JP7236974B2 - 診療支援装置、診療支援方法、及び診療支援プログラム - Google Patents

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

Info

Publication number
JP7236974B2
JP7236974B2 JP2019182722A JP2019182722A JP7236974B2 JP 7236974 B2 JP7236974 B2 JP 7236974B2 JP 2019182722 A JP2019182722 A JP 2019182722A JP 2019182722 A JP2019182722 A JP 2019182722A JP 7236974 B2 JP7236974 B2 JP 7236974B2
Authority
JP
Japan
Prior art keywords
information
medical
subject
calcification
age
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
JP2019182722A
Other languages
English (en)
Other versions
JP2021058270A (ja
Inventor
威 福田
晴康 中津川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2019182722A priority Critical patent/JP7236974B2/ja
Priority to US17/060,091 priority patent/US11494913B2/en
Publication of JP2021058270A publication Critical patent/JP2021058270A/ja
Application granted granted Critical
Publication of JP7236974B2 publication Critical patent/JP7236974B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Description

本開示は、診療支援装置、診療支援方法、及び診療支援プログラムに関する。
一般に、年齢に応じて肺が石灰化することが知られている。そのため、被検体の肺の石灰化に基づいて肺の疾患の診療を行う場合、被検体の年齢が考慮される。例えば、特許文献１には、患者の医用画像から検出された肺の石灰化から、患者の年齢を考慮して肺疾患を検出する技術が開示されている。
特開２００４－６０９号公報
ところで、医用画像から肺の石灰化について判別し難い場合がある。特許文献１に記載の技術では、医用画像から肺の石灰化を適切に検出できない場合があると、肺疾患の検出が適切に行えない場合があった。そのため、特許文献１に記載の技術では、診療を効果的に支援することができない場合があった。
本開示は、以上の事情を鑑みて成されたものであり、被検体の肺の石灰化に基づく診療を効果的に支援することができる、診療支援装置、診療支援方法、及び診療支援プログラムを提供することを目的とする。
上記目的を達成するために、本開示の第１の態様の診療支援装置は、被検体の肺を撮影した医用画像を表す医用画像データ、被検体の品種を表す品種情報、及び医用画像を撮影したときの被検体の年齢を表す年齢情報を含む医用情報を取得する取得部と、取得部により取得された医用情報と、肺の石灰化部分にラベルを付与した医用画像を表す医用画像データ、品種情報、及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の肺の石灰化の度合いを導出する導出部と、を備える。
本開示の第２の態様の診療支援装置は、第１の態様の診療支援装置において、品種と年齢と肺の石灰化の度合いとの対応関係を表す対応関係情報を記憶する記憶部に記憶されている対応関係情報に基づいて、被検体の品種及び年齢に応じた肺の石灰化の度合いよりも、導出部が導出した被検体の肺の石灰化の度合いが大きい場合、警告情報を出力する警告情報出力部をさらに備える。
本開示の第３の態様の診療支援装置は、第１の態様の診療支援装置において、医用情報は、被検体の年齢が異なる時期に撮影された複数の医用画像データを含み、導出部は、被検体の年齢毎に導出した石灰化の度合いから石灰化の変化の度合いをさらに導出し、品種と年齢と肺の石灰化の度合いとの対応関係を表す対応関係情報を記憶する記憶部に記憶されている対応関係情報に基づいて、被検体の品種及び年齢に応じた肺の石灰化の変化の度合いよりも、導出部が導出した石灰化の変化の度合いが大きい場合、警告情報を出力する警告情報出力部をさらに備える。
本開示の第４の態様の診療支援装置は、第２の態様または第３の態様の診療支援装置において、警告情報出力部は、警告情報を出力する場合、被検体に対する予め定められた検査項目を表す検査項目情報をさらに出力する。
本開示の第５の態様の診療支援装置は、第１の態様から第４の態様のいずれか１態様の診療支援装置において、学習済みモデルの学習には、肺の腫瘍部分にラベルを付与した医用画像を表す医用画像データ、品種情報、及び年齢情報を含む複数の学習用医用情報がさらに用いられ、導出部は、取得部により取得された医用情報と、学習済みモデルとに基づいて、被検体の肺における腫瘍の有無をさらに導出する。
本開示の第６の態様の診療支援装置は、第５の態様の診療支援装置において、学習済みモデルの学習には、肺の石灰化及び腫瘍についての判定不能部分にラベルを付与した医用画像を表す医用画像データ、品種情報、及び年齢情報を含む複数の学習用医用情報がさらに用いられ、導出部は、取得部により取得された医用情報と、学習済みモデルとに基づいて、被検体の肺における判定不能部分の有無をさらに導出する。
本開示の第７の態様の診療支援装置は、第６の態様の診療支援装置において、導出部が、判定不能部分が有ることを導出した場合、経過観察の指示を出力する指示出力部をさらに備える。
本開示の第８の態様の診療支援装置は、第１の態様から第７の態様のいずれか１態様の診療支援装置において、導出部は、取得部が被検体の品種情報に代わり、被検体の体型に関する種類を表す体型情報を取得した場合、取得部により取得された医用情報と、肺の石灰化部分にラベルを付与した医用画像データ、体型情報、及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の肺の石灰化の度合いを導出する。
本開示の第９の態様の診療支援装置は、第８の態様の診療支援装置において、体型に関する種類は、大型、中型、または小型である。
本開示の第１０の態様の診療支援装置は、第８の態様の診療支援装置において、被検体は、犬であり、体型に関する種類は、短頭種、中頭種、または長頭種である。
また、上記目的を達成するために、本開示の第１１の態様の診療支援方法は、被検体の肺を撮影した医用画像を表す医用画像データ、被検体の品種を表す品種情報、及び医用画像を撮影したときの被検体の年齢を表す年齢情報を含む医用情報を取得し、取得された医用情報と、肺の石灰化部分にラベルを付与した医用画像データ、品種情報、及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の肺の石灰化の度合いを導出する、処理をコンピュータが実行する方法である。
また、上記目的を達成するために、本開示の第１２の態様の診療支援プログラムは、被検体の肺を撮影した医用画像を表す医用画像データ、被検体の品種を表す品種情報、及び医用画像を撮影したときの被検体の年齢を表す年齢情報を含む医用情報を取得し、取得された医用情報と、肺の石灰化部分にラベルを付与した医用画像データ、品種情報、及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の肺の石灰化の度合いを導出する、処理をコンピュータに実行させるためのものである。
また、本開示の診療支援装置は、コンピュータに実行させるための命令を記憶するメモリと、記憶された命令を実行するよう構成されたプロセッサと、を備え、プロセッサは、被検体の肺を撮影した医用画像を表す医用画像データ、被検体の品種を表す品種情報、及び医用画像を撮影したときの被検体の年齢を表す年齢情報を含む医用情報を取得し、取得された医用情報と、肺の石灰化部分にラベルを付与した医用画像データ、品種情報、及び年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、被検体の肺の石灰化の度合いを導出する。
本開示によれば、被検体の肺の石灰化に基づく診療を効果的に支援することができる。
第１実施形態の診療支援システムの構成の一例を示すブロック図である。 第１実施形態の診療支援装置のハードウェア構成の一例を示すブロック図である。 第１実施形態の学習用医用情報の一例を説明するための図である。 肺に肺ラベルが付与された医用画像の一例を示す図である。 肺に肺ラベルが付与され、石灰化した変異部に石灰化ラベルが付与された医用画像の一例を示す図である。 肺に肺ラベルが付与された医用画像の他の例を示す図である。 第１実施形態の学習済みモデルを説明するための図である。 品種（犬種）と、年齢と、肺の石灰化の度合いとの対応関係を表す対応関係情報の一例を示す図である。 第１実施形態の診療支援装置の学習フェーズにおける機能的な構成の一例を示すブロック図である。 第１実施形態の学習済みモデルの入出力を説明するための図である。 第１実施形態の診療支援装置で実行される学習処理の一例を示すフローチャートである。 第１実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第１実施形態の診療支援装置で実行される診療支援処理の一例を示すフローチャートである。 第１実施形態の診療支援装置における犬種と年齢との組み合わせに応じた学習済みモデルを用いた石灰化の度合いの導出を説明するための図である。 第２実施形態の学習用医用情報の一例を説明するための図である。 肺に肺ラベルが付与され、腫瘍に腫瘍ラベルが付与された医用画像の一例を示す図である。 肺に肺ラベルが付与され、腫瘍に腫瘍ラベルが付与された医用画像の一例を示す図である。 肺に肺ラベルが付与され、判定不能部分に判定不能ラベルが付与された医用画像の一例を示す図である。 第２実施形態の学習済みモデルを説明するための図である。 第２実施形態の学習済みモデルの入出力を説明するための図である。 第２実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第２実施形態の診療支援装置で実行される診療支援処理の一例を示すフローチャートである。 第２実施形態の診療支援装置における犬種と年齢との組み合わせに応じた学習済みモデルを用いた肺に関する情報を説明するための図である。 第３実施形態の診療支援装置の記憶部に記憶される学習用医用情報の一例を示す図である。 第３実施形態の学習用医用情報の一例を説明するための図である。 第３実施形態の学習済みモデルを説明するための図である。 体型と、年齢と、肺の石灰化の度合いとの対応関係を表す対応関係情報の一例を示す図である。 第３実施形態の学習済みモデルの入出力を説明するための図である。 第３実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第３実施形態の診療支援装置における体型と年齢との組み合わせに応じた学習済みモデルを用いた石灰化の度合いの導出を説明するための図である。 体型の変形例である頭種を説明するための図である。 変形例の学習用医用情報の一例を説明するための図である。 変形例の学習済みモデルを説明するための図である。 変形例の学習済みモデルの入出力を説明するための図である。 変形例の診療支援装置における体型と年齢との組み合わせに応じた学習済みモデルを用いた石灰化の度合いの導出を説明するための図である。 第４実施形態の診療支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第４実施形態の診療支援装置で実行される診療支援処理の一例を示すフローチャートである。
以下、図面を参照して、本開示の技術を実施するための形態例を詳細に説明する。なお、以下の形態例では、被検体として「犬」を適用した場合について説明する。
［第１実施形態］
まず、図１を参照して、本実施形態の診療支援システム１について説明する。図１には、本実施形態の診療支援システム１の構成の一例を表すブロック図が示されている。図１に示すように、本実施形態の診療支援システム１は、診療支援装置１０及び複数（図１では、一例として３台）の端末装置１２を備える。診療支援装置１０及び複数の端末装置１２は、それぞれネットワークＮに接続され、ネットワークＮを介して互いに通信が可能とされている。
診療支援装置１０は、例えば、動物病院に設置される。診療支援装置１０の例としては、サーバコンピュータ等が挙げられる。なお、診療支援装置１０は、クラウドサーバであってもよい。端末装置１２は、例えば、動物病院に設置され、獣医師等のユーザにより使用される。端末装置１２の例としては、パーソナルコンピュータ及びタブレットコンピュータ等が挙げられる。
次に、図２を参照して、本実施形態の診療支援装置１０のハードウェア構成の一例を説明する。図２に示すように診療支援装置１０は、ＣＰＵ（Central Processing Unit）２０、一時記憶領域としてのメモリ２１、及び不揮発性の記憶部２２を含む。また、診療支援装置１０は、液晶ディスプレイ等の表示部２４、キーボードやマウス等の入力部２６、及びネットワークＮに接続されるネットワークＩ／Ｆ（InterFace）２８を含む。なお、表示部２４及び入力部２６はタッチパネルディスプレイとして一体化されていてもよい。ＣＰＵ２０、メモリ２１、記憶部２２、表示部２４、入力部２６、及びネットワークＩ／Ｆ２８は、バス２９に互いに通信が可能に接続されている。
記憶部２２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、及びフラッシュメモリ等によって実現される。記憶媒体としての記憶部２２には、学習プログラム２３Ａが記憶される。ＣＰＵ２０は、記憶部２２から学習プログラム２３Ａを読み出してからメモリ２１に展開し、展開した学習プログラム２３Ａを実行する。また、記憶部２２には、診療支援プログラム２３Ｂが記憶される。ＣＰＵ２０は、記憶部２２から診療支援プログラム２３Ｂを読み出してからメモリ２１に展開し、展開した診療支援プログラム２３Ｂを実行する。
また、本実施形態の記憶部２２には、学習用医用情報３０と、学習用医用情報３０を用いて学習された学習済みモデル３８とが記憶される。
図２及び図３に示すように、一例として本実施形態の学習用医用情報３０は、学習用の医用画像データ３２、品種情報３４、及び年齢情報３６を含む。
医用画像データ３２は、被検体である犬の肺を含む部位を医用画像撮影装置によって撮影して得られた医用画像に対して肺及び石灰化の各々にラベル（詳細後述）が付与された医用画像３３を表す画像データである。なお、本実施形態では、医用画像として、被検体の犬に対して放射線を照射し、犬を透過した放射線を検出する放射線検出器により検出された放射線量に応じた放射線画像を適用した形態例を説明する。なお、医用画像は、ＭＲＩ（Magnetic Resonance Imaging）画像及びＣＴ（Computed Tomography）画像等であってもよい。
本実施形態の医用画像３３の例を図４Ａ～図４Ｃを参照して説明する。図４Ａ及び図４Ｂに示す医用画像３３（３３Ａ及び３３Ｂ）は、犬の肺を側面方向（いわゆる、Lateral）に撮影して得られた医用画像である。
図４Ａには、肺にラベル（以下、「肺ラベル」という）７０が付与された医用画像３３Ａが示されている。医用画像３３Ａは、石灰化が生じていない状態の肺が撮影された医用画像であり、医用画像３３Ａに写る肺には、石灰化による陰影がみられない。なお、本実施形態では、石灰化の陰影がみられない状態を「正常」という。
図４Ｂには、肺に肺ラベル７０が付与され、また石灰化にラベル（以下、「石灰化ラベル」という）７２が付与された医用画像３３Ｂが示されている。医用画像３３Ｂは、石灰化が生じている状態の肺が撮影された医用画像であり、石灰化の陰影に石灰化ラベル７２が付与されている。石灰化とは、血液中のカルシウムが組織に沈着することをいい、肺結核等の古い炎症性の瘢痕や、加齢により生じる。石灰化は、すりガラス状陰影や、直径３ｍｍ以下の粒状影として医用画像に現れる傾向がある。そのため、医用画像におけるすりガラス状陰影、及び直径３ｍｍ以下の粒状影に対しては、石灰化の所見が得られる。石灰化ラベル７２は、石灰化の所見が得られる陰影（変異部）に対して施されるラベルである。
なお、医用画像は、例えば、図４Ｃに示すように、腹側から背中側に向けた方向（いわゆる、Ventral-Dorsal）に撮影して得られた医用画像３３Ａであってもよい。図４Ｃに示した医用画像３３Ａは、肺ラベル７０が付与された正常な肺の医用画像である。なお、学習用医用情報３０として用いられる複数の医用画像データ３２が、撮影方向が異なる医用画像３３による医用画像データ３２を含む場合、医用画像データ３２に、撮影方向を表す情報を付与することが好ましい。
このように、本実施形態の医用画像データ３２は、肺ラベル７０のみが付与された正常な医用画像３３を表す医用画像データ３２Ａと、肺ラベル７０及び石灰化ラベル７２が付与された医用画像３３を表す医用画像データ３２Ｂとを各々、複数含む。
品種情報３４は、被検体である犬の品種を表す品種情報であり、医用画像データ３２に付加されている。具体的には、品種情報３４とは、被検体が犬であるため、犬種を表す情報である。なお、本実施形態において「品種」とは、「犬種」等の品種の他、「犬」及び「猫」等の種族の概念も含む。
年齢情報３６は、被検体である犬の年齢を表す年齢情報であり、医用画像データ３２に付加されている。年齢情報３６とは、被検体の出生からの経過時間を表す情報である。なお、本実施形態では、便宜上、年齢と称しているが、出生からの年単位の経過時間ではなく、月単位の経過時間、即ち月齢を採用している。例えば、犬等のように成長が比較的速い場合、年単位とした年齢では石灰化の進行に対応しきれないことがある。そのため、本実施形態では、このように年齢情報３６として月齢を表す情報を採用している。このように、年齢情報３６によって表される被検体の出生からの経過時間は、被検体の品種等に応じて定めることが好ましく、年齢、月齢に限らず、例えば日齢であってもよい。
学習済みモデル３８は、学習用医用情報３０を用いて予め学習されたモデルである。本実施形態では、一例として図５に示すように、学習用医用情報３０を用いた機械学習によって学習済みモデル３８が生成される。例えば、図５に示すように、品種情報３４が表す犬種が「柴犬」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で年齢が１ヶ月用の学習済みモデル３８１が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８２が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種が柴犬で年齢が３ヶ月用の学習済みモデル３８３が生成される。
また例えば、図５に示すように、品種情報３４が表す犬種が「ゴールデンレトリバー」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種がゴールデンレトリバーで年齢が１ヶ月用の学習済みモデル３８４が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種がゴールデンレトリバーで年齢が２ヶ月用の学習済みモデル３８５が生成される。年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、犬種がゴールデンレトリバーで年齢が３ヶ月用の学習済みモデル３８６が生成される。学習済みモデル３８の例としては、ニューラルネットワークモデルが挙げられる。
なお、図５では、犬種として「柴犬」及び「ゴールデンレトリバー」、年齢として「１ヶ月」～「３ヶ月」の場合の学習済みモデル３８１～３８６について示しているが、犬種及び年齢はこれらに限定されるものではない。なお、学習済みモデル３８１～３８６について各々を区別せずに総称する場合、個々を区別する「１」～「６」の符号を省略して「学習済みモデル３８」という。
また、図２に示したように、本実施形態の記憶部２２には、対応関係情報４０が記憶される。対応関係情報４０は、品種（犬種）と、年齢と、肺の石灰化の度合いとの対応関係を表す情報である。ここで「石灰化の度合い」とは、例えば、医用画像に写る肺の部分の面積に対する、石灰化の陰影を総合した面積の割合が挙げられる。具体的には、医用画像３３Ｂ（図４Ｂ参照）における、肺ラベル７０の面積に対する全ての石灰化ラベル７２の面積の割合（石灰化ラベル７２の面積の総合値÷肺ラベル７０の面積）を「石灰化の度合い」とすることが挙げられる。また例えば、肺の部分の面積に対する、石灰化の陰影を総合した面積の割合を複数段階に分類した場合の各段階や、肺全体に対する石灰化の数や石灰化の大きさ等を複数段階に分類した場合の各段階等を度合いとして採用してもよい。
一般的に、石灰化は加齢により進行する傾向があることが知られている。対応関係情報４０は、犬種毎の加齢による石灰化の程度を表す情報であり、加齢による石灰化の進行状態を表す情報である。図６に示す対応関係情報４０には、石灰化し易い犬種Ａ、ある年齢から急に石灰化し易くなる犬種Ｂ、及び石灰化し難い犬種Ｃ各々についての、年齢と肺の石灰化の度合いとの対応関係が示されている。なお、本実施形態では、対応関係情報４０が表す、犬種毎の年齢に応じた肺の石灰化の度合いを「基準石灰化度合」という。すなわち、基準石灰化度合とは、その犬種における年齢相応の石灰化の度合いのことをいう。
さらに、本実施形態の記憶部２２には、検査項目情報４２が記憶される。検査項目情報４２は、肺の石灰化の度合いが大きい場合等に、被検体に対して行うことが推奨される検査項目を表す情報である。例えば、被検体の肺の石灰化の度合いが、基準石灰化度合よりも大きい場合、加齢による石灰化以上の石灰化が生じていることになる。このような場合、被検体が何らかの病気に罹患していることに起因して石灰化が生じている可能性がある。そのため、本実施形態の診療支援装置１０では、石灰化を伴う病気等についての検査項目を推奨する。石灰化が進行する病気としては、肺に関する疾患に限定されず、例えば、上皮小体機能亢進症等が挙げられる。上皮小体機能亢進症に対する検査項目としては、例えば、血液検査等が挙げられる。
次に、図７を参照して、本実施形態の診療支援装置１０の学習フェーズにおける機能的な構成について説明する。図７に示すように、診療支援装置１０は、取得部５０及び学習部５２を含む。ＣＰＵ２０が学習プログラム２３Ａを実行することで、取得部５０及び学習部５２として機能する。
取得部５０は、学習用医用情報３０を記憶部２２から取得する。
学習部５２は、取得部５０により取得された学習用医用情報３０を学習用のデータ（教師データとも称される）として学習させることによって、学習用医用情報３０に基づいて肺の石灰化に関する情報を出力する学習済みモデル３８を生成する。具体的には、学習部５２は、品種情報３４が表す犬種と年齢情報３６が表す年齢との組み合わせ毎に、医用画像データ３２を入力とし、医用画像データ３２が表す医用画像３３における肺の石灰化の度合い表す情報を出力とした、品種及び年齢の組み合わせに応じた複数の学習済みモデル３８を機械学習によって生成する。
より具体的には、学習部５２は、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、犬種が柴犬で年齢が１ヶ月用の学習済みモデル３８１が生成される。
同様に、学習部５２は、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８２が生成される。
同様に、学習部５２は、品種情報３４が表す犬種として「ゴールデンレトリバー」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、犬種がゴールデンレトリバーで年齢が１ヶ月用の学習済みモデル３８４が生成される。
以上の学習部５２による学習のアルゴリズムとしては、例えば、誤差逆伝播法を適用することができる。以上の学習部５２による学習によって、一例として図８に示すように、品種（犬種）及び年齢の組み合わせ毎に、医用画像データ６２、品種情報６４、及び年齢情報６６を入力とし、入力の医用画像データ６２が表す医用画像に写る被検体の肺の石灰化について、石灰化の度合いを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部５２は、生成した学習済みモデル３８を記憶部２２に記憶する。なお、本実施形態では、医用画像データ６２、品種情報６４、及び年齢情報６６を総称する場合、「医用情報」という。
次に、図９を参照して、本実施形態の診療支援装置１０の学習フェーズにおける作用を説明する。ＣＰＵ２０が学習プログラム２３Ａを実行することによって、図９に示す学習処理が実行される。
図９のステップＳ１００で取得部５０は、学習用医用情報３０を記憶部２２から取得する。
次のステップＳ１０２で学習部５２は、上述したように、ステップＳ１００で取得された学習用医用情報３０を学習用のデータとして犬種及び年齢の組み合わせ毎にモデルを学習させる。この学習により、学習部５２は、医用画像データ６２、品種情報６４、及び年齢情報６６に基づいて、被検体の石灰化の度合いを表す情報を出力する学習済みモデル３８を生成する。そして、学習部５２は、生成した学習済みモデル３８を記憶部２２に記憶する。ステップＳ１０２の処理が終了すると本学習処理が終了する。
次に、図１０を参照して、本実施形態の診療支援装置１０の運用フェーズにおける機能的な構成について説明する。図１０に示すように、本実施形態の診療支援装置１０は、取得部５４、導出部５６、及び出力部５７を含む。ＣＰＵ２０が診療支援プログラム２３Ｂを実行することで、取得部５４、導出部５６、及び出力部５７として機能する。取得部５４が本開示の取得部の一例であり、導出部５６が本開示の導出部の一例である。なお、診療支援装置１０は、学習フェーズと運用フェーズとで同じ装置であってもよいし、異なる装置であってもよい。
取得部５４は、獣医師等のユーザによる診療対象である被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データ６２と、その被検体の犬種を表す品種情報６４と、その被検体の年齢を表す年齢情報６６とを医用情報として取得する。品種情報６４及び年齢情報６６の各々は、医用画像データ６２に付加されていてもよいし、ユーザにより端末装置１２の操作部（図示省略）を介して入力されてもよい。
導出部５６は、取得部５４により取得された医用情報（医用画像データ６２、品種情報６４、及び年齢情報６６）と、学習用医用情報３０によって予め学習された学習済みモデル３８とに基づいて、被検体の石灰化の度合いを導出する。具体的には、導出部５６は、取得部５４によって取得された医用画像データ６２を、取得部５４により取得された品種情報６４が表す犬種及び年齢情報６６が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。学習済みモデル３８は、入力された医用情報に応じて、被検体の石灰化の度合いを表す情報を出力する。
また、導出部５６は、学習済みモデル３８から出力された石灰化の度合いを表す情報に基づき、被検体の肺が正常であるか否か、具体的には被検体の肺に石灰化が生じているか否かを判定する。一例として本実施形態の導出部５６では、被検体の石灰化の度合いが「０（ゼロ）」である場合、正常であると判定する。換言すると、導出部５６は、石灰化の度合いについて「０（ゼロ）」を閾値として、被検体の肺に石灰化が生じているか否かを判定する。なお、被検体の肺に石灰化が生じていない（正常）と判定するための閾値は、本実施形態に限定されず、誤差等も含め、石灰化が生じていないとみなせる程度の値ならばよい。
導出部５６は、被検体の肺が正常であると判定した場合、導出した石灰化の度合いに代えて、被検体の肺が正常である旨の導出結果を出力部５７に出力する。また、導出部５６は、被検体の肺が正常ではないと判定した場合、導出した石灰化の度合いを表す情報を導出結果として出力部５７に出力する。
出力部５７は、被検体の肺が正常である旨の情報が入力された場合、正常であるとした導出結果を出力する。具体的には、本実施形態の出力部５７は、導出部５６から被検体の肺が正常である旨の導出結果が入力された場合、被検体の肺が正常であるとした導出結果を端末装置１２に出力することによって端末装置１２の表示部（図示省略）に導出結果を表示する。ユーザは、端末装置１２の表示部に表示された導出結果を参考に医用画像データ６２が表す医用画像を読影し、被検体の肺の石灰化に基づく診療を行う。
また、本実施形態の出力部５７は、警告情報出力部５９を含む。本実施形態の警告情報出力部５９が本開示の警告情報出力部の一例である。警告情報出力部５９は、被検体の石灰化の度合いが基準石灰化度合よりも大きい場合、警告を表す警告情報を出力する。またこの場合、警告情報出力部５９は、検査項目情報４２から取得した検査項目を表す情報を出力する。具体的には、警告情報出力部５９は、対応関係情報４０を参照し、導出部５６から入力された石灰化の度合いが基準石灰化度合よりも大きいと判定された場合、予め定められた警告情報及び検査項目を表す情報を端末装置１２に出力することによって端末装置１２の表示部（図示省略）に警告情報及び検査項目を表示する。ユーザは、端末装置１２の表示部に表示された警告情報及び検査項目を参考に医用画像データ６２が表す医用画像を読影し、被検体の肺の石灰化に基づく診療を行う。なお、警告情報出力部５９は、警告情報及び検査項目を表す情報に加えて、石灰の度合いについても、端末装置１２の表示部に表示させてもよい。
また、警告情報出力部５９は、導出部５６から入力された石灰化の度合いが基準石灰化度合以下の場合、石灰化が生じている（石灰化有）とした導出結果を端末装置１２に出力することによって端末装置１２の表示部（図示省略）に導出結果を表示する。なお、この場合、石灰化の度合いや、年齢相応の石灰化以下であることについても出力してもよい。ユーザは、端末装置１２の表示部に表示された導出結果を参考に医用画像データ６２が表す医用画像を読影し、被検体の肺の石灰化に基づく診療を行う。
次に、図１１を参照して、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。ＣＰＵ２０が診療支援プログラム２３Ｂを実行することによって、図１１に示す診療支援処理が実行される。
図１１のステップＳ２００で取得部５４は、被検体である犬の医用情報を取得し、導出部５６に出力する。具体的には、取得部５４は、ユーザによる診療対象である被検体の犬を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データ６２と、その被検体の品種を表す品種情報６４と、その被検体の年齢を表す年齢情報６６とを取得する。
次のステップＳ２０２で導出部５６は、上述したように、取得部５４から入力された医用情報と、学習済みモデル３８とに基づいて、被検体の肺の石灰化の度合いを導出する。具体的には、導出部５６は、入力された医用情報における品種情報６４と年齢情報６６との組み合わせに応じて選択した学習済みモデル３８に医用画像データ６２を入力させ、学習済みモデル３８から出力された肺の石灰化の度合いを表す情報を取得する。
例えば、図１２に示すように、医療情報における品種情報６４の表す犬種が「柴犬」であり、年齢情報６６の表す情報が「３ヶ月」の場合、導出部５６は、医用画像データ６２を犬種が柴犬であり年齢が３ヶ月用の学習済みモデル３８３に入力させる。学習済みモデル３８３からは、被検体の石灰化の度合いを表す情報が出力される。
次のステップＳ２０４で導出部５６は、上述したように被検体の肺が正常で有るか否かを判定する。学習済みモデル３８が出力した石灰化を表す情報に基づき、被検体の石灰化の度合いと上記閾値とを比較した比較結果に基づき、導出部５６が被検体の肺が正常であると判定した場合、ステップＳ２０４の判定が肯定判定となり、ステップＳ２０６へ移行する。ステップＳ２０６で出力部５７は、上述したように、被検体の肺が正常であるとした導出結果を出力する。ステップＳ２０６の処理が終了すると、本診療支援処理が終了する。
一方、導出部５６が被検体の肺が正常ではないと判定した場合、ステップＳ２０４の判定が否定判定となり、ステップＳ２０８へ移行する。ステップＳ２０８で警告情報出力部５９は、上述したように対応関係情報４０を参照し、被検体の石灰化の度合いが、基準石灰化度合よりも大きい（基準石灰化度合＜被検体の石灰化度合）か否かを判定する。被検体の石灰化の度合いが基準石灰化度合よりも大きい場合、ステップＳ２０８の判定が肯定判定となり、ステップＳ２１０へ移行する。ステップＳ２１０で警告情報出力部５９は、上述したように警告情報及び検査項目を表す情報を出力する。ステップＳ２１０の処理が終了すると、本診療支援処理が終了する。
一方、被検体の石灰化の度合いが基準石灰化度合以下の場合、ステップＳ２０８の判定が否定判定となり、ステップＳ２１２へ移行する。ステップＳ２１２で警告情報出力部５９は、上述したように、石灰化が有るとした導出結果を出力する。ステップＳ２１２の処理が終了すると、本診療支援処理が終了する。
このように、本実施形態の診療支援装置１０によれば、医用画像データ６２、品種情報６４、及び年齢情報６６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の石灰化の度合いが導出される。
上述したように、一般的に加齢により肺の石灰化が進行するが、被検体が罹患した病気等に起因してその進行具合が速くなる場合がある。肺の石灰化は、症状として表れ難いため、石灰化の度合いを知ることは被検体に対する診療において重要なことである。また、被検体の石灰化の度合いを提示することにより、例えば、ユーザが医用画像において石灰化と腫瘍とを区別するのを支援することができる。従って、本実施形態の診療支援装置１０によれば、被検体の肺の石灰化に基づく診療を効果的に支援することができる。
［第２実施形態］
以下、第２実施形態について詳細に説明する。
本実施形態では、診療支援装置１０が、被検体の肺について、石灰化の度合いに加えて、腫瘍の有無を導出する形態について説明する。
本実施形態の診療支援システム１の構成は、第１実施形態の診療支援システム１の構成（図１参照）と同様であるため、説明を省略する。
一方、本実施形態の診療支援装置１０では、学習済みモデル３８の学習に用いる学習用医用情報３０に含まれる医用画像データ３２が第１実施形態と異なる。そのため、本実施形態の医用画像データ３２について図１３及び図１４Ａ～１４Ｃを参照して詳細に説明する。
図１３に示すように、本実施形態の学習用医用情報３０における医用画像データ３２は、医用画像データ３２Ａ、医用画像データ３２Ｂ、医用画像データ３２Ｃ、及び医用画像データ３２Ｄを含む。上述したように、医用画像データ３２Ａは、肺ラベル７０が付与された医用画像３３Ａを表す医用画像データである。また、医用画像データ３２Ｂは、肺ラベル７０及び石灰化ラベル７２が付与された医用画像３３Ｂを表す医用画像データである。
一方、医用画像データ３２Ｃは、肺ラベル７０及び腫瘍にラベル（以下、「腫瘍ラベル」という）７４が付与された、医用画像３３Ｃ（図１４Ａ及び図１４Ｂ参照）を表す医用画像データである。また、医用画像データ３２Ｄは、肺ラベル７０及び判定不能な陰影にラベル（以下、「判定不能ラベル」という）７６が付与された、医用画像３３Ｄ（図１４Ｃ参照）を表す医用画像データである。
図１４Ａ及び図１４Ｂには、肺に肺ラベル７０が付与され、また腫瘍ラベル７４が付与された医用画像３３Ｃが示されている。また、図１４Ｃには、肺に肺ラベル７０が付与され、また判定不能な陰影に判定不能ラベル７６が付与された医用画像３３Ｄが示されている。
肺の医用画像に見られる陰影には、上述した石灰化に起因するものの他、腫瘍に起因するもの等がある。上述したように、石灰化は、すりガラス状陰影や、直径３ｍｍ以下の粒状影として医用画像に現れる傾向がある。一方、腫瘍は、石灰化に比べて、大きな陰影として医用画像に現れる傾向がある。しかしながら、腫瘍の初期状態、特に粟粒性の腫瘍の初期状態では、比較的小さな粒状の陰影として腫瘍が写る。そのため、例えば、直径３ｍｍ前後の粒状の陰影については、石灰化によるものか、腫瘍によるものかの判定が不能となることがある。本実施形態では、このような石灰化及び腫瘍のいずれによるものかの判定が不能な陰影（変異部）に対して、図１４Ｃに示した医用画像３３Ｄのように、判定不能ラベル７６が付与される。なお、本実施形態において「正常」とは、石灰化に加え、腫瘍及び判定不能な部分のいずれの陰影もみられない状態をいう。
図１５に示すように、上記本実施形態の学習用医用情報３０を用いた機械学習により本実施形態の学習済みモデル３８が生成される。例えば、図１５に示すように、品種情報３４が表す犬種が「柴犬」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ～３２Ｄからは、犬種が柴犬で年齢が１ヶ月用の学習済みモデル３８７が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ～３２Ｄからは、犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８８が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ～３２Ｄからは、犬種が柴犬で年齢が３ヶ月用の学習済みモデル３８９が生成される。
また例えば、図１５に示すように、品種情報３４が表す犬種が「ゴールデンレトリバー」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ～３２Ｄからは、犬種がゴールデンレトリバーで年齢が１ヶ月用の学習済みモデル３８１０が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ～３２Ｄからは、犬種がゴールデンレトリバーで年齢が２ヶ月用の学習済みモデル３８１１が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ～３２Ｄからは、犬種がゴールデンレトリバーで年齢が３ヶ月用の学習済みモデル３８１２が生成される。上述したように学習済みモデル３８の例としては、ニューラルネットワークモデルが挙げられる。
なお、図１５では、６つの学習済みモデル３８７～３８１２について示しているが、生成される学習済みモデル３８の数は６つに限定されるものではない。なお、学習済みモデル３８７～３８１２について各々を区別せずに総称する場合、個々を区別する「７」～「１２」の符号を省略して「学習済みモデル３８」という。
次に、本実施形態の診療支援装置１０の学習フェーズにおける機能的な構成について説明する。本実施形態の診療支援装置１０の学習フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図７参照）と同様である。一方、本実施形態の診療支援装置１０における学習部５２は、学習用医用情報３０に基づいて学習済みモデル３８を生成する具体的な動作が異なるため、学習部５２の具体的な動作について説明する。
本実施形態の学習部５２は、品種情報３４が表す犬種と年齢情報３６が表す年齢との組み合わせ毎に、医用画像データ３２を入力とし、医用画像データ３２が表す医用画像３３における石灰化の度合いを表す情報、腫瘍が有ることを表す情報、及び判定不能部分が有ることを表す情報のいずれかを出力とした、品種及び年齢の組み合わせに応じた複数の学習済みモデル３８を機械学習によって生成する。
より具体的には、学習部５２は、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ａ及び医用画像データ３２Ｂが入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ｃが入力された場合は、腫瘍があることを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す情報として「１ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ｄが入力された場合は、判定不能部分があることを表す情報が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で年齢が１ヶ月用の学習済みモデル３８７が生成される。
同様に、学習部５２は、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ａ及び医用画像データ３２Ｂが入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ｃが入力された場合は、腫瘍があることを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「柴犬」、及び年齢情報３６が表す情報として「２ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ｄが入力された場合は、判定不能部分があることを表す情報が出力されるようにモデルを学習させる。この学習により、犬種が柴犬で年齢が２ヶ月用の学習済みモデル３８８が生成される。
同様に、学習部５２は、品種情報３４が表す犬種として「ゴールデンレトリバー」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ａ及び医用画像データ３２Ｂが入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「ゴールデンレトリバー」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ｃが入力された場合は、腫瘍があることを表す情報が出力されるようにモデルを学習させる。また、品種情報３４が表す犬種として「ゴールデンレトリバー」、及び年齢情報３６が表す情報として「１ヶ月」が付加された医用画像データ３２のうち、医用画像データ３２Ｄが入力された場合は、判定不能部分があることを表す情報が出力されるようにモデルを学習させる。この学習により、犬種がゴールデンレトリバーで年齢が１ヶ月用の学習済みモデル３８１０が生成される。
以上の学習部５２による学習のアルゴリズムとしては、上述したように例えば、誤差逆伝播法を適用することができる。以上の学習部５２による学習によって、一例として図１６に示すように、犬種及び年齢の組み合わせ毎に、医用画像データ６２、品種情報６４、及び年齢情報６６を入力とし、入力の医用画像データ６２が表す医用画像に写る被検体の肺について、石灰化の度合い、腫瘍があるか、及び判定不能部分があるかのいずれかを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部５２は、生成した学習済みモデル３８を記憶部２２に記憶する。なお、学習済みモデル３８から出力される、被検体の肺について、石灰化の度合い、腫瘍があるか、及び判定不能部分があるかのいずれかを表す情報について総称する場合は、「肺に関する情報」という。
本実施形態の診療支援装置１０の学習フェーズにおける作用、すなわち、診療支援装置１０が実行する学習処理は、第１実施形態の診療支援装置１０において実行される学習処理（図８参照）と同様であるため、説明を省略する。
次に、図１７を参照して、本実施形態の診療支援装置１０の運用フェーズにおける機能的な構成を説明する。
本実施形態の診療支援装置１０は、導出部５６の具体的な動作が第１実施形態の診療支援装置１０における導出部５６（図１０参照）と異なるため、導出部５６の具体的な動作について説明する。
導出部５６は、取得部５４により取得された医用情報（医用画像データ６２、品種情報６４、及び年齢情報６６）と、学習用医用情報３０によって予め学習された学習済みモデル３８とに基づいて、被検体の石灰化の度合い、腫瘍の有無、及び判定不能部分の有無のいずれかを導出する。以下では、導出部５６が導出する、被検体の石灰化の度合い、腫瘍の有無、及び判定不能部分の有無のいずれかについて、「肺に関する異常」という場合がある。
具体的には、導出部５６は、取得部５４によって取得された医用画像データ６２を、取得部５４により取得された品種情報６４が表す犬種及び年齢情報６６が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。学習済みモデル３８は、入力された医用情報に応じて、被検体の肺に関する情報を出力する。
学習済みモデル３８が被検体の肺に関する情報として、石灰化の度合いを表す情報を出力した場合、導出部５６は、第１実施形態と同様に、被検体の肺が正常であるか否かを判定する。導出部５６は、被検体の肺が正常であると判定した場合、導出した石灰化の度合いに代えて、被検体の肺が正常である旨の導出結果を出力部５７に出力する。また、導出部５６は、被検体の肺が正常ではないと判定した場合、導出した石灰化の度合いを表す情報を出力部５７に出力する。
また、学習済みモデル３８が被検体の肺に関する情報として、腫瘍があることを表す情報を出力した場合、導出部５６は、腫瘍があるとした導出結果を出力部５７に出力する。また、学習済みモデル３８が被検体の肺に関する情報として、判定不能部分があることを表す情報を出力した場合、導出部５６は、判定不能部分があるとした導出結果を出力部５７に出力する。
また、図１７に示すように本実施形態の診療支援装置１０は、出力部５７が、指示出力部５８をさらに含む点で、第１実施形態の診療支援装置１０の出力部５７（図１０参照）と異なっている。
上述したように出力部５７は、被検体の肺が正常であるとした導出結果が導出部５６から入力された場合、正常であるとした導出結果を出力する。また、出力部５７の警告情報出力部５９は、石灰化の度合いが導出部５６から入力された場合、石灰化の度合いが基準石灰化度合よりも大きい場合には、警告を表す警告情報及び検査項目を表す情報を出力し、石灰化の度合いが基準石灰化度合以下の場合には、石灰化があるとした導出結果を出力する。
また、本実施形態の出力部５７は、腫瘍があるとした導出結果が導出部５６から入力された場合、腫瘍があるとした導出結果を出力する。
また、本実施形態の出力部５７の指示出力部５８は、判定不能部分があるとした導出結果が導出部５６から入力された場合、経過観察を指示する情報を出力する。上述したように、本実施形態における判定不能部分とは、石灰化及び腫瘍のいずれであるかの判定が不能な陰影に対応する。本陰影が、腫瘍によるものである場合、時間経過により成長し、サイズが大きくなったり、形状が変化したりする。少なくとも腫瘍は、石灰化に比べて、時間経過による成長速度が速い。そのため、判定不能部分、具体的には、医用画像３３における判定不能部分とされる陰影の経過観察を行うことにより、腫瘍によるものか、石灰化によるものかの判定できる。そのため、本実施形態の指示出力部５８は、経過観察を指示する情報を出力し、端末装置１２の表示部（図示省略）に経過観察の指示を表示する。ユーザは、端末装置１２の表示部に表示された経過観察の指示を参考に医用画像データ６２が表す医用画像を読影し、被検体の肺の石灰化に基づく診療を行う。また、ユーザは、被検体である犬の飼い主であるオーナに、再来院すべき旨と、その時期を伝える。なお、指示出力部５８は、経過観察を指示する情報に加えて、判定不能部分があるとした導出結果についても、端末装置１２の表示部に表示させてもよい。
次に、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。図１８には、本実施形態の診療支援装置１０で実行される診療支援処理の一例を表すフローチャートを示す。図１８に示すように、本実施形態の診療支援処理は、ステップＳ２０２に代わりステップＳ２０１及びステップＳ２０３が設けられ、また、ステップＳ２１４～Ｓ２１８の処理をさらに含む点が、第１実施形態の診療支援処理（図１１参照）と異なっている。
ステップＳ２０１で導出部５６は、上述したように、取得部５４から入力された医用情報と、学習済みモデル３８とに基づいて、被検体の肺に関する異常を導出する。具体的には導出部５６は、入力された医用情報における品種情報６４と年齢情報６６との組み合わせに応じて選択された学習済みモデル３８に医用画像データ６２を入力させ、学習済みモデル３８から出力された被検体の肺に関する情報を取得する。
例えば、図１９に示すように、医療情報における品種情報６４が表す犬種が「柴犬」であり、年齢情報６６の表す情報が「３ヶ月」の場合、導出部５６は、医用画像データ６２を犬種が柴犬であり年齢が３ヶ月用の学習済みモデル３８９に入力させる。学習済みモデル３８９からは、被検体の肺に関する情報が出力される。
次のステップＳ２０３で導出部５６は、取得した被検体の肺に関する情報が、石灰化の度合いを表す情報であるか否かを判定する。取得した被検体の肺に関する情報が石灰化の度合いを表す情報である場合、ステップＳ２０３の判定が肯定判定となり、上記ステップＳ２０４へ移行する。一方、取得した被検体の肺に関する情報が石灰化の度合いを表す情報ではない場合、ステップＳ２０３の判定が否定判定となり、ステップＳ２１４へ移行する。
ステップＳ２１４で導出部５６は、取得した被検体の肺に関する情報が、腫瘍があることを表す情報であるか否かを判定する。取得した被検体の肺に関する情報が、腫瘍があることを表す情報である場合、ステップＳ２１４の判定が肯定判定となり、ステップＳ２１６へ移行する。
ステップＳ２１６で出力部５７は、上述したように、被検体の肺に腫瘍があるとした導出結果を出力する。ステップＳ２１６の処理が終了すると、本診療支援処理が終了する。
一方、取得した被検体の肺に関する情報が、腫瘍があることを表す情報ではない場合、ステップＳ２１４の判定が否定判定となり、ステップＳ２１８へ移行する。この場合は、取得した被検体の肺に関する情報が、判定不能部分があることを表す情報である場合である。そのため、ステップＳ２１８で出力部５７は、上述したように、経過観察を指示する情報を出力する。ステップＳ２１８の処理が終了すると、本診療支援処理が終了する。
このように、本実施形態の診療支援装置１０によれば、被検体の肺について、石灰化の度合いの他、腫瘍があるか、または判定不能部分があるかについて導出される。従って、本実施形態の診療支援装置１０によれば、被検体の肺に関する診療をより支援することができる。
なお、本実施形態に用いられる学習済みモデル３８は、上述した、犬種及び年齢の組み合わせ毎の学習済みモデル３８に限定されず、例えば、石灰化の度合いの導出用の学習済みモデル３８、腫瘍の有無の導出用の学習済みモデル３８、及び判定不能部分の有無の導出用の学習済みモデル３８を備える形態であってもよい。
また、医用画像に、石灰化の陰影、腫瘍の陰影、及び判定不能部分の陰影のうちの２つ以上が混在する場合については、各々の陰影に対応するラベル（石灰化ラベル７２、腫瘍ラベル７４、または判定不能ラベル７６）を付与した医用画像の医用画像データ３２を用いて学習済みモデル３８を学習させればよい。
［第３実施形態］
以下、第３実施形態について詳細に説明する。
被検体の肺の石灰化に影響を与える要因として、被検体の体型が挙げられる。そこで、本実施形態では、診療支援装置１０により、被検体の体型を含む医用情報を用いて被検体の肺の石灰化に基づく診療を支援する形態について説明する。
本実施形態の診療支援システム１の構成は、第１実施形態の診療支援システム１の構成（図１参照）と同様であるため、説明を省略する。
一方、本実施形態の診療支援装置１０では、診療に用いる被検体の医用情報の内容が第１実施形態と異なり、また、学習済みモデル３８の学習に用いる学習用医用情報３０の内容が第１実施形態と異なる。そのため、本実施形態の診療支援装置１０の構成は、記憶部２２に記憶される学習用医用情報３０に含まれる情報が、第１実施形態の記憶部２２に記憶される学習用医用情報３０に含まれる情報（図２及び図３参照）と異なる。図２０及び図２１には、本実施形態の学習用医用情報３０の一例を示す。図２０及び図２１に示すように、本実施形態の学習用医用情報３０は、第１実施形態の学習用医用情報３０に含まれていた品種情報３４（図２及び図３参照）に代わり、体型情報３７を含んでいる。
体型情報３７とは、被検体の体型を表す情報である。具体的には、被検体の体の大きさを表す情報であり、一例として本実施形態では、被検体の体の大きさを２段階に表す情報であり、具体的には小型及び大型のいずれであるかを表す情報である。なお、本実施形態に限定されず、体型情報３７が、体の大きさを、小型、中型、及び大型等、３段階以上に表す情報であってもよい。
なお、体型情報３７を得る方法は特に限定されない。例えば、医用画像データ３２が表す医用画像を読影したユーザが、端末装置１２の操作部（図示省略）から体型を入力する形態としてもよい。また例えば、犬種と体型との対応関係を表すテーブルを予め用意しておき、電子カルテ等から被検体の犬種を取得し、予め用意されたテーブルから、取得した犬種に対応する体型を取得する形態としてもよい。また例えば、診察台上の被検体をカメラ等により撮影して得られた撮影画像に基づき、診察台と被検体との大きさを比較した比較結果から、被検体の体型を自動的に取得する形態としてもよい。
図２２に示すように、上記本実施形態の学習用医用情報３０を用いた機械学習により本実施形態の学習済みモデル３８が生成される。例えば、図２２に示すように、体型情報３７が表す体型が「小型」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が小型で年齢が１ヶ月用の学習済みモデル３８１３が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が小型で年齢が２ヶ月用の学習済みモデル３８１４が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が小型で年齢が３ヶ月用の学習済みモデル３８１５が生成される。
また例えば、図２２に示すように、体型情報３７が表す体型が「大型」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が大型で年齢が１ヶ月用の学習済みモデル３８１６が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が大型で年齢が２ヶ月用の学習済みモデル３８１７が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が大型で年齢が３ヶ月用の学習済みモデル３８１８が生成される。上述したように学習済みモデル３８の例としては、ニューラルネットワークモデルが挙げられる。
なお、図２２では、６つの学習済みモデル３８１３～３８１８について示しているが、生成される学習済みモデル３８の数は６つに限定されるものではない。なお、学習済みモデル３８１３～３８１８について各々を区別せずに総称する場合、個々を区別する「１３」～「１８」の符号を省略して「学習済みモデル３８」という。
また、本実施形態の記憶部２２には、第１実施形態の対応関係情報４１（図２及び図６参照）に代わり、図２３に一例を示す、対応関係情報４１が記憶される点が異なっている。対応関係情報４１は、体型と、年齢と、肺の石灰化の度合いとの対応関係を表す情報である。図２３に示した体型Ａは、大型及び小型の一方であり、体型Ｂは、大型及び小型の他方である。図２３に示す対応関係情報４１では、石灰化し易い体型Ａ、及び石灰化し難い体型Ｂ各々についての、年齢と肺の石灰化の度合いとの対応関係が示されている。なお、本実施形態についても、対応関係情報４１が表す、体型毎の年齢に応じた肺の石灰化の度合いを「基準石灰化度合」という。すなわち、基準石灰化度合とは、その体型における年齢相応の石灰化の度合いのことをいう。
次に、本実施形態の診療支援装置１０の学習フェーズにおける機能的な構成について説明する。本実施形態の診療支援装置１０の学習フェーズにおける全体的な構成は、第１実施形態の診療支援装置１０（図７参照）と同様である。一方、本実施形態の診療支援装置１０における学習部５２は、学習用医用情報３０に基づいて学習済みモデル３８を生成する具体的な動作が異なるため、学習部５２の具体的な動作について説明する。
本実施形態の学習部５２は、体型情報３７が表す被検体の体型と年齢情報３６が表す被検体の年齢との組み合わせ毎に、医用画像データ３２を入力とし、医用画像データ３２が表す医用画像３３における石灰化の度合いを表す情報を出力とした、体型及び年齢の組み合わせに応じた複数の学習済みモデル３８を機械学習によって生成する。
より具体的には、学習部５２は、体型情報３７が表す体型として「小型」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、体型が小型で年齢が１ヶ月用の学習済みモデル３８１３が生成される。
同様に、学習部５２は、体型情報３７が表す体型として「小型」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、体型が小型で年齢が２ヶ月用の学習済みモデル３８１４が生成される。
同様に、学習部５２は、体型情報３７が表す体型として「大型」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、体型が大型で年齢が１ヶ月用の学習済みモデル３８１６が生成される。
以上の学習部５２による学習のアルゴリズムとしては、上述したように例えば、誤差逆伝播法を適用することができる。以上の学習部５２による学習によって、一例として図２４に示すように、体型及び年齢の組み合わせ毎に、医用画像データ６２、体型情報６７、及び年齢情報６６を入力とし、入力の医用画像データ６２が表す医用画像に写る被検体の肺の石灰化について、石灰化の度合いを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部５２は、生成した学習済みモデル３８を記憶部２２に記憶する。
本実施形態の診療支援装置１０の学習フェーズにおける作用、すなわち、診療支援装置１０が実行する学習処理は、第１実施形態の診療支援装置１０において実行される学習処理（図８参照）と同様であるため、説明を省略する。
次に、図２５を参照して、本実施形態の診療支援装置１０の運用フェーズにおける機能的な構成を説明する。本実施形態の診療支援装置１０は、取得部５４及び導出部５６の具体的な動作が第１実施形態の診療支援装置１０（図１０参照）と異なるため、取得部５４及び導出部５６の具体的な動作について説明する。
取得部５４は、被検体が撮影された医用画像を表す医用画像データ６２と、その被検体の体型を表す体型情報６７と、その被検体の年齢を表す年齢情報６６とを医用情報として取得する。体型情報６７及び年齢情報６６の各々は、医用画像データ６２に付加されていてもよいし、ユーザにより端末装置１２の操作部（図示省略）を介して入力されてもよい。
導出部５６は、取得部５４により取得された医用情報（医用画像データ６２、体型情報６７、及び年齢情報６６）と、学習用医用情報３０によって予め学習された学習済みモデル３８とに基づいて、被検体の石灰化の度合いを導出する。具体的には、導出部５６は、取得部５４によって取得された医用画像データ６２を、取得部５４により取得された体型情報６７が表す体型及び年齢情報６６が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。学習済みモデル３８は、入力された医用情報に応じて、被検体の石灰化の度合いを表す情報を出力する。
次に、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。なお、診療支援処理の全体的な流れは第１実施形態の図１１に示した診療支援処理と同様であるため、図１１を参照して説明する。
ステップＳ２００で取得部５４は、被検体である犬の医用情報を取得し、導出部５６に出力する。具体的には、取得部５４は、ユーザによる診療対象である被検体の犬を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データ６２と、その被検体の体型を表す体型情報６７と、その被検体の年齢を表す年齢情報６６とを取得する。
次のステップＳ２０２で導出部５６は、上述したように、取得部５４から入力された医用情報と、学習済みモデル３８とに基づいて、被検体の石灰化の度合いを導出する。具体的には、導出部５６は、入力された医用情報における体型情報６７と年齢情報６６との組み合わせに応じて選択した学習済みモデル３８に医用画像データ６２を入力させ、学習済みモデル３８から出力された被検体の石灰化の度合いを表す情報を取得する。
例えば、図２６に示すように、医療情報における体型情報６７の表す体型が「小型」であり、年齢情報６６の表す情報が「３ヶ月」の場合、導出部５６は、医用画像データ６２を体型が小型であり年齢が３ヶ月用の学習済みモデル３８１５に入力させる。学習済みモデル３８１５からは、被検体の石灰化の度合いを表す情報が出力される。
次のステップＳ２０４で導出部５６は、上述したように被検体の肺が正常であるか否かを判定する。被検体の肺が正常である場合、ステップＳ２０４の判定が肯定判定となり、次のステップＳ２０６で出力部５７は、上述したように、被検体の肺が正常であるとした導出結果を出力した後、本診療支援処理を終了する。
一方、被検体の肺が正常ではない場合、ステップＳ２０４の判定が否定判定となり、次のステップＳ２０８で警告情報出力部５９は、上述したように対応関係情報４１を参照し、被検体の石灰化の度合いが、基準石灰化度合よりも大きい（基準石灰化度合＜被検体の石灰化度合）か否かを判定する。
被検体の石灰化の度合いが基準石灰化度合よりも大きい場合、ステップＳ２０８の判定が肯定判定となり、次のステップＳ２１０で警告情報出力部５９が、上述したように警告情報及び検査項目を表す情報を出力した後、本診療支援処理が終了する。一方、被検体の石灰化の度合いが基準石灰化度合以下の場合、ステップＳ２１０の判定が否定判定となり、次のステップＳ２１２で警告情報出力部５９が、上述したように石灰化が有るとした導出結果を出力した後、本診療支援処理が終了する。
［変形例］
上記では、体型情報３７が表す体型が、小型犬及び大型犬である場合について説明したが、「体型」とは、本形態に限定されない。本変形例では、「体型」の一例として、犬の頭種を体型として用いる形態について説明する。
犬において「頭種」とは、鼻の長さと、頭蓋骨の長さとに応じて定まる種類である。本変形例では、「頭種」の一例として、短頭種、中頭種、または長頭種である形態について説明する。図２７に示すように、本実施形態の短頭種とは、鼻の長さＬ１が頭蓋骨の長さＬ２よりも短い犬のことを意味する。また、長頭種とは、鼻の長さＬ１が頭蓋骨の長さＬ２よりも長い犬のことを意味する。また、中頭種とは、鼻の長さＬ１と頭蓋骨の長さＬ２とが同じである犬のことを意味する。なお、鼻の長さＬ１と頭蓋骨の長さＬ２とが完全に同じでなくても、鼻の長さＬ１と頭蓋骨の長さＬ２との差が、許容誤差の範囲内の場合は中頭種としてもよい。なお、「頭種」は、本変形例に限定されず、例えば、短頭種または長頭種の２種類でもよいし、４種類以上でもよい。
図２８に示すように、本変形例の学習用医用情報３０における、上記形態の学習用医用情報３０に含まれている体型情報３７は、体型として頭種を表す情報であり、具体的には、短頭種、中頭種、及び長頭種のいずれであるかを表す情報である。
図２９に示すように、上記本実施形態の学習用医用情報３０を用いた機械学習により本実施形態の学習済みモデル３８が生成される。例えば、図２９に示すように、体型情報３７が表す体型が「短頭種」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が短頭種で年齢が１ヶ月用の学習済みモデル３８１９が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が短頭種で年齢が２ヶ月用の学習済みモデル３８２０が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が短頭種で年齢が３ヶ月用の学習済みモデル３８２１が生成される。
また例えば、図２９に示すように、体型情報３７が表す体型が「中頭種」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が中頭種で年齢が１ヶ月用の学習済みモデル３８２２が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が中頭種で年齢が２ヶ月用の学習済みモデル３８２３が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が中頭種で年齢が３ヶ月用の学習済みモデル３８２４が生成される。
また例えば、図２９に示すように、体型情報３７が表す体型が「長頭種」の場合、年齢情報３６が表す年齢が「１ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が長頭種で年齢が１ヶ月用の学習済みモデル３８２５が生成される。また、年齢情報３６が表す年齢が「２ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が長頭種で年齢が２ヶ月用の学習済みモデル３８２６が生成される。また、年齢情報３６が表す年齢が「３ヶ月」の医用画像データ３２Ａ及び３２Ｂからは、体型が長頭種で年齢が３ヶ月用の学習済みモデル３８２７が生成される。
なお、図２９では、９つの学習済みモデル３８１９～３８２７について示しているが、生成される学習済みモデル３８の数は９つに限定されるものではない。なお、学習済みモデル３８１９～３８２７について各々を区別せずに総称する場合、個々を区別する「１９」～「２７」の符号を省略して「学習済みモデル３８」という。
なお、本変形例の診療支援装置１０の記憶部２２に記憶される対応関係情報４１は、上述した対応関係情報４１と同様に、体型と、年齢と、肺の石灰化の度合いとの対応関係を表す情報である。具体的には、対応関係情報４１は、短頭種、中頭種、及び長頭種の各々における、年齢に応じた肺の石灰化の度合いが示された情報である。
また、本変形例の診療支援装置１０における学習部５２の、学習用医用情報３０に基づいて学習済みモデル３８を生成する具体的な動作は、以下のようになる。
学習部５２は、体型情報３７が表す体型として「短頭種」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、体型が短頭種で年齢が１ヶ月用の学習済みモデル３８１９が生成される。
同様に、学習部５２は、体型情報３７が表す体型として「短頭種」、及び年齢情報３６が表す年齢として「２ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、体型が短頭種で年齢が２ヶ月用の学習済みモデル３８２０が生成される。
同様に、学習部５２は、体型情報３７が表す体型として「中頭種」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、体型が中頭種で年齢が１ヶ月用の学習済みモデル３８２２が生成される。
また同様に、学習部５２は、体型情報３７が表す体型として「長頭種」、及び年齢情報３６が表す年齢として「１ヶ月」が付加された医用画像データ３２が入力された場合は、石灰化の度合いを表す情報が出力されるようにモデルを学習させる。本学習により、体型が長頭種で年齢が１ヶ月用の学習済みモデル３８２５が生成される。
以上の学習部５２による学習によって、一例として図３０に示すように、体型及び年齢の組み合わせ毎に、医用画像データ６２、体型情報６７、及び年齢情報６６を入力とし、入力の医用画像データ６２が表す医用画像に写る被検体の肺の石灰化について、石灰化の度合いを表す情報を出力とする学習済みモデル３８が生成される。そして、学習部５２は、生成した学習済みモデル３８を記憶部２２に記憶する。
本変形例における診療支援装置１０の運用フェーズにおける機能的な構成は上記形態と同様である。また、診療支援装置１０の運用フェーズにおける作用も、導出部５６が、被検体の石灰化の度合いを導出する場合に、入力された医用情報における体型情報６７と年齢情報６６との組み合わせに応じて選択する学習済みモデル３８が異なる他は上記形態と同様である。具体的には、例えば、図３１に示すように、医療情報における体型情報６７の表す体型が「短頭種」であり、年齢情報６６の表す情報が「３ヶ月」の場合、導出部５６は、医用画像データ６２を体型が短頭種であり年齢が３ヶ月用の学習済みモデル３８２１に入力させる。学習済みモデル３８２１からは、被検体の石灰化の度合いを表す情報が出力される。
このように、本実施形態の診療支援装置１０によれば、医用画像データ６２、体型情報６７、及び年齢情報６６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の石灰化の度合いが導出される。被検体の肺の石灰化の度合いに影響を与える要因として、被検体の体型が挙げられる。
本実施形態の診療支援装置１０によれば、肺の石灰化に影響を与える要因である被検体の体型を考慮して学習された学習済みモデル３８を用いて被検体の石灰化の度合いを導出するため、被検体の肺の石灰化に基づく診療を効果的に支援することができる。
また、本実施形態の診療支援装置１０によれば、被検体がいわゆるミックス犬等の雑種である場合や、犬種が不明な場合等でも、被検体の体型を考慮して被検体の肺の石灰化の度合いを導出することができるため、より診療を交換的に支援することができる。
［第４実施形態］
以下、第４実施形態について詳細に説明する。
本実施形態の診療支援システム１の構成は、第１実施形態の診療支援システム１の構成（図１参照）と同様であるため、説明を省略する。また、本実施形態の診療支援装置１０の構成は、第１実施形態の診療支援装置１０の構成（図２参照）と同様であるため、説明を省略する。また、本実施形態における学習済みモデル３８、及び学習フェーズの機能的な構成及び作用についても第１実施形態の学習済みモデル３８（図５参照）、及び学習フェーズの機能的な構成及び作用（図７～図９参照）と同様であるため、説明を省略する。
一方、図３２に示すように、本実施形態の診療支援装置１０は、運用フェーズにおける機能的な構成において、取得部５４、導出部５６、及び警告情報出力部５９の具体的な動作が第１実施形態の診療支援装置１０（図１０参照）と異なるため、取得部５４、導出部５６、及び警告情報出力部５９の具体的な動作について説明する。
取得部５４は、被検体の年齢が異なる時期に撮影された２組の医用情報を取得する。具体的には、取得部５４は、被検体が撮影された医用画像を表す医用画像データ６２１と、その被検体の犬種を表す品種情報６４１と、医用画像データ６２１が表す医用画像を撮影したときの被検体の年齢を表す年齢情報６６１とを医用情報として取得する。また、取得部５４は、医用画像データ６２１が表す医用画像を撮影した時期と異なる時期に被検体が撮影された医用画像を表す医用画像データ６２２と、その被検体の犬種を表す品種情報６４２と、医用画像データ６２２が表す医用画像を撮影したときの被検体の年齢を表す年齢情報６６２とを医用情報として取得する。なお、品種情報６４１及び品種情報６４２は、共通であるため、いずれか一方のみを取得する形態としてもよい。
導出部５６は、取得部５４により取得された２組の医用情報の各々毎に、学習用医用情報３０によって予め学習された学習済みモデル３８に基づいて、被検体の石灰化の度合いを導出する。具体的には、導出部５６は、取得部５４によって取得された医用画像データ６２１を、取得部５４により取得された品種情報６４１が表す犬種及び年齢情報６６１が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。また、導出部５６は、取得部５４によって取得された医用画像データ６２２を、取得部５４により取得された品種情報６４２が表す犬種及び年齢情報６６２が表す年齢の組み合わせに応じた学習済みモデル３８に入力する。各々の学習済みモデル３８は、入力された医用情報に応じて、被検体の石灰化の度合いを表す情報を出力する。
警告情報出力部５９は、被検体の石灰化の度合いの変化率が基準石灰化変化率よりも大きい場合、警告を表す警告情報、及び検査項目を表す情報を出力する。
次に、本実施形態の診療支援装置１０の運用フェーズにおける作用を説明する。図３３には、本実施形態の診療支援装置１０で実行される診療支援処理の一例を表すフローチャートを示す。図３３に示すように、本実施形態の診療支援処理は、ステップＳ２００及びＳ２０２に代わりステップＳ２００Ａ及びステップＳ２０２Ａが設けられ、また、ステップＳ２０８とステップＳ２１２との間にステップＳ２１１Ａ～Ｓ２１１Ｃの処理をさらに含む点が、第１実施形態の診療支援処理（図１１参照）と異なっている。
図３３に示すステップＳ２００Ａで取得部５４は、上述したように、被検体である犬の２組の医用情報を取得し、導出部５６に出力する。具体的には、取得部５４は、被検体の医用画像を表す医用画像データ６２１、その被検体の品種を表す品種情報６４１、及びその被検体の年齢を表す年齢情報６６１と、被検体の医用画像を表す医用画像データ６２２、その被検体の品種を表す品種情報６４２、及びその被検体の年齢を表す年齢情報６６２と、を取得し、導出部５６に出力する。
次のステップＳ２０２Ａで導出部５６は、上述したように、取得部５４から入力された２組の医用情報各々について、学習済みモデル３８に基づいて、被検体の肺の石灰化の度合いを導出する。具体的には、導出部５６は、入力された医用情報における品種情報６４１と年齢情報６６１との組み合わせに応じて選択した学習済みモデル３８に医用画像データ６２１を入力させ、学習済みモデル３８から出力された肺の石灰化の度合いを表す情報を取得する。また、導出部５６は、入力された医用情報における品種情報６４２と年齢情報６６２との組み合わせに応じて選択した学習済みモデル３８に医用画像データ６２２を入力させ、学習済みモデル３８から出力された肺の石灰化の度合いを表す情報を取得する。このようにステップＳ２０２Ａの処理により、被検体の年齢が異なる時期における被検体の肺の石灰化の度合いが導出される。
また、Ｓ２０８で警告情報出力部５９が、被検体の石灰化の度合いが基準石灰化度合以下と判定した場合、ステップＳ２１１Ａに移行する。ステップＳ２１１Ａで警告情報出力部５９は、対応関係情報４０に基づいて、基準石灰化変化率を導出する。具体的には、Ｓ２００Ａで取得した２組の医用情報の各々における年齢情報３６が表す年齢毎の基準石灰化度合を対応関係情報４０から取得する。また、取得した２つの基準石灰化度合における石灰化の度合いの変化率を、基準石灰化変化率として導出する。すなわち、警告情報出力部５９は、２組の医用情報の各々に含まれる年齢情報３６１、３６２によって表される年齢相応の、加齢による石灰化の変化率を導出する。
次のステップＳ２１１Ｂで警告情報出力部５９は、上記ステップＳ２０２Ａで導出した２つの石灰化の度合いに基づいて、被検体の石灰化の度合いの変化率を、被検体石灰化変化率として導出する。すなわち、警告情報出力部５９は、２組の医用情報の各々に含まれる年齢情報３６１、３６２によって表される２つの年齢間における、実際の石灰化の度合いの変化率を導出する。
次のステップＳ２１１Ｃで警告情報出力部５９は、上述したように、被検体石灰化変化率が基準石灰化変化率よりも大きい（基準石灰化変化率＜被検体石灰化変化率）か否かを判定する。被検体石灰化変化率が基準石灰化変化率よりも大きい場合、ステップＳ２１１Ｃの判定が肯定判定となり、ステップＳ２１０へ移行する。一方、被検体石灰化変化率が基準石灰化変化率以下の場合、ステップＳ２１１Ｃの判定が否定判定となり、ステップＳ２１２へ移行する。
このように、本実施形態の診療支援装置１０によれば、２組の医用情報に基づいて、被検体石灰化変化率が導出され、被検体石灰化変化率が基準石灰化変化率よりも大きい場合、警告情報及び検査項目が出力される。被検体の石灰化の度合いが、基準石灰化度合以下の場合であっても、被検体石灰化変化率が基準石灰化変化率よりも大きい場合、加齢による変化異常の変化が生じており、石灰化の進行率が基準よりも速いことになる。
本実施形態の診療支援装置１０によれば、石灰化の進行率が基準よりも速い場合、警告情報を出力するため、被検体の肺の石灰化に基づく診療をより効果的に支援することができる。
以上説明したように、上記各実施形態の診療支援装置１０は、取得部５４と、導出部５６と、を備える。取得部５４は、被検体の肺を撮影した医用画像を表す医用画像データ６２、被検体の品種を表す品種情報６４、及び医用画像を撮影したときの被検体の年齢を表す年齢情報６６を含む医用情報を取得する。導出部５６は、取得部５４により取得された医用情報と、肺の石灰化部分に石灰化ラベル７２を付与した医用画像３３Ａの医用画像データ３２Ａ、品種情報３４、及び年齢情報３６を含む学習用医用情報３０を複数用いて予め学習された学習済みモデル３８とに基づいて、被検体の肺の石灰化の度合いを導出する。
上記各実施形態の診療支援装置１０によれば、医用画像データ６２、品種情報６４、及び年齢情報６６を含む医用情報と、学習済みモデル３８とに基づいて、被検体の肺の石灰化の度合いが導出される。従って、本実施形態の診療支援装置１０によれば、被検体の肺の石灰化に基づく診療を効果的に支援することができる。
なお、学習済みモデル３８を生成するために用いられる学習用医用情報３０が含む各種情報は、上記各実施形態に限定されない。例えば、上記各実施形態における学習用医用情報３０を組み合わせてもよい。また例えば、学習用医用情報３０は、右の上葉、中葉、下葉、及び左の上葉、下葉等、肺の部位を表す情報を含んでいてもよい。
また、警告情報出力部５９が、上述した肺の部位毎に、石灰化の変化の度合いや、変化率を導出し、基準石灰化度合や基準石灰化変化率と比較する形態としてもよく、肺の部位毎に、比較結果を出力することが好ましい。この場合、肺の局所的な石灰化の進行状態をユーザに提示することができるため、より、被検体の肺の石灰化に基づく診療をより効果的に支援することができる。
また、上記各実施形態では、被検体として犬を適用した形態について説明したが、被検体はこれに限定されない。例えば、被検体として、人間を適用してもよいし、猫等の犬以外の動物を適用する形態であってもよい。
また、上記各実施形態における診療支援装置１０の各機能部等の各種の処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。
また、上記実施形態では、学習プログラム２３Ａ及び診療支援プログラム２３Ｂが記憶部２２に予め記憶（インストール）されている態様を説明したが、これに限定されない。学習プログラム２３Ａ及び診療支援プログラム２３Ｂの各々は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよい。また、学習プログラム２３Ａ及び診療支援プログラム２３Ｂの各々は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
上記の実施形態に関し、さらに以下の付記を開示する。
（付記１）
被検体の肺を撮影し、かつ肺の石灰化部分にラベルを付与した医用画像を表す医用画像データ、前記被検体の品種を表す品種情報、及び前記医用画像を撮影したときの前記被検体の年齢を表す年齢情報を含む学習用医用情報を取得する取得部と
前記学習用医用情報を学習用のデータとして学習させることによって、被検体の肺を撮影した医用画像を表す医用画像データ、及び前記年齢情報に基づいて前記被検体の肺の石灰化の度合いを表す情報を出力する学習済みモデルを生成する学習部と
を備えた診療装置。
１ 診療支援システム
１０ 診療支援装置
１２ 端末装置
２０ ＣＰＵ
２１ メモリ
２２ 記憶部
２３Ａ 学習プログラム、２３Ｂ 診療支援プログラム
２４ 表示部
２６ 入力部
２８ ネットワークＩ／Ｆ
２９ バス
３０ 学習用医用情報
３２、３２Ａ～３２Ｄ、６２、６２１、６２２ 医用画像データ
３３、３３Ａ～３３Ｄ 医用画像
３４、６４、６４１、６４２ 品種情報
３６、６６、６６１、６６２ 年齢情報
３７、６７ 体型情報
３８、３８１～３８２７ 学習済みモデル
３９、６９ 行動情報
４０、４１ 対応関係情報
４２ 検査項目情報
５０、５４ 取得部
５２ 学習部
５６ 導出部
５７ 出力部
５８ 指示出力部
５９ 警告情報出力部
７０ 肺ラベル
７２ 石灰化ラベル
７４ 腫瘍ラベル
７６ 判定不能ラベル
Ｌ１ 鼻の長さ
Ｌ２ 頭蓋骨の長さ
Ｎ ネットワーク

Claims (12)

  1. 被検体の肺を撮影した医用画像を表す医用画像データ、前記被検体の品種を表す品種情報、及び前記医用画像を撮影したときの前記被検体の年齢を表す年齢情報を含む医用情報を取得する取得部と、
    前記取得部により取得された前記医用情報と、肺の石灰化部分にラベルを付与した医用画像を表す医用画像データ、前記品種情報、及び前記年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、前記被検体の肺の石灰化の度合いを導出する導出部と、
    を備えた診療支援装置。
  2. 品種と年齢と肺の石灰化の度合いとの対応関係を表す対応関係情報を記憶する記憶部に記憶されている前記対応関係情報に基づいて、前記被検体の品種及び年齢に応じた肺の石灰化の度合いよりも、前記導出部が導出した前記被検体の肺の石灰化の度合いが大きい場合、警告情報を出力する警告情報出力部をさらに備えた、
    請求項１に記載の診療支援装置。
  3. 前記医用情報は、前記被検体の年齢が異なる時期に撮影された複数の前記医用画像データを含み、
    前記導出部は、前記被検体の年齢毎に導出した前記石灰化の度合いから前記石灰化の変化の度合いをさらに導出し、
    品種と年齢と肺の石灰化の度合いとの対応関係を表す対応関係情報を記憶する記憶部に記憶されている前記対応関係情報に基づいて、前記被検体の品種及び年齢に応じた肺の石灰化の変化の度合いよりも、前記導出部が導出した前記石灰化の変化の度合いが大きい場合、警告情報を出力する警告情報出力部をさらに備えた、
    請求項１に記載の診療支援装置。
  4. 前記警告情報出力部は、前記警告情報を出力する場合、前記被検体に対する予め定められた検査項目を表す検査項目情報をさらに出力する、
    請求項２または請求項３に記載の診療支援装置。
  5. 前記学習済みモデルの学習には、肺の腫瘍部分にラベルを付与した医用画像を表す医用画像データ、前記品種情報、及び前記年齢情報を含む複数の学習用医用情報がさらに用いられ、
    前記導出部は、前記取得部により取得された前記医用情報と、前記学習済みモデルとに基づいて、前記被検体の肺における腫瘍の有無をさらに導出する、
    請求項１から請求項４のいずれか１項に記載の診療支援装置。
  6. 前記学習済みモデルの学習には、肺の石灰化及び腫瘍についての判定不能部分にラベルを付与した医用画像を表す医用画像データ、前記品種情報、及び前記年齢情報を含む複数の学習用医用情報がさらに用いられ、
    前記導出部は、前記取得部により取得された前記医用情報と、前記学習済みモデルとに基づいて、前記被検体の肺における前記判定不能部分の有無をさらに導出する、
    請求項５に記載の診療支援装置。
  7. 前記導出部が、前記判定不能部分が有ることを導出した場合、経過観察の指示を出力する指示出力部をさらに備える、
    請求項６に記載の診療支援装置。
  8. 前記導出部は、前記取得部が前記被検体の品種情報に代わり、前記被検体の体型に関する種類を表す体型情報を取得した場合、前記取得部により取得された前記医用情報と、肺の石灰化部分にラベルを付与した前記医用画像データ、前記体型情報、及び前記年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、前記被検体の肺の石灰化の度合いを導出する、
    請求項１から請求項７のいずれか１項に記載の診療支援装置。
  9. 前記体型に関する種類は、大型、中型、または小型である、
    請求項８に記載の診療支援装置。
  10. 前記被検体は、犬であり、
    前記体型に関する種類は、短頭種、中頭種、または長頭種である、
    請求項８に記載の診療支援装置。
  11. 被検体の肺を撮影した医用画像を表す医用画像データ、前記被検体の品種を表す品種情報、及び前記医用画像を撮影したときの前記被検体の年齢を表す年齢情報を含む医用情報を取得し、
    取得された前記医用情報と、肺の石灰化部分にラベルを付与した前記医用画像データ、前記品種情報、及び前記年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、前記被検体の肺の石灰化の度合いを導出する、
    処理をコンピュータが実行する診療支援方法。
  12. 被検体の肺を撮影した医用画像を表す医用画像データ、前記被検体の品種を表す品種情報、及び前記医用画像を撮影したときの前記被検体の年齢を表す年齢情報を含む医用情報を取得し、
    取得された前記医用情報と、肺の石灰化部分にラベルを付与した前記医用画像データ、前記品種情報、及び前記年齢情報を含む学習用医用情報を複数用いて予め学習された学習済みモデルとに基づいて、前記被検体の肺の石灰化の度合いを導出する、
    処理をコンピュータに実行させるための診療支援プログラム。
JP2019182722A 2019-10-03 2019-10-03 診療支援装置、診療支援方法、及び診療支援プログラム Active JP7236974B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019182722A JP7236974B2 (ja) 2019-10-03 2019-10-03 診療支援装置、診療支援方法、及び診療支援プログラム
US17/060,091 US11494913B2 (en) 2019-10-03 2020-10-01 Medical care support device, medical care support method, and medical care support program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019182722A JP7236974B2 (ja) 2019-10-03 2019-10-03 診療支援装置、診療支援方法、及び診療支援プログラム

Publications (2)

Publication Number Publication Date
JP2021058270A JP2021058270A (ja) 2021-04-15
JP7236974B2 true JP7236974B2 (ja) 2023-03-10

Family

ID=75275198

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019182722A Active JP7236974B2 (ja) 2019-10-03 2019-10-03 診療支援装置、診療支援方法、及び診療支援プログラム

Country Status (2)

Country Link
US (1) US11494913B2 (ja)
JP (1) JP7236974B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7412279B2 (ja) * 2020-06-03 2024-01-12 株式会社日立ハイテク 画像診断方法、画像診断支援装置、及び計算機システム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003523176A (ja) 1999-10-15 2003-08-05 ダブリュー． ジーン ドッヅ， 動物健康診断
JP2006215967A (ja) 2005-02-07 2006-08-17 Naoki Sasaki 獣医師連携システム
JP2011524754A (ja) 2008-02-13 2011-09-08 キットウェア インク 細胞の損傷および疾患のリスクを測定する方法およびシステム
JP2013544559A (ja) 2010-10-19 2013-12-19 コーニンクレッカ フィリップス エヌ ヴェ 医用画像システム
JP2019146935A (ja) 2018-02-28 2019-09-05 富士フイルム株式会社 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7263214B2 (en) 2002-05-15 2007-08-28 Ge Medical Systems Global Technology Company Llc Computer aided diagnosis from multiple energy images
CN102164543B (zh) * 2009-03-31 2013-03-20 富士胶片株式会社 图像处理装置和方法、以及程序
US8755570B2 (en) * 2011-04-27 2014-06-17 Steve Gomas Apparatus and method for estimation of livestock weight
JP6080248B2 (ja) * 2012-09-13 2017-02-15 富士フイルム株式会社 ３次元画像表示装置および方法並びにプログラム
US9642586B2 (en) * 2014-08-18 2017-05-09 Siemens Aktiengesellschaft Computer-aided analysis of medical images
JP7113798B2 (ja) * 2019-09-11 2022-08-05 富士フイルム株式会社 診療支援装置、診療支援方法、及び診療支援プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003523176A (ja) 1999-10-15 2003-08-05 ダブリュー． ジーン ドッヅ， 動物健康診断
JP2006215967A (ja) 2005-02-07 2006-08-17 Naoki Sasaki 獣医師連携システム
JP2011524754A (ja) 2008-02-13 2011-09-08 キットウェア インク 細胞の損傷および疾患のリスクを測定する方法およびシステム
JP2013544559A (ja) 2010-10-19 2013-12-19 コーニンクレッカ フィリップス エヌ ヴェ 医用画像システム
JP2019146935A (ja) 2018-02-28 2019-09-05 富士フイルム株式会社 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム

Also Published As

Publication number Publication date
US20210104042A1 (en) 2021-04-08
JP2021058270A (ja) 2021-04-15
US11494913B2 (en) 2022-11-08

Similar Documents

Publication Publication Date Title
US20210358126A1 (en) Trained model, learning method, learning program, medical information acquisition device, medical information acquisition method, and medical information acquisition program
US20230298759A1 (en) Information processing apparatus, information processing method, and program
JP7236974B2 (ja) 診療支援装置、診療支援方法、及び診療支援プログラム
US11769250B2 (en) Medical care support device, medical care support method, and medical care support program
JP6843785B2 (ja) 診断支援システム、診断支援方法、及びプログラム
US11334990B2 (en) Information processing apparatus, information processing method, and program
KR20230118054A (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템
JP7084357B2 (ja) 診断支援装置、診断支援方法、及び診断支援プログラム
US20230005601A1 (en) Document creation support apparatus, method, and program
US20220277448A1 (en) Information processing system, information processing method, and information processing program
JP7179707B2 (ja) 診療支援装置、診療支援方法、及び診療支援プログラム
JP7144370B2 (ja) 診断支援装置、診断支援方法、及び診断支援プログラム
JP6968298B2 (ja) 情報処理装置、情報処理方法、及びプログラム
Küçükçiloğlu et al. Prediction of osteoporosis using MRI and CT scans with unimodal and multimodal deep-learning models
US20240037739A1 (en) Image processing apparatus, image processing method, and image processing program
JP7361930B2 (ja) 医用画像処理装置、方法およびプログラム
US20230197253A1 (en) Medical image processing apparatus, method, and program
US20240037738A1 (en) Image processing apparatus, image processing method, and image processing program
Jeon et al. Deep Learning-based Assessment of Facial Asymmetry Using U-Net Deep Convolutional Neural Network Algorithm

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220114

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230130

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: 20230207

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230228

R150 Certificate of patent or registration of utility model

Ref document number: 7236974

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150