JP5865447B2 - 診断支援装置及びその制御方法、診断支援システム、プログラム - Google Patents

Description

本発明は、医用情報を処理し、得られた情報を提示する診断支援装置及びその制御方法、診断支援システム、プログラムに関する。

医療の分野において、医師は、患者を撮影した医用画像をモニタに表示し、表示された医用画像を読影して、病変部の状態や経時変化を観察する。この種の医用画像を生成する装置としては、
・ＣＲ（Computed Radiography）装置、
・ＣＴ（Computed Tomography）装置、
・ＭＲＩ（Magnetic Resonance Imaging）装置、
・ＰＥＴ（Positron Emission Tomography）装置、
・ＳＰＥＣＴ画像（Single Photon Emission Computed Tomography）、
・超音波装置（ＵＳ；Ultrasound System）等が挙げられる。

このような医師の読影に対する負担軽減を目的として、医用画像に対して癌等を表す異常な腫瘤陰影や高濃度の微小石灰化陰影等を検出し、コンピュータ処理により陰影の状態を推論・提示することにより診断の支援を行う装置が開発されている。この結果を提示することにより、医師の読影に対する負荷を軽減し、また読影結果の精度を向上させることができる。このような装置はコンピュータ支援診断（ＣＡＤ：Computer-Aided Diagnosis）装置と呼ばれる。

通常、このようなＣＡＤを実際の臨床現場で用いる場合の正しい手順としては、まず医師による読影が行われ、その後に医師はＣＡＤが出力した診断支援情報を参照し、自らが読影した結果との比較を行う。この作業は具体的には、医師自らが書いた読影レポートとＣＡＤが算出した診断支援情報との所見情報の対応付けを行い、見落としや誤検出、所見の違いなどを見つける。しかし、ＣＡＤが何を根拠にして診断支援情報を推論したのかが提示されないと、ＣＡＤの推論結果が信頼性のある結果かどうかが判断できない。特に、医師の読影の結果とＣＡＤの結果が異なる場合には、推論結果の信頼性を判断するのが重要となる。

従って、ＣＡＤシステム側が何を根拠にして診断支援情報を推論したのかを提示する仕組みを提供する必要がある。これに対して、特許文献１には医用画像上に異常陰影候補のマーカーと異常の判定を支援した情報を同時に重畳表示する技術が記載されている。また、特許文献２にはコンピュータ支援検出で使用された特徴・基準を画像上に符号化記述子として表示する技術が記載されている。以上の特許文献１，２によれば、検出した異常陰影に対する推論の根拠をユーザに提示することで異常陰影候補の種別をより的確に判定することができる。

特ＷＯ２００５／１０４９５３号公報 特表２００６−５００１２４号公報

「Bayesian Networks and Decision Graphs」、Finn V. Jensen、Thomas D. Nielsen、2007年（非特許文献１は、「発明を実施するための形態」の欄において参照されている）

しかしながら、特許文献１に記載の技術は異常陰影候補の検出理由は提示されるものの、理由の一つが提示されるのみであり、推論の根拠となる情報が多数ある場合の対処法は示されていない。特許文献２に記載の技術は表示する根拠情報を複数選択することは可能なものの、提示する情報はユーザの選択に任されており、どの情報を選択してユーザに提示すればよいかが不明であった。また、特許文献１および特許文献２では、推論結果に肯定的な情報のみを提示しているため、推論結果の信頼性が肯定的な情報からのみしか判断できなかった。

本発明は、医療意志決定支援による推論結果の信頼性をユーザが容易に、的確に判断できるようにすることを目的とする。

上記の目的を達成するための、本発明の一態様によるによる医療意志決定支援装置は以下の構成を備える。すなわち、
複数の医用情報に基づいて、医療診断に関わる診断名の複数の候補のそれぞれについての推論確率を算出する推論手段と、
前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々についての、前記診断名の複数の候補のそれぞれの推論確率への影響度を、前記診断名の複数の候補のそれぞれについて個別に算出可能である算出手段と、
前記推論手段により算出された推論確率に基づき推論結果として特定される前記診断名の複数の候補のうち少なくとも１つと、前記複数の部分集合のうち、前記算出手段により前記推論結果について算出される影響度に基づき特定される部分集合に含まれる医用情報と、を表示部に表示させる表示制御手段と、を備える。

本発明によれば、医療意志決定支援による推論結果の信頼性をユーザが容易に、的確に判断できるようになる。

実施形態による医療意志決定支援装置の機器構成例を示す図。 第１〜第３実施形態の処理手順を示すフローチャート。 図２におけるステップＳ２０４の詳細な処理手順を示すフローチャート。 ベイジアンネットワークを用いた確率推論モデルを示す図。 図４の確率推論モデルにいくつかのエビデンスが入力された例を示す図。 図４の確率推論モデルに一つのエビデンスが入力された例を示す図。 第１実施形態でｋ＝１の場合のモニタ１０４における表示の一例を示す図。 図４の確率推論モデルに二つのエビデンスが入力された例を示す図。 第１実施形態でｋ＝２の場合のモニタ１０４における表示の一例を示す図。 図１０におけるステップＳ５０４の詳細な処理手順を示すフローチャート。 図１０におけるステップＳ５０５の詳細な処理手順を示すフローチャート。 第２実施形態でｋ＝１の場合のモニタ１０４における表示の一例を示す図。 第２実施形態でｋ＝２の場合のモニタ１０４における表示の一例を示す図。 図１５におけるステップＳ８０５の詳細な処理手順を示すフローチャート。 第３実施形態のモニタ１０４における表示の一例を示す図。

以下、添付図面に従って本発明に係る医療意志決定支援装置及び方法の好ましい実施形態について詳説する。ただし、発明の範囲は図示例に限定されるものではない。

［第１実施形態］
図１は、第１実施形態に係る医療意志決定支援装置の機器構成例を示す図である。医療意志決定支援装置１は、入力された複数の医用情報に基づいて医療診断に関わる推論処理を行い、推論結果を得るものであり、制御部１０、モニタ１０４、マウス１０５、キーボード１０６を有する。制御部１０は、中央処理装置（ＣＰＵ）１００、主メモリ１０１、磁気ディスク１０２、表示メモリ１０３を有する。そして、ＣＰＵ１００が主メモリ１０１に格納されたプログラムを実行することにより、医用画像データベース２や診療録データベース３との通信、医療意志決定支援装置１の全体の制御、等の各種制御が実行される。

ＣＰＵ１００は、主として医療意志決定支援装置１の各構成要素の動作を制御する。主メモリ１０１は、ＣＰＵ１００が実行する制御プログラムを格納したり、ＣＰＵ１００によるプログラム実行時の作業領域を提供したりする。磁気ディスク１０２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、後述する診断支援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１０３は、モニタ１０４のための表示用データを一時記憶する。モニタ１０４は、例えばＣＲＴモニタや液晶モニタ等であり、表示メモリ１０３からのデータに基づいて画像を表示する。なお、本実施形態では、医療意志決定支援による推論結果等をユーザ（医師）に提示するためにモニタ１０４に推論結果を表示するが、プリンタ等により推論結果を出力する形態であってもかまわない。マウス１０５及びキーボード１０６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。上記各構成要素は共通バス１０７により互いに通信可能に接続されている。

本実施形態において、医療意志決定支援装置１はＬＡＮ４を介して、医用画像データベース２から画像データを、診療録データベース３から診療録データを、それぞれ読み出すことができる。ここで、医用画像データベース２として既存のＰＡＣＳ（Picture Archiving and Communication System）を利用することができる。また、診療録データベース３として既存のＨＩＳ（Hospital Information System）のサブシステムである電子カルテシステムを利用することができる。或いは、医療意志決定支援装置１に外部記憶装置、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画像データおよび診療録データを読み込むようにしても良い。

