JP6930411B2 - 情報処理装置及び情報処理方法 - Google Patents
情報処理装置及び情報処理方法 Download PDFInfo
- Publication number
- JP6930411B2 JP6930411B2 JP2017240131A JP2017240131A JP6930411B2 JP 6930411 B2 JP6930411 B2 JP 6930411B2 JP 2017240131 A JP2017240131 A JP 2017240131A JP 2017240131 A JP2017240131 A JP 2017240131A JP 6930411 B2 JP6930411 B2 JP 6930411B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- evaluation
- medical
- classifier
- facility
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Description
例えば、診療データが医用画像である場合には、CR(Computed Radiography)装置、FPD(Flat Panel Detector)装置、CT(Computed Tomography)装置、MRI(Magnetic Resonance Imaging)装置等のモダリティーにおいて生成された医用画像を表示部(モニター)に表示させて、医師が病変部の状態や経時変化等を観察する読影診断が行われる。
例えば、特許文献1には、診療データが医用画像である場合に、医用画像から病変の疑いのある異常陰影を検出する画像診断支援装置が提案されている。
特許文献2には、複数の識別器がある場合に、評価データを用いてそれぞれの判別精度を算出し、最も判別精度に優れた識別器を適用することが開示されている。
このように、判別精度に優れた識別器を適用して医師の診断を支援するための情報処理装置を構成することにより、装置において自動的に行われる診療データのチェック結果をより信頼性の高いものとすることが期待できる。
このため、識別器の判定精度を評価するために用いる評価データが当該識別器を使用する医療機関の利用者層の特性等を反映しない評価データであった場合には、当該評価データを用いて算出された判定精度が、当該医療機関の特性や傾向と合っていない場合もあり、もっとも高い判定精度と評価された識別器が、個別の医療機関にとって最適なものではない場合がある。
診療データについて異常値を示す情報である異常データが含まれるか否かを判別して異常データを検出する複数の識別器と、
前記複数の識別器の判別精度を評価する際に用いる評価データをカスタマイズするカスタマイズ手段と、
前記カスタマイズ手段によりカスタマイズされた前記評価データを用いて前記複数の識別器の判別精度をそれぞれ算出する評価手段と、
前記評価手段による算出結果に基づいて、前記複数の識別器の中から一の識別器を判別に使用する識別器として選択する選択手段と、
現在使用している識別器が判別を誤った前記診療データと特徴が共通する別個のデータを生成するデータ生成手段と、
を備え、
前記カスタマイズ手段は、複数の評価データを評価特性に応じて分類し、前記識別器を使用する医療機関の状況に応じて指定された評価特性に分類された一又は複数の評価データ群を、前記複数の識別器の判別精度を評価する際に用いる前記評価データとして採用し、
前記複数の識別器は、データ生成手段によって生成された前記データを学習データとして学習することによって更新されることを特徴とする。
ただし、以下に述べる実施形態には、本発明を実施するために技術的に好ましい種々の限定が付されているが、本発明の技術的範囲を以下の実施形態および図示例に限定するものではない。
まず、図1から図5を参照して、本発明にかかる情報処理装置及び情報処理方法の第1の実施形態について説明する。
本実施形態における情報処理装置は、医用画像システム内に設けられて、各種のモダリティーによって取得された診療データ(医用画像のデータ等を含む診療情報、医療用情報)を処理するものである。
図1は、本実施形態における情報処理装置を備える医用画像システムのシステム構成を示す要部構成図である。
図1に示すように、医用画像システム100は、医療機関である施設H(図1では「A施設Ha」)内に設けられるものであり、患者の検査撮影を行って診療データとしての医用画像データ等を生成、管理する。
本実施形態では、医療機関である施設Hとして、総合病院や開業医が個人で開業している医院、クリニックのように比較的小規模の医療施設、診療所等を想定している。
なお、医療機関である施設Hは、医療用情報としての医用画像等を扱う施設であればよく、ここに例示したものに限定されない。
ネットワークNT1を介して接続され医用画像システム100を構成する各装置は、例えば一般に医療関連のデータを扱う通信規格であるDICOM(Digital Image and Communications in Medicine)規格に準じており、各装置間の通信は、DICOMに則って行われる。なお、各装置の台数は、特に限定されない。
また、医用画像システム100を構成する要素はここに例示したものに限られず、その他の記憶部やサーバー等が含まれていてもよい。
また、医用画像システム100が画像管理サーバー7、電子カルテ入力装置8を備えることは必須ではない。例えば画像管理サーバー7等は、医用画像システム100の外に設けられ、図示しない外部ネットワークを介してデータ送受信可能に構成されていてもよい。
モダリティー5としては、例えばCR(Computed Radiography、X線単純撮影)装置、FPD(Flat Panel Detector)装置、マンモグラフィ装置、CT(Computed Tomography;コンピュータ断層撮影)装置、超音波診断装置、内視鏡装置等が想定されているが、これらに限定されない。
なお、図1ではモダリティー5及び撮影用コンソール6を1組だけ図示しているが、モダリティー5等は医用画像システム100内に複数設けられていてもよい。この場合、同じ種類のモダリティー5が複数設けられていてもよいし、異なる種類のモダリティー5が複数種類設けられていてもよい。
付帯情報は、例えば、患者情報、検査情報、画像詳細情報を含んで構成されている。
ここで、患者情報は、患者を識別するための患者識別情報(例えば、患者ID)、患者の名前、性別、生年月日等の医用画像の患者に関する各種情報が含まれる。
また、検査情報は、検査を識別するための検査識別情報(例えば、検査ID)、検査日付、モダリティーの種類、検査部位、担当医師等の検査に関する各種情報等が含まれる。
画像詳細情報は、画像ID、画像生成時刻、医用画像の格納場所を示すファイルパス名等の医用画像に関する各種情報が含まれる。
モダリティー5により取得された医用画像データは、撮影用コンソール6を介してネットワークNT1に接続されている画像管理サーバー7に送信され、その付帯情報とともに医用画像DB71等に格納される。
なお、医用画像がDICOMに準拠しない形式である場合には、その形式をDICOMに準拠する形式に変換したり、医用画像を個々に特定するためのUID(ユニークID)を医用画像に付加した上で、医用画像DB等に格納されることが好ましい。
具体的に、画像管理サーバー7は、ハードディスク等により構成される医用画像DB71を有している。
前記のように、医用画像DB71において記憶される医用画像データは、DICOM規格に則ったDICOMファイル形式で保存されている。
DICOMファイルは、画像部とヘッダ部とから構成されており、医用画像DB71は、医用画像の付帯情報を格納する医用画像管理テーブルを有し、医用画像を検索可能に格納している。
画像管理サーバー7は、モダリティー5から医用画像が受信されると、受信された医用画像を医用画像DB71に格納し、その付帯情報を医用画像管理テーブルに登録する。
