JPWO2018221689A1 - 医療情報処理システム - Google Patents

Abstract

読影医の負担を軽減できる医療情報処理システムを提供することを技術課題とする。検査装置から医療情報を取得する情報サーバと、前記医療情報を解析することによって診断結果を予想する解析サーバと、前記医療情報を読影するための読影システムと、がネットワークを介して通信可能に接続された医療情報処理システムであって、前記読影システムは、前記医療情報の読影に用いられる読影端末と、前記ネットワークを介して前記医療情報および前記解析サーバの診断予想を含む依頼データを取得し、前記依頼データを前記読影端末に送信する管理サーバと、を備えることを特徴とする。

Description

被検者の医療情報を処理するための医療情報処理システムに関する。

従来、専門の読影医師が在勤していない中小の医療機関にて得られた医用画像や測定結果等の医療情報を通信回線を介して専門の読影医師が在勤している医療機関に送信し、読影、診断を行わせ、その結果を読影レポートとして依頼元の医療機関に返信する医療情報処理システムが知られている。このような医療情報処理システムにおいては、依頼元及び依頼先となる医療機関と、この両医療機関を補助するための機関（例えば、読影レポートを保存管理する読影センタ）とがインターネット等の通信回線網にて接続されており、依頼先となる医療機関は、必要なときに補助機関にアクセスして必要な読影レポートの処理を行う医療情報処理システムが知られている（特許文献１参照）。

特開２００２−３５１９８８号公報

このような医療情報処理システムにおいて、読影医は、数十名から数百名単位の集団検診に対する読影レポートの作成、単独の患者に対する詳細な読影レポートの作成等を行う必要があり、読影医にとって負担が大きかった。

本開示は、従来の問題点に鑑み、読影医の負担を軽減できる医療情報処理システムを提供することを技術課題とする。

上記課題を解決するために、本開示は以下のような構成を備えることを特徴とする。

（１） 検査装置から医療情報を取得する情報サーバと、前記医療情報を解析することによって診断結果を予想する解析サーバと、前記医療情報を読影するための読影システムと、がネットワークを介して通信可能に接続された医療情報処理システムであって、前記読影システムは、前記医療情報の読影に用いられる読影端末と、前記ネットワークを介して前記医療情報および前記解析サーバの診断予想を含む依頼データを取得し、前記依頼データを前記読影端末に送信する管理サーバと、を備えることを特徴とする。

本実施例における医療情報処理システムの構成を示した図である。 ニューラルネットワークの一例を示す図である。 本実施例の制御動作を示すフローチャートである。 医療情報の一例を示す図である。

＜実施形態＞
本開示に係る実施形態について説明する。本実施形態の医療情報処理システム（例えば、医療情報処理システム１）は、情報サーバ（例えば、情報サーバ１１０）と、解析サーバ（例えば、解析サーバ２００）と、読影システム（例えば、読影システム３００）等がネットワークを介して通信可能に接続される。情報サーバは、例えば、検査装置から医療情報を取得する。解析サーバは、例えば、医療情報を解析することによって診断結果を予想する。つまり、解析サーバは、医療情報に基づいて、診断予測を行う。読影システムは、例えば、医療情報を読影する。読影システムは、例えば、読影端末（例えば、依頼先クライアント５００）と、管理サーバ（例えば、管理サーバ４１０）と、を備える。読影端末は、例えば、読影を行う読影医が所属する医療機関に配置される。管理サーバは、ネットワークを介して医療情報および解析サーバの診断予想を含む依頼データ（依頼レポート）を取得し、読影端末に送信する。このように、医療情報処理システムは、読影を行う読影医に対して診断予想を提供することによって、読影医の読影を支援することができる。なお、医療情報処理システムはクラウドコンピューティングの形態であってもよい。

なお、解析サーバは、機械学習アルゴリズムによって訓練された数学モデルを用いて医療情報を解析し、診断予想を行う。機械学習アルゴリズムは、例えば、ニューラルネットワーク、ランダムフォレスト、ブースティング、サポートベクターマシン（ＳＶＭ）等が一般的に知られている。

ニューラルネットワークは、生物の神経細胞ネットワークの挙動を模倣する手法である。ニューラルネットワークは、例えば、フィードフォワード（順伝播型）ニューラルネットワーク、ＲＢＦネットワーク（放射基底関数）、スパイキングニューラルネットワーク、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク（リカレントニューラルネット、フィードバックニューラルネットなど）、確率的ニューラルネット（ボルツマンマシン、ベイシアンネットワークなど）等である。

ブースティングは、複数の弱識別器を組み合わせることで強識別器を生成する手法である。単純で弱い識別器を逐次的に学習することで、強識別器を構築する。

ランダムフォレストは、ランダムサンプリングされた訓練データに基づいて、学習を行って多数の決定木を生成する方法である。ランダムフォレストを用いる場合、予め識別器として学習しておいた複数の決定木の分岐をたどり、各決定木から得られる結果を平均（あるいは多数決）する。

ＳＶＭは、線形入力素子を利用して２クラスのパターン識別器を構成する手法である。ＳＶＭは、例えば、訓練データから、各データ点との距離が最大となるマージン最大化超平面を求めるという基準（超平面分離定理）で線形入力素子のパラメータを学習する。

数学モデルは、例えば、入力データと出力データとの関係を予測するためのデータ構造を指す。数学モデルは、訓練データセットを用いて訓練されることで構築される。訓練データセットは、入力用訓練データと出力用訓練データのセットである。入力用訓練データは、数学モデルに入力されるサンプルデータである。例えば、入力訓練データには、過去に撮影された被検眼の画像が用いられる。出力用訓練データは、数学モデルによって予測する値のサンプルデータである。例えば、出力用訓練データには、病名または病変の位置などの診断結果が用いられる。数学モデルは、ある入力訓練データが入力されたときに、それに対応する出力用訓練データが出力されるように訓練される。例えば、訓練によって各入力と出力との相関データ（例えば、重み）が更新される。

例えば、解析サーバは、数学モデルに眼圧、眼軸長、視野（ＭＤ値）等の数値データ、および画像等の少なくともいずれかを入力することによって、被検者の診断予想の出力を得る。例えば、数学モデルからは、各疾患に該当する確率などが出力される。解析サーバは、訓練された数学モデルを用いることによって、統計的に診断予想を行うことができる。

なお、読影端末は、読影医に医療情報を表示する表示部（例えば、表示部５７５）、読影結果を入力させるための操作部（例えば、操作部５７６）等を備える。読影端末は、診断予想の重症度に応じて、読影医に医療情報を読影させるときの優先度を決定してもよい。例えば、読影端末は、診断予想に基づいて、症状の重い疾病を優先的に読影医に提示するようにしてもよい。これによって、読影医は、緊急度の高い患者の読影を早く行うことができる。また、読影医は、優先度の高い患者の医療情報を注意深く読影することで、診断ミスを抑えることができる。

また、読影端末は、患者の過去の診断結果と、診断予想とが異なる場合、医療情報を読影させるときの優先度を高く設定してもよい。過去の診断結果と診断予想が異なる場合は、患者の症状に変化があった可能性があるため、読影医に優先的に読影させることによって、症状が悪化する前に早期に治療を行える。

なお、読影システムは、管理サーバと、複数の医療機関に配置された複数の読影端末と、を備えてもよい。この場合、管理サーバは、診断予想に基づいて、複数の医療機関の中から読影の依頼先を選定してもよい。例えば、予想された疾病の専門医が所属する医療機関の読影端末に読影依頼を送信してもよい。これによって、読影精度の向上、読影時間の短縮等が期待できる。