なお、医用画像の種類には、単純Ｘ線画像（レントゲン画像）、Ｘ線ＣＴ画像、ＭＲＩ画像、ＰＥＴ画像、ＳＰＥＣＴ画像、超音波画像などがある。また、診療録データには、患者の個人情報（氏名、生年月日、年齢、性別など）、臨床情報（様々な検査値、主訴、既往歴、治療歴など）、医用画像データベース２に格納された患者の画像データへの参照情報および主治医の所見情報などが記載される。さらに、診断が進んだ段階で、診療録データには確定診断名が記載される。

次に、図２のフローチャートを用いて、制御部１０がどのように医療意志決定支援装置１を制御しているかについて説明する。なお、図２のフローチャートによって示される処理は、ＣＰＵ１００が主メモリ１０１に格納されているプログラムを実行することにより実現される。

ステップＳ２０１において、ＣＰＵ１００はマウス１０５やキーボード１０６の入力に応じて、所望の医用画像データを医療意志決定支援装置１に入力する処理を行う。以下、ステップＳ２０１で入力された医用画像データを読影対象画像と呼ぶ。この画像データの入力処理は、例えば、上述したように、ＣＰＵ１００は、撮影された医用画像データを保存する医用画像データベース２からＬＡＮ４を介して医用画像データを読影対象画像として受信する。或いは、ＣＰＵ１００は、医療意志決定支援装置１に接続された記憶装置、例えばＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等の各種記憶媒体から画像データを読影対象画像として読み取る。次に、ステップＳ２０２において、ＣＰＵ１００は、医療意志決定支援装置１に入力された読影対象画像を、モニタ１０４に表示する。

ステップＳ２０３において、医師はモニタ１０４に表示された読影対象画像を見ながら、マウス１０５やキーボード１０６などを用いて読影所見を医療意志決定支援装置１に入力する。このとき、例えばテンプレート形式の読影所見入力支援方法を用いてもよい。或いは、画像処理による画像特徴量を入力としてもよい。以下では、入力された読影所見／画像特徴量を医用情報と呼ぶ。ステップＳ２０４において、ＣＰＵ１００は、ステップＳ２０３で入力された読影対象画像の医用情報から、コンピュータ処理によって医学的な診断情報を得る処理を実行する。すなわち、医療意志決定支援装置１に入力された医用情報に対して、推論処理を行う。ステップＳ２０４の詳細な処理手順については、図３を用いて以下で説明する。以下、Ｉ_fix等、Ｉを用いて示したデータは一つの医用情報からなる集合を表す。

図３はステップＳ２０４の詳細な処理手順を示すフローチャートである。ステップＳ３０１において、ＣＰＵ１００は確率推論モデルより、エビデンス（後述）が入力されていない場合の推論結果Ａ_１〜Ａ_ｎの確率（事前確率）を取得し、主メモリ１０１に保存する。この確率推論モデルは、例えば図４に示されるようなベイジアンネットワーク（Bayesian Network）である。

ベイジアンネットワークは現象を複数の事象と事象間の因果関係で表現したモデルである。事象間の関係は確率で表し、対象とする現象を構成する事象をノード４０１で、ノード間の関係を示すリンク４０２で表現する。リンクは矢印で表され、矢印の根元にあたるノードを親ノード、矢印の先にあたるノードを子ノードと呼ぶ。各ノードにはノードの状態を示すステート４０３を複数個持っており、各ステートに生起確率（事前確率と呼ばれる）が付与される。親ノードと子ノード間の関係は親ノードを条件とした条件付確率によって与えられる。この条件付確率を表にしたものを条件付確率表４０４（ＣＰＴ:conditional probability table）と呼ぶ。

対象モデルの少なくとも一つのノードのステートが何であるかを示す情報をエビデンスという。このエビデンスとＣＰＴおよびベイズの定理（式１）を用いて、求めたいノードの確率（事後確率と呼ばれる）を確率伝播法により求めることができる（非特許文献１）。

図４は肺の異常陰影に関する推論モデルで、各ノードが読影医による所見に対応している。例えば「石灰化濃度比」は異常陰影における石灰化部分が陰影の中で占める比率を表している。「水濃度比」、「軟部組織濃度比」、「気体濃度比」も同様に、それぞれの部分が陰影の中で占める比率を表す。「血管の引込・巻込」は周囲の肺野における臓器内での血管の引込・巻込の有無を表している。なお、異常陰影の濃度はここで挙げたもの以外にもあり（例えば金属）、また医用情報として入力しない場合もあり、必ずしも総和が１００％とはならない。

図４はエビデンスが入力されていない状態を示しており、各ノードのステートの横に付与されている数値は、ステートの事前確率を示している。例えば、「異常の種類」の各ステートの事前確率は「異常の種類：原発性肺癌」で１１．０％、「異常の種類：癌の肺転移」で４８．０％、「異常の種類：その他の異常」で４１．０％である。図５は図４で示したベイジアンネットワークの複数あるノードのうちいくつかのノードにエビデンスが入力された状態を示している。「境界」「形状」など、あるステートの確率が１００％となっているものが入力されたエビデンスである。

ステップＳ３０２において、ＣＰＵ１００は、ステップＳ２０３で入力されたｍ個の医用情報（ｍ≧１）を確定情報（以下、Ｉ_ｆｉｘと呼ぶ）とし、Ｉ_ｆｉｘをエビデンスとして推論結果Ａ_１〜Ａ_ｎ（ｎ≧２）に属する確率を確率推論モデルにより計算する。すなわち、確定情報Ｉ_ｆｉｘは、ｍ個の医用情報からなる集合である。次に、ステップＳ３０３において、ＣＰＵ１００はステップＳ３０２で計算された事後確率のうち、最も確率の高い推論結果Ａ_ｘ（１≦ｘ≦ｎ）を選択する。同時に、主メモリ１０１に推論結果Ａ_１〜Ａ_ｎとその確率を保存する。また、変数ｊを用意し、ｊ＝１とする。

ステップＳ３０４において、ＣＰＵ１００はＩ_ｆｉｘのうちｋ個（１≦ｋ≦ｍ）の医用情報を選択して、確定情報の部分情報Ｉ_ｊとし、主メモリ１０１に保存する。すなわち、部分情報Ｉ_ｊは、確定情報Ｉ_ｆｉｘからｋ個の医用情報を取り出して得られた確定情報Ｉ_ｆｉｘの部分集合である。ステップＳ３０５において、ＣＰＵ１００はステップＳ３０４で選択したＩ_ｊをエビデンスとして推論結果Ａ_ｘに属する事後確率を確率推論モデルにより計算する。そして、ＣＰＵ１００は、その計算結果とステップＳ３０１で取得したＡ_ｘの事前確率の差（以下、Ｄ（Ａ_ｘ｜Ｉ_ｊ）とする）を計算し、ステップＳ３０４で主メモリ１０１に保存されたＩ_ｊに関連付けて保存する。次いで、変数ｊに１を加える。こうして、複数の医用情報から取り出された医用情報を要素とする複数の部分集合Ｉ_ｊの各々について、ステップＳ３０３で得られた推論結果に関して否定もしくは肯定の側に作用する度合いが算出されることになる。

ステップＳ３０６において、ＣＰＵ１００はｊの値と、Ｉ_ｆｉｘのうちｋ個の医用情報を選択するＩ_ｊの組合せの総数（以下、組合せ数とする）の値を比較する。ｊが組合せ数より小さければ、全てのＩ_ｊについて事後確率を得ていないので、ステップＳ３０４へ戻り上記の処理を継続する。ｊが組合せ数より大きければステップＳ３０７を実行する。

ステップＳ３０７において、ＣＰＵ１００はステップＳ３０４で保存されたＩ_ｊに関連付けられたＤ（Ａ_ｘ｜Ｉ_ｊ）を比較する。正となるＤ（Ａ_ｘ｜Ｉ_ｊ）の中で最も高い（絶対値が最大となる）Ｄ（Ａ_ｘ｜Ｉ_ｊ）が得られたＩ_ｊ（以下、Ｉ_ｈとする）を主メモリ１０１に保存する。また、負となるＤ（Ａ_ｘ｜Ｉ_ｊ）の中で最も低い（絶対値が最大となる）Ｄ（Ａ_ｘ｜Ｉ_ｊ）が得られたＩ_ｊ（以下、Ｉ_ｌとする）を主メモリ１０１に保存する。この時、Ｄ（Ａ_ｘ｜Ｉ_ｊ）が正となるＩ_ｊが存在しない場合はＩ_ｈにＮＵＬＬ値を入力する。同様にＤ（Ａ_ｘ｜Ｉ_ｊ）が負となるＩ_ｊが存在しない場合はＩ_ｌにＮＵＬＬ値を入力する。ＮＵＬＬ値を取る場合はステップＳ２０５において、Ｉ_ｈまたは／およびＩ_ｌは表示されない。Ｄ（Ａ_ｘ｜Ｉ_ｊ）が正となるＩ_ｊは、推論結果Ａ_ｘの確率を増大させる情報を示し、Ｄ（Ａ_ｘ｜Ｉ_ｊ）が負となるＩ_ｊは、推論結果Ａ_ｘの確率を減少させる情報を示す。従ってＩ_ｈは推論結果を肯定する根拠となり、Ｉ_ｌは推論結果を否定する根拠となる。

ステップＳ２０５において、ＣＰＵ１００はステップＳ２０４において処理された推論処理の結果を表示する。主メモリ１０１に保存されている推論結果Ａ_１〜Ａ_ｎとその事後確率、及び、Ｉ_ｈとＩ_ｌをそれぞれモニタ１０４に表示する。
以下、具体的な例として、ｋ＝１の場合とｋ＝２の場合について説明する。

ステップＳ３０１において、推論結果「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」の事前確率、１１．０％、４８．０％、４１．０％をそれぞれ取得する。ステップＳ３０２において、Ｓ２０３で入力されたＩ_ｆｉｘをエビデンスとして、推論結果の「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」を計算する。それぞれの事後確率は１５．３％、６６．４％、１８．３％となる（図５）。従って、これらの計算結果を保存し、最も事後確率の高い「異常の種類：癌の肺転移」を選択する。

図６は、Ｉ_ｆｉｘにおいて、ｋ＝１として医用情報「結節の大きさ：中程度」を選択し、確定情報の部分情報Ｉ_１とした例である。Ｉ_１をエビデンスとして、ステップＳ３０３で選択された推論結果の「異常の種類：癌の肺転移」に属する事後確率を計算する。計算結果として得られた５３．５％とステップＳ３０１で所得した「異常の種類：癌の肺転移」の事前確率４８．０％との差を計算する。結果として得られた５．５％をＩ_１と関連付けて保存する。

表１はｋ＝１とした場合の全てのＩ_ｊとＩ_ｊをエビデンスとして計算した推論結果「異常の種類：癌の肺転移」の事後確率と、事後確率と事前確率との差を表したものである。差を比較すると、Ｉ_ｊが「形状：球形」の時に正となる中で最も大きい差の１７．９％を取る。一方Ｉ_ｊが「気体濃度比：高い」の時に負となる中で最も大きい差の−１１．０％を取る。従って、Ｉ_ｈが「形状：球形」、Ｉ_ｌが「気体濃度比：高い」となる。

図７はｋ＝１とした場合のモニタ１０４における表示の一例である。推論結果Ａ_１〜Ａ_ｎとして「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」を、Ｉ_ｆｉｘをエビデンスとした場合の推論結果の事後確率としてそれぞれ１５．３％、６６．４％、１８．３％を表示する。さらに、最も確率の高い推論結果を肯定する根拠としてＩ_ｈ「形状：球形」を、否定する根拠としてＩ_ｌ「気体濃度比：高い」を表示する。

図８は、Ｉ_ｆｉｘにおいて、ｋ＝２として医用情報「結節の大きさ：中程度」「形状：球形」を選択し、確定情報の部分情報Ｉ_１とした例である。Ｉ_１をエビデンスとして、ステップＳ３０３で選択された推論結果の「異常の種類：癌の肺転移」に属する事後確率を計算する。計算結果として得られた７１．１％とステップＳ３０１で所得した「異常の種類：癌の肺転移」の事前確率４８．０％との差を計算する。結果として得られた２３．１％をＩ_１と関連付けて保存する。

表２はｋ＝２とした場合の全てのＩ_ｊとＩ_ｊをエビデンスとして計算した推論結果「異常の種類：癌の肺転移」の事後確率と、事後確率と事前確率との差を表したものである。差を比較すると、Ｉ_ｊが「形状：球形」「境界：不明瞭」の時に正となる中で最も大きい差の２７．２％を取る。一方Ｉ_ｊが「軟部組織濃度比：低い」「気体濃度比：高い」の時に負となる中で最も大きい差の−２１．７％を取る。従って、Ｉ_ｈが「形状：球形」「境界：不明瞭」、Ｉ_ｌが「軟部組織濃度比：低い」「気体濃度比：高い」となる。

図９はｋ＝２とした場合のモニタ１０４における表示の一例である。推論結果Ａ_１〜Ａ_ｎとして「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」を、Ｉ_ｆｉｘをエビデンスとした場合の推論結果の事後確率としてそれぞれ１５．３％、６６．４％、１８．３％を表示する。さらに、最も事後確率の高い推論結果を肯定する根拠としてＩ_ｈ「形状：球形」「境界：不明瞭」を、推論結果を否定する根拠としてＩ_ｌ「軟部組織濃度比：低い」「気体濃度比：高い」を表示する。

なお、ｋ＝１、ｋ＝２いずれの例においても、推論結果Ａ_１〜Ａ_ｎを表示する場合は、Ｉ_ｆｉｘをエビデンスとした場合の事後確率が大きい順に表示することが望ましいが、それに限定されない。

推論結果を肯定する根拠を表示すると共に、推論結果を否定する根拠を同時に表示することで、提示された推論結果の信頼性の判断、入力した医用情報の信頼性の検証、提示した推論結果以外の診断を考慮する必要性などをユーザへ喚起することが可能である。

以上、述べた構成によれば、以下の効果を得ることができる。
（１）異常陰影の医用情報による推論の後、医用情報の一部を用いた推論を行うことで、最も確率の高い推論結果に寄与した医用情報を判定することができ、推論の根拠となる情報を絞って提示することができる。
（２）特に、推論結果を否定するような推論根拠を提示することにより、入力した医用情報の信頼性の検証、提示した最も確率の高い推論結果以外の診断を考慮する必要性などをユーザへ喚起することができる。

(第１実施形態の変形例)
ステップＳ２０１は、医用画像データの入力に限定されず、読影レポート、及び診断支援処理に必要な情報等を含む医用検査データの入力が可能としても良い。その場合、これらのデータをユーザによる直接入力が可能な構成であっても良いし、情報が記録されたＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等の各種記憶媒体から読み取り可能な構成であっても良い。またこれらのデータを記録するデータベースとＬＡＮを介して接続し、受信可能な構成であってもよい。

また、ステップＳ２０４における推論処理による診断情報の生成は、次の形態を取ってもよい。すなわち、処理対象を医用画像データに限定せず、例えば被検査者に関する過去の読影レポートやカルテ、及び診断支援処理に利用できる他の情報等を含む医用検査データなども処理の対象とすることができる。この場合、被検査者の画像情報以外の医用検査データに基づいた診断情報を生成することができる。

また、ステップＳ３０４において確定情報の部分情報Ｉ_ｊを選択する場合、Ｉ_ｆｉｘのうちｋ個以下の情報としてもよい。例えば、ｋ＝１とｋ＝２の場合のそれぞれについて部分情報Ｉ_ｊを取得して、それらを用いて上述のＩ_ｈやＩ_ｌを取得するようにしてもよい。

また、ステップＳ３０７において選択される推論結果を肯定する根拠、および、否定する根拠は複数選択してもよい。この場合はユーザが選択する個数を決めてもよく、あるいは閾値を超えたもの全てを選択してもよい。この場合閾値はユーザが決定してもよい。また、否定する根拠が存在する場合は警告表示を出してもよい。閾値を用いて表示の可否を決める例については、第２実施形態において説明する。

また、ステップＳ２０５において推論結果Ａ_１〜Ａ_ｎを全て表示しているが、もっとも事後確率の高い推論結果のみを表示してもよいし、また、一部の推論結果のみを表示してもよい。この場合はユーザが選択する個数を決めてもよい。また、閾値を超えるもの、例えば事後確率が３０％以上の推論結果を表示するようにしてもよい。ただし、閾値は上記の例に限定されず、閾値をユーザが決定してもよい。

［第２実施形態］
次に、第２実施形態を説明する。なお、第２実施形態の構成は、第１実施形態と同様の構成を取るため、図１の構成図を用いるものとし、説明を省略する。また、第２実施形態における制御部１０による制御の概略も第１実施形態（図２）と同様である。但し、ステップＳ２０４における推論処理、ステップＳ２０５における推論結果表示処理が異なる。以下、これらの処理について図１０、図１１のフローチャートを参照して説明する。

図１０は、第２実施形態によるステップＳ２０４の詳細な処理手順を示すフローチャートである。ステップＳ６０１において、ＣＰＵ１００は確率推論モデルより、エビデンスが入力されていない場合の推論結果Ａ_１〜Ａ_ｎの確率（事前確率）を取得し、主メモリ１０１に保存する。ステップＳ６０２において、ＣＰＵ１００は、ステップＳ５０３で入力されたｍ個の医用情報（ｍ≧１）を確定情報（以下、Ｉ_ｆｉｘと呼ぶ）として、予め決められた推論結果Ａ_１〜Ａ_ｎ（ｎ≧２）に属する確率を確率推論モデルにより計算する。また、変数ｊを用意し、ｊ＝１とする。

ステップＳ６０３において、ＣＰＵ１００はＩ_ｆｉｘのうちｋ個（１≦ｋ≦ｍ）の医用情報を選択して、確定情報の部分情報Ｉ_ｊとし、主メモリ１０１に保存する。ステップＳ６０４において、ＣＰＵ１００はステップＳ６０３で選択した仮情報Ｉ_ｊをエビデンスとして推論結果Ａ_１〜Ａ_ｎに属する事後確率を確率推論モデルにより計算する。計算結果は、ステップＳ６０３で主メモリ１０１に保存されたＩ_ｊに関連付けて保存する。ステップＳ６０５において、ＣＰＵ１００はステップＳ６０１で得た推論結果Ａ_１〜Ａ_ｎの事前確率と、ステップＳ６０４で得られたＩ_ｊをエビデンスとして得られた推論結果Ａ_１〜Ａ_ｎの事後確率を比較計算し、計算結果をＩ_ｊに関連付けて保存する。次いで、変数ｊに１を加える。比較計算の方法は、例えば事後確率と事前確率の差を取る方法がある。

ステップＳ６０６において、ＣＰＵ１００はｊの値と、Ｉ_ｆｉｘのうちｋ個の医用情報を選択するＩ_ｊの組合せの総数（以下、組合せ数とする）の値を比較する。ｊが組合せ数より小さければ、全てのＩ_ｊについて事後確率を得ていないので、ステップＳ６０３へ戻り処理を継続する。ｊが組合せ数より大きければステップＳ６０７を実行する。ステップＳ６０７において、ＣＰＵ１００はステップＳ６０４で得られたＩ_ｊに関連付けられた計算結果から、計算結果と推論結果の関係を示す値（以下、関係量Ｃ（Ａ_ｉ，Ｉ_ｊ）とする）を計算し、その計算結果をＩ_ｊに関連付けて保存する。関係量の計算は、例えば、
・各部分集合について、算出された事後確率と事前確率の差と、後述の表４に示されるテーブルから関係量を決定する方法、
・各部分集合について、算出された事後確率と事前確率の差の絶対値を取り、その中で最大となる値を基準として規格化を行う方法、などがある。
この関係量の計算は推論結果に関する度合いの算出に相当する。

以上で、ステップＳ２０４の処理を終了する。次に、ステップＳ２０５において、ＣＰＵ１００はステップＳ２０４において処理された推論処理の結果を表示する。ステップＳ２０５の詳細な処理手順について、図１１を用いて以下で説明する。

図１１はステップＳ２０５（推論結果表示）の詳細な処理手順を示すフローチャートである。ステップＳ７０１において、ＣＰＵ１００は主メモリ１０１に変数ｉを用意し、ｉ＝１とする。ステップＳ７０２において、ＣＰＵ１００は主メモリ１０１に変数ｊを用意し、ｊ＝１とする。ステップＳ７０３において、ＣＰＵ１００は主メモリ１０１に保存されている関係量が所定の基準を満たすかどうかを判定する。所定の基準を満たす場合はステップＳ７０４の処理を行い、満たさない場合はステップＳ７０５の処理を行う。ステップＳ７０４において、ＣＰＵ１００は主メモリ１０１に保存されているＩ_ｊをモニタ１０４へ表示する。この時、関係量に応じてＩ_ｊが推論結果Ａ_ｉを肯定する根拠であるか、否定する根拠であるかを同時に表示する。推論結果推論結果Ａ_ｉを肯定する根拠は推論結果Ａ_ｉの確率を増大させる情報であり、否定する根拠は確率を減少させる情報である。例えば、後述の表４のように関係量を定義した場合、関係量が正の値を有する場合は推論結果を肯定する根拠（肯定情報）であり、関係量が負の値を有する場合は推論結果を否定する根拠（否定情報）である。

ステップＳ７０５において、ＣＰＵ１００は主メモリ１０１に保存されている変数ｊの値に１を加える。
ステップＳ７０６において、ＣＰＵ１００はｊの値と、組合せ数（mＣk）を比較する。ｊが組合せ数より小さければ、全てのＩ_ｊについて関係量が判定基準を満たすかどうかを判定できていないので、ステップＳ７０３へ戻り処理を継続する。ｊが組合せ数より大きければステップＳ７０７を実行する。

ステップＳ７０７において、ＣＰＵ１００は主メモリ１０１に保存されているＩ_ｆｉｘがエビデンスとして入力された場合の推論Ａ_ｉの事後確率をモニタ１０４へ表示する。これは、ユーザが所望する推論結果に相当する。ステップＳ７０８において、ＣＰＵ１００は主メモリ１０１に保存されている変数ｉの値に１を加える。ステップＳ７０９において、ＣＰＵ１００はｉの値と、ｎの値を比較する。ｉがｎより小さければ、全ての推論結果Ａ_ｉに対する処理が終了していないので、ステップＳ７０２に戻り処理を継続する。ｉがｎより大きければステップＳ５０５を終了する。このような処理により、全ての推論結果Ａ_ｉに対して、事後確率、肯定情報、否定情報が表示される。