画像管理サーバー7の電子カルテ情報DBには、患者ID、氏名、性別、年齢、体重、身長、体温、問診結果、記入日付等の各項目の患者情報が格納されている。
電子カルテ入力装置8から入力された情報(電子カルテ情報)も医用画像データと関連付けられて医用画像DB71等に記憶される。
なお、電子カルテ情報としては、例えば、患者ID、氏名、性別、年齢、体重、身長、体温、問診結果、記入日付等の各項目の患者情報が挙げられるが、これに限定されない。
情報処理装置3は、医療用情報である医用画像データを含む診療データについて異常データである異常陰影が含まれるか否かを検出して医師等の診断を支援するものである。
本実施形態において、情報処理装置3は、制御装置30と、操作部33、表示部34、通信部35等を備えており、これら各部はバス36により接続されている。
制御装置30は、制御部31が記憶部32のROMに記憶されている各種プログラムを読み出してRAMの作業領域に展開し、プログラムと協働して各種機能を実現する。
本実施形態において、制御部31を機能的にみた場合、識別器生成部11、カスタマイズ部12、評価部13、選択部14、異常陰影検出部15、表示制御部16等を有している。
識別器23は、医療用情報である診療データに含まれる医用画像について異常値を示す情報である異常データが含まれるか否かを判別して異常データを検出するものである。
本実施形態において異常データは、病変の疑いのある異常データである異常陰影を示す値であり、識別器23はこの異常陰影の有無を判別するために用いられ、医師による診断を補助する。
情報処理装置3の初期状態において、識別器23は、例えば工場出荷段階で設定された汎用の識別器23である。
なお、情報処理装置3の初期状態において、汎用の識別器23に代えて、既に別の施設Hの情報処理装置3等において使用実績のある識別器23を搭載してもよい。この場合、情報処理装置3を新たに導入する施設Hの特性と近い特性を有する施設H(例えば施設Hの利用が予想される患者の年齢層に近い患者を多く診療している施設H等)で使用されてきた識別器23を導入することにより、初期段階からある程度当該施設Hの特性に合った判別精度を期待することができる。
このような機械学習の手法としては、例えばAdaBoost(又はその多値化であるAdaBoostMlt)、人工ニューラルネットワーク、サポートベクトルマシンの他、混合分布によるクラスタリングを利用した方法としてEM(Expectation-Maximization)アルゴリズム、ベイズ学習(例えば、変分ベイズ法)が挙げられるが、これらに限定されない。
初期設定の学習データとしては、データの傾向に偏りが無い、汎用的なデータが大量に用いられている。
識別器生成部11では、初期設定の学習データではなく、識別器23を使用している当該医療機関(図1ではA施設Ha)で収集された医用画像データを含む診療データを学習データとして用いることで、既存の識別器23よりも当該施設H(図1ではA施設Ha)の特性に合うようにカスタマイズされた新規の識別器23を構成し、より精度よく異常陰影の判別を行うことのできる識別器23とすることが可能である。
特性の異なる新たな識別器23を生成するためには、学習に用いる学習データを新たな別のデータに変更してもよいし、同じ学習データを用いても、機械学習の手法を変えてもよい。例えば同じ学習データを用いて学習を行ってもその機械学習の手法をAdaBoostからサポートベクトルマシンや変分ベイズ法等に変更することで異なる結果が得られ、新たな識別器23を生成することができる。また機械学習の過程で適用するパラメータを変更することによっても新たな識別器23を生成することができる。
学習データを用いた識別器23の学習や、評価データを用いた識別器23の判別精度の算出においては、学習データや評価データに紐付けられている各種の異常の有無の情報に基づいて行われる。
すなわち、各データに紐付けられている異常の有無の情報は、学習データや評価データが異常データを含むか否か、含んでいる場合にはどのような異常データを含んでいるのかの正解情報であり、識別器23の学習や、識別器23の判別精度の算出の際には、識別器23がこうした情報を正しく判別することができたか否かが評価される。
なお、異常陰影等の有無等に関する情報は、例えば医師による画像読影の結果や、他の検査等によって確定診断が得られた際に当該確定診断の結果に基づいて対応する学習データや評価データに紐付けられる。
本実施形態では、学習によって得られた複数の識別器23について、評価データを用いてその判定精度を評価するようになっており、カスタマイズ部12は、評価に用いる評価データとしてどのようなものを用いるかをカスタマイズする。
具体的には、カスタマイズ部12は、識別器23を使用する医療機関(図1ではA施設Ha)において収集された医療用情報である医用画像データを含む診療データを評価データとして採用する。
これにより、当該識別器23の判別精度が当該医療機関(図1ではA施設Ha)の特性に合致する判別において高精度と言えるか否かを評価することができる。
すなわち、例えば、A施設Haが高齢患者の多い病院であれば、高齢者の罹患しやすい疾病に関わる異常陰影の判別精度が高いことが求められる。しかし、当該医療施設以外から収集された診療データでは若年層患者や小児患者の診療データも多く含まれており、これらについて異常陰影の判別精度が高くても、必ずしもA施設Haにとって求められる判別精度を有しているとは言えない。この点、識別器23を使用するA施設Haにおいて収集された診療データを評価データとして採用すれば、当該施設の特性に合った判別精度について適切に評価することができる。
この場合、評価データとして採用するか否かは、ユーザが操作部33等を操作することで一覧の中から任意に選択・入力し、この選択・入力結果が制御装置30に出力されると、カスタマイズ部12が当該選択結果を受けてユーザの選択した診療データを評価データに採用してもよい。
また、例えば予めある年齢以上の高齢患者の診療データを評価データとして採用することとしたり、ある年齢以上の高齢患者の診療データの割合が多くなるように、優先的に採用する等の基準や閾値等の条件を設定しておき、カスタマイズ部12が、診療データに含まれる患者情報(例えば性別や年齢)等から予め設定された条件に合うように評価データとして採用する診療データを選択してもよい。
さらに、医用画像について識別器23による異常陰影の判別が行われたのちに、医師の読影や、異なる撮影が行われた場合(例えば識別器23による異常陰影の判別が行われた医用画像がCR装置を用いたX線単純撮影の画像であり、その後CT装置による3次元的撮影が行われた場合等)に、のちの読影や撮影によって、識別器23による判別が行われた画像についての正解が確定した場合(すなわち、識別器23による異常陰影判別で異常陰影ありと判別された画像について、のちの読影や撮影によって異常陰影の存在が確認された場合(識別器23が正解した場合)、又は異常陰影が存在しないことが確定した場合(識別器23が不正解であった場合))には、当該正解が確定している診療データについてはその全てを評価データに入れるとしてもよい。
また、カスタマイズ部12は、現在使用している識別器23が判別を誤った診療データを評価データとして採用するとしてもよい。このようにすれば、評価部13が評価を行った際に、以前識別器23が判別を誤ったデータについて正しく判別が行われるように判別精度が向上したか否かを確認することができる。
図2は、本実施形態における識別器23の学習及び判別精度の評価手法を模式的に示す説明図である。
図2に示すように、例えばA施設Haにおいて収集された診療データが診療データA_a、診療データA_b、診療データA_c…である場合に、これらを識別器23の学習に用いる学習データと判別精度の評価に用いる評価データとに分けて、それぞれのデータを用いて識別器23(図2では識別器A23a、識別器B23b)の学習(機械学習)と、判別精度の評価とを行う。
前記のように、学習データと評価データとを異なるデータとすることにより、学習したものではない新規のデータに対しても異常陰影を正しく判別できるか否かを適切に評価することができる。
また、識別器23を使用している施設(本実施形態ではA施設Ha)で収集された診療データを評価データとして用いるようにカスタマイズ部12によって評価データがカスタマイズされていることにより、評価部13は当該施設(A施設Ha)における特性に応じたデータに対する判別精度を適切に評価することができる。
図3は、各識別器23(図2では識別器A23a、識別器B23b)の異常陰影の検出割合と正常画像を異常陰影を含むものと誤認識する割合とをそれぞれ算出した場合の算出結果を示したものである。
図3に示す結果では、正常画像を誤認識する割合に関しては、識別器A23a、識別器B23bともに5%で差異がないが、異常陰影の検出割合では、識別器A23aが90%、識別器B23bが85%であり、識別器A23aの方が5%だけ判別精度が良好となっている。
本実施形態において選択部14は、評価部13による算出結果を踏まえて、ユーザが操作部33等を操作することで施設Hで使用したい識別器23を選択・入力し、この選択・入力結果が制御装置30に出力されると、選択部14は、当該選択結果を受けてユーザの選択した識別器23を異常データ(異常陰影)の有無等の判別に使用するものとして選択し、設定する。すなわち、現在施設Hで使用されている識別器23以外のものが選択された場合には、識別器23を選択されたものに切り替える。
具体的には、本実施形態の情報処理装置3は、各種情報や画像を表示させる表示手段である表示部34と、これを制御する手段である表示制御部16と備えており、表示制御部16は、評価部13により複数の識別器23に対して算出された判別精度の情報を表示部34に表示させるようになっている。
図4では、施設Hで使用可能な識別器23が、識別器A23a、識別器B23b、識別器C23c、識別器D23dの4つある場合に、各識別器23について異常陰影の検出割合と、正常画像を異常陰影を含むものと誤認識する割合とを算出した結果を判別精度欄d1に表示している。
また選択欄d2にはチェックボックスが表示され、現在使用中の識別器23(図4では識別器B23b)のチェックボックスが網掛け表示となっている。また、評価部13による判別精度が最大であった識別器23(図4では識別器A23a)のチェックボックスには、情報処理装置3側が推奨する識別器23としてチェックが入った状態となっている。
ユーザは、識別器A23a以外の識別器23を選択したい場合には、選択したい識別器23の横の選択欄d2にチェックを入れて切替ボタンd3を操作する。
なお、コメント欄d4には、現状の識別器23や判別精度に基づき装置側が推奨する識別器23等に関するコメントが表示され、ユーザはこのコメントを参考にして識別器23の選択を行うことができる。
切替ボタンd3が操作されると、操作信号が制御装置30に出力され、選択部14により、現在使用されている識別器23(図4では識別器B23b)が、選択欄d2にチェックが入っている識別器23に切り替えられる。
なお、選択欄d2のチェックボックスへのチェックや切替ボタンd3への入力操作は、キーボード等で構成される操作部33において行われるが、表示部34の表面に一体的にタッチパネルが構成されている場合には、直接画面にタッチすることで選択等の操作を行うことができてもよい。
装置側が推奨する識別器23とは、評価部13による評価が高い識別器である。
異常陰影の検出割合、正常画像を誤認識する割合のいずれにおいても、あらゆる評価特性において判別精度の高い識別器23がある場合には、選択部14は、当該識別器23を装置側が推奨する識別器23として選択し、使用する識別器23をこれに切り替える。
また、異常陰影の検出割合と正常画像を誤認識する割合とで判別精度が異なる場合(例えば異常陰影の検出割合では識別器A23aの方が優れるが、正常画像を誤認識する割合では識別器B23bの方が優れる等)には、選択部14は、検出対象に応じて判別精度の高いものを選択してもよい。この場合にはそれぞれ判別精度の良好であった識別器23が当該施設Hで使用される識別器23として設定されるように、選択部14が検出対象に応じて使用する識別器23を切り替える。
また、異常陰影の検出割合についての評価結果と正常画像を誤認識する割合についての評価結果とのいずれを優先するかを予め設定しておき、選択部14は優先度の高い評価結果の良好なものを選択するとしてもよい。この場合には検出対象に関わらず、選択された識別器23が当該施設Hで使用される識別器23として設定される。
なお、記憶部32には図1に例示した以外の記憶領域が設けられていてもよいし、図1に例示した記憶領域の全部又は一部が記憶部32の外に設けられていてもよい。
識別器記憶領域22は、情報処理装置3の初期状態において設定されている汎用の識別器23や、その後の学習(機械学習)によって新たに生成された識別器23等、複数の識別器23を格納している。
また、評価結果記憶領域24は、評価部13による各識別器23の判別精度の評価結果を記憶する領域である。
次に、図5を参照しつつ、本実施形態における情報処理装置3によって実行される処理を説明する。
識別器生成部11は、図2に示すように、A施設Haで収集された診療データ(図2における診療データA_a、診療データA_b、診療データA_c…)の中から、学習データを選んで複数の識別器23について学習を行う(ステップS2)。
また、カスタマイズ部12は、A施設Haで収集された診療データ(図2における診療データA_a、診療データA_b、診療データA_c…)の中から、学習データに選ばれたものとは異なる診療データを評価データとして採用する(ステップS3、図2参照)。
そして、評価部13は、カスタマイズ部12により採用されカスタマイズされた評価データにより複数の識別器23の判別精度について評価を行う(ステップS4)。
本実施形態では、評価部13は、識別器23が異常陰影を正しく検出する割合と正常画像に異常陰影があると誤検出する割合とを算出する。
ユーザはこの表示画面Dを確認し、異常陰影の判別に使用する識別器23を所望の識別器23に切り替えたい場合には、選択欄d2のチェックボックスのうち、切り替えたい識別器23(例えば識別器D23d)の横のチェックボックスにチェックし、その上で切替ボタンd3が操作する。
選択部14は、識別器23の選択・切り替え指示が入力されたか否かを判断し(ステップS6)、いずれかの識別器23の横のチェックボックスにチェックが入力され、その上で切替ボタンd3が操作されると、選択部14は、識別器23の選択・切り替え指示が入力されたと判断し(ステップS6;YES)、現在使用中の識別器(例えば識別器B23b)をユーザによってチェックされた識別器23(例えば識別器D23d)に切り替える(ステップS7)。
他方、選択欄d2への入力や切替ボタンd3の操作がない場合(ステップS6;NO)には、選択部14は、評価部13により判別精度が最大と評価された識別器(例えば識別器A23a)を選択し、現在使用中の識別器(例えば識別器B23b)を当該評価の高い識別器23(例えば識別器A23a)に切り替える(ステップS8)。
このように、本実施形態では診療データを学習データと評価データとに分けて学習と評価とを異なるデータを用いて行う。これにより、学習したものではない新規のデータに対しても異常陰影を正しく判別できるか否かを適切に評価することができる。
また、カスタマイズ部12は、識別器23を使用している施設(本実施形態ではA施設Ha)で収集された診療データを評価データとして用いるように評価データをカスタマイズするため、評価部13はこのカスタマイズされた評価データを用いて識別器23の判別精度の評価を行うことにより、当該施設(A施設Ha)における特性に応じたデータに対する判別精度を適切に評価することができる。
これにより、識別器23を使用する施設Hの特性に応じた評価データを用いて識別器23の判別精度を評価することができ、評価結果と実際の判別精度との齟齬を極力小さくすることができる。
このため、信頼性の高い識別器23の評価を行うことができ、施設Hに適した識別器23による高精度の異常陰影等の判別を行うことが可能となる。
これにより、当該施設の特性に応じた判別精度を正しく評価することができる。
これにより、ユーザは表示部34に表示された評価結果を見ることで識別器23の判断精度を確認することができる。また、識別器23を切り替える際も、評価部13の評価結果を確認していずれの識別器を適用するか判断することができ、適切な識別器の選択を分かり易く容易に行うことができる。
次に、図6及び図7を参照しつつ、本発明に係る情報処理装置及び情報処理方法の第2の実施形態について説明する。なお、本実施形態は、カスタマイズ部による診療データのカスタマイズの手法のみが第1の実施形態と異なるものであるため、以下においては、特に第1の実施形態と異なる点について説明する。
図6に示すように、本実施形態では、複数の医療機関(図6では、A施設Ha、B施設Hb、C施設Hc)が、外部のネットワークNT2を介して相互に情報の送受信可能に構成されている。なお、ネットワークNT2を介して接続されている医療機関の数は図示したものに限定されず、さらに多くの医療機関が相互に情報の送受信可能となっていてもよい。
図7に示すように、例えばA施設Haにおいて収集された診療データが診療データA_a、診療データA_b、診療データA_c…であり、B施設Hbにおいて収集された診療データが診療データB_a、診療データB_b、診療データB_c…であり、C施設Haにおいて収集された診療データが診療データC_a、診療データC_b、診療データC_c…である場合に、A施設Haの情報処理装置3は、これらの診療データを識別器23の学習に用いる学習データと判別精度の評価に用いる評価データとに分けて、それぞれのデータを用いてA施設Haで使用される識別器23(図7では識別器A23a、識別器B23b)の学習(機械学習)と、判別精度の評価とを行う。
このように、A施設Haにおいて自施設H以外のB施設Hb、C施設Haにおいて収集された診療データをも評価データに加えることにより、自施設Hのみでは適切な評価を行うのに足りる数の診療データが収集できない場合でも、大量の診療データを評価データとすることができる。
なお、カスタマイズ部12は、B施設Hbにおいて収集された診療データ及びC施設Haにおいて収集された診療データの全てを評価データとして採用してもよいし、これらのうちからランダムに、又は何らかの基準に従って診療データの一部を選択して評価データとしてもよい。
また、図7では、A施設Haにおいて収集された診療データについてのみその一部を学習データとする例を図示しているが、学習データを構成する診療データはA施設Haにおいて収集された診療データに限定されない。例えば、カスタマイズ部12は、B施設Hbにおいて収集された診療データ及びC施設Haにおいて収集された診療データを学習データと評価データとに分けて学習データとしてもB施設Hbにおいて収集された診療データ及びC施設Haにおいて収集された診療データの一部を採用してもよい。
また、自施設HであるA施設Haが特定の疾患に特化した施設であるような場合には、当該疾患について実績のある施設Hや、当該疾患の治療において実績のある医師が診療に当たっている施設Hの診療データを評価データとして採用したり、当該疾患の治療において実績のある医師が担当した症例の診療データは必ず評価データとして採用する等、特定の疾患について判別精度が高くなるように評価データを選択してもよい。
また、複数の施設Hで共通の評価データを用いることにより、その評価結果から各施設Hの特性を推測することも可能となる。例えば、複数の総合病院間で共通の評価データを用いて識別器23の判別精度の評価を行った場合に、ある施設Hのみで評価結果が低かったような場合、その原因を分析すると、当該施設Hのみ他の施設Hと比較して患者の多くが高齢患者であったり、乳幼児であったりする等の特性が明らかとなる場合がある。この場合には、当該施設Hの特性に応じた診療データを収集してこれを評価データとして採用することにより、識別器23の判別精度の評価を当該施設Hの特性に合った適切なものとすることができる。
また、各施設Hで収集された診療データの中からいずれの診療データを評価データとするかは、診療データを受け取る側の施設H(例えばA施設Ha)の情報処理装置3のカスタマイズ部12が決める場合に限定されない。例えば、診療データを提供する側の施設H(例えばB施設Hb、C施設Hc)が、確定的な診断結果が得られているもの等、特に信頼性のある診療データ等を評価データとして採用すべき診療データとして選抜し、他の施設Hに提供してもよい。
なお、いずれの施設Hの診療データを評価データに採用するか、同じ施設Hの診療データでもその全てを評価データに含めるのか、ランダムに又は一定の条件に照らして診療データの中から選別されたものだけを評価データとして採用するのかは、カスタマイズ部12が自動的に判断してもよいし、例えば人が設定や入力を行い、カスタマイズ部12が当該設定や入力にしたがって判断してもよい。
本実施形態では、カスタマイズ部12は、A施設Haで収集された診療データ(図7における診療データA_a、診療データA_b、診療データA_c…)の他、B施設Hbにおいて収集された診療データB_a、診療データB_b、診療データB_c…、C施設Haにおいて収集された診療データC_a、診療データC_b、診療データC_c…の全部又はその一部を評価データとして採用する。このように、複数の施設Hの診療データを評価データとするようにカスタマイズすることにより、自施設Hのみでは診療データ数が少ない場合でも十分な数の評価データを確保することができる。
評価部13は、カスタマイズ部によりカスタマイズされた評価データを用いて識別器23の判別精度の評価を行う。
すなわち、本実施形態では、カスタマイズ部12は、識別器23を使用する医療機関ではない一又は複数の医療機関(施設H)で収集された診療データを評価データとして採用する。
これにより、自施設Hのみでは診療データ数が少なく十分な数の評価データを確保できないような場合でも、多くの評価データを用いた信頼性の高い識別器23の評価を行うことができ、施設Hに適した識別器23による高精度の異常陰影等の判別を行うことが可能となる。
次に、図8から図10を参照しつつ、本発明に係る情報処理装置及び情報処理方法の第3の実施形態について説明する。なお、本実施形態は、カスタマイズ部による診療データのカスタマイズの手法等が第1の実施形態等と異なるものであるため、以下においては、特に第1の実施形態等と異なる点について説明する。
図8に示すように、本実施形態では、第2の実施形態と同様に、複数の医療機関(図8では、A施設Ha、B施設Hb、C施設Hc)が、外部のネットワークNT2を介して相互に情報の送受信可能に構成されている。なお、ネットワークNT2を介して接続されている医療機関の数は図示したものに限定されず、さらに多くの医療機関が相互に情報の送受信可能となっていてもよい。
なお、カスタマイズ部12は、B施設Hbにおいて収集された診療データ及びC施設Haにおいて収集された診療データの全てを評価データとして採用してもよいし、これらのうちからランダムに、又は何らかの基準に従って診療データの一部を選択して評価データとしてもよい。
また、図8では、A施設Haにおいて収集された診療データについてのみその一部を学習データとする例を図示しているが、学習データを構成する診療データはA施設Haにおいて収集された診療データに限定されない。例えば、カスタマイズ部12は、B施設Hbにおいて収集された診療データ及びC施設Haにおいて収集された診療データを学習データと評価データとに分けて学習データとしてもB施設Hbにおいて収集された診療データ及びC施設Haにおいて収集された診療データの一部を採用してもよい。
