JP7223373B2 - 推定装置、推定システム、推定装置の作動方法、および推定用プログラム - Google Patents

Description

本発明は、推定装置、当該推定装置を備える推定システム、推定装置の作動方法、および推定用プログラムに関する。

従来、患者などの診断対象者の眼球運動に基づきめまいの原因を推定することが頻繁に行われている。たとえば、眼科や耳鼻科において、医師などの術者は、注視状態、あるいは頭部の位置を変位させるなど、対象者を様々な状態においた上でその眼球運動を観察することで、めまいの有無やその原因を推定している。そして、術者は、めまいが生じていると判断すると、精密検査によってめまいの原因を確定診断する。

しかしながら、めまいの有無を診断すること、およびめまいの原因を推定することにおいては、術者ごとにその知見のレベルが異なるため、術者の知見のレベルに応じて診断結果がばらつき、その精度が低下する虞がある。

また、めまいには、主に内耳の障害に起因する抹消性めまいと、主に脳の障害に起因する中枢性めまいとがあり、いずれのめまいであるかについては、血液検査、頭部ＣＴ、および頭部ＭＲＩなど、精密検査を行わなければ判断することが難しい。このような精密検査を行うための装置が用意されていればよいが、患者が最初に訪れた医院が精密検査を行うための装置を所有していない可能性もあり、めまいの原因を容易に推定することが難しい。

ここで、特許文献１には、頭位と眼球運動とを対応付けてめまいを診断することができる平衡機能検査装置が開示されている。

特開平９－２８５４６８号公報

特許文献１に開示された平衡機能検査装置によれば、注視状態、あるいは頭部の位置を変位させるなど、対象者を様々な状態においた上でその眼球運動のデータをモニタに出力することができるため、術者が容易に眼球運動のデータを取得することができる。しかしながら、このような平衡機能検査装置を用いたとしても、結局は、モニタに出力された眼球運動のデータに基づいて術者がめまいの診断を行うようになっており、めまいの診断は術者の知見のレベルに大きく依存してしまう。

本発明は、このような問題を解決するためになされたものであり、精度良くめまいの原因を容易に推定することができる推定装置、当該推定装置を備える推定システム、推定装置の作動方法、および推定用プログラムを提供することを目的とする。

本発明に従えば、対象者におけるめまいの原因を推定する推定装置が提供される。推定装置は、所定の条件下において取得された対象者の眼球の運動に関する情報を含む眼球運動データと、対象者に対して行われた複数の問診項目の各々の結果に関する情報を含む問診データとが入力される入力部と、入力部から入力された眼球運動データおよび問診データと、機械学習によって生成された推定モデルとに基づき、めまいの原因を推定する推定部と、推定部による推定結果を出力する出力部とを備える。推定モデルは、眼球運動データおよび問診データを用いためまいの原因の推定結果と、当該眼球運動データに関連付けられためまいの原因とに基づき機械学習される。問診データは、複数の問診項目の各々とめまいの原因との間の相関関係に基づいて、複数の問診項目の各々に対して重み付けが施されている。

本発明に従えば、対象者におけるめまいの原因を推定する推定システムが提供される。推定システムは、所定の条件下において取得された対象者の眼球の運動に関する情報を含む眼球運動データを取得するデータ取得装置と、めまいの原因を推定する推定装置とを備える。推定装置は、データ取得装置によって取得された眼球運動データと、対象者に対して行われた複数の問診項目の各々の結果に関する情報を含む問診データとが入力される入力部と、入力部から入力された眼球運動データおよび問診データと、機械学習によって生成された推定モデルとに基づき、めまいの原因を推定する推定部と、推定部による推定結果を出力する出力部とを含む。推定モデルは、眼球運動データおよび問診データを用いためまいの原因の推定結果と、当該眼球運動データに関連付けられためまいの原因とに基づき機械学習される。問診データは、複数の問診項目の各々とめまいの原因との間の相関関係に基づいて、複数の問診項目の各々に対して重み付けが施されている。

本発明に従えば、対象者におけるめまいの原因を推定する装置の作動方法が提供される。推定方法は、推定装置が実行する処理として、所定の条件下において取得された対象者の眼球の運動に関する情報を含む眼球運動データと、対象者に対して行われた複数の問診項目の各々の結果に関する情報を含む問診データとが入力されるステップと、眼球運動データおよび問診データと、機械学習によって生成された推定モデルとに基づき、めまいの原因を推定するステップと、推定するステップによる推定結果を出力するステップとを含む。推定モデルは、眼球運動データおよび問診データを用いためまいの原因の推定結果と、当該眼球運動データに関連付けられためまいの原因とに基づき機械学習される。問診データは、複数の問診項目の各々とめまいの原因との間の相関関係に基づいて、複数の問診項目の各々に対して重み付けが施されている。

本発明に従えば、対象者におけるめまいの原因を推定する推定用プログラムが提供される。推定用プログラムは、コンピュータに、所定の条件下において取得された対象者の眼球の運動に関する情報を含む眼球運動データと、対象者に対して行われた複数の問診項目の各々の結果に関する情報を含む問診データとが入力されるステップと、眼球運動データおよび問診データと、機械学習によって生成された推定モデルとに基づき、めまいの原因を推定するステップと、推定するステップによる推定結果を出力するステップとを実行させる。推定モデルは、眼球運動データおよび問診データを用いためまいの原因の推定結果と、当該眼球運動データに関連付けられためまいの原因とに基づき機械学習される。問診データは、複数の問診項目の各々とめまいの原因との間の相関関係に基づいて、複数の問診項目の各々に対して重み付けが施されている。

本発明によれば、所定の条件下において取得された対象者の眼球の運動に関する情報を含む眼球運動データに基づいて、精度良くめまいの原因を容易に推定することができる。

本実施の形態に係る推定装置の適用例を示す模式図である。 本実施の形態に係る眼振検査の一例を説明するための模式図である。 本実施の形態に係る推定システムの全体構成を示す模式図である。 本実施の形態に係る推定装置のハードウェア構成を示す模式図である。 本実施の形態に係る平衡機能検査装置のハードウェア構成を示す模式図である。 本実施の形態に係るサーバ装置のハードウェア構成を示す模式図である。 本実施の形態に係る推定装置が記憶する問診データテーブル１を示す模式図である。 本実施の形態に係る推定装置が記憶する問診データテーブル２を示す模式図である。 本実施の形態に係る推定装置が記憶するめまい障害データテーブルを示す模式図である。 本実施の形態に係る推定装置の機能構成を示す模式図である。 本実施の形態に係る推定装置による推定処理を説明するための模式図である。 本実施の形態に係る学習用データセットの一例を説明するための模式図である。 本実施の形態に係る学習用データセットに基づく学習済モデルの生成を説明するための模式図である。 本実施の形態に係る推定装置が実行する学習処理の一例を説明するためのフローチャートである。 本実施の形態に係るサーバ装置が実行する学習処理の一例を説明するためのフローチャートである。 本実施の形態に係る推定装置が実行するサービス提供処理の一例を説明するためのフローチャートである。 変形例に係る推定装置が実行するサービス提供処理の一例を説明するためのフローチャートである。 変形例に係る学習用データセットに基づく学習済モデルの生成を説明するための模式図である。 変形例に係る推定装置が実行するサービス提供処理の一例を説明するためのフローチャートである。 変形例に係る推定装置が記憶する問診データテーブル１－２を示す模式図である。 変形例に係る学習用データに基づく学習済モデルの生成を説明するための模式図である。

本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。

［適用例］
図１～図３を参照しながら、本実施の形態に係る推定装置１００の適用例を説明する。図１は、本実施の形態に係る推定装置１００の適用例を示す模式図である。図２は、本実施の形態に係る眼振検査の一例を説明するための模式図である。図３は、本実施の形態に係る推定システム１０の全体構成を示す模式図である。

ユーザ１は、推定システム１０を用いることで、対象者２のめまいの有無を診断するとともに、そのめまいの原因を推定することができる。なお、「ユーザ」は、クリニック、総合病院、および大学病院などに属する医師などの術者、医科大学の先生または生徒など、推定システム１０を使用する者であればいずれであってもよい。なお、ユーザが所属する医科は、眼科や耳鼻科のようなめまいの治療を専門とするものに限らず、内科や歯科など、その他のものであってもよい。「対象者」は、クリニック、総合病院、および大学病院の患者、医科大学における被験者など、推定システム１０の診断対象となる者であればいずれであってもよい。「めまい」は、目の前の世界がぐるぐる回る回転性めまい、自身がふわふわするように感じる浮動性めまい、目の前の世界が真っ暗になる失神性めまいなど、対象者２の視覚に何らかの異常が生じている状態を含む。

図１に示すように、本実施の形態に係る推定システム１０は、推定装置１００を備える。推定装置１００には、ディスプレイ３００と、マイク４００と、キーボード５０１と、マウス５０２とが接続されている。

ユーザ１は、対象者２に対して口頭で問診を行い、対象者２はその問診に対してマイク４００を使って口頭で回答する。対象者２による問診の結果に関する情報を含む問診データは、音声分析によってその内容が特定されて、推定装置１００に入力される。

なお、図１に示す例では、問診に対して対象者２が口頭で回答することで、問診データが推定装置１００に入力されるが、ユーザ１は、対象者２から得た問診結果を、キーボード５０１およびマウス５０２を使って推定装置１００に入力してもよい。また、図１に示すように、問診の内容およびその問診結果は、ディスプレイ３００に表示されてもよい。

一般的に、めまいの診断においては、眼振（律動的に動く眼球の不随意運動）を観察することによって行われる。眼振には、何らの刺激も与えられていない状態で自発的に起こる自発眼振と、刺激が与えられることで起こる誘発眼振とが含まれる。さらに、誘発眼振には、頭部の位置が変位したときに誘発される頭位眼振と、体の位置が変位したときに誘発される頭位変換眼振とが含まれる。誘発眼振について、特に、頭部に生理的な回転刺激などを与えると、視野を安定させるために頭部と反対に眼球が動くことが知られており、このような現象を前庭動眼反射（ＶＯＲ：Vestibulo Ocular Reflex）ともいう。

ここで、図２を参照しながら、眼振検査の一例について説明する。眼振検査は、所定の条件下において行われる。たとえば、自発眼振の検査においては、ユーザ１は、対象者２の頭部を固定して正面で注視させた状態で、そのときの対象者２の眼球の運動に基づいてめまいを診断する。頭位眼振の検査においては、図２（Ａ）に示すように、ユーザ１は、対象者２の頭部の位置を様々な状態に変位させ、そのときに誘発される対象者２の眼球の運動に基づいてめまいを診断する。頭位変換眼振の検査においては、図２（Ｂ）および図２（ｃ）に示すように、ユーザ１は、対象者２の体の位置および頭部の位置を変位させ、そのときに誘発される対象者２の眼球の運動に基づいてめまいを診断する。

さらに、図示は省略するが、ユーザ１は、対象者２の眼球にモニタ画面を介して仮想的に表示された指標を追跡させ、そのときに得られた対象者２の眼球の運動に基づいてめまいを診断することもある。このような指標を用いた眼振検査を指標追跡検査ともいう。また、眼振検査は、暗視状態で行われてもよいし、明視状態で行われてもよい。なお、上述した眼振検査は一例であり、ユーザ１は、その他の検査方法で、めまいを診断してもよい。

ユーザ１が熟練しためまい専門の医師であれば、上述したような眼振検査によって得られた対象者２の眼球運動を観察することで精度良くめまいを診断することができる。しかしながら、めまいを診断することにおいては、術者ごとにその知見のレベルが異なるため、術者の知見のレベルに応じて診断結果がばらつき、その精度が低下する虞がある。たとえば、めまいが生じて患者が内科に訪れた場合、内科の医師は眼科や耳鼻科などめまい専門の医師よりもめまいの知見が乏しい可能性が高いため、その結果、高い精度の診断を得ることが難しい。

また、眼振検査によって中枢性めまいが発症していると疑われる場合、頭部ＣＴや頭部ＭＲＩなどの精密検査を行うための装置が用意されていればよいが、患者が最初に訪れた医院が精密検査を行うための装置を所有していなければ、脳の障害の早期発見を逃してしまう虞もある。

そこで、熟練者でなくとも、精度良くめまいの原因を容易に推定することができる技術として、本実施の形態に係る推定システム１０が提案されている。本実施の形態に係る推定システム１０は、推定装置１００が有するＡＩ（人工知能：Artificial Intelligence）を利用して、対象者２の眼球の運動に関する情報を含む眼球運動データに基づき、めまいの原因を自動的に推定する処理を実行するように構成されている。なお、推定装置１００によるめまいの原因を推定する処理を「推定処理」とも称する。

具体的には、推定装置１００には、平衡機能検査装置６００が接続されている。平衡機能検査装置６００は、めまいの診断に用いられる対象者２の眼球の運動に関する情報を含む眼球運動データを取得する装置である。図１および図２に示すように、ユーザ１は、対象者２に平衡機能検査装置６００を装着させた状態で、上述した眼振検査を行い、そのときに得られた対象者２の眼球の運動データを推定装置１００に入力する。

なお、眼球の運動に関する情報は、眼球の動きを撮像した画像もしくは動画そのもののデータであってもよいし、画像データや動画データを解析することで得られる解析値であってもよい。たとえば、解析値は、眼球の水平運動（単位：度）、眼球の垂直運動（単位：度）、眼球の回旋運動（単位：度）、眼球の速度（単位：度／秒）などであってもよい。

推定装置１００は、対象者２の眼球運動データが入力されると、入力された眼球運動データ、および機械学習によって生成された推定モデルに基づき、めまいの原因を推定する推定処理を実行する。

また、本実施の形態においては、眼振検査における対象者２の頭部の運動に関する情報を含む頭部運動データ、および指標追跡検査における指標の動きに関する情報を含む指標動作データも平衡機能検査装置６００によって取得され、推定装置１００に入力される。

推定装置１００は、対象者２の眼球運動データに加えて、問診データ、頭部運動データ、および指標動作データの少なくともいずれか１つが入力された場合でも、入力された眼球運動データ、問診データ、頭部運動データ、あるいは指標動作データと、機械学習によって生成された推定モデルとに基づき、めまいの原因を推定する推定処理を実行する。

「推定モデル」は、たとえば、公知のニューラルネットワークやサポートベクターマシン（Support Vector Machine：SVM）、あるいはベイジアンネットワーク（Bayesian Network）などのネットワーク構造と、当該ネットワーク構造によって用いられるパラメータとを含み、眼球運動データに加えて、問診データ、頭部運動データ、および指標動作データの少なくともいずれか１つに基づくめまいの原因の推定結果と、眼球運動データなどの各種データに関連付けられためまいの原因とに基づき機械学習されることで最適化（調整）される。

具体的には、推定モデルは、眼球運動データなどが入力されると、ネットワーク構造によって各データの特徴を抽出する。そして、推定モデルは、抽出した各データの特徴に基づきめまいの原因を推定する。そして、推定モデルは、自身が推定しためまいの原因と、入力された眼球運動データなどに関連付けられためまいの原因（たとえば、専門の術者による確定診断結果）とに基づき、両者が一致すればパラメータを更新しない一方で、両者が一致しなければ両者が一致するようにパラメータを更新することで、パラメータを最適化する。このように、推定モデルは、入力データである眼球運動データなどの各種データと、正解データであるめまいの原因（確定診断結果）とを含む教師データを利用して、パラメータが最適化されることで学習される。

なお、このような推定モデルを学習する処理を「学習処理」とも称する。また、学習処理によって最適化された推定モデルを、特に「学習済モデル」とも称する。つまり、本実施の形態においては、学習前の推定モデルおよび学習済みの推定モデルをまとめて「推定モデル」と総称する一方で、特に、学習済みの推定モデルを「学習済モデル」とも称する。

推定装置１００によって学習済モデルを用いて推定処理が実行されると、その推定結果が、ディスプレイ３００、および図示しないスピーカに出力される。

さらに、推定装置１００による推定処理で取得された推定結果データは、推定処理時に用いられた眼球運動データ、問診データ、頭部運動データ、および指標動作データとともに、推定情報として管理センターに配置されたサーバ装置５００に出力される。

たとえば、図３に示すように、推定システム１０は、複数のローカルＡ～Ｃのそれぞれに配置されている。たとえば、ローカルＡはクリニックであり、ローカルＢは総合病院であり、ローカルＣは大学病院である。各ローカルの院内において、ユーザ１である術者は、推定システム１０を利用して対象者２である患者のめまいの原因を推定する。各ローカルで取得された推定情報（眼球運動データ、問診データ、頭部運動データ、指標動作データ、推定結果データ）は、ネットワーク５を介して、管理センターに配置されたサーバ装置５００に出力される。

管理センターにおいては、サーバ装置５００が、各ローカルから取得した推定情報を蓄積して記憶し、ビッグデータとして保持する。

なお、サーバ装置５００は、ローカルとは異なる管理センターに配置されるものに限らず、ローカル内に配置されてもよい。たとえば、ローカルＡ～Ｃのうちのいずれかのローカル内にサーバ装置５００が配置されてもよい。また、１つのローカル内に複数の推定装置１００が配置されてもよく、さらに、当該１つのローカル内に当該複数の推定装置１００と通信可能なサーバ装置５００が配置されてもよい。また、サーバ装置５００は、クラウドサービスの形態で実現されてもよい。

各ローカルＡ～Ｃの推定装置１００は、各自で推定モデルを保持しており、推定処理時に各自が保持する推定モデルを使用してめまいの原因を推定する。各ローカルＡ～Ｃの推定装置１００は、各自の学習処理によって各自の推定モデルを学習することで、学習済モデルを生成する。このようにして生成された学習済モデルは、ネットワーク５またはリムーバブルディスク５５０を介して、各ローカルＡ～Ｃからサーバ装置５００に出力されてもよい。さらに、本実施の形態においては、サーバ装置５００も推定モデルを保持している。サーバ装置５００は、各ローカルＡ～Ｃの推定装置１００から取得した推定情報を用いた学習処理によって推定モデルを学習することで、学習済モデルを生成し、ネットワーク５またはリムーバブルディスク５５０を介して、各ローカルＡ～Ｃの推定装置１００に当該学習済モデルを配布してもよい。

なお、本実施の形態においては、各ローカルＡ～Ｃの推定装置１００およびサーバ装置５００のいずれも学習処理を実行する形態であるが、各ローカルＡ～Ｃの推定装置１００のみが学習処理を実行する形態、あるいはサーバ装置５００のみが学習処理を実行する形態であってもよい。なお、サーバ装置５００のみが学習処理を実行する形態である場合、各ローカルＡ～Ｃの推定装置１００が保持する推定モデル（学習済モデル）は、各ローカルＡ～Ｃの推定装置１００間で共通化される。

また、サーバ装置５００が推定装置１００における推定処理の機能を有していてもよい。たとえば、各ローカルＡ～Ｃは、取得した眼球運動データ、問診データ、頭部運動データ、および指標動作データをサーバ装置５００に送信し、サーバ装置５００は、各ローカルＡ～Ｃから受信した各データに基づき、それぞれにおけるめまいの原因の推定結果を算出してもよい。そして、サーバ装置５００は、それぞれの推定結果を各ローカルＡ～Ｃに送信し、各ローカルＡ～Ｃは、サーバ装置５００から受信した推定結果をディスプレイ３００などに出力してもよい。このように、各ローカルＡ～Ｃとサーバ装置５００とがクラウドサービスの形態で構成されてもよい。このようにすれば、サーバ装置５００が推定モデル（学習済モデル）を保持してさえいれば、各ローカルＡ～Ｃは、推定モデル（学習済モデル）を保持することなく推定結果を得ることができる。

なお、ネットワーク５を介さずに、ローカルＡ～Ｃのそれぞれからも、リムーバブルディスク５５０を介して推定情報が管理センターに送られてもよい。また、ローカルＡ～Ｃのそれぞれの間においても、ネットワーク５またはリムーバブルディスク５５０を介して推定情報を互いに送り合ってもよい。

このように、本実施の形態に係る推定システム１０によれば、推定装置１００が有するＡＩを利用して、眼球運動データに加えて、問診データ、頭部運動データ、および指標動作データの少なくともいずれか１つに基づき、めまいの原因が自動的に推定される。ＡＩを利用することで、ユーザ１では抽出できない対象者２の眼球運動や問診結果などの特徴を見出すことができ、これにより、ユーザ１は、自身の知見に頼ることなく、精度良くめまいの原因を推定することができる。さらに、医学の進歩とともに、機械学習時に用いられる正解データである確定診断結果の精度も向上するため、機械学習によって推定モデルを学習させることによって、精度を向上させながらめまいの原因を容易に推定することができる。

［推定装置のハードウェア構成］
図４を参照しながら、本実施の形態に係る推定装置１００のハードウェア構成の一例を説明する。図４は、本実施の形態に係る推定装置１００のハードウェア構成を示す模式図である。推定装置１００は、たとえば、汎用コンピュータで実現されてもよいし、推定システム１０専用のコンピュータで実現されてもよい。

図４に示すように、推定装置１００は、主なハードウェア要素として、ディスプレイインターフェース１０３と、マイクインターフェース１０４と、周辺機器インターフェース１０５と、平衡機能検査装置インターフェース１６０と、ネットワークコントローラ１０６と、メディア読取装置１０７と、メモリ１０９と、ストレージ１１０と、演算装置１３０とを備える。

ディスプレイインターフェース１０３は、ディスプレイ３００を接続するためのインターフェースであり、推定装置１００とディスプレイ３００との間のデータの入出力を実現する。ディスプレイ３００は、たとえば、ＬＣＤ（Liquid Crystal Display）または有機ＥＬＤ（Electroluminescence）ディスプレイなどで構成される。

マイクインターフェース１０４は、マイク４００を接続するためのインターフェースであり、推定装置１００とマイク４００との間のデータの入出力を実現する。

周辺機器インターフェース１０５は、キーボード５０１およびマウス５０２などの周辺機器を接続するためのインターフェースであり、推定装置１００と周辺機器との間のデータの入出力を実現する。

平衡機能検査装置インターフェース１６０は、平衡機能検査装置６００を接続するためのインターフェースであり、推定装置１００と平衡機能検査装置６００との間のデータの入出力を実現する。

ネットワークコントローラ１０６は、ネットワーク５を介して、管理センターに配置されたサーバ装置５００、および他のローカルに配置された他の推定装置１００のそれぞれとの間でデータを送受信する。ネットワークコントローラ１０６は、たとえば、イーサネット（登録商標）、無線ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの任意の通信方式に対応する。

メディア読取装置１０７は、リムーバブルディスク５５０に格納されている推定情報などの各種データを読み出す。

メモリ１０９は、演算装置１３０が任意のプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供する。メモリ１０９は、たとえば、ＤＲＡＭ（Dynamic Random Access Memory）またはＳＲＡＭ（Static Random Access Memory）などの揮発性メモリデバイスで構成される。

ストレージ１１０は、推定処理および学習処理などに必要な各種のデータを格納する記憶領域を提供する。ストレージ１１０は、たとえば、ハードディスクまたはＳＳＤ（Solid State Drive）などの不揮発性メモリデバイスで構成される。

ストレージ１１０は、推定情報１１３と、推定モデル１１４（学習済モデル１１４ａ）と、学習用データセット１１６と、推定用プログラム１２０と、学習用プログラム１２１と、ＯＳ（Operating System）１２７と、めまい障害データ１２８とを格納する。

推定情報１１３は、眼球運動データ１３５と、頭部運動データ１３７と、指標動作データ１３９と、問診データ１３８と、眼球運動データ１３５などの各種データに基づく推定処理によって取得された推定結果データ１２４とを含む。

眼球運動データ１３５は、眼球の動きを撮像した画像もしくは動画のデータを含む。なお、眼球運動データ１３５は、眼球の動きを撮像した画像データや動画像データを解析することで得られる解析値であってもよい。頭部運動データ１３７は、頭部の位置を示すデータを含み、眼振検査が行われたときの頭部の位置を特定するためのデータである。指標動作データ１３９は、指標検査における指標の動きを撮像した画像もしくは動画のデータを含み、眼振検査における指標追跡検査が行われたときの指標の動作を特定するためのデータである。なお、指標動作データ１３９は、指標の動きを撮像した画像データや動画像データを解析することで得られる解析値であってもよい。なお、これら以外にも、暗視状態や明視状態を特定するためのデータなどが推定情報１１３に含まれてもよい。

問診データ１３８は、後述する図７に示すように対象者２に対する問診の結果を含む問診データテーブル１と、図８に示すように対象者２の属性（プロファイルなど）に関する属性データを含む問診データテーブル２とを含む。なお、本実施の形態においては、問診データとして、問診結果と、属性データとが含まれるが、属性データは、問診結果とは異なるデータとして存在してもよい。つまり、問診データには問診結果が含まれる一方で、属性データは含まれないものであってもよい。

推定結果データ１２４は、推定処理に用いられた眼球運動データ１３５、問診データ１３８、頭部運動データ１３７、および指標動作データ１３９のそれぞれに関連付けられてストレージ１１０に格納される。つまり、推定処理が行われたときに参照されたデータと、当該推定処理による推定結果とが関連付けられる。

学習用データセット１１６は、推定モデル１１４の学習処理に用いられる一群の学習用データである。推定用プログラム１２０は、推定処理を実行するためのプログラムである。学習用プログラム１２１は、推定モデル１１４の学習処理を実行するためのプログラムであり、その一部には推定処理を実行するためのプログラムも含まれる。めまい障害データ１２８は、後述する図９に示すようにめまいの原因に関する情報を含むめまい障害データテーブルを含む。

演算装置１３０は、各種のプログラムを実行することで、推定処理および学習処理などの各種の処理を実行する演算主体であり、コンピュータの一例である。演算装置１３０は、たとえば、ＣＰＵ（Central Processing Unit）１３２、ＦＰＧＡ（Field-Programmable Gate Array）１３４、およびＧＰＵ（Graphics Processing Unit）１３６などで構成される。

［平衡機能検査装置のハードウェア構成］
図５を参照しながら、本実施の形態に係る平衡機能検査装置６００のハードウェア構成の一例を説明する。図５は、本実施の形態に係る平衡機能検査装置６００のハードウェア構成を示す模式図である。

図５に示すように、平衡機能検査装置６００は、主なハードウェア要素として、コンピュータ６９０と、頭部運動センサ６２０と、カメラ６３０と、光源６４０と、レーザーポインタ６５０と、ミラー６６０とを備える。

頭部運動センサ６２０は、平衡機能検査装置６００を装着した対象者２の頭部の運動を検知するセンサである。頭部運動センサ６２０は、たとえば、対象者２の頭部の動きに対する速度を検出する速度センサであってもよいし、対象者２の頭部の動きに対する加速度を検出する加速度センサであってもよいし、対象者２の頭部の回転運動の角速度を検出する角速度センサであってもよいし、その他、撮像画像によって頭部の位置を検出する画像センサなど、対象者２の頭部の動きを検出することができるものであれば、いずれのセンサであってもよい。

カメラ６３０は、平衡機能検査装置６００を装着した対象者２の眼球を撮像することで、眼球の運動を捉えた画像や動画を取得する。光源６４０は、カメラ６３０による眼球の撮像時に、照明によってカメラ６３０による撮像をサポートする。レーザーポインタ６５０は、指標検査において眼球に提示するための指標を生成する。ミラー６６０は、レーザーポインタ６５０によって生成された指標を反射させることで、指標の位置を変位させる。

コンピュータ６９０は、外部装置インターフェース６０１と、頭部運動センサインターフェース６０２と、カメラインターフェース６０３と、光源インターフェース６０４と、レーザーポインタインターフェース６０５と、ミラーインターフェース６０６と、メモリ６０９と、ストレージ６１０と、演算装置６３２とを備える。

外部装置インターフェース６０１は、推定装置１００などの外部装置を接続するためのインターフェースであり、コンピュータ６９０と推定装置１００などの外部装置との間のデータの入出力を実現する。

頭部運動センサインターフェース６０２は、頭部運動センサ６２０を接続するためのインターフェースであり、コンピュータ６９０と頭部運動センサ６２０との間のデータの入出力を実現する。

カメラインターフェース６０３は、カメラ６３０を接続するためのインターフェースであり、コンピュータ６９０とカメラ６３０との間のデータの入出力を実現する。

光源インターフェース６０４は、光源６４０を接続するためのインターフェースであり、コンピュータ６９０と光源６４０との間のデータの入出力を実現する。

レーザーポインタインターフェース６０５は、レーザーポインタ６５０を接続するためのインターフェースであり、コンピュータ６９０とレーザーポインタ６５０との間のデータの入出力を実現する。

ミラーインターフェース６０６は、ミラー６６０を接続するためのインターフェースであり、コンピュータ６９０とミラー６６０との間のデータの入出力を実現する。

メモリ６０９は、演算装置６３２が任意のプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供する。メモリ６０９は、たとえば、ＤＲＡＭまたはＳＲＡＭなどの揮発性メモリデバイスで構成される。

ストレージ６１０は、各種のデータを格納する記憶領域を提供する。ストレージ６１０は、たとえば、ハードディスクまたはＳＳＤなどの不揮発性メモリデバイスで構成される。ストレージ６１０は、眼球運動データ６３５と、頭部運動データ６３７と、指標動作データ６３９と、平衡機能検査用プログラム６２１と、ＯＳ６２７とを格納する。

眼球運動データ６３５は、カメラ６３０によって得られた眼球の撮像画像に基づき生成され、ストレージ６１０に格納される。この眼球運動データ６３５は、外部装置インターフェース６０１を介して推定装置１００に出力され、眼球運動データ１３５として推定装置１００のストレージ１１０に格納される。

頭部運動データ６３７は、頭部運動センサ６２０によって得られた頭部の速度データなどに基づき生成され、ストレージ６１０に格納される。この頭部運動データ６３７は、外部装置インターフェース６０１を介して推定装置１００に出力され、頭部運動データ１３７として推定装置１００のストレージ１１０に格納される。

指標動作データ６３９は、レーザーポインタ６５０によって生成された指標の位置を変位するミラー６６０の動作に基づき生成され、ストレージ６１０に格納される。この指標動作データ６３９は、外部装置インターフェース６０１を介して推定装置１００に出力され、指標動作データ１３９として推定装置１００のストレージ１１０に格納される。

平衡機能検査用プログラム６２１は、カメラ６３０、光源６４０、レーザーポインタ６５０、およびミラー６６０などを駆動することで、眼球運動データ、頭部運動データ、および指標動作データなどの各種データを取得するためのプログラムである。

演算装置６３２は、平衡機能検査用プログラム６２１などの各種のプログラムを実行する演算主体である。演算装置６３２は、たとえば、ＣＰＵ、ＦＰＧＡ、およびＧＰＵなどで構成される。

［サーバ装置のハードウェア構成］
図６を参照しながら、本実施の形態に係るサーバ装置５００のハードウェア構成の一例を説明する。図６は、本実施の形態に係るサーバ装置５００のハードウェア構成を示す模式図である。サーバ装置５００は、たとえば、汎用コンピュータで実現されてもよいし、推定システム１０専用のコンピュータで実現されてもよい。

図６に示すように、サーバ装置５００は、主なハードウェア要素として、ディスプレイインターフェース５０３と、周辺機器インターフェース５０５と、ネットワークコントローラ５０６と、メディア読取装置５０７と、メモリ５０９と、ストレージ５１０と、演算装置５３０とを備える。

ディスプレイインターフェース５０３は、ディスプレイ３５０を接続するためのインターフェースであり、サーバ装置５００とディスプレイ３５０との間のデータの入出力を実現する。ディスプレイ３５０は、たとえば、ＬＣＤまたは有機ＥＬＤディスプレイなどで構成される。

周辺機器インターフェース５０５は、キーボード５５１およびマウス５５２などの周辺機器を接続するためのインターフェースであり、サーバ装置５００と周辺機器との間のデータの入出力を実現する。

ネットワークコントローラ５０６は、ネットワーク５を介して、各ローカルに配置された推定装置１００との間でデータを送受信する。ネットワークコントローラ５０６は、たとえば、イーサネット（登録商標）、無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの任意の通信方式に対応してもよい。

メディア読取装置５０７は、リムーバブルディスク５５０に格納されている推定情報などの各種データを読み出す。

メモリ５０９は、演算装置５３０が任意のプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供する。メモリ５０９は、たとえば、ＤＲＡＭまたはＳＲＡＭなどの揮発性メモリデバイスで構成される。

ストレージ５１０は、学習処理などに必要な各種のデータを格納する記憶領域を提供する。ストレージ５１０は、たとえば、ハードディスクまたはＳＳＤなどの不揮発性メモリデバイスで構成される。

ストレージ５１０は、推定情報５１３と、推定モデル５１４（学習済モデル５１４ａ）と、学習用データセット５１６と、推定用プログラム５２０と、学習用プログラム５２１と、ＯＳ５２７と、めまい障害データ５２８とを格納する。

推定情報５１３は、ネットワーク５を介してローカルに配置された推定装置１００から取得した眼球運動データ５３５と、頭部運動データ５３７と、指標動作データ５３９と、問診データ５３８と、眼球運動データ５３５などの各種データに基づく推定処理によって取得された推定結果データ５２４、あるいは各ローカルの推定装置１００から取得した推定結果データ５２４とを含む。推定結果データ５２４は、推定処理に用いられた眼球運動データ５３５、問診データ５３８、頭部運動データ５３７、および指標動作データ５３９のそれぞれに関連付けられてストレージ５１０に格納される。つまり、推定処理が行われたときに参照されたデータと、当該推定処理による推定結果とが関連付けられる。

学習用データセット５１６は、推定モデル５１４の学習処理に用いられる一群の学習用データである。推定用プログラム５２０は、推定処理を実行するためのプログラムである。学習用プログラム５２１は、推定モデル５１４の学習処理を実行するためのプログラムであり、その一部には推定処理を実行するためのプログラムも含まれる。めまい障害データ５２８は、めまいの原因に関するデータを含む。

なお、推定モデル５１４（学習済モデル５１４ａ）は、ローカルの推定装置１００に送信されることで、推定装置１００によって、推定モデル１１４（学習済モデル１１４ａ）として保持される。

演算装置５３０は、各種のプログラムを実行することで、学習処理などの各種の処理を実行する演算主体であり、コンピュータの一例である。演算装置５３０は、たとえば、ＣＰＵ５３２、ＦＰＧＡ５３４、およびＧＰＵ５３６などで構成される。

［問診データ］
図７および図８を参照しながら、本実施の形態に係る問診データを説明する。図７は、本実施の形態に係る推定装置１００が記憶する問診データテーブル１を示す模式図である。図８は、本実施の形態に係る推定装置が記憶する問診データテーブル２を示す模式図である。

図７に示すように、問診データテーブル１には、対象者２に対して行われる問診の内容と、当該問診の内容に対する回答である問診結果とが格納されている。本実施の形態において行われる問診には、複数の問診項目が含まれている。たとえば、問診は、めまいの発症時期、対象者２の性情、めまいの持続性、難聴、耳鳴、耳閉塞、その他の疾患の併存または既往症、対象者２におけるバイタルサイン、および神経学的所見などの内容が含まれている。なお、問診データテーブル１には、これらの問診項目のうちの少なくともいずれか１つが含まれていればよく、その他の問診内容が含まれていてもよい。

対象者２に対する問診によって得られた問診結果は、ユーザ１によってキーボード５０１やマウス５０２などを用いて入力されることで、問診データテーブル１に格納される。たとえば、対象者２によって耳鳴があると回答された場合、「耳鳴」の欄に含まれる「あり」の欄にフラグ（たとえば、「１」）が立てられる。このようにして、対象者２に対する問診によって得られた問診結果が、問診データテーブル１に格納される。

図８に示すように、問診データテーブル２には、対象者２の属性に関する内容を含む属性データが格納されている。たとえば、対象者２の属性に関する内容には、対象者２に紐付けられたＩＤ、対象者２の名前、年齢、性別、国籍（人種）、身長、体重、喫煙の有無、飲酒の有無、職業、および趣味などが含まれている。なお、問診データテーブル２には、これらの属性に関する内容のうちの少なくともいずれか１つが含まれていればよく、その他の属性に関する内容が含まれていてもよい。

対象者２に対する問診時において、当該対象者２の属性に関する内容が得られると、当該属性に関する内容が、ユーザ１によってキーボード５０１やマウス５０２などを用いて入力されることで、問診データテーブル２に格納される。たとえば、ＩＤ「ａ００１」に紐付けられた対象者２について、名前として「山田太郎」、年齢として「６５」歳、性別として「男」、国籍（人種）として「日本」、身長として「１６０」ｃｍ、体重として「５５」ｋｇ、喫煙の有無として「有」、飲酒の有無として「有」、職業として「無職」、および趣味として「ゴルフ」を特定可能な情報が問診データテーブル２に格納される。このようにして、対象者２の属性に関する内容が、問診データテーブル２に格納される。

［めまい障害データ］
図９を参照しながら、本実施の形態に係るめまい障害データを説明する。図９は、本実施の形態に係る推定装置１００が記憶するめまい障害データテーブルを示す模式図である。

図９に示すように、めまい障害データテーブルには、めまいの原因に関する情報が格納されている。たとえば、めまいの原因には、メニエール病など主に内耳の障害に起因する抹消性めまい、脳梗塞など主に脳の障害に起因する中枢性めまい、貧血や不整脈などに起因する失神性めまい、および心気症やうつ病などに起因する心因性めまいなどが含まれている。なお、めまいデータテーブルには、これらのめまいの原因のうちの少なくともいずれか１つが含まれていればよい。

推定装置１００は、めまいデータテーブルに格納されためまいの原因に関する情報を参照することで、眼球運動データや問診データに基づく推定結果としてめまいの原因を出力する。

［推定装置による推定処理］
図１０および図１１を参照しながら、本実施の形態に係る推定装置１００による推定処理を説明する。図１０は、本実施の形態に係る推定装置１００の機能構成を示す模式図である。図１１は、本実施の形態に係る推定装置１００による推定処理を説明するための模式図である。

図１０に示すように、推定装置１００は、眼球運動データ入力部１１３５と、問診データ入力部１１３８と、頭部運動データ入力部１１３６と、指標動作データ入力部１１３９と、推定部１１３０と、出力部１１０３とを有する。これらの各機能は、推定装置１００の演算装置１３０がＯＳ１２７および推定用プログラム１２０を実行することで実現される。

眼球運動データ入力部１１３５には、平衡機能検査装置６００によって取得された対象者２の眼球の運動に関する情報を含む眼球運動データが入力される。なお、平衡機能検査装置６００は、データ取得装置の一例である。

問診データ入力部１１３８には、対象者２に対して行われた問診の結果に関する情報を含む問診データがキーボード５０１によって入力される。入力された問診データに含まれる情報は、図７および図８で説明したように、問診データテーブルに格納される。

頭部運動データ入力部１１３６には、平衡機能検査装置６００によって取得された対象者２の頭部の運動に関する情報を含む頭部運動データが入力される。

指標動作データ入力部１１３９には、平衡機能検査装置６００によって取得された対象者２の眼球に指標を追跡させるための当該指標の動きに関する情報を含む指標動作データが入力される。

なお、眼球運動データ入力部１１３５、問診データ入力部１１３８、頭部運動データ入力部１１３６、および指標動作データ入力部１１３９は、「入力部」の一例であり、各入力部が共通の入力部であってもよいし、各入力部が互いに独立した異なる入力部であってもよい。

推定部１１３０は、眼球運動データ入力部１１３５に入力された眼球運動データに加えて、問診データ入力部１１３８に入力された問診データ、頭部運動データ入力部１１３６に入力された頭部運動データ、および指標動作データ入力部１１３９に入力された指標動作データの少なくともいずれか１つに基づき、推定モデル１１４（学習済モデル１１４ａ）を用いてめまいの原因を推定する推定処理を実行する。なお、推定部１１３０は、眼球運動データのみに基づいて推定処理を実行してもよいが、問診データ、頭部運動データ、および指標動作データについても参照する方が、入力データが多い分、より精度良くめまいの原因を推定することができる。

推定モデル１１４は、ネットワーク構造１１４２と、当該ネットワーク構造１１４２によって用いられるパラメータ１１４４とを含む。パラメータ１１４４は、ネットワーク構造１１４２による計算に用いられる重み付け係数と、推定の判定に用いられる判定値とを含む。

ネットワーク構造１１４２においては、眼球運動データなどの各種データが入力層に入力される。そして、ネットワーク構造１１４２においては、たとえば、中間層によって、入力された眼球運動データなどに対して重み付け係数が乗算されたり所定のバイアスが加算されたりするとともに所定の関数による計算が行われ、その計算結果が判定値と比較される。そして、ネットワーク構造１１４２においては、その計算および判定の結果が推定結果として出力層から出力される。なお、ネットワーク構造１１４２による計算および判定については、眼球運動データなどに基づきめまいの原因を推定できるものであれば、いずれの手法が用いられてもよい。

推定モデル１１４（学習済モデル１１４ａ）のネットワーク構造１１４２は、ニューラルネットワークやサポートベクターマシン、あるいはベイジアンネットワークなど、公知のネットワーク構造を用いればよい。さらに、ネットワーク構造１１４２として、ニューラルネットワークを用いる場合、中間層を多層構造にすることで、ディープラーニングによる処理を行うものであってもよい。

このような構成において、推定装置１００は、眼球運動データなどが入力されると、眼球運動データなどの各種データの特徴を推定モデル１１４のネットワーク構造１１４２を用いて抽出し、抽出した特徴に基づき、めまいの原因を推定する。

たとえば、上述した前庭動眼反射（ＶＯＲ）によって、めまいの有無やその原因に応じて眼球運動データに含まれる眼球運動の波形やその数値データは異なる。推定装置１００は、眼球運動データに含まれる眼球運動の波形やその数値データの特徴を抽出して、その傾向を掴むことで、めまいの原因を推定する。さらに、眼球運動データが取得された条件については、推定装置１００は、頭部運動データに基づき対象者２の頭部の位置や体の位置を特定し、指標動作データに基づき指標検査時の指標の動作を特定することができる。

また、めまいの有無やその原因に応じて問診データテーブル１に格納された問診結果が異なる。問診結果は対象者２が回答するものであるため、その内容は対象者２によって様々であるが、めまいの有無やその原因と、問診結果との間においては、何らかの相関関係が見出され得る。推定装置１００は、問診データテーブル１に格納された問診結果の特徴を抽出して、その傾向を掴むことで、めまいの原因を推定する。

さらに、めまいの有無やその原因に応じて問診データテーブル２に格納された属性データが異なる。たとえば、年齢が高ければ高いほど、加齢とともにめまいを引き起こし易い。また、喫煙や飲酒をする者は、喫煙や飲酒をしない者よりも、めまいを引き起こし易い。さらに、ストレスが生じ易い職業や趣味を有する者は、ストレスが生じ難い職業や趣味を有する者よりも、めまいを引き起こし易い。このように、めまいの有無やその原因と、属性データとの間においては、何らかの相関関係が見出され得る。推定装置１００は、問診データテーブル２に格納された属性データの特徴を抽出して、その傾向を掴むことで、めまいの原因を推定する。

出力部１１０３は、推定処理によって得られた推定結果データを、ディスプレイ３００、またはサーバ装置５００に出力する。

たとえば、図１１に示すように、推定装置１００は、入力された眼球運動データに加えて、問診データ、頭部運動データ、および指標動作データの少なくともいずれか１つに基づきめまいの原因を推定すると、その推定結果を、ディスプレイ３００に出力する。ディスプレイ３００の画面上には、めまいの原因として可能性の高い順に複数の候補が一覧表示されるとともに、スコアも追加される。めまいの原因として可能性が高いほど、スコアも高くなるため、ユーザ１は、スコアの度合いに基づきめまいの原因を予想することができる。

［学習用データ］
図１２は、本実施の形態に係る学習用データセットの一例を説明するための模式図である。図１２においては、良性発作性頭位めまいを有する対象者２に対応する学習用データの一例が示されている。

図１２に示すように、学習用データには、めまいを有する対象者２の眼球運動データ、問診データ（問診結果）、頭部運動データ、および指標動作データと、当該対象者２に対する術者による確定診断結果（めまいの原因）とが含まれており、確定診断結果（めまいの原因）は、眼球運動データ、問診データ（問診結果）、頭部運動データ、および指標動作データのそれぞれに関連付けられている。このように、本実施の形態に係る学習用データにおいては、推定処理で参照される眼球運動データ、問診データ、頭部運動データ、および指標動作データに対して、めまいの原因が関連付けられる（ラベリングされる）。

図１２に示す例は良性発作性頭位めまいを例示しているが、その他のめまいの原因についても、多くのサンプルが集められる。このような学習用データの集まりが学習用データセット１１６として、推定装置１００に保持される。

［学習済モデルの生成］
図１３を参照しながら、学習済モデル１１４ａの生成の一例を説明する。図１３は、本実施の形態に係る学習用データセット１１６に基づく学習済モデル１１４ａの生成を説明するための模式図である。

図１３に示すように、学習用データセット１１６は、当該学習用データセット１１６を生成する際のサンプルとなった対象者２の属性データに基づきカテゴリごとに分類することができる。たとえば、年齢（未成年者，現役世代，高齢者）、性別（男性，女性）、人種（アジア人，欧米人，アフリカ系）、身長（１５０ｃｍ未満，１５０以上）、体重（５０ｋｇ未満，５０ｋｇ以上）、喫煙の有無、職業、および趣味のそれぞれに対して、サンプルとなった対象者２の学習用データを割り当てることができる。なお、各カテゴリの層別は、適宜設定可能である。たとえば、年齢に関しては、所定の年齢差ごと、具体的には、０歳～３歳、４歳～６歳、７歳～９歳、…といったように、より詳細に層別することができる。

推定装置１００は、カテゴリごとに分類することができる複数の学習用データセット１１６ａ～１１６ｑを用いて推定モデル１１４を学習させることで、学習済モデル１１４ａを生成する。なお、学習用データは、カテゴリの分類の仕方によっては重複することがあるが、学習用データが重複する場合には、いずれかの学習用データのみを用いて推定モデル１１４を学習させればよい。

上述したように、めまいの有無やその原因は、属性データに依存する傾向がある。このため、本実施の形態のように、属性データに基づき学習処理を実行すれば、属性データを考慮してめまいの原因を推定可能な学習済モデル１１４ａを生成することができる。

なお、図１３に示す学習済モデル１１４ａの生成は、サーバ装置５００が保持する学習済モデル５１４ａの生成についても適用可能である。たとえば、図１３に示す学習用データセット１１６ａ～１１６ｏを、サーバ装置５００が保持する学習用データセット５１６に適用してもよいし、図１３に示す推定モデル１１４を、サーバ装置５００が保持する推定モデル５１４に適用してもよい。

［推定装置の学習処理］
図１４を参照しながら、推定装置１００が実行する学習処理について説明する。図１４は、本実施の形態に係る推定装置１００が実行する学習処理の一例を説明するためのフローチャートである。図１４に示す各ステップは、推定装置１００の演算装置１３０がＯＳ１２７および学習用プログラム１２１を実行することで実現される。

図１４に示すように、推定装置１００は、学習用データセット１１６の中から、学習に用いる学習用データを選択する（Ｓ１）。具体的には、推定装置１００は、図１３に示す学習用データセット群に含まれる学習用データセット１１６の中から、一または複数の学習用データを選択する。なお、推定装置１００は、学習用データを自動で選択するものに限らず、ユーザ１が選択した学習用データを学習処理に用いてもよい。

推定装置１００は、選択した学習用データに含まれる眼球運動データ、頭部運動データ、指標動作データ、および問診データを推定モデル１１４に入力する（Ｓ２）。なお、この問診データには、問診結果および属性データが含まれる。このとき、推定装置１００には、眼球運動データや問診データなどにラベリングされた正解データ（確定診断結果）は入力されない。推定装置１００は、眼球運動データなどの特徴に基づき、推定モデル１１４を用いてめまいの有無やその原因を推定する推定処理を実行する（Ｓ３）。なお、Ｓ２で眼球運動データのみが入力されることで、当該眼球運動データのみに基づきＳ３の推定処理が実行されてもよい。頭部運動データ、指標動作データ、および問診データは、学習処理に必須でなくてもよいが、これらのデータを参照した方が、より精度良く推定モデル１１４を機械学習させることができる。

推定装置１００は、推定処理によって推定しためまいの原因の推定結果と、学習処理に用いた学習用データに対応する正解データとの誤差に基づき、推定モデル１１４のパラメータ１１４４を更新する（Ｓ４）。

たとえば、推定装置１００は、推定結果と正解データとを比較し、両者が一致すれば推定モデル１１４のパラメータ１１４４を維持する一方で、両者が一致しなければ両者が一致するように推定モデル１１４のパラメータ１１４４を更新する。

次に、推定装置１００は、全ての学習用データに基づき学習したか否かを判定する（Ｓ５）。推定装置１００は、全ての学習用データに基づき学習していない場合（Ｓ５でＮＯ）、Ｓ１の処理に戻る。

一方、推定装置１００は、全ての学習用データに基づき学習した場合（Ｓ５でＹＥＳ）、学習済みの推定モデル１１４を学習済モデル１１４ａとして記憶し（Ｓ６）、本処理を終了する。

このように、推定装置１００は、学習用データに含まれる眼球運動データなどに関連付けられためまいの原因（確定診断結果）を正解データとして、推定処理による眼球運動データなどを用いためまいの原因の推定結果に基づき、推定モデル１１４を学習することで、学習済モデル１１４ａを生成することができる。

さらに、推定装置１００は、学習処理において、学習用データに加えて属性データを考慮して推定モデル１１４を学習するため、対象者２の属性データを考慮した学習済モデル１１４ａを生成することができる。

［サーバ装置の学習処理］
図１５を参照しながら、サーバ装置５００が実行する学習処理について説明する。図１５は、本実施の形態に係るサーバ装置５００が実行する学習処理の一例を説明するためのフローチャートである。図１５に示す各ステップは、サーバ装置５００の演算装置５３０がＯＳ５２７および学習用プログラム５２１を実行することで実現される。

図１５に示すように、サーバ装置５００は、学習用データセットの中から、学習に用いる学習用データを選択する（Ｓ５０１）。ここで、学習用データは、サーバ装置５００によって蓄積して記憶されたビッグデータを利用して生成されたものであってもよい。たとえば、サーバ装置５００は、各ローカルＡ～Ｃの推定装置１００から取得した推定情報に含まれる眼球運動データや問診データなどを利用して学習用データを生成しておき、生成した学習用データを用いて学習処理を実行してもよい。なお、サーバ装置５００は、学習用データを自動で選択するものに限らず、ユーザ１が選択した学習用データを学習処理に用いてもよい。

サーバ装置５００は、選択した学習用データに含まれる眼球運動データ、頭部運動データ、指標動作データ、および問診データを推定モデル５１４に入力する（Ｓ５０２）。なお、この問診データには、問診結果および属性データが含まれる。このとき、サーバ装置５００には、眼球運動データや問診データなどにラベリングされた正解データ（確定診断結果）は入力されない。サーバ装置５００は、眼球運動データなどの特徴に基づき、推定モデル５１４を用いてめまいの有無やその原因を推定する推定処理を実行する（Ｓ５０３）。なお、Ｓ５０２で眼球運動データのみが入力されることで、当該眼球運動データのみに基づきＳ５０３の推定処理が実行されてもよい。頭部運動データ、指標動作データ、および問診データは、学習処理に必須でなくてもよいが、これらのデータを参照した方が、より精度良く推定モデル１１４を機械学習させることができる。

サーバ装置５００は、推定処理によって推定しためまいの原因の推定結果と、学習処理に用いた学習用データに対応する正解データとの誤差に基づき、推定モデル５１４のパラメータを更新する（Ｓ５０４）。

たとえば、サーバ装置５００は、推定結果と正解データとを比較し、両者が一致すれば推定モデル５１４のパラメータを維持する一方で、両者が一致しなければ両者が一致するように推定モデル５１４のパラメータを更新する。

次に、サーバ装置５００は、全ての学習用データに基づき学習したか否かを判定する（Ｓ５０５）。サーバ装置５００は、全ての学習用データに基づき学習していない場合（Ｓ５０５でＮＯ）、Ｓ５０１の処理に戻る。

一方、サーバ装置５００は、全ての学習用データに基づき学習した場合（Ｓ５０５でＹＥＳ）、学習済みの推定モデル５１４を学習済モデル５１４ａとして記憶する（Ｓ５０６）。その後、サーバ装置５００は、生成した学習済モデル５１４ａを各ローカルの推定装置１００に送信し（Ｓ５０７）、本処理を終了する。

このように、サーバ装置５００は、学習用データに含まれる眼球運動データなどに関連付けられためまいの原因（確定診断結果）を正解データとして、推定処理による眼球運動データなどを用いためまいの原因の推定結果に基づき、推定モデル５１４を学習することで、学習済モデル５１４ａを生成することができる。

また、サーバ装置５００は、学習処理において、学習用データに加えて属性データを考慮して推定モデル５１４を学習するため、対象者２の属性データを考慮した学習済モデル５１４ａを生成することができる。

さらに、サーバ装置５００は、学習処理に用いる学習用データとして、各ローカルＡ～Ｃの推定装置１００から取得した推定情報に含まれる音声データおよび問診データを利用しているため、推定装置１００ごとに実行される学習処理よりも、より多くの学習用データに基づいて学習処理を実行することができ、より精度良くめまいの原因を推定可能な学習済モデル５１４ａを生成することができる。

［推定装置のサービス提供処理］
図１６を参照しながら、推定装置１００が実行するサービス提供処理について説明する。図１６は、本実施の形態に係る推定装置１００が実行するサービス提供処理の一例を説明するためのフローチャートである。図１６に示す各ステップは、推定装置１００の演算装置１３０がＯＳ１２７および推定用プログラム１２０を実行することで実現される。

図１６に示すように、推定装置１００は、サービス提供処理の開始条件が成立したか否かを判定する（Ｓ４１）。開始条件は、たとえば、推定装置１００や平衡機能検査装置６００の電源を立ち上げたときに成立してもよいし、推定装置１００や平衡機能検査装置６００の電源を立ち上げた後にサービス提供処理に対応するモードに切り替えられたときに成立してもよい。あるいは、開始条件は、平衡機能検査装置６００から対象者２の眼球運動データが入力されたときに成立してもよい。開始条件は、推定装置１００に対して何らかのアクションが行われたときに成立するものであればよい。

推定装置１００は、開始条件が成立していない場合（Ｓ４１でＮＯ）、本処理を終了する。一方、推定装置１００は、開始条件が成立した場合（Ｓ４１でＹＥＳ）、眼球運動データが入力されたか否かを判定する（Ｓ４２）。推定装置１００は、眼球運動データが入力されていない場合（Ｓ４２でＮＯ）、Ｓ４２の処理を繰り返す。

一方、推定装置１００は、眼球運動データが入力された場合（Ｓ４２でＹＥＳ）、頭部運動データ、指標動作データ、または問診データが入力されたか否かを判定する（Ｓ４３）。推定装置１００は、頭部運動データ、指標動作データ、または問診データが入力された場合（Ｓ４３でＹＥＳ）、眼球運動データに加えて、頭部運動データ、指標動作データ、および問診データのうちの少なくともいずれか１つを学習済モデル１１４ａに入力する（Ｓ４４）。なお、この問診データには、問診結果および属性データが含まれる。

一方、推定装置１００は、頭部運動データ、指標動作データ、または問診データが入力されていない場合（Ｓ４３でＮＯ）、眼球運動データのみを学習済モデル１１４ａに入力する（Ｓ４５）。

Ｓ４４またはＳ４５の後、推定装置１００は、眼球運動データなどの特徴に基づき、学習済モデル１１４ａを用いてめまいの原因を推定する推定処理を実行する（Ｓ４６）。

その後、推定装置１００は、推定処理によって得られた推定結果データを、ディスプレイ３００やサーバ装置５００などに出力し（Ｓ４７）、本処理を終了する。

このように、推定装置１００は、入力された眼球運動データなどの特徴に基づき、学習済モデル１１４ａを用いてめまいの原因を推定するため、ユーザ自身の知見に頼ってめまいの原因を推定するよりも、精度良くめまいの原因を推定することができる。さらに、学習済モデル１１４ａは、学習処理によって機械学習されるため、推定装置１００は、学習処理を実行する度に精度を向上させながらめまいの原因を容易に推定することができる。

[主な構成］
以上のように、本実施の形態では以下のような開示を含む。

推定装置１００は、所定の条件下において取得された対象者２の眼球の運動に関する情報を含む眼球運動データが入力される入力部（眼球運動データ入力部１１３５）と、入力部（眼球運動データ入力部１１３５）から入力された眼球運動データ、および機械学習によって生成された推定モデル１１４（学習済モデル１１４ａ）に基づき、めまいの原因を推定する推定部１１３０と、推定部１１３０による推定結果を出力する出力部１１０３とを備え、推定モデル１１４（学習済モデル１１４ａ）は、眼球運動データを用いためまいの原因の推定結果と、当該眼球運動データに関連付けられためまいの原因（確定診断結果）とに基づき機械学習される。

これにより、ユーザ１は、眼球運動データを推定モデル１１４（学習済モデル１１４ａ）に入力することで、めまいの原因を推定することができるため、ユーザ自身の知見に頼ってめまいの原因を推定するよりも、精度良くめまいの原因を推定することができる。さらに、推定モデル１１４（学習済モデル１１４ａ）は、学習処理によって機械学習されることで、推定処理の精度を向上させることができるため、ユーザ１は、精度を向上させながらめまいの原因を容易に推定することができる。

なお、推定モデル１１４の学習は、サーバ装置５００によって実行される推定モデル５１４の学習によって実現されるものであってもよい。

所定の条件は、暗視状態にすること、明視状態にすること、対象者２の頭部の位置を固定させること、対象者の頭部の位置を変位させること、および対象者の眼球に指標を追跡させることのうちの少なくともいずれか１つを含む。

これにより、様々な条件下、あるいは適切な条件下で眼振検査が行われるため、ユーザ１は、より精度良くめまいの原因を推定することができる。

入力部（頭部運動データ入力部１１３６）には、対象者２の頭部の運動に関する情報を含む頭部運動データがさらに入力され、推定部１１３０は、入力部（頭部運動データ入力部１１３６）から入力された頭部運動データに基づき、めまいの原因を推定する。

これにより、ユーザ１は、眼球運動データに加えて頭部運動データに基づいてめまいの原因を推定することができるため、より精度良くめまいの原因を推定することができる。

入力部（指標動作データ入力部１１３９）には、対象者２の眼球に指標を追跡させるための当該指標の動きに関する情報を含む指標動作データがさらに入力され、推定部１１３０は、入力部（指標動作データ入力部１１３９）から入力された指標動作データに基づき、めまいの原因を推定する。

これにより、ユーザ１は、眼球運動データに加えて指標動作データに基づいてめまいの原因を推定することができるため、より精度良くめまいの原因を推定することができる。

入力部（問診データ入力部１１３８）には、対象者２に対して行われた問診の結果に関する情報を含む問診データがさらに入力され、推定部１１３０は、入力部（問診データ入力部１１３８）から入力された問診データに基づき、めまいの原因を推定する。

これにより、ユーザ１は、眼球運動データに加えて問診データに基づいてめまいの原因を推定することができるため、より精度良くめまいの原因を推定することができる。

図７に示すように、問診は、めまいの発症時期、対象者２の性情、めまいの持続性、難聴、耳鳴、耳閉塞、その他の疾患の併存または既往症、対象者２におけるバイタルサイン、および神経学的所見のうちの少なくともいずれか１つの内容を含む。

これにより、ユーザ１は、めまいの原因を推定するための情報として、様々な問診結果を集めることができる。

図８に示すように、問診データには、対象者２の属性に関する内容を含む属性データが追加される。

これにより、ユーザ１は、対象者２に対する問診結果に加えて、対象者２の属性に基づき、より精度良くめまいの原因を推定することができる。

図８に示すように、対象者２の属性に関する内容は、対象者２の年齢、性別、人種、身長、体重、喫煙の有無、飲酒の有無、職業、および趣味のうちの少なくともいずれか１つの情報を含む。

これにより、ユーザ１は、めまいの原因を推定するための情報として、対象者２に関する様々な属性を集めることができる。

図９に示すように、めまいの原因は、中枢性のめまいの原因、および末梢性のめまいの原因のうちの少なくともいずれか１つを含む。

これにより、ユーザ１は、めまいの原因として、様々な異常や疾患を推定することができる。

推定システム１０は、所定の条件下において取得された対象者２の眼球の運動に関する情報を含む眼球運動データを取得する平衡機能検査装置６００と、めまいの原因を推定する推定装置１００とを備え、推定装置１００は、平衡機能検査装置６００によって取得された眼球運動データが入力される入力部（眼球運動データ入力部１１３５）と、入力部（眼球運動データ入力部１１３５）から入力された眼球運動データ、および機械学習によって生成された推定モデル１１４（学習済モデル１１４ａ）に基づき、めまいの原因を推定する推定部１１３０と、推定部１１３０による推定結果を出力する出力部１１０３とを含み、推定モデル１１４（学習済モデル１１４ａ）は、眼球運動データを用いた前記めまいの原因の推定結果と、当該眼球運動データに関連付けられためまいの原因（確定診断結果）とに基づき機械学習される。

これにより、ユーザ１は、眼球運動データを推定モデル１１４（学習済モデル１１４ａ）に入力することで、めまいの原因を推定することができるため、ユーザ自身の知見に頼ってめまいの原因を推定するよりも、精度良くめまいの原因を推定することができる。さらに、推定モデル１１４（学習済モデル１１４ａ）は、学習処理によって機械学習されることで、推定処理の精度を向上させることができるため、ユーザ１は、精度を向上させながらめまいの原因を容易に推定することができる。

推定方法は、所定の条件下において取得された対象者２の眼球の運動に関する情報を含む眼球運動データが入力されるステップ（Ｓ４２）と、眼球運動データ、および機械学習によって生成された推定モデル１１４（学習済モデル１１４ａ）に基づき、めまいの原因を推定するステップ（Ｓ４６）と、推定するステップ（Ｓ４６）による推定結果を出力するステップ（Ｓ４７）とを含み、推定モデル１１４（学習済モデル１１４ａ）は、眼球運動データを用いためまいの原因の推定結果と、当該眼球運動データに関連付けられためまいの原因とに基づき機械学習される。

これにより、ユーザ１は、眼球運動データを推定モデル１１４（学習済モデル１１４ａ）に入力することで、めまいの原因を推定することができるため、ユーザ自身の知見に頼ってめまいの原因を推定するよりも、精度良くめまいの原因を推定することができる。さらに、推定モデル１１４（学習済モデル１１４ａ）は、学習処理によって機械学習されることで、推定処理の精度を向上させることができるため、ユーザ１は、精度を向上させながらめまいの原因を容易に推定することができる。

推定用プログラム１２０は、演算装置１３０に、所定の条件下において取得された対象者２の眼球の運動に関する情報を含む眼球運動データが入力されるステップ（Ｓ４２）と、眼球運動データ、および機械学習によって生成された推定モデル１１４（学習済モデル１１４ａ）に基づき、めまいの原因を推定するステップ（Ｓ４６）と、推定するステップ（Ｓ４６）による推定結果を出力するステップ（Ｓ４７）とを実行させ、推定モデル１１４（学習済モデル１１４ａ）は、眼球運動データを用いためまいの原因の推定結果と、当該眼球運動データに関連付けられためまいの原因とに基づき機械学習される。

これにより、ユーザ１は、眼球運動データを推定モデル１１４（学習済モデル１１４ａ）に入力することで、めまいの原因を推定することができるため、ユーザ自身の知見に頼ってめまいの原因を推定するよりも、精度良くめまいの原因を推定することができる。さらに、推定モデル１１４（学習済モデル１１４ａ）は、学習処理によって機械学習されることで、推定処理の精度を向上させることができるため、ユーザ１は、精度を向上させながらめまいの原因を容易に推定することができる。

［変形例］
本発明は、上記の実施例に限られず、さらに種々の変形、応用が可能である。以下、本発明に適用可能な変形例について説明する。

（サービス提供処理時学習処理）
本実施の形態に係る推定装置１００は、図１６に示すように、サービス提供処理において学習処理を実行するものではないが、図１７に示すように、変形例に係る推定装置１００ａは、サービス提供処理において学習処理を実行するものであってもよい。図１７は、変形例に係る推定装置１００ａが実行するサービス提供処理の一例を説明するためのフローチャートである。なお、図１７に示すＳ４１～Ｓ４７の処理は、図１６に示すＳ４１～Ｓ４７の処理と同じであるため、図１７においては、Ｓ４８以降の処理についてのみ説明する。

図１７に示すように、推定装置１００ａは、Ｓ４１～Ｓ４７の処理によって推定結果を出力した後、サービス提供時学習処理を実行する。具体的には、推定装置１００ａは、Ｓ４７の後、誤り訂正のための正解データが入力されたか否かを判定する（Ｓ４８）。たとえば、推定装置１００ａは、Ｓ４７において出力された推定結果であるめまいの原因が、対象者２に対する術者による確定診断結果と異なる場合、確定診断結果をユーザ１が入力することで誤りを訂正したか否かを判定する。

推定装置１００ａは、誤り訂正のための正解データが入力されなかった場合（Ｓ４８でＮＯ）、本処理を終了する。一方、推定装置１００ａは、誤り訂正のための正解データが入力された場合（Ｓ４８でＹＥＳ）、推定結果と正解データとに基づき報酬を付与する（Ｓ４９）。

たとえば、推定結果と正解データとの解離度が小さければ小さいほど、付与する報酬として値の小さいマイナスポイントを与え、両者の解離度が大きければ大きいほど、付与する報酬として値の大きいマイナスポイントを与えればよい。このように、推定装置１００ａは、推定結果と正解データとの解離度に応じて異なる値の報酬を付与する。なお、報酬はマイナスポイントに限らず、プラスポイントであってもよい。

推定装置１００ａは、付与した報酬に基づき、学習済モデル１１４ａのパラメータ１１４４を更新する（Ｓ５０）。たとえば、推定装置１００ａは、報酬として付与したマイナスポイントが０に近づくように学習済モデル１１４ａのパラメータ１１４４を更新する。その後、推定装置１００ａは、本処理を終了する。

このように、変形例に係る推定装置１００ａは、サービス提供処理においても学習処理を実行するため、ユーザ１が使用すればするほど推定処理の精度が向上し、精度を向上させながらめまいの原因を容易に推定することができる。

（カテゴリごとの学習済モデルの生成）
本実施の形態に係る推定装置１００は、図１３に示すように、カテゴリごとに分類された複数の学習用データセット１１６ａ～１１６ｑが含まれる学習用データセット群を用いて推定モデル１１４を学習させることで、１つの学習済モデル１１４ａを生成するものであったが、図１８に示すように、変形例に係る推定装置１００ｂは、カテゴリごとに分類された複数の学習用データセットのそれぞれをカテゴリごとに用いて推定モデル１１４を学習させることで、カテゴリごとの学習済モデルを生成してもよい。図１８は、変形例に係る学習用データセットに基づく学習済モデルの生成を説明するための模式図である。

図１８に示すように、学習用データセット１１６は、当該学習用データセット１１６を生成する際のサンプルとなった対象者２の属性データに基づきカテゴリごとに分類することができる。たとえば、年齢（未成年者，現役世代，高齢者）、および性別（男性，女性）に基づき、６個のカテゴリに対して、学習用データセットが割り当てられる。

推定装置１００ｂは、カテゴリごとに分類された複数の学習用データセット１１６ｔ～１１６ｙのそれぞれをカテゴリごとに用いて推定モデル１１４を学習させることで、カテゴリごとの学習済モデル１１４ｔ～１１４ｙを生成する。

このように、変形例に係る推定装置１００ｂは、カテゴリごとに分類された複数の学習済モデル１１４ｔ～１１４ｙを生成することができるため、対象者２の属性データに応じたより詳細な分析によって、より精度良くめまいの原因を推定することができる。

なお、図１８に示す例においては、めまいの原因となる要因を考慮して分類されたカテゴリごとに学習用データを用意して、カテゴリごとの学習済モデルを生成してもよい。たとえば、めまいになり易い喫煙者の学習用データを用意して、喫煙者専用の学習済モデルを生成してもよいし、めまいになり易い職業や趣味の学習用データを用意して、めまいになり易い職業や趣味を有する対象者専用の学習済モデルを生成してもよい。このようにすれば、対象者の属性に応じて学習された学習済モデルを用いてめまいの原因を推定することができるため、より精度良く容易にめまいの原因を推定することができる。

なお、図１８に示す学習済モデル１１４ｔ～１１４ｙの生成は、サーバ装置５００が保持する学習済モデル５１４ａの生成についても適用可能である。たとえば、図１８に示す学習用データセット１１６ｔ～１１６ｙを、サーバ装置５００が保持する学習用データセット５１６に適用してもよいし、図１８に示す学習済モデル１１４ｔ～１１４ｙを、サーバ装置５００が保持する学習済モデル５１４ａに適用してもよい。

（カテゴリごとの学習済モデルを用いたサービス提供処理）
図１９を参照しながら、カテゴリごとの学習済モデル１１４ｔ～１１４ｙを用いて推定装置１００ｂが実行するサービス提供処理について説明する。図１９は、変形例に係る推定装置１００ｂが実行するサービス提供処理の一例を説明するためのフローチャートである。図１９に示す各ステップは、推定装置１００ｂの演算装置１３０がＯＳ１２７および推定用プログラム１２０を実行することで実現される。

図１９に示すように、推定装置１００ｂは、サービス提供処理の開始条件が成立したか否かを判定する（Ｓ１４１）。開始条件は、図１６で示した開始条件と同じであるため、その説明を省略する。

推定装置１００ｂは、開始条件が成立していない場合（Ｓ１４１でＮＯ）、本処理を終了する。一方、推定装置１００ｂは、開始条件が成立した場合（Ｓ１４１でＹＥＳ）、眼球運動データおよび問診データが入力されたか否かを判定する（Ｓ１４２）。なお、この問診データには、問診結果および属性データが含まれる。推定装置１００ｂは、眼球運動データおよび問診データが入力されていない場合（Ｓ１４２でＮＯ）、Ｓ１４２の処理を繰り返す。

一方、推定装置１００ｂは、眼球運動データおよび問診データが入力された場合（Ｓ１４２でＹＥＳ）、図１８に示す学習済モデル群の中から属性データに対応する学習済モデルを選択する（Ｓ１４３）。たとえば、対象者２が高齢者の女性であれば、推定装置１００ｂは、学習済モデル１１４ｙを選択する。

その後、推定装置１００ｂは、頭部運動データまたは指標動作データが入力されたか否かを判定する（Ｓ１４４）。推定装置１００ｂは、頭部運動データまたは指標動作データが入力された場合（Ｓ４４でＹＥＳ）、眼球運動データおよび問診データに加えて、頭部運動データまたは指標動作データを学習済モデル１１４ａに入力する（Ｓ１４６）。

一方、推定装置１００ｂは、頭部運動データまたは指標動作データが入力されていない場合（Ｓ１４４でＮＯ）、眼球運動データおよび問診データを学習済モデル１１４ａに入力する（Ｓ１４５）。

Ｓ４４またはＳ４５の後、推定装置１００ｂは、眼球運動データや問診データの特徴に基づき、学習済モデル１１４ａを用いてめまいの原因を推定する推定処理を実行する（Ｓ１４７）。

その後、推定装置１００ｂは、推定処理によって得られた推定結果を、ディスプレイ３００やサーバ装置５００などに出力し（Ｓ１４８）、本処理を終了する。

このように、変形例に係る推定装置１００ｂは、対象者２の属性データに最も適した学習済モデルを用いて推定処理を実行することができるため、対象者２の属性データに応じたより詳細な分析によって、より精度良くめまいの原因を推定することができる。

（学習処理）
本実施の形態に係る推定装置１００は、学習処理によって推定モデル１１４のパラメータ１１４４を更新するものであったが、パラメータ１１４４を更新するものに限らず、学習処理によってネットワーク構造１１４２が更新される（たとえば、ネットワーク構造１１４２のアルゴリズムが更新される）ものであってもよい。また、本実施の形態に係るサーバ装置５００は、学習処理によって推定モデル５１４のパラメータを更新するものであったが、パラメータを更新するものに限らず、学習処理によってニューラルネットワークなどのネットワーク構造が更新される（たとえば、ネットワーク構造のアルゴリズムが更新される）ものであってもよい。

（問診データの重み付け）
図７に示したように、問診データに含まれる問診の内容には、複数の問診項目が含まれており、各問診項目とめまいの原因との間においては、何らかの相関関係が見出され得る。このため、各問診項目とめまいの原因との間の相関関係を把握することができれば、めまいの原因について、各問診項目に対して重み付けを行うことができる。

たとえば、図２０は、変形例に係る推定装置１００が記憶する問診データテーブル１－２を示す模式図である。図２０に示すように、抹消性めまいおよび中枢性めまいなどのめまいの原因に対して、相関関係が強いほど値が大きくなるように、各問診項目に対して重み付けが行われてもよい。そして、重み付けが行われた問診データを用いて、推定モデル１１４を機械学習させれば、より精度良く推定処理を実行可能な学習済モデル１１４ａを生成することができる。

また、問診データにおける各問診項目に対する重み付けは、推定モデル１１４を用いた学習処理を利用してもよい。たとえば、図２１は、変形例に係る学習用データに基づく学習済モデル１１４ａの生成を説明するための模式図である。

図２１に示すように、ＳＴＥＰ１として、重み付けがなされていない問診データ（問診データ１）のみに対して確定診断結果をラベリングしたものを学習用データとして用意する。なお、問診データには、各問診項目に対する問診結果が格納されている。つまり、問診結果に対して確定診断結果が紐付けられている。

そして、用意した学習用データを推定モデル１１４に入力し、学習処理によって推定モデル１１４を機械学習させる。このように、重み付けがなされていない問診データのみに基づき学習処理を実行することで、各問診項目とめまいの原因との間における純粋な相関関係を見出すことができる。つまり、ユーザ１は、どの問診項目に対応する問診結果がどのようなめまいの原因と相関関係があるかについて、学習処理を利用して特定することができる。

これにより、上述したような学習処理の結果を用いて、各問診項目に対する重み付けを行うことができ、各問診項目に対して重み付けが行われた問診データ（問診データ１－２）を得ることができる。

次に、ＳＴＥＰ２として、重み付けが行われた問診データに眼球運動データ、頭部運動データ、および指標動作データなどを加えたものに対して、確定診断結果をラベリングしたものを学習用データとして用意する。そして、用意した学習用データを推定モデル１１４に入力し、学習処理によって推定モデル１１４を機械学習させることで、重み付けが行われた問診データに基づき、学習済モデル１１４ａを生成することができる。

このように、重み付けが行われた問診データに基づき生成された学習済モデル１１４ａを用いて推定処理を実行すれば、重み付けが行われていない問診データに基づき生成された学習済モデル１１４ａを用いて推定処理を実行するよりも、より効率良くめまいの原因を推定することができ、その分推定処理の精度も向上させることができる。

（問診項目の選定）
図２１を参照しながら説明したように、問診データを用いためまいの原因の推定結果と、当該問診データに関連付けられた正解データであるめまいの原因（確定診断結果）とに基づく機械学習を利用して、各問診項目に対する重み付けを行えば、めまいの原因と関連性が強い問診項目を抽出することもできる。言い換えると、重み付けを行うことによって、めまいの原因とは関連性がない、あるいは関連性が低い問診項目を抽出することもできる。よって、めまいの原因とは関連性がない、あるいは関連性が低い問診項目について、省略することができる。

このように、問診項目は、問診データを用いためまいの原因の推定結果と、当該問診データに関連付けられた正解データであるめまいの原因（確定診断結果）とに基づく機械学習を利用して選定されてもよい。

これにより、ユーザ１は、対象者２に対して無駄な問診を行う必要がなく、また、推定処理における負担も軽減することができるため、その分、精度良くめまいの原因を推定することができる。

（眼球運動データの入力）
本実施の形態においては、推定モデル１１４（学習済モデル１１４ａ）に対して、対象者２の眼球の運動データをそのまま入力するものであったが、これに限らない。たとえば、推定モデル１１４（学習済モデル１１４ａ）に入力される眼球運動データは、対象者２の眼球の運動データに対して所定の補正が行われた情報を含んでいてもよい。具体的には、推定モデル１１４（学習済モデル１１４ａ）に入力される眼球運動データは、所定の演算によって得られた眼球運動データの解析値を含んでいてもよい。たとえば、眼球運動データに基づき、ＶＯＲゲイン（ＶＯＲがどの程度正確に働くのかを示す定量的指標）を演算し、当該ＶＯＲゲインを推定モデル１１４（学習済モデル１１４ａ）入力してもよい。ＶＯＲゲインは、たとえば、頭部の角速度と眼球の角速度との比で表される。推定モデル１１４（学習済モデル１１４ａ）を用いた推定処理や学習処理において精度を高めたり、処理速度を上げたりするように、眼球運動データに対して所定の演算を行えば、精度を向上させながらめまいの原因をより早く推定することができる。

今回開示された実施の形態は全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説明ではなく特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。なお、本実施の形態で例示された構成および変形例で例示された構成は、適宜組み合わせることができる。

１ ユーザ、２ 対象者、５ ネットワーク、１０ 推定システム、１００，１００ａ，１００ｂ 推定装置、１０３，５０３ ディスプレイインターフェース、１０４ マイクインターフェース、１０５，５０５ 周辺機器インターフェース、１０６，５０６ ネットワークコントローラ、１０７，５０７ メディア読取装置、１０９，５０９，６０９ メモリ、１１０，５１０，６１０ ストレージ、１１３，５１３ 推定情報、１１４，５１４ 推定モデル、１１４ａ，５１４ａ 学習済モデル、１１６，５１６ 学習用データセット、１２０，５２０ 推定用プログラム、１２１，５２１ 学習用プログラム、１２４，５２４ 推定結果データ、１２８，５２８ めまい障害データ、１３０，５３０，６３２ 演算装置、１３５，５３５，６３５ 眼球運動データ、１３７，５３７，６３７ 頭部運動データ、１３９，５３９，６３９ 指標動作データ、１６０ 平衡機能検査装置インターフェース、３００，３５０ ディスプレイ、４００ マイク、５００ サーバ装置、５０１，５５１ キーボード、５０２，５５２ マウス、５５０ リムーバブルディスク、６００ 平衡機能検査装置、６０１ 外部装置インターフェース、６０２ 頭部運動センサインターフェース、６０３ カメラインターフェース、６０４ 光源インターフェース、６０５ レーザーポインタインターフェース、６０６ ミラーインターフェース、６２０ 頭部運動センサ、６２１ 平衡機能検査用プログラム、６３０ カメラ、６４０ 光源、６５０ レーザーポインタ、６６０ ミラー、６９０ コンピュータ、１１０３ 出力部、１１３０ 推定部、１１３５ 眼球運動データ入力部、１１３６ 頭部運動データ入力部、１１３８ 問診データ入力部、１１３９ 指標動作データ入力部、１１４２ ネットワーク構造、１１４４ パラメータ。

Claims (16)

1. 対象者におけるめまいの原因を推定する推定装置であって、
   所定の条件下において取得された前記対象者の眼球の運動に関する情報を含む眼球運動データと、前記対象者に対して行われた複数の問診項目の各々の結果に関する情報を含む問診データとが入力される入力部と、
   前記入力部から入力された前記眼球運動データおよび前記問診データと、機械学習によって生成された推定モデルとに基づき、前記めまいの原因を推定する推定部と、
   前記推定部による推定結果を出力する出力部とを備え、
   前記推定モデルは、前記眼球運動データおよび前記問診データを用いた前記めまいの原因の推定結果と、当該眼球運動データに関連付けられた前記めまいの原因とに基づき機械学習され、
   前記問診データは、前記複数の問診項目の各々と前記めまいの原因との間の相関関係に基づいて、前記複数の問診項目の各々に対して重み付けが施されている、推定装置。
2. 前記問診データは、前記複数の問診項目の各々と複数種類の前記めまいの原因の各々との間の前記相関関係に基づいて、前記複数の問診項目の各々に対して前記重み付けが施されている、請求項１に記載の推定装置。
3. 前記複数の問診項目のうち、第１問診項目よりも前記相関関係が強い第２問診項目は、前記第１問診項目よりも前記重み付けの値が大きい、請求項１または請求項２に記載の推定装置。
4. 前記所定の条件は、暗視状態にすること、明視状態にすること、前記対象者の頭部の位置を固定させること、前記対象者の頭部の位置を変位させること、および前記対象者の眼球に指標を追跡させることのうちの少なくともいずれか１つを含む、請求項１～請求項３のいずれか１項に記載の推定装置。
5. 前記入力部には、前記対象者の頭部の運動に関する情報を含む頭部運動データがさらに入力され、
   前記推定部は、前記入力部から入力された前記頭部運動データに基づき、前記めまいの原因を推定する、請求項１～請求項４のいずれか１項に記載の推定装置。
6. 前記入力部には、前記対象者の眼球に前記指標を追跡させるための当該指標の動きに関する情報を含む指標動作データがさらに入力され、
   前記推定部は、前記入力部から入力された前記指標動作データに基づき、前記めまいの原因を推定する、請求項４に記載の推定装置。
7. 前記重み付けは、前記問診データを用いた前記めまいの原因の推定結果と、当該問診データに関連付けられた前記めまいの原因とに基づく機械学習を利用して施されている、請求項１～請求項６のいずれか１項に記載の推定装置。
8. 前記複数の問診項目は、前記問診データを用いた前記めまいの原因の推定結果と、当該問診データに関連付けられた前記めまいの原因とに基づく機械学習を利用して選定されている、請求項１～請求項７のいずれか１項に記載の推定装置。
9. 前記複数の問診項目は、めまいの発症時期、前記対象者の性情、めまいの持続性、難聴、耳鳴、耳閉塞、その他の疾患の併存または既往症、前記対象者におけるバイタルサイン、および神経学的所見のうちの少なくともいずれか１つの内容を含む、請求項１～請求項８のいずれか１項に記載の推定装置。
10. 前記眼球運動データは、前記対象者の眼球運動のデータに対して所定の補正が行われた情報を含む、請求項１～請求項９のいずれか１項に記載の推定装置。
11. 前記問診データには、前記対象者の属性に関する内容を含む属性データが追加される、請求項１～請求項１０のいずれか１項に記載の推定装置。
12. 前記対象者の属性に関する内容は、前記対象者の年齢、性別、人種、身長、体重、喫煙の有無、飲酒の有無、職業、および趣味のうちの少なくともいずれか１つの情報を含む、請求項１１に記載の推定装置。
13. 前記めまいの原因は、中枢性のめまいの原因、および末梢性のめまいの原因のうちの少なくともいずれか１つを含む、請求項１～請求項１２のいずれか１項に記載の推定装置。
14. 対象者におけるめまいの原因を推定する推定システムであって、
    所定の条件下において取得された前記対象者の眼球の運動に関する情報を含む眼球運動データを取得するデータ取得装置と、
    前記めまいの原因を推定する推定装置とを備え、
    前記推定装置は、
    前記データ取得装置によって取得された前記眼球運動データと、前記対象者に対して行われた複数の問診項目の各々の結果に関する情報を含む問診データとが入力される入力部と、
    前記入力部から入力された前記眼球運動データおよび前記問診データと、機械学習によって生成された推定モデルとに基づき、前記めまいの原因を推定する推定部と、
    前記推定部による推定結果を出力する出力部とを含み、
    前記推定モデルは、前記眼球運動データおよび前記問診データを用いた前記めまいの原因の推定結果と、当該眼球運動データに関連付けられた前記めまいの原因とに基づき機械学習され、
    前記問診データは、前記複数の問診項目の各々と前記めまいの原因との間の相関関係に基づいて、前記複数の問診項目の各々に対して重み付けが施されている、推定システム。
15. 対象者におけるめまいの原因を推定する推定装置の作動方法であって、
    前記推定装置が実行する処理として、
    前記作動方法は、
    所定の条件下において取得された前記対象者の眼球の運動に関する情報を含む眼球運動データと、前記対象者に対して行われた複数の問診項目の各々の結果に関する情報を含む問診データとが入力されるステップと、
    前記眼球運動データおよび前記問診データと、機械学習によって生成された推定モデルとに基づき、前記めまいの原因を推定するステップと、
    前記推定するステップによる推定結果を出力するステップとを含み、
    前記推定モデルは、前記眼球運動データおよび前記問診データを用いた前記めまいの原因の推定結果と、当該眼球運動データに関連付けられた前記めまいの原因とに基づき機械学習され、
    前記問診データは、前記複数の問診項目の各々と前記めまいの原因との間の相関関係に基づいて、前記複数の問診項目の各々に対して重み付けが施されている、推定装置の作動方法。
16. 対象者におけるめまいの原因を推定する推定用プログラムであって、
    前記推定用プログラムは、コンピュータに、
    所定の条件下において取得された前記対象者の眼球の運動に関する情報を含む眼球運動データと、前記対象者に対して行われた複数の問診項目の各々の結果に関する情報を含む問診データとが入力されるステップと、
    前記眼球運動データおよび前記問診データと、機械学習によって生成された推定モデルとに基づき、前記めまいの原因を推定するステップと、
    前記推定するステップによる推定結果を出力するステップとを実行させ、
    前記推定モデルは、前記眼球運動データおよび前記問診データを用いた前記めまいの原因の推定結果と、当該眼球運動データに関連付けられた前記めまいの原因とに基づき機械学習され、
    前記問診データは、前記複数の問診項目の各々と前記めまいの原因との間の相関関係に基づいて、前記複数の問診項目の各々に対して重み付けが施されている、推定用プログラム。

Images