JP7313170B2 - Medical information processing apparatus, medical information processing system, and medical information processing method - Google Patents
Medical information processing apparatus, medical information processing system, and medical information processing method Download PDFInfo
- Publication number
- JP7313170B2 JP7313170B2 JP2019052597A JP2019052597A JP7313170B2 JP 7313170 B2 JP7313170 B2 JP 7313170B2 JP 2019052597 A JP2019052597 A JP 2019052597A JP 2019052597 A JP2019052597 A JP 2019052597A JP 7313170 B2 JP7313170 B2 JP 7313170B2
- Authority
- JP
- Japan
- Prior art keywords
- estimation
- subject
- medical
- information processing
- information
- 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
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
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。 TECHNICAL FIELD Embodiments of the present invention relate to a medical information processing apparatus, a medical information processing system, and a medical information processing method.
コンピュータ処理能力の進歩に伴い、シミュレーションによる推定技術の医療、ヘルスケア分野への応用が進んでいる。シミュレーションには、数値流体解析や流体構造連成などの物理シミュレーションからバイオシミュレーションまで種々のものが含まれる。シミュレーションモデルによる推定技術は今後さらに進歩し、病気の進展や治療成果の推定など、将来の個別化医療の実現に寄与しうる重要な技術と考えられている。 With advances in computer processing power, simulation-based estimation techniques are being applied to the medical and healthcare fields. Simulations include a variety of simulations, from physical simulations such as computational fluid dynamics analysis and fluid-structure interaction to bio-simulations. Estimation technology based on simulation models will further advance in the future, and is considered an important technology that can contribute to the realization of future personalized medicine, such as estimating disease progress and treatment outcomes.
一方、IoT技術の普及に伴い、ビッグデータにもとづく知識ベースの推定技術(学習済みモデルによる推定技術)も大きく進歩している。このため、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。たとえば、この種の医用データには、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、ウェアラブルセンサからの情報が含まれる。 On the other hand, along with the spread of IoT technology, knowledge-based estimation technology based on big data (estimation technology based on trained models) has made great progress. For this reason, it has become possible to collect a large amount of extremely diverse types of medical data from subjects. For example, this type of medical data includes diagnostic imaging results and examination information obtained in hospitals, biological information obtained outside hospitals and at home, and information from wearable sensors.
しかしながら、これらの2つの推定技術はそれぞれ個別に進化を遂げてきており、それぞれの得意な分野に対して独立に適用事例を増やしてきた。このため、両者を組み合わせて用いることは難しい。 However, these two estimation techniques have evolved independently, and have increased their application cases independently in their respective fields of expertise. Therefore, it is difficult to use them in combination.
また、学習済みモデルによる推定とシミュレーションモデルによる推定は、互いに異なる問題点をはらんでおり、どちらが優れているかを画一的に決定することは難しい。たとえば、シミュレーションモデルによる推定では、境界条件の設定が困難な場合がある。この場合、境界条件として確からしい数値を大まかに設定して、実験や標準的なモデルとの比較や整合により場当たり的にシミュレーションモデルによる推定が実行されるため、推定結果の誤差が大きくなってしまう場合がある。また、学習済みモデルによる推定結果の精度は入力データの種類や質、量の影響を受けるが、個人から得られる計測情報は限られた情報であり、被検体の生体情報を再現するための全ての情報を取得することは困難である。このため、学習済みモデルによる推定とシミュレーションモデルによる推定は、いずれも、個人の特性や特徴量を反映した推定を行うことが難しい。 In addition, estimation using a trained model and estimation using a simulation model have different problems, and it is difficult to uniformly determine which is superior. For example, it may be difficult to set boundary conditions in simulation model estimation. In this case, estimation using a simulation model is performed on an ad-hoc basis by roughly setting probable numerical values as boundary conditions and performing comparisons and matching with experiments and standard models, which may result in large errors in estimation results. In addition, the accuracy of the estimation result by the trained model is affected by the type, quality, and quantity of the input data, but the measurement information obtained from the individual is limited, and it is difficult to obtain all the information to reproduce the biological information of the subject. For this reason, it is difficult to perform estimation that reflects individual characteristics and feature amounts in both estimation using a trained model and estimation using a simulation model.
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推定とシミュレーションモデルによる推定を組み合わせて被検体の健康状態に関する推定を行うことである。 The problem to be solved by the present invention is to estimate the health condition of a subject by combining estimation by a trained model and estimation by a simulation model.
実施形態に係る医用情報処理装置は、取得部と、最適化部とを備える。取得部は、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した記憶部から、正解データセットを取得する。最適化部は、検証用医用データにもとづいて学習済みモデルが生成した健康状態に関する情報の推定結果と、検証用医用データにもとづいてシミュレーションモデルが生成した健康状態に関する情報の推定結果と、健康状態に関する情報の正解の推定結果と、にもとづいて、学習済みモデルとシミュレーションモデルとのどちらを用いて推定対象の被検体の健康状態に関する情報の推定を行うかを決定する。 A medical information processing apparatus according to an embodiment includes an acquisition unit and an optimization unit. The acquisition unit acquires a correct data set from a storage unit that stores a correct data set including sets of verification medical data collected from a plurality of subjects and correct estimation results of information on health conditions. The optimization unit determines which of the trained model and the simulation model is used to estimate the information about the health condition of the subject to be estimated, based on the results of estimating the information about the health condition generated by the learned model based on the medical data for verification, the results of estimating the information about the health condition generated by the simulation model based on the medical data for verification, and the results of estimating correct information about the health condition.
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。 Hereinafter, embodiments of a medical information processing apparatus, a medical information processing system, and a medical information processing method will be described in detail with reference to the drawings.
(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。また、図2は、情報処理端末40の一構成例を示すブロック図である。
(Overall system configuration)
FIG. 1 is a block diagram showing a configuration example of a medical
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。
The medical
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。
The correct answer DB 31 and the
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。正解DB31は、記憶部の一例である。
The correct answer DB 31 stores a correct answer data set consisting of a set of verification medical data collected from a plurality of subjects and an estimation result of the correct answer of the information on the health condition. Verification medical data is data collected in the past from a plurality of subjects. The estimated result of the correctness of the information on the health condition is, for example, a definitive diagnosis result regarding a lesion determined by diagnosing a tissue extracted from the person to whom the verification medical data corresponding to the estimation is collected. The
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デバイス(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デバイス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。
The
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。
The plurality of
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。
The
図2に示すように、情報処理端末40は、ディスプレイ41、入力インターフェース42、記憶回路43、通信回路44、および処理回路45を有する。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。
As shown in FIG. 2, the
ディスプレイ41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。入力インターフェース42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45に出力する。
The
記憶回路43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45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43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43に与えられてもよい。
The
通信回路44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44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。通信回路44は、受信部の一例である。
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。
In the present embodiment, the
処理回路45は、情報処理端末40を統括制御する機能を実現する。また、処理回路45は、記憶回路43に記憶されたプログラムを読み出して実行することにより、医用情報処理装置20に健康状態に関する情報の推定を要求する処理、および医用情報処理装置20から健康状態に関する情報の推定結果を受信してディスプレイ41に表示する処理を実行するプロセッサである。
The
処理回路45のプロセッサは、推定要求機能451、推定結果取得機能452、および画像生成機能453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43に記憶されている。
The processor of the
推定要求機能451は、医用情報処理装置20に対し、被検体の健康状態に関する情報の推定を行うよう要求する。
The
推定結果取得機能452は、通信回路44が受信した医用情報処理装置20から被検体の健康状態に関する情報の推定結果を取得する。
The estimation
画像生成機能453は、医用情報処理装置20から取得した被検体の健康状態に関する情報の推定結果にもとづいて、被検体の診断を支援するための画像を生成してディスプレイ41に表示させる。被検体の診断を支援するための画像は、被検体の健康状態に関する情報の推定結果そのものを示す画像を含む。
The
ウェアラブル端末51は(図1参照)、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。
The wearable terminal 51 (see FIG. 1) is a medical data collection device that is worn by a subject on a part of the body such as an arm, and collects medical data of the subject. The medical data collected by the
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。
The IoT
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。
Although FIG. 1 shows an example in which the
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。
The
(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、図1に示すように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。
(Configuration of medical information processing apparatus)
The medical
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。
The
記憶回路23は、たとえば、RAM、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。
The
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。通信回路24は、送信部の一例である。
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推定とシミュレーションモデルによる推定を組み合わせて被検体の健康状態に関する推定を行うための処理を実行するプロセッサである。
The
処理回路25のプロセッサは、取得機能251、推定機能252、最適化機能253、学習機能254、および通知機能255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。
The processor of
取得機能251は、正解DB31から、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取得する。また、取得機能251は、被検体DB32から、推定対象の被検体の医用データを取得する。取得機能251は、取得部の一例である。
The
推定機能252は、最適化部により決定された学習済みモデルとシミュレーションモデルとのどちらかを用いて、推定対象の被検体の医用データにもとづいて推定対象の被検体の健康状態に関する情報の推定を行う。推定機能252は、推定部の一例である。
The
本実施形態に係る推定処理は、大きく3つの処理を含む。1つは、被検体の医用データを入力データとし、被検体の現在の医用パラメータを推定する処理である。医用パラメータとしては、たとえば冠動脈の血流パラメータなどが挙げられる。1つは、被検体の医用データを入力データとし被検体の現在の健康状態を推定する処理である。現在の健康状態としては、被検体が現在罹患している病名等が挙げられる。1つは、被検体の医用データを入力データとし、被検体の将来の健康状態の変化を推定する処理、予後を推定する推定、または治療プランを推定する処理である。健康状態に関する情報は、現在の医用パラメータと、現在の健康状態と、将来の健康状態の推定または治療プランと、を含む。将来の健康状態の推定は、将来の健康状態の変化予測と予後予測とを含む。 The estimation process according to this embodiment roughly includes three processes. One is a process of estimating current medical parameters of a subject using medical data of the subject as input data. Medical parameters include, for example, blood flow parameters of coronary arteries. One is a process of estimating the current health condition of a subject using the medical data of the subject as input data. The current health condition includes the name of a disease that the subject is currently suffering from. One is a process of estimating a change in the subject's future health condition, an estimation of prognosis, or a process of estimating a treatment plan, using the medical data of the subject as input data. Health status information includes current medical parameters, current health status, and future health status estimates or treatment plans. Future health status estimation includes future health status change prediction and prognosis prediction.
最適化機能253は、検証用医用データにもとづいて学習済みモデルが生成した健康状態に関する情報の推定結果と、検証用医用データにもとづいてシミュレーションモデルが生成した健康状態に関する情報の推定結果と、健康状態に関する情報の正解の推定結果と、にもとづいて、学習済みモデルとシミュレーションモデルとのどちらを用いて推定対象の被検体の健康状態に関する情報の推定を行うかを決定する。最適化機能253は、最適化部の一例である。
The
また、推定結果が正解に近いことも重要である一方で、推定結果を短時間で得ることができることが重要である場面もある。特に、複雑な計算を要するシミュレーションモデルによる推定処理には、思いのほか長時間を要する場合もあり、実用に耐えない場合がある。そこで、最適化機能253は、学習済みモデルとシミュレーションモデルのそれぞれが推定結果を生成するために要する時間にさらにもとづいて、学習済みモデルとシミュレーションモデルとのどちらを用いるかを決定してもよい。
In addition, while it is important that the estimation result is close to the correct answer, there are situations where it is important that the estimation result can be obtained in a short time. In particular, estimation processing using a simulation model that requires complicated calculations may take an unexpectedly long time and may not be practical. Therefore, the
この最適化処理は、推定処理ごとに行われ、たとえば上記の3つの推定処理ごとに行われる。また、上記の3つの推定処理のそれぞれは複数の推定処理に細分化されてもよく、この場合は細分化された各推定処理について学習済みモデルとシミュレーションモデルとのどちらを用いるかの最適化処理が行われてもよい。 This optimization process is performed for each estimation process, for example, for each of the above three estimation processes. Further, each of the three estimation processes described above may be subdivided into a plurality of estimation processes, and in this case, an optimization process may be performed as to which of the trained model and the simulation model is used for each of the subdivided estimation processes.
学習機能254は、推定処理のそれぞれについて、学習済みモデルおよびシミュレーションモデルをあらかじめ構築する。学習機能254は、学習部の一例である。
The
学習機能254は、たとえば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て学習済みモデルを構築できる。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。
The
なお、学習済みモデルおよびシミュレーションモデルはそれぞれ、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。 Note that the trained model and the simulation model may each be constructed by an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
通知機能255は、推定機能252により推定された被検体の健康状態に関する情報の推定結果を、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252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41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。医師などのユーザは、推定機能252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を確認することで、容易かつ正確に被検体の健康状態に関する診断を行うことができる。たとえば、健康状態に関する情報が、治療に対する患者の反応の推定結果である場合は、治療に対する患者の反応を予測した上で治療薬を投与することができる。
The
(最適化)
図3は、推定処理ごとに行われる、学習済みモデルとシミュレーションモデルとのどちらを用いて推定対象の被検体の健康状態に関する情報の推定を行うかを決定する最適化処理の手順の一例を示すフローチャートである。なお、図3-9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。図3には、1つの推定処理についての最適化処理の例を示す。
(optimization)
FIG. 3 is a flowchart showing an example of an optimization process procedure for determining which of the trained model and the simulation model is used to estimate information about the health condition of the subject to be estimated, which is performed for each estimation process. In FIGS. 3-9, numerals attached to S indicate respective steps of the flow chart. FIG. 3 shows an example of optimization processing for one estimation processing.
なお、学習済みモデルおよびシミュレーションモデルは、学習機能254によって推定処理ごとにあらかじめ構築されている。
Note that the learned model and the simulation model are built in advance by the
まず、ステップS1において、取得機能251は、正解データセット(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)を正解DB31から取得する。
First, in step S<b>1 , the
次に、ステップS2において、推定機能252は、検証用医用データにもとづいて、学習済みモデルにより健康状態に関する情報の推定結果を生成する。
Next, in step S2, the estimating
次に、ステップS3において、推定機能252は、検証用医用データにもとづいて、学習済みモデルにより健康状態に関する情報の推定結果を生成する。いま、1つの推定処理を仮定しているため、ステップS2とステップS3の推定処理における入力データは同一であり、出力される健康状態に関する情報も同種のものである。
Next, in step S3, the estimating
次に、ステップS4において、最適化機能253は、学習済みモデルとシミュレーションモデルのそれぞれの推定結果と、正解の推定結果とにもとづいて、どちらのモデルを用いて推定処理を行うかを決定する。
Next, in step S4, the
以上の手順により、学習済みモデルとシミュレーションモデルとのどちらを用いて推定対象の被検体の健康状態に関する情報の推定を行うかを推定処理ごとに決定することができる。 By the above procedure, it is possible to determine for each estimation process whether to use the learned model or the simulation model to estimate the information about the health condition of the subject to be estimated.
図3に示す手順は、たとえば上記の3つの推定処理のそれぞれに対して適用することができる。また、上記では、3つの推定処理のそれぞれが被検体の医用データを入力データとすると説明したが、互いの入出力が直列に接続可能であってもよい。 The procedure shown in FIG. 3 can be applied, for example, to each of the above three estimation processes. Also, in the above description, each of the three estimation processes uses the medical data of the subject as input data, but the inputs and outputs of the three estimation processes may be connected in series.
図4は、3つの推定処理の入出力が直列に接続可能な場合において各推定処理を最適化する際の手順の一例を示すフローチャートである。 FIG. 4 is a flowchart showing an example of a procedure for optimizing each estimation process when the inputs and outputs of three estimation processes can be connected in series.
ステップS11において、最適化機能253は、推定対象の被検体の医用データを入力として現在の医用パラメータを推定する推定処理について、図3に示す手順により学習済みモデルとシミュレーションモデルとのどちらを用いるかを決定する。
In step S11, the
次に、ステップS12において、最適化機能253は、推定対象の被検体の現在の医用パラメータを入力として現在の健康状態を推定する推定処理について、図3に示す手順により学習済みモデルとシミュレーションモデルとのどちらを用いるかを決定する。
Next, in step S12, the
次に、ステップS13において、最適化機能253は、推定対象の被検体の現在の健康状態を入力として将来の健康状態の推定(将来の健康状態の変化または予後予測)または治療プランを推定する推定処理について、図3に示す手順により学習済みモデルとシミュレーションモデルとのどちらを用いるかを決定する。
Next, in step S13, the
以上の手順により、3つの推定処理の入出力が直列に接続可能な場合において各推定処理を最適化することができる。図4に示す手順によれば、複数の推定処理が互いに関連しつつ最終推定結果を出力する場合には、たとえば最初の推定処理と2番目の推定処理は学習済みモデルを用い、最後の推定処理はシミュレーションモデルを用いる、といった組み合わせを利用することができる。 By the above procedure, each estimation process can be optimized when the inputs and outputs of the three estimation processes can be connected in series. According to the procedure shown in FIG. 4, when a plurality of estimation processes are related to each other and the final estimation result is output, for example, a combination of using a trained model for the first estimation process and the second estimation process and using a simulation model for the last estimation process can be used.
また、最適化機能253は、複数の推定処理のそれぞれを担当するモデルの組み合わせを、学習済みモデルを用いて最適化してもよい。この学習済みモデルは、モデルの組み合わせの推定に適合するよう構築する。この場合、最適化機能253は、複数の推定処理の情報にもとづいて各推定処理を担当するモデルの組み合わせを生成する組合せ推定用の学習済みモデルに対して、複数の推定処理の情報を入力することで、複数の推定処理のそれぞれを担当するモデルの組み合わせを決定する。
Also, the
(学習、運用)
まず、モデル構築およびモデル運用の概略について図5および図6をそれぞれ用いて説明する。
(learning, operation)
First, an outline of model construction and model operation will be described with reference to FIGS. 5 and 6, respectively.
図5は、推定処理のそれぞれについて学習済みモデルおよびシミュレーションモデルを構築する際の概略的な手順の一例を示すフローチャートである。 FIG. 5 is a flow chart showing an example of a schematic procedure for constructing a trained model and a simulation model for each estimation process.
ステップS21において、学習機能254は、医用データにもとづいて健康状態に関する情報の推定を行うシミュレーションモデルを構築する。入力となる医用データは複数であってもよい。
In step S21, the
ステップS22において、学習機能254は、医用データにもとづいて他の医用データを推定する学習済みモデルを構築する。入力となる医用データは複数であってもよい。ステップS22における入力の医用データは、ステップS21における入力の医用データとは異なるものである。ステップS22は省略されてもよい。
In step S22, the
ステップS23において、学習機能254は、医用データにもとづいて健康状態に関する情報の推定を行う学習済みモデルを構築する。ステップS23における入力の医用データは、ステップS21における入力の医用データと同一である。
In step S23, the
なお、ステップS21-23は順不同に実行されて構わない。 Note that steps S21-23 may be executed in random order.
以上の手順により、推定処理のそれぞれについて学習済みモデルおよびシミュレーションモデルを構築することができる。 Through the above procedure, a trained model and a simulation model can be constructed for each estimation process.
図6は、シミュレーションモデルにより推定処理が運用される場合であって推定処理に必要な入力医用データの一部が不足する場合の手順の一例を示すフローチャートである。図6に示す推定処理は、最適化の結果、シミュレーションモデルによる運用が決定済みであるものとする。 FIG. 6 is a flow chart showing an example of the procedure when the estimation process is operated by the simulation model and part of the input medical data required for the estimation process is insufficient. In the estimation process shown in FIG. 6, it is assumed that operation by a simulation model has already been determined as a result of optimization.
ステップS31において、取得機能251は、被検体DB32から推定対象の被検体の医用データを取得する。
In step S<b>31 , the
次に、ステップS32において、推定機能252は、シミュレーションモデルによる推定処理に必要な医用データに不足がないか判定する。不足がなければステップS36に進む。一方、不足がある場合はステップS33に進み、当該不足データが計測可能か否かを判定する。
Next, in step S32, the
計測可能な場合はステップS34に進み、不足する医用データについて被検体を計測して収集し、被検体に関連付けて被検体DB32に格納してステップS36に進む。一方、計測不可な場合はステップS35に進み、不足している医用データを推定する学習済みモデルによって不足している医用データを推定し、ステップS36に進む。この場合、学習済みモデルによって推定された医用データは、計測していないデータ(計測外データ)であることを示す情報を付加して被検体に関連付けて被検体DB32に格納しておくとよい。次に図6に示す手順を実行する際に同じ医用データが不足した場合、学習済みモデルに推定させずとも、被検体DB32に今回格納しておいた計測外データを利用することができる。
If measurable, the process proceeds to step S34, the missing medical data is collected by measuring the subject, and stored in the
次に、ステップS36において、推定機能252はシミュレーションモデルにより推定対象の被検体の健康状態に関する情報を推定する。
Next, in step S36, the
そして、ステップS37において、通知機能255は、推定機能252により推定された被検体の健康状態に関する情報の推定結果を、ユーザおよび被検体の少なくとも一方に通知する。
Then, in step S<b>37 , the
以上の手順により、シミュレーションモデルにより推定処理が運用される場合であって推定処理に必要な入力医用データの一部が不足する場合に、学習済みモデルを用いて不足データを補完することができる。したがって、シミュレーションモデルだけを用いる場合よりも容易かつ効率よく、高精度な推定結果を得ることができる。 According to the above procedure, when the simulation model is used for the estimation process and part of the input medical data required for the estimation process is insufficient, the learned model can be used to supplement the missing data. Therefore, a highly accurate estimation result can be obtained more easily and efficiently than when using only a simulation model.
続いて、モデル構築およびモデル運用の具体例について図7および図8をそれぞれ用いて説明する。 Next, specific examples of model construction and model operation will be described with reference to FIGS. 7 and 8, respectively.
図7は、冠動脈の血流パラメータの推定処理について学習済みモデルおよびシミュレーションモデルを構築する際の具体的な手順の一例を示すフローチャートである。 FIG. 7 is a flowchart showing an example of a specific procedure for constructing a learned model and a simulation model for estimating coronary artery blood flow parameters.
ステップS210において、学習機能254は、境界条件と血流粘性とX線CT画像データにもとづいて血流パラメータを推定する、血流パラメータ用シミュレーションモデルXを構築する。
In step S210, the
ステップS221において、学習機能254は、血圧と心臓容積にもとづいて境界条件を推定する学習済みモデルAを構築する。
In step S221, the
ステップS222において、学習機能254は、血液検査結果にもとづいて血流粘性を推定する学習済みモデルBを構築する。
In step S222, the
ステップS230において、学習機能254は、境界条件と血流粘性とX線CT画像データにもとづいて血流パラメータを推定する血流パラメータ用学習済みモデルCを構築する。
In step S230, the
なお、これらのステップS210-230は順不同に実行されて構わない。 Note that these steps S210-230 may be executed in any order.
以上の手順により、冠動脈の血流パラメータの推定処理について学習済みモデルおよびシミュレーションモデルを構築することができる。 Through the above procedure, a trained model and a simulation model can be constructed for the process of estimating blood flow parameters of coronary arteries.
図8は、シミュレーションモデルXにより冠動脈の血流パラメータの推定処理が運用される場合であって、推定処理に必要な入力医用データの一部が不足する場合の手順の一例を示すフローチャートである。図8に示す推定処理は、図6に示す例と同様、最適化の結果、シミュレーションモデルによる運用が決定済みであるものとする。 FIG. 8 is a flow chart showing an example of the procedure when the simulation model X is used to estimate the blood flow parameters of the coronary arteries and part of the input medical data required for the estimation process is insufficient. In the estimation process shown in FIG. 8, as in the example shown in FIG. 6, it is assumed that the simulation model operation has already been determined as a result of the optimization.
ステップS310において、取得機能251は、被検体DB32から推定対象の被検体の医用データを取得する。
In step S<b>310 , the
次に、ステップS320において、推定機能252は、シミュレーションモデルX(図7のステップS210参照)による冠動脈の血流パラメータの推定処理に必要な境界条件に不足がないか判定する。不足がなければステップS360に進む。一方、不足がある場合はステップS330に進み、不足する境界条件が計測可能か否かを判定する。
Next, in step S320, the estimating
計測可能な場合はステップS340に進み、不足する境界条件について被検体を計測して収集し、被検体に関連付けて被検体DB32に格納してステップS360に進む。一方、計測不可な場合はステップS350に進み、不足している境界条件を推定する学習済みモデルB(図7のステップS222参照)によって不足している境界条件を推定し、ステップS360に進む。この場合、学習済みモデルBによって推定された境界条件は、計測していないデータ(計測外データ)であることを示す情報を付加して被検体に関連付けて被検体DB32に格納しておくとよい。
If it is measurable, the process proceeds to step S340, the object is measured and collected with respect to the missing boundary conditions, the data is stored in the
次に、ステップS360において、推定機能252はシミュレーションモデルXにより推定対象の被検体の冠動脈の血流パラメータを推定する。
Next, in step S360, the
そして、ステップS370において、通知機能255は、推定機能252により推定された冠動脈の血流パラメータの推定結果を、ユーザおよび被検体の少なくとも一方に通知する。
Then, in step S370, the
以上の手順により、シミュレーションモデルXにより冠動脈の血流パラメータの推定処理が運用される場合であって境界条件が不足する場合に、学習済みモデルBを用いて境界条件を推定して補完することができる。このように、本実施形態に係る医用情報処理装置20は、シミュレーションモデルと学習済みモデルの組み合わせを柔軟に最適化することができる。
According to the above procedure, when the simulation model X is used to estimate the coronary artery blood flow parameters and the boundary conditions are insufficient, the learned model B can be used to estimate and complement the boundary conditions. Thus, the medical
図9は、学習済みモデルにより推定処理が運用される場合であって推定処理に必要な入力医用データの一部が不足する場合の手順の一例を示すフローチャートである。図8に示す推定処理は、図6に示す例とは逆に、最適化の結果、学習済みモデルによる運用が決定済みであるものとする。 FIG. 9 is a flowchart showing an example of a procedure when estimation processing is operated using a trained model and part of the input medical data necessary for estimation processing is insufficient. In the estimation process shown in FIG. 8, contrary to the example shown in FIG. 6, it is assumed that operation by the learned model has already been determined as a result of optimization.
ステップS41において、取得機能251は、被検体DB32から推定対象の被検体の医用データを取得する。
In step S<b>41 , the
次に、ステップS42において、推定機能252は、学習済みモデルによる推定処理に必要な医用データに不足がないか判定する。不足がなければステップS46に進む。一方、不足がある場合はステップS43に進み、当該不足データが計測可能か否かを判定する。
Next, in step S42, the
計測可能な場合はステップS44に進み、不足する医用データについて被検体を計測して収集し、被検体に関連付けて被検体DB32に格納してステップS46に進む。一方、計測不可な場合はステップS45に進み、不足している医用データを推定するシミュレーションモデルによって不足している医用データを推定し、ステップS46に進む。この場合、学習済みモデルによって推定された医用データは、計測していないデータ(計測外データ)であることを示す情報を付加して被検体に関連付けて被検体DB32に格納しておくとよい。
If it is measurable, the process proceeds to step S44, the missing medical data is collected by measuring the subject, associated with the subject and stored in the
次に、ステップS46において、推定機能252は学習済みモデルにより推定対象の被検体の健康状態に関する情報を推定する。
Next, in step S46, the
そして、ステップS47において、通知機能255は、推定機能252により推定された被検体の健康状態に関する情報の推定結果を、ユーザおよび被検体の少なくとも一方に通知する。
Then, in step S<b>47 , the
以上の手順により、学習済みモデルにより推定処理が運用される場合であって推定処理に必要な入力医用データの一部が不足する場合には、シミュレーションモデルを用いて不足データを補完することができる。 According to the above procedure, when the estimation process is operated by the trained model and part of the input medical data necessary for the estimation process is insufficient, the missing data can be supplemented using the simulation model.
本実施形態に係る医用情報処理装置20は、推定処理ごとに、学習済みモデルとシミュレーションモデルとのどちらを用いるかを決定することができる。学習済みモデルとシミュレーションモデルとのどちらを用いるかは、それぞれの推定結果の正解の推定結果との一致度、およびそれぞれの推定に要する時間、の少なくとも一方にもとづいて最適化機能253により決定されうる。一致度と時間のどちらを用いるか、または両方を用いるかは、ユーザにより設定可能である。このため、ユーザは、利用目的に応じて、互いのモデルを適宜組み合わせることにより、推定結果の精度を向上させ、あるいは推定処理速度を向上させることができる。
The medical
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推定とシミュレーションモデルによる推定を組み合わせて被検体の健康状態に関する推定を行うことができる。 According to at least one embodiment described above, the health condition of the subject can be estimated by combining the estimation by the trained model and the estimation by the simulation model.
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。 In the above-described embodiments, the term “processor” means, for example, a dedicated or general-purpose CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or an application-specific integrated circuit (ASIC), a programmable logic device (for example, a Simple Programmable Logic Device (SPLD), a Complex Programmable Logic Device (CPLD), and an FPGA) or the like. The processor implements various functions by reading and executing programs stored in the storage medium.
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。 In the above embodiments, an example in which a single processor of the processing circuit implements each function has been shown, but a processing circuit may be configured by combining a plurality of independent processors, and each processor may implement each function. Further, when a plurality of processors are provided, a storage medium for storing programs may be provided individually for each processor, or one storage medium may collectively store programs corresponding to the functions of all processors.
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。 It should be noted that although several embodiments of the invention have been described, these embodiments are provided by way of example and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, replacements, and modifications can be made without departing from the scope of the invention. These embodiments and their modifications are included in the scope and spirit of the invention, as well as the scope of the invention described in the claims and equivalents thereof.
10 医用情報処理システム
20 医用情報処理装置
51 ウェアラブル端末
100 ネットワーク
251 取得機能
252 推定機能
253 最適化機能
254 学習機能
255 通知機能
451 推定要求機能
452 推定結果取得機能
453 画像生成機能
10 medical
Claims (13)
前記検証用医用データにもとづいて学習済みモデルが生成した健康状態に関する情報の推定結果と、前記検証用医用データにもとづいてシミュレーションモデルが生成した健康状態に関する情報の推定結果と、前記健康状態に関する情報の正解と、にもとづいて、前記学習済みモデルと前記シミュレーションモデルとのどちらを用いて推定対象の被検体の健康状態に関する情報の推定を行うかを決定する最適化部と、
を備えた医用情報処理装置。 an acquisition unit that acquires a correct data set from a storage unit that stores a correct data set consisting of a set of medical data for verification collected from a plurality of subjects and correct information about health conditions;
an optimization unit that determines which of the trained model and the simulation model is used to estimate the information on the health condition of the subject to be estimated, based on an estimation result of information on the health condition generated by the learned model based on the medical data for verification, an estimation result of the information on the health condition generated by the simulation model based on the medical data for verification, and a correct answer of the information on the health condition;
medical information processing device.
前記推定対象の被検体の現在の医用パラメータの推定、前記推定対象の被検体の現在の健康状態の推定、前記推定対象の被検体の将来の予後の推定を含む将来の健康状態の推定、および前記推定対象の被検体の治療プランの推定の、少なくとも1つの推定処理を含み、
前記学習済みモデルおよび前記シミュレーションモデルは、
前記少なくとも1つの推定処理のそれぞれについてあらかじめ構築され、
前記最適化部は、
前記少なくとも1つの推定処理のそれぞれについて、前記学習済みモデルと前記シミュレーションモデルとのどちらを用いて推定を行うかを決定する、
請求項1記載の医用情報処理装置。 The estimation of information about the health condition of the subject to be estimated includes:
at least one estimation process of estimating a current medical parameter of the estimation target subject, estimating a current health status of the estimation target subject, estimating a future health status including estimating a future prognosis of the estimation target subject, and estimating a treatment plan for the estimation target subject;
The trained model and the simulation model are
preconfigured for each of the at least one estimation process;
The optimization unit
determining which of the trained model and the simulation model is to be used for each of the at least one estimation process;
The medical information processing apparatus according to claim 1.
複数の推定処理により構成され、
前記学習済みモデルおよび前記シミュレーションモデルは、
前記複数の推定処理のそれぞれについてあらかじめ構築され、
前記最適化部は、
前記複数の推定処理のそれぞれについて、前記学習済みモデルと前記シミュレーションモデルとのどちらを用いて推定を行うかを決定する、
請求項2に記載の医用情報処理装置。 The at least one estimation process includes:
It consists of multiple estimation processes,
The trained model and the simulation model are
Pre-configured for each of the plurality of estimation processes,
The optimization unit
Determining which of the trained model and the simulation model is used for estimation for each of the plurality of estimation processes;
The medical information processing apparatus according to claim 2.
前記複数の推定処理の情報にもとづいて、前記複数の推定処理のそれぞれを担当するモデルの組み合わせを生成する組合せ推定用学習済みモデルに対して、前記複数の推定処理の情報を入力することで、前記複数の推定処理のそれぞれを担当するモデルの組み合わせを決定する、
請求項3記載の医用情報処理装置。 The optimization unit
Based on the information of the plurality of estimation processes, inputting the information of the plurality of estimation processes to a combined estimation trained model that generates a combination of models responsible for each of the plurality of estimation processes, thereby determining the combination of models responsible for each of the plurality of estimation processes.
The medical information processing apparatus according to claim 3.
をさらに備えた請求項2ないし4のいずれか1項に記載の医用情報処理装置。 a learning unit that builds in advance the trained model and the simulation model for each of the estimation processes;
The medical information processing apparatus according to any one of claims 2 to 4, further comprising:
前記推定対象の被検体の医用データを取得し、
前記最適化部により決定された前記学習済みモデルと前記シミュレーションモデルとのどちらかを用いて、前記推定対象の被検体の医用データにもとづいて前記推定対象の被検体の健康状態に関する情報の推定を行う推定部、
をさらに備えた、
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。 The acquisition unit
obtaining medical data of the subject to be estimated;
an estimating unit that estimates information related to the health condition of the subject to be estimated based on the medical data of the subject to be estimated using either the trained model determined by the optimization unit or the simulation model;
further comprising
The medical information processing apparatus according to any one of claims 1 to 5.
前記推定対象の被検体の医用データが不足していると、当該医用データを、前記最適化部により決定された前記学習済みモデルと前記シミュレーションモデルとの他方を用いて推定して補完する、
請求項6記載の医用情報処理装置。 The estimation unit
when the medical data of the subject to be estimated is insufficient, supplementing the medical data by estimating using the other of the trained model determined by the optimization unit and the simulation model;
The medical information processing apparatus according to claim 6.
請求項7記載の医用情報処理装置。 When the optimization unit determines to estimate information about the health condition of the subject to be estimated using the simulation model, and the medical data of the subject to be estimated used for estimation using the simulation model is insufficient, estimate and complement the missing medical data using the trained model.
The medical information processing apparatus according to claim 7.
をさらに備えた請求項6ないし8のいずれか1項に記載の医用情報処理装置。 a notification unit that notifies at least one of a user and the estimation target subject of an estimation result of information related to the health condition of the estimation target subject estimated by the estimation unit;
The medical information processing apparatus according to any one of claims 6 to 8, further comprising:
前記学習済みモデルと前記シミュレーションモデルのそれぞれが推定結果を生成するために要する時間にさらにもとづいて、前記学習済みモデルと前記シミュレーションモデルとのどちらを用いて前記推定対象の被検体の健康状態に関する情報の推定を行うかを決定する、
請求項1ないし9のいずれか1項に記載の医用情報処理装置。 The optimization unit
further based on the time required for each of the trained model and the simulation model to generate an estimation result, determining which of the trained model and the simulation model is used to estimate information about the health condition of the subject to be estimated;
The medical information processing apparatus according to any one of claims 1 to 9.
前記医用情報処理装置は、
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との組からなる正解データセットを記憶した記憶部から、前記正解データセットを取得する取得部と、
前記検証用医用データにもとづいて前記学習済みモデルが生成した健康状態に関する情報の推定結果と、前記検証用医用データにもとづいて前記シミュレーションモデルが生成した健康状態に関する情報の推定結果と、前記健康状態に関する情報の正解と、にもとづいて、前記学習済みモデルと前記シミュレーションモデルとのどちらを用いて推定対象の被検体の健康状態に関する情報の推定を行うかを決定する最適化部と、
前記最適化部により決定された前記学習済みモデルと前記シミュレーションモデルとのどちらかを用いて、前記推定対象の被検体の医用データにもとづいて前記推定対象の被検体の健康状態に関する情報の推定を行う推定部と、
前記推定部による前記推定対象の被検体の健康状態に関する情報の推定結果を前記クライアントに送信する送信部と、
を備えた医用情報処理システム。 A medical information processing system, comprising: a medical information processing apparatus for estimating information about a health condition of a subject using at least one of a trained model and a simulation model based on medical data of the estimation target subject collected from the estimation target subject; and a client capable of communicating with the medical information processing apparatus via a network,
The medical information processing device is
an acquisition unit that acquires a correct data set from a storage unit that stores a correct data set consisting of a set of medical data for verification collected from a plurality of subjects and correct information about health conditions;
an optimization unit that determines which of the trained model and the simulation model is used to estimate information about the health condition of the subject to be estimated, based on an estimation result of information about the health condition generated by the learned model based on the medical data for verification, an estimation result of the information about the health condition generated by the simulation model based on the medical data for verification, and a correct answer of the information about the health condition;
an estimating unit that estimates information related to the health condition of the subject to be estimated based on the medical data of the subject to be estimated using either the trained model determined by the optimization unit or the simulation model;
a transmission unit configured to transmit, to the client, an estimation result of information related to the health condition of the subject to be estimated by the estimation unit;
medical information processing system.
前記推定部による前記推定対象の被検体の健康状態に関する情報の推定結果を前記医用情報処理装置から受信する受信部と、
受信した前記推定部による前記推定対象の被検体の健康状態に関する情報の推定結果にもとづいて、前記被検体の診断を支援するための画像を生成して表示部に表示させる画像生成部と、
を備えた請求項11記載の医用情報処理システム。 Said client
a receiving unit that receives, from the medical information processing apparatus, an estimation result of information about the health condition of the subject to be estimated by the estimating unit;
an image generation unit configured to generate an image for supporting diagnosis of the subject based on the estimation result received by the estimation unit and to display the image on a display unit;
The medical information processing system according to claim 11, comprising:
前記取得部が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した記憶部から、前記正解データセットを取得するステップと、
前記推定部が前記検証用医用データにもとづいて学習済みモデルが健康状態に関する情報の推定結果を生成するステップと、
前記推定部が前記検証用医用データにもとづいてシミュレーションモデルが健康状態に関する情報の推定結果を生成するステップと、
前記最適化部が前記学習済みモデルの推定結果と、前記シミュレーションモデルの推定結果と、前記健康状態に関する情報の正解と、にもとづいて、前記学習済みモデルと前記シミュレーションモデルとのどちらを用いて推定対象の被検体の健康状態に関する情報の推定を行うかを決定するステップと、
を有する医用情報処理方法。 A medical information processing method executed by a medical information processing apparatus comprising an acquisition unit, an estimation unit, and an optimization unit,
a step of acquiring the correct data set from a storage unit storing a correct data set consisting of a set of verification medical data collected from a plurality of subjects by the acquiring unit and a result of estimating the correctness of information related to health conditions;
a step in which the estimating unit generates an estimation result of information about the health condition of the trained model based on the verification medical data;
a step in which the estimation unit generates an estimation result of information about the health condition by the simulation model based on the verification medical data;
determining , by the optimization unit , which of the trained model and the simulation model is used to estimate the information regarding the health condition of the subject to be estimated, based on the estimation result of the trained model, the estimation result of the simulation model, and the correct answer of the information regarding the health condition;
A medical information processing method comprising:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019052597A JP7313170B2 (en) | 2019-03-20 | 2019-03-20 | Medical information processing apparatus, medical information processing system, and medical information processing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019052597A JP7313170B2 (en) | 2019-03-20 | 2019-03-20 | Medical information processing apparatus, medical information processing system, and medical information processing method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020154723A JP2020154723A (en) | 2020-09-24 |
JP7313170B2 true JP7313170B2 (en) | 2023-07-24 |
Family
ID=72559226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019052597A Active JP7313170B2 (en) | 2019-03-20 | 2019-03-20 | Medical information processing apparatus, medical information processing system, and medical information processing method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7313170B2 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000181526A (en) | 1998-12-16 | 2000-06-30 | Chugoku Electric Power Co Inc:The | Device and method for estimating/predicting plant state |
JP2000222005A (en) | 1999-02-03 | 2000-08-11 | Hitachi Ltd | Controller for process |
JP2020135374A (en) | 2019-02-19 | 2020-08-31 | 日立造船株式会社 | Information processor, information processing method and information processing program |
-
2019
- 2019-03-20 JP JP2019052597A patent/JP7313170B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000181526A (en) | 1998-12-16 | 2000-06-30 | Chugoku Electric Power Co Inc:The | Device and method for estimating/predicting plant state |
JP2000222005A (en) | 1999-02-03 | 2000-08-11 | Hitachi Ltd | Controller for process |
JP2020135374A (en) | 2019-02-19 | 2020-08-31 | 日立造船株式会社 | Information processor, information processing method and information processing program |
Also Published As
Publication number | Publication date |
---|---|
JP2020154723A (en) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11553874B2 (en) | Dental image feature detection | |
US10984905B2 (en) | Artificial intelligence for physiological quantification in medical imaging | |
US11538161B2 (en) | Systems and methods for determining blood vessel conditions | |
US20210151187A1 (en) | Data-Driven Estimation of Predictive Digital Twin Models from Medical Data | |
CN108784655A (en) | Rapid evaluation for medical patient and consequences analysis | |
CN107492090A (en) | Analyzed according to generated data using the tumor phenotypes based on image of machine learning | |
CN108475540A (en) | For using the information from process to carry out the system and method description of dissection modeling | |
EP3591663A1 (en) | Computer aided diagnosis and monitoring of heart failure patients | |
US20230053474A1 (en) | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology | |
US20220108801A1 (en) | Diagnosis and treatment support system | |
CN117275648B (en) | Intelligent nursing method for intensive care unit patient based on Internet of things | |
Huang et al. | Deep learning for caries detection using optical coherence tomography | |
Oguine et al. | AI in telemedicine: an appraisal on deep learning-based approaches to virtual diagnostic solutions (VDS) | |
JP7313170B2 (en) | Medical information processing apparatus, medical information processing system, and medical information processing method | |
JP2021114139A (en) | Medical information processing apparatus and medical information processing program | |
JP7210175B2 (en) | Medical information processing device, medical information processing system and medical information processing program | |
Lopes et al. | Smartphone-based remote monitoring solution for heart failure patients | |
Gupta et al. | IoT and cloud based healthcare solution for diabetic foot ulcer | |
Talha et al. | Paving the way to cardiovascular health monitoring using Internet of Medical Things and Edge-AI | |
JP7485512B2 (en) | Medical information processing device, medical information processing method, and medical information processing program | |
JP7269027B2 (en) | Medical information processing apparatus, medical information processing system, and medical information processing method | |
Lip et al. | Transforming Clinical Trials with Artificial Intelligence | |
Inampudi Lipi et al. | Smart Heart Rate, Oxygen Level and Temperature values Monitoring with Things peak | |
US11335453B1 (en) | Systems and methods for displaying hubs in brain data | |
JP7433901B2 (en) | Learning device and learning method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220127 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230113 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230117 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230309 |
|
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: 20230613 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230711 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7313170 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |