WO2010098015A1 - 医療意志決定支援装置及びその制御方法 - Google Patents

医療意志決定支援装置及びその制御方法 Download PDF

Info

Publication number
WO2010098015A1
WO2010098015A1 PCT/JP2010/000601 JP2010000601W WO2010098015A1 WO 2010098015 A1 WO2010098015 A1 WO 2010098015A1 JP 2010000601 W JP2010000601 W JP 2010000601W WO 2010098015 A1 WO2010098015 A1 WO 2010098015A1
Authority
WO
WIPO (PCT)
Prior art keywords
inference
medical
information
inference result
degree
Prior art date
Application number
PCT/JP2010/000601
Other languages
English (en)
French (fr)
Inventor
川岸将実
飯塚義夫
Original Assignee
キヤノン株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by キヤノン株式会社 filed Critical キヤノン株式会社
Priority to EP10745904A priority Critical patent/EP2402903A4/en
Priority to US12/822,999 priority patent/US8880455B2/en
Publication of WO2010098015A1 publication Critical patent/WO2010098015A1/ja
Priority to US14/495,242 priority patent/US9436915B2/en
Priority to US15/244,085 priority patent/US20160357925A1/en

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

Definitions

  • the present invention relates to a medical decision support apparatus that processes medical information and presents the obtained information, and a control method thereof.
  • a doctor displays a medical image obtained by imaging a patient on a monitor, interprets the displayed medical image, and observes the state of a lesion and changes over time.
  • ⁇ CR Computed Radiography
  • CT Computed Tomography
  • MRI Magnetic Resonance Imaging
  • PET Positron Emission Tomography
  • SPECT image Single Photon Emission Computed Tomography
  • US Ultrasound System
  • CAD computer-aided diagnosis
  • Patent Document 1 describes a technique for simultaneously superimposing and displaying on a medical image a marker of an abnormal shadow candidate and information supporting the determination of an abnormality.
  • Patent Document 2 describes a technique for displaying features / references used in computer-aided detection as an encoding descriptor on an image. According to Patent Documents 1 and 2 described above, the type of the abnormal shadow candidate can be determined more accurately by presenting the reason of the inference to the detected abnormal shadow to the user.
  • Non-Patent Document 1 is referred to in the section "Forms for carrying out the invention"
  • Patent Document 1 presents reasons for detection of abnormal shadow candidates, only one of the reasons is presented, and measures to be taken when there is a large amount of information that is the basis of reasoning are indicated. Absent. Although the technique described in Patent Document 2 can select a plurality of pieces of ground information to be displayed, the information to be presented is left to the user's selection, and it is determined which information should be selected and presented to the user It has not been done. Further, in Patent Document 1 and Patent Document 2, only positive information is presented in the inference result, so the reliability of the inference result can be judged only from the positive information.
  • a medical decision support apparatus that allows a user to easily and accurately determine the reliability of inference results from medical decision support.
  • a medical decision support system has the following configuration. That is, Reasoning means for performing an inference process related to medical diagnosis based on a plurality of input medical information, and obtaining an inference result; Calculating means for calculating the degree of negation or affirmation of the inference result for each of a plurality of subsets having medical information extracted from the plurality of medical information as elements; Presentation means for presenting, among the plurality of subsets, negative information indicating medical information included in the subset for which the degree of denial is calculated by the calculation means; Equipped with
  • the user can easily and accurately determine the reliability of the inference result by the medical decision support.
  • FIG. 1 shows an example of the device configuration of a medical decision support system according to an embodiment.
  • 5 is a flowchart showing the processing procedure of the first to third embodiments.
  • FIG. 3 is a flowchart showing a detailed processing procedure of step S204 in FIG. 2;
  • FIG. 1 shows an example of the device configuration of a medical decision support system according to an embodiment.
  • 5 is a flowchart showing the processing procedure of the first to third embodiments.
  • FIG. 3 is a flowchart showing a detailed processing procedure of step S204 in FIG. 2;
  • FIG. 3 is a flowchart showing a detailed processing procedure of step S204 in FIG. 2;
  • FIG. 3 is a flowchart showing a detailed processing procedure of step S205 in FIG. 2;
  • the figure which shows an example of the display in the monitor 104 in the case of k 1 in 2nd Embodiment.
  • the figure which shows an example of the display in the monitor 104 in the case of k 2 in 2nd Embodiment.
  • FIG. 3 is a flowchart showing a detailed processing procedure of step S205 in FIG. 2;
  • FIG. 1 is a diagram showing an example of the device configuration of the medical decision making support apparatus according to the first embodiment.
  • the medical decision making support apparatus 1 performs inference processing related to medical diagnosis based on a plurality of input medical information to obtain an inference result, and includes a control unit 10, a monitor 104, a mouse 105, and a keyboard 106.
  • the control unit 10 includes a central processing unit (CPU) 100, a main memory 101, a magnetic disk 102, and a display memory 103. Then, when the CPU 100 executes a program stored in the main memory 101, various controls such as communication with the medical image database 2 and the medical record database 3 and overall control of the medical decision support apparatus 1 are executed. .
  • CPU central processing unit
  • the CPU 100 mainly controls the operation of each component of the medical decision support system 1.
  • the main memory 101 stores a control program executed by the CPU 100, and provides a work area when the CPU 100 executes a program.
  • the magnetic disk 102 stores an operating system (OS), device drives of peripheral devices, various application software including a program for performing a diagnostic support process described later, and the like.
  • the display memory 103 temporarily stores display data for the monitor 104.
  • the monitor 104 is, for example, a CRT monitor or a liquid crystal monitor, and displays an image based on data from the display memory 103.
  • the inference result is displayed on the monitor 104 in order to present the inference result or the like by the medical decision making support to the user (doctor), but the form may be such that the inference result is output by a printer or the like.
  • a mouse 105 and a keyboard 106 perform pointing input by the user and input of characters and the like.
  • the above components are communicably connected to each other by a common bus 107.
  • the medical decision making support apparatus 1 can read out the image data from the medical image database 2 and the medical record data from the medical record database 3 via the LAN 4.
  • an existing PACS Picture Archiving and Communication System
  • an electronic medical record system which is a subsystem of the existing HIS (Hospital Information System)
  • an external storage device such as FDD, HDD, CD drive, DVD drive, MO drive, ZIP drive, etc. is connected to the medical decision support apparatus 1, and image data and medical record data can be read from those drives. good.
  • medical images include simple X-ray images (X-ray images), X-ray CT images, MRI images, PET images, SPECT images, ultrasound images, and the like.
  • medical record data is stored in medical image database 2 such as patient's personal information (name, date of birth, age, gender, etc.), clinical information (various test values, main complaints, medical history, medical history, etc.) Reference information to the patient's image data and the finding information of the attending physician are described. Furthermore, when the diagnosis has progressed, the medical record data describes a definitive diagnosis.
  • control unit 10 controls the medical decision support system 1
  • the process shown by the flowchart of FIG. 2 is realized by the CPU 100 executing a program stored in the main memory 101.
  • step S201 the CPU 100 performs processing of inputting desired medical image data into the medical decision making support apparatus 1 in accordance with the input of the mouse 105 or the keyboard 106.
  • the medical image data input in step S201 is referred to as a diagnostic image.
  • the CPU 100 receives medical image data as an image to be read from the medical image database 2 storing the photographed medical image data via the LAN 4.
  • the CPU 100 reads image data as an image to be read from various storage media connected to the medical decision making support apparatus 1, for example, various storage media such as an FDD, a CD-RW drive, an MO drive, and a ZIP drive.
  • step S ⁇ b> 202 the CPU 100 displays the image to be interpreted that has been input to the medical decision making support apparatus 1 on the monitor 104.
  • step S203 the doctor inputs an interpretation finding to the medical decision making support apparatus 1 using the mouse 105 and the keyboard 106 while viewing the interpretation target image displayed on the monitor 104.
  • a template type interpretation finding input support method may be used.
  • an image feature amount by image processing may be input.
  • the input interpretation / image feature amount is referred to as medical information.
  • the CPU 100 executes a process of obtaining medical diagnostic information by computer processing from the medical information of the image to be interpreted input in step S203. That is, inference processing is performed on the medical information input to the medical decision support apparatus 1.
  • the detailed processing procedure of step S204 will be described below with reference to FIG.
  • data shown using I fix, etc., I represents a set of one or more pieces of medical information.
  • FIG. 3 is a flowchart showing the detailed processing procedure of step S204.
  • the CPU 100 acquires the probability (prior probability) of the inference results A 1 to A n when the evidence (described later) is not input from the probabilistic inference model, and stores the probability in the main memory 101.
  • This probabilistic inference model is, for example, a Bayesian network as shown in FIGS. 4A and 4B.
  • the Bayesian network is a model that expresses a phenomenon as a causal relationship between multiple events and events.
  • the relationship between events is represented by probability
  • the events constituting the target phenomenon are represented by nodes 401 and links 402 indicating the relationships between the nodes.
  • a link is represented by an arrow, a node at the root of the arrow is called a parent node, and a node at the tip of the arrow is called a child node.
  • Each node has a plurality of states 403 indicating the state of the node, and each state is assigned an occurrence probability (referred to as a prior probability).
  • the relationship between parent node and child node is given by conditional probability conditional on parent node.
  • a table of this conditional probability is called a conditional probability table (CPT) (CPT: conditional probability table).
  • Non-Patent Document 1 Information that indicates what the state of at least one node of the target model is called evidence.
  • this evidence CPT and Bayes's theorem (Equation 1)
  • the probability (called a posterior probability) of the node to be determined can be determined by the probability propagation method (Non-Patent Document 1).
  • FIGS. 4A and 4B are inference models for abnormal shadows of the lung, in which each node corresponds to a finding by an interpreting doctor.
  • calcification density ratio represents the proportion of calcification in an abnormal shadow in shadows.
  • water concentration ratio represents the proportion of calcification in an abnormal shadow in shadows.
  • soft tissue concentration ratio also represent the ratio of each portion in the shadow.
  • Vascular pull-in and roll-in indicates the presence or absence of blood vessel pull-in and roll-up in an organ in the surrounding lung field. Note that the density of the abnormal shadow is not limited to those listed here (for example, metal), and may not be input as medical information, and the total sum is not necessarily 100%.
  • FIG. 4B shows a state in which no evidence is input, and the numerical value attached beside each state of each node indicates the prior probability of the state.
  • the prior probability of each state of "type of abnormality” is 11.0% in “type of abnormality: primary lung cancer", 48.0% in “type of abnormality: lung metastasis of cancer", "type of abnormality: It is 41.0% in “other abnormalities”.
  • FIG. 5 shows a state in which evidence is input to some of the nodes of the Bayesian network shown in FIG. 4B. Evidence that the probability of a certain state is 100%, such as "boundary" or "shape", is input evidence.
  • step S302 CPU 100 is, m pieces of medical information inputted to (m ⁇ 1) certain information (hereinafter, referred to as I fix) in step S203 and, the inference result as evidence the I fix A 1 ⁇ A n ( n The probability belonging to 2 2) is calculated by the probabilistic inference model. That is, the determined information I fix is a set of m pieces of medical information.
  • step S303 the CPU 100 selects the inference result A x (1 ⁇ x ⁇ n) having the highest probability among the posterior probabilities calculated in step S302.
  • the inference results A 1 to A n and their probabilities are stored in the main memory 101.
  • step S 304 the CPU 100 selects k pieces of medical information (1 ⁇ k ⁇ m) of I fix , sets the partial information I j as finalization information, and stores the partial information I j in the main memory 101. That is, partial information I j is a subset of the confirm information I fix certain information obtained is taken out of k medical information from the I fix.
  • step S305 the CPU 100 uses the I j selected in step S304 as an evidence to calculate the posterior probability belonging to the inference result A x using the probabilistic inference model.
  • the CPU 100 calculates the difference between the calculation result and the prior probability of A x acquired in step S301 (hereinafter referred to as D (A x
  • step S306 the CPU 100 compares the value of j with the value of the total number (hereinafter referred to as the number of combinations) of combinations of I j for selecting k pieces of medical information of I fix . If j is smaller than the number of combinations, the posterior probability is not obtained for all I j , so the process returns to step S304 to continue the above processing. If j is larger than the number of combinations, step S307 is executed.
  • step S307 the CPU 100 compares D (A x
  • the main memory 101 obtains I j (hereinafter referred to as I H ) from which the highest (absolute value is maximum) D (A x
  • step S205 the CPU 100 displays the result of the inference process processed in step S204.
  • the inference results A 1 to A n and their posterior probabilities stored in the main memory 101 and I H and I L are displayed on the monitor 104, respectively.
  • step S301 the a priori probabilities of 11.0%, 48.0%, and 41. inference results "type of abnormality: primary lung cancer", “type of abnormality: lung metastasis of cancer", and “type of abnormality: other abnormality”. Get 0% each.
  • step S302 using the I fix input in step S203 as evidence, "type of abnormality: primary lung cancer”, “type of abnormality: lung metastasis of cancer", and “type of abnormality: other abnormality” are calculated.
  • the respective posterior probabilities are 15.3%, 66.4% and 18.3% (Fig. 5). Therefore, these calculation results are stored, and in step S303, the type of "abnormality: lung metastasis of cancer" having the highest posterior probability is selected.
  • the posterior probability belonging to “type of abnormality: lung metastasis of cancer” of the inference result selected in step S303 is calculated by using I 1 as evidence.
  • the difference between 53.5% obtained as the calculation result and the prior probability 48.0% of "type of abnormality: lung metastasis of cancer” obtained in step S301 is calculated.
  • the resulting 5.5% is stored in association with I 1 .
  • Inference results A 1 to An as "type of abnormality: primary lung cancer", “type of abnormality: lung metastasis of cancer”, “type of abnormality: other abnormality”, after the reasoning result when I fix is the evidence
  • the probability is 15.3%, 66.4% and 18.3%, respectively.
  • I H shape: spherical
  • I L gas concentration ratio: high
  • the posterior probability belonging to “type of abnormality: lung metastasis of cancer” of the inference result selected in step S303 is calculated by using I 1 as evidence.
  • the difference between the 71.1% obtained as the calculation result and the prior probability 48.0% of "type of abnormality: lung metastasis of cancer” obtained in step S301 is calculated.
  • the resulting 23.1% is stored in association with I 1 .
  • Inference results A 1 to An as "type of abnormality: primary lung cancer", “type of abnormality: lung metastasis of cancer”, “type of abnormality: other abnormality”, after the reasoning result when I fix is the evidence
  • the probability is 15.3%, 66.4% and 18.3%, respectively.
  • I H shape: spherical”"boundary:unclear” as a basis for affirming the inference result with the highest posterior probability
  • I L soft tissue concentration ratio: low”” gas concentration ratio as a basis for denying inference results : "High” is displayed.
  • the following effects can be obtained. (1) After inference using abnormal shadow medical information, by performing inference using a part of medical information, it is possible to determine medical information that has contributed to the most probable inference result, which is the basis for inference Information can be narrowed down and presented. (2) In particular, by presenting the reasoning base that denies the inference result, the user is required to verify the reliability of the input medical information and to consider the diagnosis other than the most probable inference result presented. It can be awakened.
