WO2018221689A1 - 医療情報処理システム - Google Patents

医療情報処理システム Download PDF

Info

Publication number
WO2018221689A1
WO2018221689A1 PCT/JP2018/021075 JP2018021075W WO2018221689A1 WO 2018221689 A1 WO2018221689 A1 WO 2018221689A1 JP 2018021075 W JP2018021075 W JP 2018021075W WO 2018221689 A1 WO2018221689 A1 WO 2018221689A1
Authority
WO
WIPO (PCT)
Prior art keywords
medical information
interpretation
processing system
information processing
server
Prior art date
Application number
PCT/JP2018/021075
Other languages
English (en)
French (fr)
Inventor
水野　雄介
Original Assignee
株式会社ニデック
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 株式会社ニデック filed Critical 株式会社ニデック
Priority to JP2019521317A priority Critical patent/JPWO2018221689A1/ja
Publication of WO2018221689A1 publication Critical patent/WO2018221689A1/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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Definitions

  • the present invention relates to a medical information processing system for processing medical information of a subject.
  • this disclosure has a technical problem to provide a medical information processing system that can reduce the burden on an interpreting doctor.
  • the present disclosure is characterized by having the following configuration.
  • An information server that acquires medical information from an inspection device, an analysis server that predicts a diagnosis result by analyzing the medical information, and an interpretation system for interpreting the medical information communicate via a network.
  • a medical information processing system connected to the medical information processing system, wherein the interpretation system receives an interpretation terminal used for interpretation of the medical information, and request data including the medical information and a diagnosis prediction of the analysis server via the network.
  • a management server that acquires the request data and transmits the request data to the interpretation terminal.
  • the medical information processing system (for example, medical information processing system 1) of this embodiment includes an information server (for example, information server 110), an analysis server (for example, analysis server 200), and an interpretation system (for example, interpretation system 300). Etc. are communicably connected via a network.
  • the information server acquires medical information from, for example, an inspection apparatus.
  • the analysis server predicts a diagnosis result by analyzing medical information. That is, the analysis server performs diagnosis prediction based on the medical information.
  • the interpretation system interprets medical information, for example.
  • the image interpretation system includes, for example, an image interpretation terminal (for example, the request destination client 500) and a management server (for example, the management server 410).
  • the image interpretation terminal is arranged, for example, in a medical institution to which an image interpretation doctor who performs image interpretation belongs.
  • the management server acquires request data (request report) including medical information and diagnosis prediction of the analysis server via the network, and transmits the request data to the interpretation terminal.
  • request data request report
  • the medical information processing system can assist the interpretation doctor in interpretation by providing a diagnosis prediction to the interpretation doctor who performs interpretation.
  • the medical information processing system may be in the form of cloud computing.
  • the analysis server analyzes medical information using a mathematical model trained by a machine learning algorithm and makes a diagnosis prediction.
  • a machine learning algorithm for example, a neural network, random forest, boosting, support vector machine (SVM) and the like are generally known.
  • Neural network is a technique that mimics the behavior of biological nerve cell networks.
  • Neural networks include, for example, feedforward (forward propagation) neural networks, RBF networks (radial basis functions), spiking neural networks, convolutional neural networks, recursive neural networks (recurrent neural networks, feedback neural networks, etc.), probabilistic Neural networks (Boltzmann machine, Basiyan network, etc.).
  • Boosting is a technique for generating a strong classifier by combining a plurality of weak classifiers.
  • a strong classifier is constructed by sequentially learning simple and weak classifiers.
  • Random forest is a method of generating a large number of decision trees by performing learning based on randomly sampled training data.
  • a random forest is used, a plurality of decision trees that have been learned in advance as classifiers are traced, and the results obtained from each decision tree are averaged (or majority voted).
  • SVM is a method of configuring a two-class pattern classifier using linear input elements. For example, the SVM learns the parameters of the linear input element from the training data on the basis of obtaining a margin maximizing hyperplane that maximizes the distance to each data point (hyperplane separation theorem).
  • Mathematical model refers to a data structure for predicting the relationship between input data and output data, for example.
  • the mathematical model is constructed by being trained using a training data set.
  • the training data set is a set of training data for input and training data for output.
  • the training data for input is sample data input to the mathematical model.
  • the training data for output is sample data of values predicted by a mathematical model.
  • a diagnosis result such as a disease name or a lesion position is used as the output training data.
  • the mathematical model is trained so that when certain input training data is input, output training data corresponding to the input training data is output. For example, correlation data (for example, weight) between each input and output is updated by training.
  • the analysis server obtains the output of the diagnosis prediction of the subject by inputting at least one of numerical data such as intraocular pressure, axial length, visual field (MD value), and an image into the mathematical model. For example, a probability corresponding to each disease is output from the mathematical model.
  • the analysis server can make a diagnostic prediction statistically by using a trained mathematical model.
  • the interpretation terminal includes a display unit (for example, display unit 575) that displays medical information to the interpretation doctor, and an operation unit (for example, operation unit 576) for inputting an interpretation result.
  • the interpretation terminal may determine the priority for causing the interpretation doctor to interpret the medical information according to the severity of the predicted diagnosis. For example, the interpretation terminal may preferentially present a serious illness to the interpretation doctor based on the diagnosis prediction. As a result, the interpreting physician can quickly interpret a patient with a high degree of urgency. In addition, an interpreting physician can suppress diagnostic errors by carefully interpreting medical information of patients with high priority.
  • the interpretation terminal may set a higher priority when interpreting medical information when the past diagnosis result of the patient is different from the diagnosis prediction.
  • the interpretation can be performed at an early stage before the symptom worsens by preferentially interpreting by the interpreting doctor.
  • the image interpretation system may include a management server and a plurality of image interpretation terminals arranged in a plurality of medical institutions.
  • the management server may select an interpretation request destination from a plurality of medical institutions based on the diagnosis prediction. For example, an interpretation request may be transmitted to an interpretation terminal of a medical institution to which a specialist of an expected disease belongs. This can be expected to improve interpretation accuracy and shorten interpretation time.
  • FIG. 1 is a diagram showing a configuration of a medical information processing system 1 in the present embodiment.
  • the medical information processing system 1 acquires medical information such as an image of a diseased part of a patient using an examination apparatus, and then transmits the acquired medical information to a hospital or the like through a network system such as the Internet for interpretation and diagnosis.
  • the medical information processing system 1 according to the present embodiment is an ophthalmic information processing system using an ophthalmic device.
