WO2016093048A1 - 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム - Google Patents

脳疾患診断支援システム、脳疾患診断支援方法及びプログラム Download PDF

Info

Publication number
WO2016093048A1
WO2016093048A1 PCT/JP2015/082844 JP2015082844W WO2016093048A1 WO 2016093048 A1 WO2016093048 A1 WO 2016093048A1 JP 2015082844 W JP2015082844 W JP 2015082844W WO 2016093048 A1 WO2016093048 A1 WO 2016093048A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
brain
electroencephalogram
disease
feature data
Prior art date
Application number
PCT/JP2015/082844
Other languages
English (en)
French (fr)
Inventor
百瀬　公久
和則 垣本
央 松永
尚志 奥山
敏夫 堤田
Original Assignee
株式会社Ｎｔｔデータ・アイ
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 株式会社Ｎｔｔデータ・アイ filed Critical 株式会社Ｎｔｔデータ・アイ
Priority to US15/533,218 priority Critical patent/US20170340262A1/en
Priority to EP15867759.1A priority patent/EP3216392A4/en
Publication of WO2016093048A1 publication Critical patent/WO2016093048A1/ja

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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions

Definitions

  • the present invention relates to a brain disease diagnosis support system, a brain disease diagnosis support method, and a program.
  • This application claims priority on December 9, 2014 based on Japanese Patent Application No. 2014-248953 for which it applied to Japan, and uses the content here.
  • dementia With the arrival of an aging society, countermeasures against dementia, one of the brain diseases, are required. In the following, dementia is described as an example. Dementia may be slowed by medication or improved by surgery. In order to take effective measures against these dementias, early detection of dementia is important.
  • Patent Document 1 uses the fact that when the neuron function in the cerebral cortex decreases in the entire frequency of the electroencephalogram, the neuronal activity becomes unstable, and this influence appears as fluctuations in local electroencephalogram power.
  • An apparatus for measuring the activity of a device is disclosed.
  • the average value and standard deviation of values (hereinafter referred to as brain wave feature data) obtained by normalizing the brain waves detected by sensors attached to a plurality of positions on the subject's head for each predetermined frequency band are obtained.
  • the Z score of the average value of the subject is obtained. Then, based on the subject's Z score, the reduced portion of the subject's brain function can be shown.
  • Patent Document 1 uses the same method to calculate a Z score for a group of patients with Alzheimer-type dementia, and uses this as a template indicating the characteristics of the disease, and each subject's Z score and the template It is described that the similarity can be numerically displayed by obtaining the correlation coefficient with.
  • the method of Patent Document 1 has the following problems.
  • the similarity between the brain wave feature data of a subject and the brain wave feature data of a normal population or the brain wave feature data of a population of Alzheimer's dementia patients is determined based on the Z score.
  • the Z score it is assumed that the population follows a normal distribution.
  • the electroencephalogram feature data of the normal population and the electroencephalogram feature data of the Alzheimer type dementia patient population follow a normal distribution Therefore, in order to use the Z score, it may be necessary to extract appropriate data while performing trial and error so that the population data follows a normal distribution.
  • the electroencephalogram is to be measured at 19 locations in accordance with the international standard. For example, in the method of Patent Document 1, the measurement is performed at 21 locations in addition of 2 locations.
  • the electroencephalogram feature data is multidimensional, and it is difficult to extract appropriate data that follows a normal distribution from a plurality of multidimensional data.
  • the similarity between the brain wave feature data of the subject and the brain wave feature data of the normal population or the brain wave feature data of the population of Alzheimer's dementia patients is expressed as the distance between the average values of the brain wave feature data.
  • the average value of the electroencephalogram feature data of the normal population does not necessarily converge to a value indicating the characteristics of the electroencephalogram feature data of the normal subjects.
  • the average value of the electroencephalogram feature data of the Alzheimer type dementia patient population does not necessarily converge to a value indicating the characteristics of the electroencephalogram feature data of the Alzheimer type dementia patient. This will be described with reference to FIG. For convenience of explanation, the case where two electroencephalogram feature data are used will be described as an example.
  • the vertical axis (y1 axis) and the horizontal axis (y2 axis) indicate electroencephalogram feature data, respectively.
  • the brain wave feature data of a certain person can be represented by a point having two brain wave feature data values as coordinate values.
  • the points indicated by triangles are brain wave characteristic data of normal persons (NL).
  • the points indicated by circles are the electroencephalogram feature data of a patient diagnosed as an Alzheimer type dementia patient (AD).
  • a point indicated by a star shape is used as brain wave characteristic data of the subject.
  • the average value of NL is represented by a star point 31.
  • the average value of AD is represented by a round dot 32.
  • the average value of NL and the average value of AD are respectively representative values of NL and AD
  • the subject's electroencephalogram feature data and their representative values Compare the distances and consider the method of classifying the subject's electroencephalogram feature data closer to the distance. For example, the electroencephalogram feature data (star point 33) of the subject 1 is close to the average value (circle point 32) of AD.
  • the electroencephalogram feature data (star point 34) of the subject 4 is close to the average value of NL (star point 31).
  • NL electroencephalogram feature data triangular point 35
  • AD electroencephalogram feature data circle point 36
  • subject 1 star point 33
  • subject 4 star point 34
  • the average value of the feature data is not always a representative value that correctly indicates the characteristics of the electroencephalogram feature data of a certain symptom or activity.
  • the electroencephalogram feature data is multidimensional, and there is a problem that it is difficult to appropriately converge the representative value of such multidimensional data by average calculation.
  • the present invention provides a brain disease diagnosis support system, brain disease diagnosis support method, and program capable of solving the above-described problems.
  • the brain disease diagnosis support system attaches disease information indicating the state of the brain disease corresponding to the brain wave feature data to the brain wave feature data obtained by extracting the feature amount of the brain wave from the brain wave.
  • a plurality of learning data obtained, and machine learning of the plurality of learning data thereby obtaining an evaluation model calculation unit for calculating an evaluation model for determining a brain disease, and acquiring brain wave feature data of the subject, And a determination unit that determines a brain disease indicated by the brain wave characteristic data of the subject.
  • the brain disease diagnosis support system further includes an input unit that receives an input of the disease information attached to the electroencephalogram feature data of the subject, and the input unit receives the disease that has been received.
  • New learning data in which information is associated with the brain wave feature data of the subject is stored in the storage unit, and the evaluation model calculation unit calculates the evaluation model by adding the new learning data to the plurality of learning data. .
  • the electroencephalogram feature data includes a plurality of the feature quantities
  • the evaluation model calculation unit evaluates the electroencephalogram feature data included in each of the plurality of learning data.
  • One or a plurality of feature quantities effective for model calculation are extracted, and the evaluation model is calculated using only the extracted feature quantities.
  • the disease information of the plurality of learning data includes information indicating one or more types of brain diseases
  • the evaluation model calculation unit includes the plurality of evaluation models. Calculating boundary information that separates learning data for each type of disease information attached to each learning data, and the determination unit determines a brain disease indicated by the brain wave feature data of the subject based on the boundary information.
  • the evaluation model calculation unit classifies the plurality of brain wave feature data into a plurality of groups by clustering based on the feature amount, and the determination unit includes the brain wave feature of the subject. It is determined to which group the data is classified among the groups classified by the evaluation model calculation unit.
  • the disease information of the plurality of learning data includes information indicating one or a plurality of types of brain diseases
  • the evaluation model calculation unit includes the determination unit
  • the learning data included in the group determined to be classified by the subject's brain wave feature data is calculated for each type of disease information, the ratio of the learning data to which each disease information is attached, the determination unit is The brain disease indicated by the brain wave characteristic data of the subject is determined based on the ratio.
  • the evaluation model calculation unit adds learning data included in a group determined by the determination unit to classify the brain wave feature data of the subject to each learning data.
  • the boundary information to be separated for each type of disease information is calculated, and the determination unit determines the brain disease indicated by the brain wave feature data of the subject based on the boundary information.
  • the cerebral disease diagnosis support system further includes a display unit that outputs a result of determination by the determination unit, and the determination unit indicates the electroencephalogram feature data of the subject.
  • the brain disease is determined, a probability that the brain wave characteristic data of the subject is the brain disease is calculated, and the display unit outputs the probability.
  • the brain disease diagnosis support system extracts the brain wave feature data from the brain wave from the brain wave feature data.
  • a plurality of learning data with disease information indicating a state is acquired, and an evaluation model for determining a brain disease is calculated by machine learning the plurality of learning data, and brain wave feature data of the subject is acquired, and the evaluation Based on the model, the brain disease indicated by the subject's electroencephalogram feature data is determined.
  • the program stores the brain disease state corresponding to the electroencephalogram feature data in the electroencephalogram feature data obtained by extracting the feature amount of the electroencephalogram from the electroencephalogram.
  • the storage medium stores the brain disease state corresponding to the electroencephalogram feature data in the electroencephalogram feature data obtained by extracting the feature quantity of the electroencephalogram from the electroencephalogram in the computer of the brain disease diagnosis support system.
  • a plurality of learning data with disease information indicating, and machine learning of the plurality of learning data to obtain an evaluation model for determining a brain disease, and to obtain brain wave feature data of the subject,
  • a program for executing a function of determining a brain disease indicated by the brain wave characteristic data of the subject is stored.
  • brain disease diagnosis support system brain disease diagnosis support method, and program, it is possible to simultaneously determine whether or not a subject suffers from a brain disease based on the subject's brain waves. .
  • an evaluation model used for determination of a brain disease can be automatically created, it is possible to save time and effort for creating a template.
  • 1 is a block diagram of a brain disease diagnosis support apparatus in a first embodiment according to the present invention. It is a 1st figure used for description of the calculation process of the boundary information by the brain disease diagnosis assistance apparatus in 1st embodiment which concerns on this invention. It is a 2nd figure used for description of the calculation process of the boundary information by the brain disease diagnosis assistance apparatus in 1st embodiment which concerns on this invention. It is a figure used for description of the evaluation process by the brain disease diagnosis assistance apparatus in 1st embodiment which concerns on this invention. It is a flowchart of the evaluation process of the electroencephalogram feature data using the brain disease diagnosis support apparatus in 1st embodiment which concerns on this invention.
  • FIG. 1 is a block diagram of a brain disease diagnosis support apparatus according to the first embodiment of the present invention.
  • the brain disease diagnosis support apparatus 10 is a system that presents the probability that a subject suffers from dementia based on the brain waves of the subject.
  • the brain disease diagnosis support apparatus 10 is, for example, a PC or a server apparatus that can execute a program that realizes this function.
  • the brain disease diagnosis support apparatus 10 includes an electroencephalogram feature data acquisition unit 11, an operation reception unit 12, an evaluation model calculation unit 13, a determination unit 14, a storage unit 15, and a display unit 16.
  • the electroencephalogram feature data acquisition unit 11 acquires subject electroencephalogram feature data.
  • the electroencephalogram feature data is data obtained by extracting feature amounts of the electroencephalogram from the subject's electroencephalogram.
  • the electroencephalogram for example, recorded changes in the potential difference between the electrode placed on the earlobe and other electrodes placed at a predetermined position on the subject's head based on the International 10-20 method. It is data.
  • the feature quantity of the electroencephalogram is, for example, according to the method of Patent Document 1, the square of the potential (sNAT) in each of a plurality of frequency bands in the potential measured for each position where the electrodes are arranged, between adjacent frequency bands. SNAT ratio (smooth electroencephalogram).
  • the electroencephalogram feature data acquisition unit 11 acquires learning data in which the electroencephalogram feature data is attached with disease information indicating what kind of brain disease the electroencephalogram feature data is of the person with the brain disease.
  • brain diseases include normal (no brain disease), Alzheimer's dementia, vascular dementia, Lewy body dementia, depression, schizophrenia and the like.
  • the operation accepting unit 12 accepts an instruction operation to the brain disease diagnosis support apparatus 10 by the operator.
  • the instruction operation is, for example, an operation for instructing to take in the electroencephalogram feature data or an operation for instructing to evaluate the electroencephalogram feature data.
  • the evaluation model calculation unit 13 calculates an evaluation model used for determination of brain disease by machine learning a plurality of learning data acquired by the electroencephalogram feature data acquisition unit 11. For example, in this embodiment, boundary information that separates a plurality of pieces of learning data for each type of disease information attached to each piece of learning data is calculated.
  • the machine learning used by the evaluation model calculation unit 13 is, for example, SVM (Support Vector Vector Machine). By using SVM, it is possible to calculate boundary information in a multidimensional feature amount.
  • the boundary information is, for example, a function indicating a separation boundary surface that separates electroencephalogram feature data of a normal person and electroencephalogram feature data of an Alzheimer type dementia patient.
  • the determination unit 14 acquires brain wave feature data of the subject, and determines a brain disease indicated by the brain wave feature data of the subject based on the evaluation model calculated by the evaluation model calculation unit 13. For example, in the present embodiment, the electroencephalogram feature data of a subject is evaluated based on the boundary information calculated by the evaluation model calculation unit 13 based on the learning data.
  • the evaluation is, for example, a probability that the brain wave characteristic data of a subject determines which brain disease among a plurality of brain diseases, or that the brain wave characteristic data of the subject indicates the brain disease determined. Or to calculate.
  • the storage unit 15 stores various information such as brain wave feature data of a plurality of subjects and boundary information calculated by the evaluation model calculation unit 13.
  • the display unit 16 outputs the evaluation result of the determination unit 14 to a display device connected to the brain disease diagnosis support apparatus 10.
  • FIG. 2 is a first diagram used for explaining the boundary information calculation processing by the brain disease diagnosis support apparatus according to the first embodiment of the present invention.
  • X pieces of “learning data” are prepared.
  • the disease information is, for example, AD for Alzheimer type dementia and NL for a normal person.
  • the normal person means a person who does not suffer from Alzheimer's dementia.
  • each of a round point and a triangular point indicates learning data of a certain person.
  • Circle points are learning data of Alzheimer type dementia patients (AD).
  • a triangular point is learning data of a normal person (NL).
  • the value on the vertical axis indicates the feature quantity of the first electroencephalogram constituting the electroencephalogram feature data
  • the value on the horizontal axis indicates the feature quantity of the second electroencephalogram constituting the electroencephalogram feature data.
  • a round dot 21 indicates that the first feature value of the person's brain wave is “y1a”, the second feature value is “y2a”, and the disease information is “AD”.
  • the evaluation model calculation unit 13 first captures learning data of a plurality of subjects prepared in advance.
  • FIG. 3 is a second diagram used for explaining the boundary information calculation processing by the brain disease diagnosis support apparatus according to the first embodiment of the present invention.
  • boundary information between “values likely to be AD” and “values likely to be NL” is calculated.
  • This can be realized by, for example, machine learning logic called a support vector machine (hereinafter referred to as SVM).
  • SVM support vector machine
  • the boundary information is calculated as a function indicating the separation boundary surface, for example.
  • the evaluation model calculation unit 13 writes and stores the calculated boundary information in the storage unit 15. In the case of FIG.
  • the boundary information is represented by a boundary line 22, for example.
  • the evaluation model calculation unit 13 calculates boundary information from a plurality of learning data and records the boundary information in the storage unit 15, the brain disease diagnosis support apparatus 10 determines that the BFx is about brain wave feature data (BFx) to which no disease information is attached. It becomes possible to evaluate whether it is AD or NL and the probability of being AD or NL at that time.
  • BFx brain wave feature data
  • FIG. 4 is a diagram used for explaining the evaluation process performed by the brain disease diagnosis support apparatus according to the first embodiment of the present invention.
  • the evaluation model calculation unit 13 calculates the boundary information
  • the operator inputs the brain wave characteristic data “BFx” of the subject to be diagnosed to the brain disease diagnosis support apparatus 10.
  • the electroencephalogram feature data acquisition unit 11 acquires the electroencephalogram feature data “BFx” and outputs it to the determination unit 14.
  • the determination unit 14 reads the boundary information calculated by the evaluation model calculation unit 13 from the storage unit 15 and determines to which of the calculated boundaries the electroencephalogram feature data “BFx” is classified.
  • the determination unit 14 can calculate the probability that the brain wave feature data of the subject to be diagnosed is AD or NL depending on how far the brain wave feature data “BFx” is from the boundary.
  • the determination unit 14 in the case of the brain wave feature data BF 1 (star point 23) of the subject 1, since BF 1 exists in the NL region and is far from the boundary line 22, the determination unit 14 has a large probability of NL for BF 1. The probability is estimated to be 70%, for example.
  • the determination unit 14 has a high probability that the BF 2 is NL ( (For example, 60%) evaluates that there is a possibility of misidentification.
  • the determination unit 14 has a high possibility of AD in the BF 3 The probability is evaluated as 80%, for example.
  • the determination unit 14 has a high probability of AD for the BF 4 (for example, 55% etc.) evaluates the possibility of misidentification.
  • a numerical value representing a probability such as 70% can be calculated by, for example, the SVM method.
  • boundary information between AD and NL is obtained, and whether the AD or NL is determined is determined based on the boundary information. Therefore, it is possible to avoid the problem that there is a possibility that the characteristics of AD and NL may be made uniform by defining “average AD” and “average NL” as in the past. Further, since the boundary information can be calculated by a machine learning method, there is no trouble of extracting appropriate data by trial and error by accumulating know-how.
  • the electroencephalogram feature data of the present embodiment is measured at 21 locations by adding two locations to the electrode arrangement according to the international standard international 10-20 method, and there are a plurality of values measured at each position.
  • FIG. 5 is a flowchart of a statistical evaluation process of electroencephalogram feature data using the brain disease diagnosis support apparatus according to the first embodiment of the present invention.
  • the boundary information calculation processing and dementia evaluation processing performed by the brain disease diagnosis support apparatus 10 will be described with reference to FIG.
  • an interface image to be operated by an operator is displayed on the display device connected to the brain disease diagnosis support apparatus 10, and the interface image includes “calculate boundary information” and “diagnosis target data”. Buttons such as “Evaluate”, “Attach AD disease information”, “Add NL disease information”, etc. are displayed, and the operator performs an operation such as pressing these buttons with a mouse, thereby causing a brain disease. It is assumed that the diagnosis support apparatus 10 can be instructed to execute processing.
  • an operator inputs learning data of a normal person or an Alzheimer-type dementia patient to the brain disease diagnosis support apparatus 10.
  • the learning data is given, for example, in the form of an electronic file, and one electronic file includes learning data of a plurality of normal persons and Alzheimer type dementia patients. It is assumed that disease information “AD” or “NL” is attached to each learning data.
  • the feature data included in each learning data is, for example, 420-dimensional data. The more learning data to input, the better.
  • the electroencephalogram feature data acquisition unit 11 acquires learning data (step S1), and writes the acquired learning data into the storage unit 15 for storage.
  • the operation reception unit 12 receives the operation and instructs the evaluation model calculation unit 13 to calculate the boundary information.
  • the evaluation model calculation unit 13 reads the learning data written in the storage unit 15 and calculates a function of the separation boundary surface that divides the read learning data into AD and NL by, for example, the SVM method (step S2).
  • the evaluation model calculation unit 13 calculates a function indicating the separation boundary surface
  • the evaluation model calculation unit 13 writes the function (boundary information) in the storage unit 15 and stores it.
  • the above is the boundary information calculation process.
  • an evaluation process is performed on the brain wave feature data of a new subject.
  • an operator inputs electroencephalogram feature data (diagnosis target data) of a subject to be diagnosed into the brain disease diagnosis support apparatus 10.
  • the diagnosis target data is given in the form of an electronic file, for example.
  • One electronic file includes 420-dimensional electroencephalogram feature data of one subject, for example.
  • the electroencephalogram feature data acquisition unit 11 acquires diagnosis target data (step S3), and writes and stores the acquired diagnosis target data in the storage unit 15.
  • the operation reception unit 12 receives the operation and instructs the determination unit 14 to evaluate the diagnosis target data.
  • the determination unit 14 uses the boundary information written in the storage unit 15 to evaluate whether the diagnosis target data is AD or NL and the probability by using the SVM method, for example (step S4).
  • the probability is a value (certainty factor) according to the distance from the separation boundary surface of the diagnosis target data in SVM.
  • the determination unit 14 outputs the evaluation result to the display unit 16.
  • the display unit 16 displays the evaluation result of the subject's diagnosis target data on the display device (step S5). In the evaluation result, for example, “the diagnosis target data is highly likely to be NL and the probability is 70%” is displayed.
  • the diagnostician comprehensively diagnoses whether the subject has Alzheimer's dementia using the evaluation result displayed on the display unit 16 and the results of other interviews and examinations.
  • the brain disease diagnosis support apparatus 10 since the probability of Alzheimer type dementia seen from the electroencephalogram feature data can be presented to the doctor, the doctor can diagnose whether or not the patient has Alzheimer type dementia. Can help.
  • the time required for the evaluation by the determination unit 14 is about several minutes, and if the brain wave characteristic data of the subject is prepared in advance, the doctor can quickly obtain the evaluation result by the brain disease diagnosis support apparatus 10.
  • the electroencephalogram measurement device is less expensive than other medical devices used for diagnosis of dementia such as MRI, and the acquisition of the electroencephalogram is safe and has few problems on the health of the subject even if it is repeatedly acquired. Therefore, the brain disease diagnosis support apparatus 10 according to the present embodiment that supports the diagnosis of brain diseases such as dementia by electroencephalogram is easy to introduce even in a relatively small medical institution, and a diagnosis support system including the brain disease diagnosis support apparatus 10 is provided. Introducing Alzheimer-type dementia, which is a social problem, can be relatively easily diagnosed by medical institutions in town.
  • an electroencephalogram that directly grasps the cranial nerve activity status can grasp an abnormality earlier than a symptom that can be grasped by another person such as a patient's behavior
  • the brain disease diagnosis support apparatus 10 of this embodiment It is possible to know the probability of Alzheimer-type dementia before symptoms appear, and it can be used for early diagnosis and early countermeasures for Alzheimer-type dementia.
  • other people have symptoms such as dementia when viewed from others, but in many cases it is not possible to determine whether it is really dementia or whether it is a non-dementia symptom such as senile depression.
  • the disease diagnosis support apparatus 10 provides information that supports diagnosis of Alzheimer's dementia in patients who develop symptoms that are difficult to distinguish.
  • the brain wave feature data diagnosed by the doctor is taken in as learning data, and the boundary information is recalculated.
  • the operator inputs the diagnosis result to the brain disease diagnosis support apparatus 10.
  • the diagnosis result is AD
  • the diagnosis result is NL
  • the electroencephalogram feature data acquisition unit 11 accepts the button pressing operation (step S6), and writes the disease information (AD or NL) indicated by the pressed button and the diagnosis target data in association with each other in the storage unit 15.
  • the disease information is added to the diagnosis target data of the subject, and one new learning data is added.
  • the evaluation model calculation unit 13 adds one new learning data to the learning data written in the storage unit 15 in step S1, and performs the process of generating boundary information in step S2 again.
  • the evaluation model calculation unit 13 writes and stores the newly calculated boundary information in the storage unit 15. Adding the learning data of the subject to the given learning data increases the number of learning data. Thereby, the accuracy and reliability of the boundary information calculated by the evaluation model calculation unit 13 can be improved.
  • the display unit 16 may display a learning data selection screen acquired in step S1 so that the operator can select learning data according to a doctor's instruction or the like.
  • the electroencephalogram feature data behaves differently depending on the slight difference in the electrode placement position and the amount of attachment to the head. For example, it is possible to obtain a desirable result if the evaluation according to the present embodiment is performed based on the electroencephalogram feature data measured at the own facility, but a favorable result may not be obtained if the evaluation is performed using the electroencephalogram feature data collected nationwide. There is sex. In such a case, by making it possible to select learning data as a reference and selecting only learning data groups useful for diagnosis, a doctor can more effectively use the brain disease diagnosis support apparatus 10 for diagnosis of dementia. Can be.
  • the learning data pattern to be selected may be registered in the storage unit 15. For example, if a doctor empirically grasps that there are several patterns in the same Alzheimer-type dementia, a group of learning data suitable for detecting each pattern is extracted and separated. It is possible to evaluate the diagnosis target data of one subject from various viewpoints by registering them as patterns and using these different patterns as learning data, and doctors can more accurately evaluate Alzheimer-type dementia. Diagnosis can be performed.
  • an arbitrary feature amount can be selected from 420-dimensional feature amounts, and not only all feature amounts included in the electroencephalogram feature data are used, but also illustrated in FIG.
  • the boundary information calculation process and the evaluation process may be performed using only some of the feature amounts.
  • a combination of electroencephalogram feature data based on electroencephalograms measured at a plurality of predetermined positions is used as the first pattern, and an electroencephalogram feature based on electroencephalograms measured at a plurality of positions different from the measurement positions used in the first pattern
  • the combination of data may be a second pattern, and boundary information may be calculated using each of these two types of patterns.
  • step S2 for calculating the function of the separation boundary surface a feature amount effective for separating AD and NL is dynamically extracted using a method such as principal component analysis or Random Forest, and only the extracted feature amount is obtained. May be used to calculate the function of the separation boundary surface.
  • FIG. 6 is a diagram showing an example of the arrangement of electrodes for measuring an electroencephalogram in the first embodiment according to the present invention.
  • normalization is calculating the difference value of the brain wave data of a test subject, for example in a resting state, and the measured brain wave data, in order to suppress the dispersion
  • sNAT and vNAT are examples of feature amounts constituting the electroencephalogram feature data.
  • the feature quantity may be another physical quantity based on brain wave data obtained by measurement at each electrode position.
  • FIG. 7 is a diagram illustrating an example of feature amounts used in the brain disease diagnosis support apparatus according to the first embodiment of the present invention.
  • Each value described in the table of FIG. 7 is a feature amount that has been found to be effective for evaluation as a result of performing the evaluation method of the present embodiment, among the 420-dimensional feature amounts described above.
  • the feature amount described in the table of FIG. 7 is an example of a feature amount effective for identification obtained by the Random Forest algorithm. For example, when only the 36-dimensional feature value shown in FIG. 7 is used to perform the Alzheimer-type dementia evaluation process of the present embodiment, a better result is obtained than when all 420-dimensional feature values are used. Was found to be obtained.
  • the symbol before the period in each value described in FIG. 7 indicates the position of the electrode in FIG.
  • diagnosis support for Alzheimer-type dementia has been described as an example.
  • the method of the present embodiment is also applied to other dementia and brain disease symptoms such as depression and schizophrenia. You may apply. That is, learning data with disease information indicating a certain brain disease and learning data of a person who does not suffer from the brain disease are prepared in advance, and the evaluation model calculation unit 13 separates the brain disease from the others. It is also possible to calculate boundary information, and the determination unit 14 may calculate whether or not the subject's electroencephalogram feature data is the brain disease and the probability thereof.
  • the brain disease diagnosis support apparatus is an evaluation method for evaluating whether or not the patient has Alzheimer's dementia using learning data to which information on the disease of Alzheimer's type or other disease is attached.
  • a process of classifying brain wave feature data of a subject into similar groups is performed. Thereby, the evaluation accuracy in the case where characteristic data of brain waves of a person having a plurality of dementia and symptoms similar to dementia are mixed in the learning data can be improved.
  • the evaluation model calculation unit 13a in the present embodiment has a function of executing clustering that generates clusters in which various types of brain wave feature data are classified into similar groups.
  • the determination unit 14a performs processing to determine which cluster the subject's brain wave feature data belongs to among the clusters generated by the evaluation model calculation unit 13a. Furthermore, the evaluation model calculation unit 13a calculates the ratio of the electroencephalogram feature data to which AD disease information is added in the cluster that the determination unit 14a determines to be the classification destination of the subject's electroencephalogram feature data. Other configurations are the same as those in the first embodiment.
  • FIG. 8 is a first diagram used for explaining the evaluation process by the brain disease diagnosis support apparatus according to the second embodiment of the present invention.
  • FIG. 8A is a diagram in which learning data written in the storage unit 15 is two-dimensionally mapped as in FIGS. In addition to AD and NL, disease information indicating other dementia may be attached to the learning data.
  • the evaluation model calculation unit 13a classifies the plurality of learning data into similar groups (clusters) by machine learning (clustering). As a clustering technique, for example, spectral clustering can be used.
  • FIG. 8B shows the result of the evaluation model calculation unit 13a clustering the learning data.
  • the learning data is classified into cluster 37, cluster 38, and cluster 39.
  • a broken line 45 a is a boundary line separating the learning data classified into the cluster 37 and the learning data classified into the cluster 38.
  • a broken line 45 b is a boundary line that separates the learning data classified into the cluster 37 and the learning data classified into the cluster 39.
  • a broken line 45 c is a boundary line separating the learning data classified into the cluster 38 and the learning data classified into the cluster 39.
  • the evaluation model calculation unit 13a refers to the disease information attached to the learning data included in each cluster, and calculates the ratio of the learning data attached with each disease information for each cluster.
  • FIG. 8C shows a state in which the operator inputs the brain wave characteristic data 40 of the subject to be diagnosed to the brain disease diagnosis support apparatus 10.
  • the electroencephalogram feature data acquisition unit 11 acquires the subject's electroencephalogram feature data and outputs it to the determination unit 14a.
  • the determination unit 14a determines which of the clusters 37 to 39 the electroencephalogram feature data 40 belongs to using a clustering technique such as a k-neighbor method.
  • FIG. 8D shows the result of the determination unit 14a determining the belonging cluster.
  • the determination unit 14 acquires the AD rate value of the affiliation calculated by the evaluation model calculation unit 13a, and evaluates the probability that the brain wave feature data of the subject is AD based on the value. For example, in this example, the determination unit 14a evaluates that the probability that the brain wave feature data of the subject is AD is 40%.
  • the subject's brain wave feature data can be classified by the similarity of the brain wave feature data without depending on the disease information attached to the learning data, and the probability that the subject is AD can be evaluated.
  • the evaluation method of the first embodiment is determined to be NL
  • the AD rate is evaluated to be 40% by the above method, for example, the subject will have Alzheimer-type dementia in the future. It can be used as a reference when considering the possibility of suffering from.
  • by simultaneously displaying the existence rate of learning data to which other dementia disease information is attached it is possible to reference not only AD but also the possibility of developing other dementia.
  • FIG. 9 is a second diagram used for explaining the evaluation process performed by the brain disease diagnosis support apparatus according to the second embodiment of the present invention.
  • FIG. 9A to FIG. 9D are methods in which the evaluation method based on clustering described in FIG. 8 and the evaluation method according to the first embodiment are combined.
  • the evaluation model calculation unit 13a has a function of calculating boundary information of the first embodiment in addition to the function of the present embodiment.
  • the determination part 14a shall have the function to evaluate a test subject's electroencephalogram feature data based on the boundary information similarly to 1st embodiment.
  • Clustering the learning data using a technique such as spectral clustering and determining the cluster to which the subject's electroencephalogram feature data belongs by the k-neighbor method or the like is the same as the evaluation method described with reference to FIG.
  • boundary information for separating AD and non-AD in each cluster is calculated instead of obtaining the AD rate in each cluster 37-39.
  • the boundary model is calculated by the evaluation model calculation unit 13a by using a method such as SVM using learning data to which AD disease information is attached and other learning data.
  • the determination unit 14a next receives the boundary information in the cluster 37 calculated by the evaluation model calculation unit 13a from the storage unit 15. It is read and it is determined whether or not the subject's electroencephalogram feature data is AD by a technique such as SVM.
  • the AD rate or the like is displayed as the evaluation result of the subject's brain wave data, but in the case of FIG. 9, the display unit 16 has a probability (certainty factor) that the subject's brain wave feature data calculated by SVM is AD. Is displayed.
  • the evaluation accuracy of the subject's electroencephalogram feature data is improved.
  • the evaluation accuracy of the subject's electroencephalogram feature data is improved.
  • the AD rate is 50% in any of the cluster 37, the cluster 38, and the cluster 39
  • FIG. 9 (d) there are three types of brain wave feature data patterns characterized as AD. This is shown in FIG. 9 (d).
  • AD disease information is attached to learning data existing in a region surrounded by a broken line indicated by broken lines 41 to 43 in FIG.
  • Each of the broken lines 41 to 43 is boundary information in each of the clusters 37 to 39.
  • boundary information is calculated for all learning data as in the first embodiment, the calculated boundary information is not appropriate, and the identification accuracy may decrease.
  • Appropriate boundary information is a boundary that maximizes the margin in SVM. If the brain wave feature data is classified into similar clusters in advance as in the method of FIG. 9 and boundary information is calculated therein, more appropriate boundary information may be calculated, and improvement in evaluation accuracy is expected. it can.
  • FIG. 10 is a flowchart of an evaluation process of electroencephalogram feature data using the brain disease diagnosis support apparatus according to the second embodiment of the present invention.
  • an operator inputs learning data of normal persons and various patients into the brain disease diagnosis support apparatus 10.
  • the learning data is given in the form of an electronic file, for example, and one electronic file includes learning data with various disease information. Examples of various disease information include symptoms that are not dementia but are easily mistaken for dementia, Alzheimer type dementia, Lewy body dementia, vascular dementia, and the like.
  • the learning data of Alzheimer type dementia patients may also include learning data such as severe patients, mild patients, patients who are on medication, patients who are not on medication.
  • the electroencephalogram feature data acquisition unit 11 acquires learning data (step S11), and writes and stores the acquired learning data in the storage unit 15.
  • the electroencephalogram feature data acquisition unit 11 acquires diagnosis target data (step S12), and writes and stores the acquired diagnosis target data in the storage unit 15. At this time, the electroencephalogram feature data acquisition unit 11 records the diagnosis target data separately from the learning data acquired in step S11.
  • a cluster is a grouping of the electroencephalogram feature data of a plurality of subjects based on the similarity of feature quantities included in the electroencephalogram feature data.
  • the evaluation model calculation unit 13a reads the learning data captured in step S11 written in the storage unit 15, and generates a predetermined number of clusters from the read data by a clustering method used in machine learning such as spectral clustering, for example. (Step S13). Note that the number of clusters to be generated is set by the operator and stored in the storage unit 15 in advance. Learning data having similar electroencephalogram feature data is classified into each cluster, and learning data corresponding to various disease information such as normal persons, Alzheimer type dementia patients, Lewy body type dementia patients, etc. is included in one cluster. May be included.
  • the evaluation model calculation unit 13a calculates at least one of the AD rate and the boundary information for each cluster (step S14). For example, in step S13, the evaluation model calculation unit 13a calculates the ratio of each type of disease information attached to the learning data included in the cluster in each cluster as described with reference to FIG. The evaluation model calculation unit 13a writes and stores the calculated ratio for each disease information such as the AD rate in the storage unit 15 for each cluster. Alternatively, as described with reference to FIG. 9, for example, the evaluation model calculation unit 13a generates electroencephalogram feature data to which disease information of an Alzheimer-type dementia patient is attached and electroencephalogram feature data to which other disease information is attached. Calculate boundary information to be separated. The boundary information is calculated using, for example, the SVM method.
  • all 420-dimensional data may be used to calculate the boundary information, or the boundary information is calculated using only the feature quantities effective for identifying AD among the 420-dimensional feature quantities. May be. It is assumed that information indicating the effective feature amount is stored in the storage unit 15. Or you may make it calculate the feature-value effective for the evaluation according to a learning data group each time so that it may mention later.
  • An example of the feature quantity effective for AD identification is shown in FIG.
  • the evaluation model calculation unit 13a writes and stores the calculated boundary information for each cluster in the storage unit 15 in association with the cluster identification information. Note that the evaluation model calculation unit 13a may perform both the calculation of the ratio for each disease information and the calculation of the boundary information.
  • the evaluation model calculation unit 13a instructs the determination unit 14a to evaluate the diagnosis target data.
  • the determination unit 14a determines which cluster the diagnosis target data belongs to by a technique such as a k-neighbor method (step S15).
  • the determination unit 14a evaluates diagnosis target data (step S16).
  • the evaluation model calculation unit 13a calculates the ratio for each disease information
  • the determination unit 14a evaluates the probability that the diagnosis target data is AD. For example, when the evaluation model calculation unit 13a calculates the AD rate, the determination unit 14a reads the AD rate corresponding to the cluster determined to be classified as the diagnosis target data from the storage unit 15, and the diagnosis target data is AD. It is evaluated that the probability indicating the presence is the AD rate read from the storage unit 15.
  • the determination unit 14a reads the boundary information corresponding to the cluster that has been determined that the diagnosis target data is classified from the storage unit 15, and the diagnosis target data becomes AD And NL, and the probability (confidence) is evaluated.
  • the determination unit 14 a When the evaluation is performed, the determination unit 14 a outputs the evaluation result to the display unit 16.
  • the display unit 16 displays the evaluation result of the test subject data of the subject on the display device (step S17). For example, the display unit 16 displays the electroencephalogram measurement site, the frequency band, the identification information of the cluster to which the diagnosis target data belongs, the probability that the diagnosis target data indicates AD, and the like that are the basis of diagnosis.
  • the probability indicating AD is the above-described AD rate or certainty factor.
  • the determination unit 14a extracts the electroencephalogram feature data included in the learning data most similar to the test subject's electroencephalogram feature data by a method such as pattern matching during the evaluation in step S16, and the display unit 16 determines the determination unit 14a.
  • the electroencephalogram feature data extracted by and the disease information attached to the data may be displayed.
  • the doctor diagnoses the symptom of the subject based on the information displayed on the display unit 16 and other examination information. For example, when the brain wave feature data most similar to the brain wave feature data of the subject and the disease information attached to the brain wave feature data are displayed, and the disease information is dementia with Lewy bodies, the doctor Is similar to the electroencephalogram feature data of patients with dementia with Lewy bodies. In addition, if the proportion of non-Alzheimer type dementia included in the cluster into which the subject's electroencephalogram feature data is classified is displayed, for example, the doctor may consider the possibility that the subject will develop dementia other than Alzheimer type Can be helpful.
  • step S14 an AD rate is calculated, and in the evaluation in step S16, if the AD rate is 90%, for example, the subject's brain wave feature data is regarded as AD, and the evaluation result is displayed.
  • the unit 16 outputs and ends the processing flow.
  • the AD rate is 50%, for example, it is determined that further evaluation processing is necessary, boundary information that separates AD and non-AD is calculated, and the brain wave feature data of the subject is evaluated by SVM or the like .
  • step S13 the number of clusters to be generated may be changed, and the processes in and after step S13 may be repeated.
  • dementia There are several types of dementia. Representative examples include Alzheimer's dementia, Lewy body dementia, and vascular dementia. Often these types of dementia are not obvious from others. In addition, since the treatment method varies depending on the type of the same dementia, it is important to diagnose exactly what type of dementia is. So, if you want to know whether you have multiple types of dementia using EEG feature data, for example, select a template for each dementia manually, and compare the selected template with the EEG feature data of the subject Although it is conceivable that the electroencephalogram feature data corresponding to each dementia does not always have uniform features, it is difficult to create a template manually.
  • the present embodiment by performing clustering using the electroencephalogram feature data of various types of dementia patients, it is possible to determine what type of dementia the subject has without performing complicated work, The probability of suffering from each dementia can be calculated for a plurality of dementias.
  • preparing EEG feature data for patients with various conditions such as severe, mild, and medication if the patient suffers from dementia, the symptoms are Information such as whether it is mild or severe can also be displayed.
  • the learning data used in the processes after step S12 may be selected from the learning data acquired in step S11.
  • all feature amounts may be used, or only a part of feature amounts may be used.
  • a feature quantity effective for clustering is dynamically determined using a method such as principal component analysis or Random Forest.
  • the cluster may be generated by using only the extracted feature amount.
  • boundary information is calculated by SVM in step S16 for evaluating diagnosis target data
  • feature information effective for separation may be extracted by Random Forest and the boundary information may be calculated as in the first embodiment.
  • the diagnosis support for Alzheimer-type dementia has been described as an example.
  • the present embodiment is also applied to other dementia and brain disease symptoms such as depression and schizophrenia. Is possible.
  • the probability of suffering from one or more of those brain diseases for a plurality of brain diseases can be calculated at the same time by using learning data to which disease information of various brain diseases is attached. Can do.
  • Each process in the brain disease diagnosis support apparatus 10 described above is stored in a computer-readable recording medium in the form of a program, and the computer of the brain disease diagnosis support apparatus 10 reads and executes this program.
  • the computer-readable recording medium means a magnetic disk, a magneto-optical disk, a CD-ROM, a DVD-ROM, a semiconductor memory, or the like.
  • the computer program may be distributed to the computer via a communication line, and the computer that has received the distribution may execute the program.
  • the program may be for realizing a part of the functions described above. Furthermore, what can implement
  • the evaluation model calculation unit 13 having a high calculation load is divided by function, and divided into an evaluation model calculation unit 13b for SVM and an evaluation model calculation unit 13c for cluster generation, and each is mounted on a different PC or the like. It is good also as a structure.
  • the brain disease diagnosis support apparatus 10 is an example of a brain disease diagnosis support system.
  • the operation reception unit 12 is an example of an input unit.
  • brain disease diagnosis support system brain disease diagnosis support method, and program, it is possible to simultaneously determine whether or not a subject suffers from a brain disease based on the subject's brain waves. .
  • an evaluation model used for determination of a brain disease can be automatically created, it is possible to save time and effort for creating a template.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

