JP6686085B2 - 診断支援装置、診断支援装置の作動方法及びプログラム - Google Patents

Description

本発明は、医療診断を支援する情報を提供する技術に関するものである。

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、モニタに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、例えば、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、医用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画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、医療診断支援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、医療診断支援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、下記の特許文献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、影響度が大きい未入力情報を提示する。また、下記の特許文献１には、影響度の算出方法としては、現在の推論結果において最も高い確率を持つ診断名に着目して、未入力情報が入った場合の確率の変化量を影響度とする方法が開示されている。また、下記の特許文献１には、現在の推論結果における各診断名の確率に着目して、未入力情報が入った場合の各確率の変化量の総和を影響度とする方法が開示されている。そして、下記の特許文献１では、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となっている。

特許第３２２６４００号公報

近藤他：「３次元胸部Ｘ線ＣＴ像による腫瘍影の含気型と充実型への分類およびその良悪性鑑別への応用」、信学技報、ＭＩ２０００−１６、２０００−０５ 多田他：「マルチスライスＣＴ画像を用いた気管支抽出アルゴリズムの検討」、信学技報、ＭＩ２００４−３７、２００４−０９

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するものであった。そのため、医用画像上に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。

本発明は、このような問題点に鑑みてなされたものであり、医師が優先的に確認すべき情報を効率的に提示することを実現できるようにすることを目的とする。

本発明の診断支援装置は、被検査者の複数の診断名を取得する診断名取得手段と、前記被検査者に係る１つ以上の医用情報を既入力情報として取得する医用情報取得手段と、前記複数の診断名におけるそれぞれの診断名ごとに、前記既入力情報以外の医用情報である未入力情報の中から、前記診断名を最も肯定する未入力情報または前記診断名を最も否定する未入力情報を選択する選択手段と、前記複数の診断名におけるそれぞれの診断名ごとに、前記選択手段が選択した未入力情報を当該診断名とともに表示部に表示させる表示制御手段と、を有する。
また、本発明は、上述した診断支援装置の作動方法、及び、上述した診断支援装置の各手段としてコンピュータを機能させるためのプログラムを含む。

本発明によれば、医師が優先的に確認すべき情報を効率的に提示することができる。

本発明の実施形態に係る医療診断支援装置を含む医療診断支援システムの概略構成の一例を示す模式図である。 本発明の実施形態に係る医療診断支援装置の制御方法における処理手順の一例を示すフローチャートである。 本発明の実施形態を示し、ベイジアンネットワークを用いた確率推論モデルの一例を示す模式図である。 図２に示すステップＳ２０５における詳細な処理手順の一例を示すフローチャートである。 本発明の実施形態を示し、極座標形式により縦軸を距離ｒとし横軸を角度θとし、辺縁の各点から領域の重心までの距離と角度との関係の一例を示す模式図である。 本発明の実施形態におけるモニタ表示画面の一例を示す模式図である。

以下に、図面を参照しながら、本発明を実施するための形態（実施形態）について説明する。

図１は、本発明の実施形態に係る医療診断支援装置を含む医療診断支援システムの概略構成の一例を示す模式図である。

図１に示すように、医療診断支援システム１０は、医療診断支援装置１００と、医用画像データベース２００と、診断録データベース３００と、ローカルエリアネットワーク（ＬＡＮ）４００を有して構成されている。即ち、図１に示す医療診断支援システム１０は、医療診断支援装置１００が、ＬＡＮ４００を介して、医用画像データベース２００及び診断録データベース３００に接続される構成となっている。

医療診断支援装置１００は、医師等による医療診断を支援する情報を提供する装置であり、具体的には、入力された複数の医用情報に基づいて医療診断に係る推論処理を行って、注目すべき（医師等が優先的に確認すべき）未入力情報を提示するものである。

医療診断支援装置１００は、制御部１１０と、モニタ１２０と、マウス１３０と、キーボード１４０を有して構成されている。

制御部１１０は、医療診断支援装置１００の動作を制御するものであり、中央処理装置（ＣＰＵ）１１１と、主メモリ１１２と、磁気ディスク１１３と、表示メモリ１１４と、バス１１５を有して構成されている。そして、ＣＰＵ１１１が、例えば主メモリ１１２に格納されている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２００及び診断録データベース３００との通信、医療診断支援装置１００の全体の制御等の各種制御が実行される。

ＣＰＵ１１１は、主として、医療診断支援装置１００の各構成要素の動作を制御して、医療診断支援装置１００の動作を統括的に制御する。

主メモリ１１２は、ＣＰＵ１１１が実行する制御プログラムを格納したり、ＣＰＵ１１１によるプログラムの実行時の作業領域を提供したりする。

磁気ディスク１１３は、オペレーティングシステム（ＯＳ）や、周辺機器のデバイスドライバ、各種のアプリケーションソフト等、及び、各種のアプリケーションソフト等が生成または使用する作業用データ等を格納する。

表示メモリ１１４は、モニタ１２０に表示するための表示用データを一時記憶する。

バス１１５は、医療診断支援装置１００の各構成要素を相互に通信可能に接続するとともに、当該医療診断支援装置１００とＬＡＮ４００を通信可能に接続する。

モニタ１２０は、例えばＣＲＴモニタや液晶モニタ等で構成されており、ＣＰＵ１１１の制御に従って、表示メモリ１１４の表示用データに基づく画像等を表示する。また、ＣＰＵ１１１が実行するプログラムの実行状況や実行結果は、必要に応じて、モニタ１２０に表示される。なお、本実施形態では、注目すべき未入力情報等をモニタ１２０に提示する例を説明するが、本発明においては、これに限定されるものではない。例えば、これらの未入力情報等を、プリンタ等に出力して提示する形態や、音声その他の手段により出力して提示する形態も本発明に含まれる。

マウス１３０及びキーボード１４０は、それぞれ、ユーザによるポインティング入力及び文字等の入力を行うためのものである。ユーザ（医師等）は、このマウス１３０やキーボード１４０を操作することで、医療診断支援装置１００に様々なコマンド（指示・命令）を入力する。

本実施形態の医療診断支援装置１００は、ＬＡＮ４００を介して、医用画像データベース２００から各種の画像データを読み出すことができ、また、診断録データベース３００から各種の診断録データを読み出すことができる。ここで、医用画像データベース２００として、例えば、既存のＰＡＣＳ（Picture Archiving and Communication System）を利用することができる。また、診断録データベース３００として、例えば、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、医療診断支援装置１００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医用画像データ及び診断録データを読み込むようにしてもよい。

医用画像データベース２００は、例えば医用画像撮影装置（不図示）による撮影により得られた各種の医用画像データを格納する。医療診断支援装置１００は、ＬＡＮ４００を介して医用画像データベース２００に接続され、そこから必要な医用画像データを取得する。ここで、本実施形態で用いる医用画像の種類の一例としては、単純Ｘ線画像（レントゲン画像）や、Ｘ線ＣＴ画像、ＭＲＩ画像、ＰＥＴ画像、ＳＰＥＣＴ画像、超音波画像などがある。

診断録データベース３００は、各種の診断録データを格納する。医療診断支援装置１００は、ＬＡＮ４００を介して診断録データベース３００に接続され、そこから必要な診断録データを取得する。本実施形態で用いる診断録には、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２００に格納された患者の医用画像データへの参照情報及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、当該診断録には、確定診断名が記載される。

ＬＡＮ４００は、医療診断支援装置１００と、医用画像データベース２００及び診断録データベース３００とを通信可能に接続するものである。

次に、本実施形態に係る医療診断支援装置１００の制御方法における処理手順について説明する。

図２は、本発明の実施形態に係る医療診断支援装置１００の制御方法における処理手順の一例を示すフローチャートである。具体的に、図２に示すフローチャートは、ＣＰＵ１１１が主メモリ１１２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。

また、図３は、本発明の実施形態を示し、ベイジアンネットワークを用いた確率推論モデルの一例を示す模式図である。

以下の説明では、医療診断支援装置１００を用いて肺の異常陰影に係る医療診断の支援を行う場合を例として説明する。もちろん、推論対象はこれに限定されるものではなく、以下に示す診断名の選択肢や入力可能な医用情報などは、何れも医療診断支援装置１００の処理の工程を説明するための一例に過ぎない。

また、以下の説明では、医療診断支援装置１００が取り扱う診断名の選択肢（異常の種類）を、「Ｄ」を用いて表記する。本実施形態では、診断名の選択肢として、図３のステート３０３に示された原発性肺癌、癌の肺転移、その他の異常を取り扱うものとし、以下では、夫々の診断名を、「Ｄ１」、「Ｄ２」、「Ｄ３」と表記する。

また、以下の説明では、医療診断支援装置１００が取り扱う医用情報を、「Ｉｊ」と表記する。本実施形態では、図３に示した７種類の医用情報Ｉ₁〜Ｉ₇を取り扱うものとする。例えば、図３の医用情報Ｉ₁の「形状」は、異常陰影の形状を表している。また、図３の医用情報Ｉ₅の「胸膜の引込・巻込」は、臓器内での胸膜の引込・巻込の有無を表している。

また、以下の説明では、夫々の「Ｉｊ」が取り得る状態（離散値）を「Ｓｊｋ」と表記する。ここで、ｋの範囲は「Ｉｊ」により様々な値となる。本実施形態では、図３に示すように、例えば医用情報Ｉ₁の「形状」は、Ｓ１１の「形状−球形」、Ｓ１２の「形状−分葉状」、Ｓ１３の「形状−不整形」の３状態を取ることができる。

また、以下の説明では、「Ｉｊ」の組を「Ｎ」と表記する。また、「Ｓｊｋ」の組を「Ｃ」、「Ｅ」と表記する。

ここで、「Ｃ」は、単純な「Ｓｊｋ」の組を表す。例えば、要素として、Ｓ１１、Ｓ１２、Ｓ５１がある場合、Ｃ＝｛Ｓ１１，Ｓ１２，Ｓ５１｝となる。図３に示す例では、Ｃ＝｛形状−球形，形状−分葉状，胸膜の引込・巻込−ある｝となる。

一方、「Ｅ」は、設定可能な「Ｓｊｋ」の組を表す。ここで、設定可能とは、同じ「Ｉｊ」に関する「Ｓｊｋ」が１つの「Ｅ」の中に同時に存在しないことを示す。先ほどの例と同様に、要素として、Ｓ１１、Ｓ１２、Ｓ５１がある場合、｛Ｓ１１，Ｓ５１｝は取り得るが、｛Ｓ１１，Ｓ１２｝は取り得ない。これは、１つの医用情報は、１つの状態しか取ることができないからである。図３に示す例では、｛形状−球形，胸膜の引込・巻込−ある｝の組は取ることができるが、｛形状−球形，形状−分葉状｝の組は取ることができない。

まず、図２のステップＳ２０１において、ＣＰＵ１１１は、マウス１３０やキーボード１４０の入力に応じて、医用画像データベース２００から所望の医用画像データを医療診断支援装置１００に入力する処理を行う（医用画像入力工程）。

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。この読影対象画像データの入力処理は、上述したように、ＣＰＵ１１１が、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２００からＬＡＮ４００を介して所望の医用画像データを読影対象画像として受信することで行われる。なお、ステップＳ２０１の処理は、ＣＰＵ１１１が、医療診断支援装置１００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、所望の医用画像データを読影対象画像として読み出す形態でもよい。

続いて、ステップＳ２０２において、ＣＰＵ１１１は、ステップＳ２０１で医療診断支援装置１００に入力した読影対象画像をモニタ１２０に表示する処理を行う。

ステップＳ２０３において、ＣＰＵ１１１は、モニタ１２０に表示された読影対象画像を見ながらマウス１３０やキーボード１４０などを用いて医師が入力する読影所見を、医用情報として取得する処理を行う（医用情報取得工程）。

このステップＳ２０３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、医用情報Ｉｊの夫々に関してその状態Ｓｊｋの中の何れか１つをＧＵＩで選択できるような機能を医療診断支援装置１００が備えることで実現される。

ここで、以下の説明では、ステップＳ２０３で取得した医用情報Ｉｊの集合を「Ｎｆ」、その状態Ｓｊｋの集合を「Ｅｆ」と表記し、これらの情報を「既入力情報」と呼ぶ。例えば、ステップＳ２０３で取得した医用情報は、図３のＳ１１の「形状−球形」、Ｓ３３の「放射状−ない」、Ｓ４１の「気管支の引込・巻込−ある」、Ｓ５３の「胸膜の引込・巻込−ない」、Ｓ７１「大きさ−小さい」であるとする。この場合、既入力情報Ｎｆとして｛Ｉ１，Ｉ３，Ｉ４，Ｉ５，Ｉ７｝が取得され、既入力情報Ｅｆとして｛Ｓ１１，Ｓ３３，Ｓ４１，Ｓ５３，Ｓ７１｝が取得される。

なお、読影対象画像上に複数の腫瘤が存在している場合には、医師が読影対象とした（所見を入力した）腫瘤が何れであるかを、何らかの方法で同定する必要がある。これは、例えば、モニタ１２０に表示されている読影画像上において、マウス１３０を用いて医師が腫瘤の位置を指定することによって実現される。ここで、腫瘤の位置の指定方法としては、例えば、腫瘤の中心をクリックする方法や、或いは、腫瘤を囲む矩形領域を指定する方法を取ることができる。

続いて、ステップＳ２０４において、ＣＰＵ１１１は、ステップＳ２０１で入力した読影対象画像に画像処理を行って、ステップＳ２０３で医師がマウス１３０等を用いて読影対象として指定した腫瘤に関する種々の画像特徴量を取得する（画像特徴量取得工程）。

具体的に、ステップＳ２０４の処理では、画像特徴量として、以下の情報を取得する。
まず、読影対象として指定された腫瘤の領域を２値化処理により抽出し、その領域を距離変換して極大値を持つ画素のみを逆変換して得られた領域の一致度を基に辺縁の凹凸度を算出する（詳細は、例えば上述の非特許文献１を参照）。また、読影対象として指定された腫瘤の領域を抽出後、辺縁の各点から当該領域の重心までの距離とその分散を算出する。また、上述の非特許文献２等の手法を用いて気管支を抽出し、腫瘤内部に気管支が存在するかどうかを判定し、さらに、腫瘤内部に気管支が存在すると判定した場合には、腫瘤の内部濃度に基づいて、空気の環状構造が認められるか否かを判定する。また、腫瘤の最大径を算出する。
なお、これらの画像特徴量は、本実施形態における画像特徴量を説明するために示した一例に過ぎず、取得する画像特徴量は、これに限定されるものではない。

また、ステップＳ２０４で取得する画像特徴量は、未入力情報の絞り込みを行うためのものであるので、未入力情報に影響を与える画像特徴量のみを求めてもよい。言い換えると、ステップＳ２０３で得た既入力情報Ｎｆのみに影響を与える画像特徴量を求める処理は省略してもよい。例えば、図３に示すＳ７１の「大きさ−小さい」を既入力情報として得ている場合には、腫瘤の最大径は算出しなくてもよい。

続いて、ステップＳ２０５において、ＣＰＵ１１１は、ステップＳ２０３で取得した、読影対象画像の医用情報と、ステップＳ２０４で取得した画像特徴量とに基づいて、ステップＳ２０６で提示する未入力情報（以下、提示未入力情報）を選択する。

本実施形態では、既入力情報Ｅｆによる推論結果のうち、最も確率が高いものを予想診断名Ｄｆとし、予想診断名Ｄｆを最も肯定する未入力情報Ｅｈと、予想診断名Ｄｆを最も否定する未入力情報Ｅｌとを推定し、これを提示未入力情報として選択する。

以下、図２に示すステップＳ２０５における処理手順の詳細について説明する。
図４は、図２に示すステップＳ２０５における詳細な処理手順の一例を示すフローチャートである。

図２のステップＳ２０５の処理が開始されると、まず、図４のステップＳ４０１において、ＣＰＵ１１１は、既入力情報Ｅｆを入力として、夫々の診断名Ｄｉ（ｉ＝１〜３）に属する確率Ｐ（Ｄｉ｜Ｅｆ）を確率推論モデルにより計算して取得する。この際、ＣＰＵ１１１は、確率Ｐ（Ｄｉ｜Ｅｆ）のうち、最も確率の高いＤｉを予想診断名Ｄｆとして主メモリ１１２に保存するとともに、この際の確率Ｐ（Ｄｉ｜Ｅｆ）（以下、これを「Ｐｆ」とする）を主メモリ１１２に保存する。

以下の説明では、既入力情報Ｅｆを入力として推論した際に、診断名Ｄ２の「癌の肺転移」に関し、最大の確率Ｐｆ＝６６．２％が得られた場合を例として説明を行う。この推論確率Ｐｆの計算が本実施形態における第２推論工程であり、得られた推論確率Ｐｆが第２推論結果に相当する。

なお、入力情報を用いて注目する診断名に属する推論確率を算出する推論処理を行う推論モデルには様々なものがあるが、本実施形態では、具体的な例として、図３に示すようなベイジアンネットワーク（Bayesian Network）を用いる。もちろん、以下に示す例は、推論モデルの一例であり、推論方法、推論モデルの構造などはこれに限定されない。

図３に示すベイジアンネットワークは、現象を複数の事象と事象との間の因果関係で表現したモデルである。図３に示すベイジアンネットワークでは、事象間の関係は確率で表され、対象とする現象を構成する事象をノード３０１で表現し、ノード間の関係をリンク３０２で表現する。

図３に示すように、リンク３０２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３０３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との間の関係は、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（ＣＰＴ：conditional probability table）と呼ぶ。図３に示すＣＰＴ３０４は、親ノード３０１と子ノードであるノードＩ７との間のＣＰＴの一例である。また、対象モデルの少なくとも１つのノードのステート（３０３等）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（３０４）及びベイズの定理を用いて、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。

ここで、図４の説明に戻る。
ステップＳ４０１の処理が終了すると、ステップＳ４０２に進む。
ステップＳ４０２に進むと、入力可能な全ての医用情報から既入力情報Ｎｆを除いた（既入力情報以外の）医用情報の状態の集合、即ち未入力の医用情報の状態の組（以下、「Ｃｖ」とする）を取得する。
例えば、図３の例において、既入力情報Ｎｆが｛Ｉ１，Ｉ３，Ｉ４，Ｉ５，Ｉ７｝であったとすると、「Ｃｖ」として、Ｉ２，Ｉ６の各状態の組｛Ｓ２１，Ｓ２２，Ｓ２３，Ｓ６１，Ｓ６２，Ｓ６３｝が取得される。

続いて、ステップＳ４０３において、ＣＰＵ１１１は、ステップＳ２０４において取得した画像特徴量から、当該画像特徴量に対応し得る医用情報の状態の組（以下、「Ｃｉｆ」とする）を取得する。
例えば、画像特徴量の１つである辺縁の凹凸度を利用して、図３に示すＩ１の「形状」の状態の選択を行う。例えば、辺縁の凹凸度が大きい（所定の閾値以上である）と判定した場合には、Ｓ１２の｛形状−不整形｝及びＳ１３の｛形状−分葉状｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。逆に、辺縁の凹凸度が小さい（所定の閾値以下である）と判定した場合には、Ｓ１１の｛形状−球形｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。

また、画像特徴量の１つである辺縁の距離に基づいて、Ｉ２の「切れ込み」の状態の選択を行う。以下、図５を用いて、その選択方法の一例について説明する。

図５は、本発明の実施形態を示し、極座標形式により縦軸を距離ｒとし横軸を角度θとし、辺縁の各点から領域の重心までの距離と角度との関係の一例を示す模式図である。
まず、各領域５１１〜５３１の重心点Ｇ（図５の白丸）と、当該重心点Ｇからの距離が最大（ｒ０）となる辺縁上の点Ｍａ（図５の黒丸）を求める。そして、この２つの点を結んだ線分の向き（以下、「基準方向」と呼ぶ）を求める。

このとき、辺縁上の任意の点は、重心点Ｇとの距離ｒと、重心点Ｇと辺縁上の点を結んだ線分と基準方向とがなす角θ（時計回り方向とする）によって表すことができる。次に、重心点Ｇとの距離ｒが閾値ｒｔｈ以下となる角度の範囲θｓｋ（ｋ≧１）を求める。また、θｓｋの範囲内で最小となるｒ（以下、「ｒｍｉｎｋ」とする）を求める。θｓｋが所定の範囲内にあり、θｓｋが１回または２回取得された場合に、切れ込みがある可能性が高い（ただし、弱いか強いかは不明）と判定する。

図５の上段（５１１及び５１２）の例では、θｓｋは２回取得されるが、いずれのθｓｋも所定の範囲（不図示）内に入っていないため、切れ込みがある可能性が低いと判定される。そして、図３に示すＳ２２の｛切れ込み−弱い｝及びＳ２３の｛切れ込み−ない｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。
一方、図５の中段（５２１及び５２２）の例では、θｓｋは１回取得され、所定の範囲（不図示）内に入っているので、切れ込みがある可能性が高いと判定される。そして、図３に示すＳ２１の｛切れ込み−強い｝及びＳ２２の｛切れ込み−弱い｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。
また、図５の下段（５３１及び５３２）の例では、θｓｋが６回取得されているので、切れ込みがある可能性が低いと判定される。そして、図３に示すＳ２２の｛切れ込み−弱い｝及びＳ２３の｛切れ込み−ない｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。

また、画像特徴量の１つである辺縁の距離の分散に基づいて、図３に示すＩ３の「放射状」の状態の選択を行う。例えば、分散が大きい（所定の閾値以上である）と判定した場合には、図３に示すＳ３１の｛放射状−強い｝及びＳ３２の｛放射状−弱い｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。逆に、分散が小さい（所定の閾値以下である）と判定した場合には、図３に示すＳ３２の｛放射状−弱い｝及びＳ３３の｛放射状−ない｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。

同様に、画像特徴量の１つである腫瘤内部に気管支が存在するか否かの情報に基づいて、図３に示すＩ６の「気管支透亮像」の状態の選択（判定）を行う。
例えば、腫瘤内部に気管支が存在しないと判定される場合、気管支透亮像に関する状態全てを「Ｃｉｆ」の要素から除外する。例えば、主気管支の側や胸壁の近くに腫瘤がある場合である。これは、気管支透亮像に関する情報が画像に存在しないと判定可能なためである。なお、Ｓ６３の｛気管支透亮像−ない｝という状態は、腫瘤内部に気管支が存在する場合に透亮がない状態を示すため、上述の例とは異なる状態を示す。
一方、腫瘤に気管支が存在すると判定される場合、画像特徴量の１つである腫瘤内部に空気の環状構造が認められるか否かの情報に基づいて、図３に示すＩ６の「気管支透亮像」の状態の判定を更に行う。例えば、腫瘤内部に空気の管状構造が認められる場合、Ｓ６１の｛気管支透亮像−ある｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。一方、環状構造が認められない場合には、判断が難しいので、Ｓ６１の｛気管支透亮像−ある｝、Ｓ６２の｛気管支透亮像−わからない｝、及び、Ｓ６３の｛気管支透亮像−ない｝の全てを、対応する可能性がある状態として「Ｃｉｆ」の要素とする。

また、画像特徴量の１つである腫瘤のサイズから、図３に示すＩ７の「大きさ」の状態の選択（判定）を行う。
取得した腫瘤サイズが所定の閾値より小さい場合、Ｓ７１の｛大きさ−小さい｝及びＳ７２の｛大きさ−中程度｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。逆に、所定の閾値より多い場合、Ｓ７３の｛大きさ−大きい｝及びＳ７２の｛大きさ−中程度｝を、対応する可能性がある状態として「Ｃｉｆ」の要素とする。

なお、画像特徴量から判定されない医用情報に関しては、その全ての状態を「Ｃｉｆ」の要素とする。

また、上述した例は、画像特徴量と医用情報の状態との対応を示す一例であり、使用する画像特徴量や状態の選択方法などはこれに限定されない。例えば、上記で例示した判定処理の一部のみを用いてもよい。例えば、腫瘤内部に気管支が存在しないと判定した場合に、図３に示すＩ６の「気管支透亮像」に関する全ての状態を「Ｃｉｆ」から除外するという処理のみを行ってもよい。また、上記で例示した以外の何れの画像特徴量を用いてもよく、その画像特徴量から状態の存在可能性を判定する何れの判定処理を用いてもよい。

例えば、ステップＳ２０４の処理において、
・辺縁の凹凸度：所定の閾値以下、
・辺縁の距離の形状：θｓｋが０回取得されている、
・辺縁の距離の分散：所定の閾値以下、
・腫瘤に気管支が存在する、
・腫瘤内部に空気の環状構造が認められる、
・腫瘤のサイズ：所定の閾値以下、
が得られたとすると、ステップＳ４０３では、「Ｃｉｆ」として、｛Ｓ１１，Ｓ２２，Ｓ２３，Ｓ３２，Ｓ３３，Ｓ４１，Ｓ４２，Ｓ４３，Ｓ５１，Ｓ５２，Ｓ５３，Ｓ６１，Ｓ７１，Ｓ７２｝が設定される。

ここで、図４の説明に戻る。
ステップＳ４０３の処理が終了すると、ステップＳ４０４に進む。
ステップＳ４０４に進むと、ＣＰＵ１１１は、ステップＳ４０２で取得した「Ｃｖ」と、ステップＳ４０３で取得した「Ｃｉｆ」との間で共通の状態を求め、取り得る未入力の医用情報の状態の組（以下、「Ｃｕｆ」とする）を取得する。前述した例では、「Ｃｖ」と「Ｃｉｆ」との間で共通の状態を取ると、「Ｃｕｆ」として、｛Ｓ２２の「切れ込み−弱い」、Ｓ２３の「切れ込み−ない」、Ｓ６１「気管支透亮像−ある」｝が取得される。言い換えると、Ｓ２１の「切れ込み−強い」、Ｓ６２の「気管支透亮像−わからない」、Ｓ６３の「気管支透亮像−ない」の夫々が、可能性が低い状態として提示候補から除外される。

続いて、ステップＳ４０５において、ＣＰＵ１１１は、変数ｍを用意して、ｍ＝１を設定する。

続いて、ステップＳ４０６において、ＣＰＵ１１１は、まず、未入力の医用情報の状態の候補の集合である「Ｃｕｆ」の中から１つ以上の「Ｓｊｋ」を選択する。そして、仮想的な「Ｓｊｋ」の組Ｅｍを作成（取得）して、これを提示未入力情報候補とする（提示未入力情報候補選択工程）。ここで、ｍ＞１の場合（即ち、ステップＳ４０６の処理が２回目以降の場合）には、今までに作成したＥ１からＥｍ−１とは異なる組をＥｍとして作成（取得）する。なお、Ｅｍに属する「Ｓｊｋ」の個数は、複数個或いは当該複数個以下であってもよく、医師が個数を指定してもよい。以下の説明では、「Ｓｊｋ」の個数は、１として説明する。例えば、前述した例においては、「Ｃｕｆ」は、図３に示すＳ２２の「切れ込み−弱い」、Ｓ２３の「切れ込み−ない」、Ｓ６３の「気管支透亮像−ある」である。この場合、例えば、Ｅ１を｛Ｓ２２の「切れ込み−弱い」｝として作成（取得）する。

ステップＳ４０７において、ＣＰＵ１１１は、既入力情報Ｅｆと提示未入力情報候補Ｅｍとの組を入力として、予想診断名Ｄｆに属する確率Ｐ（Ｄｆ｜Ｅｆ，Ｅｍ）を推論モデルにより計算する。そして、得られた推論確率（以下では、「Ｐｍ」とする）を、提示未入力情報候補Ｅｍに関連付けて主メモリ１１２に保存する。

なお、この推論確率Ｐｍの計算が本実施形態における推論工程であり、得られた推論確率Ｐｍが推論結果に相当する。例えば、予想診断名Ｄｆが「癌の肺転移」であったとして、Ｅｆ＝｛Ｓ１１，Ｓ３３，Ｓ４１，Ｓ５３，Ｓ７１｝、Ｅ１＝｛Ｓ２２｝の組を入力として図３の推論モデルで「癌の肺転移」に属する推論確率を計算すると、６０．２％となる。そして、この推論確率を、Ｅ１＝｛Ｓ２２｝に関連付けて保存する。

続いて、テップＳ４０８において、ＣＰＵ１１１は、変数ｍに１を加算する処理を行う。

続いて、ステップＳ４０９において、ＣＰＵ１１１は、ステップＳ４０６からステップＳ４０８までの処理を反復実行するか否かの判断を行う。具体的に、ステップＳ４０９において、ＣＰＵ１１１は、変数ｍの値が、Ｅｍが取り得る組み合わせの数（以下、「ＣＥ」とする）よりも大きいか否かの判断を行う。

ステップＳ４０９の判断の結果、変数ｍの値がＣＥよりも大きくない（即ち、変数ｍの値がＣＥ未満である）場合には、全てのＰｍを得ていないので、ステップＳ４０６に戻って、再度、ステップＳ４０６以降の処理を行う。

一方、ステップＳ４０９の判断の結果、変数ｍの値がＣＥよりも大きい場合には、ステップＳ４１０に進む。例えば、前述した例においては、Ｅｍが取り得る組み合わせの数は、ＣＥ＝３であるので、Ｅ３までステップＳ４０６〜ステップＳ４０９の処理を繰り返すことになる。そして、ｍ＝４となったところで、ｍがＣＥよりも大きくなるので、ステップＳ４１０に進むことになる。

ステップＳ４１０に進むと、ＣＰＵ１１１は、ステップＳ４０６で作成し取得したＥｍの何れかを、医師に提示する価値が最も大きいであろう未入力情報として選択する（提示未入力情報選択工程）。

具体的には、上記の処理で主メモリ１１２に保存された推論確率Ｐｍを最大とするＥｍを、予想診断名を最も肯定する未入力情報Ｅｈとして主メモリ１１２に保存する。また、このときの推論確率（以下では、「Ｐｈ」とする）を、未入力情報Ｅｈに関連付けて主メモリ１１２に保存する。同様に、推論確率Ｐｍを最小とするＥｍを、予想診断名を最も否定する未入力情報Ｅｌとして主メモリ１１２に保存する。また、このときの推論確率（以下では、「Ｐｌ」とする）を、未入力情報Ｅｌに関連付けて主メモリ１１２に保存する。

表１は、前述の例におけるＥ１〜Ｅ３、及び、推論確率Ｐ（Ｄｆ｜Ｅｆ，Ｅｍ）の例を示したものである。この例では、Ｅ２における図３のＳ２３の｛切れ込み−ない｝の時に推論確率７１．６％で最大となり、Ｅ３における図３のＳ６１の｛気管支透亮像−ある｝の時に４４．１％で最小となる。したがって、この場合、Ｅｈ＝｛Ｓ２３｝、Ｅｌ＝｛Ｓ６１｝として主メモリ１１２に保存される。

ステップＳ４１０の処理が終了すると、図４のフローチャートの処理を終了する。
以上、図４のステップＳ４０１〜Ｓ４１０の処理を経ることにより、図２に示すステップＳ２０５の処理が実行される。

ここで、図２の説明に戻る。
ステップＳ２０５の処理が終了すると、ステップＳ２０６に進む。
ステップＳ２０６に進むと、ＣＰＵ１１１は、ステップＳ２０５で選択した、注目すべき未入力情報等（提示未入力情報等）をモニタ１２０に表示して提示する処理を行う（提示工程）。即ち、ＣＰＵ１１１は、主メモリ１１２に保存されているＥｈ（Ｄｆを肯定する未入力情報）及びＥｌ（Ｄｆを否定する未入力情報）等をモニタ１２０に表示する。

図６は、本発明の実施形態におけるモニタ表示画面の一例を示す模式図である。この図６に示す例では、モニタ表示画面６００に、ステップＳ２０２で表示された読影対象画像６１０が示されている。また、モニタ表示画面６００には、ステップＳ４０１で取得した予想診断名Ｄｆ（癌の肺移転）が予想診断名６２０に示され、ステップＳ２０３で取得した医用情報（既入力情報）Ｅｆが既入力情報６３０に示されている。また、モニタ表示画面６００には、注目すべき未入力情報６４０が示されている。具体的に、注目すべき未入力情報６４１として、予想診断名を肯定する未入力情報Ｅｈの「切れ込み−ない」が示され、注目すべき未入力情報６４２として、予想診断名を否定する未入力情報Ｅｌの「気管支透亮像−ある」が示されている。

本実施形態に係る医療診断支援装置１００を用いることで、医師は、提示された未入力情報を参照することにより、優先的に見るべき医用情報を得ることができ、診断の一助となる情報を得ることができる。

本実施形態に係る医療診断支援装置１００では、読影対象画像中に存在しそうな未入力情報であって、かつ、予想診断名に影響を与える未入力情報を提示することができる。これにより、優先的かつ診断の一助となる医用情報を医師等に提示することができる。また、本実施形態に係る医療診断支援装置１００では、明らかに可能性の低い状態を提示候補から除外するという目的にのみ、画像特徴量が用いられている。そのため、画像特徴量から所見を自動的に決定するというような処理とは異なり、画像特徴量の検出精度や状態との関連付けの信頼性が完全ではなくても、その情報を有効に利用した診断支援が実現可能である。

以上、本実施形態に係る医療診断支援装置１００によれば、推論結果への影響が大きく、かつ、存在する可能性が高い未入力情報を選択して提示するので、医師が優先的に確認すべき情報を効率的に提示することができる。

＜変形例＞
上述した実施形態では、図２のステップＳ２０３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、その所見を医用情報として取得するものであった。本発明においては、医用情報の取得方法は、この形態に限定されるものではない。例えば、被検査者（患者）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医用情報を処理の対象（既入力情報／未入力情報）とすることもできる。

また、図２のステップＳ２０４における画像特徴量の取得処理は、図２のステップＳ２０３の前工程でもよく、また、ステップＳ４０２の後であってもよい。

なお、上述した実施形態では、全ての医用情報が離散値を取るものとして説明を行ったが、連続値を入力情報として取得して、その値を離散化して用いてもよい。

また、上述した実施形態では、図４のステップＳ４０３の処理において、画像特徴量によって有無の判定が行われなかった所見に関しては、その全ての状態を「Ｃｉｆ」の要素とするものであった。しかしながら、本発明においては、この形態に限定されるものではなく、その全ての状態を「Ｃｉｆ」から除外するという構成であってもよい。

また、図２のステップＳ２０５で選択される提示未入力情報は、図４のステップＳ４０１で得られた最も確率の高い診断名に対して選択されるものであった。しかしながら、本発明においては、この形態に限定されるものではない。例えば、夫々の診断名（Ｄ１、Ｄ２、Ｄ３）の確率を最も高くする（或いは、最も低くする）未入力情報を夫々選択して、これを夫々の診断名と対応付けて提示する構成であってもよい。

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

１０：医療診断支援システム、１００：医療診断支援装置、１１０：制御部、１１１：中央処理装置（ＣＰＵ）、１１２：主メモリ、１１３：磁気ディスク、１１４：表示メモリ、１１５：バス、１２０：モニタ、１３０：マウス、１４０：キーボード、２００：医用画像データベース、３００：診断録データベース、４００：ローカルエリアネットワーク（ＬＡＮ）

Claims (7)

1. 被検査者の複数の診断名を取得する診断名取得手段と、
   前記被検査者に係る１つ以上の医用情報を既入力情報として取得する医用情報取得手段と、
   前記複数の診断名におけるそれぞれの診断名ごとに、前記既入力情報以外の医用情報である未入力情報の中から、前記診断名を最も肯定する未入力情報または前記診断名を最も否定する未入力情報を選択する選択手段と、
   前記複数の診断名におけるそれぞれの診断名ごとに、前記選択手段が選択した未入力情報を当該診断名とともに表示部に表示させる表示制御手段と、
   を有することを特徴とする診断支援装置。
2. 前記表示制御手段は、前記既入力情報をさらに前記表示部に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. 前記選択手段は、前記診断名を最も肯定する未入力情報および前記診断名を最も否定す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に記載の診断支援装置。
4. 前記表示制御手段は、前記診断名を最も肯定する未入力情報と前記診断名を最も否定する未入力情報とを識別可能に前記表示部に表示させることを特徴とする請求項３に記載の診断支援装置。
5. 前記診断名取得手段は、前記被検査者の医用画像に基づいて前記診断名を取得し、
   前記表示制御手段は、前記医用画像をさらに前記表示部に表示させることを特徴とする請求項１乃至４のいずれか１項に記載の診断支援装置。
6. 診断名取得手段、医用情報取得手段、選択手段および表示制御手段を有する診断支援装置の作動方法であって、
   前記診断名取得手段が、被検査者の複数の診断名を取得する診断名取得ステップと、
   前記医用情報取得手段が、前記被検査者に係る１つ以上の医用情報を既入力情報として取得する医用情報取得ステップと、
   前記選択手段が、前記複数の診断名におけるそれぞれの診断名ごとに、前記既入力情報以外の医用情報である未入力情報の中から、前記診断名を最も肯定する未入力情報または前記診断名を最も否定する未入力情報を選択する選択ステップと、
   前記表示制御手段が、前記複数の診断名におけるそれぞれの診断名ごとに、前記選択ステップが選択した未入力情報を当該診断名とともに表示部に表示させる表示制御ステップと、
   を有することを特徴とする診断支援装置の作動方法。
7. コンピュータを、請求項１乃至５のいずれか１項に記載の診断支援装置の各手段として機能させるためのプログラム。

Images