  • the medical information processing system 1 of the present embodiment includes, for example, a request source client 100, an analysis server 200, and an interpretation system 300.
  • the requesting client 100 is a requesting medical institution (diagnosis doctor) that requests image interpretation and diagnosis (hereinafter simply referred to as interpretation), and is, for example, a clinic.
  • the request source client 100 acquires patient medical information (such as a fundus image in the present embodiment) using an inspection device such as OCT (Optical coherence tomography).
  • OCT Optical coherence tomography
  • the requesting client 100 may be a plurality of clinics.
  • the requesting client 100 does not have a doctor who can perform interpretation based on the acquired medical information, or even if it exists, a large amount of medical information obtained by group screening or the like can be obtained within its own medical institution. It is a medical institution that is difficult to process.
  • the clinic that is the requesting client 100 has an information server 110 that stores patient information and patient medical information, and an inspection device 190 (in this embodiment, OCT) for acquiring patient medical information.
  • the information server 110 is a known computer.
  • the information server 110 includes, for example, a control unit 170, a storage unit 174, a display unit 175, an operation unit 176, a communication unit 177, an input unit 178 and the like.
  • the control unit 170 includes a CPU 171, a ROM 172, a RAM 173, and the like, and executes a program for performing medical information processing and various arithmetic processes.
  • the storage unit 174 stores patient information, acquired medical information, and a program for medical information processing.
  • the display unit 175 displays various information.
  • the operation unit 176 is a user interface such as a mouse or a keyboard.
  • the communication unit 177 connects the information server 110 to the network system N.
  • the input unit 178 captures medical information from the inspection apparatus 190 into the information
  • the analysis server 200 predicts a diagnosis result by analyzing medical information such as an image acquired from the requesting client 100.
  • the analysis server 200 transmits the prediction information to the requesting client 100.
  • the analysis server 200 may be a known computer, for example.
  • the analysis server 200 includes, for example, a control unit 270, a storage unit 274, a display unit 275, an operation unit 276, a communication unit 277, and the like.
  • the control unit 270 includes a CPU 271, a ROM 272, a RAM 273, and the like, and executes a program for performing medical information analysis processing and various arithmetic processes.
  • the storage unit 274 stores patient information, medical information, analysis information, and the like.
  • the display unit 275 displays various information.
  • the operation unit 276 is a user interface such as a mouse or a keyboard.
  • the communication unit 277 connects the analysis server 200 to the network system N.
  • the interpretation system 300 is a system that performs the interpretation requested by the requesting client 100.
  • the interpretation system 300 includes an interpretation center 400 and a request destination client (interpretation organization) 500.
  • the interpretation center 400 plays a role of connecting the request source client 100 and the request destination client 500, and performs user management and transaction management.
  • the image interpretation center 400 includes a management server 410.
  • the management server 410 may be a known computer.
  • the management server 410 includes, for example, a control unit 470, a storage unit 474, a display unit 475, an operation unit 476, a communication unit 477, and the like.
  • the control unit 470 includes a CPU 471, a ROM 472, a RAM 473, and the like, and performs a process of distributing the interpretation request from the request source client 100 to each request destination client 500.
  • the storage unit 474 stores interpretation request information, interpretation information, and the like.
  • the display unit 475 displays various information.
  • the operation unit 476 is a user interface such as a mouse or a keyboard.
  • the communication unit 477 connects the management server 410 to the network system N.
  • the requested client 500 is a university hospital or the like having a specialist who has sufficient medical knowledge, and is a medical institution (interpretation doctor) requested to interpret.
  • the requested client 500 includes an interpretation terminal 510.
  • Image interpretation terminal 510 may be a known computer.
  • the interpretation terminal 510 includes, for example, a control unit 570, a mechanism unit 574, a display unit 575, an operation unit 576, a communication unit 577, and the like.
  • the control unit 570 includes, for example, a CPU 471, a ROM 472, a RAM 473, and the like, and executes a program for creating an interpretation report and performs various arithmetic processes.
  • the storage unit 574 stores patient information, medical information, interpretation information, and the like.
  • the display unit 575 displays various information.
  • the input unit 576 is a user interface such as a mouse or a keyboard.
  • the communication unit 577 connects the management server 510 to the network system N.
  • the requesting client 100, the analysis server 200, and the image interpretation system 300 are communicable with each other via a network system N such as the Internet.
  • the interpretation center 410 provides a user registration / management screen (Web page) that can be viewed from each terminal on a network such as a homepage on the Internet, for example.
  • a network system such as LAN or WAN can be used in addition to the Internet.
  • the analysis server 200 can make a diagnosis prediction by analyzing the medical information received from the requesting client 100.
  • the control unit 270 performs diagnosis prediction of the eye to be examined by analyzing a tomographic image of the eye to be examined acquired from the information server 110.
  • the analysis server 200 performs image diagnosis using, for example, a mathematical model trained by a machine learning algorithm.
  • a mathematical model used for image processing for example, a multilayer neural network is known.
  • the neural network includes an input layer P for inputting data, an output layer Q for generating data to be predicted, and one or more between the input layer P and the output layer Q.
  • a plurality of nodes also called units
  • Each node receives multiple inputs and calculates one output. For example, data input to each node in each layer is output to each node in the adjacent layer.
  • a different weight is added to each path. For example, an output value transmitted from one node to the next node is increased or attenuated by a weight for each path.
  • a function such as an activation function is applied and output to each node in the next layer. This input / output is repeated between adjacent layers, and finally prediction data is output from the output layer.
  • the total input uj received by the second layer node is given by the following equation (1 ), All inputs obtained by multiplying each input xi of the first layer by different weights wji are added to one value bi called a bias.
  • the output zi of the second layer node is an output of a function f such as an activation function for the total input ui as shown in the following equation (2).
  • a function f such as an activation function for the total input ui as shown in the following equation (2).
  • the activation function include a logistic sigmoid function, a hyperbolic tangent function, a normalized linear function, and a max-out function.
  • Mathematical models in the neural network as described above can be predicted using new training data by training using a training data set.
  • the training data set is, for example, a set of input training data and output training data.
  • the weight and bias of each node in each layer are adjusted.
  • By adjusting the repeated weights and biases versatile weights and biases can be obtained for various data, and prediction values can be obtained for unknown data. Can output.
  • the training of the mathematical model is continued until, for example, an error between the output of the input training data and the corresponding output training data falls within an allowable range.
  • back propagation error back propagation method or the like is used.
  • training is performed using a plurality of training data sets in which a plurality of images of the eye to be examined and a diagnosis result of the eye to be examined are set as one set.
  • a plurality of nodes corresponding to each pixel are provided in the input layer, and pixel values are respectively input.
  • a plurality of nodes corresponding to each disease are provided in the output layer, and the probability corresponding to the disease is output from each node.
  • the diagnosis result used for the training data for output may include a disease state, a disease position, and the like. Thereby, the state or position of the disease may be output to the mathematical model in response to the input of the image.
  • the control unit 210 reads out the image of the eye to be examined acquired via the communication unit 277 from the storage unit 274 and inputs it to each node of the input layer. And the control part 210 acquires the probability of each disease calculated according to the rule of the mathematical model from an output layer. The controller 210 causes the storage unit 274 to store the calculated diagnosis prediction result.
  • CNN convolutional neural network
  • CNN is a mathematical model including convolution processing and pooling processing, and is often used particularly in the field of image processing. For details, refer to JP-A-10-21406 or JP-A-2015-032308.
  • Step S1 Acquisition of medical information
  • patient information such as the patient's name, sex, age, address, screening code, screening date, etc. is input by the operation of the operation unit 176 and stored in the storage unit 174.
  • the medical information of the patient for example, fundus tomographic image 191, fundus front image 192, anterior eye image, visual acuity, intraocular pressure, blood glucose level, axial length
  • FIG. Etc. the medical information of the patient
  • the medical information is stored in association with the previously stored patient information in a state in which the examination code of the examined patient is given.
  • Step S2 Transmission / reception of medical information
  • the control unit 170 extracts patient information and medical information that match the input examination code from the patient information stored in the storage unit 174 based on the patient examination code, and analyzes the extracted information via the network N. Transmit to server 200.
  • the control unit 270 receives patient information and medical information transmitted from the information server 110 and stores them in the storage unit 274.
  • Step S3 Analysis of medical information
  • the control unit 270 analyzes the medical information stored in the storage unit 274 using a mathematical model obtained by machine learning, and makes a diagnosis prediction.
  • the control unit 270 inputs a tomographic image acquired as medical information into a mathematical model, and acquires the probability of each disease output from the mathematical model as a predicted result.
  • a fundus front image, a corner image, an intraocular pressure value, an axial length, and the like may be input to the mathematical model.
  • Step S4 Transmission / reception of expected results
  • the control unit 270 assigns a screening code to the calculated prediction result, stores it in the storage unit 274, and transmits the prediction result to the information server 110 via the network N.
  • the information server 110 receives the prediction result by the communication unit 177 and stores it in the storage unit 174.
  • Step S5 Interpretation request and prediction result transmission / reception
  • the request source client 100 transmits the interpretation request and the prediction result to the interpretation system 300 via the network N.
  • the information server 110 transmits a request report for requesting interpretation to the interpretation center 400.
  • the request report is created based on, for example, patient information, medical information, an expected result acquired from the analysis server 200, and the like.
  • the request report transmitted to the image interpretation center 300 is received by the management server 410.
  • Step S6 Distribution of interpretation request
  • the management server 410 transmits an interpretation request to the request destination client 500.
  • the control unit 470 distributes the interpretation request and transmits it to the request destination client 500.
  • the control unit 470 may distribute the interpretation requests based on the diagnosis prediction calculated by the analysis server 200. For example, when a diagnosis such as glaucoma or age-related macular degeneration is predicted in the diagnosis prediction, the control unit 470 may transmit a request report to a medical institution in which a specialist for each disease is enrolled.
  • Step S7 Interpretation
  • the interpretation terminal 510 of each client client receives a request report from the interpretation center 400
  • the interpretation doctor 510 interprets the interpretation report.
  • the image interpretation doctor interprets the image based on the image of the eye to be examined displayed on the display unit 575 and the diagnosis prediction result, and creates an image interpretation report using the operation unit 576.
  • a diagnostic result or a comment is described in the interpretation report.
  • the control unit 570 may set the priority of medical information to be interpreted by the interpreting physician based on the diagnosis prediction.
  • the control unit 570 may cause the display unit 575 to preferentially display a request report for a patient with severe disease symptoms based on the diagnosis prediction.
  • the control unit 570 displays items in order from the most severe cases.
  • the interpreting doctor can interpret images from patients with high urgency.
  • the control unit 570 may search past diagnosis results from the patient ID and the like, and may cause the display unit 575 to preferentially display a request report for a patient whose acquired past diagnosis results and diagnosis predictions are different. As a result, the interpreting doctor can interpret a patient who may have changed symptoms with caution.
  • Step S8 Transmission / reception of interpretation results
  • the interpretation report created in the request destination client 500 is stored in the storage unit 574 and then transmitted to the request source client 100 via the interpretation center 400.
  • the requesting client 100 can check the interpretation result by displaying the transmitted interpretation report on the display unit 175 or by outputting it from an output device such as a printer (not shown).
  • the medical information processing system 1 transmits the diagnosis prediction result calculated by the analysis server 200 to the interpretation organization together with the interpretation request.
  • the interpreting doctor can perform the interpretation with reference to the diagnosis prediction result, so that the possibility of a diagnosis error can be reduced and the interpretation time can be shortened.
  • the analysis server 200 may acquire an interpretation report from the requesting client 100.
  • the analysis server 200 may perform relearning based on the medical information included in the request report and the interpretation results of the interpreting doctor for the medical information. Thereby, the accuracy of the diagnostic prediction of the analysis server 200 can be improved.
  • patient information such as race, sex, age, gene information, and the like may be input to the mathematical model in addition to the image.
  • image diagnosis is performed using a neural network, but the present invention is not limited to this.
  • other machine learning algorithms such as random forest and boosting may be used.
  • the probability of a disease is obtained by each of several decision trees, and the final diagnosis result is obtained by averaging the probability of the disease obtained from each decision tree.
  • the management server 410 is arranged in the interpretation center 400 and the interpretation terminal 510 is arranged in the request destination client.
  • the management server 410 and the interpretation terminal 510 are arranged in the same facility. Also good.
  • the management server 410 and the interpretation terminal 510 may be provided in a medical facility to which the interpretation doctor belongs. In this case, the management server 410 may also be used as the interpretation terminal 510.
  • the image interpretation system 300 may use a mathematical model learned by a machine learning algorithm. For example, automatic diagnosis using a mathematical model may be performed at the interpretation terminal 510 of the client 500 to be requested. In this case, the diagnosis prediction result of the analysis server 200 may be used for inputting the mathematical model.
  • the analysis server 200 makes a medical information diagnosis prediction using a mathematical model learned by a machine learning algorithm, but is not limited thereto.
  • the analysis server 200 may perform diagnosis prediction using an algorithm such as image recognition.