　脳疾患診断支援システムは、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患を示す疾患情報を付した学習データを複数取得し、取得した複数の学習データを、複数のクラスタに分類する。また、分類した各クラスタにおいて学習データに付された疾患情報に基づいて、学習データを疾患情報ごとに分類する分類器を生成する。そして、被験者の脳波特徴データを取得し、その脳波特徴データが分類されるクラスタを特定し、さらに生成した分類器によって、被験者の脳波特徴データが複数の脳疾患の何れであるかを判定する。

Description

脳疾患診断支援システム、脳疾患診断支援方法及びプログラム
　本発明は、脳疾患診断支援システム、脳疾患診断支援方法及びプログラムに関する。
　本願は、２０１４年１２月９日に、日本に出願された特願２０１４－２４８９５３号に基づき優先権を主張し、その内容をここに援用する。
　高齢化社会の到来に伴い、脳疾患の一つである認知症への対策が求められている。以降については認知症を例として記載する。認知症は、投薬によって病気の進行を遅らせたり、手術によって改善できる場合がある。これら認知症への効果的な対策を行うためには、認知症の早期発見が重要となる。
　例えば、特許文献１には、脳波の周波数全域において、大脳皮質内のニューロン機能が低下すると、ニューロン活動が不安定になり、この影響が局所的な脳波パワーのゆらぎとして現れることを用いて、脳の活動を測定する装置が開示されている。この技術では、被験者の頭部の複数の位置に取り付けたセンサが検出した脳波を所定の周波数帯域ごとに規格化した値（以下、脳波特徴データという）の平均値や標準偏差を求め、正常者集団について同様にして求めた脳波特徴データの平均値と比較し、被験者の平均値のＺスコアを求める。そして、被験者のＺスコアに基づいて、被験者の脳機能の低下部分を示すことができる。
　また、特許文献１には、同様の方法を用いて、アルツハイマー型認知症患者の集団についてのＺスコアを算出し、これを当該疾患の特徴を示すテンプレートとして、個々の被験者のＺスコアと当該テンプレートとの相関係数を求めることで、その類似性を数値的に表示できることが記載されている。
日本国特許第４１４５３４４号公報
　しかし、特許文献１の方法には、次のような問題点がある。例えば、特許文献１の方法では、Ｚスコアによって被験者の脳波特徴データと、正常者集団の脳波特徴データ又はアルツハイマー型認知症患者の集団の脳波特徴データとの類似性を判定している。Ｚスコアによって判定する場合、母集団が正規分布に従うことが前提となる。しかし、正常者集団の脳波特徴データやアルツハイマー型認知症患者の集団の脳波特徴データが、正規分布に従う保証はない。従って、Ｚスコアを用いるためには、母集団のデータが正規分布に従うように、試行錯誤を行いながら適切なデータを抽出しなければならない可能性がある。さらに、脳波は、国際標準で１９ヶ所の測定を行うことになっており、また、例えば特許文献１の方法では、さらに２ヶ所を追加した計２１ヶ所で測定を行っているが、何れの場合も脳波特徴データは、多次元となり、複数の多次元データの中から正規分布に従うような適切なデータを抽出することには困難さが伴う。
　また、特許文献１の方法では、被験者の脳波特徴データと、正常者集団の脳波特徴データ又はアルツハイマー型認知症患者の集団の脳波特徴データとの類似性を、脳波特徴データの平均値同士の距離で判定しているが、正常者集団の脳波特徴データの平均値は、必ずしも正常者の脳波特徴データの特性を示す値に収束するとは限らない。同様に、アルツハイマー型認知症患者集団の脳波特徴データの平均値は、必ずしもアルツハイマー型認知症患者の脳波特徴データの特性を示す値に収束するとは限らない。このことを、図１１を用いて説明する。説明の便宜上、２つの脳波特徴データを用いる場合を例に説明を行う。縦軸（ｙ１軸）、横軸（ｙ２軸）は、それぞれ脳波特徴データを示している。すると、ある者の脳波特徴データは、２つの脳波特徴データの値を座標値に持つ点で表すことができる。三角で示された点を、正常者（ＮＬ）の脳波特徴データとする。丸で示された点をアルツハイマー型認知症患者（ＡＤ）と診断された患者の脳波特徴データとする。また、星型で示された点を被験者の脳波特徴データとする。このとき、ＮＬの平均値は、星型点３１で表される。ＡＤの平均値は、丸点３２で表される。
　ここで、被験者の脳波特徴データを、正常者とアルツハイマー患者それぞれの脳波特徴データの平均値に基づいて、正常者、アルツハイマー患者のどちらかに分類することを考える。被験者の脳波特徴データをＮＬ、ＡＤのどちらに分類する方法の一例として、ＮＬの平均値、ＡＤの平均値をそれぞれＮＬ、ＡＤの代表値とし、被験者の脳波特徴データとそれらの代表値との距離を比較し、距離が近い方に被験者の脳波特徴データを分類する方法を考える。例えば、被験者１の脳波特徴データ（星型点３３）は、ＡＤの平均値（丸点３２）に近い。また、被験者４の脳波特徴データ（星型点３４）は、ＮＬの平均値（星型点３１）に近い。しかし、被験者１の脳波特徴データ（星型点３３）の近くには、一つのＮＬの脳波特徴データ（三角点３５）が存在する。また、被験者４の脳波特徴データ（星型点３４）の近くには、一つのＡＤの脳波特徴データ（丸点３６）が存在する。特許文献１の方法によると、このような場合でも、被験者１（星型点３３）を、ＡＤと判定し、被験者４（星型点３４）は、ＮＬと判定する可能性があるが、脳波特徴データの平均値が、ある症状やある活動状態の脳波特徴データの特性を正しく示す代表値であるとは限らない。また、上述のように脳波特徴データは、多次元であり、そのような多次元データの代表値を平均算出で適切に収束させることは困難であるという問題もある。
　本発明は、上述の課題を解決することのできる脳疾患診断支援システム、脳疾患診断支援方法及びプログラムを提供する。
　本発明の第１の態様によれば、脳疾患診断支援システムは、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する評価モデル算出部と、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う判定部と、を備える。
　本発明の第２の態様によれば、前記脳疾患診断支援システムは、前記被験者の脳波特徴データに付す前記疾患情報の入力を受け付ける入力部、を更に備え、前記入力部は、前記受け付けた疾患情報を前記被験者の脳波特徴データと対応付けた新たな学習データを記憶部に記憶させ、前記評価モデル算出部は、前記新たな学習データを前記複数の学習データに加え、評価モデルの算出を行う。
　本発明の第３の態様によれば、前記脳波特徴データには、複数の前記特徴量が含まれ、前記評価モデル算出部は、前記複数の学習データのそれぞれに含まれる脳波特徴データについて、評価モデルの算出に有効な１つ又は複数の特徴量を抽出し、当該抽出した特徴量のみを用いて前記評価モデルを算出する。
　本発明の第４の態様によれば、前記複数の学習データの疾患情報には、１つ又は複数の種類の脳疾患を示す情報が含まれており、前記評価モデル算出部は、前記複数の学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出し、前記判定部は、前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う。
　本発明の第５の態様によれば、前記評価モデル算出部は、前記複数の脳波特徴データを、前記特徴量に基づくクラスタリングによって複数のグループに分類し、前記判定部は、前記被験者の脳波特徴データが、前記評価モデル算出部の分類したグループのうち、どのグループに分類されるかを判定する。
　本発明の第６の態様によれば、前記複数の学習データの疾患情報には、１つ又は複数の種類の脳疾患を示す情報が含まれており、前記評価モデル算出部は、前記判定部によって前記被験者の脳波特徴データが分類されると判定されたグループに含まれる学習データについて、疾患情報の種類ごとに、それぞれの疾患情報が付された学習データの割合を算出し、前記判定部は、前記割合に基づいて前記被験者の脳波特徴データが示す脳疾患の判定を行う。
　本発明の第７の態様によれば、前記評価モデル算出部は、前記判定部によって前記被験者の脳波特徴データが分類されると判定されたグループに含まれる学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出し、前記判定部は、前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う。
　本発明の第８の態様によれば、前記脳疾患症診断支援システムは、前記判定部の判定の結果を出力する表示部、をさらに備え、前記判定部は、前記被験者の脳波特徴データが示す脳疾患を判定するとともに、前記被験者の脳波特徴データがその脳疾患であることを示す確率を算出し、前記表示部は、前記確率を出力する。
　本発明の第９の態様によれば、脳疾患診断支援方法は、脳疾患診断支援システムが、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出し、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う。
　本発明の第１０の態様によれば、プログラムは、脳疾患診断支援システムのコンピュータに、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する機能と、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う機能と、を実行させる。
　本発明の第１１の態様によれば、記憶媒体は、脳疾患診断支援システムのコンピュータに、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する機能と、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う機能と、を実行させるためのプログラムを記憶する。
　上記した脳疾患診断支援システム、脳疾患診断支援方法及びプログラムによれば、被験者の脳波に基づいて、その被験者が脳疾患を患っているかどうかの判定を、複数の脳疾患について同時に行うことができる。また、脳疾患の判定に用いる評価モデルの作成を自動的に行うことができるので、テンプレート作成の手間を省くことができる。
本発明に係る第一実施形態における脳疾患診断支援装置のブロック図である。 本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第一の図である。 本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第二の図である。 本発明に係る第一実施形態における脳疾患診断支援装置による評価処理の説明に用いる図である。 本発明に係る第一実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。 本発明に係る第一実施形態における脳波を測定する電極の配置の一例を示す図である。 本発明に係る第一実施形態における脳疾患診断支援装置で用いる特徴量の一例を示す図である。 本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第一の図である。 本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第二の図である。 本発明に係る第二実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。 従来の認知症診断方法を説明する図である。
＜第一実施形態＞
　以下、本発明の第一実施形態による脳疾患診断支援装置を図１～図７を参照して説明する。
　図１は、本発明に係る第一実施形態における脳疾患診断支援装置のブロック図である。
　この図において、脳疾患診断支援装置１０は、被験者の脳波に基づいて被験者が認知症を患っている確率を提示するシステムである。脳疾患診断支援装置１０は、この機能を実現するプログラムを実行することができる例えばＰＣやサーバ装置である。
　図１に示すように脳疾患診断支援装置１０は、脳波特徴データ取得部１１、操作受付部１２、評価モデル算出部１３、判定部１４、記憶部１５、表示部１６、を備えている。
　脳波特徴データ取得部１１は、被験者の脳波特徴データを取得する。脳波特徴データとは、被験者の脳波からその脳波の特徴量を抽出したデータである。脳波は、例えば、国際１０－２０法に基づいて被験者の頭部の所定の位置に配置された電極のうち、耳朶に配置された電極とそれ以外の電極との間の電位差の変動を記録したデータである。また、脳波の特徴量とは、例えば、特許文献１の手法によれば、電極を配置した位置ごとに測定した電位における複数の周波数帯それぞれにおける電位の２乗（ｓＮＡＴ）、隣接する周波数帯間でのｓＮＡＴの比（脳波の滑らかさ）である。また、脳波特徴データ取得部１１は、脳波特徴データにその脳波特徴データがどのような脳疾患を持つ者の脳波特徴データであるかを示す疾患情報を付した学習データを取得する。脳疾患の種類には、例えば、正常（脳疾患を持たない）、アルツハイマー型認知症、血管性認知症、レビー小体型認知症、鬱、統合失調症などがある。