＜実施例＞
以下、開示に係る実施例を図面に基づいて説明する。

＜システム基本構成＞
図１は、本実施例における医療情報処理システム１の構成を示した図である。本実施例の医療情報処理システム１は、検査装置を用いて患者の患部画像等の医療情報を取得した後、取得した医療情報をインターネット等のネットワークシステムを通じて病院等に送り、読影及び診断を受けるシステムである。なお、本実施例の医療情報処理システム１は眼科機器を用いた眼科情報処理システムである。

本実施例の医療情報処理システム１は、例えば、依頼元クライアント１００、解析サーバ２００と、読影システム３００を備える。依頼元クライアント１００は、画像読影や診断（以下、単に読影と記す）を依頼する依頼元の医療機関（診察医）であり、例えば、クリニックなどである。依頼元クライアント１００は、ＯＣＴ（Optical coherence tomography）等の検査機器を用いて患者の医療情報（本実施例では眼底画像等）を取得する。依頼元クライアント１００は、複数のクリニックであってもよい。なお、依頼元クライアント１００は、取得した医療情報をもとに読影を行うことができる医師が存在しないか、存在していても集団検診等によって得られる大量の医療情報を自身の医療機関内で処理することが困難な医療機関である。

依頼元クライアント１００であるクリニックは、患者情報及び患者の医療情報が記憶された情報サーバ１１０と、患者の医療情報を取得するための検査装置１９０（本実施例では、ＯＣＴ）を有している。情報サーバ１１０は、既知のコンピュータである。情報サーバ１１０は、例えば、制御部１７０、記憶部１７４、表示部１７５、操作部１７６、通信部１７７、入力部１７８等を備える。制御部１７０は、ＣＰＵ１７１、ＲＯＭ１７２、ＲＡＭ１７３等を備え、医療情報処理を行うためのプログラムの実行や種々の演算処理を実行する。記憶部１７４は、患者情報、取得した医療情報や医療情報処理用のプログラムを記憶する。表示部１７５は、種々の情報を表示する。操作部１７６は、マウスやキーボード等のユーザインタフェイスである。通信部１７７は、情報サーバ１１０をネットワークシステムＮに接続する。入力部１７８は、検査装置１９０からの医療情報を情報サーバ１１０に取り込む。

解析サーバ２００は、依頼元クライアント１００から取得した画像等の医療情報を解析することによって、診断結果を予想する。解析サーバ２００は、予想情報を依頼元クライアント１００に送信する。解析サーバ２００は、例えば、既知のコンピュータであってもよい。解析サーバ２００は、例えば、制御部２７０と、記憶部２７４と、表示部２７５と、操作部２７６と、通信部２７７等を備える。制御部２７０は、ＣＰＵ２７１、ＲＯＭ２７２、ＲＡＭ２７３等を備え、医療情報の解析処理を行うためのプログラムの実行や種々の演算処理を実行する。記憶部２７４は、患者情報、医療情報や解析情報などを記憶する。表示部２７５は、種々の情報を表示する。操作部２７６は、マウスやキーボード等のユーザインタフェイスである。通信部２７７は、解析サーバ２００をネットワークシステムＮに接続する。

読影システム３００は、依頼元クライアント１００に依頼された読影を行うシステムである。読影システム３００は、読影センタ４００、依頼先クライアント（読影機関）５００を含む。読影センタ４００は、依頼元クライアント１００と依頼先クライアント５００とを繋ぐ役目を果たし、ユーザ管理やトランザクション管理を行う。読影センタ４００は、管理サーバ４１０を備える。管理サーバ４１０は、既知のコンピュータであってもよい。管理サーバ４１０は、例えば、制御部４７０、記憶部４７４、表示部４７５、操作部４７６、通信部４７７等を備える。制御部４７０は、ＣＰＵ４７１、ＲＯＭ４７２、ＲＡＭ４７３等を備え、依頼元クライアント１００からの読影依頼を各依頼先クライアント５００に振り分ける処理を行う。記憶部４７４は、読影依頼情報、読影情報などを記憶する。表示部４７５は、種々の情報を表示する。操作部４７６は、例えば、マウスやキーボード等のユーザインタフェイスである。通信部４７７は、管理サーバ４１０をネットワークシステムＮに接続する。

依頼先クライアント５００は、専門的な医療知識を十分に持った専門医を有する大学病院などであり、読影の依頼先の医療機関（読影医）となる。依頼先クライアント５００は、読影端末５１０を備える。読影端末５１０は、既知のコンピュータであってもよい。読影端末５１０は、例えば、制御部５７０、機構部５７４、表示部５７５、操作部５７６、通信部５７７等を備える。制御部５７０は、例えば、ＣＰＵ４７１、ＲＯＭ４７２、ＲＡＭ４７３等を備え、読影レポートの作成等を行うためのプログラムの実行や種々の演算処理を実行する。記憶部５７４は、患者情報、医療情報や読影情報などを記憶する。表示部５７５は、種々の情報を表示する。入力部５７６は、マウスやキーボード等のユーザインタフェイスである。通信部５７７は、管理サーバ５１０をネットワークシステムＮに接続する。

依頼元クライアント１００、解析サーバ２００および読影システム３００は、インターネット等のネットワークシステムＮによって相互に通信可能な状態となっている。また、読影センタ４１０は、例えばインターネットにおけるホームページ等のネットワーク上の各端末から閲覧することできるユーザ登録・管理画面（Webページ）を提供している。なお、ネットワークシステムＮとしては、インターネット以外にＬＡＮやＷＡＮ等のネットワークシステムを用いることもできる。

＜解析サーバによる診断予想＞
次に、解析サーバ２００による診断予想について説明する。解析サーバ２００は、依頼元クライアント１００から受信した医療情報を解析することによって診断予想を行うことができる。例えば、制御部２７０は、情報サーバ１１０から取得した被検眼の断層画像を解析することによって、被検眼の診断予想を行う。解析サーバ２００は、例えば、機械学習アルゴリズムによって訓練された数学モデルを用いて画像診断を行う。画像処理に用いられる数学モデルとしては、例えば、多層型のニューラルネットワーク等が知られている。

例えば、図２に示すように、ニューラルネットワークは、データを入力するための入力層Ｐと、予測したいデータを生成するための出力層Ｑと、入力層Ｐと出力層Ｑの間の１つ以上の隠れ層Ｈとで構成され、各層には複数のノード（ユニットとも呼ばれる）が配置される。各ノードは、複数の入力を受け取り、１つの出力を計算する。例えば、各層の各ノードに入力されたデータは、隣接する層の各ノードに出力される。このとき、径路毎に異なる重みが付加される。例えば、あるノードから次のノードに伝達される出力値は、経路毎の重みによって増強あるいは減衰される。重みが付加されたデータは、ノードに入力されると、活性化関数等の関数が適用され、次の層の各ノードに出力される。この入出力が隣接する各層の間で繰り返され、最終的に出力層から予測データが出力される。

例えば、第１層のノードをｉ＝１,…,Ｉ、第２層のノードをｊ＝１,…,Ｊ、で表すと、第２層のノードが受け取る総入力ｕｊは、次式（１）のように、第１層の各入力ｘｉにそれぞれ異なる重みｗｊｉを掛けたものをすべて加算し、これにバイアスと呼ばれる１つの値ｂｉを足したものになる。

また、第２層のノードの出力ｚｉは、次式（２）のように、総入力ｕｉに対する活性化関数等の関数ｆの出力となる。活性化関数としては、例えば、ロジスティックジグモイド関数、双曲線正接関数、正規化線形関数、マックスアウト等の関数が挙げられる。

上記のようなニューラルネットワークにおける数学モデルは、訓練データセットを用いて訓練されることで、新しいデータに関する予測を行うことができる。訓練データセットは、例えば、入力用訓練データと出力用訓練データのセットであり、入力用訓練データが入力層に入力された場合に、出力層から出力用訓練データに近い値が出力されるように各層の各ノードの重みとバイアスが調整される。訓練データセットは複数用意されており、繰り返し重みとバイアスが調整されることで、様々なデータに対して汎用性がある重みおよびバイアスを得ることができ、未知のデータに対しても予測値を出力できる。数学モデルの訓練は、例えば、入力用訓練データの入力に対する出力と、対応する出力用訓練データとの誤差が許容される範囲に入るまで続けられる。重みの調整には、バックプロパゲーション（誤差逆伝播法）等が用いられる。

例えば、被検眼の画像から疾患の有無を判定する場合、複数の被検眼の画像と、その被検眼の診断結果を１セットとする複数の訓練データセットなどを用いて訓練される。この場合、例えば、入力層には各画素に対応する複数のノードが設けられ、それぞれ画素値が入力される。出力層には各疾患に対応する複数のノードが設けられ、各ノードからはその疾患に該当する確率が出力される。なお、出力用訓練データに用いる診断結果として、病態、および疾患の位置等を含ませてもよい。これによって、画像の入力に対して、疾患の状態または位置などを数学モデルに出力させてもよい。

制御部２１０は、通信部２７７を介して取得された被検眼の画像を記憶部２７４から読み出し、入力層の各ノードに入力する。そして、制御部２１０は、数学モデルの規則に従って算出された各疾病の確率を出力層から取得する。制御部２１０は、算出された診断予想の結果を記憶部２７４に記憶させる。

なお、上記のように、ニューラルネットワークを用いる場合、多層型ニューラルネットワークの一種である畳み込みニューラルネットワーク（ＣＮＮ）を用いてもよい。ＣＮＮは、畳み込み処理とプーリング処理を含む数学モデルであり、特に画像処理の分野で用いられることが多い。詳しくは特開平１０−２１４０６、または特開２０１５−０３２３０８号公報を参照されたい。

＜医療情報処理システムの制御動作＞
次に、医療情報処理システムの一連の流れについて図３のフローチャートをもとに説明する。

（ステップＳ１：医療情報の取得）
依頼元クライアント１００側では、患者の氏名、性別、年齢、住所、検診コード、検診日等の患者情報が、操作部１７６の操作によって入力され、記憶部１７４に記憶される。また、検査装置１９０または図示なき他の検査機器によって患者の医療情報（例えば、図４に示す眼底断層画像１９１、眼底正面画像１９２、前眼部画像、視力、眼圧、血糖値、眼軸長等）が取得され、これらの情報が情報サーバ１１０の記憶部１７４に記憶される。なお、これらの医療情報は検査した患者の検診コード等が付与された状態で、先に記憶させた患者情報に対応付けて記憶される。

（ステップＳ２：医療情報の送受信）
制御部１７０は、患者の検診コードに基づいて、記憶部１７４に記憶されている患者情報の中から、入力された検診コードと一致する患者情報および医療情報を抽出し、ネットワークＮを介して解析サーバ２００に送信する。制御部２７０は、情報サーバ１１０から送信された患者情報および医療情報を受信し、記憶部２７４に記憶させる。

（ステップＳ３：医療情報の解析）
続いて、制御部２７０は、記憶部２７４に記憶された医療情報を機械学習によって得られた数学モデルによって解析し、診断予想を行う。例えば、制御部２７０は、医療情報として取得された断層画像を数学モデルに入力し、数学モデルから出力された各疾病の確率を予想結果として取得する。なお、断層画像の他、眼底の正面画像、隅角画像、眼圧値、眼軸長等が数学モデルに入力されてもよい。

（ステップＳ４：予想結果の送受信）
制御部２７０は、算出した予想結果に検診コードを付与し、記憶部２７４に記憶させるとともに、ネットワークＮを介して情報サーバ１１０に予想結果を送信する。情報サーバ１１０は、通信部１７７によって予想結果を受信し、記憶部１７４に記憶させる。

（ステップＳ５：読影依頼と予想結果の送受信）
次に、依頼元クライアント１００は、ネットワークＮを介して読影依頼および予想結果を読影システム３００に送信する。例えば、情報サーバ１１０は、読影を依頼するための依頼レポートを読影センタ４００に送信する。依頼レポートは、例えば、患者情報、医療情報、および解析サーバ２００から取得された予想結果等に基づいて作成される。読影センタ３００に送信され依頼レポートは、管理サーバ４１０によって受信される。

（ステップＳ６：読影依頼の振り分け）
管理サーバ４１０は、依頼レポートを受信すると、読影依頼を依頼先クライアント５００に送信する。依頼先クライアント５００が複数ある場合、制御部４７０は、読影依頼を振り分けて依頼先クライアント５００に送信する。このとき、制御部４７０は、解析サーバ２００によって算出された診断予想に基づいて、読影依頼の振り分けを行ってもよい。例えば、制御部４７０は、診断予想において、緑内障、加齢黄斑変性症等の疾病が予想される場合、各疾病の専門医が在籍する医療機関に依頼レポートを送信してもよい。このように、診断予想結果に基づいて、読影依頼の振り分けを行うことによって、効率的に読影が行えるとともに、読影精度を向上させることができる。

（ステップＳ７：読影）
各依頼先クライアントの読影端末５１０は、読影センタ４００から依頼レポートを受信すると、読影医によって読影が行われる。例えば、読影医は、表示部５７５に表示された被検眼の画像と診断予想結果に基づいて読影を行い、操作部５７６を用いて読影レポートを作成する。読影レポートには、診断結果またはコメント等が記載される。なお、制御部５７０は、診断予想に基づいて読影医に読影させる医療情報の優先度を設定してもよい。例えば、制御部５７０は、診断予想に基づいて、疾病の症状が重い患者の依頼レポートを優先的に表示部５７５に表示させてもよい。例えば、制御部５７０は、読影依頼のリストを表示する場合、症状の重い案件から順に表示する。これによって、読影医は、緊急性の高い患者から読影を行うことがきる。また、制御部５７０は、患者ＩＤなどから過去の診断結果を検索し、取得された過去の診断結果と診断予想とが異なる患者の依頼レポートを優先的に表示部５７５に表示させてもよい。これによって、読影医は、症状が変化した可能性のある患者を注意して読影できる。

（ステップＳ８：読影結果の送受信）
依頼先クライアント５００において作成された読影レポートは、記憶部５７４に記憶された後、読影センタ４００を経由して依頼元クライアント１００に送信される。依頼元クライアント１００では、送られてきた読影レポートを表示部１７５に表示、または図示なきプリンタ等の出力装置から出力することにより、読影結果を確認することができる。

以上のように、本実施例の医療情報処理システム１は、解析サーバ２００によって算出された診断予想結果を読影依頼とともに読影機関に送信する。これによって、読影医は、診断予測結果を参考にして読影を行うことができるため、診断ミスの可能性を低減し、読影時間を短縮させることができる。

なお、解析サーバ２００は、依頼元クライアント１００から読影レポートを取得してもよい。この場合、解析サーバ２００は、依頼レポートに含まれる医療情報と、その医療情報に対する読影医の読影結果に基づいて再学習を行ってもよい。これによって、解析サーバ２００の診断予想の精度を向上させることができる。

なお、上記の実施例において、機械学習アルゴリズムを用いて画像診断を行う場合、画像の他に、人種、性別、年齢、遺伝子情報等の患者情報を数学モデルに入力してもよい。

なお、上記の実施例では、ニューラルネットワークによって画像診断を行ったが、これに限らない。例えば、ランダムフォレスト、ブースティング等の他の機械学習アルゴリズムを用いてもよい。例えば、ランダムフォレストを用いる場合、いくつかの決定木によってそれぞれ疾患の確率が求められ、各決定木から得られる疾患の確率を平均することで最終的な診断結果が取得される。また、ブースティングによって得られた識別器によって、被検眼がどの疾患であるかを分類してもよい。

なお、以上の実施例において、管理サーバ４１０は読影センタ４００に配置され、読影端末５１０は依頼先クライアントに配置されるもとしたが、管理サーバ４１０と読影端末５１０は、同じ施設に配置されてもよい。例えば、読影医の所属する医療施設に管理サーバ４１０と読影端末５１０が設けられてもよい。この場合、管理サーバ４１０は読影端末５１０として兼用されてもよい。

なお、上記の実施例において、読影システム３００においても、機械学習アルゴリズムによって学習された数学モデルを用いてもよい。例えば、依頼先クライアント５００の読影端末５１０において、数学モデルによる自動診断が行われてもよい。この場合、数学モデルの入力に解析サーバ２００の診断予想結果が用いられてもよい。

なお、上記の実施例において、解析サーバ２００は、機械学習アルゴリズムによって学習された数学モデルを用いて医療情報の診断予想を行ったが、これに限らない。例えば、解析サーバ２００は、画像認識等のアルゴリズムを用いて診断予想を行ってもよい。

１ 医療情報処理システム
１００ 依頼元クライアント
２００ 解析サーバ
３００ 読影システム
４００ 読影センタ
５００ 依頼先クライアント
Ｎ ネットワーク

Claims (10)

1. 検査装置から医療情報を取得する情報サーバと、
   前記医療情報を解析することによって診断結果を予想する解析サーバと、
   前記医療情報を読影するための読影システムと、がネットワークを介して通信可能に接続された医療情報処理システムであって、
   前記読影システムは、
   前記医療情報の読影に用いられる読影端末と、
   前記ネットワークを介して前記医療情報および前記解析サーバの診断予想を含む依頼データを取得し、前記依頼データを前記読影端末に送信する管理サーバと、を備えることを特徴とする医療情報処理システム。
2. 前記解析サーバは、データ解析アルゴリズムを用いて前記医療情報を解析することを特徴とする請求項１の医療情報処理システム。
3. 前記データ解析アルゴリズムは、機械学習によって訓練された数学モデルであることを特徴とする請求項２の医療情報処理システム。
4. 前記解析サーバは、前記医療情報と、前記読影端末によって取得された読影結果と、に基づいて再学習を行うことを特徴とする請求項３の医療情報処理システム。
5. 前記読影端末は、前記診断予想における疾病の進行度に応じて前記依頼データの優先度を決定することを特徴とする請求項１〜４のいずれかの医療情報処理システム。
6. 前記読影端末は、患者の過去の診断結果と、前記診断予想とが異なる場合、前記依頼データの優先度を高く設定することを特徴とする請求項１〜４のいずれかの医療情報処理システム。
7. 前記読影端末は、前記優先度の順に前記依頼データを表示手段にソートして表示させることを特徴とする請求項５または６の医療情報処理システム。
8. 前記管理サーバは、前記読影端末から読影結果を取得し、前記情報サーバに送信することを特徴とする請求項１の医療情報処理システム。
9. 前記読影システムは、前記管理サーバと、複数の医療機関に配置された複数の読影端末と、を備え、
   前記管理サーバは、前記診断予想に基づいて、前記複数の医療機関の中から読影の依頼先を選定することを特徴とする請求項１〜７のいずれかの医療情報処理システム。
10. 前記読影端末は、前記数学モデルに対して前記医療情報および前記解析サーバの診断予想を入力することによって、前記医療情報の解析結果を出力させることを特徴とする請求項３の医療情報処理システム。

Images