KR20200095506A

KR20200095506A - 기공 요금 자동 산출 시스템, 기공 요금 자동 산출 방법 및 프로그램

Info

Publication number: KR20200095506A
Application number: KR1020207018653A
Authority: KR
Inventors: 히로시 사토
Original assignee: 가부시키가이샤 디에스아이
Priority date: 2017-12-05
Filing date: 2017-12-05
Publication date: 2020-08-10
Also published as: CN111433802A; EP3723030A4; US20200311702A1; WO2019111327A1; JP7082352B2; EP3723030A1; JPWO2019111327A1

Abstract

보철물의 화상으로부터 청구의 근거 또는 청구액을 추정하는 것이 가능한 기공 요금 자동 산출 시스템, 기공 요금 자동 산출 방법 및 프로그램을 제공한다. 기공 요금 자동 산출 시스템 (100) 은, 보철물의 화상 데이터를 입력하는 화상 데이터 입력부 (110) 와, 보철물에 관련된 청구 금액의 산정 근거가 되는 근거 데이터를 입력하는 근거 데이터 입력부 (120) 와, 화상 데이터와 근거 데이터를 입력 하여, 화상 데이터와 근거 데이터의 상관성을 나타내는 학습 모델을 구축하는 학습부 (130) 를 구비한다.

Description

기공 요금 자동 산출 시스템, 기공 요금 자동 산출 방법 및 프로그램

본 발명은 기공 요금 자동 산출 발행 시스템, 기공 요금 자동 산출 방법 및 프로그램에 관한 것으로, 특히 보철물의 화상으로부터 청구의 근거 또는 청구액을 추정하는 기술에 관한 것이다.

종래부터, 치과 의원과 치과 기공소 사이의 수발주는 지시서를 통해 행해지고 있다. 지시서는, 치과 의원이 발행하는 서면으로서, 예를 들어 환자의 성명, 기공물명, 수량 및 기공물의 사양 (사용 재료나 제작 방법 등에 관한 지시를 포함할 수 있다), 발주원인 치과 의원명, 발주처인 치과 기공소명 등이 기재된다. 일반적으로, 치과 의원은 기제 (旣製) 의 지시서 용지에 필요 사항을 수기로 기입하여 지시서를 작성한다.

특허문헌 1 에는, 복수의 치과 의원과 복수의 치과 기공소 사이에서 보철물 (상기 기공물에 상당) 의 수발주를 행할 수 있는 컴퓨터 시스템이 기재되어 있다.

일본 공개특허공보 2016-071784호

특허문헌 1 에 기재된 시스템은, 종래의 서면 베이스의 수발주 업무를 컴퓨터 시스템화함으로써, 편리성을 향상시키는 것이다. 치과 기공소는, 특허문헌 1 에 기재된 바와 같은 시스템에 의해 발행되거나 또는 기성 (旣成) 용지에 수기로 기입된 지시서에 기초하여, 보철물을 제작한다. 그리고 완성된 보철물에 대하여, 보철물의 명칭, 수량, 사용 재료의 종류 및 양 그리고 제작 방법 등 (이하, 청구의 근거라고 한다) 에 기초하는 청구 금액을 계산하여, 치과 의원에 청구한다.

여기에서 청구의 근거 또는 청구액은, 오로지 치과 기공소의 자기 신고에 의존하고 있다. 치과 기공소가 구체적인 사용 재료나 공정에 관한 기록을 남길 수 있다면, 그 기록에 기초하여 청구의 근거 또는 청구액을 계산하는 것도 가능하지만, 용이한 것은 아니다. 지시서에 기초하여 청구의 근거 또는 청구액을 계산하는 것도 가능하지만, 치과 기공소는 지시서에 명확하게 기재되지 않는 사항을 미루어 짐작하여 보철물을 제작하는 경우도 있으므로, 이 방법도 반드시 적절한 것은 아니다. 그래서 실제로는, 치과 기공소는, 완성된 보철물이나 그 사진을 참조하면서, 타당하다고 생각되는 청구의 근거 또는 청구액을 경험 등에 기초하여 계상하는 경우가 적지 않다.

그러나, 이와 같이 하여 산출된 청구의 근거 또는 청구액은, 객관적으로 정확성을 뒷받침하는 것이 곤란하다. 치과 기공소, 치과 의원 또는 감사 기관 등 각각에 있어서, 청구의 근거 또는 청구액의 타당성은 중대한 관심사이다. 그 때문에, 개개의 보철물의 청구의 근거 또는 청구액에 대하여, 그 타당성을 객관적으로 뒷받침하기 위한 수단을 제공할 것이 요망된다.