　操作受付部１２は、オペレータの脳疾患診断支援装置１０への指示操作を受け付ける。指示操作とは、例えば、脳波特徴データの取り込みを指示する操作や、その脳波特徴データの評価を行うことを指示する操作などである。
　評価モデル算出部１３は、脳波特徴データ取得部１１が取得した複数の学習データを機械学習することにより、脳疾患の判定に用いる評価モデルを算出する。例えば、本実施形態では、複数の学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出する。評価モデル算出部１３が用いる機械学習は、例えば、ＳＶＭ（Support Vector Machine）である。ＳＶＭにより、多次元の特徴量における境界情報を算出できる。境界情報とは、例えば、正常者の脳波特徴データとアルツハイマー型認知症患者の脳波特徴データを分離する分離境界面を示す関数である。
　判定部１４は、被験者の脳波特徴データを取得し、評価モデル算出部１３が算出した評価モデルに基づいて、被験者の脳波特徴データが示す脳疾患の判定を行う。例えば、本実施形態では、学習データに基づいて評価モデル算出部１３が算出した境界情報に基づいて、ある被験者の脳波特徴データを評価する。評価とは、例えば、ある被験者の脳波特徴データが、複数の脳疾患のうち、どの脳疾患であるのかを判定したり、その被験者の脳波特徴データが判定した脳疾患であることを示す確率を算出したりすることである。
　記憶部１５は、複数の被験者の脳波特徴データや、評価モデル算出部１３が算出した境界情報など、種々の情報を記憶する。
　表示部１６は、判定部１４の評価結果を、脳疾患診断支援装置１０に接続された表示装置に出力する。
　図２～図３を用いて、本発明に係る第一実施形態における境界情報の算出処理について説明する。
　図２は、本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第一の図である。
　まず、脳波の特徴量（測定電極位置の脳波周波数別の強さ等）をｙ個セットにした「脳波特徴データ」（＝ＢＦ）と、その被験者の疾患状態を示す「疾患情報（Ｌａｂｅｌ）」を一組にした「学習データ」をｘ個準備する。疾患情報は、例えばアルツハイマー型認知症ならＡＤ、正常者であればＮＬと付する。なお、本実施形態において正常者とは、アルツハイマー型認知症を患っていない者を意味するものとする。するとｘ個の被験者の学習データ（ＬＤｘ）は、例えば、以下のように表される。
　ＬＤ１=ＢＦ｛ｐ１１,ｐ１２,ｐ１３・・・・・ｐ１ｙ}、Ｌａｂｅｌ"ＡＤ"
　ＬＤ２=ＢＦ｛ｐ２１,ｐ２２,ｐ２３・・・・・ｐ２ｙ}、Ｌａｂｅｌ"ＮＬ"
　　　・
　　　・
　ＬＤｘ=ＢＦ｛ｐｘ１,ｐｘ２,ｐｘ３・・・・・ｐｘｙ｝、Ｌａｂｅｌ"ＡＤ"
　説明の便宜上、ここではｙ＝２の場合を例に説明を行う。図２は、複数のアルツハイマー型認知症患者及び正常者の学習データ（ｙ＝２）を２次元空間にマッピングした図である。この図において丸点及び三角点のそれぞれは、ある１人の者の学習データを示している。丸点は、アルツハイマー型認知症患者（ＡＤ）の学習データである。三角点は、正常者（ＮＬ）の学習データである。縦軸の値は、脳波特徴データを構成する第一の脳波の特徴量、横軸の値は、脳波特徴データを構成する第二の脳波の特徴量を示している。例えば、丸点２１は、この者の脳波の第一の特徴量が「ｙ１ａ」、第二の特徴量が「ｙ２ａ」、疾患情報が「ＡＤ」であることを示している。
　評価モデル算出部１３は、まず予め準備された複数の被験者の学習データを取り込む。
　図３は、本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第二の図である。
　評価モデル算出部１３は、複数の学習データを取り込むと、それぞれの学習データに含まれる脳波特徴データ（ＢＦ）を「ｙ（＝２）次元のデータ」とみなし、これに機械学習の演算を行うことによって、「ＡＤらしい値」と「ＮＬらしい値」の境界情報を算出する。これは、たとえばサポートベクターマシン（以下、ＳＶＭ：Support Vector Machine）という機械学習論理によって実現可能である。境界情報は、例えば分離境界面を示す関数として算出される。評価モデル算出部１３は、算出した境界情報を記憶部１５に書き込んで記憶させる。図３の場合、境界情報は、例えば、境界線２２で表される。
　評価モデル算出部１３が複数の学習データから境界情報を算出し、記憶部１５に記録すると、脳疾患診断支援装置１０は、疾患情報が付されていない脳波特徴データ（ＢＦｘ）について、ＢＦｘが、ＡＤ、ＮＬの何れであるか、また、そのときＡＤ又はＮＬである確率がどの程度であるかを評価できるようになる。
　図４は、本発明に係る第一実施形態における脳疾患診断支援装置による評価処理の説明に用いる図である。
　評価モデル算出部１３が境界情報を算出すると、オペレータが、診断すべき被験者の脳波特徴データ「ＢＦｘ」を脳疾患診断支援装置１０に入力する。脳波特徴データ取得部１１は、脳波特徴データ「ＢＦｘ」を取得し、判定部１４に出力する。判定部１４は、評価モデル算出部１３が算出した境界情報を記憶部１５から読み出し、脳波特徴データ「ＢＦｘ」が、算出された境界のどちらに分類されるかを判定する。また、判定部１４は、脳波特徴データ「ＢＦｘ」が境界からどのくらい遠いかによって、診断すべき被験者の脳波特徴データがＡＤ又はＮＬである確率を算出することができる。
　図４において、被験者１の脳波特徴データＢＦ１（星型点２３）の場合、ＢＦ１はＮＬ領域に存在し、境界線２２から遠いため、判定部１４は、ＢＦ１はＮＬの確率が大で、その確率は例えば７０％と評価する。また、被験者２の脳波特徴データＢＦ２（星型点２４）の場合、ＢＦ２はＮＬ領域に存在し、境界線２２から近いため、判定部１４は、ＢＦ２はＮＬである確率が高い（例えば６０％など）が、誤識別の可能性ありと評価する。同様に被験者３の脳波特徴データＢＦ３（星型点２５）の場合、ＢＦ３はＡＤ領域に存在し、境界線２２から遠いため、判定部１４は、ＢＦ３はＡＤの可能性が大で、その確率は例えば８０％と評価する。同様に被験者４の脳波特徴データＢＦ４（星型点２６）の場合、ＢＦ４はＡＤ領域に存在し、境界線２２から近いため、判定部１４は、ＢＦ４はＡＤの確率が高い（例えば５５％など）が、誤識別の可能性ありと評価する。なお、７０％などの確率を表す数値は、例えばＳＶＭの手法で算出することが可能である。
　このように本実施形態では、ＡＤとＮＬの境界情報を求め、その境界情報によってＡＤかＮＬであるかの評価を行う。その為、従来のように「平均的なＡＤ」、「平均的なＮＬ」を定めることによって、ＡＤやＮＬの特性をならしてしまう可能性があるという問題を回避することができる。また、機械学習の手法で境界情報を算出することができるので、ノウハウの蓄積により試行錯誤で適切なデータを抽出するような煩わしさが無い。また、本実施形態の脳波特徴データは、国際標準の国際１０－２０法による電極配置に２ヶ所を追加した、２１ヶ所で測定を行っており、さらにそれぞれの位置で測定された値についても複数の周波数特性ごとに分割したデータを用いるため、次元数（ｙ）が増加し、例えば、４２０次元などにもなるが、ＳＶＭなどの機械学習の手法を用いれば、多次元における境界面の関数を算出することができる。なお、本実施形態における電極配置の一例については、後に図６を用いて説明する。
　図５は、本発明に係る第一実施形態における脳疾患診断支援装置を用いた脳波特徴データの統計的な評価処理のフローチャートである。
　図５を用いて、脳疾患診断支援装置１０による境界情報の算出処理、認知症の評価処理について説明を行う。
　前提として、脳疾患診断支援装置１０に接続された表示装置には、オペレータが操作するためのインタフェース画像が表示されており、インタフェース画像には、「境界情報を算出する」、「診断対象データを評価する」、「ＡＤの疾患情報を付す」、「ＮＬの疾患情報を付す」などのボタンが表示されており、オペレータがこれらのボタンをマウスで押下するなどの操作を行うことにより、脳疾患診断支援装置１０に処理の実行を指示することができるものとする。
　まず、オペレータが、正常者やアルツハイマー型認知症患者の学習データを脳疾患診断支援装置１０に入力する。学習データは、例えば電子ファイルの形式で与えられ、１つの電子ファイルには、複数の正常者やアルツハイマー型認知症患者の学習データが含まれている。それぞれの学習データには、「ＡＤ」又は「ＮＬ」の疾患情報が付されているものとする。また、それぞれの学習データに含まれる特徴データは、例えば４２０次元のデータである。入力する学習データは、多い程好ましい。脳波特徴データ取得部１１は、学習データを取得し（ステップＳ１）、取得した学習データを記憶部１５へ書き込んで記憶させる。
　次にオペレータが、「境界情報を算出する」と表示されたボタンを押下すると、操作受付部１２が、その操作を受け付け、評価モデル算出部１３に境界情報の算出を指示する。評価モデル算出部１３は、記憶部１５に書き込まれた学習データを読み出して、例えばＳＶＭの手法によって、読み込んだ学習データをＡＤとＮＬに分ける分離境界面の関数を算出する（ステップＳ２）。評価モデル算出部１３は、分離境界面を示す関数を算出すると、その関数（境界情報）を記憶部１５に書き込んで記憶させる。以上が境界情報の算出処理である。
　次に新たな被験者の脳波特徴データについて評価処理を行う。まず、オペレータが、診断すべき被験者の脳波特徴データ（診断対象データ）を脳疾患診断支援装置１０に入力する。診断対象データは、例えば電子ファイルの形式で与えられる。１つの電子ファイルには、例えば１人の被験者の４２０次元の脳波特徴データが含まれている。脳波特徴データ取得部１１は、診断対象データを取得し（ステップＳ３）、取得した診断対象データを記憶部１５へ書き込んで記憶させる。
　次にオペレータが、「診断対象データを評価する」と表示されたボタンを押下すると、操作受付部１２が、その操作を受け付け、判定部１４に診断対象データの評価を指示する。判定部１４は、記憶部１５に書き込まれた境界情報を用いて、例えばＳＶＭの手法によって診断対象データが、ＡＤとＮＬの何れであるか、また、その確率について評価を行う（ステップＳ４）。なお、確率とは、ＳＶＭにおいては、診断対象データの分離境界面からの距離に応じた値（確信度）である。
　判定部１４は、評価した結果を表示部１６へ出力する。表示部１６は、被験者の診断対象データの評価結果を表示装置に表示する（ステップＳ５）。評価結果には、例えば、「診断対象データはＮＬである可能性が高く、その確率は７０％です」といった内容が表示される。
　診断者（医師）は、表示部１６が表示した評価結果や、他に問診や検査などを行った結果を用いて総合的に被験者がアルツハイマー型認知症であるかどうかを診断する。脳疾患診断支援装置１０によれば、脳波特徴データから見たアルツハイマー型認知症である確率を医師に提示することができるので、医師による、患者がアルツハイマー型認知症であるか否かの診断を支援することができる。判定部１４による評価に要する時間は、数分程度であって、予め被験者の脳波特徴データを用意しておけば、医師は脳疾患診断支援装置１０による評価結果を速やかに得ることができる。また、脳波の計測装置は、ＭＲＩなど認知症の診断に用いられる他の医療装置よりも安価で、また、脳波の取得は、安全で繰り返し取得しても被験者の健康に与える問題が少ない。従って脳波による認知症などの脳疾患の診断を支援する本実施形態の脳疾患診断支援装置１０は、比較的小規模の医療機関でも導入しやすく、脳疾患診断支援装置１０を含む診断支援システムを導入することで、町の医療機関でも、社会的な問題になっているアルツハイマー型認知症を比較的容易に診断できるようになる。また、脳神経の活動状況を直接把握する脳波は、患者の行動など他人から把握できるような症状が表れるよりも早く異常を把握できるため、本実施形態の脳疾患診断支援装置１０を用いることにより、症状が出る前にアルツハイマー型認知症となる確率を知ることができ、アルツハイマー型認知症の早期診断、早期対策にも役立てることができる。また、他人から見て認知症のような症状を発症しているが、それが本当に認知症なのか、あるいは老人性の鬱など認知症以外の症状なのか問診だけでは判断できない場合も多く、脳疾患診断支援装置１０は、見分けにくい症状を発症している患者のアルツハイマー型認知症の診断を支援する情報を提供する。
　次に、医師が診断した脳波特徴データを学習データとして取り込んで、境界情報を再算出する処理を行う。医師が、診断対象データに対して診断を行うと、オペレータは、その診断結果を脳疾患診断支援装置１０に入力する。例えば、診断結果がＡＤの場合、オペレータは、「ＡＤの疾患情報を付す」ボタンを押下し、診断結果がＮＬの場合、オペレータは、「ＮＬの疾患情報を付す」ボタンを押下する。
　すると、脳波特徴データ取得部１１は、そのボタン押下操作を受け付け（ステップＳ６）、押下されたボタンが示す疾患情報（ＡＤかＮＬか）と診断対象データとを対応付けて記憶部１５に書き込む。これにより、被験者の診断対象データに疾患情報が付されたことになり、新たな学習データが１件増えることになる。次に、オペレータは、「境界情報を生成する」と表示されたボタンを押下する。すると、評価モデル算出部１３は、ステップＳ１で記憶部１５に書き込まれた学習データに新たな学習データ１件を加えて、ステップＳ２の境界情報を生成する処理を再度行う。評価モデル算出部１３は、新たに算出した境界情報を記憶部１５に書き込んで記憶させる。所与の学習データに被験者の学習データを加えることで、学習データの数を増加させる。これにより、評価モデル算出部１３の算出する境界情報の精度・信頼性を高めることができる。
　なお、表示部１６は、ステップＳ１において取得した学習データの選択画面を表示し、医師の指示等により、オペレータが学習データを選択できるようにしてもよい。脳波特徴データは、電極の配置位置のわずかな差や、頭部への装着加減によって異なる挙動を示す可能性がある。例えば、自施設で測定した脳波特徴データに基づいて本実施形態による評価を行うと望ましい結果が得られるが、全国的に収集した脳波特徴データを用いて評価を行うと好ましい結果が得られない可能性がある。そのような場合に、基準とする学習データを選択できるようにし、診断に役立つ学習データ群だけを選択することで、医師は、脳疾患診断支援装置１０をより有効に認知症の診断に役立てるようにすることができる。
　また、選択する学習データのパターンを記憶部１５に登録することできるようにしてもよい。例えば、同じアルツハイマー型認知症でもいくつかのパターンが存在するようなことを医師が経験的に把握したような場合に、それぞれのパターンを検出するのに適した学習データ群を抽出してそれぞれ別のパターンとして登録し、それら異なるパターンを切り替えて学習データとして用いることで、１人の被験者の診断対象データをさまざまな観点から評価することが可能となり、医師は、より正確にアルツハイマー型認知症の診断を行うことができるようになる。
　また、使用する脳波特徴データについても、例えば４２０次元の特徴量から任意の特徴量を選択できるようにし、脳波特徴データに含まれる全ての特徴量を用いるだけではなく、次に図６で例示する一部の特徴量だけを用いて境界情報算出処理や評価処理を行うようにしてもよい。また、一連の処理に用いる脳波特徴データのパターンを登録できるようにし、それらのパターンを切り替えて境界情報算出処理などを行うことができるようにしてもよい。例えば、所定の複数位置で測定した脳波に基づく脳波特徴データの組み合わせを一つ目のパターンとし、また、一つ目のパターンで用いた測定位置とは異なる複数位置で測定した脳波に基づく脳波特徴データの組み合わせを２つ目のパターンとし、これら２種類のパターンのそれぞれを用いて境界情報の算出などを行ってもよい。これにより、同じ学習データ群を用いて評価する場合であっても、さまざまな観点から評価を行うことができ、医師によるより細やかな診断を支援することができる。また、「疾患識別に寄与しない特徴要素」を識別評価の対象から除外したパターンを用いることによって、疾患識別に直接寄与しない特徴要素によるノイズを防ぎ、識別精度を上げる効果が期待できる。
　また、分離境界面の関数を算出するステップＳ２において、主成分分析やＲａｎｄｏｍＦｏｒｅｓｔなどの手法を用いて、ＡＤとＮＬを分離するのに有効な特徴量を動的に抽出し、抽出した特徴量のみを用いて分離境界面の関数を算出するようにしてもよい。
　次に、アルツハイマー型認知症の識別に有効と考えられる特徴量の一例について、特許文献１と同様の４２０個の特徴量を用いる場合を例に説明を行う。
　図６は、本発明に係る第一実施形態における脳波を測定する電極の配置の一例を示す図である。
　図６のＡ１，Ａ２、Ｆｐ１、Ｆｐ２、Ｆｐｚ、Ｆ７、Ｆ３、Ｆｚ、Ｆ４、Ｆ８、Ｔ３、Ｃ３、Ｃｚ、Ｃ４、Ｔ４、Ｔ５、Ｐ３、Ｐｚ、Ｐ４、Ｔ６、Ｏ１、Ｏｚ、Ｏ２、は被験者の頭部に配置する電極の配置位置である。Ａ１，Ａ２は、基準電極のため、実際にはＦｐ１～Ｏ２の２１ヶ所の脳波が得られることになる。これらの電極から得られる脳波の４．６８Ｈｚ～２０．２８Ｈｚをフーリエ変換にて１．５８Ｈｚ刻みに１１個に分解する。また、各周波数の電位を規格化した値を２乗する。これをｓＮＡＴとする。また、隣接する周波数についてｓＮＡＴの比を求め、これをｖＮＡＴとする。ここで、ｓＮＡＴについては、最後の周波数（２０．２８Ｈｚ）を除いた１０個の値を用いるとすると、各電極に対して１０個のｓＮＡＴと１０個のｖＮＡＴが得られる。電極の数が２１個なので全体で２１×１０×１０＝４２０次元の特徴量を得ることができる。なお、規格化とは、個人間のばらつきを抑えるために、被験者の例えば安静状態における脳波データと測定した脳波データとの差分値を計算することである。また、ｓＮＡＴやｖＮＡＴは、脳波特徴データを構成する特徴量の一例である。特徴量は、各電極位置で測定して得られる脳波データに基づいた他の物理量であってもよい。
　図７は、本発明に係る第一実施形態における脳疾患診断支援装置で用いる特徴量の一例を示す図である。
　図７の表に記載した各値は、上述の４２０次元の特徴量のうち、本実施形態の評価方法を行った結果、評価に有効であることが判明した特徴量である。
　図７の表に記載した特徴量は、ＲａｎｄｏｍＦｏｒｅｓｔアルゴリズムによって得られた識別に有効な特徴量の一例である。例えば、図７に記載の３６次元の特徴量だけを用いて、本実施形態のアルツハイマー型認知症の評価処理を行うと、４２０次元の特徴量の全てを用いる場合と比較して、良好な結果が得られることがわかった。
　なお、図７に記載した各値におけるピリオドの前の記号は、図６の電極の位置を示しており、ピリオドの後の数値は、ｓＮＡＴ又はｖＮＡＴの値を示している。具体的には、１～９が低周波数から順番にｓＮＡＴ値を示し、１０～１９が低周波数から順番にｖＮＡＴ値を示している。例えば、「Ｃ３．４」は、「Ｃ３」電極における低周波数から４番目のｓＮＡＴ値を示し、「Ｏ１．１７」は、「Ｏ１」電極における低周波数から７番目のｖＮＡＴ値を示している。
　また、上記の説明ではアルツハイマー型認知症の診断支援を例に説明を行ったが、他の認知症、及び、鬱や統合失調症などの脳疾患症状に対しても、本実施形態の方法を適用してもよい。つまり、ある脳疾患を示す疾患情報を付した学習データと、その脳疾患を患っていない人の学習データをあらかじめ用意しておき、評価モデル算出部１３が、その脳疾患とそれ以外を分離する境界情報を算出し、判定部14が、被験者の脳波特徴データがその脳疾患であるかどうかや、その確率を算出するようにすることも可能である。
＜第二実施形態＞
　以下、本発明の第二実施形態による脳疾患診断支援装置を図８～図１０を参照して説明する。
　第一実施形態は、アルツハイマー型認知症かそれ以外かの疾患情報が付された学習データを用いてアルツハイマー型認知症か否かを評価する評価方法であった。第二実施形態では、被験者の脳波特徴データを類似するグループに分類する処理を行う。これにより、学習データに複数の認知症や認知症に類似する症状を持つ人の脳波の特徴データが混在している場合の評価精度を向上させることができる。
　本実施形態における評価モデル算出部１３ａは、さまざまな脳波特徴データを類似するグループごとに分類したクラスタを生成するクラスタリングを実行する機能を有している。また、判定部１４ａは、被験者の脳波特徴データが、評価モデル算出部１３ａが生成したクラスタのうち、どのクラスタに所属するかを判定する処理を行う。
　さらに、評価モデル算出部１３ａは、判定部１４ａが被験者の脳波特徴データの分類先であると判定したクラスタにおける、ＡＤの疾患情報が付された脳波特徴データが占める割合を算出する。他の構成は、第一実施形態と同様である。
　図８～図９を用いて、本発明に係る第二実施形態における評価処理について説明する。
　図８は、本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第一の図である。
　図８（ａ）は、記憶部１５に書き込まれた学習データを図２～図３と同様に２次元上にマッピングした図である。学習データには、ＡＤ、ＮＬの他、他の認知症を示す疾患情報が付されていてもよい。次に、評価モデル算出部１３ａが、複数の学習データを機械学習（クラスタリング）によって、類似するグループ（クラスタ）毎に分類する。クラスタリングの手法としては、例えば、スペクトラルクラスタリングを用いることが可能である。
　図８（ｂ）は、評価モデル算出部１３ａが、学習データをクラスタリングした結果を示している。この図の場合、学習データが、クラスタ３７と、クラスタ３８と、クラスタ３９と、に分類されたことを示している。破線４５ａは、クラスタ３７に分類される学習データとクラスタ３８に分類される学習データとを隔てる境界線である。破線４５ｂは、クラスタ３７に分類される学習データとクラスタ３９に分類される学習データとを隔てる境界線である。破線４５ｃは、クラスタ３８に分類される学習データとクラスタ３９に分類される学習データとを隔てる境界線である。ここで、評価モデル算出部１３ａは、各クラスタに含まれている学習データに付された疾患情報を参照し、クラスタ毎に各疾患情報が付された学習データの占める割合を算出する。例えばクラスタ３７に１０個の学習データが分類されたとして、その１０個のうち、ＡＤの疾患情報が付された学習データが４個、ＮＬの疾患情報が付された学習データが３個、レビー小体型認知症の疾患情報が付された学習データが２個、血管性認知症の疾患情報が付された学習データが１個であるとすると、評価モデル算出部１３ａは、クラスタ３７に占めるＡＤの割合（ＡＤ率）＝４０％、ＮＬの割合（ＮＬ率）＝３０％、レビー小体型認知症の割合＝２０％、血管性認知症の割合＝１０％を算出する。
　図８（ｃ）は、オペレータが、診断すべき被験者の脳波特徴データ４０を脳疾患診断支援装置１０に入力した状態を示している。被験者の脳波特徴データ４０が入力されると、脳波特徴データ取得部１１は、被験者の脳波特徴データを取得し、判定部１４ａに出力する。判定部１４ａは、脳波特徴データ４０がクラスタ３７～３９のうち、どのクラスタに所属するかを、例えばｋ－近傍法などのクラスタリング手法を用いて判定する。
　図８（ｄ）は、判定部１４ａが所属クラスタの判定を行った結果を示している。判定部１４は、判定が完了すると、評価モデル算出部１３ａが算出した所属先のＡＤ率の値を取得し、その値によって、被験者の脳波特徴データがＡＤであることを示す確率を評価する。例えば、この例の場合、判定部１４ａは、被験者の脳波特徴データがＡＤであることを示す確率は、４０％であると評価する。
　この方法によれば、学習データに付された疾患情報に依存せず、脳波特徴データの類似性によって被験者の脳波特徴データを分類し、その被験者がＡＤである確率を評価することができる。これにより、例えば第一実施形態の評価方法ではＮＬと判定された場合であっても、上記の方法でＡＤ率が４０％と評価されれば、例えば、将来的にその被験者がアルツハイマー型認知症を患う可能性を考える場合の参考とすることができる。また、他の認知症の疾患情報が付された学習データの存在率を同時に表示することで、ＡＤだけでなく、他の認知症を発症する可能性の参考とすることもできる。
　図９は、本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第二の図である。
　図９（ａ）～図９（ｄ）は、図８で説明したクラスタリングによる評価方法と第一実施形態による評価方法とを組み合わせた方法である。この方法を用いる場合、評価モデル算出部１３ａは、本実施形態の機能に加え、第一実施形態の境界情報を算出する機能を併せて有しているものとする。また、判定部１４ａは、第一実施形態と同様に、その境界情報に基づいて、被験者の脳波特徴データを評価する機能を有していているものとする。
　学習データをスペクトラルクラスタリング等の手法によってクラスタリングし、被験者の脳波特徴データの所属クラスタをｋ－近傍法などによって判定することは、図８で説明した評価方法と同様である。
　図９の処理においては、図９（ｂ）において、学習データのクラスタリングが完了すると、各クラスタ３７～３９におけるＡＤ率などを求める代わりに、各クラスタにおけるＡＤ、非ＡＤを分離する境界情報を算出する。境界情報は、第一実施形態と同様に、評価モデル算出部１３ａが、ＡＤの疾患情報が付された学習データと、それ以外の学習データとを用いて、ＳＶＭなどの手法により算出する。
　また、図９（ｄ）において、被験者のデータが、例えばクラスタ３７に所属すると判定されたとすると、次に判定部１４ａは、評価モデル算出部１３ａが算出したクラスタ３７における境界情報を記憶部１５から読み出して、ＳＶＭなどの手法によって、被験者の脳波特徴データがＡＤであるか否かを判定する。図８では、被験者の脳波データの評価結果として、ＡＤ率などを表示したが、図９の場合、表示部１６は、ＳＶＭによって算出される被験者の脳波特徴データがＡＤである確率（確信度）を表示する。
　この方法によれば、例えば、クラスタ３７、クラスタ３８、クラスタ３９の何れにおいても例えばＡＤ率が５０％であるような学習データが存在した場合であっても、被験者の脳波特徴データの評価精度を向上できる可能性がある。例えば、クラスタ３７、クラスタ３８、クラスタ３９の何れにおいても例えばＡＤ率が５０％であるような学習データでは、ＡＤと特徴づけられる脳波特徴データのパターンが３種類存在する可能性がある。その様子を図９（ｄ）に示した。例えば、図９（ｄ）の破線４１～４３が示す破線で囲まれた領域に存在する学習データにＡＤの疾患情報が付されているとする。破線４１～４３のそれぞれは、各クラスタ３７～３９における境界情報である。このとき第一実施形態のように全学習データを対象に境界情報を算出すると、算出した境界情報が適切ではなく、識別精度が低下する可能性がある。適切な境界情報とは、ＳＶＭにおけるマージンが最大となるような境界である。図９の方法のように、予め脳波特徴データが類似するクラスタに分類して、その中で境界情報を算出すれば、より適切な境界情報を算出できる可能性があり、評価精度の向上が期待できる。
　図１０は、本発明に係る第二実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。
　まず、オペレータが、正常者やさまざまな患者の学習データを脳疾患診断支援装置１０に入力する。学習データは、例えば電子ファイルの形式で与えられ、１つの電子ファイルには、さまざまな疾患情報が付された学習データが含まれている。さまざまな疾患情報とは、例えば、認知症ではないが認知症と間違えやすい症状、アルツハイマー型認知症、レビー小体型認知症、血管性認知症、などである。また、アルツハイマー型認知症患者の学習データについても、重度の患者、軽度の患者、投薬治療中の患者、投薬治療中ではない患者、などの学習データが含まれていてもよい。脳波特徴データ取得部１１は、学習データを取得し（ステップＳ１１）、取得した学習データを記憶部１５へ書き込んで記憶させる。
　次に、オペレータが、診断すべき被験者の診断対象データを脳疾患診断支援装置１０に入力する。脳波特徴データ取得部１１は、診断対象データを取得し（ステップＳ１２）、取得した診断対象データを記憶部１５へ書き込んで記憶させる。このとき、脳波特徴データ取得部１１は、診断対象データをステップＳ１１で取得した学習データと区別して記録する。
　次にオペレータが、「診断対象データを評価する」と表示されたボタンを押下すると、操作受付部１２が、その操作を受け付け、評価モデル算出部１３ａにクラスタの生成（クラスタリング）を指示する。クラスタとは、複数の被験者の脳波特徴データを、脳波特徴データに含まれる特徴量の類似度に基づいてグループ化したものである。評価モデル算出部１３ａは、記憶部１５に書き込まれたステップＳ１１で取り込んだ学習データを読み出して、例えばスペクトラルクラスタリングなどの機械学習で用いられるクラスタリング手法によって、読み出したデータから所定の数のクラスタを生成する（ステップＳ１３）。なお、生成するクラスタの数は、オペレータが設定し、予め記憶部１５が記憶しているものとする。各クラスタには、類似する脳波特徴データを持つ学習データが分類され、１つのクラスタには、正常者、アルツハイマー型認知症患者、レビー小体型認知症患者などさまざまな疾患情報に対応する学習データが含まれる可能性がある。
　次に、評価モデル算出部１３ａは、各クラスタ毎にＡＤ率、境界情報のうち少なくとも一方を算出する（ステップＳ１４）。例えば、評価モデル算出部１３ａは、ステップＳ１３において、図８を用いて説明したように、各クラスタにおいて、そのクラスタに含まれる学習データに付された疾患情報の種類ごとの割合を算出する。評価モデル算出部１３ａは、算出したＡＤ率などの疾患情報ごとの割合をクラスタごとに記憶部１５に書き込んで記憶させる。あるいは、評価モデル算出部１３ａは、図９を用いて説明したように例えばアルツハイマー型認知症患者の疾患情報が付された脳波特徴データと、それ以外の疾患情報が付された脳波特徴データとを分離する境界情報を算出する。境界情報の算出は、例えば、ＳＶＭの手法を用いる。ここで、境界情報の算出には、例えば、４２０次元のデータ全てを用いてもよいし、４２０次元の特徴量のうち、ＡＤを識別するのに有効な特徴量だけを用いて境界情報を算出してもよい。なお、有効な特徴量を示す情報は記憶部１５が記憶しているものとする。あるいは、後述するように、学習データ群に応じた評価に有効な特徴量をその都度、算出するようにしてもよい。ＡＤの識別に有効な特徴量の一例としては、図７で示したものがある。また、評価モデル算出部１３ａは、算出したクラスタごとの境界情報をクラスタの識別情報と対応付けて記憶部１５に書き込んで記憶させる。なお、評価モデル算出部１３ａは、疾患情報ごとの割合の算出と、境界情報の算出との両方を行ってもよい。次に、評価モデル算出部１３ａは、判定部１４ａに診断対象データの評価を指示する。
　次に、判定部１４ａは、診断対象データがどのクラスタに所属するかをｋ－近傍法などの手法によって判定する（ステップＳ１５）。
　次に判定部１４ａは、診断対象データを評価する（ステップＳ１６）。評価モデル算出部１３ａが疾患情報ごとの割合を算出した場合、判定部１４ａは、診断対象データが、ＡＤである確率について評価を行う。例えば、評価モデル算出部１３ａがＡＤ率を算出した場合、判定部１４ａは、診断対象データが分類されると判定したクラスタに対応するＡＤ率を記憶部１５から読み出して、診断対象データがＡＤであることを示す確率は、記憶部１５から読み出したＡＤ率であると評価する。あるいは、評価モデル算出部１３ａが境界情報を算出した場合、判定部１４ａは、診断対象データが分類されると判定したクラスタに対応する境界情報を記憶部１５から読み出して、診断対象データが、ＡＤとＮＬの何れであるか、また、その確率（確信度）について評価を行う。
　評価を行うと、判定部１４ａは、評価結果を表示部１６へ出力する。表示部１６は、被験者の診断対象データの評価結果を表示装置に表示する（ステップＳ１７）。例えば、表示部１６は、診断の根拠となった脳波の測定部位、周波数帯、診断対象データが所属するクラスタの識別情報、診断対象データがＡＤを示す確率などを表示する。ＡＤを示す確率とは、上述のＡＤ率や確信度である。また、判定部１４ａは、ステップＳ１６の評価の際に、パターンマッチング等の手法によって被験者の脳波特徴データと最も類似する学習データに含まれる脳波特徴データを抽出し、表示部１６は、判定部１４ａが抽出した脳波特徴データとそのデータに付された疾患情報を表示するようにしてもよい。
　医師は、表示部１６が表示した情報や、その他の検査情報などを基に被験者の症状を診断する。例えば、被験者の脳波特徴データと最も類似する脳波特徴データやその脳波特徴データに付された疾患情報が表示され、その疾患情報がレビー小体認知症である場合、医師は、被験者の脳波特徴データがレビー小体認知症患者の脳波特徴データに類似していることを診断の参考にすることができる。また、被験者の脳波特徴データが分類されるクラスタに含まれるアルツハイマー型以外の認知症の割合が表示されれば、医師は、例えば、被験者がアルツハイマー型以外の認知症を発症する可能性を考えるときの参考にすることができる。
　なお、図１０の処理フローの変形例として次のような処理としてもよい。まず、ステップＳ１４において、ＡＤ率などを算出し、ステップＳ１６の評価において、そのＡＤ率が例えば９０％であるような場合は、被験者の脳波特徴データはＡＤであるとみなし、その評価結果を表示部１６が出力して処理フローを終了する。また、ＡＤ率が例えば５０％であるような場合は、さらなる評価処理が必要と判断し、さらにＡＤと非ＡＤとを分離する境界情報を算出し、被験者の脳波特徴データをＳＶＭなどによって評価する。
　また、ステップＳ１３において、生成するクラスタの数を変化させて、ステップＳ１３以降の処理を繰り返し行うようにしてもよい。
　認知症にも複数の種類がある。代表的なものは、アルツハイマー型認知症、レビー小体型認知症、血管性認知症などである。これらの認知症の種類は、他人から見ただけでは分からないことも多い。また、同じ認知症でも種類が違えば、治療方法も異なってくるので、正確にどのような種類の認知症であるかを診断することが重要である。そこで、脳波特徴データを用いて複数種類の認知症であるかを知ろうとする場合、例えば手作業で各認知症のテンプレートを選択し、選択したテンプレートと被験者の脳波特徴データとを比較して判定することが考えられるが、各認知症に対応する脳波特徴データが均一な特徴を有するとは限らず、手作業でテンプレートを作成するのは困難である。本実施形態によれば、さまざまな種類の認知症患者の脳波特徴データを用いてクラスタリングを行うことで、煩雑な作業を行うことなく、被験者がどの種類の認知症であるかを判定したり、複数の認知症についてそれぞれの認知症を患っている確率を算出したりすることができる。また、同じ種類の認知症患者であっても、重度、軽度、投薬中などさまざまな状態にある患者の脳波特徴データを用意しておくと、患者が認知症を患っている場合、その症状は軽度か、重度かなどの情報を表示することもできる。
　なお、本実施形態においても、ステップＳ１１で取得した学習データから、ステップＳ１２以降の処理で用いる学習データを選択できるようにしてもよい。
　また、ステップＳ１３のクラスタリングで使用する脳波特徴データについては、全ての特徴量を用いてもよいし、一部の特徴量だけを用いるようにしてもよい。例えば、クラスタを生成するステップＳ１４において、例えば４２０次元全ての特徴量を用いるとうまくクラスタリングできないような場合に、主成分分析やＲａｎｄｏｍＦｏｒｅｓｔなどの手法を用いて、クラスタリングに有効な特徴量を動的に抽出し、抽出した特徴量のみを用いてクラスタを生成するようにしてもよい。さらに、診断対象データを評価するステップＳ１６においてＳＶＭによって境界情報を算出する場合、第一実施形態と同様、分離に有効な特徴量をＲａｎｄｏｍＦｏｒｅｓｔ等によって抽出し、境界情報を算出してもよい。このようにすることでクラスタごとに固有の有効な特徴量を用いることができ、評価精度を高めることができる。
　これら使用する学習データや特徴量を変化させることで、さまざまな観点から診断対象データを評価することができる。
　なお、本実施形態においてもアルツハイマー型認知症の診断支援を例に説明を行ったが、他の認知症、及び、鬱や統合失調症などの脳疾患症状に対しても、本実施形態を適用することが可能である。また、その場合、さまざまな脳疾患の疾患情報が付された学習データを用いることで、複数の脳疾患に対してそれらの脳疾患のうち１つ又は複数を患っている確率を同時に算出することができる。
　なお、上述した脳疾患診断支援装置１０における各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムを脳疾患診断支援装置１０のコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。
　また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　また、脳疾患診断支援装置１０は、１台のコンピュータで構成されていても良いし、通信可能に接続された複数のコンピュータで構成されていてもよい。
　その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。例えば、計算負荷の高い評価モデル算出部１３を、機能別に分割し、ＳＶＭ用の評価モデル算出部１３ｂと、クラスタ生成用の評価モデル算出部１３ｃに分割して、それぞれを異なるＰＣ等に搭載した構成としてもよい。脳疾患診断支援装置１０は、脳疾患診断支援システムの一例である。操作受付部１２は、入力部の一例である。
　上記した脳疾患診断支援システム、脳疾患診断支援方法及びプログラムによれば、被験者の脳波に基づいて、その被験者が脳疾患を患っているかどうかの判定を、複数の脳疾患について同時に行うことができる。また、脳疾患の判定に用いる評価モデルの作成を自動的に行うことができるので、テンプレート作成の手間を省くことができる。
１０　　　脳疾患診断支援装置
１１　　　脳波特徴データ取得部
１２　　　操作受付部
１３　　　評価モデル算出部
１４　　　判定部
１５　　　記憶部
１６　　　表示部

Claims (11)

  1. 　脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する評価モデル算出部と、
    　被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う判定部と、
    　を備える脳疾患診断支援システム。
  2. 　前記被験者の脳波特徴データに付す前記疾患情報の入力を受け付ける入力部、
    　を更に備え、
    　前記入力部は、前記受け付けた疾患情報を前記被験者の脳波特徴データと対応付けた新たな学習データを記憶部に記憶させ、
    　前記評価モデル算出部は、前記新たな学習データを前記複数の学習データに加え、評価モデルの算出を行う
    　請求項１に記載の脳疾患診断支援システム。
  3. 　前記脳波特徴データには、複数の前記特徴量が含まれ、
    　前記評価モデル算出部は、前記複数の学習データのそれぞれに含まれる脳波特徴データについて、評価モデルの算出に有効な１つ又は複数の特徴量を抽出し、当該抽出した特徴量のみを用いて前記評価モデルを算出する
    　請求項１又は請求項２に記載の脳疾患診断支援システム。
  4. 　前記複数の学習データの疾患情報には、１つ又は複数の種類の脳疾患を示す情報が含まれており、
    　前記評価モデル算出部は、前記複数の学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出し、
    　前記判定部は、前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う
    　請求項１から請求項３の何れか１項に記載の脳疾患診断支援システム。
  5. 　前記評価モデル算出部は、前記複数の脳波特徴データを、前記特徴量に基づくクラスタリングによって複数のグループに分類し、
    　前記判定部は、前記被験者の脳波特徴データが、前記評価モデル算出部の分類したグループのうち、どのグループに分類されるかを判定する
    　請求項１から請求項３の何れか１項に記載の脳疾患診断支援システム。
  6. 　前記複数の学習データの疾患情報には、１つ又は複数の種類の脳疾患を示す情報が含まれており、
    　前記評価モデル算出部は、前記判定部によって前記被験者の脳波特徴データが分類されると判定されたグループに含まれる学習データについて、疾患情報の種類ごとに、それぞれの疾患情報が付された学習データの割合を算出し、
    　前記判定部は、前記割合に基づいて前記被験者の脳波特徴データが示す脳疾患の判定を行う
    　請求項５に記載の脳疾患診断支援システム。
  7. 　前記評価モデル算出部は、前記判定部によって前記被験者の脳波特徴データが分類されると判定されたグループに含まれる学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出し、
    　前記判定部は、前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う
    　請求項５又は請求項６に記載の脳疾患診断支援システム。
  8. 　前記判定部の判定の結果を出力する表示部、
    　をさらに備え、
    　前記判定部は、前記被験者の脳波特徴データが示す脳疾患を判定するとともに、前記被験者の脳波特徴データがその脳疾患であることを示す確率を算出し、
    　前記表示部は、前記確率を出力する
    　請求項１から請求項７の何れか１項に記載の脳疾患診断支援システム。
  9. 　脳疾患診断支援システムが、
    　脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出し、
    　被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う、
    　脳疾患診断支援方法。
  10. 　脳疾患診断支援システムのコンピュータに、
    　脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する機能と、
    　被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う機能と、
    　を実行させるためのプログラム。
  11. 　脳疾患診断支援システムのコンピュータに、
    　脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する機能と、
    　被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う機能と、
    　を実行させるためのプログラムを記憶する記憶媒体。
PCT/JP2015/082844 2014-12-09 2015-11-24 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム WO2016093048A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/533,218 US20170340262A1 (en) 2014-12-09 2015-11-24 Brain disease diagnosis assistance system, brain disease diagnosis assistance method, and program
EP15867759.1A EP3216392A4 (en) 2014-12-09 2015-11-24 Brain disease diagnosis assistance system, brain disease diagnosis assistance method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014248953A JP6013438B2 (ja) 2014-12-09 2014-12-09 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム
JP2014-248953 2014-12-09

Publications (1)

Publication Number Publication Date
WO2016093048A1 true WO2016093048A1 (ja) 2016-06-16

Family

ID=56107239

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/082844 WO2016093048A1 (ja) 2014-12-09 2015-11-24 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム

Country Status (4)

Country Link
US (1) US20170340262A1 (ja)
EP (1) EP3216392A4 (ja)
JP (1) JP6013438B2 (ja)
WO (1) WO2016093048A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018053528A1 (en) * 2016-09-19 2018-03-22 Hematologics, Inc. System, method, and article for detecting abnormal cells using multi-dimensional analysis
KR20200017709A (ko) 2018-08-09 2020-02-19 연세대학교 산학협력단 생체신호 클래스 분류 장치 및 그 방법
WO2020218013A1 (ja) * 2019-04-25 2020-10-29 国立大学法人大阪大学 情報処理装置、判定方法、および判定プログラム
CN114098764A (zh) * 2021-11-05 2022-03-01 北京大学 数据处理方法、装置、电子设备和存储介质
WO2023187855A1 (ja) * 2022-03-28 2023-10-05 日本電気株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037070B2 (en) * 2015-04-29 2021-06-15 Siemens Healthcare Gmbh Diagnostic test planning using machine learning techniques
JP6664812B2 (ja) * 2016-05-10 2020-03-13 国立研究開発法人情報通信研究機構 仮想資源自動選択システム及び方法
AU2017299614A1 (en) 2016-07-19 2019-01-31 Akili Interactive Labs, Inc. Platforms to implement signal detection metrics in adaptive response-deadline procedures
KR101957456B1 (ko) * 2017-08-24 2019-03-12 주식회사 아리아케어코리아 뇌 질환 검출 및 예측 시스템 및 방법
JP2021501415A (ja) * 2017-10-31 2021-01-14 ジーイー・ヘルスケア・リミテッド 認知症の病理学および／または転帰を診断するための医療システム
JP6598319B2 (ja) * 2018-04-13 2019-10-30 公立大学法人埼玉県立大学 リハビリテーション支援システム
JP6483890B1 (ja) * 2018-04-27 2019-03-13 国立大学法人滋賀医科大学 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム
KR102170756B1 (ko) * 2018-08-01 2020-10-27 가톨릭대학교 산학협력단 이중 머신 러닝 모델을 이용한 데이터 분류 방법 및 장치
WO2020054918A1 (ko) 2018-09-14 2020-03-19 주식회사 아이메디신 인지 장애 진단 방법 및 컴퓨터 프로그램
WO2020111347A1 (ko) * 2018-11-30 2020-06-04 주식회사 아리아케어코리아 뇌 질환 검출 및 예측 시스템 및 방법
JP7151502B2 (ja) 2019-01-23 2022-10-12 株式会社ノーリツ 炭酸ガス供給装置
CN110010245A (zh) * 2019-03-20 2019-07-12 上海市精神卫生中心（上海市心理咨询培训中心） 一种精神疾病脑影像处理系统
KR102374824B1 (ko) * 2019-05-17 2022-03-16 한양대학교 산학협력단 자율참여, 보상 기반의 건강 정보 제공 및 증진 방법 및 장치
JP7340790B2 (ja) * 2019-07-23 2023-09-08 国立大学法人滋賀医科大学 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム
CN111714120A (zh) * 2020-05-08 2020-09-29 广东食品药品职业学院 能进行视觉定位能力评估的脑机接口系统及其应用
US20230335278A1 (en) * 2020-09-28 2023-10-19 Nec Corporation Diagnosis assistance apparatus, diagnosis assistance method, and computer readable recording medium
KR102316631B1 (ko) * 2020-11-19 2021-10-22 주식회사 포엔 기계학습 모델을 이용한 전자약 처방 시스템 및 그 제어방법
JPWO2022172792A1 (ja) * 2021-02-12 2022-08-18
CN113808724B (zh) * 2021-11-17 2022-03-08 北京因数健康科技有限公司 数据分析方法及装置、存储介质及电子终端
KR102610810B1 (ko) * 2021-11-30 2023-12-13 주식회사 포엔 사용자의 생각을 디코딩하는 인공지능 시스템
KR102548478B1 (ko) * 2022-10-25 2023-06-29 주식회사 아이메디신 약물 반응성 분류 및 예측을 위한 디지털 피노타이핑 방법, 장치 및 컴퓨터프로그램

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001309898A (ja) * 2000-04-28 2001-11-06 Takumi Ikuta ウェーブレット・ニューロ波形診断方法および装置
JP2005198970A (ja) * 2004-01-19 2005-07-28 Konica Minolta Medical & Graphic Inc 医用画像処理装置
JP2005237781A (ja) * 2004-02-27 2005-09-08 Univ Waseda 心臓磁気計測装置
JP2007125362A (ja) * 2005-10-31 2007-05-24 Univ New York 認知能減退を予測するためのシステムおよび方法
JP2009066186A (ja) * 2007-09-13 2009-04-02 Sony Corp 脳活動状態推定方法および情報処理システム
JP2009528103A (ja) * 2006-03-03 2009-08-06 メンティス キュラ イーエイチエフ． 参照ツールを作成及び使用して対象者の医学的病態を示す識別信号を生成する方法及び装置
JP2010500052A (ja) * 2006-06-15 2010-01-07 ヒポ−セイフ エイ／エス 低血糖症を検出するための脳波信号解析
JP2010523226A (ja) * 2007-04-05 2010-07-15 ニューヨーク ユニバーシティー 痛み検出の装置、方法、及び痛み定量指数の算定

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004213316A (ja) * 2002-12-27 2004-07-29 Ntt Data Corp 多変量データ分類規則導出装置、および、多変量データ分類規則導出方法をコンピュータに実行させるプログラム
US8512240B1 (en) * 2007-11-14 2013-08-20 Medasense Biometrics Ltd. System and method for pain monitoring using a multidimensional analysis of physiological signals
CA2715825C (en) * 2008-02-20 2017-10-03 Mcmaster University Expert system for determining patient treatment response
EP2369986A4 (en) * 2008-12-23 2013-08-28 Neurovista Corp BRAIN STATUS ANALYSIS BASED ON SELECTED ANTI-BREAKING CHARACTERISTICS AND CLINICAL MANIFESTATIONS
US9131889B2 (en) * 2011-05-31 2015-09-15 Nagoya Institute Of Technology Cognitive impairment determination apparatus, cognitive impairment determination system and program

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001309898A (ja) * 2000-04-28 2001-11-06 Takumi Ikuta ウェーブレット・ニューロ波形診断方法および装置
JP2005198970A (ja) * 2004-01-19 2005-07-28 Konica Minolta Medical & Graphic Inc 医用画像処理装置
JP2005237781A (ja) * 2004-02-27 2005-09-08 Univ Waseda 心臓磁気計測装置
JP2007125362A (ja) * 2005-10-31 2007-05-24 Univ New York 認知能減退を予測するためのシステムおよび方法
JP2009528103A (ja) * 2006-03-03 2009-08-06 メンティス キュラ イーエイチエフ． 参照ツールを作成及び使用して対象者の医学的病態を示す識別信号を生成する方法及び装置
JP2010500052A (ja) * 2006-06-15 2010-01-07 ヒポ−セイフ エイ／エス 低血糖症を検出するための脳波信号解析
JP2010523226A (ja) * 2007-04-05 2010-07-15 ニューヨーク ユニバーシティー 痛み検出の装置、方法、及び痛み定量指数の算定
JP2009066186A (ja) * 2007-09-13 2009-04-02 Sony Corp 脳活動状態推定方法および情報処理システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3216392A4 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018053528A1 (en) * 2016-09-19 2018-03-22 Hematologics, Inc. System, method, and article for detecting abnormal cells using multi-dimensional analysis
US11639936B2 (en) 2016-09-19 2023-05-02 Hematologics, Inc. System, method, and article for detecting abnormal cells using multi-dimensional analysis
KR20200017709A (ko) 2018-08-09 2020-02-19 연세대학교 산학협력단 생체신호 클래스 분류 장치 및 그 방법
KR102174232B1 (ko) * 2018-08-09 2020-11-04 연세대학교 산학협력단 생체신호 클래스 분류 장치 및 그 방법
WO2020218013A1 (ja) * 2019-04-25 2020-10-29 国立大学法人大阪大学 情報処理装置、判定方法、および判定プログラム
CN114098764A (zh) * 2021-11-05 2022-03-01 北京大学 数据处理方法、装置、电子设备和存储介质
WO2023187855A1 (ja) * 2022-03-28 2023-10-05 日本電気株式会社 情報処理装置、情報処理方法及び情報処理プログラム

Also Published As

Publication number Publication date
US20170340262A1 (en) 2017-11-30
JP6013438B2 (ja) 2016-10-25
EP3216392A4 (en) 2018-07-11
JP2016106940A (ja) 2016-06-20
EP3216392A1 (en) 2017-09-13

Similar Documents

Publication Publication Date Title
JP6013438B2 (ja) 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム
Kumar et al. Characterization of coronary artery disease using flexible analytic wavelet transform applied on ECG signals
Shahriari et al. Electrocardiogram signal quality assessment based on structural image similarity metric
Siuly et al. EEG signal classification based on simple random sampling technique with least square support vector machine
EP3672474A1 (en) A method of detecting abnormalities in ecg signals
JP2022084673A (ja) 脳症／せん妄のスクリーニングおよびモニタリングのための装置、システムおよび方法
Song et al. Biomarkers for Alzheimer's disease defined by a novel brain functional network measure
US20190164283A1 (en) Medical diagnosis support apparatus, information processing method, medical diagnosis support system, and program
Ghaderyan et al. A new algorithm for kinematic analysis of handwriting data; towards a reliable handwriting-based tool for early detection of alzheimer's disease
US20160081566A1 (en) Identifying a type of cardiac event from a cardiac signal segment
US20110190621A1 (en) Methods and Systems for Regional Synchronous Neural Interactions Analysis
US10818393B2 (en) System and method for clinical decision support
CN105611872A (zh) 用于评估多通道ecg信号的装置和方法
US20200065967A1 (en) Computer system, method, and program for diagnosing subject
Martino-IST et al. Machine learning based analysis of FDG-PET image data for the diagnosis of neurodegenerative diseases
Zhang et al. Synthesis of standard 12‑lead electrocardiograms using two-dimensional generative adversarial networks
Itälinna et al. Detecting mild traumatic brain injury with MEG, normative modelling and machine learning
Dilber et al. EEG based detection of epilepsy by a mixed design approach
KR102503609B1 (ko) 머신 러닝을 이용한 가상 환자 정보 생성 시스템 및 방법
US10925504B2 (en) Method for ECG lead placement changes to be accurately accounted for
Chen et al. A predictive framework for ECG signal processing using controlled nonlinear transformation
Kumar et al. Hrv signal feature estimation and classification for healthcare system based on machine learning
JP2022037153A (ja) 心電図分析装置、心電図分析方法及びプログラム
US20210327579A1 (en) Method and apparatus for classifying subjects based on time series phenotypic data
Dias et al. Artificial Intelligence-Driven Screening System for Rapid Image-Based Classification of 12-Lead ECG Exams: A Promising Solution for Emergency Room Prioritization

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: 15867759

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15533218

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2015867759

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE