JP7078948B2 - 眼科情報処理システム、眼科情報処理方法、プログラム、及び記録媒体 - Google Patents

Description

特許法第３０条第２項適用 生体医用画像研究会 第４回若手発表会、開催日 平成２９年３月２５日 生体医用画像研究会 第４回若手発表会 プログラム・抄録集、発行日 平成２９年３月 電子情報通信学会、開催日 平成２９年５月２６日 電子情報通信学会 プログラム・講演論文詳細、ウェブサイトの掲載日 平成２９年３月

本発明は、眼科情報を処理するためのシステム、方法、プログラム、及び記録媒体に関する。

主要な眼疾患の一つに緑内障がある。緑内障は、視神経損傷及び視力障害を引き起こす一群の進行性疾患である。緑内障は多因子疾患であり、病態の細分化や治療の個別化が望まれている。そのため、緑内障の診断には、眼圧検査、隅角検査、眼底検査（視神経乳頭陥凹の度合い、網膜神経線維層の欠損、乳頭出血の有無、乳頭周囲網脈絡膜萎縮の有無）、視野検査、画像解析（乳頭形状解析、層厚解析、篩状板解析）など、多様な検査が利用される。

緑内障の病態分類として視神経乳頭の形状に応じた分類（乳頭形状分類）があり、その代表的なものにニコレラ（Ｎｉｃｏｌｅｌａ）らによる分類がある。ニコレラ分類では、視神経乳頭の形状に応じた４つの類型（局所虚血型、近視型、加齢性硬化型、全体的拡大型）が定められている。局所虚血型（Ｆｏｃａｌ Ｉｓｃｈｅｍｉａ、 ＦＩ）は、リムの一部にノッチが存在し、視神経線維層の局所的な欠損が見られる類型であり、女性に多く、片頭痛や発作を伴うことが多い。近視型（Ｍｙｏｐｉｃ、ＭＹ）は、視神経乳頭が傾斜しており、耳側に陥凹を伴う三日月型の乳頭周囲網脈絡膜萎縮（ＰＰＡ）が見られる類型であり、若年層に多く、近視を伴うことが多い。加齢性硬化型（Ｓｅｎｉｌｅ Ｓｃｌｅｒｏｔｉｃ、ＳＳ）は、視神経乳頭が円形であり、陥凹が浅く、乳頭の周辺にハロ（Ｈａｌｏ）が見られる類型であり、高齢者に多く、心血管障害を伴うことが多い。全体的拡大型（Ｇｅｎｅｒａｌｉｚｅｄ Ｅｎｌａｒｇｅｍｅｎｔ、ＧＥ）は、大きく深い円形の陥凹を呈する類型であり、眼圧が高いことが多い。

乳頭形状分類は、典型的には、眼底カメラや走査型レーザー検眼鏡（ＳＬＯ）により取得された眼底像を医師が読影することで行われる。つまり、分類は医師の主観によって行われる。一方、緑内障の有病率が比較的高いことや、早期発見が重要であることを鑑み、分類の自動化が望まれている。

しかし、眼底カメラやＳＬＯで得られる眼底像は、撮影条件などに画質が大きく左右されるため、乳頭形状パラメータの定量化が難しく、分類の自動化を阻む要因の一つになっている。

また、従来の分類では眼底像のみ（つまり乳頭形状パラメータのみ）を参照しているため、良好な精度及び確度で分類を行うことが難しい。一方、分類のために参照可能な眼科情報には多種多様なものがあるが、それら全てを考慮すると処理が複雑かつ膨大となり、処理システムの規模やリソースも極めて大きくなるため、実用化が困難な場合も想定される。

特開平１０－１５５７４４号公報 特開２０００－２４５７００号公報 特開２００５－２５３７９６号公報 特開２００６－２６３１２７号公報 特開２００７－２５２７０７号公報 特開２００８－２２０６１７号公報 特開２００８－２３７８３９号公報 特開２００８－２３７８４０号公報 特開２０１１－８３５５５号公報 特開２０１６－２３８０号公報 特開２０１６－１８７４７５号公報

Nicolela MT, Drance SM, "Various glaucomatous optic nerve appearances: clinical correlations", Ophthalmology, Volume 103, Issue 4, April 1996, Pages 640-649

本発明の目的の一つは、良好な精度及び確度での乳頭形状分類を自動で行うための技術を提供することにある。

本発明の目的の他の一つは、大規模なシステムを用いることなく、良好な精度及び確度での乳頭形状分類を自動で行うための技術を提供することにある。

例示的な実施形態に係る眼科情報処理システムは、被検者の視神経乳頭の形態データと当該被検者の背景データとを受け付ける受付部と、前記形態データと同種のデータ群及び前記背景データと同種のデータ群に基づき機械学習を実行することにより生成された学習情報を予め記憶する記憶部と、前記学習情報と前記形態データと前記背景データとに基づいて、前記機械学習に用いられた人工知能エンジンと同種の人工知能エンジンを適用することにより、視神経乳頭形状分類を実行するプロセッサとを含む。

例示的な実施形態によれば、良好な精度及び確度での乳頭形状分類を自動で行うことが可能である。

例示的な実施形態によれば、大規模なシステムを用いることなく、良好な精度及び確度での乳頭形状分類を自動で行うことが可能である。

例示的な実施形態に係る眼科情報処理システムの構成の一例を表す概略図である。 例示的な実施形態に係る眼科情報処理システムにおいて適用可能なパラメータのリストの一例である。 例示的な実施形態に係る眼科情報処理システムを用いて実施可能な使用形態の一例を表すフローチャートである。 例示的な実施形態に係る眼科情報処理システムにより表示可能な分類結果の一例である。

例示的な実施形態に係る眼科情報処理システム、眼科情報処理方法、プログラム、及び記録媒体について以下に説明する。例示的な眼科情報処理方法は、例示的な眼科情報処理システムによって実現される。例示的な眼科情報処理システムは、相互に通信が可能な２以上の装置（例えば、１以上のコンピュータ、１以上の記憶装置など）を含んでよい。或いは、例示的な眼科情報処理システムは、単一の装置（例えば、記憶装置が搭載されたコンピュータ）であってもよい。

例示的な眼科情報処理方法を実現するためのハードウェア及びソフトウェアは、以下に例示する眼科情報処理システムには限定されず、その実現に寄与する任意のハードウェアと任意のソフトウェアとの組み合わせが含まれていてよい。典型的な例として、眼科情報処理システムは、人工知能エンジンとして機能するハードウェア及びソフトウェアを含んでいてよい。

例示的な眼科情報処理方法は、医学的な検査を行うために用いられ、より具体的には、眼科情報を処理して視神経乳頭の形状を自動で分類するために用いられる。乳頭形状分類には、被検者の眼底の形態データと、当該被検者の背景データとが用いられる。

眼底形態データは、眼底の形態（形状、サイズ等）を表すデータである。眼底形態データは、多種多様な眼科情報から選択された種別のパラメータに関する。パラメータの選択は、典型的には、人工知能等のコンピュータを利用して実行される。或いは、医師等の専門家がパラメータの選択を行ってもよい。また、コンピュータにより選択されたパラメータと専門家により選択されたパラメータとの双方を考慮してもよい。眼底形態データの種別の具体例やパラメータの選択処理の具体例については後述する。

背景データは、被検者に関するデータであって、典型的には、医学的検査以外の方法で取得されたデータを含む。また、背景データは、電子カルテ等に記録（又は付帯）された情報を含んでよい。例えば、電子カルテには、医学的検査以外の方法で取得された患者情報（年齢、性別など）に加え、医学的検査により取得された検査データも記録される。検査データとしては、視力値、屈折力値、等価球面度数、眼圧値、角膜厚値、視野検査結果（Ｍｅａｎ Ｄｅｆｅｃｔ値、Ｐａｔｔｅｒｎ Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ値など）などがある。背景データは、各種情報から選択された種別のパラメータに関する。眼底形態データの場合と同様に、パラメータの選択は、例えば、コンピュータ及び専門家の少なくとも一方によって実行される。背景データの種別の具体例やパラメータの選択処理の具体例については後述する。

例示的なプログラムは、例示的な眼科情報処理システム等のコンピュータに、例示的な眼科情報処理方法を実行させる。また、例示的な記録媒体は、コンピュータ読み取り可能な記録媒体であって、例示的なプログラムを記録する。例示的な記録媒体は、非一時的な（non-transitory）記録媒体である。例示的な記録媒体は、磁気、光、光磁気、半導体などを利用した電子媒体であってよい。典型的には、例示的な記録媒体は、磁気テープ、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ、ソリッドステートドライブなどである。

〈例示的な眼科情報処理システム〉
眼科情報処理システムについて説明する。図１に示す例示的な眼科情報処理システム１は、被検者の眼底形態データ及び背景データに基づいて、当該被験者の視神経乳頭形状分類を実行する。視神経乳頭形状分類は、典型的にはニコレラ分類であるが、他の分類法でもよい。

眼科情報処理システム１は、制御部１０と、記憶部２０と、データ処理部３０と、データ受付部４０と、通信部５０とを含む。ユーザインターフェイス（ＵＩ）１００は、眼科情報処理システム１に含まれてもよいし、含まれなくてもよい。眼科情報処理システム１に含まれる要素は、単一の装置又は２以上の装置として構成される。例えば、眼科情報処理システム１は、これら要素の全てを備えた単一のコンピュータを含む。

眼科情報処理システム１が２以上の装置を含む場合の例として、制御部１０を含むコンピュータと、記憶部２０を含むコンピュータと、データ処理部３０を含むコンピュータとを、それぞれ個別に設けることができる。或いは、眼科情報処理システム１は、制御部１０、記憶部２０及びデータ処理部３０のうちのいずれか２つを備えたコンピュータと、他の１つを備えたコンピュータとを含む。異なるコンピュータの間の通信形態は、有線通信及び／又は無線通信を含んでよく、専用回線及び／又は公衆回線を含んでよく、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、近距離通信及びインターネットのうちの少なくとも１つを含んでよい。

本実施形態において、各種の処理はコンピュータにより実行される。コンピュータは、人工知能エンジンとして機能するよう構成されてもよい。コンピュータは、１以上のプロセッサを含む。プロセッサは、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、プログラマブル論理デバイス（例えば、ＳＰＬＤ（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ））等の回路を意味する。プロセッサは、例えば、記憶装置（記憶回路）に格納されているプログラムを読み出して実行することにより所望の機能を実現する。

プロセッサは、記憶装置及び出力装置を制御することができる。記憶装置は、コンピュータの内部に含まれてもよいし、コンピュータの外部に設けられてもよい。出力装置についても同様である。

眼科情報処理システム１は、ＯＣＴシステム２００、カルテ入力装置２５０、及びデータベース（ＤＢ）３００の少なくともいずれかを含んでよい。ＯＣＴシステム２００及びカルテ入力装置２５０は、病院内ＬＡＮ等のネットワークを介してデータベース（ＤＢ）３００に接続されている。

〈ＯＣＴシステム２００〉
ＯＣＴシステム２００は、光コヒーレンストモグラフィ（ＯＣＴ）を使用して被検眼（眼底）のデータを収集するデータ収集機能を備えてよい。データ収集機能は、例えば、公知のフーリエドメインＯＣＴ（周波数ドメインＯＣＴ）の手法によって実現される。データ収集機能を実現する構成（ＯＣＴ装置）は、従来のフーリエドメインＯＣＴと同様に、光源と、干渉光学系と、光検出器と、ＯＣＴデータ構築プロセッサとを含む。

スペクトラルドメインＯＣＴの場合、ＯＣＴ装置は、以下の要素を含む：低コヒーレンス光源；低コヒーレンス光源から出力された低コヒーレンス光を測定光と参照光とに分割し、被検眼からの測定光の戻り光と参照光路を経由した参照光とを重ね合わせる干渉光学系；干渉計により生成された干渉光を空間分割（スペクトル分解）してスペクトルデータを検出する分光器；分光器からの出力信号にフーリエ変換等の信号処理を適用してＯＣＴ画像データを構築するＯＣＴデータ構築プロセッサ。

スウェプトソースＯＣＴの場合、ＯＣＴ装置は、以下の要素を含む：波長可変光源；波長可変光源から時分割で出力される光を測定光と参照光とに分割し、被検眼からの測定光の戻り光と参照光路を経由した参照光とを重ね合わせる干渉光学系；干渉計により生成された干渉光を検出する光検出器（バランスドフォトダイオード等）；光検出器からの出力信号を収集するデータ収集システム（ＤＡＱ又はＤＡＳ）；データ収集システムにより収集されたスペクトルデータにフーリエ変換等の信号処理を適用してＯＣＴ画像データを構築するＯＣＴデータ構築プロセッサ。

ＯＣＴシステム２００は、ＯＣＴ画像データを解析する解析機能を備えてよい。解析機能は、ＯＣＴを使用して収集された眼底のデータ（ＯＣＴ画像データ）を解析して眼底形態データを生成する解析プロセッサによって実現される。解析プロセッサは、例えば、コンピュータ又は専門家により事前に選択された１以上の種別のパラメータの一部又は全部について、眼底形態データを生成する。解析プロセッサは、コンピュータ又は専門家により事前に選択された種別以外のパラメータについて、眼底形態データを生成するように構成されてもよい。解析プロセッサが実行する解析処理は、眼科分野（より広くは医学分野、更に広くは任意分野）において使用される公知の処理を含む。

〈カルテ入力装置２５０〉
カルテ入力装置２５０は、電子カルテの作成に用いられるコンピュータである。典型的には、カルテ入力装置２５０は、医師が使用するコンピュータ端末、入力データからカルテ記載事項を読み取るプロセッサ、用紙等に記入された情報を読み取るデータスキャナなどであってよい。

〈データベース３００〉
データベース３００は各種データを管理する。データベース３００は、例えば、病院情報システム（ＨＩＳ）と、医療用画像管理システム（ＰＡＣＳ）とを含む。病院情報システムには、電子カルテシステムが含まれる。ＯＣＴシステム２００又は他のデータ取得装置（検査装置、撮影装置等）により取得されたデータは、電子カルテシステム又は医療用画像管理システムに保存される。カルテ入力装置２５０等のコンピュータを用いて作成された電子カルテは、電子カルテシステムに保存される。

データベース３００は、健康診断や検診等のスクリーニングによって取得されたデータを保存するスクリーニングデータベースを含んでもよい。

〈制御部１０〉
制御部１０は各種の制御を実行する。例えば、制御部１０は、眼科情報処理システム１の各要素の制御や、２以上の要素の連係的制御を実行する。また、制御部１０は、眼科情報処理システム１の外部の装置の制御を行うことができる。例えば、ユーザインターフェイス１００が眼科情報処理システム１に含まれない場合、制御部１０はユーザインターフェイス１００の制御を行うことができる。制御部１０はプロセッサを含む。

〈出力制御部１１〉
出力制御部１１は、各種の出力装置を制御する。出力装置は、例えば、表示装置、音声出力装置、印刷装置、通信機器、及びデータライタのうちの少なくとも１つを含む。すなわち、出力制御部１１は、次の制御のうちの少なくともいずれかを実行する：情報を表示するための表示装置の制御；音声情報を出力するための音声出力装置の制御；用紙に情報を印刷するための印刷装置の制御；外部装置に情報を送信させるための通信機器の制御；記録媒体に情報を記録するためのデータライタの制御。

図１に示す表示部１０１は表示装置に相当する。また、通信部５０は通信機器に相当する。図示は省略するが、音声出力装置、印刷装置、及びデータライタのうちの１つ以上が設けられていてよい。なお、他の種別の出力装置が設けられていてもよい。

〈記憶部２０〉
記憶部２０は各種のデータを記憶する。記憶部２０に記憶されるデータの例として、データ受付部４０により外部から受け付けられたデータがある。典型的には、記憶部２０は、眼底形態データと背景データとを記憶する。記憶部２０は、例えば、半導体記憶装置、磁気記憶装置、光記憶装置、及び光磁気記憶装置のうちの少なくとも１つを含む。

〈学習情報２１〉
記憶部２０には学習情報２１が予め記憶されている。学習情報２１は、視神経乳頭形状分類において参照される。分類処理は、任意のプロセッサにより実行され、典型的には人工知能技術を利用して実行される。また、分類処理と同種の人工知能技術が学習においても適用される。

学習は、任意の機械学習技術を利用して実行される。機械学習では、公知技術と同様に、準備されたサンプルデータセットを解析することにより規則・ルール・知識表現・判断基準などを抽出し、アルゴリズムを発展させる。機械学習のアルゴリズムは任意であり、典型的には教師あり学習を適用することができるが、教師なし学習、半教師あり学習、強化学習、トランスダクション、マルチタスク学習などの技術を適用してもよい。

本実施形態では、データ処理部３０に設けられた学習器３２によって機械学習が実行される。他方、眼科情報処理システム１の外部に設けられたコンピュータ（学習器）によって機械学習を行うことができる。学習器３２（又は外部学習器）は、所定の人工知能技術を利用して所定のサンプルデータセットに基づく機械学習を実行することにより分類モデルを生成する。生成された分類モデルは、学習情報２１に含まれる。

本実施形態では、ニューラルネットワーク（ＮＮ）、勾配ブースティング決定木（ＧＢＤＴ）、サポートベクターマシン（ＳＶＭ）、及び、ベイズ（例えばナイーブベイズ（ＮＢ））のうちのいずれかの人工知能技術が利用されるが、他の人工知能技術を利用することも可能である。本実施形態では、利用される人工知能技術に応じた種別のパラメータが学習に用いられる。

視神経乳頭形状分類にニューラルネットワークが利用される場合、陥凹面積、陥凹平均深さ、陥凹最大深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、及び、上方乳頭周囲網膜神経線維平均層厚（これらのうちの少なくとも１つのパラメータでもよい）が、眼底形態データのパラメータとして分類のために参照される。更に、年齢及び等価球面度数（これらのうちの少なくとも１つのパラメータでもよい）が、背景データのパラメータとして分類のために参照される。また、分類のためのパラメータと同じ種別のパラメータが学習に用いられる。なお、等価球面度数の代わりに、これと同等の情報や類似の情報を用いることも可能である。例えば、被検眼の眼軸長や収差から等価球面度数を代替可能なパラメータを求め、これを背景データに含めることが可能である。

視神経乳頭形状分類に勾配ブースティング決定木が利用される場合、水平乳頭傾斜度、鼻側リム乳頭面積比、陥凹平均深さ、陥凹乳頭面積比、及び、上鼻側乳頭周囲網膜神経線維平均層厚（これらのうちの少なくとも１つのパラメータでもよい）が、眼底形態データのパラメータとして分類のために参照される。更に、年齢及び等価球面度数（これらのうちの少なくとも１つのパラメータでもよい）が、背景データのパラメータとして分類のために参照される。また、分類のためのパラメータと同じ種別のパラメータが学習に用いられる。

視神経乳頭形状分類にサポートベクターマシンが利用される場合、乳頭水平径、陥凹平均深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、上方乳頭周囲網膜神経線維平均層厚、及び、乳頭網膜色素上皮高低差（これらのうちの少なくとも１つのパラメータでもよい）が、眼底形態データのパラメータとして分類のために参照される。更に、年齢及び等価球面度数（これらのうちの少なくとも１つのパラメータでもよい）が、背景データのパラメータとして分類のために参照される。また、分類のためのパラメータと同じ種別のパラメータが学習に用いられる。

視神経乳頭形状分類にナイーブベイズが利用される場合、上方乳頭周囲網膜神経線維平均層厚、鼻側リム乳頭面積比、水平乳頭傾斜度、及び、陥凹平均深さ（これらのうちの少なくとも１つのパラメータでもよい）が、眼底形態データのパラメータとして分類のために参照される。更に、年齢及び等価球面度数（これらのうちの少なくとも１つのパラメータでもよい）が、背景データのパラメータとして分類のために参照される。また、分類のためのパラメータと同じ種別のパラメータが学習に用いられる。

人工知能技術の種別に応じたパラメータ（眼底形態データ、背景データ）の選択について説明する。発明者らは、ＯＣＴ画像の読影・解析、カラー眼底像、及び患者背景データに基づいて医師たちが診断した広義開放隅角緑内障の患者のＮ個の眼（サンプル眼）に関するサンプルデータセットに基づき、ニューラルネットワーク学習器、勾配ブースティング決定木学習器、サポートベクターマシン学習器、及び、ナイーブベイズ学習器のそれぞれを用いて機械学習を実施した。

サンプルデータセットには、少なくとも、３次元ＯＣＴデータを解析して得られた眼底形態データが含まれる。例えば、３次元ＯＣＴデータに対してセグメンテーションが適用され、その結果から乳頭外縁と陥凹外縁とが検出され、これら検出結果から眼底形態データが生成される。このような眼底形態データとして、視神経乳頭形状パラメータや、乳頭周囲網膜神経線維層厚などがある。更に、サンプルデータセットは、レーザー散乱を利用した血流画像化装置であるレーザースペックルフローグラフィ（ＬＳＦＧ）により得られた血流動態データを含んでいてよい。

発明者らは、スウェプトソースＯＣＴを利用して、２２種類の視神経乳頭形状パラメータと、２６種類の乳頭周囲網膜神経線維層厚（ｃｐＲＮＦＬＴ）パラメータとを準備した。更に、レーザースペックルフローグラフィを利用して、３６種類の血流パラメータを準備した。また、患者のカルテから７種類の背景パラメータを準備した。

発明者らが考慮したパラメータ（特徴量）のリストを図２に示す。このリストにおいて、Ｎｏ．１～７は７種類の背景パラメータであり、Ｎｏ．８～２９は２２種類の視神経乳頭形状パラメータであり、Ｎｏ．３０～５５は２６種類の乳頭周囲網膜神経線維層厚パラメータであり、Ｎｏ．５６～９１は３６種類の血流パラメータである。

更に、発明者らは、Ｎ個のサンプル眼をランダムにＮ１個のトレーニングデータとＮ２個のテストデータとに分け、トレーニングデータに基づき特徴選択及び機械学習によって分類モデルを作成し、その性能をテストデータに基づき確認した。

発明者らは、Ｎ個のサンプル眼についての医師たちによるニコレラ分類の結果を教師データとした。更に、ニューラルネットワーク、勾配ブースティング決定木、サポートベクターマシン、及びナイーブベイズのそれぞれについて教師あり学習を実施して分類モデルを構築し、その性能を評価した。このとき、９１個のパラメータ（特徴量）のうちから最適なパラメータを選択するために特徴選択を行った。

なお、勾配ブースティング決定木では、特徴選択の手法として埋め込み特徴選択法が適用され、性能評価視標として１０分割交差検証が適用された。また、ニューラルネットワーク、サポートベクターマシン、及びナイーブベイズでは、フィルター型特徴選択法の一つであるｍＲＭＲ（ｍｉｎｉｍｕｍ Ｒｅｄｕｎｄａｎｃｙ Ｍａｘｉｍｕｍ Ｒｅｌｅｖａｎｃｅ）と、ラッパー型特徴選択法の一つである遺伝的アルゴリズム（ＧＡ）とを組み合わせて特徴選択を行い、１０分割交差検証により性能評価を行った。

以上のような分類評価の結果、ニューラルネットワーク、勾配ブースティング決定木、サポートベクターマシン、及びナイーブベイズの全てにおいて、８０パーセント以上の正解率を得た。なお、これら４つのうち最も正解率が高かったのはニューラルネットワークであった。

更に、最適なパラメータ種別として、ニューラルネットワークでは、陥凹面積（Ｎｏ．９）、陥凹平均深さ（Ｎｏ．１８）、陥凹最大深さ（Ｎｏ．１７）、鼻側リム乳頭面積比（Ｎｏ．２２）、水平乳頭傾斜度（Ｎｏ．２６）、上鼻側乳頭周囲網膜神経線維平均層厚（Ｎｏ．３８）、上方乳頭周囲網膜神経線維平均層厚（Ｎｏ．３２）、年齢（Ｎｏ．２）、及び等価球面度数（Ｎｏ．３）が選択された。

勾配ブースティング決定木では、最適なパラメータ種別として、水平乳頭傾斜度（Ｎｏ．２６）、鼻側リム乳頭面積比（Ｎｏ．２２）、陥凹平均深さ（Ｎｏ．１８）、陥凹乳頭面積比（Ｎｏ．１５）、上鼻側乳頭周囲網膜神経線維平均層厚（Ｎｏ．３８）、年齢（Ｎｏ．２）、及び等価球面度数（Ｎｏ．３）が選択された。

サポートベクターマシンでは、最適なパラメータ種別として、乳頭水平径（Ｎｏ．１２）、陥凹平均深さ（Ｎｏ．１８）、鼻側リム乳頭面積比（Ｎｏ．２２）、水平乳頭傾斜度（Ｎｏ．２６）、上鼻側乳頭周囲網膜神経線維平均層厚（Ｎｏ．３８）、上方乳頭周囲網膜神経線維平均層厚（Ｎｏ．３２）、及び、乳頭網膜色素上皮高低差（Ｎｏ．２８）、年齢（Ｎｏ．２）、及び等価球面度数（Ｎｏ．３）が選択された。

ナイーブベイズでは、最適なパラメータ種別として、上方乳頭周囲網膜神経線維平均層厚（Ｎｏ．３２）、鼻側リム乳頭面積比（Ｎｏ．２２）、水平乳頭傾斜度（Ｎｏ．２６）、陥凹平均深さ（Ｎｏ．１８）、年齢（Ｎｏ．２）、及び等価球面度数（Ｎｏ．３）が選択された。

すなわち、ニューラルネットワーク、勾配ブースティング決定木、サポートベクターマシン、及びナイーブベイズのいずれの場合においても、ＯＣＴに基づく幾つかの眼底形態データと、２つの背景データ（年齢、等価球面度数）とが、最適なパラメータ種別として選択された。このような研究結果を利用して眼科情報処理システム１が構築される。

〈データ受付部４０〉
データ受付部４０は、被検者の眼底形態データと背景データとを受け付ける。本実施形態では、例えば、眼底形態データは、ＯＣＴシステム２００により生成されてデータベース３００（電子カルテシステム、ＰＡＣＳ等）に保存され、且つ、背景データは、カルテ入力装置２５０を用いて生成されてデータベース３００（電子カルテシステム）に保存される。

データ受付部４０は、眼底形態データ及び背景データをデータベース３００から受け付ける。例えば、医師等が１以上の患者を指定したとき、指定された各患者のデータが、データ受付部４０を介して眼科情報処理システム１に入力される。或いは、患者ＩＤ等が眼科情報処理システム１に入力されたとき、制御部１０は、その患者ＩＤ又はそれに関連付けられた識別情報を検索クエリとして、データ受付部４０を介してデータベース３００からデータを取得する。

〈通信部５０〉
通信部５０は、他のコンピュータ（外部コンピュータ４００）にデータを送信する処理と、外部コンピュータ４００からデータを受信する処理とを行う。通信部５０は、外部コンピュータ４００との間の通信方式に応じた公知の通信機器を含む。なお、データ受付部４０と通信部５０とが一体であってもよい。

〈データ処理部３０〉
データ処理部３０は、各種のデータ処理を実行する。データ処理部３０は、分類器３１と、学習器３２とを含む。

〈分類器３１〉
分類器３１は、データ受付部４０により受け付けられた眼底形態データと背景データとに基づいて、視神経乳頭形状分類を実行するプロセッサの例である。本実施形態では、分類器３１は、人工知能エンジンを含み、記憶部２０に記憶されている学習情報２１と、データ受付部４０により受け付けられた眼底形態データ及び背景データとに基づいて、視神経乳頭形状分類を実行する。

ニューラルネットワークを利用した人工知能エンジンが適用される場合、例えば、眼底形態データとして、陥凹面積、陥凹平均深さ、陥凹最大深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、及び、上方乳頭周囲網膜神経線維平均層厚が使用され、且つ、背景データとして年齢及び等価球面度数が使用される。また、学習情報２１は、これら眼底形態データと同種のデータ群とこれら背景データと同種のデータ群とに基づく学習により生成された分類モデルを予め含んでいる。この分類モデルの生成は、ニューラルネットワークを利用した学習器３２により実行される。ニューラルネットワークを利用した分類器３１（ニューラルネットワーク分類器）は、この分類モデルと、被検者の眼底形態データ及び背景データとに基づいて、ニコレラ分類の４つの類型のそれぞれについて確信度を求める。なお、４つの類型の全てについて確信度を求める代わりに、いずれか１つ、２つ、又は３つの類型についてのみ確信度を求めるようにしてもよい。

勾配ブースティング決定木を利用した人工知能エンジンが適用される場合、例えば、眼底形態データとして、水平乳頭傾斜度、鼻側リム乳頭面積比、陥凹平均深さ、陥凹乳頭面積比、及び、上鼻側乳頭周囲網膜神経線維平均層厚が使用され、且つ、背景データとして年齢及び等価球面度数が使用される。また、学習情報２１は、これら眼底形態データと同種のデータ群とこれら背景データと同種のデータ群とに基づく学習により生成された分類モデルを予め含んでいる。この分類モデルの生成は、勾配ブースティング決定木を利用した学習器３２により実行される。勾配ブースティング決定木を利用した分類器３１（勾配ブースティング決定木分類器）は、この分類モデルと、被検者の眼底形態データ及び背景データとに基づいて、ニコレラ分類の４つの類型のそれぞれについて確信度を求める。なお、いずれか１つ、２つ、又は３つの類型についてのみ確信度を求めるようにしてもよい。

サポートベクターマシンを利用した人工知能エンジンが適用される場合、例えば、眼底形態データとして、乳頭水平径、陥凹平均深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、上方乳頭周囲網膜神経線維平均層厚、及び、乳頭網膜色素上皮高低差が使用され、且つ、背景データとして年齢及び等価球面度数が使用される。また、学習情報２１は、これら眼底形態データと同種のデータ群とこれら背景データと同種のデータ群とに基づく学習により生成された分類モデルを予め含んでいる。この分類モデルの生成は、サポートベクターマシンを利用した学習器３２により実行される。サポートベクターマシンを利用した分類器３１（サポートベクターマシン分類器）は、この分類モデルと、被検者の眼底形態データ及び背景データとに基づいて、ニコレラ分類の４つの類型のそれぞれについて確信度を求める。なお、いずれか１つ、２つ、又は３つの類型についてのみ確信度を求めるようにしてもよい。

ナイーブベイズを利用した人工知能エンジンが適用される場合、例えば、眼底形態データとして、上方乳頭周囲網膜神経線維平均層厚、鼻側リム乳頭面積比、水平乳頭傾斜度、及び、陥凹平均深さが使用され、且つ、背景データとして年齢及び等価球面度数が使用される。また、学習情報２１は、これら眼底形態データと同種のデータ群とこれら背景データと同種のデータ群とに基づく学習により生成された分類モデルを予め含んでいる。この分類モデルの生成は、ナイーブベイズを利用した学習器３２により実行される。ナイーブベイズを利用した分類器３１（ナイーブベイズ分類器）は、この分類モデルと、被検者の眼底形態データ及び背景データとに基づいて、ニコレラ分類の４つの類型のそれぞれについて確信度を求める。なお、いずれか１つ、２つ、又は３つの類型についてのみ確信度を求めるようにしてもよい。

〈学習器３２〉
学習器３２は、眼底形態データと同種のデータ群と背景データと同種のデータ群とに基づき機械学習を実行することにより学習情報２１を生成する。

ニューラルネットワークを利用した人工知能エンジンが適用される場合、学習器３２は、例えば、陥凹面積、陥凹平均深さ、陥凹最大深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、上方乳頭周囲網膜神経線維平均層厚、年齢、及び等価球面度数に基づき、ニューラルネットワークを利用した機械学習を行うことにより、学習情報２１（分類モデル）を生成する。ニューラルネットワーク分類器３１は、この分類モデルに基づきニコレラ分類を行う。

勾配ブースティング決定木を利用した人工知能エンジンが適用される場合、学習器３２は、例えば、水平乳頭傾斜度、鼻側リム乳頭面積比、陥凹平均深さ、陥凹乳頭面積比、上鼻側乳頭周囲網膜神経線維平均層厚、年齢、及び等価球面度数に基づき、勾配ブースティング決定木を利用した機械学習を行うことにより、学習情報２１（分類モデル）を生成する。勾配ブースティング決定木分類器３１は、この分類モデルに基づきニコレラ分類を行う。

サポートベクターマシンを利用した人工知能エンジンが適用される場合、学習器３２は、例えば、乳頭水平径、陥凹平均深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、上方乳頭周囲網膜神経線維平均層厚、乳頭網膜色素上皮高低差、年齢、及び等価球面度数に基づき、サポートベクターマシンを利用した機械学習を行うことにより、学習情報２１（分類モデル）を生成する。サポートベクターマシン分類器３１は、この分類モデルに基づきニコレラ分類を行う。

ナイーブベイズを利用した人工知能エンジンが適用される場合、学習器３２は、例えば、上方乳頭周囲網膜神経線維平均層厚、鼻側リム乳頭面積比、水平乳頭傾斜度、陥凹平均深さ、年齢、及び等価球面度数に基づき、ナイーブベイズを利用した機械学習を行うことにより、学習情報２１（分類モデル）を生成する。ナイーブベイズ分類器３１は、この分類モデルに基づきニコレラ分類を行う。

〈ユーザインターフェイス１００〉
ユーザインターフェイス１００は、表示部１０１と操作部１０２とを含む。表示部１０１は、フラットパネルディスプレイ等の表示デバイスを含む。操作部１０２は、マウス、キーボード、トラックパッド、ボタン、キー、ジョイスティック、操作パネル等の操作デバイスを含む。

表示部１０１と操作部１０２は、それぞれ個別のデバイスとして構成される必要はない。たとえばタッチパネルのように、表示機能と操作機能とが一体化されたデバイスを用いることも可能である。その場合、操作部１０２は、このタッチパネルとコンピュータプログラムとを含んで構成される。操作部１０２に対する操作内容は、電気信号として制御部１０に入力される。また、表示部１０１に表示されたグラフィカルユーザインターフェイス（ＧＵＩ）と、操作部１０２とを用いて、操作や情報入力を行うようにしてもよい。

〈使用形態〉
眼科情報処理システム１によって実施可能な使用形態について説明する。使用形態の例を図３に示す。この例示的な使用形態では、学習情報２１の生成に続いて、特定の被検者に関する視神経乳頭形状分類(ニコレラ分類)を実行しているが、これらを連続的に行う必要はない。例えば、学習情報２１を所定期間毎に更新するように構成することが可能である。

（Ｓ１：サンプルデータセットを受け付ける）
まず、眼科情報処理システム１のデータ受付部４０が、データベース３００に保存されているサンプルデータセット（眼底形態データ群及び患者背景データ）を、ネットワークを通じて受け付ける。

例えば、制御部１０は、サンプルデータセットの送信要求や、送信対象のデータの種別を示す情報などを、データベース３００に送信するように、データ受付部４０を制御する。具体例として、ニューラルネットワークが採用されている場合、制御部１０は、サンプルデータセットの送信要求（対象疾患名を含む）と、ニューラルネットワークに対応するデータ種別（陥凹面積、陥凹平均深さ、陥凹最大深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、上方乳頭周囲網膜神経線維平均層厚、年齢、及び等価球面度数）を示す情報とを、データベース３００に送信するように、データ受付部４０を制御する。

データベース３００は、例えば、電子カルテ等を参照することで対象疾患名（例えば、開放隅角緑内障）に該当する被検者（患者）を特定し、特定された被検者の電子カルテから年齢及び等価球面度数を取得し、且つ、特定された被検者の陥凹面積、陥凹平均深さ、陥凹最大深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、及び上方乳頭周囲網膜神経線維平均層厚を取得する。

なお、対象となるデータがデータベース３００に保存されていない場合、そのデータを生成することができる。この処理は、眼科情報処理システム１以外の装置が行ってもよいし、眼科情報処理システム１が行ってもよい。

例えば、眼底形態データのいずれかが存在しない場合、データベース３００（ＰＡＣＳ等）に保存されている当該被検者のＯＣＴデータを、解析要求（解析種別情報を含む）とともにＯＣＴシステム２００に送る。ＯＣＴシステム２００は、解析要求に対応する解析処理をこのＯＣＴデータに適用することで目的のデータを生成し、データベース３００に送る。データベース３００は、このデータを眼底形態データとして眼科情報処理システム１に送ることができる。他の例として、電子カルテに等価球面度数が記録されていない場合、電子カルテに記録されている球面度数と乱視度数から等価球面度数を算出することができる。

対象データを眼科情報処理システム１が生成する場合、データベース３００は、その対象データを求めるために必要なデータ（予め決定される）を眼科情報処理システム１に送る。データ処理部３０は、データベース３００から入力されたデータに基づいて対象データを生成する。

（Ｓ２：機械学習を実行する）
学習器３２（又は、眼科情報処理システム１の外部に設けられた学習器）が、ステップＳ１で受け付けられたサンプルデータセットに基づき機械学習を実行することにより、学習情報２１（分類モデル）を生成する。

（Ｓ３：学習情報を保存する）
制御部１０は、ステップＳ２で生成された学習情報２１を記憶部２０に保存する。なお、過去に生成された学習情報が記憶部２０に保存されている場合、過去の学習情報を新たな学習情報で更新することができる。或いは、生成日時情報とともに学習情報を蓄積するように構成してもよい。

（Ｓ４：被検者を指定する）
医師等のユーザ、眼科情報処理システム１、又は外部コンピュータ４００が、１以上の被検者を指定する。

ユーザが被検者を指定する場合、眼科情報処理システム１又は外部コンピュータ４００は、被検者指定用の画面を表示デバイスに表示する。ユーザは、操作デバイスを用いて１以上の被検者を指定する。このとき、例えば、検診を受けたグループをまとめて指定できるようにしてもよい。また、特定の疾患の疑いが有る被検者を（まとめて）指定できるようにしてもよい。

眼科情報処理システム１又は外部コンピュータ４００が被検者を指定する場合、日時、特定疾患名、特定疾患の疑いの有無、スクリーニングの種別などに基づいて、被検者を指定することが可能である。

（Ｓ５：眼底形態データと背景データを受け付ける）
ステップＳ４で指定された１以上の被検者のそれぞれについて、眼科情報処理システム１のデータ受付部４０は、データベース３００に保存されている眼底形態データ群及び患者背景データを、ネットワークを通じて受け付ける。

ここで、送信要求や、送信対象のデータの種別を示す情報や、データベース３００の動作や、眼科情報処理システム１の動作については、ステップＳ１と同様であってよい。

（Ｓ６：各類型の確信度を求める）
分類器３１は、ステップＳ５で受け付けられた眼底形態データ群及び患者背景データと、ステップＳ３で記憶部２０に保存された学習情報２１とに基づいて、各被検者の各被検眼に関するニコレラ分類を実行する。それにより、例えば、ニコレラ分類の４つの類型のそれぞれについて確信度を求める。

（Ｓ７：分類結果を表示する）
出力制御部１１は、ステップＳ６で求められた各類型の確信度を表示部１０１に表示する。

確信度の表示態様の例を図４に示す。本例の表示態様では、ニコレラ分類の４類型の確信度（Ｃｏｎｆｉｄｅｎｃｅ）が、その値の大きい順に上から列挙される。図４に示す例は、上から順に、加齢性硬化型（ＳＳ）の確信度「Ｃｏｎｆｉｄｅｎｃｅ（ＳＳ）」、局所虚血型（ＦＩ）の確信度「Ｃｏｎｆｉｄｅｎｃｅ（ＦＩ）」、近視型（ＭＹ）の確信度「Ｃｏｎｆｉｄｅｎｃｅ（ＭＹ）」、全体的拡大型（ＧＥ）の確信度「Ｃｏｎｆｉｄｅｎｃｅ（ＧＥ）」が配置されたテーブル情報を含む。更に、確信度の数値とともに、その大きさを示す棒グラフ（点線で示す）が提示されている。

このような分類結果の表示態様によれば、ニコレラ分類の各類型の確信度を把握することができ、更に、複数の類型の大きさの相対的な差を容易に把握することができる。よって、被検眼の視神経乳頭の形状が、ニコレラ分類のどの類型に属するか容易に知ることができる。また、眼科情報処理システム１により行われた分類がどの程度の信頼性を有するか容易に知ることができる。

（Ｓ８：分類結果を保存する）
制御部１０は、ステップＳ６で求められた各類型の確信度や、図７で表示された情報を、記憶部２０に保存することができる。また、制御部１０は、このような分類結果を、データベース３００や外部コンピュータ４００に送信することができる。データベース３００や外部コンピュータ４００は、眼科情報処理システム１から受信した分類結果を保存することができる。

〈作用・効果〉
以上に説明した例示的な実施形態の作用及び効果について説明する。

例示的な実施形態に係る眼科情報処理システムは、受付部と、プロセッサとを含む。受付部は、被検者の眼底の形態データと当該被検者の背景データとを受け付ける。プロセッサは、受付部により受け付けられた形態データ及び背景データに基づいて、視神経乳頭形状分類を実行する。

上記の眼科情報処理システム１では、データ受付部４０が受付部に相当し、分類器３１がプロセッサに相当する。また、眼科情報処理システム１は、視神経乳頭形状分類としてニコレラ分類を実施する。

例示的な実施形態に係る眼科情報処理システムは、記憶部を更に含んでいてよい。本例では、視神経乳頭形状分類に用いられる形態データと同種のデータ群及び背景データと同種のデータ群に基づく学習によって、学習情報が生成される。記憶部は、この学習情報を予め記憶する。プロセッサは、記憶部に記憶されている学習情報と、受付部により受け付けられた形態データ及び背景データに基づいて、視神経乳頭形状分類を実行する。

上記の眼科情報処理システム１では、記憶部２０が記憶部に相当し、学習情報２１が学習情報に相当する。

例示的な実施形態に係る眼科情報処理システムにおいて、形態データは、陥凹面積、陥凹平均深さ、陥凹最大深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、及び、上方乳頭周囲網膜神経線維平均層厚のうちの少なくとも１つを含んでよい。また、背景データは、年齢及び等価球面度数の少なくとも一方を含んでよい。更に、学習情報は、ニューラルネットワークを用いた学習によって生成された分類モデルを含む。加えて、プロセッサは、ニューラルネットワーク分類器を含む。

上記の実施形態においてニューラルネットワークが適用される場合、眼科情報処理システム１における典型的な形態データは、陥凹面積、陥凹平均深さ、陥凹最大深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、及び、上方乳頭周囲網膜神経線維平均層厚の全てを含む。更に、典型的な背景データは、年齢及び等価球面度数の双方を含む。また、分類器３１がニューラルネットワーク分類器に相当する。

例示的な実施形態に係る眼科情報処理システムにおいて、形態データは、水平乳頭傾斜度、鼻側リム乳頭面積比、陥凹平均深さ、陥凹乳頭面積比、及び、上鼻側乳頭周囲網膜神経線維平均層厚のうちの少なくとも１つを含む。また、背景データは、年齢及び等価球面度数の少なくとも一方を含む。更に、学習情報は、勾配ブースティング決定木を用いた学習によって生成された分類モデルを含む。加えて、プロセッサは、勾配ブースティング決定木分類器を含む。

上記の実施形態において勾配ブースティング決定木が適用される場合、眼科情報処理システム１における典型的な形態データは、水平乳頭傾斜度、鼻側リム乳頭面積比、陥凹平均深さ、陥凹乳頭面積比、及び、上鼻側乳頭周囲網膜神経線維平均層厚の全てを含む。更に、典型的な背景データは、年齢及び等価球面度数の双方を含む。また、分類器３１が勾配ブースティング決定木分類器に相当する。

例示的な実施形態に係る眼科情報処理システムにおいて、形態データは、乳頭水平径、陥凹平均深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、上方乳頭周囲網膜神経線維平均層厚、及び、乳頭網膜色素上皮高低差のうちの少なくとも１つを含む。また、背景データは、年齢及び等価球面度数の少なくとも一方を含む。更に、学習情報は、サポートベクターマシンを用いた学習によって生成された分類モデルを含む。加えて、プロセッサは、サポートベクターマシン分類器を含む。

上記の実施形態においてサポートベクターマシンが適用される場合、眼科情報処理システム１における典型的な形態データは、乳頭水平径、陥凹平均深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、上方乳頭周囲網膜神経線維平均層厚、及び、乳頭網膜色素上皮高低差の全てを含む。更に、典型的な背景データは、年齢及び等価球面度数の双方を含む。また、分類器３１がサポートベクターマシン分類器に相当する。

例示的な実施形態に係る眼科情報処理システムにおいて、形態データは、上方乳頭周囲網膜神経線維平均層厚、鼻側リム乳頭面積比、水平乳頭傾斜度、及び、陥凹平均深さのうちの少なくとも１つを含む。また、背景データは、年齢及び等価球面度数の少なくとも一方を含む。更に、学習情報は、ベイズ（の定理）（例えばナイーブベイズ）を用いた学習によって生成された分類モデルを含む。加えて、プロセッサは、ベイズ分類器を含む。

上記の実施形態においてベイズが適用される場合、眼科情報処理システム１における典型的な形態データは、上方乳頭周囲網膜神経線維平均層厚、鼻側リム乳頭面積比、水平乳頭傾斜度、及び、陥凹平均深さの全てを含む。更に、典型的な背景データは、年齢及び等価球面度数の双方を含む。また、分類器３１がベイズ分類器に相当する。

例示的な実施形態に係る眼科情報処理システムは、学習器を更に含んでよい。学習器は、視神経乳頭形状分類に用いられる形態データと同種のデータ群及び背景データと同種のデータ群に基づく学習を実行することで学習情報を生成する。

上記の眼科情報処理システム１では、学習器３２が学習器に相当する。

例示的な実施形態に係る眼科情報処理システムにおいて、プロセッサは、視神経乳頭形状分類により、視神経乳頭形状の１以上の類型のそれぞれについての確信度を求める。更に、例示的な実施形態に係る眼科情報処理システムは、視神経乳頭形状の１以上の類型の確信度を表示デバイスに表示させる表示制御部を更に含んでよい。

上記の眼科情報処理システム１の典型的な使用形態では、ニコレラ分類の４類型の全てについて確信度を求めている。更に、上記の眼科情報処理システム１では、出力制御部１１が表示制御部に相当し、表示部１０１が表示デバイスに相当する。なお、表示デバイスは眼科情報処理システムに含まれてもよいし、含まれなくてもよい。

例示的な実施形態に係る眼科情報処理システムにおいて、視神経乳頭形状分類に用いられる形態データの少なくとも一部は、光コヒーレンストモグラフィを使用して収集された眼底のデータを解析することにより生成されてよい。

上記の眼科情報処理システム１では、眼底の３次元領域がＯＣＴスキャンされる。解析では、このＯＣＴスキャンにより収集された３次元ＯＣＴデータにセグメンテーションを適用することで、眼底の層構造が特定される。この層構造に基づいて、乳頭領域（ｄｉｓc）、陥凹領域（ｃｕｐ）、リム領域（ｒｉｍ）、乳頭周囲網膜神経線維層などが特定される。そして、乳頭領域の面積や径、陥凹領域の面積や径、リム領域の面積や径などが算出される。また、乳頭領域、陥凹領域、及びリム領域のうちのいずれか２つの面積比や径比が算出される。更に、陥凹領域の深さ、乳頭領域の傾きなどが算出される。また、複数のセクターにおける乳頭周囲網膜神経線維層厚が算出され、更に、これらセクターにおける層厚値に基づき特徴量が算出される。

例示的な実施形態に係る眼科情報処理システムは、解析プロセッサを更に含んでよい。解析プロセッサは、光コヒーレンストモグラフィを使用して収集された眼底のデータを解析して形態データを生成する。

上記の眼科情報処理システム１では、ＯＣＴシステム２００（解析機能）、データ処理部３０、及び外部コンピュータ４００のうちの少なくとも１つが、解析プロセッサとして機能する。

例示的な実施形態に係る眼科情報処理システムは、光コヒーレンストモグラフィを使用して眼底のデータを収集する光コヒーレンストモグラフィ装置を更に含んでよい。

上記の眼科情報処理システム１では、ＯＣＴシステム２００（データ収集機能）が光コヒーレンストモグラフィ装置として機能する。

例示的な実施形態に係る眼科情報処理システムにおいて、受付部は、背景データの少なくとも一部を電子カルテシステムから直接的に又は間接的に受け付けるように構成されてよい。

上記の眼科情報処理システム１では、データベース３００に電子カルテシステムが含まれ、年齢及び等価球面度数が電子カルテシステムから取得される。

例示的な実施形態に係る眼科情報処理方法は、コンピュータを用いて実現される。コンピュータは、被検者の眼底の形態データと当該被検者の背景データとを受け付け、受け付けられた形態データと背景データとに基づいて視神経乳頭形状分類を実行する。

例示的な実施形態に係るプログラムは、このような例示的な実施形態に係る眼科情報処理方法をコンピュータに実行させるプログラムである。

例示的な実施形態に係る記録媒体は、このような例示的な実施形態に係るプログラムを記録したコンピュータ読み取り可能な記録媒体である。

以上のように構成された例示的な実施形態によれば、医師の主観に頼る従来の乳頭形状分類に代わる、自動的な乳頭形状分類が可能となる。それにより、例えば、有病率が比較的高い疾患や早期発見が重要な疾患のスクリーニングを広く提供することが可能になる。また、緑内障などの疾患の診療において、乳頭形状に応じた治療方針の決定を容易に行うことができる。

更に、例示的な実施形態によれば、光コヒーレンストモグラフィを用いて収集されたデータを解析して乳頭形状パラメータを定量化することが可能である。したがって、眼底カメラやＳＬＯで得られた眼底像を参照する従来のケースと比較して、乳頭形状パラメータの定量化が容易であり、乳頭形状分類の自動化がより促進される。

また、例示的な実施形態によれば、乳頭形状分類に対する貢献度が高いパラメータを選択的に参照することができるので、無駄に多くのデータを参照することなく良好な精度及び確度で分類を行うことが可能である。

このように、例示的な実施形態によれば、良好な精度及び確度での乳頭形状分類を自動で行うことが可能である。

また、前述した特徴選択を実行可能に構成された例示的な実施形態によれば、大規模なシステムを用いることなく、良好な精度及び確度での乳頭形状分類を自動で行うことが可能である。

実施形態に係る眼科情報処理方法に含まれる工程や、眼科情報処理システムに含まれる要素（構成、動作等）は、上記の例示に限定されるものではない。

以上に説明した実施形態は本発明の一例に過ぎない。本発明を実施しようとする者は、本発明の要旨の範囲内における変形（省略、置換、付加等）を任意に施すことが可能である。

例示的な変形として、前述したような特徴選択を実行しない構成を適用することができる。例えば、ランダムフォレスト等の学習アルゴリズムを用いることにより、特徴選択を行うことなく視神経乳頭形状分類を行うように構成することが可能である。

他の例示的な変形として、眼底カメラやＳＬＯを用いて取得された眼底像を利用することも可能である。例えば、眼底カメラ及び／又はＳＬＯを使用して取得された眼底像を解析することにより形態データの少なくとも一部を生成することが可能である。眼底カメラ又はＳＬＯを用いて取得された眼底像から生成可能な形態データの例として、乳頭面積、陥凹面積、リム面積、乳頭径、陥凹径、リム径などがある。

１ 眼科情報処理システム
１０ 制御部
１１ 出力制御部
２０ 記憶部
２１ 学習情報
３０ データ処理部
３１ 分類器
３２ 学習器
４０ データ受付部
５０ 通信部
１００ ユーザインターフェイス
１０１ 表示部
１０２ 操作部
２００ ＯＣＴシステム
２５０ カルテ入力装置
３００ データベース
４００ 外部コンピュータ

Claims (14)

1. 被検者の視神経乳頭の形態データと当該被検者の背景データとを受け付ける受付部と、
   前記形態データと同種のデータ群及び前記背景データと同種のデータ群に基づき機械学習を実行することにより生成された学習情報を予め記憶する記憶部と、
   前記学習情報と前記形態データと前記背景データとに基づいて、前記機械学習に用いられた人工知能エンジンと同種の人工知能エンジンを適用することにより、視神経乳頭形状分類を実行するプロセッサと
   を含む眼科情報処理システム。
2. 前記形態データは、陥凹面積、陥凹平均深さ、陥凹最大深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、及び、上方乳頭周囲網膜神経線維平均層厚のうちの少なくとも１つを含み、
   前記背景データは、年齢及び等価球面度数の少なくとも一方を含み、
   前記学習情報は、ニューラルネットワークを用いた学習によって生成された分類モデルを含み、
   前記プロセッサは、ニューラルネットワーク分類器を含む
   ことを特徴とする請求項１に記載の眼科情報処理システム。
3. 前記形態データは、水平乳頭傾斜度、鼻側リム乳頭面積比、陥凹平均深さ、陥凹乳頭面積比、及び、上鼻側乳頭周囲網膜神経線維平均層厚のうちの少なくとも１つを含み、
   前記背景データは、年齢及び等価球面度数の少なくとも一方を含み、
   前記学習情報は、勾配ブースティング決定木を用いた学習によって生成された分類モデルを含み、
   前記プロセッサは、勾配ブースティング決定木分類器を含む
   ことを特徴とする請求項１に記載の眼科情報処理システム。
4. 前記形態データは、乳頭水平径、陥凹平均深さ、鼻側リム乳頭面積比、水平乳頭傾斜度、上鼻側乳頭周囲網膜神経線維平均層厚、上方乳頭周囲網膜神経線維平均層厚、及び、乳頭網膜色素上皮高低差のうちの少なくとも１つを含み、
   前記背景データは、年齢及び等価球面度数の少なくとも一方を含み、
   前記学習情報は、サポートベクターマシンを用いた学習によって生成された分類モデルを含み、
   前記プロセッサは、サポートベクターマシン分類器を含む
   ことを特徴とする請求項１に記載の眼科情報処理システム。
5. 前記形態データは、上方乳頭周囲網膜神経線維平均層厚、鼻側リム乳頭面積比、水平乳頭傾斜度、及び、陥凹平均深さのうちの少なくとも１つを含み、
   前記背景データは、年齢及び等価球面度数の少なくとも一方を含み、
   前記学習情報は、ベイズを用いた学習によって生成された分類モデルを含み、
   前記プロセッサは、ベイズ分類器を含む
   ことを特徴とする請求項１に記載の眼科情報処理システム。
6. 前記形態データと同種のデータ群及び前記背景データと同種のデータ群に基づき前記機械学習を実行することにより前記学習情報を生成する学習器を更に含む
   ことを特徴とする請求項１～５のいずれかに記載の眼科情報処理システム。
7. 前記プロセッサは、前記視神経乳頭形状分類により、視神経乳頭形状の１以上の類型のそれぞれについての確信度を求め、
   前記１以上の類型の前記確信度を表示デバイスに表示させる表示制御部を更に含む
   ことを特徴とする請求項１～６のいずれかに記載の眼科情報処理システム。
8. 前記形態データの少なくとも一部は、光コヒーレンストモグラフィを使用して収集された眼底のデータを解析することにより生成される
   ことを特徴とする請求項１～７のいずれかに記載の眼科情報処理システム。
9. 光コヒーレンストモグラフィを使用して収集された眼底のデータを解析して形態データを生成する解析プロセッサを更に含む
   ことを特徴とする請求項８に記載の眼科情報処理システム。
10. 光コヒーレンストモグラフィを使用して眼底のデータを収集する光コヒーレンストモグラフィ装置を更に含む
    ことを特徴とする請求項９に記載の眼科情報処理システム。
11. 前記受付部は、前記背景データの少なくとも一部を電子カルテシステムから直接的に又は間接的に受け付ける
    ことを特徴とする請求項１～１０のいずれかに記載の眼科情報処理システム。
12. コンピュータを用いた眼科情報処理方法であって、
    前記コンピュータが、
    被検者の視神経乳頭の形態データと当該被検者の背景データとを受け付け、
    前記形態データと同種のデータ群及び前記背景データと同種のデータ群に基づき機械学習を実行することにより生成された学習情報を取得し、
    前記学習情報と前記形態データと前記背景データとに基づいて、前記機械学習に用いられた人工知能エンジンと同種の人工知能エンジンを適用することにより、視神経乳頭形状分類を実行する
    ことを特徴とする眼科情報処理方法。
13. 請求項１２に記載の眼科情報処理方法をコンピュータに実行させるプログラム。
14. 請求項１３に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。

Images