JPWO2020100660A1 - 情報処理方法および情報処理システム - Google Patents
情報処理方法および情報処理システム Download PDFInfo
- Publication number
- JPWO2020100660A1 JPWO2020100660A1 JP2020530404A JP2020530404A JPWO2020100660A1 JP WO2020100660 A1 JPWO2020100660 A1 JP WO2020100660A1 JP 2020530404 A JP2020530404 A JP 2020530404A JP 2020530404 A JP2020530404 A JP 2020530404A JP WO2020100660 A1 JPWO2020100660 A1 JP WO2020100660A1
- Authority
- JP
- Japan
- Prior art keywords
- information
- evaluation
- evaluator
- sample
- image
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 119
- 238000003672 processing method Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 477
- 230000009471 action Effects 0.000 claims abstract description 113
- 238000003384 imaging method Methods 0.000 claims abstract description 111
- 238000003860 storage Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 74
- 206010028980 Neoplasm Diseases 0.000 claims description 58
- 238000012937 correction Methods 0.000 claims description 45
- 201000011510 cancer Diseases 0.000 claims description 36
- 238000003745 diagnosis Methods 0.000 claims description 32
- 210000000056 organ Anatomy 0.000 claims description 30
- 238000010186 staining Methods 0.000 claims description 28
- 239000003814 drug Substances 0.000 claims description 23
- 229940079593 drug Drugs 0.000 claims description 22
- 238000010827 pathological analysis Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 8
- 230000036210 malignancy Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 46
- 210000004027 cell Anatomy 0.000 description 34
- 230000008569 process Effects 0.000 description 32
- 238000013473 artificial intelligence Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 16
- 230000001575 pathological effect Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000007490 hematoxylin and eosin (H&E) staining Methods 0.000 description 7
- 238000013441 quality evaluation Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004043 dyeing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 210000004185 liver Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000012258 culturing Methods 0.000 description 4
- 206010009944 Colon cancer Diseases 0.000 description 3
- 206010060862 Prostate cancer Diseases 0.000 description 3
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 3
- 210000003855 cell nucleus Anatomy 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000003364 immunohistochemistry Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 2
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 2
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 2
- 210000004413 cardiac myocyte Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011532 immunohistochemical staining Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000000777 hematopoietic system Anatomy 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000003079 salivary gland Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005740 tumor formation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、前記記憶媒体に記憶された前記評価設定情報を取得することと、取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、を含む情報処理方法。
Description
本開示は、情報処理方法および情報処理システムに関する。
近年、ヒト等の生物から細胞又は血液等の標本を採取し、次いで標本に染色等の作用を適用した上で、顕微鏡により得られた標本画像を観察することで標本を評価することが、治療又は研究等の目的で広く行われている。そして、標本画像に基づく標本の評価をより適切に行うための技術が求められている。
例えば、下記特許文献１では、生体組織を染色して観察する際の染色のばらつきを画像処理により標準化することを目的として、標本画像の色素量分布が標準の標本画像の色素量に近似するように、標本画像を補正する技術が開示されている。
近年では、標本画像に基づく標本の評価をより容易にするために、人工知能（ＡＩ）により機械的に評価を行うことが試みられている。ＡＩの学習は、作用のパラメータ及び顕微鏡のパラメータ等の各種パラメータが共通する大量の標本画像を教師データとして行われることが多い。学習済みのＡＩを利用する場合、学習時と同一のパラメータを用いて得られた標本画像を対象として評価を行うことで、適切な評価結果を得ることができる。
特定の病院内で、特定の臓器を対象に特定の顕微鏡により特定のパラメータで撮像された標本画像を対象にＡＩが学習され且つ利用される等、ＡＩの学習者と利用者とが同一である場合、上記条件は容易に満たされる。しかし、学習者と異なる利用者がＡＩを利用する場合には、上記条件が容易に満たされるとは言い難い。よって、学習者と異なる利用者がＡＩを利用する場合であっても、上記条件を満たすことを容易にする仕組み、又は上記条件が満たされずともＡＩにより適切な評価結果を得ることを容易にする仕組みが、提供されることが望ましい。
そこで、本開示では、標本画像に基づく標本のＡＩを利用した評価をより容易にする仕組みを提供する。
本開示によれば、第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、前記記憶媒体に記憶された前記評価設定情報を取得することと、取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、を含む情報処理方法が提供される。
また、本開示によれば、第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、を含む情報処理方法が提供される。
また、本開示によれば、第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて学習された、前記第１の標本の評価を行う評価器の評価器パラメータ、及び前記評価器パラメータの学習環境を示す学習環境情報を含む、評価設定情報を記憶媒体から取得することと、取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、を含む情報処理方法が提供される。
以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
なお、説明は以下の順序で行うものとする。
１．はじめに
２．構成例
３．再現処理の詳細
４．ＵＩ例
５．処理の流れ
６．適用例
７．他の実施形態
７．１．評価レシピの変形例
７．２．補正の種類
７．３．補正処理の概要
７．４．補正処理の種類
７．５．評価レシピの活用
７．５．１．学習時の補正に基づく情報処理
７．５．２．評価時の補正に基づく情報処理
７．６．標本属性情報の変形例
７．７．複合レシピの生成
７．８．構成の変形例
７．９．ユーザの表記
７．１０．医療画像の表記
８．ハードウェア構成例
９．まとめ
１．はじめに
２．構成例
３．再現処理の詳細
４．ＵＩ例
５．処理の流れ
６．適用例
７．他の実施形態
７．１．評価レシピの変形例
７．２．補正の種類
７．３．補正処理の概要
７．４．補正処理の種類
７．５．評価レシピの活用
７．５．１．学習時の補正に基づく情報処理
７．５．２．評価時の補正に基づく情報処理
７．６．標本属性情報の変形例
７．７．複合レシピの生成
７．８．構成の変形例
７．９．ユーザの表記
７．１０．医療画像の表記
８．ハードウェア構成例
９．まとめ
＜＜１．はじめに＞＞
病理診断においては、切り取られた臓器の一部が標本とされる。病理診断における作用とは、標本化時に目的に応じて細胞を染色することを指す。例えば、形態評価が目的である場合にはＨＥ（Hematoxylin-Eosin）染色が採用され、腫瘍免疫の評価が目的である場合にはＩＨＣ（Immunohistochemistry）染色が採用される。例えば乳癌の評価では、ＨＥＲ２、ＥＲ、ＰｇＲ、Ｋｉ−６７タンパクなど染めるＩＨＣ染色が行われる。
病理診断においては、切り取られた臓器の一部が標本とされる。病理診断における作用とは、標本化時に目的に応じて細胞を染色することを指す。例えば、形態評価が目的である場合にはＨＥ（Hematoxylin-Eosin）染色が採用され、腫瘍免疫の評価が目的である場合にはＩＨＣ（Immunohistochemistry）染色が採用される。例えば乳癌の評価では、ＨＥＲ２、ＥＲ、ＰｇＲ、Ｋｉ−６７タンパクなど染めるＩＨＣ染色が行われる。
作用が適用された標本は、デジタル顕微鏡のステージにセットされて、撮像範囲を変化させながら連続的に撮像される。そして、連続的に撮像された撮像画像を繋ぎ合わせることで大きな一枚の標本画像（病理画像とも称される）が生成される。かかる標本画像は、ＷＳＩ（whole slide imaging）とも称される。
近年では、ＷＳＩ又はＷＳＩの一部を切り取った画像（以下、これらをまとめて標本画像とも総称する）に基づく病理診断を支援するためのＡＩを学習し利用する技術が急速に広まっている。かかるＡＩの学習には、例えば、標本画像をデータとし、かかる標本画像のうち腫瘍領域を示す情報（アノテーション情報とも称される）をラベルとする、教師データが用いられる。この場合、学習済みのＡＩに標本画像を入力すると、標本画像のうち腫瘍領域を示すアノテーション情報が出力されることとなる。病理診断を支援するＡＩとしては、上述した腫瘍領域の検出の他にも、腫瘍のクラス分類（例えば、がんのグレーディング）、がん／非がんを判断するがん診断、又は治療予測のためのＡＩが挙げられる。
ＡＩによる診断の精度を向上させるためには、学習時と診断時とで、作用のパラメータ及び顕微鏡のパラメータ等の各種パラメータを同一にすることが望ましい。例えば、顕微鏡の特性によって、同一の標本であっても標本画像の見え方が異なり得るためである。若しくは、パラメータが同一でなくとも、パラメータの相違を埋めるような画像処理が標本画像に適用されることが望ましい。これらいずれの場合であっても、ＡＩを利用した診断の精度を向上させることが可能である。
しかしながら、従来では、学習時のパラメータは保持されていないので、診断時に同一のパラメータを再現することも、パラメータ間の相違を埋めることも困難であった。そこで、本開示では、学習時のパラメータを保持し、診断時にはパラメータを再現する、又はパラメータ間の相違の埋めるための処理を行う仕組みを提供する。
＜＜２．構成例＞＞
＜２．１．システム構成例＞
図１は、本開示の一実施形態に係る診断システムの構成の一例を示す図である。図１に示す診断システム１は、撮像装置１０（１０Ａ及び１０Ｂ）、病院サーバ２０（２０Ａ及び２０Ｂ）、評価レシピサーバ３０、及び端末装置４０（４０Ａ及び４０Ｂ）を含む。
＜２．１．システム構成例＞
図１は、本開示の一実施形態に係る診断システムの構成の一例を示す図である。図１に示す診断システム１は、撮像装置１０（１０Ａ及び１０Ｂ）、病院サーバ２０（２０Ａ及び２０Ｂ）、評価レシピサーバ３０、及び端末装置４０（４０Ａ及び４０Ｂ）を含む。
（１）装置構成
・撮像装置１０
撮像装置１０は、標本を撮像して標本画像を生成する装置である。撮像装置１０は、例えば顕微鏡に撮像素子を取り付けた電子顕微鏡である。撮像装置１０は、標本画像を生成し、生成した標本画像を端末装置４０に出力する。
・撮像装置１０
撮像装置１０は、標本を撮像して標本画像を生成する装置である。撮像装置１０は、例えば顕微鏡に撮像素子を取り付けた電子顕微鏡である。撮像装置１０は、標本画像を生成し、生成した標本画像を端末装置４０に出力する。
・病院サーバ２０
病院サーバ２０は、病院での診療サービスに関する各種情報を管理する情報処理装置である。とりわけ、病院サーバ２０は、評価レシピの生成及びアップロード、又は評価レシピのダウンロードを行う。評価レシピの詳細については後述する。例えば、病院サーバ２０は、撮像装置１０により生成された標本画像に基づいて評価レシピを生成し、評価レシピサーバ３０に送信する。また、病院サーバ２０は、撮像装置１０により生成された標本画像の評価のための評価レシピを評価レシピサーバ３０から取得して、端末装置４０に出力する。
病院サーバ２０は、病院での診療サービスに関する各種情報を管理する情報処理装置である。とりわけ、病院サーバ２０は、評価レシピの生成及びアップロード、又は評価レシピのダウンロードを行う。評価レシピの詳細については後述する。例えば、病院サーバ２０は、撮像装置１０により生成された標本画像に基づいて評価レシピを生成し、評価レシピサーバ３０に送信する。また、病院サーバ２０は、撮像装置１０により生成された標本画像の評価のための評価レシピを評価レシピサーバ３０から取得して、端末装置４０に出力する。
・評価レシピサーバ３０
評価レシピサーバ３０は、評価レシピを管理する情報処理装置である。評価レシピサーバ３０は、病院サーバ２０から受信した評価レシピを記憶する。また、評価レシピサーバ３０は、病院サーバ２０から要求された評価レシピを当該病院サーバ２０に送信する。
評価レシピサーバ３０は、評価レシピを管理する情報処理装置である。評価レシピサーバ３０は、病院サーバ２０から受信した評価レシピを記憶する。また、評価レシピサーバ３０は、病院サーバ２０から要求された評価レシピを当該病院サーバ２０に送信する。
・端末装置４０
端末装置４０は、撮像装置１０により生成された標本画像に基づく評価を行う情報処理装置である。端末装置４０は、ユーザインタフェースを備え、病院の職員による情報の入力及び病院の職員への情報の出力を行う。
端末装置４０は、撮像装置１０により生成された標本画像に基づく評価を行う情報処理装置である。端末装置４０は、ユーザインタフェースを備え、病院の職員による情報の入力及び病院の職員への情報の出力を行う。
（２）各病院での処理
・第１の病院
撮像装置１０Ａ（第１の撮像装置に相当）、病院サーバ２０Ａ及び端末装置４０Ａは、第１の病院に配置される。第１の病院とは、評価レシピの生成が行われる病院である。
・第１の病院
撮像装置１０Ａ（第１の撮像装置に相当）、病院サーバ２０Ａ及び端末装置４０Ａは、第１の病院に配置される。第１の病院とは、評価レシピの生成が行われる病院である。
撮像装置１０Ａは、第１の作用が適用された第１の標本の第１の標本画像を生成し、端末装置４０Ａに出力する。端末装置４０Ａにおいて、第１の標本画像に基づく評価が行われる。例えば、第１の病院の職員による評価結果が、端末装置４０Ａに入力される。病院サーバ２０Ａは、第１の標本画像と当該第１の標本画像のメタ情報とを対応付けて記憶し、記憶した情報に基づいて評価レシピを生成する。その際、病院サーバ２０Ａは、メタ情報の少なくとも一部が共通する第１の標本画像に基づいて、評価レシピを生成する。メタ情報の詳細については、後に詳しく説明する。
評価レシピは、評価器を用いた標本画像の評価に関する設定を示す評価設定情報である。詳しくは、評価レシピは、評価器パラメータ、及び当該評価器パラメータの学習環境を示す学習環境情報を含む。評価器パラメータとは、入力された情報に基づいて評価結果情報を出力する、評価器を定義するパラメータである。例えば、評価器は、少なくとも標本画像が入力されて、標本画像の評価結果（例えば、病理診断結果）を出力する。評価器は、例えばニューラルネットワーク又はＳＶＭ（Support Vector Machine）等の任意のＡＩにより構成される。評価器がニューラルネットワークで構成される場合、評価器パラメータは、ニューラルネットワークを構成するノード同士の繋がりの強さを示す重みの集合である。学習環境とは、評価器パラメータの学習に用いられた標本画像に共通する特徴である。学習環境情報は、評価器パラメータの学習に用いられた標本画像に共通するメタ情報である。
評価レシピは、学習環境ごとに生成される。即ち、評価器パラメータは、学習環境ごとに学習される。例えば、男性の肝臓から採取されて、ＨＥ染色が適用された第１の標本の第１の標本画像が、複数の患者について収集されて評価器パラメータが学習されたものとする。その場合、学習された評価器パラメータと、”肝臓”、”ＨＥ染色”を示す学習環境情報と性別などの付随情報を含む、評価レシピが生成される。
病院サーバ２０Ａは、生成した評価レシピを評価レシピサーバ３０に送信して、記憶させる。
・第２の病院
病院サーバ２０Ｂ（第２の撮像装置に相当）、病院サーバ２０Ｂ及び端末装置４０Ｂは、第２の病院に配置される。第２の病院とは、評価レシピの利用が行われる病院である。
病院サーバ２０Ｂ（第２の撮像装置に相当）、病院サーバ２０Ｂ及び端末装置４０Ｂは、第２の病院に配置される。第２の病院とは、評価レシピの利用が行われる病院である。
病院サーバ２０Ｂは、評価レシピサーバ３０から評価レシピを取得し、端末装置４０Ｂに出力する。撮像装置１０Ｂは、第２の作用が適用された第２の標本の第２の標本画像を生成し、端末装置４０Ｂに出力する。その際、撮像装置１０Ｂは、評価レシピサーバ３０から取得された評価レシピに基づいて、第２の標本画像を生成してもよい。そして、端末装置４０Ｂは、撮像装置１０Ｂにより生成された第２の標本画像の評価を、病院サーバ２０Ｂにより取得された評価レシピを用いて行う。
ここで、第２の病院では、学習環境と評価環境とが同等となる評価レシピが利用される。評価環境とは、評価器パラメータを利用する際の環境である。具体的には、評価環境とは、評価器パラメータを適用した評価器に入力される第２の標本画像のメタ情報の特徴である。
例えば、第２の病院において、男性の肝臓から採取されて、ＨＥ染色が適用された第２の標本の第２の標本画像を評価する場合、”肝臓”、”ＨＥ染色”を学習環境情報とする評価レシピが、評価レシピサーバ３０からダウンロードされて利用される。これにより、学習環境と評価環境とが同等となるので、評価器を用いた第２の標本の評価精度を向上させることが可能となる。”男性”といった性別などの付随情報については、評価の類似性や患者数など統計的な情報として提示することが可能である。
（３）各種情報の説明
（３．１）メタ情報
標本画像のメタ情報は、画像パラメータ、作用情報、標本属性情報、及び評価結果情報の少なくともいずれかを含む。
（３．１）メタ情報
標本画像のメタ情報は、画像パラメータ、作用情報、標本属性情報、及び評価結果情報の少なくともいずれかを含む。
・画像パラメータ
画像パラメータは、標本画像の生成に関するパラメータである。画像パラメータは、撮像パラメータ及び画像処理パラメータを含む。
画像パラメータは、標本画像の生成に関するパラメータである。画像パラメータは、撮像パラメータ及び画像処理パラメータを含む。
−撮像パラメータ
撮像パラメータは、撮像装置１０による標本画像の撮像に関するパラメータである。撮像パラメータは、撮像装置１０の識別情報（例えば、撮像装置１０の種類を示す型番）、オートフォーカスの設定、倍率、露光時間、及びガンマ補正値の少なくともいずれかを含み得る。
撮像パラメータは、撮像装置１０による標本画像の撮像に関するパラメータである。撮像パラメータは、撮像装置１０の識別情報（例えば、撮像装置１０の種類を示す型番）、オートフォーカスの設定、倍率、露光時間、及びガンマ補正値の少なくともいずれかを含み得る。
−画像処理パラメータ
画像処理パラメータは、撮像装置１０により撮像された標本画像に対して適用された画像処理を示す情報である。画像処理は、色補正、又は拡縮の少なくともいずれかを含み得る。さらに、画像処理は、回転、又は輝度補正を含んでいてもよい。
画像処理パラメータは、撮像装置１０により撮像された標本画像に対して適用された画像処理を示す情報である。画像処理は、色補正、又は拡縮の少なくともいずれかを含み得る。さらに、画像処理は、回転、又は輝度補正を含んでいてもよい。
・作用情報
作用情報は、標本画像に映る標本に適用された作用に関するパラメータである。病理診断においては、作用情報は、標本に施した染色の情報を含む。作用情報は、ＨＥ染色又はＩＨＣ染色等の染色の種別を示す染色情報、及びＨＥＲ２、ＥＲ、ＰｇＲ、又はＫｉ−６７等の染色に用いられる抗体の種別を示す抗体情報を含み得る。また、作用情報は、ＩＨＣ−ＨＥＲ２、ＩＨＣ−ＥＲ、ＩＨＣ−ＰｇＲ、及びＩＨＣ−Ｋｉ−６７等の、染色種別と抗体種別との組み合わせを示す情報を含み得る。その他、作用として、薬剤の投与、及び／又は光刺激の付与が適用されてもよく、作用情報は、これらの作用に関する情報を含んでいてもよい。
作用情報は、標本画像に映る標本に適用された作用に関するパラメータである。病理診断においては、作用情報は、標本に施した染色の情報を含む。作用情報は、ＨＥ染色又はＩＨＣ染色等の染色の種別を示す染色情報、及びＨＥＲ２、ＥＲ、ＰｇＲ、又はＫｉ−６７等の染色に用いられる抗体の種別を示す抗体情報を含み得る。また、作用情報は、ＩＨＣ−ＨＥＲ２、ＩＨＣ−ＥＲ、ＩＨＣ−ＰｇＲ、及びＩＨＣ−Ｋｉ−６７等の、染色種別と抗体種別との組み合わせを示す情報を含み得る。その他、作用として、薬剤の投与、及び／又は光刺激の付与が適用されてもよく、作用情報は、これらの作用に関する情報を含んでいてもよい。
・標本属性情報
標本属性情報は、標本画像に映る標本の属性を示す情報である。標本属性情報は、どの臓器のどういった標本なのか（生検材料なのか手術材料なのか）を示す情報、及び標本の採取元に関する情報を含む。具体的には、標本属性情報は、患者の年齢、性別、検査時年齢、標本の採取元の臓器の種別、採取法、検査日、病理診断結果、病理所見、標本のサムネイル画像、及び標本のゲノム情報を含み得る。また、標本属性情報は、標本に含まれる細胞の形状、形態、及び面積を含み得る。なお、これらの標本属性情報は、診断支援のためだけでなく、治療支援にも使用され得る。例えば、標本属性情報は、薬、化学療法又は放射線療法等の治療効果予測にも使用され得る。とりわけ、ゲノム情報は、診断支援だけでなく治療支援にも利用され得る有力な情報のひとつである。例えば、ゲノム情報は、患者個別の医療（例えば、コンパニオン診断薬）を提供するために有用である。
標本属性情報は、標本画像に映る標本の属性を示す情報である。標本属性情報は、どの臓器のどういった標本なのか（生検材料なのか手術材料なのか）を示す情報、及び標本の採取元に関する情報を含む。具体的には、標本属性情報は、患者の年齢、性別、検査時年齢、標本の採取元の臓器の種別、採取法、検査日、病理診断結果、病理所見、標本のサムネイル画像、及び標本のゲノム情報を含み得る。また、標本属性情報は、標本に含まれる細胞の形状、形態、及び面積を含み得る。なお、これらの標本属性情報は、診断支援のためだけでなく、治療支援にも使用され得る。例えば、標本属性情報は、薬、化学療法又は放射線療法等の治療効果予測にも使用され得る。とりわけ、ゲノム情報は、診断支援だけでなく治療支援にも利用され得る有力な情報のひとつである。例えば、ゲノム情報は、患者個別の医療（例えば、コンパニオン診断薬）を提供するために有用である。
・評価結果情報
評価結果情報とは、標本画像に基づく評価結果を示す情報である。病理診断においては、評価結果情報は、病理診断結果（即ち、確定診断）である。例えば、評価結果情報は、腫瘍領域を示すアノテーション情報、がん／非がんの判定結果、及び腫瘍のクラス分類結果を含む。また、評価結果情報は、腫瘍の領域の形状、形態、及び面積を含み得る。
評価結果情報とは、標本画像に基づく評価結果を示す情報である。病理診断においては、評価結果情報は、病理診断結果（即ち、確定診断）である。例えば、評価結果情報は、腫瘍領域を示すアノテーション情報、がん／非がんの判定結果、及び腫瘍のクラス分類結果を含む。また、評価結果情報は、腫瘍の領域の形状、形態、及び面積を含み得る。
以上、メタ情報に含まれる情報の一例を説明した。なお、第１の標本画像に関する情報には、「第１の」が付され、第２の標本画像に関する情報には、「第２の」が付される場合がある。例えば、第１の標本画像の画像パラメータは第１の画像パラメータとも称され、第２の標本画像の標本属性情報は第２の標本属性情報とも称される。
（３．２）学習環境情報
学習環境情報は、評価器パラメータの学習環境を示す情報である。上述したように、評価レシピは、評価器パラメータ及び当該評価器パラメータの学習環境を示す学習環境情報を含む。学習環境情報は、評価器パラメータの学習の際に用いられた第１の標本画像に共通するメタ情報を含む。例えば、学習環境情報は、第１の標本画像の生成に関する第１の画像パラメータ、及び当該第１の標本画像に映る第１の標本に適用された第１の作用を示す第１の作用情報を含む。さらに、学習環境情報は、当該第１の標本の標本属性情報である第１の標本属性情報を含んでいてもよい。
学習環境情報は、評価器パラメータの学習環境を示す情報である。上述したように、評価レシピは、評価器パラメータ及び当該評価器パラメータの学習環境を示す学習環境情報を含む。学習環境情報は、評価器パラメータの学習の際に用いられた第１の標本画像に共通するメタ情報を含む。例えば、学習環境情報は、第１の標本画像の生成に関する第１の画像パラメータ、及び当該第１の標本画像に映る第１の標本に適用された第１の作用を示す第１の作用情報を含む。さらに、学習環境情報は、当該第１の標本の標本属性情報である第１の標本属性情報を含んでいてもよい。
＜２．２．機能構成例＞
以下では、図２及び図３を参照しながら、本実施形態に係る診断システム１の機能構成例を説明する。
以下では、図２及び図３を参照しながら、本実施形態に係る診断システム１の機能構成例を説明する。
図２は、本実施形態に係る診断システム１の機能構成の一例を示す図である。図２に示すように、病院サーバ２０Ａは、第１の取得部２１、学習部２２、及び生成部２３を含む。評価レシピサーバ３０は、記憶制御部３１及び記憶部３２を含む。病院サーバ２０Ｂは、第２の取得部２４を含む。端末装置４０Ｂは、入力部４１、再現部４２、評価部４３及び出力部４４を含む。
図３は、本実施形態に係る評価レシピ生成に関する情報の流れを示す図である。図３に示すように、第１の標本属性情報、第１の評価結果情報、及び第１の標本画像が学習部２２に入力され、評価器パラメータが生成される。また、第１の画像パラメータ、第１の作用情報、及び第１の標本属性情報、並びに評価器パラメータが生成部２３に入力されて、評価レシピが生成される。
＜２．２．１．病院サーバ２０Ａの機能構成例＞
（１）第１の取得部２１
第１の取得部２１は、評価レシピ生成のための各種情報を取得する機能を有する。詳しくは、第１の取得部２１は、第１の標本画像、及び第１の標本画像のメタ情報を取得する。取得される第１の標本画像のメタ情報は、第１の画像パラメータ、第１の作用情報、第１の標本属性情報、及び第１の評価結果情報である。これらの情報は、例えば、撮像装置１０Ａ、端末装置４０Ａ、又は第１の病院内の情報システムから取得される。
（１）第１の取得部２１
第１の取得部２１は、評価レシピ生成のための各種情報を取得する機能を有する。詳しくは、第１の取得部２１は、第１の標本画像、及び第１の標本画像のメタ情報を取得する。取得される第１の標本画像のメタ情報は、第１の画像パラメータ、第１の作用情報、第１の標本属性情報、及び第１の評価結果情報である。これらの情報は、例えば、撮像装置１０Ａ、端末装置４０Ａ、又は第１の病院内の情報システムから取得される。
（２）学習部２２
学習部２２は、評価器の学習を行う機能を有する。詳しくは、学習部２２は、撮像装置１０Ａにより撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、第１の標本の評価を行う評価器の評価器パラメータを学習する。例えば、学習部２２は、第１の標本画像をデータとし、第１の評価結果情報をラベルとする教師データに基づいて、評価器パラメータを学習する。この場合、標本画像を入力とし、評価結果情報を出力する評価器が学習される。他にも、学習部２２は、第１の標本画像及び第１の標本属性情報の少なくとも一部をデータとし、第１の評価結果情報をラベルとする教師データに基づいて、評価器パラメータを学習してもよい。この場合、標本画像及び標本属性情報の少なくとも一部を入力とし、評価結果情報を出力する評価器が学習される。例えば、標本画像及び当該標本画像に映る標本の採取元の患者の年齢及び性別等を入力とし、腫瘍領域を示すアノテーション情報を出力する評価器が学習される。
学習部２２は、評価器の学習を行う機能を有する。詳しくは、学習部２２は、撮像装置１０Ａにより撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、第１の標本の評価を行う評価器の評価器パラメータを学習する。例えば、学習部２２は、第１の標本画像をデータとし、第１の評価結果情報をラベルとする教師データに基づいて、評価器パラメータを学習する。この場合、標本画像を入力とし、評価結果情報を出力する評価器が学習される。他にも、学習部２２は、第１の標本画像及び第１の標本属性情報の少なくとも一部をデータとし、第１の評価結果情報をラベルとする教師データに基づいて、評価器パラメータを学習してもよい。この場合、標本画像及び標本属性情報の少なくとも一部を入力とし、評価結果情報を出力する評価器が学習される。例えば、標本画像及び当該標本画像に映る標本の採取元の患者の年齢及び性別等を入力とし、腫瘍領域を示すアノテーション情報を出力する評価器が学習される。
学習部２２は、学習環境ごとに評価器パラメータを学習する。即ち、学習部２２は、学習環境が共通する（即ち、同一の）第１の標本画像に基づいて評価器パラメータを学習する。詳しくは、学習部２２は、第１の画像パラメータ、第１の作用情報、及び第１の標本属性情報の少なくとも一部が共通である教師データに基づいて、評価器パラメータを学習する。例えば、学習部２２は、撮像装置１０Ａの識別情報及び倍率の設定が共通する複数の第１の標本画像に基づいて、評価器パラメータを学習する。また、例えば、学習部２２は、ゲノム情報における遺伝子の発現傾向が共通する複数の患者の第１の標本画像に基づいて、評価器パラメータを学習する。これらの場合、評価環境において、評価環境と同等の（例えば、同一の）学習環境において学習された評価器パラメータを利用することで、評価精度を向上させることが可能となる。
ここで、画像認識により、ＨＥ及びＩＨＣ等の染色の分類を、比較的容易に識別することができる。他方、画像認識では、抗体の種類を識別することは困難である。そこで、抗体の種類ごとに評価器パラメータを学習しておき、使用される抗体の種類が評価環境と同一である学習環境において学習された評価器パラメータが評価時に利用されることで、評価精度を向上させることが可能となる。
学習の際には、同じ第１の標本を対象として、異なる画像パラメータで第１の標本画像が生成され、学習に用いられることが望ましい。例えば、同じ第１の標本を、複数の異なる撮像装置１０Ａで撮像したり、撮像された画像に対し複数通りの画像処理（色補正及び／又は拡縮等）を適用したりすることが望ましい。これにより、同じ第１の標本に基づいて、複数の異なる学習環境で評価器パラメータを学習することが可能となる。
なお、同一の教師データから異なる評価器レシピが学習されてもよい。例えば、ニューラルネットワークの層数が異なる複数の評価器レシピが、同一の教師データから学習されてもよい。
（３）生成部２３
生成部２３は、評価レシピを生成する機能を有する。生成部２３は、学習部２２により学習された評価器パラメータ、及び当該評価器パラメータの学習環境を示す学習環境情報を対応付けることで、評価レシピを生成する。生成部２３は、評価レシピを評価レシピサーバ３０に送信して、評価レシピサーバ３０に記憶させる。
生成部２３は、評価レシピを生成する機能を有する。生成部２３は、学習部２２により学習された評価器パラメータ、及び当該評価器パラメータの学習環境を示す学習環境情報を対応付けることで、評価レシピを生成する。生成部２３は、評価レシピを評価レシピサーバ３０に送信して、評価レシピサーバ３０に記憶させる。
評価レシピには、学習環境情報以外の情報が付随していてもよい。付随情報の一例として、教師データとして使用された第１の標本画像に関する情報が挙げられる。例えば、評価レシピは、学習に用いられた複数の第１の標本画像のメタ情報の各々を、付属情報として含んでいてもよい。なお、評価レシピは、学習に用いられた第１の標本画像に映る第１の標本の採取元である患者の、名前等の個人情報を含まないことが望ましい。
生成される評価レシピの一例を、表１に示す。表１に示すように、評価レシピは、学習環境情報と、評価器パラメータと、付随情報とを含む。例えば、レシピＡは、ＨＥ染色が適用された肝臓から採取された第１の標本を、「装置Ａ」の撮像装置１０Ａにより「２０倍」の倍率で撮像することで得られた第１の標本画像に基づいて学習された評価器パラメータを含む。
＜２．２．２．評価レシピサーバ３０の機能構成例＞
（１）記憶制御部３１
記憶制御部３１は、記憶部３２への情報の記憶、及び記憶部３２に記憶された情報の管理を行う機能を有する。例えば、記憶制御部３１は、病院サーバ２０Ａから受信した評価レシピを記憶部３２に記憶させる。また、記憶制御部３１は、病院サーバ２０Ｂからのリクエストに対応する評価レシピを記憶部３２から検索し、病院サーバ２０Ｂに送信する。例えば、記憶制御部３１は、病院サーバ２０Ｂから評価環境を示す情報を受信し、評価環境と同等の学習環境において学習された評価器パラメータを含む評価レシピを病院サーバ２０Ｂに送信する。
（１）記憶制御部３１
記憶制御部３１は、記憶部３２への情報の記憶、及び記憶部３２に記憶された情報の管理を行う機能を有する。例えば、記憶制御部３１は、病院サーバ２０Ａから受信した評価レシピを記憶部３２に記憶させる。また、記憶制御部３１は、病院サーバ２０Ｂからのリクエストに対応する評価レシピを記憶部３２から検索し、病院サーバ２０Ｂに送信する。例えば、記憶制御部３１は、病院サーバ２０Ｂから評価環境を示す情報を受信し、評価環境と同等の学習環境において学習された評価器パラメータを含む評価レシピを病院サーバ２０Ｂに送信する。
（２）記憶部３２
記憶部３２は、各種情報を記憶する記憶媒体である。記憶部３２は、病院サーバ２０Ａから取得された評価レシピを記憶する。例えば、記憶部３２は、表１に示した評価レシピを記憶する。
記憶部３２は、各種情報を記憶する記憶媒体である。記憶部３２は、病院サーバ２０Ａから取得された評価レシピを記憶する。例えば、記憶部３２は、表１に示した評価レシピを記憶する。
＜２．２．３．病院サーバ２０Ｂ及び端末装置４０Ｂの機能構成例＞
（１）第２の取得部２４
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピを取得する。第２の取得部２４は、第２の標本画像の評価環境に基づいて、評価レシピを取得する。第２の取得部２４による評価レシピの取得については、後に詳しく説明する。
（１）第２の取得部２４
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピを取得する。第２の取得部２４は、第２の標本画像の評価環境に基づいて、評価レシピを取得する。第２の取得部２４による評価レシピの取得については、後に詳しく説明する。
（２）入力部４１
入力部４１は、各種情報の入力を受け付ける機能を有する。例えば、入力部４１は、第２の病院の職員による、評価レシピの選択操作等を受け付ける。
入力部４１は、各種情報の入力を受け付ける機能を有する。例えば、入力部４１は、第２の病院の職員による、評価レシピの選択操作等を受け付ける。
（３）再現部４２
再現部４２は、第２の取得部２４により取得された評価レシピに基づいて、第２の標本の評価のための評価環境として、学習環境と同等の環境を再現する機能を有する。例えば、再現部４２は、第１の作用情報が示す第１の作用と同一の第２の作用の第２の標本への適用、及び／又は第１の画像パラメータと同等の第２の画像パラメータでの第２の標本画像の生成を行う。なお、再現部４２による学習環境と同等の評価環境の再現に関しては、後に詳しく説明する。
再現部４２は、第２の取得部２４により取得された評価レシピに基づいて、第２の標本の評価のための評価環境として、学習環境と同等の環境を再現する機能を有する。例えば、再現部４２は、第１の作用情報が示す第１の作用と同一の第２の作用の第２の標本への適用、及び／又は第１の画像パラメータと同等の第２の画像パラメータでの第２の標本画像の生成を行う。なお、再現部４２による学習環境と同等の評価環境の再現に関しては、後に詳しく説明する。
（４）評価部４３
評価部４３は、評価レシピに含まれる評価器パラメータを適用した評価器を用いて、第２の標本画像の評価を行う。例えば、がんの病理診断に関しては、評価部４３は、第２の標本におけるがん細胞の有無を判定し得る。また、評価部４３は、第２の標本画像においてがん細胞が発現した領域を特定し得る。また、評価部４３は、がん細胞の悪性度を判定し得る。さらに、評価部４３は、がん細胞の治療のための薬を特定し得る。
評価部４３は、評価レシピに含まれる評価器パラメータを適用した評価器を用いて、第２の標本画像の評価を行う。例えば、がんの病理診断に関しては、評価部４３は、第２の標本におけるがん細胞の有無を判定し得る。また、評価部４３は、第２の標本画像においてがん細胞が発現した領域を特定し得る。また、評価部４３は、がん細胞の悪性度を判定し得る。さらに、評価部４３は、がん細胞の治療のための薬を特定し得る。
（５）出力部４４
出力部４４は、各種情報を出力する機能を有する。例えば、入力部４１は、評価部４３による評価結果を示す情報を出力する。
出力部４４は、各種情報を出力する機能を有する。例えば、入力部４１は、評価部４３による評価結果を示す情報を出力する。
＜＜３．再現処理の詳細＞＞
＜３．１．第１の再現処理＞
第１の再現処理は、第２の撮像画像が未だ撮像されていない状態で評価レシピを取得して、学習環境と同等の評価環境を再現する処理である。なお、評価レシピ取得時に第２の作用は適用済みであってもよいし、未適用であってもよい。
＜３．１．第１の再現処理＞
第１の再現処理は、第２の撮像画像が未だ撮像されていない状態で評価レシピを取得して、学習環境と同等の評価環境を再現する処理である。なお、評価レシピ取得時に第２の作用は適用済みであってもよいし、未適用であってもよい。
第１の再現処理においては、評価対象である第２の標本が存在するので、少なくとも第２の標本属性情報は確定している。他方、第２の撮像画像が未だ撮像されていないから第２の画像パラメータは未定であり、第２の作用が適用済みでない場合は第２の作用情報も未定である。これらの未定のパラメータは、学習環境と同等の評価環境を再現するために制御される。
（１）評価レシピのダウンロード
まず、第２の取得部２４は、学習環境と同等の評価環境を再現することが可能な評価レシピを取得する。ここでの同等とは、必ずしも同一（完全一致）を意味するものではない。例えば、画像パラメータが相違する場合であっても、画像処理によりその相違を疑似的に埋めることが可能であれば、学習環境と評価環境とは同等であるものと捉えられる。
まず、第２の取得部２４は、学習環境と同等の評価環境を再現することが可能な評価レシピを取得する。ここでの同等とは、必ずしも同一（完全一致）を意味するものではない。例えば、画像パラメータが相違する場合であっても、画像処理によりその相違を疑似的に埋めることが可能であれば、学習環境と評価環境とは同等であるものと捉えられる。
・第１の画像パラメータの参照
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の画像パラメータを参照し、第１の画像パラメータと同等の第２の画像パラメータを再現可能である評価レシピを取得する。例えば、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとが同型である評価レシピを取得する。また、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとが異なる型であっても、画像処理により型の相違を埋めることが可能な評価レシピを取得する。例えば、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとの型が相違し色の見え方及び／又は倍率が異なるものの、色補正及び／又は拡縮すれば同等の色の見え方及び倍率を再現可能な場合、撮像装置１０Ａの評価レシピを取得する。
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の画像パラメータを参照し、第１の画像パラメータと同等の第２の画像パラメータを再現可能である評価レシピを取得する。例えば、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとが同型である評価レシピを取得する。また、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとが異なる型であっても、画像処理により型の相違を埋めることが可能な評価レシピを取得する。例えば、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとの型が相違し色の見え方及び／又は倍率が異なるものの、色補正及び／又は拡縮すれば同等の色の見え方及び倍率を再現可能な場合、撮像装置１０Ａの評価レシピを取得する。
・第１の標本属性情報の参照
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の標本属性情報を参照し、第１の標本属性情報と第２の標本属性情報とが同一である評価レシピを取得する。例えば、第２の取得部２４は、第２の標本と同一の臓器から採取された第１の標本について学習された評価器パラメータを含む評価レシピを取得する。これにより、標本属性情報に関し学習環境と同一の評価環境を再現することが可能となる。なお、第２の取得部２４は、第１の標本属性情報と第２の標本属性情報とが全ての項目で一致せずとも、一部が一致する評価レシピを取得してもよい。その場合、標本属性情報が第２の標本と類似する第１の標本についての学習環境と同一の評価環境を再現することが可能となる。
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の標本属性情報を参照し、第１の標本属性情報と第２の標本属性情報とが同一である評価レシピを取得する。例えば、第２の取得部２４は、第２の標本と同一の臓器から採取された第１の標本について学習された評価器パラメータを含む評価レシピを取得する。これにより、標本属性情報に関し学習環境と同一の評価環境を再現することが可能となる。なお、第２の取得部２４は、第１の標本属性情報と第２の標本属性情報とが全ての項目で一致せずとも、一部が一致する評価レシピを取得してもよい。その場合、標本属性情報が第２の標本と類似する第１の標本についての学習環境と同一の評価環境を再現することが可能となる。
・第１の作用情報の参照
−評価レシピ取得時に作用が適用済みである場合
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の作用情報を参照し、第１の作用情報と第２の作用情報とが同一である評価レシピを取得する。例えば、第２の取得部２４は、第２の作用と同一である第１の作用が適用された第１の標本画像に基づいて学習された評価器パラメータを含む評価レシピを取得する。これにより、作用に関し学習環境と同一の評価環境を再現することが可能となる。
−評価レシピ取得時に作用が適用済みである場合
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の作用情報を参照し、第１の作用情報と第２の作用情報とが同一である評価レシピを取得する。例えば、第２の取得部２４は、第２の作用と同一である第１の作用が適用された第１の標本画像に基づいて学習された評価器パラメータを含む評価レシピを取得する。これにより、作用に関し学習環境と同一の評価環境を再現することが可能となる。
−評価レシピ取得時に作用が未適用である場合
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の作用情報を参照し、第２の作用情報として採用可能な第１の作用情報を含む評価レシピを取得する。例えば、第２の取得部２４は、第２の病院において適用可能な（例えば、染色のための機材を所有している等）作用が適用された第１の標本画像に基づいて学習された評価器パラメータを含む評価レシピを取得する。これにより、第２の病院においてそもそも再現困難な評価レシピを避けることが可能となる。
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の作用情報を参照し、第２の作用情報として採用可能な第１の作用情報を含む評価レシピを取得する。例えば、第２の取得部２４は、第２の病院において適用可能な（例えば、染色のための機材を所有している等）作用が適用された第１の標本画像に基づいて学習された評価器パラメータを含む評価レシピを取得する。これにより、第２の病院においてそもそも再現困難な評価レシピを避けることが可能となる。
（２）学習環境と同等の評価環境の再現
再現部４２は、第２の標本の評価のための評価環境として、評価レシピが示す学習環境に対応する環境を再現する。
再現部４２は、第２の標本の評価のための評価環境として、評価レシピが示す学習環境に対応する環境を再現する。
・第１の作用情報の再現
−評価レシピ取得時に作用が適用済みである場合
再現部４２は、作用に関しては特に処理しない。
−評価レシピ取得時に作用が適用済みである場合
再現部４２は、作用に関しては特に処理しない。
−評価レシピ取得時に作用が未適用である場合
再現部４２は、第１の作用と同一の第２の作用を第２の標本に適用するための支援を行う。例えば、再現部４２は、第１の作用情報を出力部４４により出力させ、第２の病院の職員が第１の作用と同一の第２の作用を第２の標本に適用する作用を支援する。これにより、第１の作用と同一の第２の作用を第２の標本に適用させることが可能となる。第２の病院において、細胞に自動で刺激を加える等することが可能な設備が整っている場合、再現部４２は、かかる設備を制御して第２の作用を第２の標本に適用してもよい。この場合、第２の病院において、第２の標本を準備した状態で評価レシピをダウンロードすると、作用から評価に至るまでの工程が自動的に実行され評価結果が出力される、全自動の評価システムを構築することもできる。
再現部４２は、第１の作用と同一の第２の作用を第２の標本に適用するための支援を行う。例えば、再現部４２は、第１の作用情報を出力部４４により出力させ、第２の病院の職員が第１の作用と同一の第２の作用を第２の標本に適用する作用を支援する。これにより、第１の作用と同一の第２の作用を第２の標本に適用させることが可能となる。第２の病院において、細胞に自動で刺激を加える等することが可能な設備が整っている場合、再現部４２は、かかる設備を制御して第２の作用を第２の標本に適用してもよい。この場合、第２の病院において、第２の標本を準備した状態で評価レシピをダウンロードすると、作用から評価に至るまでの工程が自動的に実行され評価結果が出力される、全自動の評価システムを構築することもできる。
・画像パラメータの再現
再現部４２は、第１の画像パラメータと同等の第２の画像パラメータを再現する。より簡易には、第１の標本画像と同じ見え方の第２の標本画像を生成する。これにより、第２の標本画像の見え方を、第１の標本画像の見え方と同様にすることが可能となる。
再現部４２は、第１の画像パラメータと同等の第２の画像パラメータを再現する。より簡易には、第１の標本画像と同じ見え方の第２の標本画像を生成する。これにより、第２の標本画像の見え方を、第１の標本画像の見え方と同様にすることが可能となる。
−撮像装置が同型である場合
撮像装置１０Ａが撮像装置１０Ｂと同型である場合、再現部４２は、第２の画像パラメータを、評価レシピに含まれる第１の画像パラメータと同一にする。詳しくは、再現部４２は、評価レシピに含まれる第１の撮像パラメータと同一の第２の撮像パラメータを撮像装置１０Ｂに設定する。例えば、再現部４２は、第１の撮像パラメータが示すオートフォーカスの設定、倍率、露光時間及びガンマ補正値を、撮像装置１０Ｂに設定する。そして、再現部４２は、撮像装置１０Ｂにより撮像された第２の標本画像に対し、第１の画像処理パラメータが示す第１の画像処理と同一の第２の画像処理を適用する。
撮像装置１０Ａが撮像装置１０Ｂと同型である場合、再現部４２は、第２の画像パラメータを、評価レシピに含まれる第１の画像パラメータと同一にする。詳しくは、再現部４２は、評価レシピに含まれる第１の撮像パラメータと同一の第２の撮像パラメータを撮像装置１０Ｂに設定する。例えば、再現部４２は、第１の撮像パラメータが示すオートフォーカスの設定、倍率、露光時間及びガンマ補正値を、撮像装置１０Ｂに設定する。そして、再現部４２は、撮像装置１０Ｂにより撮像された第２の標本画像に対し、第１の画像処理パラメータが示す第１の画像処理と同一の第２の画像処理を適用する。
具体例を、下記の表２を参照しながら説明する。表２に示すように、撮像装置１０Ａと撮像装置１０Ｂとが同じく「装置Ａ」である場合、再現部４２は、第１の撮像パラメータと同じ「設定Ａ」を撮像装置１０Ｂに設定し、第１の画像処理と同じく特に画像処理を適用しない。また、撮像装置１０Ａと撮像装置１０Ｂとが同じく「装置Ｂ」である場合、再現部４２は、第１の撮像パラメータと同じ「設定Ｂ」を撮像装置１０Ｂに設定し、第１の画像処理と同じ「色補正Ｂ」を第２の標本画像に適用する。
−撮像装置が同型でない場合
撮像装置１０Ａが撮像装置１０Ｂと同型でない場合、再現部４２は、撮像装置１０Ａの第１の撮像パラメータと、撮像装置１０Ｂの第２の撮像パラメータとの相違を埋めるための画像処理を、第２の標本画像に適用する。かかる画像処理は、例えば色補正又は拡縮の少なくともいずれかを含み得る。例えば、撮像装置１０Ａと撮像装置１０Ｂとの型の相違を色補正により埋めることが可能な場合、再現部４２は、型の相違を埋めるための色補正を第２の標本画像に適用する。
撮像装置１０Ａが撮像装置１０Ｂと同型でない場合、再現部４２は、撮像装置１０Ａの第１の撮像パラメータと、撮像装置１０Ｂの第２の撮像パラメータとの相違を埋めるための画像処理を、第２の標本画像に適用する。かかる画像処理は、例えば色補正又は拡縮の少なくともいずれかを含み得る。例えば、撮像装置１０Ａと撮像装置１０Ｂとの型の相違を色補正により埋めることが可能な場合、再現部４２は、型の相違を埋めるための色補正を第２の標本画像に適用する。
具体例を、下記の表３を参照しながら説明する。表３に示すように、撮像装置１０Ａが「装置Ａ」であり撮像装置１０Ｂが「装置Ｂ」である場合、再現部４２は、第１の撮像パラメータと同じ「設定Ａ」を撮像装置１０Ｂに設定し、第１の画像処理「なし」と異なる第２の画像処理「色補正Ｂ」を第２の標本画像に適用する。また、撮像装置１０Ａが「装置Ｃ」であり撮像装置１０Ｂが「装置Ｄ」である場合、再現部４２は、第１の撮像パラメータと同じ「設定Ａ」を撮像装置１０Ｂに設定し、第１の画像処理「色補正Ｃ」と異なる第２の画像処理「色補正Ｄ」を第２の標本画像に適用する。また、撮像装置１０Ａが「装置Ｅ」であり撮像装置１０Ｂが「装置Ｆ」である場合、再現部４２は、第１の撮像パラメータと同じ「設定Ａ」を撮像装置１０Ｂに設定し、第１の画像処理「色補正Ｅ」と異なる第２の画像処理「なし」を第２の標本画像に適用する。
（３）評価
評価部４３は、学習環境に対応する環境として再現された評価環境において撮像装置１０Ｂにより撮像された、第２の標本の第２の標本画像を、評価レシピに含まれる評価器パラメータが適用された評価器により評価する。つまり、評価部４３は、評価レシピに含まれる評価器パラメータを評価器に適用し、再現部４２が上述の再現処理を行うことによって得られた第２の標本画像をかかる評価器に入力することで、評価結果を得る。
評価部４３は、学習環境に対応する環境として再現された評価環境において撮像装置１０Ｂにより撮像された、第２の標本の第２の標本画像を、評価レシピに含まれる評価器パラメータが適用された評価器により評価する。つまり、評価部４３は、評価レシピに含まれる評価器パラメータを評価器に適用し、再現部４２が上述の再現処理を行うことによって得られた第２の標本画像をかかる評価器に入力することで、評価結果を得る。
＜３．２．第２の再現処理＞
第２の再現処理は、第２の作用が適用済みであり、第２の標本画像が撮像済みである状態において、学習環境と同等の評価環境を再現する処理である。
第２の再現処理は、第２の作用が適用済みであり、第２の標本画像が撮像済みである状態において、学習環境と同等の評価環境を再現する処理である。
第２の再現処理においては、評価対象である第２の標本が存在し、第２の作用が適用済みであり、第２の標本画像が撮像済みであるので、少なくとも、第２の標本属性情報、第２の作用情報、及び第２の撮像パラメータは確定している。他方、第２の標本画像に対する画像処理は可能であるから、第２の画像処理パラメータは未定である。この未定のパラメータは、学習環境と同等の評価環境を再現するために制御され得る。
（１）評価レシピのダウンロード
まず、第２の取得部２４は、学習環境が評価環境と同等である評価レシピを取得する。例えば、第２の取得部２４は、第２の標本画像の評価環境と同等の学習環境において学習された評価器パラメータを含む評価レシピを取得する。ここでの同等とは、必ずしも同一（完全一致）を意味するものではない。例えば、画像パラメータが相違する場合であっても、画像処理によりその相違を疑似的に埋めることが可能であれば、学習環境と評価環境とは同等であるものと捉えられる。
まず、第２の取得部２４は、学習環境が評価環境と同等である評価レシピを取得する。例えば、第２の取得部２４は、第２の標本画像の評価環境と同等の学習環境において学習された評価器パラメータを含む評価レシピを取得する。ここでの同等とは、必ずしも同一（完全一致）を意味するものではない。例えば、画像パラメータが相違する場合であっても、画像処理によりその相違を疑似的に埋めることが可能であれば、学習環境と評価環境とは同等であるものと捉えられる。
・第１の画像パラメータの参照
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の画像パラメータを参照し、第１の画像パラメータと第２の画像パラメータとが同等である評価レシピを取得する。例えば、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとが同型である評価レシピを取得する。また、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとが異なる型であっても、画像処理により型の相違を埋めることが可能な評価レシピを取得する。例えば、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとの型が相違し色の見え方及び／又は倍率が異なるものの、色補正及び／又は拡縮すれば同等の色の見え方及び倍率を再現可能な場合、撮像装置１０Ａの評価レシピを取得する。
