JP6016406B2 - 医療診断支援装置及び医療診断支援方法及び入力支援システム - Google Patents

Description

本発明は、医療診断支援装置及び医療診断支援方法及び入力支援システムに関する。

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、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、超音波装置等が挙げられる。これらの医用画像を用いた診断（画像診断）は、画像から異常陰影等を発見してその特徴を得る工程と、その陰影が何であるかを鑑別診断する工程に分けることができる。

従来、医師による鑑別診断の支援を目的として、異常陰影の特徴（読影所見）などを入力情報として、その陰影が何であるかを推論して提示する医療診断支援装置の開発が行われている。例えば、胸部Ｘ線ＣＴ像のある陰影が悪性腫瘍である確率と良性腫瘍である確率を算出して、これを提示するような装置が考えられている。通常、このような装置を実際の臨床現場で用いる場合の正しい手順としては、まず医師による鑑別診断が行われ、その後に、装置が出力した推論結果を医師が参考情報として参照する。

ここで、未入力の情報が多数ある場合には、装置による推論の精度が低くなるという課題が生じる。そこで、推論に必要な未入力情報を装置が選択して、その追加入力を医師に促すことでより信頼できる推論結果を得るという試みがなされている。

例えば、特許文献１には、入力済みの情報（既入力情報）に基づく装置の推論結果（現在の推論結果）と、既入力情報に未入力情報を加えた場合の推論結果から、注目すべき未入力情報を選択して提示する技術が記載されている。この技術では、現在の推論結果に対して未入力情報の夫々が与える影響度を算出し、影響度が高い未入力情報を提示する。これにより、既入力情報に基づく装置の推論結果に大きな影響を与える未入力情報の提示が可能である。

また、特許文献２には、現在の推論結果を利用して仮説の情報を提示する技術が記載されている。この技術では、知識データベースを用いて現在の推論結果から想起される仮説の症状を提示する。これにより、現在の推論結果と関連性の強い未入力情報の提示が可能である。

特許第３２２６４００号公報 特公平７−１１７９７２号公報

しかしながら、特許文献１では、既入力情報に基づく装置の推論結果に大きな影響を与えるという基準のみで、注目すべき未入力情報を選択していた。そのため、存在する可能性が低い情報（所見）が、注目すべき未入力情報として提示されてしまう場合があった。

一方、特許文献２では、現在の推論結果と関連の強い未入力情報のみを提示しており、既入力情報との関連は考慮されていなかった。そのため、既入力情報と関連が弱い情報が提示される場合や、既入力情報と関連が強いものの現在の推論結果に不利となるような情報が提示されない場合があった。

本発明は、存在する可能性が高い未入力情報の中から、医師にとって優先的に確認すべき未入力情報を選択して提示することが可能な医療診断支援技術を提供することを目的とする。

本発明の一つの側面にかかる医療診断支援装置は、
既入力情報と夫々の未入力情報との組に基づく推論の結果を取得する推論手段と、
前記既入力情報と前記未入力情報との関係に基づいて、前記夫々の未入力情報により表される事象が医療診断の対象に存在する確率である生成確率を取得する生成確率取得手段と、
前記既入力情報に対する前記推論手段の推論結果と前記推論手段により取得された前記夫々の未入力情報に対する推論結果とを用いて、前記夫々の未入力情報の推論への影響度を算出する影響度算出手段と、
前記生成確率と前記影響度とを用いて前記夫々の未入力情報の評価値を算出する評価手段と、
前記評価値に基づいて、前記未入力情報の中から提示する未入力情報を選択する選択手段と、を備えることを特徴とする。

本発明によれば、存在する可能性が高い未入力情報の中から、医師にとって優先的に確認すべき情報を選択して提示することが可能になる。

第１の実施形態に係る医療診断支援装置の機能構成を示す図である。 医療診断支援装置の各部をソフトウェアにより実現するコンピュータの基本構成を示す図である。 第１の実施形態に係る医療診断支援方法の処理手順を示すフローチャートである。 第１の実施形態における提示情報の例を示す図である。 第３の実施形態に係る医療診断支援方法の処理手順を示すフローチャートである。 未入力情報の生成確率と、未入力情報の影響度及び未入力情報の評価値の一例を示した図である。 実施形態の１つに係る医療診断支援方法の処理手順を示すフローチャートである。 その他の実施形態に係る提示情報の例を示す図である。

以下、添付図面を参照して本発明の実施形態に係る医療診断支援装置及び医療診断支援方法について説明する。

[第１実施形態]
第１実施形態に係る医療診断支援装置は、対象となる症例（対象症例）に係る医用情報を既入力情報として取得し、対象症例に係る診断支援を行う。なお、以下では、肺の異常陰影の画像診断を支援する場合を例とする。医療診断支援装置は、肺の異常陰影に係る少なくとも一つの読影所見を既入力情報として取得し、異常陰影の異常の種類（診断名）に関する推論を行い、その結果に基づいて診断支援情報を提示する。なお、推論対象とする部位は肺に限定されるものではなく、他の部位を対象とすることも可能である。また、推論の対象は異常の種類に限定されるものではなく、良性／悪性のいずれであるかを推論の対象とすることも可能である。以下に示す診断名や入力可能な読影所見などは、何れも医療診断支援装置の処理の工程を説明するための一例に過ぎない。

図１は、第１実施形態に係る医療診断支援装置の構成を例示する図である。同図に示すように、本実施形態における医療診断支援装置１００は、入力端末２００と、データベース３００に接続されている。

入力端末２００は、肺の異常陰影に関する対象症例のデータ（医用画像や電子カルテの情報など）を不図示のサーバから取得することが可能である。或いは、外部記憶装置、例えばＦＤＤ、ＨＤＤ、ＣＤドライブ、ＤＶＤドライブ、ＭＯドライブ、ＺＩＰドライブ等を接続し、それらのドライブから対象症例のデータを取得することが可能である。そして、入力端末２００を介して入力された対象症例のデータは、ユーザ（医師）が読影可能な形式で表示装置に表示される。表示装置に表示された対象症例のデータは、ユーザ（医師）によって解釈され、解釈の結果は読影所見として入力端末２００に入力される。入力端末２００は、ユーザ（医師）が入力した読影所見を既入力情報（入力済みの医用情報）として取得する。本実施形態では、ユーザ（医師）は表示装置に表示された医用画像の読影所見を、マウスやキーボードを用いて入力する。なお、この処理は、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、ＧＵＩにより選択できるような機能を入力端末２００が備えることで実現される。入力端末２００は、ユーザ（医師）の要求に従い、対象症例である肺の異常陰影に関する読影所見（既入力情報）とそれに付随するデータ（代表画像など）を、ＬＡＮ等のネットワークを介して医療診断支援装置１００へと送信する。

データベース３００には、診断結果として過去に入力された既入力情報が診断対象となる部位ごとに蓄積されている。たとえば、肺の異常陰影に関して過去の症例における既入力情報が蓄積されている。データベース３００を利用することで、蓄積された既入力情報の総数や、診断対象となる部位についての全ての入力可能な医用情報の項目、項目の出現頻度や項目間の共起頻度などを取得することが可能である。データベース３００が保持する情報は、ＬＡＮ等のネットワークを介して医療診断支援装置１００へと送信される。

医療診断支援装置１００は、以下に説明する構成要素により構成されている。医用情報取得部１０２は、入力端末２００から医療診断支援装置１００へ入力された医療診断の対象となる部位の医用情報（既入力情報）とそれに付随するデータ（代表画像など）を取得する。医療診断の対象となる部位が肺の場合を例とすると、医用情報取得部１０２は、対象症例である肺の異常陰影に関する読影所見（既入力情報）と、それに付随するデータを取得する。そして、医用情報取得部１０２は、既入力情報を未入力情報取得部１０４、推論部１０８、及び提示部１１４へと出力する。また、医用情報取得部１０２は、取得した医用情報とそれに付随するデータ（代表画像など）を提示部１１４に出力する。

未入力情報取得部１０４は、データベース３００を参照して、医療診断の対象となる部位（例えば肺）について入力可能な全ての医用情報（読影所見）の項目を取得することが可能である。未入力情報取得部１０４は、データベース３００から取得した入力可能な全ての医用情報の項目から既入力情報を除いた情報を未入力情報として少なくとも一つ取得する。未入力情報取得部１０４は、取得した未入力情報を未入力情報確率算出部１０６と推論部１０８と選択部１１２へと出力する。

未入力情報確率算出部１０６は、既入力情報と未入力情報の関係に基づいて、未入力情報が表す事象が医療診断の対象となる部位に存在する確率（生成確率）を未入力情報の夫々について算出する。未入力情報確率算出部１０６は、データベース３００が保持する入力可能な項目に関する情報について、未入力情報おのおのの生成確率を算出する。生成確率の算出手法は後に説明する。未入力情報確率算出部１０６は、算出した生成確率を選択部１１２と提示部１１４へと出力する。推論部１０８は、医用情報取得部１０２で取得した肺の異常陰影の既入力情報に基づいて、医療診断の対象となる部位の異常（異常の候補）を予め定められた推論手法を適用して推論する。例えば、既入力情報推論結果として、肺の異常陰影の診断名を推論する。また、既入力情報と未入力情報取得部１０４で取得したおのおのの未入力情報とを組として用い、医療診断の対象となる部位の異常（異常の候補）として、肺の異常陰影の診断名を推論する（未入力情報推論結果）。推論部１０８は、推論結果として取得した既入力情報推論結果および未入力情報推論結果を影響度算出部１１０と提示部１１４へと出力する。

影響度算出部１１０は、推論部１０８で得た既入力情報推論結果と、夫々の未入力情報推論結果を用いて、夫々の未入力情報の推論への影響度（未入力情報影響度）を算出する。ここで、影響度（未入力情報影響度）とは、未入力情報の夫々が、医師によって優先的に確認すべき情報であることの程度を示す値である。未入力情報の夫々について、影響度が算出される。例えば、未入力情報ａ１に対する影響度ｂ１とし、未入力情報ａ２に対する影響度ｂ２とする。影響度ｂ１（第１影響度）が影響度ｂ２（第２影響度）より高い場合、未入力情報ａ２よりも未入力情報ａ１が、推論への影響が大きい情報であると判断できる。影響度算出部１１０は、算出した影響度（未入力情報影響度）を選択部１１２へと出力する。

選択部１１２は、未入力情報確率算出部１０６で算出された夫々の未入力情報の生成確率と、影響度算出部１１０で得た夫々の未入力情報の影響度に基づいて、未入力情報の中から提示未入力情報を選択する。選択部１１２は、選択した提示未入力情報を提示部１１４へと出力する。提示部１１４は、選択部１１２で選択された提示未入力情報を、表示装置に提示（表示）する。これにより、医師が優先的に確認すべき未入力情報を効率的に提示することができる。

図１に示した医療診断支援装置１００の各部の機能構成の少なくとも一部は独立した装置として実現してもよい。また、医療診断支援装置１００の各部の機能構成をソフトウェアにより実現することも可能である。

図２は、図１に示した各部の夫々の機能を、ソフトウェアを実行することで実現するためのコンピュータの基本構成を例示する図である。ＣＰＵ１００１は、主として各構成要素の動作を制御する。主メモリ１００２は、ＣＰＵ１００１が実行する制御プログラムを格納したり、ＣＰＵ１００１によるプログラム実行時の作業領域を提供したりする。磁気ディスク１００３は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライブ、後述する処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ１００４は、提示部１１４が生成する表示用データを一時記憶する。モニタ１００５（表示装置）は、例えば、ＣＲＴモニタや液晶モニタ等であり、表示メモリ１００４からのデータに基づいて画像やテキストなどの表示を行う。また、提示部１１４により処理された結果がモニタ１００５（表示装置）に表示される。マウス１００６及びキーボード１００７は、ユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記のそれぞれの構成要素は、共通バス１００８により互いに通信可能に接続されている。

次に、図３のフローチャートを用いて、医療診断支援装置１００が行う全体の処理を説明する。本実施形態では、ＣＰＵ１００１が主メモリ１００２に格納されている各部の機能を実現するプログラムを実行することにより実現される。

なお、以下の説明では、各読影所見をＩｊ（ｊ＝１〜ｎ）で表し、ｎ種類の読影所見Ｉ１〜Ｉｎを取り扱うものとする。例えば、Ｉ１「形状」は、異常陰影の形状を表しており、Ｉ２「切れ込み」は、異常陰影における切れ込みの程度を表している。また、Ｉｎ「巻（血管）」は、異常陰影における血管の巻き込みの有無を表している。

また、以下の説明では、Ｉｊが取りうる状態（離散値）をＳｊｋと表記する。ｋの範囲はＩｊにより様々な値を取る。例えば、読影所見Ｉ１「形状」では、ｋは３となり、Ｓ１１「球形」、Ｓ１２「分葉状」、Ｓ１３「不整形」の３状態を取る。また、以下の説明では、Ｉｊの集合をＮと表記し、Ｓｊｋの集合をＥと表記する。ただし、Ｉｊが取りうる状態（離散値）Ｓｊｋは一つのＥの中に同時に存在しないものとする。例えば、Ｉ１がＳ１１、Ｓ１２、Ｓ１３を、Ｉ２がＳ２１、Ｓ２２、Ｓ２３、Ｓ２４を取る場合、Ｅ ＝ {Ｓ１１, Ｓ２１}は「形状」と「切れ込み」の状態を示すものであり、両者の状態は取りうる。しかし、Ｅ ＝｛Ｓ１１, Ｓ１２｝は、１つの読影所見の２つの異なる形状（「球形」、「分葉状」）を示すもので、両者の状態は取りえない。これは一つの読影所見は一つの状態のみを取るためである。

ここで、既入力情報の読影所見の集合をＮｆ、Ｎｆの状態の集合をＥｆと表記する。集合Ｅｆは既入力情報に相当する。また、既入力情報以外の読影所見の集合をＮｆ’、Ｎｆ’の状態を要素とする集合をＥｖｍ（ｍ ＝ １, ２,・・・ ）と表記する。このＥｖｍは未入力情報に相当する。また、未入力情報Ｅｖｍの生成確率と、未入力情報Ｅｖｍの推論への影響度を、それぞれＰｃ（Ｅｖｍ）、ＩＲ（Ｅｖｍ）と表記する。

また、診断名を、記号Ｄを用いて表記する。本実施形態では、診断名として、原発性肺癌、癌の肺転移、その他の３値を取るものとし、それぞれＤ１、Ｄ２、Ｄ３と表記する。また、Ｅが入力された場合の診断名Ｄｒ（ｒ＝１, ２, ３）の推論確率をＰ（Ｄｒ｜Ｅ）と表記する。

ステップＳ３０００において、医療診断支援装置１００の医用情報取得部１０２は、医療診断支援装置１００へ入力された肺の異常陰影に関する既入力情報とそれに付随するデータを取得する。例えば、表１において本ステップで医療診断支援装置１００が取得した読影所見の情報が、Ｉ１「形状」は「球形」、Ｉ３「放射状」は「弱」、…、Ｉｎ「巻（血管）」は「無」、であったとする。この場合、既入力情報の読影所見の集合Ｎｆは、Ｎｆ ＝ ｛Ｉ１, Ｉ３, ・・・ , Ｉｎ｝となり、Ｎｆの状態の集合Ｅｆは、Ｅｆ = {Ｓ１１, Ｓ３３, ・・・ , Ｓｎ３}となる。

ステップＳ３０１０において、医療診断支援装置１００の未入力情報取得部１０４は、全ての入力可能な情報から既入力情報を除いた情報に基づく集合を、未入力情報として少なくとも一つ取得する。例えば、既入力情報以外の読影所見の集合としてＮｆ’ ＝ ｛Ｉ２, Ｉ６, Ｉ８｝とする。ここで、Ｉ２がＳ２１, Ｓ２２, Ｓ２３, Ｓ２４を取り、Ｉ６がＳ６１, Ｓ６２を取り、Ｉ８がＳ８１, Ｓ８２, Ｓ８３を取る場合を考える。仮に、Ｅｖｍに含まれる要素を１個と限定すれば、４＋２＋３＝９個の未入力情報が取得される。また、含まれる要素を２個と限定すれば、４×２＋４×３＋２×３＝２６個の未入力情報が取得される。

ステップＳ３０２０において、医療診断支援装置１００の未入力情報確率算出部１０６は、データベース３００が保持する入力可能な項目に関する情報について、既入力情報と未入力情報の関係に基づいて、未入力情報夫々の生成確率を取得する。取得した生成確率は選択部１１２へと出力する。本実施形態では生成確率として既入力情報との共起を利用する。例えば、既入力情報の集合（Ｅｆ）と未入力情報の集合（Ｅｖｍ）が両方含まれる症例の頻度（共起頻度）をＦ（Ｅｆ∪Ｅｖｍ）、データベース３００に蓄積された症例の総数をＡＬＬとする。このとき、未入力情報の生成確率Ｐｃ（Ｅｖｍ）は、症例の総数と共起頻度とを用いた次式で定義される。

（１）式に示すとおり、本実施形態の生成確率は、共起頻度が高いほど確率が大きくなる。また、Ｆ（Ｅｆ∪Ｅｖｍ）＋１として確率が０にならないように調整している。なお、共起頻度Ｆ(Ｅｆ∪Ｅｖｍ)は、ＥｆとＥｖｍを共に有するという条件に適合する症例を計数するクエリ文を作成し、データベース３００に対して実行するという一般的な方法により、データベース３００から取得できる。

ステップＳ３０３０において、医療診断支援装置１００の推論部１０８は、ステップＳ３０００で取得した肺の異常陰影の既入力情報に基づいて、肺の異常陰影の診断名を推論する（既入力情報推論結果）。また、既入力情報とステップＳ３０２０で算出された夫々の未入力情報を組として、肺の異常陰影の診断名を推論する（未入力情報推論結果）。取得した既入力情報推論結果および夫々の未入力情報推論結果は影響度算出部１１０へと出力する。

このときの推論手法としては、ベイジアンネットワーク、ニューラルネットワーク、サポートベクターマシン、など既存の様々な推論手法が利用できる。本実施形態では、推論手法としてベイジアンネットワークを用いる。ベイジアンネットワークは条件付確率を用いた推論モデルであり、既入力情報が入力された場合の各診断名の推論確率（その事例が夫々の診断名である確率。事後確率ともいう）の取得が可能である。本実施形態では異常陰影の種別Ｄ１、Ｄ２、Ｄ３それぞれの確率が取得される。

ステップＳ３０４０において、医療診断支援装置１００の影響度算出部１１０は、夫々の未入力情報の推論結果を用いて未入力情報の推論への影響度を算出する（未入力情報影響度）。具体的には、ステップＳ３０２０で算出された夫々の未入力情報の生成確率と、ステップＳ３０３０で得た既入力情報推論結果と、夫々の未入力情報推論結果を用いる。取得した未入力情報影響度は選択部１１２へと出力する。

本実施形態では、未入力情報Ｅｖｍの未入力情報影響度ＩＲ（Ｅｖｍ）を次式で定義する。ただし、Ｄｍａｘは推論確率Ｐ（Ｄｒ｜Ｅｆ）が最大となるＤｒとする。

（２）式に示すとおり、本実施形態の影響度は、既入力情報を入力した場合に最大となる推論確率を有する診断名に注目して、未入力情報を追加した場合にその診断名の推論確率を変動させる度合いを示す。

ステップＳ３０５０において、医療診断支援装置１００の選択部１１２は、ステップＳ３０２０で得た夫々の未入力情報の生成確率と、ステップＳ３０４０で得た該未入力情報の影響度に基づいて、提示未入力情報を選択する。具体的には、次式によって夫々の未入力情報Ｅｖｍの評価値Ｗ（Ｅｖｍ）を得て、最大のＷ（Ｅｖｍ）を与えるＥｖｍを提示未入力情報として選択する。

（３）式に示すとおり、本実施形態では、未入力情報の発生確率と影響度の積を、提示未入力情報の選択基準としている。図６は、夫々の未入力情報Ｅｖｍの生成確率Ｐｃ（Ｅｖｍ）と、該未入力情報の影響度ＩＲ（Ｅｖｍ）、及び、該未入力情報の評価値Ｗ（Ｅｖｍ）の一例を示したものである。図に示したように、生成確率Ｐｃ（Ｅｖｍ）は、Ｅｖ６の｛Ｓ６２：石灰化−無｝が０．６０２で最も高い。また、影響度ＩＲ（Ｅｖｍ）は、Ｅｖ１の｛Ｓ２１：切れ込み−強｝が０．２７４で最も高い。しかし、Ｐｃ（Ｅｖｍ）とＩＲ（Ｅｖｍ）を勘案した評価値Ｗ（Ｅｖｍ）では、Ｅｖ４の｛Ｓ２４：切れ込み−無｝が７．１４×１０^-２で最も高くなっている。したがって、提示未入力情報として、Ｅｖ４の｛Ｓ２４：切れ込み−無｝を選択する。

ステップＳ３０６０において、提示部１１４は、ステップＳ３０００で得た肺の異常陰影に関する情報（既入力情報や代表画像）と、ステップＳ３０３０で得た既入力情報推論結果と、をモニタ１００５に表示する。また、提示部１１４は、ステップＳ３０５０で取得された提示未入力情報をモニタ１００５に表示する。また、提示部１１４は、ステップＳ３０２０で算出された未入力情報の生成確率、及び、ステップＳ３０３０で求められた未入力情報の未入力情報推論結果もモニタ１００５に表示する。

図４は、提示部１１４がモニタ１００５に表示する提示情報の一例を示したものである。提示情報４００は、肺の異常陰影の代表画像４０００、ステップＳ３０００で取得した肺の異常陰影の既入力情報４０１０、及び、ステップＳ３０３０で推論した既入力情報推論結果４０２０を含んでいる。既入力情報推論結果４０２０は既入力推論結果における原発性肺癌の推論確率４０２１、既入力推論結果における癌の肺転移の推論確率４０２２、既入力推論結果におけるその他の推論確率４０２３を円グラフにして表示する。また、各診断名の中で最も高い推論確率である診断名とその確率４０３０を含んでいる。

また、ステップＳ３０５０で得た提示未入力情報４０４０と、ステップＳ３０２０で算出された未入力情報の生成確率４０５０、及び、ステップＳ３０３０で推論した未入力情報推論結果４０６０を含んでいる。未入力情報推論結果４０６０は未入力推論結果における原発性肺癌の推論確率４０６１、未入力推論結果における癌の肺転移の推論確率４０６２、未入力推論結果におけるその他の推論確率４０６３を円グラフにして表示する。また、各診断名の中で最も高い推論確率である診断名とその確率４０７０を含んでいる。

ユーザ（医師）は、既入力情報を入力とした既入力情報推論結果と、影響度が最も高い未入力情報を加えて入力とした未入力情報推論結果を参照することにより、優先的に見るべき未入力情報と及ぼす影響を確認することができる。ユーザ（医師）が診断を行う際に、医療診断支援装置の提示結果を参照することにより、診断の一助とすることができる。

本実施形態に係る医療診断支援装置は、少なくとも一つの未入力情報の生成確率を算出し、既入力情報および既入力情報と未入力情報の夫々の組に対して推論を行い、夫々の生成確率、推論結果を利用した影響度に基づく情報を提示する。そうすることで、単なる推論結果の変動ではなく、既入力情報として取得した部位の画像中に未入力情報が表す事象が存在する確率も考慮した、優先的に見るべき情報を確認することができる。また、未入力情報の影響度を既入力推論結果のみに依存しない方法で算出しているため、既入力情報の推論結果を否定するような情報であっても優先的に確認すべき情報として提示する仕組みを提供することができる。

［第２実施形態］
第１実施形態では、既入力情報と未入力情報との共起頻度を用いて未入力情報の生成確率を取得していた。しかし、生成確率の取得方法はこれに限らず、他の方法であってもよい。本実施形態に係る医療診断支援装置は、未入力情報の生成確率を推論する第２の推論部を有する。

なお、本施形態に係る医療診断支援装置の構成は第１実施形態における図１と同様である。ただし、未入力情報確率算出部１０６が、既入力情報を入力とし未入力情報を出力とする第２の推論部を有しており、第２の推論部を用いて生成確率を算出する点が、第１実施形態とは異なっている。以下、本実施形態に係る医療診断支援装置について、第１実施形態との相違部分についてのみ説明する。ソフトウェアの実行によって医療診断支援装置１００を実現するコンピュータの基本構成は、第１実施形態における図２と同様である。医療診断支援装置１００が行う全体の処理を説明するフローチャートを図７に示す。

ステップＳ３０００及びステップＳ３０１０の処理は、第１実施形態における処理と同様である。

ステップＳ７０１５において、医療診断支援装置１００は、未入力情報確率算出部１０６の処理として、第２の推論部を構築する。本実施形態において、ステップＳ７０１５の処理は以下のように実行される。まず、未入力情報確率算出部１０６は、未入力情報Ｅｖｍに含まれている要素（状態）の読影所見の集合Ｎｖを取得する。続いて、データベース３００から、集合Ｎｖの全所見を既入力情報として部分的に含むような全ての症例を一般的な方法で取得する。次に、Ｎｖを除いた全ての入力可能な情報Ｎｖ’からＮｖの状態（すなわち，Ｅｖｍ）の生成確率を推論する第２の推論部を構築する。例えば、ステップＳ３０１０でＥｆ＝｛Ｓ１１,Ｓ３３,・・・ ,Ｓｎ３｝、Ｎｆ’＝{Ｉ２,Ｉ６,Ｉ８}が取得されたとする。ここで，Ｉ２がＳ２１、Ｓ２２、Ｓ２３、Ｓ２４を取り、Ｉ６がＳ６１、Ｓ６２を取り、Ｉ８がＳ８１、Ｓ８２、Ｓ８３を取るものとし、Ｅｖｍに含まれる要素を１個と限定する。いま、Ｅｖｍ＝｛Ｓ２１｝であるとき、Ｎｖ={Ｉ２}となり、医療診断支援装置１００はデータベース３００からＩ２を含む全症例を取得する。つまり、第１の実施形態と異なり、既入力情報は考慮せずに症例を取得する。そして、取得した症例に基づいて、Ｉ２以外の読影所見、すなわち、Ｉ１〜Ｉｎ（ただし、Ｉ２を除く）からＩ２の状態（Ｓ２１、Ｓ２２、Ｓ２３、Ｓ２４）の生成確率を推論する第２の推論部を構築する。このときの第２の推論手法としては、第１実施形態の推論手法と同様に既存の様々な推論手法が利用できる。本実施形態では第２の推論手法としてベイジアンネットワークを用いる。

ステップＳ７０２０において、医療診断支援装置１００は、未入力情報確率算出部１０６の処理（生成確率取得処理）として、ステップＳ７０１５で構築した第２の推論部を用いて未入力情報Ｅｖｍ夫々の生成確率を取得する。具体的には、第２の推論部に既入力情報Ｅｆを入力し、未入力情報Ｅｖｍの生成確率を算出することにより取得する。取得した生成確率は未入力情報取得部１０４に出力する。ステップＳ７０２２において、医療診断支援装置１００は、全ての未入力情報Ｅｖｍに対して生成確率が取得されているかを判定する。全ての生成確率が取得されていれば、ステップＳ３０３０へ進む。取得されていなければ、ステップＳ７０１５に戻り、新たなＥｖｍに対する第２の推論部を構築する。前述の例では、９個のＥｖｍが取得されるので、ステップＳ７０１５〜ステップＳ７０２２の処理を９回繰り返す。もちろんこれは一例であり、この方法に限定されない。例えば、ステップＳ７０１５において、Ｓ２１、Ｓ２２、Ｓ２３、Ｓ２４の生成確率を同時に求める第２の推論部を構築してもよい。この場合は、Ｎｆ’の要素数回だけ第２の推論部を構築し、未入力情報Ｅｖｍの生成確率を取得することとなる。前述の例では、９個の未入力情報Ｅｖｍの生成確率を取得するために、ステップＳ７０１５〜ステップＳ７０２２の処理を３回行えばよい。

ステップＳ３０３０からステップＳ３０６０の処理は、第１実施形態における処理と同様である。

以上の処理によって、既入力情報Ｅｆと未入力情報Ｅｖｍを共に有する過去の症例がデータベース３００中に存在していない場合であっても、第２の推論器を構築することにより、未入力情報の生成確率を算出できる。この場合、データベースに存在しないような未知の事例であっても、データベースに格納されている他のデータを利用して、未入力情報の生成確率を見積もれるという効果がある。特に、データベースに格納されている既知事例が少ない場合に効果を発揮する。

［第３実施形態］
第１実施形態では、生成確率と影響度の積である評価値Ｗが最大となる未入力情報を提示未入力情報として選択していた。しかし、提示未入力情報の選択方法はこれに限定されるものではなく、その他の方法で行ってもよい。第３実施形態に係る医療診断支援装置は、第１実施形態とは異なる処理によって、提示未入力情報の選択を行う。

なお、本施形態に係る医療診断支援装置の構成は、第１実施形態における図１と同様である。ただし、未入力情報確率算出部１０６が取得した未入力情報の生成確率が未入力情報取得部１０４に出力される点が、第１実施形態とは異なっている。また、未入力情報取得部１０４及び選択部１１２が実施する処理が第１実施形態とは異なっている。以下、本実施形態に係る医療診断支援装置について、第１実施形態との相違部分についてのみ説明する。

ソフトウェアの実行によって医療診断支援装置１００を実現するコンピュータの基本構成は、第１実施形態における図２と同様である。医療診断支援装置１００が行う全体の処理を説明するフローチャートを図５に示す。

ステップＳ３０００及びステップＳ３０１０の処理は、第１実施形態における処理と同様である。ただし、ステップＳ３０１０で取得した未入力情報は、未入力情報確率算出部１０６にのみ出力される。

ステップＳ５０２０において、医療診断支援装置１００の未入力情報確率算出部１０６は、第1実施形態と同様な処理によって未入力情報Ｅｖｍ夫々の生成確率を取得する。そして、取得した生成確率を未入力情報取得部１０４に出力する。

ステップＳ５０２５において、医療診断支援装置１００は、未入力情報取得部１０４の処理として、生成確率Ｐｃ(Ｅｖｍ)が予め定めた閾値以上となる未入力情報を選択（選別）する。そして、選択した未入力情報を、推論部１０８及び選択部１１２へと出力する。本実施形態では、以降の処理は、本ステップで選別された（すなわち、生成確率Ｐｃ(Ｅｖｍ)が予め定めた閾値以上となるような）未入力情報に対してのみ実施される。

ステップＳ３０３０及びステップＳ３０４０の処理は、第１実施形態における処理と同様である。ただし、処理の対象となる未入力情報は、ステップＳ５０２５で選別されたものに限定される。

ステップＳ５０５０において、医療診断支援装置１００は、選択部１１２の処理として、ステップＳ３０４０で得た未入力情報の影響度に基づいて、提示未入力情報を選択する。具体的には、影響度ＩＲ(Ｅｖｍ)が最大となるようなＥｖｍを提示未入力情報として選択する。言い換えれば、評価値Ｗ(Ｅｖｍ)=ＩＲ(Ｅｖｍ)として、最大のＷ(Ｅｖｍ)を与えるＥｖｍを提示未入力情報として選択する。本ステップで処理される未入力情報はステップＳ５０２５で選別されたものであるので、結果として、ステップＳ５０２０からステップＳ５０５０までの処理によって、未入力情報の生成確率と影響度に基づく提示未入力情報の選択が行われることになる。

ステップＳ３０６０の処理は、第１実施形態における処理と同様である。以上の処理によって、生成確率Ｐｃ(Ｅｖｍ)が予め定めた閾値以上となる未入力情報群を選択した後に、その中で影響度ＩＲ(Ｅｖｍ)が最大となる未入力情報を提示未入力情報として選択するという構成が実現される。この場合、例え影響度が大きくても生成確率が極端に小さい未入力情報は足切りされることになるので、生成確率をより重視した選択が行えるという効果がある。また、ステップＳ５０２５で選別された未入力情報に対してのみステップＳ３０３０及びステップＳ３０４０の処理が実施されるので、処理を効率化することができる。

（変形例１）
上記夫々の実施形態では、ステップＳ３０００において、医療診断支援装置１００が表示した医用画像を医師が読影して、その所見を既入力情報として取得していたが、既入力情報や記入力情報の取得方法はこれに限定されるものではない。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の情報を入力情報（既入力情報／未入力情報）とすることができる。

（変形例２）
上記夫々の実施形態では、ステップＳ３０４０において、既入力情報を入力した場合に推論確率が最大となる診断名に対して未入力情報の影響度を求めていたが、診断名ごとに未入力情報の影響度を求めてもよい。そして、ステップＳ３０５０、Ｓ５０５０において、夫々の診断名ごとに最大の評価値Ｗを与える提示未入力情報を選択し、ステップＳ３０６０において、夫々の診断名ごとに選択した提示未入力情報に関する情報を提示してもよい。これによると、既入力情報推論結果として得られる診断名以外の診断名に影響を与える未入力情報を、ユーザに示すことができる。また、ステップＳ３０４０の処理おいて、（２）式において絶対値を用いず正負のある値として影響度を求めてもよい。そして、ステップＳ３０５０、Ｓ５０５０において、評価値Ｗの値が正で最大となる未入力情報と負で（絶対値が）最大となる未入力情報の夫々を提示未入力情報として選択し、ステップＳ３０６０において、夫々の提示未入力情報に関する情報を提示してもよい。図８に示す例では、正の評価値がもっとも大きいもの（図６のＥｖ４）と、負の評価値が最も大きいもの（図６のＥｖ５）とをそれぞれ取得して表示している。これによると、既入力情報推論結果に肯定的な影響を与える未入力情報と否定的な影響を与える未入力情報の夫々を、ユーザに示すことができる。

（変形例３）
上記夫々の実施形態では、ステップＳ３０５０、Ｓ５０５０において、一つの未入力情報を提示未入力情報として選択していたが、複数の未入力情報を提示未入力情報として選択してもよい。例えば、評価値Ｗの値が予め定めた閾値以上である全ての未入力情報を、提示未入力情報として選択してもよい。これによると、影響の大きな未入力情報を漏れなくユーザに示すことができる。

（その他の実施例）
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（またはＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。

Claims (12)

1. 既入力情報と夫々の未入力情報との組に基づく推論の結果を取得する推論手段と、
   前記既入力情報と前記未入力情報との関係に基づいて、前記夫々の未入力情報により表される事象が医療診断の対象に存在する確率である生成確率を取得する生成確率取得手段と、
   前記既入力情報に対する前記推論手段の推論結果と前記推論手段により取得された前記夫々の未入力情報に対する推論結果とを用いて、前記夫々の未入力情報の推論への影響度を算出する影響度算出手段と、
   前記生成確率と前記影響度とを用いて前記夫々の未入力情報の評価値を算出する評価手段と、
   前記評価値に基づいて、前記未入力情報の中から提示する未入力情報を選択する選択手段と、
   を備えることを特徴とする医療診断支援装置。
2. 前記選択手段は、前記算出された評価値が最も大きい未入力情報と、前記算出された評価値が最も小さい未入力情報との少なくともいずれか一方の未入力情報を選択することを特徴とする請求項１に記載の医療診断支援装置。
3. 前記選択手段は、前記算出された評価値が所定の閾値以上の値である未入力情報と、前記算出された評価値が所定の閾値以下の値である未入力情報のうち、少なくともいずれか一方に含まれる未入力情報を選択することを特徴とする請求項１または２に記載の医療診断支援装置。
4. 前記生成確率取得手段は、前記生成確率を前記既入力情報と前記夫々の未入力情報との共起頻度から取得することを特徴とする請求項１乃至３のいずれか１項に記載の医療診断支援装置。
5. 前記生成確率取得手段は、前記生成確率を取得する第２の推論手段を更に有することを特徴とする請求項１乃至４のいずれか１項に記載の医療診断支援装置。
6. 前記第２の推論手段は、診断対象についての既入力情報を少なくとも部分的に含む過去の診断結果に基づいて、当該診断対象について未入力情報のそれぞれが入力される確率を前記生成確率として取得することを特徴とする請求項５に記載の医療診断支援装置。
7. 前記影響度算出手段は、前記生成確率が閾値以上である前記未入力情報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１乃至６のいずれか１項に記載の医療診断支援装置。
8. 前記選択手段により選択された前記未入力情報の少なくとも一部を提示する提示手段を更に備えることを特徴とする請求項１乃至７のいずれか１項に記載の医療診断支援装置。
9. 前記夫々の未入力情報は、前記事象として所見が取りうる状態を表すことを特徴とする請求項１乃至８のいずれか１項に記載の医療診断支援装置。
10. 医療診断の対象に関連する医療情報を示す値として入力された情報を既入力情報として取得する第一の取得手段と、
    前記第一の取得手段により取得された既入力情報とは異なる情報であって、入力されていない情報を未入力情報として取得する第二の取得手段と、
    データベースに記憶された症例において前記既入力情報に関連する値と前記未入力情報に関連する値とがともに存在する確率に基づいて、前記未入力情報により表される事象が前記医療診断の対象に存在する確率である生成確率を取得する生成確率取得手段と、
    前記既入力情報に基づいて第一の推論結果を取得し、前記既入力情報と前記未入力情報とに基づいて第二の推論結果を取得する推論手段と、
    前記第二の推論結果に対して前記未入力情報が影響した度合いである影響度を、前記第一の推論結果と前記第二の推論結果に基づいて算出する影響度算出手段と、
    前記生成確率と前記影響度とを用いて前記未入力情報の中から提示する情報を選択する選択手段と、
    を有することを特徴とする医療診断支援装置。
11. 既入力情報と夫々の未入力情報との組に基づく推論の結果を取得する推論ステップと、
    前記既入力情報と前記未入力情報との関係に基づいて、前記夫々の未入力情報により表される事象が医療診断の対象に存在する確率である生成確率を取得する生成確率取得ステップと、
    前記既入力情報に対する前記推論ステップの推論結果と前記推論ステップにより取得された前記夫々の未入力情報に対する推論結果とを用いて、前記夫々の未入力情報の推論への影響度を算出する影響度算出ステップと、
    前記生成確率と前記影響度とを用いて前記夫々の未入力情報の評価値を算出する評価ステップと、
    前記評価値に基づいて、前記未入力情報の中から提示する未入力情報を選択する選択ステップと、
    を有することを特徴とする医療診断支援方法。
12. 既入力情報と夫々の未入力情報との組に基づく推論の結果を取得する推論手段と、
    前記既入力情報と前記未入力情報との関係に基づいて、前記夫々の未入力情報により表される事象が医療診断の対象に存在する確率である生成確率を取得する生成確率取得手段と、
    前記既入力情報に対する前記推論手段の推論結果と前記推論手段により取得された前記夫々の未入力情報に対する推論結果とを用いて、前記夫々の未入力情報の推論への影響度を算出する影響度算出手段と、
    前記生成確率と前記影響度とを用いて前記夫々の未入力情報の評価値を算出する評価手段と、
    前記評価値に基づいて、前記未入力情報の中から提示する未入力情報を選択する選択手段と、
    を備えることを特徴とする入力支援システム。