JP7457292B2 - 脳画像解析装置、制御方法、及びプログラム - Google Patents

Description

本発明は、脳画像の解析に関する。

脳の画像を用いて脳の状態を把握する技術が開発されている。例えば特許文献１は、軽度認知障害の患者の MRI 画像を解析して、認知症の発症を予測する技術を開示している。また、特許文献２は、脳の形態を表す画像（MRI 画像など）と、受容体に選択的に結合する所定の放射性薬剤を用いて撮像された脳の画像（PET 画像など）とを用いて、脳の受容体結合能を画像化する技術を開示している。特許文献２のシステムでは、MRI 画像を利用することで PET 画像内の関心領域を決定した後、決定した関心領域について PET 画像を解析することにより、脳の受容体結合能の分布を算出している。

国際公開第２０１９／２０８６６１号 特開２０１３－０６１１９６号広報

特許文献１の発明では、１種類の画像から得られる情報のみを用いて、認知症の予測を行っている。この点、本発明者は、脳機能障害に関する解析に利用できる情報が得られるのは、１種類の画像からだけではないことを見いだした。なお、特許文献２では、２種類の脳画像を用いて解析が行われている。しかしながら、特許文献２に開示されているのは、PET 画像において注目すべき領域を MRI 画像を利用して決定するという技術であり、脳機能障害に関する解析を行う技術ではない。

本発明は上記の課題に鑑みてなされたものであり、その目的の一つは、脳の画像を用いた脳機能障害に関する解析について、その精度を高める技術を提供することである。

本開示における脳画像解析装置は、脳の形態を表す脳形態画像と脳の機能的な状態を表す脳機能画像とを含む入力データが入力されたことに応じて、脳機能障害に関する情報を表す解析データを出力するように学習された解析モデルと、対象者について前記入力データを取得する取得部と、前記取得した入力データを前記解析モデルに入力することにより、前記解析モデルから、前記対象者についての前記解析データを取得し、前記取得した解析データに基づいて、前記対象者の脳機能障害に関する情報を表す出力データを出力する出力処理部と、を有する。

本開示における制御方法は、コンピュータによって実行される。前記コンピュータは、脳の形態を表す脳形態画像と脳の機能的な状態を表す脳機能画像とを含む入力データが入力されたことに応じて、脳機能障害に関する情報を表す解析データを出力するように学習された解析モデルを有する。
当該制御方法は、対象者について前記入力データを取得する取得ステップと、前記取得した入力データを前記解析モデルに入力することにより、前記解析モデルから、前記対象者についての前記解析データを取得し、前記取得した解析データに基づいて、前記対象者の脳機能障害に関する情報を表す出力データを出力する出力処理ステップと、を有する。

本発明のコンピュータ可読媒体は、本発明の制御方法を管理装置に実行させるプログラムを格納している。

本発明によれば、脳の画像を用いた脳機能障害に関する解析について、その精度を高める技術が提供される。

実施形態１の脳画像解析装置の動作の概要を例示する図である。 実施形態１の脳画像解析装置の機能構成を例示するブロック図である。 脳画像解析装置を実現するコンピュータのハードウエア構成を例示するブロック図である。 実施形態１の脳画像解析装置によって実行される処理の流れを例示するフローチャートである。 異種混合学習を用いて生成される解析モデルを例示する図である。 出力データの一例を示す図である。 対象者について行われた解析の結果と既存の症例との比較を例示する図である。 解析モデルの学習を通じて得られた情報を例示する第１の図である。 解析モデルの学習を通じて得られた情報を例示する第２の図である。

以下では、本開示の実施形態について、図面を参照しながら詳細に説明する。各図面において、同一又は対応する要素には同一の符号が付されており、説明の明確化のため、必要に応じて重複説明は省略される。

図１は、実施形態１の脳画像解析装置２０００の動作の概要を例示する図である。ここで、図１は、脳画像解析装置２０００の概要の理解を容易にするための図であり、脳画像解析装置２０００の動作は、図１に示したものに限定されない。

脳画像解析装置２０００は、対象者１０の脳が含まれる２種類以上の画像を解析し、対象者１０について、現在又は将来の脳機能障害に関する情報を示す出力データ３０を出力する。例えば出力データ３０は、以下のような情報を示す（以下には限定されない）。
－対象者１０が何らかの脳機能障害を持っているか否か
－対象者１０の脳機能が悪化するか否か
－対象者１０が持っている又はこれから持つ可能性がある脳機能障害の種類

ここで、対象者１０は、既に脳機能障害を持つことが分かっている人でもよいし、脳機能障害を持っているかどうかが不明な人であってもよい。また、対象者１０は人に限定されず、犬などといった人以外の動物であってもよい。

脳画像解析装置２０００が扱う脳機能障害は任意である。例えば脳機能障害は、軽度認知症やアルツハイマー病などである。

脳画像解析装置２０００が利用する画像には、脳形態画像４２と脳機能画像４４が含まれる。脳形態画像４２は、脳の形態を表す画像である。例えば脳形態画像４２は、脳 MRI（magnetic resonance imaging）画像や脳 CT（computed tomography）画像などである。一方、脳機能画像４４は、脳の機能的な状態を表す画像である。例えば脳機能画像４４は、脳 PET（Positron Emission Tomography）画像、脳 SPECT（single photon emission computed tomography）画像、又は拡散テンソル画像（diffusion tensor image）などである。

脳画像解析装置２０００は、解析モデル２０２０を有する。解析モデル２０２０は、対象者１０についての入力データ４０が入力されたことに応じ、対象者１０についての解析データ２０を出力するように予め学習されている。入力データ４０には、対象者１０の脳を撮像することで得られた脳形態画像４２と脳機能画像４４が含まれる。解析データ２０は、対象者１０について、現在又は将来の脳機能障害に関する情報を表す。例えば解析モデル２０２０は、異種混合学習を利用して生成された解析モデル、ニューラルネットワーク、又は SVM（Support Vector Machine）などで実現される。

脳画像解析装置２０００は、対象者１０について、脳形態画像４２と脳機能画像４４を含む入力データ４０を取得し、解析モデル２０２０に入力する。そして脳画像解析装置２０００は、解析モデル２０２０から出力された解析データ２０に基づいて、出力データ３０を出力する。出力データ３０は、解析データ２０と同一であってもよいし、解析データ２０に対して何らかの加工を加えたものであってもよい。後者の場合、例えば出力データ３０は、解析データ２０を利用して生成されたグラフなどである。

＜作用効果の例＞
本実施形態の脳画像解析装置２０００によれば、解析モデル２０２０に対して対象者１０の入力データ４０を入力することにより、対象者１０の脳機能障害に関する解析（例えば、対象者１０が何らかの脳機能障害を持っているか否かの判定など）が行われる。ここで、入力データ４０には脳形態画像４２と脳機能画像４４が含まれており、解析モデル２０２０は、少なくともこれら２種類の画像を用いて、対象者１０の脳機能障害に関する解析を行う。よって、本実施形態の脳画像解析装置２０００によれば、１種類の脳画像のみを利用して解析を行うケースと比較し、対象者１０の脳機能障害に関する解析を高い精度で行うことができる。

また、脳形態画像４２と脳機能画像４４はいずれも非侵襲データであるため、これらのデータの取得は、侵襲データの取得と比較し、対象者１０にかかる負担が小さい。よって、脳形態画像４２と脳機能画像４４を用いて解析を行うことにより、対象者１０にかかる負担を小さくしつつ、高い精度で対象者１０の脳機能障害に関する解析を実現することができる。ただし、脳画像解析装置２０００による解析には、少なくとも脳形態画像４２と脳機能画像４４が利用されればよく、侵襲データを利用してはいけないわけではない。

以下、本実施形態の脳画像解析装置２０００について、より詳細に説明する。

＜機能構成の例＞
図２は、実施形態１の脳画像解析装置２０００の機能構成を例示するブロック図である。脳画像解析装置２０００は、解析モデル２０２０、取得部２０４０、出力処理部２０６０を有する。解析モデル２０２０は、対象者１０の入力データ４０が入力されたことに応じ、対象者１０の解析データ２０を出力する。取得部２０４０は、対象者１０の入力データ４０を取得する。出力処理部２０６０は、対象者１０の入力データ４０を解析モデル２０２０に入力することで、解析モデル２０２０から解析データ２０を取得する。そして、出力処理部２０６０は、解析データ２０に基づいて出力データ３０の出力を行う。

＜ハードウエア構成の例＞
脳画像解析装置２０００の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、脳画像解析装置２０００の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。

図３は、脳画像解析装置２０００を実現するコンピュータ５００のハードウエア構成を例示するブロック図である。コンピュータ５００は、任意のコンピュータである。例えばコンピュータ５００は、PC（Personal Computer）やサーバマシンなどといった、据え置き型のコンピュータである。その他にも例えば、コンピュータ５００は、スマートフォンやタブレット端末などといった可搬型のコンピュータである。コンピュータ５００は、脳画像解析装置２０００を実現するために設計された専用のコンピュータであってもよいし、汎用のコンピュータであってもよい。

例えば、コンピュータ５００に対して所定のアプリケーションをインストールすることにより、コンピュータ５００で、脳画像解析装置２０００の各機能が実現される。上記アプリケーションは、脳画像解析装置２０００の機能構成部を実現するためのプログラムで構成される。

コンピュータ５００は、バス５０２、プロセッサ５０４、メモリ５０６、ストレージデバイス５０８、入出力インタフェース５１０、及びネットワークインタフェース５１２を有する。バス５０２は、プロセッサ５０４、メモリ５０６、ストレージデバイス５０８、入出力インタフェース５１０、及びネットワークインタフェース５１２が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ５０４などを互いに接続する方法は、バス接続に限定されない。

プロセッサ５０４は、CPU（Central Processing Unit）、GPU（Graphics Processing Unit）、又は FPGA（Field－Programmable Gate Array）などの種々のプロセッサである。メモリ５０６は、RAM（Random Access Memory）などを用いて実現される主記憶装置である。ストレージデバイス５０８は、ハードディスク、SSD（Solid State Drive）、メモリカード、又は ROM（Read Only Memory）などを用いて実現される補助記憶装置である。

入出力インタフェース５１０は、コンピュータ５００と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース５１０には、キーボードなどの入力装置や、ディスプレイ装置などの出力装置が接続される。

ネットワークインタフェース５１２は、コンピュータ５００をネットワークに接続するためのインタフェースである。このネットワークは、LAN（Local Area Network）であってもよいし、WAN（Wide Area Network）であってもよい。

ストレージデバイス５０８は、脳画像解析装置２０００の各機能構成部を実現するプログラム（前述したアプリケーションを実現するプログラム）を記憶している。プロセッサ５０４は、このプログラムをメモリ５０６に読み出して実行することで、脳画像解析装置２０００の各機能構成部を実現する。

脳画像解析装置２０００は、１つのコンピュータ５００で実現されてもよいし、複数のコンピュータ５００で実現されてもよい。後者の場合において、各コンピュータ５００の構成は同一である必要はなく、それぞれ異なるものとすることができる。

＜処理の流れ＞
図４は、実施形態１の脳画像解析装置２０００によって実行される処理の流れを例示するフローチャートである。取得部２０４０は、入力データ４０を取得して、解析モデル２０２０に入力する（Ｓ１０２）。解析モデル２０２０は、入力された入力データ４０を処理して、解析データ２０を出力する（Ｓ１０４）。出力処理部２０６０は、解析データ２０に基づいて出力データ３０を出力する（Ｓ１０６）。

＜解析モデル２０２０による解析について＞
解析モデル２０２０は、入力された入力データ４０を用いて、対象者１０の脳機能障害に関する解析を行い、その結果を表す解析データ２０を出力する。なお、解析モデル２０２０は、入力データ４０が入力されたことに応じて解析データ２０を出力するように、予め学習されている。解析モデル２０２０の学習を実現する具体的な方法については後述する。

解析モデル２０２０によって行われる解析は様々である。以下、解析モデル２０２０によって行われる解析を具体的に例示する。

＜＜現在の脳機能障害に関する予測＞＞
例えば解析モデル２０２０は、対象者１０の現在の脳機能障害に関する予測を行う。例えば解析モデル２０２０は、入力データ４０を解析して、対象者１０が現在脳機能障害を持っている確率を算出する。この場合、例えば解析データ２０は、対象者１０が現在脳機能障害を持っている確率を表す数値である。また、解析モデル２０２０は、対象者１０が現在脳機能障害を持っているか否かを判定してもよい。この場合、例えば解析データ２０は、対象者１０が現在脳機能障害を持っているか否かを示すフラグである。

その他にも例えば、解析モデル２０２０は、対象者１０が現在持っている脳機能障害の種類を予測する。この場合、例えば解析データ２０は、解析モデル２０２０がその有無を判別可能な脳機能障害の種類の数と同一の要素数を持つベクトルデータである。例えば、解析モデル２０２０が、軽度認知症の有無及びアルツハイマー病の有無を判別可能であるとする。この場合、例えば解析データ２０は、軽度認知症を持つ確率 p1 と、アルツハイマー病を持つ確率 p2 とで構成されるベクトルデータ v=(p1, p2) である。例えば、解析モデル２０２０から (0.7, 0.1) という解析データ２０が出力されたら、この解析データ２０は、「対象者１０が軽度認知症を持つ確率は 0.7 であり、対象者１０がアルツハイマー病を持つ確率は 0.1 である」ということを表す。

＜＜将来の脳機能障害に関する予測＞＞
例えば解析モデル２０２０は、対象者１０の将来の脳機能障害に関する予測を行う。例えば解析モデル２０２０は、所定期間内に対象者１０の脳機能が悪化する確率を算出する。この場合、解析データ２０は、所定期間内に対象者１０の脳機能が悪化する確率を表す数値である。また、解析モデル２０２０は、所定期間内に対象者１０の脳機能が悪化するか否かを判定してもよい。この場合、解析データ２０は、所定期間内に対象者１０の脳機能が悪化するか否かを示すフラグである。

なお、「所定期間内に脳機能の状態が悪化する」とは、対象者１０の脳を撮像して脳形態画像４２や脳機能画像４４が生成された時における対象者１０の脳機能と、その時から所定期間が経過した後における対象者１０の脳機能とを比較した場合に、後者における脳機能が前者における脳機能よりも低下していることを意味する。より具体的なケースとしては、１）脳機能障害を持たない状態から軽度認知障害を持つ状態に移行するケース、２）脳機能障害を持たない状態からアルツハイマー病を持つ状態に移行するケース、又は３）軽度認知障害を持つ状態からアルツハイマー病を持つ状態に移行するケースなどが挙げられる。

解析モデル２０２０は、特定の悪化（例えば前述した１）から３）のいずれか）のみを扱うものであってもよいし、任意の悪化を扱うもの（例えば、１）から３）のいずれかに当てはまれば悪化として扱うもの）であってもよい。例えば解析モデル２０２０が、３）の悪化を扱うとする。この場合、解析モデル２０２０には、軽度認知障害を持っている対象者１０についての入力データ４０が入力される。そして、解析モデル２０２０は、所定期間内に対象者１０がアルツハイマー病を持つ状態に移行する確率（すなわち、対象者１０の状態が所定期間内に軽度認知障害からアルツハイマー病に移行する確率）や、所定期間内に対象者１０がアルツハイマー病を持つ状態に移行するか否かを表す解析データ２０を出力する。

その他にも例えば、解析モデル２０２０は、対象者１０の脳機能が悪化するまでの時間を予測する。この場合、例えば解析データ２０は、対象者１０の脳機能が悪化するまでの時間を表す数値を出力する。その他にも例えば、解析モデル２０２０は、対象者１０の脳機能障害が悪化するまでの時間が、複数の各選択肢（例えば、１年以内、１年以上３年以内、３年以上５年以内、及び５年以上など）に当てはまる確率を予測してもよい。この場合、例えば解析データ２０は、これら選択肢の数と同一の要素数を持つベクトルデータである。

例えば複数の選択肢として、１年以内、１年以上３年以内、３年以上５年以内、及び５年以上の４つが設けられているとする。この場合、例えば解析データ２０は、１年以内に脳機能が悪化する確率 p1、１年以上３年以内の期間に脳機能が悪化する確率 p2、３年以上５年以内の期間に脳機能が悪化する確率 p3、及び５年以内には脳機能が悪化しない確率 p4 という４つの確率が列挙されたベクトルデータ v=(p1, p2, p3, p4) である。

なお、このケースの解析モデル２０２０も、脳機能が悪化する確率を予測するケースと同様に、特定の悪化（例えば前述した１）から３）のいずれか）のみを扱ってもよいし、任意の悪化を扱ってもよい。

その他にも例えば、解析モデル２０２０は、対象者１０が今後所定期間内に持つと予測される脳機能障害の種類を表す。この場合、例えば解析データ２０は、解析モデル２０２０が予測可能な脳機能障害の種類の数と同一の要素数を持つベクトルデータである。例えば、解析モデル２０２０が、所定期間内における軽度認知症の有無及びアルツハイマー病の有無を予測可能であるとする。この場合、例えば解析データ２０は、所定期間内に軽度認知症を持つ確率 p1 と、所定期間内にアルツハイマー病を持つ確率 p2 で構成されるベクトル v=(p1, p2) である。

＜画像から抽出される特徴量について＞
解析モデル２０２０は、入力データ４０に含まれる脳形態画像４２と脳機能画像４４のそれぞれから特徴量を抽出し、抽出した特徴量を利用して、解析データ２０を生成する。脳形態画像４２や脳機能画像４４から抽出される特徴量は様々である。

例えば脳形態画像４２から抽出される特徴量は、脳の全体又は一部の領域のサイズや形状に関する特徴量である。より具体的な例としては、海馬、嗅内皮質、全脳、脳室、又は白質高信号域などの脳容量データが挙げられる。

脳機能画像４４から抽出される特徴量は、脳機能画像４４の種類によって異なる。例えば脳機能画像４４が、脳内に蓄積した特定のタンパク質が観察可能な脳 PET 画像であるとする。この場合、脳機能画像４４から抽出される特徴量は、観察可能なタンパク質の量に関する特徴量である。より具体的には、前頭皮質、前帯状皮質、楔前部、及び頭頂葉の４つの領域の SUV（Standardized Uptake Value）を小脳の SUV で割った SUV 比の平均値などが挙げられる。なお、このように特定のタンパク質が観察可能な脳機能画像４４としては、例えば、18F-AV45 標識の薬剤を利用することで得られる、脳内に蓄積したアミロイドを観察可能な脳 PET 画像が挙げられる。

また、脳機能画像４４が、脳内の糖代謝を観察可能な脳 PET 画像であるとする。この場合、脳機能画像４４から得られる特徴量としては、例えば、側頭皮質、前帯状皮質、及び後帯状皮質の３つの領域の SUV を小脳の SUV で割った SUV 比の平均値などが挙げられる。このような脳機能画像４４は、例えば、18F-FDG 標識の薬剤を利用することで得られる。

なお、脳形態画像４２や脳機能画像４４から抽出される特徴量の例について説明したが、解析モデル２０２０に採用可能なモデルの中には、脳形態画像４２と脳機能画像４４それぞれから抽出すべき特徴量を明示的に指定する必要がないものもある。このようなモデルの例としては、ニューラルネットワークが挙げられる。

＜脳形態画像４２や脳機能画像４４を複数利用するケース＞
入力データ４０には、複数の脳形態画像４２が含まれていてもよい。例えば、対象者１０の脳をそれぞれ異なる複数の角度から撮像することで複数の MRI 画像を得て、これら複数の MRI 画像を解析モデル２０２０に入力することが考えらえる。

また、入力データ４０には、複数の脳機能画像４４が含まれていてもよい。例えば前述したように、複数の薬剤を利用することで、脳のそれぞれ異なる機能を観察することが考えられる。この場合、それぞれ異なる脳の機能を表す脳機能画像４４を、解析モデル２０２０に入力することが考えられる。例えば、脳内に蓄積した特定のタンパク質が観察可能な脳機能画像４４と、脳内の糖代謝を観察可能な脳機能画像４４とをそれぞれ、解析モデル２０２０に入力するようにする。

なお、後述するように、このように複数の脳形態画像４２や脳機能画像４４が解析モデル２０２０に入力される場合、学習の際にも同様に、複数の脳形態画像４２や脳機能画像４４が利用される。

＜画像以外から得られる情報を利用するケース＞
入力データ４０には、脳形態画像４２や脳機能画像４４以外から得られるデータがさらに含まれていてもよい。例えばこのようなデータとしては、対象者１０の属性データ、病歴データ、健康状態データ、遺伝データ、又はバイオマーカーデータなどが挙げられる。

対象者１０の属性データとしては、例えば、年齢、性別、又は教育歴などを表すデータが挙げられる。対象者１０の病歴データとしては、これまでに対象者１０が罹ったことのある病気や、その病気に罹った年月日などを表すデータが挙げられる。対象者１０の健康状態データとしては、対象者１０が受けた健康診断で得られたデータや、対象者１０が病院を受診した際に行われた診察や検査で得られたデータなどが挙げられる。より具体的には、血液検査、心電図検査、又は尿検査などの結果や、身長、体重、又は血圧の測定結果などが挙げられる。対象者１０のゲノムデータとしては、対象者１０のゲノムが持つ塩基配列などといった、対象者１０の遺伝子に関連する種々のデータを扱うことができる。対象者１０のバイオマーカーデータとしては、対象者１０について得られた種々のバイオマーカーのデータを扱うことができる。バイオマーカーの例としては、髄液バイオマーカーや炎症バイオマーカー（プログラニュリンや C 反応性蛋白など）が挙げられる。

なお、後述するように、このように脳画像以外の種々のデータも解析モデル２０２０に入力される場合、学習の際にも同様に、これらのデータが利用される。

＜異種混合学習における例＞
ここで、異種混合学習が利用されるケースについて、解析モデル２０２０の構造の例を示す。なお、この例において、入力データ４０には、脳形態画像４２と脳機能画像４４のみが含まれているとする。

図５は、異種混合学習を用いて生成される解析モデル２０２０を例示する図である。この例において、解析モデル２０２０は、深さ３の決定木１００を有する。決定木１００は、分岐ノード１１０と葉ノード１２０を有している。分岐ノード１１０は、脳形態画像４２、脳機能画像４４、又はこれら双方から得られた各特徴量に基づく条件分岐を表している。葉ノード１２０は、分岐ノード１１０による条件分岐によってその葉ノード１２０に到達した入力データ４０に適用される予測式を示している。各予測式は、脳形態画像４２、脳機能画像４４、又はこれら双方から得られる各特徴量を説明変数とする任意のモデル（例えば、線形回帰モデル、線形判別モデル、又は二項ロジスティック回帰モデルなど）である。各葉ノード１２０の予測式は、決定木１００による条件分岐でその葉ノード１２０に到達する特徴量を持つ各学習データを用いて生成される。

解析モデル２０２０に入力データ４０が入力されると、まず解析モデル２０２０は、決定木１００による条件分岐を行うことで、入力データ４０が到達する葉ノード１２０を特定する。なお、決定木１００を辿る際、解析モデル２０２０は、入力データ４０から、条件分岐に必要な特徴量の抽出を行う。そして、解析モデル２０２０は、入力データ４０から得られる特徴量を、特定した葉ノード１２０に対応する予測式に適用することで、解析結果を算出する。

＜入力データ４０の取得：Ｓ１０２＞
取得部２０４０は、対象者１０について入力データ４０を取得する（Ｓ１０２）。入力データ４０を取得する方法は任意である。例えば入力データ４０は、対象者１０の識別情報に対応づけて、予め記憶装置に格納されている。取得部２０４０は、対象者１０の識別情報を取得し、取得した識別情報に対応づけられている入力データ４０を取得する。

ここで、入力データ４０を構成する各データ（脳形態画像４２や脳機能画像４４など）は、互いに異なる記憶装置に格納されていてもよい。この場合、取得部２０４０は、各記憶装置にアクセスすることで、入力データ４０を構成する各データを取得する。

なお、対象者１０の識別情報を取得する方法も任意である。例えば対象者１０の識別情報は、脳画像解析装置２０００のユーザによって入力される。その他にも例えば、対象者１０の識別情報は、対象者１０の識別情報が格納されている記憶媒体（診察券として利用される磁気カードや IC カードなど）からリーダを利用して読み取られる。

＜出力情報の生成：Ｓ１０６＞
出力処理部２０６０は、入力データ４０を解析モデル２０２０に入力することで得られた解析データ２０を用いて出力データ３０を生成する（Ｓ１０６）。例えば出力データ３０は、解析データ２０の内容に基づいて生成されるテキストデータや画像データ（画面データを含む）などである。

図６は、出力データ３０の一例を示す図である。出力データ３０－１及び３０－２はいずれも、ディスプレイ装置に出力される画面データである。出力データ３０－１は、１）現在脳機能障害を持っていないこと、及び２）17% の確率で３年以内に軽度認知障害になることが示されている。一方、出力データ３０－２には、１）現在軽度認知障害を持っていること、及び２）41% の確率で３年以内にアルツハイマー病になることが示されている。

なお、図６の例では、複数種類の解析モデル２０２０が利用されている。具体的には、１）現在持っている脳疾患の種類を予測する第１の解析モデル２０２０、２）３年以内に脳機能障害を持たない状態から軽度認知障害を持つ状態に移行する確率を予測する第２の解析モデル２０２０、３）３年以内に軽度認知障害を持つ状態からアルツハイマー病を持つ状態に移行する確率を予測する第３の解析モデル２０２０という３つが利用される。

第２と第３の解析モデル２０２０は、第１の解析モデル２０２０から出力される解析データ２０に基づいて、選択的に利用される。すなわち、解析データ２０により、対象者１０が現在脳機能障害を持たないと判定された場合には、第２の解析モデル２０２０が利用される。一方、解析データ２０により、対象者１０が現在軽度認知障害を持っていると判定された場合には、第３の解析モデル２０２０が利用される。

出力データ３０は、解析データ２０の内容をそのまま表すものであってもよいし、解析データ２０に対して何らかの加工を加えたものであってもよい。例えば解析データ２０が確率を表すデータ（例えば、対象者１０が脳機能障害を持っている確率を表すデータ）である場合、出力処理部２０６０は、解析データ２０が表す確率を閾値と比較することで判定を行い、その判定結果を示す出力データ３０を生成してもよい。例えば解析データ２０が、対象者１０が脳機能障害を持っている確率を表すとする。この場合、出力処理部２０６０は、解析データ２０によって表される確率が閾値以上であれば、「対象者１０は脳機能障害を持っている」という判定結果を表す出力データ３０を生成する。一方、当該確率が閾値未満であれば、出力処理部２０６０は、「対象者１０は脳機能障害を持っていない」という判定結果を表す出力データ３０を生成する。

その他にも例えば、出力処理部２０６０は、既存の症例（解析モデル２０２０の学習に利用された学習データ）を利用してグラフを生成し、対象者１０について行われた解析の結果と既存の症例との比較結果を、出力データ３０として出力してもよい。図７は、対象者１０について行われた解析の結果と既存の症例との比較を例示する図である。

この例において、解析モデル２０２０は、異種混合学習を用いて生成されたモデルであり、その決定木には３つの葉ノード（すなわち、予測式）が存在する。言い換えれば、解析モデル２０２０において、対象者１０は、決定木に従って３つのクラスタのいずれかに分類される。そして、対象者１０についての予測は、対象者１０が分類されたクラスタに対応づけられている予測式を用いて行われる。

図７のグラフは、解析モデル２０２０が持つ決定木に基づいて学習データをクラスタに分類し、クラスタごとにカプランマイヤー（Kaplan-Meier）曲線を生成したものである。X 軸は年齢を示し、Y 軸は軽度認知症からアルツハイマー病に移行した人の割合を示している。実線の曲線は、第１のクラスタに分類される症例で生成されたカプランマイヤー曲線である。点線の曲線は、第２のクラスタに分類される症例で生成されたカプランマイヤー曲線である。一点鎖線の曲線は、第３のクラスタに分類される症例で生成されたカプランマイヤー曲線である。

この例では、対象者１０の入力データ４０を解析モデル２０２０に入力した結果、対象者１０が第１のクラスタに分類され、なおかつ、対象者１０が軽度認知症からアルツハイマー病に移行するまでの時間が５年であると予測されている。ここで、対象者１０の現在の年齢は７０歳であるとする。そのため、対象者１０が軽度認知障害からアルツハイマー病に移行すると予測される年齢は、７５歳である。

この結果から、対象者１０についての解析結果は、第１のクラスタのカプランマイヤー曲線において、「年齢＝７５歳」の点に相当する。そこで図７において、この点に、星印のプロットが表示されている。

このように対象者１０についての解析結果と既存の症例との比較結果を表示することにより、ユーザは、１）対象者１０が７５歳で軽度認知障害からアルツハイマー病に移行すると予測されること、２）対象者１０が第１のクラスタに分類されること、３）対象者１０と同様に第１のクラスタに分類された人についての、年齢とアルツハイマー病へ移行する割合との関係などといった情報を、視覚的かつ容易に把握することができる。

出力データ３０の出力先は任意である。例えば出力データ３０は、出力処理部２０６０からアクセス可能なディスプレイ装置に表示される。その他にも例えば、出力データ３０は、出力処理部２０６０からアクセス可能な記憶装置に格納される。その他にも例えば、出力データ３０は、出力処理部２０６０から他の装置に対して送信される。例えばユーザ端末から脳画像解析装置２０００に対して入力データ４０が送信された場合に、その入力データ４０を解析することで得られた出力データ３０が出力処理部２０６０からユーザ端末へ送信されることが考えられる。

＜解析モデル２０２０の学習について＞
解析モデル２０２０は、脳画像解析装置２０００によって利用される前に予め学習される。以下、解析モデル２０２０の学習を行う装置を、学習装置と呼ぶ。学習装置は、脳画像解析装置２０００と一体として設けられてもよいし、脳画像解析装置２０００とは別体として設けられてもよい。前者の場合、学習装置は、脳画像解析装置２０００を実現するコンピュータで実現される。一方、後者の場合、学習装置は、脳画像解析装置２０００を実現するコンピュータとは別のコンピュータで実現される。なお、後者の場合、学習装置を実現するコンピュータは、任意のコンピュータとすることができ、例えば図３に示すハードウエア構成を持つ。

学習装置は、複数の学習データを取得し、学習データを用いて解析モデル２０２０の学習を行う。学習データは、「入力データ４０、正解の解析データ２０（その入力データ４０を解析モデル２０２０に入力した場合に解析モデル２０２０から出力されるべき解析データ２０）」という組み合わせで構成される。学習データは、症例データを用いて生成することができる。症例データとは、ある人物その他の動物（以下、症例者）について行われた診察や検査から得られたデータである。以下、前述した種々の解析モデル２０２０について、学習に利用される学習データについて説明する。なお、学習データを利用してモデルの学習を行う技術には、既存の種々の技術を利用できる。

例えば解析モデル２０２０が、対象者１０が現在脳機能障害を持っている確率を予測するように学習されるとする。この場合、脳機能障害を持っていると診断された症例者の症例データ、脳機能障害を持っていないと診断された症例者の症例データは、又はその双方の症例データそれぞれから、学習データを生成できる。脳機能障害を持っていると診断された症例者からは、「その症例者について得た入力データ４０、脳機能障害を持つ確率＝１」という組み合わせの学習データ（正例の学習データ）が得られる。一方、脳機能障害を持たないと診断された症例者からは、「その症例者について得た入力データ４０、脳機能障害を持つ確率＝０」という組み合わせの学習データ（負例の学習データ）が得られる。解析モデル２０２０は、これらの学習データを利用して学習される。なお、対象者１０が現在脳機能障害を持つか否かを予測する解析モデル２０２０の学習も、同様の学習データで実現できる。

その他にも例えば、解析モデル２０２０が、対象者１０が現在持っている脳機能障害の種類を予測するように学習されるとする。例えばこの場合、解析モデル２０２０は、対象者１０が各脳機能障害を持つ確率を示すベクトルデータを出力するように学習される。この場合、症例データから生成される学習データは、正解の解析データ２０として、「その症例者が持っている脳機能障害については確率１を示し、それ以外の脳機能障害については確率０を示すベクトルデータ」を示す。

例えば、対象者１０が軽度認知障害を持っている確率を p1 とし、対象者１０がアルツハイマー病を持っている確率を p2 とした時に、解析モデル２０２０が、ベクトル v=(p1, p2) を出力するように学習されるとする。この場合、軽度認知障害を持っている一方でアルツハイマー病を持っていない症例者の症例データからは、「その症例者について得た入力データ４０、v=(1,0)」という学習データを生成することができる。

その他にも例えば、解析モデル２０２０が、対象者１０の脳機能が所定期間内に悪化する確率を予測するように学習されるとする。この場合、入力データ４０として利用されるデータが生成された時（脳の撮像を行って脳形態画像４２や脳機能画像４４を生成した時）と、その時から所定期間が経過した後とのそれぞれで行われた検査や診察の結果を含む症例データから、学習データを生成することができる。例えば、所定期間内に脳機能が悪化したことを表す症例データからは、「その症例者について得た入力データ４０、脳機能が悪化する確率＝１」という組み合わせの学習データ（正例の学習データ）が得られる。一方、所定期間内に脳機能が悪化しなかったことを表す症例データからは、「その症例者について得た入力データ４０、脳機能が悪化する確率＝０」という組み合わせの学習データ（負例の学習データ）が得られる。解析モデル２０２０は、これらの学習データを用いて学習される。なお、対象者１０の脳機能が所定期間に悪化するか否かを予測する解析モデル２０２０の学習も、同様の学習データで実現できる。

なお、前述したように、脳機能の悪化としては、特定の悪化のみを扱ってもよい。例えば、「軽度認知障害を持っている状態からアルツハイマー病を持っている状態へ移行する」という悪化を扱うとする。この場合、入力データ４０として利用するデータが生成された時の診察では軽度認知障害を持っていると診断され、なおかつそれから所定期間後の診察でアルツハイマー病を持っていると診断された症例者の症例データから、「その症例者について得た入力データ４０、脳機能が悪化する確率＝１」という学習データが得られる。一方、入力データ４０として利用するデータが生成された時の診察で軽度認知障害を持っていると診断され、なおかつそれから所定期間後の診察でアルツハイマー病を持っていないと診断された症例者の症例データからは、「その症例者について得た入力データ４０、脳機能が悪化する確率＝０」という学習データが得られる。

その他にも例えば、解析モデル２０２０が、対象者１０の脳機能が悪化するまでの時間を予測するとする。この場合、ある症例者の症例データが、入力データ４０として利用するデータが生成された時と、その時から時間 t が経過した後とで診察を行った結果に基づいて、脳機能が悪化したことを表しているとする。この場合、その症例データからは、「その症例者について得た入力データ４０、脳機能が悪化するまでの時間＝t」という学習データが得られる。そして、解析モデル２０２０は、この学習データを用いて学習される。

なお、前述した通り、対象者１０の脳機能が悪化するまでの時間は、１年以内や、１年以上３年以内などのように、複数の選択肢を用いて表されてもよい。この場合、症例データによって表されている、脳機能が悪化するまでの時間 t を、これらの選択肢のいずれかに当てはめることで、学習データを生成することができる。例えば解析データ２０が、１年以内に脳機能が悪化する確率 p1、１年以上３年以内に脳機能が悪化する確率 p2、３年以上５年以内に脳機能が悪化する確率 p3、脳機能が５年以内に悪化しない確率 p4 という４つの確率で構成されるベクトルデータ v=(p1, p2, p3, p4) であるとする。この場合、7ヶ月で脳機能が悪化したと診断された症例者の症例データからは、「その症例者について得た入力データ４０、v=(1,0,0,0)」という学習データが得られる。また、５年経過しても脳機能の悪化が見られなかった症例者の症例データからは、「その症例者について得た入力データ４０、v= (0,0,0,1)」という学習データが得られる。

その他にも例えば、解析モデル２０２０は、対象者１０が今後所定期間内に持つと予測される脳機能障害の種類を予測するように学習される。例えばこの場合、解析モデル２０２０は、対象者１０が今後所定期間内に各脳機能障害を持つ確率を示すベクトルデータを出力するように学習される。この場合、入力データ４０として利用するデータが生成された時と、その時から所定期間が経過した後とで診察を行った結果を含む症例データから、学習データを生成することができる。学習データは、正解の解析データ２０として、「その症例者が所定期間後の診察時に持っていた脳機能障害については確率１を示し、それ以外の脳機能障害については確率０を示すベクトルデータ」を示す。

例えば、対象者１０が軽度認知障害を持っている確率を p1 とし、対象者１０がアルツハイマー病を持っている確率を p2 とした時に、解析モデル２０２０が、ベクトル v=(p1, p2) を出力するように学習されるとする。この場合、所定期間後の診察で、軽度認知障害を持っている一方でアルツハイマー病を持っていないと診察された症例者の症例データからは、「その症例者について得た入力データ４０、v=(1,0)」という学習データを生成することができる。

＜学習によって得られた情報の出力＞
脳画像解析装置２０００の出力処理部２０６０、又は学習装置は、解析モデル２０２０の学習を通じて得られた情報を出力する機能を有していてもよい。図８は、解析モデル２０２０の学習を通じて得られた情報を例示する第１の図である。この例において、解析モデル２０２０は、異種混合学習によって学習されている。より具体的には、この解析モデル２０２０では、学習データが３つのクラスタに分割されており、３つのクラスタそれぞれについて、２つの予測式が生成されている。各クラスタについて生成される予測式は、健常者である蓋然性の高さを表すスコア（以下、健常者スコア）を算出する第１の予測式と、アルツハイマー病患者である蓋然性の高さを表すスコア（以下、AD スコア）を算出する第２の予測式である。

解析モデル２０２０は、入力データ４０から得られる特徴量を利用して、対象者１０が属するクラスタを特定し、特定したクラスタに対応づけられている第１の予測式と第２の予測式の双方に、入力データ４０から得られる特徴量を適用する。これによって、対象者１０について、健常者スコアと AD スコアが得られる。解析モデル２０２０は、健常者スコアと AD スコアを比較することで、対象者１０が健常者とアルツハイマー病患者のどちらであるのかを判定し、その判定結果を示す解析データ２０を出力する。

この例において、入力データ４０は、脳 MRI 画像、脳の糖代謝を観察可能な脳 PET 画像、及び脳内に蓄積したアミロイドを観察可能な脳 PET 画像という３つの画像で構成されている。図８のグラフにおいて、FDG は、脳の糖代謝を観察可能な脳 PET 画像から得られる特徴量である。また、AV45 は、脳内に蓄積したアミロイドを観察可能な脳 PET 画像から得られる特徴量である。そして、全脳、海馬、脳室、嗅内皮質、及び白色高信号域はそれぞれ、脳 MRI から得られるこれらの領域のサイズを表す特徴量である。また、予測式にはバイアス項も設けられている。

図８のグラフは、左から順に、１）第１のクラスタにおける第１の予測式、２）第１のクラスタにおける第２の予測式、３）第２のクラスタにおける第１の予測式、４）第２のクラスタにおける第２の予測式、５）第３のクラスタにおける第１の予測式、及び６）第３のクラスタにおける第２の予測式という６つの予測式について、各特徴量（説明変数）の重み係数を示している。このグラフを利用することで、クラスタごとに、健常者らしさとアルツハイマー病患者らしさのそれぞれに対する特徴量の寄与の大きさを把握することができる。

例えば、第１のクラスタについては、FDG の低下が、アルツハイマー病患者らしさに寄与していることが分かる。また、第２のクラスタについては、海馬と FDG の低下、及び AV45 の増加が、アルツハイマー病患者らしさに寄与していることがわかる。また、第３のクラスタについては、FDG の低下及び AV45 の増加が、アルツハイマー病患者らしさに寄与していることが分かる。なお、図８では、このような説明がグラフ上に示されている。ただし、このような説明は表示しなくてもよい。

図９は、解析モデル２０２０の学習を通じて得られた情報を例示する第２の図である。この例では、異種混合学習で解析モデル２０２０を学習することにより、学習データが５つのクラスタに分類されている。そして、図９のグラフは、学習データを各クラスタに分類した上で、特徴量ごとに、各学習データにおける特徴量の値の分布を示している。例えば Aβのグラフでは、クラスタごとに、そのクラスタに分類された学習データにおける Aβの値の分布を示している。なお、学習データはいずれも、軽度認知障害を持つ症例者の症例データから生成されたものである。

また、横方向に描画されている実線と点線の太線は、健常者とアルツハイマー患者とを識別するためのカットオフ値を表している。カットオフ値は、健常者と AD 患者を識別する精度（＝（真陽性＋真陰性）／総数）が最も高くなる値である。実線のケースでは、カットオフ値よりも値が大きい場合にアルツハイマー病寄り（健常者のみの分布よりも、アルツハイマー病患者のみの分布に近い）であることを表している。一方、点線のケースでは、カットオフ値よりも値が小さい場合にアルツハイマー病寄りであることを表している。

これらのグラフを見ると、例えば、各クラスタに分類される症例者について、健常者に近い（脳機能の低下が比較的小さい）症例者なのか、それとも、アルツハイマー病に近い（脳機能の低下が比較的大きい）症例者なのかなどといったことを把握することができる。例えば図９において、第１のクラスタについての分布は、Aβ とタウ比が異常で脳萎縮も進んでいることを表している。そのため、第１のクラスタに分類される症例者には、アルツハイマー病に近い軽度認知症患者が多いことが分かる。また、第３と第４のクラスタについての分布は、Aβとタウは正常で脳萎縮も進んでいないことを表している。そのため、これらのクラスタに分類される症例者には、健常者に近い軽度認知症患者が多いことが分かる。

なお、前述したように学習を通じて得られた種々の情報の出力先は、出力データ３０の出力先と同様に、任意の出力先とすることができる。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

なお、上述の例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに提供することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、CD-ROM、CD-R、CD-R/W、半導体メモリ（例えば、マスク ROM、PROM（Programmable ROM）、EPROM（Erasable PROM）、フラッシュROM、RAM）を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに提供されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
脳の形態を表す脳形態画像と脳の機能的な状態を表す脳機能画像とを含む入力データが入力されたことに応じて、脳機能障害に関する情報を表す解析データを出力するように学習された解析モデルと、
対象者について前記入力データを取得する取得部と、
前記取得した入力データを前記解析モデルに入力することにより、前記解析モデルから、前記対象者についての前記解析データを取得し、前記取得した解析データに基づいて、前記対象者の脳機能障害に関する情報を表す出力データを出力する出力処理部と、を有する脳画像解析装置。
（付記２）
前記解析モデルは、前記対象者が現在脳機能障害を持っている確率、前記対象者が現在持っている脳機能障害の種類、所定期間内に前記対象者が持つ脳機能障害の種類、所定期間内に前記対象者の脳機能が悪化する確率、及び前記対象者の脳機能が悪化するまでの時間のうちのいずれか１つ以上に関する解析データを生成する、付記１に記載の脳画像解析装置。
（付記３）
脳機能障害の種類には、軽度認知障害及びアルツハイマー病のいずれか一方又は双方が含まれる、付記２に記載の脳画像解析装置。
（付記４）
前記対象者は、軽度認知障害を持っており、
前記解析モデルは、所定期間内に前記対象者が軽度認知障害からアルツハイマー病に移行する確率に関する解析データを生成する、付記３に記載の脳画像解析装置。
（付記５）
前記解析モデルは、前記対象者の属性に関するデータ、前記対象者の病歴に関するデータ、前記対象者の健康状態に関するデータ、前記対象者のゲノムデータ、及び前記対象者から得られたバイオマーカーデータのいずれか１つ以上をさらに用いて、前記解析データを生成する、付記１から４いずれか一項に記載の脳画像解析装置。
（付記６）
前記解析モデルの学習において、複数の学習データがその学習データから得られる特徴量に基づいて複数のクラスタに分類され、前記クラスタごとに予測式が生成されており、
前記解析モデルは、前記対象者の入力データから得られる特徴量に基づいて、その特徴量が属する前記クラスタを特定し、前記対象者の入力データから得られる特徴量を前記特定したクラスタに対応する予測式に適用することで、前記解析データを生成する、付記１から５いずれか一項に記載の脳画像解析装置。
（付記７）
前記解析モデルは、異種混合学習を用いた学習によって生成されたモデルである、付記６に記載の脳画像解析装置。
（付記８）
前記出力処理部は、
前記クラスタごとに、前記クラスタに属する学習データの症例者の脳機能障害に関するグラフを生成し、
前記対象者について得られた前記解析データを用いて、前記対象者の脳機能障害に関するデータを、前記対象者が属する前記クラスタのグラフに重畳した前記出力データを生成する、付記６又は７に記載の脳画像解析装置。
（付記９）
前記出力処理部は、前記学習データから得られる複数の特徴量それぞれについて、前記学習データの分布をクラスタごとに示すグラフを出力する、付記６から８いずれか一項に記載の脳画像解析装置。
（付記１０）
前記解析モデルは、前記クラスタごとに、健常者である蓋然性の高さを表す第１の予測式と、脳機能障害を持つ蓋然性の高さを表す第２の予測式とを有し、
前記第１の予測式と前記第２の予測式ではいずれも、前記学習データから得られる複数の特徴量それぞれに対して重み係数が付与されており、
前記出力処理部は、前記クラスタごとに設けられている前記第１の予測式と前記第２の予測式それぞれについて、各特徴量に付与された重み係数を表すグラフを出力する、付記６から９いずれか一項に記載の脳画像解析装置。
（付記１１）
コンピュータによって実行される制御方法であって、
前記コンピュータは、脳の形態を表す脳形態画像と脳の機能的な状態を表す脳機能画像とを含む入力データが入力されたことに応じて、脳機能障害に関する情報を表す解析データを出力するように学習された解析モデルを有し、
対象者について前記入力データを取得する取得ステップと、
前記取得した入力データを前記解析モデルに入力することにより、前記解析モデルから、前記対象者についての前記解析データを取得し、前記取得した解析データに基づいて、前記対象者の脳機能障害に関する情報を表す出力データを出力する出力処理ステップと、を有する制御方法。
（付記１２）
前記解析モデルは、前記対象者が現在脳機能障害を持っている確率、前記対象者が現在持っている脳機能障害の種類、所定期間内に前記対象者が持つ脳機能障害の種類、所定期間内に前記対象者の脳機能が悪化する確率、及び前記対象者の脳機能が悪化するまでの時間のうちのいずれか１つ以上に関する解析データを生成する、付記１１に記載の制御方法。
（付記１３）
脳機能障害の種類には、軽度認知障害及びアルツハイマー病のいずれか一方又は双方が含まれる、付記１２に記載の制御方法。
（付記１４）
前記対象者は、軽度認知障害を持っており、
前記解析モデルは、所定期間内に前記対象者が軽度認知障害からアルツハイマー病に移行する確率に関する解析データを生成する、付記１３に記載の制御方法。
（付記１５）
前記解析モデルは、前記対象者の属性に関するデータ、前記対象者の病歴に関するデータ、前記対象者の健康状態に関するデータ、前記対象者のゲノムデータ、及び前記対象者から得られたバイオマーカーデータのいずれか１つ以上をさらに用いて、前記解析データを生成する、付記１１から１４いずれか一項に記載の制御方法。
（付記１６）
前記解析モデルの学習において、複数の学習データがその学習データから得られる特徴量に基づいて複数のクラスタに分類され、前記クラスタごとに予測式が生成されており、
前記解析モデルは、前記対象者の入力データから得られる特徴量に基づいて、その特徴量が属する前記クラスタを特定し、前記対象者の入力データから得られる特徴量を前記特定したクラスタに対応する予測式に適用することで、前記解析データを生成する、付記１１から１５いずれか一項に記載の制御方法。
（付記１７）
前記解析モデルは、異種混合学習を用いた学習によって生成されたモデルである、付記１６に記載の制御方法。
（付記１８）
前記出力処理ステップにおいて、
前記クラスタごとに、前記クラスタに属する学習データの症例者の脳機能障害に関するグラフを生成し、
前記対象者について得られた前記解析データを用いて、前記対象者の脳機能障害に関するデータを、前記対象者が属する前記クラスタのグラフに重畳した前記出力データを生成する、付記１６又は１７に記載の制御方法。
（付記１９）
前記出力処理ステップにおいて、前記学習データから得られる複数の特徴量それぞれについて、前記学習データの分布をクラスタごとに示すグラフを出力する、付記１６から１８いずれか一項に記載の制御方法。
（付記２０）
前記解析モデルは、前記クラスタごとに、健常者である蓋然性の高さを表す第１の予測式と、脳機能障害を持つ蓋然性の高さを表す第２の予測式とを有し、
前記第１の予測式と前記第２の予測式ではいずれも、前記学習データから得られる複数の特徴量それぞれに対して重み係数が付与されており、
前記出力処理ステップにおいて、前記クラスタごとに設けられている前記第１の予測式と前記第２の予測式それぞれについて、各特徴量に付与された重み係数を表すグラフを出力する、付記１６から１９いずれか一項に記載の制御方法。
（付記２１）
コンピュータによって実行されるプログラムが格納されているコンピュータ可読媒体であって、
前記コンピュータは、脳の形態を表す脳形態画像と脳の機能的な状態を表す脳機能画像とを含む入力データが入力されたことに応じて、脳機能障害に関する情報を表す解析データを出力するように学習された解析モデルを有し、
前記プログラムは、前記コンピュータに、
対象者について前記入力データを取得する取得ステップと、
前記取得した入力データを前記解析モデルに入力することにより、前記解析モデルから、前記対象者についての前記解析データを取得し、前記取得した解析データに基づいて、前記対象者の脳機能障害に関する情報を表す出力データを出力する出力ステップと、を実行させるコンピュータ可読媒体。
（付記２２）
前記解析モデルは、前記対象者が現在脳機能障害を持っている確率、前記対象者が現在持っている脳機能障害の種類、所定期間内に前記対象者が持つ脳機能障害の種類、所定期間内に前記対象者の脳機能が悪化する確率、及び前記対象者の脳機能が悪化するまでの時間のうちのいずれか１つ以上に関する解析データを生成する、付記２１に記載のコンピュータ可読媒体。
（付記２３）
脳機能障害の種類には、軽度認知障害及びアルツハイマー病のいずれか一方又は双方が含まれる、付記２２に記載のコンピュータ可読媒体。
（付記２４）
前記対象者は、軽度認知障害を持っており、
前記解析モデルは、所定期間内に前記対象者が軽度認知障害からアルツハイマー病に移行する確率に関する解析データを生成する、付記２３に記載のコンピュータ可読媒体。
（付記２５）
前記解析モデルは、前記対象者の属性に関するデータ、前記対象者の病歴に関するデータ、前記対象者の健康状態に関するデータ、前記対象者のゲノムデータ、及び、前記対象者から得られたバイオマーカーデータのいずれか１つ以上をさらに用いて、前記解析データを生成する、付記２１から２４いずれか一項に記載のコンピュータ可読媒体。
（付記２６）
前記解析モデルの学習において、複数の学習データがその学習データから得られる特徴量に基づいて複数のクラスタに分類され、前記クラスタごとに予測式が生成されており、
前記解析モデルは、前記対象者の入力データから得られる特徴量に基づいて、その特徴量が属する前記クラスタを特定し、前記対象者の入力データから得られる特徴量を前記特定したクラスタに対応する予測式に適用することで、前記解析データを生成する、付記２１から２５いずれか一項に記載のコンピュータ可読媒体。
（付記２７）
前記解析モデルは、異種混合学習を用いた学習によって生成されたモデルである、付記２６に記載のコンピュータ可読媒体。
（付記２８）
前記出力ステップにおいて、
前記クラスタごとに、前記クラスタに属する学習データの症例者の脳機能障害に関するグラフを生成し、
前記対象者について得られた前記解析データを用いて、前記対象者の脳機能障害に関するデータを、前記対象者が属する前記クラスタのグラフに重畳した前記出力データを生成する、付記２６又は２７に記載のコンピュータ可読媒体。
（付記２９）
前記出力ステップにおいて、前記学習データから得られる複数の特徴量それぞれについて、前記学習データの分布をクラスタごとに示すグラフを出力する、付記２６から２８いずれか一項に記載のコンピュータ可読媒体。
（付記３０）
前記解析モデルは、前記クラスタごとに、健常者である蓋然性の高さを表す第１の予測式と、脳機能障害を持つ蓋然性の高さを表す第２の予測式とを有し、
前記第１の予測式と前記第２の予測式ではいずれも、前記学習データから得られる複数の特徴量それぞれに対して重み係数が付与されており、
前記出力処理ステップにおいて、前記クラスタごとに設けられている前記第１の予測式と前記第２の予測式それぞれについて、各特徴量に付与された重み係数を表すグラフを出力する、付記２６から２９いずれか一項に記載のコンピュータ可読媒体。

１０ 対象者
２０ 解析データ
３０ 出力データ
４０ 入力データ
４２ 脳形態画像
４４ 脳機能画像
１００ 決定木
１１０ 分岐ノード
１２０ 葉ノード
５００ コンピュータ
５０２ バス
５０４ プロセッサ
５０６ メモリ
５０８ ストレージデバイス
５１０ 入出力インタフェース
５１２ ネットワークインタフェース
２０００ 脳画像解析装置
２０２０ 解析モデル
２０４０ 取得部
２０６０ 出力処理部

Claims (10)

1. 脳の形態を表す脳形態画像と脳の機能的な状態を表す脳機能画像とを含む入力データが入力されたことに応じて、脳機能障害に関する情報を表す解析データを出力するように学習された解析モデルと、
   対象者について前記入力データを取得する取得部と、
   前記取得した入力データを前記解析モデルに入力することにより、前記解析モデルから、前記対象者についての前記解析データを取得し、前記取得した解析データに基づいて、前記対象者の脳機能障害に関する情報を表す出力データを出力する出力処理部と、を有し、
   前記解析モデルの学習において、複数の学習データがその学習データから得られる特徴量に基づいて複数のクラスタに分類され、前記クラスタごとに予測式が生成されており、
   前記解析モデルは、前記対象者の入力データから得られる特徴量に基づいて、その特徴量が属する前記クラスタを特定し、前記対象者の入力データから得られる特徴量を前記特定したクラスタに対応する予測式に適用することで、前記解析データを生成する、脳画像解析装置。
2. 前記解析モデルは、前記対象者が現在脳機能障害を持っている確率、前記対象者が現在持っている脳機能障害の種類、所定期間内に前記対象者が持つ脳機能障害の種類、所定期間内に前記対象者の脳機能が悪化する確率、及び前記対象者の脳機能が悪化するまでの時間のうちのいずれか１つ以上に関する解析データを生成する、請求項１に記載の脳画像解析装置。
3. 前記解析モデルは、前記対象者の属性に関するデータ、前記対象者の病歴に関するデータ、前記対象者の健康状態に関するデータ、前記対象者のゲノムデータ、及び前記対象者から得られたバイオマーカーデータのいずれか１つ以上をさらに用いて、前記解析データを生成する、請求項１又は２に記載の脳画像解析装置。
4. 前記出力処理部は、
   前記クラスタごとに、前記クラスタに属する学習データの症例者の脳機能障害に関するグラフを生成し、
   前記対象者について得られた前記解析データを用いて、前記対象者の脳機能障害に関するデータを、前記対象者が属する前記クラスタのグラフに重畳した前記出力データを生成する、請求項１に記載の脳画像解析装置。
5. 前記解析モデルは、前記クラスタごとに、健常者である蓋然性の高さを表す第１の予測式と、脳機能障害を持つ蓋然性の高さを表す第２の予測式とを有し、
   前記第１の予測式と前記第２の予測式ではいずれも、前記学習データから得られる複数の特徴量それぞれに対して重み係数が付与されており、
   前記出力処理部は、前記クラスタごとに設けられている前記第１の予測式と前記第２の予測式それぞれについて、各特徴量に付与された重み係数を表すグラフを出力する、請求項１又は２に記載の脳画像解析装置。
6. 脳機能障害の種類には、軽度認知障害及びアルツハイマー病のいずれか一方又は双方が含まれ、
   前記対象者は、軽度認知障害を持っており、
   前記解析モデルは、所定期間内に前記対象者が軽度認知障害からアルツハイマー病に移行する確率に関する解析データを生成する、請求項１から５いずれか一項に記載の脳画像解析装置。
7. コンピュータによって実行される制御方法であって、
   前記コンピュータは、脳の形態を表す脳形態画像と脳の機能的な状態を表す脳機能画像とを含む入力データが入力されたことに応じて、脳機能障害に関する情報を表す解析データを出力するように学習された解析モデルを有し、
   対象者について前記入力データを取得する取得ステップと、
   前記取得した入力データを前記解析モデルに入力することにより、前記解析モデルから、前記対象者についての前記解析データを取得し、前記取得した解析データに基づいて、前記対象者の脳機能障害に関する情報を表す出力データを出力する出力処理ステップと、を有し、
   前記解析モデルの学習において、複数の学習データがその学習データから得られる特徴量に基づいて複数のクラスタに分類され、前記クラスタごとに予測式が生成されており、
   前記解析モデルは、前記対象者の入力データから得られる特徴量に基づいて、その特徴量が属する前記クラスタを特定し、前記対象者の入力データから得られる特徴量を前記特定したクラスタに対応する予測式に適用することで、前記解析データを生成する、制御方法。
8. 前記解析モデルは、前記対象者が現在脳機能障害を持っている確率、前記対象者が現在持っている脳機能障害の種類、所定期間内に前記対象者が持つ脳機能障害の種類、所定期間内に前記対象者の脳機能が悪化する確率、及び前記対象者の脳機能が悪化するまでの時間のうちのいずれか１つ以上に関する解析データを生成する、請求項７に記載の制御方法。
9. 前記解析モデルは、前記対象者の属性に関するデータ、前記対象者の病歴に関するデータ、前記対象者の健康状態に関するデータ、前記対象者のゲノムデータ、及び前記対象者から得られたバイオマーカーデータのいずれか１つ以上をさらに用いて、前記解析データを生成する、請求項７又は８に記載の制御方法。
10. 脳の形態を表す脳形態画像と脳の機能的な状態を表す脳機能画像とを含む入力データが入力されたことに応じて、脳機能障害に関する情報を表す解析データを出力するように学習された解析モデルが含まれており、
    対象者について前記入力データを取得する取得ステップと、
    前記取得した入力データを前記解析モデルに入力することにより、前記解析モデルから、前記対象者についての前記解析データを取得し、前記取得した解析データに基づいて、前記対象者の脳機能障害に関する情報を表す出力データを出力する出力ステップと、をコンピュータに実行させ、
    前記解析モデルの学習において、複数の学習データがその学習データから得られる特徴量に基づいて複数のクラスタに分類され、前記クラスタごとに予測式が生成されており、
    前記解析モデルは、前記対象者の入力データから得られる特徴量に基づいて、その特徴量が属する前記クラスタを特定し、前記対象者の入力データから得られる特徴量を前記特定したクラスタに対応する予測式に適用することで、前記解析データを生成する、プログラム。

Images