JP7269027B2 - 医用情報処理装置、医用情報処理システム、および医用情報処理方法 - Google Patents

Description

本発明の実施形態は、医用情報処理装置、医用情報処理システム、および医用情報処理方法に関する。

近年、ＩｏＴ技術の普及に伴い、非常に多種類の医用データを被検体から大量に収集可能となってきた。このため、医療、ヘルスケア分野でも、ビッグデータにもとづいて学習済みモデルによって被検体の健康状態に関する情報の推定を行う技術が大きく進歩している。被検体の健康状態に関する情報の推定には、被検体の現在の健康状態の推定と将来の健康状態の推定の少なくとも一方が含まれる。

学習済みモデルが利用可能な医用データには、病院内で得られる画像診断結果や検査情報のほか、院外や家庭で得られる生体情報、被検体に取り付けられたウェアラブルセンサや計測機器からの情報が含まれる。ウェアラブルセンサや計測機器の数が多くなるほど、学習済みモデルによる推定結果の精度が向上し、より正確に被検体の健康状態に関する情報を推定することができる。

しかし、ウェアラブルセンサや計測機器の数が多くなるほど、収集、推定処理、あるいは蓄積される医用データの量が多くなってしまう。このため、ネットワークトラフィックの混雑や、学習済みモデルの肥大化、あるいは医用データを記憶するデータベースリソースの圧迫などの不具合を招いてしまう。

特開２００４－２４６５２１号公報 クリストファー Ｍ. ビショップ（Christopher M. Bishop）著、「パターン認識と機械学習（Pattern recognition and machine learning）」、（米国）、第１版、スプリンガー（Springer）、２００６年、Ｐ．２２５－２９０

本発明が解決しようとする課題は、学習済みモデルによる被検体の健康状態に関する情報の推定精度を考慮して、被検体に応じて収集または蓄積する医用データの量を削減することである。

実施形態に係る医用情報処理装置は、取得部と、処理部と、評価部と、削減部とを備える。取得部は、被検体の複数種類の医用データを取得する。処理部は、複数種類の被検体の医用データにもとづいて被検体の健康状態に関する情報を生成する学習済みモデルに対して、複数種類の医用データを入力することで被検体の健康状態に関する情報を生成する。評価部は、複数種類の被検体の医用データのそれぞれの種類について、学習済みモデルが生成する被検体の健康状態に関する情報の推定精度に対する影響度を評価する。削減部は、影響度が閾値以下の種類の被検体の医用データについて、（１）次回以降の当該種類の医用データの被検体からの収集量の削減、（２）複数種類の収集済みの被検体の医用データを記憶した記憶部に占める影響度が閾値以下の種類の被検体の医用データのデータサイズの削減、の少なくとも一方を行う。

一実施形態に係る医用情報処理装置を含む医用情報処理システムの一構成例を示すブロック図。 推定機能の診断機能の学習時におけるデータフローの一例を示す説明図。 診断機能の運用時におけるデータフローの一例を示す説明図。 複数の学習済みモデルの一例を示す説明図。 通常運用時において、収集する医用データの種類と収集条件、および学習済みモデルを動的に設定する際の手順の一例を示すフローチャート。 被検体ごとに低影響度の医用データを特定して収集データを削減する際の手順の一例を示すフローチャート。 図３に示す学習済みモデルの低影響度の医用データを被検体ごとに特定する様子の一例を示す説明図。 医用データの収集に係るコストおよびメリットにもとづいて医用データごとに設定された優先度をユーザの情報処理端末のディスプレイに表示した様子の一例を示す説明図。 学習済みモデルを簡素化する際の手順の一例を示すフローチャート。

以下、図面を参照しながら、医用情報処理装置、医用情報処理システム、および医用情報処理方法の実施形態について詳細に説明する。

（システム全体構成）
図１は、一実施形態に係る医用情報処理装置２０を含む医用情報処理システム１０の一構成例を示すブロック図である。

医用情報処理システム１０は、サーバの一例としての医用情報処理装置２０を含むほか、正解データベース（正解ＤＢ）３１、被検体データベース（被検体ＤＢ）３２、複数のモダリティ３５、３６、医師などのユーザにより利用される情報処理端末４０、被検体に装着されたウェアラブル端末５１、ＩｏＴゲートウェイ５２、および被検体に利用される情報処理端末５３を含む。

正解ＤＢ３１および被検体ＤＢ３２は、磁気的もしくは光学的記録媒体または半導体メモリなどの、プロセッサにより読み取り可能な記録媒体を含んだ構成を有する。

正解ＤＢ３１は、複数の被検体から収集した検証用医用データと健康状態に関する情報の正解の推定結果との組からなる正解データセットを記憶する。検証用医用データは、複数の被検体から過去に収集されたデータである。健康状態に関する情報の正解の推定結果は、たとえば、当該推定に対応する検証用医用データの収集対象者から組織を取り出して診断することで確定した病変に関する確定診断結果などである。

被検体ＤＢ３２は、被検体から収集した医用データを被検体ごとに記憶する。被検体ＤＢ３２としては、ＰＨＲ（Personal Health Record、個人医療記録）などを用いることができる。被検体ＤＢ３２に収集される医用データは、被検体が病院に訪れたときに収集される各種医用データ（モダリティ３５、３６で収集された医用画像データを含む）、被検体に装着されたウェアラブル端末５１で収集された医用データ、あるいは被検体が所持する図示しない医用計測機器（たとえば血圧計など）であってネットワーク接続可能な医用計測機器で収集された医用データなどを含む。被検体ＤＢ３２は、記憶部の一例である。

複数のモダリティ３５、３６は、たとえば超音波診断装置、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、ＳＰＥＣＴ（Single Photon Emission computed Tomography）装置やＰＥＴ（Positron Emission Tomography）装置などの核医学診断装置等により構成される。

情報処理端末４０は、医師などのユーザにより利用され、たとえば一般的なパーソナルコンピュータやワークステーションなどにより構成される。また、情報処理端末４０は、たとえばスマートフォン型やタブレット端末、ノートブック型パーソナルコンピュータなどの携帯型の情報処理端末により構成されてもよい。情報処理端末４０は、医用情報処理装置が出力した推定結果を表示するためのディスプレイと、当該推定結果を示す画像を生成するプロセッサとを少なくとも有する。情報処理端末４０は、医用情報処理装置２０が出力した推定結果を表示するクライアントの一例である。

ウェアラブル端末５１は、被検体が腕などの身体の一部に装着して使用する医用データ収集デバイスであり、被検体の医用データを収集する。ウェアラブル端末５１が収集する医用データは、たとえば血圧、心拍数、血中酸素濃度、血糖値、超音波や赤外線等の強度など、様々な生化学的情報を含む。ウェアラブル端末５１がディスプレイを有する場合は、ウェアラブル端末５１は、医用情報処理装置２０が出力した推定結果を表示するクライアントの一例である。

ＩｏＴゲートウェイ５２は、プロセッサを有し、ウェアラブル端末５１から送信された医用データをエッジ処理してからネットワーク１００に送信する。エッジ処理は、ウェアラブル端末５１から送信されるデータのデータ量を削減するために行われる処理であり、たとえばデータから抽出した特徴量にもとづいてネットワーク１００に送信するデータ量を削減する処理を含む。

本実施形態において、ネットワーク１００は、たとえばクラウドネットワークなどの電気通信技術を利用した情報通信網全般を意味し、病院基幹ＬＡＮ（Local Area Network）などの無線／有線ＬＡＮやインターネット網のほか、電話通信回線網、光ファイバ通信ネットワーク、ケーブル通信ネットワークおよび衛星通信ネットワークなどを含む。

なお、図１にはウェアラブル端末５１がＩｏＴゲートウェイ５２を介してネットワーク１００に接続される場合の例を示したが、ＩｏＴゲートウェイ５２を介さず直接ネットワーク１００に接続されてもよい。ウェアラブル端末５１がＩｏＴゲートウェイ５２を介してネットワーク１００に接続される場合、ウェアラブル端末５１から常時リアルタイムに収集データが送信されたとしても、ＩｏＴゲートウェイ５２のエッジ処理によってネットワーク１００に流れるデータ量を削減することができる。

情報処理端末５３は、被検体に利用され、たとえばスマートフォン型やタブレット端末、ノートブック型パーソナルコンピュータなどの携帯型の情報処理端末により構成される。情報処理端末５３は、医用情報処理装置２０が出力した推定結果を表示するクライアントの一例である。

（医用情報処理装置の構成）
医用情報処理装置２０は、たとえばパーソナルコンピュータやワークステーションなどの一般的な情報処理装置により構成され、入力インターフェース２１、ディスプレイ２２、記憶回路２３、通信回路２４、および処理回路２５を有する。

医用情報処理装置２０の入力インターフェース２１は、たとえばトラックボール、スイッチボタン、マウス、キーボード、テンキーなどの一般的な入力装置により構成され、ユーザの操作に対応した操作入力信号を処理回路２５に出力する。ディスプレイ２２は、たとえば液晶ディスプレイやＯＬＥＤ（Organic Light Emitting Diode）ディスプレイなどの一般的な表示出力装置により構成される。

記憶回路２３は、たとえば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等の、プロセッサにより読み取り可能な記録媒体を含んだ構成を有し、処理回路２５が利用するプログラムやパラメータデータやその他のデータを記憶する。なお、記憶回路２３の記録媒体内のプログラムおよびデータの一部または全部は、ネットワーク１００を介した通信によりダウンロードされてもよいし、光ディスクなどの可搬型記憶媒体を介して記憶回路２３に与えられてもよい。

通信回路２４は、ネットワーク１００の形態に応じた種々の情報通信用プロトコルを実装する。通信回路２４は、この各種プロトコルに従ってネットワーク１００を介して他の電気機器と接続する。

処理回路２５は、医用情報処理装置２０を統括制御する機能を実現する。また、処理回路２５は、記憶回路２３に記憶された医用情報処理プログラムを読み出して実行することにより、学習済みモデルによる被検体の健康状態に関する情報の推定精度を考慮して、被検体に応じて収集または蓄積する医用データの量を削減するための処理を実行するプロセッサである。

処理回路２５のプロセッサは、設定機能２５１、選択機能２５２、取得機能２５３、推定機能２５４、通知機能２５５、評価機能２５６、削減機能２５７、学習機能２５８、および異常監視機能２５９を実現する。これらの各機能は、それぞれプログラムの形態で記憶回路２３に記憶されている。

なお、本実施形態では、医用情報処理装置２０の処理回路４５により各機能２５１－２５９が実現される場合の例について説明するが、医用情報処理装置２０のこれらの機能２５１－２５９の一部または全部は、ネットワーク１００に接続された院内サーバ、クラウドコンソール、ワークステーションなどの、医用情報処理装置２０とは独立した、プロセッサおよび記憶回路を少なくとも有した外部の装置によって実現されてもよい。また、医用情報処理装置２０が互いにネットワーク１００を介して接続された複数の情報処理装置により構成され、各機能２５１－２５９が複数の情報処理装置によって適宜分散されて実現されてもよい。

設定機能２５１は、削減機能２５７に制御されて、被検体から収集する医用データの種類と、データ精度と収集頻度（サンプリング周期）とデータ収集方法との少なくとも１つを含む収集条件と、を設定する。データ精度は、データのビット数を含む。収集頻度は、等間隔か非等間隔かの情報を含む。データの収集方法の設定には、直接変換方式か間接変換方式かの情報や、レーザー光か超音波かなどの情報などを含むことができる。

たとえば、医師などのユーザは、被検体の健康リスクに応じて、収集する医用データの種類と収集条件を選択する。健康リスクは、被検体の年齢、病歴、および現在の健康状態などから決定される。設定機能２５１は、医師の選択結果にもとづいて、収集する医用データの種類や収集条件を設定する。

また、設定機能２５１は、医師などのユーザによる指示を受けずに、被検体の健康リスク（被検体の年齢、病歴、および現在の健康状態など）に応じて、収集する医用データの種類と収集条件を自動的に設定してもよい。

また、設定機能２５１は、推定機能２５４により生成された被検体の健康状態に関する情報にもとづいて、被検体から収集する医用データの種類と収集条件を再設定してもよい。被検体の健康状態に関する情報は、被検体の現在の健康状態と将来の健康状態の少なくとも一方が含まれる。たとえば、医師などのユーザは、推定機能２５４による推定結果にもとづいて通知機能２５５からメッセージ、数値、グラフ情報などにより通知された被検体の健康状態に関する情報にもとづいて、健康リスクの再設定を行うことができる。

また、設定機能２５１は、被検体の健康リスクの変化に応じて収集する医用データの種類と収集条件を再設定してもよい。健康リスクの変化タイミングは、健康診断処理により正常と認められない状態やイベントの発生タイミングを含む。また、医師などのユーザは、被検体の健康状態の推移を予測して、あらかじめ医用データの種類と収集条件を変更する条件を設定しておいてもよい。この場合、設定機能２５１は、条件が満たされた場合に、自動的に医用データの種類と収集条件の設定を変更する。

設定機能２５１は、設定した医用データの種類と収集条件とにもとづいて、ウェアラブル端末５１などの被検体から医用データを収集するデバイスを制御し、当該デバイスから被検体の医用データを収集する。設定機能２５１は、設定部の一例である。

選択機能２５２は、設定機能２５１により設定された医用データの種類と収集条件とにもとづいて、複数の学習済みモデルから、被検体の健康状態に関する情報を生成する学習済みモデルを選択する。複数の学習済みモデルは、診断目的に応じて、あらかじめ用意される。複数の学習済みモデルは、それぞれ医用データの種類および収集条件に応じて、用意されてもよい。各学習済みモデルは、入力された複数種類の医用データにもとづいて当該医用データを収集した対象者の健康状態に関する情報を出力する。複数の学習済みモデルについては図２－４を用いて後述する。選択機能２５２は、選択部の一例である。

取得機能２５３は、複数種類の被検体の医用データを、被検体ＤＢ３２やモダリティ３５、３６、ウェアラブル端末５１などから取得する。取得機能２５３は、取得部の一例である。

推定機能２５４は、機械学習を用いて複数種類の被検体の医用データにもとづいて被検体の健康状態に関する情報を生成する。機械学習としては、ＣＮＮ（畳み込みニューラルネットワーク）や畳み込み深層信念ネットワーク（ＣＤＢＮ：Convolutional Deep Belief Network）などの、多層のニューラルネットワークを用いた深層学習を用いることができる。

すなわち、推定機能２５４は、複数種類の被検体の医用データにもとづいて被検体の健康状態に関する情報を生成する学習済みモデルに対して、取得機能２５３が取得した複数種類の医用データを入力することで、被検体の健康状態に関する情報を生成する。推定機能２５４は、診断目的に応じてあらかじめ複数の診断機能２５４Ａ、２５４Ｂ、、、を含む。推定機能２５４の動作の詳細については図２－４を用いて後述する。推定機能２５４は、処理部の一例である。

通知機能２５５は、推定機能２５４により生成された被検体の健康状態に関する情報を、ユーザおよび被検体の少なくとも一方に通知する。たとえば、通知機能２５５は、推定機能２５４により生成された被検体の健康状態に関する情報を示す画像を、ユーザにより利用される情報処理端末４０のディスプレイや、被検体により利用されるウェアラブル端末５１のディスプレイ、情報処理端末５３のディスプレイなどに表示させる。より具体的には、通知機能２５５は、インターネット上のウェブページに、被検体の現在の健康状態を示す色や形状、またはテキスト情報や数値、グラフを表示することができる。また、通知機能２５５は、これらの端末に、被検体の健康状態に関する情報を示す音声を出力させてもよい。

また、通知機能２５５は、被検体の現在の健康状態が不健康と判定された場合や、近い将来に不具合が発生すると予測された場合には、ユーザの情報処理端末４０およびウェアラブル端末５１の少なくとも一方に警告情報を伝送するとよい。このとき、注意喚起やアクションを促すアートメッセージを発信してもよい。被検体の現在の健康状態が著しく不健康と判定された場合であって、救急車による搬送と救急措置が必要な場合には、は、通知機能２５５は救急搬送に必要なアクションを起こしてもよい。

評価機能２５６は、複数種類の被検体の医用データのそれぞれの種類について、学習済みモデルが生成する被検体の前記健康状態に関する情報の推定精度に対する影響度を求める。評価機能２５６は、評価部の一例である。評価機能２５６の動作の詳細については図６、７、９を用いて後述する。評価機能２５６は、評価部の一例である。

削減機能２５７は、被検体ごとに、学習済みモデルに対する複数の入力医用データのうち推定精度への影響の低い医用データを特定し、当該医用データの次回以降の収集量削減または収集済みで被検体ＤＢ３２に記憶された当該医用データを圧縮、削除、サマリー作成等することで記憶容量の削減を行う。この処理は、被検体ごとに行われる。同じ学習済みモデルであっても、被検体の健康リスクに応じて推定精度に対する影響が低い医用データは異なりうるためである。

具体的には、削減機能２５７は、影響度が閾値以下の種類の被検体の医用データについて、（１）次回以降の当該種類の医用データの被検体からの収集量の削減、（２）被検体ＤＢ３２に占める影響度が閾値以下の種類の被検体の医用データのデータサイズの削減、の少なくとも一方を行う。次回以降の収集量を削減する場合、削減機能２５７は、たとえば影響度が閾値以下の種類の医用データを被検体から収集する収集条件を、収集量が低下するように変更するよう、設定機能２５１を制御する。被検体ごとに低影響度の医用データを特定し被検体ごとに収集データを削減する処理の詳細については図６、図７を用いて後述する。削減機能２５７は、削減部の一例である。

学習機能２５８は、学習済みモデルが被検体の健康状態に関する情報を生成すると、生成結果と生成処理に用いられた被検体の医用データとを用いて、当該学習済みモデルをさらに学習させる、いわゆる自己学習処理を行う。

また、学習機能２５８は、学習済みモデルの複数の入力データのうち推定精度への影響の低い入力データに対応するノードを省いた学習済みモデルを再構築する。学習済みモデルの再構築の詳細については図９を用いて後述する。学習機能２５８は、学習部の一例である。

異常監視機能２５９は、医用データのトラフィック量を監視し、医用データの送受信遅延や欠損があった場合には、推定機能２５４や通知機能２５５に異常を通知する。推定機能２５４は、異常の通知を受け取った場合、推定処理を行わない、または推定結果を廃棄するなどの動作を行うとよい。また、通知機能２５５は、異常の通知を受け取った場合、異常が生じた旨の情報をユーザや被検体に通知するとよい。

（推定機能）
図２は、推定機能２５４の診断機能２５４Ａの学習時におけるデータフローの一例を示す説明図である。上述の通り、推定機能２５４は、診断目的に応じてあらかじめ用意された複数の診断機能２５４Ａ、２５４Ｂ、・・・、を含む。他の診断機能の学習方法は診断機能２５４Ａと同様であるため説明を省略する。

診断機能２５４Ａは、正解ＤＢ３１の正解データセットを多数用いて深層学習を行うことにより、パラメータデータ６２Ａを逐次的に更新する。

診断機能２５４Ａの正解データセットは、たとえば、学習用データ群７１Ａを構成する検証用医用データ群７１１Ａ、７１２Ａ、７１３Ａ、・・・、と、各検証用医用データ群に対応する確定診断結果７２１Ａ、７２２Ａ、７２３Ａ、・・・、により構成された教師データ群７２Ａと、の組みからなる。検証用医用データ群７１１Ａ、７１２Ａ、７１３Ａ、・・・、は、それぞれ医用データＡ、Ｂ、Ｃにより構成される。医用データＡ、Ｂ、Ｃは、互いに異なる種類の医用データである。

診断機能２５４Ａは、正解データセットが与えられるごとに、学習用データをニューラルネットワーク６１Ａで処理した結果が教師データに近づくようにパラメータデータ６２Ａを更新していく、いわゆる学習を行う。一般に、パラメータデータ６２Ａの変化割合が閾値以内に収束すると、学習は終了と判断される。以下、学習後のパラメータデータ６２Ａを特に学習済みパラメータデータ６２Ａｔという。なお、学習用データの種類と図３に示す運用時の入力データの種類は一致させるべきことに注意する。たとえば、学習用データの医用データが投影データであれば運用時の入力医用データも投影データとする。

図３は、診断機能２５４Ａの運用時におけるデータフローの一例を示す説明図である。運用時には、診断機能２５４Ａは、推定対象となる被検体から収集された医用データＡ、Ｂ、Ｃからなる医用データ群８１Ａを入力され、学習済みモデル６０Ａを用いて、推定対象となる被検体の健康状態に関する情報の推定結果（以下、推定健康情報という）８２Ａを生成する。

なお、ニューラルネットワーク６１Ａと学習済みパラメータデータ６２ｔは、学習済みモデル６０Ａを構成する。この種の学習の方法および学習済みモデルの構築方法については、非特許文献１に開示された方法など種々の方法が知られている。ニューラルネットワーク６１Ａは、プログラムの形態で記憶回路２３に記憶される。学習済みパラメータデータ６２Ａｔは、記憶回路２３に記憶されてもよいし、ネットワーク１００を介して処理回路２５と接続された記憶媒体に記憶されてもよい。学習済みモデル６０Ａ（ニューラルネットワーク６１Ａと学習済みパラメータデータ６２Ａｔ）が記憶回路２３に記憶される場合、処理回路２５のプロセッサにより実現される診断機能２５４Ａは、記憶回路２３から学習済みモデル６０Ａを読み出して実行することで、推定対象となる被検体から収集された複数の医用データＡ、Ｂ、Ｃからなる医用データ群８１Ａにもとづいて、推定対象となる被検体の推定健康情報８２Ａを生成する。

なお、学習済みモデル６０Ａは、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）などの集積回路によって構築されてもよい。

図４は、複数の学習済みモデル６０Ａ、６０Ｂ、・・・、の一例を示す説明図である。診断機能２５４Ａに対する学習済みモデル６０Ａと同様に、他の診断機能に対応する学習済みモデル６０Ｂ、・・・、６０Ｘ、・・・、があらかじめ診断目的ごとに構築される。すなわち、図４に示すように、診断目的ごとに構築された多数の学習済みモデル（たとえば１０００個など）があらかじめ用意される。

（通常運用時の手順）
図５は、通常運用時において、収集する医用データの種類と収集条件、および学習済みモデルを動的に設定する際の手順の一例を示すフローチャートである。図５において、Ｓに数字を付した符号はフローチャートの各ステップを示す。

まず、ステップＳ１において、設定機能２５１は、被検体の健康リスクを決定する。健康リスクは、被検体の年齢、病歴、および現在の健康状態に応じて医師などのユーザにより、または自動的に、決定される。

次に、ステップＳ２において、設定機能２５１は、被検体の健康リスクに応じて被検体から収集する医用データの種類と収集条件を設定する。

次に、ステップＳ３において、設定機能２５１は、設定した医用データの種類と収集条件とにもとづいて、被検体から医用データを収集するデバイスを制御し、当該デバイスから被検体の医用データを収集する。

また、ステップＳ４において、選択機能２５２は、設定された医用データの種類と収集条件とにもとづいて、複数の学習済みモデル６０Ａ、６０Ｂ、・・・、６０Ｘ、・・・、から、被検体の推定健康情報を生成する学習済みモデルを選択する。ステップＳ３とステップＳ４は前後して実行されてもよいし並行して実行されてもよい。ここでは、学習済みモデル６０Ａが選択されたものとする。

次に、ステップＳ５において、取得機能２５３は、設定された種類の被検体の医用データを、被検体ＤＢ３２、モダリティ３５、３６、ウェアラブル端末５１などから取得する。ここでは、学習済みモデル６０Ａに対応する医用データＡ、Ｂ、Ｃが取得される。

次に、ステップＳ６において、推定機能２５４は、選択された学習済みモデルに対して、取得機能２５３が取得した複数種類の医用データを入力することで、被検体の推定健康情報を生成する。ここでは、学習済みモデル６０Ａに対して医用データＡ、Ｂ、Ｃを入力することで推定健康情報８２Ａが生成される（図３、図４参照）。

次に、ステップＳ７において、通知機能２５５は、推定機能２５４により生成された推定健康情報を、ユーザおよび被検体の少なくとも一方に通知する。

次に、ステップＳ８において、設定機能２５１は、推定機能２５４により生成された推定健康情報にもとづいて、被検体の健康リスクを再設定する。

たとえば、学習済みモデル６０Ａが生成する推定健康情報８２Ａが、被検体が現在病名αの疾患に罹患しているか病名βの疾患に罹患しているかのいずれかを示す情報である場合を考える。いま、学習済みモデル６０Ａが生成した推定健康情報８２Ａが、被検体が病名βの疾患に罹患している旨の情報であった場合には、被検体の健康リスクは病名βの疾患に罹患している可能性があると決定される。

次に、ステップＳ９において、設定機能２５１は、再設定された健康リスクにもとづいて、被検体から収集する医用データの種類と収集条件を再設定し、ステップＳ３に戻る。学習済みモデル６０Ｂが病名βの疾患に罹患しているか否かを判別するモデルである場合、上記例では、学習済みモデル６０Ｂを用いて被検体が病名βの疾患に罹患しているか否かを判別すべくステップＳ３に戻る。この場合、次にステップＳ３が実行されると学習済みモデル６０Ｂに対応する医用データＡ、Ｂ、Ｄが取得され、ステップＳ４が実行されると学習済みモデル６０Ｂが選択される（図４参照）。

なお、再設定の結果、再検査まで期間が長い医用データがある場合、通知機能２５５は個別に次回の検査予定日をユーザや被検体に通知してもよい。

以上の手順により、収集する医用データの種類と収集条件、および学習済みモデルを動的に設定することができる。

ウェアラブル端末５１を用いて医用データを収集する場合、収集期間が長くなるほど、必要となるストレージが膨大となってしまう。仮に、８ビットの精度を持つ健康データを１Ｈｚで常時収集した場合、１日のデータ量は８［ｂｉｔ］ｘ１［Ｈｚ］ｘ６０［ｓ］ｘ６０［ｍ］ｘ２４［ｈ］＝８６ＭＢ、１年で８６ＭＢｘ３６５［ｄ］＝３１．５ＧＢ、８０年（生涯）では３１．５ＧＢｘ８０［ｙ］＝２．５ＴＢもの記憶容量が必要となってしまう。

この点、図５に示す手順によれば、被検体の健康リスクに応じて収集する医用データの種類と収集条件を動的に変更することができる。このため、健康状態の推定に必要な量の医用データを適切に収集することができるため、収集、処理、および蓄積するデータ量を削減することができる。

また、学習済みモデルでの現在の健康状態の診断や将来の発症予測に寄与しない医用データを収集、処理、蓄積することは明らかに非効率である。図５に示す手順によれば、被検体の健康リスクに応じて収集する医用データの種類と収集条件、および学習済みモデルを動的に変更することができる。このため、被検体の健康リスクに適した学習済みモデルの利用に不要な医用データの収集を削減することができるため、収集、処理、および蓄積するデータ量を削減することができる

また、健康リスクは、個人差があり、また年齢に応じて変化する。このため、固定的な運用は明らかに非効率である。この点、図５に示す手順によれば、被検体の健康リスクに応じて適応的に収集する医用データの種類と収集条件、および学習済みモデルが設定できる。したがって、収集、処理、および蓄積するデータ量を削減することができる。

また、被検体によっては、手術などの治療に伴って、身体の状態が大きく変わる場合がある。身体の状態が大きく変わる場合としては、臓器移植や再生医療などで臓器の状態が劇的に変化する場合や、人工関節を留置した場合、四肢の切断などにより義手や義足を装着した場合などが挙げられる。この場合、新しいデータが入力され、あるいは将来的に不要になるデータが存在する。この点、図５に示す手順によれば、被検体の健康リスクに応じて適応的に収集する医用データの種類と収集条件、および学習済みモデルが設定できるため、収集、処理、および蓄積するデータ量を削減することができる。

（被検体ごとに学習済みモデルの低影響度の医用データを特定し収集データを削減）
図６は、被検体ごとに低影響度の医用データを特定して収集データを削減する際の手順の一例を示すフローチャートである。図６において、Ｓに数字を付した符号はフローチャートの各ステップを示す。

また、図７は、図３に示す学習済みモデル６０Ａの低影響度の医用データを被検体ごとに特定する様子の一例を示す説明図である。

同じ学習済みモデルであっても、被検体の健康リスクに応じて、推定精度に対する影響が低い医用データは異なりうる。したがって、図６に示す手順は被検体ごとに行われる。

図６に示す手順は、たとえば被検体の前回の診断で用いた学習済みモデルに対して実行される。以下、学習済みモデル６０Ａについて、低影響度の医用データを被検体ごとに特定する場合の例を説明する。

ステップＳ１１において、取得機能２５３は、学習済みモデル６０Ａに対応する、被検体から収集済みの複数種類の医用データＡ、Ｂ、Ｃを取得する。

次に、ステップＳ１２において、評価機能２５６は、複数種類の被検体の医用データＡ、Ｂ、Ｃのそれぞれの種類について、被検体の医用データＡ、Ｂ、Ｃにもとづく確定診断結果８３を用いて、学習済みモデル６０Ａが生成する被検体の推定健康情報８２Ａの推定精度に対する影響度を求める（図７参照）。具体的には、複数種類の被検体の医用データＡ、Ｂ、Ｃのそれぞれの種類について、実際に収集された値とは異なる複数の値を順に置き換えて、推定健康情報８２Ａの変化を確認する。

次に、ステップＳ１３において、評価機能２５６は、影響度が閾値以下の種類を特定する。

次に、ステップＳ１４において、削減機能２５７は、影響度が閾値以下の種類の被検体の医用データについて、（１）次回以降の当該種類の医用データの被検体からの収集量の削減、（２）被検体ＤＢ３２に占める影響度が閾値以下の種類の被検体の医用データのデータサイズの削減、の少なくとも一方を行う。収集量の削減には、全く収集を行わない対応が含まれる。

以上の手順により、被検体ごとに、かつ学習済みモデルごとに、低影響度の医用データを特定して収集データを削減することができる。

たとえば、年齢が若く比較的健康な被検体にとって、ある学習済みモデルの複数の入力データに含まれる血圧は、血圧の数値をあえて高くしても低くしても、ほとんど推定健康情報の推定精度に影響しないとする。この場合、次回以降の検査において、この被検体について当該学習済みモデルを利用する場合は、入力する医用データのうち、血圧については改めて収集はせず、前回の血圧を流用する、または前回までの平均を利用する、などの対応をしても、学習済みモデルの推定健康情報の推定精度にはほとんど影響しない。

このように、図６に示す手順によれば、被検体ごとに、かつ学習済みモデルごとに、低影響度の医用データを特定して収集データを削減することができる。このため、被検体から収集、推定処理、蓄積するデータ量を削減することができる。

（コスト、メリットに応じて収集する医用データの種類を設定）
図８は、医用データの収集に係るコストおよびメリットにもとづいて医用データごとに設定された優先度をユーザの情報処理端末４０のディスプレイに表示した様子の一例を示す説明図である。

医用データの収集にかかるコストには、大きく次の３つが挙げられる。１つは、収集データ量の大きさである。たとえば医用データの収集のために４ＤＣＴの撮影を行う場合、非常に多量のデータが収集される。他の１つは、被検体の身体的負担の大きさである。たとえば医用データの収集のために穿刺生検が行われる場合、被検体に対する身体的負担が大きい。他の１つは、被検体の金銭的負担の大きさである。医用データの収集のために高額な費用が要求される場合は、コストが高いといえる。逆に、血圧検査などのように低費用で実行可能な検査により収集可能な医用データは、コストが低い。

コストとしては、これら３つの少なくとも１つを用いてもよいし、３つのそれぞれに重み係数を設定しておき、重み加算平均処理などにより最終的なコストを決定してもよい。

一方、メリットは、学習済みモデルが生成する推定健康情報の推定精度の高さである。高コストな医用データが必要な学習済みモデルであっても、生成する推定健康情報の推定精度が高いのであれば、この学習済みモデルを選択し、高コストな医用データを収集するという結論にいたる場合も考えられる。

そこで、設定機能２５１は、設定した被検体の医用データの種類を仮に適用した場合に要する、収集データ量の大きさ、被検体の身体的負担の大きさ、および被検体の金銭的負担の大きさの少なくとも１つと、この場合に生成される推定健康情報の推定精度と、にもとづいて、被検体から収集する被検体の医用データの種類を自動的に設定してもよい。また、このとき、設定機能２５１は、被検体から収集する医用データの種類ごとに、コストおよびメリットにもとづいて優先度を設定し、優先度が高いものから所定数の医用データ、または優先度が閾値以上の医用データを、被検体から収集する被検体の医用データとして自動的に設定してもよい。また、図８に示すように、この優先度の情報をユーザに提示してもよい。この場合、ユーザは優先度の情報にもとづいて収集する医用データの種類を設定することができる。

たとえば、被検体が来院時に、血液検査と、穿刺生検と、ＰＥＴ検査と、３つあるがどれを選ぶかという場面で、コストメリットにもとづいて、今日は血液検査だけにする、などの選択が容易に可能となる。

（学習済みモデルを簡素化し再構築）
図６および図７に示すように、被検体ごとに、かつ学習済みモデルごとに、低影響度の医用データを特定することを繰り返し続けると、やがて、学習済みモデルによっては、正解データが多数蓄積されて成熟していく。この場合、学習済みモデルそのものを見直し、簡素化した学習済みモデルを構築するとよい。

図９は、学習済みモデルを簡素化する際の手順の一例を示すフローチャートである。図９において、Ｓに数字を付した符号はフローチャートの各ステップを示す。

学習機能２５８は、ｉ＝１とし（ステップＳ２１）、学習済みモデルのｉ番目のノードを削除して仮の学習済みモデルｉを生成する（ステップＳ２２）。具体的には、ｉ番目の入力ノード１つと、この入力ノードと接続されている次のノードへの重み係数とを削除する。

次に、評価機能２５６は、正解ＤＢ３１に格納されている多数の正解データセットを用いて仮の学習済みモデルｉの推定精度を求める。次に、学習機能２５８は、ｉに１を加える（ステップＳ２３）。ｉが元の学習済みモデルの入力ノード数ｎ以下の場合（ステップＳ２４のＹＥＳ）、ステップＳ２２に戻る。

一方、ｉが元の学習済みモデルの入力ノード数ｎよりも大きい場合（ステップＳ２４のＮＯ）、すべての入力ノードのそれぞれについて検証が終了しているためステップＳ２６に進み、推定機能２５４は、元の学習済みモデルを、推定精度が最高の仮の学習済みモデルに置換する。

以上の手順により、推定精度を損なうことなく、学習済みモデルを簡素化することができる。この結果、次回以降には、被検体によらず、簡素化した学習済みモデルが利用可能となる。もちろん、簡素化した学習済みモデルについて、再び被検体ごとに低影響度の入力医用データを特定する処理を行ってもよい。

学習済みエンジンは、入力されるデータの種別が多くなるほど大規模になってしまい、非効率である。この点、図９に示す手順によれば、推定精度を損なうことなく学習済みエンジンが占める記憶媒体容量を大幅に削減することができる。

（サマリー生成）
被検体ＤＢ３２に記憶された被検体の医用データは、時間の経過とともに膨大なものとなり、検索性が悪化する。

そこで、削減機能２５７は、サマリー機能を含むとよい。サマリー機能は、たとえば、被検体ＤＢ３２に記憶された被検体の医用データの一部または全部について、見出し情報やリンク情報を生成することにより短時間に情報にアクセスができるようにするとよい。

また、サマリー機能は、被検体ＤＢ３２に記憶された被検体の医用データの一部または全部にもとづいて、この一部または全部の医用データが示す統計的情報を生成してもよい。具体的には、削減機能２５７のサマリー機能は、被検体から収集された古い医用データを処理して、最大値、最小値、平均値、中央値、分散やヒストグラムなどの統計的情報を生成する。また、この統計的情報には、周波数解析やゆらぎ解析などの周波数成分の特徴量情報、発作や症候などの発生日時、期間等の時間やイベント情報、臓器摘出や移植などにより存在しなくなった臓器や器官の名称や手術時期、術式などのイベント情報とその臓器や器官を特徴付ける統計情報や特徴量情報などを含んでもよい。また、異常監視機能２５９による異常通知記録を含んでもよい。

統計的情報を生成した場合、サマリー機能は、対応するオリジナルの医用データをすべて削除してもよいし、サマリーの記述をよく説明する典型的なオリジナルの医用データを残して他のデータを削除してもよい。たとえば、不整脈が起きた場合、典型的なオリジナルの医用データとは、不整脈発生の前後数秒分のデータと発生時刻のみなどである。この場合、不整脈が発生した時刻、波形、どのくらいの期間続いたか（一週間続いたなど）が把握できる。

また、被検体の医用データの一部または全部が示唆する健康状態を示す医学的な言葉（文字情報）をサマリーとし、オリジナルの医用データを削除してもよい。

作成したサマリーは、電子カルテやＰＨＲに関連付けて管理することが好ましい。

サマリーを作成することにより、被検体ＤＢ３２に記憶された被検体の医用データの検索性が向上する。また、サマリーを作成することにより、被検体ＤＢ３２に記憶された収集済みの医用データを大幅に削減することができる。

以上説明した少なくとも１つの実施形態によれば、学習済みモデルによる被検体の健康状態に関する推定精度を考慮して、被検体に応じて収集または蓄積する医用データの量を削減することができる。

なお、上記実施形態において、「プロセッサ」という文言は、たとえば、専用または汎用のＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、または、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（たとえば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、およびＦＰＧＡ）等の回路を意味するものとする。プロセッサは、記憶媒体に保存されたプログラムを読み出して実行することにより、各種機能を実現する。

また、上記実施形態では処理回路の単一のプロセッサが各機能を実現する場合の例について示したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサが各機能を実現してもよい。また、プロセッサが複数設けられる場合、プログラムを記憶する記憶媒体は、プロセッサごとに個別に設けられてもよいし、１つの記憶媒体が全てのプロセッサの機能に対応するプログラムを一括して記憶してもよい。

なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１０ 医用情報処理システム
２０ 医用情報処理装置
２２ ディスプレイ
５１ ウェアラブル端末
８１Ａ 医用データ群
８２Ａ 推定健康情報
２５１ 設定機能
２５２ 選択機能
２５３ 取得機能
２５４ 推定機能
２５５ 通知機能
２５６ 評価機能
２５７ 削減機能
２５８ 学習機能

Claims (13)

1. 被検体から収集する前記被検体の医用データの種類と、データ精度と収集頻度とデータ収集方法との少なくとも１つを含む収集条件と、を設定し、前記被検体から医用データを収集するデバイスを制御し、設定した前記被検体の医用データの種類と収集条件とにもとづいて前記デバイスから前記被検体の医用データを収集する設定部と、
   前記設定部により設定された複数種類の前記被検体の医用データを取得する取得部と、
   前記複数種類の前記被検体の医用データにもとづいて前記被検体の健康状態に関する情報を生成する学習済みモデルに対して、前記複数種類の医用データを入力することで前記被検体の前記健康状態に関する情報を生成する処理部と、
   前記複数種類の前記被検体の医用データのそれぞれの種類について、前記学習済みモデルが生成する前記被検体の前記健康状態に関する情報の推定精度に対する影響度を評価する評価部と、
   前記影響度が閾値以下の種類の前記被検体の医用データについて、（１）次回以降の当該種類の医用データの前記被検体からの収集量を削減するよう前記設定部を制御して収集条件を変更する処理、（２）前記複数種類の収集済みの前記被検体の医用データを記憶した記憶部に占める前記影響度が閾値以下の種類の前記被検体の医用データのデータサイズを削減する処理、の少なくとも一方を行う削減部と、
   を備えた医用情報処理装置。
2. 前記処理部により生成された前記被検体の前記健康状態に関する情報を、ユーザおよび前記被検体の少なくとも一方に通知する通知部、
   をさらに備えた請求項１記載の医用情報処理装置。
3. 前記設定部は、
   前記処理部により生成された前記被検体の前記健康状態に関する情報にもとづいて前記被検体から収集する前記被検体の医用データの種類と収集条件を再設定する、
   請求項１または２に記載の医用情報処理装置。
4. 前記設定部により設定された前記被検体から収集する前記被検体の医用データの種類と収集条件とにもとづいて、医用データの種類および収集条件に応じて複数用意された複数の学習済みモデルであって入力された複数種類の医用データにもとづいて当該医用データに対応する対象者の健康状態に関する情報を出力する複数の学習済みモデルから、前記被検体の前記健康状態に関する情報を生成する前記学習済みモデルを選択する選択部、
   をさらに備えた請求項１ないし３のいずれか１項に記載の医用情報処理装置。
5. 前記設定部は、
   前記被検体の健康リスクにもとづいて前記被検体から収集する前記被検体の医用データの種類と収集条件とを設定し、
   前記被検体の前記健康リスクは、
   前記被検体の年齢、病歴、および現在の健康状態に応じて決定される、
   請求項１ないし４のいずれか１項に記載の医用情報処理装置。
6. 前記設定部は、
   さらに、設定した前記被検体の医用データの種類を仮に適用した場合に要する、収集データ量の大きさ、前記被検体の身体的負担の大きさ、および前記被検体の金銭的負担の大きさの少なくとも１つと、この場合に前記処理部が生成する前記被検体の前記健康状態に関する情報の推定精度と、にもとづいて、前記被検体から収集する前記被検体の医用データの種類を設定する、
   請求項１ないし５のいずれか１項に記載の医用情報処理装置。
7. 前記設定部は、
   設定した前記被検体の医用データの種類を仮に適用した場合に要する、前記収集データ量の大きさ、前記身体的負担の大きさ、および前記金銭的負担の大きさの少なくとも１つと、この場合に前記処理部が生成する前記被検体の前記健康状態に関する情報の推定精度と、にもとづいて、収集データの種類ごとに収集の優先度を設定し、当該優先度の情報をユーザに提示する、
   請求項６記載の医用情報処理装置。
8. 前記被検体の前記健康状態に関する情報を生成する前記学習済みモデルが前記被検体の前記健康状態に関する情報を生成すると、生成結果と生成処理に用いられた前記被検体の医用データとを用いて当該学習済みモデルをさらに学習させる学習部、
   をさらに備えた請求項１ないし７のいずれか１項に記載の医用情報処理装置。
9. 前記評価部は、
   前記学習済みモデルについて、入力される前記複数種類の医用データのうち出力される健康状態に関する情報に対する影響度が閾値以下の種類を特定し、
   前記学習部は、
   前記学習済みモデルを、特定された種類の医用データの入力を削除した学習済みモデルに置換する、
   請求項８記載の医用情報処理装置。
10. 前記削減部は、
    前記記憶部に記憶された前記被検体の複数種類の医用データの一部または全部にもとづいて、この一部または全部の医用データが示す統計的情報を生成する、
    請求項９記載の医用情報処理装置。
11. 前記削減部は、
    前記統計的情報の元となった医用データを前記記憶部から削除する、
    請求項１０記載の医用情報処理装置。
12. クライアントと、サーバとを備える医用情報処理システムであって、
    前記クライアントおよびサーバのいずれかは、
    被検体から収集する前記被検体の医用データの種類と、データ精度と収集頻度とデータ収集方法との少なくとも１つを含む収集条件と、を設定し、前記被検体から医用データを収集するデバイスを制御し、設定した前記被検体の医用データの種類と収集条件とにもとづいて前記デバイスから前記被検体の医用データを収集する設定部を備え、
    前記クライアントおよびサーバのいずれかは、
    前記設定部により設定された複数種類の前記被検体の医用データを取得する取得部を備え、
    前記クライアントおよびサーバのいずれかは、
    前記複数種類の前記被検体の医用データにもとづいて前記被検体の健康状態に関する情報を生成する学習済みモデルに対して、前記複数種類の医用データを入力することで前記被検体の前記健康状態に関する情報を生成する処理部を備え、
    前記クライアントおよびサーバのいずれかは、
    前記複数種類の前記被検体の医用データのそれぞれの種類について、前記学習済みモデルが生成する前記被検体の前記健康状態に関する情報の推定精度に対する影響度を評価する評価部を備え、
    前記クライアントおよびサーバのいずれかは、
    前記影響度が閾値以下の種類の前記被検体の医用データについて、（１）次回以降の当該種類の医用データの前記被検体からの収集量を削減するよう前記設定部を制御して収集条件を変更する処理、（２）前記複数種類の収集済みの前記被検体の医用データを記憶した記憶部に占める前記影響度が閾値以下の種類の前記被検体の医用データのデータサイズを削減する処理、の少なくとも一方を行う削減部を備え、
    前記クライアントは、
    前記処理部により生成された前記被検体の前記健康状態に関する情報を、ユーザに提示するためのディスプレイを備えた、
    医用情報処理システム。
13. 被検体から収集する前記被検体の医用データの種類と、データ精度と収集頻度とデータ収集方法との少なくとも１つを含む収集条件と、を設定するステップと、
    前記被検体から医用データを収集するデバイスを制御し、設定した前記被検体の医用データの種類と収集条件とにもとづいて前記デバイスから前記被検体の医用データを収集するステップと、
    前記設定された複数種類の前記被検体の医用データを取得するステップと、
    前記複数種類の前記被検体の医用データにもとづいて前記被検体の健康状態に関する情報を生成する学習済みモデルに対して、前記複数種類の医用データを入力することで前記被検体の前記健康状態に関する情報を生成するステップと、
    前記複数種類の前記被検体の医用データのそれぞれの種類について、前記学習済みモデルが生成する前記被検体の前記健康状態に関する情報の推定精度に対する影響度を評価するステップと、
    前記影響度が閾値以下の種類の前記被検体の医用データについて、（１）次回以降の当該種類の医用データの前記被検体からの収集量を削減するよう前記設定するステップにおける収集条件を変更する処理、（２）前記複数種類の収集済みの前記被検体の医用データを記憶した記憶部に占める前記影響度が閾値以下の種類の前記被検体の医用データのデータサイズを削減する処理、の少なくとも一方を行うステップと、
    を有する医用情報処理方法。

Images