JP6930411B2 - 情報処理装置及び情報処理方法 - Google Patents

Description

本発明は、情報処理装置及び情報処理方法に関する。

医療の分野では、各種の検査で得られた診療データ（医療用情報）を医師がチェックして検査結果から各種の異常の有無等を読み取る診療が行われる。
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。

しかし、全ての診療データについて一から医師がチェックするには大変な労力を要する。このため、こうした医師の診断を支援するために、各種の診断支援システムが考案されている。
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。

また、特許文献２には、医師の診断を支援する手法として、学習データを用いた学習により識別器を構成し、この識別器によって診療データを自動的にチェックする情報処理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。

特開２０１１−２３９７９７号公報 特許第５５３３６６２号公報

しかしながら、医療機関で得られる診療データは、各医療機関ごとにその特性が異なる。例えば、患者の多くが高齢者である医療機関と、患者の多くが子供等の若年者である医療機関とでは、患者の罹患している疾病の種類も異なり、診療データの特性にも大きな差異がある。
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。

本発明は上記事情に鑑みてなされたものであり、異常データの有無を判別する識別器の判別精度を適切に評価することのできる情報処理装置及び情報処理方法を提供することを目的とする。

上記課題を解決するため、請求項１に記載の情報処理装置は、
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。

本発明によれば、異常データの有無を識別する識別器の判別精度を適切に評価することができる。

第１の実施形態における情報処理装置を含む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。 第１の実施形態における識別器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。 第１の実施形態における評価結果の例を示す図である。 表示部の表示画面例を示す図である。 第１の実施形態における情報処理方法を示すフローチャートである。 第２の実施形態における情報処理装置を含む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。 第２の実施形態における識別器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。 第３の実施形態における識別器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。 第３の実施形態における評価結果の例を示す図である。 第３の実施形態における情報処理方法を示すフローチャートである。 第４の実施形態における情報処理装置の制御装置の構成を示す要部構成図である。 第４の実施形態におけるセータ生成を説明する説明図である。 第４の実施形態における識別器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。 第４の実施形態における情報処理方法を示すフローチャートである。

以下、図面を参照して本発明の実施形態について説明する。
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。

［第１の実施形態］
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。

［医用画像システムについて］
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。

医用画像システム１００は、医用画像を生成する各種モダリティー（画像生成装置）５と、モダリティー５による撮影動作を制御する撮影用コンソール６と、医用画像ＤＢ（Data Base）７１を備えモダリティー５により取得された医用画像のデータ（医用画像データ）等を格納し管理する画像管理サーバー７と、電子カルテ入力装置８と、医用画像が異常データを含むか否かを判別する情報処理装置３とを備えている。モダリティー５と接続された撮影用コンソール６、画像管理サーバー７、電子カルテ入力装置８、情報処理装置３は、図示しないスイッチングハブ等を介してネットワークＮＴ１に接続されており、ネットワークＮＴ１を介してデータ送受信可能となっている。
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。

医用画像システム１００に設けられるモダリティー５は、患者の検査対象部位を撮影し、撮影した画像をデジタル変換して医療用情報としての医用画像データ等を生成するものである。
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。

医用画像システム１００を構成する各装置がＤＩＣＯＭ規格に準じている場合、医用画像の画像データ（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る。画像部には医用画像の実データ、ヘッダ部に当該医用画像に関する付帯情報が書き込まれている。なお、本実施形態では、医用画像データとこれに付帯する情報（付帯情報・付加情報）とを合わせて「診療データ」ともいう。
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。

画像管理サーバー７は、モダリティー５により生成された医用画像の画像データ（医用画像データ）及び医用画像に関する付帯情報（医療用情報である診療データ）を蓄積記憶・管理するコンピュータ装置である。
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。

また、画像管理サーバー７は、電子カルテ入力装置８から入力された電子カルテ情報を格納する図示しない記憶部（電子カルテ情報ＤＢ（Data Base））を有している。
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は、患者情報や問診結果等の電子カルテ情報を入力するための装置である。
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。

［情報処理装置について］
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。

操作部３３は、例えばカーソルキー、数字入力キー、及び各種機能キー等を備えたキーボードと、マウス等のポインティングデバイスを備えて構成され、キーボードに対するキー操作やマウス操作により入力された指示信号を制御装置３０に出力する。

表示部３４は、ＬＣＤ（Liquid Crystal Display）やＣＲＴ(Cathode Ray Tube)等のモニタにより構成され、制御装置３０から入力される表示信号の指示に従って、各種画面や医用画像等を表示する。

通信部３５は、ＬＡＮアダプタ、ルータ、ＴＡ（Terminal Adapter）等を備え、ネットワークＮＴ１に接続された各装置とデータの送受信を行う。

情報処理装置３の制御装置３０は、図示しないＣＰＵ等で構成される制御部３１と、図示しないＲＯＭ、ＲＡＭ等で構成される記憶部３２とを備えている。
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。

識別器生成部１１は、記憶部３２（後述する識別器記憶領域２２）に記憶されている識別器２３について、機械学習を行うことにより新たな識別器２３を生成するものである。
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。

識別器２３は、初期使用時、初期設定の学習データを用いた学習（機械学習）を繰り返すことにより構成されている。
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。

なお、学習データや評価データには、異常陰影等の異常の有無の情報が紐付けられている。
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。

カスタマイズ部１２は、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をカスタマイズするカスタマイズ手段である。
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。

なお、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診療データの数が多い場合には、カスタマイズ部１２は、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。
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。

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複数の識別器２３の判別精度をそれぞれ算出する評価手段である。評価部１３による各識別器２３の判別精度の評価結果は、記憶部３２の評価結果記憶領域２４に記憶される。
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。

本実施形態では、評価部１３は、各識別器２３について、評価データを用いて、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。

選択部１４は、評価部１３による算出結果に基づいて、複数の識別器２３（図２では識別器Ａ２３ａ、識別器Ｂ２３ｂ）の中から一の識別器２３を異常データ（異常陰影）の有無等の判別に使用する識別器２３として選択する選択手段である。
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は、表示部３４の表示画面Ｄの一例を示した図である。
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。

なお、切替ボタンｄ３から何ら操作信号が入力されない場合には、選択部１４は、現在使用中の識別器２３（図４では識別器Ｂ２３ｂ）から装置側が推奨する識別器２３（図４では識別器Ａ２３ａ）に使用する識別器２３を切り替える。
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。

異常陰影検出部１５は、選択部１４により選択され、切り替えられた（設定された）識別器２３を適用して、モダリティー５により取得され画像管理サーバー７に格納された医用画像データについて異常陰影の検出を行う。

表示制御部１６は、表示部３４の表示を制御して、図４に示すような各識別器２３毎の判別精度の表示や、読影のための医用画像の表示を行う。

記憶部３２は、情報処理装置３が各種処理を行うために必要なデータ等を記憶する。本実施形態では、記憶部３２は、プログラム記憶領域２１、複数の識別器２３を格納する識別器記憶領域２２、評価部１３による評価結果を記憶する評価結果記憶領域２４等の各種の記憶領域を有している。
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。

プログラム記憶領域２１は、制御部３１が情報処理装置３の各部を制御するために必要な各種のプログラムを格納する領域である。本実施形態では、例えばカスタマイズ部１２が評価データをカスタマイズするためのプログラムや、評価部１３が識別器２３を評価するためのプログラム、複数の識別器２３の中から一の識別器２３を選択部が選択するためのプログラム等がプログラム記憶領域に格納されている。
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。

［情報処理装置の作用（情報処理方法）］
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。

図５に示すように、例えば図１に示すＡ施設Ｈａに設けられた情報処理装置３には、いずれかの識別器２３（例えば識別器Ｂ２３ｂ）が異常陰影を判別するための識別器２３として設定されている（ステップＳ１）。
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。

評価部１３による算出結果（評価結果）は、図４に示すような表示部３４の表示画面Ｄに表示される（ステップＳ５）。
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）。

［情報処理装置及び情報処理方法の効果］
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。

以上のように、本実施形態によれば、評価部１３が複数の識別器２３の判別精度を評価する際に用いる評価データをカスタマイズ部１２がカスタマイズし、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複数の識別器２３の判別精度をそれぞれ算出する。そして、評価部１３による算出結果に基づいて、選択部１４が複数の識別器２３の中から一の識別器２３を判別に使用する識別器と２３して選択する。
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。

特に、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（例えば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。

また、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、カスタマイズ部１２が評価データとして採用するとした場合には、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も正しく異常陰影の判別を行うことができるようになったか否か、学習等を繰り返すことによって判別精度が向上したか否かを確認することができる。

さらに、本実施形態によれば、情報処理装置３が、表示部３４とこれを制御する表示制御部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に対して判別精度が算出されると、算出された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。
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。

［第２の実施形態］
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は、本実施形態における医療機関（施設Ｈ）間の関係を示す概略構成を示すブロック図である。
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。

具体的には、カスタマイズ部１２は、自施設ＨであるＡ施設Ｈａにおいて収集された診療データＡ_ａ、診療データＡ_ｂ、診療データＡ_ｃ…を学習データと評価データとに分ける。また、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…を評価データとして採用する。
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、カスタマイズ部１２は、ネットワークＮＴ２を介して接続されている全ての施設Ｈの診療データを評価データにする必要はなく、例えば自施設ＨであるＡ施設Ｈａと特性の共通する施設Ｈの診療データのみを評価データとして採用してもよい。すなわち、Ａ施設Ｈａが高齢患者の多い施設である場合には、同様に高齢患者を多く診療している施設Ｈ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る。
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、例えば同じ系列に属する施設Ｈでは同じ評価データを使用するように、評価データの共通化を図ってもよい。このように識別器２３の判別精度の評価に用いる評価データを共通化することにより、施設Ｈ間において識別器２３の判別精度の評価レベルを一定に揃えることができる。
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。

さらに、例えば自施設ＨであるＡ施設Ｈａが開業を始めたばかりである場合のように、診療結果（疾病や病変の有無）が確定した診療データが無いような場合等には、カスタマイズ部１２は、Ａ施設Ｈａの診療データＡ_ａ、診療データＡ_ｂ、診療データＡ_ｃ…を評価データとして採用せず、例えば、患者の特性等が共通する他の施設Ｈで収集された診療データ（例えば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…）を評価データとして採用してもよい。
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。

なお、その他の構成は、第１の実施形態と同様であることから、同一部材には同一の符号を付して、その説明を省略する。

次に、本実施形態における情報処理装置の作用（情報処理方法）について説明する。
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。

なお、その他の点については、第１の実施形態と同様であることから、その説明を省略する。

以上のように、本実施形態によれば、第１の実施形態と同様の効果を得られる他、以下の効果を得ることができる。
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。

［第３の実施形態］
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。

図８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。

具体的には、カスタマイズ部１２は、自施設ＨであるＡ施設Ｈａにおいて収集された診療データＡ_ａ、診療データＡ_ｂ、診療データＡ_ｃ…を学習データと評価データとに分ける。また、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…を評価データとして採用する。
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。

そして、本実施形態のカスタマイズ部１２は、評価データに分類された診療データ（複数の評価データ）を、その評価特性に応じて分類し、識別器２３を使用する医療機関（例えばＡ施設Ｈａ）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（図８では識別器Ａ２３ａ、識別器Ｂ２３ｂ）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。

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一又は複数（本実施形態では４つ）の評価データ（評価データ群）を用いて複数の識別器２３の判別精度をそれぞれ算出する。
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は、各識別器２３の異常陰影の検出割合と正常画像を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。

なお、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４つの評価データ群をそれぞれ個別に適用して識別器２３の評価を行ってもよいし、これらのうち複数の評価データ群を組み合わせたものを適用して識別器２３の評価を行ってもよい。
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。

選択部１４は、評価部１３による算出結果に基づいて、複数の識別器２３（図２では識別器Ａ２３ａ、識別器Ｂ２３ｂ）の中から一の識別器２３を異常データ（異常陰影）の有無等の判別に使用する識別器２３として選択する。
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。

なお、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。

また、評価データの評価特性ごとに判別精度が異なる場合（例えば高齢患者の評価データを用いた評価では識別器Ａ２３ａの方が優れるが、外来患者の評価データを用いた評価では識別器Ｂ２３ｂの方が優れる等）には、選択部１４は、自施設Ｈ（例えばＡ施設Ｈａ）の特性や、識別器２３を適用して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してもよい。例えば、施設Ｈの特性によって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、自施設Ｈ（例えばＡ施設Ｈａ）が高齢患者の多い施設であれば高齢患者の評価データを用いた評価において判別精度に優れる識別器２３を当該施設Ｈで使用する識別器２３として選択する等、自施設Ｈ（例えばＡ施設Ｈａ）の特性に応じて識別器２３を選択し設定する。この場合には、例えば施設Ｈの特性が変化する等の事情の変化（施設Ｈの利用者層が高齢患者から若年患者に変化した等）があるまで設定された識別器２３が維持されるとしてもよい。
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、その他の構成は、第１の実施形態等と同様であることから、同一部材には同一の符号を付して、その説明を省略する。

次に、図１０を参照しつつ、本実施形態における情報処理装置の作用（情報処理方法）について説明する。
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。

評価部１３は、カスタマイズ部１２により評価特性ごとに分類されカスタマイズされた評価データ（評価データ群）ごとに、それぞれ複数の識別器２３の判別精度について評価を行う（ステップＳ１６）。
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。

なお、その他の点については、第１の実施形態等と同様であることから、その説明を省略する。

以上のように、本実施形態によれば、第１の実施形態等と同様の効果を得られる他、以下の効果を得ることができる。
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。

［第４の実施形態］
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は、本実施形態における情報処理装置の制御装置の概略構成を示すブロック図である。
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、その他の構成は、第１の実施形態等と同様であることから、同一部材には同一の符号を付して、その説明を省略する。

次に、図１４を参照しつつ、本実施形態における情報処理装置の作用（情報処理方法）について説明する。
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。

なお、その他の点については、第１の実施形態等と同様であることから、その説明を省略する。

以上のように、本実施形態によれば、第１の実施形態等と同様の効果を得られる他、以下の効果を得ることができる。
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。

なお、以上本発明の実施形態について説明したが、本発明は、かかる実施形態に限定されず、その要旨を逸脱しない範囲で、種々変形が可能であることは言うまでもない。

例えば、上記各実施形態では、診療データが医用画像のデータであり、識別器２３により判別すべき異常データが画像に現れた異常陰影である場合を例示しているが、診療データは画像のデータに限定されない。
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。

また、上記第４の実施形態では、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ＧＡＮ等で構成されるデータ生成部１７において生成し、当該データを学習データに含める場合を例示したが、ＧＡＮ等で構成されるデータ生成部１７は識別器２３が判別を誤った診療データからこれに類似するデータを生成するものに限定されない。
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。

また、上記各実施形態では、医用画像データ等を格納する医用画像ＤＢ７１等を備える画像管理サーバー７が施設Ｈ内の医用画像システム１００内に設けられている場合を例示したが、医用画像ＤＢ７１やこれを備える画像管理サーバー７等はネットワークＮＴ２（図６参照）等により情報送受信可能に接続された施設Ｈ外のサーバー装置等に設けることも可能である。
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。

３ 情報処理装置
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。

Images