Abstract

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

Description

医療情報処理システム
　被検者の医療情報を処理するための医療情報処理システムに関する。
　従来、専門の読影医師が在勤していない中小の医療機関にて得られた医用画像や測定結果等の医療情報を通信回線を介して専門の読影医師が在勤している医療機関に送信し、読影、診断を行わせ、その結果を読影レポートとして依頼元の医療機関に返信する医療情報処理システムが知られている。このような医療情報処理システムにおいては、依頼元及び依頼先となる医療機関と、この両医療機関を補助するための機関（例えば、読影レポートを保存管理する読影センタ）とがインターネット等の通信回線網にて接続されており、依頼先となる医療機関は、必要なときに補助機関にアクセスして必要な読影レポートの処理を行う医療情報処理システムが知られている（特許文献１参照）。
特開２００２－３５１９８８号公報
　このような医療情報処理システムにおいて、読影医は、数十名から数百名単位の集団検診に対する読影レポートの作成、単独の患者に対する詳細な読影レポートの作成等を行う必要があり、読影医にとって負担が大きかった。
　本開示は、従来の問題点に鑑み、読影医の負担を軽減できる医療情報処理システムを提供することを技術課題とする。
　上記課題を解決するために、本開示は以下のような構成を備えることを特徴とする。
　（１）　検査装置から医療情報を取得する情報サーバと、前記医療情報を解析することによって診断結果を予想する解析サーバと、前記医療情報を読影するための読影システムと、がネットワークを介して通信可能に接続された医療情報処理システムであって、前記読影システムは、前記医療情報の読影に用いられる読影端末と、前記ネットワークを介して前記医療情報および前記解析サーバの診断予想を含む依頼データを取得し、前記依頼データを前記読影端末に送信する管理サーバと、を備えることを特徴とする。
本実施例における医療情報処理システムの構成を示した図である。 ニューラルネットワークの一例を示す図である。 本実施例の制御動作を示すフローチャートである。 医療情報の一例を示す図である。
＜実施形態＞
　本開示に係る実施形態について説明する。本実施形態の医療情報処理システム（例えば、医療情報処理システム１）は、情報サーバ（例えば、情報サーバ１１０）と、解析サーバ（例えば、解析サーバ２００）と、読影システム（例えば、読影システム３００）等がネットワークを介して通信可能に接続される。情報サーバは、例えば、検査装置から医療情報を取得する。解析サーバは、例えば、医療情報を解析することによって診断結果を予想する。つまり、解析サーバは、医療情報に基づいて、診断予測を行う。読影システムは、例えば、医療情報を読影する。読影システムは、例えば、読影端末（例えば、依頼先クライアント５００）と、管理サーバ（例えば、管理サーバ４１０）と、を備える。読影端末は、例えば、読影を行う読影医が所属する医療機関に配置される。管理サーバは、ネットワークを介して医療情報および解析サーバの診断予想を含む依頼データ（依頼レポート）を取得し、読影端末に送信する。このように、医療情報処理システムは、読影を行う読影医に対して診断予想を提供することによって、読影医の読影を支援することができる。なお、医療情報処理システムはクラウドコンピューティングの形態であってもよい。
　なお、解析サーバは、機械学習アルゴリズムによって訓練された数学モデルを用いて医療情報を解析し、診断予想を行う。機械学習アルゴリズムは、例えば、ニューラルネットワーク、ランダムフォレスト、ブースティング、サポートベクターマシン（ＳＶＭ）等が一般的に知られている。
　ニューラルネットワークは、生物の神経細胞ネットワークの挙動を模倣する手法である。ニューラルネットワークは、例えば、フィードフォワード（順伝播型）ニューラルネットワーク、ＲＢＦネットワーク（放射基底関数）、スパイキングニューラルネットワーク、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク（リカレントニューラルネット、フィードバックニューラルネットなど）、確率的ニューラルネット（ボルツマンマシン、ベイシアンネットワークなど）等である。
　ブースティングは、複数の弱識別器を組み合わせることで強識別器を生成する手法である。単純で弱い識別器を逐次的に学習することで、強識別器を構築する。
　ランダムフォレストは、ランダムサンプリングされた訓練データに基づいて、学習を行って多数の決定木を生成する方法である。ランダムフォレストを用いる場合、予め識別器として学習しておいた複数の決定木の分岐をたどり、各決定木から得られる結果を平均（あるいは多数決）する。
　ＳＶＭは、線形入力素子を利用して２クラスのパターン識別器を構成する手法である。ＳＶＭは、例えば、訓練データから、各データ点との距離が最大となるマージン最大化超平面を求めるという基準（超平面分離定理）で線形入力素子のパラメータを学習する。
　数学モデルは、例えば、入力データと出力データとの関係を予測するためのデータ構造を指す。数学モデルは、訓練データセットを用いて訓練されることで構築される。訓練データセットは、入力用訓練データと出力用訓練データのセットである。入力用訓練データは、数学モデルに入力されるサンプルデータである。例えば、入力訓練データには、過去に撮影された被検眼の画像が用いられる。出力用訓練データは、数学モデルによって予測する値のサンプルデータである。例えば、出力用訓練データには、病名または病変の位置などの診断結果が用いられる。数学モデルは、ある入力訓練データが入力されたときに、それに対応する出力用訓練データが出力されるように訓練される。例えば、訓練によって各入力と出力との相関データ（例えば、重み）が更新される。
　例えば、解析サーバは、数学モデルに眼圧、眼軸長、視野（ＭＤ値）等の数値データ、および画像等の少なくともいずれかを入力することによって、被検者の診断予想の出力を得る。例えば、数学モデルからは、各疾患に該当する確率などが出力される。解析サーバは、訓練された数学モデルを用いることによって、統計的に診断予想を行うことができる。
　なお、読影端末は、読影医に医療情報を表示する表示部（例えば、表示部５７５）、読影結果を入力させるための操作部（例えば、操作部５７６）等を備える。読影端末は、診断予想の重症度に応じて、読影医に医療情報を読影させるときの優先度を決定してもよい。例えば、読影端末は、診断予想に基づいて、症状の重い疾病を優先的に読影医に提示するようにしてもよい。これによって、読影医は、緊急度の高い患者の読影を早く行うことができる。また、読影医は、優先度の高い患者の医療情報を注意深く読影することで、診断ミスを抑えることができる。
　また、読影端末は、患者の過去の診断結果と、診断予想とが異なる場合、医療情報を読影させるときの優先度を高く設定してもよい。過去の診断結果と診断予想が異なる場合は、患者の症状に変化があった可能性があるため、読影医に優先的に読影させることによって、症状が悪化する前に早期に治療を行える。
　なお、読影システムは、管理サーバと、複数の医療機関に配置された複数の読影端末と、を備えてもよい。この場合、管理サーバは、診断予想に基づいて、複数の医療機関の中から読影の依頼先を選定してもよい。例えば、予想された疾病の専門医が所属する医療機関の読影端末に読影依頼を送信してもよい。これによって、読影精度の向上、読影時間の短縮等が期待できる。
＜実施例＞
　以下、開示に係る実施例を図面に基づいて説明する。
＜システム基本構成＞
　図１は、本実施例における医療情報処理システム１の構成を示した図である。本実施例の医療情報処理システム１は、検査装置を用いて患者の患部画像等の医療情報を取得した後、取得した医療情報をインターネット等のネットワークシステムを通じて病院等に送り、読影及び診断を受けるシステムである。なお、本実施例の医療情報処理システム１は眼科機器を用いた眼科情報処理システムである。
　本実施例の医療情報処理システム１は、例えば、依頼元クライアント１００、解析サーバ２００と、読影システム３００を備える。依頼元クライアント１００は、画像読影や診断（以下、単に読影と記す）を依頼する依頼元の医療機関（診察医）であり、例えば、クリニックなどである。依頼元クライアント１００は、ＯＣＴ（Optical coherence tomography）等の検査機器を用いて患者の医療情報（本実施例では眼底画像等）を取得する。依頼元クライアント１００は、複数のクリニックであってもよい。なお、依頼元クライアント１００は、取得した医療情報をもとに読影を行うことができる医師が存在しないか、存在していても集団検診等によって得られる大量の医療情報を自身の医療機関内で処理することが困難な医療機関である。
　依頼元クライアント１００であるクリニックは、患者情報及び患者の医療情報が記憶された情報サーバ１１０と、患者の医療情報を取得するための検査装置１９０（本実施例では、ＯＣＴ）を有している。情報サーバ１１０は、既知のコンピュータである。情報サーバ１１０は、例えば、制御部１７０、記憶部１７４、表示部１７５、操作部１７６、通信部１７７、入力部１７８等を備える。制御部１７０は、ＣＰＵ１７１、ＲＯＭ１７２、ＲＡＭ１７３等を備え、医療情報処理を行うためのプログラムの実行や種々の演算処理を実行する。記憶部１７４は、患者情報、取得した医療情報や医療情報処理用のプログラムを記憶する。表示部１７５は、種々の情報を表示する。操作部１７６は、マウスやキーボード等のユーザインタフェイスである。通信部１７７は、情報サーバ１１０をネットワークシステムＮに接続する。入力部１７８は、検査装置１９０からの医療情報を情報サーバ１１０に取り込む。
　解析サーバ２００は、依頼元クライアント１００から取得した画像等の医療情報を解析することによって、診断結果を予想する。解析サーバ２００は、予想情報を依頼元クライアント１００に送信する。解析サーバ２００は、例えば、既知のコンピュータであってもよい。解析サーバ２００は、例えば、制御部２７０と、記憶部２７４と、表示部２７５と、操作部２７６と、通信部２７７等を備える。制御部２７０は、ＣＰＵ２７１、ＲＯＭ２７２、ＲＡＭ２７３等を備え、医療情報の解析処理を行うためのプログラムの実行や種々の演算処理を実行する。記憶部２７４は、患者情報、医療情報や解析情報などを記憶する。表示部２７５は、種々の情報を表示する。操作部２７６は、マウスやキーボード等のユーザインタフェイスである。通信部２７７は、解析サーバ２００をネットワークシステムＮに接続する。
　読影システム３００は、依頼元クライアント１００に依頼された読影を行うシステムである。読影システム３００は、読影センタ４００、依頼先クライアント（読影機関）５００を含む。読影センタ４００は、依頼元クライアント１００と依頼先クライアント５００とを繋ぐ役目を果たし、ユーザ管理やトランザクション管理を行う。読影センタ４００は、管理サーバ４１０を備える。管理サーバ４１０は、既知のコンピュータであってもよい。管理サーバ４１０は、例えば、制御部４７０、記憶部４７４、表示部４７５、操作部４７６、通信部４７７等を備える。制御部４７０は、ＣＰＵ４７１、ＲＯＭ４７２、ＲＡＭ４７３等を備え、依頼元クライアント１００からの読影依頼を各依頼先クライアント５００に振り分ける処理を行う。記憶部４７４は、読影依頼情報、読影情報などを記憶する。表示部４７５は、種々の情報を表示する。操作部４７６は、例えば、マウスやキーボード等のユーザインタフェイスである。通信部４７７は、管理サーバ４１０をネットワークシステムＮに接続する。
　依頼先クライアント５００は、専門的な医療知識を十分に持った専門医を有する大学病院などであり、読影の依頼先の医療機関（読影医）となる。依頼先クライアント５００は、読影端末５１０を備える。読影端末５１０は、既知のコンピュータであってもよい。読影端末５１０は、例えば、制御部５７０、機構部５７４、表示部５７５、操作部５７６、通信部５７７等を備える。制御部５７０は、例えば、ＣＰＵ４７１、ＲＯＭ４７２、ＲＡＭ４７３等を備え、読影レポートの作成等を行うためのプログラムの実行や種々の演算処理を実行する。記憶部５７４は、患者情報、医療情報や読影情報などを記憶する。表示部５７５は、種々の情報を表示する。入力部５７６は、マウスやキーボード等のユーザインタフェイスである。通信部５７７は、管理サーバ５１０をネットワークシステムＮに接続する。
　依頼元クライアント１００、解析サーバ２００および読影システム３００は、インターネット等のネットワークシステムＮによって相互に通信可能な状態となっている。また、読影センタ４１０は、例えばインターネットにおけるホームページ等のネットワーク上の各端末から閲覧することできるユーザ登録・管理画面（Webページ）を提供している。なお、ネットワークシステムＮとしては、インターネット以外にＬＡＮやＷＡＮ等のネットワークシステムを用いることもできる。
＜解析サーバによる診断予想＞
　次に、解析サーバ２００による診断予想について説明する。解析サーバ２００は、依頼元クライアント１００から受信した医療情報を解析することによって診断予想を行うことができる。例えば、制御部２７０は、情報サーバ１１０から取得した被検眼の断層画像を解析することによって、被検眼の診断予想を行う。解析サーバ２００は、例えば、機械学習アルゴリズムによって訓練された数学モデルを用いて画像診断を行う。画像処理に用いられる数学モデルとしては、例えば、多層型のニューラルネットワーク等が知られている。
　例えば、図２に示すように、ニューラルネットワークは、データを入力するための入力層Ｐと、予測したいデータを生成するための出力層Ｑと、入力層Ｐと出力層Ｑの間の１つ以上の隠れ層Ｈとで構成され、各層には複数のノード（ユニットとも呼ばれる）が配置される。各ノードは、複数の入力を受け取り、１つの出力を計算する。例えば、各層の各ノードに入力されたデータは、隣接する層の各ノードに出力される。このとき、径路毎に異なる重みが付加される。例えば、あるノードから次のノードに伝達される出力値は、経路毎の重みによって増強あるいは減衰される。重みが付加されたデータは、ノードに入力されると、活性化関数等の関数が適用され、次の層の各ノードに出力される。この入出力が隣接する各層の間で繰り返され、最終的に出力層から予測データが出力される。
　例えば、第１層のノードをｉ＝１,…,Ｉ、第２層のノードをｊ＝１,…,Ｊ、で表すと、第２層のノードが受け取る総入力ｕｊは、次式（１）のように、第１層の各入力ｘｉにそれぞれ異なる重みｗｊｉを掛けたものをすべて加算し、これにバイアスと呼ばれる１つの値ｂｉを足したものになる。
Figure JPOXMLDOC01-appb-M000001
　また、第２層のノードの出力ｚｉは、次式（２）のように、総入力ｕｉに対する活性化関数等の関数ｆの出力となる。活性化関数としては、例えば、ロジスティックジグモイド関数、双曲線正接関数、正規化線形関数、マックスアウト等の関数が挙げられる。
Figure JPOXMLDOC01-appb-M000002
　上記のようなニューラルネットワークにおける数学モデルは、訓練データセットを用いて訓練されることで、新しいデータに関する予測を行うことができる。訓練データセットは、例えば、入力用訓練データと出力用訓練データのセットであり、入力用訓練データが入力層に入力された場合に、出力層から出力用訓練データに近い値が出力されるように各層の各ノードの重みとバイアスが調整される。訓練データセットは複数用意されており、繰り返し重みとバイアスが調整されることで、様々なデータに対して汎用性がある重みおよびバイアスを得ることができ、未知のデータに対しても予測値を出力できる。数学モデルの訓練は、例えば、入力用訓練データの入力に対する出力と、対応する出力用訓練データとの誤差が許容される範囲に入るまで続けられる。重みの調整には、バックプロパゲーション（誤差逆伝播法）等が用いられる。
　例えば、被検眼の画像から疾患の有無を判定する場合、複数の被検眼の画像と、その被検眼の診断結果を１セットとする複数の訓練データセットなどを用いて訓練される。この場合、例えば、入力層には各画素に対応する複数のノードが設けられ、それぞれ画素値が入力される。出力層には各疾患に対応する複数のノードが設けられ、各ノードからはその疾患に該当する確率が出力される。なお、出力用訓練データに用いる診断結果として、病態、および疾患の位置等を含ませてもよい。これによって、画像の入力に対して、疾患の状態または位置などを数学モデルに出力させてもよい。
　制御部２１０は、通信部２７７を介して取得された被検眼の画像を記憶部２７４から読み出し、入力層の各ノードに入力する。そして、制御部２１０は、数学モデルの規則に従って算出された各疾病の確率を出力層から取得する。制御部２１０は、算出された診断予想の結果を記憶部２７４に記憶させる。
　なお、上記のように、ニューラルネットワークを用いる場合、多層型ニューラルネットワークの一種である畳み込みニューラルネットワーク（ＣＮＮ）を用いてもよい。ＣＮＮは、畳み込み処理とプーリング処理を含む数学モデルであり、特に画像処理の分野で用いられることが多い。詳しくは特開平１０－２１４０６、または特開２０１５－０３２３０８号公報を参照されたい。
＜医療情報処理システムの制御動作＞
　次に、医療情報処理システムの一連の流れについて図３のフローチャートをもとに説明する。
（ステップＳ１：医療情報の取得）
　依頼元クライアント１００側では、患者の氏名、性別、年齢、住所、検診コード、検診日等の患者情報が、操作部１７６の操作によって入力され、記憶部１７４に記憶される。また、検査装置１９０または図示なき他の検査機器によって患者の医療情報（例えば、図４に示す眼底断層画像１９１、眼底正面画像１９２、前眼部画像、視力、眼圧、血糖値、眼軸長等）が取得され、これらの情報が情報サーバ１１０の記憶部１７４に記憶される。なお、これらの医療情報は検査した患者の検診コード等が付与された状態で、先に記憶させた患者情報に対応付けて記憶される。
（ステップＳ２：医療情報の送受信）
　制御部１７０は、患者の検診コードに基づいて、記憶部１７４に記憶されている患者情報の中から、入力された検診コードと一致する患者情報および医療情報を抽出し、ネットワークＮを介して解析サーバ２００に送信する。制御部２７０は、情報サーバ１１０から送信された患者情報および医療情報を受信し、記憶部２７４に記憶させる。
（ステップＳ３：医療情報の解析）
　続いて、制御部２７０は、記憶部２７４に記憶された医療情報を機械学習によって得られた数学モデルによって解析し、診断予想を行う。例えば、制御部２７０は、医療情報として取得された断層画像を数学モデルに入力し、数学モデルから出力された各疾病の確率を予想結果として取得する。なお、断層画像の他、眼底の正面画像、隅角画像、眼圧値、眼軸長等が数学モデルに入力されてもよい。
（ステップＳ４：予想結果の送受信）
　制御部２７０は、算出した予想結果に検診コードを付与し、記憶部２７４に記憶させるとともに、ネットワークＮを介して情報サーバ１１０に予想結果を送信する。情報サーバ１１０は、通信部１７７によって予想結果を受信し、記憶部１７４に記憶させる。
（ステップＳ５：読影依頼と予想結果の送受信）
　次に、依頼元クライアント１００は、ネットワークＮを介して読影依頼および予想結果を読影システム３００に送信する。例えば、情報サーバ１１０は、読影を依頼するための依頼レポートを読影センタ４００に送信する。依頼レポートは、例えば、患者情報、医療情報、および解析サーバ２００から取得された予想結果等に基づいて作成される。読影センタ３００に送信され依頼レポートは、管理サーバ４１０によって受信される。
（ステップＳ６：読影依頼の振り分け）
　管理サーバ４１０は、依頼レポートを受信すると、読影依頼を依頼先クライアント５００に送信する。依頼先クライアント５００が複数ある場合、制御部４７０は、読影依頼を振り分けて依頼先クライアント５００に送信する。このとき、制御部４７０は、解析サーバ２００によって算出された診断予想に基づいて、読影依頼の振り分けを行ってもよい。例えば、制御部４７０は、診断予想において、緑内障、加齢黄斑変性症等の疾病が予想される場合、各疾病の専門医が在籍する医療機関に依頼レポートを送信してもよい。このように、診断予想結果に基づいて、読影依頼の振り分けを行うことによって、効率的に読影が行えるとともに、読影精度を向上させることができる。
（ステップＳ７：読影）
　各依頼先クライアントの読影端末５１０は、読影センタ４００から依頼レポートを受信すると、読影医によって読影が行われる。例えば、読影医は、表示部５７５に表示された被検眼の画像と診断予想結果に基づいて読影を行い、操作部５７６を用いて読影レポートを作成する。読影レポートには、診断結果またはコメント等が記載される。なお、制御部５７０は、診断予想に基づいて読影医に読影させる医療情報の優先度を設定してもよい。例えば、制御部５７０は、診断予想に基づいて、疾病の症状が重い患者の依頼レポートを優先的に表示部５７５に表示させてもよい。例えば、制御部５７０は、読影依頼のリストを表示する場合、症状の重い案件から順に表示する。これによって、読影医は、緊急性の高い患者から読影を行うことがきる。また、制御部５７０は、患者ＩＤなどから過去の診断結果を検索し、取得された過去の診断結果と診断予想とが異なる患者の依頼レポートを優先的に表示部５７５に表示させてもよい。これによって、読影医は、症状が変化した可能性のある患者を注意して読影できる。
（ステップＳ８：読影結果の送受信）
　依頼先クライアント５００において作成された読影レポートは、記憶部５７４に記憶された後、読影センタ４００を経由して依頼元クライアント１００に送信される。依頼元クライアント１００では、送られてきた読影レポートを表示部１７５に表示、または図示なきプリンタ等の出力装置から出力することにより、読影結果を確認することができる。
　以上のように、本実施例の医療情報処理システム１は、解析サーバ２００によって算出された診断予想結果を読影依頼とともに読影機関に送信する。これによって、読影医は、診断予測結果を参考にして読影を行うことができるため、診断ミスの可能性を低減し、読影時間を短縮させることができる。
　なお、解析サーバ２００は、依頼元クライアント１００から読影レポートを取得してもよい。この場合、解析サーバ２００は、依頼レポートに含まれる医療情報と、その医療情報に対する読影医の読影結果に基づいて再学習を行ってもよい。これによって、解析サーバ２００の診断予想の精度を向上させることができる。
　なお、上記の実施例において、機械学習アルゴリズムを用いて画像診断を行う場合、画像の他に、人種、性別、年齢、遺伝子情報等の患者情報を数学モデルに入力してもよい。
　なお、上記の実施例では、ニューラルネットワークによって画像診断を行ったが、これに限らない。例えば、ランダムフォレスト、ブースティング等の他の機械学習アルゴリズムを用いてもよい。例えば、ランダムフォレストを用いる場合、いくつかの決定木によってそれぞれ疾患の確率が求められ、各決定木から得られる疾患の確率を平均することで最終的な診断結果が取得される。また、ブースティングによって得られた識別器によって、被検眼がどの疾患であるかを分類してもよい。
　なお、以上の実施例において、管理サーバ４１０は読影センタ４００に配置され、読影端末５１０は依頼先クライアントに配置されるもとしたが、管理サーバ４１０と読影端末５１０は、同じ施設に配置されてもよい。例えば、読影医の所属する医療施設に管理サーバ４１０と読影端末５１０が設けられてもよい。この場合、管理サーバ４１０は読影端末５１０として兼用されてもよい。
　なお、上記の実施例において、読影システム３００においても、機械学習アルゴリズムによって学習された数学モデルを用いてもよい。例えば、依頼先クライアント５００の読影端末５１０において、数学モデルによる自動診断が行われてもよい。この場合、数学モデルの入力に解析サーバ２００の診断予想結果が用いられてもよい。
　なお、上記の実施例において、解析サーバ２００は、機械学習アルゴリズムによって学習された数学モデルを用いて医療情報の診断予想を行ったが、これに限らない。例えば、解析サーバ２００は、画像認識等のアルゴリズムを用いて診断予想を行ってもよい。
　１　医療情報処理システム
　１００　依頼元クライアント
　２００　解析サーバ
　３００　読影システム
　４００　読影センタ
　５００　依頼先クライアント
　Ｎ　ネットワーク
 

Claims (10)

  1. 　検査装置から医療情報を取得する情報サーバと、
    　前記医療情報を解析することによって診断結果を予想する解析サーバと、
    　前記医療情報を読影するための読影システムと、がネットワークを介して通信可能に接続された医療情報処理システムであって、
    　前記読影システムは、
    　前記医療情報の読影に用いられる読影端末と、
    　前記ネットワークを介して前記医療情報および前記解析サーバの診断予想を含む依頼データを取得し、前記依頼データを前記読影端末に送信する管理サーバと、を備えることを特徴とする医療情報処理システム。
  2. 　前記解析サーバは、データ解析アルゴリズムを用いて前記医療情報を解析することを特徴とする請求項１の医療情報処理システム。
  3. 　前記データ解析アルゴリズムは、機械学習によって訓練された数学モデルであることを特徴とする請求項２の医療情報処理システム。
  4. 　前記解析サーバは、前記医療情報と、前記読影端末によって取得された読影結果と、に基づいて再学習を行うことを特徴とする請求項３の医療情報処理システム。
  5. 　前記読影端末は、前記診断予想における疾病の進行度に応じて前記依頼データの優先度を決定することを特徴とする請求項１～４のいずれかの医療情報処理システム。
  6. 　前記読影端末は、患者の過去の診断結果と、前記診断予想とが異なる場合、前記依頼データの優先度を高く設定することを特徴とする請求項１～４のいずれかの医療情報処理システム。
  7. 　前記読影端末は、前記優先度の順に前記依頼データを表示手段にソートして表示させることを特徴とする請求項５または６の医療情報処理システム。
  8. 　前記管理サーバは、前記読影端末から読影結果を取得し、前記情報サーバに送信することを特徴とする請求項１の医療情報処理システム。
  9. 　前記読影システムは、前記管理サーバと、複数の医療機関に配置された複数の読影端末と、を備え、
    　前記管理サーバは、前記診断予想に基づいて、前記複数の医療機関の中から読影の依頼先を選定することを特徴とする請求項１～７のいずれかの医療情報処理システム。
  10. 　前記読影端末は、前記数学モデルに対して前記医療情報および前記解析サーバの診断予想を入力することによって、前記医療情報の解析結果を出力させることを特徴とする請求項３の医療情報処理システム。
PCT/JP2018/021075 2017-06-01 2018-05-31 医療情報処理システム WO2018221689A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019521317A JPWO2018221689A1 (ja) 2017-06-01 2018-05-31 医療情報処理システム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-109587 2017-06-01
JP2017109587 2017-06-01

Publications (1)

Publication Number Publication Date
WO2018221689A1 true WO2018221689A1 (ja) 2018-12-06

Family

ID=64454828

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/021075 WO2018221689A1 (ja) 2017-06-01 2018-05-31 医療情報処理システム

Country Status (2)

Country Link
JP (1) JPWO2018221689A1 (ja)
WO (1) WO2018221689A1 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109873877A (zh) * 2019-03-29 2019-06-11 上海商汤智能科技有限公司 一种信息传输方法、装置和存储介质
CN112102940A (zh) * 2020-09-08 2020-12-18 南方科技大学 一种屈光检测方法、装置、计算机设备及存储介质
CN112334990A (zh) * 2019-06-04 2021-02-05 艾多特公司 自动宫颈癌诊断系统
WO2021033552A1 (ja) * 2019-08-20 2021-02-25 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
WO2022050578A1 (ko) * 2020-09-04 2022-03-10 주식회사 뷰노 질환 판단 방법
JP2022535431A (ja) * 2019-06-04 2022-08-08 アイドット インコーポレイテッド 子宮頸がん自動診断システム
JP2022536785A (ja) * 2019-08-01 2022-08-18 平安科技（深▲せん▼）有限公司 発症率を監視する方法、装置、設備および記憶媒体
JP7465342B2 (ja) 2019-09-27 2024-04-10 ホロジック， インコーポレイテッド ２ｄ／３ｄ乳房画像を精査するための読み取り時間および読み取り複雑性を予測するためのａｉシステム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05205018A (ja) * 1992-01-29 1993-08-13 Toshiba Corp 画像保管通信システム
US20050049497A1 (en) * 2003-06-25 2005-03-03 Sriram Krishnan Systems and methods for automated diagnosis and decision support for breast imaging
JP2005196533A (ja) * 2004-01-08 2005-07-21 Canon Inc 連携診断装置
JP2006024048A (ja) * 2004-07-09 2006-01-26 Hitachi Medical Corp 医用情報イベント処理システム、医用情報イベント処理方法
JP2013000347A (ja) * 2011-06-16 2013-01-07 Toshiba Corp 医用画像処理装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05205018A (ja) * 1992-01-29 1993-08-13 Toshiba Corp 画像保管通信システム
US20050049497A1 (en) * 2003-06-25 2005-03-03 Sriram Krishnan Systems and methods for automated diagnosis and decision support for breast imaging
JP2005196533A (ja) * 2004-01-08 2005-07-21 Canon Inc 連携診断装置
JP2006024048A (ja) * 2004-07-09 2006-01-26 Hitachi Medical Corp 医用情報イベント処理システム、医用情報イベント処理方法
JP2013000347A (ja) * 2011-06-16 2013-01-07 Toshiba Corp 医用画像処理装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109873877A (zh) * 2019-03-29 2019-06-11 上海商汤智能科技有限公司 一种信息传输方法、装置和存储介质
JP2022535431A (ja) * 2019-06-04 2022-08-08 アイドット インコーポレイテッド 子宮頸がん自動診断システム
JP7346600B2 (ja) 2019-06-04 2023-09-19 アイドット インコーポレイテッド 子宮頸がん自動診断システム
CN112334990A (zh) * 2019-06-04 2021-02-05 艾多特公司 自动宫颈癌诊断系统
JP7295278B2 (ja) 2019-08-01 2023-06-20 平安科技（深▲せん▼）有限公司 発症率を監視する方法、装置、設備および記憶媒体
JP2022536785A (ja) * 2019-08-01 2022-08-18 平安科技（深▲せん▼）有限公司 発症率を監視する方法、装置、設備および記憶媒体
WO2021033552A1 (ja) * 2019-08-20 2021-02-25 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
JP7465342B2 (ja) 2019-09-27 2024-04-10 ホロジック， インコーポレイテッド ２ｄ／３ｄ乳房画像を精査するための読み取り時間および読み取り複雑性を予測するためのａｉシステム
KR20220031397A (ko) * 2020-09-04 2022-03-11 주식회사 뷰노 질환 판단 방법
WO2022050578A1 (ko) * 2020-09-04 2022-03-10 주식회사 뷰노 질환 판단 방법
KR102430779B1 (ko) * 2020-09-04 2022-08-09 주식회사 뷰노 질환 판단 방법
CN112102940A (zh) * 2020-09-08 2020-12-18 南方科技大学 一种屈光检测方法、装置、计算机设备及存储介质
CN112102940B (zh) * 2020-09-08 2024-04-16 南方科技大学 一种屈光检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
JPWO2018221689A1 (ja) 2020-04-02

Similar Documents

Publication Publication Date Title
WO2018221689A1 (ja) 医療情報処理システム
Abbas et al. Automatic recognition of severity level for diagnosis of diabetic retinopathy using deep visual features
JP6976360B2 (ja) データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム
WO2018143180A1 (ja) 画像処理装置、および画像処理プログラム
JP6907563B2 (ja) 画像処理装置、および画像処理プログラム
US20180025112A1 (en) Medical information processing system and medical information processing method
JP6878923B2 (ja) 画像処理装置、画像処理システム、および画像処理プログラム
JP2019154943A (ja) 人工知能を用いた病変の検知方法、及び、そのシステム
Sharma et al. Diabetes detection and prediction using machine learning/IoT: A survey
EP3940597A1 (en) Selecting a training dataset with which to train a model
Jee et al. Juxtaposing inference capabilities of deep neural models over posteroanterior chest radiographs facilitating COVID-19 detection
Bali et al. Artificial intelligence in ophthalmology and healthcare: An updated review of the techniques in use
Acar et al. Employing deep learning architectures for image-based automatic cataract diagnosis.
Abirami et al. A novel automated komodo Mlipir optimization-based attention BiLSTM for early detection of diabetic retinopathy
Choi et al. New era after ChatGPT in ophthalmology: advances from data-based decision support to patient-centered generative artificial intelligence
CN112533526A (zh) 眼科图像处理装置、oct装置及眼科图像处理程序
US20220122730A1 (en) Using artificial intelligence and biometric data for serial screening exams for medical conditions
US20220181007A1 (en) Computerized systems for prediction of geographic atrophy progression using deep learning applied to clinical imaging
JP7230800B2 (ja) 眼科情報処理システム
Rafay et al. EyeCNN: exploring the potential of convolutional neural networks for identification of multiple eye diseases through retinal imagery
JPWO2020116351A1 (ja) 診断支援装置、および診断支援プログラム
CN111436212A (zh) 用于医学成像评估的深度学习的应用
Sujithra et al. Adaptive cluster-based superpixel segmentation and BMWMMBO-based DCNN classification for glaucoma detection
JP7328489B2 (ja) 眼科画像処理装置、および眼科撮影装置
Meshram et al. MCBM: Implementation Of Multiclass And Transfer Learning Algorithm Based On Deep Learning Model For Early Detection Of Diabetic Retinopathy

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: 18809027

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019521317

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18809027

Country of ref document: EP

Kind code of ref document: A1