JP7187430B2 - 人工知能の検出出力から疾患の進行を決定するシステムおよび方法 - Google Patents

Description

本開示は、一般に、改善された医療システムに関し、より具体的には、医用画像処理のための改善された学習システムおよび方法に関する。

様々な経済的、運用的、技術的、および管理上の障害によって、病院、診療所、医院、撮像センタ、遠隔診断所などの医療施設は、患者に質の高いケアを提供することが困難となる場合がある。経済的要因、スタッフの技術不足、スタッフの減少、設備の複雑化、医療従事者全体にわたる放射線曝露線量の制御と標準化のための新たな資格により、患者の検査、診断、治療のための撮像および情報システムを効果的に管理して使用することが困難となっている。

システムを実際に導入するのにコストがかかりすぎるヘルスケアプロバイダを統合することで、地理的に分散した病院ネットワークを作成する。同時に、参照する医師は、共同作業をするためのより良いチャネルと共に、レポート内のデータをサポートするために、より直接的なアクセスを欲している。医師は多くの患者を抱え、時間も少なく、大量のデータが氾濫しており、彼らは支援を熱望している。

放射線画像の取得、品質保証／品質管理、画像の解釈、事前の画像との画像比較などを含むヘルスケアプロバイダ（例えば、Ｘ線技術者、医者、看護師など）のタスクは、時間がかかり、不可能ではないにしても、人間が一人で行うには、リソース集中的タスクは非実用的である。

特定の例は、画像データおよび人工知能分類を使用して、患者に影響を与える状態の自動化識別、監視、処理、および制御を改善する装置、システム、および方法を提供する。

特定の例は、第１の時間から患者の第１の画像データを処理して、患者の状態の第１の重症度を示す第１の分類結果を決定し、第２の時間から患者の第２の画像データを処理して、患者の状態の第２の重症度を示す第２の分類結果を決定する人工知能分類器を含む、画像処理装置を提供する。例示的な画像処理装置は、第１の分類結果と第２の分類結果を比較して、変化および変化に関連する状態の進行を決定する比較器を含む。例示的な画像処理装置は、進行が状態の悪化に対応するときにアクションをトリガする出力生成器を含む。

特定の例は、命令を含む少なくとも１つのコンピュータ可読記憶媒体を提供する。命令は、実行されると、少なくとも１つのプロセッサに、少なくとも、第１の時間から患者の第１の画像データを処理して、患者の状態の第１の重症度を示す第１の分類結果を決定させ、第２の時間から患者の第２の画像データを処理して、患者の状態の第２の重症度を示す第２の分類結果を決定させ、第１の分類結果と第２の分類結果を比較して、変化および変化に関連する状態の進行を決定させ、進行が状態の悪化に対応するときにアクションをトリガさせる。

特定の例は、少なくとも１つのプロセッサを使用して命令を実行することによって、第１の時間から患者の第１の画像データを処理して、患者の状態の第１の重症度を示す第１の分類結果を決定することを含む、コンピュータ実装方法を提供する。例示的な方法は、少なくとも１つのプロセッサを使用して命令を実行することによって、第２の時間から患者の第２の画像データを処理して、患者の状態の第２の重症度を示す第２の分類結果を決定することを含む。例示的な方法は、少なくとも１つのプロセッサを使用して命令を実行することによって、第１の分類結果と第２の分類結果を比較して、変化および変化に関連する状態の進行を決定することを含む。例示的な方法は、少なくとも１つのプロセッサを使用して命令を実行することによって、進行が状態の悪化に対応するときにアクションをトリガすることを含む。

例示的な状態比較器を示す図である。 例示的な臨床進行分析装置を示す図である。 例示的な学習ニューラルネットワークの図である。 畳み込みニューラルネットワークとしての例示的なニューラルネットワークの特定の実施態様を示す図である。 画像分析畳み込みニューラルネットワークの例示的な実施態様の図である。 画像を処理および／または評価するための学習ネットワークを適用するための例示的な構成を示す図である。 複数の学習ネットワークの組み合わせを示す図である。 学習ネットワークの例示的な訓練および展開段階を示す図である。 訓練されたネットワークパッケージを活用して深層学習製品の提供を行う例示的な製品を示す図である。 様々な深層学習デバイスの構成を示す図である。 様々な深層学習デバイスの構成を示す図である。 様々な深層学習デバイスの構成を示す図である。 疾患、異常、および／または他の状態を定量化するために人工知能モデルによって使用される画像データを処理するための、図２の人工知能分類器の例示的な実施態様を示す図である。 図１～図１０のシステムおよび／または装置による自動化処理および画像分析の例示的な方法の流れ図である。 図１～図１０のシステムおよび／または装置による自動化処理および画像分析の例示的な方法の流れ図である。 例示的な機械可読命令を実行して本明細書で開示および説明される構成要素を実現するように構成されたプロセッサプラットフォームのブロック図である。 気胸を識別し、肺比率を算出し、患者状態の改善傾向を決定する患者の例示的な画像キャプチャを示す図である。 気胸を識別し、肺比率を算出し、患者状態の改善傾向を決定する患者の例示的な画像キャプチャを示す図である。

前述の概要、ならびに本発明の特定の実施形態の以下の詳細な説明は、添付の図面と共に読むと、より良く理解されるであろう。本発明を例示する目的のために、特定の実施形態が図面に示されている。しかしながら、本発明は、添付の図面に示される配置および手段に限定されないことを理解されたい。図は、一定の縮尺ではない。可能な限り、図面または添付の説明全体を通して同一または同様の部分を指すために、同じ参照番号が使用される。

以下の詳細な説明では、本明細書の一部を形成し、実施され得る特定の例を例示として示している添付の図面を参照する。これらの例は、本主題の実施を当業者にとって可能にするように十分に詳細に説明されているが、他の例も利用可能であり、本開示の主題の範囲から逸脱することなく論理的、機械的、電気的および他の変更が可能であることを理解すべきである。したがって、以下の詳細な説明は、例示的な実施態様を説明するために提供されており、本開示に記載される主題の範囲を限定するものと解釈されるべきではない。以下の説明の異なる態様からの特定の特徴を組み合わせて、以下で説明する主題のさらに新たな態様を形成することができる。

本開示の様々な実施形態の要素を導入する場合に、「１つの（ａ）」、「１つの（ａｎ）」、「前記（ｔｈｅ）」、および「前記（ｓａｉｄ）」という冠詞は、１つまたは複数の要素があることを意味することが意図される。「備える（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、および「有する（ｈａｖｉｎｇ）」という用語は、包括的であることを意図し、列挙された要素以外にもさらなる要素が存在してもよいことを意味する。

特定の例は、医療またはヘルスケアシステムの文脈で以下に説明されるが、他の例は、医療環境の外で実施することができる。例えば、特定の例は、非破壊試験、爆発物検出などの非医用撮像に適用することができる。

Ｉ．要旨
撮像デバイス（例えば、ガンマカメラ、陽電子放射断層撮影（ＰＥＴ）スキャナ、コンピュータ断層撮影（ＣＴ）スキャナ、Ｘ線装置、蛍光透視装置、磁気共鳴（ＭＲ）撮像装置、超音波スキャナなど）は、疾患を診断および／または治療するために身体の部分（例えば、臓器、組織など）を表す医用画像（例えば、医用におけるデジタル画像と通信（ＤＩＣＯＭ）ネイティブ画像）を生成する。医用画像は、医用画像内にキャプチャされた身体の部分に関連するボクセルを含む容積測定データを含むことができる。医用画像視覚化ソフトウェアにより、臨床医は医用画像の様々な場所の機能的または解剖学的特性をセグメント化、注釈付け、測定、および／または報告することができる。いくつかの例では、臨床医は、医用画像視覚化ソフトウェアを利用して、医用画像で関心領域を識別することができる。

医用画像データの取得、処理、品質管理、分析、および記憶は、ヘルスケア環境における患者の診断および治療において重要な役割を果たす。医用撮像ワークフローおよびそのワークフローに関与するデバイスは、医用撮像ワークフローおよびデバイスの動作中に構成、監視、および更新することができる。医用撮像ワークフローおよびデバイスの構成、監視、および更新を支援するために、機械および／または深層学習を使用することができる。

特定の例は、撮像デバイスの改善を行い、および／または改善を容易にし、診断精度および／または有効範囲を改善する。特定の例は、改善された画像の再構築およびさらなる処理を促進し、改善された診断精度を提供する。

特定の例は、人工知能分類器を含む画像処理装置を提供する。分類器は、例えば、病理を検出、セグメント化、および定量化することができる。分類器は、所見、セグメンテーションなどの正または負の離散出力となり得る。例えば、分類器は、機械学習および／または他の人工知能をインスタンス化し、疾患Ｄの関心領域の生成されたマスクなど、セグメンテーションから定量化を生成することができ、関心領域の面積は、ＸピクセルまたはＹミリメートル（ｍｍ）などに等しい。

機械学習技術は、それが深層学習ネットワークであろうと他の経験的／観察的学習システムであろうと、例えば、画像内の対象物を位置特定し、音声を理解し、音声をテキストに変換し、検索エンジン結果の関連性を改善するために使用することができる。深層学習は、一連のアルゴリズムを使用して、線形および非線形変換を含む複数の処理層を有する深層グラフを使用して、データにおける高レベル抽象化をモデル化する機械学習のサブセットである。多くの機械学習システムが、機械学習ネットワークの学習および更新によって修正されるべき初期の特徴および／またはネットワーク重みでシードされる一方で、深層学習ネットワークは、分析のための「良好な」特徴を識別するように自ら訓練する。多層のアーキテクチャを使用して、深層学習技術を用いるマシンは、従来の機械学習技術を使用するマシンよりも良好に生データを処理することができる。高度に相関する値または弁別的テーマのグループのデータの調査が、異なる評価または抽象化の層を使用して容易にされる。

本明細書および特許請求の範囲を通して、以下の用語は、そのようではないことが文脈から明らかでない限り、本明細書において明示的に関連付けられる意味をとる。「深層学習」という用語は、複数のデータ処理層を使用してデータセット内の様々な構造を認識し、データセットを高精度で分類する機械学習技術である。深層学習ネットワークは、複数の入力および出力に基づいてパターンを学習する訓練ネットワーク（例えば、訓練ネットワークモデルまたはデバイス）であってもよい。深層学習ネットワークは、訓練ネットワークから生成され、入力に応答して出力を提供する展開されたネットワーク（例えば、展開されたネットワークモデルまたはデバイス）であってもよい。

「教師あり学習」という用語は、マシンが人間のソースから既に分類されたデータを提供される深層学習訓練方法である。「教師なし学習」という用語は、マシンに既に分類されたデータが与えられることはないが、マシンを異常検出に有用なものにする深層学習訓練方法である。「半教師あり学習」という用語は、マシンにとって利用可能な大量の未分類データと比較して、マシンが人間のソースから少量の分類されたデータを提供される深層学習訓練方法である。

「表現学習」という用語は、生データを機械学習タスクで利用することができる表現または特徴に変換するための方法の分野である。教師あり学習では、特徴がラベル付き入力を介して学習される。

「畳み込みニューラルネットワーク」または「ＣＮＮ」という用語は、データセット内の関連対象物および領域の検出、セグメンテーション、および認識のために深層学習で使用される、相互に関連するデータの生物学から触発されたネットワークである。ＣＮＮは、複数の配列の形で生データを評価し、一連の段階でデータを分割し、学習された特徴のデータを検討する。

「転移学習」という用語は、第１のものと同じまたは同様の性質の別の問題を解決するために、１つの問題を適切にまたは不適切に解決するために使用される情報を記憶するマシンのプロセスである。転移学習は、「誘導学習」としても知られている。転移学習は、例えば、以前のタスクからのデータを利用することができる。

「アクティブ学習」という用語は、マシンが外部のエンティティによって選ばれた例を受動的に受け取るのではなく、訓練データを受け取るべき一連の例を選択する機械学習のプロセスである。例えば、マシンが学習するにつれて、マシンは、外部の人間の専門家または外部システムのみに依存して例を識別して提供するのではなく、マシンが学習に最も役立つと決定する例を選択することができる。

「コンピュータ支援検出」または「コンピュータ支援診断」という用語は、考えられる診断を提案する目的で医用画像を分析するコンピュータを指す。

特定の例は、ニューラルネットワークおよび／または他の機械学習を使用して、放射線検査のポイントオブケアで生成および配信され得る放射線所見に基づいて警報を生成することを含む、画像および関連する患者分析のための新たなワークフローを実現する。特定の例は、人工知能（ＡＩ）アルゴリズムを使用して１つまたは複数の撮像検査（例えば、画像または画像のセット）を処理して、自動化検査分析に基づいて警報を提供する。警報（通知、推奨、他のアクションなどを含む）は、検査を習得した技術者、臨床チームのプロバイダ（例えば、看護師、医者など）、放射線科医、投与、手術、および／または患者さえも対象とすることができる。警報は、例えば、検査画像データにおいて、特定のまたは複数の品質管理および／もしくは放射線所見またはその欠如を示すものとすることができる。

特定の例では、ＡＩアルゴリズムは、（１）撮像デバイス内に埋め込むことができ、（２）モバイルデバイス（例えば、タブレット、スマートフォン、ラップトップ、他のハンドヘルドまたはモバイルコンピューティングデバイスなど）で実行することができ、および／または（３）クラウド（例えば、構内または構外）で動作することができ、ウェブブラウザ（例えば、放射線システム、モバイルデバイス、コンピュータなどで表示することができる）を介して警報を配信する。そのような構成は、ベンダーに中立であり、旧来の撮像システムと互換性があり得る。例えば、ＡＩプロセッサがモバイルデバイスおよび／または「クラウド」で実行している場合、構成は、（Ａ）Ｘ線および／または他の撮像システムから直接（例えば、医用におけるデジタル画像と通信（ＤＩＣＯＭ）ノードなどのような二次プッシュ宛先としてセットアップされる）、（Ｂ）冗長画像アクセスのために画像保管通信システム（ＰＡＣＳ）の宛先にタップすることによって、（Ｃ）スニファ方法論を介して画像データを検索することによって（例えば、画像データが生成されるとシステムからＤＩＣＯＭ画像を引き出す）、画像を受信することができる。

特定の例は、深層学習ネットワークモデル、機械学習ネットワークモデルなどの人工知能（ＡＩ）モデルを使用しておよび／または人工知能（ＡＩ）モデルによって駆動されてインスタンス化されたアルゴリズムの出力に基づいて、疾患および／または他の状態の進行を決定する装置、システム、方法などを提供する。例えば、疾患の進行は、３つ以上の重症度クラスを含むＡＩ検出アルゴリズムの出力に基づいて決定することができる。

特定の例は、以前の画像取得からのＡＩ処理出力を現在の画像取得のＡＩ処理出力と比較することによってなど、ＡＩ検出アルゴリズムに基づいて疾患および／または異常の進行を決定し、ＡＩ処理出力に関連する重症度クラスが悪化または改善しているかどうかを決定する装置、システム、および方法を提供する。重症度クラスに基づいて、警報を修正し、関連する状態が悪化していることを示すことができる。重症度クラスおよび警報ステータスの有意な変化については、例えば、ＡＩ検出アルゴリズムの潜在的な出力として少なくとも３つの重症度クラスが存在する必要がある。

したがって、特定の例は、患者の画像データに適用されたＡＩ分類アルゴリズムに基づいて、疾患、異常、状態などの進行を決定するシステムおよび方法を提供する。例示的な方法は、患者の以前の画像データからのＡＩ分類アルゴリズムから第１の分類結果を決定することと、患者の現在の画像データからのＡＩ分類アルゴリズムから第２の分類結果を決定することと、第１の分類結果と第２の分類結果との間の変化を決定することと、変化が疾患または異常または状態の悪化に対応する場合に変化に基づいてケア要員に警報を生成することとを含む。ＡＩ分類アルゴリズムは、疾患、異常、状態などに関連する重症度の少なくとも３つのクラスを訓練される。

例えば、第１の時間の重症度の尺度（例えば、なし、小、大など）は、第２の時間の重症度の尺度と比較され、重症度の差の評価を使用して、該当する場合に警報をトリガする。例えば：

上記のチャートに示すように、出力の重症度が時間１から時間２まで小のままである場合、疾患は進行しておらず、警報は生成されない。ＡＩが生成した重症度が大であり、その後小になった場合、患者の疾患に対する進行は改善しているため、警報は生成されない。しかしながら、ＡＩが生成した重症度が小から始まって大になる場合、疾患は悪化しており、警報が生成される。同様に、第２の時間の重症度は小であるが第１の時間の重症度がなしであった場合、疾患は悪化しており、警報が生成される。

例えば、集中治療室の患者は、胸水（肺周囲の流体）、コンソリデーション（肺炎）、気胸（肺虚脱）などの肺の状態の進行または改善を監視するために、毎日胸部Ｘ線を頻繁に受ける。患者の状態がその後の胸部Ｘ線の間に急速に悪化する場合、患者が重篤な状態にある可能性があるか、またはまもなくそうなるため、医療チームが迅速な介入を行うことを示す。この間隔の変化に基づいて行われ得る介入は、例えば、薬剤の変更から、肺吸引または胸部造瘻術（胸腔ドレナージ）にまで及ぶ。人工知能分類器は、疾患、異常などの有無を検出し、そのような疾患、異常などの進行を評価するために使用することができる。警報は、ポイントオブケアで、デバイス（例えば、撮像デバイス、撮像ワークステーションなど）で生成および出力され、例えば、臨床ケアチームに通知するか、および／または命令を与えることができる。

疾患、異常、状態などの現在の状態の有無を単に検出するのではなく、その疾患、異常、状態などの進行を定量化することができ、結果を予測することができる。したがって、より正確な警報を生成することができ、誤報、ならびに誤ったセキュリティの感知が回避され得る。例えば、患者に３日間連続して小さな気胸がある場合、気胸が存在するため、臨床ケアチームは継続的に警告を受ける。しかしながら、患者の状態は安定している。しかしながら、４日目に小さな気胸が大きくなる場合、バイナリ検出アルゴリズムによって、例えば、気胸が存在するという前日と同じ警報が引き続き発生し、チームに変化や問題の悪化を警告することはない。代わりに、特定の例は、人工知能モデリング、画像データ分析、進行、および警報の技術的改善を提供し、疾患、状態、異常などの存在が検出された後の変化の程度を定量化する。例えば、気胸などの疾患は、気胸が占める肺容積の割合として定量化することができる。したがって、疾患の進行は、例えば、占められた肺容積の割合として疾患容積の変化に対応する。

深層学習は、マシンに生データを与え、データ分類に必要な表現を決定させることを可能にする表現学習法を用いる機械学習技術の一種である。深層学習は、深層学習マシンの内部パラメータ（例えば、ノード重み）を変更するために使用される逆伝搬アルゴリズムを使用してデータセット内の構造を確認する。深層学習マシンは、様々な多層アーキテクチャおよびアルゴリズムを利用することができる。例えば、機械学習は、ネットワークの訓練に使用されるべき特徴の識別を必要とするが、深層学習は、外部の識別を必要とすることなく、生データを処理して関心特徴を識別する。

ニューラルネットワーク環境における深層学習は、ニューロンと呼ばれる多数の相互接続されたノードを含む。入力ニューロンが外部のソースから活性化され、マシンパラメータによって支配される他のニューロンへの接続に基づいて、他のニューロンを活性化させる。ニューラルネットワークは、自身のパラメータに基づく特定の様相で挙動する。学習によってマシンパラメータ、したがってネットワーク内のニューロン間の接続が洗練され、ニューラルネットワークが所望の様相で挙動するようになる。

畳み込みニューラルネットワークを利用する深層学習は、畳み込みフィルタを使用してデータをセグメント化し、データ内の学習された観察可能な特徴を位置特定および識別する。ＣＮＮアーキテクチャの各フィルタまたは層は、入力データを変換してデータの選択性および不変性を向上させる。このデータの抽象化により、マシンは、分類を試みているデータ内の特徴に集中し、無関係な背景情報を無視することができる。

深層学習は、多くのデータセットが低レベルの特徴を含む高レベルの特徴を含むという理解に基づいて動作する。例えば、画像を検査する際、対象物を探すよりもむしろ、探している対象物を形成する部分を形成するモチーフを形成するエッジを探す方が効率的である。特徴のこれらの階層を、音声およびテキストなどの多数の異なるデータ形式において見ることができる。

学習された観察可能な特徴は、教師あり学習においてマシンによって学習された対象物および定量化可能な秩序を含む。十分に分類されたデータの大きなセットを備えたマシンは、新しいデータを成功裏に分類するために特徴を識別し、抽出することに優れている。

転移学習を利用する深層学習マシンは、データの特徴を人間の専門家によって確認された特定の分類に適切に結び付けることができる。反対に、同じマシンは、人間の専門家による誤った分類が与えられたとき、分類のためのパラメータを更新することができる。例えば、設定および／または他の構成情報を、設定および／または他の構成情報の学習された使用によって導くことができ、システムがより多く使用される（例えば、繰り返し使用され、かつ／または複数のユーザによって使用される）場合、所与の状況において、設定および／または他の構成情報に関するいくつかの変動および／または他の可能性を減らすことができる。

例示的な深層学習ニューラルネットワークは、例えば、対象物の位置特定のために、専門家が分類したデータのセットについて訓練を受け、分類され、さらに注釈付けされ得る。このデータのセットはニューラルネットワークの第１のパラメータを構築し、これは教師あり学習の段階となる。教師あり学習の段階の間、所望の挙動が達成されたかどうかをニューラルネットワークで試験することができる。

所望のニューラルネットワーク挙動が達成される（例えば、マシンが特定の閾値に従って動作するように訓練される）と、マシンを使用（例えば、「本物の」データを有するマシンを試験するなど）のために展開することができる。動作中、ニューラルネットワークの分類は、ニューラルネットワークの挙動を改善し続けるために（例えば、専門家ユーザ、エキスパートシステム、参照データベースなどによって）確認または拒否することができる。次いで、例示的なニューラルネットワークは、転移学習の状態になり、ニューラルネットワークの挙動を決定する分類のためのパラメータが進行中の相互作用に基づいて更新される。特定の例では、ニューラルネットワークは、直接的なフィードバックを別のプロセスに提供することができる。特定の例では、ニューラルネットワークは、別のプロセスへの提供前に（例えば、クラウドなどを介して）バッファおよび検証されるデータを出力する。

畳み込みニューラルネットワーク（ＣＮＮ）を使用した深層学習マシンは、画像分析に使用することができる。ＣＮＮ分析の各段階は、自然画像における顔認識、コンピュータ支援診断（ＣＡＤ）などに使用することができる。

高品質の医用画像データは、Ｘ線、コンピュータ断層撮影（ＣＴ）、分子画像およびコンピュータ断層撮影（ＭＩＣＴ）、磁気共鳴画像（ＭＲＩ）などの１つまたは複数の撮像態様を使用して取得することができる。医用画像の品質は、画像を生成するマシンの影響は受けないが、患者の影響を受けることが多い。患者がＭＲＩの最中に動くと、例えば、正確な診断を妨げかねないぼやけた画像またはゆがんだ画像が生じる可能性がある。

医用画像の解釈は、品質に関係なく、まだ発展途上である。医用画像は、主に医師によって解釈されるが、これらの解釈は主観的になりかねず、現場での医師の経験および／または疲労の状態によって影響を受けるであろう。機械学習による画像分析は、医療専門家のワークフローを支援することができる。

深層学習マシンは、例えば、画像品質および分類に関して画像分析を改善するためのコンピュータ支援検出のサポートを提供することができる。しかしながら、医療分野に適用された深層学習マシンが直面する問題は、多数の誤った分類につながることが多い。例えば、深層学習マシンは、小さな訓練用データセットを克服し、反復的な調整を必要としなければならない。

最小限の訓練による深層学習マシンを、例えば、医用画像の品質の決定に使用することができる。半教師ありおよび教師なしの深層学習マシンを、画像の定性的側面の定量的測定に使用することができる。例えば、画像の品質が診断用として十分であるかどうかを決定するために、画像の取得後に深層学習マシンを利用することができる。教師あり深層学習マシンはまた、コンピュータ支援診断に使用することもできる。教師あり学習は、例えば、誤った分類への感受性の軽減に役立つことができる。

深層学習マシンは、教師あり訓練において利用可能な小さなデータセットに対処するために、医師との対話時に転移学習を利用することができる。これらの深層学習マシンは、訓練および転移学習を通じて、時間の経過につれてコンピュータ支援診断を改善することができる。

ＩＩ．実施例の説明
例示的な疾患分析および進行システム
図１は、複数の入力１１０、１１５、人工知能（ＡＩ）分類器１２０、および出力比較器１３０を含む例示的な状態比較器装置１００を示している。各入力１１０、１１５は、ＡＩ分類器１２０に提供され（例えば、時間ｔ０の入力１１０および時間ｔ１の入力１１５など）、これはそれぞれの入力１１０、１１５の画像および／または他の情報を分類して入力１１０、１１５の疾患、異常、および／または他の状態を識別し、入力１１０、１１５に基づいて識別された疾患、異常、および／または他の状態の重症度を生成する。例示的な比較器装置１００を使用して、状態は、複数回において低／中／高、なし／小／大、なし／小／中／大、正常／異常／緊急などの重症度および／または他の状態基準に関連付けて識別および定量化することができ、複数の時間ベースの定量化／分類を比較して傾向を決定し、警報、指示、調整などの次のアクションをトリガすることができる。

図２は、図１の例示的な状態比較器１００に基づいて構築することができる例示的な臨床進行分析装置２００を示している。例示的な装置２００は、データソース２１０、人工知能（ＡＩ）分類器２２０、データストア２３０、比較器２４０、出力生成器２５０、およびトリガ２６０を含む。入力１１０、１１５は、データソース２１０（例えば、装置２００などに組み込まれる、および／または接続される記憶デバイス、撮像デバイスなど）によってＡＩ分類器２２０に提供することができる。

例示的な分類器２２０は、入力を経時的に処理して、データソース２１０からの入力を重症度および／または他の分類と相関付けする。したがって、ＡＩ分類器２２０は、入力画像データおよび／または他のデータを処理して入力データの疾患、異常、および／または他の状態を識別し、方程式、閾値、および／または他の基準によって指定された１つまたは複数の重症度レベルまたは状態（例えば、低／中／高、なし／小／大など）に従ってその疾患／異常／状態を分類する。例えば、気胸は、気胸が占める肺容積の割合に基づいた重症度状態を有する。ＡＩ分類器２２０の出力は、例えば、データストア２３０に記憶することができる。

経時的に、データソース２１０からの同じ種類の入力１１０、１１５に関してＡＩ分類器２２０によって作成された重症度分類（例えば、時刻ｔ０およびｔ１で撮影された同じ患者の肺ＭＲ画像など）を生成し、データストア２３０に記憶することができる。分類は、比較器２４０に提供され、比較器２４０は、２つ以上の異なる時間で分類を比較し（例えば、時間ｔ０における第１の患者からの第１の画像データのセットの第１の決定された重症度は、時間ｔ１における第１の患者からの第２の画像データのセットの第２の決定された重症度と比較され、かつ時間ｔ２における第１の患者からの第３の画像データのセットの第３の決定された重症度と比較されるなど）、疾患、異常、および／または分類に関連する他の状態の傾向または進行を決定する。例えば、患者の気胸のサイズは、時間ｔ０では存在せず、時間ｔ１では小さく、時間ｔ２では大きくなり得、気胸状態の悪化の進行を示す。

比較器２４０は、傾向／進行を示す結果を提供する。出力生成器２５０は、その結果を、患者ケアにおける警報、指示、調整などのさらなる処理などのために別のシステム（例えば、ポイントオブケア警報システム、撮像／放射線ワークステーション、コンピュータ支援診断（ＣＡＤ）プロセッサ、スケジューリングシステム、医療デバイスなど）に表示、記憶、提供され得る出力に変換する。

トリガ２６０は、データソース２１０、ＡＩ分類器２２０、データストア２３０、比較器２４０、および出力生成器２５０の間でアクションを調整する。トリガ２６０は、データソース２１０から分類器２２０へのデータの入力、比較器２４０によるデータストア２３０からの結果の比較、出力生成器２５０による出力を開始することができる。したがって、トリガ２６０は、装置２００の要素間の調整器として機能する。

例示的な学習ネットワークシステム
図３は、例示的な学習ニューラルネットワーク３００の図を示している。例示的なニューラルネットワーク３００は、層３２０、３４０、３６０、および３８０を含む。層３２０および３４０は、ニューラル接続部３３０と接続されている。層３４０および３６０は、ニューラル接続部３５０と接続されている。層３６０および３８０は、ニューラル接続部３７０と接続されている。データは、入力３１２、３１４、３１６を介して入力層３２０から出力層３８０および出力３９０へと順方向に流れる。

層３２０は、図３の例では、複数のノード３２２、３２４、３２６を含む入力層である。層３４０および３６０は隠れ層であり、図３の例ではノード３４２、３４４、３４６、３４８、３６２、３６４、３６６、３６８を含む。ニューラルネットワーク３００は、図示されているよりも多数または少数の隠れ層３４０および３６０を含んでもよい。層３８０は、出力層であり、図３の例では、出力３９０を有するノード３８２を含む。各入力３１２～３１６は、入力層３２０のノード３２２～３２６に対応し、入力層３２０の各ノード３２２～３２６は、隠れ層３４０の各ノード３４２～３４８への接続部３３０を有する。隠れ層３４０の各ノード３４２～３４８は、隠れ層３６０の各ノード３６２～３６８への接続部３５０を有する。隠れ層３６０の各ノード３６２～３６８は、出力層３８０への接続部３７０を有する。出力層３８０は、例示的なニューラルネットワーク３００からの出力をもたらす出力３９０を有する。

接続部３３０、３５０、および３７０のうち、特定の例示的な接続部３３２、３５２、３７２に追加の重みを与えることができる一方で、他の例示的な接続部３３４、３５４、３７４には、ニューラルネットワーク３００におけるより軽い重みを与えることができる。入力ノード３２２～３２６は、例えば、入力３１２～３１６を介して入力データを受信することによって活性化される。隠れ層３４０および３６０のノード３４２～３４８および３６２～３６８は、接続部３３０および３５０をそれぞれ介するネットワーク３００におけるデータの順方向の流れによって活性化される。出力層３８０のノード３８２は、隠れ層３４０および３６０において処理されたデータが接続部３７０を介して送信された後に活性化される。出力層３８０の出力ノード３８２が活性化されたとき、ノード３８２は、ニューラルネットワーク３００の隠れ層３４０および３６０で達成された処理に基づいて適切な値を出力する。

図４は、畳み込みニューラルネットワーク４００としての例示的なニューラルネットワーク３００の特定の実施態様を示している。図４の例に示すように、入力３１０は、入力３１０を処理して第２の層３４０へと伝搬させる第１の層３２０に提供される。入力３１０は、第２の層３４０でさらに処理され、第３の層３６０に伝搬される。第３の層３６０は、出力層ｅ８０に提供されるデータをカテゴリ化する。より具体的には、図４の例に示すように、畳み込み４０４（例えば、５ｘ５畳み込みなど）が第１の層３２０において入力３１０（例えば、３２ｘ３２データ入力など）の一部またはウィンドウ（「受容野」とも呼ばれる）４０２に適用され、特徴マップ４０６（例えば、（６ｘ）２８ｘ２８特徴マップなど）を提供する。畳み込み４０４は、入力３１０からの要素を特徴マップ４０６にマッピングする。さらに、第１の層３２０は、縮小された特徴マップ４１０（例えば、（６ｘ）１４ｘ１４の特徴マップなど）を生成するためにサブサンプリング（例えば、２ｘ２のサブサンプリングなど）をもたらす。特徴マップ４１０は、畳み込み４１２を経て、第１の層３２０から第２の層３４０へと伝搬し、そこで特徴マップ４１０は、拡張された特徴マップ４１４（例えば、（１６ｘ）１０ｘ１０の特徴マップなど）となる。第２の層３４０におけるサブサンプリング４１６の後に、特徴マップ４１４は、縮小された特徴マップ４１８（例えば、（１６ｘ）４ｘ５の特徴マップなど）となる。特徴マップ４１８は、畳み込み４２０を経て、第３の層３６０へと伝搬し、ここで特徴マップ４１８は、例えば、畳み込みされた層４２２への接続部４２６を有するＮ個のカテゴリの出力層４２４を形成する分類層４２２となる。

図５は、画像分析畳み込みニューラルネットワーク５００の例示的な実施態様を示している。畳み込みニューラルネットワーク５００は、入力画像５０２を受け取り、畳み込み層５０４において画像を抽象化して学習された特徴５１０～５２２を識別する。第２の畳み込み層５３０において、画像は、複数の画像５３０～５３８へと変換され、画像５３０～５３８において、学習された特徴５１０～５２２の各々は、それぞれのサブ画像５３０～５３８において強調される。画像５３０～５３８は、画像５４０～５４８において関心特徴５１０～５２２に注目するようにさらに処理される。結果として得られる画像５４０～５４８は、次に、画像５４０～５４８のうちの関心特徴５１０～５２２を含む部分５５０～５５４を分離するために画像５４０～５４８のサイズを縮小するプール層を通って処理される。畳み込みニューラルネットワーク５００の出力５５０～５５４は、最後の非出力層から値を受け取り、最後の非出力層から受け取ったデータに基づいて画像を分類する。特定の例では、畳み込みニューラルネットワーク５００は、畳み込み層、プール層、学習された特徴、および出力などの多くの異なる変形を含むことができる。

図６Ａは、画像を処理および／または評価するための学習（例えば、機械学習、深層学習など）ネットワークを適用するための例示的な構成６００を示している。機械学習は、画像取得、画像再構築、画像分析／診断などを含む様々なプロセスに適用することができる。図６Ａの例示的な構成６００に示すように、生データ６１０（例えば、Ｘ線スキャナ、コンピュータ断層撮影スキャナ、超音波スキャナ、磁気共鳴スキャナなどの撮像スキャナから得られたソノグラム生データなどの生データ６１０）は、学習ネットワーク６２０に供給される。学習ネットワーク６２０は、データ６１０を処理して、生データ６１０を処理データ６３０（例えば、結果として得られる画像など）（例えば、「良質」画像および／または診断に十分な品質を提供する他の画像）に相関付けおよび／または結合する。学習ネットワーク６２０は、生データ６１０を処理データ６３０に関連付けるためのノードおよび接続部（例えば、経路）を含む。学習ネットワーク６２０は、例えば、接続部について学習し、フィードバックを処理して接続を確立し、パターンを識別する訓練ネットワークとすることができる。学習ネットワーク６２０は、例えば、訓練ネットワークから生成され、訓練ネットワークにおいて確立された接続部およびパターンを活用して入力生データ６１０を取得し、結果として得られる画像６３０を生成する展開されたネットワークであってもよい。

学習６２０が訓練され、生画像データ６１０から良好な画像６３０を生成すると、ネットワーク６２０は、「自己学習」プロセスを継続し、動作するにつれてその性能を洗練することができる。例えば、入力データ（生データ）６１０における「冗長性」およびネットワーク６２０における冗長性が存在し、冗長性を利用することができる。

学習ネットワーク６２０内のノードに割り当てられた重みが検査される場合、きわめて小さい重みを有する多数の接続部およびノードが存在する可能性が高い。小さい重みは、これらの接続部およびノードが学習ネットワーク６２０の全体的な性能にほとんど寄与しないことを示す。したがって、これらの接続部およびノードは冗長である。このような冗長性を、入力（生データ）６１０の冗長性を低減するために評価することができる。入力６１０の冗長性の低減は、例えば、スキャナハードウェアの節約および構成要素への要求の低減をもたらすことができ、患者への曝露線量の低減ももたらすことができる。

展開において、構成６００は、入力定義６１０、訓練されたネットワーク６２０、および出力定義６３０を含むパッケージ６００を形成する。パッケージ６００は、撮像システム、分析エンジンなどの別のシステムに対して展開して設置することができる。画像エンハンサ６２５は、生データ６１０を処理して結果（例えば、処理画像データおよび／または他の処理データ６３０など）を提供するために、学習ネットワーク６２０を活用および／または使用することができる。訓練された学習ネットワーク６２０のノード間の経路および接続により、画像エンハンサ６２５は、例えば、生データ６１０を処理して画像および／または他の処理データ結果６３０を形成することができる。

図６Ｂの例に示すように、学習ネットワーク６２０は、より大きな学習ネットワークを形成するために、複数の学習ネットワーク６２１～６２３と連鎖および／または結合することができる。ネットワーク６２０～６２３の組み合わせは、例えば、入力に対する応答をさらに洗練するために、および／またはネットワーク６２０～６２３をシステムの様々な態様に割り当てるために使用することができる。

いくつかの例では、動作中、「弱い」接続部およびノードは、最初にゼロに設定することができる。その場合、学習ネットワーク６２０は、保持プロセスにおいてそのノードを処理する。特定の例では、ゼロに設定されたノードおよび接続部は、再訓練時に変更することができない。ネットワーク６２０に存在する冗長性に鑑み、同様に良好な画像が生成される可能性が高い。図６Ｂに示されるように、再訓練後、学習ネットワーク６２０はＤＬＮ６２１となる。学習ネットワーク６２１もまた、弱い接続部およびノードを識別し、それらをゼロに設定するために検査される。このさらに再訓練されたネットワークが、学習ネットワーク６２２である。例示的な学習ネットワーク６２２は、学習ネットワーク６２１内の「ゼロ」ならびに新たな一式のノードおよび接続部を含む。学習ネットワーク６２２は、「最小実行可能ネット（ＭＶＮ）」と呼ばれる学習ネットワーク６２３において良好な画像品質に達するまで、処理を繰り返し続ける。学習ネットワーク６２３は、学習ネットワーク６２３においてさらなる接続部またはノードをゼロに設定しようと試みた場合に画像品質が損なわれる可能性があるため、ＭＶＮである。

ＭＶＮが学習ネットワーク６２３で得られると、「ゼロ」領域（例えば、グラフ内の暗い不規則領域）が入力６１０にマッピングされる。各暗いゾーンは、入力空間内の１つまたは１セットのパラメータにマッピングされる可能性が高い。例えば、ゼロ領域の１つは、生データ内のビュー数およびチャネル数にリンクすることができる。これらのパラメータに対応するネットワーク６２３の冗長性は減らすことが可能であるため、入力データを低減し、同様に良好な出力を生成することができる可能性が高い。入力データを低減するために、低減されたパラメータに対応する生データの新しいセットが得られ、学習ネットワーク６２１を通じて実行される。ネットワーク６２０～６２３は簡略化されてもされなくてもよいが、入力生データ６１０の「最小実行可能入力（ＭＶＩ）」に達するまで、学習ネットワーク６２０～６２３の１つまたは複数が処理される。ＭＶＩでは、入力生データ６１０がさらに減少すると、画像６３０の品質が低下する可能性がある。ＭＶＩは、例えば、データ取得における複雑さの低減、システム構成要素への要求の低減、患者へのストレスの軽減（例えば、息止めまたは造影剤を減らす）、および／または患者への線量の減少をもたらすことができる。

学習ネットワーク６２０～６２３内のいくつかの接続部およびノードを強制的にゼロにすることによって、ネットワーク６２０～６２３は、補償のために「側枝」を構築する。このプロセスにおいて、学習ネットワーク６２０～６２３のトポロジへの洞察が得られる。例えば、ネットワーク６２１およびネットワーク６２２が、いくつかのノードおよび／または接続部が強制的にゼロにされているため、異なるトポロジを有することに留意されたい。ネットワークから接続部およびノードを効果的に除去するこのプロセスは、「深層学習」を超えて拡がり、例えば、「ディープ深層学習」と呼ばれることがある。

特定の例では、入力データ処理および深層学習段階は、別々のシステムとして実施することができる。しかしながら、別々のシステムとして、どちらのモジュールも、関心／重要な入力パラメータを選択するために、より大きな入力特徴評価ループを意識することはできない。入力データ処理の選択は、高品質の出力を生成するために重要であるため、深層学習システムからのフィードバックを使用して、モデルを介して入力パラメータ選択の最適化または改善を行うことができる。生データ（例えば、総当たりであり、高価になり得る）を生成するために入力パラメータのセット全体をスキャンするのではなく、アクティブ学習の変種を実施することができる。このアクティブ学習の変種を使用して、開始パラメータ空間を決定し、モデル内で所望または「最良」の結果を生成することができる。その結果、パラメータ値を無作為に減らして結果の品質を低下させる生の入力を生成し、品質の許容範囲または閾値を維持しながら、モデルの品質にほとんど影響を与えない入力を処理することによってランタイムを短縮することができる。

図７は、深層学習または他の機械学習ネットワークなどの学習ネットワークの例示的な訓練および展開段階を示している。図７の例に示すように、訓練段階では、入力７０２のセットが処理のためにネットワーク７０４に提供される。この例では、入力７０２のセットは、識別される画像の顔特徴を含むことができる。ネットワーク７０４は、入力７０２を順方向７０６で処理してデータ要素を関連付け、パターンを識別する。ネットワーク７０４は、入力７０２が肺結節７０８を表すと決定する。訓練において、ネットワーク結果７０８は、既知の結果７１２と比較される（７１０）。この例では、既知の結果７１２は、前胸部である（例えば、入力データセット７０２は、肺結節ではなく、前胸部の識別を表す）。ネットワーク７０４の決定７０８は既知の結果７１２と一致しない（７１０）ので、誤差７１４が生成される。誤差７１４は、ネットワーク７０４を通る後方パス７１６に沿って逆に、既知の結果７１２および関連するデータ７０２の分析をトリガする。したがって、訓練ネットワーク７０４は、ネットワーク７０４を介してデータ７０２、７１２で前方パス７０６および後方パス７１６から学習する。

ネットワーク出力７０８と既知の出力７１２の比較が特定の基準または閾値（例えば、ｎ倍に一致、ｘ％より大きい一致など）に従って一致する（７１０）と、訓練ネットワーク７０４を使用して、外部システムを伴う展開用のネットワークを生成することができる。展開されると、単一の入力７２０が展開された学習ネットワーク７２２に提供され、出力７２４が生成される。この場合、訓練ネットワーク７０４に基づいて、展開されたネットワーク７２２は、入力７２０が前胸部７２４の画像であると決定する。

図８は、訓練されたネットワークパッケージを活用して深層および／または他の機械学習製品の提供を行う例示的な製品を示している。図８の例に示すように、入力８１０（例えば、生データ）が前処理８２０のために提供される。例えば、生の入力データ８１０は、フォーマット、完全性などをチェックするために前処理される（８２０）。データ８１０が前処理されると（８２０）、データのパッチが作成される（８３０）。例えば、データのパッチまたは部分または「チャンク」は、処理のために特定のサイズおよびフォーマットで作成される（８３０）。次いで、パッチは、処理のために訓練されたネットワーク８４０に送られる。学習されたパターン、ノード、および接続部に基づいて、訓練されたネットワーク８４０は、入力パッチに基づいて出力を決定する。出力がアセンブルされる（８５０）（例えば、結合され、および／またはグループ化されて、使用可能な出力などが生成される）。次いで、出力が表示され（８６０）、および／またはユーザに出力される（例えば、人間のユーザ、臨床システム、撮像モダリティ、データストレージ（例えば、クラウドストレージ、ローカルストレージ、エッジデバイスなど）など）。

上述のように、学習ネットワークは、訓練、展開、および様々なシステムへの適用のためのデバイスとしてパッケージ化することができる。図９Ａ～図９Ｃは、様々な学習デバイスの構成を示している。例えば、図９Ａは、一般的な学習デバイス９００を示す。例示的なデバイス９００は、入力定義９１０、学習ネットワークモデル９２０、および出力定義９３０を含む。入力定義９１０は、１つまたは複数の入力を、ネットワーク９２０を介して１つまたは複数の出力９３０に変換することを含むことができる。

図９Ｂは、例示的な訓練デバイス９０１を示す。すなわち、訓練デバイス９０１は、訓練学習ネットワークデバイスとして構成されたデバイス９００の例である。図９Ｂの例では、複数の訓練入力９１１がネットワーク９２１に提供されてネットワーク９２１で接続部を展開し、出力評価器９３１によって評価される出力を提供する。その場合、フィードバックが出力評価器９３１によってネットワーク９２１に提供され、ネットワーク９２１をさらに展開する（例えば、訓練する）。ネットワーク９２１が訓練された（例えば、出力が特定の閾値、誤差のマージンなどによる入力および出力の既知の相関を満たした）と出力評価器９３１が決定するまで、さらなる入力９１１をネットワーク９２１に提供することができる。

図９Ｃは、例示的な展開されたデバイス９０３を示す。訓練デバイス９０１が必要なレベルまで学習されると、訓練デバイス９０１を使用のために展開することができる。訓練デバイス９０１が学習のために複数の入力を処理する一方で、展開されたデバイス９０３は、例えば、出力を決定するために単一の入力を処理する。図９Ｃの例に示すように、展開されたデバイス９０３は、入力定義９１３、訓練されたネットワーク９２３、および出力定義９３３を含む。訓練されたネットワーク９２３は、例えば、ネットワーク９２１が十分に訓練されると、ネットワーク９２１から生成することができる。展開されたデバイス９０３は、例えば、システム入力９１３を受信し、ネットワーク９２３を介して入力９１３を処理して出力９３３を生成し、展開されたデバイス９０３が関連付けられたシステムによって使用することができる。

例示的な画像処理ならびに分類システムおよび方法
特定の例では、疾患、異常、および／または他の状態の識別および進行は、患者の関連する画像データのＡＩ駆動型分析を通じて決定することができる。

図１０は、疾患、異常、および／または他の状態を定量化するためにＡＩモデルによって使用される画像データを処理するためのＡＩ分類器２２０の例示的な実施態様を示している。分類器２２０の例示的な実施態様は、臓器領域、および臓器領域内の関心領域を含む１つまたは複数の画像の注釈を可能にする。図１０の例示的な分類器２２０は、画像セグメンタ１０１０、マスク結合器１０２０、比率コンピュータ１０３０、および状態比較器１０４０を含む。

例示的な画像セグメンタ１０１０は、入力画像の第１のマスクおよび第２のマスクを識別するためのものである。例えば、画像セグメンタ１０１０は、画像を処理して画像で識別された臓器領域内の関心領域をセグメント化し、第１のマスクを得る。第１のマスクは、セグメンテーションマスクであり、これは画像の関心領域を含み、画像の残りの部分を除外するフィルタである。例えば、マスクを画像データに適用し、関心領域以外のすべてを除外することができる。マスクは、例えば、図４～図５に示すネットワーク４００、５００、生成的敵対ネットワークなどの畳み込みニューラルネットワークモデルを使用して得ることができる。画像セグメンタ１０１０はさらに、画像を処理して１つまたは複数の基準に従って臓器領域をセグメント化し、第２のマスクを得る。例えば、第２のマスクは、臓器領域、関心領域外の臓器領域の面積などを表すことができる。

例えば、臓器領域が肺であり、関心領域が肺で識別された気胸である場合（例えば、肺の輪郭および気胸を表す肺の虚脱面積の輪郭によってなど）、第１のマスクは、気胸を識別するために生成され、第２のマスクは、臓器領域全体を識別するために生成される。

例示的な結合器１０２０は、第１のマスクおよび第２のマスク、ならびに関連する面積を画像の注釈用語と結合する。注釈は、例えば、定量化を行うための相対的な修飾用語とすることができる。例えば、マスク面積を霧状、斑状、高密度などの説明用語と組み合わせて、画像の関心領域および臓器領域の相対密度値を算出することができる。例えば、画像面積（例えば、正面および側面画像の面積など）を組み合わせて、容積メトリックを生成することができる。

例示的な比率コンピュータ１０３０は、第１のマスクおよび第２のマスクに基づいて比率を算出し、画像の関心領域を定量化する。例えば、比率コンピュータ１０３０は、第１のマスクによって表される関心領域（ＲＯＩ）の面積を第２のマスクによって表される臓器領域全体の面積と比較し、ＲＯＩ（例えば、識別された気胸の面積など）と臓器領域全体（例えば、全肺容積など）の比率を決定することができる。別の例では、比率コンピュータ１０３０は、第１のマスクによって表されるＲＯＩの面積を第２のマスクによって表されるＲＯＩ外の臓器領域の残りの部分と比較し、ＲＯＩ（例えば、識別された気胸の面積など）とＲＯＩ外の臓器領域の面積（例えば、気胸の外側の肺容積など）の比率を決定する。

例示的な状態比較器１０４０は、比率コンピュータ１０３０によって生成された比率を標準、正常値、期待値、閾値、および／または他の基準と比較し、疾患／異常／状態の重症度を決定する。例えば、比較器１０４０は、気胸の面積対全肺面積の１／２の比率を気胸の重症度レベル／状態（例えば、なし、小、大など）を定義する一組の比率と比較する。状態比較器１０４０の重症度出力を比較器２４０に提供し、例えば、関連する疾患、異常、および／または他の状態の傾向または進行を決定することができる。

したがって、ＡＩ分類器２２０は、ＡＩ／機械学習／深層学習／ＣＡＤアルゴリズム訓練のために医用画像または関連する医用画像のセットに注釈付け、疾患、異常、他の状態などを定量化するように構成することができる。このような方法は、今日の一般的な主観的方法に取って代わる一貫性のある反復可能な方法論であり、疾患の自動的かつ正確な検出を可能にし、その重症度および／または進行を定量化する。

特定の例は、臓器または他の対象物の関心領域を相対的ベースで評価する。例えば、疾患、異常、および／または他の状態の単一の時点の定量化を決定し、疾患、異常、または状態の重症度を分類し、様々な時点での疾患、異常、または状態の進行を追跡することができる。

例えば、分類器２２０のセグメンタ１０１０は、異常な肺領域をセグメント化し、影響を受けた肺の曝気された面積の面積セグメンテーションで除算された対応する面積を算出することで、目に見える周囲の肺組織に対する異常のサイズの比率割合をもたらすことができる。比率コンピュータ１０３０は、以下に従って比率割合を生成することができる：
セグメント化された異常面積／曝気された肺のセグメント化された面積＝肺疾患／異常によって影響を受けた肺面積の％。

別の例では、セグメンタ１０１０は、異常な肺領域をセグメント化することができ、比率コンピュータ１３０が影響を受けた肺面積の面積セグメンテーションで除算を行い、以下のように全肺組織に対する異常のサイズの比率割合をもたらす：
セグメント化された異常面積／全肺のセグメント化された面積＝肺疾患／異常によって影響を受けた肺面積の％。

別の例では、セグメンタ１０１０は、異常な肺領域をセグメント化することができ、比率コンピュータ１３０が胸腔面積の画分の面積セグメンテーションで除算を行い、以下のように胸腔の画分に対する異常のサイズの比率割合をもたらす：
セグメント化された異常面積／胸腔面積の画分＝肺疾患／異常によって影響を受けた肺面積の％。

別の例では、胸水のセグメント化された面積メトリックは、マスク結合器１０２０によって霧状、斑状、重度のコンソリデーションなどの定性的用語と組み合わされ、流体の密度の相対的定量化を行うことができる。

特定の例では、異常の面積のみ（例えば、平方ピクセル、平方ミリメートルなど）を処理して、マーカーおよび／または他の参照対象物を使用して倍率補正を行うことができる。しかしながら、このような異常分析は、正常な曝気された肺内の異常が、例えば、５０％しか曝気されていない肺内の異常（例えば、損なわれた呼吸器系を示す）よりも懸念が少ないとは認めない。

例示的な実施態様が図１～図１０に関連して示されているが、図１～図１０に関連して示される要素、プロセスおよび／またはデバイスは、任意の他の方法で組み合わせられ、分割され、配置変更され、省略され、排除され、かつ／または実現され得る。さらに、本明細書で開示および説明される構成要素は、ハードウェア、機械可読命令、ソフトウェア、ファームウェア、ならびに／もしくはハードウェア、機械可読命令、ソフトウェアおよび／またはファームウェアの任意の組み合わせによって実現することができる。したがって、例えば、本明細書で開示および説明される構成要素は、アナログおよび／またはデジタル回路、論理回路、プログラマブルプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、プログラマブル論理デバイス（ＰＬＤ）、および／またはフィールドプログラマブル論理デバイス（ＦＰＬＤ）によって実現することができる。純粋にソフトウェアおよび／またはファームウェアの実施態様をカバーするために、この特許の装置またはシステムクレームのいずれかを読む場合、構成要素の少なくとも１つは、ソフトウェアおよび／またはファームウェアを記憶する、メモリ、デジタル多用途ディスク（ＤＶＤ）、コンパクトディスク（ＣＤ）、ブルーレイディスクなどの有形のコンピュータ可読記憶デバイスまたは記憶ディスクを含むように本明細書によって明確に定義される。

本明細書で開示および説明される構成要素を実現するための例示的な機械可読命令を表すフローチャートが、少なくとも図１１～図１２に関連して示される。本例において、機械可読命令は、図１３に関連して以下で説明する例示的なプロセッサプラットフォーム１３００に示すプロセッサ１３１２などのプロセッサによって実行するためのプログラムを含む。本プログラムは、ＣＤ－ＲＯＭ、フロッピーディスク、ハードドライブ、デジタル多用途ディスク（ＤＶＤ）、ブルーレイディスク、またはプロセッサ１３１２と関連するメモリなどの有形のコンピュータ可読記憶媒体に記憶された機械可読命令で具現化することができるが、あるいは、プログラム全体および／またはその一部をプロセッサ１３１２以外のデバイスによって実行すること、および／またはファームウェアもしくは専用ハードウェアで具現化することも可能である。さらに、例示的なプログラムは、少なくとも図１１～図１２に関連して示されるフローチャートを参照して説明されるが、本明細書で開示および説明される構成要素について、これらを実現する多数の他の方法を代わりに使用してもよい。例えば、ブロックの実行順序を変更してもよく、および／または記載されたブロックのいくつかを変更したり、排除したり、組み合わせたりしてもよい。少なくとも図１１～図１２のフローチャートは例示的な動作を図示の順序で示しているが、これらの動作は網羅的なものではなく、図示の順序に限定されない。加えて、本開示の精神および範囲内で、当業者によって様々な変更および修正がなされてもよい。例えば、フローチャートに示されたブロックは、別の順序で行われてもよいし、並列に行われてもよい。

上述したように、少なくとも図１１～図１２の例示的なプロセスは、ハードディスクドライブ、フラッシュメモリ、読み取り専用メモリ（ＲＯＭ）、コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）、キャッシュ、ランダムアクセスメモリ（ＲＡＭ）、および／または任意の他の記憶デバイスもしくは情報が任意の期間（例えば、長期間、恒久的、短時間、一時的にバッファリングする間、および／または情報をキャッシュする間）で記憶されている記憶ディスクなどの有形のコンピュータ可読記憶媒体に記憶されるコード化された命令（例えば、コンピュータおよび／または機械可読命令）を使用して実施することができる。本明細書で使用される場合、有形のコンピュータ可読記憶媒体という用語は、任意の種類のコンピュータ可読記憶デバイスおよび／または記憶ディスクを含み、伝搬する信号を除外し、伝送媒体を除外するように明示的に定義される。本明細書で使用される場合、「有形のコンピュータ可読記憶媒体」および「有形の機械可読記憶媒体」は、互換的に使用される。さらに、またはあるいは、少なくとも図１１～図１２の例示的なプロセスは、ハードディスクドライブ、フラッシュメモリ、読み取り専用メモリ、コンパクトディスク、デジタル多用途ディスク、キャッシュ、ランダムアクセスメモリ、および／または任意の他の記憶デバイスもしくは情報が任意の期間（例えば、長期間、恒久的、短時間、一時的にバッファリングする間、および／または情報をキャッシュする間）で記憶されている記憶ディスクなどの非一時的コンピュータおよび／または機械可読媒体に記憶されるコード化された命令（例えば、コンピュータおよび／または機械可読命令）を使用して実施することができる。本明細書で使用される場合、非一時的コンピュータ可読媒体という用語は、任意の種類のコンピュータ可読記憶デバイスおよび／または記憶ディスクを含み、伝搬する信号を除外し、伝送媒体を除外するように明示的に定義される。本明細書で使用される場合、「少なくとも」という表現は、請求項の前文における遷移の用語として使用されるとき、「備える（ｃｏｍｐｒｉｓｉｎｇ）」という用語がオープンエンドであるのと同様の様相でオープンエンドである。さらに、「含む（ｉｎｃｌｕｄｉｎｇ）」という用語は、「備える（ｃｏｍｐｒｉｓｉｎｇ）」という用語がオープンエンドであるのと同様の様相でオープンエンドである。

図１１に示される例示的な方法１１００に示すように、患者の状態の重症度および関連する進行を決定することができる。ブロック１１１０において、人工知能分類器は、重症度分類および／または疾患、異常、もしくは状態の他の分類に従って訓練される。例えば、分類器２２０は、肺画像の気胸を識別し、気胸の面積と全肺面積（または患部肺面積）などの比率に基づいて、気胸をなし、小、または大に分類するように訓練される。したがって、上述のように、分類器２２０は、場所情報、サイズ、関係などが分析および注釈付けされた画像データなどの「真の」または検証済みの画像データを使用した訓練および試験を通じて、臓器領域、臓器領域内の関心領域、および重症度分類を識別する方法を学習する。

ブロック１１２０において、人工知能分類器を第１の画像データに適用することによって、第１の分類結果が決定される。ブロック１１３０において、人工知能分類器を第２の画像データに適用することによって、第２の分類結果が決定される。したがって、訓練および展開された深層学習ネットワークモデルおよび／または他の人工知能構築は、１つまたは複数の基準（例えば、解剖学的種類、領域など）に関する入力画像データを処理して、重症度インジケータおよび／または他の分類（例えば、低／中／高、なし／小／大、小／中／大、なし／小型／大型など）を生成することができる。したがって、画像データを深層学習ネットワークモデルおよび／またはＡＩ分類器２２０の他のＡＩ構築に提供することによって、画像データを処理して分類結果を生成することができる。

ブロック１１４０において、第１の分類結果と第２の分類結果との間の変化または差が算出される。例えば、比較器２４０は、第１の分類結果と第２の分類結果の分類値を比較し、結果（例えば、２つの異なる時間に２つの画像データセット間で得られた結果など）間の変化、デルタ、差などを識別する。例えば、比較器２４０は、２つ以上の分類結果のセットに基づいて、気胸なしから小気胸、小型腫瘍から大型腫瘍、大病変から小病変などへの変化を算出することができる。

ブロック１１５０において、分類結果の変化は、この患者の疾患、異常、または状態の進行を決定するために、疾患、異常、または状態の定義された進行に関して分析される。決定された進行は、進行なし、改善、悪化などの状態に対応することができる。例えば、変化がなしから小または大への場合、進行は悪化している。例えば、変化が大から小への場合、進行は改善している。例えば、変化がない場合（例えば、識別された腫瘤が中程度のままである場合など）、進行はない。

ブロック１１６０において、決定された進行が検討され、アクションがトリガされるかどうかを決定する。例えば、決定された進行の状態を評価し、警報または他のアクションが必要かどうかを決定する。例えば、進行の改善または進行なしは、警報または他のアクション（例えば、是正アクションなどとも呼ばれる）を必要としなくてもよい。しかしながら、進行が悪化している場合は、介入が必要であることを示すことができる。

アクションおよび／または他の介入がトリガされるとき、ブロック１１７０において、アクションがトリガされる。例えば、警報を生成し（例えば、ログファイル警報、臨床ダッシュボード警報、医療専門家への可聴および／または視覚警報、他の通知など）、決定された進行（例えば、状態の悪化など）をユーザ、システムなどに通知することができる。例えば、気胸の悪化を看護師に通知したり、拡大した病変の試験を依頼したり、スケジューリングシステムを使用して、以前は存在しなかった腫瘤の外観の検査をスケジューリングすることなどができる。

図１２は、第１の分類結果を決定する（ブロック１１２０）および／または第２の分類結果を決定する（ブロック１１３０）例示的な実施態様の流れ図を示している。ブロック１２１０において、臓器領域が画像データで識別される。例えば、画像データは、畳み込みニューラルネットワーク、他の深層学習ネットワークモデル、および／または他の人工知能構築によって処理され、画像データに含まれる１つまたは複数の画像の標的臓器領域を識別することができる。

ブロック１２２０において、臓器領域内の関心領域を画像データ内でセグメント化し、第１のマスクを得る。例えば、肺または肺の一部で識別された気胸を画像内でマスクして、気胸を含む面積を分離することができる。ブロック１２３０において、臓器領域を１つまたは複数の所定の基準に従ってセグメント化し、第２のマスクを得る。例えば、肺をマスクして、肺の外側の画像の部分を除外することができる。代替的または追加的に、気胸を含むが肺全体よりも少ない肺の部分をマスクして、検出された状態によって機能が影響を与えられる肺の部分の分析を分離することができる（例えば、気胸からの虚脱肺）。

ブロック１２４０において、第１および第２のセグメント化されたマスクの面積は、相対的な修飾注釈用語と共に組み合わされ、さらなる定量化を行う。例えば、マスクの面積を霧状、斑状、高密度などの説明用語と組み合わせて相対密度値を算出し、正面および側面画像の面積を組み合わせて容積メトリックなどを生成する。したがって、組み合わされたマスクは、気胸によって影響を受けた肺領域のモデル、ならびに画像のその面積の密度の記述子などを提供することができる。

ブロック１２５０において、第１のマスクおよび第２のマスクに基づいて比率メトリックが算出される。例えば、気胸の面積の肺組織の密度を正常な肺組織の密度と比較し、比率を決定することができる。例えば、気胸が占める面積を残りの肺面積／小面積と比較し、比率を算出することができる。

ブロック１２６０において、比率メトリックを使用して、画像データの関心領域が定量化される。例えば、気胸は、肺面積の２５％、肺面積の５０％、肺面積の８０％などとして定量化することができる。別の例では、周囲の臓器に対する病変のサイズを定量化することなどが可能である。

ブロック１２７０において、関心領域の定量化は、重症度インジケータおよび／または他の分類に関連付けられる。例えば、肺面積の２０％を占める気胸は、小に分類することができる。例えば、肺面積の７０％を占める気胸は、大に分類することができる。重症度分類は、例えば、分析のために比較器２４０に提供され得る。

したがって、特定の例は、患者および／または患者集団における疾患、異常、および／または他の状態の重症度および進行を決定するための、画像データの自動化された深層／機械学習駆動型処理を提供する。例えば、気胸では、２Ｄ画像を見ても３Ｄにおける問題の重症度を評価するのが難しいため、肺の虚脱を検出および測定することは困難である。

主観的方法の限界を克服するために、様々な胸膜間距離を考慮する方程式を介して直立した患者の気胸のサイズを決定する、Ｒｈｅａの方法などの測定方法が開発および提案されている。Ｒｈｅａのアルゴリズムは直立２Ｄ画像を使用してＣＴ回帰を構築するが、患者の位置が問題であり、Ｒｈｅａのアルゴリズムは直立した患者を想定して構築されている一方でほとんどの患者がベッドに横たわっているため、アプローチが無効になっている。Ｃｏｌｌｉｎｓの方法は、ヘリカルＣＴスキャンからの容積測定に基づく回帰分析から胸膜間距離を使用して、胸部Ｘ線写真（例えば、患者が横になっている状態）で気胸サイズを定量化する。光測定法は、例えば、自然気胸の管理に関するガイドラインを提供する。これらの方法はすべて、例えば、気胸の信頼できる再現可能な検出には不十分である。

例えば、気胸では、空気が胸膜腔に存在し、患者の胸部疾患を示す。胸部Ｘ線画像を使用して、テクスチャ、輪郭、ピクセル値などに基づいて肋骨境界付近の潜在的な気胸を識別することができる。分類器のＡＩモデルは、例えば、気胸の存在を示す利用可能な情報の強度に基づいて、その識別または推論に信頼スコアを割り当てることが可能である。例えば、ＡＩ気胸検出モデルを改善するために、ユーザからフィードバックを提供することができる。ＡＩモデルは、サイズ、重症度、線形測定（胸壁から虚脱肺の複数の線の端まで）などの様々なパラメータ／基準、肺容積の推定割合（例えば、１０％の虚脱、３０％の虚脱など）などに基づいて訓練することができ、これらは撮像および／または他の測定のための患者の位置によって異なり得る。

ＡＩ分類器２２０を使用して、患者の位置に関係なく、状態決定を堅牢に行うことができる。さらに、傾向または進行は、患者が改善しているか悪化しているかの指標を提供するために決定される。例示的な装置２００は、例えば、患者の位置の不一致に対してより堅牢である相対的な測定値または比率（例えば、全肺面積に対する患部面積の比率など）を提供する。例えば、１日目と２日目の肺画像を処理して、ＡＩ深層学習および／または他の技術を活用し、画像をセグメント化して注釈付けを行い、空洞全体に対する肺の患部を識別し、比率を算出することで、１日目の４２％の肺虚脱から２日目の５６％の肺虚脱への悪化を示すことができる。したがって、ＡＩモデルは、時間の経過に伴う変化の定量化および状態進行の分析を促進することができる。

２Ｄ画像では、絶対値（例えば、絶対容積、絶対サイズなど）を得ることは不可能ではないにしても困難であるが、ＡＩ分類器２２０によって提供される相対的な測定値は、変化の方向（例えば、正、負、中立など）および変化の大きさの感覚を提供する。したがって、正確な測定は、例えば、変化の方向および大きさの自動化された評価および指標と引き換えに行われ、医療専門家および／または健康システムは、患者および／または患者集団が悪化または改善しているかどうか、およびどの程度までか（例えば、はるかに悪化または少し改善しているなど）を知る。

現在、マニュアルレビューでは、気胸がどの程度変化したか、またはどのように治療されているかではなく、気胸の存在を示すだけである。これにより、多くの誤報が発生する。代わりに、特定の例は、状態が改善または悪化しているかどうか、およびどの程度までかを識別することができる。

本明細書では気胸が例として使用されているが、この技術は、様々な疾患、異常、および／または出血、肺塞栓症、病変もしくは腫瘍などの他の状態に適用することができる。特定の例は、様々な状況、状態、基準などの変化に適応することができる動的モデルまたは動的モデルのセットを提供する。例えば、患者が吸入しているか吐いているかによる肺のサイズの変化に対応することが可能である。流体で満たされた患者の肺（例えば、胸水）を識別することができ、モデルは、状態が改善しているか悪化しているかを決定することができる。腫瘍を識別して分析することで、例えば、腫瘍が大きくなっているか縮小しているかを決定することができる。１つまたは複数のＡＩモデルは、所見に関するセグメント化、分類、および追加の情報の提供が可能である。

特定の例では、気胸などの状態が存在または非存在として検出され、虚脱の正確な面積を特定することができる。特定された輪郭の面積を計算することができ、その値を使用して状態の相対的な変化を決定することができる。例えば、気胸の実際の３Ｄ容積ではなく、相対的な２Ｄプロジェクションを得て、相対容積、変化、および変化の方向を決定するために使用することができる。

ＡＩモデルは、後処理可能な出力を提供する。例えば、特定のサイズのマスクが生成され、後処理してピクセル面積を計算したり、面積のジオメトリを決定したりすることが可能である。したがって、例えば、モデル自体が物理量を出力しない場合でも、ＡＩモデル分類出力を後処理して、モデル出力を測定可能な物理量に変換することができる。

気胸の例に関連して上述したように、特定の例は、肺面積の計算された割合を使用して肺の異常のサイズを記述する。このＡＩモデル駆動型計算は、異なる患者サイズ、患者位置などに対して堅牢である。この計算により、疾患の重症度を決定する際の読み手の主観性を低下させる。この計算により、読み手／放射線科医／他の専門家から独立した、状態の進行／退行／安定性の経時的な監視が可能になる。ＡＩ駆動型モデリングおよび分類は、例えば、特定の問題／状態に関して、小／中程度／大、軽度／中程度／重度、または他の分類の意味を標準化するのに役立つ。

したがって、集中治療室の患者は、胸水（肺周囲の流体）、コンソリデーション（肺炎）、気胸（肺虚脱）などの肺の状態の進行または改善を監視するために、毎日胸部Ｘ線を頻繁に受ける。胸部Ｘ線写真内の肺疾患または異常の定量化は、歴史的に骨の折れるタスクであり、線形測定または関心領域を描画する不正確な方法は、倍率誤差および他の不正確さの影響を受け、診断、治療、予測、コンピュータ支援検出などの誤差をもたらすことになる。その結果、放射線科医は、次の１つまたは複数の主観的方法を行うことになる：視覚的印象に基づくサイズの記述：微量、小、中程度、大；視覚的印象に基づく重症度の記述：軽度、中程度、重度；視覚的印象からの肺容積推定の割合。これらの方法では、所見が軽度／中程度または中程度／重度の境界線になり得る場合、誤差の余地が残される。例えば、１日目の放射線科医Ａは、状態に軽度のラベルを付け、２日目の放射線科医Ｂは、状態に大きな変化がなく安定しているにもかかわらず、状態に中程度のラベルを付けることがある。しかしながら、患者の位置がわずかに変更されたため、放射線科医Ｂは、１日目からの前の画像を検討するときに状態が進行していると考えていた可能性がある。このような誤差により、放射線科医の評価に頼っている管理医師は、治療計画（例えば、薬剤の変更、または針胸腔穿刺／吸引などのより侵襲的なもの）を患者の健康と安全を損なうものに変更する可能性がある。特定の例は、この発生を防ぎ、技術的な改善をＡＩモデルおよびオペレーティングプロセッサに提供するのに役立つ。

図１３は、少なくとも図１１～図１２の命令を実行して本明細書で開示および説明される例示的な構成要素を実現するように構成された例示的なプロセッサプラットフォーム１３００のブロック図である。プロセッサプラットフォーム１３００は、例えば、サーバ、パーソナルコンピュータ、モバイルデバイス（例えば、携帯電話機、スマートフォン、ｉＰａｄ（商標）などのタブレット）、携帯情報端末（ＰＤＡ）、インターネット家電、または任意の他の種類のコンピューティングデバイスであってよい。

図示の例のプロセッサプラットフォーム１３００は、プロセッサ１３１２を含む。図示の例のプロセッサ１３１２は、ハードウェアである。例えば、プロセッサ１３１２は、任意の所望のファミリまたは製造業者からの集積回路、論理回路、マイクロプロセッサまたはコントローラによって実現することができる。

図示の例のプロセッサ１３１２は、ローカルメモリ１３１３（例えば、キャッシュ）を含む。図１３の例示的なプロセッサ１３１２は、少なくとも図１１～図１２の命令を実行して、例示的なデータソース２１０、ＡＩ分類器２２０、データストア２３０、比較器２４０、出力生成器２５０、トリガ２６０など、図１～図１２のシステム、インフラストラクチャ、ディスプレイ、および関連する方法を実現する。図示の例のプロセッサ１３１２は、バス１３１８を介して揮発性メモリ１３１４および不揮発性メモリ１３１６を含む主メモリと通信する。揮発性メモリ１３１４は、シンクロナスダイナミックランダムアクセスメモリ（ＳＤＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、ＲＡＭＢＵＳダイナミックランダムアクセスメモリ（ＲＤＲＡＭ）、および／または任意の他の種類のランダムアクセスメモリデバイスによって実現することができる。不揮発性メモリ１３１６は、フラッシュメモリおよび／または任意の他の所望の種類のメモリデバイスによって実現することができる。主メモリ１３１４、１３１６へのアクセスは、クロックコントローラによって制御される。

さらに、図示の例のプロセッサプラットフォーム１３００は、インターフェース回路１３２０を含む。インターフェース回路１３２０は、イーサネットインターフェース、ユニバーサルシリアルバス（ＵＳＢ）、および／またはＰＣＩエクスプレスインターフェースなどの任意の種類のインターフェース規格によって実現することができる。

図示の例では、１つまたは複数の入力デバイス１３２２がインターフェース回路１３２０に接続される。入力デバイス１３２２は、プロセッサ１３１２へのデータおよびコマンドの入力をユーザにとって可能にする。入力デバイスは、例えば、センサ、マイクロホン、カメラ（静止画または動画、ＲＧＢまたは深度など）、キーボード、ボタン、マウス、タッチスクリーン、トラックパッド、トラックボール、アイソポイントおよび／または音声認識システムによって実現することができる。

１つまたは複数の出力デバイス１３２４もまた、図示の例のインターフェース回路１３２０に接続される。出力デバイス１３２４は、例えば、ディスプレイデバイス（例えば、発光ダイオード（ＬＥＤ）、有機発光ダイオード（ＯＬＥＤ）、液晶ディスプレイ、陰極線管ディスプレイ（ＣＲＴ）、タッチスクリーン、触覚出力デバイス、および／またはスピーカ）によって実現することができる。したがって、図示の例のインターフェース回路１３２０は、典型的には、グラフィックスドライバカード、グラフィックスドライバチップまたはグラフィックスドライバプロセッサを含む。

さらに、図示の例のインターフェース回路１３２０は、ネットワーク１３２６（例えば、イーサネット接続、デジタル加入者回線（ＤＳＬ）、電話回線、同軸ケーブル、携帯電話システムなど）を介した外部装置（例えば、任意の種類のコンピューティングデバイス）とのデータのやり取りを容易にするために、送信器、受信器、トランシーバ、モデムおよび／またはネットワークインターフェースカードなどの通信デバイスを含む。

図示の例のプロセッサプラットフォーム１３００はまた、ソフトウェアおよび／またはデータを記憶するための１つまたは複数の大容量記憶デバイス１３２８を含む。そのような大容量記憶デバイス１３２８の例は、フロッピーディスクドライブ、ハードドライブディスク、コンパクトディスクドライブ、ブルーレイディスクドライブ、ＲＡＩＤシステム、およびデジタル多用途ディスク（ＤＶＤ）ドライブを含む。

図１３のコード化された命令１３３２は、大容量記憶デバイス１３２８、揮発性メモリ１３１４、不揮発性メモリ１３１６、および／またはＣＤもしくはＤＶＤなどの取り外し可能な有形のコンピュータ可読記憶媒体に記憶することができる。

上記から、複数の深層学習および／または他の機械学習技術を使用して、撮像および／または他のヘルスケアシステムの動作を監視、処理、および改善するために、上記した開示の方法、装置、および製品が開示されていることが理解されよう。

したがって、特定の例は、患者撮像の時点で可搬型撮像デバイスを介するなど、ポイントオブケアでの画像取得および分析を容易にする。画像を再取得する場合、さらなる分析をすぐに行う場合、および／または他の重篤性を後にするのではなくすぐに検討する場合、本明細書で開示および説明される例示的なシステム、装置、および方法は、分析を自動化し、ワークフローを合理化し、かつ患者ケアを改善するためのアクションを容易にすることができる。

特定の例は、画像を取得し、救命救急チームのポイントオブケアでの意思決定支援ツールとして動作することができる特別に構成された撮像装置を提供する。特定の例は、放射線所見などを検出するためにポイントオブケアでの診断を提供および／または容易にするための医療デバイスとして機能する撮像装置を提供する。装置は、放射線科医および／または救命救急チームの注意を患者に直ちに向けさせるために重篤警報をトリガすることができる。装置は、スクリーニング環境などで、患者の検査後に患者の優先順位付けを可能にし、陰性試験は、患者が家に帰ることを可能にし、一方、陽性試験では、帰宅前に患者に医師の診察を受けさせる必要がある。

特定の例では、モバイルデバイスおよび／またはクラウド製品は、ベンダーニュートラルソリューションを可能にし、任意のデジタルＸ線システム（例えば、完全に統合された、アップグレードキットなど）上でポイントオブケア警報を提供する。特定の例では、モバイルＸ線装置などのモバイル撮像システム上で実行される埋め込みＡＩアルゴリズムは、画像取得中および／または画像取得後のリアルタイムでのポイントオブケア警報を提供する。

ＡＩを撮像デバイスにホスティングすることによって、モバイルＸ線システムは、例えば、病院の情報技術ネットワークの無い地方で、あるいは患者コミュニティに撮像をもたらすモバイルトラックで使用することができる。さらに、サーバまたはクラウドに画像を送信するのに長い待ち時間がかかる場合、撮像デバイスのＡＩを代わりに実行し、さらなるアクションのために撮像デバイスに出力を生成することができる。Ｘ線技術者を次の患者の元に移動させるのではなく、さらにＸ線デバイスがもはや臨床ケアチームと共に患者のベッドサイドにあるのではなく、画像処理、分析、および出力がリアルタイムで（または何らかのデータ転送／検索、処理、および出力待ち時間があるほぼリアルタイムで）行われ、臨床ケアチームおよび機器がまだ患者と共にあるか、患者の付近にありながら、臨床ケアチームに関連する通知をもたらすことができる。例えば、外傷の場合、治療の決定を迅速に行う必要があり、特定の例は他の臨床的意思決定支援ツールで見られる遅延を緩和する。

モバイルＸ線システムは、病院全体（例えば、救急室、手術室、集中治療室など）で患者のベッドサイドに移動する。病院内において、病院の「デッド」ゾーン（例えば、地下室、電気信号の干渉または妨害を伴う部屋など）では、ネットワーク通信が信頼できない可能性がある。例えば、Ｘ線デバイスがＷｉ－Ｆｉの構築に依存していて、ＡＩモデルをホストしているサーバまたはクラウドに画像をプッシュし、ＡＩ出力をＸ線デバイスに戻すのを待っている場合、患者は、必要な時に、重篤警報を信頼できない危険性がある。さらに、ネットワークまたは停電が通信に影響を及ぼす場合、撮像デバイス上で動作するＡＩは、内蔵式のモバイル処理装置として機能し続けることができる。

一般的な放射線学の場合に生成される警報の例は、気胸、チューブおよび配線配置、胸水、肺葉虚脱、気腹、肺炎などの（例えば、モバイルＸ線などに対する）重篤警報、結核、肺結節などの（例えば、固定Ｘ線などに対する）スクリーニング警報、患者の位置、クリップされた解剖学的構造、不適切な技術、画像アーチファクトなどの（例えば、モバイルおよび／または固定Ｘ線などに対する）品質警報を含んでもよい。

したがって、特定の例は、人工知能アルゴリズムの精度を向上させる。特定の例は、重篤な所見、緊急の所見、および／または他の問題の存在をより正確に予測するために、患者の医療情報ならびに画像データを考慮する。

特定の例は、臨床状態の変化を評価し、状態が悪化しているのか、改善しているのか、または経時的に同じままであるのかを決定する。例えば、胸部Ｘ線検査の重篤な結果は「気胸の新しいまたは大幅な進行」と見なされ、放射線科医は、管理専門家に連絡して所見について議論することになる。事前の撮像検査で撮像デバイスにＡＩアルゴリズムモデルを提供すると、モデルは気胸の所見が新しいかまたは大幅に進行しているかどうか、およびその所見が重篤であると見なされるかどうかを決定することができる。

図１４は、左肺気胸１４１２および左肺胸水１４１４を有する患者の例示的な第１の画像１４１０を示している。図１４の例に示すように、ＡＩは、気胸１４１２を９９％の信頼度で識別し、気胸１４１２のセグメンテーション１４２０にわたる面積を５０，４９９ピクセルとして識別した。曝気された左肺面積は、２４０，５４４ピクセルのセグメンテーションマスク１４３０を含み、気胸面積と曝気された左肺面積の比率が２１％になる。

図１５は、改善された左肺気胸１５１２および左肺胸水１５１４を有する患者の例示的な第２の画像１５１０を示している。図１５の例に示すように、ＡＩは、気胸１５１２を４１％の信頼度で識別し、気胸１５１２のセグメンテーション１５２０にわたる面積を２６，１７２ピクセルとして識別した。曝気された左肺面積は、２５４，９０５ピクセルのセグメンテーションマスク１５３０を含み、気胸面積と曝気された左肺面積の比率が１０％になり、これは損なわれた肺領域の量の改善を示している。

特定の例示的な方法、装置および製品が本明細書で説明されたが、本特許の対象範囲は、これらに限定されない。むしろ反対に、本特許は、本特許の特許請求の範囲の技術的範囲に正当に含まれるすべての方法、装置および製品を包含する。
［実施態様１］
人工知能分類器（１２０、２２０）であって、
第１の時間から患者の第１の画像データを処理して、前記患者の状態の第１の重症度を示す第１の分類結果を決定し、
第２の時間から前記患者の第２の画像データを処理して、前記患者の前記状態の第２の重症度を示す第２の分類結果を決定する
人工知能分類器（１２０、２２０）と、
前記第１の分類結果と前記第２の分類結果を比較して、変化および前記変化に関連する前記状態の進行を決定する比較器（２４０）と、
前記進行が前記状態の悪化に対応するときにアクションをトリガする出力生成器（２５０）と
を備える、画像処理装置（２００）。
［実施態様２］
前記アクションは、前記状態に対処するための前記患者に対する警報、アクションの推奨、前記アクションの指示、または調整の少なくとも１つを含む、実施態様１に記載の装置（２００）。
［実施態様３］
前記人工知能分類器（１２０、２２０）は、前記状態の重症度の少なくとも３つのクラスに関して訓練される、実施態様１に記載の装置（２００）。
［実施態様４］
前記人工知能分類器（１２０、２２０）は、深層学習ネットワークモデルを含む、実施態様１に記載の装置（２００）。
［実施態様５］
前記人工知能分類器（１２０、２２０）は、
前記第１の画像データまたは前記第２の画像データの少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける臓器領域の関心領域の第１のマスクを得て、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける前記臓器領域の第２のマスクを得る画像セグメンタ（１０１０）と、
前記第１のマスクと前記第２のマスクを比較して比率メトリックを算出し、前記第１の画像データまた前記は第２の画像データの前記少なくとも１つにおける関心領域を定量化する比率コンピュータ（１０３０）と、
前記比率メトリックと基準の比較に基づいて、前記第１の分類結果または前記第２の分類結果の少なくとも１つを生成する状態比較器（１０４０）と
を含む、実施態様１に記載の装置（２００）。
［実施態様６］
前記人工知能分類器（１２０、２２０）は、前記第１のマスクおよび前記第２のマスクを、前記状態比較器（１０４０）の１つまたは複数の記述注釈と組み合わせるマスク結合器（１０２０）をさらに含む、実施態様５に記載の装置（２００）。
［実施態様７］
前記状態は、気胸を含み、前記臓器領域は、肺領域を含み、前記第１のマスクは、前記肺領域の虚脱関心領域を含む、実施態様６に記載の装置（２００）。
［実施態様８］
実行されると、少なくとも１つのプロセッサ（１３１２）に、少なくとも、
第１の時間から患者の第１の画像データを処理して、前記患者の状態の第１の重症度を示す第１の分類結果を決定させ、
第２の時間から前記患者の第２の画像データを処理して、前記患者の前記状態の第２の重症度を示す第２の分類結果を決定させ、
前記第１の分類結果と前記第２の分類結果を比較して、変化および前記変化に関連する前記状態の進行を決定させ、
前記進行が前記状態の悪化に対応するときにアクションをトリガさせる
命令を含む、少なくとも１つのコンピュータ可読記憶媒体。
［実施態様９］
前記アクションは、前記患者に対する警報、指示、または調整の少なくとも１つを含む、実施態様８に記載の少なくとも１つのコンピュータ可読記憶媒体。
［実施態様１０］
前記第１の画像データおよび前記第２の画像データは、人工知能分類器（１２０、２２０）を使用して処理され、前記人工知能分類器（１２０、２２０）は、前記状態の重症度の少なくとも３つのクラスに関して訓練されるモデルを含む、実施態様８に記載の少なくとも１つのコンピュータ可読記憶媒体。
［実施態様１１］
前記モデルは、深層学習ネットワークモデルを含む、実施態様１０に記載の少なくとも１つのコンピュータ可読記憶媒体。
［実施態様１２］
前記命令は、実行されると、前記少なくとも１つのプロセッサ（１３１２）にさらに、
前記第１の画像データまたは前記第２の画像データの少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける臓器領域の関心領域の第１のマスクを得させ、
前記第１の画像データまたは前記第２の画像データの前記少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける前記臓器領域の第２のマスクを得させ、
前記第１のマスクと前記第２のマスクを比較して比率メトリックを算出し、前記第１の画像データまた前記は第２の画像データの前記少なくとも１つにおける関心領域を定量化させ、
前記比率メトリックと基準の比較に基づいて、前記第１の分類結果または前記第２の分類結果の少なくとも１つを生成させる
実施態様８に記載の少なくとも１つのコンピュータ可読記憶媒体。
［実施態様１３］
前記命令は、実行されると、前記少なくとも１つのプロセッサ（１３１２）にさらに、前記第１のマスクおよび前記第２のマスクを１つまたは複数の記述注釈と組み合わさせる、実施態様１２に記載の少なくとも１つのコンピュータ可読記憶媒体。
［実施態様１４］
前記状態は、気胸を含み、前記臓器領域は、肺領域を含み、前記第１のマスクは、前記肺領域の虚脱関心領域を含む、実施態様１２に記載の少なくとも１つのコンピュータ可読記憶媒体。
［実施態様１５］
少なくとも１つのプロセッサ（１３１２）を使用して命令を実行することによって、第１の時間から患者の第１の画像データを処理して、前記患者の状態の第１の重症度を示す第１の分類結果を決定すること（１１２０）と、
少なくとも１つのプロセッサ（１３１２）を使用して命令を実行することによって、第２の時間から前記患者の第２の画像データを処理して、前記患者の前記状態の第２の重症度を示す第２の分類結果を決定すること（１１３０）と、
少なくとも１つのプロセッサ（１３１２）を使用して命令を実行することによって、前記第１の分類結果と前記第２の分類結果を比較して（１１４０）、変化および前記変化に関連する前記状態の進行を決定すること（１１５０）と、
少なくとも１つのプロセッサ（１３１２）を使用して命令を実行することによって、前記進行が前記状態の悪化に対応するときにアクションをトリガすること（１１７０）と
を含む、コンピュータ実装方法（１１００）。
［実施態様１６］
前記第１の画像データおよび前記第２の画像データは、人工知能分類器（１２０、２２０）を使用して処理され、前記人工知能分類器（１２０、２２０）は、前記状態の重症度の少なくとも３つのクラスに関して訓練されるモデルを含む、実施態様１５に記載の方法（１１００）。
［実施態様１７］
前記モデルは、深層学習ネットワークモデルを含む、実施態様１５に記載の方法（１１００）。
［実施態様１８］
前記第１の画像データまたは前記第２の画像データの少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける臓器領域の関心領域の第１のマスクを得ること（１２２０）と、
前記第１の画像データまたは前記第２の画像データの前記少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける前記臓器領域の第２のマスクを得ること（１２３０）と、
前記第１のマスクと前記第２のマスクを比較して比率メトリックを算出し（１２５０）、前記第１の画像データまた前記は第２の画像データの前記少なくとも１つにおける関心領域を定量化すること（１２６０）と、
前記比率メトリックと基準の比較に基づいて、前記第１の分類結果または前記第２の分類結果の少なくとも１つを生成することと
をさらに含む、実施態様１５に記載の方法（１１００）。
［実施態様１９］
前記第１のマスクおよび前記第２のマスクを１つまたは複数の記述注釈と組み合わせること（１２４０）をさらに含む、実施態様１８に記載の方法（１１００）。

１００ 状態比較器装置、状態比較器
１１０ 入力
１１５ 入力
１２０ 人工知能（ＡＩ）分類器
１３０ 出力比較器、比率コンピュータ
２００ 臨床進行分析装置、画像処理装置
２１０ データソース
２２０ ＡＩ分類器
２３０ データストア
２４０ 比較器
２５０ 出力生成器
２６０ トリガ
３００ 学習ニューラルネットワーク
３１０ 入力
３１２ 入力
３１４ 入力
３１６ 入力
３２０ 入力層、第１の層
３２２ 入力ノード
３２４ 入力ノード
３２６ 入力ノード
３３０ ニューラル接続部
３３２ 接続部
３３４ 接続部
３４０ 隠れ層、第２の層
３４２ ノード
３４４ ノード
３４６ ノード
３４８ ノード
３５０ ニューラル接続部
３５２ 接続部
３５４ 接続部
３６０ 隠れ層
３６２ ノード
３６４ ノード
３６６ ノード
３６８ ノード
３７０ ニューラル接続部
３７２ 接続部
３７４ 接続部
３８０ 出力層
３８２ 出力ノード
３９０ 出力
４００ 畳み込みニューラルネットワーク
４０２ ウィンドウ
４０４ 畳み込み
４０６ 特徴マップ
４１０ 特徴マップ
４１２ 畳み込み
４１４ 特徴マップ
４１６ サブサンプリング
４１８ 特徴マップ
４２０ 畳み込み
４２２ 分類層、畳み込みされた層
４２４ Ｎ個のカテゴリの出力層
４２６ 接続部
５００ 畳み込みニューラルネットワーク
５０２ 入力画像
５０４ 畳み込み層
５１０ 関心特徴
５１２ 関心特徴
５１４ 関心特徴
５１６ 関心特徴
５１８ 関心特徴
５２０ 関心特徴
５２２ 関心特徴
５３０ 第２の畳み込み層、画像
５３２ 画像
５３４ 画像
５３６ 画像
５３８ 画像
５４０ 画像
５４２ 画像
５４４ 画像
５４６ 画像
５４８ 画像
５５０ 部分、出力
５５２ 部分、出力
５５４ 部分、出力
６００ 構成、パッケージ
６１０ 生データ
６２０ 学習ネットワーク
６２１ 学習ネットワーク
６２２ 学習ネットワーク
６２３ 学習ネットワーク
６２５ 画像エンハンサ
６３０ 処理データ
７０２ 入力データセット
７０４ 訓練ネットワーク
７０６ 順方向、前方パス
７０８ 肺結節、ネットワーク結果
７１０ 比較
７１２ 既知の結果、前胸部
７１４ 誤差
７１６ 後方パス
７２０ 入力
７２２ 展開された学習ネットワーク
７２４ 出力、前胸部
８１０ 生の入力データ、入力
８２０ 前処理
８３０ パッチ作成
８４０ 訓練されたネットワーク
８５０ 出力アセンブル
８６０ 表示
９００ 学習デバイス
９０１ 訓練デバイス
９０３ 展開されたデバイス
９１０ 入力定義
９１１ 訓練入力
９１３ 入力定義、システム入力
９２０ 学習ネットワークモデル
９２１ ネットワーク
９２３ 訓練されたネットワーク
９３０ 出力定義、出力
９３１ 出力評価器
９３３ 出力定義
１０１０ 画像セグメンタ
１０２０ マスク結合器
１０３０ 比率コンピュータ
１０４０ 状態比較器
１１００ 方法
１３００ プロセッサプラットフォーム
１３１２ プロセッサ
１３１４ 揮発性メモリ、主メモリ
１３１６ 不揮発性メモリ、主メモリ
１３１８ バス
１３２０ インターフェース回路
１３２２ 入力デバイス
１３２４ 出力デバイス
１３２６ ネットワーク
１３２８ 大容量記憶デバイス
１３３２ コード化された命令
１４１０ 第１の画像
１４１２ 左肺気胸
１４１４ 左肺胸水
１４２０ セグメンテーション
１４３０ セグメンテーションマスク
１５１０ 第２の画像
１５１２ 改善された左肺気胸
１５１４ 左肺胸水
１５２０ セグメンテーション
１５３０ セグメンテーションマスク

Claims (11)

1. 人工知能分類器（１２０、２２０）であって、
   第１の時間における患者の第１の画像データを処理して、前記患者の状態の第１の重症度を示す第１の分類結果を決定し、
   第２の時間における前記患者の第２の画像データを処理して、前記患者の前記状態の第２の重症度を示す第２の分類結果を決定する
   少なくとも１つの深層学習ネットワークモデルを含む人工知能分類器（１２０、２２０）と、
   前記第１の分類結果と前記第２の分類結果を比較して、変化および前記変化に関連する前記状態の進行を決定する比較器（２４０）と、
   前記進行が前記状態の悪化に対応するときにアクションをトリガする出力生成器（２５０）とを備え、
   前記人工知能分類器が、さらに
   前記第１の画像データまたは前記第２の画像データの少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける臓器領域の関心領域の第１のマスクを得て、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける前記臓器領域の第２のマスクを得る画像セグメンタ（１０１０）と、
   前記第１のマスクと前記第２のマスクを比較して比率メトリックを算出し、前記第１の画像データまた前記は第２の画像データの前記少なくとも１つにおける関心領域を定量化する比率コンピュータ（１０３０）と、
   前記比率メトリックと基準の比較に基づいて、前記第１の分類結果または前記第２の分類結果の少なくとも１つを生成する状態比較器（１０４０）と
   を備える、画像処理装置（２００）。
2. 前記アクションは、前記状態に対処するための前記患者に対する警報、アクションの推奨、前記アクションの指示、または調整の少なくとも１つを含む、請求項１に記載の装置（２００）。
3. 前記人工知能分類器（１２０、２２０）は、前記状態の重症度の少なくとも３つのクラスに関して訓練される、請求項１に記載の装置（２００）。
4. 前記人工知能分類器（１２０、２２０）は、深層学習ネットワークモデルを含む、請求項１に記載の装置（２００）。
5. 前記人工知能分類器（１２０、２２０）は、前記第１のマスクおよび前記第２のマスクを、前記状態比較器（１０４０）の１つまたは複数の記述注釈と組み合わせるマスク結合器（１０２０）をさらに含む、請求項１に記載の装置（２００）。
6. 前記状態は、気胸を含み、前記臓器領域は、肺領域を含み、前記第１のマスクは、前記肺領域の虚脱関心領域を含む、請求項５に記載の装置（２００）。
7. 実行されると、少なくとも１つのプロセッサ（１３１２）に、少なくとも、
   少なくとも１つの深層学習ネットワークモデルを使用して、第１の時間における患者の第１の画像データを処理して、前記患者の状態の第１の重症度を示す第１の分類結果を決定させ、
   前記少なくとも１つの深層学習ネットワークモデルを使用して、第２の時間における前記患者の第２の画像データを処理して、前記患者の前記状態の第２の重症度を示す第２の分類結果を決定させ、
   前記第１の分類結果と前記第２の分類結果を比較して、変化および前記変化に関連する前記状態の進行を決定させ、
   前記進行が前記状態の悪化に対応するときにアクションをトリガさせる
   命令を含む、少なくとも１つの有形のコンピュータ可読記憶媒体であって、
   前記命令は、実行されると、前記少なくとも１つのプロセッサ（１３１２）にさらに、
   前記第１の画像データまたは前記第２の画像データの少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける臓器領域の関心領域の第１のマスクを得させ、
   前記第１の画像データまたは前記第２の画像データの前記少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける前記臓器領域の第２のマスクを得させ、
   前記第１のマスクと前記第２のマスクを比較して比率メトリックを算出し、前記第１の画像データまた前記は第２の画像データの前記少なくとも１つにおける関心領域を定量化させ、
   前記比率メトリックと基準の比較に基づいて、前記第１の分類結果または前記第２の分類結果の少なくとも１つを生成させる少なくとも１つの有形のコンピュータ可読記憶媒体。
8. 前記アクションは、前記患者に対する警報、指示、または調整の少なくとも１つを含む、請求項７に記載の少なくとも１つのコンピュータ可読記憶媒体。
9. 前記第１の画像データおよび前記第２の画像データは、人工知能分類器（１２０、２２０）を使用して処理され、前記人工知能分類器（１２０、２２０）は、前記状態の重症度の少なくとも３つのクラスに関して訓練されるモデルを含む、請求項７に記載の少なくとも１つのコンピュータ可読記憶媒体。
10. 前記命令は、実行されると、前記少なくとも１つのプロセッサ（１３１２）にさらに、前記第１のマスクおよび前記第２のマスクを１つまたは複数の記述注釈と組み合わさせる、請求項７に記載の少なくとも１つのコンピュータ可読記憶媒体。
11. 少なくとも１つのプロセッサ（１３１２）および少なくとも１つの深層学習モデルを使用して命令を実行することによって、第１の時間における患者の第１の画像データを処理して、前記患者の状態の第１の重症度を示す第１の分類結果を決定すること（１１２０）と、
    少なくとも１つのプロセッサ（１３１２）および少なくとも１つの深層学習モデルを使用して命令を実行することによって、第２の時間における前記患者の第２の画像データを処理して、前記患者の前記状態の第２の重症度を示す第２の分類結果を決定すること（１１３０）と、
    少なくとも１つのプロセッサ（１３１２）を使用して命令を実行することによって、前記第１の分類結果と前記第２の分類結果を比較して（１１４０）、変化および前記変化に関連する前記状態の進行を決定すること（１１５０）と、
    少なくとも１つのプロセッサ（１３１２）を使用して命令を実行することによって、前記進行が前記状態の悪化に対応するときにアクションをトリガすること（１１７０）と、
    前記第１の画像データまたは前記第２の画像データの少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける臓器領域の関心領域の第１のマスクを得ること（１２２０）と、
    前記第１の画像データまたは前記第２の画像データの前記少なくとも１つをセグメント化して、前記第１の画像データまたは前記第２の画像データの前記少なくとも１つにおける前記臓器領域の第２のマスクを得ること（１２３０）と、
    前記第１のマスクと前記第２のマスクを比較して比率メトリックを算出し（１２５０）、前記第１の画像データまた前記は第２の画像データの前記少なくとも１つにおける関心領域を定量化すること（１２６０）と、
    前記比率メトリックと基準の比較に基づいて、前記第１の分類結果または前記第２の分類結果の少なくとも１つを生成することと
    を含む、コンピュータ実装方法（１１００）。

Images