JP7113798B2 - 診療支援装置、診療支援方法、及び診療支援プログラム - Google Patents

診療支援装置、診療支援方法、及び診療支援プログラム Download PDF

Info

Publication number
JP7113798B2
JP7113798B2 JP2019165767A JP2019165767A JP7113798B2 JP 7113798 B2 JP7113798 B2 JP 7113798B2 JP 2019165767 A JP2019165767 A JP 2019165767A JP 2019165767 A JP2019165767 A JP 2019165767A JP 7113798 B2 JP7113798 B2 JP 7113798B2
Authority
JP
Japan
Prior art keywords
information
medical
medical image
image data
subject
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
Application number
JP2019165767A
Other languages
English (en)
Other versions
JP2021040981A (ja
Inventor
威 福田
晴康 中津川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2019165767A priority Critical patent/JP7113798B2/ja
Priority to US17/015,461 priority patent/US11769250B2/en
Publication of JP2021040981A publication Critical patent/JP2021040981A/ja
Application granted granted Critical
Publication of JP7113798B2 publication Critical patent/JP7113798B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4504—Bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Instructional Devices (AREA)

Description

本開示は、診療支援装置、診療支援方法、及び診療支援プログラムに関する。
一般に、被検体の医用画像を用いた骨折の有無の診断が医師により行われている。医師に代わり医用画像から骨折に関する検出を行う技術として、例えば、特許文献１には、被検体のトモシンセシス画像に基づいて、被検体における骨折のリスク評価する技術が開示されている。
国際公開第２０１６／１２９６８２号
ところで、成長板の骨折は、被検体の成長を阻害する要因となり得る。そのため、成長板の骨折について、早期発見等の適切な診療が重要とされている。
しかしながら、特許文献１に記載の技術は、骨折のリスクを評価するものの骨折自体を検出するものではない。また、特許文献１に記載の技術では、成長板に関する骨折に対応するには十分とは言えない場合があった。そのため、医用画像を用いた成長板の骨折の診療に関して支援する技術が望まれている。
本開示は、以上の事情を鑑みて成されたものであり、医用画像を用いた成長板の骨折に対する診療を効果的に支援することができる、診療支援装置、診療支援方法、及び診療支援プログラムを提供することを目的とする。
上記目的を達成するために、本開示の第１の態様の診療支援装置は、被検体の骨を撮影した医用画像を表す医用画像データ及び医用画像を撮影したときの被検体の年齢を表す年齢情報を含む医用情報を取得する取得部と、取得部により取得された医用情報と、医用画像データ及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の成長板の骨折の有無を導出する導出部と、被検体の成長板が骨折している場合、警告を表す警告情報を出力する警告情報出力部と、を備える。
本開示の第２の態様の診療支援装置は、第１の態様の診療支援装置において、医用情報は、被検体の品種を表す品種情報をさらに含み、学習用医用情報は、品種情報をさらに含む。
本開示の第３の態様の診療支援装置は、第１の態様または第２の態様の診療支援装置において、前医用情報は、被検体の骨の太さを表す太さ情報をさらに含み、学習用医用情報は、太さ情報をさらに含む。
本開示の第４の態様の診療支援装置は、第１の態様から第３の態様のいずれか１態様の診療支援装置において、医用情報は、被検体の体型に関する体型情報をさらに含み、学習用医用情報は、体型情報をさらに含む。
本開示の第５の態様の診療支援装置は、第１の態様から第４の態様のいずれか１態様の診療支援装置において、医用情報は、被検体の行動に関する行動情報をさらに含み、学習用医用情報は、行動情報をさらに含む。
本開示の第６の態様の診療支援装置は、第１の態様から第５の態様のいずれか１態様の診療支援装置において、学習用医用情報に含まれる医用画像データは、成長板が骨折している第１医用画像を表す第１医用画像データと、成長板が骨折していない第２医用画像を表す第２医用画像データとを含む。
本開示の第７の態様の診療支援装置は、第１の態様から第５の態様のいずれか１態様の診療支援装置において、学習用医用情報に含まれる医用画像データは、左右一対の骨の各々における成長板のうち、一方の成長板が骨折している第１医用画像データと、他方の成長板が骨折していない第２医用画像データとを含み、取得部は、被検体の医用画像データとして、左右一対の骨の各々を撮影した医用画像を表す医用画像データを取得する。
また、上記目的を達成するために、本開示の第８の態様の診療支援方法は、被検体の骨を撮影した医用画像を表す医用画像データ及び医用画像を撮影したときの被検体の年齢を表す年齢情報を含む医用情報を取得し、取得された医用情報と、医用画像データ及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の成長板の骨折の有無を導出し、被検体の成長板が骨折している場合、警告を表す警告情報を出力する、処理をコンピュータが実行するものである。
また、上記目的を達成するために、本開示の第９の態様の診療支援プログラムは、被検体の骨を撮影した医用画像を表す医用画像データ及び医用画像を撮影したときの被検体の年齢を表す年齢情報を含む医用情報を取得し、取得された医用情報と、医用画像データ及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の成長板の骨折の有無を導出し、被検体の成長板が骨折している場合、警告を表す警告情報を出力する、処理をコンピュータに実行させるためのものである。
また、本開示の診療支援装置は、コンピュータに実行させるための命令を記憶するメモリと、記憶された命令を実行するよう構成されたプロセッサと、を備え、プロセッサは、被検体の骨を撮影した医用画像を表す医用画像データ及び医用画像を撮影したときの被検体の年齢を表す年齢情報を含む医用情報を取得し、取得された医用情報と、医用画像データ及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の成長板の骨折の有無を導出し、被検体の成長板が骨折している場合、警告を表す警告情報を出力する。
本開示によれば、医用画像を用いた成長板の骨折に対する診療を効果的に支援することができる。
第１実施形態の診療支援システムの構成の一例を示すブロック図である。 第１実施形態の診療支援装置のハードウェア構成の一例を示すブロック図である。 第１実施形態の学習用医用情報の一例を説明するための図である。 骨折していない状態の成長板が撮影された医用画像の一例を示す図である。 骨折している状態の成長板が撮影された医用画像の一例を示す図である。 第１実施形態の学習済みモデルを説明するための図である。 第１実施形態の診療支援装置の学習フェーズにおける機能的な構成の一例を示すブロック図である。 第１実施形態の学習済みモデルの入出力を説明するための図である。 第１実施形態の診療支援装置で実行される学習処理の一例を示すフローチャートである。 第１実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第１実施形態の診療支援装置で実行される診療支援処理の一例を示すフローチャートである。 第１実施形態の診療支援装置における犬種と年齢との組み合わせに応じた学習済みモデルを用いた成長板の骨折の有無の導出を説明するための図である。 第２実施形態の診療支援装置の記憶部に記憶される学習用医用情報の一例を示す図である。 第２実施形態の学習用医用情報の一例を説明するための図である。 第２実施形態の学習済みモデルを説明するための図である。 第２実施形態の学習済みモデルの入出力を説明するための図である。 第２実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第２実施形態の診療支援装置における骨の太さと年齢との組み合わせに応じた学習済みモデルを用いた成長板の骨折の有無の導出を説明するための図である。 第３実施形態の診療支援装置の記憶部に記憶される学習用医用情報の一例を示す図である。 第３実施形態の学習用医用情報の一例を説明するための図である。 第３実施形態の学習済みモデルを説明するための図である。 第３実施形態の学習済みモデルの入出力を説明するための図である。 第３実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第３実施形態の診療支援装置における体型と年齢との組み合わせに応じた学習済みモデルを用いた成長板の骨折の有無の導出を説明するための図である。 第４実施形態の診療支援装置の記憶部に記憶される学習用医用情報の一例を示す図である。 第４実施形態の学習用医用情報の一例を説明するための図である。 第４実施形態の学習済みモデルを説明するための図である。 第４実施形態の学習済みモデルの入出力を説明するための図である。 第４実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第４実施形態の診療支援装置における犬種と行動と年齢との組み合わせに応じた学習済みモデルを用いた成長板の骨折の有無の導出を説明するための図である。 第５実施形態の学習用医用情報の一例を説明するための図である。 第５実施形態の学習済みモデルを説明するための図である。 第５実施形態の学習済みモデルの入出力を説明するための図である。 第５実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第５実施形態の診療支援装置における犬種と年齢との組み合わせに応じた学習済みモデルを用いた左右の成長板各々の骨折の有無の導出を説明するための図である。 成長板の骨折の種類を説明する図である。
以下、図面を参照して、本開示の技術を実施するための形態例を詳細に説明する。なお、以下の形態例では、被検体として「犬」を適用した場合について説明する。
［第１実施形態］
まず、図１を参照して、本実施形態の診療支援システム１について説明する。図１には、本実施形態の診療支援システム１の構成の一例を表すブロック図が示されている。図１に示すように、本実施形態の診療支援システム１は、診療支援装置１０及び複数（図１では、一例として３台）の端末装置１２を備える。診療支援装置１０及び複数の端末装置１２は、それぞれネットワークＮに接続され、ネットワークＮを介して互いに通信が可能とされている。
診療支援装置１０は、例えば、動物病院に設置される。診療支援装置１０の例としては、サーバコンピュータ等が挙げられる。なお、診療支援装置１０は、クラウドサーバであってもよい。端末装置１２は、例えば、動物病院に設置され、獣医師等のユーザにより使用される。端末装置１２の例としては、パーソナルコンピュータ及びタブレットコンピュータ等が挙げられる。
次に、図２を参照して、本実施形態の診療支援装置１０のハードウェア構成の一例を説明する。図２に示すように診療支援装置１０は、ＣＰＵ（Central Processing Unit）２０、一時記憶領域としてのメモリ２１、及び不揮発性の記憶部２２を含む。また、診療支援装置１０は、液晶ディスプレイ等の表示部２４、キーボードやマウス等の入力部２６、及びネットワークＮに接続されるネットワークＩ／Ｆ（InterFace）２８を含む。なお、表示部２４及び入力部２６はタッチパネルディスプレイとして一体化されていてもよい。ＣＰＵ２０、メモリ２１、記憶部２２、表示部２４、入力部２６、及びネットワークＩ／Ｆ２８は、バス２９に互いに通信が可能に接続されている。
記憶部２２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、及びフラッシュメモリ等によって実現される。記憶媒体としての記憶部２２には、学習プログラム２３Ａが記憶される。ＣＰＵ２０は、記憶部２２から学習プログラム２３Ａを読み出してからメモリ２１に展開し、展開した学習プログラム２３Ａを実行する。また、記憶部２２には、診療支援プログラム２３Ｂが記憶される。ＣＰＵ２０は、記憶部２２から診療支援プログラム２３Ｂを読み出してからメモリ２１に展開し、展開した診療支援プログラム２３Ｂを実行する。
また、本実施形態の記憶部２２には、学習用医用情報３０と、学習用医用情報３０を用いて学習された学習済みモデル３８とが記憶される。
図２及び図３に示すように、一例として本実施形態の学習用医用情報３０は、医用画像データ３２、品種情報３４、及び年齢情報３６を含む。
医用画像データ３２は、被検体である犬の骨における成長板を含む部位を医用画像撮影装置によって撮影して得られた医用画像３３（図４Ａ及び図４Ｂ参照）を表す画像データである。成長板は、成長線、骨端板、及び骨端軟骨等とも云われ、骨幹端を近位側の境界、骨端を遠位側の境界とし、軟骨細胞の増殖及び肥大化によって長管骨を長軸方向へ伸長させる組織である。成長板は、例えば、上腕骨近位端骨端、遠位中手骨端、大腿骨頭、遠位大腿骨骨端、及び遠位脛骨骨端等に見られる。被検体が成長すると、成長板が閉じて骨の成長が終わる。なお、骨によって、成長板が閉じる時期（年齢）が異なる場合がある。
成長板は、骨の他の部位に比べると脆弱であり、衝撃が加わると骨折し易い組織である。成長板を骨折すると、骨折した成長板を有する骨の成長が妨げられる場合がある。そのため、被検体の骨が短くなる、曲がる、及び持続的な痛みを引き起こす等の症状が現れる場合がある。そこで、成長板を骨折した場合、早期に適切な治療を行うことが重要である。
本実施形態の医用画像データ３２の例を図４Ａ及び図４Ｂを参照して説明する。なお、本実施形態では、医用画像データ３２として、被検体の犬に対して放射線を照射し、犬を透過した放射線を検出する放射線検出器により検出された放射線量に応じた放射線画像を表す画像データを適用した形態例を説明する。なお、医用画像データ３２は、ＭＲＩ（Magnetic Resonance Imaging）画像を表す画像データ及びＣＴ（Computed Tomography）画像を表す画像データ等であってもよい。
図４Ａには、骨折していない状態の成長板６０１～６０３が撮影された医用画像３３Ａが示されている。医用画像３３Ａは、医用画像データ３２Ａによって表される。また、図４Ｂには、骨折している状態の成長板６０１が撮影された医用画像３３Ｂが示されている。医用画像３３Ｂは、医用画像データ３２Ｂによって表される。
医用画像３３Ｂでは、骨折している状態の遠位大腿骨骨端の成長板６０１が撮影されており、成長板６０１の骨折部位を骨折部６２として示している。また、医用画像３３Ｂでは、骨折していない状態の近位脛骨骨端の成長板６０２及び近位腓骨骨端の成長板６０３が撮影されている。
このように、本実施形態の医用画像データ３２は、骨折している状態の成長板が撮影された医用画像３３Ａを表す医用画像データ３２Ａと、骨折していない状態の成長板が撮影された医用画像３３Ｂを表す医用画像データ３２Ｂとを各々、複数含む。本実施形態の医用画像３３Ａが本開示の第２医用画像の一例であり、本実施形態の医用画像データ３２Ａが本開示の第２医用画像データの一例である。また、本実施形態の医用画像３３Ｂが本開示の第１医用画像の一例であり、本実施形態の医用画像データ３２Ｂが本開示の第１医用画像データの一例である。
また、本実施形態の医用画像データ３２には、一例として図３に示すように、撮影された成長板の骨折の有無を表す情報（以下、「骨折有無情報」という）が付加されている。図３の骨折有無情報の例では、成長板が骨折していないことを「正常」と表記し、成長板が骨折していることを「骨折」と表記している。
品種情報３４は、被検体である犬の品種を表す品種情報であり、医用画像データ３２に付加されている。具体的には、品種情報３４とは、被検体が犬であるため、犬種を表す情報である。なお、本実施形態において「品種」とは、「犬種」等の品種の他、「犬」及び「猫」等の種族の概念も含む。
年齢情報３６は、被検体である犬の年齢を表す年齢情報であり、医用画像データ３２に付加されている。年齢情報３６とは、被検体の出生からの経過時間を表す情報である。なお、本実施形態では、便宜上、年齢と称しているが、出生からの年単位の経過時間ではなく、月単位の経過時間、即ち月齢を採用している。上述したように、成長板の骨折は早期に治療を行うことが好ましいため、例えば、犬等のように成長が比較的速い場合、年単位とした年齢では成長による骨の変化（成長板の骨折による影響）に対応しきれないことがある。そのため、本実施形態では、このように年齢情報３６として月齢を表す情報を採用している。このように、年齢情報３６によって表される被検体の出生からの経過時間は、被検体の骨の成長速度に応じて定めることが好ましく、年齢、月齢に限らず、例えば日齢であってもよい。
学習済みモデル３８は、学習用医用情報３０を用いて予め学習されたモデルである。本実施形態では、一例として図５に示すように、学習用医用情報３０を用いた機械学習によって学習済みモデル３８が生成される。例えば、図５に示すように、品種情報３４が表す犬種が「柴犬」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で年齢が１ヶ月用の学習済みモデル３８１が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８２が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で年齢が３ヶ月用の学習済みモデル３８３が生成される。
また例えば、図５に示すように、品種情報３４が表す犬種が「ゴールデンレトリバー」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種がゴールデンレトリバーで年齢が１ヶ月用の学習済みモデル３８４が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種がゴールデンレトリバーで年齢が２ヶ月用の学習済みモデル３８５が生成される。年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種がゴールデンレトリバーで年齢が３ヶ月用の学習済みモデル３８６が生成される。学習済みモデル３８の例としては、ニューラルネットワークモデルが挙げられる。
なお、図５では、犬種として「柴犬」及び「ゴールデンレトリバー」、年齢として「１ヶ月」～「３ヶ月」の場合の学習済みモデル３８１～３８６について示しているが、犬種及び年齢はこれらに限定されるものではない。なお、学習済みモデル３８１～３８６について各々を区別せずに総称する場合、個々を区別する「１」～「６」の符号を省略して「学習済みモデル３８」という。
次に、図６を参照して、本実施形態の診療支援装置１０の学習フェーズにおける機能的な構成について説明する。図６に示すように、診療支援装置１０は、取得部４０及び学習部４２を含む。ＣＰＵ２０が学習プログラム２３Ａを実行することで、取得部４０及び学習部４２として機能する。
取得部４０は、学習用医用情報３０を記憶部２２から取得する。
学習部４２は、取得部４０により取得された学習用医用情報３０を学習用のデータ（教師データとも称される）として学習させることによって、学習用医用情報３０に基づいて被検体の成長板の骨折の有無に関する情報を出力する学習済みモデル３８を生成する。具体的には、学習部４２は、品種情報３４が表す犬種と年齢情報３６が表す年齢との組み合わせ毎に、骨折有無情報が付加された医用画像データ３２を入力とし、医用画像データ３２が表す医用画像３３における成長板の骨折の有無を表す情報を出力とした、品種及び年齢の組み合わせに応じた複数の学習済みモデル３８を機械学習によって生成する。
より具体的には、学習部４２は、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報（例えば、「０」）が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報（例えば、「１」）が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で年齢が１ヶ月用の学習済みモデル３８１が生成される。
同様に、学習部４２は、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８２が生成される。
同様に、学習部４２は、品種情報３４が表す犬種として「ゴールデンレトリバー」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「ゴールデンレトリバー」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報が出力されるようにモデルを学習させる。この学習により、犬種がゴールデンレトリバーで年齢が１ヶ月用の学習済みモデル３８４が生成される。
以上の学習部４２による学習のアルゴリズムとしては、例えば、誤差逆伝播法を適用することができる。以上の学習部４２による学習によって、一例として図７に示すように、品種（犬種）及び年齢の組み合わせ毎に、医用画像データ５２、品種情報５４、及び年齢情報５６を入力とし、入力の医用画像データ５２が表す医用画像に写る被検体の成長板について、骨折していないか、または骨折を有するかを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部４２は、生成した学習済みモデル３８を記憶部２２に記憶する。なお、本実施形態では、医用画像データ５２、品種情報５４、及び年齢情報５６を総称する場合、「医用情報」という。
次に、図８を参照して、本実施形態の診療支援装置１０の学習フェーズにおける作用を説明する。ＣＰＵ２０が学習プログラム２３Ａを実行することによって、図８に示す学習処理が実行される。
図８のステップＳ１００で、取得部４０は、学習用医用情報３０を記憶部２２から取得する。
次のステップＳ１０２で、学習部４２は、上述したように、ステップＳ１００で取得された学習用医用情報３０を学習用のデータとして犬種及び年齢の組み合わせ毎にモデルを学習させる。この学習により、学習部４２は、医用画像データ５２、品種情報５４、及び年齢情報５６に基づいて、被検体の成長板の骨折の有無に関する情報を出力する学習済みモデル３８を生成する。そして、学習部４２は、生成した学習済みモデル３８を記憶部２２に記憶する。ステップＳ１０２の処理が終了すると本学習処理が終了する。
次に、図９を参照して、本実施形態の診療支援装置１０の運用フェーズにおける機能的な構成について説明する。図９に示すように、本実施形態の診療支援装置１０は、取得部４４、導出部４６、及び出力部４８を含む。ＣＰＵ２０が診療支援プログラム２３Ｂを実行することで、取得部４４、導出部４６、及び出力部４８として機能する。取得部４４が開示の取得部の一例であり、導出部４６が本開示の判定部の一例である。なお、診療支援装置１０は、学習フェーズと運用フェーズとで同じ装置であってもよいし、異なる装置であってもよい。
取得部４４は、獣医師等のユーザによる診療対象である被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データ５２と、その被検体の犬種を表す品種情報５４と、その被検体の年齢を表す年齢情報５６とを医用情報として取得する。品種情報５４及び年齢情報５６の各々は、医用画像データ５２に付加されていてもよいし、ユーザにより端末装置１２の操作部（図示省略）を介して入力されてもよい。
導出部４６は、取得部４４により取得された医用情報（医用画像データ５２、品種情報５４、及び年齢情報５６）と、学習用医用情報３０によって予め学習された学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、取得部４４によって取得された医用画像データ５２を、取得部４４により取得された品種情報５４が表す犬種及び年齢情報５６が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。学習済みモデル３８は、入力された医用情報に応じて、被検体の成長板の骨折の有無を表す情報を出力する。
導出部４６は、学習済みモデル３８からの出力が、骨折が無いことを表す情報である場合、取得部４４により取得された医用情報に対応する被検体について成長板の骨折が無いことを導出する。具体的には、導出部４６は、医用画像データ５２によって表される医用画像に写る骨における成長板について、骨折が無いことを導出する。一方、導出部４６は、学習済みモデル３８からの出力が、骨折が有ることを表す情報である場合、取得部４４により取得された医用情報に対応する被検体について成長板の骨折が有ることを導出する。具体的には、導出部４６は、医用画像データ５２によって表される医用画像に写る骨における成長板について、骨折が有ることを導出する。
出力部４８は、警告情報出力部４９を含む。本実施形態の警告情報出力部４９が本開示の警告情報出力部の一例である。警告情報出力部４９は、被検体の成長板が骨折している場合、警告を表す警告情報を出力する。具体的には、警告情報出力部４９は、導出部４６による導出結果が、成長板の骨折が有るとした導出結果の場合、予め定められた警告情報を端末装置１２に出力することによって端末装置１２の表示部（図示省略）に警告情報を表示する。ユーザは、端末装置１２の表示部に表示された警告情報を参考に医用画像データ５２が表す医用画像を読影し、被検体の成長板の骨折について診療を行う。なお、このように、導出部４６による導出結果が、成長板の骨折が有るとした導出結果の場合、警告情報に加えて、成長板の骨折が有るとした導出結果についても、端末装置１２の表示部に表示させてもよい。
また、出力部４８は、被検体の成長板が骨折していない場合、骨折が無いとした導出結果を出力する。具体的には、出力部４８は、導出部４６による導出結果が、成長板の骨折が無いとした導出結果の場合、導出結果を端末装置１２に出力することによって端末装置１２の表示部（図示省略）に導出結果を表示する。ユーザは、端末装置１２の表示部に表示された導出結果を参考に被検体の診療を行う。
次に、図１０を参照して、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。ＣＰＵ２０が診療支援プログラム２３Ｂを実行することによって、図１０に示す診療支援処理が実行される。
図１０のステップＳ２００で、取得部４４は、被検体である犬の医用情報を取得し、導出部４６に出力する。具体的には、取得部４４は、ユーザによる診療対象である被検体の犬を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データ５２と、その被検体の品種を表す品種情報５４と、その被検体の年齢を表す年齢情報５６とを取得する。
次のステップＳ２０２で、導出部４６は、上述したように、取得部４４から入力された医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、入力された医用情報における品種情報５４と年齢情報５６との組み合わせに応じて選択した学習済みモデル３８に医用画像データ５２を入力させ、学習済みモデル３８から出力された被検体の成長板の骨折の有無を表す情報を取得する。
例えば、図１１に示すように、医療情報における品種情報５４の表す犬種が「柴犬」であり、年齢情報５６の表す情報が「３ヶ月」の場合、導出部４６は、医用画像データ５２を犬種が柴犬であり年齢が３ヶ月用の学習済みモデル３８３に入力させる。学習済みモデル３８３からは、被検体の成長板の骨折の有無を表す情報が出力される。
次のステップＳ２０４で導出部４６は、被検体の成長板に骨折が有るか否かを判定する。学習済みモデル３８が、被検体の成長板の骨折が有ることを表す情報を出力した場合、ステップＳ２０４の判定が肯定判定となり、ステップＳ２０６へ移行する。ステップＳ２０６で警告情報出力部４９は、上述したように警告情報を出力する。ステップＳ２０６の処理が終了すると、本診療支援処理が終了する。
一方、学習済みモデル３８が、被検体の成長板の骨折が無いことを表す情報を出力した場合、ステップＳ２０４の判定が否定判定となり、ステップＳ２０８へ移行する。ステップＳ２０８で出力部４８は、上述したように骨折が無いとした導出結果を出力する。ステップＳ２０８の処理が終了すると、本診療支援処理が終了する。
このように、本実施形態の診療支援装置１０によれば、医用画像データ５２、品種情報５４、及び年齢情報５６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無が導出される。被検体の成長板の骨折に影響を与える要因として、被検体の品種（犬種）が挙げられる。例えば、ポメラニアン、チワワ、トイ・プードル、及びボルゾイ等の犬種は、骨折し易いことが一般的に知られており、成長板も骨折し易いる。本実施形態の診療支援装置１０によれば、成長板の骨折に影響を与える要因である品種（犬種）を考慮して学習された学習済みモデル３８を用いて被検体の成長板の骨折の有無を導出するため、医用画像データ５２が表す医用画像を用いた成長板の骨折に対する診療を効果的に支援することができる。
［第２実施形態］
以下、第２実施形態について詳細に説明する。
被検体の成長板の骨折に影響を与える要因として、被検体の骨の太さが挙げられる。そこで、本実施形態では、診療支援装置１０により、被検体の骨の太さを含む医用情報を用いて被検体の成長板の骨折に対する診療を支援する形態について説明する。
本実施形態の診療支援システム１の構成は、第１実施形態の診療支援システム１の構成（図１参照）と同様であるため、説明を省略する。
一方、本実施形態の診療支援装置１０では、診療に用いる被検体の医用情報の内容が第１実施形態と異なり、また、学習済みモデル３８の学習に用いる学習用医用情報３０の内容が第１実施形態と異なる。そのため、本実施形態の診療支援装置１０の構成は、記憶部２２に記憶される学習用医用情報３０に含まれる情報が、第１実施形態の記憶部２２に記憶される学習用医用情報３０に含まれる情報（図１及び図２参照）と異なる。図１２及び図１３には、本実施形態の学習用医用情報３０の一例を示す。図１２及び図１３に示すように、本実施形態の学習用医用情報３０は、第１実施形態の学習用医用情報３０に含まれていた品種情報３４（図１及び図２参照）に代わり、太さ情報３５を含んでいる。
太さ情報３５とは、被検体の骨の太さを表す情報である。具体的には、被検体を撮影した医用画像データ３２に写る骨の太さを表す情報であり、一例として本実施形態では、骨の太さを２段階に表す情報であり、具体的には骨太及び骨細のいずれであるかを表す情報である。なお、本実施形態に限定されず、太さ情報３５が、骨の太さを３段階以上に表す情報であってもよい。
なお、骨の太さを表す太さ情報３５を得る方法は特に限定されないが、本実施形態では、実際に被検者の骨を計測すること以外から得ている。例えば、医用画像データ３２が表す医用画像を読影したユーザまたは被検体を触診したユーザが、端末装置１２の操作部（図示省略）から骨の太さを入力する形態としてもよい。また例えば、犬種と骨の太さとの対応関係を表すテーブルを予め用意しておき、電子カルテ等から被検体の犬種を取得し、予め用意されたテーブルから、取得した犬種に対応する骨の太さを取得する形態としてもよい。また例えば、医用画像データ３２が表す医用画像３３を画像解析して、医用画像３３に写る骨の画像を検出し、検出した骨の幅と、撮影条件（放射線源、被検体、及び放射線検出器等の間隔）とに基づいて導出した値を予め定められた骨の太さ判定用の閾値と比較することで骨の太さを得る形態としもよい。なお、この場合に幅を計測する骨は、例えば、成長板６０を含む骨等と予め定めておく形態としてもよいし、また、医用画像３３に写る全ての骨の平均値を用いる形態等としてもよい。
図１４に示すように、上記本実施形態の学習用医用情報３０を用いた機械学習により本実施形態の学習済みモデル３８が生成される。例えば、図１４に示すように、太さ情報３５が表す骨の太さが「細い」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、骨の太さが骨細で年齢が１ヶ月用の学習済みモデル３８７が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、骨の太さが骨細で年齢が２ヶ月用の学習済みモデル３８８が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、骨の太さが骨細で年齢が３ヶ月用の学習済みモデル３８９が生成される。
また例えば、図１４に示すように、太さ情報３５が表す骨の太さが「太い」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、骨の太さが骨太で年齢が１ヶ月用の学習済みモデル３８１０が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、骨の太さが骨太で年齢が２ヶ月用の学習済みモデル３８１１が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、骨の太さが骨太で年齢が３ヶ月用の学習済みモデル３８１２が生成される。上述したように学習済みモデル３８の例としては、ニューラルネットワークモデルが挙げられる。
なお、図１４では、６つの学習済みモデル３８７～３８１２について示しているが、生成される学習済みモデル３８の数は６つに限定されるものではない。なお、学習済みモデル３８７～３８１２について各々を区別せずに総称する場合、個々を区別する「７」～「１２」の符号を省略して「学習済みモデル３８」という。
次に、本実施形態の診療支援装置１０の学習フェーズにおける機能的な構成について説明する。本実施形態の診療支援装置１０の学習フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図６参照）と同様である。一方、本実施形態の診療支援装置１０における学習部４２は、学習用医用情報３０に基づいて学習済みモデル３８を生成する具体的な動作が異なるため、学習部４２の具体的な動作について説明する。
本実施形態の学習部４２は、太さ情報３５が表す骨の太さと年齢情報３６が表す年齢との組み合わせ毎に、骨折有無情報が付加された医用画像データ３２を入力とし、医用画像データ３２が表す医用画像３３における成長板の骨折の有無を表す情報を出力とした、骨の太さ及び年齢の組み合わせに応じた複数の学習済みモデル３８を機械学習によって生成する。
より具体的には、学習部４２は、太さ情報３５が表す骨の太さとして「骨細」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報（例えば、「０」）が出力されるようにモデルを学習させる。また、太さ情報３５が表す骨の太さとして「骨細」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報（例えば、「１」）が出力されるようにモデルを学習させる。この学習により、骨の太さが骨細で年齢が１ヶ月用の学習済みモデル３８７が生成される。
同様に、学習部４２は、太さ情報３５が表す骨の太さとして「骨細」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報が出力されるようにモデルを学習させる。また、太さ情報３５が表す骨の太さとして「骨細」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報が出力されるようにモデルを学習させる。この学習により、骨の太さが骨細で年齢が２ヶ月用の学習済みモデル３８８が生成される。
同様に、学習部４２は、太さ情報３５が表す骨の太さとして「骨太」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報が出力されるようにモデルを学習させる。また、太さ情報３５が表す骨の太さとして「骨太」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報が出力されるようにモデルを学習させる。この学習により、骨の太さが骨太で年齢が１ヶ月用の学習済みモデル３８１０が生成される。
以上の学習部４２による学習のアルゴリズムとしては、上述したように例えば、誤差逆伝播法を適用することができる。以上の学習部４２による学習によって、一例として図１５に示すように、骨の太さ及び年齢の組み合わせ毎に、医用画像データ５２、太さ情報５５、及び年齢情報５６を入力とし、入力の医用画像データ５２が表す医用画像に写る被検体の成長板について、骨折していないか、または骨折を有するかを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部４２は、生成した学習済みモデル３８を記憶部２２に記憶する。
本実施形態の診療支援装置１０の学習フェーズにおける作用、すなわち、診療支援装置１０が実行する学習処理は、第１実施形態の診療支援装置１０において実行される学習処理（図８参照）と同様であるため、説明を省略する。
次に、図１６を参照して、本実施形態の診療支援装置１０の運用フェーズにおける機能的な構成を説明する。本実施形態の診療支援装置１０の運用フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図９参照）と同様である。なお、本実施形態の診療支援装置１０における取得部４４及び導出部４６の具体的な動作が異なるため、取得部４４及び導出部４６の具体的な動作について説明する。
取得部４４は、被検体が撮影された医用画像を表す医用画像データ５２と、その被検体の骨の太さを表す太さ情報５５と、その被検体の年齢を表す年齢情報５６とを医用情報として取得する。太さ情報５５及び年齢情報５６の各々は、医用画像データ５２に付加されていてもよいし、ユーザにより端末装置１２の操作部（図示省略）を介して入力されてもよい。
導出部４６は、取得部４４により取得された医用情報（医用画像データ５２、太さ情報５５、及び年齢情報５６）と、学習用医用情報３０によって予め学習された学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、取得部４４によって取得された医用画像データ５２を、取得部４４により取得された太さ情報５５が表す犬種及び年齢情報５６が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。学習済みモデル３８は、入力された医用情報に応じて、被検体の成長板の骨折の有無を表す情報を出力する。
次に、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。なお、診療支援処理の全体的な流れは第１実施形態の図１０に示した診療支援処理と同様であるため、図１０を参照して説明する。
ステップＳ２００で、取得部４４は、被検体である犬の医用情報を取得し、導出部４６に出力する。具体的には、取得部４４は、ユーザによる診療対象である被検体の犬を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データ５２と、その被検体の骨の太さを表す太さ情報５５と、その被検体の年齢を表す年齢情報５６とを取得する。
次のステップＳ２０２で、導出部４６は、上述したように、取得部４４から入力された医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、入力された医用情報における太さ情報５５と年齢情報５６との組み合わせに応じて選択した学習済みモデル３８に医用画像データ５２を入力させ、学習済みモデル３８から出力された被検体の成長板の骨折の有無を表す情報を取得する。
例えば、図１７に示すように、医療情報における太さ情報５５の表す骨の太さが「骨細」であり、年齢情報５６の表す情報が「３ヶ月」の場合、導出部４６は、医用画像データ５２を骨の太さが骨細であり年齢が３ヶ月用の学習済みモデル３８９に入力させる。学習済みモデル３８９からは、被検体の成長板の骨折の有無を表す情報が出力される。
次のステップＳ２０４で導出部４６は、上述したように被検体の成長板に骨折が有るか否かを判定する。学習済みモデル３８が、被検体の成長板の骨折が有ることを表す情報を出力した場合、ステップＳ２０４の判定が肯定判定となり、次のステップＳ２０６で警告情報出力部４９が、上述したように警告情報を出力した後、本診療支援処理を終了する。
一方、学習済みモデル３８が、被検体の成長板の骨折が無いことを表す情報を出力した場合、ステップＳ２０４の判定が否定判定となり、次のステップＳ２０８で出力部４８が、上述したように骨折が無いとした導出結果を出力した後、本診療支援処理を了する。
このように、本実施形態の診療支援装置１０によれば、医用画像データ５２、太さ情報５５、及び年齢情報５６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無が導出される。被検体の成長板の骨折に影響を与える要因として、骨の太さ、特に成長板を有する骨の太さが挙げられる。例えば、骨太に比べて骨細のほうが、比較的、骨折し易く、成長板も骨折しやすい傾向が知られている。本実施形態の診療支援装置１０によれば、成長板の骨折に影響を与える要因である骨の太さを考慮して学習された学習済みモデル３８を用いて被検体の成長板の骨折の有無を導出するため、医用画像データ５２が表す医用画像を用いた成長板の骨折に対する診療を効果的に支援することができる。
また、本実施形態の診療支援装置１０によれば、被検体がいわゆるミックス犬等の雑種である場合や、犬種が不明な場合等でも、骨の太さを考慮して被検体の成長板の骨折の有無を導出することができるため、より診療を交換的に支援することができる。
［第３実施形態］
以下、第３実施形態について詳細に説明する。
被検体の成長板の骨折に影響を与える要因として、被検体の体型が挙げられる。そこで、本実施形態では、診療支援装置１０により、被検体の体型を含む医用情報を用いて被検体の成長板の骨折に対する診療を支援する形態について説明する。
本実施形態の診療支援システム１の構成は、第１実施形態の診療支援システム１の構成（図１参照）と同様であるため、説明を省略する。
一方、本実施形態の診療支援装置１０では、診療に用いる被検体の医用情報の内容が第１実施形態と異なり、また、学習済みモデル３８の学習に用いる学習用医用情報３０の内容が第１実施形態と異なる。そのため、本実施形態の診療支援装置１０の構成は、記憶部２２に記憶される学習用医用情報３０に含まれる情報が、第１実施形態の記憶部２２に記憶される学習用医用情報３０に含まれる情報（図１及び図２参照）と異なる。図１８及び図１９には、本実施形態の学習用医用情報３０の一例を示す。図１８及び図１９に示すように、本実施形態の学習用医用情報３０は、第１実施形態の学習用医用情報３０に含まれていた品種情報３４（図１及び図２参照）に代わり、体型情報３７を含んでいる。
体型情報３７とは、被検体の体型を表す情報である。具体的には、被検体の体の大きさを表す情報であり、一例として本実施形態では、被検体の体の大きさを２段階に表す情報であり、具体的には小型及び大型のいずれであるかを表す情報である。なお、本実施形態に限定されず、体型情報３７が、体の大きさを、小型、中型、及び大型等、３段階以上に表す情報であってもよい。また、体型情報３７は、本実施形態のようにいわゆる小型犬であるか大型犬であるかを表す情報に限定されず、例えば、肥満型または痩せ型等の体型を表す情報であってもよい。
なお、体型情報３７を得る方法は特に限定されない。例えば、医用画像データ３２が表す医用画像を読影したユーザが、端末装置１２の操作部（図示省略）から体型を入力する形態としてもよい。また例えば、犬種と体型との対応関係を表すテーブルを予め用意しておき、電子カルテ等から被検体の犬種を取得し、予め用意されたテーブルから、取得した犬種に対応する体型を取得する形態としてもよい。また例えば、診察台上の被検体をカメラ等により撮影して得られた撮影画像に基づき、診察台と被検体との大きさを比較した比較結果から、被検体の体型を自動的に取得する形態としてもよい。
図２０に示すように、上記本実施形態の学習用医用情報３０を用いた機械学習により本実施形態の学習済みモデル３８が生成される。例えば、図２０に示すように、体型情報３７が表す体型が「小型」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が小型で年齢が１ヶ月用の学習済みモデル３８１３が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が小型で年齢が２ヶ月用の学習済みモデル３８１４が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が小型で年齢が３ヶ月用の学習済みモデル３８１５が生成される。
また例えば、図２０に示すように、体型情報３７が表す体型が「大型」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が大型で年齢が１ヶ月用の学習済みモデル３８１６が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が大型で年齢が２ヶ月用の学習済みモデル３８１７が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が大型で年齢が３ヶ月用の学習済みモデル３８１８が生成される。上述したように学習済みモデル３８の例としては、ニューラルネットワークモデルが挙げられる。
なお、図２０では、６つの学習済みモデル３８１３～３８１８について示しているが、生成される学習済みモデル３８の数は６つに限定されるものではない。なお、学習済みモデル３８１３～３８１８について各々を区別せずに総称する場合、個々を区別する「１３」～「１８」の符号を省略して「学習済みモデル３８」という。
次に、本実施形態の診療支援装置１０の学習フェーズにおける機能的な構成について説明する。本実施形態の診療支援装置１０の学習フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図６参照）と同様で有る。一方、本実施形態の診療支援装置１０における学習部４２は、学習用医用情報３０に基づいて学習済みモデル３８を生成する具体的な動作が異なるため、学習部４２の具体的な動作について説明する。
本実施形態の学習部４２は、体型情報３７が表す被検体の体型と年齢情報３６が表す年齢との組み合わせ毎に、骨折有無情報が付加された医用画像データ３２を入力とし、医用画像データ３２が表す医用画像３３における成長板の骨折の有無を表す情報を出力とした、被検体の体型及び年齢の組み合わせに応じた複数の学習済みモデル３８を機械学習によって生成する。
より具体的には、学習部４２は、体型情報３７が表す体型として「小型」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報（例えば、「０」）が出力されるようにモデルを学習させる。また、体型情報３７が表す体型として「小型」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報（例えば、「１」）が出力されるようにモデルを学習させる。この学習により、体型が小型で年齢が１ヶ月用の学習済みモデル３８１３が生成される。
同様に、学習部４２は、体型情報３７が表す体型として「小型」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報が出力されるようにモデルを学習させる。また、体型情報３７が表す体型として「小型」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報が出力されるようにモデルを学習させる。この学習により、体型が小型で年齢が２ヶ月用の学習済みモデル３８１４が生成される。
同様に、学習部４２は、体型情報３７が表す体型として「大型」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報が出力されるようにモデルを学習させる。また、体型情報３７が表す体型として「大型」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報が出力されるようにモデルを学習させる。この学習により、体型が大型で年齢が１ヶ月用の学習済みモデル３８１６が生成される。
以上の学習部４２による学習のアルゴリズムとしては、上述したように例えば、誤差逆伝播法を適用することができる。以上の学習部４２による学習によって、一例として図２１に示すように、体型及び年齢の組み合わせ毎に、医用画像データ５２、体型情報５７、及び年齢情報５６を入力とし、入力の医用画像データ５２が表す医用画像に写る被検体の成長板について、骨折していないか、または骨折を有するかを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部４２は、生成した学習済みモデル３８を記憶部２２に記憶する。
本実施形態の診療支援装置１０の学習フェーズにおける作用、すなわち、診療支援装置１０が実行する学習処理は、第１実施形態の診療支援装置１０において実行される学習処理（図８参照）と同様であるため、説明を省略する。
次に、図２２を参照して、本実施形態の診療支援装置１０の運用フェーズにおける機能的な構成を説明する。本実施形態の診療支援装置１０の運用フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図９参照）と同様である。なお、本実施形態の診療支援装置１０における取得部４４及び導出部４６の具体的な動作が異なるため、取得部４４及び導出部４６の具体的な動作について説明する。
取得部４４は、被検体が撮影された医用画像を表す医用画像データ５２と、その被検体の体型を表す体型情報５７と、その被検体の年齢を表す年齢情報５６とを医用情報として取得する。体型情報５７及び年齢情報５６の各々は、医用画像データ５２に付加されていてもよいし、ユーザにより端末装置１２の操作部（図示省略）を介して入力されてもよい。
導出部４６は、取得部４４により取得された医用情報（医用画像データ５２、体型情報５７、及び年齢情報５６）と、学習用医用情報３０によって予め学習された学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、取得部４４によって取得された医用画像データ５２を、取得部４４により取得された体型情報５７が表す犬種及び年齢情報５６が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。学習済みモデル３８は、入力された医用情報に応じて、被検体の成長板の骨折の有無を表す情報を出力する。
次に、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。なお、診療支援処理の全体的な流れは第１実施形態の図１０に示した診療支援処理と同様であるため、図１０を参照して説明する。
ステップＳ２００で、取得部４４は、被検体である犬の医用情報を取得し、導出部４６に出力する。具体的には、取得部４４は、ユーザによる診療対象である被検体の犬を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データ５２と、その被検体の体型を表す体型情報５７と、その被検体の年齢を表す年齢情報５６とを取得する。
次のステップＳ２０２で、導出部４６は、上述したように、取得部４４から入力された医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、入力された医用情報における体型情報５７と年齢情報５６との組み合わせに応じて選択した学習済みモデル３８に医用画像データ５２を入力させ、学習済みモデル３８から出力された被検体の成長板の骨折の有無を表す情報を取得する。
例えば、図２３に示すように、医療情報における体型情報５７の表す体型が「小型」であり、年齢情報５６の表す情報が「３ヶ月」の場合、導出部４６は、医用画像データ５２を体型が小型であり年齢が３ヶ月用の学習済みモデル３８１５に入力させる。学習済みモデル３８１５からは、被検体の成長板の骨折の有無を表す情報が出力される。
次のステップＳ２０４で導出部４６は、上述したように被検体の成長板に骨折が有るか否かを判定する。学習済みモデル３８が、被検体の成長板の骨折が有ることを表す情報を出力した場合、ステップＳ２０４の判定が肯定判定となり、次のステップＳ２０６で警告情報出力部４９が、上述したように警告情報を出力した後、本診療支援処理を終了する。
一方、学習済みモデル３８が、被検体の成長板の骨折が無いことを表す情報を出力した場合、ステップＳ２０４の判定が否定判定となり、次のステップＳ２０８で出力部４８が、上述したように骨折が無いとした導出結果を出力した後、本診療支援処理を了する。
このように、本実施形態の診療支援装置１０によれば、医用画像データ５２、体型情報５７、及び年齢情報５６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無が導出される。被検体の成長板の骨折に影響を与える要因として、被検体の体型が挙げられる。例えば、大型犬に比べて小型犬のほうが、比較的、骨折し易く、成長板も骨折しやすい傾向が知られている。換言すると、体型が小型になるほど、成長板が骨折し易い傾向がある。また例えば、体型が頑丈な犬に比べて華奢な犬のほうが、比較的、骨折し易く、成長板も骨折しやすい傾向が知られている。換言すると、体型が華奢になるほど、成長板が骨折し易い傾向がある。また例えば、体型が標準体型な犬に比べて、痩せ型の犬や肥満型の犬のほうが、比較的、骨折し易く、成長板も骨折し易い傾向が知られている。換言すると、体型が標準体型から乖離するほど、成長板が骨折し易い傾向がある。また例えば、体脂肪率が低い犬に比べて、体脂肪率が高い犬のほうが、比較的、骨折し易く、成長板も骨折し易い傾向が知られている。
本実施形態の診療支援装置１０によれば、成長板の骨折に影響を与える要因である被検体の体型を考慮して学習された学習済みモデル３８を用いて被検体の成長板の骨折の有無を導出するため、医用画像データ５２が表す医用画像を用いた成長板の骨折に対する診療を効果的に支援することができる。
また、本実施形態の診療支援装置１０によれば、被検体がいわゆるミックス犬等の雑種である場合や、犬種が不明な場合等でも、被検体の体型を考慮して被検体の成長板の骨折の有無を導出することができるため、より診療を交換的に支援することができる。
［第４実施形態］
以下、第４実施形態について詳細に説明する。
被検体の成長板の骨折に影響を与える要因として、さらに、被検体の行動が挙げられる。そこで、本実施形態では、診療支援装置１０により、被検体の行動に関する情報を含む医用情報を用いて被検体の成長板の骨折に対する診療を支援する形態について説明する。
本実施形態の診療支援システム１の構成は、第１実施形態の診療支援システム１の構成（図１参照）と同様であるため、説明を省略する。
一方、本実施形態の診療支援装置１０では、診療に用いる被検体の医用情報の内容が第１実施形態と異なり、また、学習済みモデル３８の学習に用いる学習用医用情報３０の内容が第１実施形態と異なる。そのため、本実施形態の診療支援装置１０の構成は、記憶部２２に記憶される学習用医用情報３０に含まれる情報が、第１実施形態の記憶部２２に記憶される学習用医用情報３０に含まれる情報（図１及び図２参照）と異なる。図２４及び図２５には、本実施形態の学習用医用情報３０の一例を示す。図２４及び図２５に示すように、本実施形態の学習用医用情報３０は、第１実施形態の学習用医用情報３０に含まれていた品種情報３４（図１及び図２参照）に加えて、行動情報３９を含んでいる。
行動情報３９とは、被検体の行動に関する情報である。具体的には、被検体の普段、日常的な行動に関する情報であり、一例として本実施形態では、被検体の普段の行動を２段階に表す情報であり、具体的には大人しい及び行動的のいずれであるかを表す情報である。なお、本実施形態に限定されず、行動情報３９が、被検体の行動を３段階以上に表す情報であってもよい。また、行動情報３９は、本実施形態のように大人しいか行動的で有るかを表す情報に限定されず、例えば、飛び跳ねる頻度が高いまたは低い、ソファや机等高いところに上る頻度が高いまたは低い、及び室内犬か室外犬か等を表す情報のいずれかであってもよいし、これらの情報の組み合わせであってもよい。
なお、行動情報３９を得る方法は特に限定されない。例えば、医用画像データ３２が表す医用画像を読影したユーザが、端末装置１２の操作部（図示省略）から被検体の行動に関する情報を入力する形態としてもよい。また例えば、電子カルテ等に被検体の行動に関する情報が記載されている場合、被検体の行動に関する情報が記載されている電子カルテ等から行動に関する情報を取得する形態としてもよい。
図２６に示すように、上記本実施形態の学習用医用情報３０を用いた機械学習により本実施形態の学習済みモデル３８が生成される。例えば、図２６に示すように、品種情報３４が表す犬種が「柴犬」であり、かつ行動情報３９が表す行動に関する情報が「大人しい」である場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で行動が大人しく、年齢が１ヶ月用の学習済みモデル３８１９が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で行動が大人しく、年齢が２ヶ月用の学習済みモデル３８２０が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で行動が大人しく、年齢が３ヶ月用の学習済みモデル３８２１が生成される。
また例えば、図２６に示すように、品種情報３４が表す犬種が「柴犬」であり、かつ行動情報３９が表す行動に関する情報が「行動的」である場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で行動が行動的で、年齢が１ヶ月用の学習済みモデル３８２２が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で行動が行動的で、年齢が２ヶ月用の学習済みモデル３８２３が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で行動が行動的で、年齢が３ヶ月用の学習済みモデル３８２４が生成される。上述したように学習済みモデル３８の例としては、ニューラルネットワークモデルが挙げられる。
なお、図２６では、６つの学習済みモデル３８１９～３８２４について示しているが、生成される学習済みモデル３８の数は６つに限定されるものではない。なお、学習済みモデル３８１９～３８２４について各々を区別せずに総称する場合、個々を区別する「１９」～「２４」の符号を省略して「学習済みモデル３８」という。
次に、本実施形態の診療支援装置１０の学習フェーズにおける機能的な構成について説明する。本実施形態の診療支援装置１０の学習フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図６参照）と同様である。一方、本実施形態の診療支援装置１０における学習部４２は、学習用医用情報３０に基づいて学習済みモデル３８を生成する具体的な動作が異なるため、学習部４２の具体的な動作について説明する。
本実施形態の学習部４２は、品種情報３４が表す犬種、行動情報５９が表す行動に関する情報、及び年齢情報３６が表す年齢の組み合わせ毎に、骨折有無情報が付加された医用画像データ３２を入力とし、医用画像データ３２が表す医用画像３３における成長板の骨折の有無を表す情報を出力とした、犬種、行動、及び年齢の組み合わせに応じた複数の学習済みモデル３８を機械学習によって生成する。
より具体的には、学習部４２は、品種情報３４が表す犬種が「柴犬」、行動情報３９が表す行動に関する情報が「大人しい」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報（例えば、「０」）が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種が「柴犬」、行動情報３９が表す行動に関する情報が「大人しい」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報（例えば、「１」）が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で行動が大人しく、年齢が１ヶ月用の学習済みモデル３８１９が生成される。
同様に、学習部４２は、品種情報３４が表す犬種が「柴犬」、行動情報３９が表す行動に関する情報が「大人しい」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種が「柴犬」、行動情報３９が表す行動に関する情報が「大人しい」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で行動が大人しく、年齢が２ヶ月用の学習済みモデル３８２０が生成される。
同様に、学習部４２は、品種情報３４が表す犬種が「柴犬」、行動情報３９が表す行動に関する情報が「行動的」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａが入力された場合は、骨折が無いことを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種が「柴犬」、行動情報３９が表す行動に関する情報が「行動的」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂが入力された場合は、骨折が有ることを表す情報が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で行動が行動的で、骨の太さが骨太で年齢が１ヶ月用の学習済みモデル３８２２が生成される。
以上の学習部４２による学習のアルゴリズムとしては、上述したように例えば、誤差逆伝播法を適用することができる。以上の学習部４２による学習によって、一例として図２７に示すように、犬種、行動、及び年齢の組み合わせ毎に、医用画像データ５２、品種情報５４、行動情報５９、及び年齢情報５６を入力とし、入力の医用画像データ５２が表す医用画像に写る被検体の成長板について、骨折していないか、または骨折を有するかを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部４２は、生成した学習済みモデル３８を記憶部２２に記憶する。
本実施形態の診療支援装置１０の学習フェーズにおける作用、すなわち、診療支援装置１０が実行する学習処理は、第１実施形態の診療支援装置１０において実行される学習処理（図８参照）と同様であるため、説明を省略する。
次に、図２８を参照して、本実施形態の診療支援装置１０の運用フェーズにおける機能的な構成を説明する。本実施形態の診療支援装置１０の運用フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図９参照）と同様である。なお、本実施形態の診療支援装置１０における取得部４４及び導出部４６の具体的な動作が異なるため、取得部４４及び導出部４６の具体的な動作について説明する。
取得部４４は、被検体が撮影された医用画像を表す医用画像データ５２と、その被検体の犬種を表す品種情報５４と、その被検体の行動に関する情報を表す行動情報５９と、その被検体の年齢を表す年齢情報５６とを医用情報として取得する。品種情報５４、行動情報５９、及び年齢情報５６の各々は、医用画像データ５２に付加されていてもよいし、ユーザにより端末装置１２の操作部（図示省略）を介して入力されてもよい。
導出部４６は、取得部４４により取得された医用情報（医用画像データ５２、品種情報５４、行動情報５９、及び年齢情報５６）と、学習用医用情報３０によって予め学習された学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、取得部４４によって取得された医用画像データ５２を、取得部４４により取得された品種情報５４が表す犬種、行動情報５９が表す行動、及び年齢情報５６が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。学習済みモデル３８は、入力された医用情報に応じて、被検体の成長板の骨折の有無を表す情報を出力する。
次に、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。なお、診療支援処理の全体的な流れは第１実施形態の図１０に示した診療支援処理と同様であるため、図１０を参照して説明する。
ステップＳ２００で、取得部４４は、被検体である犬の医用情報を取得し、導出部４６に出力する。具体的には、取得部４４は、ユーザによる診療対象である被検体の犬を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データ５２と、その被検体の犬種を表す品種情報５４と、その被検体の行動に関する情報を表す行動情報５９と、その被検体の年齢を表す年齢情報５６とを取得する。
次のステップＳ２０２で、導出部４６は、上述したように、取得部４４から入力された医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、入力された医用情報における品種情報５４、行動情報５９、及び年齢情報５６の組み合わせに応じて選択した学習済みモデル３８に医用画像データ５２を入力させ、学習済みモデル３８から出力された被検体の成長板の骨折の有無を表す情報を取得する。
例えば、図２９に示すように、医療情報における品種情報５４の表す犬種が「柴犬」であり、行動情報５９が表す行動に関する情報が「大人しい」であり、年齢情報５６の表す情報が「３ヶ月」の場合、導出部４６は、医用画像データ５２を犬種が柴犬で行動が大人しく、年齢が３ヶ月用の学習済みモデル３８２１に入力させる。学習済みモデル３８２１からは、被検体の成長板の骨折の有無を表す情報が出力される。
次のステップＳ２０４で導出部４６は、上述したように被検体の成長板に骨折が有るか否かを判定する。学習済みモデル３８が、被検体の成長板の骨折が有ることを表す情報を出力した場合、ステップＳ２０４の判定が肯定判定となり、次のステップＳ２０６で警告情報出力部４９が、上述したように警告情報を出力した後、本診療支援処理を終了する。
一方、学習済みモデル３８が、被検体の成長板の骨折が無いことを表す情報を出力した場合、ステップＳ２０４の判定が否定判定となり、次のステップＳ２０８で出力部４８が、上述したように骨折が無いとした導出結果を出力した後、本診療支援処理を了する。
このように、本実施形態の診療支援装置１０によれば、医用画像データ５２、品種情報５４、行動情報５９、及び年齢情報５６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無が導出される。被検体の成長板の骨折に影響を与える要因として、被検体の行動が挙げられる。例えば、行動が大人しい犬に比べて行動的な犬のほうが、比較的、骨折し易く、成長板も骨折しやすい傾向が知られている。また例えば、よく飛び跳ねる行動をとる犬ほど、着したときに成長板（骨）が骨折し易い傾向がある。また例えば、高いところに上がる頻度が高い行動をとる犬ほど、着地したときや落下により成長板（骨）が骨折し易い傾向がある。
本実施形態の診療支援装置１０によれば、成長板の骨折に影響を与える要因である被検体の行動を考慮して学習された学習済みモデル３８を用いて被検体の成長板の骨折の有無を導出するため、医用画像データ５２が表す医用画像を用いた成長板の骨折に対する診療を効果的に支援することができる。
また、本実施形態の診療支援装置１０によれば、被検体がいわゆるミックス犬等の雑種である場合や、犬種が不明な場合等でも、被検体の体型を考慮して被検体の成長板の骨折の有無を導出することができるため、より診療を交換的に支援することができる。
［第５実施形態］
以下、第５実施形態について詳細に説明する。
本実施形態の診療支援システム１の構成は、第１実施形態の診療支援システム１の構成（図１参照）と同様であるため、説明を省略する。
一方、本実施形態の診療支援装置１０では、診療に用いる被検体の医用画像データ５２が第１実施形態と異なり、また、学習済みモデル３８の学習に用いる医用画像データ３２が第１実施形態と異なる。図３０には、本実施形態の医用画像データ３２を含む学習用医用情報３０の一例を示す。図３０に示すように、本実施形態の学習用医用情報３０に含まれる医用画像データ３２は、上記各実施形態と同様に成長板が骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａと、成長板が骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂを含む。
また、本実施形態の医用画像データ３２は、同一の被検体に対する医用画像データ３２として、大腿骨等の左右一対の骨の医用画像を表す２枚の医用画像データのペアを用いる。
具体的には、医用画像データ３２は、同一被検体における左右一対の骨における成長板のうち、右側の成長板が骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａと、左側の成長板が骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂとを有する医用画像データ３２Ｃを含む。また、医用画像データ３２は、同一被検体における左右一対の骨における成長板のうち、右側の成長板が骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂと、左側の成長板が骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａとを有する医用画像データ３２Ｄを含む。また、医用画像データ３２は、同一被検体における左右一対の骨における成長板のうち、右側の成長板が骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａと、左側の成長板が骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂとを有する医用画像データ３２Ｅを含む。さらにまた、医用画像データ３２は、同一被検体における左右一対の骨における成長板のうち、右側の成長板が骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂと、左側の成長板が骨折している状態の医用画像３３Ｂを表す医用画像データ３２Ｂとを有する医用画像データ３２Ｅを含む。
換言すると、医用画像データ３２は、ペアのうち右側が骨折しておらず左側が骨折している医用画像データ３２Ｃ、ペアのうち右側が骨折しており左側が骨折していない医用画像データ３２Ｄ、ペア共に骨折していない医用画像データ３２Ｅ、及びペア共に骨折している医用画像データ３２Ｆを含む。なお、本実施形態の医用画像データ３２Ｂが、本開示の一方の成長板骨折している第１医用画像データの一例であり、また、医用画像データ３２Ａが、本開示の他方の成長板が骨折していない第２医用画像データの一例である。
なお、本実施形態の医用画像データ３２は、右の成長板が共に骨折していないペアを複数含む医用画像データ３２Ｅ、及び左右の成長板が共に骨折しているペアを複数含む医用画像データ３２Ｆを含むが、これらの医用画像データを含んでいない形態としてもよい。医用画像データ３２は、左右一対の医用画像データ３２のうち、成長板が骨折していない状態の医用画像３３Ａを表す医用画像データ３２Ａと、成長板が骨折している状態の医用画像を表す医用画像データ３２Ｂとのペアを含む形態とすればよい。
図３１に示すように、上記本実施形態の学習用医用情報３０を用いた機械学習により本実施形態の学習済みモデル３８が生成される。例えば、図３１に示すように、品種情報３４が表す犬種が「柴犬」であり、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ｃ、３２Ｄ、３２Ｅ、及び３２Ｆからは、犬種が柴犬で年齢が１ヶ月用の学習済みモデル３８２５が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ｃ、３２Ｄ、３２Ｅ、及び３２Ｆからは、犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８２６が生成される。
なお、図３１では、２つの学習済みモデル３８２５、３８２６について示しているが、生成される学習済みモデル３８の数は２つに限定されるものではない。なお、学習済みモデル３８２５、３８２６について各々を区別せずに総称する場合、個々を区別する「２５」、「２６」の符号を省略して「学習済みモデル３８」という。
次に、本実施形態の診療支援装置１０の学習フェーズにおける機能的な構成について説明する。本実施形態の診療支援装置１０の学習フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図６参照）と同様である。一方、本実施形態の診療支援装置１０における学習部４２は、学習用医用情報３０に基づいて学習済みモデル３８を生成する具体的な動作が異なるため、学習部４２の具体的な動作について説明する。
本実施形態の学習部４２は、品種情報３４が表す犬種及び年齢情報３６が表す年齢の組み合わせ毎に、骨折有無情報が付加された医用画像データ３２Ｃ、３２Ｄ、３２Ｅ、及び３２Ｆを含む医用画像データ３２を入力とし、医用画像データ３２が表す医用画像３３における左右の成長板の骨折の有無を表す情報を出力とした、犬種及び年齢の組み合わせに応じた複数の学習済みモデル３８を機械学習によって生成する。
より具体的には、学習部４２は、品種情報３４が表す犬種が「柴犬」及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、ペアのうちの右側が骨折しておらず左側が骨折している医用画像データ３２Ｃが入力された場合は、左側が骨折していることを表す情報（例えば、「１０」）が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種が「柴犬」及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、ペアのうちの右側が骨折しており左側が骨折していない医用画像データ３２Ｄが入力された場合は、右側が骨折していることを表す情報（例えば、「０１」）が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種が「柴犬」及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、ペア共に骨折していない医用画像データ３２Ｅが入力された場合は、左右共に骨折していないことを表す情報（例えば、「００」）が出力されるようにモデルを学習させる。さらにまた、品種情報３４が表す犬種が「柴犬」及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、ペア共に骨折している医用画像データ３２Ｆが入力された場合は、左右共に骨折していることを表す情報（例えば、「１１」）が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で年齢が１ヶ月用の学習済みモデル３８２５が生成される。
同様に、学習部４２は、品種情報３４が表す犬種が「柴犬」及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、ペアのうちの右側が骨折しておらず左側が骨折している医用画像データ３２Ｃが入力された場合は、左側が骨折していることを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種が「柴犬」及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、ペアのうちの右側が骨折しており左側が骨折していない医用画像データ３２Ｄが入力された場合は、右側が骨折していることを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種が「柴犬」及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、ペア共に骨折していない医用画像データ３２Ｅが入力された場合は、左右共に骨折していないことを表す情報が出力されるようにモデルを学習させる。さらにまた、品種情報３４が表す犬種が「柴犬」及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、ペア共に骨折している医用画像データ３２Ｆが入力された場合は、左右共に骨折していることを表す情報が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８５６が生成される。
以上の学習部４２による学習のアルゴリズムとしては、上述したように例えば、誤差逆伝播法を適用することができる。以上の学習部４２による学習によって、一例として図３２に示すように、犬種及び年齢の組み合わせ毎に、被検体の一対の骨のうち右側の骨を撮影した医用画像を表す医用画像データ５２Ｒ及び左側の骨を撮影した医用画像を表す医用画像データ５２Ｌと、品種情報５４と、年齢情報５６とを入力とし、入力の医用画像データ５２Ｒ、５２Ｌの各々が表す医用画像に写る被検体の左右各々の成長板について、骨折していないか、または骨折を有するかを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部４２は、生成した学習済みモデル３８を記憶部２２に記憶する。
本実施形態の診療支援装置１０の学習フェーズにおける作用、すなわち、診療支援装置１０が実行する学習処理は、第１実施形態の診療支援装置１０において実行される学習処理（図８参照）と同様であるため、説明を省略する。
次に、図３３を参照して、本実施形態の診療支援装置１０の運用フェーズにおける機能的な構成を説明する。本実施形態の診療支援装置１０の運用フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図９参照）と同様である。なお、本実施形態の診療支援装置１０における取得部４４及び導出部４６の具体的な動作が異なるため、取得部４４及び導出部４６の具体的な動作について説明する。
取得部４４は、被検体の一対の骨のうち、右側の骨が撮影された医用画像を表す医用画像データ５２Ｒ、及び左側の骨が撮影された医用画像を表す医用画像データ５２Ｌと、その被検体の犬種を表す品種情報５４と、その被検体の年齢を表す年齢情報５６とを医用情報として取得する。品種情報５４及び年齢情報５６の各々は、医用画像データ５２Ｒ、５２Ｌの少なくとも一方に付加されていてもよいし、ユーザにより端末装置１２の操作部（図示省略）を介して入力されてもよい。
導出部４６は、取得部４４により取得された医用情報（医用画像データ５２Ｒ、５２Ｌ、品種情報５４、及び年齢情報５６）と、学習用医用情報３０によって予め学習された学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無を導出する。具体的には、導出部４６は、取得部４４によって取得された医用画像データ５２Ｒ、５２Ｌを、取得部４４により取得された品種情報５４が表す犬種及び年齢情報５６が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。学習済みモデル３８は、入力された医用情報に応じて、被検体の左右の成長板各々について骨折の有無を表す情報を出力する。
次に、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。なお、診療支援処理の全体的な流れは第１実施形態の図１０に示した診療支援処理と同様であるため、図１０を参照して説明する。
ステップＳ２００で、取得部４４は、被検体である犬の医用情報を取得し、導出部４６に出力する。具体的には、取得部４４は、ユーザによる診療対象である被検体の犬の左右一つの骨の各々を医用画像撮影装置によって撮影して得られた一対の医用画像を表す医用画像データ５２Ｒ、５２Ｌと、その被検体の犬種を表す品種情報５４と、その被検体の行動に関する情報を表す行動情報５９と、その被検体の年齢を表す年齢情報５６とを取得する。
次のステップＳ２０２で、導出部４６は、上述したように、取得部４４から入力された医用情報と、学習済みモデル３８とに基づいて、被検体の左右の成長板各々について骨折の有無を導出する。具体的には、導出部４６は、入力された医用情報における品種情報５４及び年齢情報５６の組み合わせに応じて選択した学習済みモデル３８に医用画像データ５２Ｒ、５２Ｌを入力させ、学習済みモデル３８から出力された被検体の左右の成長板各々について骨折の有無を表す情報を取得する。
例えば、図３４に示すように、医療情報における品種情報５４の表す犬種が「柴犬」であり、年齢情報５６の表す情報が「１ヶ月」の場合、導出部４６は、医用画像データ５２Ｒ、５２Ｌを犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８２６に入力させる。学習済みモデル３８２６からは、被検体の左右の成長板各々における骨折の有無を表す情報が出力される。
次のステップＳ２０４で導出部４６は、上述したように被検体の左右の成長板各々に骨折が有るか否かを判定する。学習済みモデル３８が、被検体の左右の成長板の少なくとも一方に骨折が有ることを表す情報を出力した場合、ステップＳ２０４の判定が肯定判定となり、次のステップＳ２０６で警告情報出力部４９が、上述したように警告情報を出力した後、本診療支援処理を終了する。なお、この場合、警告情報出力部４９は、学習済みモデル３８の出力結果に基づいて、骨折を有する成長板が左右のいずれであるか（または両方か）を表す情報も出力することが好ましい。
一方、学習済みモデル３８が、被検体の左右の成長板のいずれにも骨折が無いことを表す情報を出力した場合、ステップＳ２０４の判定が否定判定となり、次のステップＳ２０８で出力部４８が、上述したように骨折が無いとした導出結果を出力した後、本診療支援処理を了する。
このように、本実施形態の診療支援装置１０によれば、医用画像データ５２Ｒ、５２Ｌ、品種情報５４、及び年齢情報５６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無が導出される。同一の被検体における左右一対の骨の一方が骨折している場合、一対のうち骨折している骨を撮影した医用画像と、骨折していない骨を撮影した医用画像とを比較することで、より精度良く骨折の有無や骨折の状態の診療を行うことができる。
本実施形態の診療支援装置１０によれば、左右一つの骨の各々の医用画像データ５２Ｒ、５２Ｌを用いて学習された学習済みモデル３８を用い、被検体の成長板の骨折の有無を導出するため、医用画像データ５２が表す医用画像を用いた成長板の骨折に対する診療をより精度良く行うことができる。
以上説明したように、上記各実施形態の診療支援装置１０は、取得部４４と、導出部４６と、警告情報出力部４９とを備える。取得部４４は、被検体の骨を撮影した医用画像を表す医用画像データ５２及び医用画像３３を撮影したときの被検体の年齢を表す年齢情報５６を含む医用情報を取得する。導出部４６は、取得部４４により取得された医用情報と、医用画像データ３２及び年齢情報３６を含む学習用医用情報３０を複数用いて予め学習された学習済みモデル３８とに基づいて、被検体の成長板６０の骨折の有無を導出する。警告情報出力部４９は、被検体の成長板が骨折している場合、警告を表す警告情報を出力する。
上述したように、成長板は、脆弱で衝撃が加わると骨折し易い組織である。成長板の骨折により骨の成長が妨げられると、骨が短くなる、曲がる、及び持続的な痛みを引き起こす等の症状が被検体に現れる場合がある。そのため、成長板を骨折した場合、早期に適切な治療を行うことが重要である。特に、被検体が人間と異なり、犬や猫等の動物の場合、人間よりも成長が速いため、より早く、骨折を発見し、適切な治療を行うことが望まれている。
上記各実施形態の診療支援装置１０によれば、医用画像データ５２及び年齢情報５６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の成長板の骨折の有無が導出される。従って、本実施形態の診療支援装置１０によれば、医用画像を用いた成長板の骨折に対する診療を効果的に支援することができる。また、本実施形態の診療支援装置１０によれば、成長板の骨折に対する診療をより適切に行うことができるため、被検体の順調な成長を促すことができる。
なお、上記各実施形態の診療支援装置１０では、学習済みモデル３８が成長板の骨折の有無を表す情報を出力する形態について説明したが、学習済みモデル３８から出力される情報は、本形態に限定されない。
例えば、成長板の骨折の分類として、図３５に示す、Ｉ型～Ｖ型まで５つに分類されるソルターハリス（Salter－Harris)の分類が知られている。そのため、成長板が骨折を有する場合に、その骨折が上記分類のいずれに該当するかを表す情報が学習済みモデル３８から出力される形態であってもよい。この場合、医用画像データ３２Ｂにおける骨折が上記分類のいずれであるかを表す情報をさらに含む学習用医用情報３０を用いて学習済みモデル３８を生成すればよい。
また、学習済みモデル３８を生成するために用いられる学習用医用情報３０が含む各種情報は、上記各実施形態に限定されない。例えば、上記各実施形態における学習用医用情報３０を組み合わせてもよい。また例えば、学習用医用情報３０は、成長板を有する骨の種類を表す骨種類情報を含んでいてもよい。例えば、医用画像データ３２Ｂが、遠位大腿骨骨端の成長板が骨折している状態の医用画像３３を表す場合、学習用医用情報３０には、遠位大腿骨骨端を表す骨種類情報が含まれる形態であってもよい。
また、上記各実施形態では、被検体として犬を適用した形態について説明したが、被検体はこれに限定されない。例えば、被検体として、人間を適用してもよいし、猫等の犬以外の動物を適用する形態であってもよい。
また、上記各実施形態における診療支援装置１０の各機能部等の各種の処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。
また、上記実施形態では、学習プログラム２３Ａ及び診療支援プログラム２３Ｂが記憶部２２に予め記憶（インストール）されている態様を説明したが、これに限定されない。学習プログラム２３Ａ及び診療支援プログラム２３Ｂの各々は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよい。また、学習プログラム２３Ａ及び診療支援プログラム２３Ｂの各々は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
上記の実施形態に鉗子、さらに以下の付記を開示する。
（付記１）
被検体の骨を撮影した医用画像を表す医用画像データ及び前記医用画像を撮影したときの前記被検体の年齢を表す年齢情報を含む学習用医用情報を取得する取得部と、
前記学習用医用情報を学習用のデータとして学習させることによって、前記医用画像データ及び前記年齢情報に基づいて前記被検体の成長板の骨折有無を表す情報を出力する学習済みモデルを生成する学習部と、
を備えた診療支援装置。
１ 診療支援システム
１０ 診療支援装置
１２ 端末装置
２０ ＣＰＵ
２１ メモリ
２２ 記憶部
２３Ａ 学習プログラム、２３Ｂ 診療支援プログラム
２４ 表示部
２６ 入力部
２８ ネットワークＩ／Ｆ
２９ バス
３０ 学習用医用情報
３２、３２Ａ～３２Ｆ、５２、５２Ｒ、５２Ｌ 医用画像データ
３３、３３Ａ、３３Ｂ 医用画像
３４、５４ 品種情報
３５、５５ 太さ情報
３６、５６ 年齢情報
３７、５７ 体型情報
３８、３８１～３８２６ 学習済みモデル
３９、５９ 行動情報
４０、４４ 取得部
４２ 学習部
４６ 導出部
４８ 出力部
４９ 警告情報出力部
６０１～６０３ 成長板
６２ 骨折部
Ｎ ネットワーク

Claims (9)

  1. 被検体の骨を撮影した医用画像を表す医用画像データ及び前記医用画像を撮影したときの前記被検体の年齢を表す年齢情報を含む医用情報を取得する取得部と、
    前記取得部により取得された前記医用情報と、前記医用画像データ及び前記年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、前記被検体の成長板の骨折の有無を導出する導出部と、
    前記被検体の成長板が骨折している場合、警告を表す警告情報を出力する警告情報出力部と、
    を備えた診療支援装置。
  2. 前記医用情報は、前記被検体の品種を表す品種情報をさらに含み、
    前記学習用医用情報は、前記品種情報をさらに含む、
    請求項１に記載の診療支援装置。
  3. 前医用情報は、前記被検体の骨の太さを表す太さ情報をさらに含み、
    前記学習用医用情報は、前記太さ情報をさらに含む、
    請求項１または請求項２に記載の診療支援装置。
  4. 前記医用情報は、前記被検体の体型に関する体型情報をさらに含み、
    前記学習用医用情報は、前記体型情報をさらに含む、
    請求項１から請求項３のいずれか１項に記載の診療支援装置。
  5. 前記医用情報は、前記被検体の行動に関する行動情報をさらに含み、
    前記学習用医用情報は、前記行動情報をさらに含む、
    請求項１から請求項４のいずれか１項に記載の診療支援装置。
  6. 前記学習用医用情報に含まれる医用画像データは、成長板が骨折している第１医用画像を表す第１医用画像データと、成長板が骨折していない第２医用画像を表す第２医用画像データとを含む、
    請求項１から請求項５のいずれか１項に記載の診療支援装置。
  7. 前記学習用医用情報に含まれる医用画像データは、左右一対の骨の各々における成長板のうち、一方の成長板が骨折している第１医用画像データと、他方の成長板が骨折していない第２医用画像データとを含み、
    前記取得部は、前記被検体の医用画像データとして、左右一対の骨の各々を撮影した医用画像を表す医用画像データを取得する、
    請求項１から請求項５のいずれか１項に記載の診療支援装置。
  8. 被検体の骨を撮影した医用画像を表す医用画像データ及び前記医用画像を撮影したときの前記被検体の年齢を表す年齢情報を含む医用情報を取得し、
    取得された前記医用情報と、前記医用画像データ及び前記年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、前記被検体の成長板の骨折の有無を導出し、
    前記被検体の成長板が骨折している場合、警告を表す警告情報を出力する、
    処理をコンピュータが実行する診療支援方法。
  9. 被検体の骨を撮影した医用画像を表す医用画像データ及び前記医用画像を撮影したときの前記被検体の年齢を表す年齢情報を含む医用情報を取得し、
    取得された前記医用情報と、前記医用画像データ及び前記年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、前記被検体の成長板の骨折の有無を導出し、
    前記被検体の成長板が骨折している場合、警告を表す警告情報を出力する、
    処理をコンピュータに実行させるための診療支援プログラム。
JP2019165767A 2019-09-11 2019-09-11 診療支援装置、診療支援方法、及び診療支援プログラム Active JP7113798B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019165767A JP7113798B2 (ja) 2019-09-11 2019-09-11 診療支援装置、診療支援方法、及び診療支援プログラム
US17/015,461 US11769250B2 (en) 2019-09-11 2020-09-09 Medical care support device, medical care support method, and medical care support program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019165767A JP7113798B2 (ja) 2019-09-11 2019-09-11 診療支援装置、診療支援方法、及び診療支援プログラム

Publications (2)

Publication Number Publication Date
JP2021040981A JP2021040981A (ja) 2021-03-18
JP7113798B2 true JP7113798B2 (ja) 2022-08-05

Family

ID=74849780

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019165767A Active JP7113798B2 (ja) 2019-09-11 2019-09-11 診療支援装置、診療支援方法、及び診療支援プログラム

Country Status (2)

Country Link
US (1) US11769250B2 (ja)
JP (1) JP7113798B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020172558A1 (en) * 2019-02-21 2020-08-27 The Trustees Of Dartmouth College System and method for automatic detection of vertebral fractures on imaging scans using deep networks
JP7236974B2 (ja) * 2019-10-03 2023-03-10 富士フイルム株式会社 診療支援装置、診療支援方法、及び診療支援プログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050196031A1 (en) 2004-03-03 2005-09-08 Chi-Wen Hsieh Method of automatically assessing skeletal age of hand radiographs
WO2007026787A1 (ja) 2005-08-31 2007-03-08 Hiroshi Ohtsuka Ｘ線画像処理システム及びその方法
US20070274584A1 (en) 2004-02-27 2007-11-29 Leow Wee K Method and System for Detection of Bone Fractures
JP2014064776A (ja) 2012-09-26 2014-04-17 Fujifilm Corp 医療用撮影ガイダンス表示装置
JP2017084191A (ja) 2015-10-29 2017-05-18 キヤノンマーケティングジャパン株式会社 医用画像処理装置、医用画像処理装置に搭載可能なプログラム、及び医用画像処理方法
WO2018093865A1 (en) 2016-11-17 2018-05-24 Terarecon, Inc. Medical image identification and interpretation
JP2019093137A (ja) 2017-11-22 2019-06-20 ゼネラル・エレクトリック・カンパニイ 放射線学的所見のためのポイントオブケア警報を送達するためのシステムおよび方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107205709A (zh) 2015-02-13 2017-09-26 株式会社岛津制作所 骨分析装置
US10622102B2 (en) * 2017-02-24 2020-04-14 Siemens Healthcare Gmbh Personalized assessment of bone health

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070274584A1 (en) 2004-02-27 2007-11-29 Leow Wee K Method and System for Detection of Bone Fractures
US20050196031A1 (en) 2004-03-03 2005-09-08 Chi-Wen Hsieh Method of automatically assessing skeletal age of hand radiographs
WO2007026787A1 (ja) 2005-08-31 2007-03-08 Hiroshi Ohtsuka Ｘ線画像処理システム及びその方法
JP2007061371A (ja) 2005-08-31 2007-03-15 Hiroshi Otsuka Ｘ線画像処理システム及びその方法
JP2014064776A (ja) 2012-09-26 2014-04-17 Fujifilm Corp 医療用撮影ガイダンス表示装置
JP2017084191A (ja) 2015-10-29 2017-05-18 キヤノンマーケティングジャパン株式会社 医用画像処理装置、医用画像処理装置に搭載可能なプログラム、及び医用画像処理方法
WO2018093865A1 (en) 2016-11-17 2018-05-24 Terarecon, Inc. Medical image identification and interpretation
JP2019093137A (ja) 2017-11-22 2019-06-20 ゼネラル・エレクトリック・カンパニイ 放射線学的所見のためのポイントオブケア警報を送達するためのシステムおよび方法

Also Published As

Publication number Publication date
JP2021040981A (ja) 2021-03-18
US20210073985A1 (en) 2021-03-11
US11769250B2 (en) 2023-09-26

Similar Documents

Publication Publication Date Title
JP7217906B2 (ja) 推定装置、システム及び推定方法
JP7113798B2 (ja) 診療支援装置、診療支援方法、及び診療支援プログラム
US11978208B2 (en) Trained model, learning method, learning program, medical information acquisition device, medical information acquisition method, and medical information acquisition program
KR20230118054A (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템
US11334990B2 (en) Information processing apparatus, information processing method, and program
JP7236974B2 (ja) 診療支援装置、診療支援方法、及び診療支援プログラム
Fleischman et al. The role of the forensic anthropologist in the pediatric autopsy: Interpretations, contributions, and challenges
JP7084357B2 (ja) 診断支援装置、診断支援方法、及び診断支援プログラム
JP7144370B2 (ja) 診断支援装置、診断支援方法、及び診断支援プログラム
Tóth et al. Assessment of the mineral density and mineral content of the equine third metacarpal and first phalanx bone by dual energy x-ray absorptiometry
AU2021102772A4 (en) Biomedical Image Analysis for Osteoporosis using fuzz logic Detection, Diagnosis and Prediction Model.
US20210134462A1 (en) Information processing apparatus, information processing method, and information processing program
JP7179707B2 (ja) 診療支援装置、診療支援方法、及び診療支援プログラム
JP6968298B2 (ja) 情報処理装置、情報処理方法、及びプログラム
Meem Fundamentals of Osteoporosis and the Associated Developments in its Diagnosis and Treatment
US20230121783A1 (en) Medical image processing apparatus, method, and program
Manchon et al. Magnetic resonance imaging findings of the proximal metacarpus in cutting horses.

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210715

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220630

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: 20220705

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220726

R150 Certificate of patent or registration of utility model

Ref document number: 7113798

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150