본 발명은, 이와 같은 문제점을 해결하기 위해 이루어진 것으로, 보철물의 화상으로부터 청구의 근거 또는 청구액을 추정하는 것이 가능한 기공 요금 자동 산출 시스템, 기공 요금 자동 산출 방법 및 프로그램을 제공하는 것을 목적으로 한다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 시스템은, 보철물의 화상 데이터를 입력하는 화상 데이터 입력부와, 상기 보철물에 관련된 청구 금액의 산정 근거가 되는 근거 데이터를 입력하는 근거 데이터 입력부와, 상기 화상 데이터와 상기 근거 데이터를 입력하여, 상기 화상 데이터와 상기 근거 데이터의 상관성을 나타내는 학습 모델을 구축하는 학습부를 구비한다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 시스템은, 상기 학습부는, 상기 화상 데이터를 입력하여, 상기 학습 모델에 기초하여, 상기 화상 데이터와의 상관성이 높은 상기 근거 데이터를 출력하고, 상기 근거 데이터에 기초하여 상기 청구 금액을 추정하는 청구 금액 추정부를 추가로 구비한다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 시스템은, 상기 화상 데이터 입력부는, 상기 보철물의 화상 데이터 및 지시서에 관한 화상 데이터를 입력하고, 상기 학습부가 상기 보철물의 화상 데이터에 기초하여 출력하는 상기 근거 데이터와, 상기 지시서의 기재 내용이 상이한 경우에, 상기 학습부는, 상기 지시서의 기재 내용을 사용하여 상기 학습 모델을 갱신한다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 시스템은, 상기 화상 데이터 입력부는, 상기 보철물의 화상 데이터 및 지시서에 관한 화상 데이터를 입력하고, 상기 학습부가 상기 보철물의 화상 데이터에 기초하여 출력하는 상기 근거 데이터와, 상기 지시서의 기재 내용이 상이한 경우에, 상기 청구 금액 추정부는, 상기 상이한 사항을 출력한다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 방법은, 컴퓨터가, 보철물의 화상 데이터를 입력하는 화상 데이터 입력 스텝과, 상기 보철물에 관련된 청구 금액의 산정 근거가 되는 근거 데이터를 입력하는 근거 데이터 입력 스텝과, 상기 화상 데이터와 상기 근거 데이터를 입력하여, 상기 화상 데이터와 상기 근거 데이터의 상관성을 나타내는 학습 모델을 구축하는 학습 스텝을 구비한다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 시스템은, 상기 학습 스텝에서는, 상기 화상 데이터를 입력하여, 상기 학습 모델에 기초하여, 상기 화상 데이터와의 상관성이 높은 상기 근거 데이터를 출력하고, 상기 근거 데이터에 기초하여 상기 청구 금액을 추정하는 청구 금액 추정 스텝을 추가로 구비한다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 시스템은, 상기 화상 데이터 입력 스텝에서는, 상기 보철물의 화상 데이터 및 지시서에 관한 화상 데이터를 입력하고, 상기 학습 스텝에 있어서 상기 보철물의 화상 데이터에 기초하여 출력되는 상기 근거 데이터와, 상기 지시서의 기재 내용이 상이한 경우에, 상기 지시서의 기재 내용을 사용하여 상기 학습 모델을 갱신하는 스텝을 추가로 갖는다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 시스템은, 상기 화상 데이터 입력 스텝에서는, 상기 보철물의 화상 데이터 및 지시서에 관한 화상 데이터를 입력하고, 상기 학습 스텝에 있어서 상기 보철물의 화상 데이터에 기초하여 출력하는 상기 근거 데이터와, 상기 지시서의 기재 내용이 상이한 경우에, 상기 상이한 사항을 출력하는 스텝을 추가로 갖는다.

본 발명의 일 실시형태에 관련된 프로그램은, 상기 방법을 컴퓨터에 실행시키기 위한 프로그램이다.

본 발명의 일 실시형태에 관련된 기공 요금 자동 산출 시스템은, 보철물의 화상 데이터를 입력하는 화상 데이터 입력부와, 상기 보철물에 관련된 청구 금액을 입력하는 근거 데이터 입력부와, 상기 화상 데이터와 상기 청구 금액을 입력하여, 상기 화상 데이터와 상기 청구 금액의 상관성을 나타내는 학습 모델을 구축하는 학습부를 구비하는 기공 요금 자동 산출 시스템이다.

본 발명에 의해, 보철물의 화상으로부터 청구의 근거 또는 청구액을 추정하는 것이 가능한 기공 요금 자동 산출 시스템, 기공 요금 자동 산출 방법 및 프로그램을 제공할 수 있다.

도 1 은, 기공 요금 자동 산출 시스템 (100) 의 일 구성을 나타내는 블록도이다.
도 2 는, 기공 요금 자동 산출 시스템 (100) 의 일 구성을 나타내는 블록도이다.
도 3 은, 실시예 1 에 있어서의 기공 요금 자동 산출 시스템 (100) 의 동작을 나타내는 플로 차트이다.
도 4 는, 요금 테이블의 일례를 나타내는 도면이다.
도 5 는, 실시예 2 에 있어서의 기공 요금 자동 산출 시스템 (100) 의 동작을 나타내는 플로 차트이다.
도 6 은, 실시예 3 에 있어서의 기공 요금 자동 산출 시스템 (100) 의 동작을 나타내는 플로 차트이다.

이하, 본 발명을 적용한 구체적인 실시형태에 대하여, 도면을 참조하면서 상세히 설명한다. 먼저, 도 1 의 블록도를 사용하여, 본 발명의 실시형태에 관련된 기공 요금 자동 산출 시스템 (100) 의 구성에 대하여 설명한다.

기공 요금 자동 산출 시스템 (100) 은, 보철물의 화상과 청구의 근거의 상관 관계를 기계 학습에 의해 스스로 학습하는 정보 처리 장치이다. 기공 요금 자동 산출 시스템 (100) 은, 전형적으로는 중앙 처리 장치 (CPU) 가 기억 장치로부터 판독 출력한 소프트웨어 (학습 알고리즘 등) 를 실행함으로써 소정의 처리를 실현하는 정보 처리 시스템이다. 기공 요금 자동 산출 시스템 (100) 은, 1 개의 정보 처리 장치에 의해 구성되어도 되고, 복수의 정보 처리 장치가 분산적으로 처리를 실시함으로써 구성되어도 된다.

기공 요금 자동 산출 시스템 (100) 은, 보철물의 화상 데이터를 취득하는 화상 데이터 입력부 (110) 와, 보철물에 관련된 청구의 근거의 일부를 나타내는 근거 데이터를 취득하는 근거 데이터 입력부 (120) 와, 화상 데이터와 근거 데이터의 상관성을 학습하는 학습부 (130) 와, 청구 금액을 추정하는 청구 금액 추정부 (140) 를 구비한다.

화상 데이터 입력부 (110) 는, 하드웨어 (CPU 등) 에 의해 실현되어도 되고, 소프트웨어에 의해 정의된 기능을 하드웨어가 실행함으로써 논리적으로 실현되는 것이어도 된다. 화상 데이터 입력부 (110) 에 입력되는 화상 데이터는, 전형적으로는 치과 기공소에 의해 제작된 보철물을 카메라로 촬영하여 얻어진 2 차원 화상 데이터이다. 또는, 2 차원 화상 데이터에 안쪽 정보를 추가한 3 차원 화상 데이터나, 3 차원 스캐너 등에 의해 생성된 3 차원 모델 데이터를 화상 데이터로서 사용해도 된다.

화상 데이터 입력부 (110) 는, 입력된 화상 데이터로부터 특징량을 추출할 수 있다. 화상 데이터로부터의 특징량 추출 수법으로서 전형적인 것에 심층 학습 (딥 러닝) 이 있다. 심층 학습은, 다층의 뉴럴 네트워크를 사용한 기계 학습 수법이다. 심층 학습에서는, 오차 역전파법 (백프로퍼케이션) 이라고 칭해지는 수법을 사용함으로써, 입력 데이터를 다층 뉴럴 네트워크에 입력했을 때의 출력 오차가 최소가 되도록 학습을 실시한다. 이로써, 다층 뉴럴 네트워크는 입력 데이터의 특징량을 추출 가능하게 조정된다.

또 화상 데이터 입력부 (110) 는, 보철물의 화상 데이터와 함께, 그 보철물에 관련된 지시서의 화상 데이터를 입력해도 된다. 보철물의 화상 데이터와 지시서의 화상 데이터는 별체여도 되고, 동일해도 (즉 1 개의 화상에 보철물과 지시서가 찍혀 있어도) 된다. 화상 데이터 입력부 (110) 는, 지시서의 화상 데이터로부터 지시서의 기재 사항을 추출한다. 예를 들어 화상 데이터 입력부 (110) 는, 지시서에 기재되어 있는 바코드나 QR 코드 등을 판독하여, 바코드나 QR 코드 등에 포함되는 식별 정보를 취득하고, 식별 정보를 키로 하여 도시되지 않은 지시서의 관리 시스템 등으로부터 청구의 근거가 되는 정보를 취득할 수 있다. 혹은 화상 데이터 입력부 (110) 는, OCR (Optical Character Recognition) 등의 공지 기술을 이용하여, 지시서에 기재되어 있는 청구의 근거가 되는 정보를 취득해도 된다. 지시서로부터 취득된 이들 정보는, 학습 모드에 있어서 근거 데이터로서 사용할 수 있다. 혹은 판정 모드에 있어서 판정 결과의 타당성을 검증하기 위해 사용할 수 있다.

근거 데이터 입력부 (120) 는, 하드웨어 (CPU 등) 에 의해 실현되어도 되고, 소프트웨어에 의해 정의된 기능을 하드웨어가 실행함으로써 논리적으로 실현되는 것이어도 된다. 근거 데이터 입력부 (120) 에 입력되는 근거 데이터는, 예를 들어 화상 데이터에 포함되는 보철물의 종류 (즉 보철물의 명칭), 보철물의 수량이다. 게다가, 보철물을 제작할 때에 사용된 재료명, 재료의 사용량, 제작 방법 등을 포함해도 된다. 즉 청구의 근거를 구성하는 하나 또는 복수의 정보가 근거 데이터이다.

또한, 상관행 등에 따라서는, 보철물의 종류마다, 청구의 근거를 구성하는 근거 데이터가 상이한 경우가 있다. 예를 들어 보철물의 종류가「의치」인 경우, 재료의 사용량은 청구의 근거로서 사용되지 않는다. 한편, 다른 보철물의 종류에 있어서는, 재료의 사용량이 청구의 근거로서 사용되는 경우가 있다. 이와 같은 경우에 대응하기 위해, 근거 데이터 입력부 (120) 는, 입력된 근거 데이터 중, 필요한 근거 데이터만을 학습부 (130) 로 출력하는 기능을 구비하고 있어도 된다. 예를 들어 근거 데이터 입력부 (120) 는, 보철물의 종류와, 필요한 근거 데이터를 대응시킨 테이블을 구비한다. 근거 데이터 입력부 (120) 는, 근거 데이터가 입력되었다면 당해 테이블을 참조하여, 보철물의 종류에 대응하는 근거 데이터만을 출력할 수 있다.

학습부 (130) 는, 하드웨어 (CPU 등) 에 의해 실현되어도 되고, 소프트웨어에 의해 정의된 기능을 하드웨어가 실행함으로써 논리적으로 실현되는 것이어도 된다. 학습부 (130) 는, 공지된 임의의 기계 학습 알고리즘에 따라, 화상 데이터 (화상 데이터의 특징량을 포함하지만, 이하 간단히 화상 데이터라고 칭한다) 와 근거 데이터의 상관 관계를 학습하는 학습 모드와, 입력된 화상 데이터에 상관이 높은 근거 데이터를, 학습 모드에서의 학습 결과를 사용하여 출력하는 판정 모드를 갖는다.

학습 모드에 있어서, 학습부 (130) 는, 여러 가지 화상 데이터와 근거 데이터의 세트를 반복하여 입력하고, 학습 과정을 반복하여 실행한다. 이와 같이 학습 과정을 반복하여 실행함으로써, 화상 데이터와 근거 데이터의 상관성을 나타내는 학습 모델이 구축된다. 학습 모델이 나타내는 상관성은, 학습 과정이 진행됨에 따라 서서히 신뢰성을 증대시켜 간다. 충분히 신뢰할 수 있는 수준의 학습 모델이 구축되면, 그 학습 모델은, 입력된 화상 데이터에 대해, 어떠한 근거 데이터가 가장 상관성이 높은 것인지를 판정하기 위해 사용할 수 있는 것이 된다.

도 2 는, 학습 알고리즘으로서 지도 학습을 실행하는 학습부 (130) 를 구비한 기공 요금 자동 산출 시스템 (100) 의 구성을 나타내는 블록도이다. 지도 학습이란, 입력과 그에 대응하는 출력으로 이루어지는 데이터 세트 (이하, 교사 데이터) 를 대량으로 입력하고, 대량의 교사 데이터로부터 입력과 출력의 상관성을 식별하여 학습 모델을 구축해 가는 수법이다. 지도 학습은, 예를 들어 뉴럴 네트워크를 사용하여 실현할 수 있지만, 공지 기술이기 때문에 여기서는 그 상세한 구성에 관해서는 설명을 생략한다.

학습부 (130) 는, 화상 데이터 및 근거 데이터로부터 유도되는 상관성 모델 (M) 과, 미리 준비된 교사 데이터 (T) 로부터 식별되는 상관성 특징의 오차 (E) 를 계산하는 오차 계산부 (131) 와, 오차 (E) 를 축소하도록 상관성 모델 (M) 을 갱신하는 모델 갱신부 (132) 를 구비한다. 학습부 (130) 는, 모델 갱신부 (132) 가 상관성 모델 (M) 의 갱신을 반복함으로써 화상 데이터와 근거 데이터의 상관 관계를 학습해 나간다.

상관성 모델 (M) 의 초기값은, 예를 들어, 화상 데이터와 근거 데이터의 상관성을 단순화하여 (예를 들어 일차 함수로) 표현한 것으로, 지도 학습의 개시 전에 학습부 (130) 에 부여된다. 교사 데이터 (T) 는, 예를 들어, 과거에 제작된 보철물의 화상과, 그 보철물을 제작했을 때에 정확하게 기록한 청구의 근거의 데이터 세트이다. 오차 계산부 (131) 는, 학습부 (130) 에 부여된 대량의 교사 데이터 (T) 로부터 화상 데이터와 근거 데이터의 상관성을 나타내는 상관성 특징을 식별하여, 이 상관성 특징과, 현재 상태에 있어서의 화상 데이터 및 근거 데이터에 대응하는 상관성 모델 (M) 의 오차 (E) 를 구한다. 모델 갱신부 (132) 는, 미리 정한 갱신 룰에 따라, 오차 (E) 가 작아지는 방향으로 상관성 모델 (M) 을 갱신한다. 이 과정을 반복함으로써, 상관성 모델 (M) 은 화상 데이터와 근거 데이터의 상관성을 정확하게 나타내는 것이 되도록 서서히 조정된다.

판정 모드에 있어서, 학습부 (130) 는, 학습 모드에 있어서 구축된 학습 모델에 기초하여, 화상 데이터에 대응하는 근거 데이터를 자동적이고 또한 정확하게 구할 수 있다. 즉 보철물의 화상 데이터를 학습 모델에 입력으로서 부여함으로써, 학습 모델이 그 보철물에 관련된 청구의 근거 (보철물의 명칭, 수량, 사용 재료의 종류 및 양 그리고 제작 방법 등) 를 자동적이고 또한 정확하게 출력한다.

청구 금액 추정부 (140) 는, 판정 모드에 있어서 학습부 (130) 가 출력한 청구의 근거에 기초하여, 청구 금액을 산출한다. 예를 들어 청구 금액 추정부 (140) 는, 청구의 근거와 청구 단가의 대응 관계나, 청구 금액의 산출 룰 등을 정의한 요금 테이블을 갖는다. 예를 들어 요금 테이블은, 재료의 단위량 당의 단가를 재료명마다 정의한 것이나, 제작 방법마다 기술 요금을 정의한 것, 보철물의 종류마다 청구 금액의 적산 룰을 정의한 것이어도 된다. 청구 금액 추정부 (140) 는, 학습부 (130) 가 출력한 청구의 근거와, 요금 테이블의 기재 내용을 사용하여, 청구 금액을 적산한다.

재료 단가나 공임 단가 등은, 사회 정세 등에 따라 변동되는 경우가 있다. 또 청구 금액의 산출 룰 등도, 법령의 개변 등에 수반하여 변경되는 경우가 있다. 이와 같은 경우에도, 본 실시형태에 의하면, 요금 테이블의 기재 내용을 수정함으로써 계속해서 올바른 청구 금액을 산출하는 것이 가능하다. 즉, 다시 학습 과정을 실행하여 학습 모델을 새로 작성할 필요가 없다.

이하, 실시예로서, 상기 서술한 학습 과정을 거쳐 생성된 학습 모델을 이용하는 방법에 대하여 몇 가지 예를 개시한다.

＜실시예 1＞

실시예 1 은, 학습 모델을 이용하여, 보철물에 관련된 청구 금액을 자동 산출하는 기공 요금 자동 산출 시스템 (100) 에 관한 것이다. 도 3 의 플로 차트를 사용하여, 실시예 1 에 관련된 기공 요금 자동 산출 시스템 (100) 의 동작에 대하여 설명한다.

S101 : 화상 데이터 입력부 (110) 가, 보철물의 화상 데이터를 취득한다. 예를 들어 치과 기공사가, 자신이 제작한 보철물을, 화상 데이터 입력부 (110) 의 구성 요소로서의 카메라를 구비한 스마트폰으로 촬영한다. 화상 데이터 입력부 (110) 는, 화상 데이터로부터 특징량을 추출한다.

S102 : 화상 데이터 입력부 (110) 가, S101 에서 취득된 화상 데이터의 특징량을 학습부 (130) 에 입력한다. 학습부 (130) 는, 화상 데이터의 특징량을 학습 모델에 입력하고, 화상 데이터와 상관성이 높은 근거 데이터를 출력으로서 얻는다. 여기서 얻어지는 근거 데이터는, 예를 들어 보철물의 종류 (즉 보철물의 명칭), 보철물의 수량, 사용한 재료명, 재료의 사용량 등을 포함한다.

S103 : 청구 금액 추정부 (140) 가, S102 에서 얻어진 근거 데이터와, 미리 유지되어 있는 요금 테이블에 기초하여 청구 금액을 산정한다.

도 4 에, 요금 테이블의 일례를 나타낸다. 이 요금 테이블에서는, 재료명마다 단가가, 보철물의 종류마다 제작 기술료가 각각 정의되어 있다. 이 경우, 청구 금액 추정부 (140) 는 식 (1) 에 의해 청구 금액을 산정할 수 있다.

청구 금액 ＝ 보철물의 수량 * (사용한 재료명의 단가 * 사용량 ＋ 보철물의 종류의 제작 기술료) … (1)

예를 들어, S102 에서 얻어진 근거 데이터에 의하면, 보철물의 수량이 1, 보철물의 종류가 A, 보철물의 수량이 1, 사용한 재료명이 P, 재료의 사용량이 10 이라고 한다. 또 요금 테이블에 의하면, 재료 P 의 단가는 100 엔, 보철물 A 의 제작 기술료는 1000 엔이라고 한다. 이 경우의 청구 금액은,

1 * (100 엔 * 10 ＋ 1000 엔) ＝ 2000 엔

이 된다.

S104 : 청구 금액 추정부 (140) 가, S103 에서 산정한 청구 금액을 출력한다. 예를 들어, 도시되지 않은 표시 장치에 청구 금액을 표시할 수 있다. 혹은 도시되지 않은 청구 시스템에 대해 청구 금액을 제공하여, 청구 시스템이 청구서를 발행할 때에 이용할 수도 있다.

＜실시예 2＞

실시예 2 는, 학습 모델을 수시로 갱신하여, 추정 정밀도를 계속적으로 유지 및 향상시킬 수 있는 자동 산출 시스템 (100) 에 관한 것이다. 도 5 의 플로 차트를 사용하여, 실시예 2 에 관련된 기공 요금 자동 산출 시스템 (100) 의 동작에 대하여 설명한다.

S201 : 실시예 1 의 S101 과 동일하게, 화상 데이터 입력부 (110) 가 화상 데이터를 취득한다. 본 실시예의 화상 데이터에는, 보철물과, 지시서가 찍혀 있는 것으로 한다.

화상 데이터 입력부 (110) 는, 화상 중에 지시서의 특징 (바코드, QR 코드, 서류의 타이틀 등) 을 인식했다면, 지시서 중의 청구의 근거가 되는 정보를 취득한다. 바코드나 QR 코드 등이 인식된 경우, 화상 데이터 입력부 (110) 는, 바코드나 QR 코드 등에 포함되는 일의의 식별 정보를 취득한다. 그리고, 도시되지 않은 지시서의 관리 시스템 등으로부터, 식별 정보에 대응하여 보존되어 있는 청구의 근거가 되는 정보 (보철물의 종류, 보철물의 수량, 사용한 재료명, 재료의 사용량 등) 를 취득한다. 또는 지시서에 청구의 근거가 되는 정보가 직접 기재되어 있으면, 화상 데이터 입력부 (110) 는 OCR 등의 공지 기술을 이용하여, 청구의 근거가 되는 정보를 판독할 수 있다.

또한, 화상 데이터 입력부 (110) 는, 실시예 1 의 S101 과 동일하게, 화상 데이터로부터 보철물의 특징량을 추출한다.

S202 : 실시예 1 의 S102 와 동일하게, 화상 데이터 입력부 (110) 가, S101 에서 취득된 화상 데이터의 특징량을 학습부 (130) 에 입력한다. 학습부 (130) 는, 화상 데이터의 특징량을 학습 모델에 입력하고, 화상 데이터와 상관성이 높다고 추정되는 근거 데이터를 출력으로서 얻는다.

S203 : 청구 금액 추정부 (140) 는, S202 에서 학습 모델로부터 얻어진 근거 데이터와, S201 에서 지시서로부터 얻어진 청구의 근거가 되는 정보를 비교한다. 양자가 일치하는 경우, 학습 모델의 정밀도는 적절하다고 생각되므로, S204 로 천이한다. 한편, 양자가 일치하지 않으면, 학습 모델의 정밀도를 향상시키는 처리를 실시하기 위해 S205 로 천이한다.

S204 : 청구 금액 추정부 (140) 가, 실시예 1 의 S103 과 동일하게, S202 에서 얻어진 근거 데이터와, 미리 유지되어 있는 요금 테이블에 기초하여 청구 금액을 산정한다.

S205 : 학습 모델의 정밀도를 유지 및 향상시키기 위해서는, 새로운 학습용 데이터를 추가하여 학습 모델을 갱신하는 것이 유효하다. 학습 모델의 전형적인 갱신 방법으로서, 과거의 학습 데이터와 새로운 학습 데이터를 한번에 부여하여 새로 학습 모델을 다시 만드는 배치 처리와, 새로운 학습 데이터만을 부여하여 기존의 학습 모델을 순차적으로 갱신하는 추가 학습 (온라인 학습이라고도 칭해진다) 이 있다. 본 실시예에서는, 계산에 가해지는 부하나 시간을 억제 가능한 온라인 학습에 의해 학습 모델을 갱신한다.

화상 데이터 입력부 (110) 는, S201 에서 취득한 보철물의 화상 데이터의 특징량을 학습부 (130) 로 출력한다. 또 근거 데이터 입력부 (120) 는, S201 에서 지시서로부터 얻어진 청구의 근거가 되는 정보를, 근거 데이터로서 학습부 (130) 로 출력한다. 학습부 (130) 는, 이들 화상 데이터와 근거 데이터의 세트를 사용하여 온라인 학습을 실시하고, 학습 모델을 갱신한다. 또한 온라인 학습을 실시하기 위한 구체적 처리에 대해서는, 예를 들어 하기 문헌에 기재되어 있는 바와 같이 공지 기술이므로, 여기서는 상세한 설명을 생략한다.

Shai Shalev-Shwartz,「Online Learning and Online Convex Optimization」, Foundations and Trends in Machine Learning, 2011년, Vol.4, No.2, 제107-194페이지

S206 : 청구 금액 추정부 (140) 가, 실시예 1 의 S103 과 동일하게, S201 에서 지시서로부터 얻어진 청구의 근거가 되는 정보와, 미리 유지되어 있는 요금 테이블에 기초하여 청구 금액을 산정한다.

S207 : 청구 금액 추정부 (140) 가, S204 또는 S206 에서 산정한 청구 금액을 출력한다.

＜실시예 3＞

실시예 3 은, 충분히 학습이 진행된 (즉 충분한 추정 정밀도를 갖는) 학습 모델을 사용하여 지시서의 정확성을 체크할 수 있는 자동 산출 시스템 (100) 에 관한 것이다. 도 6 의 플로 차트를 사용하여, 실시예 3 에 관련된 기공 요금 자동 산출 시스템 (100) 의 동작에 대하여 설명한다.

S301 : 실시예 1 의 S101 과 동일하게, 화상 데이터 입력부 (110) 가 화상 데이터를 취득한다. 본 실시예의 화상 데이터에는, 보철물과, 지시서가 찍혀 있는 것으로 한다. 화상 데이터 입력부 (110) 는, 실시예 2 의 S201 과 동일하게, 지시서 증의 청구의 근거가 되는 정보를 취득한다.

S302 : 실시예 1 의 S102 와 동일하게, 화상 데이터 입력부 (110) 가, S301 에서 취득된 화상 데이터의 특징량을 학습부 (130) 에 입력한다. 학습부 (130) 는, 화상 데이터의 특징량을 학습 모델에 입력하고, 화상 데이터와 상관성이 높다고 추정되는 근거 데이터를 출력으로서 얻는다.

S303 : 청구 금액 추정부 (140) 가, 실시예 1 의 S103 과 동일하게, S302 에서 얻어진 근거 데이터와, 미리 유지되어 있는 요금 테이블에 기초하여 청구 금액을 산정한다.

S304 : 청구 금액 추정부 (140) 가, S303 에서 산정한 청구 금액을 출력한다.

S305 : 청구 금액 추정부 (140) 는, S302 에서 학습 모델로부터 얻어진 근거 데이터와, S301 에서 지시서로부터 얻어진 청구의 근거가 되는 정보를 비교한다. 양자가 일치하는 경우, 지시서의 내용은 정확하다고 생각된다. 한편, 양자가 일치하지 않으면 S306 으로 천이한다.

S306 : 청구 금액 추정부 (150) 는, S301 에서 지시서로부터 얻어진 청구의 근거가 되는 정보 중, S302 에서 학습 모델로부터 얻어진 근거 데이터와 상이한 부분을 출력한다. 예를 들어, 도시되지 않은 표시 장치에 상이한 항목을 표시할 수 있다.

또한, 본 발명은 상기 실시형태에 한정된 것이 아니라, 취지를 일탈하지 않는 범위에서 적절히 변경하는 것이 가능하다. 예를 들어, 상기 서술한 실시형태에서는, 근거 데이터 입력부 (120) 에는 청구의 근거를 구성하는 근거 데이터가 입력되고, 학습부 (130) 는 화상 데이터와 근거 데이터의 상관성을 학습하는 예를 설명하였다. 그러나, 본 발명은 이것에 한정되는 것은 아니다. 예를 들어, 근거 데이터 입력부 (120) 에는, 청구 금액이 입력되어도 된다. 이 경우, 학습부 (130) 는 학습 모드에 있어서, 화상 데이터와 청구 금액의 상관성을 학습한다. 그리고 판정 모드에 있어서, 학습부 (130) 는, 보철물의 화상 데이터가 입력으로서 부여되면, 그 보철물에 대응하는 청구 금액을 출력한다.

이 수법에 의하면, 기공 요금 자동 산출 시스템 (100) 은, 청구 금액 추정부 (140) 를 구비하지 않고, 청구 금액을 출력하는 것이 가능하다.

또, 상기 서술한 실시형태에서는, 학습 모드에 있어서, 근거 데이터 입력부 (120) 는 보철물의 청구의 근거를 구성하는 근거 데이터를 전부 출력하였다. 학습부 (130) 는 화상 데이터와, 입력된 모든 근거 데이터의 상관성을 학습하였다. 그러나, 본 발명은 이것에 한정되는 것은 아니다. 즉 학습 모드에 있어서, 근거 데이터 입력부 (120) 는 보철물의 청구의 근거를 구성하는 근거 데이터의 일부만을 출력해도 된다. 학습부 (130) 는 화상 데이터와, 입력된 일부의 근거 데이터의 상관성을 학습해도 된다.

예를 들어 청구의 근거를 A, B, C ‥ 라는 복수의 근거 데이터군으로 분할할 수 있는 경우 (여기서 근거 데이터군 A, B, C ‥ 에는 각각 하나 또는 복수의 근거 데이터가 포함되어도 된다), 학습부 (130) 는 학습 모드에 있어서, 화상 데이터와 근거 데이터군 A 의 상관성을 나타내는 학습 모델 a, 화상 데이터와 근거 데이터군 B 의 상관성을 나타내는 학습 모델 b, 화상 데이터와 근거 데이터군 C 의 상관성을 나타내는 학습 모델 c 를 각각 구축해도 된다. 이 경우, 청구 금액 추정부 (140) 는, 추정 모드의 학습부 (130) 가 학습 모델 a, 학습 모델 b, 학습 모델 c 를 사용하여 각각 추정한 근거 데이터를 한데 모은 후, 상기 서술한 실시형태와 동일한 수법으로 청구 금액을 산출한다.

이 수법에 의하면, 기공 요금 자동 산출 시스템 (100) 은, 필요에 따라, 특정한 근거 데이터에 관한 학습 모델만을 튜닝하거나, 재구축하거나, 바꾸거나 할 수 있다. 이 경우, 그 밖의 근거 데이터에 관한 학습 모델은 계속해서 사용할 수 있다는 이점이 있다.

또, 상기 서술한 실시형태에서는, 학습부 (130) 는 지도 학습에 의해 화상 데이터와 근거 데이터의 상관성을 학습했지만, 학습은 다른 기계 학습 수법, 예를 들어 비지도 학습이나 강화 학습 등에 따라 이루어져도 상관없다.

또한, 본 발명을 구성하는 각 처리 수단은, 하드웨어에 의해 구성되는 것이어도 되고, 임의의 처리를, CPU (Central Processing Unit) 에 컴퓨터 프로그램을 실행시킴으로써 논리적으로 실현하는 것이어도 된다. 이 경우, 컴퓨터 프로그램은, 여러 가지 타입의 비일시적인 컴퓨터 가독 매체 (non-transitory computer readable medium) 를 사용하여 격납되어, 컴퓨터에 공급할 수 있다. 또한, 프로그램은, 여러 가지 타입의 일시적인 컴퓨터 가독 매체 (transitory computer readable medium) 에 의해 컴퓨터에 공급되어도 된다. 일시적인 컴퓨터 가독 매체는, 전기 신호, 광 신호, 및 전자파를 포함한다. 일시적인 컴퓨터 가독 매체는, 전선 및 광 파이버 등의 유선 통신로, 또는 무선 통신로를 통해 프로그램을 컴퓨터에 공급할 수 있다.

100 : 기공 요금 자동 산출 시스템
110 : 화상 데이터 입력부
120 : 근거 데이터 입력부
130 : 학습부
131 : 오차 계산부
132 : 모델 갱신부
140 : 청구 금액 추정부

Claims

보철물의 화상 데이터를 입력하는 화상 데이터 입력부와,
상기 보철물에 관련된 청구 금액의 산정 근거가 되는 근거 데이터를 입력하는 근거 데이터 입력부와,
상기 화상 데이터와 상기 근거 데이터를 입력하여, 상기 화상 데이터와 상기 근거 데이터의 상관성을 나타내는 학습 모델을 구축하는 학습부를 구비하는, 기공 요금 자동 산출 시스템.
제 1 항에 있어서,
상기 학습부는, 상기 화상 데이터를 입력하여, 상기 학습 모델에 기초하여, 상기 화상 데이터와의 상관성이 높은 상기 근거 데이터를 출력하고,
상기 근거 데이터에 기초하여 상기 청구 금액을 추정하는 청구 금액 추정부를 추가로 구비하는, 기공 요금 자동 산출 시스템.
제 1 항에 있어서,
상기 화상 데이터 입력부는, 상기 보철물의 화상 데이터 및 지시서에 관한 화상 데이터를 입력하고,
상기 학습부가 상기 보철물의 화상 데이터에 기초하여 출력하는 상기 근거 데이터와, 상기 지시서의 기재 내용이 상이한 경우에, 상기 학습부는, 상기 지시서의 기재 내용을 사용하여 상기 학습 모델을 갱신하는, 기공 요금 자동 산출 시스템.
제 1 항에 있어서,
상기 화상 데이터 입력부는, 상기 보철물의 화상 데이터 및 지시서에 관한 화상 데이터를 입력하고,
상기 학습부가 상기 보철물의 화상 데이터에 기초하여 출력하는 상기 근거 데이터와, 상기 지시서의 기재 내용이 상이한 경우에, 상기 청구 금액 추정부는, 상기 상이한 사항을 출력하는, 기공 요금 자동 산출 시스템.
컴퓨터가,
보철물의 화상 데이터를 입력하는 화상 데이터 입력 스텝과,
상기 보철물에 관련된 청구 금액의 산정 근거가 되는 근거 데이터를 입력하는 근거 데이터 입력 스텝과,
상기 화상 데이터와 상기 근거 데이터를 입력하여, 상기 화상 데이터와 상기 근거 데이터의 상관성을 나타내는 학습 모델을 구축하는 학습 스텝을 구비하는, 기공 요금 자동 산출 방법.
제 5 항에 있어서,
상기 학습 스텝에서는, 상기 화상 데이터를 입력하여, 상기 학습 모델에 기초하여, 상기 화상 데이터와의 상관성이 높은 상기 근거 데이터를 출력하고,
상기 근거 데이터에 기초하여 상기 청구 금액을 추정하는 청구 금액 추정 스텝을 추가로 구비하는, 기공 요금 자동 산출 방법.
제 5 항에 있어서,
상기 화상 데이터 입력 스텝에서는, 상기 보철물의 화상 데이터 및 지시서에 관한 화상 데이터를 입력하고,
상기 학습 스텝에 있어서 상기 보철물의 화상 데이터에 기초하여 출력되는 상기 근거 데이터와, 상기 지시서의 기재 내용이 상이한 경우에, 상기 지시서의 기재 내용을 사용하여 상기 학습 모델을 갱신하는 스텝을 추가로 갖는, 기공 요금 자동 산출 방법.
제 5 항에 있어서,
상기 화상 데이터 입력 스텝에서는, 상기 보철물의 화상 데이터 및 지시서에 관한 화상 데이터를 입력하고,
상기 학습 스텝에 있어서 상기 보철물의 화상 데이터에 기초하여 출력하는 상기 근거 데이터와, 상기 지시서의 기재 내용이 상이한 경우에, 상기 상이한 사항을 출력하는 스텝을 추가로 갖는, 기공 요금 자동 산출 방법.
제 5 항 내지 제 8 항 중 어느 한 항에 기재된 방법을 컴퓨터에 실행시키기 위한 프로그램.
보철물의 화상 데이터를 입력하는 화상 데이터 입력부와,
상기 보철물에 관련된 청구 금액을 입력하는 근거 데이터 입력부와,
상기 화상 데이터와 상기 청구 금액을 입력하여, 상기 화상 데이터와 상기 청구 금액의 상관성을 나타내는 학습 모델을 구축하는 학습부를 구비하는, 기공 요금 자동 산출 시스템.