JP7512664B2 - 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 - Google Patents
医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 Download PDFInfo
- Publication number
- JP7512664B2 JP7512664B2 JP2020082500A JP2020082500A JP7512664B2 JP 7512664 B2 JP7512664 B2 JP 7512664B2 JP 2020082500 A JP2020082500 A JP 2020082500A JP 2020082500 A JP2020082500 A JP 2020082500A JP 7512664 B2 JP7512664 B2 JP 7512664B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- medical
- subject
- risk
- disease
- 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
- 238000000034 method Methods 0.000 title claims description 61
- 238000003745 diagnosis Methods 0.000 title claims description 55
- 201000010099 disease Diseases 0.000 claims description 161
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 161
- 230000008569 process Effects 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 40
- 238000003384 imaging method Methods 0.000 claims description 22
- 206010006187 Breast cancer Diseases 0.000 claims description 21
- 208000026310 Breast neoplasm Diseases 0.000 claims description 21
- 210000000481 breast Anatomy 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 2
- 230000010365 information processing Effects 0.000 description 83
- 238000011161 development Methods 0.000 description 24
- 230000018109 developmental process Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000002600 positron emission tomography Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000009607 mammography Methods 0.000 description 4
- 230000000391 smoking effect Effects 0.000 description 4
- 238000012285 ultrasound imaging Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 206010033128 Ovarian cancer Diseases 0.000 description 2
- 206010061535 Ovarian neoplasm Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012252 genetic analysis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003752 polymerase chain reaction Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 102000040650 (ribonucleotides)n+m Human genes 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000011803 breast fibrocystic disease Diseases 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000001973 epigenetic effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 230000009245 menopause Effects 0.000 description 1
- 230000002175 menstrual effect Effects 0.000 description 1
- 230000005906 menstruation Effects 0.000 description 1
- 238000010208 microarray analysis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 102000042567 non-coding RNA Human genes 0.000 description 1
- 108091027963 non-coding RNA Proteins 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000000439 tumor marker Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
Landscapes
- Nuclear Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Description
本発明は、医療診断支援装置、医療診断支援プログラム、および医療診断支援方法に関する。
乳がん等の疾患を発見するための検査においては、画一化されたプログラムによって集団に対して検査が実施されることが一般的である。このような検査においては、対象者個人の発症リスクのレベルに関わらず、一律の検査が実施されるため、疾患の早期発見が遅れる場合がある。
このような問題に関連して、近年では、対象者を撮影して得られた画像等の情報を解析して、対象者個人の疾患の発症リスク等を推定するための技術として、下記の特許文献１、非特許文献１に示すような技術も提案されている。
Ａｄａｍ Ｙａｌａ ｅｔ ａｌ．， Ｒａｄｉｏｌｏｇｙ Ｖｏｌ．２９２， Ｎｏ．１， Ａ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｍａｍｍｏｇｒａｐｈｙ－ｂａｓｅｄ Ｍｏｄｅｌ ｆｏｒ Ｉｍｐｒｏｖｅｄ Ｂｒｅａｓｔ Ｃａｎｃｅｒ Ｒｉｓｋ Ｐｒｅｄｉｃｔｉｏｎ， ＵＲＬ：ｈｔｔｐｓ：／／ｐｕｂｓ．ｒｓｎａ．ｏｒｇ／ｄｏｉ／１０．１１４８／ｒａｄｉｏｌ．２０１９１８２７１６
しかしながら、上記の従来技術においては、ある単一のタイミングにおいて対象者から取得された情報に基づいて発症リスク等を推定するものであり、推定の精度が低いことが問題となっている。
本発明は、上記事情に鑑みてなされたものであり、対象者個人の疾患の発症リスクを精度よく推定するための医療診断支援装置、医療診断支援プログラム、および医療診断支援方法を提供することを目的とする。
本発明の上記目的は、下記の手段によって達成される。
（１）それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の同一種類の医療関連情報に関する差分情報を取得する取得部と、学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定する推定部と、前記推定部によって推定された前記発症リスクに関する情報を出力部に出力させる制御部と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像情報を含み、前記取得部は、前記医用画像情報に関する前記差分情報を取得し、前記推定部は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定するものであって、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記制御部は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して前記出力部に出力させる医療診断支援装置。
（２）それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の同一種類の医療関連情報に関する差分情報を取得する取得部と、学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定する推定部と、前記推定部によって推定された前記発症リスクに関する情報を出力部に出力させる制御部と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記取得部は、前記医用画像情報に関する前記差分情報を取得し、前記推定部は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記制御部は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を前記出力部に出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して前記出力部に出力させる医療診断支援装置。
（３）それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の同一種類の医療関連情報に関する差分情報として、乳房の医用画像の差分情報を取得する取得部と、学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する推定部と、前記推定部によって推定された前記発症リスクに関する情報を出力部に出力させる制御部と、を有する医療診断支援装置。
（２）それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の同一種類の医療関連情報に関する差分情報を取得する取得部と、学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定する推定部と、前記推定部によって推定された前記発症リスクに関する情報を出力部に出力させる制御部と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記取得部は、前記医用画像情報に関する前記差分情報を取得し、前記推定部は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記制御部は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を前記出力部に出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して前記出力部に出力させる医療診断支援装置。
（３）それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の同一種類の医療関連情報に関する差分情報として、乳房の医用画像の差分情報を取得する取得部と、学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する推定部と、前記推定部によって推定された前記発症リスクに関する情報を出力部に出力させる制御部と、を有する医療診断支援装置。
（４）前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記取得部は、前記医用画像情報に関する前記差分情報を取得する上記（３）に記載の医療診断支援装置。
（５）前記推定部は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記制御部は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して前記出力部に出力させる上記（１）、（２）、および（４）のいずれかに記載の医療診断支援装置。
（６）前記推定部は、前記発症リスクに関する情報として、前記対象者の身体の領域ごとの前記疾患の発症確率を推定し、前記制御部は、前記対象者の前記医用画像上において、前記疾患の発症確率が高い領域ほど濃い色として示されるヒートマップ画面を生成して前記出力部に出力させる上記（１）、（２）、および（４）のいずれかに記載の医療診断支援装置。
（７）前記制御部は、前記画面において、前記異なるタイミングにおいて取得された複数の前記医用画像を並べて一覧可能に表示させる上記（１）、（２）、（５）、および（６）のいずれかに記載の医療診断支援装置。
（８）前記出力部は、前記医用画像において、前記対象者の身体において疾患の発症確率が所定の値よりも高いと推定された領域に識別可能な図形を配置するとともに、発症確率を示すテキスト情報を前記領域に関連付けて配置して、前記医用画像を示す画面を出力する上記（１）、（２）、（５）、および（６）のいずれかに記載の医療診断支援装置。
（５）前記推定部は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記制御部は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して前記出力部に出力させる上記（１）、（２）、および（４）のいずれかに記載の医療診断支援装置。
（６）前記推定部は、前記発症リスクに関する情報として、前記対象者の身体の領域ごとの前記疾患の発症確率を推定し、前記制御部は、前記対象者の前記医用画像上において、前記疾患の発症確率が高い領域ほど濃い色として示されるヒートマップ画面を生成して前記出力部に出力させる上記（１）、（２）、および（４）のいずれかに記載の医療診断支援装置。
（７）前記制御部は、前記画面において、前記異なるタイミングにおいて取得された複数の前記医用画像を並べて一覧可能に表示させる上記（１）、（２）、（５）、および（６）のいずれかに記載の医療診断支援装置。
（８）前記出力部は、前記医用画像において、前記対象者の身体において疾患の発症確率が所定の値よりも高いと推定された領域に識別可能な図形を配置するとともに、発症確率を示すテキスト情報を前記領域に関連付けて配置して、前記医用画像を示す画面を出力する上記（１）、（２）、（５）、および（６）のいずれかに記載の医療診断支援装置。
（９）前記医用画像は、Ｘ線撮影装置、超音波撮影装置、ＭＲＩ、およびＰＥＴの少なくともいずれかによって取得された画像である上記（１）～（８）のいずれかに記載の医療診断支援装置。
（１０）前記それぞれ異なるタイミングにおいて取得された前記２つ以上の医療関連情報には、それぞれ異なる装置によって取得された２つ以上の医療関連情報が含まれる上記（１）～（９）のいずれかに記載の医療診断支援装置。
（１１）前記推定部は、前記対象者の前記発症リスクとして、特定の時点における前記対象者の前記疾患の発症の有無および発症確率の少なくとも一方を推定する上記（３）、および上記（３）に従属する（４）～（１０）のいずれかに記載の医療診断支援装置。
（１２）前記制御部は、前記発症リスクに応じて前記疾患に関する検査の受診時期を前記出力部に出力させる上記（１）～（１１）のいずれかに記載の医療診断支援装置。
（１３）前記制御部は、前記発症リスクに応じて前記疾患に関する検査項目および生活改善に関する情報の少なくとも一方を前記出力部に出力させる上記（１）～（１２）のいずれかに記載の医療診断支援装置。
（１４）前記推定部は、前記差分情報に加えて、前記医療関連情報を前記識別器への入力として用いて、前記発症リスクに関する情報を推定する上記（１）～（１３）のいずれかに記載の医療診断支援装置。
（１５）前記識別器は、それぞれ異なるタイミングにおいて取得された同一の対象者に関する前記２つ以上の医療関連情報の差分情報を入力データとし、前記対象者の特定の時点における前記発症リスクに関する情報を出力データとして機械学習される上記（１）～（１４）のいずれかに記載の医療診断支援装置。
（１６）前記識別器は、前記差分情報および前記医療関連情報を入力データとし、前記対象者の特定の時点における前記発症リスクに関する情報を出力データとして機械学習される上記（１）～（１５）のいずれかに記載の医療診断支援装置。
（１７）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定するものであって、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記ステップ（ｃ）は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する処理をコンピューターに実行させるための医療診断支援プログラム。
（１８）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、前記ステップ（ｂ）は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記ステップ（ｃ）は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する処理をコンピューターに実行させるための医療診断支援プログラム。
（１８）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、前記ステップ（ｂ）は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記ステップ（ｃ）は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する処理をコンピューターに実行させるための医療診断支援プログラム。
（１９）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定するものであって、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記ステップ（ｃ）は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する医療診断支援方法。
（２０）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、前記ステップ（ｂ）は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記ステップ（ｃ）は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する医療診断支援方法。
（２１）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報の差分情報として、乳房の医用画像の差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する処理をコンピューターに実行させるための医療診断支援プログラム。
（２２）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報の差分情報として、乳房の医用画像の差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する医療診断支援方法。
（２０）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、前記ステップ（ｂ）は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、前記ステップ（ｃ）は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する医療診断支援方法。
（２１）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報の差分情報として、乳房の医用画像の差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する処理をコンピューターに実行させるための医療診断支援プログラム。