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の画像パラメータを参照し、第１の画像パラメータと第２の画像パラメータとが同等である評価レシピを取得する。例えば、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとが同型である評価レシピを取得する。また、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとが異なる型であっても、画像処理により型の相違を埋めることが可能な評価レシピを取得する。例えば、第２の取得部２４は、撮像装置１０Ａと撮像装置１０Ｂとの型が相違し色の見え方及び／又は倍率が異なるものの、色補正及び／又は拡縮すれば同等の色の見え方及び倍率を再現可能な場合、撮像装置１０Ａの評価レシピを取得する。
・第１の標本属性情報の参照
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の標本属性情報を参照し、第１の標本属性情報と第２の標本属性情報とが同一である評価レシピを取得する。例えば、第２の取得部２４は、第２の標本と同一の臓器から採取された第１の標本について学習された評価器パラメータを含む評価レシピを取得する。これにより、標本属性情報に関し学習環境と同一の評価環境を再現することが可能となる。なお、第２の取得部２４は、第１の標本属性情報と第２の標本属性情報とが全ての項目で一致せずとも、一部が一致する評価レシピを取得してもよい。その場合、標本属性情報が第２の標本と類似する第１の標本についての学習環境と同一の評価環境を再現することが可能となる。
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の標本属性情報を参照し、第１の標本属性情報と第２の標本属性情報とが同一である評価レシピを取得する。例えば、第２の取得部２４は、第２の標本と同一の臓器から採取された第１の標本について学習された評価器パラメータを含む評価レシピを取得する。これにより、標本属性情報に関し学習環境と同一の評価環境を再現することが可能となる。なお、第２の取得部２４は、第１の標本属性情報と第２の標本属性情報とが全ての項目で一致せずとも、一部が一致する評価レシピを取得してもよい。その場合、標本属性情報が第２の標本と類似する第１の標本についての学習環境と同一の評価環境を再現することが可能となる。
・第１の作用情報の参照
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の作用情報を参照し、第１の作用情報と第２の作用情報とが同一である評価レシピを取得する。例えば、第２の取得部２４は、第２の作用と同一である第１の作用が適用された第１の標本画像に基づいて学習された評価器パラメータを含む評価レシピを取得する。これにより、作用に関し学習環境と同一の評価環境を再現することが可能となる。
第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピの第１の作用情報を参照し、第１の作用情報と第２の作用情報とが同一である評価レシピを取得する。例えば、第２の取得部２４は、第２の作用と同一である第１の作用が適用された第１の標本画像に基づいて学習された評価器パラメータを含む評価レシピを取得する。これにより、作用に関し学習環境と同一の評価環境を再現することが可能となる。
（２）学習環境と同等の評価環境の再現
再現部４２は、第２の標本の評価のための評価環境として、評価レシピが示す学習環境に対応する環境を再現する。ここで、第２の再現処理は、第２の作用が適用済みであり、第２の撮像パラメータの設定及び第２の撮像画像が撮像済みである状態で行われる。そのため、基本的には、評価レシピを取得した時点で、学習環境と同等の評価環境がすでに再現されている。
再現部４２は、第２の標本の評価のための評価環境として、評価レシピが示す学習環境に対応する環境を再現する。ここで、第２の再現処理は、第２の作用が適用済みであり、第２の撮像パラメータの設定及び第２の撮像画像が撮像済みである状態で行われる。そのため、基本的には、評価レシピを取得した時点で、学習環境と同等の評価環境がすでに再現されている。
しかし、撮像装置１０Ａと撮像装置１０Ｂとが異なる型である等、撮像パラメータが異なる場合がある。その場合、再現部４２は、撮像装置１０Ａの第１の撮像パラメータと、撮像装置１０Ｂの第２の撮像パラメータとの相違を埋めるための画像処理を、第２の標本画像に適用する。かかる画像処理は、例えば色補正又は拡縮の少なくともいずれかを含み得る。他にも、かかる画像処理は、輝度補正、回転、及び／又は２値化等の任意の処理を含んでいてもよい。これにより、第２の標本画像の見え方を、第１の標本画像の見え方と同様にすることが可能となり、第２の標本の評価精度を向上させることが可能となる。
（３）評価
評価部４３は、撮像装置１０Ｂにより撮像された、第２の作用が適用された第２の標本の第２の標本画像を、評価環境と同等の学習環境において学習された評価器パラメータが適用された評価器により評価する。つまり、評価部４３は、評価レシピに含まれる評価器パラメータを評価器に適用し、再現部４２が上述の再現処理を行うことによって得られた第２の標本画像をかかる評価器に入力することで、評価結果を得る。
評価部４３は、撮像装置１０Ｂにより撮像された、第２の作用が適用された第２の標本の第２の標本画像を、評価環境と同等の学習環境において学習された評価器パラメータが適用された評価器により評価する。つまり、評価部４３は、評価レシピに含まれる評価器パラメータを評価器に適用し、再現部４２が上述の再現処理を行うことによって得られた第２の標本画像をかかる評価器に入力することで、評価結果を得る。
＜＜４．ＵＩ例＞＞
以下、図４を参照しながら、出力部４４により出力される、評価部４３による評価結果を含む出力情報の一例を説明する。
以下、図４を参照しながら、出力部４４により出力される、評価部４３による評価結果を含む出力情報の一例を説明する。
図４は、本実施形態に係るＵＩ（User Interface）の一例を示す図である。図４に示すＵＩ１００は、出力部４４により画像として出力される。レシピ選択欄１０１では、選択された（即ち、ダウンロードされた）評価レシピの識別情報が表示される。類似症例表示欄１０２では、評価対象となった第２の標本の症例と類似する症例の情報が表示される。ＡＩ選択欄１０３では、評価レシピに含まれる複数の評価器パラメータの識別情報が表示され、評価器に適用する評価器パラメータの選択操作が受け付けられる。図４に示した例では、「ＡＩ−Ａ」及び「ＡＩ−Ｂ」が選択されたものとする。病理医診断結果欄１０４では、評価対象となった第２の標本の病理医による診断結果が表示される。ＡＩ判定結果欄１０５では、ＡＩ選択欄１０３において選択された評価器パラメータが適用された評価器による第２の標本の評価結果を示す情報が表示される。ＡＩ判定結果詳細表示欄１０６（１０６Ａ及び１０６Ｂ）では、ＡＩ選択欄１０３において選択された評価器パラメータが適用された評価器による第２の標本の評価結果を示す情報が、第２の標本画像１０７（１０７Ａ及び１０７Ｂ）に重畳して表示される。例えば、評価器パラメータの識別情報１０８（１０８Ａ及び１０８Ｂ）、腫瘍領域の範囲を示すアノテーション情報１０９（１０９Ａ及び１０９Ｂ）、腫瘍の内容を示す情報１１０（１１０Ａ及び１１０Ｂ）が、重畳して表示される。
このようなＵＩ１００により、第２の病院の職員は、評価レシピや評価器パラメータを切り替えたり、異なる評価器パラメータによる評価結果を同時に表示させて見比べたりすることができる。これにより、第２の病院の職員は、適切な評価レシピ及び評価器パラメータを容易に選択することが可能となる。
＜＜５．処理の流れ＞＞
以下、図５〜図８を参照して、本実施形態に係る診断システム１において実行される処理の流れの一例を説明する。
以下、図５〜図８を参照して、本実施形態に係る診断システム１において実行される処理の流れの一例を説明する。
（１）評価レシピのアップロード処理
図５は、本実施形態に係る病院サーバ２０Ａにおいて実行される評価レシピのアップロード処理の流れの一例を示すフローチャートである。図５に示すように、まず、第１の取得部２１は、第１の画像パラメータ、第１の作用情報、第１の標本属性情報、第１の評価結果情報、及び第１の標本画像を取得する（ステップＳ１０２）。次いで、学習部２２は、第１の標本画像をデータとし、第１の評価結果情報をラベルとする教師データに基づいて、学習環境ごとに評価器パラメータを学習する（ステップＳ１０４）。次に、生成部２３は、評価器パラメータ、及び学習環境を示す情報（例えば、教師データに共通する、第１の画像パラメータ、第１の作用情報、及び／又は第１の標本属性情報）を対応付けて、評価レシピを生成する（ステップＳ１０６）。そして、生成部２３は、生成した評価レシピを評価レシピサーバ３０に送信する（ステップＳ１０８）。
図５は、本実施形態に係る病院サーバ２０Ａにおいて実行される評価レシピのアップロード処理の流れの一例を示すフローチャートである。図５に示すように、まず、第１の取得部２１は、第１の画像パラメータ、第１の作用情報、第１の標本属性情報、第１の評価結果情報、及び第１の標本画像を取得する（ステップＳ１０２）。次いで、学習部２２は、第１の標本画像をデータとし、第１の評価結果情報をラベルとする教師データに基づいて、学習環境ごとに評価器パラメータを学習する（ステップＳ１０４）。次に、生成部２３は、評価器パラメータ、及び学習環境を示す情報（例えば、教師データに共通する、第１の画像パラメータ、第１の作用情報、及び／又は第１の標本属性情報）を対応付けて、評価レシピを生成する（ステップＳ１０６）。そして、生成部２３は、生成した評価レシピを評価レシピサーバ３０に送信する（ステップＳ１０８）。
（２）評価レシピの記憶処理
図６は、本実施形態に係る評価レシピサーバ３０において実行される評価レシピの記憶処理の流れの一例を示すフローチャートである。図６に示すように、まず、記憶制御部３１は、評価レシピを受信する（ステップＳ２０２）。次いで、記憶部３２は、受信された評価レシピを記憶する（ステップＳ２０４）。
図６は、本実施形態に係る評価レシピサーバ３０において実行される評価レシピの記憶処理の流れの一例を示すフローチャートである。図６に示すように、まず、記憶制御部３１は、評価レシピを受信する（ステップＳ２０２）。次いで、記憶部３２は、受信された評価レシピを記憶する（ステップＳ２０４）。
（３）第１の再現処理
図７は、本実施形態に係る病院サーバ２０Ｂ及び端末装置４０Ｂにおいて実行される第１の再現処理の流れの一例を示すフローチャートである。図７に示すように、まず、第２の取得部２４は、学習環境と同等の評価環境を再現することが可能な評価レシピを取得する（ステップＳ３０２）。例えば、第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピに含まれる第１の画像パラメータ、第１の標本属性情報、及び第１の作用情報を参照し、同等の第２の画像パラメータ、第２の標本属性情報及び第２の作用情報を再現可能な評価レシピを取得する。次いで、再現部４２は、取得された評価レシピに含まれる第１の作用情報が示す第１の作用と同一の第２の作用を第２の標本に適用するための支援を行う（ステップＳ３０４）。次に、再現部４２は、取得された評価レシピに含まれる第１の画像パラメータと同等の第２の画像パラメータを再現する（ステップＳ３０６）。これにより、学習環境と同等の評価環境において生成された第２の標本画像が得られる。そして、評価部４３は、評価レシピに含まれる評価器パラメータが適用された評価器に第２の標本画像を入力し、第２の標本を評価する（ステップＳ３０８）。
図７は、本実施形態に係る病院サーバ２０Ｂ及び端末装置４０Ｂにおいて実行される第１の再現処理の流れの一例を示すフローチャートである。図７に示すように、まず、第２の取得部２４は、学習環境と同等の評価環境を再現することが可能な評価レシピを取得する（ステップＳ３０２）。例えば、第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピに含まれる第１の画像パラメータ、第１の標本属性情報、及び第１の作用情報を参照し、同等の第２の画像パラメータ、第２の標本属性情報及び第２の作用情報を再現可能な評価レシピを取得する。次いで、再現部４２は、取得された評価レシピに含まれる第１の作用情報が示す第１の作用と同一の第２の作用を第２の標本に適用するための支援を行う（ステップＳ３０４）。次に、再現部４２は、取得された評価レシピに含まれる第１の画像パラメータと同等の第２の画像パラメータを再現する（ステップＳ３０６）。これにより、学習環境と同等の評価環境において生成された第２の標本画像が得られる。そして、評価部４３は、評価レシピに含まれる評価器パラメータが適用された評価器に第２の標本画像を入力し、第２の標本を評価する（ステップＳ３０８）。
（４）第２の再現処理
図８は、本実施形態に係る病院サーバ２０Ｂ及び端末装置４０Ｂにおいて実行される第２の再現処理の流れの一例を示すフローチャートである。なお、本フローが実行されるよりも前に、第２の標本に第２の作用が適用され、第２の標本画像が撮像されている。図８に示すように、まず、第２の取得部２４は、学習環境が評価環境と同等である評価レシピを取得する（ステップＳ４０２）。例えば、第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピに含まれる第１の画像パラメータ、第１の標本属性情報、及び第１の作用情報を参照し、これらが第２の画像パラメータ、第２の標本属性情報、及び第２の作用情報と同等である評価レシピを取得する。次いで、再現部４２は、評価レシピに含まれる第１の撮像パラメータと第２の撮像パラメータとの相違を埋めるための画像処理を、第２の標本画像に適用する（ステップＳ４０４）。次に、評価部４３は、評価レシピに含まれる評価器パラメータが適用された評価器に第２の標本画像を入力し、第２の標本を評価する（ステップＳ４０６）。
図８は、本実施形態に係る病院サーバ２０Ｂ及び端末装置４０Ｂにおいて実行される第２の再現処理の流れの一例を示すフローチャートである。なお、本フローが実行されるよりも前に、第２の標本に第２の作用が適用され、第２の標本画像が撮像されている。図８に示すように、まず、第２の取得部２４は、学習環境が評価環境と同等である評価レシピを取得する（ステップＳ４０２）。例えば、第２の取得部２４は、評価レシピサーバ３０に記憶された評価レシピに含まれる第１の画像パラメータ、第１の標本属性情報、及び第１の作用情報を参照し、これらが第２の画像パラメータ、第２の標本属性情報、及び第２の作用情報と同等である評価レシピを取得する。次いで、再現部４２は、評価レシピに含まれる第１の撮像パラメータと第２の撮像パラメータとの相違を埋めるための画像処理を、第２の標本画像に適用する（ステップＳ４０４）。次に、評価部４３は、評価レシピに含まれる評価器パラメータが適用された評価器に第２の標本画像を入力し、第２の標本を評価する（ステップＳ４０６）。
＜＜６．適用例＞＞
上記では、本技術ががんの病理診断に適用される例を挙げて説明したが、本技術の適用先はかかる例に限定されない。以下、上述した本技術の適用例を説明する。
上記では、本技術ががんの病理診断に適用される例を挙げて説明したが、本技術の適用先はかかる例に限定されない。以下、上述した本技術の適用例を説明する。
（１）薬剤評価
本技術は、薬剤評価に適用可能である。
本技術は、薬剤評価に適用可能である。
薬剤評価では、薬剤を与えた後の細胞の状態が観察される。薬剤評価における作用とは、薬剤の投与である。薬剤評価では、同一の試験を繰り返すことで薬剤による効果が立証される。例えば、心筋細胞を使った薬剤評価では、薬剤による効果が心筋細胞の拍動解析により評価される。その際、拍動の時間間隔及び振幅の大きさなどに基づいて、薬剤の効果が評価される。
薬剤評価における評価器は、例えば、拍動の時間間隔及び振幅の大きさに基づいて薬剤の効果を出力する。薬剤評価における評価レシピは、学習環境を示す情報として薬剤情報を含み、さらに当該評価器の評価器パラメータを含む。
（２）ｉＰＳ細胞の培養時の品質評価
本技術は、ｉＰＳ細胞の培養時の品質評価に適用可能である。
本技術は、ｉＰＳ細胞の培養時の品質評価に適用可能である。
ｉＰＳ細胞の培養時の品質評価では、目的の組織又は臓器への分化能が評価される。ｉＰＳ細胞の培養時の品質評価における作用とは、遺伝子及びタンパク質導入又は薬剤処理である。ｉＰＳ細胞の培養時の品質評価では、ゲノム損傷又は未分化細胞による腫瘍形成の有無が評価される。また、細胞の培養過程において、ｉＰＳ細胞とＮｏｎ−ｉＰＳ細胞とが画像で判断される。目的の細胞を見つけるために、画像認識のための評価器が利用される場合がある。ｉＰＳ細胞の場合は、長期間のモニタリングも必要になるため、画像を使った品質予測技術などの発展も考えられる。
ｉＰＳ細胞の培養時の品質評価における評価器は、培養時の画像に基づいて、ゲノム損傷又は未分化細胞による腫瘍形成の有無の有無、ｉＰＳ細胞又はＮｏｎ−ｉＰＳ細胞、及び／又は将来的な品質を評価する。ｉＰＳ細胞の培養時の品質評価における評価レシピは、学習環境を示す情報として遺伝子及びタンパク質導入又は薬剤処理の情報を含み、さらに当該評価器の評価器パラメータを含む。
（３）移植判定
本技術は、再生医療における細胞の移植判定に適用可能である。この場合、評価器は、細胞の画像に基づいて移植可否を評価する。
本技術は、再生医療における細胞の移植判定に適用可能である。この場合、評価器は、細胞の画像に基づいて移植可否を評価する。
＜＜７．他の実施形態＞＞
＜７．１．評価レシピの変形例＞
上述した例では、評価レシピは、評価器パラメータ、及び当該評価器パラメータの学習環境を示す学習環境情報を含む。しかし、評価レシピはこの例に限られない。例えば、評価レシピは、症例情報と、評価結果情報とが含まれてもよい。症例情報は、病気の症状に関する情報や、病名に関する情報を示す。例えば、症例情報は、前立腺がん、大腸がん、乳がん、肺がんといった症例や病名に関する情報を示す。評価結果情報は、評価器によって評価される診断の種類や内容を示す。なお、症例情報と評価結果情報とが含まれる評価レシピを、上述してきた評価レシピと区別するために「診断レシピ」と表記する場合がある。ただし、診断レシピは評価レシピに含まれる概念である。
＜７．１．評価レシピの変形例＞
上述した例では、評価レシピは、評価器パラメータ、及び当該評価器パラメータの学習環境を示す学習環境情報を含む。しかし、評価レシピはこの例に限られない。例えば、評価レシピは、症例情報と、評価結果情報とが含まれてもよい。症例情報は、病気の症状に関する情報や、病名に関する情報を示す。例えば、症例情報は、前立腺がん、大腸がん、乳がん、肺がんといった症例や病名に関する情報を示す。評価結果情報は、評価器によって評価される診断の種類や内容を示す。なお、症例情報と評価結果情報とが含まれる評価レシピを、上述してきた評価レシピと区別するために「診断レシピ」と表記する場合がある。ただし、診断レシピは評価レシピに含まれる概念である。
評価結果情報の一例を下記に示す。例えば、評価結果情報とは、「がん」または「非がん」を判定する判定結果に関する情報である。具体的には、評価結果情報とは、がんであるか否かを「１（がん）」または「０（非がん）」で判定する判定結果に関する情報である。この場合、がんの有無の判定結果を示す情報が、評価器による出力情報となる。このような評価器を用いた場合には、がんの有無の判定のスクリーニングに利用することができる。例えば、評価結果情報とは、腫瘍領域を示すアノテーション結果に関する情報である。この場合、腫瘍領域を示すアノテーション結果を示す情報が、評価器による出力情報となる。このような評価器を用いた場合には、腫瘍領域の確認や再確認に利用することができる。例えば、評価結果情報とは、腫瘍のクラス分類の結果に関する情報である。この場合、腫瘍のクラス分類の結果を示す情報が、評価器による出力情報となる。このような評価器を用いた場合には、腫瘍のクラス分類の確認や再確認に利用することができる。例えば、評価結果情報とは、腫瘍の形状、形態、面積、及び細胞や組織の位置に関する情報である。この場合、腫瘍の形状、形態、面積を示す情報、又は、細胞や組織の位置に関する情報が、評価器による出力情報となる。このような評価器を用いた場合には、診断の補助情報として利用することができる。このような評価器を用いた場合には、がんゲノム診断の補助ツールに利用することができる。