  • Step S201 is not limited to the input of medical image data, and may be capable of inputting medical examination data including an interpretation report, information necessary for diagnosis support processing, and the like.
  • the data may be directly input by the user, or may be readable from various storage media such as an FDD, a CD-RW drive, an MO drive, and a ZIP drive in which information is recorded. It may be.
  • the medical decision making support apparatus 1 may be connected to a database for recording these data via a LAN, and the medical decision making support apparatus 1 may be able to receive those data.
  • diagnosis support processing may take the following form. That is, the processing target is not limited to medical image data, and medical examination data including, for example, a past interpretation report or medical chart regarding an examinee, and other information that can be used for diagnosis support processing may also be a processing target. it can. In this case, diagnostic information can be generated based on medical examination data other than the image information of the subject.
  • k or less information of I fix may be selected.
  • a plurality of grounds for affirming and negating the inference result selected in step S307 may be selected.
  • the number selected by the user may be determined, or all items exceeding the threshold may be selected.
  • the threshold may be determined by the user. Also, if there is a ground to deny, a warning may be displayed. An example of determining display availability using a threshold will be described in the second embodiment.
  • all displaying the inference results A 1 ⁇ A n in step S205 may be displayed only highest inference result of the posterior probability, also may display only part of the inference results .
  • the number selected by the user may be determined.
  • an inference result that exceeds the threshold for example, a posterior probability of 30% or more may be displayed.
  • the threshold is not limited to the above example, and the user may determine the threshold.
  • FIG. 10 is a flowchart showing a detailed processing procedure of step S204 according to the second embodiment.
  • the CPU 100 acquires the probability (prior probability) of the inference results A 1 to A n when the evidence is not input from the probabilistic inference model, and stores the probability in the main memory 101.
  • the CPU 100 uses the m pieces of medical information (m 1 1) input in step S 503 as finalization information (hereinafter referred to as I fix ), and inferring results A 1 to A n (n ⁇ ) determined in advance.
  • the probability belonging to 2) is calculated by the probabilistic inference model.
  • step S603 the CPU 100 selects k pieces of medical information (1 ⁇ k ⁇ m) of I fix , and sets the selected pieces of information as partial information I j of fixed information in the main memory 101.
  • step S604 the CPU 100 uses the temporary information I j selected in step S603 as an evidence to calculate the posterior probabilities belonging to the inference results A 1 to A n using the probabilistic inference model.
  • the calculation result is stored in association with I j stored in the main memory 101 in step S603.
  • step S605 the CPU 100 compares the a priori probabilities of the inference results A 1 to A n obtained in step S601 with the posterior probabilities of the inference results A 1 to A n obtained using the I j obtained in step S604 as evidence. And store the calculation result in association with I j . Then, add 1 to the variable j.
  • a method of comparison calculation for example, there is a method of taking the difference between the posterior probability and the prior probability.
  • step S606 the CPU 100 compares the value of j with the value of the total number (hereinafter referred to as the number of combinations) of combinations of I j for selecting k pieces of medical information of I fix . If j is smaller than the number of combinations, the posterior probability is not obtained for all I j , so the process returns to step S603 and continues processing. If j is larger than the number of combinations, step S607 is executed. In step S607, CPU 100 calculates a value indicating the relationship between the calculation result and the inference result (hereinafter referred to as relation amount C (A i , I j )) from the calculation result associated with I j obtained in step S605. And store the calculation result in association with I j .
  • relation amount C A i , I j
  • the calculation of the relation quantity is, for example, -For each subset, a method of determining the relation quantity from the difference between the calculated posterior probability and the prior probability, and the table shown in Table 4 described later, For each subset, there is a method of taking the absolute value of the difference between the calculated posterior probability and the prior probability, and performing normalization with reference to the maximum value among them.
  • the calculation of the relation quantity corresponds to the calculation of the degree related to the inference result.
  • step S204 the CPU 100 displays the result of the inference process processed in step S204.
  • the detailed processing procedure of step S205 will be described below with reference to FIG.
  • FIG. 11 is a flowchart showing a detailed processing procedure of step S205 (inference result display).
  • step S703 the CPU 100 determines whether the relationship amount stored in the main memory 101 satisfies a predetermined reference. If the predetermined standard is satisfied, the process of step S704 is performed, and the process proceeds to step S705. If not satisfied, the process of step S704 is skipped.
  • step S704 the CPU 100 displays I j stored in the main memory 101 on the monitor 104.
  • I j is a ground for affirming or negating the inference result A i according to the relation amount.
  • Basis for affirming the inference result inference result A i is the information to increase the probability of the inference result A i, reason to deny the information to reduce the probability.
  • the relation quantity is defined as shown in Table 4 below, it is a basis (affirmation information) to affirm the inference result when the relation quantity has a positive value, and inference when the relation quantity has a negative value It is the basis (negative information) to deny the result.
  • step S 705 the CPU 100 adds 1 to the value of the variable j stored in the main memory 101.
  • step S706 the CPU 100 compares the value of j with the number of combinations (mCk). If j is smaller than the number of combinations, it can not be determined whether or not the relationship amount satisfies the determination criteria for all I j , so the process returns to step S703 and the process is continued. If j is larger than the number of combinations, step S 707 is executed.
  • step S707 CPU 100 are stored in the main memory 101 I fix is displayed on the monitor 104 to posterior probabilities of the inference A i when entered as evidence. This corresponds to the inference result desired by the user.
  • step S 708 the CPU 100 adds 1 to the value of the variable i stored in the main memory 101.
  • step S709 the CPU 100 compares the value of i with the value of n. If i is smaller than n, processing for all inference results A i has not been completed, so the process returns to step S 702 and continues processing. If i is larger than n, step S205 is ended. By such processing, for all the inference result A i, posterior probabilities, positive information, negative information is displayed.
  • step S601 the inference results "type of abnormality: primary lung cancer", “type of abnormality: lung metastasis of cancer”, “type of abnormality: other abnormality” prior probability, 11.0%, 48.0%, Get 41.0% each.
  • Table 4 shows an example of the method of calculating the relation amount C (A i , I j ).
  • the relation quantity is determined absolutely according to the difference between the posterior probability and the prior probability.
  • Table 5 shows the relation amount obtained by the calculation method shown in Table 4. This is obtained by the process of step S 607.
  • the relation amount is 0 and the criterion is not satisfied, the process of step S704 is skipped, and the process of step S705 is performed. It will be. That is, display on the monitor 104 is not performed.
  • “soft tissue concentration ratio: low” and “gas concentration ratio: high” are displayed as grounds for affirming "type of abnormality: primary lung cancer”. Furthermore, as a basis for affirming “type of abnormality: lung metastasis of cancer”, “gas concentration ratio” as a basis for denying “type of abnormality: lung metastasis of cancer” with “shape: spherical” and “boundary: unclear”. “High” is displayed. Furthermore, “shape: spherical” is displayed as a basis for denying “type of abnormality: other abnormality”.
  • Relational quantities are determined by the process of step S 607.
  • I j ) (hereinafter referred to as difference amount) is taken, and normalization is performed based on the maximum value among them. The details will be described below.
  • the maximum absolute value of the difference between “type of abnormality: primary lung cancer” is 35.2%.
  • Each difference amount is converted so that this value becomes 4.0. For example, when the difference amount is -4.4%, it is -0.5. After that, the value is further rounded down to the first decimal place, and the obtained value is taken as the related quantity. That is, in the case of 4.0, it is +4, and in the case of -0.5, it is 0.
  • this is a basis for affirming the inference result A i when the relation quantity is positive, and a basis for negating when the relation quantity is negative.
  • the inference result A 1 to A n “type of abnormality: primary lung cancer” “type of abnormality: lung metastasis of cancer” “type of abnormality: other abnormality” , 15.3%, 66.4%, 18.3% are displayed as the respective posterior probabilities.
  • “soft tissue concentration ratio: low, gas concentration ratio: high” is displayed as the basis for affirming “type of abnormality: primary lung cancer”. Furthermore, as the basis for affirming "type of abnormality: lung metastasis of cancer” "size of nodule: medium, shape: spherical” “shape: spherical, boundary: unclear”, “type of abnormality: lung of cancer” “Soft tissue concentration ratio: low, gas concentration ratio: high” is displayed as the basis for denying “transition”. Furthermore, “Nodular size: Medium, Shape: Spherical”, “Shape: Spherical, Boundary: Indistinct” is displayed as a basis for denying “type of abnormality: other abnormality”.
  • the posterior probability in the case of using I fix as the evidence is It is desirable to display in the order of largeness, but it is not limited thereto.
  • the following effects can be obtained. (1) By presenting the basis for affirming the result and the basis for denying each of a plurality of inference results, not only the judgment of the reliability of the most probable inference result but also the possibility of other inference results It can be considered. (2) In addition, it is possible to urge the user to verify the reliability of the input medical information.
  • the determination criterion in step S703 is not limited to the method described in the above example.
  • the determination criteria may be arbitrarily changeable by the user. In this case, it is desirable to have a user interface for changing the determination criteria.
  • all I j that satisfy the criteria are displayed in step S704, only results that affirm / negrate the inference result most among the criteria that satisfy the criteria may be displayed.
  • a warning may be displayed. In this case, the determination criteria for issuing a warning display may be different from those in S703. However, it is not desirable to make a determination based on a criterion that is more gradual than the determination criterion of S703.
  • the posterior probability may be displayed at the same time when the relation quantity and I j are input as evidence.
  • step S 707 Although all the inference results A 1 to A n are displayed in step S 707, only the inference result with the highest posterior probability may be displayed, or only a part of the inference results may be displayed. In this case, the number selected by the user may be determined. Also, an inference result that exceeds the threshold, for example, a posterior probability of 30% or more may be displayed.
  • the threshold is not limited to the above example, and the user may determine the threshold. It goes without saying that the modification described in the first embodiment with respect to steps S201 and S204 is also applicable to the second embodiment.
  • FIG. 14 is a flow chart for explaining the process of the inference result display process (S205) according to the third embodiment.
  • the process shown by the flowchart of FIG. 14 is realized by the CPU 100 executing a program stored in the main memory 101.
  • step S205 the CPU 100 displays the result of the inference process processed in step S204.
  • the detailed processing procedure of step S205 will be described in detail using FIG. 14 and FIG.
  • FIG. 14 is a flowchart showing a detailed processing procedure of step S205.
  • CPU 100 is in a posterior probability of being stored in the main memory 101 A 1 ⁇ A n, to calculate the highest a posteriori probability A x of the evaluation value V (A x). The calculation method will be described later.
  • step S902 the CPU 100 determines whether the evaluation value calculated in step S901 satisfies a predetermined criterion. If the criterion is satisfied, the process of step S903 is performed. If the criterion is not satisfied, the process of step S903 is skipped.
  • step S 903 the CPU 100 displays a warning display on the monitor 104.
  • step S904 the CPU 100 displays the result of the inference process processed in step S804.
  • the inference results A 1 to A n and their posterior probabilities stored in the main memory 101 and I H and I L are displayed on the monitor 104, respectively.
  • step S901 the evaluation value of the diagnostic result (type of abnormality) having the highest posterior probability among A 1 to A n is calculated.
  • the evaluation value V (A 2) of A 2 is calculated.
  • a x the evaluation value V (A x)
  • V (A x) a method of calculating the difference between the probability of the posterior probabilities of the inference result is highest inference result (A x) and second highest inference result (A x2)
  • n the number of states of the inference result
  • I fix ) indicates the posterior probability of the inference result A x calculated using I fix as evidence.
  • the posterior probability is highest inference result is A 2
  • high inference result the second is A 3, 49.9% respectively, which is 40.5%.
  • n 3
  • step S902 it is determined whether V (A 2 ) satisfies a predetermined criterion.
  • a threshold is used as a predetermined reference, and it is determined whether the threshold is equal to or less than the threshold. If it is less than the threshold value, the process of step S 903 is performed, and if it exceeds the threshold value, the process of step S 904 is performed. It is desirable that this threshold can be changed by the user. In the case of the example of Table 8 above, for example, when the threshold value is 15%, the process of step S903 is performed in the evaluation value calculated by equation 2, and the process of step S903 is skipped in the evaluation value calculated by equation 3.
  • step S903 a warning is displayed, and in step S904, I fix , the posterior probabilities of the inference results A 1 to A 3 , and I H and I L are displayed.
  • FIG. 15 is a display example when there is a warning display. Here, the warning display is performed by an icon and a letter prompting attention.
  • the calculation of the evaluation value in step S901 may be performed by combining both Equation 2 and Equation 3. In addition, it may be calculated using equations other than Equation 2 and Equation 3. In addition, the reference in step S902 may be arbitrarily set by the user. In this case, it is desirable to have a user interface for setting conditions, but it is not limited thereto. Also, the criterion is not limited to using a threshold.
  • the warning display in step S 903 may be icon display only or character display only, and may be another method as long as the user is warned. For example, the display color of characters may be changed, a warning sound may be output, or the background color may be changed. Further, although all the inference results A 1 to A n are displayed in step S 904, only the inference result with the highest posterior probability may be displayed, or only a part of the inference results may be displayed. In this case, the number selected by the user may be determined. Also, an inference result that exceeds the threshold, for example, a posterior probability of 30% or more may be displayed. However, the threshold is not limited to the above example, and the user may determine the threshold.
  • the reasoning that has a large influence on the inference result is presented to the user. Furthermore, since the grounds for denying the inference result are presented, it is possible to urge the user to consider medical information and the reliability of the inference result and the need to consider a diagnosis other than the presented inference result (the most probable inference result) . That is, a mechanism is provided to examine the reliability of the information input at the time of interpretation and the possibility other than the diagnosis presented by the system.
  • the present invention can be embodied as, for example, a system, an apparatus, a method, a program, or a storage medium. Specifically, the present invention may be applied to a system constituted by a plurality of devices, or may be applied to an apparatus comprising a single device.
  • the present invention is also realized by executing the following processing. That is, software (program) for realizing the functions of the above-described embodiments is supplied to a system or apparatus via a network or various storage media, and a computer (or CPU, MPU or the like) of the system or apparatus reads the program. It is a process to execute.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • User Interface Of Digital Computer (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

　医療意志決定支援装置は、入力された複数の医用情報に基づいて医療診断に関わる推論処理を行い、推論結果を得る推論処理と、複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々について、推論結果に関して否定もしくは肯定の側に作用する度合いを算出する算出処理を行う。そして、医療意志決定支援装置は、推論処理によって得られた推論結果と、複数の部分集合のうち、算出処理により否定の側に作用する度合いが算出された部分集合に含まれている医用情報を示す否定情報とをユーザに提示する。

Description

医療意志決定支援装置及びその制御方法
　本発明は、医用情報を処理し、得られた情報を提示する医療意志決定支援装置及びその制御方法に関する。
　医療の分野において、医師は、患者を撮影した医用画像をモニタに表示し、表示された医用画像を読影して、病変部の状態や経時変化を観察する。この種の医用画像を生成する装置としては、
・ＣＲ（Computed Radiography）装置、
・ＣＴ（Computed Tomography）装置、
・ＭＲＩ（Magnetic Resonance Imaging）装置、
・ＰＥＴ（Positron Emission Tomography）装置、
・ＳＰＥＣＴ画像（Single Photon Emission ComputedTomography）、
・超音波装置（ＵＳ；Ultrasound System）等が挙げられる。
　このような医師の読影に対する負担軽減を目的として、医用画像に対して癌等を表す異常な腫瘤陰影や高濃度の微小石灰化陰影等を検出し、コンピュータ処理により陰影の状態を推論・提示することにより診断の支援を行う装置が開発されている。このような支援により、医師の読影に対する負荷を軽減し、また読影結果の精度を向上させることができる。このような装置はコンピュータ支援診断（ＣＡＤ：Computer-Aided Diagnosis）装置と呼ばれる。
　通常、このようなＣＡＤを実際の臨床現場で用いる場合の正しい手順としては、まず医師による読影が行われ、その後に医師はＣＡＤが出力した診断支援情報を参照し、自らが読影した結果との比較を行う。この作業は具体的には、医師自らが書いた読影レポートとＣＡＤが算出した診断支援情報との所見情報の対応付けを行い、見落としや誤検出、所見の違いなどを見つける。しかし、ＣＡＤが何を根拠にして診断支援情報を推論したのかが提示されないと、ＣＡＤの推論結果が信頼性のある結果かどうかが判断できない。特に、医師の読影の結果とＣＡＤの結果が異なる場合には、推論結果の信頼性を判断するのが重要となる。
　従って、ＣＡＤシステム側が何を根拠にして診断支援情報を推論したのかを提示する仕組みを提供する必要がある。これに対して、特許文献１には医用画像上に異常陰影候補のマーカーと異常の判定を支援した情報を同時に重畳表示する技術が記載されている。また、特許文献２にはコンピュータ支援検出で使用された特徴・基準を画像上に符号化記述子として表示する技術が記載されている。以上の特許文献１，２によれば、検出した異常陰影に対する推論の根拠をユーザに提示することで異常陰影候補の種別をより的確に判定することができる。
特ＷＯ２００５／１０４９５３号公報 特表２００６－５００１２４号公報
「Bayesian Networks and DecisionGraphs」、FinnV. Jensen、Thomas D. Nielsen、2007年（非特許文献１は、「発明を実施するための形態」の欄において参照されている）
　しかしながら、特許文献１に記載の技術は異常陰影候補の検出理由は提示されるものの、理由の一つが提示されるのみであり、推論の根拠となる情報が多数ある場合の対処法は示されていない。特許文献２に記載の技術は表示する根拠情報を複数選択することは可能なものの、提示する情報はユーザの選択に任されており、どの情報を選択してユーザに提示すればよいかの判断はなされていない。また、特許文献１および特許文献２では、推論結果に肯定的な情報のみを提示しているため、推論結果の信頼性が肯定的な情報からのみしか判断できなかった。
　本発明の一実施形態によれば、医療意志決定支援による推論結果の信頼性をユーザが容易に、的確に判断できる医療意志決定支援装置が提供される。
　上記の目的を達成するための、本発明の一態様によるによる医療意志決定支援装置は以下の構成を備える。すなわち、
　入力された複数の医用情報に基づいて医療診断に関わる推論処理を行い、推論結果を得る推論手段と、
　前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々について、前記推論結果を否定もしくは肯定する度合いを算出する算出手段と、
　前記推論手段によって得られた推論結果と、前記複数の部分集合のうち、前記算出手段により否定する度合いが算出された部分集合に含まれている医用情報を示す否定情報とを提示する提示手段とを備える。
　本発明の一態様によれば、医療意志決定支援による推論結果の信頼性をユーザが容易に、的確に判断できるようになる。
　本発明のその他の特徴及び利点は、添付図面を参照とした以下の説明により明らかになるであろう。
　添付図面は明細書に含まれ、その一部を構成し、本発明の実施の形態を示し、その記述と共に本発明の原理を説明するために用いられる。
実施形態による医療意志決定支援装置の機器構成例を示す図。 第１～第３実施形態の処理手順を示すフローチャート。 図２におけるステップＳ２０４の詳細な処理手順を示すフローチャート。 ベイジアンネットワークを用いた確率推論モデルを示す図。 ベイジアンネットワークを用いた確率推論モデルを示す図。 図４Ｂの確率推論モデルにいくつかのエビデンスが入力された例を示す図。 図４Ｂの確率推論モデルに一つのエビデンスが入力された例を示す図。 第１実施形態でｋ＝１の場合のモニタ１０４における表示の一例を示す図。 図４Ｂの確率推論モデルに二つのエビデンスが入力された例を示す図。 第１実施形態でｋ＝２の場合のモニタ１０４における表示の一例を示す図。 図２におけるステップＳ２０４の詳細な処理手順を示すフローチャート。 図２におけるステップＳ２０５の詳細な処理手順を示すフローチャート。 第２実施形態でｋ＝１の場合のモニタ１０４における表示の一例を示す図。 第２実施形態でｋ＝２の場合のモニタ１０４における表示の一例を示す図。 図２におけるステップＳ２０５の詳細な処理手順を示すフローチャート。 第３実施形態のモニタ１０４における表示の一例を示す図。
　以下、添付図面に従って本発明に係る医療意志決定支援装置及び方法の好ましい実施形態について詳説する。ただし、発明の範囲は図示例に限定されるものではない。
　［第１実施形態］
　図１は、第１実施形態に係る医療意志決定支援装置の機器構成例を示す図である。医療意志決定支援装置１は、入力された複数の医用情報に基づいて医療診断に関わる推論処理を行い、推論結果を得るものであり、制御部１０、モニタ１０４、マウス１０５、キーボード１０６を有する。制御部１０は、中央処理装置（ＣＰＵ）１００、主メモリ１０１、磁気ディスク１０２、表示メモリ１０３を有する。そして、ＣＰＵ１００が主メモリ１０１に格納されたプログラムを実行することにより、医用画像データベース２や診療録データベース３との通信、医療意志決定支援装置１の全体の制御、等の各種制御が実行される。
　ＣＰＵ１００は、主として医療意志決定支援装置１の各構成要素の動作を制御する。主メモリ１０１は、ＣＰＵ１００が実行する制御プログラムを格納したり、ＣＰＵ１００によるプログラム実行時の作業領域を提供したりする。磁気ディスク１０２は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライブ、後述する診断支援処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ１０３は、モニタ１０４のための表示用データを一時記憶する。モニタ１０４は、例えばＣＲＴモニタや液晶モニタ等であり、表示メモリ１０３からのデータに基づいて画像を表示する。なお、本実施形態では、医療意志決定支援による推論結果等をユーザ（医師）に提示するためにモニタ１０４に推論結果を表示するが、プリンタ等により推論結果を出力する形態であってもかまわない。マウス１０５及びキーボード１０６はユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記各構成要素は共通バス１０７により互いに通信可能に接続されている。
　本実施形態において、医療意志決定支援装置１はＬＡＮ４を介して、医用画像データベース２から画像データを、診療録データベース３から診療録データを、それぞれ読み出すことができる。ここで、医用画像データベース２として既存のＰＡＣＳ（Picture Archiving and Communication System）を利用することができる。また、診療録データベース３として既存のＨＩＳ（HospitalInformation System）のサブシステムである電子カルテシステムを利用することができる。或いは、医療意志決定支援装置１に外部記憶装置、例えばＦＤＤ、ＨＤＤ、ＣＤドライブ、ＤＶＤドライブ、ＭＯドライブ、ＺＩＰドライブ等を接続し、それらのドライブから画像データおよび診療録データを読み込むようにしても良い。
　なお、医用画像の種類には、単純Ｘ線画像（レントゲン画像）、Ｘ線ＣＴ画像、ＭＲＩ画像、ＰＥＴ画像、ＳＰＥＣＴ画像、超音波画像などがある。また、診療録データには、患者の個人情報（氏名、生年月日、年齢、性別など）、臨床情報（様々な検査値、主訴、既往歴、治療歴など）、医用画像データベース２に格納された患者の画像データへの参照情報および主治医の所見情報などが記載される。さらに、診断が進んだ段階で、診療録データには確定診断名が記載される。
　次に、図２のフローチャートを用いて、制御部１０がどのように医療意志決定支援装置１を制御しているかについて説明する。なお、図２のフローチャートによって示される処理は、ＣＰＵ１００が主メモリ１０１に格納されているプログラムを実行することにより実現される。
　ステップＳ２０１において、ＣＰＵ１００はマウス１０５やキーボード１０６の入力に応じて、所望の医用画像データを医療意志決定支援装置１に入力する処理を行う。以下、ステップＳ２０１で入力された医用画像データを読影対象画像と呼ぶ。この画像データの入力処理は、例えば、上述したように、ＣＰＵ１００は、撮影された医用画像データを保存する医用画像データベース２からＬＡＮ４を介して医用画像データを読影対象画像として受信する。或いは、ＣＰＵ１００は、医療意志決定支援装置１に接続された記憶装置、例えばＦＤＤ、ＣＤ－ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等の各種記憶媒体から画像データを読影対象画像として読み取る。次に、ステップＳ２０２において、ＣＰＵ１００は、医療意志決定支援装置１に入力された読影対象画像を、モニタ１０４に表示する。
　ステップＳ２０３において、医師はモニタ１０４に表示された読影対象画像を見ながら、マウス１０５やキーボード１０６などを用いて読影所見を医療意志決定支援装置１に入力する。このとき、例えばテンプレート形式の読影所見入力支援方法を用いてもよい。或いは、画像処理による画像特徴量を入力としてもよい。以下では、入力された読影所見／画像特徴量を医用情報と呼ぶ。ステップＳ２０４において、ＣＰＵ１００は、ステップＳ２０３で入力された読影対象画像の医用情報から、コンピュータ処理によって医学的な診断情報を得る処理を実行する。すなわち、医療意志決定支援装置１に入力された医用情報に対して、推論処理を行う。ステップＳ２０４の詳細な処理手順については、図３を用いて以下で説明する。以下、Ｉfix等、Ｉを用いて示したデータは一つ以上の医用情報からなる集合を表す。
　図３はステップＳ２０４の詳細な処理手順を示すフローチャートである。ステップＳ３０１において、ＣＰＵ１００は確率推論モデルより、エビデンス（後述）が入力されていない場合の推論結果Ａ１～Ａｎの確率（事前確率）を取得し、主メモリ１０１に保存する。この確率推論モデルは、例えば図４Ａ，４Ｂに示されるようなベイジアンネットワーク（Bayesian Network）である。
　ベイジアンネットワークは現象を複数の事象と事象間の因果関係で表現したモデルである。事象間の関係は確率で表し、対象とする現象を構成する事象をノード４０１で、ノード間の関係を示すリンク４０２で表現する。リンクは矢印で表され、矢印の根元にあたるノードを親ノード、矢印の先にあたるノードを子ノードと呼ぶ。各ノードにはノードの状態を示すステート４０３を複数個持っており、各ステートに生起確率（事前確率と呼ばれる）が付与される。親ノードと子ノード間の関係は親ノードを条件とした条件付確率によって与えられる。この条件付確率を表にしたものを条件付確率表４０４（ＣＰＴ:conditional probability table）と呼ぶ。
　対象モデルの少なくとも一つのノードのステートが何であるかを示す情報をエビデンスという。このエビデンスとＣＰＴおよびベイズの定理（式１）を用いて、求めたいノードの確率（事後確率と呼ばれる）を確率伝播法により求めることができる（非特許文献１）。
Figure JPOXMLDOC01-appb-M000001
　図４Ａ，４Ｂは肺の異常陰影に関する推論モデルで、各ノードが読影医による所見に対応している。例えば「石灰化濃度比」は異常陰影における石灰化部分が陰影の中で占める比率を表している。「水濃度比」、「軟部組織濃度比」、「気体濃度比」も同様に、それぞれの部分が陰影の中で占める比率を表す。「血管の引込・巻込」は周囲の肺野における臓器内での血管の引込・巻込の有無を表している。なお、異常陰影の濃度はここで挙げたもの以外にもあり（例えば金属）、また医用情報として入力しない場合もあり、必ずしも総和が１００％とはならない。
　図４Ｂはエビデンスが入力されていない状態を示しており、各ノードのステートの横に付与されている数値は、ステートの事前確率を示している。例えば、「異常の種類」の各ステートの事前確率は「異常の種類：原発性肺癌」で１１．０％、「異常の種類：癌の肺転移」で４８．０％、「異常の種類：その他の異常」で４１．０％である。図５は図４Ｂで示したベイジアンネットワークの複数あるノードのうちいくつかのノードにエビデンスが入力された状態を示している。「境界」「形状」など、あるステートの確率が１００％となっているものが入力されたエビデンスである。
　ステップＳ３０２において、ＣＰＵ１００は、ステップＳ２０３で入力されたｍ個の医用情報（ｍ≧１）を確定情報（以下、Ｉｆｉｘと呼ぶ）とし、Ｉｆｉｘをエビデンスとして推論結果Ａ１～Ａｎ（ｎ≧２）に属する確率を確率推論モデルにより計算する。すなわち、確定情報Ｉｆｉｘは、ｍ個の医用情報からなる集合である。次に、ステップＳ３０３において、ＣＰＵ１００はステップＳ３０２で計算された事後確率のうち、最も確率の高い推論結果Ａｘ（１≦ｘ≦ｎ）を選択する。同時に、主メモリ１０１に推論結果Ａ１～Ａｎとその確率を保存する。また、変数ｊを用意し、ｊ＝１とする。
　ステップＳ３０４において、ＣＰＵ１００はＩｆｉｘのうちｋ個（１≦ｋ≦ｍ）の医用情報を選択して、確定情報の部分情報Ｉｊとし、主メモリ１０１に保存する。すなわち、部分情報Ｉｊは、確定情報Ｉｆｉｘからｋ個の医用情報を取り出して得られた確定情報Ｉｆｉｘの部分集合である。ステップＳ３０５において、ＣＰＵ１００はステップＳ３０４で選択したＩｊをエビデンスとして推論結果Ａｘに属する事後確率を確率推論モデルにより計算する。そして、ＣＰＵ１００は、その計算結果とステップＳ３０１で取得したＡｘの事前確率の差（以下、Ｄ（Ａｘ｜Ｉｊ）とする）を計算し、ステップＳ３０４で主メモリ１０１に保存されたＩｊに関連付けて保存する。次いで、変数ｊに１を加える。こうして、複数の医用情報から取り出された医用情報を要素とする複数の部分集合Ｉｊの各々について、ステップＳ３０３で得られた推論結果に関して否定もしくは肯定の側に作用する度合いが算出されることになる。
　ステップＳ３０６において、ＣＰＵ１００はｊの値と、Ｉｆｉｘのうちｋ個の医用情報を選択するＩｊの組合せの総数（以下、組合せ数とする）の値を比較する。ｊが組合せ数より小さければ、全てのＩｊについて事後確率を得ていないので、ステップＳ３０４へ戻り上記の処理を継続する。ｊが組合せ数より大きければステップＳ３０７を実行する。
　ステップＳ３０７において、ＣＰＵ１００はステップＳ３０４で保存されたＩｊに関連付けられたＤ（Ａｘ｜Ｉｊ）を比較する。正となるＤ（Ａｘ｜Ｉｊ）の中で最も高い（絶対値が最大となる）Ｄ（Ａｘ｜Ｉｊ）が得られたＩｊ（以下、ＩHとする）を主メモリ１０１に保存する。また、負となるＤ（Ａｘ｜Ｉｊ）の中で最も低い（絶対値が最大となる）Ｄ（Ａｘ｜Ｉｊ）が得られたＩｊ（以下、ＩLとする）を主メモリ１０１に保存する。この時、Ｄ（Ａｘ｜Ｉｊ）が正となるＩｊが存在しない場合はＩHにＮＵＬＬ値を入力する。同様にＤ（Ａｘ｜Ｉｊ）が負となるＩｊが存在しない場合はＩLにＮＵＬＬ値を入力する。ＮＵＬＬ値を取る場合はステップＳ２０５において、ＩHまたは／およびＩLは表示されない。Ｄ（Ａｘ｜Ｉｊ）が正となるＩｊは、推論結果Ａｘの確率を増大させる情報を示し、Ｄ（Ａｘ｜Ｉｊ）が負となるＩｊは、推論結果Ａｘの確率を減少させる情報を示す。従ってＩHは推論結果を肯定する根拠となり、ＩLは推論結果を否定する根拠となる。
　ステップＳ２０５において、ＣＰＵ１００はステップＳ２０４において処理された推論処理の結果を表示する。主メモリ１０１に保存されている推論結果Ａ１～Ａｎとその事後確率、及び、ＩHとＩLをそれぞれモニタ１０４に表示する。
　以下、具体的な例として、ｋ＝１の場合とｋ＝２の場合について説明する。
　ステップＳ３０１において、推論結果「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」の事前確率、１１．０％、４８．０％、４１．０％をそれぞれ取得する。ステップＳ３０２において、Ｓ２０３で入力されたＩｆｉｘをエビデンスとして、推論結果の「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」を計算する。それぞれの事後確率は１５．３％、６６．４％、１８．３％となる（図５）。従って、これらの計算結果を保存し、ステップＳ３０３において、最も事後確率の高い「異常の種類：癌の肺転移」を選択する。
　図６は、Ｉｆｉｘにおいて、ｋ＝１として医用情報「結節の大きさ：中程度」を選択し、確定情報の部分情報Ｉ１とした例である。Ｉ１をエビデンスとして、ステップＳ３０３で選択された推論結果の「異常の種類：癌の肺転移」に属する事後確率を計算する。計算結果として得られた５３．５％とステップＳ３０１で所得した「異常の種類：癌の肺転移」の事前確率４８．０％との差を計算する。結果として得られた５．５％をＩ１と関連付けて保存する。
　表１はｋ＝１とした場合の全てのＩｊとＩｊをエビデンスとして計算した推論結果「異常の種類：癌の肺転移」の事後確率と、事後確率と事前確率との差を表したものである。差を比較すると、Ｉｊが「形状：球形」の時に正となる中で最も大きい差の１７．９％を取る。一方Ｉｊが「気体濃度比：高い」の時に負となる中で最も大きい差の－１１．０％を取る。従って、ＩHが「形状：球形」、ＩLが「気体濃度比：高い」となる。
Figure JPOXMLDOC01-appb-T000001
　図７はｋ＝１とした場合のモニタ１０４における表示の一例である。推論結果Ａ１～Ａｎとして「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」を、Ｉｆｉｘをエビデンスとした場合の推論結果の事後確率としてそれぞれ１５．３％、６６．４％、１８．３％を表示する。さらに、最も確率の高い推論結果を肯定する根拠としてＩH「形状：球形」を、否定する根拠としてＩL「気体濃度比：高い」を表示する。
　図８は、Ｉｆｉｘにおいて、ｋ＝２として医用情報「結節の大きさ：中程度」「形状：球形」を選択し、確定情報の部分情報Ｉ１とした例である。Ｉ１をエビデンスとして、ステップＳ３０３で選択された推論結果の「異常の種類：癌の肺転移」に属する事後確率を計算する。計算結果として得られた７１．１％とステップＳ３０１で所得した「異常の種類：癌の肺転移」の事前確率４８．０％との差を計算する。結果として得られた２３．１％をＩ１と関連付けて保存する。
　表２はｋ＝２とした場合の全てのＩｊとＩｊをエビデンスとして計算した推論結果「異常の種類：癌の肺転移」の事後確率と、事後確率と事前確率との差を表したものである。差を比較すると、Ｉｊが「形状：球形」「境界：不明瞭」の時に正となる中で最も大きい差の２７．２％を取る。一方Ｉｊが「軟部組織濃度比：低い」「気体濃度比：高い」の時に負となる中で最も大きい差の－２１．７％を取る。従って、ＩHが「形状：球形」「境界：不明瞭」、ＩLが「軟部組織濃度比：低い」「気体濃度比：高い」となる。
Figure JPOXMLDOC01-appb-T000002
　図９はｋ＝２とした場合のモニタ１０４における表示の一例である。推論結果Ａ１～Ａｎとして「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」を、Ｉｆｉｘをエビデンスとした場合の推論結果の事後確率としてそれぞれ１５．３％、６６．４％、１８．３％を表示する。さらに、最も事後確率の高い推論結果を肯定する根拠としてＩH「形状：球形」「境界：不明瞭」を、推論結果を否定する根拠としてＩL「軟部組織濃度比：低い」「気体濃度比：高い」を表示する。
　なお、ｋ＝１、ｋ＝２いずれの例においても、推論結果Ａ１～Ａｎを表示する場合は、Ｉｆｉｘをエビデンスとした場合の事後確率が大きい順に表示することが望ましいが、それに限定されない。
　推論結果を肯定する根拠を表示すると共に、推論結果を否定する根拠を同時に表示することで、提示された推論結果の信頼性の判断、入力した医用情報の信頼性の検証、提示した推論結果以外の診断を考慮する必要性などをユーザへ喚起することが可能である。
　以上、述べた構成によれば、以下の効果を得ることができる。
（１）異常陰影の医用情報による推論の後、医用情報の一部を用いた推論を行うことで、最も確率の高い推論結果に寄与した医用情報を判定することができ、推論の根拠となる情報を絞って提示することができる。
（２）特に、推論結果を否定するような推論根拠を提示することにより、入力した医用情報の信頼性の検証、提示した最も確率の高い推論結果以外の診断を考慮する必要性などをユーザへ喚起することができる。
　(第１実施形態の変形例)
　ステップＳ２０１は、医用画像データの入力に限定されず、読影レポート、及び診断支援処理に必要な情報等を含む医用検査データの入力が可能としても良い。その場合、これらのデータをユーザによる直接入力が可能な構成であっても良いし、情報が記録されたＦＤＤ、ＣＤ－ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等の各種記憶媒体から読み取り可能な構成であっても良い。またこれらのデータを記録するデータベースにＬＡＮを介して医療意志決定支援装置１を接続し、医療意志決定支援装置１がそれらのデータを受信可能な構成であってもよい。
　また、ステップＳ２０４における推論処理による診断情報の生成は、次の形態を取ってもよい。すなわち、処理対象を医用画像データに限定せず、例えば被検査者に関する過去の読影レポートやカルテ、及び診断支援処理に利用できる他の情報等を含む医用検査データなども処理の対象とすることができる。この場合、被検査者の画像情報以外の医用検査データに基づいた診断情報を生成することができる。
　また、ステップＳ３０４において確定情報の部分情報Ｉｊを選択する場合、Ｉｆｉｘのうちｋ個以下の情報としてもよい。例えば、ｋ＝１とｋ＝２の場合のそれぞれについて部分情報Ｉｊを取得して、それらを用いて上述のＩHやＩLを取得するようにしてもよい。
　また、ステップＳ３０７において選択される推論結果を肯定する根拠、および、否定する根拠は複数選択してもよい。この場合はユーザが選択する個数を決めてもよく、あるいは閾値を超えたもの全てを選択してもよい。この場合閾値はユーザが決定してもよい。また、否定する根拠が存在する場合は警告表示を出してもよい。閾値を用いて表示の可否を決める例については、第２実施形態において説明する。
　また、ステップＳ２０５において推論結果Ａ１～Ａｎを全て表示しているが、もっとも事後確率の高い推論結果のみを表示してもよいし、また、一部の推論結果のみを表示してもよい。この場合はユーザが選択する個数を決めてもよい。また、閾値を超えるもの、例えば事後確率が３０％以上の推論結果を表示するようにしてもよい。ただし、閾値は上記の例に限定されず、閾値をユーザが決定してもよい。
　［第２実施形態］
　次に、第２実施形態を説明する。なお、第２実施形態の構成は、第１実施形態と同様の構成を取るため、図１の構成図を用いるものとし、説明を省略する。また、第２実施形態における制御部１０による制御の概略も第１実施形態（図２）と同様である。但し、ステップＳ２０４における推論処理、ステップＳ２０５における推論結果表示処理が異なる。以下、これらの処理について図１０、図１１のフローチャートを参照して説明する。
　図１０は、第２実施形態によるステップＳ２０４の詳細な処理手順を示すフローチャートである。ステップＳ６０１において、ＣＰＵ１００は確率推論モデルより、エビデンスが入力されていない場合の推論結果Ａ１～Ａｎの確率（事前確率）を取得し、主メモリ１０１に保存する。ステップＳ６０２において、ＣＰＵ１００は、ステップＳ５０３で入力されたｍ個の医用情報（ｍ≧１）を確定情報（以下、Ｉｆｉｘと呼ぶ）として、予め決められた推論結果Ａ１～Ａｎ（ｎ≧２）に属する確率を確率推論モデルにより計算する。また、変数ｊを用意し、ｊ＝１とする。
　ステップＳ６０３において、ＣＰＵ１００はＩｆｉｘのうちｋ個（１≦ｋ≦ｍ）の医用情報を選択して、確定情報の部分情報Ｉｊとし、主メモリ１０１に保存する。ステップＳ６０４において、ＣＰＵ１００はステップＳ６０３で選択した仮情報Ｉｊをエビデンスとして推論結果Ａ１～Ａｎに属する事後確率を確率推論モデルにより計算する。計算結果は、ステップＳ６０３で主メモリ１０１に保存されたＩｊに関連付けて保存する。ステップＳ６０５において、ＣＰＵ１００はステップＳ６０１で得た推論結果Ａ１～Ａｎの事前確率と、ステップＳ６０４で得られたＩｊをエビデンスとして得られた推論結果Ａ１～Ａｎの事後確率を比較計算し、計算結果をＩｊに関連付けて保存する。次いで、変数ｊに１を加える。比較計算の方法は、例えば事後確率と事前確率の差を取る方法がある。
　ステップＳ６０６において、ＣＰＵ１００はｊの値と、Ｉｆｉｘのうちｋ個の医用情報を選択するＩｊの組合せの総数（以下、組合せ数とする）の値とを比較する。ｊが組合せ数より小さければ、全てのＩｊについて事後確率を得ていないので、ステップＳ６０３へ戻り処理を継続する。ｊが組合せ数より大きければステップＳ６０７を実行する。ステップＳ６０７において、ＣＰＵ１００はステップＳ６０５で得られたＩｊに関連付けられた計算結果から、計算結果と推論結果の関係を示す値（以下、関係量Ｃ（Ａｉ，Ｉｊ）とする）を計算し、その計算結果をＩｊに関連付けて保存する。関係量の計算は、例えば、
・各部分集合について、算出された事後確率と事前確率の差と、後述の表４に示されるテーブルから関係量を決定する方法、
・各部分集合について、算出された事後確率と事前確率の差の絶対値を取り、その中で最大となる値を基準として規格化を行う方法、などがある。
　この関係量の計算は推論結果に関する度合いの算出に相当する。
　以上で、ステップＳ２０４の処理を終了する。次に、ステップＳ２０５において、ＣＰＵ１００はステップＳ２０４において処理された推論処理の結果を表示する。ステップＳ２０５の詳細な処理手順について、図１１を用いて以下で説明する。
　図１１はステップＳ２０５（推論結果表示）の詳細な処理手順を示すフローチャートである。ステップＳ７０１において、ＣＰＵ１００は主メモリ１０１に変数ｉを用意し、ｉ＝１とする。ステップＳ７０２において、ＣＰＵ１００は主メモリ１０１に変数ｊを用意し、ｊ＝１とする。ステップＳ７０３において、ＣＰＵ１００は主メモリ１０１に保存されている関係量が所定の基準を満たすかどうかを判定する。所定の基準を満たす場合はステップＳ７０４の処理を行い、ステップＳ７０５へ進む。満たさない場合はステップＳ７０４の処理をスキップする。ステップＳ７０４において、ＣＰＵ１００は主メモリ１０１に保存されているＩｊをモニタ１０４へ表示する。この時、関係量に応じてＩｊが推論結果Ａｉを肯定する根拠であるか、否定する根拠であるかを同時に表示する。推論結果推論結果Ａｉを肯定する根拠は推論結果Ａｉの確率を増大させる情報であり、否定する根拠は確率を減少させる情報である。例えば、後述の表４のように関係量を定義した場合、関係量が正の値を有する場合は推論結果を肯定する根拠（肯定情報）であり、関係量が負の値を有する場合は推論結果を否定する根拠（否定情報）である。
　ステップＳ７０５において、ＣＰＵ１００は主メモリ１０１に保存されている変数ｊの値に１を加える。
　ステップＳ７０６において、ＣＰＵ１００はｊの値と、組合せ数（mＣk）を比較する。ｊが組合せ数より小さければ、全てのＩｊについて関係量が判定基準を満たすかどうかを判定できていないので、ステップＳ７０３へ戻り処理を継続する。ｊが組合せ数より大きければステップＳ７０７を実行する。
　ステップＳ７０７において、ＣＰＵ１００は主メモリ１０１に保存されているＩｆｉｘがエビデンスとして入力された場合の推論Ａｉの事後確率をモニタ１０４へ表示する。これは、ユーザが所望する推論結果に相当する。ステップＳ７０８において、ＣＰＵ１００は主メモリ１０１に保存されている変数ｉの値に１を加える。ステップＳ７０９において、ＣＰＵ１００はｉの値と、ｎの値を比較する。ｉがｎより小さければ、全ての推論結果Ａｉに対する処理が終了していないので、ステップＳ７０２に戻り処理を継続する。ｉがｎより大きければステップＳ２０５を終了する。このような処理により、全ての推論結果Ａｉに対して、事後確率、肯定情報、否定情報が表示される。
　以下、具体的な例として、ｋ＝１の場合とｋ＝２の場合について説明する。ただし、比較計算では、事前確率と事後確率の差を算出するものとする。
　まず、ステップＳ６０１において、推論結果「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」の事前確率、１１．０％、４８．０％、４１．０％をそれぞれ取得する。
　図６は、ステップＳ５０３で入力されたＩｆｉｘにおいて、ｋ＝１として医用情報「結節の大きさ：中程度」を選択し、確定情報の部分情報Ｉ１とした例である。Ｉ１をエビデンスとして推論を行い、結果として得られた推論結果「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」に属するそれぞれの事後確率１２．３％、５３．５％、３４．２％をＩ１と関連付けて保存する。
　表３はｋ＝１とした場合の全てのＩｊとＩｊをエビデンスとして計算した推論結果Ａ１～Ａｎの事後確率と、事後確率と推論結果Ａ１～Ａｎの事前確率の差Ｄ（Ａｉ｜Ｉｊ）を示したものである。これは、ステップＳ６０３～ステップＳ６０５の処理によって得られる。
Figure JPOXMLDOC01-appb-T000003
　表４は関係量Ｃ（Ａｉ，Ｉｊ）の計算方法の一例を示したものである。この例では事後確率と事前確率の差に応じて絶対的に関係量が求まる。前述の例では、表４で示した計算方法で関係量を求めると、表５のようになる。これはステップＳ６０７の処理によって得られる。
Figure JPOXMLDOC01-appb-T000004
Figure JPOXMLDOC01-appb-T000005
　図１２はｋ＝１、ステップＳ７０３における所定の基準を関係量の絶対値が３以上（すなわち、関係量が＋４、＋３、－３、－４）とした場合のモニタ１０４における表示の一例である。前述の例では、例えば、ｉ＝１、ｊ＝１（結節の大きさ:中程度）の場合は関係量が０なので基準を満たさず、ステップＳ７０４の処理はスキップされ、ステップＳ７０５の処理が行われる。つまり、モニタ１０４への表示は行わない。一方、ｉ＝１（原発性肺癌）、ｊ＝４（気体濃度比：高い）の場合は関係量が＋４なので基準を満たし、ステップＳ７０４の処理を行う。
　前述の例では、関係量が正の場合はＩｊがエビデンスとして入力された場合の推論結果Ａｉの事後確率が事前確率より高くなることを示し、負の場合は低くなることを示す。よって、関係量が正の時に推論結果Ａｉを肯定する根拠となり、負の時に否定する根拠となる。従って、ｉ＝１、ｊ＝４の場合は、推論結果Ａ１（原発性肺癌）を肯定する根拠として「気体濃度比：高い」がモニタ１０４へ表示される。
　全ての処理が終了すると、図１２で示したように、推論結果Ａ１～Ａｎとして「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」、それぞれの事後確率として１５．３％、６６．４％、１８．３％が表示される。
　また、「異常の種類：原発性肺癌」を肯定する根拠として「軟部組織濃度比：低い」「気体濃度比：高い」が表示される。さらに、「異常の種類：癌の肺転移」を肯定する根拠として「形状：球形」「境界：不明瞭」が、「異常の種類：癌の肺転移」を否定する根拠として「気体濃度比：高い」が表示される。さらにまた、「異常の種類：その他の異常」を否定する根拠として「形状：球形」が表示される。
　次にｋ＝２の場合を説明する。また、以下の例では、ステップＳ６０７における関係量の算出処理を、「各部分集合について、算出された事後確率と事前確率の差の絶対値を取り、その中で最大となる値を基準として規格化を行う方法」により行う。第１実施形態で示したように、図８は、Ｉｆｉｘにおいて、ｋ＝２として医用情報「結節の大きさ：中程度」「形状：球形」を選択し、確定情報の部分情報Ｉ１とした例である。Ｉ１をエビデンスとして推論を行い、結果として得られた推論結果「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」に属するそれぞれの事後確率４．９％、７１．１％、２４．０％をＩ１と関連付けて保存する。
　表６はｋ＝２とした場合の全てのＩｊとＩｊをエビデンスとして計算した推論結果Ａ１～Ａｎの事後確率と、事後確率と推論結果Ａ１～Ａｎの事前確率の差を示したものである。これは、ステップＳ６０３～ステップＳ６０５の処理によって得られる。
Figure JPOXMLDOC01-appb-T000006
　ステップＳ６０７の処理により関係量を求める。ここでは、Ｄ（Ａｉ｜Ｉｊ）（以下、差分量と呼ぶ）の絶対値を取り、その中で最大となる値を基に規格化を行う。以下、具体的に説明する。「異常の種類：原発性肺癌」の差分量の絶対値の最大値は３５．２％である。この値が４．０になるように各差分量を変換する。例えば差分量が－４．４％の時は－０．５となる。その後、さらに小数点第１位で切捨てを行い、得られた値を関係量とする。すなわち、４．０の場合は＋４とし、－０．５の場合は０とする。この操作を、「異常の種類：癌の肺転移」「異常の種類：その他の異常」においても行う。このとき、規格化の基となる値は、推論結果に応じて変化する。この例では、「異常の種類：癌の肺転移」では２７．２％、「異常の種類：その他の異常」では１８．５％を基に規格化を行う。以上の方法により求まった関係量は、表７のようになる。
Figure JPOXMLDOC01-appb-T000007
　図１３はｋ＝２、ステップＳ７０３における所定の基準を関係量の絶対値が３以上（すなわち、関係量が＋４、＋３、－３、－４）とした場合のモニタ１０４における表示の一例である。ｋ＝１の例と同様、関係量が正の時に推論結果Ａｉを肯定する根拠となり、負の時に否定する根拠となる。全ての処理が終了すると、図１３で示したように、推論結果Ａ１～Ａｎとして「異常の種類：原発性肺癌」「異常の種類：癌の肺転移」「異常の種類：その他の異常」、それぞれの事後確率として１５．３％、６６．４％、１８．３％が表示される。
　また、「異常の種類：原発性肺癌」を肯定する根拠として「軟部組織濃度比：低い、気体濃度比：高い」が表示される。さらに、「異常の種類：癌の肺転移」を肯定する根拠として「結節の大きさ：中程度、形状：球形」「形状：球形、境界：不明瞭」が、「異常の種類：癌の肺転移」を否定する根拠として「軟部組織濃度比：低い、気体濃度比：高い」が表示される。さらにまた、「異常の種類：その他の異常」を否定する根拠として「結節の大きさ：中程度、形状：球形」「形状：球形、境界：不明瞭」が表示される。
　なお、ｋ＝１、ｋ＝２いずれの例においても、推論結果Ａ１～Ａｎを表示する場合は、図１２、図１３に示したように、Ｉｆｉｘをエビデンスとした場合の事後確率が大きい順に表示することが望ましいが、それに限定されない。
　それぞれの推論結果を肯定する根拠を表示すると共に、推論結果を否定する根拠を同時に表示することで、最も確率の高い推論結果の信頼性の判断のみならず、他の推論結果の可能性を考慮することができる。また第一の実施形態と同様、入力した医用情報の信頼性の検証をユーザに喚起することも可能である。
　以上、述べた構成によれば、以下の効果を得ることができる。
（１）複数の推論結果に対して、それぞれ結果を肯定する根拠と否定する根拠を提示することで、最も確率の高い推論結果の信頼性の判断のみならず、他の推論結果の可能性を考慮することができる。
（２）また、入力した医用情報の信頼性の検証をユーザに喚起することができる。
　(第２実施形態の変形例)
　ステップＳ６０３において確定情報の部分情報Ｉｊを選択する場合、Ｉｆｉｘのうちｋ個以下の情報（例えば、ｋ＝１とｋ＝２の両方の部分情報）としてもよい。また、ステップＳ６０５における比較計算の計算方法として、確率の差分値を計算する例を示したがこれに限られるものではない。例えば、ステップＳ６０５における比較計算として確率の比をとる方法であっても良い。また、他の方法を用いてもよい。また、ステップＳ６０７における関係量の計算方法は前述の例で挙げた方法以外、例えば対数を取る方法などで計算してもよい。また、ｋ＝１の例で挙げたような方法を用いる場合、表４で示した変換幅に限定されない。また、ｋ＝２の例の場合は切り捨てではなく、切り上げや四捨五入、あるいは他の方法であってもよい。また、前述の例では関係量は９つの離散値を取っていたが、数は限定されない。また、関係量は連続値を取ってもよい。
　また、ステップＳ７０３における判定基準は前述の例で挙げた方法に限定されない。判定基準はユーザが任意に変更可能であってもよい。この場合、判定基準を変更するためのユーザインタフェースがあることが望ましい。また、ステップＳ７０４において基準を満たした全てのＩｊを表示しているが、基準を満たした中で最も推論結果を肯定／否定する結果のみを表示してもよい。さらにまた、推論結果を否定する根拠が存在する場合は警告表示を出してもよい。この場合警告表示を出す判定基準はＳ７０３におけるものと異なっていてもよい。ただし、Ｓ７０３の判定基準より緩やかな基準による判定は望ましくない。また、関係量やＩｊがエビデンスとして入力された場合の事後確率を同時に表示してもよい。
　また、ステップＳ７０７において推論結果Ａ１～Ａｎを全て表示しているが、もっとも事後確率の高い推論結果のみを表示してもよく、また、一部の推論結果のみを表示してもよい。この場合はユーザが選択する個数を決めてもよい。また、閾値を超えるもの、例えば事後確率が３０％以上の推論結果を表示するようにしてもよい。ただし、閾値は上記の例に限定されず、閾値をユーザが決定してもよい。
　なお、ステップＳ２０１，Ｓ２０４に関して第１実施形態で説明した変形例は第２実施形態においても適用可能であることはいうまでもない。
　［第３実施形態］
　次に、第３実施形態を説明する。なお、第３実施形態の構成は、第１実施形態と同様の構成を取るため、図１の構成図を用いるものとし、説明を省略する。また、第３実施形態の制御部１０による制御の概要は第１実施形態（図２）と同様である。図１４は第３実施形態による推論結果表示処理（Ｓ２０５）の処理を説明するフローチャートである。なお、図１４のフローチャートによって示される処理は、ＣＰＵ１００が主メモリ１０１に格納されているプログラムを実行することにより実現される。ステップＳ２０５において、ＣＰＵ１００はステップＳ２０４において処理された推論処理の結果を表示する。以下、ステップＳ２０５の詳細な処理手順について、図１４、図１５を用いて詳細に説明する。
　図１４はステップＳ２０５の詳細な処理手順を示すフローチャートである。ステップＳ９０１において、ＣＰＵ１００は主メモリ１０１に記憶されたＡ１～Ａｎの事後確率の中で、もっとも高い事後確率となるＡｘの評価値Ｖ（Ａｘ）を計算する。なお、この計算方法については後述する。
　ステップＳ９０２において、ＣＰＵ１００はステップＳ９０１で計算された評価値が所定の基準を満たすかどうかを判定する。基準を満たす場合はステップＳ９０３の処理を行い、満たさない場合はステップＳ９０３の処理をスキップする。ステップＳ９０３において、ＣＰＵ１００は警告表示をモニタ１０４へ表示する。ステップＳ９０４において、ＣＰＵ１００はステップＳ８０４において処理された推論処理の結果を表示する。主メモリ１０１に保存されている推論結果Ａ１～Ａｎとその事後確率、及び、ＩHとＩLをそれぞれモニタ１０４に表示する。以下、具体的な例について説明する。
　表８は図４Ｂの確率推論モデルに対して、ステップＳ８０３で入力されたＩｆｉｘ、Ｉｆｉｘをエビデンスとして計算した推論結果Ａ１～Ａｎ（ｎ＝３）の事後確率、ｋ＝１とした場合のＩHとＩLをそれぞれ示したものである。
Figure JPOXMLDOC01-appb-T000008
　ステップＳ９０１において、Ａ１～Ａｎの中でもっとも高い事後確率を有する診断結果（異常の種類）の評価値を計算する。ここでは、Ａ２の評価値Ｖ（Ａ２）が計算される。
　Ａｘの評価値Ｖ（Ａｘ）の計算方法としては例えば、推論結果の事後確率がもっとも高い推論結果（Ａｘ）と２番目に高い推論結果（Ａｘ２）の確率の差を計算する方法がある。あるいは、推論結果の事後確率が最も高い推論結果の確率と推論結果の状態数（＝ｎ）を用いて計算する方法がある。それぞれの方法を式２、式３として示す。
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　ここでＰ（Ａｘ｜Ｉｆｉｘ）はＩｆｉｘをエビデンスとして計算した推論結果Ａｘの事後確率を示す。表８の例では、事後確率がもっとも高い推論結果はＡ２であり、２番目に高い推論結果はＡ３であり、それぞれ４９．９％、４０．５％である。またｎは３であり、その逆数は１／ｎ＝０．３３３となり、百分率に変換すると３３．３％となる。従って、式２を用いて計算すればＶ（Ａ２）＝４９．９％－４０．５％＝９．４％となる。また、式３を用いて計算すればＶ（Ａ２）＝４９．９％－３３．３％＝１６．６％となる。
　次に、ステップＳ９０２においてＶ（Ａ２）が所定の基準を満たすかどうかを判定する。この例では所定の基準として閾値を用い、閾値以下かどうかで判定を行う。閾値以下の場合はステップＳ９０３の処理を行い、閾値を超えた場合はステップＳ９０４の処理を行う。この閾値はユーザが変更できることが望ましい。上記の表８の例の場合、例えば閾値が１５％の場合、式２で計算した評価値においてはステップＳ９０３の処理が行われ、式３で計算した評価値においてはステップＳ９０３の処理はスキップされることになる。ステップＳ９０３では警告表示を行い、ステップＳ９０４でＩｆｉｘ、推論結果Ａ１～Ａ３の事後確率、ＩHとＩLの表示をそれぞれ行う。図１５は警告表示がある場合の表示例である。ここでは、注意を促すアイコンと文字により警告表示を行っている。
　以上、述べた構成によれば、以下の効果を得ることができる。
（１）推論結果に対して評価値を計算し所定の基準を満たす場合に警告表示を行うことで、推論結果の信頼性や入力した医用情報の信頼性の検証をユーザに喚起することができる。
　(第３実施形態の変形例)
　ステップＳ９０１の評価値の計算は式２と式３の両方を組み合わせてつかってもよい。また、式２、式３以外の式を用いて計算しても良い。また、ステップＳ９０２の基準はユーザが任意に設定可能であってもよい。この場合、条件を設定するためのユーザインタフェースがあることが望ましいが、これに限定されない。また、基準は閾値を用いることに限定されない。
　また、ステップＳ９０３における警告表示は、アイコン表示のみであっても、文字表示のみであってもよく、ユーザに注意を促す形式であれば他の方法であってもよい。例えば、文字の表示色を変える、警告音を出す、背景色を変えるなどがある。また、ステップＳ９０４において推論結果Ａ１～Ａｎを全て表示しているが、もっとも事後確率の高い推論結果のみを表示してもよく、また、一部の推論結果のみを表示してもよい。この場合はユーザが選択する個数を決めてもよい。また、閾値を超えるもの、例えば事後確率が３０％以上の推論結果を表示するようにしてもよい。ただし、閾値は上記の例に限定されず、閾値をユーザが決定してもよい。
　以上詳述したように、上記第１～第３実施形態によれば、複数の推論の根拠のうち、推論結果に関して影響の大きい根拠がユーザに提示される。更に、推論結果を否定する根拠を提示するので、医療情報や推論結果の信頼性、提示した推論結果（最も確率の高い推論結果）以外の診断を考慮する必要性をユーザへ喚起することができる。すなわち、読影時に入力した情報の信頼性やシステムが提示した診断以外の可能性を検討する仕組みが提供される。
　［その他の実施形態］
　以上、実施形態を詳述したが、本発明は、例えば、システム、装置、方法、プログラムもしくは記憶媒体等としての実施態様をとることが可能である。具体的には、複数の機器から構成されるシステムに適用しても良いし、また、一つの機器からなる装置に適用しても良い。
　また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（またはＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。
　本発明は上記実施の形態に制限されるものではなく、本発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、本発明の範囲を公にするために、以下の請求項を添付する。
　本願は、２００９年２月２７日提出の日本国特許出願特願２００９－０４７０２１を基礎として優先権を主張するものであり、その記載内容の全てを、ここに援用する。

Claims (13)

  1. 　入力された複数の医用情報に基づいて医療診断に関わる推論処理を行い、推論結果を得る推論手段と、
    　前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々について、前記推論結果を否定もしくは肯定する度合いを算出する算出手段と、
    　前記推論手段によって得られた推論結果と、前記複数の部分集合のうち、前記算出手段により否定する度合いが算出された部分集合に含まれている医用情報を示す否定情報とを提示する提示手段とを備えることを特徴とする医療意志決定支援装置。
  2. 　前記提示手段は、更に、前記複数の部分集合のうち、前記算出手段により肯定する度合いが算出された部分集合に含まれている医用情報を肯定情報として提示することを特徴とする請求項１に記載の医療意志決定支援装置。
  3. 　前記提示手段は、前記算出手段により算出された否定する度合いが最大の部分集合と、肯定する度合いが最大の部分集合に含まれる医用情報を、それぞれ前記否定情報および前記肯定情報として提示することを特徴とする請求項２に記載の医療意志決定支援装置。
  4. 　前記推論手段は、事前確率が設定されている複数の推論結果に関して、前記複数の医用情報に基づいて各推論結果の事後確率を計算することにより推論結果を得ることを特徴とする請求項１に記載の医療意志決定支援装置。
  5. 　前記算出手段は、前記事後確率が最大となる推論結果について前記度合いを算出することを特徴とする請求項４に記載の医療意志決定支援装置。
  6. 　前記算出手段は、前記複数の推論結果のそれぞれについて前記度合いを算出し、
    　前記提示手段は、前記度合いが所定の条件を満たす部分集合の医用情報を肯定情報または否定情報として、前記複数の推論結果のそれぞれについて提示することを特徴とする請求項４に記載の医療意志決定支援装置。
  7. 　前記算出手段は、前記複数の推論結果のうち、前記推論処理によって得られた事後確率が所定の値を超える推論結果のそれぞれについて前記度合いを算出することを特徴とする請求項４に記載の医療意志決定支援装置。
  8. 　前記算出手段は、前記部分集合に基づいて各推論結果の事後確率を計算し前記事前確率と事後確率を利用して前記度合いを算出することを特徴とする請求項４に記載の医療意志決定支援装置。
  9. 　前記複数の推論結果に関して算出された複数の事後確率に基づいて、それらのうちの最大の事後確率に対する評価値を算出する評価手段を更に備え、
    　前記提示手段は、前記評価値が所定の条件を満たさない場合には、推論結果の信頼性に関する警告を提示することを特徴とする請求項４に記載の医療意志決定支援装置。
  10. 　前記評価手段は、前記複数の確率のうち最も高い事後確率と２番目に高い事後確率との差を前記評価値とすることを特徴とする請求項９に記載の医療意志決定支援装置。
  11. 　前記評価手段は、前記複数の事後確率のうち最も高い事後確率と、前記複数の事後確率の個数の逆数との差を前記評価値とすることを特徴とする請求項９に記載の医療意志決定支援装置。
  12. 　入力された複数の医用情報に基づいて医療診断に関わる推論処理を行い、推論結果を得る推論工程と、
    　前記複数の医用情報から取り出された医用情報を要素とする複数の部分集合の各々について、前記推論結果を否定もしくは肯定する度合いを算出する算出工程と、
    　前記推論工程で得られた推論結果と、前記複数の部分集合のうち、前記算出工程で否定する度合いが算出された部分集合に含まれている医用情報を示す否定情報とを提示する提示工程とを有することを特徴とする医療意志決定支援装置の制御方法。
  13. 　請求項１２に記載の制御方法の各工程をコンピュータに実行させるためのプログラム。
PCT/JP2010/000601 2009-02-27 2010-02-02 医療意志決定支援装置及びその制御方法 WO2010098015A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP10745904A EP2402903A4 (en) 2009-02-27 2010-02-02 MEDICAL DECISION SUPPORT DEVICE AND CONTROL METHOD THEREOF
US12/822,999 US8880455B2 (en) 2009-02-27 2010-06-24 Medical decision making support apparatus and control method for the same
US14/495,242 US9436915B2 (en) 2009-02-27 2014-09-24 Medical decision making support apparatus and control method for the same
US15/244,085 US20160357925A1 (en) 2009-02-27 2016-08-23 Medical decision making support apparatus and control method for the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009-047021 2009-02-27
JP2009047021A JP5582707B2 (ja) 2009-02-27 2009-02-27 医療意志決定支援装置及びその制御方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US12/822,999 Continuation US8880455B2 (en) 2009-02-27 2010-06-24 Medical decision making support apparatus and control method for the same

Publications (1)

Publication Number Publication Date
WO2010098015A1 true WO2010098015A1 (ja) 2010-09-02

Family

ID=42665235

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/000601 WO2010098015A1 (ja) 2009-02-27 2010-02-02 医療意志決定支援装置及びその制御方法

Country Status (4)

Country Link
US (3) US8880455B2 (ja)
EP (1) EP2402903A4 (ja)
JP (1) JP5582707B2 (ja)
WO (1) WO2010098015A1 (ja)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5398518B2 (ja) * 2009-12-25 2014-01-29 キヤノン株式会社 医療診断支援装置
EP2506173B1 (en) * 2011-03-28 2020-01-01 Canon Kabushiki Kaisha Medical diagnosis support apparatus and medical diagnosis support method
JP5952568B2 (ja) 2012-01-24 2016-07-13 キヤノン株式会社 画像診断支援装置、その処理方法及びプログラム
JP5967968B2 (ja) 2012-02-14 2016-08-10 キヤノン株式会社 医療診断支援システム、医療診断支援装置、情報処理方法、及びプログラム
JP6021346B2 (ja) 2012-02-14 2016-11-09 キヤノン株式会社 診断支援装置及びその制御方法
JP6071338B2 (ja) 2012-08-30 2017-02-01 キヤノン株式会社 医療診断支援装置、医療診断支援方法及びプログラム
JP5668090B2 (ja) * 2013-01-09 2015-02-12 キヤノン株式会社 医療診断支援装置及び医療診断支援方法
US20140236025A1 (en) * 2013-02-15 2014-08-21 Michael L. Sheldon Personal Health Monitoring System
KR20150002932A (ko) * 2013-06-26 2015-01-08 삼성전자주식회사 초음파 영상 디스플레이 방법 및 장치
JP6362061B2 (ja) 2013-07-10 2018-07-25 キヤノン株式会社 診断支援システム、その作動方法、およびプログラム
JP6347755B2 (ja) 2015-02-27 2018-06-27 富士フイルム株式会社 診療支援装置、診療支援装置の作動方法及び作動プログラム、診療支援システム
JP6532287B2 (ja) 2015-05-14 2019-06-19 キヤノン株式会社 医療診断支援装置、情報処理方法及びプログラム
JP6721036B2 (ja) * 2016-03-15 2020-07-08 日本電気株式会社 推論システム、推論方法、及び、プログラム
JP6818424B2 (ja) * 2016-04-13 2021-01-20 キヤノン株式会社 診断支援装置、情報処理方法、診断支援システム及びプログラム
JP6220435B2 (ja) * 2016-10-05 2017-10-25 キヤノン株式会社 診断支援装置及びその制御方法
CN110100286A (zh) * 2016-11-22 2019-08-06 皇家飞利浦有限公司 用于患者历史敏感的结构化发现对象推荐的系统和方法
JP7224757B2 (ja) 2017-10-13 2023-02-20 キヤノン株式会社 診断支援装置、情報処理方法、診断支援システム及びプログラム
JP6530841B2 (ja) * 2018-06-18 2019-06-12 キヤノン株式会社 診断支援システム、その作動方法、診断支援装置、およびプログラム
JP2020144498A (ja) * 2019-03-05 2020-09-10 株式会社日立製作所 画像診断支援装置および画像処理方法
JP2020174861A (ja) 2019-04-17 2020-10-29 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
JP7471094B2 (ja) 2020-01-30 2024-04-19 キヤノンメディカルシステムズ株式会社 学習支援装置及び方法
US20230281310A1 (en) * 2022-03-01 2023-09-07 Meta Plataforms, Inc. Systems and methods of uncertainty-aware self-supervised-learning for malware and threat detection

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06347563A (ja) * 1993-06-07 1994-12-22 Hitachi Ltd 気象予測システムおよびニューロコンピュータ制御システム
JP2006127452A (ja) * 2004-03-31 2006-05-18 Denso It Laboratory Inc 情報提示装置および情報提示方法
JP2006181037A (ja) * 2004-12-27 2006-07-13 Fuji Photo Film Co Ltd 診断支援装置、診断支援方法およびそのプログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4649515A (en) * 1984-04-30 1987-03-10 Westinghouse Electric Corp. Methods and apparatus for system fault diagnosis and control
JPH01309101A (ja) * 1988-06-08 1989-12-13 Hitachi Ltd 適応知識推定方法
JP3224226B2 (ja) * 1989-09-22 2001-10-29 株式会社リコー 故障診断エキスパートシステム
US5130936A (en) * 1990-09-14 1992-07-14 Arinc Research Corporation Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency
US5438644A (en) * 1991-09-09 1995-08-01 University Of Florida Translation of a neural network into a rule-based expert system
US5935060A (en) * 1996-07-12 1999-08-10 First Opinion Corporation Computerized medical diagnostic and treatment advice system including list based processing
US6601055B1 (en) * 1996-12-27 2003-07-29 Linda M. Roberts Explanation generation system for a diagnosis support tool employing an inference system
JP2001229294A (ja) 1999-12-10 2001-08-24 Health Wave Japan:Kk 健康アドバイス方法および健康アドバイスシステム
AU2001275020A1 (en) * 2000-09-21 2002-04-02 Theradoc.Com, Inc. Systems and methods for manipulating medical data via a decision support system
BR0314589A (pt) 2002-09-24 2005-08-09 Eastman Kodak Co Método e sistema para visualizar resultados de uma análise por detecção com auxìlio de computador de uma imagem digital, e, método para identificar anormalidades em um mamograma
JP2004288047A (ja) 2003-03-24 2004-10-14 Fujitsu Ltd 診療支援システム及び診療支援プログラム
JP5001002B2 (ja) 2004-04-28 2012-08-15 株式会社日立メディコ 画像診断支援装置及びその方法
EP1877968A2 (en) * 2005-04-12 2008-01-16 Alianna J. Maren System and method for evidence accumulation and hypothesis generation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06347563A (ja) * 1993-06-07 1994-12-22 Hitachi Ltd 気象予測システムおよびニューロコンピュータ制御システム
JP2006127452A (ja) * 2004-03-31 2006-05-18 Denso It Laboratory Inc 情報提示装置および情報提示方法
JP2006181037A (ja) * 2004-12-27 2006-07-13 Fuji Photo Film Co Ltd 診断支援装置、診断支援方法およびそのプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP2402903A4 *

Also Published As

Publication number Publication date
JP5582707B2 (ja) 2014-09-03
EP2402903A1 (en) 2012-01-04
US9436915B2 (en) 2016-09-06
JP2010200840A (ja) 2010-09-16
US20100332441A1 (en) 2010-12-30
US20150012474A1 (en) 2015-01-08
EP2402903A4 (en) 2012-11-07
US8880455B2 (en) 2014-11-04
US20160357925A1 (en) 2016-12-08

Similar Documents

Publication Publication Date Title
WO2010098015A1 (ja) 医療意志決定支援装置及びその制御方法
JP6559707B2 (ja) 症例の難しさに基づくコンピュータ支援患者層別化のためのシステムの作動方法及びシステム
CN111563523B (zh) 利用机器训练的异常检测的copd分类
CN111401398A (zh) 用于根据人工智能检测输出确定疾病进展的系统和方法
JP6818424B2 (ja) 診断支援装置、情報処理方法、診断支援システム及びプログラム
JP6016406B2 (ja) 医療診断支援装置及び医療診断支援方法及び入力支援システム
JP6021346B2 (ja) 診断支援装置及びその制御方法
JP2011092286A (ja) 情報処理装置、情報処理方法及びプログラム
JP6215227B2 (ja) イメージング検査プロトコル更新推奨部
JP5661890B2 (ja) 情報処理装置、情報処理方法及びプログラム
US10918309B2 (en) Artificial intelligence-based COPD assessment
US20210142480A1 (en) Data processing method and apparatus
US20230142909A1 (en) Clinically meaningful and personalized disease progression monitoring incorporating established disease staging definitions
Taylor et al. CT colonography and computer-aided detection: effect of false-positive results on reader specificity and reading efficiency in a low-prevalence screening population
Fuhrman et al. Cascaded deep transfer learning on thoracic CT in COVID-19 patients treated with steroids
JP6543308B2 (ja) 情報処理装置、情報処理装置の作動方法および情報処理システム
JP2018530402A (ja) 正確な放射線科推奨を生成するシステムおよび方法
EP3477551A1 (en) Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging
JP6193964B2 (ja) 情報処理装置、情報処理装置の作動方法および情報処理システム
Ajmera et al. Deep-learning-based automatic detection of pulmonary nodules from chest radiographs
JP5865447B2 (ja) 診断支援装置及びその制御方法、診断支援システム、プログラム
JP6809803B2 (ja) 患者説明支援装置
CN115985492A (zh) 一种基于患者的医学信息进行预后管理的系统和方法
US20220280124A1 (en) Diagnosis support system
JP2021194112A (ja) 診断支援装置、プログラム及び診断支援システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10745904

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2010745904

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE