JP7355370B2 - 情報処理装置、プログラム及びコンピュータの作動方法 - Google Patents

情報処理装置、プログラム及びコンピュータの作動方法 Download PDF

Info

Publication number
JP7355370B2
JP7355370B2 JP2019164620A JP2019164620A JP7355370B2 JP 7355370 B2 JP7355370 B2 JP 7355370B2 JP 2019164620 A JP2019164620 A JP 2019164620A JP 2019164620 A JP2019164620 A JP 2019164620A JP 7355370 B2 JP7355370 B2 JP 7355370B2
Authority
JP
Japan
Prior art keywords
treatment
image
lesion
drug
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
Application number
JP2019164620A
Other languages
English (en)
Other versions
JP2021043040A (ja
Inventor
雄一郎 菅原
法曉 岡本
ジェフリー アロン ミラー
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.)
Ams Osram AG
Original Assignee
Ams AG
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 Ams AG filed Critical Ams AG
Priority to JP2019164620A priority Critical patent/JP7355370B2/ja
Publication of JP2021043040A publication Critical patent/JP2021043040A/ja
Application granted granted Critical
Publication of JP7355370B2 publication Critical patent/JP7355370B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Nuclear Medicine (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)

Description

本発明は、情報処理装置、プログラム及びコンピュータの作動方法に関する。
画像認識技術等を用いた病変診断の自動化が進められている。特許文献１には、デジタル化画像中に注目領域（対象）を特定して区切り、区切った対象から分類タスクに関係する数値を作成し、学習マシンを用いて病変を診断するコンピュータ実行方法が開示されている。
特表２００４－５３６３６７号公報
しかしながら、特許文献１に係る発明では、病変診断の後に行う治療の進み具合を推定することができない問題がある。
一つの側面では、治療の進み具合を推定することが可能な情報処理装置等を提供することにある。
情報処理装置は、放射性医薬品合成装置または用時調製用製剤で放射性核種を標識した第１薬剤が投与された被検体を、陽電子放射断層撮影装置を用いて撮影した診断画像を取得する第１取得部と、前記第１取得部が取得した診断画像を入力した場合に病変推定情報を出力する第１学習モデルと、前記第１学習モデルが出力した病変推定情報に基づいて決定された治療方針に応じた、放射性医薬品合成装置または用時調製用製剤で放射性核種を標識した第２薬剤が投与された被検体を、医療画像撮影装置を用いて撮影した治療段階の治療画像を取得する第２取得部と、前記第２取得部が取得した治療画像を入力した場合に治療段階での病変推定情報を出力する第２学習モデルとを備えることを特徴とする。
一つの側面では、治療の進み具合を推定することが可能な情報処理装置等を提供できる。
病変推定情報システムの概要を示す説明図である。 サーバの構成例を示すブロック図である。 被検体ＤＢのレコードレイアウトの一例を示す説明図である。 診断情報ＤＢのレコードレイアウトの一例を示す説明図である。 治療情報ＤＢのレコードレイアウトの一例を示す説明図である。 ＰＥＴ装置の構成例を示すブロック図である。 医療装置の構成例を示すブロック図である。 端末の構成例を示すブロック図である。 病変推定情報を出力する動作を説明する説明図である。 診断用病変推定モデルを説明する説明図である。 治療用病変推定モデルを説明する説明図である。 診断段階での病変推定情報を出力する際の処理手順を示すフローチャートである。 治療段階での病変推定情報を出力する際の処理手順を示すフローチャートである。 核医学治療を行った後に６８Ｇａ－ＰＳＭＡを用いて治療終了を判定する際の処理手順を示すフローチャートである。 乳がんの治療段階の病変推定情報を出力する際の処理手順を示すフローチャートである。 実施形態２のサーバの構成例を示すブロック図である。 治療画像から推定画像に変換する学習処理に関する説明図である。 推定画像を出力する際の処理手順を示すフローチャートである。 実施形態３のサーバの構成例を示すブロック図である。 第２薬剤情報出力モデルを説明する説明図である。 第２薬剤の推奨投与量を出力する際の処理手順を示すフローチャートである。 変形例１の第２薬剤情報出力モデルを説明する説明図である。 実施形態４のサーバの構成例を示すブロック図である。 治療タイミング予測モデルを説明する説明図である。 治療タイミングの予測結果を出力する際の処理手順を示すフローチャートである。 コントラスト比により治療タイミングを判定する際の処理手順を示すフローチャートである。 実施形態５のサーバの構成例を示すブロック図である。 推定治療結果出力モデルを説明する説明図である。 推定治療結果を出力する際の処理手順を示すフローチャートである。 コントラスト比により治療結果を判定する際の処理手順を示すフローチャートである。 実施形態１～５のサーバの動作を示す機能ブロック図である。
以下、本発明をその実施形態を示す図面に基づいて詳述する。
（実施形態１）
実施形態１は、人工知能（ＡＩ：Artificial Intelligence）を用いて病変推定情報を出力する形態に関する。図１は、病変推定情報システムの概要を示す説明図である。本実施形態のシステムは、情報処理装置１、陽電子放射断層撮影装置２、医療画像撮影装置３及び情報処理端末４を含み、各装置はインターネット等のネットワークＮを介して情報の送受信を行う。
情報処理装置１は、種々の情報に対する処理、記憶及び送受信を行う情報処理装置である。情報処理装置１は、例えばサーバ装置、パーソナルコンピュータまたは汎用のタブレットＰＣ（パソコン）等である。本実施形態において、情報処理装置１はサーバ装置であるものとし、以下では簡潔のためサーバ１と読み替える。
陽電子放射断層撮影装置２は、陽電子放射断層撮影を行う装置である。陽電子放射断層撮影（ＰＥＴ：Positron Emission Tomography）は、陽電子検出を利用したコンピュータ断層撮影技術である。本実施形態において、陽電子放射断層撮影装置２は、以下では簡潔のためＰＥＴ装置２と読み替える。同様に、ＰＥＴ装置２を使用する検査をＰＥＴ検査という。ＰＥＴ検査により、全身のどこに、どの程度の大きさの病変があるかを撮影できる。
具体的には、検査を受ける患者の身体（以下被検体という）に第１薬剤を点滴または注射により投与する。第１薬剤は、治療開始前に使う診断専用の薬剤である。第１薬剤は、リガンドに放射性核種を標識した薬剤であり、放射性医薬品合成装置または用時調製用製剤（キット）を用いて合成される。変質しやすい製剤は、用時調製する。
本実施の形態においては、放射性核種は例えばガリウム６８等の陽電子等を放射する核種である。リガンドは、がん等の病変部位に発現する抗原と特異的に結合する分子であり、例えば前立腺特異的膜抗原（ＰＳＭＡ：Prostate Specific Membrane Antigen）結合性リガンド、ＰＳＭＡに対するモノクローナル抗体またはＨＥＲ２抗体等である。前立腺特異的膜抗原結合性リガンドおよびＰＳＭＡをターゲットとするモノクローナル抗体は、前立腺がん等のがん細胞に結合する。ＨＥＲ２抗体（受容体型チロシンキナーゼ）は、乳がん等のがん細胞に結合する。
被検体に第１薬剤を投与することにより、病変部位に第１薬剤が集積して陽電子等を放射する。この状態でＰＥＴ検査を行なうと、陽電子等を放射する部位が描出される。したがって、前立腺がんまたは乳がん等の病変部位を発見できる。
医療画像撮影装置３は、医用画像を撮影する装置であり、例えば陽電子放射断層撮影装置（ＰＥＴ装置）、単一光子放射断層撮影装置またはコンプトンカメラ等である。本実施形態において、医療画像撮影装置３は、以下では簡潔のため医療装置３と読み替える。
単一光子放射断層撮影装置は、単一光子放射断層撮影の装置である。単一光子放射断層撮影（Single photon emission computed tomography）は、画像診断法の一つであり、シンチグラフィ（scintigraphy）の応用で、体内に投与した放射性同位体から放出される陽電子等を検出し、その分布を断層画像にしたものである。
コンプトンカメラは、陽電子等の高エネルギの電磁波が電子に散乱され、元の波長より長くなる現象であるコンプトン効果を利用して陽電子等の入射方向・エネルギ・強度を測定する装置。散乱された陽電子等の波長の変化と電子の反跳方向を同時に検出することで、陽電子等の撮像も可能とする。
ＰＥＴ検査により、病変が存在すると診断された場合、診断結果に応じて様々な治療が行なわれる。本実施の形態においては、核医学治療、すなわち非密封の放射性同位元素を用いた核医学治療が行われる。
具体的には、被検体に第２薬剤を投与する。第２薬剤は、核医学治療用の薬剤である。第２薬剤は、第１薬剤と同じリガンドに放射性核種を標識した薬剤である。第２薬剤の放射性核種は、α線またはβ線を放射して近傍の細胞に損傷を与える核種である。
被検体に第２薬剤を投与することにより、病変部位に第２薬剤が集積して、α線またはβ線を放射する。α線またはβ線により病変部位の細胞が損傷されて壊死する。したがって、病変を治療できる。
第２薬剤を投与した後に、医療装置３を使用して被検体を撮影することにより、治療の進行状況を撮影できる。以下に具体例を説明する。
例えば、第２薬剤の放射性核種にルテチウム１７７を使用できる。ルテチウム１７７はβ線とγ線とを放射する。従って、γ線を撮影可能な医療装置３を使用することにより、第２薬剤が集積した病変部位を撮影できる。
第１薬剤に前立腺特異的膜抗原結合性リガンドを使用した場合には、第２薬剤にはルテチウム１７７で標識した前立腺特異的膜抗原結合性リガンド（１７７Ｌｕ－ＰＳＭＡ）を使用する。第１薬剤にＨＥＲ２抗体を使用した場合には、第２薬剤にはルテチウム１７７で標識したＨＥＲ２抗体（１７７Ｌｕ－ＨＥＲ２）を使用する。
例えば、第２薬剤の放射性核種にアスタチン２１１を使用できる。アスタチン２１１はＸ線を放射する。例えば、ＣＴ（Computed Tomography）、単一光子放射断層撮影装置またはコンプトンカメラ等の医療装置３を使用することにより、第２薬剤により治療中の部位を撮影できる。
第１薬剤に前立腺特異的膜抗原結合性リガンドを使用した場合には、第２薬剤にはアスタチン２１１で標識した前立腺特異的膜抗原結合性リガンド（２１１Ａｔ－ＰＳＭＡ）を使用する。第１薬剤にＨＥＲ２抗体を使用した場合には、第２薬剤にはアスタチン２１１で標識したＨＥＲ２抗体（２１１Ａｔ－ＨＥＲ２）を使用する。
一連の放射性核種核医学治療が終了した後に、診断用の第２薬剤を投与して治療状況を観察しても良い。この場合には、第２薬剤には第１薬剤と同一の薬剤を使用し、医療装置３にはγ線を撮影可能な装置を使用する。
情報処理端末４は、病変推定情報の受信または表示等を行う端末装置であり、例えばスマートフォン、携帯電話、タブレット、パーソナルコンピュータ端末等の情報処理機器である。以下では簡潔のため、情報処理端末４を端末４と読み替える。
本実施形態に係るサーバ１は、ＰＥＴ装置２を用いて撮影した診断画像を取得する。サーバ１は、後述する診断用病変推定モデルを用いて、取得した診断画像を入力して病変推定情報を出力する。サーバ１は、診断用病変推定モデルが出力した病変推定情報に基づいて、医療装置３を用いて撮影した治療段階の治療画像を取得する。サーバ１は、後述する治療用病変推定モデルを用いて、取得した治療画像を入力して治療段階での病変推定情報を出力する。
図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読取部１６及び大容量記憶部１７を含む。各構成はバスＢで接続されている。
制御部１１はＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を含み、記憶部１２に記憶された制御プログラム１Ｐを読み出して実行することにより、サーバ１に係る種々の情報処理、制御処理等を行う。なお、図２では制御部１１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。
記憶部１２はＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等のメモリ素子を含み、制御部１１が処理を実行するために必要な制御プログラム１Ｐ又はデータ等を記憶している。また、記憶部１２は、制御部１１が演算処理を実行するために必要なデータ等を一時的に記憶する。通信部１３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、ＰＥＴ装置２、医療装置３、または端末４との間で情報の送受信を行う。
入力部１４は、マウス、キーボード、タッチパネル、ボタン等の入力デバイスであり、受け付けた操作情報を制御部１１へ出力する。表示部１５は、液晶ディスプレイ又は有機ＥＬ（electroluminescence）ディスプレイ等であり、制御部１１の指示に従い各種情報を表示する。
読取部１６は、ＣＤ（Compact Disc）－ＲＯＭ又はＤＶＤ（Digital Versatile Disc）－ＲＯＭを含む可搬型記憶媒体１ａを読み取る。制御部１１が読取部１６を介して、制御プログラム１Ｐを可搬型記憶媒体１ａより読み取り、大容量記憶部１７に記憶しても良い。また、ネットワークＮ等を介して他のコンピュータから制御部１１が制御プログラム１Ｐをダウンロードし、大容量記憶部１７に記憶しても良い。さらにまた、半導体メモリ１ｂから、制御部１１が制御プログラム１Ｐを読み込んでも良い。
大容量記憶部１７は、例えばＨＤＤ（Hard disk drive:ハードディスク）、ＳＳＤ(Solid State Drive:ソリッドステートドライブ)等の記録媒体を備える。大容量記憶部１７は、被検体ＤＢ（データベース：database）１７１、診断情報ＤＢ１７２、治療情報ＤＢ１７３、診断用病変推定モデル（第１学習モデル）１７４及び治療用病変推定モデル１７５（第２学習モデル）を含む。
被検体ＤＢ１７１は、被検体に関する情報を記憶している。診断情報ＤＢ１７２は、被検体の診断情報を記憶している。治療情報ＤＢ１７３は、被検体の治療情報を記憶している。診断用病変推定モデル１７４は、診断画像に基づいて病変情報を推定する推定器であり、機械学習により生成された学習済みモデルである。治療用病変推定モデル１７５は、治療画像に基づいて治療段階での病変情報を推定する推定器であり、機械学習により生成された学習済みモデルである。
なお、本実施形態において記憶部１２及び大容量記憶部１７は一体の記憶装置として構成されていても良い。また、大容量記憶部１７は複数の記憶装置により構成されていても良い。更にまた、大容量記憶部１７はサーバ１に接続された外部記憶装置であっても良い。
なお、本実施形態では、サーバ１は一台の情報処理装置であるものとして説明するが、複数台により分散して処理させても良く、または仮想マシンにより構成されていても良い。
図３は、被検体ＤＢ１７１のレコードレイアウトの一例を示す説明図である。被検体ＤＢ１７１は、被検体ＩＤ列、病変種類列、診断ＩＤ列及び治療ＩＤ列を含む。被検体ＩＤ列は、各被検体を識別するために、一意に特定される被検体のＩＤを記憶している。病変種類列は、被検体の病変の種類情報を記憶している。診断ＩＤ列は、診断情報を特定する診断情報のＩＤを記憶している。治療ＩＤ列は、治療情報を特定する治療情報のＩＤを記憶している。
図４は、診断情報ＤＢ１７２のレコードレイアウトの一例を示す説明図である。診断情報ＤＢ１７２は、診断ＩＤ列、被検体ＩＤ列、診断画像列、撮影日時列、投与薬剤列及び病変情報列を含む。診断ＩＤ列は、各診断情報（診断データ）を識別するために、一意に特定される診断情報のＩＤを記憶している。被検体ＩＤ列は、被検体を特定する被検体ＩＤを記憶している。
診断画像列は、診断画像を記憶している。撮影日時列は、診断画像が撮影された日時情報を記憶している。投与薬剤列は、被検体に投与された第１薬剤の名称を記憶している。病変情報列は、被検体の病変に対する診断情報を記憶している。
図５は、治療情報ＤＢ１７３のレコードレイアウトの一例を示す説明図である。治療情報ＤＢ１７３は、治療ＩＤ列、サブＩＤ列、被検体ＩＤ列、治療画像列、撮影日時列、投与薬剤列、病変情報列及び備考列を含む。治療ＩＤ列は、各治療情報（治療データ）を識別するために、一意に特定される治療情報のＩＤを記憶している。サブＩＤ列は、治療ＩＤの子ＩＤを記憶している。サブＩＤ列には、同じ治療コース（治療ＩＤ）に対し、治療回数に応じたそれぞれの治療情報を識別するための識別子が記憶される。被検体ＩＤ列は、被検体を特定する被検体ＩＤを記憶している。
治療画像列は、医療装置３を用いて撮影した治療段階の治療画像を記憶している。撮影日時列は、治療画像が撮影された日時情報を記憶している。投与薬剤列は、被検体に投与された第２薬剤の名称を記憶している。病変情報列は、治療段階での被検体の病変情報を記憶している。備考列は、治療情報に対するコメントまたは補充事項等の情報を記憶している。
図６は、ＰＥＴ装置２の構成例を示すブロック図である。ＰＥＴ装置２は、制御部２１、記憶部２２、通信部２３、入力部２４、表示部２５、撮影部２６、検出器２７及びユニット基板２８を含む。各構成はバスＢで接続されている。
制御部２１はＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部２２に記憶された制御プログラム２Ｐを読み出して実行することにより、ＰＥＴ装置２に係る種々の情報処理、制御処理等を行う。なお、図６では制御部２１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。記憶部２２はＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部２１が処理を実行するために必要な制御プログラム２Ｐ又はデータ等を記憶している。また、記憶部２２は、制御部２１が演算処理を実行するために必要なデータ等を一時的に記憶する。
通信部２３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、サーバ１等と情報の送受信を行う。入力部２４は、操作ボタン、キーボードまたはマウスでも良い。表示部２５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部２１の指示に従い各種情報を表示する。
撮影部２６は、例えばＣＣＤ(Charge Coupled Device)カメラ、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）カメラ等の撮影装置である。なお、撮影部２６は、複数の撮影装置により構成されても良い。検出器２７は、被検体から放出される陽電子等を検出するための半導体γ線検出器である。なお、半導体γ線検出器をユニット基板２８に多数備えることができる。
ユニット基板２８は、γ線の検出エネルギ、検出時刻を計測するための集積回路（ＡＳＩＣ）を有しており、検出したγ線の検出エネルギや検出時刻を測定したり、γ線を検出した検出器２７のアドレスを検知したりして、検出γ線情報を出力する。
図７は、医療装置３の構成例を示すブロック図である。医療装置３は、制御部３１、記憶部３２、通信部３３、入力部３４、表示部３５、撮影部３６、検出器３７及びユニット基板３８を含む。各構成はバスＢで接続されている。
制御部３１はＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部３２に記憶された制御プログラム３Ｐを読み出して実行することにより、医療装置３に係る種々の情報処理、制御処理等を行う。なお、図７では制御部３１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。記憶部３２はＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部３１が処理を実行するために必要な制御プログラム３Ｐ又はデータ等を記憶している。また、記憶部３２は、制御部３１が演算処理を実行するために必要なデータ等を一時的に記憶する。
通信部３３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、サーバ１等と情報の送受信を行う。入力部３４は、操作ボタン、キーボードまたはマウスでも良い。表示部３５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部３１の指示に従い各種情報を表示する。
撮影部３６は、例えばＣＣＤカメラ、ＣＭＯＳカメラ等の撮影装置である。なお、撮影部３６は、複数の撮影装置により構成されても良い。検出器３７は、被検体から放出される放射線（例えば、β線またはγ線等）を検出するための半導体放射線検出器である。なお、半導体放射線検出器をユニット基板３８に多数備えることができる。
ユニット基板３８は、放射線の検出エネルギ、検出時刻を計測するための集積回路（ＡＳＩＣ）を有しており、検出した放射線の検出エネルギや検出時刻を測定したり、放射線を検出した検出器３７のアドレスを検知したりして、検出放射線情報を出力する。
図８は、端末４の構成例を示すブロック図である。端末４は、制御部４１、記憶部４２、通信部４３、入力部４４及び表示部４５を含む。各構成はバスＢで接続されている。
制御部４１はＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部４２に記憶された制御プログラム４Ｐを読み出して実行することにより、端末４に係る種々の情報処理、制御処理等を行う。なお、図８では制御部４１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。記憶部４２はＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部４１が処理を実行するために必要な制御プログラム４Ｐ又はデータ等を記憶している。また、記憶部４２は、制御部４１が演算処理を実行するために必要なデータ等を一時的に記憶する。
通信部４３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、サーバ１等と情報の送受信を行う。入力部４４は、キーボード、マウスまたは表示部４５と一体化したタッチパネルでも良い。表示部４５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部４１の指示に従い各種情報を表示する。
図９は、病変推定情報を出力する動作を説明する説明図である。サーバ１の制御部１１は、通信部１３を介して、ＰＥＴ装置２を用いて撮影した診断画像を取得する。なお、本実施形態では、診断画像がネットワーク経由でＰＥＴ装置２から取得された例を説明したが、これに限るものではない。例えば、診断画像をメモリーカード経由でサーバ１に転送しても良い。
制御部１１は、取得した診断画像を入力した場合に病変推定情報を出力する診断用病変推定モデル１７４に、取得した診断画像を入力し、被検体の病変情報を推定した推定結果を出力する。病変情報は、例えばがんの形状、がんの広がり（浸潤や転移）程度、または悪性度等である。以下では、前立腺がんの広がり程度の例を説明する。前立腺がんの広がり程度は、がんがどの程度広がっているかを評価するＴＮＭ分類により分類することができる。
ＴＮＭ分類は、がんの進行度を判定する基準で、国際対がん連合（UICC：Union for International Cancer Control）が採用している病期分類であり、がんの進行度を示す。Ｔは発生したがんの大きさ・広がり・深さの程度（浸潤）を、Ｎは周囲のリンパ節へのがんの広がり具合を、Ｍは遠隔転移の有無を数値で示す。Ｔは０～４の５段階、Ｎは０～１の２段階、Ｍは０～１の２段階の数字を付けて大きく分類する仕組みである。０は「無い」ことを表す。
上述したＴＮＭ分類によって、前立腺がんの広がり程度をＴ０、Ｔ１、Ｔ２、Ｔ３、Ｔ４、Ｎ０、Ｎ１、Ｍ０及びＭ１に分類する例を説明する。Ｔ０は、がんを認めないことである。Ｔ１は、偶然見つかった、または生検で見つかる限局がんである。Ｔ２は、丸い前立腺を半分に見立て、片葉の小さな範囲にあるがん、片葉の２分の１を超える範囲をしめるがん、または両葉に広がるがんである。Ｔ３は、前立腺を被う膜を超えたがん、または精嚢浸潤があるがんである。Ｔ４は、前立腺に近接する膀胱や直腸に浸潤したがんである。Ｎは、所属リンパ節転移の有無であり、Ｎ０は転移なし、Ｎ１は転移有りである。Ｍは、離れた場所（例えば、肝臓、肺または骨等）に転移（遠隔転移）の有無であり、Ｍ０は転移なし、Ｍ１は転移有りである。
なお、病変情報の推定処理に関しては後述する。制御部１１は、診断用病変推定モデル１７４が出力した病変推定情報を大容量記憶部１７の被検体ＤＢ１７１及び診断情報ＤＢ１７２に記憶する。制御部１１は、通信部１３を介して、病変推定情報を端末４に送信する。なお、本実施形態では、病変推定情報が端末４に送信された例を説明したが、これに限るものではない。例えば、制御部１１は病変推定情報を表示部１５により表示しても良い。
制御部１１は、診断用病変推定モデル１７４が出力した病変推定情報に基づいて、医療装置３を用いて撮影した治療段階の治療画像を取得する。
端末４を使用する医師は、表示された病変推定情報に基づいて治療方針を決定する。本実施の形態の以下の説明では、ＲＩ内用療法を行うと決定された場合の治療段階について説明する。
治療段階においては、第２薬剤が複数回投与される。本実施の形態においては、投与量、投与回数等は医師が専門知識に基づいて判断する。第２薬剤を投与することにより、病変部位の細胞を放射線により壊死させる核医学治療が行われる。
医師は、第２薬剤を投与した後、医療装置３を用いて治療画像を適宜撮影する。例えば全身転移箇所が多い場合、または、病変が大きい場合、第２薬剤を２回または３回投与するたびに、医師は治療画像を撮影する。全身転移箇所が少ない場合、または、病変が小さい場合、医師は第２薬剤を１回または２回投与するたびに治療画像を撮影する。
医師は、必要に応じて第１薬剤と同一の薬剤を投与して治療画像を撮影する。鮮明な治療画像が撮影できるため、治療段階での病変情報を精度高く推定できる。例えば、治療終了判断の直前に第１薬剤と同一の薬剤を投与して治療画像を撮影することにより、小さい病変の見落とし等を避けられる。
制御部１１は、取得した治療画像を入力した場合に治療段階での病変推定情報を出力する治療用病変推定モデル１７５に、取得した治療画像を入力し、治療段階での病変情報を推定した推定結果を出力する。なお、治療段階での病変情報の推定処理に関しては後述する。制御部１１は、治療用病変推定モデル１７５が出力した治療段階での病変推定情報を大容量記憶部１７の被検体ＤＢ１７１及び治療情報ＤＢ１７３に記憶する。制御部１１は、通信部１３を介して、治療段階での病変推定情報を端末４に送信する。
続いて、診断用病変推定モデル１７４を用いる病変情報の推定処理を説明する。図１０は、診断用病変推定モデル１７４を説明する説明図である。診断用病変推定モデル１７４は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。診断用病変推定モデル１７４は、ＰＥＴ装置２を用いて撮影した診断画像を入力とし、病変情報を推定した結果を出力とするニューラルネットワークを構築済みの推定器である。
サーバ１の制御部１１は、診断用病変推定モデル１７４として、診断画像内における病変箇所の特徴量を学習するディープラーニングを行うことで診断用病変推定モデル１７４を構築（生成）する。例えば、診断用病変推定モデル１７４はＣＮＮ（Convolution Neural Network）であり、診断画像の入力を受け付ける入力層と、病変情報を推定した結果を出力する出力層と、バックプロパゲーションにより学習済の中間層とを有する。
入力層は、診断画像に含まれる各画素の画素値の入力を受け付ける複数のニューロンを有し、入力された画素値を中間層に受け渡す。中間層は、診断画像の特徴量を抽出する複数のニューロンを有し、抽出した画像特徴量を出力層に受け渡す。例えば診断用病変推定モデル１７４がＣＮＮである場合を例にして説明する。中間層は、入力層から入力された各画素の画素値を畳み込むコンボリューション層と、コンボリューション層で畳み込んだ画素値をマッピングするプーリング層とが交互に連結された構成により、診断画像の画素情報を圧縮しながら最終的に画像の特徴量を抽出する。その後中間層は、バックプロパゲーションによりパラメータが学習された全結合層により、病変情報を推定（予測）する。推定結果は、複数のニューロンを有する出力層に出力される。
なお、診断画像は、交互に連結されたコンボリューション層とプーリング層とを通過して特徴量が抽出された後に、入力層に入力されても良い。
なお、ＣＮＮの代わりに、ＲＣＮＮ（Regions with Convolutional Neural Network）、Ｆａｓｔ ＲＣＮＮ、Ｆａｓｔｅｒ ＲＣＮＮ、Ｍａｓｋ ＲＣＮＮ、ＳＳＤ（Single Shot Multibook Detector）、ＹＯＬＯ（You Only Look Once）、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、または回帰木等の任意の物体検出アルゴリズムを使用しても良い。
例えば、制御部１１は診断画像に基づき、ＳＳＤ物体検出アルゴリズムにより構築された学習済みの部位識別モデルを用いて、病変部位（例えば、胃、大腸または前立腺等）を識別した識別結果を取得する。制御部１１は、病変部位の識別結果に基づき、部位ごとにＳＳＤ物体検出アルゴリズムにより構築された学習済みの病変推定モデルに診断画像を入力し、病変を推定した推定結果を出力する。なお、診断画像は病変箇所がわかっているため、該診断画像から切り抜いた病変領域の画像を上述した学習済みの病変推定モデルに入力しても良い。病変領域の画像を利用することで、病変情報を推定した推定結果の精度を上げ、病変箇所の見落とし等を防止することが可能となる。
学習の際には、医療機関に存在する大量の過去の診断データ（例えば、診断画像等）を教師データとして利用する。サーバ１の制御部１１は、診断画像と、該診断画像に対応する病変情報とが対応付けられた教師データの組み合わせを用いて学習を行う。教師データは、診断画像に対し、該診断画像に対応する病変情報（例えば、Ｔ１、Ｔ２またはＴ３等）がラベル付けされたデータである。制御部１１は、教師データである診断画像を入力層に入力し、中間層での演算処理を経て、出力層から病変情報を推定した推定結果を取得する。
なお、出力層から出力される推定結果は病変の有無を離散的に示す値（例えば「０」又は「１」の値）であっても良く、連続的な確率値（例えば「０」から「１」までの範囲の値）であっても良い。制御部１１は、出力層から出力される推定結果として、例えばがんの形状、サイズ、広がり程度または悪性度等を推定した推定結果を取得する。
教師データは、予め記憶部１２または大容量記憶部１７に記憶された教師データの組み合わせを取得しても良い。または、制御部１１は、複数の診断画像において、それぞれの診断画像に対して病期情報をラベリングすることで、病変情報を学習するための教師データを生成しても良い。具体的には、制御部１１はそれぞれの診断画像に対して、例えば前立腺がんの広がり程度の名称（例えば、Ｔ１またはＴ２等）を関連付けた教師データを生成する。制御部１１は、教師データである診断画像を入力層に入力し、中間層での演算処理を経て、出力層から該診断画像に対応する病変情報を推定した推定結果を取得する。
制御部１１は、出力層から出力された推定結果を、教師データにおいて診断画像に対しラベル付けされた情報、すなわち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。当該パラメータは、例えばニューロン間の重み（結合係数）、各ニューロンで用いられる活性化関数の係数等である。パラメータの最適化の方法は特に限定されないが、例えば、制御部１１は誤差逆伝播法を用いて各種パラメータの最適化を行う。
制御部１１は、教師データに含まれる各診断画像について上記の処理を行い、診断用病変推定モデル１７４を生成する。これにより、例えば制御部１１は当該教師データを用いて診断用病変推定モデル１７４の学習を行うことで、診断画像に対応する病変情報を推定可能なモデルを構築することができる。
制御部１１は診断画像を取得した場合、取得した診断画像を診断用病変推定モデル１７４に入力する。制御部１１は、診断用病変推定モデル１７４の中間層にて診断画像の特徴量を抽出する演算処理を行う。制御部１１は、抽出した特徴量を診断用病変推定モデル１７４の出力層に入力して、診断画像に対応する病変情報を推定した推定結果を出力として取得する。
図示のように、病変推定情報の一例として、出力層から出力される推定結果は前立腺がんの広がり程度を示し、Ｔ、Ｎ、Ｍそれぞれの連続的な確率値である。具体的には、診断画像に対し、「Ｔ０」、「Ｔ１」、「Ｔ２」、「Ｔ３」、「Ｔ４」それぞれの確率値が、「０．０２」、「０．０２」、「０．０５」、「０．０２」、「０．８９」である推定結果が出力される。「Ｎ０」の確率値が「０．１０」であり、「Ｎ１」の確率値が「０．９０」である推定結果が出力される。「Ｍ０」の確率値が「０．８５」であり、「Ｍ１」の確率値が「０．１５」である推定結果が出力される。
また、所定閾値を利用して推定結果を出力しても良い。例えば制御部１１は、「Ｔ４」の確率値（０．８９）が所定閾値（例えば、０．８５）以上であり、「Ｎ１」の確率値（０．９０）が所定閾値（例えば、０．８５）以上であり、且つ「Ｍ０」の確率値（０．８５）が所定閾値（例えば、０．８０）以上であると判定した場合、診断画像に対応する前立腺がんの広がり程度が「Ｔ４」、「Ｎ１」及び「Ｍ０」である推定結果を出力する。すなわち、制御部１１は該診断画像に対し、「前立腺に近接する膀胱や直腸に浸潤したがんであり、リンパ節転移あり、且つ遠隔転移（肝臓、肺、骨等）なし」となる推定結果を出力する。なお、上述した閾値を利用せず、診断用病変推定モデル１７４が推定したＴ、Ｎ、Ｍそれぞれの確率値から、Ｔ、Ｎ、Ｍそれぞれの最も高い確率値を推定結果として出力しても良い。
なお、Ｔ、Ｎ、Ｍそれぞれの診断用病変推定モデルが構築されても良い。例えば、所属リンパ節転移の有無を推定するためのＮ推定モデルが構築された場合、制御部１１は、取得した診断画像をＮ推定モデルに入力する。制御部１１は、Ｎ推定モデルの中間層にて診断画像の特徴量を抽出する演算処理を行う。制御部１１は、抽出した特徴量をＮ推定モデルの出力層に入力して、診断画像に対応する所属リンパ節転移の有無を推定した推定結果を出力として取得する。
なお、図１０では、診断画像を診断用病変推定モデル１７４に入力した例を説明したが、これに限るものではない。例えば、診断画像に加えて、該診断画像を属する患者に関する情報を診断用病変推定モデル１７４に入力しても良い。患者に関する情報は、例えば患者の性別、年齢、過去の診断履歴等である。
なお、病変情報の推定処理は、上述した機械学習により識別処理に限るものではない。例えば、Ａ－ＫＡＺＥ（Accelerated KAZE）、ＳＩＦＴ（Scale Invariant Feature Transform）、ＳＵＲＦ（Speeded-Up Robust Features）、ＯＲＢ（Oriented FAST and Rotated BRIEF）、ＨＯＧ(Histograms of Oriented Gradients)等の局所特徴量抽出方法を用いて病変情報を推定しても良い。
なお、図１０では、診断用病変推定モデル１７４が前立腺がんの広がり程度の推定結果を出力した例を説明したが、これに限るものではない。他の種類のがん（例えば、胃がん、乳がんまたは大腸がん等）にも適用することができる。また、がんの広がり程度のほか、がんの形状、サイズまたは悪性度等を出力しても良い。
続いて、治療用病変推定モデル１７５を用いる治療段階での病変情報の推定処理を説明する。図１１は、治療用病変推定モデル１７５を説明する説明図である。治療用病変推定モデル１７５は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。治療用病変推定モデル１７５は、医療装置３を用いて撮影した治療段階の治療画像を入力とし、治療段階での病変情報を推定した結果を出力とするニューラルネットワークを構築済みの推定器である。なお、治療段階での病変情報は、診断段階での病変情報と同様であるため、説明を省略する。
サーバ１の制御部１１は、治療用病変推定モデル１７５として、治療画像内における病変箇所の特徴量を学習するディープラーニングを行うことで治療用病変推定モデル１７５を構築（生成）する。例えば、治療用病変推定モデル１７５はＣＮＮであり、治療画像の入力を受け付ける入力層と、治療段階での病変情報を推定した結果を出力する出力層と、バックプロパゲーションにより学習済の中間層とを有する。なお、治療用病変推定モデル１７５の構成に関しては、診断用病変推定モデル１７４の構成と同様であるため、説明を省略する。
学習の際には、医療機関に存在する大量の過去の治療データ（例えば、治療画像等）を教師データとして利用する。制御部１１は、治療画像と、該治療画像に対応する治療段階での病変情報とが対応付けられた教師データの組み合わせを用いて学習を行う。教師データは、治療画像に対し、該治療画像に対応する治療段階での病変情報がラベル付けされたデータである。制御部１１は、教師データである治療画像を入力層に入力し、中間層での演算処理を経て、出力層から治療段階での病変情報を推定した推定結果を取得する。
制御部１１は、出力層から出力された推定結果を、教師データにおいて治療画像に対しラベル付けされた情報、すなわち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。制御部１１は、教師データに含まれる各治療画像について上記の処理を行い、治療用病変推定モデル１７５を生成する。これにより、例えば制御部１１は当該教師データを用いて治療用病変推定モデル１７５の学習を行うことで、治療画像に対応する治療段階での病変情報を推定可能なモデルを構築することができる。
制御部１１は治療画像を取得した場合、取得した治療画像を治療用病変推定モデル１７５に入力する。制御部１１は、治療用病変推定モデル１７５の中間層にて治療画像の特徴量を抽出する演算処理を行う。制御部１１は、抽出した特徴量を治療用病変推定モデル１７５の出力層に入力して、治療画像に対応する治療段階での病変情報を推定した推定結果を出力として取得する。
なお、治療画像は病変箇所がわかっているため、該治療画像から切り抜いた病変領域の画像を治療用病変推定モデル１７５に入力しても良い。また、制御部１１は治療画像に加えて、該治療画像を属する患者に関する情報を治療用病変推定モデル１７５に入力しても良い。患者に関する情報は、例えば患者の性別、年齢、治療歴等である。なお、Ｔ、Ｎ、Ｍそれぞれの治療用病変推定モデルが構築されても良い。
なお、ＣＮＮの代わりに、ＲＣＮＮ、Ｆａｓｔ ＲＣＮＮ、Ｆａｓｔｅｒ ＲＣＮＮ、Ｍａｓｋ ＲＣＮＮ、ＳＳＤ、ＹＯＬＯ、ＳＶＭ、ベイジアンネットワーク、または回帰木等の任意の物体検出アルゴリズムを使用しても良い。
以下では、前立腺がんの病変推定情報を出力する処理手順を一例として説明する。
図１２は、診断段階での病変推定情報を出力する際の処理手順を示すフローチャートである。サーバ１の制御部１１は、通信部１３を介して、第１薬剤が投与された被検体を、ＰＥＴ装置２を用いて撮影した診断画像を取得する（ステップＳ１０１）。第１薬剤には、６８Ｇａ－ＰＳＭＡを使用する。制御部１１は、取得した診断画像を入力した場合に病変推定情報を出力する診断用病変推定モデル１７４を用いて、被検体の病変情報を推定する（ステップＳ１０２）。
制御部１１は、推定した病変推定情報を大容量記憶部１７に記憶する（ステップＳ１０３）。具体的には、制御部１１は、診断ＩＤを割り振って、被検体ＩＤ、診断画像、診断画像の撮影日時、被検体に投与された薬剤、及び病変推定情報を一つのレコードとして診断情報ＤＢ１７２に記憶する。制御部１１は、被検体ＩＤに対応付けて、病変種類（例えば、前立腺がんまたは乳がん等）、及び診断ＩＤを一つのレコードとして被検体ＤＢ１７１に記憶する。
制御部１１は、通信部１３を介して、病変推定情報を端末４に送信する（ステップＳ１０４）。端末４の制御部４１は、サーバ１から送信された病変推定情報を通信部４３により受信し（ステップＳ４０１）、受信した病変推定情報を表示部４５により表示し（ステップＳ４０２）、処理を終了する。
図１３は、治療段階での病変推定情報を出力する際の処理手順を示すフローチャートである。サーバ１の制御部１１は、第２薬剤が投与された被検体を、医療装置３を用いて撮影した治療段階の治療画像を取得する（ステップＳ１１１）。第２薬剤には、１７７Ｌｕ－ＰＳＭＡを使用する。制御部１１は、取得した治療画像を入力した場合に治療段階での病変推定情報を出力する治療用病変推定モデル１７５を用いて、治療段階での病変情報を推定する（ステップＳ１１２）。
制御部１１は、推定した治療段階での病変推定情報を大容量記憶部１７に記憶する（ステップＳ１１３）。具体的には、治療ＩＤが存在していない場合、制御部１１は治療ＩＤを割り振る。同一の治療コースに対し、治療ＩＤが存在している場合、制御部１１は治療ＩＤを特定する。制御部１１は、治療ＩＤに対応付けてサブＩＤを割り振って、被検体ＩＤ、治療画像、治療画像の撮影日時、被検体に投与された薬剤、治療段階での病変推定情報及び備考を一つのレコードとして治療情報ＤＢ１７３に記憶する。制御部１１は、被検体ＩＤ及び診断ＩＤに対応付けて、治療ＩＤを被検体ＤＢ１７１に記憶する。
制御部１１は、通信部１３を介して、治療段階での病変推定情報を端末４に送信する（ステップＳ１１４）。端末４の制御部４１は、サーバ１から送信された治療段階での病変推定情報を通信部４３により受信し（ステップＳ４１１）、受信した治療段階での病変推定情報を表示部４５により表示する（ステップＳ４１２）。
図１４は、核医学治療を行った後に６８Ｇａ－ＰＳＭＡを用いて治療終了を判定する際の処理手順を示すフローチャートである。なお、図１３と重複する内容については同一の符号を付して説明を省略する。
制御部１１は、通信部１３または入力部１４を介して、治療終了判定を実行するか否かの指示を受け付ける（ステップＳ１１５）。制御部１１は、治療終了判定を実行しない指示を受け付けた場合（ステップＳ１１５でＮＯ）、処理を終了する。制御部１１は、治療終了判定を実行する指示を受け付けた場合（ステップＳ１１５でＹＥＳ）、６８Ｇａ－ＰＳＭＡが投与された被検体を、医療装置３を用いて撮影した治療段階の治療画像を取得する（ステップＳ１１６）。
制御部１１は、治療用病変推定モデル１７５を用いて、治療段階での病変情報を推定する（ステップＳ１１７）。制御部１１は、推定した治療段階での病変推定情報を大容量記憶部１７の被検体ＤＢ１７１及び治療情報ＤＢ１７３に記憶する（ステップＳ１１８）。制御部１１は、通信部１３を介して、治療段階での病変推定情報を端末４に送信する（ステップＳ１１９）。端末４の制御部４１は、ステップＳ４１１を実行する。
以下では、乳がんの病変推定情報を出力する処理手順を一例として説明する。診断画像を取得するための第１薬剤には、放射性医薬品合成装置およびキットでＧａ－６８を標識したＨＥＲ２抗体を使用する。サーバ１の制御部１１は、該第１薬剤が投与された被検体を、ＰＥＴ装置２を用いて撮影した診断画像を取得する。なお、診断段階での病変推定情報を出力する処理は、図１２での処理手順と同様であるため、説明を省略する。
図１５は、乳がんの治療段階の病変推定情報を出力する際の処理手順を示すフローチャートである。なお、図１３と重複する内容については同一の符号を付して説明を省略する。サーバ１の制御部１１は、第２薬剤が投与された被検体を、医療装置３を用いて撮影した治療段階の治療画像を取得する（ステップＳ１２１）。第２薬剤には、２１１Ａｔ－ＨＥＲ２を使用する。その後に、制御部１１はステップＳ１１２を実行する。
また、サーバ１の制御部１１は表示部１５を介して、診断画像と治療画像とを同時に表示することができる。さらにまた、制御部１１は通信部１３を介して、診断画像と治療画像とを端末４に送信することができる。
本実施形態によると、診断画像に基づき、診断用病変推定モデル１７４を用いて病変推定情報を出力することが可能となる。
本実施形態によると、治療画像に基づき、治療用病変推定モデル１７５を用いて治療段階での病変推定情報を出力することが可能となる。
本実施形態によると、人工知能を用いて病変推定情報を出力することにより、医師不足問題を解消することが可能となる。
本実施形態によると、診断画像または治療画像に対して特徴量を学習するディープラーニングを行うことにより、病変情報の推定精度を上げることが可能となる。
（実施形態２）
実施形態２は、治療画像に基づき、人工知能を用いて、第１薬剤が投与された被検体を、ＰＥＴ装置２を用いて撮影した画像を推定した推定画像を取得する形態に関する。なお、実施形態１と重複する内容については説明を省略する。
図１６は、実施形態２のサーバ１の構成例を示すブロック図である。なお、図２と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７には、変換モデル１７６が記憶されている。変換モデル（第３学習モデル）１７６は、治療画像に基づいて、第１薬剤が投与された被検体を、ＰＥＴ装置２を用いて撮影した画像に変換（推定）する変換器であり、機械学習により生成された学習済みモデルである。
図１７は、治療画像から推定画像に変換する学習処理に関する説明図である。本実施の形態でサーバ１は、ＧＡＮ（Generative Adversarial Network）の手法を用いて治療画像を学習し、変換モデル１７６を生成する。図１７では、ＧＡＮの構成を概念的に図示している。
ＧＡＮは、入力データから出力データを生成する生成器（Generator）と、生成器が生成したデータの真偽を識別する識別器（Discriminator）とから構成される。生成器は、ランダムなノイズ（潜在変数）または治療画像の入力を受け付け、出力データを生成する。識別器は、学習用に与えられる真のデータと、生成器から与えられるデータとを用いて、入力データの真偽を学習する。ＧＡＮでは生成器及び識別器が競合して学習を行い、最終的に生成器の損失関数が最小化し、かつ、識別器の損失関数が最大化するようにネットワークを構築する。
本実施の形態でサーバ１は、ＧＡＮの手法により構築される生成器を、変換モデル１７６を構成する変換器として用い、Ｌｕ－１７７で標識したＰＳＭＡ結合性リガンド（第２薬剤）が投与された被検体を撮影した治療画像（１７７Ｌｕ－ＰＳＭＡ）から、Ｇａ－６８で標識したＰＳＭＡ結合性リガンド（第１薬剤）が投与された被検体を、ＰＥＴ装置２を用いて撮影した画像（６８Ｇａ－ＰＳＭＡ）（推定画像）に変換を行う。
なお、本実施形態では、治療画像（１７７Ｌｕ－ＰＳＭＡ）から推定画像（６８Ｇａ－ＰＳＭＡ）に変換した例を説明したが、これに限るものではない。他の放射性核種を標識した薬剤が投与された被検体を撮影した画像にも適用することが可能である。
なお、本実施形態では、治療画像を変換モデル１７６に入力した例を説明したが、これに限るものではない。例えば、治療画像に加えて、該治療画像を属する患者に関する情報を変換モデル１７６に入力しても良い。
なお、本実施の形態では変換モデル１７６の生成（学習）手法としてＧＡＮを用いるが、変換モデル１７６はＧＡＮに係る学習済みモデルに限定されず、その他Ｕ－ＮＥＴ（Ｕ字型のニューラルネットワーク）等の深層学習、決定木等の学習手法による学習済みモデルであっても良い。
Ｕ－ＮＥＴを用いる場合の処理について説明する。Ｕ－ＮＥＴは、ダウンサンプリングを行う畳み込み層及びプーリング層を含むエンコーダと、アップサンプリングを行う畳み込み層及びプーリング層を含むデコーダとにより構成される。制御部１１は被検体の治療画像と、当該被検体を同時期にＰＥＴ装置２により撮影した教師画像との組み合わせを訓練データとして多数取得する。制御部１１は、エンコーダに治療画像を入力し、デコーダの出力が教師画像に近づくよう誤差逆伝播法等を用いて畳み込み層のパラメータをトレーニングする。学習が完了すれば、制御部１１は新たな治療画像を取得して、Ｕ－ＮＥＴに取得した治療画像を入力する。制御部１１はＵ－ＮＥＴから出力される推定画像を取得し、表示部１５に表示する。
図１８は、推定画像を出力する際の処理手順を示すフローチャートである。サーバ１の制御部１１は、１７７Ｌｕ－ＰＳＭＡが投与された被検体を、医療装置３を用いて撮影した治療段階の治療画像を取得する（ステップＳ１３１）。制御部１１は、取得した治療画像を入力した場合に、第１薬剤が投与された被検体を、ＰＥＴ装置２を用いて撮影した画像を推定した推定画像を出力する変換モデル１７６を用いて、推定画像を取得する（ステップＳ１３２）。
制御部１１は、取得した推定画像を通信部１３により端末４に送信する（ステップＳ１３３）。端末４の制御部４１は、サーバ１から送信された推定画像を通信部４３により受信し（ステップＳ４３１）、受信した推定画像を表示部４５により表示し（ステップＳ４３２）、処理を終了する。
本実施形態によると、治療画像に基づき、変換モデル１７６を用いて、第１薬剤が投与された被検体を、ＰＥＴ装置２を用いて撮影した画像を推定した推定画像を出力することが可能となる。
本実施形態によると、変換モデル１７６を用いて推定画像（６８Ｇａ－ＰＳＭＡ）を出力することにより、６８Ｇａ－ＰＳＭＡによる治療終了判断を実施する必要性が減ることが可能となる。
（実施形態３）
実施形態３は、人工知能を用いて、第２薬剤の推奨投与量を出力する形態に関する。なお、実施形態１～２と重複する内容については説明を省略する。
図１９は、実施形態３のサーバ１の構成例を示すブロック図である。なお、図１６と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７には、第２薬剤情報出力モデル（第４学習モデル）１７７が記憶されている。第２薬剤情報出力モデル１７７は、診断画像に基づいて、被検体に投与される第２薬剤の推奨投与量を予測する予測器であり、機械学習により生成された学習済みモデルである。
図２０は、第２薬剤情報出力モデル１７７を説明する説明図である。第２薬剤情報出力モデル１７７は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。第２薬剤情報出力モデル１７７は、診断画像を入力とし、被検体に投与される第２薬剤の推奨投与量を出力とするニューラルネットワークを構築済みの予測器である。
サーバ１の制御部１１は、第２薬剤情報出力モデル１７７として、診断画像内における病変箇所の特徴量を学習するディープラーニングを行うことで第２薬剤情報出力モデル１７７を構築（生成）する。例えば、第２薬剤情報出力モデル１７７はＣＮＮであり、診断画像の入力を受け付ける入力層と、第２薬剤の推奨投与量を予測した結果を出力する出力層と、バックプロパゲーションにより学習済の中間層とを有する。なお、第２薬剤情報出力モデル１７７の構成に関しては、診断用病変推定モデル１７４の構成と同様であるため、説明を省略する。
学習の際には、医療機関に存在する大量の過去の診断データを教師データとして利用する。制御部１１は、診断画像と、該診断画像に対応する第２薬剤の投与量とが対応付けられた教師データの組み合わせを用いて学習を行う。教師データは、診断画像に対し、該診断画像に対応する第２薬剤の投与量がラベル付けされたデータである。制御部１１は、教師データである診断画像を入力層に入力し、中間層での演算処理を経て、出力層から第２薬剤の推奨投与量を予測した予測結果（推奨投与量）取得する。
制御部１１は、出力層から出力された第２薬剤の推奨投与量を、教師データにおいて診断画像に対しラベル付けされた第２薬剤の投与量、すなわち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。制御部１１は、教師データに含まれる各診断画像について上記の処理を行い、第２薬剤情報出力モデル１７７を生成する。これにより、例えば制御部１１は当該教師データを用いて第２薬剤情報出力モデル１７７の学習を行うことで、診断画像に対応する第２薬剤の推奨投与量を予測可能なモデルを構築することができる。
制御部１１は診断画像を取得した場合、取得した診断画像を第２薬剤情報出力モデル１７７に入力する。制御部１１は、第２薬剤情報出力モデル１７７の中間層にて診断画像の特徴量を抽出する演算処理を行う。制御部１１は、抽出した特徴量を第２薬剤情報出力モデル１７７の出力層に入力して、診断画像に対応する第２薬剤の推奨投与量を予測した予測結果を出力として取得する。
図示のように、出力層から出力される予測結果は、第２薬剤の投与量を示す連続的な確率値である。一例として、診断画像に対し、「０サイクル」、「１サイクル」、「２サイクル」、「３サイクル」、「４サイクル」、「５サイクル」それぞれの確率値が、「０．０１」、「０．０３」、「０．０２」、「０．９２」、「０．０１」、「０．０１」である予測結果が出力される。サイクルは、第２薬剤の投与量の単位である。
なお、第２薬剤情報出力モデル１７７の生成処理は、上述した処理に限るものではない。例えば、制御部１１は被検体の部位ごとに第２薬剤情報出力モデル１７７を生成しても良い。この場合、制御部１１は部位情報と診断画像とを第２薬剤情報出力モデル１７７に入力し、診断画像に対応する第２薬剤の推奨投与量を予測した予測結果を出力する。
なお、本実施形態では、診断画像を第２薬剤情報出力モデル１７７に入力した例を説明したが、これに限るものではない。例えば、診断画像に加えて、該診断画像を属する患者に関する情報を第２薬剤情報出力モデル１７７に入力しても良い。
図２１は、第２薬剤の推奨投与量を出力する際の処理手順を示すフローチャートである。サーバ１の制御部１１は、ＰＥＴ装置２を用いて撮影した診断画像を取得する（ステップＳ１４１）。制御部１１は、取得した診断画像を入力した場合に第２薬剤の推奨投与量を出力する第２薬剤情報出力モデル１７７を用いて、第２薬剤の推奨投与量を取得する（ステップＳ１４２）。
制御部１１は、取得した第２薬剤の推奨投与量を通信部１３により端末４に送信する（ステップＳ１４３）。端末４の制御部４１は、サーバ１から送信された第２薬剤の推奨投与量を通信部４３により受信する（ステップＳ４４１）。制御部４１は、受信した第２薬剤の推奨投与量を表示部４５により表示し（ステップＳ４４２）、処理を終了する。
本実施形態によると、診断画像に基づき、第２薬剤情報出力モデル１７７を用いて第２薬剤の推奨投与量を出力することが可能となる。
＜変形例１＞
第２薬剤情報出力モデル１７７を用いて、推奨する第２薬剤の種類と、種類ごとの第２薬剤の推奨投与量または推奨投与順序を出力する処理を説明する。
図２２は、変形例１の第２薬剤情報出力モデル１７７を説明する説明図である。第２薬剤情報出力モデル１７７は、診断画像を入力とし、推奨する第２薬剤の種類と、種類ごとの第２薬剤の推奨投与量を出力とするニューラルネットワークを構築済みの予測器である。
制御部１１は、診断画像と、該診断画像に対応する第２薬剤の種類、及び種類ごとの第２薬剤の投与量とが対応付けられた教師データの組み合わせを用いて学習を行う。制御部１１は、教師データである診断画像を入力層に入力し、中間層での演算処理を経て、出力層から第２薬剤の種類及び種類ごとの推奨投与量を予測した予測結果を取得する。
制御部１１は、出力層から出力された推奨する第２薬剤の種類及び種類ごとの推奨投与量を、教師データにおいて診断画像に対しラベル付けされた第２薬剤の種類及び種類ごとの投与量情報、すなわち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。制御部１１は、教師データに含まれる各診断画像について上記の処理を行い、第２薬剤情報出力モデル１７７を生成する。これにより、例えば制御部１１は当該教師データを用いて第２薬剤情報出力モデル１７７の学習を行うことで、診断画像に対応する第２薬剤の種類及び種類ごとの推奨投与量を予測可能なモデルを構築することができる。
なお、上述した処理のほか、制御部１１は診断画像と、該診断画像に対応する第２薬剤の種類、及び種類ごとの薬剤サイクル（例えば、投与回数等）とが対応付けられた教師データの組み合わせを用いて学習を行っても良い。この場合、例えば制御部１１は当該教師データを用いて第２薬剤情報出力モデル１７７の学習を行うことで、診断画像に対応する第２薬剤の種類及び種類ごとの薬剤サイクルを予測可能なモデルを構築することができる。
制御部１１は診断画像を取得した場合、取得した診断画像を第２薬剤情報出力モデル１７７に入力する。制御部１１は、第２薬剤情報出力モデル１７７の中間層にて診断画像の特徴量を抽出する演算処理を行う。制御部１１は、抽出した特徴量を第２薬剤情報出力モデル１７７の出力層に入力して、診断画像に対応する第２薬剤の種類及び種類ごとの推奨投与量を予測した予測結果を出力として取得する。
また、第２薬剤情報出力モデル１７７を用いて、種類ごとの第２薬剤の推奨投与量の代わりに、第２薬剤の推奨投与順序を出力することができる。さらにまた、推奨する第２薬剤の種類と、種類ごとの第２薬剤の推奨投与量及び第２薬剤の推奨投与順序との組み合わせを第２薬剤情報出力モデル１７７から出力することができる。
本変形例によると、診断画像に基づき、第２薬剤情報出力モデル１７７を用いて、推奨する第２薬剤の種類と、種類ごとの第２薬剤の推奨投与量または推奨投与順序を出力することが可能となる。
（実施形態４）
実施形態４は、診断画像に基づいて治療タイミングを判定する形態に関する。なお、実施形態１～３と重複する内容については説明を省略する。治療タイミングに関しては、病変情報（例えば、がんの広がり程度、悪性度等）に基づいて分類することができる。例えば、治療タイミングを「治療不要」、「今すぐ」、「１ヶ月後」、「２ヵ月後」、「３カ月後」または「半年後」に分類しても良い。例えば、治療タイミングが「１ヶ月後」である場合、「１ヶ月後」までに治療を開始する必要がある。
図２３は、実施形態４のサーバ１の構成例を示すブロック図である。なお、図１９と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７には、治療タイミング予測モデル（第５学習モデル）１７８が記憶されている。治療タイミング予測モデル１７８は、診断画像に基づいて、治療タイミングを予測する予測器であり、機械学習により生成された学習済みモデルである。
図２４は、治療タイミング予測モデル１７８を説明する説明図である。治療タイミング予測モデル１７８は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。治療タイミング予測モデル１７８は、診断画像を入力とし、治療タイミングを予測した予測結果を出力とするニューラルネットワークを構築済みの予測器である。
サーバ１の制御部１１は、治療タイミング予測モデル１７８として、診断画像内における病変箇所の特徴量を学習するディープラーニングを行うことで治療タイミング予測モデル１７８を構築（生成）する。例えば、治療タイミング予測モデル１７８はＣＮＮであり、診断画像の入力を受け付ける入力層と、治療タイミングを予測した結果を出力する出力層と、バックプロパゲーションにより学習済の中間層とを有する。なお、治療タイミング予測モデル１７８の構成に関しては、診断用病変推定モデル１７４の構成と同様であるため、説明を省略する。
学習の際には、医療機関に存在する大量の過去の診断データを教師データとして利用する。制御部１１は、診断画像と、該診断画像に対応する治療タイミングとが対応付けられた教師データの組み合わせを用いて学習を行う。教師データは、診断画像に対し、該診断画像に対応する治療タイミングがラベル付けされたデータである。制御部１１は、教師データである診断画像を入力層に入力し、中間層での演算処理を経て、出力層から治療タイミングを予測した予測結果を取得する。
制御部１１は、出力層から出力された予測治療タイミングを、教師データにおいて診断画像に対しラベル付けされた治療タイミング、すなわち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。制御部１１は、教師データに含まれる各診断画像について上記の処理を行い、治療タイミング予測モデル１７８を生成する。これにより、例えば制御部１１は当該教師データを用いて治療タイミング予測モデル１７８の学習を行うことで、診断画像に対応する治療タイミングを予測可能なモデルを構築することができる。
制御部１１は診断画像を取得した場合、取得した診断画像を治療タイミング予測モデル１７８に入力する。制御部１１は、治療タイミング予測モデル１７８の中間層にて診断画像の特徴量を抽出する演算処理を行う。制御部１１は、抽出した特徴量を治療タイミング予測モデル１７８の出力層に入力して、診断画像に対応する治療タイミングを予測した予測結果を出力として取得する。
図示のように、出力層から出力される予測結果は、治療タイミングを示す連続的な確率値である。一例として、診断画像に対し、「治療不要」、「今すぐ」、「１ヶ月後」、「２ヵ月後」、「３カ月後」、「半年後」それぞれの確率値が、「０．０１」、「０．０３」、「０．０２」、「０．９２」、「０．０１」、「０．０１」である予測結果が出力される。
なお、本実施形態では、診断画像を治療タイミング予測モデル１７８に入力した例を説明したが、これに限るものではない。例えば、診断画像に加えて、該診断画像を属する患者に関する情報を治療タイミング予測モデル１７８に入力しても良い。
図２５は、治療タイミングの予測結果を出力する際の処理手順を示すフローチャートである。サーバ１の制御部１１は、ＰＥＴ装置２を用いて撮影した診断画像を取得する（ステップＳ１５１）。制御部１１は、取得した診断画像を入力した場合に治療タイミングを予測した予測結果を出力する治療タイミング予測モデル１７８を用いて、治療タイミングを取得する（ステップＳ１５２）。
制御部１１は、取得した治療タイミングを通信部１３により端末４に送信する（ステップＳ１５３）。端末４の制御部４１は、サーバ１から送信された治療タイミングを通信部４３により受信し（ステップＳ４５１）、受信した治療タイミングを表示部４５により表示し（ステップＳ４５２）、処理を終了する。
また、治療タイミングの判定処理に関しては、上述した治療タイミング予測モデル１７８を用いた判定（予測）処理に限るものではない。病変部位のコントラスト比に基づき、治療タイミングを判定することができる。病変部位のコントラスト比は、診断画像に対して、病変箇所の輝度（明るさ）と正常箇所の輝度との比である。輝度は、各画素における輝度すなわち（（Ｒ ＋ Ｇ ＋ Ｂ） ／ ３）である。Ｒは赤色、Ｇは緑色、Ｂは青色の副画素の画素値である。
サーバ１の制御部１１は、診断画像に基づいて病変部位のコントラスト比を算出する。制御部１１は、算出した病変部位のコントラスト比と、該病変部位に対応する診断用基準コントラスト比とを比較する。なお、診断用基準コントラスト比は、予め記憶部１２若しくは大容量記憶部１７に記憶されても良く、または外部のノーマルデータベース（ＮＤＢ：normal database）から取得されても良い。また、診断用基準コントラスト比に関しては、治療タイミングによって複数の基準コントラスト比を設けることができる。例えば、「治療不要」、「今すぐ」、「１ヶ月後」、「２ヵ月後」、「３カ月後」、「半年後」それぞれの診断用基準コントラスト比を設けても良い。
具体的には、制御部１１は、算出した病変部位のコントラスト比と、上述した治療タイミングにより設けられたそれぞれの診断用基準コントラスト比とを比較する。例えば、制御部１１は、算出した病変部位のコントラスト比が「１ヶ月後」の診断用基準コントラスト比以上であり、「２ヵ月後」の診断用基準コントラスト比以下であると判定した場合、「１ヶ月後」の治療タイミングを判定結果として出力する。
図２６は、コントラスト比により治療タイミングを判定する際の処理手順を示すフローチャートである。制御部１１は、ＰＥＴ装置２を用いて撮影した診断画像を取得する（ステップＳ１６１）。制御部１１は、取得した診断画像の輝度に基づき、病変部位のコントラスト比を算出する（ステップＳ１６２）。
制御部１１は、通信部１３を介して、外部のノーマルデータベースから該病変部位に対応する診断用基準コントラスト比を取得する（ステップＳ１６３）。制御部１１は、算出した病変部位のコントラスト比と、取得した診断用基準コントラスト比とを比較し（ステップＳ１６４）、該当する治療タイミングを判定し（ステップＳ１６５）、処理を終了する。
本実施形態によると、診断画像に基づき、治療タイミング予測モデル１７８を用いて治療タイミングの予測結果を出力することが可能となる。
本実施形態によると、ノーマルデータベース等に記憶された診断用基準コントラスト比によって、治療タイミングを判定することが可能となる。
（実施形態５）
実施形態５は、治療画像に基づいて、治療残り回数を含む推定治療結果を出力する形態に関する。なお、実施形態１～４と重複する内容については説明を省略する。推定治療結果は、治療残り回数（例えば、完治、１回または２回等）を含む。なお、治療残り回数のほか、推定治療結果は、治療に投与される推奨薬剤、アドバイス等を含んでも良い。
図２７は、実施形態５のサーバ１の構成例を示すブロック図である。なお、図２３と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７には、推定治療結果出力モデル（第６学習モデル）１７９が記憶されている。推定治療結果出力モデル１７９は、治療画像に基づいて、治療残り回数を含む治療結果を推定する推定器であり、機械学習により生成された学習済みモデルである。
図２８は、推定治療結果出力モデル１７９を説明する説明図である。推定治療結果出力モデル１７９は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。推定治療結果出力モデル１７９は、治療画像を入力とし、治療残り回数を含む治療結果を推定した推定結果を出力とするニューラルネットワークを構築済みの推定器である。
サーバ１の制御部１１は、推定治療結果出力モデル１７９として、治療画像内における病変箇所の特徴量を学習するディープラーニングを行うことで推定治療結果出力モデル１７９を構築（生成）する。例えば、推定治療結果出力モデル１７９はＣＮＮであり、治療画像の入力を受け付ける入力層と、治療残り回数を含む治療結果を推定した結果を出力する出力層と、バックプロパゲーションにより学習済の中間層とを有する。なお、推定治療結果出力モデル１７９の構成に関しては、診断用病変推定モデル１７４の構成と同様であるため、説明を省略する。
学習の際には、医療機関に存在する大量の過去の治療データを教師データとして利用する。制御部１１は、治療画像と、治療残り回数を含む治療結果とが対応付けられた教師データの組み合わせを用いて学習を行う。教師データは、治療画像に対し、治療残り回数を含む治療結果がラベル付けされたデータである。制御部１１は、教師データである治療画像を入力層に入力し、中間層での演算処理を経て、出力層から治療残り回数を含む治療結果を推定した推定結果を取得する。
制御部１１は、出力層から出力された治療残り回数を含む治療結果を、教師データにおいて治療画像に対しラベル付けされた治療結果、すなわち正解値と比較し、出力層からの出力値が正解値に近づくように、中間層での演算処理に用いるパラメータを最適化する。制御部１１は、教師データに含まれる各治療画像について上記の処理を行い、推定治療結果出力モデル１７９を生成する。これにより、例えば制御部１１は当該教師データを用いて推定治療結果出力モデル１７９の学習を行うことで、治療画像に対応する、治療残り回数を含む治療結果を推定可能なモデルを構築することができる。
制御部１１は治療画像を取得した場合、取得した治療画像を推定治療結果出力モデル１７９に入力する。治療画像は、６８Ｇａ－ＰＳＭＡが投与された被検体の治療画像（例えば、治療終了を判断するための治療画像）であっても良く、または１７７Ｌｕ－ＰＳＭＡが投与された被検体の治療画像であっても良い。さらにまた、治療画像は、６８Ｇａ－ＰＳＭＡが投与された被検体の治療画像と、１７７Ｌｕ－ＰＳＭＡが投与された被検体の治療画像との組み合わせであっても良い。
制御部１１は、推定治療結果出力モデル１７９の中間層にて治療画像の特徴量を抽出する演算処理を行う。制御部１１は、抽出した特徴量を推定治療結果出力モデル１７９の出力層に入力して、治療画像に対応する、治療残り回数を含む治療結果を推定した推定結果を出力として取得する。
図示のように、出力層から出力される予測結果は、治療残り回数を示す連続的な確率値である。一例として、治療画像に対し、「完治」、「１回」、「２回」、「３回」それぞれの確率値が、「０．０１」、「０．０３」、「０．９１」、「０．０５」である推定結果が出力される。
なお、本実施形態では、治療画像を推定治療結果出力モデル１７９に入力した例を説明したが、これに限るものではない。例えば、治療画像に加えて、該治療画像を属する患者に関する情報を推定治療結果出力モデル１７９に入力しても良い。
図２９は、推定治療結果を出力する際の処理手順を示すフローチャートである。サーバ１の制御部１１は、医療装置３から治療画像を取得する（ステップＳ１７１）。治療画像は、１７７Ｌｕ－ＰＳＭＡが投与された被検体の治療画像、６８Ｇａ－ＰＳＭＡが投与された被検体の治療画像、または両者の組み合わせの治療画像であっても良い。制御部１１は、取得した治療画像を入力した場合に、治療残り回数を含む推定治療結果を出力する推定治療結果出力モデル１７９を用いて、推定治療結果を取得する（ステップＳ１７２）。
制御部１１は、取得した推定治療結果を通信部１３により端末４に送信する（ステップＳ１７３）。端末４の制御部４１は、サーバ１から送信された推定治療結果を通信部４３により受信し（ステップＳ４７１）、受信した推定治療結果を表示部４５により表示し（ステップＳ４７２）、処理を終了する。
また、治療結果の判定処理に関しては、上述した推定治療結果出力モデル１７９を用いた判定（推定）処理に限るものではない。病変部位のコントラスト比に基づき、治療残り回数を含む治療結果を判定することができる。
サーバ１の制御部１１は、治療画像に基づいて病変部位のコントラスト比を算出する。制御部１１は、算出した病変部位のコントラスト比と、該病変部位に対応する治療用基準コントラスト比とを比較する。なお、治療用基準コントラスト比は、予め記憶部１２若しくは大容量記憶部１７に記憶されても良く、または外部のノーマルデータベースから取得されても良い。また、治療用基準コントラスト比に関しては、治療残り回数によって複数の治療用基準コントラスト比を設けることができる。例えば、「完治」、「１回」、「２回」、「３回」それぞれの基準コントラスト比を設けても良い。
具体的には、制御部１１は、算出した病変部位のコントラスト比と、上述した治療残り回数により設けられたそれぞれの治療用基準コントラスト比とを比較する。例えば、制御部１１は、算出した病変部位のコントラスト比が「２回」の治療用基準コントラスト比以上であり、「３回」の治療用基準コントラスト比以下であると判定した場合、治療残り回数が２回である治療結果を判定する。
図３０は、コントラスト比により治療結果を判定する際の処理手順を示すフローチャートである。制御部１１は、第２薬剤が投与された被検体を撮影した治療画像を取得する（ステップＳ１８１）。制御部１１は、取得した治療画像の輝度に基づき、病変部位のコントラスト比を算出する（ステップＳ１８２）。
制御部１１は、通信部１３を介して、外部のノーマルデータベースから該病変部位に対応する治療用基準コントラスト比を取得する（ステップＳ１８３）。制御部１１は、算出した病変部位のコントラスト比と、取得した治療用基準コントラスト比とを比較し（ステップＳ１８４）、治療残り回数を含む治療結果を判定し（ステップＳ１８５）、処理を終了する。
本実施形態によると、治療画像に基づき、推定治療結果出力モデル１７９を用いて推定治療結果を出力することが可能となる。
本実施形態によると、ノーマルデータベース等に記憶された治療用基準コントラスト比によって、治療結果を判定することが可能となる。
（実施形態６）
図３１は、実施形態１～５のサーバ１の動作を示す機能ブロック図である。制御部１１が制御プログラム１Ｐを実行することにより、サーバ１は以下のように動作する。
第１取得部１０ａは、ＰＥＴ装置２を用いて撮影した診断画像を取得する。第１学習モデル１０ｂは、第１取得部１０ａが取得した診断画像を入力した場合に病変推定情報を出力する。第２取得部１０ｃは、第１学習モデル１０ｂが出力した病変推定情報に基づいて、医療装置３を用いて撮影した治療段階の治療画像を取得する。
第２学習モデル１０ｄは、第２取得部１０ｃが取得した治療画像を入力した場合に治療段階での病変推定情報を出力する。第３学習モデル１０ｅは、治療画像を入力した場合に、第１薬剤が投与された被検体を、ＰＥＴ装置２を用いて撮影した画像を推定した推定画像を出力する。表示部１０ｆは、診断画像と治療画像とを同時に表示する。第４学習モデル１０ｇは、診断画像を入力した場合に第２薬剤の推奨投与量を出力する。また、第４学習モデル１０ｇは、診断画像を入力した場合に、推奨する第２薬剤の種類と、種類ごとの第２薬剤の推奨投与量または推奨投与順序とを出力することができる。
第５学習モデル１０ｈは、診断画像を入力した場合に治療タイミングを予測した予測結果を出力する。第１算出部１０ｉは、診断画像に基づき、病変部位のコントラスト比を算出する。第１判定部１０ｊは、第１算出部１０ｉが算出したコントラスト比と、病変部位に対応する診断用基準コントラスト比とを比較して治療タイミングを判定する。
第６学習モデル１０ｋは、治療画像を入力した場合に、治療残り回数を含む推定治療結果を出力する。第２算出部１０ｌは、治療画像に基づき、病変部位のコントラスト比を算出する。第２判定部１０ｍは、第２算出部１０ｌが算出したコントラスト比と、病変部位に対応する治療用基準コントラスト比との比較に基づいて、治療残り回数を含む治療結果を判定する
本実施の形態６は以上の如きであり、その他は実施の形態１から５と同様であるので、対応する部分には同一の符号を付してその詳細な説明を省略する。
今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
１ 情報処理装置（サーバ）
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 表示部
１６ 読取部
１７ 大容量記憶部
１７１ 被検体ＤＢ
１７２ 診断情報ＤＢ
１７３ 治療情報ＤＢ
１７４ 診断用病変推定モデル（第１学習モデル）
１７５ 治療用病変推定モデル（第２学習モデル）
１７６ 変換モデル（第３学習モデル）
１７７ 第２薬剤情報出力モデル（第４学習モデル）
１７８ 治療タイミング予測モデル（第５学習モデル）
１７９ 推定治療結果出力モデル（第６学習モデル）
１ａ 可搬型記憶媒体
１ｂ 半導体メモリ
１Ｐ 制御プログラム
２ 陽電子放射断層撮影装置（ＰＥＴ装置）
２１ 制御部
２２ 記憶部
２３ 通信部
２４ 入力部
２５ 表示部
２６ 撮影部
２７ 検出器
２８ ユニット基板
２Ｐ 制御プログラム
３ 医療画像撮影装置（医療装置）
３１ 制御部
３２ 記憶部
３３ 通信部
３４ 入力部
３５ 表示部
３６ 撮影部
３７ 検出器
３８ ユニット基板
３Ｐ 制御プログラム
４ 情報処理端末（端末）
４１ 制御部
４２ 記憶部
４３ 通信部
４４ 入力部
４５ 表示部
４Ｐ 制御プログラム
１０ａ 第１取得部
１０ｂ 第１学習モデル
１０ｃ 第２取得部
１０ｄ 第２学習モデル
１０ｅ 第３学習モデル
１０ｆ 表示部
１０ｇ 第４学習モデル
１０ｈ 第５学習モデル
１０ｉ 第１算出部
１０ｊ 第１判定部
１０ｋ 第６学習モデル
１０ｌ 第２算出部
１０ｍ 第２判定部

Claims (16)

  1. 放射性医薬品合成装置または用時調製用製剤で放射性核種を標識した第１薬剤が投与された被検体を、陽電子放射断層撮影装置を用いて撮影した診断画像を取得する第１取得部と、
    前記第１取得部が取得した診断画像を入力した場合に病変推定情報を出力する第１学習モデルと、
    前記第１学習モデルが出力した病変推定情報に基づいて決定された治療方針に応じた、放射性医薬品合成装置または用時調製用製剤で放射性核種を標識した第２薬剤が投与された被検体を、医療画像撮影装置を用いて撮影した治療段階の治療画像を取得する第２取得部と、
    前記第２取得部が取得した治療画像を入力した場合に治療段階での病変推定情報を出力する第２学習モデルと
    を備える情報処理装置。
  2. 前記第２薬剤は、ルテチウム１７７で標識した前立腺特異的膜抗原結合性リガンドを含む
    ことを特徴とする請求項１に記載の情報処理装置。
  3. 前記第２薬剤は、ガリウム６８で標識した前立腺特異的膜抗原結合性リガンドを含む
    ことを特徴とする請求項１に記載の情報処理装置。
  4. 前記医療画像撮影装置は、陽電子放射断層撮影装置である
    ことを特徴とする請求項１から請求項３のいずれか一つに記載の情報処理装置。
  5. 前記第１薬剤は、ガリウム６８で標識したＨＥＲ２抗体を含み、
    前記第２薬剤は、アスタチン２１１で標識したＨＥＲ２抗体を含み、
    前記医療画像撮影装置は、単一光子放射断層撮影装置またはコンプトンカメラである
    ことを特徴とする請求項１に記載の情報処理装置。
  6. 前記治療画像を入力した場合に、前記第１薬剤が投与された前記被検体を、前記陽電子放射断層撮影装置を用いて撮影した画像を推定した推定画像を出力する第３学習モデル
    を備える請求項１から請求項５のいずれか一つに記載の情報処理装置。
  7. 前記診断画像と治療画像とを同時に表示する表示部
    を備える請求項１から請求項６のいずれか一つに記載の情報処理装置。
  8. 前記診断画像を入力した場合に前記第２薬剤の推奨投与量を出力する第４学習モデル
    を備える請求項１から請求項７のいずれか一つに記載の情報処理装置。
  9. 前記第４学習モデルは、前記診断画像を入力した場合に、推奨する第２薬剤の種類と、種類ごとの前記第２薬剤の推奨投与量または推奨投与順序とを出力する
    ことを特徴とする請求項８に記載の情報処理装置。
  10. 前記診断画像を入力した場合に治療タイミングを予測した予測結果を出力する第５学習モデル
    を備える請求項１から請求項９のいずれか一つに記載の情報処理装置。
  11. 前記診断画像に基づき、病変部位のコントラスト比を算出する第１算出部と、
    前記第１算出部が算出したコントラスト比と、前記病変部位に対応する診断用基準コントラスト比とを比較して治療タイミングを判定する第１判定部と
    を備える請求項１から請求項９のいずれか一つに記載の情報処理装置。
  12. 前記治療画像を入力した場合に、治療残り回数を含む推定治療結果を出力する第６学習モデル
    を備える請求項１から請求項１１のいずれか一つに記載の情報処理装置。
  13. 前記第６学習モデルは、ガリウム６８で標識した前立腺特異的膜抗原結合性リガンドが投与された被検体の治療画像と、ルテチウム１７７で標識した前立腺特異的膜抗原結合性リガンドが投与された被検体の治療画像とを入力した場合に、治療残り回数を含む推定治療結果を出力する
    ことを特徴とする請求項１２に記載の情報処理装置。
  14. 前記治療画像に基づき、病変部位のコントラスト比を算出する第２算出部と、
    前記第２算出部が算出したコントラスト比と、前記病変部位に対応する治療用基準コントラスト比との比較に基づいて、治療残り回数を含む治療結果を判定する第２判定部と
    を備える請求項１から請求項１１のいずれか一つに記載の情報処理装置。
  15. 放射性医薬品合成装置または用時調製用製剤で放射性核種を標識した第１薬剤が投与された被検体を、陽電子放射断層撮影装置を用いて撮影した診断画像を取得し、
    取得した前記診断画像を入力した場合に病変推定情報を出力する第１学習モデルを用いて、病変推定情報を出力し、
    出力した前記病変推定情報に基づいて決定された治療方針に応じた、放射性医薬品合成装置または用時調製用製剤で放射性核種を標識した第２薬剤が投与された被検体を、医療画像撮影装置を用いて撮影した治療段階の治療画像を取得し、
    取得した前記治療画像を入力した場合に治療段階での病変推定情報を出力する第２学習モデルを用いて、前記治療段階での病変推定情報を出力する
    処理をコンピュータに実行させるプログラム。
  16. 放射性医薬品合成装置または用時調製用製剤で放射性核種を標識した第１薬剤が投与された被検体を、陽電子放射断層撮影装置を用いて撮影した診断画像をコンピュータが取得し、
    取得した前記診断画像を入力した場合に病変推定情報を出力する第１学習モデルを用いて、病変推定情報を前記コンピュータが出力し、
    出力した前記病変推定情報に基づいて決定された治療方針に応じた、放射性医薬品合成装置または用時調製用製剤で放射性核種を標識した第２薬剤が投与された被検体を、医療画像撮影装置を用いて撮影した治療段階の治療画像を前記コンピュータが取得し、
    取得した前記治療画像を入力した場合に治療段階での病変推定情報を出力する第２学習モデルを用いて、前記治療段階での病変推定情報を前記コンピュータが出力する
    コンピュータの作動方法。
JP2019164620A 2019-09-10 2019-09-10 情報処理装置、プログラム及びコンピュータの作動方法 Active JP7355370B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019164620A JP7355370B2 (ja) 2019-09-10 2019-09-10 情報処理装置、プログラム及びコンピュータの作動方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019164620A JP7355370B2 (ja) 2019-09-10 2019-09-10 情報処理装置、プログラム及びコンピュータの作動方法

Publications (2)

Publication Number Publication Date
JP2021043040A JP2021043040A (ja) 2021-03-18
JP7355370B2 true JP7355370B2 (ja) 2023-10-03

Family

ID=74863834

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019164620A Active JP7355370B2 (ja) 2019-09-10 2019-09-10 情報処理装置、プログラム及びコンピュータの作動方法

Country Status (1)

Country Link
JP (1) JP7355370B2 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005121530A (ja) 2003-10-17 2005-05-12 Shimadzu Corp 医用画像診断装置
US20150094519A1 (en) 2013-09-30 2015-04-02 Varian Medical Systems, Inc. Predicting achievable dose distribution using 3d information as an input

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005121530A (ja) 2003-10-17 2005-05-12 Shimadzu Corp 医用画像診断装置
US20150094519A1 (en) 2013-09-30 2015-04-02 Varian Medical Systems, Inc. Predicting achievable dose distribution using 3d information as an input

Also Published As

Publication number Publication date
JP2021043040A (ja) 2021-03-18

Similar Documents

Publication Publication Date Title
Tsuneki Deep learning models in medical image analysis
Arabi et al. Applications of artificial intelligence and deep learning in molecular imaging and radiotherapy
US11564621B2 (en) Systems and methods for artificial intelligence-based image analysis for cancer assessment
Chen et al. PET/CT imaging correlates with treatment outcome in patients with multidrug-resistant tuberculosis
US11398026B2 (en) Systems and methods for synthetic medical image generation
KR101943011B1 (ko) 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치
US20190259153A1 (en) Cross domain medical image segmentation
KR101919866B1 (ko) 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치
Hosny et al. Clinical validation of deep learning algorithms for radiotherapy targeting of non-small-cell lung cancer: an observational study
Zaharchuk et al. Artificial intelligence for optimization and interpretation of PET/CT and PET/MR images
Papandrianos et al. Development of convolutional neural networks to identify bone metastasis for prostate cancer patients in bone scintigraphy
KR20200120311A (ko) 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치
Brosch-Lenz et al. Role of artificial intelligence in theranostics: toward routine personalized radiopharmaceutical therapies
Barbouchi et al. A transformer‐based deep neural network for detection and classification of lung cancer via PET/CT images
EP4150569A1 (en) Functional imaging features from computed tomography images
Velichko et al. A Comprehensive Review of Deep Learning Approaches for Magnetic Resonance Imaging Liver Tumor Analysis
Liu et al. RPLS-Net: pulmonary lobe segmentation based on 3D fully convolutional networks and multi-task learning
JP7355370B2 (ja) 情報処理装置、プログラム及びコンピュータの作動方法
Li et al. Deep learning convolutional neural network (DLCNN): unleashing the potential of 18F-FDG PET/CT in lymphoma
Oh et al. Effective end-to-end deep learning process in medical imaging using independent task learning: application for diagnosis of maxillary sinusitis
Kapoor et al. 3D deep convolution neural network for radiation pneumonitis prediction following stereotactic body radiotherapy
Zhao et al. PUNDIT: Pulmonary nodule detection with image category transformation
Pereira Deep Learning techniques for the evaluation of response to treatment in Hogdkin Lymphoma
Luu et al. Automatic scan range for dose-reduced multiphase ct imaging of the liver utilizing cnns and gaussian models
Papandrianos et al. Development of Convolutional Neural Networkbased models for bone metastasis classification in nuclear medicine

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220727

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230404

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230519

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: 20230905

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230913

R150 Certificate of patent or registration of utility model

Ref document number: 7355370

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350