JP7082352B2 - 技工料金自動算出システム、技工料金自動算出方法及びプログラム - Google Patents

Description

本発明は技工料金自動算出発行システム、技工料金自動算出方法及びプログラムに関し、特に補綴物の画像から請求の根拠又は請求額を推定する技術に関する。

従来より、歯科医院と歯科技工所との間の受発注は指示書を介して行われている。指示書は、歯科医院が発行する書面であって、例えば患者の氏名、技工物名、数量及び技工物の仕様（使用材料や作成方法等に関する指示を含み得る）、発注元の歯科医院名、発注先の歯科技工所名等が記載される。一般に、歯科医院は既製の指示書用紙に必要事項を手書きで記入して指示書を作成する。

特許文献１には、複数の歯科医院と複数の歯科技工所との間で補綴物（上記技工物に相当）の受発注を行うことのできるコンピュータシステムが記載されている。

特開２０１６－０７１７８４号公報

特許文献１記載のシステムは、従来の書面ベースの受発注業務をコンピュータシステム化することにより、利便性を向上させるものである。歯科技工所は、特許文献1記載のようなシステムで発行され又は既成の用紙に手書きされた指示書に基づいて、補綴物を作成する。そして完成した補綴物について、補綴物の名称、数量、使用材料の種類及び量並びに作成方法等（以下、請求の根拠という）に基づく請求金額を計算し、歯科医院に請求する。

ここで請求の根拠又は請求額は、もっぱら歯科技工所の自己申告に依存している。歯科技工所が具体的な使用材料や工程に関する記録を残すことができれば、その記録に基づいて請求の根拠又は請求額を計算することも可能であるが、容易なことではない。指示書に基づいて請求の根拠又は請求額を計算することも可能であるが、歯科技工所は指示書に明確に記載されない事項を忖度して補綴物を作成する場合もあるので、この方法も必ずしも適切ではない。そこで実際には、歯科技工所は、完成した補綴物やその写真を参照しながら、妥当と思われる請求の根拠又は請求額を経験等に基づいて計上することが少なくない。

しかしながら、このようにして算出された請求の根拠又は請求額は、客観的に正確性を裏付けることが困難である。歯科技工所、歯科医院又は監査機関等それぞれにとって、請求の根拠又は請求額の妥当性は重大な関心事である。そのため、個々の補綴物の請求の根拠又は請求額について、その妥当性を客観的に裏付けるための手段を提供することが望まれる。

本発明は、このような問題点を解決するためになされたものであり、補綴物の画像から請求の根拠又は請求額を推定することが可能な技工料金自動算出システム、技工料金自動算出方法及びプログラムを提供することを目的とする。

本発明の一実施の形態に係る技工料金自動算出システムは、補綴物の画像データを入力する画像データ入力部と、前記補綴物にかかる請求金額の算定根拠となる根拠データを入力する根拠データ入力部と、前記画像データと前記根拠データとを入力して、前記画像データと前記根拠データとの相関性を示す学習モデルを構築する学習部と、を備える。
本発明の一実施の形態に係る技工料金自動算出システムは、前記学習部は、前記画像データを入力して、前記学習モデルに基づき、前記画像データとの相関性が高い前記根拠データを出力し、前記根拠データに基づいて前記請求金額を推定する請求金額推定部を更に備える。
本発明の一実施の形態に係る技工料金自動算出システムは、前記画像データ入力部は、前記補綴物の画像データ及び指示書に関する画像データを入力し、前記学習部が前記補綴物の画像データに基づいて出力する前記根拠データと、前記指示書の記載内容と、が相違する場合に、前記学習部は、前記指示書の記載内容を用いて前記学習モデルを更新する。
本発明の一実施の形態に係る技工料金自動算出システムは、前記画像データ入力部は、前記補綴物の画像データ及び指示書に関する画像データを入力し、前記学習部が前記補綴物の画像データに基づいて出力する前記根拠データと、前記指示書の記載内容と、が相違する場合に、前記請求金額推定部は、前記相違した事項を出力する。
本発明の一実施の形態に係る技工料金自動算出方法は、コンピュータが、補綴物の画像データを入力する画像データ入力ステップと、前記補綴物にかかる請求金額の算定根拠となる根拠データを入力する根拠データ入力ステップと、前記画像データと前記根拠データとを入力して、前記画像データと前記根拠データとの相関性を示す学習モデルを構築する学習ステップと、を備える。
本発明の一実施の形態に係る技工料金自動算出システムは、前記学習ステップでは、前記画像データを入力して、前記学習モデルに基づき、前記画像データとの相関性が高い前記根拠データを出力し、前記根拠データに基づいて前記請求金額を推定する請求金額推定ステップを更に備える。
本発明の一実施の形態に係る技工料金自動算出システムは、前記画像データ入力ステップでは、前記補綴物の画像データ及び指示書に関する画像データを入力し、前記学習ステップにおいて前記補綴物の画像データに基づいて出力される前記根拠データと、前記指示書の記載内容と、が相違する場合に、前記指示書の記載内容を用いて前記学習モデルを更新するステップをさらに有する。
本発明の一実施の形態に係る技工料金自動算出システムは、前記画像データ入力ステップでは、前記補綴物の画像データ及び指示書に関する画像データを入力し、前記学習ステップにおいて前記補綴物の画像データに基づいて出力する前記根拠データと、前記指示書の記載内容と、が相違する場合に、前記相違した事項を出力するステップをさらに有する。
本発明の一実施の形態に係るプログラムは、上記方法をコンピュータに実行させるためのプログラムである。
本発明の一実施の形態に係る技工料金自動算出システムは、補綴物の画像データを入力する画像データ入力部と、前記補綴物にかかる請求金額を入力する根拠データ入力部と、前記画像データと前記請求金額とを入力して、前記画像データと前記請求金額との相関性を示す学習モデルを構築する学習部と、を備える技工料金自動算出システムである。

本発明により、補綴物の画像から請求の根拠又は請求額を推定することが可能な技工料金自動算出システム、技工料金自動算出方法及びプログラムを提供することができる。

技工料金自動算出システム１００の一構成を示すブロック図である。 技工料金自動算出システム１００の一構成を示すブロック図である。 実施例１における技工料金自動算出システム１００の動作を示すフローチャートである。 料金テーブルの一例を示す図である。 実施例２における技工料金自動算出システム１００の動作を示すフローチャートである。 実施例３における技工料金自動算出システム１００の動作を示すフローチャートである。

以下、本発明を適用した具体的な実施の形態について、図面を参照しながら詳細に説明する。まず、図１のブロック図を用いて、本発明の実施の形態にかかる技工料金自動算出システム１００の構成について説明する。

技工料金自動算出システム１００は、補綴物の画像と請求の根拠との相関関係を機械学習により自ら学習する情報処理装置である。技工料金自動算出システム１００は、典型的には中央処理装置（ＣＰＵ）が記憶装置から読み出したソフトウェア（学習アルゴリズム等）を実行することにより所定の処理を実現する情報処理システムである。技工料金自動算出システム１００は、１つの情報処理装置により構成されても良く、複数の情報処理装置が分散的に処理を行うことにより構成されても良い。

技工料金自動算出システム１００は、補綴物の画像データを取得する画像データ入力部１１０と、補綴物にかかる請求の根拠の一部を示す根拠データを取得する根拠データ入力部１２０と、画像データと根拠データとの相関性を学習する学習部１３０と、請求金額を推定する請求金額推定部１４０とを備える。

画像データ入力部１１０は、ハードウェア（ＣＰＵ等）により実現されても良く、ソフトウェアにより定義された機能をハードウェアが実行することにより論理的に実現されるものであっても良い。画像データ入力部１１０に入力される画像データは、典型的には歯科技工所により作成された補綴物をカメラで撮影して得られた２次元画像データである。又は、２次元画像データに奥行情報を加えた３次元画像データや、３次元スキャナ等により生成された３次元モデルデータを画像データとして用いても良い。

画像データ入力部１１０は、入力された画像データから特徴量を抽出することができる。画像データからの特徴量抽出手法として典型的なものに深層学習（ディープラーニング）がある。深層学習は、多層のニューラルネットワークを用いた機械学習手法である。深層学習では、誤差逆伝播法（バックプロパゲーション）と称される手法を用いることにより、入力データを多層ニューラルネットワークに入力した際の出力誤差が最小となるように学習を行う。これにより、多層ニューラルネットワークは入力データの特徴量を抽出可能に調整される。

また画像データ入力部１１０は、補綴物の画像データとともに、その補綴物にかかる指示書の画像データを入力しても良い。補綴物の画像データと指示書の画像データとは別体であってもよく、同一であっても（すなわち１つの画像に補綴物と指示書とが写し込まれていても）良い。画像データ入力部１１０は、指示書の画像データから指示書の記載事項を抽出する。例えば画像データ入力部１１０は、指示書に記載されているバーコードやＱＲコード等を読み取り、バーコードやＱＲコード等に含まれる識別情報を取得し、識別情報をキーとして図示しない指示書の管理システム等から請求の根拠となる情報を取得することができる。あるいは画像データ入力部１１０は、ＯＣＲ（Ｏｐｔｉｃａｌ Ｃｈａｒａｃｔｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ）等の公知技術を利用して、指示書に記載されている請求の根拠となる情報を取得しても良い。指示書から取得されたこれらの情報は、学習モードにおいて根拠データとして使用できる。あるいは、判定モードにおいて判定結果の妥当性を検証するために使用することができる。

根拠データ入力部１２０は、ハードウェア（ＣＰＵ等）により実現されても良く、ソフトウェアにより定義された機能をハードウェアが実行することにより論理的に実現されるものであっても良い。根拠データ入力部１２０に入力される根拠データは、例えば画像データに含まれる補綴物の種類（すなわち補綴物の名称）、補綴物の数量である。加えて、補綴物を作成する際に使用された材料名、材料の使用量、作成方法等を含んでも良い。すなわち請求の根拠を構成する１又は複数の情報が根拠データである。

なお、商慣行等によっては、補綴物の種類ごとに、請求の根拠を構成する根拠データが異なる場合がある。例えば補綴物の種類が「入れ歯」である場合、材料の使用量は請求の根拠として用いられない。一方、他の補綴物の種類においては、材料の使用量が請求の根拠として用いられることがある。このような場合に対応するため、根拠データ入力部１２０は、入力された根拠データのうち、必要な根拠データのみを学習部１３０に出力する機能を備えていても良い。例えば根拠データ入力部１２０は、補綴物の種類と、必要な根拠データと、を対応付けたテーブルを備える。根拠データ入力部１２０は、根拠データが入力されたならば当該テーブルを参照し、補綴物の種類に対応する根拠データのみを出力することができる。

学習部１３０は、ハードウェア（ＣＰＵ等）により実現されても良く、ソフトウェアにより定義された機能をハードウェアが実行することにより論理的に実現されるものであっても良い。学習部１３０は、公知の任意の機械学習アルゴリズムに従って、画像データ（画像データの特徴量を含むが、以下単に画像データと称する）と根拠データとの相関関係を学習する学習モードと、入力された画像データに相関の高い根拠データを、学習モードでの学習結果を用いて出力する判定モードとを有する。

学習モードにおいて、学習部１３０は、様々な画像データと根拠データとの組を繰り返し入力し、学習過程を繰り返し実行する。このように学習過程を繰り返し実行することにより、画像データと根拠データとの相関性を示す学習モデルが構築される。学習モデルが示す相関性は、学習過程が進むにつれて徐々に信頼性を増してゆく。十分に信頼できる水準の学習モデルが構築されると、その学習モデルは、入力された画像データに対して、どのような根拠データが最も相関性が高いのかを判定するために使用できるものとなる。

図２は、学習アルゴリズムとして教師あり学習を実行する学習部１３０を備えた技工料金自動算出システム１００の構成を示すブロック図である。教師あり学習とは、入力とそれに対応する出力とからなるデータセット（以下、教師データ）を大量に入力し、大量の教師データから入力と出力との相関性を識別して学習モデルを構築してゆく手法である。教師あり学習は、例えばニューラルネットワークを用いて実現することができるが、公知技術であるためここではその詳細な構成に関しては説明を省略する。

学習部１３０は、画像データ及び根拠データから導かれる相関性モデルＭと、予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部１３１と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部１３２とを備える。学習部１３０は、モデル更新部１３２が相関性モデルＭの更新を繰り返すことによって画像データと根拠データとの相関関係を学習していく。

相関性モデルＭの初期値は、例えば、画像データと根拠データとの相関性を単純化して（例えば一次関数で）表現したものであり、教師あり学習の開始前に学習部１３０に与えられる。教師データＴは、例えば、過去に作成された補綴物の画像と、その補綴物を作製した際に正確に記録した請求の根拠とのデータセットである。誤差計算部１３１は、学習部１３０に与えられた大量の教師データＴから画像データと根拠データとの相関性を示す相関性特徴を識別し、この相関性特徴と、現在状態における画像データ及び根拠データに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部１３２は、予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。この過程を繰り返すことにより、相関性モデルＭは画像データと根拠データとの相関性を正確に示すものとなるよう徐々に調整される。

判定モードにおいて、学習部１３０は、学習モードにおいて構築された学習モデルに基づき、画像データに対応する根拠データを自動的かつ正確に求めることができる。すなわち補綴物の画像データを学習モデルに入力として与えることにより、学習モデルがその補綴物にかかる請求の根拠（補綴物の名称、数量、使用材料の種類及び量並びに作成方法等）を自動的かつ正確に出力する。

請求金額推定部１４０は、判定モードにおいて学習部１３０が出力した請求の根拠に基づいて、請求金額を算出する。例えば請求金額推定部１４０は、請求の根拠と請求単価との対応関係や、請求金額の算出ルール等を定義した料金テーブルを有する。例えば料金テーブルは、材料の単位量あたりの単価を材料名毎に定義したものや、作成方法毎に技術料金を定義したもの、補綴物の種類毎に請求金額の積算ルールを定義したものであって良い。請求金額推定部１４０は、学習部１３０が出力した請求の根拠と、料金テーブルの記載内容とを用いて、請求金額を積算する。

材料単価や工賃単価等は、社会情勢等に応じ変動することがある。また請求金額の算出ルール等も、法令の改変等に伴い変更されることがある。このような場合にも、本実施の形態によれば、料金テーブルの記載内容を修正することで引続き正しい請求金額を算出することが可能である。すなわち、改めて学習過程を実行して学習モデルを作成し直す必要がない。

以下、実施例として、上述の学習過程を経て生成された学習モデルを利用する方法について幾つかの例を開示する。

＜実施例１＞
実施例１は、学習モデルを利用して、補綴物にかかる請求金額を自動算出する技工料金自動算出システム１００に関する。図３のフローチャートを用いて、実施例１にかかる技工料金自動算出システム１００の動作について説明する。

Ｓ１０１：画像データ入力部１１０が、補綴物の画像データを取得する。例えば歯科技工士が、自らが作成した補綴物を、画像データ入力部１１０の構成要素としてのカメラを備えたスマートフォンで撮影する。画像データ入力部１１０は、画像データから特徴量を抽出する。

Ｓ１０２：画像データ入力部１１０が、Ｓ１０１で取得された画像データの特徴量を学習部１３０に入力する。学習部１３０は、画像データの特徴量を学習モデルに入力し、画像データと相関性の高い根拠データを出力として得る。ここで得られる根拠データは、例えば補綴物の種類（すなわち補綴物の名称）、補綴物の数量、使用した材料名、材料の使用量等を含む。

Ｓ１０３：請求金額推定部１４０が、Ｓ１０２で得られた根拠データと、予め保持している料金テーブルと、に基づき請求金額を算定する。

図４に、料金テーブルの一例を示す。この料金テーブルでは、材料名ごとに単価が、補綴物の種類ごとに作成技術料がそれぞれ定義されている。この場合、請求金額推定部１４０は式（１）により請求金額を算定できる。
請求金額 ＝ 補綴物の数量 ＊ （使用した材料名の単価 ＊ 使用量 ＋ 補綴物の種類の作成技術料） ・・・（１）

例えば、Ｓ１０２で得られた根拠データによれば、補綴物の数量が１、補綴物の種類がＡ、補綴物の数量が１、使用した材料名がＰ、材料の使用量が１０であるとする。また料金テーブルによれば、材料Ｐの単価は１００円、補綴物Ａの作成技術料は１０００円であるとする。この場合の請求金額は、
１ ＊ （１００円 ＊ １０ ＋ １０００円） ＝ ２０００円
となる。

Ｓ１０４：請求金額推定部１４０が、Ｓ１０３で算定した請求金額を出力する。例えば、図示しない表示装置に請求金額を表示することができる。あるいは、図示しない請求システムに対して請求金額を提供し、請求システムが請求書を発行する際に利用することもできる。

＜実施例２＞
実施例２は、学習モデルを随時更新し、推定精度を継続的に維持及び向上させることができる自動算出システム１００に関する。図５のフローチャートを用いて、実施例２にかかる技工料金自動算出システム１００の動作について説明する。

Ｓ２０１：実施例１のＳ１０１と同様に、画像データ入力部１１０が画像データを取得する。本実施例の画像データには、補綴物と、指示書とが写し込まれているものとする。

画像データ入力部１１０は、画像中に指示書の特徴（バーコード、ＱＲコード、書類のタイトル等）を認識したならば、指示書中の請求の根拠となる情報を取得する。バーコードやＱＲコード等が認識された場合、画像データ入力部１１０は、バーコードやＱＲコード等に含まれる一意の識別情報を取得する。そして、図示しない指示書の管理システム等から、識別情報に対応付けて保存されている請求の根拠となる情報（補綴物の種類、補綴物の数量、使用した材料名、材料の使用量等）を取得する。又は、指示書に請求の根拠となる情報が直接記載されていれば、画像データ入力部１１０はＯＣＲ等の公知技術を利用して、請求の根拠となる情報を読み取ることができる。

また、画像データ入力部１１０は、実施例１のＳ１０１と同様に、画像データから補綴物の特徴量を抽出する。

Ｓ２０２：実施例１のＳ１０２と同様に、画像データ入力部１１０が、Ｓ１０１で取得された画像データの特徴量を学習部１３０に入力する。学習部１３０は、画像データの特徴量を学習モデルに入力し、画像データと相関性が高いと推定される根拠データを出力として得る。

Ｓ２０３：請求金額推定部１４０は、Ｓ２０２で学習モデルから得られた根拠データと、Ｓ２０１で指示書から得られた請求の根拠となる情報と、を比較する。両者が一致している場合、学習モデルの精度は適切と考えられるので、Ｓ２０４に遷移する。一方、両者が一致していなければ、学習モデルの精度を向上させる処理を行うためＳ２０５に遷移する。

Ｓ２０４：請求金額推定部１４０が、実施例１のＳ１０３と同様に、Ｓ２０２で得られた根拠データと、予め保持している料金テーブルと、に基づき請求金額を算定する。

Ｓ２０５：学習モデルの精度を維持及び向上させるためには、新たな学習用データを加えて学習モデルを更新することが有効である。学習モデルの典型的な更新方法として、過去の学習データと新たな学習データを一度に与えて新たに学習モデルを作り直すバッチ処理と、新たな学習データのみを与えて既存の学習モデルを逐次更新する追加学習（オンライン学習とも称される）とがある。本実施例では、計算にかかる負荷や時間を抑制可能なオンライン学習により学習モデルを更新する。

画像データ入力部１１０は、Ｓ２０１で取得した補綴物の画像データの特徴量を学習部１３０に出力する。また根拠データ入力部１２０は、Ｓ２０１で指示書から得られた請求の根拠となる情報を、根拠データとして学習部１３０に出力する。学習部１３０は、これらの画像データと根拠データとのセットを使用してオンライン学習を行い、学習モデルを更新する。なおオンライン学習を実施するための具体的処理については、例えば下記文献に記載されているように公知技術であるから、ここでは詳細な説明を省略する。
Ｓｈａｉ Ｓｈａｌｅｖ-Ｓｈｗａｒｔｚ，「Ｏｎｌｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｏｎｌｉｎｅ Ｃｏｎｖｅｘ Ｏｐｔｉｍｉｚａｔｉｏｎ」，Ｆｏｕｎｄａｔｉｏｎｓ ａｎｄ Ｔｒｅｎｄｓ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ，２０１１年，Ｖｏｌ．４，Ｎｏ．２，第１０７－１９４頁

Ｓ２０６：請求金額推定部１４０が、実施例１のＳ１０３と同様に、Ｓ２０１で指示書から得られた請求の根拠となる情報と、予め保持している料金テーブルと、に基づき請求金額を算定する。

Ｓ２０７：請求金額推定部１４０が、Ｓ２０４又はＳ２０６で算定した請求金額を出力する。

＜実施例３＞
実施例３は、十分に学習が進んだ（すなわち十分な推定精度を有する）学習モデルを用いて指示書の正確さをチェックすることができる自動算出システム１００に関する。図６のフローチャートを用いて、実施例３にかかる技工料金自動算出システム１００の動作について説明する。

Ｓ３０１：実施例１のＳ１０１と同様に、画像データ入力部１１０が画像データを取得する。本実施例の画像データには、補綴物と、指示書とが写し込まれているものとする。画像データ入力部１１０は、実施例２のＳ２０１と同様に、指示書中の請求の根拠となる情報を取得する。

Ｓ３０２：実施例１のＳ１０２と同様に、画像データ入力部１１０が、Ｓ３０１で取得された画像データの特徴量を学習部１３０に入力する。学習部１３０は、画像データの特徴量を学習モデルに入力し、画像データと相関性が高いと推定される根拠データを出力として得る。

Ｓ３０３：請求金額推定部１４０が、実施例１のＳ１０３と同様に、Ｓ３０２で得られた根拠データと、予め保持している料金テーブルと、に基づき請求金額を算定する。

Ｓ３０４：請求金額推定部１４０が、Ｓ３０３で算定した請求金額を出力する。

Ｓ３０５：請求金額推定部１４０は、Ｓ３０２で学習モデルから得られた根拠データと、Ｓ３０１で指示書から得られた請求の根拠となる情報と、を比較する。両者が一致している場合、指示書の内容は正確と考えられる。一方、両者が一致していなければＳ３０６に遷移する。

Ｓ３０６：請求金額推定部１５０は、Ｓ３０１で指示書から得られた請求の根拠となる情報のうち、Ｓ３０２で学習モデルから得られた根拠データと相違する部分を出力する。例えば、図示しない表示装置に相違した項目を表示することができる。

なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述の実施の形態では、根拠データ入力部１２０には請求の根拠を構成する根拠データが入力され、学習部１３０は画像データと根拠データとの相関性を学習する例を説明した。しかしながら、本発明はこれに限定されるものではない。例えば、根拠データ入力部１２０には、請求金額が入力されても良い。この場合、学習部１３０は学習モードにおいて、画像データと請求金額との相関性を学習する。そして判定モードにおいて、学習部１３０は、補綴物の画像データが入力として与えられると、その補綴物に対応する請求金額を出力する。

この手法によれば、技工料金自動算出システム１００は、請求金額推定部１４０を備えることなく、請求金額を出力することが可能である。

また、上述の実施の形態では、学習モードにおいて、根拠データ入力部１２０は補綴物の請求の根拠を構成する根拠データを全て出力した。学習部１３０は画像データと、入力された全ての根拠データと、の相関性を学習した。しかしながら、本発明はこれに限定されるものではない。すなわち学習モードにおいて、根拠データ入力部１２０は補綴物の請求の根拠を構成する根拠データの一部のみを出力しても良い。学習部１３０は画像データと、入力された一部の根拠データと、の相関性を学習しても良い。

例えば請求の根拠をＡ，Ｂ，Ｃ・・という複数の根拠データ群に分割できる場合（ここで根拠データ群Ａ，Ｂ，Ｃ・・にはそれぞれ１又は複数の根拠データが含まれて良い）、学習部１３０は学習モードにおいて、画像データと根拠データ群Ａとの相関性を示す学習モデルａ、画像データと根拠データ群Ｂとの相関性を示す学習モデルｂ、画像データと根拠データ群Ｃとの相関性を示す学習モデルｃをそれぞれ構築しても良い。この場合、請求金額推定部１４０は、推定モードの学習部１３０が学習モデルａ、学習モデルｂ、学習モデルｃを用いてそれぞれ推定した根拠データを取りまとめたうえで、上述の実施の形態と同様の手法で請求金額を算出する。

この手法によれば、技工料金自動算出システム１００は、必要に応じ、特定の根拠データに関する学習モデルのみをチューニングしたり、再構築したり、差替えたりすることができる。この場合、その他の根拠データに関する学習モデルは継続して使用できるという利点がある。

また、上述の実施の形態では、学習部１３０は教師あり学習により画像データと根拠データとの相関性を学習したが、学習は他の機械学習手法、例えば教師なし学習や強化学習等によりなされても構わない。

また、本発明を構成する各処理手段は、ハードウェアにより構成されるものであってもよく、任意の処理を、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）にコンピュータプログラムを実行させることにより論理的に実現するものであってもよい。この場合、コンピュータプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

１００ 技工料金自動算出システム
１１０ 画像データ入力部
１２０ 根拠データ入力部
１３０ 学習部
１３１ 誤差計算部
１３２ モデル更新部
１４０ 請求金額推定部

Claims (10)

1. 補綴物を撮影して得られた２次元又は３次元画像データ、もしくは補綴物をスキャンして得られた３次元モデルデータから抽出された前記補綴物の特徴量を入力する画像データ入力部と、
   前記補綴物にかかる請求金額の算定根拠となる根拠データとして、指示書に記載された補綴物の名称、材料名、材料の使用量又は作成方法の少なくともいずれかを入力する根拠データ入力部と、
   前記補綴物の特徴量と前記根拠データとを入力して、前記補綴物の特徴量と前記根拠データとの相関性を示す学習モデルを構築する学習部と、を備える
   技工料金自動算出システム。
2. 前記学習部は、前記補綴物の特徴量を入力して、前記学習モデルに基づき、前記補綴物の特徴量との相関性が高い前記根拠データを出力し、
   前記根拠データと予め定められた請求金額算出ルールとに基づいて前記請求金額を推定する請求金額推定部を更に備える
   請求項１記載の技工料金自動算出システム。
3. 前記画像データ入力部は、前記補綴物の特徴量及び前記補綴物に係る指示書の記載内容を取得し、
   前記学習部が前記補綴物の特徴量に基づいて出力する前記根拠データと、前記指示書の記載内容と、が相違する場合に、前記学習部は、前記指示書の記載内容を用いて前記学習モデルを更新する
   請求項１記載の技工料金自動算出システム。
4. 前記画像データ入力部は、前記補綴物の特徴量及び前記補綴物に係る指示書の記載内容を取得し、
   前記学習部が前記補綴物の特徴量に基づいて出力する前記根拠データと、前記指示書の記載内容と、が相違する場合に、前記請求金額推定部は、前記相違した事項を出力する
   請求項２記載の技工料金自動算出システム。
5. コンピュータが、
   補綴物を撮影して得られた２次元又は３次元画像データ、もしくは補綴物をスキャンして得られた３次元モデルデータから抽出された前記補綴物の特徴量を入力する画像データ入力ステップと、
   前記補綴物にかかる請求金額の算定根拠となる根拠データとして、指示書に記載された補綴物の名称、材料名、材料の使用量又は作成方法の少なくともいずれかを入力する根拠データ入力ステップと、
   前記補綴物の特徴量と前記根拠データとを入力して、前記補綴物の特徴量と前記根拠データとの相関性を示す学習モデルを構築する学習ステップと、を備える
   技工料金自動算出方法。
6. 前記学習ステップでは、前記補綴物の特徴量を入力して、前記学習モデルに基づき、前記補綴物の特徴量との相関性が高い前記根拠データを出力し、
   前記根拠データと予め定められた請求金額算定ルールとに基づいて前記請求金額を推定する請求金額推定ステップを更に備える
   請求項５記載の技工料金自動算出方法。
7. 前記画像データ入力ステップでは、前記補綴物の特徴量及び前記補綴物に係る指示書の記載内容を取得し、
   前記学習ステップにおいて前記補綴物の特徴量に基づいて出力される前記根拠データと、前記指示書の記載内容と、が相違する場合に、前記指示書の記載内容を用いて前記学習モデルを更新するステップをさらに有する
   請求項５記載の技工料金自動算出方法。
8. 前記画像データ入力ステップでは、前記補綴物の特徴量及び前記補綴物に係る指示書の記載内容を取得し、
   前記学習ステップにおいて前記補綴物の特徴量に基づいて出力する前記根拠データと、前記指示書の記載内容と、が相違する場合に、前記相違した事項を出力するステップをさらに有する
   請求項５記載の技工料金自動算出方法。
9. 請求項５乃至８いずれか１項記載の方法をコンピュータに実行させるためのプログラム。
10. 補綴物を撮影して得られた２次元又は３次元画像データ、もしくは補綴物をスキャンして得られた３次元モデルデータから抽出された前記補綴物の特徴量を入力する画像データ入力部と、
    前記補綴物にかかる請求金額を入力する根拠データ入力部と、
    前記補綴物の特徴量と前記請求金額とを入力して、前記補綴物の特徴量と前記請求金額との相関性を示す学習モデルを構築する学習部と、を備える
    技工料金自動算出システム。

Images