（２２）それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報の差分情報として、乳房の医用画像の差分情報を取得するステップ（ａ）と、学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、を有し、前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する医療診断支援方法。
本発明に係る医療診断支援装置は、それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の医療関連情報に関する差分情報を取得する取得部と、学習済みの識別器を用いて、取得部によって取得された差分情報を入力とし、特定の時点における対象者の疾患の発症リスクに関する情報を推定する推定部と、推定部によって推定された発症リスクに関する情報を出力部に出力させる制御部と、を有する。これにより、対象者個人に関して取得された情報に基づいて、対象者個人の疾患の発症リスクを精度よく推定して出力することができる。
以下、添付した図面を参照して、本発明の実施形態を説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
＜全体構成＞
図１は、医療診断支援システムの全体構成を示す図である。
図１は、医療診断支援システムの全体構成を示す図である。
図１に示すように、医療診断支援システムは、情報処理装置１００、撮影装置２００、およびサーバー３００を有する。
情報処理装置１００は、たとえばＰＣやスマートフォン、タブレット端末等のコンピューターであり、本実施形態においては医療情報支援装置として機能する。情報処理装置１００は、撮影装置２００およびサーバー３００と接続可能に構成され、各装置との間で各種情報を送受信する。
撮影装置２００は、対象者を撮影した医用画像を示す医用画像情報を取得するための装置である。撮影装置２００としては、たとえば、Ｘ線撮影装置、超音波撮影装置、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）、ＰＥＴ（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）等が用いられる。Ｘ線撮影装置には、マンモグラフィまたはトモシンセシスの撮影装置や、単純Ｘ線またはＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）の撮影装置等が含まれる。
サーバー３００は、対象者に関して取得された医用画像以外の医療に関する情報である非医用画像情報を取得して記憶するための装置である。非医用画像情報としては、たとえば、対象者のＥＨＲ（Ｅｌｅｃｔｒｏｎｉｃ Ｈｅａｌｔｈ Ｒｅｃｏｒｄ：電子健康記録）、ＰＨＲ（Ｐｅｒｓｏｎａｌ Ｈｅａｌｔｈ Ｒｅｃｏｒｄ：個人健康記録）、各種生物学的検査の結果に関する情報等が記録される。なお、サーバー３００は、非医用画像情報に加えて、撮影装置２００によって取得された医用画像情報を撮影装置２００から取得して記憶してもよい。
＜情報処理装置１００の構成＞
図２は、情報処理装置の概略構成を示すブロック図である。
図２は、情報処理装置の概略構成を示すブロック図である。
図２に示すように、情報処理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１０、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２０、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３０、ストレージ１４０、通信インターフェース１５０、表示部１６０、および操作受付部１７０を有する。各構成は、バス１８０を介して相互に通信可能に接続されている。
ＣＰＵ１１０は、ＲＯＭ１２０やストレージ１４０に記録されているプログラムにしたがって、上記各構成の制御や各種の演算処理を行う。
ＲＯＭ１２０は、各種プログラムや各種データを格納する。
ＲＡＭ１３０は、作業領域として一時的にプログラムやデータを記憶する。
ストレージ１４０は、オペレーティングシステムを含む各種プログラムや、各種データを格納する。たとえば、ストレージ１４０には、学習済みの識別器を用いて、異なるタイミングで取得された２つ以上の医療関連情報の差分情報から対象者の疾患の発症リスクに関する情報を推定するためのアプリケーションがインストールされている。また、ストレージ１４０には、撮影装置２００から取得された医用画像情報およびサーバー３００から取得された非医用画像情報が記憶されてもよい。また、ストレージ１４０には、識別器として用いられる学習済みモデルや、機械学習に用いられる教師データが記憶されてもよい。医用画像情報および非医用画像情報は、医療関連情報を構成する。医療関連情報について、詳細は後述する。
通信インターフェース１５０は、他の装置と通信するためのインターフェースである。通信インターフェース１５０としては、有線または無線の各種規格による通信インターフェースが用いられる。通信インターフェース１５０は、たとえば、撮影装置２００またはサーバー３００から医療関連情報を受信したり、保存のために推定結果をサーバー３００等に送信したりする際に用いられる。
表示部１６０は、ＬＣＤ（液晶ディスプレイ）や有機ＥＬディスプレイ等を備え、各種情報を表示する。本実施形態において、表示部１６０は、出力部として機能する。
操作受付部１７０は、タッチセンサーや、マウス等のポインティングデバイス、キーボード等を備え、ユーザーの各種操作を受け付ける。なお、表示部１６０および操作受付部１７０は、表示部１６０としての表示面に、操作受付部１７０としてのタッチセンサーを重畳することによって、タッチパネルを構成してもよい。
＜情報処理装置１００の機能＞
図３は、情報処理装置の機能構成を示すブロック図である。
図３は、情報処理装置の機能構成を示すブロック図である。
図３に示すように、情報処理装置１００は、ＣＰＵ１１０がストレージ１４０に記憶されたプログラムを読み込んで処理を実行することによって、取得部１１１、推定部１１２、および制御部１１３として機能する。
取得部１１１は、それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の医療関連情報に関する差分情報を取得する。
推定部１１２は、学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定する。
制御部１１３は、推定部によって推定された前記発症リスクに関する情報を出力部に出力させる。
情報処理装置１００において実行される処理について、詳細は後述する。
＜医療関連情報について＞
医療関連情報には、医用画像情報および非医用画像情報が含まれる。
医療関連情報には、医用画像情報および非医用画像情報が含まれる。
医用画像情報は、たとえば、Ｘ線撮影装置、超音波撮影装置、ＭＲＩ、ＰＥＴ等によって対象者を撮影して得られた画像を示す情報である。Ｘ線撮影装置によって取得される医用画像情報には、マンモグラフィ画像、トモシンセシス画像、単純Ｘ線画像、ＣＴ画像等が含まれる。
非医用画像情報は、対象者のＥＨＲ／ＰＨＲ情報や、各種生物学的検査の結果に関する情報を含む。
ＥＨＲ／ＰＨＲ情報は、たとえば乳がんの場合、がん家族歴および罹患年齢、卵巣がん家族歴および罹患年齢、年齢、体重、身長、出産歴、第一子出産年齢、月経状態、閉経年齢、初経年齢、良性乳腺疾患の既往、卵巣がんの既往および罹患年齢等に関する情報を含む。また、肺がんの場合、ＥＨＲ／ＰＨＲ情報は、性別、がん家族歴、喫煙歴、喫煙量、既往歴等に関する情報を含む。また、脳腫瘍の場合、ＥＨＲ／ＰＨＲ情報は、年齢、がんの家族歴、既往歴(ウイルス感染)、頭皮や脳に対する治療歴等に関する情報を含む。
生物学的検査の結果に関する情報は、血液検査や生体検査等の検査結果を示す情報である。生物学的検査は、たとえば、腫瘍マーカー検査、アミノ酸検査、遺伝子解析等を含む。遺伝子解析は、たとえば、マイクロアレイ分析、ポリメラーゼ連鎖反応（ＰＣＲ）、遺伝子（ＤＮＡ／ＲＮＡ）配列解析等によって、遺伝子経路活性（ｇｅｎｅ ｐａｔｈｗａｙ ａｃｔｉｖａｔｉｏｎ）、ノンコーディングＲＮＡ（ｎｏｎｃｏｄｉｎｇ ＲＮＡ）、複数のＲＮＡ（ｍｕｌｔｉｐｌｅ ＲＮＡｓ）、一塩基多型（ｓｉｎｇｌｅ ｎｕｃｌｅｏｔｉｄｅ ｐｏｌｙｍｏｒｐｈｉｓｍ）、コピー数多型（ｃｏｐｙ ｎｕｍｂｅｒ ｐｏｌｙｍｏｒｐｈｉｓｍ）エピジェネティック多型（ｅｐｉｇｅｎｅｔｉｃ ｐｏｌｙｍｏｒｐｈｉｓｍ）等を得ることを含む。
＜処理概要＞
＜推定処理について＞
図４は、情報処理装置において実行される推定処理の手順を示すフローチャートである。図５は、情報処理装置によって出力される情報の表示形態の一例を示す図である。図６～図９は、情報処理装置によって出力される情報の表示形態の他の例を示す図である。図４のフローチャートに示される情報処理装置１００の処理は、情報処理装置１００のストレージ１４０にプログラムとして記憶されており、ＣＰＵ１１０が各部を制御することにより実行される。
＜推定処理について＞
図４は、情報処理装置において実行される推定処理の手順を示すフローチャートである。図５は、情報処理装置によって出力される情報の表示形態の一例を示す図である。図６～図９は、情報処理装置によって出力される情報の表示形態の他の例を示す図である。図４のフローチャートに示される情報処理装置１００の処理は、情報処理装置１００のストレージ１４０にプログラムとして記憶されており、ＣＰＵ１１０が各部を制御することにより実行される。
（ステップＳ１０１）
情報処理装置１００は、それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の医用画像を示す医用画像情報を取得する。たとえば、情報処理装置１００は、１年前、２年前等の過去のある時点に対象者を撮影して得られた医用画像情報と、本処理を実行する時点で同一の対象者を撮影して得られた医用画像情報を取得する。あるいは、情報処理装置１００は、マンモグラフィ撮影装置と超音波撮影装置のようにそれぞれ異なる撮影装置２００（異なるモダリティ）によって、数秒または数分程度の異なるタイミングにおいて取得された２つ以上の医用画像情報を取得してもよい。
情報処理装置１００は、それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の医用画像を示す医用画像情報を取得する。たとえば、情報処理装置１００は、１年前、２年前等の過去のある時点に対象者を撮影して得られた医用画像情報と、本処理を実行する時点で同一の対象者を撮影して得られた医用画像情報を取得する。あるいは、情報処理装置１００は、マンモグラフィ撮影装置と超音波撮影装置のようにそれぞれ異なる撮影装置２００（異なるモダリティ）によって、数秒または数分程度の異なるタイミングにおいて取得された２つ以上の医用画像情報を取得してもよい。
（ステップＳ１０２）
情報処理装置１００は、ステップＳ１０１の処理において取得された２つ以上の医用画像情報に関する差分を算出して差分情報を取得する。たとえば、情報処理装置１００は、２つの医用画像情報それぞれについて、対象者の身体の同一の箇所に対応する画素を特定して当該画素同士の画素値の差分を算出してもよい。あるいは、情報処理装置１００は、対象者の身体における特定の領域に対応する関心領域内の画像情報について差分を取得してもよい。また、情報処理装置１００は、医用画像情報または上記の関心領域内の画像情報について、形状、サイズ、位置、密度、濃度、テクスチャ等に関する特徴量を抽出して特徴量同士の差分を算出してもよい。なお、ステップＳ１０１の医用画像情報の取得処理およびステップＳ１０２の差分の算出処理は、情報処理装置１００以外の他の装置によって実行されてもよい。この場合、情報処理装置１００は、当該他の装置において算出および生成された差分情報を取得する。
情報処理装置１００は、ステップＳ１０１の処理において取得された２つ以上の医用画像情報に関する差分を算出して差分情報を取得する。たとえば、情報処理装置１００は、２つの医用画像情報それぞれについて、対象者の身体の同一の箇所に対応する画素を特定して当該画素同士の画素値の差分を算出してもよい。あるいは、情報処理装置１００は、対象者の身体における特定の領域に対応する関心領域内の画像情報について差分を取得してもよい。また、情報処理装置１００は、医用画像情報または上記の関心領域内の画像情報について、形状、サイズ、位置、密度、濃度、テクスチャ等に関する特徴量を抽出して特徴量同士の差分を算出してもよい。なお、ステップＳ１０１の医用画像情報の取得処理およびステップＳ１０２の差分の算出処理は、情報処理装置１００以外の他の装置によって実行されてもよい。この場合、情報処理装置１００は、当該他の装置において算出および生成された差分情報を取得する。
（ステップＳ１０３）
情報処理装置１００は、ステップＳ１０２の処理において取得された差分情報を、予め機械学習された識別器に入力して、特定の時点における対象者の疾患の発症リスクに関する情報を推定する。たとえば、識別器は、後述するような学習方法によって、予め多数準備された過去の被検者の異なるタイミングにおける複数の医用画像に関する差分情報と、最新の医用画像が取得されてから１年後、３年後、５年後等の特定の時点における当該被検者のがんの発症有無に関する情報とを有する教師データを用いて機械学習される。これにより、情報処理装置１００は、対象者の医用画像について取得された差分情報を識別器に入力することによって、１年後、３年後、５年後等の特定の時点における対象者の疾患の発症の有無あるいは発症確率を推定することができる。
情報処理装置１００は、ステップＳ１０２の処理において取得された差分情報を、予め機械学習された識別器に入力して、特定の時点における対象者の疾患の発症リスクに関する情報を推定する。たとえば、識別器は、後述するような学習方法によって、予め多数準備された過去の被検者の異なるタイミングにおける複数の医用画像に関する差分情報と、最新の医用画像が取得されてから１年後、３年後、５年後等の特定の時点における当該被検者のがんの発症有無に関する情報とを有する教師データを用いて機械学習される。これにより、情報処理装置１００は、対象者の医用画像について取得された差分情報を識別器に入力することによって、１年後、３年後、５年後等の特定の時点における対象者の疾患の発症の有無あるいは発症確率を推定することができる。
たとえば、乳がんの発症リスクを推定する場合、乳房の医用画像に関する差分情報と特定の時点における乳がんの発症有無とを有する多数の教師データによって機械学習された識別器に、対象者の乳房の医用画像に関する差分情報を入力することによって、特定の時点における対象者の乳がんの発症リスクを推定することができる。
なお、識別器に入力する情報は差分情報に限定されず、差分情報に加えて、医用画像情報や医用画像情報から抽出された各種特徴量も、識別器に入力して学習および推定を行うための情報として用いられてもよい。また、医療関連情報として、医用画像情報に加えて、非医用画像情報や非医用画像情報の差分情報も、識別器に入力して学習および推定を行うための情報として用いられてもよい。
（ステップＳ１０４）
情報処理装置１００は、ステップＳ１０３の処理における識別器による出力に基づいて、対象者の疾患の発症リスクに関する情報の推定結果を生成する。
情報処理装置１００は、ステップＳ１０３の処理における識別器による出力に基づいて、対象者の疾患の発症リスクに関する情報の推定結果を生成する。
（ステップＳ１０５）
情報処理装置１００は、ステップＳ１０４の処理において生成された推定結果を出力する。たとえば、情報処理装置１００は、図５～図９に示すような画面を表示部１６０に表示することによって推定結果を出力する（エンド）。
情報処理装置１００は、ステップＳ１０４の処理において生成された推定結果を出力する。たとえば、情報処理装置１００は、図５～図９に示すような画面を表示部１６０に表示することによって推定結果を出力する（エンド）。
たとえば、情報処理装置１００は、図５に示すように、対象者の身体の領域ごとの疾患の発症確率をヒートマップとして示す画面を推定結果表示部１６１に表示してもよい。図５に示す例では、対象者の医用画像上において、疾患の発症確率が高い領域ほど濃い色となるように表現されている。これにより、医師等の医療スタッフは、疾患の発症確率が高い部位を一見して容易に視認することができる。なお、図５の画面下部のサムネイル表示部１６２には、各タイミングにおける対象者の医用画像がサムネイル（縮小画像）として時系列等の順番で一覧表示され得る。各サムネイルは、選択されることによって拡大表示され得る。これにより、医師等の医療スタッフは、疾患の発症確率が高い領域等の過去の状態や状態の推移を容易に確認することができる。サムネイル表示部１６２の表示については、以下の図６～図９の画面においても同様である。
また、情報処理装置１００は、図６に示すように、対象者の身体において疾患の発症確率が高い領域に識別可能な図形１６３を配置して、対象者の医用画像を推定結果表示部１６１に表示するとともに、具体的な発症確率の数値等のテキストを関連付けて表示してもよい。これにより、医師等の医療スタッフは、疾患の発症確率が高い部位を一見して容易に視認できるとともに、具体的な発症確率等の詳細な情報もあわせて確認することができる。
また、情報処理装置１００は、図７に示すように、対象者の身体において疾患の発症確率が高い領域に識別可能な図形１６３を配置して、対象者の医用画像を推定結果表示部１６１に表示するとともに、並べて設けられる説明表示部１６４に発症リスクや発症確率を示す情報を表示してもよい。これにより、医師等の医療スタッフは、対象者の疾患の発症リスクや発症確率を把握しつつ、医用画像を確認することができる。
また、情報処理装置１００は、図８に示すように、対象者の過去の医用画像と現在の医用画像とを比較可能に並べて推定結果表示部１６１に表示してもよい。この場合、情報処理装置１００は、過去の医用画像において、その時点で推定された疾患の発症リスクに関する情報を関連付けて表示し、疾患の発症リスクが高いと推定された箇所について、現在の医用画像においても病変等の発症状況を確認しやすいように、識別可能な図形１６３を表示してもよい。これにより、医師等の医療スタッフは、過去に疾患の発症リスクが高いと推定された箇所について、現在の状況を迅速かつ容易に把握することができる。
また、情報処理装置１００は、図９に示すように、特定の時点における対象者の発症リスクや発症確率を示す情報を、時系列のグラフとして推定結果表示部１６１に表示してもよい。これにより、医師等の医療スタッフは、対象者の疾患の発症リスクや発症確率の経時変化を視覚によって迅速かつ容易に把握することができる。
なお、情報処理装置１００は、疾患の発症リスクに関する情報を、図５～図９のような画面として表示部１６０に表示させるかわりに、通信インターフェース１５０を介してサーバー３００等の他の装置に送信することによって出力してもよい。あるいは、情報処理装置１００は、疾患の発症リスクに関する情報を、プリンターに送信して印刷させることによって出力してもよい。上記の場合、通信インターフェース１５０は、出力部として機能する。
また、情報処理装置１００は、推定された疾患の発症リスクに応じて、疾患に関する検査の受診時期を出力してもよい。たとえば、情報処理装置１００は、疾患の発症リスクが高いと推定された対象者に対して、通常の集団検査の受診時期または受診年齢よりも早期の受診を提案したり、通常の集団検査の受診サイクルよりも短いサイクルでの受診を提案したりすることができる。あるいは、情報処理装置１００は、疾患の発症確率に関する閾値をストレージ１４０に予め記憶し、推定された疾患の発症確率が上記の閾値を超える時点を、当該疾患に関する検査の受診時期として提示してもよい。
また、情報処理装置１００は、推定された疾患の発症リスクに応じて、疾患に関する検査項目や、生活改善に関する情報を出力してもよい。たとえば、情報処理装置１００は、疾患の発症リスクが高いと推定された対象者に対して、通常の集団検査では実施されない、遺伝子検査、超音波検査、ＭＲＩ検査等のより精密な検査を受診することを提案してもよい。あるいは、情報処理装置１００は、疾患の発症確率に関する閾値をストレージ１４０に予め記憶し、推定された疾患の発症確率が上記の閾値を超えた場合に、より精密な検査を受診することを対象者に提案してもよい。
また、情報処理装置１００は、疾患の発症リスクが高いと推定された対象者に対して、疾患の内容やリスクの程度に応じて、飲酒量を減らしたり、禁煙したり、適度な運動を行うこと等の生活改善に関する情報を提示してもよい。あるいは、情報処理装置１００は、疾患の発症確率に関する閾値をストレージ１４０に予め記憶し、推定された疾患の発症確率が上記の閾値を超えた場合に、当該疾患を予防するために有効と考えられる食事、睡眠、運動、禁酒、禁煙等の生活改善に関するアドバイス等を対象者に提示してもよい。
また、情報処理装置１００は、疾患の発症リスクが高いと推定された対象者について、当該対象者の医用画像の読影を担当する医師等の人数を増やす旨の指示を出力してもよい。
また、情報処理装置１００は、読影を担当する医師の熟練度を予め記憶しておき、疾患の発症リスクが高いと推定された対象者について、当該対象者の医用画像の読影を熟練度が高い医師に自動的に依頼するための指示を出力してもよい。あるいは、情報処理装置１００は、推定された疾患の発症リスクと、読影を担当する医師の熟練度に基づいて、当該対象者の医用画像の読影を担当する医師を自動的に決定してもよい。
＜学習処理について＞
次に、識別器において用いられる学習済みモデルの機械学習方法について説明する。
次に、識別器において用いられる学習済みモデルの機械学習方法について説明する。
図１０は、学習済みモデルの機械学習方法を示すフローチャートである。
図１０の処理においては、予め準備した２つ以上の医療関連情報の差分情報等を入力とし、正解として設定された特定の時点における対象者の疾病の発症リスクに関する情報を出力とする、多数（ｉ組個（ｉは例えば数千から十数万））のデータセットを学習サンプルデータとして用いて機械学習が実行される。識別器として機能する学習器（図示せず）には、たとえば、ＣＰＵおよびＧＰＵのプロセッサを用いたスタンドアロンの高性能コンピューター、またはクラウドコンピューターが用いられる。以下においては、学習器において、ディープラーニング等のパーセプトロンを組み合わせて構成したニューラルネットワークを用いる学習方法について説明するが、これに限られず、種種の手法が適用され得る。例えば、ランダムフォレスト、決定木、サポートベクターマシン（ＳＶＭ）、ロジスティック回帰、ｋ近傍法、トピックモデル等が適用され得る。
（ステップＳ１１１）
学習器は、教師データである学習サンプルデータを読み込む。最初であれば１組目の学習サンプルデータを読み込み、ｉ回目であれば、ｉ組目の学習サンプルデータを読み込む。
学習器は、教師データである学習サンプルデータを読み込む。最初であれば１組目の学習サンプルデータを読み込み、ｉ回目であれば、ｉ組目の学習サンプルデータを読み込む。
（ステップＳ１１２）
学習器は、読み込んだ学習サンプルデータのうち入力データをニューラルネットワークに入力する。
学習器は、読み込んだ学習サンプルデータのうち入力データをニューラルネットワークに入力する。
（ステップＳ１１３）
学習器は、ニューラルネットワークの推定結果を、正解データと比較する。
学習器は、ニューラルネットワークの推定結果を、正解データと比較する。
（ステップＳ１１４）
学習器は、比較結果に基づいてパラメータを調整する。学習器は、たとえば、バックプロパゲーション（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ、誤差逆伝搬法）に基づく処理を実行することにより、比較結果の差異が小さくなるようにパラメータを調整する。
学習器は、比較結果に基づいてパラメータを調整する。学習器は、たとえば、バックプロパゲーション（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ、誤差逆伝搬法）に基づく処理を実行することにより、比較結果の差異が小さくなるようにパラメータを調整する。
（ステップＳ１１５）
学習器は、１～ｉ組目まで全データの処理が完了すれば（ＹＥＳ）、処理をステップＳ１１６に進め、完了していなければ（ＮＯ）、処理をステップＳ１１１に戻し、次の学習サンプルデータを読み込み、ステップＳ１１１以下の処理を繰り返す。
学習器は、１～ｉ組目まで全データの処理が完了すれば（ＹＥＳ）、処理をステップＳ１１６に進め、完了していなければ（ＮＯ）、処理をステップＳ１１１に戻し、次の学習サンプルデータを読み込み、ステップＳ１１１以下の処理を繰り返す。
（ステップＳ１１６）
学習器は、学習を継続するか否かを判定し、継続する場合（ＹＥＳ）、処理をステップＳ１１１に戻し、ステップＳ１１１～Ｓ１１５において再度１組目～ｉ組目までの処理を実行し、継続しない場合（ＮＯ）、処理をステップＳ１１７に進める。
学習器は、学習を継続するか否かを判定し、継続する場合（ＹＥＳ）、処理をステップＳ１１１に戻し、ステップＳ１１１～Ｓ１１５において再度１組目～ｉ組目までの処理を実行し、継続しない場合（ＮＯ）、処理をステップＳ１１７に進める。
（ステップＳ１１７）
学習器は、これまでの処理で構築された学習済みモデルを記憶して終了する（エンド）。記憶先には、情報処理装置１００の内部メモリが含まれる。上述の図４の処理では、このようにして生成された学習済みモデルを用いて疾病の発症リスクが推定される。
学習器は、これまでの処理で構築された学習済みモデルを記憶して終了する（エンド）。記憶先には、情報処理装置１００の内部メモリが含まれる。上述の図４の処理では、このようにして生成された学習済みモデルを用いて疾病の発症リスクが推定される。
＜変形例１＞
変形例１として、医用画像情報の差分情報に加えて、非医用画像情報も識別器に入力して発症リスクを推定する例について具体的に説明する。
変形例１として、医用画像情報の差分情報に加えて、非医用画像情報も識別器に入力して発症リスクを推定する例について具体的に説明する。
図１１は、変形例１に係る情報処理装置において実行される医療診断支援処理の手順を示すフローチャートである。
（ステップＳ２０１、Ｓ２０２）
ステップＳ２０１、Ｓ２０２の処理は、図４のステップＳ１０１、Ｓ１０２の処理と同様であるため、重複する説明を省略する。
ステップＳ２０１、Ｓ２０２の処理は、図４のステップＳ１０１、Ｓ１０２の処理と同様であるため、重複する説明を省略する。
（ステップＳ２０３）
情報処理装置１００は、サーバー３００から、医用画像を取得した対象者と同一の対象者に関する非医用画像情報を取得する。
情報処理装置１００は、サーバー３００から、医用画像を取得した対象者と同一の対象者に関する非医用画像情報を取得する。
（ステップＳ２０４）
情報処理装置１００は、ステップＳ２０２の処理において取得された医用画像情報の差分情報と、ステップＳ２０３の処理において取得された非医用画像情報とを、予め機械学習された識別器に入力して、特定の時点における対象者の疾患の発症リスクに関する情報を推定する。識別器は、医用画像情報の差分情報および非医用画像情報と、特定の時点における疾患の発症リスクに関する情報とを有する多数の教師データを用いて予め機械学習されている。
情報処理装置１００は、ステップＳ２０２の処理において取得された医用画像情報の差分情報と、ステップＳ２０３の処理において取得された非医用画像情報とを、予め機械学習された識別器に入力して、特定の時点における対象者の疾患の発症リスクに関する情報を推定する。識別器は、医用画像情報の差分情報および非医用画像情報と、特定の時点における疾患の発症リスクに関する情報とを有する多数の教師データを用いて予め機械学習されている。
（ステップＳ２０５、Ｓ２０６）
ステップＳ２０５、Ｓ２０６の処理は、図４のステップＳ１０４、Ｓ１０５の処理と同様であるため、重複する説明を省略する。
ステップＳ２０５、Ｓ２０６の処理は、図４のステップＳ１０４、Ｓ１０５の処理と同様であるため、重複する説明を省略する。
＜変形例２＞
変形例２として、非医用画像情報の差分情報と、医用画像情報とを識別器に入力して発症リスクを推定する例について具体的に説明する。
変形例２として、非医用画像情報の差分情報と、医用画像情報とを識別器に入力して発症リスクを推定する例について具体的に説明する。
図１２は、変形例２に係る情報処理装置において実行される医療診断支援処理の手順を示すフローチャートである。
（ステップＳ３０１）
情報処理装置１００は、それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の非医用画像情報を取得する。たとえば、情報処理装置１００は、１年前、２年前等の過去のある時点に対象者に関して得られた各種非医用画像情報と、本処理を実行する時点で同一の対象者に関して得られた各種非医用画像情報とを取得する。
情報処理装置１００は、それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の非医用画像情報を取得する。たとえば、情報処理装置１００は、１年前、２年前等の過去のある時点に対象者に関して得られた各種非医用画像情報と、本処理を実行する時点で同一の対象者に関して得られた各種非医用画像情報とを取得する。
（ステップＳ３０２）
情報処理装置１００は、ステップＳ３０１の処理において取得された２つ以上の非医用画像情報に関する差分を算出して差分情報を取得する。たとえば、情報処理装置１００は、２つの非医用画像情報それぞれについて、同一の項目を特定して同一項目同士の値の差分を算出してもよい。あるいは、情報処理装置１００は、発症リスクを推定したい特定の項目の値について差分を取得してもよい。また、情報処理装置１００は、非医用画像情報について、所定の方法を用いて特徴量を抽出して特徴量同士の差分を算出してもよい。なお、ステップＳ３０１の非医用画像情報の取得処理およびステップＳ３０２の差分の算出処理は、情報処理装置１００以外の他の装置によって実行されてもよい。この場合、情報処理装置１００は、当該他の装置において算出および生成された差分情報を取得する。
情報処理装置１００は、ステップＳ３０１の処理において取得された２つ以上の非医用画像情報に関する差分を算出して差分情報を取得する。たとえば、情報処理装置１００は、２つの非医用画像情報それぞれについて、同一の項目を特定して同一項目同士の値の差分を算出してもよい。あるいは、情報処理装置１００は、発症リスクを推定したい特定の項目の値について差分を取得してもよい。また、情報処理装置１００は、非医用画像情報について、所定の方法を用いて特徴量を抽出して特徴量同士の差分を算出してもよい。なお、ステップＳ３０１の非医用画像情報の取得処理およびステップＳ３０２の差分の算出処理は、情報処理装置１００以外の他の装置によって実行されてもよい。この場合、情報処理装置１００は、当該他の装置において算出および生成された差分情報を取得する。
（ステップＳ３０３）
ステップＳ３０３の処理は、図４のステップＳ１０１の処理と同様であるため、重複する説明を省略する。
ステップＳ３０３の処理は、図４のステップＳ１０１の処理と同様であるため、重複する説明を省略する。
（ステップＳ３０４）
情報処理装置１００は、ステップＳ３０２の処理において取得された非医用画像情報の差分情報と、ステップＳ３０３の処理において取得された医用画像情報とを、予め機械学習された識別器に入力して、特定の時点における対象者の疾患の発症リスクに関する情報を推定する。識別器は、非医用画像情報の差分情報および医用画像情報と、特定の時点における疾患の発症リスクに関する情報とを有する多数の教師データを用いて予め機械学習されている。
情報処理装置１００は、ステップＳ３０２の処理において取得された非医用画像情報の差分情報と、ステップＳ３０３の処理において取得された医用画像情報とを、予め機械学習された識別器に入力して、特定の時点における対象者の疾患の発症リスクに関する情報を推定する。識別器は、非医用画像情報の差分情報および医用画像情報と、特定の時点における疾患の発症リスクに関する情報とを有する多数の教師データを用いて予め機械学習されている。
（ステップＳ３０５、Ｓ３０６）
ステップＳ３０５、Ｓ３０６の処理は、図４のステップＳ１０４、Ｓ１０５の処理と同様であるため、重複する説明を省略する。
ステップＳ３０５、Ｓ３０６の処理は、図４のステップＳ１０４、Ｓ１０５の処理と同様であるため、重複する説明を省略する。
以上のように、情報処理装置１００によれば、それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の医療関連情報に関する差分情報を取得し、学習済みの識別器に差分情報を入力することによって、特定の時点における対象者の疾患の発症リスクに関する情報を推定して出力する。これにより、対象者個人に関して取得された情報に基づいて、対象者個人の疾患の発症リスクを精度よく推定して出力することができる。より具体的には、複数のタイミングにおいて取得された対象者の医療関連情報の差分情報を用いることにより、対象者の経時的な変化に関する情報を考慮することができる。これにより、疾患の発生リスクを推定する対象となる注目領域、例えば乳腺の発達または退縮に関する情報の予測精度を向上でき、疾患の発症リスクに関する予測精度を向上させることができる。
また、医療関連情報は、対象者を撮影して取得された医用画像に関する医用画像情報を含む。これにより、医用画像情報の差分情報を用いてより高精度に疾患の発症リスクを推定することができる。
また、医用画像は、Ｘ線撮影装置、超音波撮影装置、ＭＲＩ、ＰＥＴの少なくともいずれかによって取得された画像である。これにより、診断対象とする疾患の種類や部位等に応じて、適切な医用画像を用いて疾患の発症リスクを推定することができる。
また、医療関連情報は、対象者に関して取得された医用画像以外の医療に関する情報である非医用画像情報を含む。これにより、対象者の医療に関する様々な観点の情報を多面的に考慮できるため、より高精度に疾患の発症リスクを推定することができる。
また、非医用画像情報は、対象者のＥＨＲ、ＰＨＲ、および生物学的検査の結果の少なくともいずれかに関する情報を含む。これにより、対象者のＥＨＲ、ＰＨＲ、生物学的検査の結果等の情報を考慮できるため、より高精度に疾患の発症リスクを推定することができる。
また、それぞれ異なるタイミングにおいて取得された２つ以上の医療関連情報には、それぞれ異なる装置によって取得された２つ以上の医療関連情報が含まれる。これにより、異なる装置によって取得された医療関連情報同士の差異を考慮できるため、より高精度に疾患の発症リスクを推定することができる。
また、情報処理装置１００は、疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する。これにより、早期発見が重要である乳がんの発症リスクをより高精度に推定して、発症リスクに応じた適切な措置につなげることができる。
また、情報処理装置１００は、疾患の発症リスクとして、特定の時点における対象者の疾患の発症の有無および発症確率の少なくとも一方を推定する。これにより、将来の特定の時点における疾患の発症の有無や発症確率を推定できるため、疾患の予防や早期発見に向けた適切な措置を計画的に進めることができる。
また、情報処理装置１００は、疾患の発症リスクに応じて、疾患に関する検査の受診時期を出力する。これにより、対象者個人ごとの疾患の発症リスクに応じて適切な検査の受診時期を判断できるため、従来の集団検査よりもより適切かつ効果的に検査を行うことができる。
また、情報処理装置１００は、疾患の発症リスクに応じて、疾患に関する検査項目および生活改善に関する情報の少なくとも一方を出力する。これにより、対象者個人ごとの疾患の発症リスクに応じて適切な検査項目を判断したり生活改善を促したりすることができる。
また、情報処理装置１００は、差分情報に加えて、医療関連情報を前記識別器への入力として用いて、前記発症リスクに関する情報を推定する。差分情報に加えて医用画像情報や非医用画像情報そのものも入力として用いるため、より高精度に疾患の発症リスクを推定することができる。
なお、本発明は、上述した実施形態および各変形例のみに限定されるものではなく、特許請求の範囲内において、種々改変することができる。
たとえば、情報処理装置１００、撮影装置２００、およびサーバー３００は、それぞれ上記の構成要素以外の構成要素を含んでいてもよく、あるいは、上記の構成要素のうちの一部が含まれていなくてもよい。
また、情報処理装置１００、撮影装置２００、およびサーバー３００は、それぞれ複数の装置によって構成されてもよく、あるいは単一の装置によって構成されてもよい。
また、各構成が有する機能は、他の構成によって実現されてもよい。たとえば、撮影装置２００およびサーバー３００は、情報処理装置１００に統合され、撮影装置２００およびサーバー３００が有する各機能の一部または全部が情報処理装置１００によって実現されてもよい。
また、上記の実施形態におけるフローチャートの処理単位は、各処理の理解を容易にするために、主な処理内容に応じて分割したものである。処理ステップの分類の仕方によって、本願発明が制限されることはない。各処理は、さらに多くの処理ステップに分割することもできる。また、１つの処理ステップが、さらに多くの処理を実行してもよい。
上述した実施形態に係るシステムにおける各種処理を行う手段および方法は、専用のハードウェア回路、またはプログラムされたコンピューターのいずれによっても実現することが可能である。上記プログラムは、たとえば、フレキシブルディスクおよびＣＤ－ＲＯＭ等のコンピューター読み取り可能な記録媒体によって提供されてもよいし、インターネット等のネットワークを介してオンラインで提供されてもよい。この場合、コンピューター読み取り可能な記録媒体に記録されたプログラムは、通常、ハードディスク等の記憶部に転送され記憶される。また、上記プログラムは、単独のアプリケーションソフトとして提供されてもよいし、システムの一機能としてその装置のソフトウエアに組み込まれてもよい。
１００ 情報処理装置、
１１０ ＣＰＵ、
１１１ 取得部、
１１２ 推定部、
１１３ 制御部、
１２０ ＲＯＭ、
１３０ ＲＡＭ、
１４０ ストレージ、
１５０ 通信インターフェース、
１６０ 表示部、
１７０ 操作受付部、
２００ 撮影装置、
３００ サーバー。
１１０ ＣＰＵ、
１１１ 取得部、
１１２ 推定部、
１１３ 制御部、
１２０ ＲＯＭ、
１３０ ＲＡＭ、
１４０ ストレージ、
１５０ 通信インターフェース、
１６０ 表示部、
１７０ 操作受付部、
２００ 撮影装置、
３００ サーバー。
Claims (22)
- それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の同一種類の医療関連情報に関する差分情報を取得する取得部と、
学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定する推定部と、
前記推定部によって推定された前記発症リスクに関する情報を出力部に出力させる制御部と、
を有し、
前記医療関連情報は、前記対象者を撮影して取得された医用画像情報を含み、
前記取得部は、前記医用画像情報に関する前記差分情報を取得し、
前記推定部は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定するものであって、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、
前記制御部は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して前記出力部に出力させる医療診断支援装置。 - それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の同一種類の医療関連情報に関する差分情報を取得する取得部と、
学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定する推定部と、
前記推定部によって推定された前記発症リスクに関する情報を出力部に出力させる制御部と、
を有し、
前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、
前記取得部は、前記医用画像情報に関する前記差分情報を取得し、
前記推定部は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、
前記制御部は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を前記出力部に出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して前記出力部に出力させる医療診断支援装置。 - それぞれ異なるタイミングにおいて同一の対象者について取得された２つ以上の同一種類の医療関連情報に関する差分情報として、乳房の医用画像の差分情報を取得する取得部と、
学習済みの識別器を用いて、前記取得部によって取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する推定部と、
前記推定部によって推定された前記発症リスクに関する情報を出力部に出力させる制御部と、
を有する医療診断支援装置。 - 前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、
前記取得部は、前記医用画像情報に関する前記差分情報を取得する請求項３に記載の医療診断支援装置。 - 前記推定部は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、
前記制御部は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して前記出力部に出力させる請求項１、２、および４のいずれかに記載の医療診断支援装置。 - 前記推定部は、前記発症リスクに関する情報として、前記対象者の身体の領域ごとの前記疾患の発症確率を推定し、
前記制御部は、前記対象者の前記医用画像上において、前記疾患の発症確率が高い領域ほど濃い色として示されるヒートマップ画面を生成して前記出力部に出力させる請求項１、２、および４のいずれかに記載の医療診断支援装置。 - 前記制御部は、前記画面において、前記異なるタイミングにおいて取得された複数の前記医用画像を並べて一覧可能に表示させる請求項１、２、５、および６のいずれかに記載の医療診断支援装置。
- 前記出力部は、前記医用画像において、前記対象者の身体において疾患の発症確率が所定の値よりも高いと推定された領域に識別可能な図形を配置するとともに、発症確率を示すテキスト情報を前記領域に関連付けて配置して、前記医用画像を示す画面を出力する請求項１、２、５、および６のいずれかに記載の医療診断支援装置。
- 前記医用画像は、Ｘ線撮影装置、超音波撮影装置、ＭＲＩ、およびＰＥＴの少なくともいずれかによって取得された画像である請求項１～８のいずれかに記載の医療診断支援装置。
- 前記それぞれ異なるタイミングにおいて取得された前記２つ以上の医療関連情報には、それぞれ異なる装置によって取得された２つ以上の医療関連情報が含まれる請求項１～９のいずれかに記載の医療診断支援装置。
- 前記推定部は、前記対象者の前記発症リスクとして、特定の時点における前記対象者の前記疾患の発症の有無および発症確率の少なくとも一方を推定する請求項３、および請求項３に従属する４～１０のいずれかに記載の医療診断支援装置。
- 前記制御部は、前記発症リスクに応じて前記疾患に関する検査の受診時期を前記出力部に出力させる請求項１～１１のいずれかに記載の医療診断支援装置。
- 前記制御部は、前記発症リスクに応じて前記疾患に関する検査項目および生活改善に関する情報の少なくとも一方を前記出力部に出力させる請求項１～１２のいずれかに記載の医療診断支援装置。
- 前記推定部は、前記差分情報に加えて、前記医療関連情報を前記識別器への入力として用いて、前記発症リスクに関する情報を推定する請求項１～１３のいずれかに記載の医療診断支援装置。
- 前記識別器は、それぞれ異なるタイミングにおいて取得された同一の対象者に関する前記２つ以上の医療関連情報の差分情報を入力データとし、前記対象者の特定の時点における前記発症リスクに関する情報を出力データとして機械学習される請求項１～１４のいずれかに記載の医療診断支援装置。
- 前記識別器は、前記差分情報および前記医療関連情報を入力データとし、前記対象者の特定の時点における前記発症リスクに関する情報を出力データとして機械学習される請求項１～１５のいずれかに記載の医療診断支援装置。
- それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、
学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、
前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、
を有し、
前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、
前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、
前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定するものであって、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、
前記ステップ（ｃ）は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する処理をコンピューターに実行させるための医療診断支援プログラム。 - それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、
学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、
前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、
を有し、
前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、
前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、
前記ステップ（ｂ）は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、
前記ステップ（ｃ）は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する処理をコンピューターに実行させるための医療診断支援プログラム。 - それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、
学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、
前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、
を有し、
前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、
前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、
前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定するものであって、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、
前記ステップ（ｃ）は、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する医療診断支援方法。 - それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報に関する差分情報を取得するステップ（ａ）と、
学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、
前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、
を有し、
前記医療関連情報は、前記対象者を撮影して取得された医用画像に関する医用画像情報を含み、
前記ステップ（ａ）は、前記医用画像情報に関する前記差分情報を取得し、
前記ステップ（ｂ）は、前記発症リスクに関する情報として、前記疾患の発症確率を推定し、
前記ステップ（ｃ）は、前記発症リスクに応じて前記疾患に関する検査項目に関する情報を出力させ、前記対象者の医用画像に、前記発症確率が関連付けられて表示される画面を生成して出力する医療診断支援方法。 - それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報の差分情報として、乳房の医用画像の差分情報を取得するステップ（ａ）と、
学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、
前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、
を有し、
前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する処理をコンピューターに実行させるための医療診断支援プログラム。 - それぞれ異なるタイミングにおいて取得された同一の対象者に関する２つ以上の同一種類の医療関連情報の差分情報として、乳房の医用画像の差分情報を取得するステップ（ａ）と、
学習済みの識別器を用いて、前記ステップ（ａ）において取得された前記差分情報を入力とし、特定の時点における前記対象者の疾患の発症リスクに関する情報を推定するステップ（ｂ）と、
前記ステップ（ｂ）において推定された前記発症リスクに関する情報を出力するステップ（ｃ）と、
を有し、
前記ステップ（ｂ）は、前記疾患の発症リスクとして、乳がんの発症リスクに関する情報を推定する医療診断支援方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020082500A JP7512664B2 (ja) | 2020-05-08 | 2020-05-08 | 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020082500A JP7512664B2 (ja) | 2020-05-08 | 2020-05-08 | 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021176424A JP2021176424A (ja) | 2021-11-11 |
| JP7512664B2 true JP7512664B2 (ja) | 2024-07-09 |
Family
ID=78409038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020082500A Active JP7512664B2 (ja) | 2020-05-08 | 2020-05-08 | 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7512664B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024181507A1 (ja) * | 2023-02-28 | 2024-09-06 | 京セラ株式会社 | 情報処理システム、端末装置、情報処理システムの制御方法、制御プログラム、および記録媒体 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012139411A (ja) | 2010-12-29 | 2012-07-26 | Hitachi Aloka Medical Ltd | 医療用測定装置 |
| JP2013027439A (ja) | 2011-07-26 | 2013-02-07 | Nidek Co Ltd | 網膜処置スケジュール作成装置、網膜処置スケジュール作成プログラム |
| JP2018516703A (ja) | 2015-06-12 | 2018-06-28 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | がん組織を同定するシステム及び方法 |
| JP2018116584A (ja) | 2017-01-19 | 2018-07-26 | 俊輔 陶山 | 熱中症予防システム、熱中症予防方法及びプログラム |
| JP2018175227A (ja) | 2017-04-10 | 2018-11-15 | 富士フイルム株式会社 | 医用画像表示装置、方法およびプログラム |
| JP2019016235A (ja) | 2017-07-07 | 2019-01-31 | 株式会社エヌ・ティ・ティ・データ | 疾病発症予測装置、疾病発症予測方法およびプログラム |
| WO2019059366A1 (ja) | 2017-09-21 | 2019-03-28 | 京セラ株式会社 | 監視装置、監視方法、及び監視プログラム |
| US20190161806A1 (en) | 2017-11-30 | 2019-05-30 | Mayo Foundation For Medical Education And Research | Detecting breast cancer |
| WO2020013230A1 (ja) | 2018-07-11 | 2020-01-16 | 株式会社Ｐｒｏｖｉｇａｔｅ | ヘルスケア管理方法 |
| JP2020010805A (ja) | 2018-07-17 | 2020-01-23 | 大日本印刷株式会社 | 特定装置、プログラム、特定方法、情報処理装置及び特定器 |
| WO2020158717A1 (ja) | 2019-01-31 | 2020-08-06 | 富士フイルム株式会社 | 学習済みモデル、学習方法、及びプログラム、並びに医用情報取得装置、方法、及びプログラム |
| JP2020174861A (ja) | 2019-04-17 | 2020-10-29 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
-
2020
- 2020-05-08 JP JP2020082500A patent/JP7512664B2/ja active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012139411A (ja) | 2010-12-29 | 2012-07-26 | Hitachi Aloka Medical Ltd | 医療用測定装置 |
| JP2013027439A (ja) | 2011-07-26 | 2013-02-07 | Nidek Co Ltd | 網膜処置スケジュール作成装置、網膜処置スケジュール作成プログラム |
| JP2018516703A (ja) | 2015-06-12 | 2018-06-28 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | がん組織を同定するシステム及び方法 |
| JP2018116584A (ja) | 2017-01-19 | 2018-07-26 | 俊輔 陶山 | 熱中症予防システム、熱中症予防方法及びプログラム |
| JP2018175227A (ja) | 2017-04-10 | 2018-11-15 | 富士フイルム株式会社 | 医用画像表示装置、方法およびプログラム |
| JP2019016235A (ja) | 2017-07-07 | 2019-01-31 | 株式会社エヌ・ティ・ティ・データ | 疾病発症予測装置、疾病発症予測方法およびプログラム |
| WO2019059366A1 (ja) | 2017-09-21 | 2019-03-28 | 京セラ株式会社 | 監視装置、監視方法、及び監視プログラム |
| US20190161806A1 (en) | 2017-11-30 | 2019-05-30 | Mayo Foundation For Medical Education And Research | Detecting breast cancer |
| WO2020013230A1 (ja) | 2018-07-11 | 2020-01-16 | 株式会社Ｐｒｏｖｉｇａｔｅ | ヘルスケア管理方法 |
| JP2020010805A (ja) | 2018-07-17 | 2020-01-23 | 大日本印刷株式会社 | 特定装置、プログラム、特定方法、情報処理装置及び特定器 |
| WO2020158717A1 (ja) | 2019-01-31 | 2020-08-06 | 富士フイルム株式会社 | 学習済みモデル、学習方法、及びプログラム、並びに医用情報取得装置、方法、及びプログラム |
| JP2020174861A (ja) | 2019-04-17 | 2020-10-29 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021176424A (ja) | 2021-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10282588B2 (en) | Image-based tumor phenotyping with machine learning from synthetic data | |
| US11875897B2 (en) | Medical image processing apparatus, method, and program, and diagnosis support apparatus, method, and program | |
| JP6957214B2 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
| JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
| US20200327979A1 (en) | Medical information processing apparatus and medical information processing method | |
| US20190148015A1 (en) | Medical information processing device and program | |
| JP2007151645A (ja) | 医用画像診断支援システム | |
| US20220366151A1 (en) | Document creation support apparatus, method, and program | |
| JPWO2019176407A1 (ja) | 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル | |
| US20220351838A1 (en) | Methods and systems for management and visualization of radiological data | |
| Xu et al. | Application of artificial intelligence in modern medicine | |
| JP7512664B2 (ja) | 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 | |
| JP4651271B2 (ja) | コンピュータ援用患者診断決定支援システム | |
| JP2019146936A (ja) | 診断支援システム、診断支援方法、及びプログラム | |
| JP7109345B2 (ja) | 優先度判定装置、方法およびプログラム | |
| US20210125332A1 (en) | Diagnosis assisting system, diagnosis assisting method and diagnosis assisting program | |
| KR102561175B1 (ko) | 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템 | |
| KR20220136226A (ko) | 인공지능 모델을 이용한 의학적 예측 제공 방법 및 장치 | |
| JP2021175454A (ja) | 医用画像処理装置、方法およびプログラム | |
| JP7376715B2 (ja) | 経過予測装置、経過予測装置の作動方法および経過予測プログラム | |
| EP4318496A1 (en) | Method and device for providing medical prediction by using artificial intelligence model | |
| US20230121783A1 (en) | Medical image processing apparatus, method, and program | |
| WO2023153490A1 (ja) | 情報処理システム、情報処理方法及び情報処理プログラム | |
| JP7483018B2 (ja) | 画像処理装置、画像処理方法及びプログラム、画像処理システム | |
| US20230274424A1 (en) | Appartus and method for quantifying lesion in biometric image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221223 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230714 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231102 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240123 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240322 |
|
| 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: 20240528 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240610 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7512664 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |