値を取り、両方とも同程度重視したいため、α=β=0.500とする。例えば、正答率が0.800でF値が0.500の場合、評価値はV = 0.500×0.800 + 0.500×0.500 = 0.650となる。なお、本実施形態では、現在のグラフ構造Scの評価値については後述するステップS3050の処理により保存しておく。ただし、一度もステップS3050を通過していない場合は現在のグラフ構造Scの評価値は0とする。
本実施形態では、現在のグラフ構造Scと仮のグラフ構造Stの評価値を比較し、評価値の大きい方のグラフ構造を推論手段として選択する。ここで、仮のグラフ構造Stが現在のグラフ構造Scの評価値を上回っていない場合にのみ、一定の確率で仮のグラフ構造Stを選択する。もちろんこれは一つの例に過ぎず、この方法に限定されない。
確率Pmcは、例えば下式により計算する。
ここでγは減衰率を示し、0〜1の値を取る。また、itrは後述のステップS3050を通過した回数を示す。γが1より小さいため、itrが大きくなるほどexpのカッコ内は−∞に近づき、結果としてPmcは0に近づいていく。すなわち、後述のステップS3050の通過回数が少ない場合は大きな確率を取り、多い場合は小さな確率を取る。
ステップS3050において、医療診断支援装置100は、推論手段の構築を終了するかどうかを判定する。終了しないと判定した場合は、ステップS3040で選択した推論手段のグラフ構造を現在のグラフ構造Scとし、評価値を保存する。終了すると判定した場合は、推論手段の構築を終了する。
この判定は、種々の方法があるが、例えばステップS3040の比較において現在のグラフ構造Scの評価値が連続して上回った回数(すなわち、収束したことを示す)でもよいし、ステップS3050の通過回数でもよい。また、他の方法であってもよい。
図11は本実施形態の手法を用いて構築したグラフ構造を用いた医療診断支援装置による支援情報の提示の一例である。この医療診断支援装置では、各診断名の推論確率を円グラフで表示し、推論確率が一番高い診断名に対する肯定的な情報を支援情報として提示する。この支援情報に対し、医師が5段階(5:診断の参考になる、3:診断に影響を及ぼさない、1:診断の妨げになる)で主観評価を行ったところ、従来法(2.8)に比べ良好な結果(3.9)を得た。
本実施形態によれば、推論性能と情報の妥当性の両方を評価し、両方を同時に満たすような評価値を採用することで、推論性能を保ったまま情報の妥当性をも考慮した推論手段を構築・選択することができる。そのため、推論に影響した情報を提示する医療診断支援装置に適した推論手段を構築することができる。
(変形例1)
本実施形態では、ステップS3010において、ステップS3000からステップS3010へと処理が進んだ場合(すなわち、ステップS3050を一度も通過していない状態)は、図5(a)のようなリンクのないグラフ構造を初期のScとしていた。しかし、医師の知識などを基に作成したグラフ構造(例えば図5(d))を初期のScとしてもよい。
本実施形態では、ステップS3010において、ステップS3000からステップS3010へと処理が進んだ場合(すなわち、ステップS3050を一度も通過していない状態)は、図5(a)のようなリンクのないグラフ構造を初期のScとしていた。しかし、医師の知識などを基に作成したグラフ構造(例えば図5(d))を初期のScとしてもよい。
この場合は、ステップS3010で仮のグラフ構造Stを作成する前に、ステップS3020とステップS3030及びステップS3040で示した方法を用いて、Scの評価値を計算しておくのが望ましい。この評価値はステップS3040において、Scの評価値として用いるのが望ましい。
この方法によれば、医師の知識などに基づいたグラフ構造を初期値としているため、リンクのないグラフ構造を初期値とする場合に比べ、収束が早くなるという利点がある。また、リンクのないグラフ構造を初期値とする場合に比べ、過学習となりにくいという利点がある。
(変形例2)
本実施形態では、ステップS3010において、現在のグラフ構造Scに変更を加え仮のグラフ構造Stを作成し、ステップS3040で繰り返しグラフ構造の選択を行っていた。すなわち、前述のようにマルコフ連鎖モンテカルロ法を用いて推論手段の構築を行っていた。しかし、必ずしもこの方法に限定されない。
本実施形態では、ステップS3010において、現在のグラフ構造Scに変更を加え仮のグラフ構造Stを作成し、ステップS3040で繰り返しグラフ構造の選択を行っていた。すなわち、前述のようにマルコフ連鎖モンテカルロ法を用いて推論手段の構築を行っていた。しかし、必ずしもこの方法に限定されない。
例えば、遺伝的アルゴリズムを用いて推論手段の構築を行ってもよい。この場合は、ステップS3010においてグラフ構造を示す遺伝子を複数作成する。そしてステップS3020〜ステップS3040の処理を遺伝子で示されるグラフ構造夫々に適用する。さらにステップS3050において終了しないと判定した場合には、評価に応じて遺伝子の交差・変異の処理を経て、遺伝子の選択を行いステップS3010へと戻る。終了すると判定した場合には、遺伝子の中でもっともよい評価の遺伝子のグラフ構造を推論手段として選択し、終了する。
あるいは、ステップS3010で多数のグラフ構造を作成し、夫々に対してステップS3020〜ステップS3040により評価を行い、もっともよい評価のグラフ構造を選択してもよい。この場合はステップS3050の処理を行わずに終了する。なお、このグラフ構造の作成は手動で多数のグラフ構造を作成しておき、選択する方法であってもよい。
さらに、本実施形態では、ベイジアンネットワークを推論手段とし、推論手段候補としてグラフ構造を変化させていたが、その他の方法であってもよい。例えば、ベイジアンネットワーク、ニューラルネットワーク、決定木など様々な推論方法を推論手段候補とし、そのうちの一つを推論手段として選択する方法であってもよい。
(変形例3)
本実施形態では、ステップS3030において、各症例に対して付与された、診断の手掛かりとなった情報を用いて情報の妥当性を評価していた。しかし、必ずしもこの方法に限定されない。
本実施形態では、ステップS3030において、各症例に対して付与された、診断の手掛かりとなった情報を用いて情報の妥当性を評価していた。しかし、必ずしもこの方法に限定されない。
例えば、診断名ごとに手掛かりとなる情報を設定しておき、推論手段が提示する情報と、その症例の診断名に対する情報との類似性を利用して情報の妥当性を評価しても良い。あるいは、推論手段が提示する情報に対して主観評価を行い、その評価を情報の妥当性の評価としてもよい。
(変形例4)
本実施形態では、ステップS3040で示した評価式により推論手段を選択する際、重みのα、βの値を固定していた。しかし、必ずしもこの方法に限定されない。
本実施形態では、ステップS3040で示した評価式により推論手段を選択する際、重みのα、βの値を固定していた。しかし、必ずしもこの方法に限定されない。
例えば、推論性能あるいは情報の妥当性の評価値をもとに重みを変更してもよい。具体的には、推論性能が低いうちはαを大きくして推論性能を重視し、推論性能が高くなったらβを大きくして情報の妥当性を重視してもよい。
あるいは、反復回数(すなわち、ステップS3010を通過した回数)によって、α、βを変更しても良い。例えば、反復回数が少ないうちはαを大きくし、反復回数が多くなったらαを小さくしてもよい。
この方法によれば、重みを固定せずに推論手段を選択可能なため、より柔軟な推論手段の選択を行うことができる。
なお、ここで示した全ての変形例はこの他の実施形態にも適用することができる。
[第2実施形態]
本実施形態に関わる医療診断支援装置は、学習データに加え、運用時に得られたデータを追加データとして追加し、推論手段の更新(再構築)を行う。
本実施形態に関わる医療診断支援装置は、学習データに加え、運用時に得られたデータを追加データとして追加し、推論手段の更新(再構築)を行う。
なお、本施形態に係る医療診断支援装置の構成は第1実施形態における図1と同様である。また、ソフトウェアの実行によって医療診断支援装置100の各部の機能を実現するコンピュータの基本構成は、第1実施形態における図2と同様である。
次に、図6のフローチャートを用いて、医療診断支援装置100が行う全体の処理を説明する。ただし、このフローチャートで示したステップにおいて、第1実施形態と同じステップ番号のものは前述した処理と同様の処理を行う。ただし、ステップS3010に関しては、その処理の一部が第1実施形態とは異なっている。以下、追加された処理と第1実施形態との相違部分についてのみ説明する。
ステップS6000において、医療診断支援装置100は推論手段の構築を行う。この処理は、ステップS3000〜ステップS3050の処理により作られるものであり、詳細な処理は第1実施形態で説明した通りである。
ステップS6010において、医療診断支援装置100は、追加データの保存を行う。具体的には、ステップS6000で作成された推論手段を用いた診断支援装置の運用時に、電子カルテや読影レポートといった形で医用情報を不図示のサーバに保存する。そして、保存された情報に対して定期的に、病理検査の結果や人手により対応する確定診断名と診断の手掛かりとなった情報を付与し、症例データベース200に保存する。
ステップS6020において、医療診断支援装置100は追加データ取得処理を行い、症例データベース200から、運用開始前の学習データに加え、運用開始後に症例データベースに保存した症例を追加データとして取得する。
ステップS3010において、推論手段候補作成部104は、ステップS6020で取得したデータを基に推論手段候補を作成する。本実施形態では、ステップS3050を一度も通過していない場合は、ステップS6000で構築した推論手段のグラフ構造を現在のグラフ構造Scとして処理を行う。ただし、ステップS6000の処理におけるステップS3050の通過は無視する。
ステップS3020〜ステップS3050の処理は、学習データではなく、学習データと追加データを用いて評価すること以外は、前述した処理と同様の処理を行う。この場合、ステップS3040において推論手段の選択のために用いる評価式の重みは、ステップS6000で用いた重みを用いるのが望ましい。重みを可変にしていた場合は、Scを作成した場合の重みを保存しておき、それを初期値として用いてもよい。もちろん、重みを新たに設定してもよく、これらで挙げた例に限定されない。
また、後述の第4実施形態の方法を適用する場合は、それぞれの推論手段に関する重みを保存しておき、初期値として用いてもよい。
本実施形態によれば、運用開始後に集まったデータを用いて推論手段を更新することにより、追加データとの乖離が生じた時に、より適切な推論手段を持続的に適用することができる。なお、本実施形態の処理は予め定められたタイミングで定期的に行うことが望ましい。例えば、3か月に一度処理を行うことで、最適な医療診断支援装置を持続的に運用することが可能である。
(変形例1)
本実施形態では、ステップS6010において、ステップS6000で構築した推論手段を用いた診断支援装置の運用時の追加データを保存していた。しかしながら、必ずしも運用時のデータでなくてもよい。例えば、他施設のデータ(データベース)であってもよい。例えば、拠点Aのデータ(データベース)で構築した推論手段を拠点Bで用いる時に、拠点Bで蓄積されたデータ(データベース)を追加データとして加えて推論手段を再構築してもよい。
本実施形態では、ステップS6010において、ステップS6000で構築した推論手段を用いた診断支援装置の運用時の追加データを保存していた。しかしながら、必ずしも運用時のデータでなくてもよい。例えば、他施設のデータ(データベース)であってもよい。例えば、拠点Aのデータ(データベース)で構築した推論手段を拠点Bで用いる時に、拠点Bで蓄積されたデータ(データベース)を追加データとして加えて推論手段を再構築してもよい。
(変形例2)
本実施形態では、ステップS3010において、ステップS3050を一度も通過していない場合は、ステップS6000で構築した推論手段のグラフ構造を現在のグラフ構造Scとして処理を行っていた。しかし、その他の方法であってもよい。例えば、第1実施形態で示したようにリンクのないグラフ構造をScとしてもよいし、他の方法であってもよい。
本実施形態では、ステップS3010において、ステップS3050を一度も通過していない場合は、ステップS6000で構築した推論手段のグラフ構造を現在のグラフ構造Scとして処理を行っていた。しかし、その他の方法であってもよい。例えば、第1実施形態で示したようにリンクのないグラフ構造をScとしてもよいし、他の方法であってもよい。
なお、ここで示した変形例1、変形例2はこの他の実施形態にも適用することができる。
[第3実施形態]
本実施形態に関わる医療診断支援装置は、推論モデルの構造を考慮した推論手段の評価を行う。なお、本施形態に係る医療診断支援装置の構成は第1実施形態における図1と同様である。また、ソフトウェアの実行によって医療診断支援装置100の各部の機能を実現するコンピュータの基本構成は、第1実施形態における図2と同様である。
本実施形態に関わる医療診断支援装置は、推論モデルの構造を考慮した推論手段の評価を行う。なお、本施形態に係る医療診断支援装置の構成は第1実施形態における図1と同様である。また、ソフトウェアの実行によって医療診断支援装置100の各部の機能を実現するコンピュータの基本構成は、第1実施形態における図2と同様である。
次に、図7のフローチャートを用いて、医療診断支援装置100が行う全体の処理を説明する。ただし、このフローチャートで示したステップにおいて、第1実施形態と同じステップ番号のものは前述した処理と同様の処理を行う。ただし、ステップS3010乃至ステップS3040の処理の一部が第1実施形態とは異なっている。以下、追加された処理と第1実施形態との相違部分についてのみ説明する。
ステップS3000、及び、ステップS3010の処理は、第1実施形態における処理と同様である。
ステップS7000において、医療診断支援装置100のCPU1001は、仮のグラフ構造St内の各ノード間の距離を計算し、計算結果を保存する。本実施形態ではノード間の距離を、リンクの向きを無視した場合に最短で辿る場合のリンクの数とする。ただし、辿ることが出来ない場合には距離を∞とする。
図8にI1からImの距離を計算する具体例を示す。図8(a)ではI1からImに到達するには,I1−I2−D−Imというルートのみしかないため、距離は3となる。一方、図8(b)では、前述のルートの他にI1−Il−Imというルートがあるため、最短のルートを取り、距離は2となる。図8(c)では、I1からImに辿るルートはないため、距離は∞となる。この距離計算は、例えばワーシャル・フロイド法を用いて計算できる。
ステップS7010において、推論手段候補作成部104は、ステップS3010で作成した仮のグラフ構造Stと、ステップS7000で計算した距離の計算結果を基に計算用モデルSt’を作成する。具体的には、計算結果から診断ノードDと読影所見及び臨床情報の情報名を示す夫々のノード(I1〜Im)との距離が∞であるノードを取得する。そして、取得されたノード間にリンクがある場合は全て削除し、削除したグラフ構造をSt’とする。すなわち、仮のグラフ構造Stの一部のリンクを切断してSt’を作成する。例えば、図8(c)では、診断ノードDとの距離が∞のノードとして、IlとImが取得される。次に、IlとImの間にリンクがあるので削除する。最終的には図8(d)のようなグラフ構造になる。
ステップS3020において、推論性能評価部106は、ステップS3000で取得した学習データとステップS7000で計算した距離結果を基に、ステップS7010で作成した計算用モデルSt’の推論性能を評価する。
本実施形態では、診断名の事後確率を、入力情報Eから、診断名ノードから辿ることのできるノード(すなわち、距離が∞ではないノード)に対応する医用情報からなる情報E’を作成し、E’を用いて計算する。例えば、E = {S12, S21,・・・, Sl1,・・・, Sm2}の場合、診断名ノードから辿ることが出来ないIl(Sl1)とIm(Sm2)は除去され、E’= {S12, S21,・・・}が作成される。そして、E’を用いて、D1、D2、D3の事後確率を計算する。
以下、第1実施形態のステップS3020で説明した内容と同じ処理を行い、推論性能を評価する。なお、診断名ノードに接続されていないノード間のリンクは診断名の確率伝搬計算に影響しない。このため、Eを用いて評価した仮のグラフ構造Stの推論性能と、E’を用いて評価した仮のグラフ構造Stの推論性能、及びE’を用いて評価した計算用モデルSt’の推論性能はまったく同じとなる。計算コストは、無駄な確率伝搬計算を行わないため、E’を用いて計算用モデルSt’を評価した時が最も小さくなる。
ステップS7020において、医療診断支援装置100は、ステップS3020で取得した推論性能が閾値以上であるかどうかを判定する。閾値以上であればステップS3030へ進み、そうでなければ情報の妥当性の評価をせず、ステップS3040へと進む。
この閾値は、推論手段に求める推論性能の評価であることが望ましい。例えば、最低限求める推論性能が0.700の場合は、閾値を0.700にするのが望ましい。
ステップS3030において、情報妥当性評価部108は、ステップS3000で取得した学習データとステップS7000で計算した距離結果を基に、ステップS7010で作成した計算用モデルSt’に対し情報の妥当性を評価する。
本実施形態では、前述したE’及びステップS7000で計算した距離結果を基に、要素が1〜2個であるサブセットExを取得する。具体的には、診断ノードとの距離及び、要素が複数の場合は、要素間の距離を考慮してサブセットExを取得する。これは、グラフ構造を用いた確率伝搬計算において、要素間の距離が遠い場合に比べ近い場合の方が及ぼす影響が大きい傾向があることに基づいている。本実施形態では、E’の中で、診断ノードとの距離が3以下のIjを要素とするサブセットExを取得する。また、要素が複数の場合は、前述の条件を満たし、かつ、要素同士の距離が2以下であるサブセットExを取得する。
例えば、E’ = {S12,S21,S33,S41,S53,S61,S72}であり、計算用モデルSt’が図9に示すようなグラフ構造であった場合を考える。この場合は、Dとの距離が3以下である情報は、I1, I2, I3, I5, I6, I7なので、サブセットExとして{S12}、{S21}、{S33}、{S53}、{S61}、{S72}が取得される。上記条件を満たし、ノード同士が2以下の組み合わせは(I1,I2)、(I1,I3)、(I1,I5)、(I2,I3)、(I2,I5)、(I2,I6)、(I3,I5)、(I3, I7)、(I5,I6)、(I5,I7)、(I6,I7)の11個である。すなわち、サブセットExとして{S12, S21}、{S12, S33}、{S12, S53}、{S21, S33}、{S21, S53}、{S21, S61}、{S33, S53}、{S33, S72}、{S53, S61}、{S53, S72}、{S61,S72}が取得される。
以下、第1実施形態のステップS3030で説明した内容と同じ処理を行い、情報の妥当性を評価する。この処理により、検討するサブセットExの数が減り確率伝搬計算の回数が少なくなるため、計算コストを抑えることが期待できる。
ステップS3040において、推論手段選択部110は、ステップS3010で作成した計算用モデルSt’と現在のグラフ構造Scを基に推論手段を選択する。具体的にはステップS3020で評価したSt’の推論性能と、ステップS3030で評価したSt’の情報の妥当性と、Scの推論性能、情報の妥当性を基に比較し、推論手段を選択する。
比較方法に関しては、第1実施形態のステップS3040で説明した方法と同一である。ただし、ステップS7020の判定の結果、情報の妥当性を評価しなかった場合は、Vr(S)=0とする。
また、本実施形態では、比較の結果、計算用モデルSt’が選択された場合は、計算用モデルSt’を作成する基となった仮のグラフ構造Stを選択する。
ステップS3050の処理は、第1実施形態における処理と同様である。
本実施形態によれば、グラフ構造の改編や、情報の妥当性に用いる部分情報Exの数を根拠に基づいて削減することにより、性能を保ったまま計算コストを削減することが期待できる。従って、第2実施形態で示したような短い期間でモデルを再構築する場面において特に有用である。
(変形例1)
第3実施形態では、ステップS3030において、診断ノードと各情報ノードの距離と、各情報ノード間の距離に基づいてExの数を抑制していた。しかしながら、他の方法で抑制してもよい。
第3実施形態では、ステップS3030において、診断ノードと各情報ノードの距離と、各情報ノード間の距離に基づいてExの数を抑制していた。しかしながら、他の方法で抑制してもよい。
例えば、要素数がN個の部分情報で十分影響が大きい場合は、情報を組み合わせなくても影響が大きいため、その部分情報単独で推論結果の導出に影響した情報と見なせると判断し、要素の組み合わせの候補から除外するようにしてもよい。具体的には影響度に閾値を設け、閾値以上の影響度を持つ要素は、組み合わせの候補から除外する。この閾値は、例えば、仮のグラフ構造Stが提示する情報を決定する値の2倍とする。すなわち、影響度が0.05以上に提示する情報とする場合は、閾値を0.10とする。
例えば、前述の例で、{S12}の影響度が0.12、{S21}の影響度が0.04、{S33}の影響度が0.02、{S53}の影響度が0.11、{S61}の影響度が0.21、{S72}の影響度が0.05の場合を考える。この場合は、{S12}、{S53}、{S61}が閾値を超えているため組み合わせの候補から除外する。すなわち、{S21}、{S33}、{S72}から組み合わせを作成する。各ノードの距離を勘案すると、最終的に{S21,S33}、{S33, S72}が要素数2のサブセットExとして得られる。
さらに、ノードが直接接続するノードの数を用いてサブセットExの数を減らしてもよい。具体的には、完全な親子関係にあるノードは組み合わせの候補から除外してもよい。図10で示したグラフ構造を基に説明する。例えば、このグラフ構造においては、I1に情報が入力されると、I2に情報が入力されようがされまいが、確率伝搬計算結果は同じ結果となる。したがって、この場合はI1とI2の各状態の組み合わせによる部分情報は作成しないものとする。一方、I3、I6、I7において、I3とI7との組み合わせでは、I7はI6を通じてDに確率伝搬するため、この組み合わせによる部分情報は作成する。同様に、I6とI7との組み合わせも作成する。しかし、I3、I6、I7の組み合わせは、I3、I6に情報が入るとI7に情報が入力されようがされまいが、確率伝搬計算結果が同一になるため作成しない。
上記で挙げた操作によりさらにサブセットExの数を抑制することができる。従って、より短い期間でのモデルの再構築が期待できる。なお、ここで示した変形例1はこの他の実施形態にも適用することができる。
上記の実施形態によれば、推論手段の性能と提示する情報の妥当性を共に考慮し、推論手段を構築することができる。また、追加データを用いて、推論手段の性能と、提示する情報の妥当性を共に考慮して推論手段を定期的に更新し、運用開始後も適切な情報を提示することができる診断支援技術の提供が可能になる。
[第4実施形態]
本実施形態に係る医療診断支援装置は、種々のパラメータで作成した複数の推論手段を統合して最終的な推論手段の構築を行う。なお、本施形態に係る医療診断支援装置の構成は第1実施形態における図1と同様である。また、ソフトウェアの実行によって医療診断支援装置100の各部の機能を実現するコンピュータの基本構成は、第1実施形態における図2と同様である。
本実施形態に係る医療診断支援装置は、種々のパラメータで作成した複数の推論手段を統合して最終的な推論手段の構築を行う。なお、本施形態に係る医療診断支援装置の構成は第1実施形態における図1と同様である。また、ソフトウェアの実行によって医療診断支援装置100の各部の機能を実現するコンピュータの基本構成は、第1実施形態における図2と同様である。
次に、図12のフローチャートを用いて、医療診断支援装置100が行う全体の処理を説明する。ただし、このフローチャートで示したステップにおいて、第1実施形態及び第2実施形態と同じステップ番号のものは前述した処理と同様の処理を行う。ただし、ステップS6000の処理の一部が第2実施形態とは異なっている。以下、追加された処理と第2実施形態との相違部分についてのみ説明する。
ステップS12000において、医療診断支援装置100は、ステップS6000の推論手段の構築に必要なパラメータの設定を複数行う。例えば、ステップS3040で示した評価式の重みα、βの値や、グラフ構造の初期値、サブセットExの取得方法などである。もちろんパラメータは、ここで挙げた例に限定されない。
ステップS6000において、医療診断支援装置100は、ステップS12000で設定した複数のパラメータを用いてパラメータ毎に推論手段の構築を行う。図12のフローチャートでは推論手段の構築を並列で行っているが、順次構築処理を行ってもよい。
ステップS12010において、医療診断支援装置100は、ステップS6000で夫々構築された推論手段に対して重みを設定する。例えば、推論性能の値によって重みを付与してもよいし、情報の妥当性によって重みを付与してもよく、他の方法であってもよい。本実施形態では、全ての推論手段に対して重みを同一(すなわち、1)とする。
ステップS12020において、医療診断支援装置100は、ステップS6000で夫々構築された推論手段と、ステップS12010で夫々設定された重みを基に推論手段を統合する。
本実施形態では、それぞれの推論手段の推論確率(事後確率)及び影響度について、加重平均を取るような統合を行う。推論手段Suの事後確率をPu、影響度をIu、重みをWuとすると、統合した推論手段の事後確率Pと影響度Iは以下で示される。
例として、推論手段が3つで、各推論手段の重みが1の場合を考える。また、診断名Drの事後確率を計算するものとし、診断名Drに対するサブセットExの影響度を考える。各推論手段の事後確率がそれぞれ0.65、0.72、0.69の場合は、P=(1×0.63+1×0.72+1×0.69)/(1+1+1)=0.68となる。同様にExの影響度がそれぞれ0.25、−0.13、0.06の場合には、I=0.06となる。
本実施形態によれば、種々のパラメータで作成した複数の推論手段を統合して、一つの推論手段を構築することができる。これにより、種々のパラメータの得意・不得意な分野を補う、より有用な推論手段の構築が期待できる。
(変形例1)
本実施形態では、ステップS12010において、推論性能および/または推論情報の妥当性の評価値を利用した重みの設定、あるいは、均等な重みの設定をしていた。しかしながら他の方法であってもよい。
本実施形態では、ステップS12010において、推論性能および/または推論情報の妥当性の評価値を利用した重みの設定、あるいは、均等な重みの設定をしていた。しかしながら他の方法であってもよい。
例えば、医師により各々の推論手段を主観評価し、その主観評価により重みを設定してもよい。例えば、主観評価により順位を付け、その逆数を重みとしてもよい。つまり、1位となった推論手段の重みは1/1=1、2位となった推論手段の重みは1/2…、としてもよい。あるいは医師がもっともよい主観評価をつけた推論手段のみを採用しても良い。この場合は、もっともよい主観評価をつけた推論手段の重みを1に、その他の推論手段の重みを0にすることに相当する。また、この医師による主観評価は、複数の医師の合議で決定してもよいし、複数の医師の評価を勘案して決定しても良い。
この方法によれば、ユーザである医師にとって評価が高い推論手段の重みを高く設定することができる。これにより、より医師にとって有用な情報を呈する推論手段の構築が期待できる。
(変形例2)
本実施形態では、設定した複数のパラメータごとにステップS6000で推論手段を構築し、それらの推論手段に重みを設定して統合し、一つの推論手段を構築していた。しかしながら他の方法であってもよい。
本実施形態では、設定した複数のパラメータごとにステップS6000で推論手段を構築し、それらの推論手段に重みを設定して統合し、一つの推論手段を構築していた。しかしながら他の方法であってもよい。
例えば、第1の実施形態で示したステップS3010において複数の推論手段候補を作成し、ステップS3050で複数の推論手段候補に夫々重みを設定して統合し、一つの推論手段候補としてもよい。
なお、ここで示した変形例1、変形例2はこの他の実施形態にも適用することができる。
(その他の実施形態)
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
Claims (20)
- 学習データを取得する学習データ取得手段と、
前記学習データを基に複数の推論手段候補を作成する推論手段候補作成手段と、
前記学習データを基に、前記複数の推論手段候補の性能を評価する推論性能評価手段と、
前記学習データを基に、前記複数の推論手段候補の夫々が提示する情報の妥当性を評価する情報妥当性評価手段と、
前記複数の推論手段候補の性能と前記複数の推論手段候補の夫々が提示する情報の妥当性とを基に前記複数の推論手段候補から推論手段を選択する推論手段選択手段と、
を備えることを特徴とする医療診断支援装置。 - 前記推論手段候補作成手段は、種々の推論手法を推論手段候補として作成することを特徴とする請求項1に記載の医療診断支援装置。
- 前記推論手段候補作成手段は、グラフ構造が異なるベイジアンネットワークを推論手段候補として作成することを特徴とする請求項1または2に記載の医療診断支援装置。
- 前記推論手段候補作成手段は、現在の推論手段候補を改変することにより仮の推論手段候補を作成し、
前記推論手段選択手段は、前記現在の推論手段候補と前記仮の推論手段候補から夫々の前記性能と前記情報の妥当性を基に推論手段候補を選択し、収束条件を満たさない場合は選択した推論手段候補を前記現在の推論手段候補とし、
前記推論手段候補作成手段の処理から前記推論手段選択手段の処理を繰り返す繰り返し処理を行うことを特徴とする請求項1に記載の医療診断支援装置。 - 前記繰り返し処理における、前記推論手段候補の改変および前記推論手段候補の選択は、マルコフ連鎖モンテカルロ法を用いて行うことを特徴とする請求項4に記載の医療診断支援装置。
- 前記繰り返し処理における、前記推論手段候補の改変および前記推論手段候補の選択は、遺伝的アルゴリズムを用いて行うことを特徴とする請求項4に記載の医療診断支援装置。
- 追加データを取得する追加データ取得手段を更に備え、
前記推論性能評価手段は、前記学習データと前記追加データとを基に前記複数の推論手段候補の性能を評価し、
前記情報妥当性評価手段は、前記学習データと前記追加データとを基に前記複数の推論手段候補の夫々が提示する情報を評価することを特徴とする請求項1乃至6のいずれか1項に記載の医療診断支援装置。 - 前記追加データ取得手段により取得される前記追加データは、前記医療診断支援装置を運用時に得られたデータであることを特徴とする請求項7に記載の医療診断支援装置。
- 前記追加データ取得手段は前記追加データを予め定められたタイミングで取得することを特徴とする請求項7または8に記載の医療診断支援装置。
- 前記追加データ取得手段は前記追加データを前記学習データが取得されたデータベースとは異なるデータベースから取得することを特徴とする請求項7乃至9のいずれか1項に記載の医療診断支援装置。
- 前記推論手段選択手段は、前記性能の評価を示す第一の評価値と前記妥当性の評価を示す第二の評価値とに基づく第三の評価値で前記推論手段を選択し、
前記推論手段選択手段は、前記推論手段候補の性能に基づいて前記第一の評価値と前記第二の評価値との重み付けを変えて前記第三の評価値を得ることを特徴とする請求項1乃至10のいずれか1項に記載の医療診断支援装置。 - 前記情報妥当性評価手段は、前記推論手段候補の性能が閾値を超えない場合、前記情報の妥当性の評価を行わないことを特徴とする請求項1乃至11のいずれか1項に記載の医療診断支援装置。
- 前記推論手段候補作成手段は、前記グラフ構造における診断ノードとの距離を基にグラフ構造を改変することを特徴とする請求項3に記載の医療診断支援装置。
- 前記グラフ構造に応じて作成された医用情報の部分情報を基に医療診断を支援する情報を提示する提示手段を更に備えることを特徴とする請求項3に記載の医療診断支援装置。
- 前記グラフ構造における診断ノードとの距離を基に前記部分情報を作成する作成手段を更に備えることを特徴とする請求項14に記載の医療診断支援装置。
- 前記作成手段は前記グラフ構造におけるノード間の距離を基に前記部分情報を作成することを特徴とする請求項15に記載の医療診断支援装置。
- 前記推論手段候補作成手段は、異なるパラメータを用いて作成した複数の推論手段に重みを設定し、重みを基に複数の推論手段候補を統合した推論手段を構築することを特徴とする請求項1に記載の医療診断支援装置。
- 前記推論手段候補作成手段は、前記学習データと特定の推論手段とを基に複数の推論手段候補を作成し、
前記推論手段選択手段は、前記特定の推論手段の性能と前記特定の推論手段の提示する情報の妥当性、および、前記複数の推論手段候補の性能と前記複数の推論手段候補の夫々が提示する情報の妥当性、を基に前記特定の推論手段と前記複数の推論手段候補から推論手段を選択し、選択した前記推論手段と前記特定の推論手段とを入れ替え、
収束条件を満足しない場合は、前記推論手段候補作成手段の処理から前記推論手段選択手段の処理を繰り返し行い、前記収束条件を満足した場合は、前記推論手段選択手段は、入れ替えられた前記特定の推論手段を最終的な推論手段として選択することを特徴とする請求項1乃至17のいずれか1項に記載の医療診断支援装置。 - 学習データを取得する学習データ取得手段と、
前記学習データと特定の推論手段とを基に複数の推論手段候補を作成する推論手段候補作成手段と、
前記学習データを基に、前記複数の推論手段候補の性能を評価する推論性能評価手段と、
前記学習データを基に、前記複数の推論手段候補の夫々が提示する情報の妥当性を評価する情報妥当性評価手段と、
前記特定の推論手段の性能と前記特定の推論手段の提示する情報の妥当性、および、前記複数の推論手段候補の性能と前記複数の推論手段候補の夫々が提示する情報の妥当性を基に前記特定の推論手段と前記複数の推論手段候補から推論手段を選択し、選択した前記推論手段と前記特定の推論手段とを入れ替える推論手段選択手段と、を備え、
収束条件を満足しない場合は、前記推論手段候補作成手段から前記推論手段選択手段の処理を繰り返し行い、前記収束条件を満足した場合は、前記推論手段選択手段は、入れ替えられた前記特定の推論手段を最終的な推論手段として選択することを特徴とする医療診断支援装置。 - 医療診断支援装置の医療診断支援方法であって、
学習データ取得手段が、学習データを取得する学習データ取得工程と、
推論手段候補作成手段が、前記学習データを基に複数の推論手段候補を作成する推論手段候補作成工程と、
推論性能評価手段が、前記学習データを基に、前記複数の推論手段候補の性能を評価する推論性能評価工程と、
情報妥当性評価手段が、前記学習データを基に、前記複数の推論手段候補の夫々が提示する情報の妥当性を評価する情報妥当性評価工程と、
推論手段選択手段が、前記複数の推論手段候補の性能と前記複数の推論手段候補の夫々が提示する情報の妥当性とを基に前記複数の推論手段候補から推論手段を選択する推論手段選択工程と、
を有することを特徴とする医療診断支援方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013057306A JP5668090B2 (ja) | 2013-01-09 | 2013-03-19 | 医療診断支援装置及び医療診断支援方法 |
EP14150198.1A EP2755154A3 (en) | 2013-01-09 | 2014-01-06 | Information processing apparatus, generating method, medical diagnosis support apparatus, and medical diagnosis support method |
US14/147,898 US9715657B2 (en) | 2013-01-09 | 2014-01-06 | Information processing apparatus, generating method, medical diagnosis support apparatus, and medical diagnosis support method |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013002094 | 2013-01-09 | ||
JP2013002094 | 2013-01-09 | ||
JP2013057306A JP5668090B2 (ja) | 2013-01-09 | 2013-03-19 | 医療診断支援装置及び医療診断支援方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014147659A JP2014147659A (ja) | 2014-08-21 |
JP5668090B2 true JP5668090B2 (ja) | 2015-02-12 |
Family
ID=49949493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013057306A Active JP5668090B2 (ja) | 2013-01-09 | 2013-03-19 | 医療診断支援装置及び医療診断支援方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9715657B2 (ja) |
EP (1) | EP2755154A3 (ja) |
JP (1) | JP5668090B2 (ja) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2506173B1 (en) * | 2011-03-28 | 2020-01-01 | Canon Kabushiki Kaisha | Medical diagnosis support apparatus and medical diagnosis support method |
JP6021346B2 (ja) * | 2012-02-14 | 2016-11-09 | キヤノン株式会社 | 診断支援装置及びその制御方法 |
JP6071338B2 (ja) * | 2012-08-30 | 2017-02-01 | キヤノン株式会社 | 医療診断支援装置、医療診断支援方法及びプログラム |
CA2951600C (en) * | 2014-08-04 | 2022-12-06 | Ventana Medical Systems, Inc. | Image analysis system using context features |
US11213220B2 (en) | 2014-08-11 | 2022-01-04 | Cubisme, Inc. | Method for determining in vivo tissue biomarker characteristics using multiparameter MRI matrix creation and big data analytics |
JP6397277B2 (ja) | 2014-09-05 | 2018-09-26 | キヤノン株式会社 | 読影レポート作成のための支援装置およびその制御方法 |
JP6532287B2 (ja) | 2015-05-14 | 2019-06-19 | キヤノン株式会社 | 医療診断支援装置、情報処理方法及びプログラム |
US9922433B2 (en) | 2015-05-29 | 2018-03-20 | Moira F. Schieke | Method and system for identifying biomarkers using a probability map |
JP6738163B2 (ja) | 2016-03-01 | 2020-08-12 | キヤノン株式会社 | 診断支援装置、診断支援装置が実行する方法及びプログラム |
US10776963B2 (en) | 2016-07-01 | 2020-09-15 | Cubismi, Inc. | System and method for forming a super-resolution biomarker map image |
US20190311810A1 (en) * | 2016-12-12 | 2019-10-10 | Koninklijke Philips N.V. | System and method for facilitating computational analysis of a health condition |
US11056241B2 (en) | 2016-12-28 | 2021-07-06 | Canon Medical Systems Corporation | Radiotherapy planning apparatus and clinical model comparison method |
WO2018128091A1 (ja) | 2017-01-05 | 2018-07-12 | コニカミノルタ株式会社 | 画像解析プログラム及び画像解析方法 |
CN106874655B (zh) * | 2017-01-16 | 2018-12-14 | 西北工业大学 | 基于多标记学习和贝叶斯网络的中医症型分类预测方法 |
US11232853B2 (en) | 2017-04-21 | 2022-01-25 | Cubisme, Inc. | System and method for creating, querying, and displaying a MIBA master file |
JP6463572B1 (ja) * | 2017-07-24 | 2019-02-06 | アクシオンリサーチ株式会社 | 対象システムの内部状態を推定する支援システム |
JP6659647B2 (ja) * | 2017-09-29 | 2020-03-04 | ファナック株式会社 | 数値制御システム及び逆流防止弁状態検知方法 |
JP7224757B2 (ja) * | 2017-10-13 | 2023-02-20 | キヤノン株式会社 | 診断支援装置、情報処理方法、診断支援システム及びプログラム |
KR101929752B1 (ko) * | 2018-05-30 | 2018-12-17 | (주)제이엘케이인스펙션 | 인공지능 기반 의료기기의 임상적 유효성 평가 방법 및 시스템 |
CN112740238A (zh) * | 2018-09-28 | 2021-04-30 | 三菱电机株式会社 | 推理装置、推理方法和推理程序 |
JP7451156B2 (ja) * | 2019-12-04 | 2024-03-18 | キヤノンメディカルシステムズ株式会社 | 診療支援装置 |
KR102158181B1 (ko) * | 2020-02-25 | 2020-09-22 | 경기대학교 산학협력단 | 이미지 분석 기반 인공 지능 자동탐지기기의 자동탐지 성능인증 평가 장치 및 방법 |
JP7443109B2 (ja) | 2020-03-19 | 2024-03-05 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、医用情報処理方法及びプログラム |
FI20205945A1 (en) * | 2020-09-30 | 2022-03-31 | Avaintec Oy | Enabling the use of big data in a service |
CN113506602B (zh) * | 2021-07-29 | 2023-09-01 | 深圳万海思数字医疗有限公司 | 远程医疗平台医生调度方法和装置 |
US11755592B2 (en) * | 2021-08-25 | 2023-09-12 | International Business Machines Corporation | Data search with automated selection of artificial intelligence inference models and inference label indexing |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06231107A (ja) * | 1992-12-10 | 1994-08-19 | Hitachi Ltd | 学習方法 |
JPH1074188A (ja) * | 1996-05-23 | 1998-03-17 | Hitachi Ltd | データ学習装置およびプラント制御装置 |
JP3670500B2 (ja) * | 1998-11-18 | 2005-07-13 | 株式会社東芝 | 判断規則修正装置及び判断規則修正方法 |
JP2001109733A (ja) * | 1999-10-12 | 2001-04-20 | Hitachi Ltd | 識別モデルの評価方法及び閾値調整方法 |
US7095979B2 (en) * | 2001-04-20 | 2006-08-22 | Educational Testing Service | Method of evaluation fit of raw data to model data |
US7224281B2 (en) * | 2001-08-31 | 2007-05-29 | Draeger Medical Systems, Inc. | Patient monitoring and alarm processing system and user interface |
US7458936B2 (en) | 2003-03-12 | 2008-12-02 | Siemens Medical Solutions Usa, Inc. | System and method for performing probabilistic classification and decision support using multidimensional medical image databases |
US7529394B2 (en) | 2003-06-27 | 2009-05-05 | Siemens Medical Solutions Usa, Inc. | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system |
JP4578125B2 (ja) * | 2004-03-11 | 2010-11-10 | 学校法人明治大学 | ファジィ推論モデルの最適化方法及びシステム |
JP2010503057A (ja) * | 2006-08-28 | 2010-01-28 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 心臓血管機能をエミュレートする動的ベイジアン・ネットワーク |
CN101512567B (zh) * | 2006-08-28 | 2015-04-22 | 皇家飞利浦电子股份有限公司 | 从确定性模型中导出概率模型的方法和装置 |
US9799098B2 (en) * | 2007-04-24 | 2017-10-24 | Massachusetts Institute Of Technology | Method and apparatus for image processing |
US8655817B2 (en) | 2008-02-20 | 2014-02-18 | Digital Medical Experts Inc. | Expert system for determining patient treatment response |
EP2338122B1 (en) | 2008-09-26 | 2018-12-05 | Koninklijke Philips N.V. | System and method for fusing clinical and image features for computer-aided diagnosis |
EP2224371A1 (en) | 2009-02-27 | 2010-09-01 | Honda Research Institute Europe GmbH | Artificial vision system and method for knowledge-based selective visual analysis |
JP5582707B2 (ja) | 2009-02-27 | 2014-09-03 | キヤノン株式会社 | 医療意志決定支援装置及びその制御方法 |
EP2419849B1 (en) * | 2009-04-15 | 2017-11-29 | Koninklijke Philips N.V. | Clinical decision support systems and methods |
JP2010252989A (ja) * | 2009-04-23 | 2010-11-11 | Canon Inc | 医用診断支援装置及びその制御方法 |
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 |
US11562323B2 (en) | 2009-10-01 | 2023-01-24 | DecisionQ Corporation | Application of bayesian networks to patient screening and treatment |
JP5340204B2 (ja) | 2010-03-01 | 2013-11-13 | キヤノン株式会社 | 推論装置、その制御方法およびプログラム |
WO2012049741A1 (ja) * | 2010-10-13 | 2012-04-19 | 株式会社日立製作所 | 医用画像表示装置、医用情報管理サーバ |
JP5728212B2 (ja) | 2010-11-30 | 2015-06-03 | キヤノン株式会社 | 診断支援装置、診断支援装置の制御方法、およびプログラム |
EP2506173B1 (en) | 2011-03-28 | 2020-01-01 | Canon Kabushiki Kaisha | Medical diagnosis support apparatus and medical diagnosis support method |
KR20130082849A (ko) * | 2011-12-20 | 2013-07-22 | 삼성전자주식회사 | 진단 근거를 제공하는 의료영상 진단 장치 및 방법 |
JP5967968B2 (ja) | 2012-02-14 | 2016-08-10 | キヤノン株式会社 | 医療診断支援システム、医療診断支援装置、情報処理方法、及びプログラム |
-
2013
- 2013-03-19 JP JP2013057306A patent/JP5668090B2/ja active Active
-
2014
- 2014-01-06 EP EP14150198.1A patent/EP2755154A3/en not_active Withdrawn
- 2014-01-06 US US14/147,898 patent/US9715657B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP2755154A3 (en) | 2017-06-14 |
US9715657B2 (en) | 2017-07-25 |
EP2755154A2 (en) | 2014-07-16 |
US20140195472A1 (en) | 2014-07-10 |
JP2014147659A (ja) | 2014-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5668090B2 (ja) | 医療診断支援装置及び医療診断支援方法 | |
Zhou et al. | Bayesian network approach to multinomial parameter learning using data and expert judgments | |
JP6004084B2 (ja) | モデル更新方法、装置、およびプログラム | |
JP6016406B2 (ja) | 医療診断支援装置及び医療診断支援方法及び入力支援システム | |
JP6021346B2 (ja) | 診断支援装置及びその制御方法 | |
JP5340204B2 (ja) | 推論装置、その制御方法およびプログラム | |
Hsu et al. | A new hybrid case-based architecture for medical diagnosis | |
Nunn et al. | Phylogenetic prediction to identify “evolutionary singularities” | |
Zhou et al. | How do tumor cytogenetics inform cancer treatments? dynamic risk stratification and precision medicine using multi-armed bandits | |
Kappelhof et al. | Evolutionary algorithms and decision trees for predicting poor outcome after endovascular treatment for acute ischemic stroke | |
Ferrettini et al. | Coalitional strategies for efficient individual prediction explanation | |
Christensen | Towards a network psychometrics approach to assessment: Simulations for redundancy, dimensionality, and loadings | |
Feuillâtre et al. | Similarity measures and attribute selection for case-based reasoning in transcatheter aortic valve implantation | |
Kalantari et al. | The unreasonable effectiveness of inverse reinforcement learning in advancing cancer research | |
Fansi Tchango et al. | Towards trustworthy automatic diagnosis systems by emulating doctors' reasoning with deep reinforcement learning | |
Babayoff et al. | Surgery duration: optimized prediction and causality analysis | |
JP6220435B2 (ja) | 診断支援装置及びその制御方法 | |
Ji et al. | ACOEC-FD: Ant colony optimization for learning brain effective connectivity networks from functional MRI and diffusion tensor imaging | |
JP6738163B2 (ja) | 診断支援装置、診断支援装置が実行する方法及びプログラム | |
Ameljańczyk | Multicriteria similarity models for medical diagnostic support algorithms | |
JP2006318128A (ja) | 生体シミュレーションシステム及びコンピュータプログラム | |
Mueller et al. | Subgroup discovery for test selection: a novel approach and its application to breast cancer diagnosis | |
Mandal et al. | Reconstruction of dominant gene regulatory network from microarray data using rough set and bayesian approach | |
Jun et al. | Medical data science in rhinology: Background and implications for clinicians | |
Li et al. | White learning methodology: A case study of cancer-related disease factors analysis in real-time PACS environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140523 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20141114 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20141215 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5668090 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |