JP7115693B2 - 診断支援システム、診断支援装置および診断支援方法 - Google Patents

診断支援システム、診断支援装置および診断支援方法 Download PDF

Info

Publication number
JP7115693B2
JP7115693B2 JP2020519521A JP2020519521A JP7115693B2 JP 7115693 B2 JP7115693 B2 JP 7115693B2 JP 2020519521 A JP2020519521 A JP 2020519521A JP 2020519521 A JP2020519521 A JP 2020519521A JP 7115693 B2 JP7115693 B2 JP 7115693B2
Authority
JP
Japan
Prior art keywords
learning model
information
patient
absence
generation unit
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
JP2020519521A
Other languages
English (en)
Other versions
JPWO2019220833A1 (ja
Inventor
健太郎 森本
雅哉 佐藤
裕 矢冨
良介 建石
和彦 小池
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.)
Shimadzu Corp
University of Tokyo NUC
Original Assignee
Shimadzu Corp
University of Tokyo NUC
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 Shimadzu Corp, University of Tokyo NUC filed Critical Shimadzu Corp
Publication of JPWO2019220833A1 publication Critical patent/JPWO2019220833A1/ja
Application granted granted Critical
Publication of JP7115693B2 publication Critical patent/JP7115693B2/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Description

この発明は、診断支援システム、診断支援装置および診断支援方法に関し、特に、患者群の生体情報に基づいて学習モデル情報を機械学習により生成する診断支援システム、診断支援装置および診断支援方法に関する。
従来、患者群の生体情報に基づいて学習モデル情報を機械学習により生成する学習モデル生成部を備える診断支援装置が知られている。このような診断支援装置は、たとえば、特開２０１８－４１４３４号公報に開示されている。
特開２０１８－４１４３４号公報には、撮像画像から病変を診断するための診断支援装置が開示されている。この診断支援装置では、アンサンブル識別器（学習モデル生成部）によって機械学習（ニューラルネットワーク）が行われるように構成されている。具体的には、機械学習用に病変が既知である複数枚の学習画像（リファレンス画像）が準備される。次に、複数枚の学習画像の中から所定の画像が取り出されるとともに、取り出された画像の回転角や倍率などを異ならせた複数の画像が準備される。そして、これらの画像がアンサンブル識別器（ニューラルネットワーク）に入力されて機械学習が行われる。その結果、学習済みのアンサンブル識別器が生成される。そして、学習済みのアンサンブル識別器に、病変が未知である画像が入力されて、病変か否かが推論（判定）される。
特開２０１８－４１４３４号公報
ここで、特開２０１８－４１４３４号公報に記載のようなニューラルネットワークなどの機械学習では、比較的多くの数の機械学習用の画像（機械学習用のデータ）が必要になる。たとえば、比較的規模の大きい病院（大病院）では、多数の患者が来院するので、機械学習を行うのに十分な機械学習用のデータを取得することが可能である。一方、比較的規模の小さい病院（小病院）では、来院する患者の数が少ないので、機械学習を行うのに十分な機械学習用のデータを取得することが困難である。また、機械学習用のデータには、患者を識別するための個人情報などが含まれており、大病院に保持されている機械学習用のデータを、小病院において利用することができない。このため、小病院において、病変か否かの機械学習を行うのが困難であり、小病院において、機械学習の結果に基づいて病変か否かの推論（判定）を行うのが困難であるという問題点がある。
この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、機械学習用のデータを取得することが困難な小病院などにおいても、患者の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果に基づいて患者の病気の有無を判定することが可能な診断支援システム、診断支援装置および診断支援方法を提供することである。
上記目的を達成するために、この発明の第１の局面による診断支援システムは、患者群の生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成する学習モデル生成部と、病院に配置され、学習モデル生成部により生成された学習モデル情報を、病院の外部に配置されたコンピュータから外部ネットワークを介して受け取るとともに、受け取った学習モデル情報に基づいて、患者群には含まれない患者の病気の有無を判定する判定部とを備える。
この発明の第１の局面による診断支援システムでは、上記のように、学習モデル生成部により生成された学習モデル情報を、外部ネットワークを介して受け取るとともに、受け取った学習モデル情報に基づいて、患者群には含まれない患者の病気の有無を判定する判定部を備える。これにより、外部ネットワークを介して学習モデル情報を小病院などに設置された判定部が受け取ることができるので、機械学習用のデータを取得することが困難な小病院などにおいても、学習モデル情報に基づいて患者の病気の有無を判定することができる。また、学習モデル生成部により生成された学習モデル情報は、患者の個人情報を含まない統計的な情報などにより構成されている。これにより、学習モデル情報を、外部ネットワークを介して外部（小病院など）に提供しても、患者の個人情報が漏洩することはない。それらの結果、機械学習用のデータを取得することが困難な小病院などにおいても、患者の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果（学習モデル情報）に基づいて患者の病気の有無を判定することができる。
上記第１の局面による診断支援システムにおいて、好ましくは、患者群の生体情報が記憶された記憶部をさらに備え、記憶部には、患者群に含まれる個々の患者の識別情報と、個々の患者の生体情報とが記載された電子カルテデータが記憶されており、学習モデル生成部は、記憶部に記憶された電子カルテデータから個々の患者の生体情報を抽出するとともに、抽出された個々の患者の生体情報に基づいて、学習モデル情報を生成するように構成されている。このように構成すれば、患者の識別情報は用いずに、電子カルテデータから抽出された個々の患者の生体情報のみに基づいて学習モデル情報が生成されるので、患者の個人情報が漏洩するのを確実に防止することができる。
この場合、好ましくは、学習モデル生成部は、記憶部に記憶された電子カルテデータから抽出された個々の患者の生体情報と、電子カルテデータに関連付けられた個々の患者の生体サンプルの分析情報とに基づいて、学習モデル情報を生成するように構成されている。このように構成すれば、個々の患者の生体情報に加えて、個々の患者の生体サンプルの分析情報に基づいて、学習モデル情報が生成されるので、患者の病気の有無をより正確に判定することができる。
上記第１の局面による診断支援システムにおいて、好ましくは、判定部は、患者群には含まれない病気の有無が既知である患者の生体情報に基づいて、外部ネットワークを介して受け取った学習モデル情報を更新する第１学習モデル更新部を含む。このように構成すれば、機械学習用のデータを取得することが困難な場合でも、患者群には含まれない病気の有無が既知である患者の生体情報に基づいて、学習モデル情報の品質（判定能力）を向上させることができる。
上記第１の局面による診断支援システムにおいて、好ましくは、病院に配置され、患者群には含まれない病気の有無が既知である患者の生体情報を、患者の識別情報を除いた状態で、外部ネットワークを介して、学習モデル生成部に送信する送信部をさらに備え、学習モデル生成部は、送信部から送信された生体情報に基づいて、学習モデル情報を更新する第２学習モデル更新部を含む。このように構成すれば、外部（小病院など）から外部ネットワークを介して送信された患者群には含まれない病気の有無が既知である患者の生体情報に基づいて、第２学習モデル更新部により学習モデル情報の品質（判定能力）を向上させることができる。その結果、品質（判定能力）が向上された学習モデル情報を、再び、外部ネットワークを介して、小病院などの外部の複数の機関が受け取ることにより、外部の複数の機関において品質の向上された、かつ、共通の学習モデル情報に基づいて患者の病気の有無を判定することができる。また、送信部は、患者の識別情報を除いた状態で患者の生体情報を第２学習モデル更新部に送信するので、患者の識別情報が外部に漏洩することはない。
上記第１の局面による診断支援システムにおいて、好ましくは、学習モデル情報は、病院の外部に配置されたコンピュータから外部ネットワークを介して、学習モデル生成部からエクスポートされるとともに、病院に配置される判定部にインポートされるように構成されている。このように構成すれば、学習モデル生成部のアプリケーションと、判定部のアプリケーションとが異なっている場合でも、学習モデル生成部から学習モデル情報を判定部のアプリケーションが読み込める形式にして出力する（エクスポート）することにより、判定部において学習モデル情報を使用することができる。
上記第１の局面による診断支援システムにおいて、好ましくは、患者群の生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含み、判定部は、外部ネットワークを介して受け取った学習モデル情報に基づいて、患者群には含まれない患者の肝癌の有無を判定するように構成されている。このように構成すれば、患者の肝癌の有無を比較的高い正答率で判定することができる。なお、上記の生体情報に基づいて、比較的高い正答率で肝癌の有無を判定することができることは、後述する発明者による実験により確認済みである。
この発明の第２の局面による診断支援装置は、患者群の生体情報が記憶された記憶部と、記憶部に記憶された患者群の生体情報に基づいて、患者群の生体情報に含まれるパターンである学習モデル情報を機械学習により生成する学習モデル生成部とを備え、学習モデル生成部により生成された学習モデル情報を、外部ネットワークを介して、外部にエクスポートするように構成されている。
この発明の第２の局面による診断支援装置では、上記のように、学習モデル生成部により生成された学習モデル情報を、外部ネットワークを介して、外部にエクスポートするように構成されている。これにより、外部ネットワークを介して学習モデル情報を小病院などに設置された判定部が受け取ることができるので、機械学習用のデータを取得することが困難な小病院などにおいても、学習モデル情報に基づいて患者の病気の有無を判定することができる。また、学習モデル生成部により生成された学習モデル情報は、患者の個人情報を含まない統計的な情報などにより構成されている。これにより、学習モデル情報を、外部ネットワークを介して外部（小病院など）に提供しても、患者の個人情報が漏洩することはない。それらの結果、機械学習用のデータを取得することが困難な小病院などにおいても、患者の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果（学習モデル情報）に基づいて患者の病気の有無を判定することが可能な診断支援装置を提供することができる。
上記第２の局面による診断支援装置において、好ましくは、記憶部には、患者群に含まれる個々の患者の識別情報と、個々の患者の生体情報とが記載された電子カルテデータが記憶されており、学習モデル生成部は、記憶部に記憶された電子カルテデータから個々の患者の生体情報を抽出するとともに、抽出された個々の患者の生体情報に基づいて、学習モデル情報を生成するように構成されている。このように構成すれば、患者の識別情報は用いずに、電子カルテデータから抽出された個々の患者の生体情報のみに基づいて学習モデル情報が生成されるので、患者の個人情報が漏洩するのを確実に防止することができる。
この場合、好ましくは、学習モデル生成部は、記憶部に記憶された電子カルテデータから抽出された個々の患者の生体情報と、電子カルテデータに関連付けられた個々の患者の生体サンプルの分析情報とに基づいて、学習モデル情報を生成するように構成されている。このように構成すれば、個々の患者の生体情報に加えて、個々の患者の生体サンプルの分析情報に基づいて、学習モデル情報が生成されるので、患者の病気の有無をより正確に判定することができる。
この発明の第３の局面による診断支援方法は、学習モデル生成部が、患者群の生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成するステップと、判定部が、生成された学習モデル情報を、病院の外部に配置されたコンピュータから外部ネットワークを介して受け取るとともに、受け取った学習モデル情報に基づいて、患者群には含まれない患者の病気の有無を判定するステップとを備える。
この発明の第４の局面による診断支援方法は、一の施設において、学習モデル生成部が、患者群の生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成するステップと、生成された学習モデル情報を、診断支援装置が、外部ネットワークを介して、一の施設の外部にエクスポートするステップとを備える。
この発明の第５の局面による診断支援方法は、一の施設において、学習モデル生成部が、患者群の生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成するステップと、生成された学習モデル情報を、診断支援装置が、外部ネットワークを介して、一の施設の外部にエクスポートするステップと、判定部が、生成された学習モデル情報を、病院の外部に配置されたコンピュータから外部ネットワークを介して受け取るとともに、受け取った学習モデル情報に基づいて、患者群には含まれない患者の病気の有無を判定するステップとを備える。
本発明によれば、上記のように、機械学習用のデータを取得することが困難な小病院などにおいても、患者の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果に基づいて患者の病気の有無を判定することができる。
本発明の第１実施形態による診断支援システムのブロック図である。 本発明の第１実施形態による診断支援システムを説明するための図である。 本発明の第２実施形態による診断支援システムのブロック図である。 本発明の第３実施形態による診断支援システムのブロック図である。 本発明の第３実施形態による診断支援システムを説明するための図である。 本発明の第４実施形態による診断支援システムのブロック図である。
以下、本発明を具体化した実施形態を図面に基づいて説明する。
［第１実施形態］
図１および図２を参照して、第１実施形態による診断支援システム１００の構成について説明する。
まず、電子カルテ（電子カルテデータ）について説明する。電子カルテ（電子カルテデータ）は、医師の診断記録を紙の代わりに電子保存するためのもの（情報システム）である。電子カルテによって、医療従事者の事務作業の効率化や、情報管理の一元化を図ることが可能になる。また、患者Ｐ１の検査を行う検査施設で得られた結果を電子カルテに自動的に紐付けることも可能である。また、電子カルテにおいては、文字の視認性がよいとともに、電子カルテの検索も容易に行うことが可能である。
なお、従来のカルテ（電子カルテなど）を用いた診断では、医師は、電子カルテや問診によって得られた情報から患者Ｐ１の状態を総合的に判断して、診断を下す。なお、この診断は、患者Ｐ１に対してより負担の重い侵襲性の高い検査を行うことや、治療方針を決定することを意味合する。また、医師の総合的な判断は、統計的な知見に裏打ちされた医師の経験に基づくものである。一方、第１実施形態の診断支援システム１００は、患者群ＰＦの生体情報に含まれるパターン（学習モデル情報Ｍ）に基づいて診断を行う（診断を支援する）ものである。
図１に示すように、診断支援システム１００は、電子カルテデータベース１０、学習モデル生成部１１、電子カルテデータベース２０、および、判定部２１を備えている。電子カルテデータベース１０と学習モデル生成部１１とは、たとえば、比較的多くの患者が来院する大病院などの施設１に配置されている。また、電子カルテデータベース２０と、判定部２１とは、たとえば、来院する患者の少ない小病院などの施設２に配置されている。また、電子カルテデータベース１０と学習モデル生成部１１とは、診断支援装置１００ａに設けられている。また、学習モデル生成部１１および判定部２１は、ソフトウェア（プログラム）によって構成されている。なお、電子カルテデータベース１０は、特許請求の範囲の「記憶部」の一例である。
電子カルテデータベース１０には、患者群ＰＦの生体情報が記憶されている。具体的には、電子カルテデータベース１０には、患者群ＰＦに含まれる個々の患者Ｐ１の識別情報（名前など）と、個々の患者Ｐ１の生体情報とが記載された電子カルテデータが記憶されている。ここで、患者群ＰＦの生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含んでいる。ＨＣＶ抗体は、Ｃ型肝炎ウイルスにかつて感染したか、現在持続して感染していることを示す指標である。ＨＢｓ抗原は、現在Ｂ型肝炎ウイルスが存在していること（感染中であること）を示す指標である。アルブミンは、血清中のたんぱく質の濃度を測る数値であり、アルブミンの低下に基づいて肝臓や腎臓の異常を調べることが可能である。総ビリルビンは、肝臓の代謝能の指標である。ＡＳＴは、主に肝臓や心臓にどの程度の障害が起きているかを知るための指標である。ＡＬＴは、肝臓に障害が起きているかを知るための指標である。ＧＧＴは、肝機能の指標となるものである。ＡＦＰは、肝臓がんの有無の指標である。Ｌ３分画は、ＡＦＰ中にどのくらいＡＦＰ－Ｌ３が含まれているかを示した値である。ＤＣＰは、肝臓で合成される凝固活性をもたない異常プロトロンビンであり、肝細胞癌に特異的な腫瘍マーカーである。
また、学習モデル生成部１１は、電子カルテデータベース１０に記憶された患者群ＰＦの生体情報に基づいて、患者群ＰＦの生体情報に含まれるパターンである学習モデル情報Ｍを機械学習により生成するように構成されている。具体的には、第１実施形態では、学習モデル生成部１１は、電子カルテデータベース１０に記憶された電子カルテデータから個々の患者Ｐ１の生体情報を抽出するとともに、抽出された個々の患者Ｐ１の生体情報に基づいて、学習モデル情報Ｍを生成するように構成されている。
ここで、機械学習とは、教師となるデータ（判定結果が既知のデータ）を反復的に学習し、教師となるデータに潜むパターンを見つけ出すものである。機械学習では、様々なアルゴリズムを用いて教師となるデータを反復的に学習するので、人間が探すべき場所（教師となるデータの部分）を明示的にプログラムしなくても、コンピュータが自律的にパターンを導き出す。そして、本願明細書では、機械学習が見つけ出したパターンを、学習モデル情報Ｍという。学習モデル情報Ｍに、あるデータ（第１実施形態では、後述する施設２の電子カルテデータ）を適用（入力）すると、学習されたパターンに基づいて肝癌の有無が判定される。
また、電子カルテデータには、患者Ｐ１の名前などの個人情報が記載されている。また、電子カルテデータには、生体情報（肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータ）が記載されている。そして、学習モデル生成部１１は、電子カルテデータから、生体情報（肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータ）を抽出する。
そして、学習モデル生成部１１は、線形の学習モデル情報Ｍを作成するロジスティック回帰や、非線形の学習モデル情報Ｍを作成する、ソフトマージンサポートベクターマシン、ニューラルネットワーク、および、ランダムフォレストなどの機械学習を用いて、学習モデル情報Ｍを生成する。なお、作成された学習モデル情報Ｍは、統計処理した数値情報に近い性質を有しており、患者Ｐ１の個人情報を含まないデータである。
ロジスティック回帰において、予測したい変数を目的変数（第１実施形態では、肝癌の有無）という。また、目的変数に影響を及ぼす変数を説明変数（第１実施形態では、生体情報）という。ロジスティック回帰は、目的変数と説明変数との関係を関係式により表す。ロジスティック回帰は、上記の関係式を用いて、予測値（肝癌の有無の予測値）の算出と、関係式に用いた説明変数の目的変数に対する貢献度を求めるものである。
また、サポートベクターマシンは、教師データ（第１実施形態では、生体情報）が与えられると、肝癌有りであるいくつかの生体情報（特徴量）と、肝癌なしであるいくつかの生体情報（特徴量）とを分離する超平面を探す。また、サポートベクターマシンは、生体情報を分離する複数の超平面のうち、マージンが最大となる超平面を探す。ここでマージンとは、超平面と各特徴点との間の距離の最小値を意味しており、このマージンを最大にするような超平面が探される。なお、肝癌有りの特徴点と肝癌無しの特徴点とを完全に分離する超平面を探す手法を、ハードマージンサポートベクターマシンと呼び、肝癌の有無の誤判定を許すように超平面を探す手法を、ソフトマージンサポートベクターマシンと呼ぶ。
ニューラルネットワークとは、人間の脳内にある神経細胞（ニューロン）とそのつながりを、数式的なモデルとして表したものである。ニューラルネットワークは、入力層、出力層および隠れ層から構成されている。そして各相の間には、ニューロン同士のつながりの強さを示す重みが設けられている。ニューラルネットワークの学習では、判定（肝癌の有無）が既知のデータを用いて、出力層で肝癌の有無が正しく判定できるように、重みが調整される。
ランダムフォレストとは、複数の決定木を統合させたアンサンブル学習アルゴリズムである。また、決定木とは、目的変数に影響する説明変数を見つけだし、樹木状にモデルを作成するものである。
図２に示すように、学習モデル生成部１１は、肝癌である患者Ｐ１（患者群ＰＦ）の生体情報と、肝癌ではない患者Ｐ１（患者群ＰＦ）の生体情報と分別するような、学習モデル情報Ｍを生成する。たとえば、図２において、学習モデル情報Ｍよりも上方側に位置する生体情報（Ｉ１）は、肝癌である患者Ｐ１の生体情報であり、学習モデル情報Ｍよりも下方側に位置する生体情報（Ｉ２）は、肝癌ではない患者Ｐ１の生体情報である。また、機械学習のソフト（アプリケーション）は、Ｒ言語などのプログラミング言語で作例されている。そして、学習モデル情報Ｍは、Ｒ言語のオブジェクトにより構成されている。このオブジェクトには、患者Ｐ１の個人情報を含まれない。
また、診断支援装置１００ａは、学習モデル生成部１１により生成された学習モデル情報Ｍを、外部ネットワーク３０を介して、学習モデル生成部１１からエクスポートするように構成されている。つまり、診断支援装置１００ａは、学習モデル情報Ｍを判定部２１が読み込み可能な形式にした状態で出力するように構成されている。
ここで、第１実施形態では、判定部２１は、学習モデル生成部１１により生成された学習モデル情報Ｍを、外部ネットワーク３０を介して受け取る。そして、判定部２１は、受け取った学習モデル情報Ｍに基づいて、患者群ＰＦには含まれない患者Ｐ２の病気の有無を判定するように構成されている。また、学習モデル情報Ｍは、外部ネットワーク３０を介して、学習モデル生成部１１からエクスポートされるとともに、判定部２１にインポートされるように構成されている。
具体的には、施設２の電子カルテデータベース２０には、患者Ｐ２の電子カルテデータが記憶されている。なお、患者Ｐ２は、学習モデル情報Ｍを生成する際に使用された生体情報を有する患者Ｐ１（患者群ＰＦ）には含まれない患者Ｐ２である。また、患者Ｐ２の電子カルテデータには、上記の施設１の電子カルテデータベース１０に記憶されている生体情報（ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータ）が含まれている。なお、患者Ｐ２の電子カルテデータには、肝癌の有無は含まれていない。
そして、判定部２１は、外部ネットワーク３０を介して受け取った学習モデル情報Ｍに基づいて、患者群ＰＦには含まれない患者Ｐ２の肝癌の有無を判定するように構成されている。具体的には、患者Ｐ２の電子カルテデータに含まれる生体情報が学習モデル情報Ｍにインプットされる。そして、図２において、患者Ｐ２の生体情報（Ｉ３）が、学習モデル情報Ｍよりも上方側に分類されるか、下方側に分類されるかによって、肝癌の有無が判定される。
（実験）
次に、患者の生体情報に基づく機械学習の実験について説明する。
この実験では、病院を外来受診した、１５８４人の患者の生体情報に基づいて、学習モデル情報を生成した。患者の生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータである。また、機械学習アルゴリズムとして、ロジスティック回帰、ソフトマージンサポートベクターマシン、ニューラルネットワーク、および、ランダムフォレストなどを用いた。また、交差検証を行って、機械学習の正当率を求めた。なお、交差検証とは、１５８２人の患者の生体情報を分割し、この一部により学習モデル情報を生成し、残る部分で正答率を求めるものである。その結果、いずれの機械学習アルゴリズムにおいても、８０％近傍または８０％を超える正答率が得られることが確認された。これにより、たとえば、８０％を超える機械学習アルゴリズムを選択することにより、比較的精度の高い学習モデル情報Ｍを用いて肝癌の有無を判定することが可能になる。
（第１実施形態の効果）
第１実施形態では、以下のような効果を得ることができる。
第１実施形態では、上記のように、診断支援システム１００は、学習モデル生成部１１により生成された学習モデル情報Ｍを、外部ネットワーク３０を介して受け取るとともに、受け取った学習モデル情報Ｍに基づいて、患者群ＰＦには含まれない患者Ｐ２の病気（肝癌）の有無を判定する判定部２１を備える。これにより、外部ネットワーク３０を介して学習モデル情報Ｍを小病院などに設置された判定部２１が受け取ることができるので、機械学習用のデータを取得することが困難な小病院（施設２）などにおいても、学習モデル情報Ｍに基づいて患者Ｐ２の病気の有無を判定することができる。また、学習モデル生成部１１により生成された学習モデル情報Ｍは、患者Ｐ１の個人情報を含まない統計的な情報などにより構成されている。これにより、学習モデル情報Ｍを、外部ネットワーク３０を介して外部（小病院など）に提供しても、患者Ｐ１の個人情報が漏洩することはない。それらの結果、機械学習用のデータを取得することが困難な小病院などにおいても、患者Ｐ１の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果（学習モデル情報Ｍ）に基づいて患者Ｐ２の病気の有無を判定することができる。
また、第１実施形態では、上記のように、学習モデル生成部１１は、電子カルテデータベース１０に記憶された電子カルテデータから個々の患者Ｐ１の生体情報を抽出するとともに、抽出された個々の患者Ｐ１の生体情報に基づいて、学習モデル情報Ｍを生成する。これにより、患者Ｐ１の識別情報は用いずに、電子カルテデータから抽出された個々の患者Ｐ１の生体情報のみに基づいて学習モデル情報Ｍが生成されるので、患者Ｐ１の個人情報が漏洩するのを確実に防止することができる。
また、第１実施形態では、上記のように、学習モデル情報Ｍは、外部ネットワーク３０を介して、学習モデル生成部１１からエクスポートされるとともに、判定部２１にインポートされるように構成されている。これにより、学習モデル生成部１１のアプリケーションと、判定部２１のアプリケーションとが異なっている場合でも、学習モデル生成部１１から学習モデル情報Ｍを判定部２１のアプリケーションが読み込める形式にして出力する（エクスポート）することにより、判定部２１において学習モデル情報Ｍを使用することができる。
また、第１実施形態では、上記のように、患者群ＰＦの生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含み、判定部２１は、外部ネットワーク３０を介して受け取った学習モデル情報Ｍに基づいて、患者群ＰＦには含まれない患者Ｐ２の肝癌の有無を判定するように構成されている。これにより、上記の実験について説明したように、患者Ｐ２の肝癌の有無を比較的高い正答率（８０％近傍または８０％を超える正答率）で判定することができる。
［第２実施形態］
図３を参照して、第２実施形態による診断支援システム２００の構成について説明する。第２実施形態では、患者Ｐ１の生体サンプルの分析情報に基づいて、学習モデル情報Ｍ１を生成するように構成されている。
診断支援システム２００（診断支援装置２００ａ）では、施設１には、患者Ｐ１の生体サンプルを分析するための分析装置２０１が設けられている。分析装置２０１は、たとえば、質量分析装置である。また、分析装置２０１は、たとえば、患者Ｐ１の病気（肝癌）のマーカーとなる分子を同定するように構成されている。また、分析された患者Ｐ１の生体サンプルの分析情報は、電子カルテデータに自動的に関連付け（自動的に紐付け）されている。
そして、第２実施形態では、学習モデル生成部２１１は、電子カルテデータベース１０に記憶された電子カルテデータから抽出された個々の患者Ｐ１の生体情報と、電子カルテデータに関連付けられた個々の患者Ｐ１の生体サンプルの分析情報とに基づいて、学習モデル情報Ｍ１を生成するように構成されている。つまり、学習モデル情報Ｍ１は、患者Ｐ１の生体情報と生体サンプルの分析情報とが反映されたものであり、学習モデル生成部２１１の機械学習においては、上記第１実施形態に比べて、教師となるデータの情報量（特徴量）が多くなる。
また、施設２にも、患者Ｐ２の生体サンプルを分析するための分析装置２０１が設けられている。分析装置２０１で分析された患者Ｐ２の生体サンプルの分析情報は、患者Ｐ２の電子カルテデータに関連付けられている。そして、判定部２２１は、外部ネットワーク３０を介して受け取った学習モデル情報Ｍ１に基づいて、患者群ＰＦには含まれない患者Ｐ２の病気の有無を判定する。具体的には、患者Ｐ２の電子カルテデータに含まれる生体情報と、電子カルテデータに関連付けられた分析情報とが学習モデル情報Ｍ１に適用（入力）される。これにより、肝癌の有無が判定される。
（第２実施形態の効果）
第２実施形態では、以下のような効果を得ることができる。
第２実施形態では、上記のように、学習モデル生成部２１１は、電子カルテデータベース１０に記憶された電子カルテデータから抽出された個々の患者Ｐ１の生体情報と、電子カルテデータに関連付けられた個々の患者Ｐ１の生体サンプルの分析情報とに基づいて、学習モデル情報Ｍ１を生成する。これにより、個々の患者Ｐ１の生体情報に加えて、個々の患者Ｐ１の生体サンプルの分析情報に基づいて、学習モデル情報Ｍ１が生成されるので、患者Ｐ２の病気の有無をより正確に判定することができる。
［第３実施形態］
図４および図５を参照して、第３実施形態による診断支援システム３００の構成について説明する。第３実施形態では、患者Ｐ２の生体情報に基づいて学習モデル情報Ｍを更新するように構成されている。
第３実施形態では、診断支援システム３００の判定部３２１は、学習モデル更新部３２２を含んでいる。学習モデル更新部３２２は、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報に基づいて、外部ネットワーク３０を介して受け取った学習モデル情報Ｍを更新するように構成されている。ここで、学習モデル情報Ｍは、患者群ＰＦの全ての生体情報が機械学習されることにより生成されている。そして、学習モデル更新部３２２は、患者群ＰＦの生体情報は用いずに、患者Ｐ２の生体情報のみによって学習モデル情報Ｍを更新することにより、学習モデル情報Ｍ２が生成される。これにより、学習モデル情報Ｍ２に患者Ｐ２の生体情報が反映される。たとえば、患者Ｐ２の生体情報に基づいて、学習モデル情報Ｍ２のパラメータが更新される。なお、学習モデル更新部３２２は、特許請求の範囲の「第１学習モデル更新部」の一例である。
（第３実施形態の効果）
第３実施形態では、以下のような効果を得ることができる。
第３実施形態では、上記のように、判定部３２１は、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報に基づいて、外部ネットワーク３０を介して受け取った学習モデル情報Ｍを更新する学習モデル更新部３２２を含む。これにより、機械学習用のデータを取得することが困難な場合でも、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報に基づいて、学習モデル情報Ｍ２の品質（判定能力）を向上させることができる。
［第４実施形態］
図６を参照して、第４実施形態による診断支援システム４００の構成について説明する。第４実施形態では、患者Ｐ２の生体情報Ｉ３を送信する送信部４１０が設けられている。
第４実施形態では、診断支援システム４００には、送信部４１０が設けられている。送信部４１０は、施設２に設けられている。送信部４１０は、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報Ｉ３を、患者Ｐ２の識別情報を除いた状態で、外部ネットワーク３０を介して、学習モデル生成部４１１に送信するように構成されている。具体的には、施設２の電子カルテデータベース２０に記憶された電子カルテデータから個々の患者Ｐ２の生体情報Ｉ３が抽出される。なお、患者Ｐ２の識別情報（名前などの個人情報）は、抽出しない。そして、送信部４１０は、抽出された個々の患者Ｐ２の生体情報Ｉ３を、学習モデル生成部４１１に送信する。
また、学習モデル生成部４１１は、学習モデル更新部４１２を含んでいる。学習モデル更新部４１２は、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報Ｉ３に基づいて、学習モデル情報Ｍを更新するように構成されている。学習モデル更新部４１２は、患者群ＰＦの生体情報は用いずに、患者Ｐ２の生体情報Ｉ３のみによって学習モデル情報Ｍを更新する。また、生体情報Ｉ３は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含む。また、送信部４１０は、定期的に、患者Ｐ２の生体情報Ｉ３を学習モデル生成部１１に送信するようにしてもよい。これにより、学習モデル情報Ｍが、定期的に、更新される。なお、学習モデル更新部４１２は、特許請求の範囲の「第２学習モデル更新部」の一例である。
（第４実施形態の効果）
第４実施形態では、以下のような効果を得ることができる。
第４実施形態では、上記のように、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報Ｉ３を、患者Ｐ２の識別情報を除いた状態で、外部ネットワーク３０を介して、学習モデル生成部１１に送信する送信部４１０を設ける。これにより、外部（施設２）から外部ネットワーク３０を介して送信された患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報Ｉ３に基づいて、学習モデル更新部４１２により学習モデル情報Ｍの品質（判定能力）を向上させることができる。その結果、品質（判定能力）が向上された学習モデル情報Ｍを、再び、外部ネットワーク３０を介して、複数の施設２が受け取ることにより、複数の施設２において品質の向上された、かつ、共通の学習モデル情報Ｍに基づいて患者（病気の有無が既知であない患者）の病気の有無を判定することができる。また、送信部４１０は、患者Ｐ２の識別情報を除いた状態で患者Ｐ２の生体情報Ｉ３を学習モデル更新部４１２に送信するので、患者Ｐ２の識別情報が外部（施設１など）に漏洩することはない。
[変形例]
なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。
たとえば、上記第１～第４実施形態では、電子カルテデータから抽出された個々の患者の生体情報を機械学習する例を示したが、本発明はこれに限られない。たとえば、電子カルテデータ以外の個々の患者の生体情報に基づいて機械学習を行ってもよい。
また、上記第１～第４実施形態では、学習モデル情報に基づいて肝癌の有無が判定される例を示したが、本発明はこれに限られない。本発明は、肝癌以外の病気（たとえば、すい臓癌など）の判定にも適用可能である。
また、上記第１～第４実施形態では、患者群の生体情報として、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータの全てが用いられる例を示したが、本発明はこれに限られない。たとえば、患者群の生体情報として、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータのうちの一部のデータが用いられてもよい。
また、本願明細書では、電子カルテデータから抽出された生体情報と生体サンプルの分析情報とに基づいて学習モデル情報が生成される第２実施形態と、学習モデル情報が更新される第３および第４実施形態とを別個の実施形態として説明したが、第２実施形態の構成と、第３実施形態の構成と、第４実施形態の構成とを組み合わせてもよい。
また、上記第１～第４実施形態では、機械学習アルゴリズムとして、ロジスティック回帰、ソフトマージンサポートベクターマシン、ニューラルネットワーク、および、ランダムフォレストを用いる例を示したが、本発明はこれに限られない。たとえば、機械学習アルゴリズムとして、ロジスティック回帰、ソフトマージンサポートベクターマシン、ニューラルネットワーク、および、ランダムフォレスト以外の機械学習アルゴリズムを用いてもよい。
１０ 電子カルテデータベース（記憶部）
１１、２１１、４１１ 学習モデル生成部
２１、２２１、３２１ 判定部
３０ 外部ネットワーク
１００、２００、３００、４００ 診断支援システム
１００ａ、２００ａ 診断支援装置
３２２ 学習モデル更新部（第１学習モデル更新部）
４０１ 送信部
４１２ 学習モデル更新部（第２学習モデル更新部）
Ｍ、Ｍ１、Ｍ２ 学習モデル情報
Ｐ１、Ｐ２ 患者
ＰＦ 患者群

Claims (13)

  1. 患者群の生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成する学習モデル生成部と、
    病院に配置され、前記学習モデル生成部により生成された前記学習モデル情報を、前記病院の外部に配置されたコンピュータから外部ネットワークを介して受け取るとともに、受け取った前記学習モデル情報に基づいて、前記患者群には含まれない患者の病気の有無を判定する判定部とを備える、診断支援システム。
  2. 前記患者群の前記生体情報が記憶された記憶部をさらに備え、
    前記記憶部には、前記患者群に含まれる個々の患者の識別情報と、前記個々の患者の前記生体情報とが記載された電子カルテデータが記憶されており、
    前記学習モデル生成部は、前記記憶部に記憶された前記電子カルテデータから前記個々の患者の前記生体情報を抽出するとともに、抽出された前記個々の患者の前記生体情報に基づいて、前記学習モデル情報を生成するように構成されている、請求項１に記載の診断支援システム。
  3. 前記学習モデル生成部は、前記記憶部に記憶された前記電子カルテデータから抽出された前記個々の患者の前記生体情報と、前記電子カルテデータに関連付けられた前記個々の患者の生体サンプルの分析情報とに基づいて、前記学習モデル情報を生成するように構成されている、請求項２に記載の診断支援システム。
  4. 前記判定部は、前記患者群には含まれない病気の有無が既知である患者の前記生体情報に基づいて、前記外部ネットワークを介して受け取った前記学習モデル情報を更新する第１学習モデル更新部を含む、請求項１～３のいずれか１項に記載の診断支援システム。
  5. 前記病院に配置され、前記患者群には含まれない病気の有無が既知である患者の前記生体情報を、前記患者の識別情報を除いた状態で、前記外部ネットワークを介して、前記学習モデル生成部に送信する送信部をさらに備え、
    前記学習モデル生成部は、前記送信部から送信された前記生体情報に基づいて、前記学習モデル情報を更新する第２学習モデル更新部を含む、請求項１または２に記載の診断支援システム。
  6. 前記学習モデル情報は、前記病院の外部に配置された前記コンピュータから前記外部ネットワークを介して、前記学習モデル生成部からエクスポートされるとともに、前記病院に配置される前記判定部にインポートされるように構成されている、請求項１または２に記載の診断支援システム。
  7. 前記患者群の前記生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含み、
    前記判定部は、前記外部ネットワークを介して受け取った前記学習モデル情報に基づいて、前記患者群には含まれない患者の肝癌の有無を判定するように構成されている、請求項１または２に記載の診断支援システム。
  8. 一の施設に配置され、患者群の生体情報が記憶された記憶部と、
    前記記憶部に記憶された前記患者群の前記生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成する学習モデル生成部とを備え、
    前記学習モデル生成部により生成された前記学習モデル情報を、外部ネットワークを介して、前記一の施設の外部にエクスポートするように構成されている、診断支援装置。
  9. 前記記憶部には、前記患者群に含まれる個々の患者の識別情報と、前記個々の患者の前記生体情報とが記載された電子カルテデータが記憶されており、
    前記学習モデル生成部は、前記記憶部に記憶された前記電子カルテデータから前記個々の患者の前記生体情報を抽出するとともに、抽出された前記個々の患者の前記生体情報に基づいて、前記学習モデル情報を生成するように構成されている、請求項８に記載の診断支援装置。
  10. 前記学習モデル生成部は、前記記憶部に記憶された前記電子カルテデータから抽出された前記個々の患者の前記生体情報と、前記電子カルテデータに関連付けられた前記個々の患者の生体サンプルの分析情報とに基づいて、前記学習モデル情報を生成するように構成されている、請求項９に記載の診断支援装置。
  11. 学習モデル生成部が、患者群の生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成するステップと、
    判定部が、生成された前記学習モデル情報を、病院の外部に配置されたコンピュータから外部ネットワークを介して受け取るとともに、受け取った前記学習モデル情報に基づいて、前記患者群には含まれない患者の病気の有無を判定するステップとを備える、診断支援方法。
  12. 一の施設において、学習モデル生成部が、患者群の生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成するステップと、
    生成された前記学習モデル情報を、診断支援装置が、外部ネットワークを介して、前記一の施設の外部にエクスポートするステップとを備える、診断支援方法。
  13. 一の施設において、学習モデル生成部が、患者群の生体情報に基づいて、病気の有無を判定する学習モデル情報を機械学習により生成するステップと、
    生成された前記学習モデル情報を、診断支援装置が、外部ネットワークを介して、前記一の施設の外部にエクスポートするステップと、
    判定部が、生成された前記学習モデル情報を、病院の外部に配置されたコンピュータから前記外部ネットワークを介して受け取るとともに、受け取った前記学習モデル情報に基づいて、前記患者群には含まれない患者の病気の有無を判定するステップとを備える、診断支援方法。
JP2020519521A 2018-05-18 2019-04-15 診断支援システム、診断支援装置および診断支援方法 Active JP7115693B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018096192 2018-05-18
JP2018096192 2018-05-18
PCT/JP2019/016122 WO2019220833A1 (ja) 2018-05-18 2019-04-15 診断支援システムおよび診断支援装置

Publications (2)

Publication Number Publication Date
JPWO2019220833A1 JPWO2019220833A1 (ja) 2021-04-08
JP7115693B2 true JP7115693B2 (ja) 2022-08-09

Family

ID=68540145

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020519521A Active JP7115693B2 (ja) 2018-05-18 2019-04-15 診断支援システム、診断支援装置および診断支援方法

Country Status (4)

Country Link
US (1) US20210217523A1 (ja)
JP (1) JP7115693B2 (ja)
CN (1) CN112136183A (ja)
WO (1) WO2019220833A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7511382B2 (ja) 2020-05-11 2024-07-05 キヤノン株式会社 情報処理装置とその制御方法、及びプログラム
JP7528555B2 (ja) 2020-06-17 2024-08-06 コニカミノルタ株式会社 医療診断支援装置、医療診断支援方法、およびプログラム
JP7170368B2 (ja) * 2020-07-28 2022-11-14 株式会社シンクメディカル 疾患リスク評価方法、疾患リスク評価装置、及び疾患リスク評価プログラム
WO2022064708A1 (ja) * 2020-09-28 2022-03-31 日本電気株式会社 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体
CN112712893B (zh) * 2021-01-04 2023-01-20 众阳健康科技集团有限公司 一种提升计算机临床辅助诊断效果的方法
JP2024076442A (ja) * 2022-11-25 2024-06-06 株式会社ジャパンディスプレイ 報酬決定システム及び報酬決定方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014135066A (ja) 2014-02-24 2014-07-24 Canon Inc 情報処理装置及びその制御方法、コンピュータプログラム
JP2015533437A (ja) 2012-10-19 2015-11-24 アピシオ，インク． 識別不能化および再識別を用いた医療情報解析のためのシステムおよび方法
JP2016532459A (ja) 2013-07-31 2016-10-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 患者のケアを調整する医療用意思決定支援システム
JP2016534723A (ja) 2013-10-22 2016-11-10 キム・ソンチョン 生体分子と核酸の結合情報を生成するためのマーカー、その製造方法、並びにそれを用いた生体分子分析方法及び装置
JP2017516411A (ja) 2014-10-21 2017-06-15 アイアンネット・サイバーセキュリティ・インコーポレイテッドＩｒｏｎＮｅｔ Ｃｙｂｅｒｓｅｃｕｒｉｔｙ， Ｉｎｃ． サイバーセキュリティシステム
JP2018072029A (ja) 2016-10-25 2018-05-10 ファナック株式会社 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK2605791T3 (en) * 2010-08-17 2017-06-19 Immuron Ltd ANTI-LPS ENHANCED IMMUNOGLOBULIN PREPARATION FOR USE IN TREATMENT AND / OR PROPHYLAXY OF A PATHOLOGICAL DISORDER
US20150193583A1 (en) * 2014-01-06 2015-07-09 Cerner Innovation, Inc. Decision Support From Disparate Clinical Sources
US10037874B2 (en) * 2014-12-03 2018-07-31 Biodesix, Inc. Early detection of hepatocellular carcinoma in high risk populations using MALDI-TOF mass spectrometry
US11450437B2 (en) * 2015-09-24 2022-09-20 Tencent Technology (Shenzhen) Company Limited Health management method, apparatus, and system
US20170277841A1 (en) * 2016-03-23 2017-09-28 HealthPals, Inc. Self-learning clinical intelligence system based on biological information and medical data metrics
WO2017214068A1 (en) * 2016-06-05 2017-12-14 Berg Llc Systems and methods for patient stratification and identification of potential biomarkers
WO2018017467A1 (en) * 2016-07-18 2018-01-25 NantOmics, Inc. Distributed machine learning systems, apparatus, and methods
WO2019211089A1 (en) * 2018-04-30 2019-11-07 Koninklijke Philips N.V. Adapting a machine learning model based on a second set of training data

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015533437A (ja) 2012-10-19 2015-11-24 アピシオ，インク． 識別不能化および再識別を用いた医療情報解析のためのシステムおよび方法
JP2016532459A (ja) 2013-07-31 2016-10-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 患者のケアを調整する医療用意思決定支援システム
JP2016534723A (ja) 2013-10-22 2016-11-10 キム・ソンチョン 生体分子と核酸の結合情報を生成するためのマーカー、その製造方法、並びにそれを用いた生体分子分析方法及び装置
JP2014135066A (ja) 2014-02-24 2014-07-24 Canon Inc 情報処理装置及びその制御方法、コンピュータプログラム
JP2017516411A (ja) 2014-10-21 2017-06-15 アイアンネット・サイバーセキュリティ・インコーポレイテッドＩｒｏｎＮｅｔ Ｃｙｂｅｒｓｅｃｕｒｉｔｙ， Ｉｎｃ． サイバーセキュリティシステム
JP2018072029A (ja) 2016-10-25 2018-05-10 ファナック株式会社 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム

Also Published As

Publication number Publication date
US20210217523A1 (en) 2021-07-15
CN112136183A (zh) 2020-12-25
WO2019220833A1 (ja) 2019-11-21
JPWO2019220833A1 (ja) 2021-04-08

Similar Documents

Publication Publication Date Title
JP7115693B2 (ja) 診断支援システム、診断支援装置および診断支援方法
ȚĂRANU Data mining in healthcare: decision making and precision.
CN103124972B (zh) 医学询问细化系统、方法、装置及包括医学询问系统的工作站
JP2018014059A (ja) 医療情報処理システム及び医療情報処理方法
Pavlov et al. Reference medical datasets (MosMedData) for independent external evaluation of algorithms based on artificial intelligence in diagnostics
Toikkanen et al. ReSGAN: Intracranial hemorrhage segmentation with residuals of synthetic brain CT scans
Hasan et al. Improving Medical Image Decision‐Making by Leveraging Metacognitive Processes and Representational Similarity
Thomas et al. Feasibility of simple machine learning approaches to support detection of non-glaucomatous visual fields in future automated glaucoma clinics
Chudhey et al. An autonomous dementia prediction method using various machine learning models
US20230228756A1 (en) Transfer learning across hematological malignancies
Zhao et al. Construction of guideline-based decision tree for medication recommendation
Kadry et al. Res-Unet based blood vessel segmentation and cardio vascular disease prediction using chronological chef-based optimization algorithm based deep residual network from retinal fundus images
Bonomo et al. A knowledge graph to analyze clinical patient data
Meshram et al. Development And Analysis Of Deep Learning Model Based On Multiclass Classification Of Retinal Image For Early Detection Of Diabetic Retinopathy
Guan et al. Cost-sensitive meta-learning for progress prediction of subjective cognitive decline with brain structural MRI
Umasankar et al. Data Mining for the Prediction of Heart Disease: A Literature Survey
Kavitha et al. Online service for brain cancer detection and its types prediction using support vector machine with enhanced naive Bayes classifier
Yousef et al. Heart Disease Prediction Model Using Naïve Bayes Algorithm and Machine Learning Techniques
Melo et al. Retinal layer and fluid segmentation in optical coherence tomography images using a hierarchical framework
Ramathilagam et al. Identification of Breast Cancer Using Machine Learning Algorithm
Nasira et al. A study on prediction of cardiovascular victimization data processing techniques
Janghel et al. A Classification of ECG arrhythmia analysis based on performance factors using machine learning approach
Pavithra et al. Machine and deep learning (ML/DL) algorithms for next-generation healthcare applications
Sharma et al. An intelligent multi agent design in healthcare management system
Oliveira et al. Explaining end-to-end ECG automated diagnosis using contextual features

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201002

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201002

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201009

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7426

Effective date: 20201022

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20201026

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211214

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220204

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: 20220714

R150 Certificate of patent or registration of utility model

Ref document number: 7115693

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150