以下、具体的な例として、ｋ＝１の場合とｋ＝２の場合について説明する。ただし、比較計算では、事前確率と事後確率の差を算出するものとする。
まず、ステップＳ６０１において、推論結果「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」の事前確率、１１．０％、４８．０％、４１．０％をそれぞれ取得する。

図６は、ステップＳ５０３で入力されたＩ_ｆｉｘにおいて、ｋ＝１として医用情報「結節の大きさ：中程度」を選択し、確定情報の部分情報Ｉ_１とした例である。Ｉ_１をエビデンスとして推論を行い、結果として得られた推論結果「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」に属するそれぞれの事後確率１２．３％、５３．５％、３４．２％をＩ_１と関連付けて保存する。

表３はｋ＝１とした場合の全てのＩ_ｊとＩ_ｊをエビデンスとして計算した推論結果Ａ_１〜Ａ_ｎの事後確率と、事後確率と推論結果Ａ_１〜Ａ_ｎの事前確率の差Ｄ（Ａ_ｉ｜Ｉ_ｊ）を示したものである。これは、ステップＳ６０３〜ステップＳ６０５の処理によって得られる。

表４は関係量Ｃ（Ａ_ｉ，Ｉ_ｊ）の計算方法の一例を示したものである。この例では事後確率と事前確率の差に応じて絶対的に関係量が求まる。前述の例では、表４で示した計算方法で関係量を求めると、表５のようになる。これはステップＳ６０７の処理によって得られる。

図１２はｋ＝１、ステップＳ７０３における所定の基準を関係量の絶対値が３以上（すなわち、関係量が＋４、＋３、−３、−４）とした場合のモニタ１０４における表示の一例である。前述の例では、例えば、ｉ＝１、ｊ＝１（結節の大きさ:中程度）の場合は関係量が０なので基準を満たさず、ステップＳ７０５の処理を行う。つまり、モニタ１０４への表示は行わない。一方、ｉ＝１、ｊ＝４（気体濃度比：高い）の場合は関係量が＋４なので基準を満たし、ステップＳ７０４の処理を行う。

前述の例では、関係量が正の場合はＩ_ｊがエビデンスとして入力された場合の推論結果Ａ_ｉの事後確率が事前確率より高くなることを示し、負の場合は低くなることを示す。よって、関係量が正の時に推論結果Ａ_ｉを肯定する根拠となり、負の時に否定する根拠となる。従って、ｉ＝１、ｊ＝４の場合は、推論結果Ａ_１（原発性肺癌）を肯定する根拠として「気体濃度比：高い」がモニタ１０４へ表示される。

全ての処理が終了すると、図１２で示したように、推論結果Ａ_１〜Ａ_ｎとして「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」、それぞれの事後確率として１５．３％、６６．４％、１８．３％が表示される。

また、「異常の種類：原発性肺癌」を肯定する根拠として「軟部組織濃度比：低い」「気体濃度比：高い」が表示される。さらに、「異常の種類：癌の肺転移」を肯定する根拠として「形状：球形」「境界：不明瞭」が、「異常の種類：癌の肺転移」を否定する根拠として「気体濃度比：高い」が表示される。さらにまた、「異常の種類：その他の異常」を否定する根拠として「形状：球形」が表示される。

第１実施形態で示したように、図８は、Ｉ_ｆｉｘにおいて、ｋ＝２として医用情報「結節の大きさ：中程度」「形状：球形」を選択し、確定情報の部分情報Ｉ_１とした例である。Ｉ_１をエビデンスとして推論を行い、結果として得られた推論結果「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」に属するそれぞれの事後確率４．９％、７１．１％、２４．０％をＩ_１と関連付けて保存する。

表６はｋ＝２とした場合の全てのＩ_ｊとＩ_ｊをエビデンスとして計算した推論結果Ａ_１〜Ａ_ｎの事後確率と、事後確率と推論結果Ａ_１〜Ａ_ｎの事前確率の差を示したものである。これは、ステップＳ６０３〜ステップＳ６０５の処理によって得られる。

ステップＳ６０７の処理により関係量を求める。ここでは、Ｄ（Ａ_ｉ｜Ｉ_ｊ）（以下、差分量と呼ぶ）の絶対値を取り、その中で最大となる値を基に規格化を行う。以下、具体的に説明する。「異常の種類：原発性肺癌」の差分量の絶対値の最大値は３５．２％である。この値が４．０になるように各差分量を変換する。例えば差分量が−４．４％の時は−０．５となる。その後、さらに小数点第１位で切捨てを行い、得られた値を関係量とする。すなわち、４．０の場合は＋４とし、−０．５の場合は０とする。この操作を、「異常の種類：癌の肺転移」「異常の種類：その他の異常」においても行う。このとき、規格化の基となる値は、推論結果に応じて変化する。この例では、「異常の種類：癌の肺転移」では２７．２％、「異常の種類：その他の異常」では１８．５％を基に規格化を行う。以上の方法により求まった関係量は、表７のようになる。

図１３はｋ＝２、ステップＳ７０３における所定の基準を関係量の絶対値が３以上（すなわち、関係量が＋４、＋３、−３、−４）とした場合のモニタ１０４における表示の一例である。ｋ＝１の例と同様、関係量が正の時に推論結果Ａ_ｉを肯定する根拠となり、負の時に否定する根拠となる。全ての処理が終了すると、図１３で示したように、推論結果Ａ_１〜Ａ_ｎとして「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」、それぞれの事後確率として１５．３％、６６．４％、１８．３％が表示される。

また、「異常の種類：原発性肺癌」を肯定する根拠として「軟部組織濃度比：低い、気体濃度比：高い」が表示される。さらに、「異常の種類：癌の肺転移」を肯定する根拠として「結節の大きさ：中程度、形状：球形」「形状：球形、境界：不明瞭」が、「異常の種類：癌の肺転移」を否定する根拠として「軟部組織濃度比：低い、気体濃度比：高い」が表示される。さらにまた、「異常の種類：その他の異常」を否定する根拠として「結節の大きさ：中程度、形状：球形」「形状：球形、境界：不明瞭」が表示される。

なお、ｋ＝１、ｋ＝２いずれの例においても、推論結果Ａ_１〜Ａ_ｎを表示する場合は、Ｉ_ｆｉｘをエビデンスとした場合の事後確率が大きい順に表示することが望ましいが、それに限定されない。

それぞれの推論結果を肯定する根拠を表示すると共に、推論結果を否定する根拠を同時に表示することで、最も確率の高い推論結果の信頼性の判断のみならず、他の推論結果の可能性を考慮することができる。また第一の実施形態と同様、入力した医用情報の信頼性の検証をユーザに喚起することも可能である。

以上、述べた構成によれば、以下の効果を得ることができる。
（１）複数の推論結果に対して、それぞれ結果を肯定する根拠と否定する根拠を提示することで、最も確率の高い推論結果の信頼性の判断のみならず、他の推論結果の可能性を考慮することができる。
（２）また、入力した医用情報の信頼性の検証をユーザに喚起することができる。

(第２実施形態の変形例)
ステップＳ６０３において確定情報の部分情報Ｉ_ｊを選択する場合、Ｉ_ｆｉｘのうちｋ個以下の情報（例えば、ｋ＝１とｋ＝２の両方の部分情報）としてもよい。また、ステップＳ６０５における比較計算の計算方法として、確率の差分値を計算する例を示したがこれに限られるものではない。例えば、ステップＳ６０５における比較計算として確率の比をとる方法であっても良い。また、他の方法を用いてもよい。また、ステップＳ６０７における関係量の計算方法は前述の例で挙げた方法以外、例えば対数を取る方法などで計算してもよい。また、ｋ＝１の例で挙げたような方法を用いる場合、表４で示した変換幅に限定されない。また、ｋ＝２の例の場合は切り捨てではなく、切り上げや四捨五入、あるいは他の方法であってもよい。また、前述の例では関係量は９つの離散値を取っていたが、数は限定されない。また、関係量は連続値を取ってもよい。

また、ステップＳ７０３における判定基準は前述の例で挙げた方法に限定されない。判定基準はユーザが任意に変更可能であってもよい。この場合、判定基準を変更するためのユーザインタフェースがあることが望ましい。また、ステップＳ７０４において基準を満たした全てのＩ_ｊを表示しているが、基準を満たした中で最も推論結果を肯定／否定する結果のみを表示してもよい。さらにまた、推論結果を否定する根拠が存在する場合は警告表示を出してもよい。この場合警告表示を出す判定基準はＳ７０３におけるものと異なっていてもよい。ただし、Ｓ７０３の判定基準より緩やかな基準による判定は望ましくない。また、関係量やＩ_ｊがエビデンスとして入力された場合の事後確率を同時に表示してもよい。

また、ステップＳ７０７において推論結果Ａ_１〜Ａ_ｎを全て表示しているが、
もっとも事後確率の高い推論結果のみを表示してもよく、また、一部の推論結果のみを表示してもよい。この場合はユーザが選択する個数を決めてもよい。また、閾値を超えるもの、例えば事後確率が３０％以上の推論結果を表示するようにしてもよい。ただし、閾値は上記の例に限定されず、閾値をユーザが決定してもよい。
なお、ステップＳ２０１，Ｓ２０４に関して第１実施形態で説明した変形例は第２実施形態においても適用可能であることはいうまでもない。

［第３実施形態］
次に、第３実施形態を説明する。なお、第３実施形態の構成は、第１実施形態と同様の構成を取るため、図１の構成図を用いるものとし、説明を省略する。また、第３実施形態の制御部１０による制御の概要は第１実施形態（図２）と同様である。図１４は第３実施形態による推論結果表示処理（Ｓ２０５）の処理を説明するフローチャートである。なお、図１４のフローチャートによって示される処理は、ＣＰＵ１００が主メモリ１０１に格納されているプログラムを実行することにより実現される。ステップＳ２０５において、ＣＰＵ１００はステップＳ２０４において処理された推論処理の結果を表示する。以下、ステップＳ２０５の詳細な処理手順について、図１４、図１５を用いて詳細に説明する。

図１４はステップＳ２０５の詳細な処理手順を示すフローチャートである。ステップＳ９０１において、ＣＰＵ１００は主メモリ１０１に記憶されたＡ_１〜Ａ_ｎの事後確率の中で、もっとも高い事後確率となるＡ_ｘの評価値Ｖ（Ａ_ｘ）を計算する。

ステップＳ９０２において、ＣＰＵ１００はステップＳ９０１で計算された評価値が所定の基準を満たすかどうかを判定する。基準を満たす場合はステップＳ９０３の処理を行い、満たさない場合はステップＳ９０４の処理を行う。ステップＳ９０３において、ＣＰＵ１００は警告表示をモニタ１０４へ表示する。ステップＳ９０４において、ＣＰＵ１００はステップＳ８０４において処理された推論処理の結果を表示する。主メモリ１０１に保存されている推論結果Ａ_１〜Ａ_ｎとその事後確率、及び、Ｉ_ｈとＩ_ｌをそれぞれモニタ１０４に表示する。以下、具体的な例について説明する。

表８は図４の確率推論モデルに対して、ステップＳ８０３で入力されたＩ_ｆｉｘ、Ｉ_ｆｉｘをエビデンスとして計算した推論結果Ａ_１〜Ａ_ｎ（ｎ＝３）の事後確率、ｋ＝１とした場合のＩ_ｈとＩ_ｌをそれぞれ示したものである。

ステップＳ９０１において、Ａ_１〜Ａ_ｎの中でもっとも高い事後確率を有する診断結果（異常の種類）の評価値を計算する。ここでは、Ａ_２の評価値Ｖ（Ａ_２）が計算される。

Ａ_ｘの評価値Ｖ（Ａ_ｘ）の計算方法としては例えば、推論結果の事後確率がもっとも高い推論結果（Ａ_ｘ）と２番目に高い推論結果（Ａ_ｘ２）の確率の差を計算する方法がある。あるいは、推論結果の事後確率が最も高い推論結果の確率と推論結果の状態数（＝ｎ）を用いて計算する方法がある。それぞれの方法を式２、式３として示す。

ここでＰ（Ａ_ｘ｜Ｉ_ｆｉｘ）はＩ_ｆｉｘをエビデンスとして計算した推論結果Ａ_ｘの事後確率を示す。表８の例では、事後確率がもっとも高い推論結果はＡ_２であり、２番目に高い推論結果はＡ_３であり、それぞれ４９．９％、４０．５％である。またｎは３であり、その逆数は１／ｎ＝０．３３３となり、百分率に変換すると３３．３％となる。従って、式２を用いて計算すればＶ（Ａ_２）＝４９．９％−４０．５％＝９．４％となる。また、式３を用いて計算すればＶ（Ａ_２）＝４９．９％−３３．３％＝１６．６％となる。

次に、ステップＳ９０２においてＶ（Ａ_２）が所定の基準を満たすかどうかを判定する。この例では所定の基準として閾値を用い、閾値以下かどうかで判定を行う。閾値以下の場合はステップＳ９０３の処理を行い、閾値を超えた場合はステップＳ９０４の処理を行う。この閾値はユーザが変更できることが望ましい。上記の表８の例の場合、例えば閾値が１５％の場合、式２で計算した評価値においてはステップＳ９０３の処理が行われ、式３で計算した評価値においてはステップＳ９０４の処理が行われることになる。ステップＳ９０３では警告表示を行い、ステップＳ９０４でＩ_ｆｉｘ、推論結果Ａ_１〜Ａ_３の事後確率、Ｉ_ｈとＩ_ｌの表示をそれぞれ行う。図１５は警告表示がある場合の表示例である。ここでは、注意を促すアイコンと文字により警告表示を行っている。

以上、述べた構成によれば、以下の効果を得ることができる。
（１）推論結果に対して評価値を計算し所定の基準を満たす場合に警告表示を行うことで、推論結果の信頼性や入力した医用情報の信頼性の検証をユーザに喚起することができる。

(第３実施形態の変形例)
ステップＳ９０１の評価値の計算は式２と式３の両方を組み合わせてつかってもよい。また、式２、式３以外の式を用いて計算しても良い。また、ステップＳ９０２の基準はユーザが任意に設定可能であってもよい。この場合、条件を設定するためのユーザインタフェースがあることが望ましいが、これに限定されない。また、基準は閾値を用いることに限定されない。

また、ステップＳ９０３における警告表示は、アイコン表示のみであっても、文字表示のみであってもよく、ユーザに注意を促す形式であれば他の方法であってもよい。例えば、文字の表示色を変える、警告音を出す、背景色を変えるなどがある。また、ステップＳ９０４において推論結果Ａ_１〜Ａ_ｎを全て表示しているが、もっとも事後確率の高い推論結果のみを表示してもよく、また、一部の推論結果のみを表示してもよい。この場合はユーザが選択する個数を決めてもよい。また、閾値を超えるもの、例えば事後確率が３０％以上の推論結果を表示するようにしてもよい。ただし、閾値は上記の例に限定されず、閾値をユーザが決定してもよい。

以上詳述したように、上記第１〜第３実施形態によれば、複数の推論の根拠のうち、推論結果に関して影響の大きい根拠がユーザに提示される。更に、推論結果を否定する根拠を提示するので、医療情報や推論結果の信頼性、提示した推論結果（最も確率の高い推論結果）以外の診断を考慮する必要性をユーザへ喚起することができる。すなわち、読影時に入力した情報の信頼性やシステムが提示した診断以外の可能性を検討する仕組みが提供される。

［その他の実施形態］
以上、実施形態を詳述したが、本発明は、例えば、システム、装置、方法、プログラムもしくは記憶媒体等としての実施態様をとることが可能である。具体的には、複数の機器から構成されるシステムに適用しても良いし、また、一つの機器からなる装置に適用しても良い。

尚、本発明は、ソフトウェアのプログラムをシステム或いは装置に直接或いは遠隔から供給し、そのシステム或いは装置のコンピュータが該供給されたプログラムコードを読み出して実行することによって前述した実施形態の機能が達成される場合を含む。この場合、供給されるプログラムは実施形態で図に示したフローチャートに対応したコンピュータプログラムである。
従って、本発明の機能処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明を実現するものである。つまり、本発明は、本発明の機能処理を実現するためのコンピュータプログラム自体も含まれる。

その場合、プログラムの機能を有していれば、オブジェクトコード、インタプリタにより実行されるプログラム、ＯＳに供給するスクリプトデータ等の形態であっても良い。
コンピュータプログラムを供給するためのコンピュータ読み取り可能な記憶媒体としては以下が挙げられる。例えば、フロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＭＯ、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、磁気テープ、不揮発性のメモリカード、ＲＯＭ、ＤＶＤ（ＤＶＤ−ＲＯＭ，ＤＶＤ−Ｒ）などである。

その他、プログラムの供給方法としては、クライアントコンピュータのブラウザを用いてインターネットのホームページに接続し、該ホームページから本発明のコンピュータプログラムをハードディスク等の記録媒体にダウンロードすることが挙げられる。この場合、ダウンロードされるプログラムは、圧縮され自動インストール機能を含むファイルであってもよい。また、本発明のプログラムを構成するプログラムコードを複数のファイルに分割し、それぞれのファイルを異なるホームページからダウンロードすることによっても実現可能である。つまり、本発明の機能処理をコンピュータで実現するためのプログラムファイルを複数のユーザに対してダウンロードさせるＷＷＷサーバも、本発明に含まれるものである。

また、本発明のプログラムを暗号化してＣＤ−ＲＯＭ等の記憶媒体に格納してユーザに配布するという形態をとることもできる。この場合、一定の基準をクリアしたユーザに、インターネットを介してホームページから暗号を解く鍵情報をダウンロードさせ、その鍵情報を使用して暗号化されたプログラムを実行し、プログラムをコンピュータにインストールさせるようにもできる。

また、コンピュータが、読み出したプログラムを実行することによって、前述した実施形態の機能が実現される他、そのプログラムの指示に基づき、コンピュータ上で稼動しているＯＳなどとの協働で実施形態の機能が実現されてもよい。この場合、ＯＳなどが、実際の処理の一部または全部を行ない、その処理によって前述した実施形態の機能が実現される。

さらに、記録媒体から読み出されたプログラムが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれて前述の実施形態の機能の一部或いは全てが実現されてもよい。この場合、機能拡張ボードや機能拡張ユニットにプログラムが書き込まれた後、そのプログラムの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部または全部を行う。

Claims (32)

1. 複数の医用情報に基づいて、医療診断に関わる診断名の複数の候補のそれぞれについての推論確率を算出する推論手段と、
   前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々についての、前記診断名の複数の候補のそれぞれの推論確率への影響度を、前記診断名の複数の候補のそれぞれについて個別に算出可能である算出手段と、
   前記推論手段により算出された推論確率に基づき推論結果として特定される前記診断名の複数の候補のうち少なくとも１つと、前記複数の部分集合のうち、前記算出手段により前記推論結果について算出される影響度に基づき特定される部分集合に含まれる医用情報と、を表示部に表示させる表示制御手段と、を備えることを特徴とする診断支援装置。
2. 前記算出手段は、前記推論結果についての推論確率への影響度として、前記推論結果を否定する度合いもしくは肯定する度合いを算出し、
   前記表示制御手段は、前記複数の部分集合のうち、前記算出手段により肯定する度合いが算出された部分集合に含まれる医用情報を肯定情報として表示させ、前記算出手段により否定する度合いが算出された部分集合に含まれている医用情報を否定情報として表示させることを特徴とする請求項１に記載の診断支援装置。
3. 前記表示制御手段は、前記算出手段により算出された否定する度合いが最大の部分集合と、肯定する度合いが最大の部分集合に含まれる医用情報を、それぞれ前記否定情報および前記肯定情報として表示させることを特徴とする請求項２に記載の診断支援装置。
4. 前記推論手段は、事前確率が設定されている前記診断名の複数の候補の各々に関して、前記複数の医用情報に基づいて事後確率を計算することにより、前記診断名の複数の候補のそれぞれについての推論確率を算出することを特徴とする請求項１に記載の診断支援装置。
5. 前記算出手段は、前記事後確率が最大となる推論結果について前記影響度を算出することを特徴とする請求項４に記載の診断支援装置。
6. 前記算出手段は、前記診断名の複数の候補のそれぞれについて前記影響度を算出し、
   前記表示制御手段は、前記影響度が所定の条件を満たす部分集合の医用情報を肯定情報または否定情報として、前記診断名の複数の候補に対応する推論結果のそれぞれについて表示させることを特徴とする請求項４に記載の診断支援装置。
7. 前記算出手段は、前記診断名の複数の候補のうち、前記推論手段によって得られた事後確率が所定の値を超える候補のそれぞれについて前記影響度を算出することを特徴とする請求項４に記載の診断支援装置。
8. 前記算出手段は、前記部分集合に基づいて各推論結果の事後確率を計算し前記事前確率と事後確率を利用して前記影響度を算出することを特徴とする請求項４に記載の診断支援装置。
9. 前記診断名の複数の候補に関して算出された複数の事後確率に基づいて、それらのうちの最大の事後確率に対する評価値を算出する評価手段を更に備え、
   前記表示制御手段は、前記評価値が所定の条件を満たさない場合には、推論結果の信頼性に関する警告を表示させることを特徴とする請求項４に記載の診断支援装置。
10. 前記評価手段は、前記複数の事後確率のうち最も高い事後確率と２番目に高い事後確率との差を前記評価値とすることを特徴とする請求項９に記載の診断支援装置。
11. 前記評価手段は、前記複数の事後確率のうち最も高い事後確率と、前記複数の事後確率の個数の逆数との差を前記評価値とすることを特徴とする請求項９に記載の診断支援装置。
12. 前記推論手段は、前記診断名の複数の候補のそれぞれについて算出された推論確率に基づいて前記診断名の複数の候補のうち少なくとも１つを推論結果として得ることを特徴とする請求項１乃至１１のいずれか１項に記載の診断支援装置。
13. 前記推論手段により算出された推論確率に基づいて、前記診断名の複数の候補のうち少なくとも１つを推論結果として特定する結果特定手段、をさらに有し、
    前記表示制御手段は、前記結果特定手段により推論結果として特定された前記診断名の複数の候補のうち少なくとも１つを表示させることを特徴とする請求項１乃至１１のいずれか１項に記載の診断支援装置。
14. 前記算出手段により前記推論結果について算出される影響度に基づいて、複数の部分集合から少なくとも１つの部分集合を特定する部分集合特定手段をさらに有し、
    前記表示制御手段は、前記部分集合特定手段により特定された部分集合に含まれる医用情報を表示させることを特徴とする請求項１乃至１３のいずれか１項に記載の診断支援装置。
15. 複数の医用情報に基づいて、医療診断に関わる診断名の複数の候補のそれぞれについての推論確率を算出する推論手段と、
    前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々についての、前記診断名の複数の候補から選択された１つの前記推論確率への影響度を算出する算出手段と、
    前記推論手段により算出された推論確率に基づき推論結果として特定される前記診断名の複数の候補のうち少なくとも１つと、前記複数の部分集合のうち、前記算出手段により前記推論結果について算出される影響度に基づき特定される部分集合に含まれる医用情報と、を表示部に表示させる表示制御手段と、を備えることを特徴とする診断支援装置。
16. 前記算出手段は、前記推論結果についての推論確率への影響度として、前記推論結果を否定する度合いもしくは肯定する度合いを算出し、
    前記表示制御手段は、前記複数の部分集合のうち、前記算出手段により肯定する度合いが算出された部分集合に含まれている医用情報を肯定情報として表示させ、前記算出手段により否定する度合いが算出された部分集合に含まれている医用情報を否定情報として表示させることを特徴とする請求項１５に記載の診断支援装置。
17. 前記表示制御手段は、前記算出手段により算出された否定する度合いが最大の部分集合と、肯定する度合いが最大の部分集合に含まれる医用情報を、それぞれ前記否定情報および前記肯定情報として表示させることを特徴とする請求項１６に記載の診断支援装置。
18. 前記推論手段は、事前確率が設定されている前記診断名の複数の候補の各々に関して、前記複数の医用情報に基づいて事後確率を計算することにより、前記診断名の複数の候補のそれぞれについての推論確率を算出することを特徴とする請求項１５乃至１７のいずれか１項に記載の診断支援装置。
19. 前記算出手段は、前記事後確率が最大となる推論結果について前記影響度を算出することを特徴とする請求項１８に記載の診断支援装置。
20. 前記算出手段は、前記診断名の複数の候補のそれぞれについて前記影響度を算出し、
    前記表示制御手段は、前記影響度が所定の条件を満たす部分集合の医用情報を肯定情報または否定情報として、前記診断名の複数の候補に対応する推論結果のそれぞれについて表示させることを特徴とする請求項１８または１９に記載の診断支援装置。
21. 前記算出手段は、前記診断名の複数の候補のうち、前記推論手段によって得られた事後確率が所定の値を超える候補のそれぞれについて前記影響度を算出することを特徴とする請求項１８乃至２０のいずれか１項に記載の診断支援装置。
22. 前記算出手段は、前記部分集合に基づいて各推論結果の事後確率を計算し前記事前確率と事後確率を利用して前記影響度を算出することを特徴とする請求項１８乃至２１のいずれか１項に記載の診断支援装置。
23. 前記診断名の複数の候補に関して算出された複数の事後確率に基づいて、それらのうちの最大の事後確率に対する評価値を算出する評価手段を更に備え、
    前記表示制御手段は、前記評価値が所定の条件を満たさない場合には、推論結果の信頼性に関する警告を表示させることを特徴とする請求項１８乃至２２のいずれか１項に記載の診断支援装置。
24. 前記評価手段は、前記複数の事後確率のうち最も高い事後確率と２番目に高い事後確率との差を前記評価値とすることを特徴とする請求項２３に記載の診断支援装置。
25. 前記評価手段は、前記複数の事後確率のうち最も高い事後確率と、前記複数の事後確率の個数の逆数との差を前記評価値とすることを特徴とする請求項２３または２４に記載の診断支援装置。
26. 前記推論手段により算出された推論確率に基づいて、前記診断名の複数の候補のうち少なくとも１つを推論結果として特定する結果特定手段、をさらに有し、
    前記表示制御手段は、前記結果特定手段により推論結果として特定された前記診断名の複数の候補のうち少なくとも１つを表示させる
    ことを特徴とする請求項１５乃至２５のいずれか１項に記載の診断支援装置。
27. 前記算出手段により前記推論結果について算出される影響度に基づいて、複数の部分集合から少なくとも１つの部分集合を特定する部分集合特定手段をさらに有し、
    前記表示制御手段は、前記部分集合特定手段により特定された部分集合に含まれる医用情報を表示させることを特徴とする請求項１５乃至２６のいずれか１項に記載の診断支援装置。
28. 複数の医用情報に基づいて、医療診断に関わる診断名の複数の候補のそれぞれについての推論確率を算出する推論手段と、
    前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々についての、前記診断名の複数の候補のそれぞれの推論確率への影響度を、前記診断名の複数の候補のそれぞれについて個別に算出可能である算出手段と、
    前記推論手段により算出された推論確率に基づき推論結果として特定される前記診断名の複数の候補のうち少なくとも１つと、前記複数の部分集合のうち、前記算出手段により前記推論結果について算出される影響度に基づき特定される部分集合に含まれる医用情報と、を表示部に表示させる表示制御手段と、
    を備えることを特徴とする診断支援システム。
29. 複数の医用情報に基づいて、医療診断に関わる診断名の複数の候補のそれぞれについての推論確率を算出する推論手段と、
    前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々についての、前記診断名の複数の候補から選択された１つの前記推論確率への影響度を算出する算出手段と、
    前記推論手段により算出された推論確率に基づき推論結果として特定される前記診断名の複数の候補のうち少なくとも１つと、前記複数の部分集合のうち、前記算出手段により前記推論結果について算出される影響度に基づき特定される部分集合に含まれる医用情報と、を表示部に表示させる表示制御手段と、
    を備えることを特徴とする診断支援システム。
30. 診断支援のための情報処理方法であって、
    推論手段が、複数の医用情報に基づいて、医療診断に関わる診断名の複数の候補のそれぞれについての推論確率を算出する推論工程と、
    算出手段が、前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々についての、前記診断名の複数の候補のそれぞれの推論確率への影響度を、前記診断名の複数の候補のそれぞれについて個別に算出可能である算出工程と、
    表示制御手段が、前記推論工程で算出された推論確率に基づき推論結果として特定される前記診断名の複数の候補のうち少なくとも１つと、前記複数の部分集合のうち、前記算出工程で前記推論結果について算出された影響度に基づき特定される部分集合に含まれる医用情報と、を表示部に表示させる表示制御工程と、
    を有することを特徴とする情報処理方法。
31. 診断支援のための情報処理方法であって、
    推論手段が、複数の医用情報に基づいて、医療診断に関わる診断名の複数の候補のそれぞれについての推論確率を算出する推論工程と、
    算出手段が、前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々についての、前記診断名の複数の候補の少なくとも１つの前記推論確率への影響度を算出する算出工程と、
    表示制御手段が、前記推論工程で算出された推論確率に基づき推論結果として特定される前記診断名の複数の候補のうち少なくとも１つと、前記複数の部分集合のうち、前記算出工程で前記推論結果について算出される影響度に基づき特定される部分集合に含まれる医用情報と、を表示部に表示させる表示制御工程と、
    を備えることを特徴とする情報処理方法。
32. 請求項３０または３１に記載の制御方法の各工程をコンピュータに実行させるためのプログラム。

Images