JP5789080B2 - 学習機械を使用したアクティブ電子カルテベースのサポートシステム - Google Patents

Description

本発明は、一般に医療データ処理の分野に関し、より詳細には、学習機械を訓練し、使用するための技法に関する。

医療分野では、患者の状態について学習し、治療するのに多くの異なるツールを使用することができる。従来、医師は、患者を物理的に診察し、何年もの研究および経験から少しずつ集められたありとあらゆる個人的知識を利用して、患者が遭遇する問題および状態を特定し、適切な治療を決定していた。サポート情報のソースには、従来、他の開業医、参考図書や解説書、比較的簡単な診察結果および分析などがあった。過去数十年間、また、特に近年、開業医は、使用可能な資源を大幅に拡大し、患者のケアを強化し、向上させる豊富な参考資料および意思決定支援ツールをさらに使用できるようになってきた。

例えば、識別情報、病歴、検査結果、画像データなど、患者に関連する大量の情報を収集し、電子形式で、その患者の電子カルテ（ＥＭＲ）に格納することができる。こうしたＥＭＲは、複数の場所およびソースからデータを集めることを臨床医に要求するのではなく、関連の患者データのすべて、またはかなりの部分を、効率的な方法で臨床医に提供することによって、臨床医の意思決定プロセスを向上させることができる。さらに、ＥＭＲなど、関連の患者データを中央場所に収集することは、臨床医が患者を診断し、治療するのを助ける意思決定支援ツールの開発を容易にし得ることを理解されよう。「アクティブ」ＥＭＲは、例えば、処理アルゴリズムでＥＭＲのデータを使用して、意思決定プロセスにおいて臨床医をサポートする。

処理アルゴリズムの一例には、目的とする問題を解決するために、その特徴に基づいて対象を分類するための学習アルゴリズムがあり得る。しかし、学習アルゴリズムの訓練およびテストを含めて、こうした学習アルゴリズムの開発が一般に非常に長いプロセスであることを理解されたい。さらに、こうした学習アルゴリズムは、データが取得されたデータ取得システムに特有のデータ特性に依存することが多い。その結果、医療技術は急速に発展するということ、および以前収集されたデータに基づいて訓練され、テストされた学習アルゴリズムを、より新しいまたは異なる技術で取得された現在のデータに、もはや適用することができない場合があるということのために、学習アルゴリズムは、医学の応用分野では、めったに使用されない。

米国特許第６１２８６０８号公報 米国特許第６１５７９２１号公報 米国特許第６４２７１４１号公報 米国特許第６６５８３９５号公報 米国特許第６７１４９２５号公報 米国特許第６７６０７１５号公報 米国特許第６７８９０６９号公報 米国特許第６８８２９９０号公報 米国特許第６９２０４５１号公報 米国特許第６９４４６０２号公報 米国特許第６９９６５４９号公報 米国特許出願公開第２００５００２６１９９号公報 米国特許出願公開第２００５００７１１４０号公報 米国特許出願公開第２００５００７６１９０号公報 米国特許出願公開第２００５００７９５２４号公報 米国特許出願公開第２００５０１３１８４７号公報 米国特許出願公開第２００５０１５８７３６号公報 米国特許出願公開第２００５０２１６４２６号公報 米国特許出願公開第２００５０２２８５９１号公報 国際公開第０３／０４０９４９号公報 国際公開第０５／００６１７９号公報 国際公開第０５／０２９２１８号公報

最初にクレームされた発明の範囲において見合ったいくつかの態様について、以下で説明する。これらの態様は、単に、本発明がとり得るいくつかの形態の概要を読者に提供するために提示されていること、および、これらの態様は、本発明の範囲を限定するものではないことを理解されたい。実際に、本発明は、以下で説明しない様々な態様を含み得る。

本発明の実施形態は、一般に、学習アルゴリズムまたは機械を訓練し、こうしたアルゴリズムまたは機械によりデータを処理するための技法に関し得る。一実施形態において、データ駆動プロセスを通して、学習機械が訓練され、テストされ、妥当性検査される。別の実施形態において、１つ以上のデータ取得システムからデータが受信され、そのデータから取得ソース不変特徴（acquisition source-invariant feature）が導出され、続いて学習アルゴリズムによって処理されて、ユーザに意思決定支援が提供される。特に、一実施形態において、このプロセスは、患者を診断する際に、臨床医に意思決定支援を提供する。

上述した特徴の様々な改良点が、本発明の様々な態様と関連して存在し得る。それ以上の特徴も、これらの様々な態様に組み込まれ得る。これらの改良点および追加の特徴は、個別に、または任意の組合せで存在し得る。例えば、例示の実施形態のうちの１つまたは複数と関連して後述する様々な特徴は、本発明の上記の態様のいずれかに単独で、または任意の組合せで組み込まれ得る。この場合もまた、上述した概要は、クレーム主題に限定することなく、本発明のいくつかの態様および文脈について読者に説明するためのものにすぎない。

本発明のこれらおよび他の特徴、態様、および利点は、添付の図面を参照して以下の詳細な説明を読めば、よりよく理解されよう。図面を通じて、同様の符号は、同様の部分を表す。

本発明の一実施形態によるプロセッサベースの装置またはシステムの例を示すブロック図である。 本発明の一実施形態によるデータ取得システムおよびデータ処理システムを含むシステム例の動作を一般的に示すブロック図である。 身体機能および身体状態を表す電子データを取得するための様々な一般的な構成要素またはモジュールを含む図２のデータ取得リソース例の一般的な図式表現である。 本発明の一実施形態によるデータ取得リソースの一部であり得る医療診断撮像システムのいくつかの機能部品の一般的な図式表現である。 本発明の一実施形態に従って使用され得るＸ線撮像システム例の図式表現である。 本発明の一実施形態に従って使用され得る磁気共鳴撮像システム例の図式表現である。 本発明の一実施形態に従って使用するためのコンピュータ断層撮像システム例の図式表現である。 本発明の一実施形態に従って使用するための陽電子放射断層撮影システムまたは単光子放射型コンピュータ断層撮影システム例の図式表現である。 本発明の一実施形態に従って提供されるデータ処理方法例のフローチャートである。 本発明の一実施形態による図９の方法を実行するために使用され得る様々なモジュールを示すブロック図である。 本発明の一実施形態によるユーザに出力を提供するプロセスのフロー図である。 本発明の一実施形態による学習機械を訓練し、妥当性検査するための方法例のフロー図である。

本発明の１つ以上の特定の実施形態について、以下で説明する。これらの実施形態を簡潔に説明しようとして、本明細書において実際の実装のすべての特徴を説明できないかもしれない。任意の技法的または設計のプロジェクトのように、任意のこうした実際の実装の開発において、実装によって変わり得る、システム関連およびビジネス関連の制約の順守など、開発者固有の目標を達成するために、様々な実装固有の決定がなされなければならないことを理解されたい。さらに、こうした開発の取り組みは、複雑で時間がかかり得るが、それにもかかわらず、この開示の恩恵を受ける当業者にとっては設計、製造、生産の通常の仕事であることを理解されたい。

本発明の様々な実施形態の要素を紹介するとき、冠詞「ａ」、「ａｎ」、「ｔｈｅ」および「ｓａｉｄ」は、１つ以上の要素があることを意味するものとする。「備える」、「含む」および「有する」という用語は、包括的であるものとし、列挙されている要素以外の追加の要素があり得ることを意味する。さらに、「例」という用語は、本明細書では、現在開示されている技法の態様または実施形態のいくつかの実例との関連で使用され得るが、これらの実例は、本質的に説明のためのものであり、「例」という用語は、本明細書では、開示された態様または実施形態に関して任意の優先または要件を示すために使用されているのではないことを理解されたい。さらに、「最上部」、「最下部」、「上部」、「下部」、他の位置の用語、およびこれらの用語の変形は、便宜上、任意に使用されているが、記載された構成要素の任意の特定の向きを要求するものではない。

次に図面に目を向け、まず、図１を参照すると、本技法との関連で使用するプロセッサベースのシステム１０の例が示されている。一実施形態において、プロセッサベースのシステム１０の例は、本技法のすべてまたは一部を実施するソフトウェアを含めて、様々なソフトウェアを稼働させるように構成されているパーソナルコンピュータなどの汎用コンピュータである。あるいは、他の実施形態において、プロセッサベースのシステム１０は、数ある中でも、システムの一部として提供される専用のソフトウェアおよび／またはハードウェアに基づいて本技法のすべてまたは一部を実施するよう構成されているメインフレームコンピュータ、分散コンピューティングシステム、または特定用途向けコンピュータまたはワークステーションを含み得る。さらに、プロセッサベースのシステム１０は、現在開示されている機能の実施を容易にするために、単一のプロセッサまたは複数のプロセッサを含み得る。

一般に、プロセッサベースのシステム１０の例は、システム１０の様々なルーチンおよび処理機能を実行する、例えば中央処理装置（ＣＰＵ）などのマイクロコントローラまたはマイクロプロセッサ１２を含む。例えば、マイクロプロセッサ１２は、いくつかのプロセッサを行うように構成されており、メモリ１４（例えば、パーソナルコンピュータのランダムアクセスメモリ（ＲＡＭ）など）や１つ以上の大容量記憶装置１６（例えば、内蔵または外付けのハードドライブ、ソリッドステート記憶装置、ＣＤ−ＲＯＭ、ＤＶＤ、または他の記憶装置など）などのコンピュータ可読媒体を含む製品に格納されている、またはそれによって提供される、様々なオペレーティングシステム命令、およびソフトウェアルーチンを実行することができる。さらに、マイクロプロセッサ１２は、コンピュータベースの実装において本技法の一部として提供されたデータなど、様々なルーチンまたはソフトウェアプログラムの入力として提供されたデータを処理する。

こうしたデータは、メモリ１４または大容量記憶装置１６に格納され、またはそれによって提供され得る。あるいは、こうしたデータは、１つ以上の入力装置１８を介してマイクロプロセッサ１２に提供され得る。当業者であれば理解するように、入力装置１８は、キーボード、マウスなどの手動入力装置を含み得る。さらに、入力装置１８は、任意の適した通信ネットワーク２４、例えばローカルエリアネットワークやインターネットなどを介した他の装置との通信を容易にするように構成されている、有線または無線のＥｔｈｅｒｎｅｔ（登録商標）カード、無線ネットワークアダプタ、または任意の様々なポートまたは装置などのネットワーク装置を含み得る。こうしたネットワーク装置を介して、システム１０は、システム１０に近いか、システム１０から離れているかにかかわらず、ネットワーク接続された他の電子システムとデータを交換し、通信することができる。ネットワーク２４は、スイッチ、ルータ、サーバまたは他のコンピュータ、ネットワークアダプタ、通信ケーブルなど、通信を容易にする様々な構成要素を含み得ることを理解されたい。

１つ以上の格納されたルーチンに従ってデータを処理することによって取得された結果など、マイクロプロセッサ１２によって生成された結果は、ディスプレイ２０および／またはプリンタ２２などの１つ以上の出力装置を介してオペレータに提供することができる。表示された、または印刷された出力に基づいて、オペレータは、例えば入力装置１８を介して、追加のまたは代替の処理を要求したり、追加のまたは代替のデータを提供したりすることができる。当業者であれば理解するように、プロセッサベースのシステム１０の様々な構成要素間の通信は、一般に、システム１０の構成要素を電子的に接続するチップセットおよび１つ以上のバスまたは相互接続を介して達成することができる。とりわけ、本技法のいくつかの実施形態において、プロセッサベースのシステム１０の例は、以下でより詳しく説明するように、データを処理し、学習アルゴリズムによりデータの対象を分類するよう構成することができる。

図２には、本発明の一実施形態に従ってデータを取得し、処理するためのシステム３０の例が示されている。システム３０は、患者３６から、または患者３６に関するデータ３４を収集する１つ以上のデータ取得システム３２を含む。データ３４は、数ある中でも、電子カルテ（ＥＭＲ）メタデータを含み得る画像データおよび非画像データのいずれかまたは両方を含み得る。さらに、データ３４は、データ取得システム３２を含む静的または動的データソースから受信され、データ処理システム３８によって処理することができる。データ処理システム３８は、上述したプロセッサベースのシステム１０、または現在開示されている技法に従ってデータ処理を容易にする任意の他のまたは追加の構成要素またはシステムを含み得る。

データ３４は、データベース４０に格納することができ、データ処理システム３８は、データ取得システム３２から、データベース４０から、または他の任意の適した方法で、データ３４を直接受信することができることを理解されたい。さらに、データ処理システム３８は、処理するために、追加のデータをデータベース４０から受信することもできる。以下でより詳しく説明するように、データ処理システム３８によって実行される処理は、目的とする問題に基づいて、データ３４または追加のデータを複数の対象に整理し、整理されたデータからソース不変特徴を導出し、ソース不変特徴に基づいて対象を分類し、目的とする問題の解決を容易にするために、結果を整理し、一般に、図２のレポート４２に示されているように、結果の何らかの表示を出力することを含み得る。データ処理システム３８は、図１に示すものなど、プロセッサベースのシステムとすることができ、現在開示されている機能を実行するように構成されたハードウェアおよび／またはソフトウェアの任意の適した組合せを含み得ることに留意されたい。さらに、本技法のいくつかの実施形態は、医療データおよび装置に関して説明され得るが、非医療データおよびシステムと共に本技法を使用することも考えられることに留意されたい。

いくつかの実施形態によるデータ処理システム３８の操作の追加の詳細について以下で説明するが、最初に、現在開示されている技法は、豊富なデータソース（データ取得システム３２）から取得され、データが取得されるデータソースのタイプに依存し得る様々な特性およびフォーマットを有するデータに適用できることに留意されたい。一部の実施形態において、データ取得システム５０の例は、図３に一般的に示されるように、いくつかの一般的なモジュールまたは構成要素を含み得る。これらの構成要素は、医学的な事象または状態を示し得るいくつかの目的とするパラメータを検出するために、患者に、または患者の周りに配置され得るセンサまたはトランスデューサ５２を含み得る。したがって、センサは、身体または身体の部分から発する電子信号、いくつかのタイプの動き（脈、呼吸など）によって作り出される圧力、または動き、刺激に対する反応などのパラメータなどを検出することができる。センサ５２は、身体の外部に配置することができるが、カテーテル、注入または摂取された手段、送信機を備えたカプセルを介するなど、身体内への配置も含み得る。

センサは、感知されたパラメータを表す信号またはデータを生成する。こうした生データは、データ取得モジュール５４に送信され得る。データ取得モジュールは、サンプリングされたデータまたはアナログデータを取得することができ、フィルタリング、多重化など、データに対して様々な初期操作を行うことができる。次いでデータは、信号調整モジュール５６に送信され、ここで、追加のフィルタリング、アナログ−デジタル変換など、さらなる処理が行われる。次いで、処理モジュール５８は、データを受信し、データの簡単なまたは詳細な分析を含み得る処理機能を実行する。ディスプレイ／ユーザインターフェイス６０は、データを、処理し、表示し、画面表示上のトレースやハードコピーなど、ユーザ所望のフォーマットで出力することができる。また、処理モジュール５８は、注釈、区切りまたはラベリング軸または矢印、および他の印がインターフェイス６０を介して生成された出力に表示されるように、マークマーキングしたり、マークマーキングについてデータを分析したりすることもできる。最後に、アーカイブモジュール６２は、データをリソース内に局部的に、または遠くに格納するよう働く。また、アーカイブモジュールは、データの再フォーマットまたは再構成、データの圧縮、データの復元などを可能にし得る。図３に示される様々なモジュールおよび構成要素の特定の構成は、当然、リソースの性質、および撮像システムの場合、かかわるモダリティに応じて変わる。最後に、参照番号２４で一般的に表されるように、図３に示されるモジュールおよび構成要素は、ネットワークを介して、外部システムおよびリソースに直接または間接的にリンクすることができ、これは、データ取得システム３２からデータ処理システム３８またはデータベース４０へのデータ３４の送信を容易にすることができる。

データ取得システム３２は、所望のデータを患者から収集することができるいくつかの非撮像システムを含み得ることを理解されたい。例えば、データ取得システム３２は、数ある中でも、脳波記録（ＥＥＧ）システム、心電図検査（ＥＣＧまたはＥＫＧ）システム、筋電図検査（ＥＭＧ）システム、電気インピーダンストモグラフィ（ＥＩＴ）システム、電気眼振検査（ＥＮＧ）システム、神経伝導データを収集するよう構成されているシステム、またはこれらのシステムの何らかの組合せを含み得る。データ取得システムは、図４〜８に関して以下で説明するように、さらにまたは代わりに様々な撮像リソース（imaging resource）を含んでいてもよい。

こうした撮像リソースを使用して、軟組織および硬組織の両方において医学的な事象および状態を診断し、特定の解剖学的組織の構造および機能を分析することができることを理解されたい。さらに、手が届きにくい、または視覚化することができないエリア内の外科的構成要素の案内をするのを助けるためなど、外科的介入中に使用することができる撮像システムを使用することができる。図４は、撮像システム例の全体像を示し、その後の図は、特定のモダリティシステムの主なシステム構成要素を、ある程度より詳細に示す。

図４を参照すると、撮像システム７０は、一般に、信号を検出し、信号を有用なデータに変換する何らかのタイプのイメージャ７２を含む。以下でより十分説明するように、イメージャ７２は、画像データを作成するために、様々な物理的原理に従って動作し得る。しかし、一般に、患者の目的とする領域を示す画像データは、写真フィルムなど従来のサポート、またはデジタル媒体のいずれかで、イメージャによって作成される。

イメージャは、システム制御回路７４の制御下で動作する。システム制御回路は、放射線源制御回路（radiation source control circuit）、タイミング回路、患者またはテーブルの動きと連動してデータ取得を調整するための回路、放射線源または他の源、または検出器の位置を制御するための回路など、広範な回路を含み得る。イメージャ７２は、画像データまたは信号の取得の後、デジタル値への変換のためなど、信号を処理することができ、画像データを画像取得回路７６に転送する。写真フィルムなど、アナログ媒体の場合、データ取得システムは、一般に、フィルムのサポート、およびフィルムを現像し、その後デジタル化され得るハードコピーを生成する機器を含み得る。デジタルシステムの場合、画像取得回路７６は、デジタルダイナミックレンジの調整、データのスムージングまたはシャープニング、および必要な場合、データストリームおよびフィルムのコンパイルなど、広範な初期処理機能を実行することができる。次いでデータは、データ処理回路７８に転送され、ここで、追加の処理および分析が実行される。写真フィルムなど従来の媒体では、データ処理システムは、フィルムに文字情報を付け加えると共に、いくつかの注釈や患者識別情報を添付したりすることができる。使用可能な様々なデジタル撮像システムでは、データ処理回路は、データの実質的な分析、データの配列、シャープニング、スムージング、特徴認識などを実行する。

最終的に、画像データは、表示および分析のために、何らかのタイプのオペレータインターフェイス８０に転送される。表示前に画像データに対して操作が行われる場合があるが、オペレータインターフェイス８０は、ある時点で、収集された画像データに基づいて再構成された画像を表示するのに役立つ。写真フィルムの場合、放射線専門医および主治医が画像系列をより容易に読み取り、それに注釈をつけることができるようにするために、一般に、画像がライトボックスまたは類似のディスプレイ上に掲示されることに留意されたい。また、画像は、画像アーカイブ通信システムなど、現在の目的のためには、一般にインターフェイス８０内に含まれるものと考えられる短期または長期記憶装置に格納することもできる。画像データを、ネットワーク２４を介して、リモートデータ処理システム３８など離れた場所に転送することもできる。また、一般的な観点から、オペレータインターフェイス８０は、一般にシステム制御回路７４とのインターフェイスを介して撮像システムの制御を提供することに留意されたい。さらに、１つを超えるオペレータインターフェイス８０を提供することができることにも留意されたい。したがって、撮像スキャナまたはステーションは、画像データ取得手順に関与するパラメータの調節を可能にするインターフェイスを含んでいてもよく、一方で、結果として得られた再構成された画像を操作し、強化し、表示するための異なるオペレータインターフェイスが設けられてもよい。

本技法と共に使用され得る撮像システムのより詳細な例に目を向けると、図５に、デジタルＸ線システム８４が全般的に示されている。図５では、デジタルシステムを参照するが、本技法では、当然、従来のＸ線システムを使用してもよいことに留意されたい。特に、従来のＸ線システムは、写真フィルムの形、およびデジタイザの使用を介するなど写真フィルムから抽出されたデジタル化された画像データの形の両方で、極めて有用なツールを提供することができる。

図５に示されるシステム８４は、放射線源８６、一般に、放射線ビーム８８を放射するよう設計されているＸ線管を含む。放射線は、一般に、目的物のタイプ、入力電力レベル、フィルタタイプなど、源８６のパラメータの調整によって、調子が整えられ、または調整され得る。結果として得られた放射線ビーム８８は、一般に、患者３６に向けられたビームの範囲および形状を決定するコリメータ９０を通して向けられる。患者３６の一部分がビーム８８の経路に配置され、ビームがデジタル検出器９２に当たる。

検出器９２は、一般にピクセルの行列を含んでおり、行列における様々な場所に当たる放射線の強度を符号化する。シンチレータは、高エネルギーＸ線放射をより低いエネルギーフォトンに変換し、これは、検出器内のフォトダイオードによって検出される。ピクセルが、再構成された最終画像のための基礎を形成する様々な強度レベルをもたらす様々なレベルの減衰を識別するように、Ｘ線放射は、患者内の組織によって減衰される。

制御回路およびデータ取得回路は、画像取得プロセスを調節し、結果として得られた信号を検出し、処理するために提供される。特に、図５の例示において、ソースコントローラ９４は、放射線源８６の操作を調節するために提供される。当然、テーブル位置、放射線源位置など、システムの制御可能な側面のために、他の制御回路が提供されてもよい。データ取得回路９６は、検出器９２と結合され、露出後、光検出器上の電荷の読み取りを可能にする。一般に、光検出器上の電荷は、当たる放射線によって枯渇し、枯渇を測定するために、光検出器が順次再充電される。読み出し回路は、画像行列のピクセル位置に対応する光検出器の行および列を体系的に読み出す回路を含み得る。次いで結果として得られた信号は、データ取得回路９６によってデジタル化され、データ処理回路９８に転送される。

データ処理回路９８は、デジタルデータにおけるオフセット、ゲインなどの調整、および様々な撮像強化機能を含めて、様々な操作を実行することができる。次いで、結果として得られたデータは、オペレータインターフェイス、データ処理システム３８、または短期または長期格納のための記憶装置に転送される。データに基づいて再構成された画像は、オペレータインターフェイス上に表示したり、表示または追加の処理のために、例えばネットワーク２４を介して、他の位置に転送したりすることができる。また、デジタルデータは、写真フィルムなどの従来のハードコピー媒体における再構成された画像の露出および印刷の基礎として使用することができる。

図６は、磁気共鳴撮像システム１０２の一般的な図式表現を表す。システムは、画像データの取得のために患者が位置するスキャナ１０４を含む。スキャナ１０４は、一般に、患者３６の身体内の磁気回転物質に影響を与える磁場を生成するための一次磁石（primary magnet）を含む。磁気回転物質、一般に水および代謝物が磁場に揃うよう試みると、傾斜磁場コイルは、互いに対して直交する追加の磁場を生成する。勾配磁場は、撮像のために患者内の組織薄片を効果的に選択し、その回転の位相および周波数に従って薄片内の磁気回転物質を符号化する。スキャナ内の無線周波数（ＲＦ）コイルは、高周波パルスを生成して、磁気回転物質を励磁し、その物質が磁場に再度揃うよう試みると、無線周波数コイルによって収集された磁気共鳴信号が発せられる。

スキャナ１０４は、傾斜磁場コイル制御回路１０６に結合されると共に、ＲＦコイル制御回路１０８に結合される。傾斜磁場コイル制御回路によって、画像データの生成に使用される撮像または検査方法を定義する様々なパルス系列の調節が可能になる。傾斜磁場コイル制御回路１０６を介して実施されるパルス系列の記述は、特定の薄片、解剖学的組織を撮像すると共に、血液および拡散物質（diffusing materials）などの運動組織の特定の撮像を可能にするよう設計されている。パルス系列によって、例えば、様々な臓器や特徴の分析、および３次元画像再構成のためなど、複数の薄片を順次撮像することができる。ＲＦコイル制御回路１０８は、パルスのＲＦ励起コイルへの付加を可能にし、結果として得られた検出されたＭＲ信号を受信し、部分的に処理するよう働く。特定の解剖学的組織および目的のために、様々なＲＦコイル構造を使用することができることにも留意されたい。さらに、単一のＲＦコイルをＲＦパルスの送信に使用し、異なるコイルが結果として得られた信号を受信するよう働くようにしてもよい。

傾斜磁場およびＲＦコイル制御回路は、システムコントローラ１１０の指示下で働く。システムコントローラは、画像データ取得プロセスを定義するパルス系列の記述を実施する。システムコントローラは、一般に、オペレータインターフェイス８０による検査系列のある程度の適応または構成を可能にする。

データ処理回路１１２は、検出されたＭＲ信号を受信し、再構成のためのデータを取得するために、信号を処理する。一般に、データ処理回路１１２は、受信した信号をデジタル化し、信号に対して２次元高速フーリエ変換を実行して、ＭＲ信号がそこから来た選択された薄片における特定の場所を復号する。結果として得られた情報は、薄片における様々な場所またはボリューム要素（ボクセル）から出るＭＲ信号の強度の表示を提供する。次いで各ボクセルは、再構成のための画像データにおけるピクセル強度に変換され得る。データ処理回路１１２は、画像強調、ダイナミックレンジ調整、強度調整、スムージング、シャープニングなど、他の様々な機能を実行することができる。結果として得られた処理済み画像データは、一般に、表示のためにオペレータインターフェイスに転送されるか、短期または長期ストレージに転送され、または、追加の処理のために、データ処理システムに転送されてもよい。上記の撮像システムのように、ＭＲ画像データを、スキャナ位置において近くで表示したり、例えばネットワーク２４を介して、施設内の離れた場所、および施設から離れた場所に送信したりすることができる。

図７は、一実施形態によるデータ取得システム３２として使用することができるコンピュータ断層（ＣＴ）撮像システムの基本的な構成要素を示す。ＣＴ撮像システム１１６は、扇形ビーム１２０でＸ線放射を生成するよう構成されている放射線源１１８を含む。コリメータ１２２は、放射線ビームの限度を定義する。放射線ビーム１２０は、源１１８から放射線が当たることによって枯渇するダイオードの電荷の読み出しを可能にするフォトダイオードおよびトランジスタの配列から成る湾曲検出器１２４の方に向けられる。放射線源、コリメータ、および検出器は、これらを速く回転させる（例えば１秒当たり２回転の速度）ことができる回転ガントリ１２６に取り付けられる。

一連の検査中、源および検出器が回転するにつれて、ガントリ内に位置する患者３６の周りの角変位位置において、一連のビューフレームが生成される。回転ごとにいくつかのビューフレーム（例えば５００から１０００の間）が収集され、患者がシステムの軸方向に沿ってゆっくりと動くにつれて、例えば螺旋状など、何度か回転が行われ得る。ビューフレームごとに、検出器の個々のピクセル位置からデータが収集されて、大量の離散的データが生成される。ソースコントローラ１２８は、放射線源１１８の操作を調節し、ガントリ／テーブルコントローラ１３０は、ガントリの回転および患者の動きの制御を調節する。

検出器によって収集されたデータは、デジタル化され、データ取得回路１３２に転送される。データ取得回路は、データファイルの生成のためなど、データの初期処理を行うことができる。データファイルは、心周期、特定の時におけるシステム内の位置などに関するものなど、他の有用な情報を組み込むことができる。次いでデータ処理回路１３４は、データを受信し、様々なデータ処理および演算を行う。

一般に、ＣＴスキャナからのデータは、様々な方法で再構成することができる。例えば、回転の全３６０度のビューフレームを使用して、患者を通して薄片または厚片の画像を構成することができる。しかし、情報の一部は、一般に重複する（患者の反対側の同じ解剖学的組織を撮像する）ため、１８０度プラス放射ファンの角度にわたって取得されたビューフレームについての情報を含む、減少したデータの組を構成することができる。あるいは、患者の周りの複数の回転サイクルの部分から同じ数のビューフレームを取得することができるマルチセクタ再構成が使用される。次いで、有用な画像へのデータの再構成は、検出器における放射線の投射の演算および患者の特定の位置によるデータの相対的な減衰の識別を含む。生データ、部分的に処理されたデータ、および完全に処理されたデータが、後処理の格納および画像再構成のために転送され得る。データは、オペレータインターフェイス８０などのオペレータによってすぐに使用することができ、通信ネットワーク２４を介して遠くに送信することもできる。

図８は、陽電子放射断層撮影（ＰＥＴ）撮像システム１４０のいくつかの基本的な構成要素を示す。しかし、示した構成要素は、データ取得システム３２として使用することもできる単光子放射型コンピュータ断層撮影（ＳＰＥＣＴ）システムのものにも対応し得ることを理解されたい。ＰＥＴ撮像システム１４０は、時としてサイクロトロンとも呼ばれる放射標識モジュール１４２を含む。サイクロトロンは、グルコースなど、放射性物質でタグ付けまたは放射標識されたいくつかの物質を用意するよう構成されている。次いで、放射性物質は、参照番号１４４で示されるように、患者３６に注入される。次いで患者がＰＥＴスキャナ１４６に配置される。スキャナは、患者の体内の放射性崩壊（radioactivity decay）としてタグ付けされた物質からの放出物を検出する。特に、時として陽電子と呼ばれるポジトロンは、放射性核種レベルの崩壊として物質によって放出される。ポジトロンは、短距離を移動し、最終的に、電子と結合して、１対のガンマ線の放出をもたらす。スキャナ内の光電子増倍管−シンチレータ検出器は、ガンマ線を検出し、検出された放射線に基づいて、信号を生成する。

スキャナ１４６は、オペレータインターフェイス８０によってそれ自体調節されるスキャナ制御回路１４８の制御下で動作する。ほとんどのＰＥＴスキャンでは、患者の全身がスキャンされ、ガンマ放射線から検出された信号がデータ取得回路１５０に転送される。放射線の特定の強度および位置を、データ処理回路１５２によって特定することができ、再構成された画像を作成し、オペレータインターフェイス８０上で表示したり、生データまたは処理済みデータを後の画像の強化、分析、および表示のために格納したりすることができる。画像または画像データを、ネットワーク２４へのリンクを介して離れた場所に送信することもできる。

ＰＥＴスキャンは、一般に、癌を検出し、癌治療の効果を検査するために使用される。このスキャンは、例えば心臓への血流を決定するために使用したり、冠動脈疾患の徴候を評価するために使用したりすることもできる。心筋代謝の研究との組合せで、ＰＥＴスキャンを使用して、適切な血流を確立するために、血管形成手術や冠状動脈バイパス術などの手法から恩恵を得る心筋と、機能していない心筋とを区別することができる。原因不明の記憶障害の患者を評価したり、脳腫瘍の存在の可能性を評価したり、発作障害の潜在的な原因を分析したりするために、脳のＰＥＴスキャンも使用することができる。これらの様々な手法において、異なるタイプの組織によるタグ付けされた物質の差別的な取り込みに基づいて、ＰＥＴ画像が生成される。

説明のために、上記にはいくつかの撮像システムが記載されているが、現在開示されているデータ処理システム３８は、ほんの一例ではあるが、蛍光間接撮影システム、マンモグラフィシステム、超音波検査システム、サーモグラフィシステム、他の核医学システム、熱音響システムなど、追加のおよび／または専用の撮像システムからのデータを処理することができることに留意されたい。さらに、上述したように、データ処理システム３８は、本技法に完全に従ってデータベースまたはコンピュータワークステーションから取得されたものを含めて、他の非撮像データソースから取得された追加のデータを受信し、処理することもできる。

現在開示されている技法の一実施形態は、データ処理方法１６０の例の一連のステップを示す図９を参照すると、よりよく理解されよう。例えばデータ処理システム３８によって、いったんデータが受信されると、ステップ１６２でデータが整理される。上述したように、受信したデータは、豊富なデータ取得システム３２またはデータベース、例えばデータベース４０などのうちの任意のものから取得された画像データ１６４および非画像データ１６６の一方または両方を含み得る。一部の実施形態において、非画像データは、パラメータトリックデータ、非パラメータトリックデータ（エラーイベントログなど）、またはＥＭＲメタデータを含み得る。一実施形態において、データを整理することは、テキストおよび画像情報に索引付けし、それらをベクトルとして配列し、情報をこうしたベクトルにマッピングすることを含み得る。

方法１６０は、整理されたデータにおけるソース不変特徴を識別するステップ１６８も含む。上述したように、複数の異なる取得システムから収集されたデータは、異なるタイプのものであってもよく、またはデータを生成する取得システムのタイプに基づいて異なるフォーマットを有していてもよい。さらに、学習機械および学習アルゴリズムは、しばしば、単一のタイプのデータ取得システムによって取得されたもの（ＣＴシステム、ＭＰＩシステムなど）など、特定のタイプのデータを特定のフォーマットで受信するように構成されている。しかし、本発明の様々な実施形態において、データ取得システムは、有利には、データを前処理して、ソース不変の方法で、関心対象（小結節など）を説明する、データにおける特徴を特定することができる。こうした特徴は、それだけには限定されないが、幾何学的（すなわち形状）特徴、組織的特徴、対象の密度などを含み得る。例えば、目的とする問題が腫瘍の識別であり、学習アルゴリズムの特徴のうちの１つが、ある範囲内の直径を有する球体であるシナリオで、データ処理システムは、異なる画像解像機能を有する異なる２つのデータ取得システムから画像データを受信し、ソース不変データ特徴を導出するために、異なるように処理することができる。

関心対象のソース不変特徴がいったん識別されると、方法１６０の例は、ステップ１７０で対象の分類を続ける。一部の実施形態において、対象は、任意の適した学習アルゴリズムまたは機械の使用を介して分類される。分類のための学習アルゴリズムの一例は、サポートベクトルマシンである。理解できるように、サポートベクトルマシン（ＳＶＭ）は、分類および回帰に使用される１組の関連の教師あり学習方法（supervised learning method）であり、汎用の線形分類器群に属する。ＳＶＭは、Ｔｉｋｈｏｎｏｖ正則化法の特別なケースとみなすことができる。ＳＶＭは、経験的な分類の誤りを最低限に抑えると同時に、幾何マージンを最大にすることができ、その結果、最大マージン分類器としても知られる。

しかし、こうした学習アルゴリズムおよび機械は、一般に、単一のデータソースまたは類似のデータソースからの共通フォーマットを有するデータなど、特定のタイプのデータに基づいて、訓練され、テストされ、妥当性検査されることに再度留意されたい。したがって、最初にアルゴリズムを訓練し、テストし、妥当性検査するのに使用されたものとは異なるタイプのデータと共に、学習アルゴリズムまたは機械を使用するために、学習アルゴリズムおよび機械は、一般に、新しい１組の訓練データに基づいて、再訓練され、再テストされ、再妥当性検査されなければならないことになる。しかし、現在開示されている技法の一部の実施形態において、学習アルゴリズムが、異なる特性を有するデータから取得され、異なるデータソースから受信されたソース不変の特徴に基づいて、対象を分類することができるように、データ特徴を、ソース不変の方法でこうした特徴を説明するために前処理することができる。したがって、データにおける取得ソース不変特徴の識別によって、学習分類アルゴリズムを、異なるソースからの様々なデータタイプに広範に適用することができ、データ取得ソースまたは技術の変更後に、アルゴリズムを再訓練し、再テストし、再妥当性検査する必要性を回避することができる。さらに、一部の実施形態において、対象の分類は、画像データまたはこうした画像データのソース不変特徴だけではなく、データ処理システム３８によって受信された非画像データにも基づく。例えば、一実施形態において、分類は、画像データ、および電子カルテからのメタデータなどの非画像データの両方に基づき得る。また、この分類プロセスの結果は、図１１を参照して以下により詳しく説明するように、ステップ１７４の結果を表す任意の出力前に、ステップ１７２で整理することができる。

図１０のブロック図１７８に、本発明の一実施形態による、上述した機能を実行する様々な構成要素が示されている。特に、データ処理システムは、画像データ１６４および非画像データ１６６の一方または両方を含めて、様々なデータを受信するデータ入力モジュール１８０を含み得る。データ入力モジュール１８０は、ネットワークを介してこうしたデータの自動的な収集または受信を容易にするよう構成される、いくつかのタイプのデータのユーザ入力を容易にする、またはそうでない場合、任意の他の適した方法でデータの受信を容易にすることができることにさらに留意されたい。データ処理システムは、一般的に上述したように、データを整理し、データにおけるソース不変特徴を識別するように構成されているデータ整理モジュール１８２および前処理モジュール１８４を含んでいてもよい。さらに、データ処理システムは、一般にデータの対象を分類し、所望の方法で結果を整理し、こうした結果の表示を出力するよう構成されている対象分類モジュール１８６および出力モジュール１８８を含み得る。一般的に示されているモジュールは、現在開示されている機能を実行するための任意の適したハードウェアに組み込まれていてもよく、同時にまたは代わりに、製品（例えば、コンパクトディスク、ハードドライブ、フラッシュメモリ、ＲＡＭなど）に格納され、本明細書に記載された機能の性能を実行するためにプロセッサによって実行されるよう構成されているソフトウェアルーチンを含んでいてもよいことに留意されたい。

理解できるように、多くの人は、分類プロセスの結果に興味があるかもしれないが、こうした結果に関して異なるレベルの詳細を求めるかもしれない。したがって、図１１のブロック図１９２に一般的に表される一実施形態において、分類結果は、適したレベルの詳細で様々な人への結果の配布を容易にする階層的な方法で整理される。現在示されている実施形態において、一般に、数字および／またはテキストフォーマットの形とすることができる初期分類結果１９４をインデックス付けして、さらなる分類または後処理を容易にする結果１９６を生成して、結果の表示を提供する任意の所望のグラフィカル出力１９８またはアラームなどの音声出力２００を生成することができる。一部の実施形態において、ステップ１７４（図９）の結果の出力は、グラフィカル出力１９８または音声出力２００の提供を含み、またはすべてそれで構成され得る。出力１９８および２００は、こうした後処理後に格納され、グラフィカル出力１９８および／または音声出力２００を、ハンドヘルド装置２０２、コンピュータステーション２０４、自動ツール２０６などを含めて、１つ以上の所望の装置またはツールに伝えることができる。出力１９８および２００を、有線通信または無線通信を介してなど任意の適した方法を介して、こうした装置またはツールに提供できることを理解されたい。さらに、インデックス付き結果１９６、または初期結果１９４を、必要に応じてハンドヘルド装置２０２、コンピュータステーション２０４、自動ツール２０６に提供することができる。例えば、一実施形態において、ハンドヘルド装置２０２は、グラフィカル出力１９８または音声出力２００を受信することができ、こうした装置のユーザは、ハンドヘルド装置２０２を介して初期結果１９４またはインデックス付き結果１９６にアクセスすることを選択することができる。

図１２に、本発明の一実施形態による機械訓練および妥当性検査方法２１０の例が一般的に示されている。方法２１０は、ステップ２１２で初期問題定義の提供から開始する。例えば、一実施形態において、容積測定用計算機支援型読影（volume computer-assisted reading：ＶＣＡＲ）システムを使用して、初期問題定義に基づいて、検出問題を解決し、医療データで球状を検出することができる。結果は、ステップ２１４で、１つ以上のＶＣＡＲシステムまたは他のデータ取得システムから収集され、ステップ２１６で、問題定義を改訂するために使用され得る。さらなる問題定義改訂が望まれる場合、決定ブロック２１８およびステップ２２０によって一般的に示されるように、追加のデータを、改訂された問題定義に基づいて収集することができる。いったん問題定義が十分改訂されると、データを使用して、それぞれステップ２２２および２２４において、学習機械またはアルゴリズムを訓練し、テストすることができる。訓練およびテストは、決定ブロック２２６によって一般的に示されるように、反復プロセスとすることができ、こうしたテストがいったん上手く結論付けられると、学習機械を、ステップ２２８で妥当性検査することができる。処理済みデータに基づいて正確な診断を提供する学習アルゴリズムの能力は、適した問題定義、および学習アルゴリズムの十分な訓練およびテストにかなり依存し得ることに留意されたい。さらに、特定の診断結果にリンクされている特徴の検出は、対象検出およびこうした対象に関する臨床成績に関するフィールドデータの収集によって容易にすることができること、および一実施形態において、こうした検出および結果データを使用して、問題定義を改良し、上述した分類アルゴリズムなど、学習アルゴリズムを訓練し、テストし、妥当性検査することに留意されたい。

最後に、上記に基づいて、本技法が、データ独立性、特徴独立性、およびアルゴリズム独立性を含めて、学習機械の訓練に使用される学習ステップにおける十分な独立性を可能にすることを理解できよう。とりわけ、データ独立性は、学習プロセスに使用されるソース不変特徴の生成に影響を与えることなく、統合されるデータのタイプを変更するための柔軟性を提供する。さらに、特徴独立性は、特定の学習アルゴリズムの選択に影響を与えることなく、ソース不変プロセスの生成における柔軟性を提供し、したがって、本技法が学習プロセス中に複数のアルゴリズムを使用することができるようにする。さらに、アルゴリズム独立性は、結果、および最終的にこれらの学習アルゴリズムから生成された知識に影響を与えることなく、様々な学習アルゴリズムを選択し、それを扱う柔軟性を提供する。したがって、本技法によって提供される独立性は、以前の学習プロセスより柔軟性があり、より適応可能であり、より効率的で、より強力な学習プロセスをもたらし得る。さらに、取得システム不変特徴の識別および使用は、異なるデータソースまたは技術の変更による学習分類アルゴリズムの再訓練の必要性を低減し、または無くすことができる。さらに、一実施形態において、本技法は、対象の分類が全体的考察に基づくように、取得システム不変特徴およびアクティブＥＭＲメタデータに基づく分類を容易にする。

本明細書には、本発明のいくつかの特徴のみを示し、説明しているにすぎないが、当業者であれば、多くの改変および変更を思い付く。したがって、添付の特許請求の範囲は、本発明の真の意図に含まれるすべての改変および変更をカバーするものとする。

１０ システム
１２ マイクロプロセッサ
１４ メモリ
１６ ストレージ
１８ 入力装置
２０ ディスプレイ
２２ プリンタ
２４ ネットワーク
３０ システム
３２ データ取得システム
３４ データ
３６ 患者
３８ データ処理システム
４０ データベース
４２ レポート
５０ データ取得システム
５２ センサ
５４ データ取得モジュール
５６ 信号調整モジュール
５８ 処理モジュール
６０ ディスプレイ／ユーザインターフェイス
６２ アーカイブモジュール
７０ 撮像システム
７２ イメージャ
７４ システム制御回路
７６ 画像取得回路
７８ データ処理回路
８０ インターフェイス
８４ システム
８６ 放射線源
８８ ビーム
９０ コリメータ
９２ 検出器
９４ ソースコントローラ
９６ データ取得回路
９８ データ処理回路
１０２ システム
１０４ スキャナ
１０６ 傾斜磁場コイル制御回路
１０８ ＲＦコイル制御回路
１１０ コントローラ
１１２ データ処理回路
１１６ システム
１１８ 放射線源
１２０ ビーム
１２２ コリメータ
１２４ 検出器
１２６ ガントリ
１２８ ソースコントローラ
１３０ ガントリ／テーブルコントローラ
１３２ データ取得回路
１３４ データ処理回路
１４０ システム
１４２ 放射標識モジュール
１４４ 注入
１４６ スキャナ
１４８ スキャナ制御回路
１５０ 画像取得回路
１５２ データ処理回路

Claims (6)

1. 複数のルーチンを格納するメモリ装置（１４，１６）と、
   前記メモリ装置に格納されている前記複数のルーチンを実行するよう構成されているプロセッサ（１２）であって、前記複数のルーチンが、
   実行されると、第１のデータソースからの第１の入力データと第２のデータソースからの第２の入力データを含む入力データの受信を実行するよう構成されているルーチン（１８０）と、
   実行されると、前記入力データの整理（１６２）を実行するよう構成されているルーチン（１８２）と、
   実行されると、前記入力データから、前記第１及び第２の入力データの両方に含まれる関心対象に対応する１つ以上の特徴の識別（１６８）を実行するよう構成されているルーチン（１８４）であって、前記１つ以上の特徴が異なる処理アルゴリズムを使用して前記第１及び第２の入力データの各々において識別され、前記１つ以上の特徴が、ソース不変特性を含み、各データセットにおける前記１つ以上の特徴の識別が、前記１つ以上の特徴の位置に基づいていない、前記ルーチン（１８４）と、
   実行されると、前記第１及び第２の入力データに含まれる前記１つ以上の特徴を使用して前記第１及び第２の入力データにおいて識別された前記関心対象の分類（１７０）を実行することにより学習アルゴリズムを訓練するよう構成されているルーチン（１８６）であって、前記訓練が行われた前記学習アルゴリズムが、再訓練することなしに前記第１及び第２の入力データを生成したシステムとは異なるタイプのシステムを使用して生成された第３のデータセットに含まれる関心対象を分類することができる、前記ルーチン（１８６）と、
   実行されると、前記関心対象の前記分類の結果の出力（１７４）を実行するよう構成されているルーチン（１８８）と
   を含むプロセッサと、を具備することを特徴とするシステム。
2. 実行されると、前記訓練が行われた前記学習アルゴリズムをテストして、前記学習アルゴリズムの妥当性検査するルーチン（２２４）を含む請求項１に記載のシステム。
3. 前記第１のデータソースが第１の画像解像度で画像データを取得するよう構成され、前記第２のデータソースが前記第１の画像解像度とは異なる第２の画像解像度で画像データを取得するよう構成されている撮像システム（７０）を含む請求項１または２に記載のシステム。
4. 前記第１のデータソースが第１のイメージングシステムを含み、前記第２のデータソースが患者情報のデータベース（４０）を含む請求項１乃至３のいずれかに記載のシステム。
5. 前記ソース不変特性が、幾何学的特徴、組織的特徴、または前記関心対象の密度を含む請求項１乃至４のいずれかに記載のシステム。
6. コンピュータに
   医療機関に初期問題定義を提供する手順（２１２）であって、前記初期問題定義が、医療画像データ（１６４）で検出された対象に関する診断結果を、少なくとも前記医療画像データの分析を介して予測するプロセスを含む、前記手順（２１２）と、
   前記医療機関から、前記医療画像データにおける検出された対象に関する診断データを受信する手順（２１４）と、
   前記診断データを、前記検出された対象に関する前記予測された診断結果と比較する手順と、
   前記比較に少なくとも一部基づいて、前記初期問題定義を改訂する手順（２１６）と、
   前記医療機関から受信された前記診断データに少なくとも一部基づいて、学習機械を訓練する手順（２２２）であって、前記学習機械が再訓練なしに、前記医療画像データを生成した第１のタイプのシステムとも前記診断データを生成したシステムとは異なるタイプの第３のタイプのイメージングシステムからの第３のデータセットを使用して動作できるように、前記学習機械が、前記第１及び第２のタイプのシステムにより収集されたデータにおいて識別された１以上の特徴を受けて訓練され、前記１つ以上の特徴が、ソース不変特性を含み、前記手順（２２２）と、
   医療画像を分析し、前記医療画像において検出された対象に関して予測された診断結果を生成するために、前記学習機械を操作する手順（１７０）と、
   前記学習機械による前記医療画像の前記分析の結果を示すレポートを出力する手順（１７４）と
   を実行させるためのプログラム。
   

Images