JP5785631B2 - Information processing apparatus, control method therefor, and computer program - Google Patents

Information processing apparatus, control method therefor, and computer program Download PDF

Info

Publication number
JP5785631B2
JP5785631B2 JP2014033308A JP2014033308A JP5785631B2 JP 5785631 B2 JP5785631 B2 JP 5785631B2 JP 2014033308 A JP2014033308 A JP 2014033308A JP 2014033308 A JP2014033308 A JP 2014033308A JP 5785631 B2 JP5785631 B2 JP 5785631B2
Authority
JP
Japan
Prior art keywords
inference
result
information processing
display
data
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
Application number
JP2014033308A
Other languages
Japanese (ja)
Other versions
JP2014135066A (en
Inventor
義夫 飯塚
義夫 飯塚
亮 石川
亮 石川
佐藤 清秀
清秀 佐藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Inc
Original Assignee
Canon Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Inc filed Critical Canon Inc
Priority to JP2014033308A priority Critical patent/JP5785631B2/en
Publication of JP2014135066A publication Critical patent/JP2014135066A/en
Application granted granted Critical
Publication of JP5785631B2 publication Critical patent/JP5785631B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • User Interface Of Digital Computer (AREA)

Description

本発明は情報処理装置及びその制御方法、コンピュータプログラムに関し、特に、属性が既知のデータを学習し属性が未知のデータの属性を推論する推論技術に関する。   The present invention relates to an information processing apparatus, a control method therefor, and a computer program, and more particularly to an inference technique for learning data with known attributes and inferring attributes of data with unknown attributes.

コンピュータを用いたデータ処理技術の一つとして、既知の事象から抽出した知識に基づいて、未知の事象を推論する推論技術が知られている。未知の事象を推論する推論装置の多くは、教師付き学習によって推論に用いる知識を得ている。教師付き学習とは、データの特性をあらわす特性値と共に求めたいデータの属性が与えられたデータ(すなわち、属性が既知であるデータ(既知データ))を用いて、属性と特性値との間の対応関係(知識)を学習する手法である。なお、特性値は「観測値」と呼ばれる場合もあり、データの属性は「クラス」や「ラベル」と呼ばれる場合もある。教師付き学習によって得られた知識を用いて、推論装置は、属性が未知のデータ(未知データ)に対して、その未知データの特性値から属性を推論する。従って、教師付き学習で得られた知識の良し悪しが、その知識を用いた推論装置の推論精度に大きく影響する。   As one of data processing techniques using a computer, an inference technique for inferring an unknown event based on knowledge extracted from a known event is known. Many inference devices that infer unknown events obtain knowledge used for inference by supervised learning. Supervised learning refers to data between attributes and characteristic values using data given the attributes of the data you want to find along with characteristic values that represent the characteristics of the data (that is, data with known attributes (known data)). This is a method for learning correspondence (knowledge). The characteristic value may be referred to as “observation value”, and the data attribute may be referred to as “class” or “label”. Using the knowledge obtained by supervised learning, the inference apparatus infers an attribute from the characteristic value of the unknown data for the data whose attribute is unknown (unknown data). Therefore, the quality of knowledge obtained by supervised learning greatly affects the inference accuracy of the inference apparatus using the knowledge.

従来の推論装置では、既知データの分布と未知データの分布が等しいことを前提にして教師付き学習を行っていた。それゆえ、十分多い数の既知データを用いて既知データの分布を正確に学習できれば、未知データの属性を精度良く推論できると考えられていた。   Conventional reasoning apparatuses perform supervised learning on the assumption that the distribution of known data is equal to the distribution of unknown data. Therefore, it has been considered that if a sufficiently large number of known data can be used to accurately learn the distribution of the known data, the attributes of the unknown data can be accurately inferred.

また、特許文献1には、推論手法の異なる複数の推論装置の推論結果を重み付けして融合することにより、単一の推論装置を用いた場合よりも適正な推論結果を取得することが記載されている。   Patent Document 1 describes that a reasoning result that is more appropriate than the case of using a single reasoning device is obtained by weighting and merging the reasoning results of a plurality of reasoning devices having different inference methods. ing.

一方、近年、医療分野では推論装置を用いて診断支援を行う試みがあり、例えば病変部の特性値を入力として、その属性(診断名など)を推論する技術が検討されている。   On the other hand, in recent years, there have been attempts to support diagnosis using an inference device in the medical field. For example, a technique for inferring an attribute (such as a diagnosis name) using a characteristic value of a lesioned part as an input has been studied.

特開平07−281898号公報Japanese Patent Laid-Open No. 07-281898

しかし、病変部の属性を推論するための推論装置を学習させるに当たって、十分な数の既知データが得られないことがある。さらに、医療機器の改良によって病変部の特性値の取得手法が変化したり、時代や環境の変化と共に病変自体の特性や発生確率が変化したりすることがある。こうした理由により、推論装置の学習結果は必ずしも十分なものとは限らず、かつ当初の推論精度がそのまま一定レベルで維持される保証もない。それゆえ、ユーザ(医師)は推論装置の推論結果をどの程度信用してよいかわからず、推論装置の推論結果は信用できないと考える医師もおり、推論装置を有効利用できないという課題があった。   However, a sufficient number of known data may not be obtained when learning an inference device for inferring the attribute of a lesion. Furthermore, the method of acquiring the characteristic value of the lesion may change due to improvement of the medical device, and the characteristic and occurrence probability of the lesion itself may change with changes in the times and the environment. For these reasons, the learning result of the inference device is not always sufficient, and there is no guarantee that the original inference accuracy will be maintained at a certain level. Therefore, the user (doctor) does not know how much the inference result of the inference device can be trusted, and some doctors think that the inference result of the inference device cannot be trusted, and there is a problem that the inference device cannot be used effectively.

上述の課題は、単に学習データ数を増やしたり、複数の推論装置を用いたりして、推論精度の向上を図るだけでは解決できない。上述の課題を解決するために、推論装置は、ユーザが推論結果の信頼性を判断できる情報を提示する必要がある。   The problem described above cannot be solved simply by increasing the number of learning data or using a plurality of inference devices to improve the inference accuracy. In order to solve the above-described problem, the inference apparatus needs to present information that allows the user to determine the reliability of the inference result.

本発明は上記課題に鑑みなされたものであり、推論装置を有効利用することを可能にするための技術を提供することを目的とする。   The present invention has been made in view of the above problems, and an object of the present invention is to provide a technique for enabling effective use of an inference device.

上記の目的を達成するため、本発明による情報処理装置は以下の構成を備える。即ち、
入力データが属する属性を複数の推論条件でそれぞれ推論した結果を表示手段に表示する情報処理装置であって、
予め定められた複数の属性の各々について、前記入力データが当該属性に属する確率を前記複数の推論条件でそれぞれ推論した推論結果を、推論条件ごとに前記表示手段に表示する表示制御手段と
備え、
前記表示制御手段は、前記複数の推論条件の各々について、当該推論条件を特定するパラメータの値に応じて、前記推論結果を強調表示する。
In order to achieve the above object, an information processing apparatus according to the present invention comprises the following arrangement. That is,
An information processing apparatus that displays on a display means a result of inferring an attribute to which input data belongs under a plurality of inference conditions,
Display control means for displaying, on each of the inference conditions, an inference result obtained by inferring the probability that the input data belongs to the attribute for each of a plurality of predetermined attributes under the inference conditions;
With
The display control means highlights the inference result for each of the plurality of inference conditions according to the value of a parameter that specifies the inference condition.

本発明によれば、推論装置を有効利用することを可能にするための技術を提供することができる。   ADVANTAGE OF THE INVENTION According to this invention, the technique for enabling effective use of an inference apparatus can be provided.

推論装置の機能構成を示すブロック図である。It is a block diagram which shows the function structure of an inference apparatus. 推論装置の制御手順を示すフローチャートである。It is a flowchart which shows the control procedure of an inference apparatus. 推論装置の第一のGUI表示例を示す図である。It is a figure which shows the 1st GUI display example of an inference apparatus. 推論装置の第二のGUI表示例を示す図である。It is a figure which shows the 2nd GUI display example of an inference apparatus. 推論装置のGUI表示例を示す図である。It is a figure which shows the example of GUI display of an inference apparatus. 推論装置の構成を示す機能ブロック図である。It is a functional block diagram which shows the structure of an inference apparatus. 推論装置の制御手順を示すフローチャートである。It is a flowchart which shows the control procedure of an inference apparatus. 推論装置のハードウェア構成を示すブロック図である。It is a block diagram which shows the hardware constitutions of an inference apparatus.

以下、添付図面を参照して本発明の実施の形態を詳細に説明する。   Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

[第1の実施形態]
(推論装置の機能構成)
図1は、第1の実施形態に係る推論装置の機能構成を示す機能ブロック図である。
[First Embodiment]
(Functional structure of inference device)
FIG. 1 is a functional block diagram illustrating a functional configuration of the inference apparatus according to the first embodiment.

推論装置1は、後述の制御を実行するためのコンピュータプログラムを、一般的なコンピュータ(情報処理装置)上で実行することにより実現できる。また、推論装置1は、後述の制御をハードウェア実装することにより実現できる。さらに、推論装置1は、後述の制御の一部をハードウェア実装し、他の一部をコンピュータプログラムとして実装し、ハードウェアとコンピュータプログラムからなるハイブリッド・システムを構築することによっても実現できる。   The inference apparatus 1 can be realized by executing a computer program for executing control described later on a general computer (information processing apparatus). Further, the inference apparatus 1 can be realized by mounting the below-described control in hardware. Furthermore, the inference apparatus 1 can also be realized by constructing a hybrid system including hardware and a computer program by mounting a part of the below-described control by hardware and mounting the other part as a computer program.

推論装置1は、制御部10、入力部20、推論部30、記憶部40、及び表示部50を有する。制御部10は、後述する制御手順により、推論装置1全体を制御する。図示を省略しているが、制御部10はすべての処理部、処理要素と接続されている。制御部10は、例えば後述するCPU990により実現することができる。   The inference device 1 includes a control unit 10, an input unit 20, an inference unit 30, a storage unit 40, and a display unit 50. The control unit 10 controls the entire inference apparatus 1 according to a control procedure described later. Although not shown, the control unit 10 is connected to all processing units and processing elements. The control unit 10 can be realized by a CPU 990 described later, for example.

入力部20は、制御部10の制御に従い、推論対象データ(未知データ)の特性値や、推論装置1の制御に関わる推論結果の表示規則等の情報(制御パラメータ)を外部から推論装置1へと入力する。   The input unit 20 sends information (control parameters) such as a characteristic value of inference target data (unknown data) and an inference result display rule related to the control of the inference device 1 from the outside to the inference device 1 according to the control of the control unit 10. Enter.

推論部30は、互いに異なる学習データまたは学習手法を用いて予め学習を行った複数の推論要素を有しており、図1の例では、推論要素31〜34を有している。推論要素31〜34のそれぞれは、制御部10の制御に従い、入力部20から入力した推論対象データの特性値(及び推論装置1の制御パラメータ)に基づき推論対象データの属性を推論し、推論結果を表示部50に出力する。このとき、推論要素31〜34のそれぞれは互いに異なる学習をしているため、同じ特性値を入力しても、互いに異なる属性(推論結果)を出力する可能性がある。つまり、推論要素31〜34の各々は、互いに異なる推論条件を有しており、これにより推論精度も互いに異なる。なお、推論要素31〜34は物理的に異なるものである必要はなく、例えば、一台のコンピュータあるいはハードウェアを時分割で使用して、異なる推論結果を出す制御を行うことで実現してもよい。   The inference unit 30 has a plurality of inference elements that have been learned in advance using different learning data or learning methods. In the example of FIG. 1, the inference unit 30 has inference elements 31 to 34. Each of the inference elements 31 to 34 infers the attribute of the inference object data based on the characteristic value of the inference object data input from the input unit 20 (and the control parameter of the inference apparatus 1) according to the control of the control unit 10, and the inference result Is output to the display unit 50. At this time, since each of the inference elements 31 to 34 is learning different from each other, even if the same characteristic value is input, different attributes (inference results) may be output. That is, each of the inference elements 31 to 34 has a different inference condition, and thus the inference accuracy is also different from each other. Note that the inference elements 31 to 34 do not have to be physically different. For example, the inference elements 31 to 34 may be realized by using a single computer or hardware in a time-sharing manner to perform different inference results. Good.

記憶部40は、複数の推論要素のそれぞれに対応する複数の記憶要素を有しており、図1の例では、推論要素31〜34のそれぞれに対応する記憶要素41〜44を有している。記憶要素41〜44は、推論要素31〜34のそれぞれを学習させる際に用いた学習データまたは学習手法に関する情報を記憶している。また、記憶部40は、推論装置1の推論条件を特定する制御パラメータ等を記憶する記憶要素45を有している。記憶部40は、後述する外部記憶装置995やRAM992等のデータ記憶装置により実現することができる。なお、記憶要素41〜45は物理的に異なるものである必要はなく、1つのメモリ上に確保された異なる記憶領域であってもよい。   The storage unit 40 includes a plurality of storage elements corresponding to the plurality of inference elements. In the example of FIG. 1, the storage unit 40 includes storage elements 41 to 44 corresponding to the inference elements 31 to 34, respectively. . The storage elements 41 to 44 store learning data or information related to the learning technique used when learning each of the inference elements 31 to 34. In addition, the storage unit 40 includes a storage element 45 that stores a control parameter for specifying an inference condition of the inference device 1. The storage unit 40 can be realized by a data storage device such as an external storage device 995 or a RAM 992 described later. The storage elements 41 to 45 do not have to be physically different, and may be different storage areas secured on one memory.

表示部50は、制御部10の制御に従い、推論装置1の制御パラメータである推論結果の表示規則に基づいて記憶要素41〜44の各々が記憶している情報を読み出し、これに基づき推論要素31〜34のそれぞれから入力した推論結果の表示手法を決定する。そして、決定した表示手法に基づいて、それぞれの推論結果を表示装置に表示する表示制御を行う。   The display unit 50 reads the information stored in each of the storage elements 41 to 44 based on the display rule of the inference result that is the control parameter of the inference device 1 according to the control of the control unit 10, and based on this, the inference element 31 is read out. The display method of the inference result input from each of .about.34 is determined. And based on the determined display method, display control which displays each inference result on a display apparatus is performed.

例えば、推論要素31〜34のそれぞれが、予め下記の学習データを用いて学習した場合を想定する。
・推論要素31:A病院で過去2年間に蓄積された症例から得た学習データ
・推論要素32:A病院で過去10年間に蓄積された症例から得た学習データ
・推論要素33:B病院で過去2年間に蓄積された症例から得た学習データ
・推論要素34:B病院で過去10年間に蓄積された症例から得た学習データ
この場合、記憶要素41〜44のそれぞれには、例えば、下記の情報を記憶しておく。:
・記憶要素41:A病院で過去2年間に蓄積された症例から得た学習データ数N31、及び推論要素31の推論精度A31
・記憶要素42:A病院で過去10年間に蓄積された症例から得た学習データ数N32、及び推論要素32の推論精度A32
・記憶要素43:B病院で過去2年間に蓄積された症例から得た学習データ数N33、及び推論要素33の推論精度A33
・記憶要素44:B病院で過去10年間に蓄積された症例から得た学習データ数N34、及び推論要素34の推論精度A34
ここで、上記推論精度A31〜A34は、交差検定法やデータ分割法などの公知の評価手法を用いて、推論要素31〜34のそれぞれに対して予め計算しておく。
For example, it is assumed that each of the inference elements 31 to 34 learns in advance using the following learning data.
・ Inference element 31: Learning data obtained from cases accumulated in the past 2 years at hospital A ・ Inference element 32: Learning data obtained from cases accumulated in the past 10 years at hospital A ・ Inference element 33: In hospital B Learning data / inference element 34 obtained from cases accumulated in the past two years: Learning data obtained from cases accumulated in the past 10 years at hospital B In this case, each of the storage elements 41 to 44 includes, for example, Remember the information. :
Memory element 41: Number of learning data N 31 obtained from cases accumulated in A hospital in the past two years, and reasoning accuracy A 31 of reasoning element 31
Memory element 42: Number of learning data N 32 obtained from cases accumulated in the past 10 years at hospital A, and reasoning accuracy A 32 of reasoning element 32
Memory element 43: Number of learning data N 33 obtained from cases accumulated in hospital B in the past two years, and reasoning accuracy A 33 of reasoning element 33
Memory element 44: Number of learning data N 34 obtained from cases accumulated in the past 10 years at hospital B, and reasoning accuracy A 34 of reasoning element 34
Here, the inference accuracy A 31 to A 34 is calculated in advance for each of the inference elements 31 to 34 using a known evaluation method such as a cross-validation method or a data division method.

(推論装置のハードウェア構成)
図8は、本実施形態に係る推論装置1のハードウェア構成例を模式的に示すブロック図である。本実施形態に係る推論装置1は、例えば、パーソナルコンピュータ(PC)やワークステーション(WS)、モバイル端末、スマートフォン等で実現される。
(Hardware configuration of inference device)
FIG. 8 is a block diagram schematically illustrating a hardware configuration example of the inference apparatus 1 according to the present embodiment. The inference apparatus 1 according to the present embodiment is realized by, for example, a personal computer (PC), a workstation (WS), a mobile terminal, a smartphone, or the like.

図8において、CPU990は中央演算処理装置であり、オペレーティングシステム(OS)やアプリケーションプログラム等に基づいて他の構成要素と協働し、推論装置1全体の動作を制御する。ROM991は読み出し専用メモリであり、基本I/Oプログラム等のプログラム、基本処理に使用するデータ等を記憶する。RAM992は書き込み可能メモリであり、CPU990のワークエリア等として機能する。   In FIG. 8, a CPU 990 is a central processing unit, and controls the overall operation of the inference apparatus 1 in cooperation with other components based on an operating system (OS), application programs, and the like. The ROM 991 is a read-only memory, and stores programs such as basic I / O programs, data used for basic processing, and the like. A RAM 992 is a writable memory and functions as a work area for the CPU 990.

外部記憶ドライブ993は記録媒体へのアクセスを実現し、メディア(記録媒体)994に記憶されたプログラム等を本システムにロードすることができる。メディア994には、例えば、フレキシブルディスク(FD)、CD−ROM、DVD、USBメモリ、フラッシュメモリ等が含まれる。外部記憶装置995は大容量メモリとして機能する装置であり、本実施形態ではハードディスク装置(以下、HDと呼ぶ)を用いている。HD995には、OS、アプリケーションプログラム等が格納される。   The external storage drive 993 can access a recording medium, and can load a program or the like stored in the medium (recording medium) 994 into this system. The media 994 includes, for example, a flexible disk (FD), a CD-ROM, a DVD, a USB memory, a flash memory, and the like. The external storage device 995 is a device that functions as a large-capacity memory. In this embodiment, a hard disk device (hereinafter referred to as HD) is used. The HD 995 stores an OS, application programs, and the like.

指示入力装置996はユーザからの指示やコマンドの入力を受け付ける装置であり、キーボードやポインティングデバイス、タッチパネル等がこれに相当する。ディスプレイ997は、指示入力装置996から入力されたコマンドや、それに対する推論装置1の応答出力等を表示したりする表示装置である。インターフェイス(I/F)998は外部装置とのデータのやり取りを中継する装置である。システムバス999は、推論装置1内のデータの流れを司るデータバスである。   The instruction input device 996 is a device that receives an instruction or command input from a user, and corresponds to a keyboard, a pointing device, a touch panel, and the like. The display 997 is a display device that displays a command input from the instruction input device 996, a response output of the inference device 1 to the command, and the like. An interface (I / F) 998 is a device that relays data exchange with an external device. A system bus 999 is a data bus that manages the flow of data in the inference apparatus 1.

尚、以上の各装置と同等の機能を実現するソフトウェアにより、ハードウェア装置の代替として構成することもできる。   In addition, it can also be comprised as an alternative of a hardware apparatus with the software which implement | achieves a function equivalent to the above each apparatus.

(推論装置の制御)
次に、図2のフローチャート、図3及び図4のGUI(グラフィカル・ユーザ・インタフェース)表示例を用いて、推論装置1の制御手法を説明する。説明の都合上、まず図3及び図4から先に説明する。
(Control of inference device)
Next, the control method of the inference apparatus 1 will be described using the flowchart of FIG. 2 and GUI (Graphical User Interface) display examples of FIGS. For convenience of explanation, the explanation will be given first from FIG. 3 and FIG.

図3及び図4は、第1の実施形態に係る推論装置の第一及び第二のGUI表示例を示す図である。GUIは、入力部20と表示部50の機能を兼ね備えたユーザ・インタフェースである。以下では、GUIの各構成部品を説明する際に、コンピュータのOS(オペレーティング・システム)として一般に普及している“Windows(登録商標)”で用いられている用語を用いる。   3 and 4 are diagrams illustrating first and second GUI display examples of the inference apparatus according to the first embodiment. The GUI is a user interface that combines the functions of the input unit 20 and the display unit 50. In the following, the terms used in “Windows (registered trademark)”, which is widely used as an OS (operating system) of a computer, will be used when describing each component of the GUI.

推論装置1は、GUIを用いて、推論条件を特定する複数のパラメータのうちのいずれか1つの選択をユーザから受け付ける受付処理を行う。具体的には、ユーザは、コンボボックス510を用いて、推論装置1の推論条件を特定する制御パラメータの一つである推論結果の表示規則を入力することができる。図3及び図4の例では、推論要素31〜34のそれぞれによる推論結果531〜534を円グラフで表示する際の円の半径を決める基準として、「学習データ数の多さ」または「推論精度の高さ」のいずれかを用いることが、表示規則となっている。コンボボックスの代わりに、リストボックス、エディットボックス、あるいはチェックボックスやラジオボタン等のボタンコントロールを用いることもできる。   The inference apparatus 1 performs a reception process of accepting selection of any one of a plurality of parameters for specifying an inference condition from the user using the GUI. Specifically, the user can use the combo box 510 to input an inference result display rule that is one of the control parameters that specify the inference condition of the inference device 1. In the example of FIG. 3 and FIG. 4, as a criterion for determining the radius of the circle when displaying the inference results 531 to 534 by the inference elements 31 to 34 as a pie chart, “the number of learning data” or “inference accuracy” It is a display rule to use any of “height”. Instead of a combo box, a list box, an edit box, or a button control such as a check box or radio button can be used.

また、ユーザは、スライダー521〜524を用いて、推論装置1の制御パラメータの一つである推論結果531〜534のそれぞれに対する重みを入力することができる。ユーザから入力された重みに基づき、表示部50は推論結果の合成表示535を表示する。スライダーの代わりに、エディットボックスやスピンボタン等を利用して、重みを数値として入力することもできる。   In addition, the user can input weights for each of the inference results 531 to 534 that are one of the control parameters of the inference apparatus 1 using the sliders 521 to 524. Based on the weight input by the user, the display unit 50 displays a combined display 535 of the inference result. Instead of the slider, the weight can be input as a numerical value by using an edit box, a spin button or the like.

図3及び図4はいずれも、画像診断支援における病変部の属性(診断名)の推論結果を表示した例である。診断名1〜3のそれぞれの確率(各診断名の確からしさ)は、円グラフ内の各扇形の中心角によって表されている。   3 and 4 are examples in which the inference result of the attribute (diagnosis name) of the lesioned part in the image diagnosis support is displayed. The respective probabilities (probability of each diagnosis name) of the diagnosis names 1 to 3 are represented by the central angle of each sector in the pie chart.

(推論装置の制御手順)
図2は、第1の実施形態に係る推論装置の制御手順を示すフローチャートである。図2に示した処理は、すべて制御部10によって制御される。
(Control procedure of inference device)
FIG. 2 is a flowchart showing a control procedure of the inference apparatus according to the first embodiment. All processes shown in FIG. 2 are controlled by the control unit 10.

ステップS201において、制御部10は推論装置1の制御パラメータの初期値を設定する。制御パラメータには、推論結果の表示規則の初期値や、推論結果531〜534に対する重みの初期値を含む。設定した制御パラメータの一部は、表示部50に表示される。すなわち、推論結果の表示規則の初期値は、上述のコンボボックス510に表示される。また、推論結果531〜534に対する重みの初期値は、上述のスライダー521〜524に表示される。   In step S201, the control unit 10 sets initial values of control parameters of the inference apparatus 1. The control parameters include initial values of inference result display rules and initial values of weights for the inference results 531 to 534. Some of the set control parameters are displayed on the display unit 50. That is, the initial value of the inference result display rule is displayed in the combo box 510 described above. In addition, initial values of weights for the inference results 531 to 534 are displayed on the sliders 521 to 524 described above.

ステップS202において、入力部20は、推論対象データの特性値を取得し、推論要素31〜34のそれぞれに渡す。画像診断支援における病変部の属性(診断名)を推論する場合は、推論対象データである医用画像の画像特徴量や画像所見などが特性値となる。この画像特徴量は、既存の病変領域抽出手法を用いて抽出された異常領域に対して、既存の幾何学的特徴量や濃度特徴量などを計算することにより得ることができる。画像所見は、医師が読影時に発見した異常領域の画像特徴を医学用語を用いて記述した情報であり、医師が手動で入力する。   In step S202, the input unit 20 acquires the characteristic value of the inference target data and passes it to each of the inference elements 31 to 34. When inferring an attribute (diagnosis name) of a lesion in image diagnosis support, a characteristic value is an image feature amount or an image finding of a medical image that is inference target data. This image feature amount can be obtained by calculating an existing geometric feature amount, density feature amount, and the like for an abnormal region extracted using an existing lesion region extraction method. The image findings are information describing, using medical terms, the image features of the abnormal area discovered by the doctor during interpretation, and are manually input by the doctor.

ステップS203において、推論要素31〜34のそれぞれは推論処理を実行し、それぞれの推論結果531〜534を得て、これを表示部50に送信する。本実施形態では、推論結果53n(n=1〜4)として、診断名k(k=1〜3)に対する確率P3nkが得られるものとする。すなわち、P3nkは、推論要素3nが推論した、診断名がkである確率であり、P3n1+P3n2+P3n3=1である。上述の通り、各推論要素は異なる学習データまたは学習手法を用いて学習しているため、推論結果はそれぞれ異なるものとなる。 In step S <b> 203, each of the inference elements 31 to 34 executes an inference process, obtains inference results 531 to 534, and transmits them to the display unit 50. In this embodiment, it is assumed that the probability P 3nk for the diagnosis name k (k = 1 to 3) is obtained as the inference result 53n (n = 1 to 4). That is, P 3nk is the probability that the inference element 3n infers that the diagnosis name is k, and P 3n1 + P 3n2 + P 3n3 = 1. As described above, since each inference element is learned using different learning data or learning methods, the inference results are different from each other.

ステップS204において、入力部20は、例えば上述のコンボボックス510を用いてユーザが指定した表示規則を取得する。なお、ステップS204の処理は、ユーザからの入力に応じて、いつでも実行してよい。任意のタイミングでステップS204を実行した後は、ステップS205以降の処理を実行する。あるいは、ユーザからの入力がなければステップS204を省略してよい。   In step S <b> 204, the input unit 20 acquires a display rule specified by the user using, for example, the combo box 510 described above. Note that the process of step S204 may be executed at any time in response to an input from the user. After step S204 is executed at an arbitrary timing, the processing after step S205 is executed. Alternatively, step S204 may be omitted if there is no input from the user.

ステップS205において、表示部50は、記憶要素41〜44のそれぞれから表示規則に合った情報を読み出す。図3及び図4の例では、各推論要素の学習データ数または推論精度のいずれか一方を、指定された表示規則に応じて読み出す。すなわち、図3のように「学習データ数の多さ」が表示規則として指定されている場合には、学習データ数N31〜N34を読み出す。また、図4のように「推論精度の高さ」が表示規則として指定されている場合には、推論精度A31〜A34を読み出す。 In step S <b> 205, the display unit 50 reads information that matches the display rule from each of the storage elements 41 to 44. In the example of FIGS. 3 and 4, either the learning data number or the inference accuracy of each inference element is read according to the designated display rule. That is, when “large number of learning data” is designated as the display rule as shown in FIG. 3, the learning data numbers N 31 to N 34 are read. Further, when “high inference accuracy” is designated as the display rule as shown in FIG. 4, the inference accuracy A 31 to A 34 is read.

ステップS206において、表示部50は、ステップS205で読み出した情報に基づき、推論要素31〜34のそれぞれの推論結果531〜534を表示する。上述の通り、推論結果531〜534のそれぞれの円の半径は、学習データ数N31〜N34(図3の例)または推論精度A31〜A34(図4の例)に基づいて決定される。例えば、「推論精度の高さ」が表示規則として指定されている場合には、予め定めた半径の基準値(最大値)rmaxに推論精度A31〜A34(0〜1の値)のそれぞれを乗算して半径を決定する。同様に、「学習データの多さ」が表示規則として指定されている場合には、rmaxに正規化した学習データ数のそれぞれを乗算することで半径を決定する。ここで、学習データ数の正規化後の値は、例えば、N3nの中の最大値Nmaxを用いて、N3n/Nmaxで算出すればよい。これにより、推論結果531〜534のそれぞれの表示は、表示規則に基づいて規則的に変更される。 In step S206, the display unit 50 displays the inference results 531 to 534 of the inference elements 31 to 34 based on the information read in step S205. As described above, the radius of each circle of the inference results 531 to 534 is determined based on the number of learning data N 31 to N 34 (example in FIG. 3) or inference accuracy A 31 to A 34 (example in FIG. 4). The For example, when “high inference accuracy” is specified as the display rule, the inference accuracy A 31 to A 34 (value of 0 to 1) is added to a predetermined reference value (maximum value) r max of the radius. Multiply each to determine the radius. Similarly, if the "abundance of learning data" is designated as the display rule determines radius by multiplying the respective number of learning data normalized to r max. Here, the value after normalization of the number of learning data may be calculated as N 3n / N max using the maximum value N max in N 3n , for example. Thereby, each display of the inference results 531 to 534 is regularly changed based on the display rule.

このように、本実施形態では、複数の推論条件について、ユーザから選択された制御パラメータ(例えば、学習データ数、推論精度)の値に応じて、推論結果を強調表示する。このため、ユーザは、選択した制御パラメータと推論結果との関係を容易に把握することが可能となる。また、本実施形態では、推論条件ごとに推論結果をグラフにより表示し、各推論条件について、ユーザにより選択された制御パラメータの値に応じて、当該推論条件に対応するグラフの全体の大きさを設定することにより、推論結果を強調表示する。このため、ユーザは選択した制御パラメータと推論結果との関係を一見して理解することができる。また、本実施形態では、推論条件ごとに、推論結果の表示の近傍に、当該推論条件を示す情報(例えば、病院名、学習データを取得した期間)を表示する。このため、ユーザは、各推論結果がどのような条件で推論されたのかを容易に知ることができる。   As described above, in the present embodiment, the inference result is highlighted in accordance with the value of the control parameter (for example, the number of learning data and the inference accuracy) selected from the user for a plurality of inference conditions. For this reason, the user can easily grasp the relationship between the selected control parameter and the inference result. In this embodiment, the inference result is displayed in a graph for each inference condition, and for each inference condition, the overall size of the graph corresponding to the inference condition is set according to the value of the control parameter selected by the user. By setting, the inference result is highlighted. For this reason, the user can understand at a glance the relationship between the selected control parameter and the inference result. In this embodiment, for each inference condition, information indicating the inference condition (for example, a hospital name and a period during which learning data is acquired) is displayed in the vicinity of the display of the inference result. For this reason, the user can easily know under what conditions each inference result is inferred.

ステップS207において、入力部20は、例えば上述のスライダー521〜524を用いて、ユーザが指定した推論結果531〜534のそれぞれに対する重み(重み31〜34)を取得する。そして、重みの総和が1となるように各重みを正規化する。なお、以下の説明では、本ステップで得たそれぞれの推論結果53n(n=1〜4)の重み3nの正規化後の値を、W3nと表記する。なお、ステップS207の処理は、ユーザからの入力に応じて、いつでも実行してよい。任意のタイミングでステップS207を実行した後は、ステップS208を実行する。あるいは、ユーザからの入力がなければステップS207における重みの入力を省略してよい。 In step S207, the input unit 20 acquires weights (weights 31 to 34) for the inference results 531 to 534 specified by the user, for example, using the sliders 521 to 524 described above. Then, each weight is normalized so that the sum of the weights becomes 1. In the following description, the normalized value of the weight 3n of each inference result 53n (n = 1 to 4) obtained in this step is expressed as W 3n . Note that the process of step S207 may be executed at any time in response to an input from the user. After step S207 is executed at an arbitrary timing, step S208 is executed. Alternatively, if there is no input from the user, the input of the weight in step S207 may be omitted.

ステップS208において、表示部50は、以下の計算手法により推論結果531〜534を合成し、合成結果535を表示する。まず、表示部50は、合成結果535の診断名k(k=1〜3)に対する確率Pkを、[数1]を用いて計算する。
[数1]
k=W31*P31k+W32*P32k+W33*P33k+W34*P34k
この結果得られるPk値は、P1+P2+P3=1となる。こうして得られたPk値に基づいて、表示部50は、合成結果535の円グラフ内の各扇形の中心角を決定する。なお、合成結果535の円グラフの半径は、予め決めた大きさ(固定値)でよい。
In step S208, the display unit 50 combines the inference results 531 to 534 by the following calculation method and displays the combined result 535. First, the display unit 50 calculates the probability P k for the diagnosis name k (k = 1 to 3) of the synthesis result 535 using [Equation 1].
[Equation 1]
P k = W 31 * P 31k + W 32 * P 32k + W 33 * P 33k + W 34 * P 34k
The resulting P k value is P 1 + P 2 + P 3 = 1. Based on the P k value thus obtained, the display unit 50 determines the center angle of each sector in the pie chart of the synthesis result 535. The radius of the pie chart of the synthesis result 535 may be a predetermined size (fixed value).

このように、本実施形態では、各推論条件に割り当てる重みをユーザに選択させ、各推論条件の推論結果に対してこの重みで重み付けをして、複数の推論条件における推論結果を合成して表示する。このため、ユーザは、知識や経験、ノウハウなどに基づいて、各推論結果の重みを適切に選択して精度の高い推論結果を得ることが可能となる。   As described above, in this embodiment, the user selects a weight to be assigned to each inference condition, weights the inference result of each inference condition with this weight, and synthesizes and displays the inference results in a plurality of inference conditions. To do. For this reason, the user can obtain a highly accurate inference result by appropriately selecting the weight of each inference result based on knowledge, experience, know-how, and the like.

ステップS209において、制御部10は、入力部20が取得したユーザからの指示に従い、推論装置1の処理を終了するか否かの判定を行う。そして、終了しないと判定した場合はステップS204以降の処理を再度実行し、終了すると判定した場合は推論装置1の処理を終了する。   In step S209, the control unit 10 determines whether or not to end the processing of the inference apparatus 1 according to the instruction from the user acquired by the input unit 20. And when it determines with not complete | finishing, the process after step S204 is performed again, and when it determines with complete | finishing, the process of the inference apparatus 1 is complete | finished.

上記の手順によって、推論装置1の処理が実行される。   The process of the inference device 1 is executed by the above procedure.

以上のようにして、複数の推論要素から得られた推論結果の違いとその違いが生じた理由をユーザにわかりやすく表示できるため、各推論要素の推論結果の信頼性をユーザが自ら判断できる。さらに、複数の推論要素から得られた推論結果を、ユーザが自由に重み付けして合成できるため、ユーザにとって信頼性の高い合成結果を得ることができる。それゆえ、ユーザが本実施形態に係る推論装置を有効利用できるようになる。   As described above, the difference between the inference results obtained from a plurality of inference elements and the reason why the difference has occurred can be displayed in an easy-to-understand manner for the user, so that the user can determine the reliability of the inference results of each inference element. Furthermore, since the user can freely weight and synthesize inference results obtained from a plurality of inference elements, a highly reliable synthesis result for the user can be obtained. Therefore, the user can effectively use the inference apparatus according to the present embodiment.

さらに、不図時の画面表示等によって、予めユーザに各推論結果の違いの原因(学習データまたは学習手法の違い)を知らせておいてもよい。あるいは、不図時の画面表示等によって、いつでもユーザが複数の推論結果の違いの原因を確認できるようにしておいてもよい。これにより、ユーザは、各推論結果に違いが生じる原因についてより深い考察ができるため、複数の推論結果の重要度をより詳細に判断できる。上述の例で言えば、例えば、あるユーザはA病院で働いており、B病院の症例データよりもA病院の症例データを重視しているとする。さらに、A病院では3年前に画像撮影装置が入れ替えられたため、過去10年間の症例データよりも過去2年間の症例データの方が信頼できると、そのユーザは判断したとする。こうした場合、表示規則で選択した基準に最も合う推論結果に大きな重みを与えるだけでなく、A病院の過去2年間の症例データから学習した推論結果にも比較的大きな重みを与える、といったこともできるため、ユーザの深い考察を補助することができる。   Furthermore, the cause of the difference in each inference result (difference in learning data or learning method) may be previously notified to the user by a screen display at the time of unillustrated. Alternatively, the user may be able to confirm the cause of the difference between a plurality of inference results at any time by displaying the screen when not shown. Accordingly, the user can deeply consider the cause of the difference between the inference results, and thus can determine the importance of the plurality of inference results in more detail. In the above example, for example, it is assumed that a certain user works at hospital A and places more importance on case data of hospital A than case data of hospital B. Furthermore, it is assumed that the user has determined that the case data of the past two years can be more reliable than the case data of the past ten years because the imaging device was replaced three years ago in Hospital A. In such a case, not only a large weight is given to the inference result that best meets the criteria selected by the display rule, but also a relatively large weight is given to the inference result learned from the case data of the past two years of hospital A. Therefore, deep consideration of the user can be assisted.

[第2の実施形態]
第1の実施形態では、各推論要素の信頼性に係る情報(図3、4の各円グラフの半径)を、データ属性(診断名)によって区別することなく表示していた。第2の実施形態に係る推論装置は、各推論要素の信頼性に係る情報を、各推論要素の学習データの属性ごとに表示することを特徴とする。
[Second Embodiment]
In the first embodiment, information related to the reliability of each inference element (radius of each pie chart in FIGS. 3 and 4) is displayed without being distinguished by the data attribute (diagnostic name). The inference apparatus according to the second embodiment displays information related to the reliability of each inference element for each attribute of learning data of each inference element.

本実施形態に係る推論装置の構成は第1の実施形態と同様である。ただし、記憶部40が保持するデータの内容と、表示部50による表示の処理が異なっている。以下、本実施形態に係る推論装置について、第1の実施形態との相違部分についてのみ説明する。   The configuration of the inference apparatus according to this embodiment is the same as that of the first embodiment. However, the content of the data held in the storage unit 40 and the display process by the display unit 50 are different. Hereinafter, the inference apparatus according to this embodiment will be described only with respect to differences from the first embodiment.

図5は、本実施形態に係る推論装置のGUI表示例を示す図である。   FIG. 5 is a diagram illustrating a GUI display example of the inference apparatus according to the present embodiment.

GUIの画面構成は、図3、4と同様である。図3、4と異なる点は、推論結果531〜534及び合成結果535のグラフの表示手法である。   The GUI screen configuration is the same as in FIGS. 3 and 4 is a method of displaying graphs of the inference results 531 to 534 and the synthesis result 535.

図5では、診断名ごとに扇形の半径を変えている。この表示手法を実現するため、記憶要素41〜44のそれぞれは、推論要素31〜34のそれぞれを学習させる際に用いた学習データまたは学習手法に関する情報として、以下の様に診断名ごとに分けた情報を予め記憶している。
○記憶要素41:A病院で過去2年間に蓄積された症例から得た情報として、
・診断名1の属性を持つ学習データ数N311
・診断名2の属性を持つ学習データ数N312
・診断名3の属性を持つ学習データ数N313
・診断名1の属性を持つテストデータに対する推論要素31の推論精度A311
・診断名2の属性を持つテストデータに対する推論要素31の推論精度A312
・診断名3の属性を持つテストデータに対する推論要素31の推論精度A313
○記憶要素42:A病院で過去10年間に蓄積された症例から得た情報として、
・診断名1の属性を持つ学習データ数N321
・診断名2の属性を持つ学習データ数N322
・診断名3の属性を持つ学習データ数N323
・診断名1の属性を持つテストデータに対する推論要素31の推論精度A321
・診断名2の属性を持つテストデータに対する推論要素31の推論精度A322
・診断名3の属性を持つテストデータに対する推論要素31の推論精度A323
○記憶要素43:B病院で過去2年間に蓄積された症例から得た情報として、
・診断名1の属性を持つ学習データ数N331
・診断名2の属性を持つ学習データ数N332
・診断名3の属性を持つ学習データ数N333
・診断名1の属性を持つテストデータに対する推論要素31の推論精度A331
・診断名2の属性を持つテストデータに対する推論要素31の推論精度A332
・診断名3の属性を持つテストデータに対する推論要素31の推論精度A333
○記憶要素44:B病院で過去10年間に蓄積された症例から得た情報として、
・診断名1の属性を持つ学習データ数N341
・診断名2の属性を持つ学習データ数N342
・診断名3の属性を持つ学習データ数N343
・診断名1の属性を持つテストデータに対する推論要素31の推論精度A341
・診断名2の属性を持つテストデータに対する推論要素31の推論精度A342
・診断名3の属性を持つテストデータに対する推論要素31の推論精度A343
本実施形態に係る推論装置1の制御手順も、第1の実施形態と同様に、図2のフローチャートで示される。ただし、ステップS205、S206及びS208が、それぞれ以下の様に修正される。
In FIG. 5, the fan-shaped radius is changed for each diagnosis name. In order to realize this display method, each of the storage elements 41 to 44 is divided into diagnosis names as learning data or information related to the learning method used when learning each of the inference elements 31 to 34 as follows. Information is stored in advance.
○ Memory element 41: As information obtained from cases accumulated in the past two years at Hospital A,
・ Number of learning data with attribute of diagnosis name 1 N 311
・ Number of learning data with attribute of diagnosis name 2 N 312
・ Number of learning data with attribute of diagnosis name 3 N 313
Inference accuracy A 311 of the inference element 31 for test data having the attribute of diagnosis name 1
・ Inference accuracy A 312 of the inference element 31 for test data having the attribute of diagnosis name 2
- inference accuracy A 313 of the inference elements 31 for the test data with the attributes of diagnosis 3
○ Memory element 42: As information obtained from cases accumulated in the past 10 years at Hospital A,
・ Number of learning data N 321 with attribute of diagnosis name 1
・ Number of learning data with attribute of diagnosis name 2 N 322
・ Number of learning data with attribute of diagnosis name 3 323
Inference accuracy A 321 of the inference element 31 for test data having the attribute of diagnosis name 1
- inference accuracy A 322 of the inference elements 31 for the test data with the attribute of the diagnosis 2
The inference accuracy A 323 of the inference element 31 for the test data having the attribute of the diagnosis name 3
○ Memory element 43: As information obtained from cases accumulated in the past two years at hospital B,
・ Number of learning data with attribute of diagnosis name 1 N 331
・ Number of learning data with attribute of diagnosis name 2 N 332
・ Number of learning data with attribute of diagnosis name 3 N 333
The inference accuracy A 331 of the inference element 31 for the test data having the attribute of diagnosis name 1
Inference accuracy A 332 of the inference element 31 for test data having the attribute of diagnosis name 2
- inference accuracy A 333 of the inference elements 31 for the test data with the attributes of diagnosis 3
○ Memory element 44: As information obtained from cases accumulated in the past 10 years at hospital B,
-Number of learning data N 341 with attribute of diagnosis name 1
・ Number of learning data with attribute of diagnosis name 2 N 342
・ Number of learning data with attribute of diagnosis name 3 N 343
The inference accuracy A 341 of the inference element 31 for the test data having the attribute of diagnosis name 1
The inference accuracy A 342 of the inference element 31 for the test data having the attribute of the diagnosis name 2
The inference accuracy A 343 of the inference element 31 for the test data having the attribute of the diagnosis name 3
The control procedure of the inference device 1 according to the present embodiment is also shown in the flowchart of FIG. 2 as in the first embodiment. However, steps S205, S206, and S208 are respectively corrected as follows.

ステップS205において、表示部50は、記憶要素41〜44のそれぞれから表示規則に合った情報を読み出す。図5の例では、「推論精度の高さ」が表示規則として指定されているので、推論精度A311〜A313、A321〜A323、A331〜A333、A341〜A343を読み出す。一方、「学習データの多さ」が表示規則として指定されている場合には、学習データ数N311〜N313、N321〜N323、N331〜N333、N341〜N343を読み出せばよい。 In step S <b> 205, the display unit 50 reads information that matches the display rule from each of the storage elements 41 to 44. In the example of FIG. 5, since “high inference accuracy” is designated as a display rule, inference accuracy A 311 to A 313 , A 321 to A 323 , A 331 to A 333 , and A 341 to A 343 are read out. . On the other hand, when “abundance of learning data” is designated as the display rule, the number of learning data N 311 to N 313 , N 321 to N 323 , N 331 to N 333 , and N 341 to N 343 can be read out. That's fine.

ステップS206において、表示部50は、ステップS205で読み出した情報に基づき、推論要素31〜34のそれぞれの推論結果531〜534を表示する。推論結果53n(n=1〜4)の診断名k(k=1〜3)の扇形の半径(r3nkとする)は、推論精度A3nkに基づいて決定する。あるいは、診断名kの扇形の半径は、表示規則によっては学習データ数N3nkに基づいて決定してもよい。推論結果53nの診断名kの扇形の中心角は、推論結果53nの診断名kの確率P3nkに基づいて決定する。これにより、推論結果531〜534のそれぞれの表示は、表示規則に基づいて規則的に変更される。 In step S206, the display unit 50 displays the inference results 531 to 534 of the inference elements 31 to 34 based on the information read in step S205. The fan-shaped radius (referred to as r 3nk ) of the diagnosis name k (k = 1 to 3) of the inference result 53n (n = 1 to 4) is determined based on the inference accuracy A 3nk . Alternatively, the fan-shaped radius of the diagnosis name k may be determined based on the learning data number N 3nk depending on the display rule. The central angle of the diagnostic name k of the inference result 53n is determined based on the probability P 3nk of the diagnosis name k of the inference result 53n. Thereby, each display of the inference results 531 to 534 is regularly changed based on the display rule.

ステップS208において、表示部50は、以下の計算手法により推論結果531〜534を合成し、合成結果535を表示する。   In step S208, the display unit 50 combines the inference results 531 to 534 by the following calculation method and displays the combined result 535.

合成結果535の診断名kに対する確率Pkは、上述の[数1]を用いて計算する。こうして得られたPk値に基づいて、表示部50は、合成結果535の各扇形の中心角を決定する。一方、合成結果535の診断名kに対する扇形の半径(rkとする)は、[数2]を用いて計算する。
[数2]
k=W31*r31k+W32*r32k+W33*r33k+W34*r34k
以上のように、本実施形態では、各推論条件について、属性ごとに、当該属性に対応する予め与えられた制御パラメータの値に応じて、推論結果を強調表示する。このため、複数の推論要素から得られた推論結果の違いとその違いが生じた理由をデータ属性(診断名)ごとにユーザにわかりやすく表示できるため、各推論要素の推論結果の信頼性をユーザが自ら判断できる。さらに、複数の推論要素から得られた推論結果を、ユーザが自由に重み付けして合成できるため、ユーザにとって信頼性の高い合成結果を得ることができる。それゆえ、ユーザが本実施形態に係る推論装置を有効利用できるようになる。
The probability P k of the combined result 535 for the diagnosis name k is calculated using the above [Equation 1]. Based on the P k value obtained in this way, the display unit 50 determines the center angle of each sector of the synthesis result 535. On the other hand, the fan-shaped radius (r k ) for the diagnosis name k in the synthesis result 535 is calculated using [Equation 2].
[Equation 2]
r k = W 31 * r 31k + W 32 * r 32k + W 33 * r 33k + W 34 * r 34k
As described above, in this embodiment, for each inference condition, the inference result is highlighted for each attribute according to the value of the control parameter given in advance corresponding to the attribute. For this reason, the difference between the inference results obtained from multiple inference elements and the reason for the difference can be displayed to the user in an easy-to-understand manner for each data attribute (diagnostic name). Can judge for themselves. Furthermore, since the user can freely weight and synthesize inference results obtained from a plurality of inference elements, a highly reliable synthesis result for the user can be obtained. Therefore, the user can effectively use the inference apparatus according to the present embodiment.

[第3の実施形態]
第1及び第2の実施形態では、各推論要素の信頼性に係る情報(図3、4の各円グラフの半径または図5の各扇形の半径)を、表示規則と、各記憶要素が記憶する情報(学習データ数または推論精度)に基づいて決めていた。各記憶要素が記憶する情報は、各推論装置の学習時に求めておいた情報である。従って、表示規則を変更せず、各推論装置の再学習も行わなければ、推論対象データの特性値に関わらず、推論要素の信頼性に係る情報は変更されなかった。第3の実施形態に係る推論装置は、推論対象データに応じて各推論要素の信頼性に係る情報を動的に求め、これを表示することを特徴とする。具体的には、入力データが属する属性を推論するために用いられる学習データのうち入力データに類似する学習データを判定する。そして、当該類似する学習データの、数、又は、当該学習データを用いた推論の推論精度を制御パラメータとして推論結果を強調表示する。
[Third Embodiment]
In the first and second embodiments, the information relating to the reliability of each inference element (the radius of each pie chart in FIGS. 3 and 4 or the radius of each sector in FIG. 5) is stored in the display rule and each storage element. It was decided based on information (number of learning data or inference accuracy). The information stored in each storage element is information obtained when learning each inference device. Therefore, if the display rule is not changed and the re-learning of each inference device is not performed, the information related to the reliability of the inference element is not changed regardless of the characteristic value of the inference target data. The inference apparatus according to the third embodiment is characterized in that information relating to the reliability of each inference element is dynamically obtained according to inference object data and displayed. Specifically, learning data similar to the input data is determined among the learning data used for inferring the attribute to which the input data belongs. Then, the number of the similar learning data or the inference accuracy of the inference using the learning data is used as a control parameter to highlight the inference result.

(推論装置の構成)
図6は、第3の実施形態に係る推論装置の構成を示す機能ブロック図である。
(Configuration of inference device)
FIG. 6 is a functional block diagram showing the configuration of the inference apparatus according to the third embodiment.

制御部10、入力部20、推論部30及び表示部50は、図1を参照して説明したものと同様の機能を有する。以下、本実施形態に係る推論装置について、第1の実施形態との相違部分についてのみ説明する。   The control unit 10, the input unit 20, the inference unit 30, and the display unit 50 have the same functions as those described with reference to FIG. Hereinafter, the inference apparatus according to this embodiment will be described only with respect to differences from the first embodiment.

記憶部40は、推論要素31〜34のそれぞれに対応する記憶要素41〜44を有している。各記憶要素は、対応する推論要素を学習させる際に用いた既知データに関する情報を記憶している。既知データに関する情報には、それぞれの既知データの特性値、属性、及び対応する推論要素による既知データの推論結果(既知データの属性を正しく推論できたか否かの情報)が含まれる。また、記憶部40は、推論装置1の制御パラメータ等を記憶する記憶要素45を有している。なお、記憶要素41〜45は物理的に異なるものである必要はなく、1つのメモリ上に確保された異なる記憶領域であってもよい。あるいは、記憶要素41〜45の代わりに、不図示の通信回線またはネットワークを介して推論装置1と接続された、不図示のデータベースまたは外部記憶装置を用いてもよい。   The storage unit 40 includes storage elements 41 to 44 corresponding to the inference elements 31 to 34, respectively. Each storage element stores information related to known data used when learning the corresponding inference element. The information relating to the known data includes the characteristic value and attribute of each known data, and the inference result of the known data by the corresponding inference element (information on whether or not the attribute of the known data has been correctly inferred). In addition, the storage unit 40 includes a storage element 45 that stores control parameters and the like of the inference apparatus 1. The storage elements 41 to 45 do not have to be physically different, and may be different storage areas secured on one memory. Alternatively, instead of the storage elements 41 to 45, a database or external storage device (not shown) connected to the inference device 1 via a communication line or network (not shown) may be used.

類似データ検索部60は、推論要素31〜34及び記憶要素41〜44のそれぞれに対応する類似データ検索要素61〜64を有している。類似データ検索要素61〜64はそれぞれ、入力された推論対象データの特性値に類似する特性値を有する既知データを検索する。   The similar data search unit 60 includes similar data search elements 61 to 64 corresponding to the inference elements 31 to 34 and the storage elements 41 to 44, respectively. Each of the similar data search elements 61 to 64 searches for known data having a characteristic value similar to the characteristic value of the input inference target data.

計算部70は、類似データ検索要素61〜64のそれぞれに対応する計算要素71〜74を有している。計算部70は、検索された既知データから、表示規則(制御パラメータ)に基づく情報を計算する。   The calculation unit 70 includes calculation elements 71 to 74 corresponding to the similar data search elements 61 to 64, respectively. The calculation unit 70 calculates information based on the display rule (control parameter) from the retrieved known data.

(推論装置の制御手順)
次に、図7のフローチャートを用いて、本実施形態に係る推論装置1の制御手順を説明する。ただし、図2と同じステップ番号を記した処理(S201、S203、S204、及びS206〜S209)は、図2を参照して説明したものと同じ制御を行うので、説明を省略する。以下、図2と異なる処理であるS701〜S703について説明する。
(Control procedure of inference device)
Next, the control procedure of the inference apparatus 1 according to the present embodiment will be described using the flowchart of FIG. However, the processing (S201, S203, S204, and S206 to S209) in which the same step numbers as in FIG. 2 perform the same control as described with reference to FIG. Hereinafter, S701 to S703, which are processes different from those in FIG. 2, will be described.

ステップS701において、入力部20は、推論対象データの特性値を取得し、推論要素31〜34のそれぞれと、後述の類似データ検索要素61〜64のそれぞれに渡す。   In step S701, the input unit 20 acquires the characteristic value of the inference target data and passes it to each of the inference elements 31 to 34 and each of similar data search elements 61 to 64 described later.

ステップS702において、類似データ検索要素61〜64は、それぞれ対応する記憶要素41〜44に記憶されているすべての既知データの特性値と、入力部20から渡された推論対象データの特性値とを比較する。そして、公知の類似データ検索技術を用いることにより、複数の類似データを得る。公知の類似データ検索技術では、推論対象データの特性値と、比較相手となる既知データの特性値との間の距離(各特性値をそれぞれ多次元ベクトルと見なした時のベクトル間距離)が近いデータを類似データとする。類似データの選択手法には、例えば、推論対象データとの距離(類似度)が近い順に所定数に達するまで類似データを選択する手法と、推論対象データとの距離(類似度)が予め決めた閾値以下の類似データをすべて選択する手法がある。以下では、類似データ検索要素61〜64は、いずれも後者の手法(閾値以下の距離にある類似データをすべて選択する手法)を用いて複数の類似データを得たものとして説明を続ける。   In step S702, the similar data search elements 61 to 64 obtain the characteristic values of all the known data stored in the corresponding storage elements 41 to 44 and the characteristic values of the inference target data passed from the input unit 20, respectively. Compare. Then, a plurality of similar data is obtained by using a known similar data search technique. In the known similar data search technique, the distance between the characteristic value of the inference target data and the characteristic value of the known data to be compared (the distance between vectors when each characteristic value is regarded as a multidimensional vector) is Close data is set as similar data. For the method of selecting similar data, for example, the distance (similarity) between the inference target data and the method of selecting similar data until the predetermined number is reached in order of the distance (similarity) from the inference target data is predetermined. There is a method of selecting all similar data below a threshold. In the following description, the similar data search elements 61 to 64 are all described as having obtained a plurality of similar data using the latter method (a method of selecting all similar data at a distance equal to or less than a threshold).

ステップS703において、計算要素71〜74は、それぞれ対応する類似データ検索要素61〜64によって得られた複数の類似データから、表示規則に基づく情報を計算する。例えば、第一の表示規則を、類似データのデータ数の多さ、第二の表示規則を、類似データに対する推論精度の高さ、とする。第一の表示規則が選ばれている場合、計算要素71〜74のそれぞれは、検索結果として得られた複数の類似データの個数を計数する。そして、この値を、予め定めた所定の値を用いて正規化する。   In step S703, the calculation elements 71 to 74 calculate information based on the display rule from the plurality of similar data obtained by the corresponding similar data search elements 61 to 64, respectively. For example, the first display rule is a large number of similar data, and the second display rule is a high inference accuracy for similar data. When the first display rule is selected, each of the calculation elements 71 to 74 counts the number of a plurality of similar data obtained as search results. Then, this value is normalized using a predetermined value.

一方、第二の表示規則が選ばれている場合、計算要素71〜74のそれぞれは、まず、検索結果として得られた複数の類似データの一つ一つについて推論結果(既知データの属性を正しく推論できたか否かの情報)を調べる。ここで、類似データの推論結果は、計算要素71〜74のそれぞれに対応する記憶要素41〜44から読み出す。次に、計算要素71〜74のそれぞれは、読み出した複数の類似データの推論結果における正解の割合、すなわち類似データに対する推論精度を計算する。   On the other hand, when the second display rule is selected, each of the calculation elements 71 to 74 first calculates the inference result (correct attribute of known data) for each of a plurality of similar data obtained as a search result. Examine information about whether or not inference was possible. Here, the inference result of the similar data is read from the storage elements 41 to 44 corresponding to the calculation elements 71 to 74, respectively. Next, each of the calculation elements 71 to 74 calculates the ratio of correct answers in the inference result of the plurality of read similar data, that is, the inference accuracy for the similar data.

この後、ステップS206以下の処理を実行することにより、図3、4、5のGUIに例示した様な表示が行われる。なお、各推論要素の信頼性に係る情報(図3、4の各円グラフの半径または図5の各扇形の半径)は、表示規則と、推論対象データ(及び既知データ)から導かれる情報(類似データ数または類似データに対する推論精度)に応じて変化する情報として表示される。   Thereafter, by executing the processing from step S206 onward, the display as illustrated in the GUI of FIGS. 3, 4 and 5 is performed. Note that the information related to the reliability of each inference element (the radius of each pie chart in FIGS. 3 and 4 or the radius of each sector in FIG. 5) is information derived from the display rules and inference target data (and known data) ( It is displayed as information that changes according to the number of similar data or the inference accuracy for similar data.

以上のようにして、複数の推論要素から得られた推論結果の違いを、推論対象データの類似データ数または類似データに対する推論精度に基づいてユーザにわかりやすく表示するため、各推論要素の推論結果の信頼性をユーザが自ら判断できる。さらに、複数の推論要素から得られた推論結果を、ユーザが自由に重み付けして合成できるため、ユーザにとって信頼性の高い合成結果を得ることができる。それゆえ、ユーザが本実施形態に係る推論装置を有効利用できるようになる。   As described above, the difference between the inference results obtained from multiple inference elements is displayed to the user in an easy-to-understand manner based on the number of similar data in the inference target data or the inference accuracy for the similar data. The user can judge the reliability of the user himself. Furthermore, since the user can freely weight and synthesize inference results obtained from a plurality of inference elements, a highly reliable synthesis result for the user can be obtained. Therefore, the user can effectively use the inference apparatus according to the present embodiment.

(変形例1)
図3、4、5では、表示規則に基づいて円グラフまたは扇形図形の半径を変更することにより、複数の推論結果の違いとその原因をユーザにわかりやすく表示したが、これに限られない。すなわち、他のグラフ表示や文字表示を用いても、表示規則に基づいた表示手法の変更をすることができる。例えば、棒グラフを用いる場合、表示規則に基づいて棒グラフの棒の属性(幅や高さの最大値など)を規則的に変更すればよい。また、例えば、文字表示を用いる場合、表示規則に基づいて文字属性(フォントサイズや文字色など)を規則的に変更すればよい。さらに、任意のグラフ表示または文字表示において、表示規則に合致する順に推論結果を並べてもよい。
(Modification 1)
In FIGS. 3, 4, and 5, the difference between a plurality of inference results and the cause thereof are displayed in an easy-to-understand manner for the user by changing the radius of the pie chart or the sector graphic based on the display rule, but the present invention is not limited thereto. That is, even if other graph display or character display is used, the display method based on the display rule can be changed. For example, when a bar graph is used, the bar attributes (maximum values of width and height, etc.) of the bar graph may be regularly changed based on the display rules. Further, for example, when character display is used, character attributes (font size, character color, etc.) may be regularly changed based on display rules. Furthermore, in an arbitrary graph display or character display, the inference results may be arranged in the order matching the display rules.

上記のように、本発明に係る推論装置によれば、複数の推論要素から得られた推論結果の違いとその違いが生じた理由をユーザにわかりやすく表示できるため、各推論要素の推論結果の信頼性をユーザが自ら判断できるという効果がある。それゆえ、ユーザが推論装置を有効利用できるようになるという効果がある。   As described above, according to the inference device according to the present invention, the difference between the inference results obtained from a plurality of inference elements and the reason why the difference has occurred can be displayed in an easy-to-understand manner for the user. There is an effect that the user can judge the reliability himself. Therefore, there is an effect that the user can effectively use the inference device.

<<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。
<< Other Embodiments >>
The present invention can also be realized by executing the following processing. That is, software (program) that realizes the functions of the above-described embodiments is supplied to a system or apparatus via a network or various storage media, and a computer (or CPU, MPU, or the like) of the system or apparatus reads the program. It is a process to be executed.

Claims (11)

入力データが属する属性を複数の推論条件でそれぞれ推論した結果を表示手段に表示する情報処理装置であって、
予め定められた複数の属性の各々について、前記入力データが当該属性に属する確率を前記複数の推論条件でそれぞれ推論した推論結果を、推論条件ごとに前記表示手段に表示する表示制御手段と
備え、
前記表示制御手段は、前記複数の推論条件の各々について、当該推論条件を特定するパラメータの値に応じて、前記推論結果を強調表示する
ことを特徴とする情報処理装置。
An information processing apparatus that displays on a display means a result of inferring an attribute to which input data belongs under a plurality of inference conditions,
Display control means for displaying, on each of the inference conditions, an inference result obtained by inferring the probability that the input data belongs to the attribute for each of a plurality of predetermined attributes under the inference conditions;
With
The information processing apparatus, wherein the display control unit highlights the inference result for each of the plurality of inference conditions according to a value of a parameter that specifies the inference condition.
前記表示制御手段は、
前記複数の推論条件ごとに前記推論結果をグラフにより表示し、
前記複数の推論条件の各々について、当該推論条件を特定するパラメータの値に応じて、当該推論条件に対応する前記グラフの全体の大きさを設定することにより、前記推論結果を強調表示する
ことを特徴とする請求項1に記載の情報処理装置。
The display control means includes
Displaying the inference result in a graph for each of the plurality of inference conditions;
For each of the plurality of inference conditions, the inference result is highlighted by setting the overall size of the graph corresponding to the inference condition according to the value of the parameter specifying the inference condition. The information processing apparatus according to claim 1.
前記複数の推論条件の各々に割り当てる重みをユーザに選択させる選択手段と、
前記複数の推論条件ごとに推論された前記推論結果の各々に対して前記選択された重みで重み付けをして、前記複数の推論条件における推論結果を合成する合成手段と
を更に備え、
前記表示制御手段は、さらに、前記合成された推論結果を前記表示手段に表示する
ことを特徴とする請求項1または2に記載の情報処理装置。
Selection means for allowing a user to select a weight to be assigned to each of the plurality of inference conditions;
Further comprising: a combining unit that weights each of the inference results inferred for each of the plurality of inference conditions with the selected weight, and synthesizes the inference results in the plurality of inference conditions;
The information processing apparatus according to claim 1, wherein the display control unit further displays the synthesized inference result on the display unit.
前記表示制御手段は、前記複数の推論条件ごとに、前記推論結果の表示の近傍に、当該推論条件を特定する情報を表示することを特徴とする請求項1から3のいずれか1項に記載の情報処理装置。   4. The display control unit according to claim 1, wherein the display control unit displays, for each of the plurality of inference conditions, information for specifying the inference condition in the vicinity of the display of the inference result. 5. Information processing device. 前記表示制御手段は、前記複数の推論条件の各々について、前記複数の属性ごとに、当該属性に対応する予め与えられたパラメータの値に応じて、前記推論結果を強調表示することを特徴とする請求項1から4のいずれか1項に記載の情報処理装置。   The display control means highlights the inference result for each of the plurality of inference conditions for each of the plurality of attributes according to a value of a parameter given in advance corresponding to the attribute. The information processing apparatus according to any one of claims 1 to 4. 前記推論条件を特定するパラメータには、前記入力データが属する属性を推論するために用いられる学習データの数が含まれることを特徴とする請求項1から5のいずれか1項に記載の情報処理装置。 Wherein the inference condition to identify the Rupa parameters, according to any one of claims 1-5, wherein the input data includes the number of training data used to infer attributes belonging Information processing device. 前記推論条件を特定するパラメータには、当該推論条件による推論の推論精度が含まれることを特徴とする請求項1から6のいずれか1項に記載の情報処理装置。 Wherein the inference condition to identify the Rupa parameter, the information processing apparatus according to any one of 6 claim 1, characterized in that includes the inference accuracy of the inference by the inference condition. 前記表示制御手段は、
前記推論条件において、前記入力データが属する属性を推論するために用いられる学習データのうち前記入力データに類似する学習データの、数と、当該学習データを用いた前記推論の推論精度とのいずれかを前記パラメータとして前記推論結果を強調表示することを特徴とする請求項1から5のいずれか1項に記載の情報処理装置。
The display control means includes
Either the number of learning data similar to the input data among the learning data used to infer the attribute to which the input data belongs in the inference condition, or the inference accuracy of the inference using the learning data The information processing apparatus according to claim 1, wherein the inference result is highlighted with the parameter as the parameter.
前記入力データが属する属性をそれぞれ異なる推論条件で推論する複数の推論手段をさらに備え、
前記表示制御手段は、前記複数の推論手段がそれぞれ推論した推論結果を前記表示手段に表示する
ことを特徴とする請求項1から8のいずれか1項に記載の情報処理装置。
A plurality of inference means for inferring attributes to which the input data belongs under different inference conditions,
9. The information processing apparatus according to claim 1, wherein the display control unit displays an inference result inferred by each of the plurality of inference units on the display unit. 10.
入力データが属する属性を複数の推論条件でそれぞれ推論した結果を表示手段に表示する情報処理装置の制御方法であって
示制御手段が、予め定められた複数の属性の各々について、前記入力データが当該属性に属する確率を前記複数の推論条件でそれぞれ推論した推論結果を、推論条件ごとに前記表示手段に表示する表示制御工程と
を有し、
前記表示制御工程においては、前記複数の推論条件の各々について、当該推論条件を特定するパラメータの値に応じて、前記推論結果を強調表示する
ことを特徴とする情報処理装置の制御方法。
A control method for an information processing apparatus that displays on a display means a result of inferring attributes to which input data belongs under a plurality of inference conditions ,
Table示制control means, for each of a plurality of attributes previously determined, the input data is displayed an inference result of the inference, respectively with probability the plurality of inference condition belonging to the attributes, to the display means for each inference condition A display control process,
In the display control step, for each of the plurality of inference conditions, the inference result is highlighted in accordance with a parameter value specifying the inference condition.
コンピュータを請求項1から9のいずれか1項に記載の情報処理装置が備える各手段として機能させるためのコンピュータプログラム。   The computer program for functioning a computer as each means with which the information processing apparatus of any one of Claim 1 to 9 is provided.
JP2014033308A 2014-02-24 2014-02-24 Information processing apparatus, control method therefor, and computer program Active JP5785631B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014033308A JP5785631B2 (en) 2014-02-24 2014-02-24 Information processing apparatus, control method therefor, and computer program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014033308A JP5785631B2 (en) 2014-02-24 2014-02-24 Information processing apparatus, control method therefor, and computer program

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2010083404A Division JP5486380B2 (en) 2010-03-31 2010-03-31 Information processing apparatus, control method therefor, and computer program

Publications (2)

Publication Number Publication Date
JP2014135066A JP2014135066A (en) 2014-07-24
JP5785631B2 true JP5785631B2 (en) 2015-09-30

Family

ID=51413235

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014033308A Active JP5785631B2 (en) 2014-02-24 2014-02-24 Information processing apparatus, control method therefor, and computer program

Country Status (1)

Country Link
JP (1) JP5785631B2 (en)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6738163B2 (en) * 2016-03-01 2020-08-12 キヤノン株式会社 Diagnostic support device, method and program executed by diagnostic support device
WO2019220833A1 (en) * 2018-05-18 2019-11-21 株式会社島津製作所 Diagnosis assistance system and diagnosis assistance device
JP7349425B2 (en) * 2018-06-05 2023-09-22 住友化学株式会社 Diagnosis support system, diagnosis support method, and diagnosis support program
JP7525248B2 (en) * 2019-04-10 2024-07-30 キヤノンメディカルシステムズ株式会社 Medical information processing device and medical information processing program

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080235057A1 (en) * 2005-10-31 2008-09-25 Koninklijke Philips Electronics, N.V. Clinical Workflow Management and Decision System and Method

Also Published As

Publication number Publication date
JP2014135066A (en) 2014-07-24

Similar Documents

Publication Publication Date Title
JP5486380B2 (en) Information processing apparatus, control method therefor, and computer program
KR101908680B1 (en) A method and apparatus for machine learning based on weakly supervised learning
JP5875285B2 (en) Medical diagnosis support apparatus, information processing method, and program
US9519866B2 (en) Diagnosis support apparatus, method of controlling the same, and storage medium
JP5340204B2 (en) Inference apparatus, control method thereof, and program
JP5785631B2 (en) Information processing apparatus, control method therefor, and computer program
JP2015116319A (en) Diagnosis support device, diagnosis support method, and diagnosis support program
US20150019473A1 (en) Diagnosis support system, method of controlling the same, and storage medium
US10884718B2 (en) Device for use in improving a user interaction with a user interface application
JP5244438B2 (en) Data classification device, data classification method, data classification program, and electronic device
JP2018108125A (en) Information processing apparatus, information processing method and program
JP6738163B2 (en) Diagnostic support device, method and program executed by diagnostic support device
KR20220125208A (en) Experimental point recommendation apparatus, experiment point recommendation method, and semiconductor device manufacturing system
CN116869555A (en) Scanning protocol adjusting method, device and storage medium
JP6336252B2 (en) Report creation support apparatus, control method thereof, and program
US20230019364A1 (en) Selection method of learning data and computer system
JP6316325B2 (en) Information processing apparatus, information processing apparatus operating method, and information processing system
EP3996001A1 (en) Data generation program, data generation method, and information processing device
JP5557687B2 (en) Inspection plan creation device
CN113903433A (en) Image processing method and device and electronic equipment
JP6527614B2 (en) Image processing apparatus and operation method of image processing apparatus
JP6862286B2 (en) Information processing equipment, information processing methods, information processing systems and programs
US9277891B2 (en) Image diagnosis assistance apparatus, processing method thereof, and storage medium
KR102236802B1 (en) Device and method for feature extraction of data for diagnostic models
US11990226B2 (en) Advanced loop selection systems and methods for supporting efficient echo comparison

Legal Events

Date Code Title Description
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: 20150626

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150724

R151 Written notification of patent or utility model registration

Ref document number: 5785631

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151