ここで評価特性とは、識別器23の判別精度を評価するにあたって評価結果を左右するような特徴的な診療データの傾向・特性である。
例えば、図8では、「A施設Haで収集された診療データ」「B施設Hbで収集された診療データ」「高齢患者の診療データ」「外来患者の診療データ」を評価特性として、カスタマイズ部12が複数の評価データの中からこれらの評価特性を有するデータを抽出・分類し、「A施設Haで収集された診療データで構成される評価データ群」「B施設Hbで収集された診療データで構成される評価データ群」「高齢患者の診療データで構成される評価データ群」「外来患者の診療データで構成される評価データ群」という評価特性の異なる4つの評価データをカスタマイズする例を示している。
なお、診療データを分類する際の評価特性は図8に例示したものに限定されない。例えば、患者自身に関する特性として、患者の年齢の他、患者の性別や患者の体格(身長、体重等)、罹患している病気の種類、既往歴、居住地域の別、喫煙習慣の有無、飲酒習慣の有無等が挙げられる。また、撮影に使用されたモダリティーの種類等、各種の特性を評価特性として診療データの分類を行ってもよい。
カスタマイズ部12は、診療データに含まれる医用画像の付帯情報や医用画像データに関連付けられた患者の電子カルテ情報等を参照して、予め設定されている条件に合致するものや所定の閾値を超えているもの等を抽出することにより上記評価特性に基づく診療データの分類を行う。なお、評価特性による分類はカスタマイズ部12によって自動的に行われる場合に限定されず、例えば人が評価特性に応じて選別し、カスタマイズ部12が当該選別にしたがって各評価データを各評価特性の評価データ群に属するものとして分類してもよい。
本実施形態では、評価部13は、評価特性の異なる評価データ群ごとに、複数の識別器23(図8では識別器A23a、識別器B23b)それぞれについて、判別精度の評価を行う。
具体的には、評価特性の異なる評価データ群ごとに、各識別器23について異常陰影を判別することができる割合と、正常画像を異常陰影を含むものと誤認識する割合という2つの視点で評価を行い、それぞれの判別精度を算出する。
図9に示す結果では、正常画像を誤認識する割合に関しては、いずれの評価特性においても、識別器A23a、識別器B23bともに5%で差異がないが、異常陰影の検出割合では、例えば識別器A23aでは、「A施設Haで収集された診療データ群」を評価データとした場合には90%、「B施設Hbで収集された診療データ群」を評価データとした場合には80%、「高齢患者の診療データ群」を評価データとした場合には99%、「外来患者の診療データ群」を評価データとした場合には95%となっており、識別器A23aが「高齢患者の診療データ群」を評価データとした場合に最も高い判別精度となっている。
また識別器B23bでは、「A施設Haで収集された診療データ群」を評価データとした場合には85%、「B施設Hbで収集された診療データ群」を評価データとした場合には95%、「高齢患者の診療データ群」を評価データとした場合には75%、「外来患者の診療データ群」を評価データとした場合には85%となっており、「B施設Hbで収集された診療データ群」を評価データとした場合に最も高い判別精度となる。
例えば、「A施設Haで収集された診療データ群」と「高齢患者の診療データ群」とを組み合わせて評価データとし、評価部13は、A施設Haで収集された診療データであり、かつ高齢患者の診療データである評価データについての判別精度を評価してもよい。
これにより、より一層施設Hの特性に応じた評価結果を算出することが可能となる。
本実施形態において選択部14は、評価部13による算出結果を踏まえてユーザが操作部33等を操作することで施設Hで使用したい識別器23を選択・入力し、この選択・入力結果が制御装置30に出力されると、当該選択結果を受けてユーザの選択した識別器23を異常データ(異常陰影)の有無等の判別に使用するものとして選択し、設定する。すなわち、現在施設Hで使用されている識別器23以外のものが選択された場合には、識別器23を選択されたものに切り替える。
そして、特にユーザによる選択・入力の操作がない場合には、選択部14は、現在使用中の識別器23(例えば識別器B23b)を評価部13による評価が最も高い識別器23に使用する識別器23を切り替える。
また、異常陰影の検出割合と正常画像を誤認識する割合とで判別精度が異なる場合(例えば異常陰影の検出割合では識別器A23aの方が優れるが、正常画像を誤認識する割合では識別器B23bの方が優れる等)には、選択部14は、検出対象に応じて判別精度の高いものを選択してもよい。この場合にはそれぞれ判別精度の良好であった識別器23が当該施設Hで使用される識別器23として設定されるように、選択部14が検出対象に応じて使用する識別器23を切り替える。
また、異常陰影の検出割合についての評価結果と正常画像を誤認識する割合についての評価結果とのいずれを優先するかを予め設定しておき、選択部14は優先度の高い評価結果の良好なものを選択するとしてもよい。この場合には検出対象に関わらず、選択された識別器23が当該施設Hで使用される識別器23として設定される。
また例えば、判別を行う医用画像に対応する患者の特性に応じてそれぞれ判別精度の高いものを選択する場合には、選択部14は判別を行う医用画像に付帯する情報(例えば患者の年齢や性別等)に応じて使用する識別器23を切り替える。
また、評価特性のうちいずれを優先するかを予め設定しておき、選択部14は優先度の高い評価特性において評価結果の良好なものを選択するとしてもよい。この場合には施設Hの個別の特性等に関わらず、選択された識別器23が当該施設Hで使用される識別器23として設定される。
なお、図10におけるステップS11及びステップS12は、図5におけるステップS1及びステップS2と同じであり、図10におけるステップS17からステップS19は、図5におけるステップS5からステップS7と同じであるため、その説明を省略する。
本実施形態において、カスタマイズ部12は、A施設Ha、B施設Hb、C施設Hcで収集された診療データの中から学習データに選ばれたものとは異なる診療データを評価データとして採用する(ステップS13)。
さらに、カスタマイズ部12は、採用された評価データを評価特性に応じて分類する(ステップS14)。なお、カスタマイズ部12は、分類の基準となる情報として、診療データに含まれる医用画像の付帯情報や電子カルテ情報等を参照する。
そして、分類された評価データ群をそれぞれ識別器23の判別精度を評価するための評価データとして採用する(ステップS15)。本実施形態では、図8に示すように、「A施設Haの評価データ群」「B施設Hbの評価データ群」「高齢患者の評価データ群」「外来患者の評価データ群」の4つの評価データ群がカスタマイズ部12によってカスタマイズされる。
本実施形態では、評価部13は、評価特性ごとに分類された評価データ(評価データ群)ごとに、識別器23が異常陰影を正しく検出する割合と正常画像に異常陰影があると誤検出する割合とを算出する。
評価部13による評価結果を踏まえて、識別器23の選択、切替の指示がユーザによって入力された場合には、選択部14は指示に従って識別器23の選択・切り替えを行う(ステップS18、ステップS19)。他方でユーザによる指示が特にない場合(ステップS18;NO)には、選択部14は、施設Hの特性等に応じて判別精度が最大と評価部13に評価された識別器23(例えば識別器A23a)を選択し、現在使用中の識別器23(例えば識別器B23b)を当該識別器23(例えば識別器A23a)に切り替える(ステップS20)。
これにより、施設Hの特性が反映された最適な識別器23が施設Hにおいて使用する識別器23として設定される。
すなわち、本実施形態では、カスタマイズ部12は、複数の評価データを評価特性に応じて分類し、識別器23を使用する医療機関である施設Hの状況に応じて指定された評価特性に分類された一又は複数の評価データ群を、複数の識別器23の判別精度を評価する際に用いる評価データとして採用する。
このように、施設Hの状況・特性に応じた評価データを用いて各識別器23の判別精度を評価することができるため、個々の施設Hにおいて使用する識別器23が当該施設Hの特性に合った判別精度を有しているか否かを適切に評価することができる。
これにより、施設Hの特性に合った識別器23を当該施設で使用する識別器23として選択することができ、施設Hにおける異常陰影等の判別を高精度に行うことが可能となる。
次に、図11から図14を参照しつつ、本発明に係る情報処理装置及び情報処理方法の第4の実施形態について説明する。なお、本実施形態は、学習データの構成手法のみが第1の実施形態等と異なるものであるため、以下においては、特に第1の実施形態等と異なる点について説明する。
図11に示すように、本実施形態では、情報処理装置3の制御装置30の制御部31がデータ生成部17を有している。
データ生成部17は、図12に示すように、現在使用している識別器23が異常陰影の有無等の判別を誤った診療データ(図12において、診療データA_b)がある場合に、当該診療データ(診療データA_b)と特徴が共通する別個のデータ(図12において、データA_b_1)を生成するデータ生成手段である。
本実施形態において、データ生成部17は、与えられた元画像データに基づいてディープラーニングにより画像を生成するものであり、元画像データと特徴が共通する別個の画像を出力する。データ生成部17は、例えばGAN(DCGAN;Deep Convolutional Generative Adversarial Networks)等の画像データ生成手段により構成されている。なお、データ生成部17は、GANで構成されている場合に限定されず、他の画像データ生成手段で構成されていてもよい。
図13に示すように、本実施形態においてカスタマイズ部12は、識別器23が判別を誤った診療データ(図12において、診療データA_b)を評価データに採用するようになっている。
学習データと評価データとは異なる診療データを用いるべきであり、評価データに採用されたものは学習データとすることができない。しかし、識別器23が判別を誤る診療データは一般にそれほど数が多くないため、識別器23が判別を誤った診療データを評価データに採用すると、識別器23が判別を誤った症例が学習データに反映されない可能性がある。
この点、本実施形態では、識別器生成部11は、データ生成部17によって生成されたデータ(図12において、データA_b_1)を学習データとして識別器23の学習を行うことによって複数の識別器23を更新するようになっている。
これにより、識別器23が判別を誤った診療データが評価データに採用され学習データに含まれなくなる場合でも、当該診療データと同等のデータについて学習(機械学習)することができ、識別器23が学習を繰り返すことで、過去に判別を誤ったものと同等の診療データが与えられた場合に正しく判別できるように更新される。
なお、図14におけるステップS31は、図5におけるステップS1と同じであり、図14におけるステップS35からステップS39は、図5におけるステップS4からステップS8と同じであるため、その説明を省略する。
本実施形態では、A施設Haで収集された診療データ(図12及び図13において、診療データA_a、診療データA_b、診療データA_c…)のうち識別器23が異常陰影を含むか否かの判別を誤った診療データ(図12及び図13において診療データA_b)について、データ生成部17において、当該診療データ(診療データA_b、元画像データ)とその特徴が共通した別個のデータ(図12及び図13においてデータA_b_1)を生成する(ステップS32)。なお、データ生成部17において元画像データから生成されるデータは1つに限定されない。1つの診療データA_b(元画像データ)から複数のデータが生成されてもよい。
情報処理装置3の制御部31は、A施設Haで収集された診療データのうちから選ばれた診療データ(例えば図12及び図13において、診療データA_a、診療データA_c…)及び生成された別個のデータ(図12及び図13において、データA_b_1)を学習データとして複数の識別器23の学習を行う(ステップS33)。
また、カスタマイズ部12は、A施設Haで収集された診療データ(図12及び図13において、診療データA_a、診療データA_b、診療データA_c…)のうち識別器23が異常陰影を含むか否かの判別を誤った診療データ(図12及び図13において診療データA_b)を含む、学習データとは異なるデータを評価データとして採用する(ステップS34)。
そして、評価部13は、カスタマイズ部12によりカスタマイズされた評価データを用いて識別器23の判別精度の評価を行う(ステップS35)。
これにより、識別器23が異常陰影を含むか否かの判別を誤った診療データが評価データに採用された場合でも、これと同等のデータを学習データに含めることができ、識別器23に学習させることができる。
すなわち、本実施形態では、施設Hにおいて現在使用している識別器23が判別を誤った診療データ(例えば診療データA_b)がある場合に、これと特徴が共通する別個のデータ(例えばデータA_b_1)をデータ生成部17において生成し、当該データを学習データに含めて識別器23に学習させることによって識別器23を更新する。
これにより、識別器23が判別を誤った診療データ(図12において、診療データA_b)をカスタマイズ部12が評価データに採用する場合でも、これと同等のデータを学習データとして識別器23の学習を行うことができる。
このため、識別器23が判別を誤った症例を識別器23に学習させることができるとともに、判別を誤った診療データを評価データとして判別精度の評価を行うことも可能となり、識別器23が過去に判別を誤った症例を正しく判別できるようになったかを適切に確かめることができる。
例えば、診療データは、聴診等によって得られる各種音のデータ(例えば、胸部聴診で得られる心音や心雑音、頸動脈雑音、呼吸音等や、腹部聴診で得られる腹部血管雑音、グル音等)であってもよいし、各種波形データ(例えば、心電図等の波形の時系列的な情報等)であってもよい。さらに診療データは、電子カルテ情報や医師等によって入力された診察情報等の文字データであってもよい。
診療データが音データである場合には、異常データは例えば音データに含まれる異常音であり、診療データが波形データである場合には、異常データは例えば波形データに含まれる異常波形であり、診療データが文字データである場合には、異常データは例えば異常状況を表す特定の文字列等(例えば病名等)である。
また、このように診療データが医用画像のデータ以外のデータである場合、上記第4の実施形態におけるデータ生成部17としては、GAN等の画像データを生成する手段ではなく、音データや波形データ、文字データ等、診療データに対応するデータを自動的に生成する手段が適用される。
また、診療データは、医用画像撮影装置により撮影された医用画像に限らず、画像一般について識別器による判別を行う場合にも本発明を適用することができる。
例えば、学習データを自施設Hの診療データのみで構成したいが、識別器23の学習に用いるにはデータ数が少なすぎるような場合に、GAN等で構成されるデータ生成部17によって既存の診療データに類似するデータを複数生成し、学習データを構成するとしてもよい。また、評価データについても、GAN等で構成されるデータ生成部17によって既存の診療データに類似するデータを複数生成してデータ数を増やし、生成されたデータを評価データとして用いてもよい。
これにより、識別器23の学習や評価に用いるのに適したデータの数が足りない場合でも、自動的に生成されたデータで足りない分を補うことにより適切な識別器23の学習や判別精度の評価を行うことが可能となる。
格納されるデータ量の多い医用画像DB71やこれを備える画像管理サーバー7等を施設H内の医用画像システム100とは別に設けることで、医用画像システム100の負担を少なくすることができる。
5 モダリティー
7 画像管理サーバー
12 カスタマイズ部
13 評価部
14 選択部
16 表示制御部
17 データ生成部
23 識別器
30 制御装置
31 制御部
32 記憶部
34 表示部
100 医用画像システム
H 施設
Claims (6)
- 診療データについて異常値を示す情報である異常データが含まれるか否かを判別して異常データを検出する複数の識別器と、
前記複数の識別器の判別精度を評価する際に用いる評価データをカスタマイズするカスタマイズ手段と、
前記カスタマイズ手段によりカスタマイズされた前記評価データを用いて前記複数の識別器の判別精度をそれぞれ算出する評価手段と、
前記評価手段による算出結果に基づいて、前記複数の識別器の中から一の識別器を判別に使用する識別器として選択する選択手段と、
現在使用している識別器が判別を誤った前記診療データと特徴が共通する別個のデータを生成するデータ生成手段と、
を備え、
前記カスタマイズ手段は、複数の評価データを評価特性に応じて分類し、前記識別器を使用する医療機関の状況に応じて指定された評価特性に分類された一又は複数の評価データ群を、前記複数の識別器の判別精度を評価する際に用いる前記評価データとして採用し、
前記複数の識別器は、データ生成手段によって生成された前記データを学習データとして学習することによって更新されることを特徴とする情報処理装置。 - 前記カスタマイズ手段は、前記識別器を使用する医療機関において収集された前記診療データを評価データとして採用することを特徴とする請求項1に記載の情報処理装置。
- 前記カスタマイズ手段は、前記識別器を使用する医療機関ではない一又は複数の医療機関で収集された前記診療データを評価データとして採用することを特徴とする請求項1に記載の情報処理装置。
- 前記カスタマイズ手段は、現在使用している識別器が判別を誤った前記診療データを評価データとして採用することを特徴とする請求項1から請求項3のいずれか一項に記載の情報処理装置。
- 表示手段と、これを制御する表示制御手段と、をさらに備え、
前記表示制御手段は、前記複数の識別器に対して算出された前記判別精度の情報を前記表示手段に表示させることを特徴とする請求項1から請求項4のいずれか一項に記載の情報処理装置。 - 情報処理装置が複数の識別器の中から一の識別器を選択する選択工程と、
前記情報処理装置が前記選択工程において選択された前記識別器を用いて診療データについて異常値を示す情報である異常データが含まれるか否かを判別し異常データを検出する検出工程と、
前記情報処理装置が前記識別器の判別精度を評価する際に用いる評価データをカスタマイズするカスタマイズ工程と、
前記情報処理装置が前記カスタマイズ工程においてカスタマイズされた前記評価データを用いて前記複数の識別器の判別精度をそれぞれ算出する評価工程と、
前記情報処理装置が、現在使用している識別器が判別を誤った前記診療データと特徴が共通する別個のデータを生成するデータ生成工程と、
を含み、
前記選択工程では、前記評価工程における算出結果に基づいて、前記複数の識別器の中から一の識別器を判別に使用する識別器として選択し、適宜識別器の切り替えを行い、
前記カスタマイズ工程では、複数の評価データを評価特性に応じて分類し、前記識別器を使用する医療機関の状況に応じて指定された評価特性に分類された一又は複数の評価データ群を、前記複数の識別器の判別精度を評価する際に用いる前記評価データとして採用し、
前記複数の識別器は、データ生成工程にて生成された前記データを学習データとして学習することによって更新されることを特徴とする情報処理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017240131A JP6930411B2 (ja) | 2017-12-15 | 2017-12-15 | 情報処理装置及び情報処理方法 |
US16/212,650 US11610676B2 (en) | 2017-12-15 | 2018-12-06 | Information processing device and information processing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017240131A JP6930411B2 (ja) | 2017-12-15 | 2017-12-15 | 情報処理装置及び情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019109553A JP2019109553A (ja) | 2019-07-04 |
JP6930411B2 true JP6930411B2 (ja) | 2021-09-01 |
Family
ID=66815353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017240131A Active JP6930411B2 (ja) | 2017-12-15 | 2017-12-15 | 情報処理装置及び情報処理方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11610676B2 (ja) |
JP (1) | JP6930411B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7362338B2 (ja) * | 2019-08-01 | 2023-10-17 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP7429514B2 (ja) | 2019-10-01 | 2024-02-08 | 株式会社日立ハイテク | 機械学習装置 |
JP7331913B2 (ja) * | 2020-02-07 | 2023-08-23 | カシオ計算機株式会社 | 識別装置、識別器学習方法及びプログラム |
JP7452068B2 (ja) * | 2020-02-17 | 2024-03-19 | コニカミノルタ株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN114930355A (zh) * | 2020-02-28 | 2022-08-19 | 奥林巴斯株式会社 | 推理系统、学习委托装置以及学习委托方法 |
US20230160874A1 (en) * | 2020-04-21 | 2023-05-25 | Shimadzu Corporation | Cell image analyzer |
JP2022171150A (ja) * | 2021-04-30 | 2022-11-11 | パナソニックIpマネジメント株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7529394B2 (en) * | 2003-06-27 | 2009-05-05 | Siemens Medical Solutions Usa, Inc. | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system |
EP1654687A1 (en) * | 2003-08-13 | 2006-05-10 | Siemens Medical Solutions USA, Inc. | Computer-aided decision support systems and methods |
WO2006126384A1 (ja) * | 2005-05-23 | 2006-11-30 | Konica Minolta Medical & Graphic, Inc. | 異常陰影候補の表示方法及び医用画像処理システム |
CN101252884A (zh) * | 2005-09-05 | 2008-08-27 | 柯尼卡美能达医疗印刷器材株式会社 | 图像处理方法和图像处理装置 |
US20090034810A1 (en) * | 2007-08-03 | 2009-02-05 | Fujifilm Corporation | Abnormal tissue pattern detection apparatus, method and program |
JP2011239797A (ja) * | 2008-09-04 | 2011-12-01 | Konica Minolta Medical & Graphic Inc | 画像診断支援装置 |
WO2010050334A1 (ja) * | 2008-10-30 | 2010-05-06 | コニカミノルタエムジー株式会社 | 情報処理装置 |
US20130044927A1 (en) * | 2011-08-15 | 2013-02-21 | Ian Poole | Image processing method and system |
JP6109778B2 (ja) * | 2014-03-27 | 2017-04-05 | 富士フイルム株式会社 | 類似症例検索装置、類似症例検索方法、及び類似症例検索プログラム |
CN106650292B (zh) * | 2017-01-04 | 2018-03-09 | 梁月强 | 一种具有过程决策支持功能的个人健康记录系统 |
US10540578B2 (en) * | 2017-12-21 | 2020-01-21 | International Business Machines Corporation | Adapting a generative adversarial network to new data sources for image classification |
JP7056259B2 (ja) * | 2018-03-14 | 2022-04-19 | オムロン株式会社 | 検査システム、識別システム、及び識別器評価装置 |
-
2017
- 2017-12-15 JP JP2017240131A patent/JP6930411B2/ja active Active
-
2018
- 2018-12-06 US US16/212,650 patent/US11610676B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20190189278A1 (en) | 2019-06-20 |
JP2019109553A (ja) | 2019-07-04 |
US11610676B2 (en) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6930411B2 (ja) | 情報処理装置及び情報処理方法 | |
US10282835B2 (en) | Methods and systems for automatically analyzing clinical images using models developed using machine learning based on graphical reporting | |
JP5728212B2 (ja) | 診断支援装置、診断支援装置の制御方法、およびプログラム | |
JP6818424B2 (ja) | 診断支援装置、情報処理方法、診断支援システム及びプログラム | |
JP6016406B2 (ja) | 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 | |
JP6021346B2 (ja) | 診断支援装置及びその制御方法 | |
JP7010946B2 (ja) | 健康状態の計算解析を容易化するシステム及び方法 | |
US20120299818A1 (en) | Medical information display apparatus, operation method of the same and medical information display program | |
CN109741812A (zh) | 发送医学图像的方法以及执行所述方法的医学成像设备 | |
JP7416183B2 (ja) | 情報処理装置、医用画像表示装置及びプログラム | |
JP2007151645A (ja) | 医用画像診断支援システム | |
US20190148015A1 (en) | Medical information processing device and program | |
CN102292734A (zh) | 在图像处理期间预测用户交互 | |
US20220108801A1 (en) | Diagnosis and treatment support system | |
JP2021521949A (ja) | インターベンショナルx線画像及びディープラーニングを用いたインタラクティブ冠動脈ラベル付け | |
KR20190049524A (ko) | 의료 영상 전송 방법 및 그에 따른 의료 영상 장치 | |
US10146907B2 (en) | Network system and method for controlling a computer tomograph | |
EP3362925B1 (en) | Systems and methods for generating correct radiological recommendations | |
JP6220435B2 (ja) | 診断支援装置及びその制御方法 | |
US11967424B2 (en) | Information processing apparatus, information processing method, and recording medium | |
JP2020039622A (ja) | 診断支援装置 | |
EP4246526A1 (en) | System and method for providing enhancing or contrast agent advisability indicator | |
US20240127431A1 (en) | Method and apparatus for providing confidence information on result of artificial intelligence model | |
JP2024070317A (ja) | 処理装置、処理プログラム、処理方法及び処理システム | |
JP2023075970A (ja) | 読影管理装置、プログラム及び読影管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200618 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210423 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210525 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210702 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210713 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210726 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6930411 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |