JP6422451B2 - 被験者が病状に侵される可能性があるときを識別するシステム、方法およびコンピュータ可読媒体 - Google Patents

Description

関連出願
本出願は、その全体が参照により本明細書に組み込まれる、２０１３年３月１３日に出願された米国仮特許出願第６１／７７８，４５０号の優先権を主張する。

本開示は、画像分析の分野に関する。例えば、画像分析を使用して被験者（subject）が病状に侵される可能性があるときを識別するシステム、方法およびコンピュータ可読媒体が開示される。

合計して世界の人口の８％超を侵す数千の既知の奇病が存在する。奇病は、慢性、急性、変性、生命を脅かす異常なものが多い。奇病に侵される小児は、多くの関連付けられた医学的合併症を患うことが多く、重大かつ時宜にかなった医学的介入を必要とすることが多い。

多くの奇病は、元来、先天的に遺伝子的なものであり、先天性異常の兆候を示す。先天性異常の兆候は、奇病の最初の合図であることが多い。資格要件を満たした専門家によって行われる異形症評価（dysmorphic evaluation）は、病気を認識するのに重要な要因となることが多い。しかし、多くの病気の珍奇さ、異常形態学の専門家の不足、および臨床診断の複雑性に起因して、適切かつ包括的な異常形態の訓練を多数の医師に提供することが不可能であることが多い。奇病の診断は、特に、関連する認識、知識および経験に欠ける医師に対して非常に困難であることが多い。診断に到達するほとんどの子供は概して、身体症状、発育遅延、知的障害、および他の医学的合併症が家族または取扱い医師によって観察されて後天的に診断される。これは、子供の症状を悪化させることがある未管理かつ未治療の病気をもたらすことがある。

病気の早期発見が重要であることが多い。したがって、人が病状に侵されることになる可能性が高いかを効率的かつ非侵襲的に判定することができるシステムおよび方法が必要とされる。

本開示に従った実施形態は、画像分析を使用して被験者が病状に侵される可能性があるときを識別するシステム、方法およびコンピュータ可読媒体を提供する。

１つの開示される実施形態では、被験者が病状に侵される可能性があるときを識別するシステムが開示される。システムは、被験者の外部の軟組織画像（soft tissue image）を反映した情報を受信し、アンカー細胞分析、シフトパッチ分析および相対測定分析のうちの少なくとも１つを使用して、外部の軟組織画像情報の第１の評価を実行し、第１の評価の少なくとも一部に基づいて、第１の評価結果情報を生成し、アンカー細胞分析、シフトパッチ分析および相対測定分析のうちの少なくとも１つを使用して、外部の軟組織画像情報の第２の評価を実行し、第２の評価の少なくとも一部に基づいて、第２の評価結果情報を生成し、第１の評価結果情報および第２の評価結果情報の少なくとも一部に基づいて、被験者が病状に侵される尤度を予測するように構成された少なくとも１つのプロセッサを含む。

別の開示される実施形態では、被験者が病状に侵される可能性があるときを識別するシステムが開示される。システムは、被験者の外部の軟組織画像を反映した情報を受信し、外部の軟組織画像情報を複数の領域に分割し、複数の領域の各々の分析を生成し、複数の領域の分析を集約し、集約された分析に基づいて、被験者が病状に侵される尤度を判定するように構成された少なくとも１つのプロセッサを含む。

別の開示される実施形態では、被験者が病状に侵される可能性があるときを識別するシステムが開示される。システムは、被験者の外部の軟組織画像を反映した情報を受信し、外部の軟組織画像情報を、データベースにおける他の被験者の複数の外部の軟組織画像と比較するために画像情報分析を使用し、画像情報分析に基づいて、外部の軟組織画像情報に含まれる異形症の特性を判定し、異形症の特性と関連付けられた記述子（descriptor）にアクセスし、記述子の少なくとも一部を出力するように構成された少なくとも１つのプロセッサを含む。

別の開示される実施形態では、被験者が病状に侵される可能性があるときを識別するシステムが開示される。システムは、被験者の外部の軟組織画像を反映した情報を受信し、外部の軟組織画像情報を分析し、分析の少なくとも一部に基づいて、外部の軟組織画像情報における１つ以上の外部の軟組織属性を識別し、複数の病状と関連付けられた外部の軟組織属性の少なくとも１つのデータベースにアクセスし、１つ以上の識別された外部の軟組織属性を、少なくとも１つのデータベースの外部の軟組織属性と比較し、比較に基づいて、被験者が有する可能性がある少なくとも１つの病状に関する情報を出力するように構成された少なくとも１つのプロセッサを含む。

別の開示される実施形態では、被験者が病状に侵される可能性があるときを識別するシステムが開示される。システムは、第１の時間において記録された被験者の第１の外部の軟組織画像を反映した第１の情報を受信し、第１の画像情報を分析し、第２の時間において記録された被験者の第２の外部の軟組織画像を反映した第２の情報を受信し、第２の画像情報を分析し、第１の画像情報の分析を、第２の画像情報の分析と比較し、比較の少なくとも一部に基づいて、被験者が病状に侵される尤度を予測するように構成された少なくとも１つのプロセッサを含む。

開示される実施形態に関連する追加の態様は、以下の説明において部分的に示され、かつ説明から部分的に理解され、または開示される実施形態の実施によって学習されてもよい。

上述した概要および以下の詳細な説明の両方は例示的かつ説明のためのみであり、特許請求の範囲を限定するものではないことを理解されたい。

本開示に組み込まれ、かつその一部をなす添付図面は、種々の開示される実施形態を示す。

開示される実施形態を実装するために使用されてもよい、被験者が病状に侵される可能性があるときを識別する例示的なシステムを示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、２つの評価を使用して被験者が病状に侵される尤度を予測することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、画像分割を使用して、被験者が病状に侵される尤度を予測することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、被験者の少なくとも１人の血縁者の情報を使用して、被験者が病状に侵される尤度を予測することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、異形症の特性と関連付けられた少なくとも一部の記述子を出力することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、画像上の少なくとも１００の定義された位置を使用して、被験者が病状に侵される尤度を予測することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、画像上の少なくとも１つの異常形態を重ねて示すことを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、選択された領域における異形症の特性に関する情報を識別することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、被験者が有する可能性がある少なくとも１つの病状に関する情報を出力することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、２つの異なる時間における分析に基づいて、被験者が病状に侵される尤度を予測することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、２人の被験者が有する可能性がある事前に認識されていない病状を判定することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、ヘルスサービスプロバイダとヘルスケアの専門家との間の通信を仲介することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、被験者の画像が、病状に侵される可能性の閾値を満たすときに、病状分析システムのプロセッサがヘルスケアプロバイダに警告することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、被験者が病状を有するかを予測することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、実行されることになる試験のリストを生成することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、重大度スコアに基づいて、異形症の特性が病状を示すかを予測することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、病状分析システムのプロセッサが、少なくとも１つの異形症の特性を考慮しないことによって、被験者が病状に侵されることになる可能性があるかを予測することを実行するように構成されてもよい、例示的な動作を示す。 開示される実施形態の一部に従った、画像処理パイプラインの例示的な記述を示す。 開示される実施形態の一部に従った、画像分割の例示的な記述を示す。 開示される実施形態の一部に従った、画像分割の例示的な記述を示す。 開示される実施形態の一部に従った、画像分割の例示的な記述を示す。 開示される実施形態の一部に従った、画像分割の例示的な記述を示す。 開示される実施形態の一部に従った、アンカー細胞分析の例示的な記述を示す。 開示される実施形態の一部に従った、アンカー細胞分析の例示的な記述を示す。 開示される実施形態の一部に従った、アンカー細胞分析の例示的な記述を示す。 開示される実施形態の一部に従った、シフトパッチ分析の例示的な記述を示す。 開示される実施形態の一部に従った、相対測定分析の例示的な記述を示す。 開示される実施形態の一部に従った、複数の分析の例示的な記述を示す。 開示される実施形態の一部に従った、耳分析の例示的な記述を示す。 開示される実施形態の一部に従った、未診断患者分析の例示的な記述を示す。

添付図面に示される例示的な実施形態への詳細な参照がここでなされる。可能な限り、同一または類似の部分を指すために同一の参照符号が図面全体を通じて使用される。

図１は、開示される実施形態に従った、被験者が病状に侵される可能性があるときを識別する例示的なシステム１００を示す図である。被験者はとりわけ、男性または女性、および小児または成人などの任意の人または任意のタイプの人を含んでもよい。小児は、例えば、新生児、０歳児、２〜４歳児、未就学児、学童、または青年を含んでもよい。例えば、出生から１月の男性または女性は新生児、１月から１年までは０歳児、１年から３年までは２〜３歳児、３年から６年までは未就学児、６年から１２年までは学童、および１２年から１８年までは青年と称されることがある。成人は、例えば、１８歳以上の男性または女性を含んでもよい。しかしながら、これらの年齢の幅は例示的なものにすぎない。例えば、１９歳の人が特定の文脈では青年と称されることがある。

病状はとりわけ、任意の内科疾患（medical disease）を含んでもよい。病状を有する被験者は、例えば、遺伝的症候群を有する者および遺伝的症候群の媒介者（carrier）であるもののうちの少なくとも１つを含んでもよい。病状はまたとりわけ、１つの特性、合図、兆候、現象、または他の特徴が、考えられる他のものの存在を暗示し、示し、または警告し得るなど、臨床的に認識可能な特性、合図、兆候、現象、またはそれらとともに発生することが多い他の特徴の任意の連関を含んでもよい。病状はまた、時間とともに身体的な成長および発達における１つ以上の異常所見（例えば、発育不全および時間とともに発達する頭蓋顔面変形）を含んでもよい。例えば、病状は、それらの全てが参照によってその全体が本明細書に組み込まれる、“Goriin’s syndromes of the head and neck,” 2010, Oxford University Press, to R.C.M. Henrsekam et al、“The Bedside Dysmorphologist,” 2008, Oxford University Press, to William Reardon、および“Smith’s Recognizable Patterns of Human Malformation,” 2005, WB Saunders, to Kenneth Lyons Jonesで開示される病状のうちの１つ以上であってもよい。

一部の実施形態では、病状は、人に１つ以上の異形症の特性を示させることがある１つ以上の症状を含む。異形症の特性は、例えば、被験者の外観を侵す任意の特性を含んでもよい。異形症の特性は、例えば、外部の軟組織の異常形態を反映することがある。例えば、病状は、小児の頭蓋骨を不規則な形式で形成させることがあり、それは、小児の顔の外観を、１つ以上の異形症の特性によって表されることがある不規則な形式にさせることがある。例えば、異形症の特性は、それらの全てが参照によってその全体が本明細書に組み込まれる、“Elements of morphology: Introduction,” 2009, Am J Med Genet. Part A 149A:2-5, to Allanson et al、“Elements morphology: Standard of terminology for the head and face,” 2009, Am J Med Genet Part A 149A:6-28, to Allanson et al.、“Elements of morphology: Standard terminology for the lips, mouth, and oral region,” 2009, Am J Med Genet Part A 149 A: 77-92, to Carey et al.、“Elements of morphology: Standard Terminology for the periorbital region,” 2009, Am J Med Genet Part A 149A:29-39, to Hall et al、“Elements of morphology: Standard terminology for the Nose and phiitrum,” 2009, Am J Med Genet Part A 149A:61-76, to Hermekam et al.、“Elements of morphology: Standard terminology for the ear,” 2009, Am J Med Genet Part A 149A:40-6Q, to Hunter et al.、および“Elements of morphology: Standard terminology for the hands and feet,” 2009, Am J Med Genet Part A 149A:93-127, to Biesecker et al.で開示される異形症の特性のうちの１つ以上であってもよい。

システム１００はとりわけ、少なくとも１つのプロセッサ１１０、少なくとも１つのメモリデバイス１２０、少なくとも１つの入力デバイス１３０、少なくとも１つのカメラ１４０、および少なくとも１つの出力デバイス１５０を含んでもよい。プロセッサ１１０は、例えば、中央処理装置（ＣＰＵ）、デジタルシグナルプロセッサ（ＤＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、グラフィカルプロセシングユニット（ＧＰＵ）、または命令を実行し、もしくは論理演算を実行するのに適切とすることができる当業者にとって公知の任意の他の回路の全てまたはその一部とすることができる、１つ以上の集積回路、マイクロチップ、マイクロコントローラおよびマイクロプロセッサを含む、少なくとも１つの入力変数に関して演算を実行するように構成することができる任意の電子回路を含んでもよい。単一のプロセッサを使用して複数の機能が達成されてもよく、または複数の関連し、および／または関連しない機能が、複数のプロセッサにわたって分割されてもよい。プロセッサ１１０は、例えば、不揮発性メモリ、ＲＯＭ、ＥＥＰＲＯＭ、ＥＡＲＯＭ、フラッシュメモリデバイス、磁気ディスク、磁気光ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、およびBlu-ray（登録商標）などを含むことができる、メモリデバイス１２０にアクセスするように構成されてもよい。メモリデバイス１２０は、命令（すなわち、ソフトウェアもしくはファームウェア）または他のデータを含んでもよい。プロセッサ１１０は、メモリデバイス１２０に記憶された命令およびデータを受信してもよい。よって、一部の実施形態では、プロセッサ１１０は、入力データを演算し、出力を生成することによって、機能を実行するためにソフトウェアまたはファームウェアを実行してもよい。しかしながら、プロセッサ１１０はまた、ネットワーク（図１には示されない）を介してリモートに記憶されたデータを受信またはアクセスしてもよい。例えば、デバイス１００は、プロセッサ１１０が、ネットワークを介してサーバまたはユーザデバイス上にリモートに記憶されたデータを受信またはアクセスすることを可能にする通信デバイス（図１には示されない）を含んでもよい。さらに、プロセッサ１１０はまた、例えば、入力データを演算し、出力を生成することによって処理を実行する専用ハードウェアまたは特定用途向け集積回路（ＡＳＩＣ）であってもよい。プロセッサ１１０は、専用ハードウェア、１つ以上のＡＳＩＣ、１つ以上の汎用プロセッサ、１つ以上のＤＳＰ、１つ以上のＧＰＵ、またはデジタル情報を処理することが可能な１つ以上の他のプロセッサの任意の組み合わせであってもよい。例えば、一部の実施形態では、プロセッサ１１０は、並列処理能力を提供することができる複数のプロセッサを含んでもよい。

図２は、少なくとも１つのプロセッサが、実行するように構成されてもよい例示的な処理２００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって処理２００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して処理２００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ２１０）ように構成されてもよい。例えば、プロセッサ１１０は、カメラ１４０によって捕捉された被験者の外部の軟組織画像を反映した情報を受信するように構成されてもよい。カメラ１４０はとりわけ、ＣＣＤ画像センサ、ＣＭＯＳ画像センサ、カメラ、光センサ、ＩＲセンサ、超音波センサ、近接センサ、短波赤外線（ＳＷＩＲ）画像センサ、反射センサ、または外部の軟組織画像を捕捉することが可能な任意の他の画像センサなどの、１つ以上の画像センサを含んでもよい。画像センサは、単独画素データ、１次元ラインデータ、２次元データ、または３次元データなどの、任意の量の画像データを捕捉するように構成されてもよい。カメラ１４０は、固定カメラ、移動カメラ、または、例えば、コンピュータ、タブレット、電話、メガネ、もしくは任意の他のデバイスにさらに組み込まれてもよい、任意の他の捕捉デバイスもしくは装置であってもよい。

外部の軟組織画像はとりわけ、被験者または被験者の任意の部分の画像を含んでもよい。一部の実施形態では、外部の軟組織画像は、被験者の顔、被験者の頭蓋、被験者の手、および被験者の足のうちの少なくとも１つの画像を含んでもよい。しかしながら、外部の軟組織画像はまた、髪の毛の生え際、額、目の領域、眉、鼻、目、顔面中央の領域、人中の領域、口、耳、下顎領域、顎、頬、首、胸、体の中央、背中、胴、腰、性器、手足、間接、手、および指などの被験者の他の部分を含んでもよい。一部の実施形態では、外部の軟組織画像は、正面画像、側面画像、斜視画像、上面画像、および背面画像のうちの少なくとも１つを含む頭蓋顔画像（cranio-facial image）である。本明細書で使用されるように、頭蓋顔画像は、被験者の頭蓋または顔の少なくとも一部を含む画像である。正面画像は、被験者の顔の正面の画像を含んでもよい。側面画像は、被験者の頭の垂直線中央点から４５度の角度または４５度の角度の付近（顔の左および右側に）で撮られた画像を含んでもよい。上面画像は、被験者の頭の上面の画像を含んでもよい。背面画像は、被験者の頭の背面の画像を含んでもよい。以下でさらに詳細に説明されるように、一部の実施形態では、外部の軟組織画像は、異常形態と関連付けられる。

プロセッサ１１０によって受信された外部の軟組織画像を反映した情報は、外部の軟組織画像自体、または外部の軟組織画像から導出された任意のデータ（例えば、カメラ１４０における別個のプロセッサが外部の軟組織画像からデータを導出し、導出されたデータをプロセッサ１１０に送信してもよい）を含んでもよい。例えば、外部の軟組織画像がアナログ画像である場合（外部の軟組織画像がデジタル画像として捕捉されてもよいが）、外部の軟組織画像を反映した情報は、デジタルに変換されたバージョンの外部の軟組織画像を含んでもよい。外部の軟組織画像を反映した情報は、例えば、ベクトル画像またはラスタ画像であってもよい。外部の軟組織画像を反映した情報はまた、例えば、画像の１つ以上の明暗度、画像におけるエッジの１つ以上の位置、および画像における１つ以上のテキスチャを含むことができる、外部の軟組織画像から導出されたパラメータの組などの非画像データであってもよい。

一部の実施形態では、プロセッサ１１０は、それが情報を受信したとき、および／またはそれが情報を受信した後、外部の軟組織画像情報を前処理してもよい。図１８は、プロセッサ１１０によって実行することができる前処理ルーチンの１つの例を示す。図１８に示されるように、前処理ルーチンの一部として、プロセッサ１１０は、外部の軟組織画像情報の顔の領域を検出し、顔の領域におけるいくつかの点を検出し、顔の領域を調節するように構成されてもよい。顔検出ルーチンの１つの例が、図１９〜２２に示される。例えば、図２０にグラフィカルに示されるように、プロセッサ１１０は、任意選択で、画像情報上で相互に重複してもよい、複数のパッチ（すなわち、画像情報のサブ領域）を最初に配置することによって顔の領域を検出するように構成されてもよい。各パッチに対し、記述子ベクトルが算出されてもよい。記述子ベクトルは、例えば、スケール不変特徴量変換（ＳＩＦＴ）、方向勾配ヒストグラム（ＨＯＧ）、自己相似性記述子（self-similarity descriptor）、ローカルバイナリパターンのヒストグラム（histogram of Local Binary Patterns）、画像分析およびコンピュータビジョンの分野で公知の任意の他の判定可能な特徴のうちの少なくとも１つから導出されるデータを含んでもよい。

顔検出ルーチンに対する訓練段階の間、訓練画像の組の１つ以上の領域は、例えば、手動で輪郭を描かれてもよい。例えば、プロセッサ１１０は、頭の輪郭、および顔の内部または顔の側面の１つ以上の領域（例えば、目、鼻、口、耳などの輪郭）を判定してもよい。プロセッサ１１０は、頭の輪郭の重心を判定してもよい（例えば、輪郭上の点の重み付けられた相対位置が合計するとゼロになる点）。プロセッサ１１０はさらに、各訓練画像の各パッチに対する記述子ベクトルを判定し、記述子ベクトルをデータベースに記憶してもよい。データベースは、メモリデバイス１２０によって記憶されてもよく、または例えば、ネットワークを介してプロセッサ１１０にアクセス可能なリモートサーバに記憶されてもよい。さらに、記述子ベクトルと関連付けられた各パッチの中心に対する頭の形の重心の位置に関する情報がまた、データベースに記憶されてもよい。図１９は、複数のパッチの中心に対する頭の形の重心の位置に関する情報を有する輪郭が描かれた頭の形の例を示す。

さらに、顔検出ルーチンに関して、プロセッサ１１０は、被験者の画像情報における各パッチの記述子ベクトルを、訓練画像のパッチと関連付けられた記述子ベクトルと比較して、最も類似した記述子ベクトルの組（例えば、２５の最も類似した記述子ベクトル）を判定するように構成されてもよい。比較を実行するために、プロセッサ１１０は、メモリデバイス１２０から、および／またはネットワークを介してリモートソースから（例えば、サーバもしくはユーザデバイス）、画像情報における各パッチの記述子ベクトルを読み出すように構成されてもよく、メモリデバイス１２０から、および／またはネットワークを介してリモートソースから（例えば、サーバもしくはユーザデバイス）、訓練画像のパッチと関連付けられた記述子ベクトルを読み出すように構成されてもよい。プロセッサ１１０は、被験者の画像情報における各パッチの記述子ベクトルと、訓練画像のパッチと関連付けられた記述子ベクトルとの間のユークリッド距離、チェビシェフ距離、カイ二乗距離、およびマハラノビス距離のうちの１つ以上を算出するように構成されてもよい。最も類似した記述子ベクトルの組は、例えば、最短の、ユークリッド距離、チェビシェフ距離、カイ二乗距離、またはマハラノビス距離と関連付けられたそれらの記述子ベクトルを含んでもよい。最も類似した記述子ベクトルの組と関連付けられたパッチは、データベースから読み出されてもよい。データベースから読み出された各パッチは、被験者の画像情報の重心の位置に対する１つの票（vote）を提供してもよい。票は、所与のパッチと関連付けられた訓練画像における重心の相対位置を、データベースからパッチを読み出すのに使用される画像情報におけるパッチの位置に追加することによって判定されてもよい。これに関連して使用されるように、票は、被験者の画像情報の重心の位置に対する１つの評価を意味する。画像情報の全てのパッチからの全ての票が統合されてもよく、最良のサポートを有する位置が、頭の重心として選択されてもよい。図２０は、説明される票動作の例をグラフィカルに示す。

一部の実施形態では、被験者の画像情報における各パッチに対し、選択された重心位置を示し、かつ選択された重心位置から閾値の距離内にある読み出されたパッチの組が破棄されてもよい。残りは、読み出すパッチ記述子ベクトルと読み出されたパッチ記述子ベクトルとの間の類似性、および選択された重心位置と、読み出されたパッチによって暗示される重心との間の距離、の２つの要素に比例するスコアが割り当てられる。各読み出すパッチ（すなわち、被験者の画像情報におけるパッチ）に対し、読み出されたパッチのスコアが蓄積されてもよい。閾値フィルタは、画像情報における頭の形の最前面の領域の初期の大まかな評価を取得するために、読み出すパッチの各々の蓄積されたスコアに適用されてもよい。プロセッサ１１０は、最も近い形を生成するために、初期の大まかな評価に関する１つ以上のモルフォロジー演算を適用するように構成されてもよい。例えば、図２１にグラフィカルに示されるように、最も近い形の輪郭は、第１の区分検証としての役割を果たしてもよい。一部の実施形態では、プロセッサ１１０はまた、第１の区分検証を、演算に対する開始位置として使用して、平均シフト区分アルゴリズムおよび／またはGrabCut区分アルゴリズムを画像情報に適用するように構成されてもよい。

一部の実施形態では、プロセッサ１１０は、上述した輪郭を、検出された頭または顔の領域として使用してもよい。しかしながら、一部の実施形態では、判定がさらに精緻化される。例えば、一部の実施形態では、各訓練画像の輪郭が、（ｉ）等間隔での輪郭に沿ってサンプリングされたいくつかの点（例えば、５０）の（ｘ、ｙ）座標（例えば、第１の点が輪郭に沿った最上部の点になるとしてとられる）、（ｉｉ）第１の点の位置、ならびにあらゆる点と次の点との間の（ｘ、ｙ）座標（例えば、合計してゼロになる（ｄｘ、ｄｙ）のいくつかの対）における差異、（ｉｉｉ）各々のそのような輪郭の点の、輪郭の捕捉されたエリアの重心からの距離、および重心から輪郭の点への射線の角度、（ｉｖ）重心から輪郭上の点への距離、の１つ以上を含むベクトルによって表されてもよい。画像情報の評価された輪郭を精緻化するために、プロセッサ１１０は、訓練ベクトルの主要コンポーネント（Principal Components）を演算するために主要コンポーネント分析（Principal Components Analysis）を採用してもよい。評価された輪郭は、それを主要コンポーネントの空間に投影することによって精緻化されてもよい。

プロセッサ１１０は、前に判定された輪郭の１つ以上が一致している領域を識別してもよい。例えば、隙間なく（densely）サンプリングされた射線は、重心から全ての方向に投影されてもよい。例えば、図２２でグラフィカルに示されるように、各射線が種々の輪郭を交差してもよい。プロセッサ１１０は、各射線に対する取得された交差位置の平均偏差および基準偏差を算出するように構成されてもよい。基準偏差が閾値を下回る場合（交差がすぐ隣にあり、輪郭が射線に沿って一致していることを意味することがある）、輪郭に対する高信頼度位置として平均点が使用されてもよい。複数の射線からの高信頼度位置は、欠けた部分および複数のサブ区分を有する輪郭を生成することができる、高信頼度区分にグループ化されてもよい。欠けた区分は、訓練画像における頭の形を調査し、高信頼度区分に最も従った頭の形を選択し、選択された頭の形から欠けた区分に値を複製することによって再構築されてもよい。

画像情報の顔の領域におけるいくつかの点を検出するために、プロセッサ１１０は、上述した技術と類似した投票技術を実行するように構成されてもよい。例えば、上述した輪郭が頭の形または顔の形に関するものであると同時に、同一の演算が、被験者の画像情報における任意の他の定義可能な輪郭に対して実行されてもよい。プロセッサ１１０は、例えば、画像情報の１つ以上の輪郭上の点（例えば、被験者の顔、目、眉、鼻、口など、および／または顎の周囲の点）を選択するように構成されてもよい。例えば、プロセッサ１１０は、所与の輪郭に沿ったいくつかの均等に間隔が空いた点を選択するように構成されてもよい。

顔の領域を調節するために、プロセッサ１１０は、移動、回転および拡大縮小演算の１つ以上を実行し、それによって、結果として生じる顔が、平均顔モデルと最大限に調節されるように構成されてもよい。一部の実施形態では、対象の領域は、検出された点に基づいて判定された対応する顔の領域への既知の関連性に基づいて判定されてもよい。次いで、対象の領域は、平均顔モデルに調節されてもよい。

プロセッサ１１０は、アンカー細胞分析、シフトパッチ分析、および相対測定分析のうちの少なくとも１つを使用して、外部の軟組織画像情報の第１の評価を実行する（ステップ２２０）ように構成されてもよい。アンカー細胞分析を実行するために、プロセッサ１１０は、外部の軟組織情報に関する複数のセルを有するグリッドをオーバーレイし、複数のセルの各々に対する記述子を算出し、記述子を集約してベクトルを生成し、ベクトルを、前に病状を診断された他の個人の外部の軟組織画像からの前に生成されたベクトルと比較するように構成されてもよい。

セルのグリッドをオーバーレイすることは、いくつかの異なる補完的および／または代替的な選択肢を含んでもよい。例えば、図２３Ａに示されるように、プロセッサ１１０は、外部の軟組織画像情報に関する複数のセルを有する固定グリッドをオーバーレイするように構成されてもよい。セルの固定グリッドは、例えば、外部の軟組織画像情報の領域（例えば、顔の領域）上でオーバーレイされる複数の隣接する正方形、長方形、または三角形を含んでもよい。別の例として、図２３Ｂに示されるように、プロセッサ１１０は、外部の軟組織画像情報の額の領域、眼窩周囲の領域、鼻の領域、顔面中央の領域、耳の領域、および口の領域のうちの少なくとも１つなど、特定の定義された領域上で、上述した固定グリッドのセルよりもサイズが小さいことがあるセルの小さいグリッドをオーバーレイするように構成されてもよく、プロセッサ１１０は、外部の軟組織画像の少なくとも１つの他の領域（例えば、セルの小さいグリッドでオーバーレイされなくてもよい、髪の毛の領域などの、関連する情報をほとんど、または全く取得することができない領域）を無視する（discount）ように構成されてもよい。別の例として、図２３Ｃに示されるように、プロセッサ１１０はまた、外部の軟組織画像情報に関して検出された点を接続することによって生成された複数の三角形のセルをオーバーレイするように構成されてもよい。例えば、プロセッサ１１０は、画像情報上の複数の特徴点を判定し、特徴点を接続して三角形領域を形成してもよい。

複数のセルの各々に対する記述子を算出するために、プロセッサ１１０は、例えば、外部の軟組織画像情報と関連付けられた明暗度、テキスチャ、およびエッジのうちの少なくとも１つを分析するように構成されてもよい。一部の実施形態では、各セルに対する記述子は、例えば、ＳＩＦＴ、ＨＯＧ、自己相似性記述子、ローカルバイナリパターンのヒストグラム、画像分析およびコンピュータビジョンで使用される任意の他のタイプの特徴から導出されるデータを含むベクトルである。

記述子を集約してベクトルを生成するために、プロセッサ１１０は、例えば、算出された記述子の１つ以上を含むベクトルを生成するように構成されてもよい。例えば、固定グリッドにおけるセルと関連付けられた記述子の各々は、ベクトルに集約されてもよく、三角形のセルの組と関連付けられた記述子の各々は、ベクトルに集約されてもよく、またはセルの小さいグリッドと関連付けられた記述子の各々は、ベクトルに集約されてもよい。加えて、または代替的に、セルの１つ以上の組が作成される場合（例えば、固定グリッドおよび三角形のセルの組の両方が形成され、固定グリッドおよびセルの小さいグリッドの両方が形成され、三角形のセルの組および固定グリッドの両方が形成され、または固定グリッド、三角形のセルの組、および小さいグリッドの全てが形成される）、セルの複数の組の記述子を含む単一ベクトルが生成されてもよい。集約された記述子を含むベクトルは、例えば、結合外観ベクトル（combined appearance vector）と称されてもよい。

ベクトルを、前に病状を診断された他の個人の外部の軟組織画像からの前に生成されたベクトルと比較するために、プロセッサ１１０は、例えば、データベースにアクセスするように構成されてもよい。データベースは、例えば、他の個人の外部の軟組織画像のアンカー細胞分析を使用して生成されたベクトルを含んでもよい。データベースは、患者ＩＤ、年齢、年齢グループ、性別、民族グループ、人種グループ、異形症の特性、遺伝表現型特性、身体測定値（身長、体重、頭囲、顔面高、頭蓋高、上位顔面高、下位顔面高、頭長、頭幅、顔面幅、下顎幅、大泉門サイズ、小泉門サイズ、内部眼球距離、外部眼球距離、瞳孔間距離、眼窩間距離、瞼裂長、瞼裂高、瞼裂の傾斜、眼窩突起、角膜の大きさ、耳の長さ、耳の幅、耳の突起、耳の位置、耳の回転、鼻の高さ、小柱の長さ、鼻の突起、鼻の幅、人中の長さ、人中の幅、口の幅、ＯＮＣ角度、上下の顎の差、および下顎の幅を含むが、それらに限定されない）、体の目だった場所と顔の目だった場所との間の相対比率および比率、既知の診断、疑わしい診断、変異および遺伝的変異、画像のソース、インフォームドコンセント、姿勢、照度、画像の品質、表示タイプ、コーホートとの関連性（例えば、病状に侵されることにならないことが知られている個人のコントロールグループの一部、または病状に侵されることになることが知られている個人のグループの一部）のうちの１つ以上によって表されてもよい。データベースはまた、例えば、家族のメンバーである（例えば、兄弟、両親、子供、従妹など）データベースにおける個人に関する連結データ、および／または病状もしくは異形症の特性に侵されるデータベースにおける他の家族のメンバーの関係（例えば、母側の祖父の姉妹）を示す連結データによって表されてもよい。一部の実施形態では、比較に使用される、前に生成されたベクトルは、共通する１つ以上の注記と関連付けられる。例えば、前に生成されたベクトルは、被験者の同一の年齢、性別、および民族の個人と関連付けられた画像からそれらが導出されたことを示す注記と関連付けられてもよい。加えて、または代わりに、比較に使用される、前に生成されたベクトルは、被験者の疑わしい異形症の特性および／または疑わしい病状と関連付けられてもよい。すなわち、例えば前に生成されたベクトルは、異形症の特性に侵される個人、異形症の特性に対する対照グループにおける個人、病状に侵される個人、および病状に対する対照グループのうちの１つ以上と関連付けられてもよい。

最も類似した前に生成されたベクトルの組と関連付けられたデータ（例えば、２５の最も類似した前に生成されたベクトル）が判定されてもよい。例えば、プロセッサ１１０は、結合外観ベクトルとデータベースにおける前に生成されたベクトルとの間のユークリッド距離、チェビシェフ距離、カイ二乗距離、およびマハラノビス距離のうちの１つ以上を算出して、最も類似した前に生成されたベクトルの組を判定するように構成されてもよい（例えば、２５の最短の算出された距離と関連付けられた２５の前に生成されたベクトルが選択されてもよい）。

最も類似した前に生成されたベクトルの組は、前に生成されたベクトルのいくつが、特定の異形症の特性の肯定的な例と関連付けられるか（すなわち、異形症の特性を有することが知られる個人と関連付けられた前に生成されたベクトル）、前に生成されたベクトルのいくつが、特定の異形症の特性の否定的な例と関連付けられるか（すなわち、異形症の特性を有していないことが知られる個人と関連付けられた前に生成されたベクトル）を判定するために分析されてもよい（例えば、データベースと関連付けられたサーバにおいて、またはプロセッサ１１０によって）。肯定的な例の数および否定的な例の数に基づいて、確率スコアが異形症の特性に対して判定されてもよい。本明細書で使用される確率スコアは、実際の確率、または確率を反映した一部の値であってもよい。例えば、確率スコアは、被験者が異形症の特性を有する尤度の一部のインジケーションを提供することができる。例えば、肯定的な例のみが最も類似した前に提示されたベクトルの組に含まれる場合、非常に高い、または最大確率スコアが判定されてもよい（例えば、１００の確率スコア）。否定的な例のみが含まれる場合、非常に低い確率スコアが判定されてもよい（例えば、１の確率スコア）。肯定的および否定的な例の混合が含まれる場合、確率スコアは、肯定的な例の数および否定的な例の数を反映してもよい。確率スコアは、肯定的および否定的な例の数に直接的に比例してもよく、または比例してなくてもよい。例えば、一部の実施形態では、肯定的な例の閾値の数が取得される場合、肯定的な例の数または否定的な例の数に関わらず、同一の非常に高い確率スコアまたは最大確率スコアが判定されてもよい。さらに、確率スコアは必ずしも肯定的な値ではない。一部の実施形態では、確率スコアは否定的なスコアであってもよい。さらに、確率スコアの全てが必ずしも合計して１００％になるわけではない。一部の実施形態では、確率スコアは、特定の病状または異常形態の内在する確率に関するおおよそ単調である任意の実数値のスコアであってもよい。

一部の実施形態では、異形症の特性に対する確率スコアはまた、または代わりに、前に生成されたベクトルの所与の１つに対する結合外観ベクトルの類似性後度に基づいて算出されてもよい。例えば、同数の肯定的および否定的な例が読み出されるが、結合外観ベクトルが否定的な例と関連付けられた前に生成されたベクトルよりも肯定的な例と関連付けられた前に生成されたベクトルにより類似する場合、確率スコアが比較的高いものとなることがある。反対に、同数の肯定的および否定的な例が読み出されるが、結合外観ベクトルが肯定的な例と関連付けられた前に生成されたベクトルよりも否定的な例と関連付けられた前に生成されたベクトルにより類似する場合、確率スコアが比較的低いものとなることがある。

一部の実施形態では、プロセッサ１１０は、所与の異形症の特性に対して２つ以上の確率スコアを算出してもよい。例えば、１つの確率スコアは、全ての肯定的および否定的な例を同等に扱うことによって判定されてもよく、肯定的および否定的なサンプルへの結合外観ベクトルの類似性を考慮した別の確率スコアが判定されてもよい。さらに、複数の異なる異形症の特性に対する確率スコアが、同一または実質的に同一の方法で算出されてもよい。

上記アンカー細胞分析の説明が異形症の特性を意味するとともに、同一の処理がまた、または代わりに、１つ以上の病状に対する確率スコアを判定するために実行されてもよい。例えば、前に提示されたベクトルの異形症の特性への関連性を判定するのではなく、プロセッサ１１０は、どの病状が前に提示されたベクトルと関連付けられるかを判定してもよい。

シフトパッチ分析を実行するために、プロセッサ１１０は、複数の間隔が密なパッチ、または重複するパッチを外部の軟組織画像情報にオーバーレイし、複数のパッチの各々に対して記述子ベクトルを算出し、各記述子ベクトルを、病状に侵されることになると前に判定された他の個人の外部の軟組織画像における類似する領域からの前に生成されたベクトルと比較するように構成されてもよい。

図２４に示されるように、外部の軟組織画像情報にパッチをオーバーレイするために、プロセッサ１１０は、例えば、任意選択でサイズが変わることがある複数の間隔が密なまたは重複するパッチを、画像情報の領域（例えば、顔の領域）にオーバーレイするように構成されてもよく、例えば、第１のサイズの正方形パッチが、可能な位置ごとに画像情報の領域にオーバーレイされてもよく（例えば、パッチが可能な位置ごとにオーバーレイされるまで、正方形パッチがあらゆる方向にあらゆる方向に１画素分、シフトされてもよい）、または可能な位置のサブセットにおいて画像情報の領域にオーバーレイされてもよい（例えば、パッチが画像情報の全体の領域上でオーバーレイされるまで、正方形パッチがあらゆる方向に１０画素分、シフトされてもよい）。一部の実施形態では、１つ以上の異なるサイズの正方形パッチがまた、画像情報の領域にオーバーレイされてもよい。

複数のパッチの各々に対する記述子ベクトルを算出するために、プロセッサ１１０は、例えば、スケール不変特徴量変換（ＳＩＦＴ）、方向勾配ヒストグラム（ＨＯＧ）、自己相似性記述子、ローカルバイナリパターンのヒストグラム、画像分析およびコンピュータビジョンで使用される任意の他のタイプの特徴から導出されるデータを算出するように構成されてもよい。

各記述子ベクトルを、病状に侵されることになると前に判定された他の個人の外部の軟組織画像における類似した領域からの前に生成されたベクトルと比較するために、プロセッサ１１０はデータベースにアクセスするように構成されてもよい。例えば、アンカー細胞分析に関して上述した同一のデータベース、または類似したデータベースは、病状に侵されることになると前に判定された個人の画像のパッチに対する前に生成されたベクトルを含んでもよい。上述したように、データベースは、患者ＩＤ、年齢、年齢グループ、性別、民族グループ、人種グループ、異形症の特性、表現型特性、身体測定値（身長、体重、頭囲、顔面高、頭蓋高、上位顔面高、下位顔面高、頭長、頭幅、顔面幅、下顎幅、大泉門サイズ、小泉門サイズ、内部眼球距離、外部眼球距離、瞳孔間距離、眼窩間距離、瞼裂長、瞼裂高、瞼裂の傾斜、眼窩突起、角膜の大きさ、耳の長さ、耳の幅、耳の突起、耳の位置、耳の回転、鼻の高さ、小柱の長さ、鼻の突起、鼻の幅、人中の長さ、人中の幅、口の幅、ＯＮＣ角度、上下の顎の差、および下顎の幅を含むがそれらに限定されない）、体の目だった場所と顔の目だった場所との間の相対比率および比率、既知の診断、疑わしい診断、変異および遺伝的変異、画像の元、インフォームドコンセント、姿勢、照度、画像の品質、表示タイプ、コーホートとの関連性（例えば、病状に侵されることにならないことが知られている個人のコントロールグループの一部、または病状に侵されることになることが知られている個人のグループの一部）のうちの１つ以上などの、種々のデータを有する前に生成されたベクトルを表してもよい。データベースはまた、例えば、家族のメンバーである（例えば、兄弟、両親、子供、従妹など）データベースにおける個人に関する連結データ、および／または病状もしくは異形症の特性に侵されるデータベースにおける他の家族のメンバーの関係（例えば、母側の祖父の姉妹）を示す連結データによって表されてもよい。

プロセッサ１１０は、画像情報のパッチと関連付けられた記述子ベクトルの１つ以上を、データベースにおける前に生成されたベクトルと比較してもよい。比較は、データベースと関連付けられたサーバにおいて行われてもよく、または例えば、データベースから読み出された情報を使用して、プロセッサ１１０によって直接行われてもよい。比較に使用される、前に生成されたベクトルは、１つ以上の病状に侵されることになると前に判定された他の個人、およびコントロールグループにおける他の個人の、外部の軟組織画像における記述子ベクトルと類似した領域からであってもよい。類似した領域は、例えば、同一または実質的に同一の方向にある、顔の重心から同一または実質的に同一の距離にある、データベースにおける画像情報におけるパッチを含んでもよい。類似した領域はまた、例えば、被験者の画像情報と関連付けられたそれぞれの記述子ベクトルと関連付けられたパッチと同一の臓器または同一のタイプの領域と関連付けられた、データベースにおける画像情報におけるパッチを含んでもよい。例えば、被験者の画像情報の特定のパッチと関連付けられた記述子ベクトルが鼻の領域内にある場合、記述子ベクトルは、鼻の領域とも関連付けられたデータベースにおける１つ以上の記述子ベクトルと比較されてもよい。一部の実施形態では、画像情報の顔の領域の重心、および／または特定の臓器もしくはタイプの領域の重心から、比較的離れていない重心位置を示す、データベースにおけるパッチのみが考慮される。

一部の実施形態では、記述子ベクトルは、共通する１つ以上の注記と関連付けられた前に生成されたベクトルのみと比較されてもよい。例えば、比較に使用される、前に生成されたベクトルは、それらが同一の年齢、性別および体重の個人と関連付けられた画像から導出されたことを示す注記と関連付けられてもよい。加えて、または代わりに、比較に使用される、前に生成されたベクトルは、疑わしい異形症の特性および／または疑わしい病状と関連付けられてもよい。すなわち、例えば、前に生成されたベクトルは、異形症の特性に侵される個人、異形症の特性に対するコントロールグループにおける個人、病状に侵される個人、および病状に対するコントロールグループにおける個人のうちの１つ以上と関連付けられてもよい。

データベースにおける最も類似した前に生成されたベクトルの組（例えば、２５の最も類似した前に生成されたベクトル）と関連付けられたデータが判定されてもよい。例えば、プロセッサ１１０は、各記述子ベクトルとデータベースにおける前に生成されたベクトルとの間のユークリッド距離、チェビシェフ距離、カイ二乗距離、およびマハラノビス距離のうちの１つ以上を算出して、最も類似した前に生成されたベクトルの組を判定するように構成されてもよい（例えば、２５の最短の算出された距離と関連付けられた２５の前に生成されたベクトルが選択されてもよい）。各記述子ベクトルに対する最も類似した前に生成されたベクトルの組と関連付けられたデータが判定されてもよい。データは、例えば、１つ以上の異形症の特性、およびまたは最も類似した前に生成されたベクトルの組と関連付けられた１つ以上の病状を含んでもよい。

最も類似した前に生成されたベクトルの組は、前に生成されたベクトルのいくつが特定の異形症の特性の肯定的な例と関連付けられるか（すなわち、異形症の特性を有していることが知られている個人と関連付けられた前に生成されたベクトル）、前に生成されたベクトルのいくつが特定の異形症の特性の否定的な例と関連付けられるか（すなわち、異形症の特性を有していないことが知られている個人と関連付けられた前に生成されたベクトル）を判定するために分析されてもよい（例えば、データベースと関連付けられたサーバにおいて、またはプロセッサ１１０によって）。肯定的な例の数および否定的な例の数に基づいて、確率スコアが異形症の特性に対して判定されてもよい。例えば、肯定的な例のみが読み出される場合、非常に高い確率スコアまたは最大確率スコアが判定されてもよい（例えば、１００の確率スコア）。例えば、否定的な例のみが読み出される場合、非常に低い確率スコアが判定されてもよい（例えば、１の確率スコア）。肯定的および否定的な例の混合が判定される場合、確率スコアは、肯定的な例の数および否定的な例の数を反映してもよい。しかしながら、確率スコアは、肯定的および否定的な例の数に直接比例してもよく、または比例しなくてもよい。例えば、肯定的な例の閾値数が取得される場合、一部の実施形態では、肯定的な例のみが発見されたかのように同一の非常に高い確率スコアまたは最大確率スコアが判定されてもよい。

一部の実施形態では、異形症の特性に対する確率スコアはまた、または代わりに、前に生成されたベクトルの所与の１つに対する記述子ベクトルの類似性の程度に基づいて算出されてもよい。例えば、同数の肯定的および否定的な例が読み出されるが、記述子ベクトルが、否定的な例と関連付けられた前に生成されたベクトルよりも、肯定的な例と関連付けられた前に生成されたベクトルとより類似する場合、確率スコアは比較的高いことがある。一方で、同数の肯定的および否定的な例が読み出されるが、記述子ベクトルが、肯定的な例と関連付けられた前に生成されたベクトルよりも、否定的な例と関連付けられた前に生成されたベクトルとより類似する場合、確率スコアは比較的低いことがある。よって、２つ以上の確率スコアが所与の異形症の特性に対して算出されてもよい。さらに、複数の異なる異形症の特性に対する確率スコアが、同一または実質的に同一の方法で算出されてもよい。

一部の実施形態では、異形症の特性に対する確率スコアはまた、記述子ベクトルと関連付けられたパッチと関連付けられた重心が、特定の前に生成されたベクトルと関連付けられたパッチと関連付けられた重心に対応する程度に依存することがある。例えば、被験者の顔の重心が、記述子ベクトルと関連付けられたパッチからの第１の距離および方向であってもよく、前に提示された画像における顔の重心は、特定の前に生成されたベクトルと関連付けられたパッチからの第２の距離および方向であってもよい。特定の前に生成されたベクトルと関連付けられたデータ（例えば、異形症の特性の肯定的な例から来たものであるか、または否定的な例から来たものであるか）は、２つの距離および方向が対応する程度に基づいて、確率スコアに関する多少の重大性を有してもよい。

上記シフトパッチ分析の説明が異形症の特性を意味するとともに、同一の処理がまた、または代わりに、１つ以上の病状に対する確率スコアを判定するために実行されてもよい。例えば、前に提示されたベクトルの異形症の特性への関連性を判定するのではなく、プロセッサ１１０は、どの病状が前に提示されたベクトルと関連付けられるかを判定してもよい。

相対測定分析を実行するために、プロセッサ１１０は、外部の軟組織画像情報内の複数の位置の間の複数の相対測定値を算出し、複数の測定値を集約して複数の測定値に対するベクトルを生成し、ベクトルを、病状に侵されることになると前に判定された他の個人の外部の軟組織画像からの前に生成されたベクトルと比較するように構成されてもよい。

外部の軟組織画像情報内の複数の位置の間の複数の相対測定値を算出するために、プロセッサ１１０は、外部の軟組織画像情報における複数の特徴点を検出するように構成されてもよい。例えば、図２５に示されるように、例えば、画像情報の目の領域、眉の領域、鼻の領域、口の領域、および顎の領域の周囲の１つ以上の点を含む、画像情報の顔の領域における複数の点が検出されてもよい。これらの特徴点は、例えば、上述した演算を使用して検出されてもよい。

特徴点を使用して、複数の相対測定値が算出されてもよい。複数の相対測定値は、例えば、特徴点の間の１つ以上の距離と、特徴点の組によって形成される角度と、特徴点の組によって形成されるエリアのサイズと、特徴点の組によって定義される形と、距離、角度、およびサイズの組によって確立される比率と、検出された特徴点を使用して実行することができる任意の他の相対測定値とを含んでもよい。他の相対測定値は、例えば、その全体を参照することによって本明細書に組み込まれる、“Handbook of normal physical measurements,” 2nd edition, 2009, Oxford University Press, to Hall et al.で開示された測定値のいずれかを含んでもよい。

複数の測定値を集約して、複数の測定値に対するベクトルを生成するために、プロセッサ１１０は、算出された相対測定値の１つ以上を含むベクトルを生成するように構成されてもよい。例えば、相対測定値の各々は、単一のベクトルに集約されてもよく、または特定のタイプの相対測定値の各々は（例えば、距離測定値に関連する相対測定値）、ベクトルに集約されてもよい。

ベクトルを、病状に侵されることになると前に判定された他の個人の外部の軟組織画像からの前に生成されたベクトルと比較するために、プロセッサ１１０は、データベースにアクセスするように構成されてもよい。例えば、アンカー細胞分析およびシフトパッチ分析に関して上述した同一のデータベース、または類似したデータベースは、病状に侵されることになると前に判定された個人の相対測定値に対する前に生成されたベクトルを含んでもよい。上述したように、データベースは、例えば、患者ＩＤ、年齢、年齢グループ、性別、民族グループ、人種グループ、異形症の特性、表現型特性、身体測定値（身長、体重、頭囲、顔面高、頭蓋高、上位顔面高、下位顔面高、頭長、頭幅、顔面幅、下顎幅、大泉門サイズ、小泉門サイズ、内部眼球距離、外部眼球距離、瞳孔間距離、眼窩間距離、瞼裂長、瞼裂高、瞼裂の傾斜、眼窩突起、角膜の大きさ、耳の長さ、耳の幅、耳の突起、耳の位置、耳の回転、鼻の高さ、小柱の長さ、鼻の突起、鼻の幅、人中の長さ、人中の幅、口の幅、ＯＮＣ角度、上下の顎の差、および下顎の幅を含むがそれらに限定されない）、体の目だった場所と顔の目だった場所との間の相対比率および比率、既知の診断、疑わしい診断、変異および遺伝的変異、画像の元、インフォームドコンセント、姿勢、照度、画像の品質、表示タイプ、コーホートとの関連性（例えば、病状に侵されることになると知られていない個人の制御グループの一部、または病状に侵されることになると知られている個人のグループの一部）のうちの１つ以上などの、種々のデータを有する前に生成されたベクトルを表してもよい。データベースはまた、例えば、家族のメンバーである（例えば、兄弟、両親、子供、従妹など）データベースにおける個人に関する連結データ、および／または病状もしくは異形症の特性に侵される、データベースにおける他の家族のメンバーの関係（例えば、母側の祖父の姉妹）を示す連結データによって表されてもよい。

プロセッサ１１０は、相対測定値の集約されたベクトルを、データベースにおける前に生成されたベクトルと比較するように構成されてもよい。比較は、データベースと関連付けられたサーバにおいて行われてもよく、または、例えば、データベースから読み出された情報を使用して、プロセッサ１１０によって直接行われてもよい。

一部の実施形態では、比較に使用される、前に生成されたベクトルは、共通する１つ以上の注記と関連付けられてもよい。例えば、比較に使用される、前に生成されたベクトルは、それらが同一の年齢、性別および体重の個人と関連付けられた画像から導出されたことを示す注記と関連付けられてもよい。加えて、または代わりに、比較に使用される、前に生成されたベクトルは、疑わしい異形症の特性および／または疑わしい病状と関連付けられてもよい。すなわち、例えば、比較に使用される、前に生成されたベクトルは、異形症の特性に侵される個人、異形症の特性に対する対照グループにおける個人、病状に侵される個人、および病状に対する対照グループにおける個人のうちの１つ以上と関連付けられてもよい。

データベースにおける最も類似した前に生成されたベクトルの組（例えば、２５の最も類似した前に生成されたベクトル）と関連付けられたデータは、相対測定値の少なくとも１つの集約されたベクトルに対して判定されてもよい。例えば、プロセッサ１１０は、相対測定値の集約されたベクトルと、データベースにおける前に生成されたベクトルとの間のユークリッド距離、チェビシェフ距離、カイ二乗距離、およびマハラノビス距離のうちの１つ以上を算出して、最も類似した前に生成されたベクトルの組を判定するように構成されてもよい（例えば、２５の最短の算出された距離と関連付けられた２５の前に生成されたベクトルが選択されてもよい）。最も類似した前に生成されたベクトルの組と関連付けられたデータは、例えば、最も類似した前に生成されたベクトルの組と関連付けられた１つ以上の異形症の特性および／または１つ以上の病状を含んでもよい。例えば、相対測定値の各々の集約されたベクトルに対し、所定の数の最も類似した前に生成されたベクトルと関連付けられた１つ以上の異形症の特性が判定されてもよい。加えて、または代わりに、相対測定値の各々の集約されたベクトルに対し、所定の数の最も類似した前に生成されたベクトルと関連付けられた１つ以上の病状が判定されてもよい。

最も類似した前に生成されたベクトルの組は、前に生成されたベクトルのいくつが特定の異形症の特性の肯定的な例と関連付けられるか（すなわち、異形症の特性を有することが知られている個人と関連付けられた前に生成されたベクトル）、前に生成されたいくつのベクトルが特定の異形症の特性の否定的な例と関連付けられるか（すなわち、異形症の特性を有していないことが知られている個人と関連付けられた前に生成されたベクトル）を判定するために分析されてもよい（例えば、データベースと関連付けられたサーバにおいて、またはプロセッサ１１０によって）。肯定的な例の数および否定的な例の数に基づいて、確率スコアが異形症の特性に対して判定されてもよい。例えば、肯定的な例のみが読み出される場合、非常に高い確率スコアまたは最大確率スコアが判定されてもよい（例えば、１００の確率スコア）。例えば、否定的な例のみが読み出される場合、非常に低い確率スコアが判定されてもよい（例えば、１の確率スコア）。肯定的および否定的な例の混合が判定される場合、確率スコアは、肯定的な例の数および否定的な例の数を反映してもよい。しかしながら、確率スコアは、肯定的なおよび否定的な例の数に直接比例してもよく、または比例しなくてもよい。例えば、肯定的な例の閾値数が取得される場合、一部の実施形態では、肯定的な例のみが発見されたように同一の非常に高い確率スコアまたは最大確率スコアが判定されてもよい。

一部の実施形態では、異形症の特性に対する確率スコアはまた、または代わりに、前に生成されたベクトルの所与の１つに対する相対測定値の集約されたベクトルの類似性の程度に基づいて算出されてもよい。例えば、同数の肯定的な例および否定的な例が読み出されるが、相対測定値の集約されたベクトルが、否定的な例と関連付けられた前に生成されたベクトルよりも、肯定的な例と関連付けられた前に生成されたベクトルとより類似している場合、確率スコアは比較的高いことがある。逆に、同数の肯定的な例および否定的な例が読み出されるが、相対測定値の集約されたベクトルが、肯定的な例と関連付けられた前に生成されたベクトルよりも、否定的な例と関連付けられた前に生成されたベクトルとより類似している場合、確率スコアは比較的低いことがある。よって、２つ以上の確率スコアが所与の異形症の特性に対して算出されてもよい。さらに、複数の異なる異形症の特性に対する確率スコアが、同一または実質的に同一の方法で算出されてもよい。

一部の実施形態では、前に生成されたベクトルへの比較は、直接の比較でなくてもよい。例えば、前に生成されたベクトルは、母集団における種々の相対測定値に関する割合を判定するために分析されてもよい。プロセッサ１１０は、相対測定値の集約されたベクトルにおける種々の相対測定値が、特定の母集団に合う（fall in）ところを判定してもよい。プロセッサ１１０は、例えば、母集団における被験者の特定の異形症の特性の割合を判定してもよい（例えば、顔の特徴の長さが母集団と比較される）。母集団は、全体的な母集団であってもよく、または例えば、被験者の様相（例えば、被験者の年齢、性別、民族など）によって定義される一部のサブセットであってもよい。割合に基づいて、プロセッサ１１０は、被験者が異形症の特性を示す可能性があるかを判定し、異形症の特性の確率スコアを判定してもよい。プロセッサ１１０はまた、または代わりに、異形症の特性と関連付けられた重大度スコアを判定するように構成されてもよい。例えば、プロセッサ１１０が、被験者が異形症の特性を示す可能性があると判定する場合、被験者と関連付けられた判定された割合に基づいて、重大度スコアに関する判定がなされてもよい。

間接的な比較の別の例として、一部の実施形態では、１つ以上の異形症の特性は、１つ以上の相対測定値によって直接定義されてもよい。例えば、前に生成されたベクトルの分析は、三角形の顔の異形症の特性または上方に吊り上っている目の異形症の特性が、特徴点の組によって定義された１つ以上の角度または角度の範囲によって定義されてもよいことを示してもよい。よって、プロセッサ１１０は、例えば、相対測定値の集約されたベクトルを、定義された異形症の特性と比較してもよい。確率スコアは、相対測定値の集約されたベクトルが、定義された異形症の特性を満たすか否か、および／または相対測定値の集約されたベクトルが、定義された異形症の特性を満たす程度、に基づいて判定されてもよい。プロセッサ１１０はまた、または代わりに、異形症の特性と関連付けられた重大度スコアを判定するように構成されてもよい。例えば、プロセッサ１１０が、被験者が異形症の特性を示す可能性があると判定する場合、相対測定値の集約されたベクトルが、定義された異形症の特性を満たす程度に基づいて、重大度スコアに関する判定がなされてもよい。相対測定値を使用して判定された確率スコアおよび／または重大度スコアは、正規化手順に基づいて判定されてもよい。例えば、一部の実施形態では、口に関連する測定値の長さが、顔の幅に基づいて正規化されてもよい。次いで、正規化された測定値は、定義された異形症の特性を使用して分析されてもよい。

上記相対測定値分析の説明は、異形症の特性についてであるが、同一の処理がまた、または代わりに、１つ以上の病状に対する確率スコアを判定するように実行されてもよい。例えば、前に生成されたベクトルの異形症の特性への関連性を判定するのではなく、プロセッサ１１０は、どの病状が前に生成されたベクトルと関連付けられるかを判定してもよい。

図２６は、相対測定分析に使用することができる３つの技術の各々の例を示す。例えば、特徴点の幾何学的位置は、正方形の顔の異形症の特性を定義することができる。人中の長さの分布曲線上の位置は、被験者が短い人中を有していることを示唆する。相対測定値の集約されたベクトルは、短い鼻の２つの肯定的な例および短い鼻の１つの否定的な例に最も類似していてもよい。

プロセッサ１１０は、第１の評価の少なくとも一部に基づいて、第１の評価結果情報を生成する（ステップ２３０）ように構成されてもよい。プロセッサ１１０は、第１の評価から導出されたデータを利用して、第１の評価結果を生成してもよい。例えば、上述したように、１つ以上の異形症の特性および／または１つ以上の病状に対する１つ以上の確率スコアが、第１の評価において判定されてもよい。任意の特定の異形症の特性および／または任意の特定の病状に対する複数の確率スコアが、第１の評価において判定される場合、特定の異形症の特性および／または特定の病状に対する確率スコアが組み合わされてもよい。１つの例として、確率スコアの平均値が判定されてもよい。別の例として、特定の異形症の特性および／または特定の病状に対する複数の確率スコアは、特定の異形症の特性および／または特定の病状に起因する別の確率スコアを出力するために校正される分類器に入力されてもよい。例えば、分類器は、受け取った確率スコアの組に基づいて特定の異形症の特性および／または特定の病状の単一の確率スコアおよび／または重大度スコアを判定するために、病状の肯定的な例および否定的な例で訓練されてもよい。一部の実施形態では、分類器はまた、または代わりに、病状に対する確率スコアを判定するために、重大度スコアの組を受け取るように構成されてもよい。

プロセッサ１１０は、アンカー細胞分析、シフトパッチ分析、および相対測定分析のうちの少なくとも１つを使用して、外部の軟組織画像情報の第２の評価を実行する（ステップ２４０）ように構成されてもよい。例えば、第１の評価がアンカー細胞分析を含む場合、シフトパッチ分析または相対測定分析が第２の評価として実行されてもよい。第１の評価がシフトパッチ分析を含む場合、アンカー細胞分析または相対測定分析が実行されてもよい。第１の評価が相対測定分析を含む場合、アンカー細胞分析またはシフトパッチ分析が第２の評価として実行されてもよい。アンカー細胞分析、シフトパッチ分析、および相対測定分析は、ステップ２２０に関して上述した方式と同一または実質的に同一の方式で実行されてもよい。

一部の実施形態では、第１の評価および第２の評価は、同一の一般的なタイプの評価であってもよい（例えば、両方がアンカー細胞分析であってもよく、両方がシフトパッチ分析であってもよく、または両方が相対測定分析であってもよい）。そのような実施形態では、評価の１つが、例えば、１つ以上の異形症の特性と関連付けられた１つ以上の確率スコアをもたらすことがあるとともに、評価の別の１つが、例えば、１つ以上の病状と関連付けられた１つ以上の確率スコアをもたらすことがある。同様に、一般的なタイプの分析が異なる場合でさえ、評価の１つが、例えば、１つ以上の異形症の特性と関連付けられた１つ以上の確率スコアをもたらすことがあるとともに、評価の別の１つが、例えば、１つ以上の病状と関連付けられた１つ以上の確率スコアをもたらすことがある。

プロセッサ１１０は、第２の評価の少なくとも一部に基づいて、第２の評価結果情報を生成する（ステップ２５０）ように構成されてもよい。プロセッサ１１０は、第２の評価から導出されたデータを利用して、第２の評価結果を生成してもよい。例えば、１つ以上の異形症の特性および／または１つ以上の病状に対する１つ以上の確率スコアおよび／または重大度スコアは、１つ以上の分類器を使用して組み合わされる第２の評価において判定されて、１つ以上の特定の異形症の特性および／または病状と関連付けられた単一の確率スコアを生成してもよい。

プロセッサ１１０は、第１の評価結果情報および第２の評価結果情報の少なくとも一部に基づいて、被験者が病状に侵される尤度を予測する（ステップ２６０）ように構成されてもよい。例えば、第１の評価結果情報が１つ以上の異形症の特性と関連付けられた１つ以上の確率スコアを含み、第２の評価結果情報が１つ以上の異形症の特性と関連付けられた１つ以上の確率スコアを含む場合、プロセッサ１１０は、尤度を判定するために情報を分析するように構成されてもよい。代わりに、例えば、第１の評価結果情報が１つ以上の病状と関連付けられた１つ以上の確率スコアを含み、第２の評価結果情報が１つ以上の病状と関連付けられた１つ以上の確率スコアを含む場合、プロセッサ１１０は、尤度を判定するために情報を分析するように構成されてもよい。代わりに、例えば、第１の評価結果情報が１つ以上の病状と関連付けられた１つ以上の確率スコアを含み、第２の評価結果情報が１つ以上の異形症の特性と関連付けられた１つ以上の確率スコアを含む場合、プロセッサ１１０は、尤度を判定するために情報を分析するように構成されてもよい。同様に、例えば、第１の評価結果情報が１つ以上の異形症の特性と関連付けられた１つ以上の確率スコアを含み、第２の評価結果情報が１つ以上の病状と関連付けられた１つ以上の確率スコアを含む場合、プロセッサ１１０は、尤度を判定するために情報を分析するように構成されてもよい。

両方の評価が異形症の特性の組に対する確率スコアの組を返す場合、異形症の特性の組に対する確率スコアの組は、特定の病状に起因する確率スコアを出力するために校正される訓練された分類器に入力されてもよい。例えば、分類器は、特定の病状の確率スコアを判定するために、病状の肯定的な例および否定的な例で訓練されてもよい。

両方の評価が病状の組に対する確率スコアの組を返す場合、特定の病状に対する確率スコアの組は、特定の病状に起因する別の確率スコアを出力するために校正される訓練された分類器に入力されてもよい。例えば、分類器は、特定の病状の確率スコアを判定するために、肯定的な例および否定的な例で訓練されてもよい。このようにして、病状の尤度を生成した個人の評価のいずれか１つよりも正確な病状の確率スコアを判定することができる。

評価の１つが異形症の特性の組に対する確率スコアの組を返し、評価の別の１つが病状に対する確率スコアの組をもたらす場合、１つの評価からの異形症の特性の組に対する確率スコアの組、および他の評価からの特定の病状に対する確率スコアの組は、特定の病状に起因する別の確率スコアを出力するために校正される訓練された分類器に入力されてもよい。例えば、分類器は、特定の病状の確率スコアを判定するために、病状の肯定的な例および否定的な例で訓練されてもよい。

一部の実施形態では、被験者が病状に侵される尤度の初期の判定が修正されてもよい。例えば、複数の病状の尤度が最初に判定されてもよい。次いで、病状の１つ以上の修正された尤度は、他の尤度に基づいて判定されてもよい。例えば、２つの病状が、それらが概してともに発生するように関連する場合、１つの病状に対する低い確率スコアは、他の病状に対する他の高い確率スコアを減少させることがある。同様に、２つの病状が、それらが概してともに発生しないように関連する場合、両方の病状に対する高い確率スコアは、両方の確率スコアを減少させることがある。さらに、例えば、病状の組が高い確率スコアを有すると最初に判定されるが、別の病状に対して通常誤診断されることが知られている場合、組の各病状の確率スコアが減少し、他の病状の確率スコアが増加することがある。

プロセッサ１１０は病状の尤度を判定するときになお、他のデータを考慮するように構成されてもよい。例えば、３つ以上の評価が上述した第１および第２の評価と実質的に同一の方式で実行されてもよい。プロセッサ１１０は、上述した技術を使用して、追加の評価を分析するように構成されてもよい。さらに、被験者と関連付けられた特性が、他のソースから判定されてもよい。例えば、医師は、例えば、被験者が比較される（例えば、被験者は単に、医師によって提供される特性の１つ以上を共有する他の個人と比較されてもよい）データベースにおける画像を絞り込むために使用される被験者の１つ以上の既知の特性（例えば、異形症の特性、略歴情報、デモグラフィック情報など）を提供してもよい（例えば、指示し、または打ち込んでもよい）。

図３は、プロセッサ１１０が実行するように構成されてもよい例示的な処理３００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理３００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して処理３００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ３１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ３１０を実行するように構成されてもよい。

プロセッサ１１０は、外部の軟組織画像情報を複数の領域に分割する（ステップ３２０）ように構成されてもよい。例えば、プロセッサ１１０は、外部の軟組織画像情報の額の領域、外部の軟組織画像情報の眼窩周囲の領域、外部の軟組織画像情報の鼻の領域、外部の軟組織画像情報の顔面中央の領域、外部の軟組織画像情報の耳の領域、および外部の軟組織画像情報の口の領域のうちの少なくとも１つを処理し、外部の軟組織画像情報の少なくとも１つの他の領域を無視するように構成されてもよい。外部の軟組織画像情報における特定の領域は、例えば、上述した技術のいずれかに従って定義されてもよい。例えば、図２３Ｂに示されるように、小さいグリッドが、外部の軟組織画像情報の鼻の領域に適用されてもよい。鼻の領域の周囲のエリアは、例えば、小さいグリッドをそれらに適用しないことによって無視されてもよい。

加えて、被験者の顔と関連付けられた領域が無視される一方、他の領域がまた処理されてもよい。例えば、外部の軟組織画像情報はまた、または代わりに、耳の領域を含む被験者の側面画像を含んでもよい。図２７は、さらに複数の領域に分割される耳の領域の例を示す。

プロセッサ１１０は、複数の領域の各々の分析を生成する（ステップ３３０）ように構成されてもよい。例えば、各領域内で、アンカー細胞分析およびシフトパッチ分析のうちの少なくとも１つが実行されてもよい。アンカー細胞分析およびシフトパッチ分析は、ステップ２２０に関して上述した方式で実行されてもよい。上述したように、プロセッサ１１０は、複数の領域の各々に対する記述子を算出するように構成されてもよい。記述子は、例えば、アンカー細胞分析が実行される場合の結合外観ベクトル、およびシフトパッチ分析が実行される場合の記述子ベクトルのうちの少なくとも１つを含んでもよい。

上述したように、プロセッサ１１０は、複数の領域を、病状に侵されることになることが知られている個人の画像から導出されたデータと比較するように構成されてもよい。例えば、上述したように、プロセッサ１１０は、記述子を、病状に侵されることになると前に判定された他の個人の追加の外部の軟組織画像からの前に生成された記述子と比較するように構成されてもよい。比較に基づいて、各領域に対し、１つ以上の異形症の特性および／または１つ以上の病状と関連付けられた１つ以上の確率スコアが判定されてもよい。

プロセッサ１１０は、複数の領域の分析を集約する（ステップ３４０）ようにさらに構成されてもよい。例えば、鼻の領域の分析は、鼻の領域と関連付けられた異形症の特性および／または病状に関する確率スコアの第１の組をもたらすことがあり、耳の領域の分析は、耳の領域と関連付けられた異形症の特性および／または病状に関する確率スコアの第２の組をもたらすことがある。確率スコアは、例えば、上述した技術を使用して生成されてもよい。一部の実施形態では、確率スコアの一部は、確率スコアを組み合わせることによって集約されてもよい。例えば、特定の異形症の特性および／または病状は、鼻の領域および耳の領域の両方と関連付けられてもよい。鼻の領域から判定された特定の異形症の特性および／または病状に対する確率スコア、耳の領域から判定された特定の異形症の特性および／または病状に対する別の確率スコアは、例えば、特定の異形症の特性および／または病状の肯定的な例および否定的な例を使用して訓練された分類器に入力されて、特定の異形症の特性および／または病状と関連付けられた確率スコアを反映した第３の確率スコアを生成してもよい。集約の結果として、例えば、単一の確率スコアが、異形症の特性および／または病状の組に対して判定されてもよい。

プロセッサ１１０は、集約された分析に基づいて、被験者が病状に侵される尤度を判定する（ステップ３５０）ようにさらに構成されてもよい。例えば、ステップ２６０に関して上述した方式と同一または実質的に同一の方式で、複数の異形症の特性および／または病状に対するスコアの組を受信し、被験者が病状に侵される尤度を表すスコアを出力するために１つ以上の分類器が訓練されてもよい。

一部の実施形態では、病状は既知の病状であってもよい。しかしながら、一部の病状は、未知の遺伝子的原因を有することができる。プロセッサ１１０は、病状を引き起こす可能性がある内在する遺伝子的変異を識別するように構成されてもよい。例えば、上述したデータベースなどのデータベースは、未知の遺伝子的変異によって引き起こされる病状と関連付けられた個人の複数の外部の軟組織画像を含んでもよい。データベースはまた、未知の遺伝子的変異によって引き起こされる病状を有する個人の複数の遺伝子的変異情報を含んでもよい。プロセッサ１１０は、複数の外部の軟組織画像の少なくとも一部の位置に、共通した異常形態が存在するかを判定するようにさらに構成されてもよい。例えば、プロセッサ１１０は、上述した方式で複数の外部の軟組織画像を分析して、１つ以上の異形症の特性を判定するように構成されてもよい。例えば、少なくとも２つの画像において実質的に同一または同一の位置において異形症の特性が存在する場合に、共通した異常形態が存在することがある。

プロセッサ１１０は、複数の遺伝子的変異情報を分析して、少なくとも１つの共通した遺伝子的変異を識別するように構成されてもよい。共通した遺伝子的変異は、例えば、１つの画像と関連付けられた遺伝子が別の画像と関連付けられた遺伝子と一致するかの判定を含んでもよい。プロセッサ１１０は、複数の外部の軟組織画像の位置を、共通した遺伝子的変異と比較するようにさらに構成されてもよい。例えば、遺伝子的変異が、画像における共通した異常形態の位置を含む体の部分を侵すことが知られているかの判定がなされてもよい。プロセッサ１１０は、データベースにおいて、複数の外部の軟組織画像における少なくとも１つの共通した位置と、複数の遺伝子的変異情報における少なくとも１つの共通した遺伝子的変異とを関連付けるようにさらに構成されてもよい。

図４は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理４００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理４００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理４００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ４１０）ように構成されてもよい。ステップ４１０は、上述したステップ２１０の演算と実質的に同一の演算を含んでもよい。

プロセッサ１１０は、被験者の外部の軟組織画像情報を分析して、病状関連情報を生成する（ステップ４２０）ように構成されてもよい。例えば、病状関連情報は、ステップ２２０〜２６０に関して上述した同一または実質的に同一の演算を使用して生成されてもよい。しかしながら、任意選択で、ステップ２２０〜２５０で説明した２つの（または、それを超える）分析ではなく、１つの分析のみが実行されてもよい（例えば、ステップ２２０〜２３０における分析）。病状関連情報は、例えば、１つ以上の異形症の特性および／または１つ以上の病状に対する１つ以上のスコアを含んでもよい。

プロセッサ１１０は、病状に侵されることにならないことが知られている被験者の少なくとも１人の血縁者の外部の軟組織画像情報を分析して、追加の病状関連情報を生成する（ステップ４３０）ように構成されてもよい。例えば、プロセッサ１１０は、血縁者と関連付けられた１つ以上の異形症の特性と関連付けられた１つ以上のスコアを判定するように構成されてもよい。プロセッサ１１０は、例えば、血縁者が侵されないことにならないことが知られている病状を通常示す高スコアを有する異形症の特性を識別するように構成されてもよい。一部の実施形態では、複数の血縁者の外部の軟組織画像情報が分析され、血縁者のすべて、または血縁者が影響を受けることになることが知られていない病状を通常は示す閾値よりも大きい複数の血縁者について高スコアを有する異形症の特性が識別される。

加えて、または代わりに、プロセッサ１１０は、血縁者と関連付けられた１つ以上の病状と関連付けられた１つ以上のスコアを判定するように構成されてもよい。例えば、プロセッサ１１０は、血縁者が有していないことが知られている病状と関連付けられたスコアを判定するために、全体の母集団に使用される分類器を最初に利用してもよい。しかしながら、血縁者が病状を有していないにもかかわらず、プロセッサ１１０は、血縁者と関連付けられた画像情報の分析に基づいて、病状に対する高スコアを判定してもよい。

プロセッサ１１０は、追加の病状関連情報に共通する病状情報における特性を無視することによって、被験者が病状に侵される尤度を予測する（ステップ４４０）ようにさらに構成されてもよい。例えば、上述したように、プロセッサ１１０は、被験者の画像情報から、１つ以上の異形症の特性の１つ以上のスコアを判定してもよい。１人以上の血縁者の識別された異形症の特性（例えば、血縁者が病状に侵されることにならないことが知られているにもかかわらず、病状を通常示す高スコアを示す血縁者の異形症の特性）に基づいて、プロセッサ１１０は、特定の病状と関連付けられた分類器を修正または構築するように構成されてもよい。例えば、特定の異形症の特性に対する高スコアが病状の可能性を高めるのに通常使用されるが、血縁者が特定の異形症の特性に対する高スコアを有し、病状を有しないことが知られている場合、分類器は、異形症の特性が無視され、病状の尤度を下げるために使用され、または病状の尤度の判定において全体の母集団に対してより低い頻度で使用されるように修正または構築されてもよい。別の例として、プロセッサ１１０が、血縁者が病状に侵されることにならないことが知られているにもかかわらず、被験者の血縁者について病状に対する高スコアを判定する場合、プロセッサ１１０は、被験者について病状に対して判定されたいずれかのスコアを下げてもよい。別の例として、血縁者の１つ以上の画像は、分類器を訓練するために使用されてもよい。例えば、病状に侵されることにならないことが知られている１つ以上の血縁者の１つ以上の画像は、分類器を訓練するときに、否定的な例として使用されてもよい。別の例として、病状に侵されることにならないことが知られている１人以上の血縁者の１つ以上の異形症の特性とは異なる被験者の異形症の特性のみが、尤度の判定において使用されてもよい。

図５は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理５００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理５００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理５００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ５１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ５１０を実行するように構成されてもよい。

プロセッサ１１０は、外部の軟組織画像情報を、データベースにおける他の被験者の複数の外部の軟組織画像と比較するために、画像情報分析を使用する（ステップ５２０）ように構成されてもよい。例えば、プロセッサ１１０は、画像情報分析を使用するように構成されてもよく、画像情報分析は、アンカー細胞分析、シフトパッチ分析、および相対測定分析のうちの少なくとも１つを含む。アンカー細胞分析、シフトパッチ分析、および相対測定分析は、上述した方式と同一または実質的に同一の方式で実行されてもよい。上述したように（例えば、ステップ２２０において）、プロセッサ１１０は、年齢、性別、および民族性のうちの少なくとも１つを含む、複数の客観的基準に基づいて、外部の軟組織画像情報を分析してもよい。例えば、被験者と同一の年齢、性別、および民族性の他の被験者のデータベースにおける外部の軟組織画像のみが分析に利用されてもよい。

プロセッサ１１０は、画像情報分析に基づいて、外部の軟組織画像情報に含まれる異形症の特性を判定する（ステップ５３０）ようにさらに構成されてもよい。例えば、上述したように、アンカー細胞分析、シフトパッチ分析、および相対測定分析のうちの１つ以上は、分析されている異形症の特性の組における各異形症の特性に確率スコアを割り当てるために使用されてもよい。

プロセッサ１１０は、異形症の特性と関連付けられた記述子にアクセスする（ステップ５４０）ようにさらに構成されてもよい。一部の実施形態では、アクセスされた記述子は、異形症の特性と関連付けられ、少なくとも１つの病状の潜在的なインジケータである、単語のリストを含む。例えば、アクセスされた記述子は、病状を検索するために複数のデータベースと適合する用語を含んでもよい。異形症の特性と関連付けられた記述子は、例えば、疾病および関連保健問題の国際統計分類（International Statistical Classification of Diseases and Related Health Problems）（例えば、JCD-9またはICD-10）、人間表現型オントロジー（ＨＰＯ）、医学書、刊行された学会論文、およびコンピュータ化されたデータセットなどの、異形症の特性に対する説明の種々の他のソースを含む、種々のソースから取得されてもよい。プロセッサ１１０は、異なるソースから取得された異形症の特性と関連付けられた記述子を関連付けるように構成されてもよい（例えば、ICD-10に使用される特定の異形症の特性に対する記述子が、ＨＰＯに使用される特定の異形症の特性に対する記述子に関連付けられてもよい）。異形症の特性に対する各記述子は、例えば、組織構造の記述および同義語のリストを含んでもよい。一部の実施形態では、ＨＰＯに基づく記述子は、基準リストとして使用されてもよく、他のソースからの全ての他のリストがそれにマッピングされてもよい。ＨＰＯから欠けている用語、異形症の特性が存在する場合、それは、一意のＨＰＯのような数値の識別子が与えられてもよく、基準リストに追加されてもよい。一部の実施形態では、プロセッサ１１０は、いつＨＰＯが更新されるかを判定し、ＨＰＯが更新されたと判定したことに基づいて、基準リストを更新してもよい。さらに、一部の実施形態では、アクセスされた記述子は、病状の全体的な外観の少なくとも１つの記述を含む単語のリストである。

１つの例として、６つの高スコアの異形症の特性が、被験者の画像情報に対して判定されてもよい。異形症の特性に対する記述子は、例えば、「唇紅、下口唇、肥厚（Vermillion, Lower Lip, Thick）」、「高く付着した鼻柱（Columella, High insertion）」、「前額部毛髪線高位もしくは高い前額部（Hairline, High Anterior or Forehead, Tall）」、「眼瞼裂斜上（Palpebral Fissure, Upslanted）」、「濃い眉、睫毛多毛症もしく密な睫毛（Eyebrow, Thick or Hypertrichosis of the Eyebrow or Bushy Eyebrow）」および「テント状の人中（Philtrum, Tented）」を含んでもよい。よって、記述子の各々は、例えば、異形症の特性の名前（例えば、「濃い眉」）および異形症の特性の考えられる代替物（例えば、「睫毛多毛症」）を含んでもよい。

プロセッサ１１０は、記述子の少なくとも一部を出力する（ステップ５５０）ようにさらに構成されてもよい。例えば、プロセッサ１１０は、記述子の少なくとも一部を出力デバイス１５０に出力するように構成されてもよい。出力デバイス１５０は、例えば、ディスプレイであってもよい。一部の実施形態では、図１に示されるように、出力デバイス１５０は、システム１００の一部であってもよい。しかしながら、他の実施形態では、出力デバイス１５０は、リモートに位置してもよく、プロセッサ１１０は、出力デバイス１５０を含み、または出力デバイス１５０と通信するデバイスにデータを送信するように構成されてもよい。ディスプレイは、例えば、テレビセット、コンピュータモニタ、ヘッドマウントディスプレイ、放送基準モニタ、液晶ディスプレイ（ＬＣＤ）スクリーン、発光ダイオード（ＬＥＤ）ベースのディスプレイ、ＬＥＤバックライトＬＣＤディスプレイ、陰極線管（ＣＲＴ）ディスプレイ、電子発光（ＥＬＤ）ディスプレイ、電子ペーパー／インクディスプレイ、プラズマディスプレイパネル、有機発光ダイオード（ＯＬＥＤ）ディスプレイ、薄膜トランジスタディスプレイ（ＴＦＴ）、高性能アドレシングディスプレイ（ＨＰＡ）、表面電界ディスプレイ、量子ドットディスプレイ、干渉変調ディスプレイ、体積走査型ディスプレイ、カーボンナノチューブディスプレイ、バリフォーカルミラーディスプレイ、発射波長ディスプレイ、レーザーディスプレイ、ホログラフィックディスプレイ、ライトフィールドディスプレイ、プロジェクタ、および画像が投影される面、データのプリントアウトを生成するように構成されたプリンタ、もしくは視覚情報を出力するための任意の他の電子デバイスのうちの１つ以上を含んでもよい。

出力デバイス１５０はまた、例えば、記述子の少なくとも一部を表す音声を出力するように構成された音声デバイスであってもよい。音声デバイスは、例えば、音源カードおよび１つ以上のスピーカを含んでもよい。プロセッサ１１０は、例えば、テキストを音声に変換するプログラムを使用して、記述子の少なくとも一部を音声に変換するようにさらに構成されてもよい。

一部の実施形態では、記述子はリストにおいて提示されてもよい。一部の実施形態では、画像は、記述子と関連付けられた異形症の特性の大まかな位置を示す記述子の近くで表示されてもよい。例えば、目の画像は、「濃い眉」の記述子の隣に表示されてもよい。

一部の実施形態では、記述子は、それが関連付けられる異形症の特性の位置において、または異形症の特性の近くの位置において表示されてもよい。例えば、被験者の画像情報は、ディスプレイ上で提示されてもよい。記述子（例えば、「濃い眉」）は、記述子と関連付けられた異形症の特性と関連付けられた画像情報の領域の最上部で表示されてもよい（例えば、「濃い眉」は、画像情報の目または眉の領域の最上部で表示されてもよい）。

図６は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理６００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理６００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理６００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ６１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ６１０を実行するように構成されてもよい。

プロセッサ１１０は、受信された外部の軟組織画像情報における少なくとも１００の位置を定義するように構成されてもよく、少なくとも１００の位置に関する情報は、被験者情報を構成する（ステップ６２０）。プロセッサ１１０は、特徴点を判定するための上述した方式で、少なくとも１００の特徴点を判定することによって、少なくとも１００の位置を定義するように構成されてもよい。

プロセッサ１１０はまた、病状に侵されることになることが知られている少なくとも第１の個人の少なくとも外部の軟組織画像における少なくとも１００の位置を定義する第１の情報を受信し（ステップ６３０）、病状に侵されることになることが知られている少なくとも第２の個人の少なくとも外部の軟組織画像における少なくとも１００の位置を定義する第２の情報を受信する（ステップ６４０）ように構成されてもよい。被験者情報、第１の情報、および第２の情報は、例えば、少なくとも１００の位置の少なくとも一部の間で算出された相対測定分析と関連付けられたベクトルデータ、比率データ、距離データ、角度データ、エリアデータ、および輪郭データを含んでもよい。

プロセッサ１１０は、被験者情報を第１の情報および第２の情報と比較することによって、被験者が病状に侵される尤度を判定する（ステップ６５０）ように構成されてもよい。例えば、プロセッサ１１０は、上述した相対測定分析を使用して、被験者情報を第１の情報および第２の情報と比較することによって、被験者が病状に侵される尤度を判定するように構成されてもよい。

一部の実施形態では、プロセッサ１１０は、第１の数の特徴点（例えば、１００の特徴点）を最初に定義してもよい。第１の数の特徴点は、プロセッサ１１０が第１の速度で尤度を判定することを可能にすることができる。しかしながら、尤度の判定が結論の出ない結果である場合（例えば、尤度が第１の閾値を上回るが、第２の閾値未満である）、上記処理は、より時間を要するがより正確にすることができる、第１の数の特徴点よりも多い第２の数の特徴点（例えば、１０００の特徴点）で繰り返されてもよい。

図７は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理７００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理７００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理７００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ７１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ７１０を実行するように構成されてもよい。

プロセッサ１１０は、外部の軟組織画像情報を分析して、病状に対応する少なくとも１つの異常形態と関連付けられる可能性がある位置を識別する（ステップ７２０）ように構成されてもよい。例えば、プロセッサ１１０は、上述した方式で、高確率スコアを有する１つ以上の異形症の特性を識別するように構成されてもよい。

プロセッサ１１０は、少なくとも１つの異常形態のインジケータを外部の軟組織画像情報上で重ね合わせる（ステップ７３０）ように構成されてもよい。例えば、プロセッサ１１０は、少なくとも１つの異常形態の重ね合わされたインジケーションに沿って、外部の軟組織画像情報をディスプレイに出力するように構成されてもよい。例えば、画像情報で検出された点は、画像情報上で重ね合わされてもよい。別の例として、高確率の異形症の特性と関連付けられた画像情報における領域が強調されてもよい。別の例として、ヒートマップが画像情報上で重ね合わされてもよく、それによって、低スコアを有する異形症の特性と関連付けられた外部の軟組織画像情報における位置において、第１の半透明色が使用されてもよく、高スコアを有する異形症の特性と関連付けられた外部の軟組織画像情報における位置において、第１の半透明色とは異なる第２の半透明色が使用されてもよい。例えば、異形症の特性の存在を判定するために使用されるセルまたはパッチに基づいて、位置が選択されてもよい。一部の実施形態では、プロセッサ１１０は、ヒートマップを不鮮明にして、より目立つヒートマップを作成するように構成されてもよい。

図８は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理８００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理８００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理８００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ８１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ８１０を実行するように構成されてもよい。

プロセッサ１１０は、外部の軟組織画像情報を表示する（ステップ８２０）ように構成されてもよい。例えば、プロセッサ１１０は、上述した方式で構成されたディスプレイに、外部の軟組織画像情報を出力するように構成されてもよい。

プロセッサ１１０は、ユーザが、外部の軟組織画像情報の領域を選択することを可能にする（ステップ８３０）ように構成されてもよい。例えば、プロセッサ１１０は、ユーザが、ディスプレイ上で提示される外部の軟組織画像情報の領域を選択することを可能にするように構成されてもよい。一部の実施形態では、ユーザによって選択される領域は、プロセッサの１１０が選択を検出した後に拡張されてもよい。

プロセッサ１１０は、ユーザに対し、選択された領域における異形症の特性に関する情報を識別する（ステップ８４０）ように構成されてもよい。例えば、異形症の特性に関する情報は、リストに表示されてもよく、または外部の軟組織画像情報上で重ね合わされてもよい。異形症の特性のリストは、例えば、確率スコアの降順または昇順で提示されてもよい。

図９は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理９００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理９００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理９００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ９１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ９１０を実行するように構成されてもよい。

プロセッサ１１０は、外部の軟組織画像情報を分析する（ステップ９２０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２２０〜２６０に関して上述した同一または実質的に同一の演算を使用して、外部の軟組織画像情報を分析してもよい。しかしながら、任意選択で、ステップ２２０〜２５０で説明した２つの（または、それを超える）分析ではなく１つの分析のみが実行されてもよい（例えば、ステップ２２０〜２３０における分析）。例えば、上述したように、プロセッサ１１０は、アンカー細胞分析、シフトパッチ分析、および相対測定分析のうちの少なくとも１つの少なくとも１つを実行するように構成されてもよい。

プロセッサ１１０は、分析の少なくとも一部に基づいて、外部の軟組織画像情報における１つ以上の外部の軟組織属性を識別する（ステップ９３０）ように構成されてもよい。１つ以上の外部の軟組織属性は、例えば、１つ以上の異形症の特性を含んでもよい。例えば、上述したように、プロセッサ１１０は、外部の軟組織画像情報における潜在的な外部の軟組織属性を識別し、潜在的な外部の軟組織属性が画像に現れる尤度を反映した信頼度レベルを潜在的な外部の軟組織属性に割り当ててもよい。一部の実施形態では、プロセッサ１１０は、各外部の軟組織属性の重み付けを、各病状のインジケータとして考慮することによって、どの外部の軟組織属性が病状のインジケータであるかを識別するように構成されてもよい。例えば、プロセッサ１１０は、高確率スコアまたは所定の閾値を上回る確率スコアを有するすべての異形症の特性を識別してもよい。一部の実施形態では、各外部の軟組織属性の重み付けは、各外部の軟組織属性の重大度、全体の母集団における各外部の軟組織属性の共通性、および各外部の軟組織属性の病状への関連度を含む。

プロセッサ１１０は、複数の病状と関連付けられた外部の軟組織属性の少なくとも１つのデータベースにアクセスする（ステップ９４０）ように構成されてもよい。例えば、プロセッサ１１０は、例えば、ステップ２２０で上述した方式と同一の方式で、１つ以上の異形症の特性および／または１つ以上の病状に関するデータを含むデータベースにアクセスするように構成されてもよい。

プロセッサ１１０は、１つ以上の識別された外部の軟組織属性を、少なくとも１つのデータベースの外部の軟組織属性と比較する（ステップ９５０）ように構成されてもよい。例えば、プロセッサ１１０は、例えば、ステップ２２０で上述した方式と同一の方式で、１つ以上の識別された外部の軟組織属性を、少なくとも１つのデータベースの外部の軟組織属性と比較するように構成されてもよい。比較は、１つ以上の異形症の特性と関連付けられた１つ以上の確率スコアを生成することができる。

プロセッサ１１０は、比較に基づいて、被験者が有する可能性がある少なくとも１つの病状に関する情報を出力する（ステップ９６０）ように構成されてもよい。例えば、上述したように、プロセッサ１１０は、１つ以上の異形症の特性の１つ以上の確率スコアを、分類器に入力して、病状に対する確率スコアを生成するように構成されてもよい。一部の実施形態では、プロセッサ１１０は、分析に直接に基づいて、被験者が有する可能性がある少なくとも１つの病状に関する追加の情報を判定し、比較および追加の情報に基づいて、被験者が有する可能性がある少なくとも１つの病状に関する情報を出力するように構成されてもよい。例えば、ステップ２６０で説明したように、プロセッサ１１０は、初期の病状の尤度および異形症の特性の確率スコアの組の両方に基づいて、病状の尤度を判定してもよい。

図１０は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理１０００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理１０００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理１０００を実行するように構成されてもよい。

プロセッサ１１０は、第１の時間において記録された被験者の第１の外部の軟組織画像を反映した第１の情報を受信する（ステップ１０１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ１０１０を実行するように構成されてもよい。

プロセッサ１１０は、第１の画像情報を分析する（ステップ１０２０）ように構成されてもよい。プロセッサ１１０は、例えば、ステップ２２０〜２６０に関して上述した方式と同一の方式で第１の画像情報を分析するように構成されてもよい。しかしながら、任意選択で、ステップ２２０〜２５０で説明した２つの（または、それを超える）分析ではなく、１つの分析のみが実行されてもよい（例えば、ステップ２２０〜２３０における分析）。例えば、一部の実施形態では、分析は、アンカー細胞分析、シフトパッチ分析および相対測定分析のうちの少なくとも１つを含む。さらに、上述したように、一部の実施形態では、分析は、第１の軟組織画像情報を、被験者と実質的に同一の年齢、民族性および性別のうちの少なくとも１つを有する少なくとも１人の個人の外部の軟組織画像と比較することを含む。

プロセッサ１１０は、第２の時間において記録された被験者の第２の外部の軟組織画像を反映した第２の情報を受信する（ステップ１０３０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ１０１０を実行するように構成されてもよい。第２の時間は、例えば、第１の時間の後の所定の量の時間、または第１の時間の後のスケジュールされていない時間であってもよい。一部の実施形態では、プロセッサ１１０は、被験者の第２の外部の軟組織画像を反映した第２の情報が記録されるべきことの警告を送信するように構成されてもよい。例えば、被験者の第２の外部の軟組織画像を反映した第２の情報が所定の量の時間内に受信されなかった場合、警告が被験者の医師に送信されてもよい。別の例では、第１の情報の分析が、患者が病状を有する確率が低いことのインジケーションを提供した場合、被験者の第２の外部の軟組織画像を反映した第２の情報が所定の量の時間内に受信されなかった場合に警告が送信されてもよい。

プロセッサ１１０は、第２の画像情報を分析する（ステップ１０４０）ように構成されてもよい。プロセッサ１１０は、例えば、ステップ２２０〜２６０に関して上述した方式と同一の方式で第２の画像情報を分析するように構成されてもよい。しかしながら、任意選択で、ステップ２２０〜２５０で説明した２つの（または、それを超える）分析ではなく、１つの分析のみが実行されてもよい（例えば、ステップ２２０〜２３０における分析）。例えば、一部の実施形態では、分析は、アンカー細胞分析、シフトパッチ分析および相対測定分析のうちの少なくとも１つを含む。さらに、上述したように、一部の実施形態では、分析は、第２の軟組織画像情報を、被験者と実質的に同一の年齢、民族性および性別のうちの少なくとも１つを有する少なくとも１人の個人の外部の軟組織画像と比較することを含む。

一部の実施形態では、プロセッサ１１０は、第１の外部の軟組織画像情報を分析すること、および第２の外部の軟組織画像情報を分析することに、同一の技術を適用するように構成されてもよい。例えば、第１の時間において適用される技術は、被験者が撮像される次の時間に記録および再使用されてもよい。代わりに、一部の実施形態では、第１の画像情報の分析が、任意の病状の尤度を示さない場合、第２の外部の軟組織画像情報が分析されるときに、分析が第２の時間において変更されてもよい。別の代替形態では、例えば、第１の画像情報の分析が、特定の体の部分（例えば、耳）と関連付けられた病状の尤度が存在したことを示した場合、第２の画像情報の分析が特定の体の部分に集中されてもよい。一部の実施形態では、プロセッサ１１０は、第２の外部の軟組織画像を捕捉することと関連付けられた当事者を警告して、特定の体の部分の１つ以上の画像を捕捉するように構成されてもよい。よって、第２の外部の軟組織画像は、特定の体の部分の１つ以上の画像を含んでもよい。

プロセッサ１１０は、第１の画像情報の分析を、第２の画像情報の分析と比較する（ステップ１０５０）ように構成されてもよい。例えば、第１の画像情報および第２の画像情報は、いくつかの異形症の特性に対する確率スコアを含んでもよい。プロセッサ１１０は、時間とともに異形症の特性の確率スコアが変化することを判定するように構成されてもよい。第１の画像情報および第２の画像情報はまた、例えば、いくつかの病状に対する確率スコアを含んでもよい。プロセッサ１１０は、時間とともに病状の確率スコアが変化することを判定するように構成されてもよい。

別の例として、第１の画像情報および第２の画像情報はまた、１つ以上の異形症の特性の１つ以上の重大度スコアを含んでもよい。例えば、第１の画像情報および第２の画像情報は、特徴点の間の１つ以上の距離、特徴点により形成される角度、距離の間の比率、および角度の間の比率などに基づく１つ以上の重大度スコアを含んでもよい。よって、一部の実施形態では、プロセッサ１１０は、病状の進行を監視して、時間とともに属性の重大度が変化することを判定するように構成されてもよい。

プロセッサ１１０は、比較の少なくとも一部に基づいて、被験者が病状に侵される尤度を予測する（ステップ１０６０）ように構成されてもよい。例えば、第１の時間における１つ以上の異形症の特性の確率スコアおよび重大度、第２の時間における１つ以上の異形症の特性の確率スコアおよび重大度、および／または第１の時間から第２の時間への１つ以上の異形症の特性の確率スコアおよび重大度における変化は、例えば、病状の肯定的な例および否定的な例に関して訓練された分類器に入力されてもよい。例えば、異形症の特性の組と関連付けられた重大度または確率スコアが、第１の時間から第２の時間へと増加し、かつ異形症の特性が病状と関連付けられている場合、病状に対する比較的高い尤度が判定されてもよい。

しかしながら、重大度における変化が必ずしも、病状に対する高い尤度をもたらすわけではない。例えば、小児の年齢として、種々の異形症の特性のサイズの一部が変化すると予想されることがある。よって、一部の実施形態では、異形症の特性の重大度における変化は、第１の時間における被験者の年齢から第２の時間における被験者の年齢にかけて発生する既知の変化と比較されてもよい（任意選択で、第１の時間における被験者の年齢から第２の時間における被験者の年齢にかけて発生する既知の変化が、被験者の性別、民族性、および被験者を表す任意の他のカテゴリのうちの少なくとも１つに関連して調査されてもよい）。例えば、データベースにおける画像を分析し、所与の患者の母集団に対するノルムを判定することによって、第１の時間における被験者の年齢から第２の時間における被験者の年齢にかけて発生する既知の変化が判定されてもよい。よって、一部の実施形態では、異形症の特性の重大度における変化が、予想される変化から逸脱する場合、被験者が病状に侵される高い尤度が予測されてもよい。異形症の特性の重大度における変化が、予想される変化から逸脱しない場合、被験者が病状に侵される低い尤度が予測されてもよい。

一部の実施形態では、プロセッサ１１０は、第１の時間から第２の時間にかけての確率スコアの増加が判定される場合、第２の時間において判定される確率スコアを増加させてもよい。一部の実施形態では、プロセッサ１１０は、第１の時間から第２の時間にかけての確率スコアの減少が判定される場合、第２の時間において判定される確率スコアを減少させてもよい。

一部の実施形態では、複数の追加の時間において記録される複数の追加の外部の軟組織画像を反映した情報の複数の追加の組が受信されてもよい。プロセッサ１１０は、複数の追加の画像を分析し、第１の軟組織画像情報、第２の軟組織画像情報、および軟組織画像情報の追加の組の分析を比較し、第１の軟組織画像情報、第２の軟組織画像情報、および軟組織画像情報の追加の組の分析の比較に基づいて、被験者が病状に侵される尤度を予測するように構成されてもよい。

図１１は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理１１００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理１１００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理１１００を実行するように構成されてもよい。

プロセッサ１１０は、認識されていない病状を有する疑わしい第１の被験者の外部の軟組織画像を反映した第１の情報を受信する（ステップ１１１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ１１１０を実行するように構成されてもよい。

プロセッサ１１０は、認識されていない病状を有する疑わしい第２の被験者の外部の軟組織画像を反映した第２の情報を受信する（ステップ１１２０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ１１２０を実行するように構成されてもよい。

プロセッサ１１０は、第１の画像情報および第２の画像情報を比較する（ステップ１１３０）ように構成されてもよい。例えば、第１の画像情報および第２の画像情報に対する相対測定値のベクトルを生成するために、相対測定分析が使用されてもよい。一部の実施形態では、第１の画像情報が新たな被験者と関連付けられ、第２の画像情報が前に提示された個人と関連付けられる。よって、例えば、図２８に示されるように、第１の画像情報と関連付けられた相対測定値のベクトルが、データベースにおける相対測定値のベクトルの組（第２の画像情報と関連付けられた相対測定値のベクトルを含む）と比較されてもよい。別の例として、プロセッサ１１０は、第１のヘルスケアプロバイダから第１の画像情報を受信し、第２のヘルスケアプロバイダから第２の画像情報を受信するように構成されてもよい。プロセッサ１１０は、第１のヘルスケアプロバイダが、第２のヘルスケアプロバイダによって提供される画像情報にアクセスすることを可能にしてもよいが、第２のヘルスケアプロバイダによって提供されるテキストデータ（例えば、患者名）へのアクセスを拒否してもよく、逆もまた同様である。

プロセッサ１１０は、比較に基づいて、第１の被験者および第２の被験者が、同一の以前から認識されていない病状を有する可能性があることを判定する（ステップ１１４０）ように構成されてもよい。例えば、プロセッサ１１０は、第１の画像情報および第２の画像情報が相互に高度の類似性を有し、データベースにおける他の画像との高度の非類似性を有している場合、第１の被験者および第２の被験者が、同一の以前から認識されていない病状を有する可能性があることを判定するように構成されてもよい。類似性は、例えば、相対測定値のベクトルの比較に基づいて判定されてもよい（例えば、図２８の右下でグラフィカルに示されるように、第１の画像情報と関連付けられた相対測定値のベクトルから第２の画像情報と関連付けられた相対測定値のベクトルへの距離が判定されてもよい）。プロセッサ１１０は、第１の被験者および第２の被験者が、同一の以前から認識されていない病状を有する可能性があることをそれが判定する場合、第１のヘルスケアプロバイダが、第２のヘルスケアプロバイダと通信することを可能にするように構成されてもよい。

図１２は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理１２００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理１２００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理１２００を実行するように構成されてもよい。

プロセッサ１１０は、特定の個人が病状（その病状に対し少なくとも１つのヘルスサービスプロバイダが、病状に関連する製品またはサービスを供給する）の影響を受ける尤度を判定するために、コンピュータベースの外部の軟組織画像アナライザを使用するように構成されてもよく、コンピュータベースの外部の軟組織画像アナライザのユーザは、ヘルスケアの専門家である（ステップ１２１０）。例えば、プロセッサ１１０は、ステップ２１０〜２６０に関して上述した演算と同一の演算を使用して、特定の個人が病状に侵される尤度を判定するように構成されてもよい。プロセッサ１１０は、１つ以上のヘルスサービスプロバイダによって供給される製品またはサービス、および製品またはサービスを１つ以上の関連する病状と関連付けるデータを含むデータベースにアクセスするように構成されてもよい。よって、病状の尤度を判定した後、プロセッサ１１０は、少なくとも１つのヘルスサービスプロバイダが病状に関連する製品またはサービスを供給するかを判定してもよい。

プロセッサ１１０は、ヘルスケアの専門家に関する情報を識別する（ステップ１２２０）ように構成されてもよい。例えば、プロセッサ１１０は、ヘルスケアの専門家の連絡先、教育、専門知識、訓練、および病状との経験などをのうちの１つ以上を含む情報を識別するように構成されてもよい。

プロセッサ１１０は、特定の個人が病状に侵される尤度に基づいて、少なくとも１つのヘルスサービスプロバイダとヘルスケアの専門家との間の通信を仲介する（ステップ１２３０）ように構成されてもよい。例えば、仲介は、臨床試験、登録、診断およびセカンドオピニオンに関する情報のうちの少なくとも１つの存在を、ヘルスケアの専門家に警告することを含んでもよい。警告は、例えば、テキストメッセージを使用して、ヘルスケアの専門家の電話番号に送られてもよく、電子メールメッセージを使用して、ヘルスケアの専門家の電子メールアドレスに送られてもよく、または電話の呼び出しを使用して、ヘルスケアの専門家の電話番号に送られてもよい。警告は、ヘルスケアの専門家に、ヘルスサービスプロバイダと連絡するための選択肢（例えば、テキストメッセージ、電子メール、または電話通信）を提供することができる。一部の実施形態では、プロセッサ１１０は、尤度が閾値を上回る場合に仲介するように構成されてもよい。一部の実施形態では、プロセッサ１１０は、尤度に応じて異なって仲介するように構成されてもよい。例えば、病状の尤度が中である場合、ヘルスケアの専門家のみが通信を受信してもよい。病状の尤度が高い場合、ヘルスサービスプロバイダおよびヘルスケアの専門家の両方が通信を受信してもよい。

図１３は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理１３００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理１３００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理１３００を実行するように構成されてもよい。

プロセッサ１１０は、病状を有する個人の外部の軟組織画像のデータベースを維持する（ステップ１３１０）ように構成されてもよい。例えば、プロセッサ１１０は、上述したデータベースのいずれかに従って、データベースを維持するように構成されてもよい。

プロセッサ１１０は、ヘルスケアプロバイダからの被験者の外部の軟組織画像の画像供給を、ヘルスケアプロバイダから受信する（ステップ１３２０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２１０に関して上述した演算に従って、画像供給元における各画像を受信するように構成されてもよい。さらに、プロセッサ１１０は、各々の受信された画像と関連付けられた１つ以上の異形症の特性の注記情報を受信するように構成されてもよい。異形症の特性の注記は、例えば、ヘルスケアプロバイダによって、または本明細書で説明された他の技術のいずれかによって生成されてもよい。さらに、プロセッサ１１０は、各々の受信された画像と関連付けられた１つ以上の病状情報を受信するように構成されてもよい。病状情報は、ヘルスケアプロバイダによって、または本明細書で説明された他の技術のいずれかによって生成されてもよい。

プロセッサ１１０は、供給された画像を、データベースにおける画像と比較するためにコンピュータベースの外部の軟組織画像アナライザを使用する（ステップ１３３０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２２０〜２５０に関して上述した演算に従って、供給された画像を、データベースにおける画像と比較するように構成されてもよい。しかしながら、任意選択で、ステップ２２０〜２５０で説明した２つの（または、それを超える）分析ではなく、１つの分析のみが実行されてもよい（例えば、ステップ２２０〜２３０における分析）。例えば、一部の実施形態では、表明された異形症の特性および病状は、分析を制限するために使用されてもよい。例えば、一部の実施形態では、注記された異形症の特性の尤度のみが判定されてもよい。同様に、一部の実施形態では、各画像とともに受信された病状の尤度のみが判定されてもよい。

プロセッサ１１０は、比較に基づいて、供給された被験者の画像が、病状に侵される可能性がある閾値を満たすときを判定する（ステップ１３４０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２６０に関して上述した演算に従って、供給された被験者の画像が、病状に侵される可能性がある閾値を満たすときを判定するように構成されてもよい。

プロセッサ１１０は、被験者の画像が閾値を満たすときに、ヘルスケアプロバイダを警告する（ステップ１３５０）ように構成されてもよい。例えば、プロセッサ１１０は、例えば、テキストメッセージ、電話呼び出し、および電子メールなどを使用して、ヘルスケアプロバイダに警告を送信するように構成されてもよい。別の例では、プロセッサ１１０は、画像を捕捉するためにヘルスケアプロバイダによって使用されるデバイスのディスプレイ上で警告を提示するように構成されてもよい。警告は、例えば、患者名もしくは他の患者識別子、および警告を引き起こした病状に関するデータを含んでもよい。病状に関するデータは、例えば、病状の名前、病状と関連付けられた異形症の特性、病状に対する提案された治療、病状に対する提案された追加の試験などを含んでもよい。

プロセッサ１１０は、被験者が実際に病状を有しているかに基づいて、外部の軟組織画像のデータベースに画像を追加する（ステップ１３６０）ように構成されてもよい。例えば、プロセッサ１１０は、被験者が病状を有していることの確認を、ヘルスケアプロバイダから受信するように構成されてもよい。確認は、例えば、警告に含まれる追加の試験に基づいてもよい。

一部の実施形態では、確認された被験者の画像および／または確認された被験者のから導出されたデータは、病状と関連付けられてもよい。例えば、データベースは、確認された被験者のデータを病状とともに表明するように構成されてもよい。次いで、確認された被験者のデータは、病状に対する１つ以上の分類器を、病状の肯定的な例として訓練するために使用されてもよい。同様に、プロセッサ１１０はまた、被験者が病状を有していないことのインジケーションを、ヘルスケアプロバイダから受信するように構成されてもよい。次いで、否定的な被験者のデータは、病状に対する１つ以上の分類器を、否定的な例（すなわち、対照）または偽の肯定的な例として訓練するために使用されてもよい。

図１４は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理１４００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理１４００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理１４００を実行するように構成されてもよい。

プロセッサ１１０は、データベースにおいて、病状を有する個人の複数の外部の軟組織画像を関連付ける（ステップ１４１０）ように構成されてもよい。例えば、プロセッサ１１０は、上述した演算に従って、データベースにおいて、病状を有する個人の複数の外部の軟組織画像を関連付けるように構成されてもよい。

プロセッサ１１０は、複数の外部の軟組織画像を分析して、病状を予測する異形症の特性と関連付けられた少なくとも１つの予測因子の位置を識別する（ステップ１４２０）ように構成されてもよい。例えば、プロセッサ１１０は、上述した演算を使用して、１つ以上の異形症の特性を検出するように構成されてもよい。プロセッサ１１０は、病状を有する個人と関連付けられたいくつかの外部の軟組織画像がまた、例えば、同一または類似する位置における同一の異形症の特性のうちの１つ以上と関連付けられているかを判定するように構成されてもよい。

プロセッサ１１０は、病状が未診断の被験者の外部の軟組織画像を受信する（ステップ１４３０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２１０に関して上述した同一の演算に従って、被験者の外部の軟組織画像を受信するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を分析して、予測因子の位置を識別する（ステップ１４４０）。例えば、プロセッサ１１０は、ステップ１４２０で識別された異形症の特性に対応し、またはそれを含む被験者の外部の軟組織画像情報における領域を識別するように構成されてもよい。

プロセッサ１１０は、複数の外部の軟組織画像の予測因子の位置を、被験者の外部の軟組織画像における予測因子の位置と比較し（ステップ１４５０）、複数の外部の軟組織画像および被験者の外部の軟組織画像の少なくとも一部の予測因子の位置において、共通する異常形態が存在するかを判定する（ステップ１４６０）ように構成されてもよい。例えば、プロセッサ１１０は、予測因子の位置を含む被験者の外部の軟組織画像の領域が、複数の外部の軟組織画像における予測因子の位置を含む領域のうちの１つ以上に類似するかを判定するように構成されてもよい。例えば、プロセッサ１１０は、識別された異形症の特性のうちの１つ以上が、予測因子の位置を含む被験者の外部の軟組織画像の領域に含まれることを判定するように構成されてもよい。

プロセッサ１１０は、判定に基づいて、被験者が病状を有するかを予測する（ステップ１４７０）ように構成されてもよい。例えば、識別された異形症の特性のうちの１つ以上が被験者の外部の軟組織画像における予測された位置において検出される場合、プロセッサ１１０は、被験者が病状を有すると予測してもよい。同様に、プロセッサ１１０は、十分な数の異形症の特性が十分な数の予測因子の位置において検出される場合に、被験者が病状を有すると予測するように構成されてもよい。

図１５は、少なくとも１つのプロセッサが実行するように構成されてもよい、例示的な処理１５００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理１５００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理１５００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ１５１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０との方式と同一の方式でステップ１５１０を実行するように構成されてもよい。

プロセッサ１１０は、異常形態に対する外部の軟組織画像情報を分析する（ステップ１５２０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２２０〜２５０に関して上述した同一または実質的に同一の演算を使用して、外部の軟組織画像情報を分析するように構成されてもよい。しかしながら、任意選択で、ステップ２２０〜２５０で説明した２つの（または、それを超える）分析ではなく１つの分析のみが実行されてもよい（例えば、ステップ２２０〜２３０における分析）。

プロセッサ１１０は、異常形態と関連付けられた複数の潜在的な病状を判定する（ステップ１５３０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２６０に関して上述した同一の演算を使用して、複数の潜在的な病状を判定するように構成されてもよい。

プロセッサ１１０は、個人が複数の潜在的な病状のうちの少なくとも１つを有するかを判定するために実行されることになる試験のリストを生成する（ステップ１５４０）ように構成されてもよい。例えば、プロセッサ１１０は、潜在的な病状に対する診断値を有する全ての試験を判定するように構成されてもよい。一部の実施形態では、プロセッサ１１０は、試験の価格、試験の精度、および複数の潜在的な病状との試験の適合性のうちの少なくとも１つに基づいて、試験のリストを生成するように構成されてもよい。

一部の実施形態では、プロセッサ１１０は、生成されたリストに応答して選択された以前の試験を反映した情報を受信してもよい。受信された情報に基づいて、プロセッサ１１０は、選択された試験を支持する（favor）ように構成されてもよい。例えば、１つの試験が他の試験よりも高価な場合、プロセッサ１１０は最初に、より安価な試験を最初に出力するように構成されてもよい。しかしながら、より高価な試験がより広く使用されていることを示す情報をプロセッサ１１０が受信する場合、より高価な試験が、のちに生成されるリストに最初に含まれてもよい。

図１６は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理１６００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理１６００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理１６００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ１６１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ１６１０を実行するように構成されてもよい。

プロセッサ１１０は、外部の軟組織画像情報を分析する（ステップ１６２０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２２０〜２５０に関して上述した同一または実質的に同一の演算を使用して、外部の軟組織画像情報を分析するように構成されてもよい。しかしながら、任意選択で、ステップ２２０〜２５０で説明した２つの（または、それを超える）分析ではなく１つの分析のみが実行されてもよい（例えば、ステップ２２０〜２３０における分析）。

プロセッサ１１０は、分析に基づいて、異形症の特性が存在する確率を判定する（ステップ１６３０）ように構成されてもよい。例えば、プロセッサ１１０は、上述した演算を使用して、異形症の特性の確率スコアを判定するように構成されてもよい。

プロセッサ１１０は、重大度スコアを異形症の特性に割り当てる（ステップ１６４０）ように構成されてもよい。例えば、プロセッサ１１０は、相対測定分析に基づいて、重大度スコアを異形症の特性に割り当てるように構成されてもよい。例えば、長い人中の異形症の特性の重大度は、被験者の鼻、口および顔の高さのうちの１つ以上と関連付けられた特徴点によって定義される長さに対する、人中と関連付けられた特徴点によって定義される長さの比率によって測定されてもよい。一部の実施形態では、重大度スコアは、確率スコアが判定された後に判定される。例えば、一部の実施形態では、異形症の特性に対する確率スコアが閾値を上回る場合、重大度スコアが判定されてもよい。異形症の特性に対する確率スコアに応じて（例えば、より高い確率スコアが、より高い重大度スコアを受けいれてもよい）、または例えば、異形症の特性の種々の所定の重大度を有することが知られている個人からのデータに関して訓練された第２の分類器を使用することによって、重大度スコアが判定されてもよい。

プロセッサ１１０は、重大度スコアに基づいて、異形症の特性が病状を示しているかを予測する（ステップ１６５０）ように構成されてもよい。例えば、分類器は、異形症の特性の組と関連付けられた確率スコアおよび重大度スコアを受信し、病状に対する確率スコアを出力するために、病状の肯定的な例および否定的な例に関して訓練されてもよい。プロセッサ１１０は、例えば、異形症の特性の重大度スコアが病状を示しているかを判定するために、訓練された分類器を使用してもよい。

図１７は、少なくとも１つのプロセッサが実行するように構成されてもよい例示的な処理１７００を示す。例えば、上述したように、プロセッサ１１０は、メモリデバイス１２０に記憶されたソフトウェアもしくはファームウェアを実行することによって、処理１７００を実行するように構成されてもよく、または専用ハードウェアもしくは１つ以上のＡＳＩＣを使用して、処理１７００を実行するように構成されてもよい。

プロセッサ１１０は、被験者の外部の軟組織画像を反映した情報を受信する（ステップ１７１０）ように構成されてもよい。プロセッサ１１０は、例えば、上述したステップ２１０の方式と同一の方式でステップ１７１０を実行するように構成されてもよい。

プロセッサ１１０は、外部の軟組織画像情報を分析し、第１の異形症属性および第２の異形症属性を識別する（ステップ１７２０）ように構成されてもよい。例えば、プロセッサ１１０は、ステップ２２０〜２５０に関して上述した同一または実質的に同一の演算を使用して、外部の軟組織画像情報を分析し、外部の軟組織画像情報における少なくとも２つの異形症の特性を識別するように構成されてもよい。しかしながら、任意選択で、ステップ２２０〜２５０で説明した２つの（または、それを超える）分析ではなく１つの分析のみが実行されてもよい（例えば、ステップ２２０〜２３０における分析）。

プロセッサ１１０は、第１の異形症属性が、第２の異形症属性よりも病状の予測因子になる可能性が低いと判定する（ステップ１７３０）ように構成されてもよい。例えば、プロセッサ１１０は、第１の異形症属性が通常、第２の異形症属性と一致しない情報に基づいて、第１の異形症属性が、第２の異形症属性よりも病状の予測因子になる可能性が低いと判定するように構成されてもよい。別の例として、プロセッサ１１０は、第１の異形症属性が被験者の家族のメンバーの中で共通しているという情報に基づいて、第１の異形症属性が、第２の異形症属性よりも病状の予測因子になる可能性が低いと判定するように構成されてもよい。別の例として、プロセッサ１１０は、第１の異形症属性が個人の民族性のメンバーの中で共通しているという情報に基づいて、第１の異形症属性が、第２の異形症属性よりも病状の予測因子になる可能性が低いと判定するように構成されてもよい。別の例として、プロセッサ１１０は、第１の異形症属性が個人の性別のメンバーの中で共通しているという情報に基づいて、第１の異形症属性が、第２の異形症属性よりも病状の予測因子になる可能性が低いと判定するように構成されてもよい。

プロセッサ１１０は、被験者が病状に侵される可能性があるかを予測するように構成されてもよく、予測の間、第１の異形症属性が無視されるい（ステップ１７４０）。例えば、プロセッサ１１０は、ステップ２６０に関して上述した実質的に同一の演算を使用して、被験者が病状に侵される可能性があるかを予測するように構成されてもよい。しかしながら、予測するために使用される分類器は、例えば、第１の異形症属性を無視し、またはそれの重み付けを減少させて提供するように構成されてもよい。

明確にするために、別個の実施形態に関連して本明細書において説明された特定の特徴はまた、単一の実施形態において組み合わせて提供されてもよい。反対に、簡潔さのために、単一の実施形態に関連して説明された種々の特徴はまた、別個の、または任意の適切な副組み合わせにおける複数の実施形態で提供されてもよい。さらに、特徴が、特定の組み合わせで作用するとして説明され、さらに最初にそのように特許請求されたが、特許請求される組合せからの１つ以上の特徴を、場合によっては、組み合せから抜き出すことができ、かつ特許請求される組合せは、副組み合わせまたは副組み合わせの変形形態に向けられてもよい。

特定の実施形態が説明されてきた。他の実施形態は、以下の特許請求の範囲内にある。

Claims (24)

1. コンピュータによって実施される、被験者が２以上の遺伝性障害の各々に侵される可能性があるかどうかを外部頭蓋顔軟組織の画像から判定する方法であって、
   処理回路が、陽性および陰性の個人の複数の頭蓋顔画像を用いて、第１の遺伝性障害を有する第１の陽性の個人の第１の組と、第２の遺伝性障害を有する第２の陽性の個人の第２の組と、前記第１の遺伝性障害と前記第２の遺伝性障害のうちの少なくとも一方をもたない少なくとも１人の陰性の個人とにおける前記複数の頭蓋顔画像の各々に重ねられたグリッド内の複数のセルそれぞれの特徴から導出される記述子を算出することと、
   前記処理回路が、前記陽性の個人の前記複数の頭蓋顔画像における前記複数のセルの前記記述子を集約し、かつ、前記陰性の個人の前記複数の頭蓋顔画像における前記複数のセルの前記記述子を集約することで複数のベクトルを生成することと、
   前記処理回路が、前記被験者の画像を用いて、前記被験者の前記画像に重ねられたグリッド内の複数のセルそれぞれの特徴から導出される記述子を算出することと、
   前記処理回路が、前記被験者の前記頭蓋顔画像における前記複数のセルの前記記述子を集約することで１以上のベクトルを生成することと、
   前記処理回路が、前記陽性および陰性の個人の前記画像の前記複数のベクトルと、前記被験者の前記画像の前記１以上のベクトルとの頭蓋顔比較を、前記複数のベクトルの各々と前記１以上のベクトルの各々との間の距離メトリックを計算することによって行うことと、
   前記処理回路が、前記比較に基づいて、前記複数のベクトルのうちのサブセットであって、前記複数のベクトルの残りの部分と比較して前記１以上のベクトルにより類似したサブセットを判定することと、
   前記処理回路が、前記複数のベクトルの前記判定されたサブセットにおける各ベクトルが、前記第１の陽性の個人の第１の組および前記第２の陽性の個人の第２の組から導出されるかどうかを分析することで、前記被験者が前記第１の遺伝性障害を有する尤度を示す第１の確率スコアと、前記被験者が前記第２の遺伝性障害を有する尤度を示す第２の確率スコアとを判定することと、を含む、方法。
2. 前記１以上のベクトルは、少なくとも１つのヘルスケアプロバイダから受け取る情報から導出され、前記方法は、前記１以上のベクトルのうちの少なくとも１つのベクトルが、前記２以上の遺伝性障害のうちの選択された遺伝性障害に前記被験者が侵される尤度を示す場合、前記処理回路が、前記少なくとも１つのヘルスケアプロバイダに警告を発することをさらに含む、請求項１に記載のコンピュータによって実施される方法。
3. 前記２以上の遺伝性障害のうちの少なくとも１つの遺伝性障害の特徴に関連付けられたベクトルの電子データベースを維持することをさらに含み、前記方法はさらに、前記処理回路が、前記被験者に関連付けられた前記１以上のベクトルのうちの１つまたは複数のベクトルを前記電子データベースに追加するかどうかを判定することを含む、請求項１に記載のコンピュータによって実施される方法。
4. 前記１以上のベクトルのうちの１つのベクトルが予測閾値を超える可能性があると判定される場合にのみ、該１つのベクトルが前記電子データベースに追加される、請求項３に記載のコンピュータによって実施される方法。
5. 前記処理回路が、少なくとも１つのヘルスケアプロバイダ、少なくとも１人の臨床医、および／または少なくとも１つの診断検査施設から、前記被験者が前記２以上の遺伝性障害のうちの選択された遺伝性障害を有すると判定されるかどうかのインジケーションを受け取ることをさらに含む、請求項３に記載のコンピュータによって実施される方法。
6. 前記被験者が前記選択された遺伝性障害を有すると判定される場合にのみ、前記１以上のベクトルのうちの１つのベクトルが前記電子データベースに追加される、請求項５に記載のコンピュータによって実施される方法。
7. 前記電子データベースに、前記遺伝性障害に関連付けられたベクトルをまとめてグループ化することをさらに含む、請求項３に記載のコンピュータによって実施される方法。
8. 前記被験者の前記頭蓋顔画像から抽出される前記１以上のベクトルは、少なくとも１つのヘルスケアプロバイダにより提供される被験者固有のデータを含む、請求項１に記載のコンピュータによって実施される方法。
9. 被験者が２以上の遺伝性障害の各々に侵される可能性があるかどうかを外部頭蓋顔軟組織の画像から判定するシステムであって、
   コンピュータにより実行可能な命令を格納する少なくとも１つのメモリと、
   少なくとも１つのプロセッサと、を備え、
   前記少なくとも１つのプロセッサは、前記格納された命令を実行して、
   陽性および陰性の個人の複数の頭蓋顔画像を用いて、第１の遺伝性障害を有する第１の陽性の個人の第１の組と、第２の遺伝性障害を有する第２の陽性の個人の第２の組と、前記第１の遺伝性障害と前記第２の遺伝性障害のうちの少なくとも一方をもたない少なくとも１人の陰性の個人とにおける前記複数の頭蓋顔画像の各々に重ねられたグリッド内の複数のセルそれぞれの特徴から導出される記述子を算出し、
   前記陽性の個人の前記複数の頭蓋顔画像における前記複数のセルの前記記述子を集約し、かつ、前記陰性の個人の前記複数の頭蓋顔画像における前記複数のセルの前記記述子を集約することで複数のベクトルを生成し、
   前記被験者の画像を用いて、前記被験者の前記画像に重ねられたグリッド内の複数のセルそれぞれの特徴から導出される記述子を算出し、
   前記被験者の前記頭蓋顔画像における前記複数のセルの前記記述子を集約することで１以上のベクトルを生成し、
   前記陽性および陰性の個人の前記画像の前記複数のベクトルと、前記被験者の前記頭蓋顔画像の前記１以上のベクトルとの頭蓋顔画像比較を、前記複数のベクトルの各々と前記１以上のベクトルの各々との間の距離メトリックを計算することによって行い、
   前記比較に基づいて、前記複数のベクトルのうちのサブセットであって、前記複数のベクトルの残りの部分と比較して前記１以上のベクトルにより類似したサブセットを判定し、かつ、
   前記複数のベクトルの前記判定されたサブセットにおける各ベクトルが、前記第１の陽性の個人の第１の組および前記第２の陽性の個人の第２の組から導出されるかどうかを分析することで、前記被験者が前記第１の遺伝性障害を有する尤度を示す第１の確率スコアと、前記被験者が前記第２の遺伝性障害を有する尤度を示す第２の確率スコアとを判定するように構成される、システム。
10. 前記少なくとも１つのプロセッサは、さらに、前記格納された命令を実行して、前記１以上のベクトルのうちの少なくとも１つのベクトルが、前記２以上の遺伝性障害のうちの選択された遺伝性障害に前記被験者が侵される尤度を示す場合に、ヘルスケアプロバイダに警告を発するように構成される、請求項９に記載のシステム。
11. 前記少なくとも１つのプロセッサは、さらに、前記格納された命令を実行して、前記２以上の遺伝性障害に関連付けられたベクトルの電子データベースを維持し、かつ、前記被験者に関連付けられた前記１以上のベクトルのうちの１つまたは複数のベクトルを前記電子データベースに追加するかどうかを判定するように構成される、請求項９に記載のシステム。
12. 前記少なくとも１つのプロセッサは、さらに、前記格納された命令を実行して、前記１以上のベクトルのうちの１つベクトルが予測閾値を超える可能性があると判断される場合にのみ、該１つのベクトルを前記電子データベースに追加するように構成される、請求項１１に記載のシステム。
13. 前記少なくとも１つのプロセッサは、さらに、前記格納された命令を実行して、前記被験者が前記２以上の遺伝性障害のうちの１つまたは複数の遺伝性障害を有すると判定されるかどうかのインジケーションをヘルスケアプロバイダから受け取るように構成される、請求項１１に記載のシステム。
14. 前記被験者が前記２以上の遺伝性障害のうちの前記１つまたは複数の遺伝性障害を有すると判定される場合にのみ、前記１以上のベクトルのうちの１つのベクトルが前記電子データベースに追加される、請求項１３に記載のシステム。
15. 前記被験者の前記頭蓋顔画像から抽出される前記１以上のベクトルは、前記被験者の前記頭蓋顔画像から抽出されるメタデータを含む、請求項９に記載のシステム。
16. 被験者が２以上の遺伝性障害に侵される可能性があるかどうかを外部頭蓋顔軟組織の画像から判定するための、命令を含む非一時的コンピュータ可読媒体であって、前記命令は、少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに、
    陽性および陰性の個人の複数の頭蓋顔画像を用いて、処理回路により、第１の遺伝性障害を有する第１の陽性の個人の第１の組と、第２の遺伝性障害を有する第２の陽性の個人の第２の組と、前記第１の遺伝性障害と前記第２の遺伝性障害のうちの少なくとも一方をもたない少なくとも１人の陰性の個人とにおける前記複数の頭蓋顔画像の各々に重ねられたグリッド内の複数のセルそれぞれの特徴から導出される記述子を算出することと、
    前記処理回路により、前記陽性の個人の前記複数の頭蓋顔画像における前記複数のセルの前記記述子を集約し、かつ、前記陰性の個人の前記複数の頭蓋顔画像における前記複数のセルの前記記述子を集約することで複数のベクトルを生成することと、
    前記被験者の画像を用いて、前記処理回路により、前記被験者の前記画像に重ねられたグリッド内の複数のセルそれぞれの特徴から導出される記述子を算出することと、
    前記処理回路により、前記被験者の前記頭蓋顔画像における前記複数のセルの前記記述子を集約することで１以上のベクトルを生成することと、
    前記処理回路により、前記陽性および陰性の個人の前記画像の前記複数のベクトルと、前記被験者の前記画像の前記１以上のベクトルとの頭蓋顔比較を、前記複数のベクトルの各々と前記１以上のベクトルの各々との間の距離メトリックを計算することによって行うことと、
    前記処理回路により、前記比較に基づいて、前記複数のベクトルのうちのサブセットであって、前記複数のベクトルの残りの部分と比較して前記１以上のベクトルにより類似したサブセットを判定することと、
    前記処理回路により、前記複数のベクトルの前記判定されたサブセットにおける各ベクトルが、前記第１の陽性の個人の第１の組および前記第２の陽性の個人の第２の組から導出されるかどうかを分析することで、前記被験者が前記第１の遺伝性障害を有する尤度を示す第１の確率スコアと、前記被験者が前記第２の遺伝性障害を有する尤度を示す第２の確率スコアとを判定することと、
    を含む演算を実行させる、非一時的コンピュータ可読媒体。
17. 前記命令は、前記少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに、前記１以上のベクトルのうちの少なくとも１つのベクトルが前記２以上の遺伝性障害のうちの選択された遺伝性障害に前記被験者が侵される尤度を示す場合、ヘルスケアプロバイダに警告を発することを含む追加の演算をさらに実行させる、請求項１６に記載の非一時的コンピュータ可読媒体。
18. 前記命令は、前記遺伝性障害に関連付けられたベクトルの電子データベースを維持することと、前記被験者に関連付けられた前記１以上のベクトルのうちの１つまたは複数のベクトルを前記電子データベースに追加するかどうかを前記処理回路により判定することと、をさらに含む、請求項１６に記載の非一時的コンピュータ可読媒体。
19. 前記１以上のベクトルのうちの１つベクトルが予測閾値を超える可能性があると判定される場合にのみ、該１つのベクトルが前記電子データベースに追加される、請求項１８に記載の非一時的コンピュータ可読媒体。
20. 前記被験者の前記頭蓋顔画像から抽出される前記１以上のベクトルは、前記被験者の前記頭蓋顔画像から抽出されるメタデータを含む、請求項１６に記載の非一時的コンピュータ可読媒体。
21. 前記処理回路が、前記２以上の遺伝性障害の各々について、前記サブセットのうちのいくつのベクトルが前記陽性の個人と関連付けられ、前記サブセットのうちのいくつのベクトルが前記陰性の個人と関連付けられるかを判定することによって前記確率スコアを判定することをさらに含む、請求項１に記載のコンピュータによって実施される方法。
22. 前記特徴は、明暗度、テキスチャ、およびエッジのうちの少なくとも１つを含む、請求項１に記載のコンピュータによって実施される方法。
23. 前記陽性および陰性の個人の前記複数の頭蓋顔画像を用いて算出される前記記述子は、スケール不変特徴量変換（ＳＩＦＴ）、方向勾配ヒストグラム（ＨＯＧ）、自己相似性記述子（self-similarity descriptor）、およびローカルバイナリパターンのヒストグラム（histogram of Local Binary Patterns）のうちの少なくとも１つを用いて、前記複数のセルそれぞれの特徴から導出される、請求項１に記載のコンピュータによって実施される方法。
24. 前記被験者の前記頭蓋顔画像を用いて算出される前記記述子は、スケール不変特徴量変換（ＳＩＦＴ）、方向勾配ヒストグラム（ＨＯＧ）、自己相似性記述子（self-similarity descriptor）、およびローカルバイナリパターンのヒストグラム（histogram of Local Binary Patterns）のうちの少なくとも１つを用いて、前記複数のセルそれぞれの特徴から導出される、請求項１に記載のコンピュータによって実施される方法。
    

Images