すなわち、診断レシピの一例としては、「前立腺がんの診断レシピ１」＝「症例情報：前立腺がん」＋「評価結果情報：がん／非がん判定」といった情報が挙げられる。また、診断レシピの他の例としては、「大腸がんの診断レシピ２」＝「症例情報：大腸がん」＋「評価結果情報：腫瘍領域を示すアノテーション結果」といった情報が挙げられる。
＜７．２．補正の種類＞
上記実施形態では、評価レシピに含まれる学習環境情報の例をいくつか説明した。しかし、評価レシピに含まれる学習環境情報は、上記例に限られない。例えば、上記実施形態では、撮像装置に関する装置情報の一例として撮像パラメータが評価レシピに含まれる例を示した。この撮像パラメータとしては、上述した倍率等の他に、画像の色に関する色情報や、画像の解像度に関する情報が含まれてもよい。また、評価レシピには、装置情報の色情報のみでなく、標本の染色情報や、標本属性情報の一例である臓器情報の色情報が含まれてもよい。これは、装置に限らず、標本の染色や臓器に応じて、画像の色が異なる可能性があるからである。また、撮像装置、染色、臓器に応じて、画像の倍率や色や解像度などが異なることを、以下、適宜、バラツキがあるとする。以下、画像の倍率や色や解像度を補正することによって、バラツキを抑える方法を説明する。
上記実施形態では、評価レシピに含まれる学習環境情報の例をいくつか説明した。しかし、評価レシピに含まれる学習環境情報は、上記例に限られない。例えば、上記実施形態では、撮像装置に関する装置情報の一例として撮像パラメータが評価レシピに含まれる例を示した。この撮像パラメータとしては、上述した倍率等の他に、画像の色に関する色情報や、画像の解像度に関する情報が含まれてもよい。また、評価レシピには、装置情報の色情報のみでなく、標本の染色情報や、標本属性情報の一例である臓器情報の色情報が含まれてもよい。これは、装置に限らず、標本の染色や臓器に応じて、画像の色が異なる可能性があるからである。また、撮像装置、染色、臓器に応じて、画像の倍率や色や解像度などが異なることを、以下、適宜、バラツキがあるとする。以下、画像の倍率や色や解像度を補正することによって、バラツキを抑える方法を説明する。
＜７．３．補正処理の概要＞
上記実施形態では、第２の病院側が、第１の病院側の学習環境に合わせた評価環境にて評価処理を行う例を示した。例えば、第１の病院側の病院サーバ２０Ａは、評価レシピを生成して、評価レシピサーバ３０へアップロードする。そして、第２の病院側の病院サーバ２０Ｂは、評価レシピサーバ３０から病院サーバ２０Ａによって生成された評価レシピを取得する。そして、上記実施形態では、第２の病院側が、評価レシピに基づいて、第１の病院側の学習環境に合わせて評価を行う例を示した。例えば、上記実施形態では、撮像装置１０Ｂが評価レシピに基づいて第２の標本画像を生成する例や、再現部４２が評価レシピに基づいて学習環境と同等の環境を再現する例や、評価部４３が評価レシピに含まれる評価器パラメータを用いて評価を行う例を示した。
上記実施形態では、第２の病院側が、第１の病院側の学習環境に合わせた評価環境にて評価処理を行う例を示した。例えば、第１の病院側の病院サーバ２０Ａは、評価レシピを生成して、評価レシピサーバ３０へアップロードする。そして、第２の病院側の病院サーバ２０Ｂは、評価レシピサーバ３０から病院サーバ２０Ａによって生成された評価レシピを取得する。そして、上記実施形態では、第２の病院側が、評価レシピに基づいて、第１の病院側の学習環境に合わせて評価を行う例を示した。例えば、上記実施形態では、撮像装置１０Ｂが評価レシピに基づいて第２の標本画像を生成する例や、再現部４２が評価レシピに基づいて学習環境と同等の環境を再現する例や、評価部４３が評価レシピに含まれる評価器パラメータを用いて評価を行う例を示した。
しかし、学習環境と評価環境を合わせる手法は上記実施形態に限られない。この点について、上記実施形態に示した例も含めて、学習環境と評価環境を合わせる手法のパターンを図９〜図１２を用いて説明する。図９〜図１２では、解像度を補正する場合を例に挙げて説明する。なお、図９〜図１２では、解像度を補正する場合を例に挙げて説明するが、倍率や色を補正する場合も、同様である。
以下、図９〜図１２では、学習時に生成された評価器を、「評価器Ｈ１」と表記する。また、以下、図９〜図１２では、評価器を用いて評価する際の評価器を、「評価器Ｈ２」と表記する。
＜７．４．補正処理の種類＞
図９は、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器を用いて、撮像装置１０Ｂで撮像された第２の標本画像を評価する場合を示す。この場合、撮像装置１０Ａと撮像装置１０Ｂとは異なる装置であるため、標本画像の解像度が異なり、第２の標本画像を適切に評価することができない可能性がある。これは、撮像装置間で、装置の性能や撮像条件などが異なるため、撮像装置１０Ａと撮像装置１０Ｂとで撮像された標本画像にも、撮像装置間で解像度にばらつきが生じるからである。例えば、同一の標本を、撮像装置１０Ａと撮像装置１０Ｂとで撮像したとしても、第１の標本画像と第２の標本画像とは、解像度が異なる可能性がある。すなわち、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器は、撮像装置１０Ａで撮像された第１の標本画像を正解情報とするため、撮像装置１０Ａと異なる撮像装置１０Ｂで撮像された第２の標本画像に適用したとしても、標本画像にも撮像装置間でばらつきが生じる可能性があるため、適切に評価することができない可能性がある。すなわち、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器は、撮像装置１０Ａで撮像された第１の標本画像を適切に評価するものであって、必ずしも、撮像装置１０Ｂで撮像された第２の標本画像を適切に評価するものではない。このため、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器を用いて、撮像装置１０Ｂで撮像された第２の標本画像が、病変に関する情報を含むか否かを推定すると、推定結果に誤差が生じる可能性がある。なお、適切に評価するとは、例えば、高精度に評価することである。以下、誤差を是正するために、撮像装置間で標本画像を補正する場合を説明する。図１０乃至１２は、標本画像の解像度を補正する場合を示す。
図９は、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器を用いて、撮像装置１０Ｂで撮像された第２の標本画像を評価する場合を示す。この場合、撮像装置１０Ａと撮像装置１０Ｂとは異なる装置であるため、標本画像の解像度が異なり、第２の標本画像を適切に評価することができない可能性がある。これは、撮像装置間で、装置の性能や撮像条件などが異なるため、撮像装置１０Ａと撮像装置１０Ｂとで撮像された標本画像にも、撮像装置間で解像度にばらつきが生じるからである。例えば、同一の標本を、撮像装置１０Ａと撮像装置１０Ｂとで撮像したとしても、第１の標本画像と第２の標本画像とは、解像度が異なる可能性がある。すなわち、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器は、撮像装置１０Ａで撮像された第１の標本画像を正解情報とするため、撮像装置１０Ａと異なる撮像装置１０Ｂで撮像された第２の標本画像に適用したとしても、標本画像にも撮像装置間でばらつきが生じる可能性があるため、適切に評価することができない可能性がある。すなわち、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器は、撮像装置１０Ａで撮像された第１の標本画像を適切に評価するものであって、必ずしも、撮像装置１０Ｂで撮像された第２の標本画像を適切に評価するものではない。このため、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器を用いて、撮像装置１０Ｂで撮像された第２の標本画像が、病変に関する情報を含むか否かを推定すると、推定結果に誤差が生じる可能性がある。なお、適切に評価するとは、例えば、高精度に評価することである。以下、誤差を是正するために、撮像装置間で標本画像を補正する場合を説明する。図１０乃至１２は、標本画像の解像度を補正する場合を示す。
図１０は、複数の撮像装置で撮像された標本画像に基づいて評価器を生成する場合を示す。図１０では、各撮像装置に対応した評価器を個々に生成する。具体的には、図１０では、撮像装置１０Ａで撮像された第１の標本画像に基づいて撮像装置１０Ａ用の評価器と、撮像装置１０Ｂで撮像された第２の標本画像に基づいて撮像装置１０Ｂ用の評価器と、撮像装置１０Ｃで撮像された標本画像（以下、適宜、「第３の標本画像」とする。）に基づいて撮像装置１０Ｃ用の評価器とを生成する。例えば、撮像装置１０Ａで撮像された第１の標本画像を評価する場合は、撮像装置１０Ａ用の評価器を用い、撮像装置１０Ｂで撮像された第２の標本画像を評価する場合は、撮像装置１０Ｂ用の評価器を用い、撮像装置１０Ｃで撮像された第３の標本画像を評価する場合は、撮像装置１０Ｃ用の評価器を用いるなど、各々の撮像装置用の評価器を用いることにより、高精度に評価することができる。
また、図１０では、各々の撮像装置に対応する評価器を生成するのではなく、全ての撮像装置に対応した評価器を生成してもよい。具体的には、撮像装置１０Ａで撮像された第１の標本画像と、撮像装置１０Ｂで撮像された第２の標本画像と、撮像装置１０Ｃで撮像された第３の標本画像とに基づいて、第１の標本画像と、第２の標本画像と、第３の標本画像とのいずれにも対応する評価器を生成してもよい。この場合、撮像装置１０Ａで撮像された第１の標本画像を評価する場合であっても、撮像装置１０Ｂで撮像された第２の標本画像を評価する場合であっても、撮像装置１０Ｃで撮像された第３の標本画像を評価する場合であっても、全ての撮像装置に対応した評価器を用いることによって、適切に評価することができる。
図１１は、評価時に、所定の基準の解像度に補正する場合を示す。図１１は、上記実施形態のように、学習環境に合わせる場合を示す。図１１では、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器を用いて、第２の標本画像を評価する。具体的には、撮像装置１０Ｂで撮像された第２の標本画像を、所定の基準の解像度に補正した補正後の第２の標本画像を、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器に入力する。より具体的には、撮像装置１０Ｂで撮像された第２の標本画像を、撮像装置１０Ａで撮像された第１の標本画像に基づいて生成された評価器で評価するために、撮像装置１０Ｂで撮像された第２の標本画像を、第１の標本画像に対応する所定の基準に補正する。これにより、撮像装置１０Ｂで撮像された第２の標本画像を、誤差なく評価し得るため、より適切に、第２の標本画像を評価することができる。しかしながら、基準の解像度に補正してから評価器に入力するため、評価に時間を要する可能性がある。以上、学習環境に合わせる場合を示した。
上記実施形態に限られず、評価環境に合わせて学習を行ってもよい。言い換えれば、第１の病院側において、第２の標本の評価のための評価環境と同等の学習環境を再現して、再現した学習環境により学習を行ってもよい。以下、図１２は、評価環境に合わせて学習を行う場合を示す。
図１２は、評価器の生成時に、所定の基準の解像度に補正する場合を示す。図１２では、撮像装置１０Ａで撮像された第１の標本画像を、所定の基準の解像度に補正した補正後の第１の標本画像に基づいて評価器を生成する。具体的には、撮像装置１０Ｂで撮像された第２の標本画像を評価するための評価器を生成するために、撮像装置１０Ａで撮像された第１の標本画像を、第２の標本画像に対応する所定の基準に補正する。これにより、撮像装置１０Ｂで撮像された第２の標本画像を、誤差なく評価し得るため、より適切に、第２の標本画像を評価することができる。しかしながら、基準の解像度に補正してから評価器を生成するため、評価器の生成に時間を要する可能性がある。
以上、解像度を補正する場合を例に挙げて説明したが、解像度に限られず、画像の倍率や色を補正する場合も同様の処理を行ってもよい。
＜７．５．評価レシピの活用＞
上記実施形態では、生成部２３は、評価器パラメータと、学習環境情報とを含む評価レシピを生成する場合を示したが、これらの例に限られなくてもよい。例えば、生成部２３は、症例情報と評価結果情報とが含まれる評価レシピである診断レシピを生成してもよい。
上記実施形態では、生成部２３は、評価器パラメータと、学習環境情報とを含む評価レシピを生成する場合を示したが、これらの例に限られなくてもよい。例えば、生成部２３は、症例情報と評価結果情報とが含まれる評価レシピである診断レシピを生成してもよい。
以下、図１２に示すような、学習時に補正を行う場合に、評価器を生成する処理について説明する。生成部２３は、診断レシピに含まれる評価結果情報を、病変の判定のための正解情報として、評価器を生成する。例えば、生成部２３は、診断レシピに含まれる評価結果情報のうち、がんであるか否かを示す判定の判定結果や、腫瘍領域を示すアノテーション結果などの結果情報を正解情報として、評価器を生成する。なお、この場合、生成部２３は、診断レシピに含まれる評価結果情報のうち、がん／悲がんの判定や、腫瘍領域を示すアノテーションなどの、評価内容に関する情報を、評価器パラメータとして、評価器を生成する。また、生成部２３は、装置、染色、臓器などの情報に基づいて補正された情報を、評価器パラメータとして、評価器を生成する。例えば、生成部２３は、装置、染色、臓器などの情報に基づいて、所定の基準となるように、倍率、色、解像度などを補正した情報を、評価器パラメータとして、評価器を生成する。以下、図１３及び１４を用いて、評価レシピを用いた情報処理のフローを説明する。
評価レシピを用いた情報処理には２つの場合がある。具体的には、評価器の生成時に補正する場合と、評価時に補正する場合とがある。また、再現部４２は、評価レシピサーバ３０に記憶された評価レシピを用いて処理を行う場合と、評価レシピサーバ３０に記憶されていない情報を用いて処理を行う場合とがある。図１３及び１４では、再現部４２が評価レシピサーバ３０に記憶された評価レシピを用いて処理を行う場合を示す。以下、図１３を用いて、学習時に補正する場合の情報処理を説明する。
＜７．５．１．学習時の補正に基づく情報処理＞
図１３は、生成部２３によって記憶された情報を学習時に補正する場合の情報処理の手順の一例を示す図である。以下、図１３を用いて、生成部２３によって記憶された情報を学習時に補正する場合の情報処理の手順の一例を説明する。生成部２３は、患者情報を取得する。例えば、生成部２３は、病理医が入力した患者情報を取得する。例えば、生成部２３は、臓器情報を取得する。なお、生成部２３は、患者の生体に関する情報であれば、臓器情報に限らず、どのような情報を患者情報として取得してもよい。例えば、生成部２３は、患者の年齢、身長、性別などの属性情報を取得してもよい。
図１３は、生成部２３によって記憶された情報を学習時に補正する場合の情報処理の手順の一例を示す図である。以下、図１３を用いて、生成部２３によって記憶された情報を学習時に補正する場合の情報処理の手順の一例を説明する。生成部２３は、患者情報を取得する。例えば、生成部２３は、病理医が入力した患者情報を取得する。例えば、生成部２３は、臓器情報を取得する。なお、生成部２３は、患者の生体に関する情報であれば、臓器情報に限らず、どのような情報を患者情報として取得してもよい。例えば、生成部２３は、患者の年齢、身長、性別などの属性情報を取得してもよい。
生成部２３は、病理スライドに関する情報を取得する。生成部２３は、取得した患者情報に対応する病理スライドに関する情報を取得する。例えば、生成部２３は、薄切や染色がされた病理スライドに関する情報を取得する。例えば、生成部２３は、染色（作用）情報を取得する。なお、染色の対象は、生体に関するものであればどのようなものであってもよい。例えば、染色の対象は、細胞や血液などであってもよい。
生成部２３は、標本画像に関する情報を取得する。例えば、生成部２３は、病理スライドの標本画像に関する情報を取得する。例えば、生成部２３は、染色された対象の標本画像に関する情報を取得する。例えば、生成部２３は、標本画像を撮像した撮像装置の装置情報を取得する。
生成部２３は、診断結果に関する情報を取得する。例えば、生成部２３は、撮像された標本画像に基づく診断結果に関する情報を取得する。例えば、生成部２３は、症例情報を取得する。例えば、生成部２３は、アノテーション情報を取得する。なお、図１３に示す診断には、観察と記録とが含まれる。例えば、生成部２３は、記録されたアノテーション情報を取得する。
生成部２３は、取得した標本画像に関する情報を記憶する。例えば、生成部２３は、標本画像を所定の記憶部に記憶する。例えば、生成部２３は、アノテーション情報を記憶する。
生成部２３は、患者情報と、病理スライドに関する情報と、病理画像に関する情報とに基づいて、補正する。例えば、生成部２３は、臓器情報と、染色情報と、装置情報とに基づいて、補正する。例えば、生成部２３は、臓器情報に基づいて補正することによって、臓器によるばらつきを低減することができる。例えば、生成部２３は、染色情報に基づいて補正することによって、染色によるばらつきを低減することができる。例えば、生成部２３は、装置情報に基づいて補正することによって、装置によるばらつきを低減することができる。また、臓器のばらつきによって、色に誤差が生じる可能性がある。生成部２３は、臓器の色と、所定の基準の色とに応じて、補正する。また、染色のばらつきによって、色に誤差が生じる可能性がある。生成部２３は、染色の色と、所定の基準の色とに応じて、補正する。また、装置のばらつきによって、色、倍率、解像度のうち少なくともいずれか一つに誤差が生じる可能性がある。生成部２３は、所定の基準の色、所定の基準の倍率、所定の基準の解像度のうち少なくともいずれか一つに応じて、補正する。これにより、生成部２３は、評価の精度を向上させることができる。これにより、生成部２３は、色、倍率、解像度のうち少なくともいずれか一つを補正することによって、評価の精度を向上させることができる。
また、生成部２３は、臓器情報を、補正のための補助情報としてもよい。すなわち、生成部２３は、臓器情報を用いて、標本画像を補正する。例えば、生成部２３は、細胞核の検出の場合などにおいて、染色（例えば、ＨＥ染色）によって臓器の組織や細胞核の色が変化する場合には、臓器情報を、補正のための補助情報として用いてもよい。また、生成部２３は、細胞核の検出の場合などにおいて、粘膜や造血器系や唾液腺などの情報を、補正のための補助情報としてもよい。
生成部２３は、機械学習による学習を行う。例えば、生成部２３は、ディープラーニングなどのニューラルネットワークに基づいて学習を行う。生成部２３は、補正後の患者情報、補正後の病理スライドに関する情報、補正後の標本画像に関する情報に基づいて評価器を生成する。例えば、生成部２３は、評価結果情報の結果情報を正解情報として評価器を生成してもよい。なお、実施形態に係る学習は、ディープラーニングなどのニューラルネットワークに基づく学習に限らず、機械学習による学習であれば、どのような学習であってもよい。例えば、実施形態に係る学習は、ランダムフォレストに基づく学習であってもよい。
生成部２３は、評価器と評価レシピとを記憶する。
再現部４２は、生成部２３と同様の処理に基づいて、臓器情報と、染色情報と、装置情報とを取得する。再現部４２は、取得した情報と対応する評価器を生成部２３に要求する。再現部４２は、生成部２３から送信された評価器に基づいて、病理対象を特定する。このように、再現部４２は、生成部２３により生成された評価器を用いて、診断を行う。
＜７．５．２．評価時の補正に基づく情報処理＞
図１４は、再現部４２で取得された情報を評価時に補正する場合の情報処理の手順の一例を示す図である。以下、図１４を用いて、再現部４２で取得された情報を評価時に補正する場合の情報処理の手順の一例を説明する。以下、図１３と同様の処理については説明を適宜省略する。生成部２３は、図１３と同様の処理に基づいて、患者情報と、病理スライドに関する情報と、標本画像に関する情報と、診断結果に関する情報とを取得する。また、生成部２３は、標本画像に関する情報やアノテーション情報を記憶する。
図１４は、再現部４２で取得された情報を評価時に補正する場合の情報処理の手順の一例を示す図である。以下、図１４を用いて、再現部４２で取得された情報を評価時に補正する場合の情報処理の手順の一例を説明する。以下、図１３と同様の処理については説明を適宜省略する。生成部２３は、図１３と同様の処理に基づいて、患者情報と、病理スライドに関する情報と、標本画像に関する情報と、診断結果に関する情報とを取得する。また、生成部２３は、標本画像に関する情報やアノテーション情報を記憶する。
生成部２３は、取得した情報を用いて機械学習を行う。生成部２３は、患者情報と、病理スライドに関する情報と、標本画像に関する情報とに基づいて学習を行う。生成部２３は、評価器と評価レシピとを記憶する。
再現部４２は、図１３と同様の処理に基づいて、臓器情報と、染色情報と、装置情報とを取得する。再現部４２は、取得した臓器情報と、染色情報と、装置情報とを補正する。例えば、再現部４２は、所定の基準に基づいて、臓器情報と、染色情報と、装置情報とを補正する。
再現部４２は、補正した情報と対応する評価器を生成部２３に要求する。再現部４２は、生成部２３から送信された評価器に基づいて、病理対象を特定する。
以上、評価レシピを用いた情報処理を説明した。なお、図１３及び１４では、学習時又は評価時のどちらか一方で補正を行う場合を示したが、学習時と評価時との両方で補正を行ってもよい。また、図１３及び１４では、生成部２３が、評価器を再現部４２へ提供する場合を示したが、生成部２３は、評価器を用いて出力された推定結果を再現部４２へ提供してもよい。この場合、再現部４２は、提供された推定結果に基づいて、病理対象を特定してもよい。
＜７．６．標本属性情報の変形例＞
上記実施形態では、標本属性情報は、患者の年齢、性別、検査時年齢、標本の採取元の臓器の種別、採取法、検査日、病理診断結果、病理所見、標本のサムネイル画像、及び標本のゲノム情報などを含む。しかし、標本属性情報はこの例に限られない。標本属性情報は、患者の国籍や人種などの民族性に関する情報が含まれてもよい。この場合、生成部２３は、患者の国籍や人種などの情報を患者情報として評価レシピを生成してもよい。また、標本属性情報は、患者を診断した病院や国などの診断場所に関する情報が含まれてもよい。この場合、生成部２３は、患者を診断した病院や国などの情報を患者情報として評価レシピを生成してもよい。
上記実施形態では、標本属性情報は、患者の年齢、性別、検査時年齢、標本の採取元の臓器の種別、採取法、検査日、病理診断結果、病理所見、標本のサムネイル画像、及び標本のゲノム情報などを含む。しかし、標本属性情報はこの例に限られない。標本属性情報は、患者の国籍や人種などの民族性に関する情報が含まれてもよい。この場合、生成部２３は、患者の国籍や人種などの情報を患者情報として評価レシピを生成してもよい。また、標本属性情報は、患者を診断した病院や国などの診断場所に関する情報が含まれてもよい。この場合、生成部２３は、患者を診断した病院や国などの情報を患者情報として評価レシピを生成してもよい。
生成部２３は、標本属性情報に応じて異なる評価レシピを生成してもよい。例えば、生成部２３は、患者の国籍や人種ごとに異なる評価レシピを生成してもよい。例えば、生成部２３は、患者の国籍や人種ごとに異なる患者情報に基づいて評価レシピを生成してもよい。
生成部２３は、標本属性情報に応じて異なる評価器を生成してもよい。例えば、生成部２３は、患者の国籍や人種ごとに異なる評価器を生成してもよい。例えば、生成部２３は、患者の国籍や人種ごとに異なる患者情報に基づいて評価器を生成してもよい。例えば、生成部２３は、患者の国籍や人種ごとに異なる評価レシピに基づいて評価器を生成してもよい。
生成部２３は、評価対象である患者の国籍や人種などの民族性、若しくは、患者を診断した病院や国などの診断場所、に対応する標本属性情報に応じて、対応する評価器を再現部４２へ送信してもよい。
＜７．７．複合レシピの生成＞
上記実施形態では、予め定められた評価レシピを用いて評価器を生成する場合を示したが、この例に限られない。生成部２３は、評価レシピを組み合わせたレシピである複合レシピを生成してもよい。そして、生成部２３は、生成された複合レシピを用いて評価器を生成して、診断のために利用してもよい。例えば、生成部２３は、標本画像が複数の病理対象を含む場合、複合レシピを生成してもよい。また、生成部２３は、生成された複合レシピを新たな評価レシピとして、上述した情報処理に基づいて、診断を行ってもよい。例えば、生成部２３は、生成された複合レシピに応じて、対応する評価器を再現部４２へ送信してもよい。
上記実施形態では、予め定められた評価レシピを用いて評価器を生成する場合を示したが、この例に限られない。生成部２３は、評価レシピを組み合わせたレシピである複合レシピを生成してもよい。そして、生成部２３は、生成された複合レシピを用いて評価器を生成して、診断のために利用してもよい。例えば、生成部２３は、標本画像が複数の病理対象を含む場合、複合レシピを生成してもよい。また、生成部２３は、生成された複合レシピを新たな評価レシピとして、上述した情報処理に基づいて、診断を行ってもよい。例えば、生成部２３は、生成された複合レシピに応じて、対応する評価器を再現部４２へ送信してもよい。
＜７．８．構成の変形例＞
実施形態に係る診断システム１は、図１に示す例に限らず、各構成要素が複数であってもよい。具体的には、診断システム１には、複数台の撮像装置１０（複数台の１０Ａ及び複数台の１０Ｂ）と、複数台の病院サーバ２０（複数台の２０Ａ及び複数台の２０Ｂ）と、複数台の評価レシピサーバ３０と、及び複数台の端末装置４０（複数台の４０Ａ及び複数台の４０Ｂ）とが含まれてもよい。また、実施形態に係る診断システム１は、図２に示す例に限らず、各構成要素に含まれる各機能（例えば、各処理部）が複数であってもよい。例えば、病院サーバ２０は、複数の学習部２２や複数の生成部２３など、を含んでもよい。また、実施形態に係る情報処理システムは、複数の診断システム１によって実現されてもよい。
実施形態に係る診断システム１は、図１に示す例に限らず、各構成要素が複数であってもよい。具体的には、診断システム１には、複数台の撮像装置１０（複数台の１０Ａ及び複数台の１０Ｂ）と、複数台の病院サーバ２０（複数台の２０Ａ及び複数台の２０Ｂ）と、複数台の評価レシピサーバ３０と、及び複数台の端末装置４０（複数台の４０Ａ及び複数台の４０Ｂ）とが含まれてもよい。また、実施形態に係る診断システム１は、図２に示す例に限らず、各構成要素に含まれる各機能（例えば、各処理部）が複数であってもよい。例えば、病院サーバ２０は、複数の学習部２２や複数の生成部２３など、を含んでもよい。また、実施形態に係る情報処理システムは、複数の診断システム１によって実現されてもよい。
上記実施形態では、病院サーバ２０は、第１の取得部２１、学習部２２、生成部２３、第２の取得部２４とを含む場合を示したが、この例に限られない。病院サーバ２０は、評価器を提供する提供部２５を有してもよい。例えば、提供部２５は、生成部２３によって生成された評価器を提供する。例えば、提供部２５は、第２の取得部２４によって、取得された評価器を提供する。例えば、提供部２５は、各種情報を端末装置４０へ送信する。例えば、提供部２５は、評価器を用いて出力された推定結果を提供する。
＜７．９．ユーザの表記＞
上記実施形態では、病理医の診断のための、診断の補助を行う場合を示したが、診断を行うものは、病理医に限らず、どのようなものであってもよい。例えば、診断を行うものは、医師や技師などの病院に関する者であってもよい。以下、診断を行うものを、適宜、「ユーザ」と表記する。
上記実施形態では、病理医の診断のための、診断の補助を行う場合を示したが、診断を行うものは、病理医に限らず、どのようなものであってもよい。例えば、診断を行うものは、医師や技師などの病院に関する者であってもよい。以下、診断を行うものを、適宜、「ユーザ」と表記する。
＜７．１０．医療画像の表記＞
上記実施形態では、病理診断の補助を行う場合を示したが、病理診断に限らず、医療であれば、どのような医療に関する医療診断であってもよい。また、上記実施形態では、標本画像を取得する場合を示したが、医療に関する医療画像であれば、標本画像に限らず、どのような医療画像を取得してもよい。この場合、上記実施形態では、医療画像に応じた評価レシピに基づいて評価器を生成してもよい。
上記実施形態では、病理診断の補助を行う場合を示したが、病理診断に限らず、医療であれば、どのような医療に関する医療診断であってもよい。また、上記実施形態では、標本画像を取得する場合を示したが、医療に関する医療画像であれば、標本画像に限らず、どのような医療画像を取得してもよい。この場合、上記実施形態では、医療画像に応じた評価レシピに基づいて評価器を生成してもよい。
＜＜８．ハードウェア構成例＞＞
最後に、図１５を参照して、本実施形態に係る情報処理装置のハードウェア構成について説明する。図１５は、本実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。なお、図１５に示す情報処理装置９００は、例えば、図２に示す病院サーバ２０Ａ、病院サーバ２０Ｂ、評価レシピサーバ３０、又は端末装置４０Ｂを実現し得る。本実施形態に係る病院サーバ２０Ａ、病院サーバ２０Ｂ、評価レシピサーバ３０、又は端末装置４０Ｂによる情報処理は、ソフトウェアと、以下に説明するハードウェアとの協働により実現される。
最後に、図１５を参照して、本実施形態に係る情報処理装置のハードウェア構成について説明する。図１５は、本実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。なお、図１５に示す情報処理装置９００は、例えば、図２に示す病院サーバ２０Ａ、病院サーバ２０Ｂ、評価レシピサーバ３０、又は端末装置４０Ｂを実現し得る。本実施形態に係る病院サーバ２０Ａ、病院サーバ２０Ｂ、評価レシピサーバ３０、又は端末装置４０Ｂによる情報処理は、ソフトウェアと、以下に説明するハードウェアとの協働により実現される。
図１５に示すように、情報処理装置９００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）９０１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）９０２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９０３及びホストバス９０４ａを備える。また、情報処理装置９００は、ブリッジ９０４、外部バス９０４ｂ、インタフェース９０５、入力装置９０６、出力装置９０７、ストレージ装置９０８、ドライブ９０９、接続ポート９１１及び通信装置９１３を備える。情報処理装置９００は、ＣＰＵ９０１に代えて、又はこれとともに、電気回路、ＤＳＰ若しくはＡＳＩＣ等の処理回路を有してもよい。
ＣＰＵ９０１は、演算処理装置および制御装置として機能し、各種プログラムに従って情報処理装置９００内の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。ＣＰＵ９０１は、例えば、図２に示す第１の取得部２１、学習部２２、及び生成部２３を形成し得る。また、ＣＰＵ９０１は、例えば、図２に示す記憶制御部３１を形成し得る。また、ＣＰＵ９０１は、例えば、図２に示す第２の取得部２４を形成し得る。また、ＣＰＵ９０１は、例えば、図２に示す再現部４２及び評価部４３を形成し得る。
ＣＰＵ９０１、ＲＯＭ９０２及びＲＡＭ９０３は、ＣＰＵバスなどを含むホストバス９０４ａにより相互に接続されている。ホストバス９０４ａは、ブリッジ９０４を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス９０４ｂに接続されている。なお、必ずしもホストバス９０４ａ、ブリッジ９０４および外部バス９０４ｂを分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。
入力装置９０６は、例えば、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチ及びレバー等、ユーザによって情報が入力される装置によって実現される。また、入力装置９０６は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理装置９００の操作に対応した携帯電話やＰＤＡ等の外部接続機器であってもよい。さらに、入力装置９０６は、例えば、上記の入力手段を用いてユーザにより入力された情報に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などを含んでいてもよい。情報処理装置９００のユーザは、この入力装置９０６を操作することにより、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりすることができる。入力装置９０６は、例えば、図２に示す入力部４１を形成し得る。
出力装置９０７は、取得した情報をユーザに対して視覚的又は聴覚的に通知することが可能な装置で形成される。このような装置として、ＣＲＴディスプレイ装置、液晶ディスプレイ装置、プラズマディスプレイ装置、ＥＬディスプレイ装置、レーザープロジェクタ、ＬＥＤプロジェクタ及びランプ等の表示装置や、スピーカ及びヘッドホン等の音声出力装置や、プリンタ装置等がある。出力装置９０７は、例えば、情報処理装置９００が行った各種処理により得られた結果を出力する。具体的には、表示装置は、情報処理装置９００が行った各種処理により得られた結果を、テキスト、イメージ、表、グラフ等、様々な形式で視覚的に表示する。他方、音声出力装置は、再生された音声データや音響データ等からなるオーディオ信号をアナログ信号に変換して聴覚的に出力する。出力装置９０７は、例えば、図２に示す出力部４４を形成し得る。
ストレージ装置９０８は、情報処理装置９００の記憶部の一例として形成されたデータ格納用の装置である。ストレージ装置９０８は、例えば、ＨＤＤ等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス又は光磁気記憶デバイス等により実現される。ストレージ装置９０８は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置および記憶媒体に記録されたデータを削除する削除装置などを含んでもよい。このストレージ装置９０８は、ＣＰＵ９０１が実行するプログラムや各種データ及び外部から取得した各種のデータ等を格納する。ストレージ装置９０８は、例えば、図２に示す記憶部３２を形成し得る。
ドライブ９０９は、記憶媒体用リーダライタであり、情報処理装置９００に内蔵、あるいは外付けされる。ドライブ９０９は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記憶媒体に記録されている情報を読み出して、ＲＡＭ９０３に出力する。また、ドライブ９０９は、リムーバブル記憶媒体に情報を書き込むこともできる。
接続ポート９１１は、外部機器と接続されるインタフェースであって、例えばＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）などによりデータ伝送可能な外部機器との接続口である。
通信装置９１３は、例えば、ネットワーク９２０に接続するための通信デバイス等で形成された通信インタフェースである。通信装置９１３は、例えば、有線若しくは無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード等である。また、通信装置９１３は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ又は各種通信用のモデム等であってもよい。この通信装置９１３は、例えば、インターネットや他の通信機器との間で、例えばＴＣＰ／ＩＰ等の所定のプロトコルに則して信号等を送受信することができる。通信装置９１３は、例えば、図２に示す各装置間で信号を送受信し得る。
なお、ネットワーク９２０は、ネットワーク９２０に接続されている装置から送信される情報の有線、または無線の伝送路である。例えば、ネットワーク９２０は、インターネット、電話回線網、衛星通信網などの公衆回線網や、Ｅｔｈｅｒｎｅｔ（登録商標）を含む各種のＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）などを含んでもよい。また、ネットワーク９２０は、ＩＰ−ＶＰＮ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ−Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｎｅｔｗｏｒｋ）などの専用回線網を含んでもよい。
以上、本実施形態に係る情報処理装置９００の機能を実現可能なハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて実現されていてもよいし、各構成要素の機能に特化したハードウェアにより実現されていてもよい。従って、本実施形態を実施する時々の技術レベルに応じて、適宜、利用するハードウェア構成を変更することが可能である。
なお、上述のような本実施形態に係る情報処理装置９００の各機能を実現するためのコンピュータプログラムを作製し、ＰＣ等に実装することが可能である。また、このようなコンピュータプログラムが格納された、コンピュータで読み取り可能な記録媒体も提供することができる。記録媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記録媒体を用いずに、例えばネットワークを介して配信されてもよい。
＜＜９．まとめ＞＞
以上、図１〜図１５を参照して、本開示の一実施形態について詳細に説明した。上記説明したように、本実施形態に係る病院サーバ２０Ａは、撮像装置１０Ａにより撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、第１の標本の評価を行う評価器の評価器パラメータを学習する。そして、病院サーバ２０Ａは、評価器パラメータ及び評価器パラメータの学習環境を示す学習環境情報を含む評価レシピを生成し、評価レシピサーバ３０に記憶させる。一方、本実施形態に係る病院サーバ２０Ｂは、評価レシピサーバ３０に記憶された評価レシピを取得する。そして、端末装置４０Ｂは、病院サーバ２０Ｂにより取得された評価レシピに基づいて、撮像装置１０Ａとは異なる撮像装置１０Ｂにより撮像される第２の標本の評価のための評価環境として、当該評価レシピの学習環境情報が示す学習環境と同等の環境を再現する。これにより、第２の標本の評価環境と同等の学習環境において学習された評価器パラメータを評価器に適用して第２の標本の評価を行うことが可能となるので、第２の標本の評価精度を向上させることが可能となる。
以上、図１〜図１５を参照して、本開示の一実施形態について詳細に説明した。上記説明したように、本実施形態に係る病院サーバ２０Ａは、撮像装置１０Ａにより撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、第１の標本の評価を行う評価器の評価器パラメータを学習する。そして、病院サーバ２０Ａは、評価器パラメータ及び評価器パラメータの学習環境を示す学習環境情報を含む評価レシピを生成し、評価レシピサーバ３０に記憶させる。一方、本実施形態に係る病院サーバ２０Ｂは、評価レシピサーバ３０に記憶された評価レシピを取得する。そして、端末装置４０Ｂは、病院サーバ２０Ｂにより取得された評価レシピに基づいて、撮像装置１０Ａとは異なる撮像装置１０Ｂにより撮像される第２の標本の評価のための評価環境として、当該評価レシピの学習環境情報が示す学習環境と同等の環境を再現する。これにより、第２の標本の評価環境と同等の学習環境において学習された評価器パラメータを評価器に適用して第２の標本の評価を行うことが可能となるので、第２の標本の評価精度を向上させることが可能となる。
第１の再現処理では、第２の撮像画像が未だ撮像されていない状態で評価レシピが取得され、学習環境と同等の評価環境が再現される。そして、端末装置４０Ｂは、再現された評価環境において撮像装置１０Ｂにより撮像された、第２の標本の第２の標本画像を、評価レシピに含まれる評価器パラメータが適用された評価器により評価する。他方、第２の再現処理では、第２の作用が適用済みであり、第２の標本画像が撮像済みである状態において、学習環境と同等の評価環境が再現される。そして、端末装置４０Ｂは、撮像装置１０Ｂにより撮像された、第２の作用が適用された第２の標本の第２の標本画像を、評価環境と同等の学習環境において学習された評価器パラメータが適用された評価器により評価する。いずれにしろ、学習環境と評価環境とが同等となるので、評価器による評価精度を向上させることが可能となる。
なお、評価環境における撮像装置１０Ｂへの撮像パラメータの設定、及び第２の作用の適用等は、プロトコルが用意されているものの、人間により手動で実施される場合が多い。この点、本実施形態によれば、評価レシピに基づく再現処理において、少なくとも一部を機械的に実施することが可能となる。従って、人間の作業負担が軽減されると共に、人為的なミスを低減し、評価精度を向上させることが可能となる。
その他、評価レシピの活用により、論文の追試を簡単にしたり、実験を正確に再現したり、高い精度で細胞を培養したりすることが可能となる。
以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
例えば、上記実施形態では、病院サーバ２０Ａ、評価レシピサーバ３０、病院サーバ２０Ｂ及び端末装置４０Ｂに、図２に示すように各構成要素がマッピングされる例を説明したが、本技術は係る例に限定されない。例えば、端末装置４０Ｂに第２の取得部２４が含まれていてもよいし、他の任意のマッピングが許容される。
また、本明細書においてフローチャート及びシーケンス図を用いて説明した処理は、必ずしも図示された順序で実行されなくてもよい。いくつかの処理ステップは、並列的に実行されてもよい。また、追加的な処理ステップが採用されてもよく、一部の処理ステップが省略されてもよい。
また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。
なお、以下のような構成も本開示の技術的範囲に属する。
（１）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、
前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、
前記記憶媒体に記憶された前記評価設定情報を取得することと、
取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、
を含む情報処理方法。
（２）
前記学習することは、前記学習環境ごとに前記評価器パラメータを学習することを含む、前記（１）に記載の情報処理方法。
（３）
前記学習環境情報は、前記第１の標本画像の生成に関する第１の画像パラメータ、前記第１の作用を示す作用情報、及び前記第１の標本の属性を示す第１の属性情報を含む、前記（１）に記載の情報処理方法。
（４）
前記第１の画像パラメータは、前記第１の撮像装置の第１の撮像パラメータ、及び前記第１の標本画像に対して適用された画像処理を示す第１の画像処理情報を含む、前記（３）に記載の情報処理方法。
（５）
前記作用情報は、染色の種別を示す情報、及び染色に用いられる抗体の種別を示す情報を含む、前記（３）又は（４）に記載の情報処理方法。
（６）
前記第１の属性情報は、前記第１の標本の採取元の臓器の種別を含む、前記（３）〜（５）のいずれか一項に記載の情報処理方法。
（７）
前記第１の属性情報は、前記第１の標本のゲノム情報を含む、前記（３）〜（６）のいずれか一項に記載の情報処理方法。
（８）
前記情報処理方法は、
再現された前記評価環境において前記第２の撮像装置により撮像された、前記第２の標本の第２の標本画像を、前記評価設定情報に含まれる前記評価器パラメータが適用された前記評価器により評価することをさらに含む、前記（３）〜（７）のいずれか一項に記載の情報処理方法。
（９）
前記再現することは、前記第２の標本画像の生成に関する第２の画像パラメータを前記学習環境情報に含まれる第１の画像パラメータと同一にすることを含む、前記（８）に記載の情報処理方法。
（１０）
前記再現することは、前記第１の撮像装置の第１の撮像パラメータと前記第２の撮像装置の第２の撮像パラメータとの相違を埋めるための画像処理を前記第２の標本画像に適用することを含む、前記（８）に記載の情報処理方法。
（１１）
前記再現することは、前記第１の作用と同一の第２の作用を前記第２の標本に適用するための支援を行うことを含む、前記（８）〜（１０）のいずれか一項に記載の情報処理方法。
（１２）
前記取得することは、前記学習環境と同等の前記評価環境を再現することが可能な前記評価設定情報を取得することを含む、前記（８）〜（１１）のいずれか一項に記載の情報処理方法。
（１３）
前記情報処理方法は、
前記第２の撮像装置により撮像された、第２の作用が適用された前記第２の標本の第２の標本画像を、前記評価環境と同等の前記学習環境において学習された前記評価器パラメータが適用された前記評価器により評価することをさらに含む、前記（３）〜（７）のいずれか一項に記載の情報処理方法。
（１４）
前記取得することは、前記第１の撮像装置と前記第２の撮像装置とが同型であり、前記第１の標本の前記第１の属性情報と前記第２の標本の第２の属性情報が同一であり、前記第１の作用と前記第２の作用とが同一である、前記評価設定情報を取得することを含む、前記（１３）に記載の情報処理方法。
（１５）
前記評価することは、前記第１の撮像装置の第１の撮像パラメータと前記第２の撮像装置の第２の撮像パラメータとの相違を埋めるための画像処理を前記第２の標本画像に適用することを含む、前記（１３）又は（１４）に記載の情報処理方法。
（１６）
前記画像処理は、色補正又は拡縮の少なくともいずれかを含む、前記（１５）に記載の情報処理方法。
（１７）
前記情報処理方法は、
前記評価設定情報の識別情報、前記評価器パラメータの識別情報、及び前記第２の標本の評価結果を示す情報を出力することを含む、前記（１）〜（１６）のいずれか一項に記載の情報処理方法。
（１８）
前記評価することは、前記第２の標本におけるがん細胞の有無を判定すること、前記第２の標本の第２の標本画像においてがん細胞が発現した領域を特定すること、がん細胞の悪性度を判定すること、及びがん細胞の治療のための薬を特定すること、を含む、前記（１）〜（１７）のいずれか一項に記載の情報処理方法。
（１９）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、
前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、
を含む情報処理方法。
（２０）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて学習された、前記第１の標本の評価を行う評価器の評価器パラメータ、及び前記評価器パラメータの学習環境を示す学習環境情報を含む、評価設定情報を記憶媒体から取得することと、
取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、
を含む情報処理方法。
（２１）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習する学習部、並びに、前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を生成する生成部、を含む第１の情報処理装置と、
前記評価設定情報を記憶する記憶媒体を含む第２の情報処理装置と、
前記記憶媒体に記憶された前記評価設定情報を取得する取得部、並びに、取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現する再現部、を含む第３の情報処理装置と、
を備える情報処理システム。
（２２）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習する学習部と、
前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を生成する生成部と、
を備える情報処理装置。
（２３）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて学習された、前記第１の標本の評価を行う評価器の評価器パラメータ、及び前記評価器パラメータの学習環境を示す学習環境情報を含む、評価設定情報を記憶媒体から取得する取得部と、
取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現する再現部と、
を備える情報処理装置。
（２４）
情報処理システムであって、
病理医による操作に応じて当該病理医が利用する端末装置から送信される情報であって、病理診断のために撮像された標本画像に関する情報を取得する取得部と、
前記取得部によって取得された標本画像に関する情報に応じて補正された補正後の、当該標本画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、前記標本画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
（２５）
情報処理システムであって、
病理医による操作に応じて当該病理医が利用する端末装置から送信される情報であって、病理診断のために撮像された標本画像に関する情報を取得する取得部と、
前記取得部によって取得された標本画像に関する情報に応じた、当該標本画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、当該評価器に応じて補正された補正後の前記標本画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
（２６）
情報処理システムであって、
ユーザによる操作に応じて当該ユーザが利用する端末装置から送信される情報であって、診断のために撮像された医療画像に関する情報を取得する取得部と、
前記取得部によって取得された医療画像に関する情報に応じて補正された補正後の、当該医療画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、前記医療画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
（２７）
情報処理システムであって、
ユーザによる操作に応じて当該ユーザが利用する端末装置から送信される情報であって、診断のために撮像された医療画像に関する情報を取得する取得部と、
前記取得部によって取得された医療画像に関する情報に応じた、当該医療画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、当該評価器に応じて補正された補正後の前記医療画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
（１）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、
前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、
前記記憶媒体に記憶された前記評価設定情報を取得することと、
取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、
を含む情報処理方法。
（２）
前記学習することは、前記学習環境ごとに前記評価器パラメータを学習することを含む、前記（１）に記載の情報処理方法。
（３）
前記学習環境情報は、前記第１の標本画像の生成に関する第１の画像パラメータ、前記第１の作用を示す作用情報、及び前記第１の標本の属性を示す第１の属性情報を含む、前記（１）に記載の情報処理方法。
（４）
前記第１の画像パラメータは、前記第１の撮像装置の第１の撮像パラメータ、及び前記第１の標本画像に対して適用された画像処理を示す第１の画像処理情報を含む、前記（３）に記載の情報処理方法。
（５）
前記作用情報は、染色の種別を示す情報、及び染色に用いられる抗体の種別を示す情報を含む、前記（３）又は（４）に記載の情報処理方法。
（６）
前記第１の属性情報は、前記第１の標本の採取元の臓器の種別を含む、前記（３）〜（５）のいずれか一項に記載の情報処理方法。
（７）
前記第１の属性情報は、前記第１の標本のゲノム情報を含む、前記（３）〜（６）のいずれか一項に記載の情報処理方法。
（８）
前記情報処理方法は、
再現された前記評価環境において前記第２の撮像装置により撮像された、前記第２の標本の第２の標本画像を、前記評価設定情報に含まれる前記評価器パラメータが適用された前記評価器により評価することをさらに含む、前記（３）〜（７）のいずれか一項に記載の情報処理方法。
（９）
前記再現することは、前記第２の標本画像の生成に関する第２の画像パラメータを前記学習環境情報に含まれる第１の画像パラメータと同一にすることを含む、前記（８）に記載の情報処理方法。
（１０）
前記再現することは、前記第１の撮像装置の第１の撮像パラメータと前記第２の撮像装置の第２の撮像パラメータとの相違を埋めるための画像処理を前記第２の標本画像に適用することを含む、前記（８）に記載の情報処理方法。
（１１）
前記再現することは、前記第１の作用と同一の第２の作用を前記第２の標本に適用するための支援を行うことを含む、前記（８）〜（１０）のいずれか一項に記載の情報処理方法。
（１２）
前記取得することは、前記学習環境と同等の前記評価環境を再現することが可能な前記評価設定情報を取得することを含む、前記（８）〜（１１）のいずれか一項に記載の情報処理方法。
（１３）
前記情報処理方法は、
前記第２の撮像装置により撮像された、第２の作用が適用された前記第２の標本の第２の標本画像を、前記評価環境と同等の前記学習環境において学習された前記評価器パラメータが適用された前記評価器により評価することをさらに含む、前記（３）〜（７）のいずれか一項に記載の情報処理方法。
（１４）
前記取得することは、前記第１の撮像装置と前記第２の撮像装置とが同型であり、前記第１の標本の前記第１の属性情報と前記第２の標本の第２の属性情報が同一であり、前記第１の作用と前記第２の作用とが同一である、前記評価設定情報を取得することを含む、前記（１３）に記載の情報処理方法。
（１５）
前記評価することは、前記第１の撮像装置の第１の撮像パラメータと前記第２の撮像装置の第２の撮像パラメータとの相違を埋めるための画像処理を前記第２の標本画像に適用することを含む、前記（１３）又は（１４）に記載の情報処理方法。
（１６）
前記画像処理は、色補正又は拡縮の少なくともいずれかを含む、前記（１５）に記載の情報処理方法。
（１７）
前記情報処理方法は、
前記評価設定情報の識別情報、前記評価器パラメータの識別情報、及び前記第２の標本の評価結果を示す情報を出力することを含む、前記（１）〜（１６）のいずれか一項に記載の情報処理方法。
（１８）
前記評価することは、前記第２の標本におけるがん細胞の有無を判定すること、前記第２の標本の第２の標本画像においてがん細胞が発現した領域を特定すること、がん細胞の悪性度を判定すること、及びがん細胞の治療のための薬を特定すること、を含む、前記（１）〜（１７）のいずれか一項に記載の情報処理方法。
（１９）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、
前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、
を含む情報処理方法。
（２０）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて学習された、前記第１の標本の評価を行う評価器の評価器パラメータ、及び前記評価器パラメータの学習環境を示す学習環境情報を含む、評価設定情報を記憶媒体から取得することと、
取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、
を含む情報処理方法。
（２１）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習する学習部、並びに、前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を生成する生成部、を含む第１の情報処理装置と、
前記評価設定情報を記憶する記憶媒体を含む第２の情報処理装置と、
前記記憶媒体に記憶された前記評価設定情報を取得する取得部、並びに、取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現する再現部、を含む第３の情報処理装置と、
を備える情報処理システム。
（２２）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習する学習部と、
前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を生成する生成部と、
を備える情報処理装置。
（２３）
第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて学習された、前記第１の標本の評価を行う評価器の評価器パラメータ、及び前記評価器パラメータの学習環境を示す学習環境情報を含む、評価設定情報を記憶媒体から取得する取得部と、
取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現する再現部と、
を備える情報処理装置。
（２４）
情報処理システムであって、
病理医による操作に応じて当該病理医が利用する端末装置から送信される情報であって、病理診断のために撮像された標本画像に関する情報を取得する取得部と、
前記取得部によって取得された標本画像に関する情報に応じて補正された補正後の、当該標本画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、前記標本画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
（２５）
情報処理システムであって、
病理医による操作に応じて当該病理医が利用する端末装置から送信される情報であって、病理診断のために撮像された標本画像に関する情報を取得する取得部と、
前記取得部によって取得された標本画像に関する情報に応じた、当該標本画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、当該評価器に応じて補正された補正後の前記標本画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
（２６）
情報処理システムであって、
ユーザによる操作に応じて当該ユーザが利用する端末装置から送信される情報であって、診断のために撮像された医療画像に関する情報を取得する取得部と、
前記取得部によって取得された医療画像に関する情報に応じて補正された補正後の、当該医療画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、前記医療画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
（２７）
情報処理システムであって、
ユーザによる操作に応じて当該ユーザが利用する端末装置から送信される情報であって、診断のために撮像された医療画像に関する情報を取得する取得部と、
前記取得部によって取得された医療画像に関する情報に応じた、当該医療画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、当該評価器に応じて補正された補正後の前記医療画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
１ 診断システム
１０ 撮像装置
２０ 病院サーバ
２１ 第１の取得部
２２ 学習部
２３ 生成部
２４ 第２の取得部
３０ 評価レシピサーバ
３１ 記憶制御部
３２ 記憶部
４０ 端末装置
４１ 入力部
４２ 再現部
４３ 評価部
４４ 出力部
１０ 撮像装置
２０ 病院サーバ
２１ 第１の取得部
２２ 学習部
２３ 生成部
２４ 第２の取得部
３０ 評価レシピサーバ
３１ 記憶制御部
３２ 記憶部
４０ 端末装置
４１ 入力部
４２ 再現部
４３ 評価部
４４ 出力部
Claims (24)
- 第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、
前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、
前記記憶媒体に記憶された前記評価設定情報を取得することと、
取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、
を含む情報処理方法。 - 前記学習することは、前記学習環境ごとに前記評価器パラメータを学習することを含む、請求項１に記載の情報処理方法。
- 前記学習環境情報は、前記第１の標本画像の生成に関する第１の画像パラメータ、前記第１の作用を示す作用情報、及び前記第１の標本の属性を示す第１の属性情報を含む、請求項１に記載の情報処理方法。
- 前記第１の画像パラメータは、前記第１の撮像装置の第１の撮像パラメータ、及び前記第１の標本画像に対して適用された画像処理を示す第１の画像処理情報を含む、請求項３に記載の情報処理方法。
- 前記作用情報は、染色の種別を示す情報、及び染色に用いられる抗体の種別を示す情報を含む、請求項３に記載の情報処理方法。
- 前記第１の属性情報は、前記第１の標本の採取元の臓器の種別を含む、請求項３に記載の情報処理方法。
- 前記第１の属性情報は、前記第１の標本のゲノム情報を含む、請求項３に記載の情報処理方法。
- 前記情報処理方法は、
再現された前記評価環境において前記第２の撮像装置により撮像された、前記第２の標本の第２の標本画像を、前記評価設定情報に含まれる前記評価器パラメータが適用された前記評価器により評価することをさらに含む、請求項３に記載の情報処理方法。 - 前記再現することは、前記第２の標本画像の生成に関する第２の画像パラメータを前記学習環境情報に含まれる第１の画像パラメータと同一にすることを含む、請求項８に記載の情報処理方法。
- 前記再現することは、前記第１の撮像装置の第１の撮像パラメータと前記第２の撮像装置の第２の撮像パラメータとの相違を埋めるための画像処理を前記第２の標本画像に適用することを含む、請求項８に記載の情報処理方法。
- 前記再現することは、前記第１の作用と同一の第２の作用を前記第２の標本に適用するための支援を行うことを含む、請求項８に記載の情報処理方法。
- 前記取得することは、前記学習環境と同等の前記評価環境を再現することが可能な前記評価設定情報を取得することを含む、請求項８に記載の情報処理方法。
- 前記情報処理方法は、
前記第２の撮像装置により撮像された、第２の作用が適用された前記第２の標本の第２の標本画像を、前記評価環境と同等の前記学習環境において学習された前記評価器パラメータが適用された前記評価器により評価することをさらに含む、請求項３に記載の情報処理方法。 - 前記取得することは、前記第１の撮像装置と前記第２の撮像装置とが同型であり、前記第１の標本の前記第１の属性情報と前記第２の標本の第２の属性情報が同一であり、前記第１の作用と前記第２の作用とが同一である、前記評価設定情報を取得することを含む、請求項１３に記載の情報処理方法。
- 前記評価することは、前記第１の撮像装置の第１の撮像パラメータと前記第２の撮像装置の第２の撮像パラメータとの相違を埋めるための画像処理を前記第２の標本画像に適用することを含む、請求項１３に記載の情報処理方法。
- 前記画像処理は、色補正又は拡縮の少なくともいずれかを含む、請求項１５に記載の情報処理方法。
- 前記情報処理方法は、
前記評価設定情報の識別情報、前記評価器パラメータの識別情報、及び前記第２の標本の評価結果を示す情報を出力することを含む、請求項１に記載の情報処理方法。 - 前記評価することは、前記第２の標本におけるがん細胞の有無を判定すること、前記第２の標本の第２の標本画像においてがん細胞が発現した領域を特定すること、がん細胞の悪性度を判定すること、及びがん細胞の治療のための薬を特定すること、を含む、請求項１に記載の情報処理方法。
- 第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて、前記第１の標本の評価を行う評価器の評価器パラメータを学習することと、
前記評価器パラメータ及び前記評価器パラメータの学習環境を示す学習環境情報を含む評価設定情報を記憶媒体に記憶することと、
を含む情報処理方法。 - 第１の撮像装置により撮像された、第１の作用が適用された第１の標本の第１の標本画像に基づいて学習された、前記第１の標本の評価を行う評価器の評価器パラメータ、及び前記評価器パラメータの学習環境を示す学習環境情報を含む、評価設定情報を記憶媒体から取得することと、
取得された前記評価設定情報に基づいて、前記第１の撮像装置とは異なる第２の撮像装置により撮像される第２の標本の評価のための評価環境として、前記学習環境と同等の環境を再現することと、
を含む情報処理方法。 - 情報処理システムであって、
病理医による操作に応じて当該病理医が利用する端末装置から送信される情報であって、病理診断のために撮像された標本画像に関する情報を取得する取得部と、
前記取得部によって取得された標本画像に関する情報に応じて補正された補正後の、当該標本画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、前記標本画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。 - 情報処理システムであって、
病理医による操作に応じて当該病理医が利用する端末装置から送信される情報であって、病理診断のために撮像された標本画像に関する情報を取得する取得部と、
前記取得部によって取得された標本画像に関する情報に応じた、当該標本画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、当該評価器に応じて補正された補正後の前記標本画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。 - 情報処理システムであって、
ユーザによる操作に応じて当該ユーザが利用する端末装置から送信される情報であって、診断のために撮像された医療画像に関する情報を取得する取得部と、
前記取得部によって取得された医療画像に関する情報に応じて補正された補正後の、当該医療画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、前記医療画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。 - 情報処理システムであって、
ユーザによる操作に応じて当該ユーザが利用する端末装置から送信される情報であって、診断のために撮像された医療画像に関する情報を取得する取得部と、
前記取得部によって取得された医療画像に関する情報に応じた、当該医療画像の評価に関する設定を示す評価設定情報である評価レシピに基づいて評価器を生成する生成部と、
前記生成部によって生成された評価器であって、当該評価器に応じて補正された補正後の前記医療画像を評価するための評価器に関する情報を前記端末装置へ提供する提供部と、
を含む情報処理システム。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018212136 | 2018-11-12 | ||
| JP2018212136 | 2018-11-12 | ||
| JP2019194798 | 2019-10-25 | ||
| JP2019194798 | 2019-10-25 | ||
| PCT/JP2019/043338 WO2020100660A1 (ja) | 2018-11-12 | 2019-11-05 | 情報処理方法および情報処理システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPWO2020100660A1 true JPWO2020100660A1 (ja) | 2021-09-24 |
Family
ID=70731581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020530404A Pending JPWO2020100660A1 (ja) | 2018-11-12 | 2019-11-05 | 情報処理方法および情報処理システム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20220005188A1 (ja) |
| EP (1) | EP3723040A4 (ja) |
| JP (1) | JPWO2020100660A1 (ja) |
| CN (1) | CN111542857A (ja) |
| WO (1) | WO2020100660A1 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102441907B1 (ko) * | 2021-07-08 | 2022-09-08 | 가톨릭대학교 산학협력단 | 암 진단을 위한 이미지 분류 장치 및 이미지 분류 방법 |
| CN117813510A (zh) * | 2021-09-09 | 2024-04-02 | 株式会社岛津制作所 | 数据解析装置以及数据解析方法 |
| WO2024181592A1 (ko) * | 2023-02-27 | 2024-09-06 | 가톨릭대학교 산학협력단 | 유전자 변이를 식별하기 위한 복수의 이미지 분류 장치 및 그 분류 방법 |
| CN116664013B (zh) * | 2023-07-24 | 2023-09-22 | 西南林业大学 | 协作学习模式的效果评估方法、泛在智慧学习系统及介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5137481B2 (ja) | 2007-06-29 | 2013-02-06 | オリンパス株式会社 | 画像処理装置、画像処理プログラム、および画像処理方法 |
| JP5185151B2 (ja) * | 2009-02-09 | 2013-04-17 | オリンパス株式会社 | 顕微鏡観察システム |
| JP5557091B2 (ja) * | 2010-03-30 | 2014-07-23 | 日本電気株式会社 | 画像処理装置、画像読取装置、画像処理方法及び画像処理プログラム |
| JP2014191685A (ja) * | 2013-03-28 | 2014-10-06 | Nissan Motor Co Ltd | 画像処理装置および画像処理方法 |
| JP6979278B2 (ja) * | 2017-04-07 | 2021-12-08 | 株式会社日立ハイテク | 画像診断支援装置及び画像診断支援システム、並びに画像診断支援方法 |
-
2019
- 2019-11-05 JP JP2020530404A patent/JPWO2020100660A1/ja active Pending
- 2019-11-05 WO PCT/JP2019/043338 patent/WO2020100660A1/ja unknown
- 2019-11-05 US US16/959,805 patent/US20220005188A1/en not_active Abandoned
- 2019-11-05 CN CN201980007268.9A patent/CN111542857A/zh not_active Withdrawn
- 2019-11-05 EP EP19885077.8A patent/EP3723040A4/en not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| EP3723040A4 (en) | 2021-11-24 |
| WO2020100660A1 (ja) | 2020-05-22 |
| CN111542857A (zh) | 2020-08-14 |
| US20220005188A1 (en) | 2022-01-06 |
| EP3723040A1 (en) | 2020-10-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPWO2020100660A1 (ja) | 情報処理方法および情報処理システム | |
| Zarella et al. | A practical guide to whole slide imaging: a white paper from the digital pathology association | |
| JP7355924B2 (ja) | 画像認識モデルのトレーニング方法、画像認識方法及び装置 | |
| TW202112299A (zh) | 圖像處理方法、電子設備和電腦可讀儲存介質 | |
| US20190051215A1 (en) | Training and testing system for advanced image processing | |
| JP2021513075A (ja) | 光学組織像の分析及び遠隔読影のためのシステム及び方法 | |
| JP2021516373A (ja) | 病理顕微鏡並びに、その表示モジュール、制御方法、装置及びコンピュータプログラム | |
| JP5547597B2 (ja) | 病理診断支援装置、病理診断支援方法、病理診断支援のための制御プログラムおよび該制御プログラムを記録した記録媒体 | |
| CN112424588A (zh) | 从样本的自体荧光分离出荧光试剂的荧光的信息处理装置及显微镜 | |
| US11373422B2 (en) | Evaluation assistance method, evaluation assistance system, and computer-readable medium | |
| Rashid et al. | Narrative online guides for the interpretation of digital-pathology images and tissue-atlas data | |
| KR102222509B1 (ko) | 의료 영상에 관한 판단을 보조하는 방법 및 이를 이용한 장치 | |
| JP2022146822A (ja) | 画像診断システム及び画像診断方法 | |
| Kulak et al. | Smart glasses as a surgical pathology grossing tool | |
| JPWO2019146358A1 (ja) | 学習システム、方法及びプログラム | |
| Lebre et al. | Collaborative framework for a whole-slide image viewer | |
| Sendra-Balcells et al. | Generalisability of fetal ultrasound deep learning models to low-resource imaging settings in five African countries | |
| Winetraub et al. | OCT2Hist: non-invasive virtual biopsy using optical coherence tomography | |
| US11830622B2 (en) | Processing multimodal images of tissue for medical evaluation | |
| Rashid et al. | Interpretative guides for interacting with tissue atlas and digital pathology data using the Minerva browser | |
| JP2023526412A (ja) | 情報処理方法、電子装置、及びコンピュータ記憶媒体 | |
| CN108765413B (zh) | 用于图像分类的方法、装置及计算机可读介质 | |
| WO2021157397A1 (ja) | 情報処理装置及び情報処理システム | |
| JP2010128865A (ja) | 画像作成装置、画像表示装置、画像作成方法、及び画像表示方法 | |
| Tomioka et al. | Development of a novel artificial intelligence system for laparoscopic hepatectomy |