WO2019220833A1 - 診断支援システムおよび診断支援装置 - Google Patents

診断支援システムおよび診断支援装置 Download PDF

Info

Publication number
WO2019220833A1
WO2019220833A1 PCT/JP2019/016122 JP2019016122W WO2019220833A1 WO 2019220833 A1 WO2019220833 A1 WO 2019220833A1 JP 2019016122 W JP2019016122 W JP 2019016122W WO 2019220833 A1 WO2019220833 A1 WO 2019220833A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning model
information
patient
biological information
generation unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2019/016122
Other languages
English (en)
French (fr)
Inventor
健太郎 森本
雅哉 佐藤
裕 矢冨
建石　良介
小池　和彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
University of Tokyo NUC
Original Assignee
Shimadzu Corp
University of Tokyo NUC
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 Shimadzu Corp, University of Tokyo NUC filed Critical Shimadzu Corp
Priority to JP2020519521A priority Critical patent/JP7115693B2/ja
Priority to CN201980033149.0A priority patent/CN112136183B/zh
Priority to US17/056,232 priority patent/US20210217523A1/en
Publication of WO2019220833A1 publication Critical patent/WO2019220833A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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 OR CALCULATING; 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Definitions

  • the present invention relates to a diagnosis support system and a diagnosis support device, and more particularly to a diagnosis support system and a diagnosis support device including a learning model generation unit that generates learning model information by machine learning based on biological information of a patient group.
  • a diagnosis support apparatus including a learning model generation unit that generates learning model information by machine learning based on biological information of a patient group is known.
  • Such a diagnosis support apparatus is disclosed in, for example, Japanese Patent Application Laid-Open No. 2018-41434.
  • JP-A-2018-41434 discloses a diagnosis support apparatus for diagnosing a lesion from a captured image.
  • This diagnosis support apparatus is configured such that machine learning (neural network) is performed by an ensemble classifier (learning model generation unit). Specifically, a plurality of learning images (reference images) whose lesions are known are prepared for machine learning. Next, a predetermined image is extracted from the plurality of learning images, and a plurality of images with different rotation angles and magnifications are prepared. These images are input to an ensemble classifier (neural network) to perform machine learning. As a result, a learned ensemble classifier is generated. Then, an image whose lesion is unknown is input to the learned ensemble classifier, and it is inferred (determined) whether the lesion is a lesion.
  • machine learning neural network
  • an ensemble classifier learning model generation unit
  • machine learning such as a neural network described in JP-A-2018-41434.
  • machine learning data a relatively large number of machine learning images (machine learning data) are required.
  • large hospital large hospital
  • small hospital since there are few patients to visit, it is difficult to acquire data for machine learning sufficient to perform machine learning.
  • the machine learning data includes personal information for identifying a patient, and the machine learning data held in the large hospital cannot be used in the small hospital.
  • the present invention has been made to solve the above-described problems, and one object of the present invention is to provide patient personal information even in a small hospital where it is difficult to obtain data for machine learning.
  • a diagnosis support system is based on a storage unit storing biological information of a patient group and a patient group based on the biological information stored in the storage unit.
  • a learning model generation unit that generates learning model information that is a pattern included in the biological information of the group by machine learning, and learning model information generated by the learning model generation unit is received via the external network, and the received learning model Based on the information, a determination unit is provided that determines whether or not the patient is not included in the patient group.
  • the learning model information generated by the learning model generation unit is received via the external network, and based on the received learning model information, the patient group Is provided with a determination unit that determines whether or not a patient is not included.
  • the learning model information can be received by the determination unit installed in the small hospital etc. via the external network. Therefore, even in small hospitals where it is difficult to acquire machine learning data, Based on this, the presence or absence of the patient's disease can be determined.
  • the learning model information generated by the learning model generation unit is configured by statistical information that does not include patient personal information.
  • the learning model information is provided to the outside (a small hospital or the like) via an external network, the patient's personal information does not leak.
  • the patient's personal information is not leaked to the outside (such as small hospitals), but based on the results of machine learning (learning model information) Can determine whether the patient is ill.
  • the storage unit stores electronic medical record data in which identification information of individual patients included in the patient group and biological information of the individual patients are described.
  • the learning model generation unit extracts the biometric information of each patient from the electronic medical record data stored in the storage unit, and generates the learning model information based on the extracted biometric information of each patient. It is configured. With this configuration, since the learning model information is generated based only on the individual patient's biological information extracted from the electronic medical record data without using the patient identification information, the patient's personal information leaks. Can be reliably prevented.
  • the learning model generation unit includes biometric information of individual patients extracted from the electronic medical record data stored in the storage unit, and analysis information of the biological samples of individual patients associated with the electronic medical record data, Based on the learning model information. If comprised in this way, since learning model information will be produced
  • the determination unit receives the learning model information received via the external network based on the biological information of the patient whose presence or absence of the disease is not included in the patient group. Includes a first learning model updating unit.
  • the biological information of a patient whose presence or absence of a disease that is not included in the patient group is known, with the patient identification information excluded, via an external network
  • the learning model generation unit further includes a transmission unit that transmits to the learning model generation unit, and the learning model generation unit includes a second learning model update unit that updates the learning model information based on the biological information transmitted from the transmission unit. If comprised in this way, the 2nd learning model update part based on the patient's biological information with which the presence or absence of the disease which is not contained in the patient group transmitted via the external network from the outside (small hospital etc.) is known Thus, the quality (determination ability) of learning model information can be improved.
  • the learning model information with improved quality is received again by multiple external institutions such as small hospitals via the external network, so that the quality has been improved at multiple external institutions.
  • the transmission unit transmits the patient's biological information to the second learning model update unit in a state where the patient's identification information is excluded, the patient's identification information does not leak to the outside.
  • the learning model information is preferably configured to be exported from the learning model generation unit and imported to the determination unit via an external network. If comprised in this way, even if the application of a learning model production
  • the biological information of the patient group includes the presence or absence of liver cancer, HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, Including GGT, platelet, AFP, L3 fraction, and DCP data
  • the determination unit determines the presence or absence of liver cancer in patients not included in the patient group based on learning model information received via an external network Is configured to do. If comprised in this way, the presence or absence of a patient's liver cancer can be determined with a comparatively high correct answer rate. It has been confirmed by experiments by the inventors described later that the presence or absence of liver cancer can be determined with a relatively high correct answer rate based on the biological information.
  • a diagnosis support apparatus includes a storage unit storing biological information of a patient group and a pattern included in the biological information of the patient group based on the biological information of the patient group stored in the storage unit. And a learning model generation unit that generates learning model information by machine learning, and the learning model information generated by the learning model generation unit is configured to be exported to the outside via an external network.
  • the diagnosis support apparatus is configured to export the learning model information generated by the learning model generation unit to the outside via an external network as described above.
  • the learning model information can be received by the determination unit installed in the small hospital etc. via the external network. Therefore, even in small hospitals where it is difficult to acquire machine learning data, Based on this, the presence or absence of the patient's disease can be determined.
  • the learning model information generated by the learning model generation unit is configured by statistical information that does not include patient personal information. Thereby, even if the learning model information is provided to the outside (a small hospital or the like) via an external network, the patient's personal information does not leak.
  • the storage unit stores electronic medical record data in which identification information of individual patients included in the patient group and biological information of the individual patients are described.
  • the learning model generation unit extracts the biometric information of each patient from the electronic medical record data stored in the storage unit, and generates the learning model information based on the extracted biometric information of each patient. It is configured. With this configuration, since the learning model information is generated based only on the individual patient's biological information extracted from the electronic medical record data without using the patient identification information, the patient's personal information leaks. Can be reliably prevented.
  • the learning model generation unit includes biometric information of individual patients extracted from the electronic medical record data stored in the storage unit, and analysis information of the biological samples of individual patients associated with the electronic medical record data, Based on the learning model information. If comprised in this way, since learning model information will be produced
  • the result of machine learning is performed without leaking personal information of the patient to the outside (such as a small hospital). Based on the above, the presence or absence of the patient's disease can be determined.
  • FIG. 1 is a block diagram of a diagnosis support system according to a first embodiment of the present invention. It is a figure for demonstrating the diagnosis assistance system by 1st Embodiment of this invention. It is a block diagram of the diagnosis assistance system by 2nd Embodiment of this invention. It is a block diagram of the diagnosis assistance system by 3rd Embodiment of this invention. It is a figure for demonstrating the diagnosis assistance system by 3rd Embodiment of this invention. It is a block diagram of the diagnosis assistance system by 4th Embodiment of this invention.
  • the electronic medical record (electronic medical record data) is for storing a doctor's diagnosis record electronically instead of paper (information system).
  • Electronic medical records make it possible to improve the efficiency of medical staff's office work and centralize information management.
  • the visibility of characters is good, and the electronic medical record can be easily searched.
  • a doctor makes a diagnosis by comprehensively judging the state of the patient P1 from information obtained through an electronic medical chart or an inquiry.
  • This diagnosis means that the patient P1 is subjected to a heavy and highly invasive examination and a treatment policy is determined.
  • the comprehensive judgment of the doctor is based on the experience of the doctor backed by statistical knowledge.
  • the diagnosis support system 100 performs diagnosis (supports diagnosis) based on a pattern (learning model information M) included in the biological information of the patient group PF.
  • the diagnosis support system 100 includes an electronic medical record database 10, a learning model generation unit 11, an electronic medical record database 20, and a determination unit 21.
  • the electronic medical record database 10 and the learning model generation unit 11 are arranged, for example, in a facility 1 such as a large hospital where a relatively large number of patients visit.
  • the electronic medical record database 20 and the determination unit 21 are arranged, for example, in a facility 2 such as a small hospital with few patients to visit.
  • the electronic medical record database 10 and the learning model generation unit 11 are provided in the diagnosis support apparatus 100a.
  • the learning model generation unit 11 and the determination unit 21 are configured by software (program).
  • the electronic medical record database 10 is an example of the “storage unit” in the claims.
  • biological information of the patient group PF is stored.
  • the electronic medical record database 10 stores electronic medical record data in which identification information (name and the like) of each patient P1 included in the patient group PF and biological information of each patient P1 are described.
  • the biological information of the patient group PF includes the presence or absence of liver cancer, HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, GGT, platelets, AFP, L3 fraction, And DCP data.
  • the HCV antibody is an index indicating that hepatitis C virus was once infected or is persistently infected.
  • the HBs antigen is an index indicating that hepatitis B virus is present (infecting).
  • Albumin is a numerical value for measuring the concentration of protein in serum, and it is possible to examine liver and kidney abnormalities based on a decrease in albumin.
  • Total bilirubin is an indicator of the metabolic capacity of the liver.
  • AST is an index for knowing how much damage has occurred mainly in the liver and heart.
  • ALT is an index for knowing whether or not the liver is damaged.
  • GGT is an index of liver function.
  • AFP is an indicator of the presence or absence of liver cancer.
  • the L3 fraction is a value indicating how much AFP-L3 is included in the AFP.
  • DCP is an abnormal prothrombin with no coagulation activity synthesized in the liver, and is a tumor marker specific for hepatocellular carcinoma.
  • the learning model generation unit 11 generates machine learning model information M, which is a pattern included in the biological information of the patient group PF, based on the biological information of the patient group PF stored in the electronic medical record database 10. It is configured. Specifically, in the first embodiment, the learning model generation unit 11 extracts the biological information of the individual patient P1 from the electronic medical record data stored in the electronic medical record database 10, and the extracted individual patient P1. The learning model information M is generated based on the biological information.
  • the machine learning is to repeatedly learn the data to be a teacher (data whose determination result is known) and find a pattern hidden in the data to be the teacher.
  • the teacher data is iteratively learned using various algorithms, so the computer is autonomous even if it does not explicitly program where the human should look for (part of the teacher data). Derive a pattern.
  • a pattern found by machine learning is referred to as learning model information M.
  • the electronic medical record data includes personal information such as the name of the patient P1.
  • the electronic medical record data includes biometric information (presence / absence of liver cancer, HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, GGT, platelets, AFP, L3 fraction, And DCP data).
  • the learning model generation unit 11 uses the biometric information (presence / absence of liver cancer, HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, GGT, platelet, AFP, L3 fraction, and DCP data) are extracted.
  • the learning model generation unit 11 performs machine learning such as logistic regression for generating linear learning model information M and soft margin support vector machine, neural network, and random forest for generating nonlinear learning model information M. Using this, learning model information M is generated.
  • the created learning model information M has data close to the numerical information subjected to statistical processing, and is data that does not include the personal information of the patient P1.
  • a variable to be predicted is called a target variable (in the first embodiment, the presence or absence of liver cancer).
  • a variable that affects the objective variable is referred to as an explanatory variable (biological information in the first embodiment).
  • the relationship between the objective variable and the explanatory variable is expressed by a relational expression.
  • Logistic regression uses the above relational expression to calculate a predicted value (predicted value of the presence or absence of liver cancer) and to determine the contribution of the explanatory variable used in the relational expression to the objective variable.
  • the support vector machine is provided with teacher data (biological information in the first embodiment), some biological information (features) with liver cancer and some biological information (features) without liver cancer. Find the hyperplane that separates the quantity).
  • the support vector machine searches for a hyperplane having a maximum margin among a plurality of hyperplanes separating biometric information.
  • the margin means the minimum value of the distance between the hyperplane and each feature point, and a hyperplane that maximizes the margin is searched for.
  • the method of searching for a hyperplane that completely separates the feature points with and without liver cancer is called a hard margin support vector machine, and the method of searching for the hyperplane to allow misjudgment of the presence or absence of liver cancer. Called soft margin support vector machine.
  • Neural network is a mathematical model that expresses nerve cells (neurons) in the human brain and their connections.
  • the neural network is composed of an input layer, an output layer, and a hidden layer. And between each phase, the weight which shows the strength of connection between neurons is provided. In the learning of the neural network, the weight is adjusted so that the presence or absence of liver cancer can be correctly determined in the output layer using data whose determination (presence or absence of liver cancer) is known.
  • Random forest is an ensemble learning algorithm that integrates multiple decision trees.
  • the decision tree is to find an explanatory variable that affects the objective variable and create a model in a tree shape.
  • the learning model generation unit 11 discriminates the biological information of the patient P1 (patient group PF) who is liver cancer from the biological information of the patient P1 (patient group PF) who is not liver cancer.
  • Information M is generated.
  • the biological information (I1) located above the learning model information M is the biological information of the patient P1 who has liver cancer
  • the biological information (I2) located below the learning model information M. ) Is the biological information of the patient P1 who does not have liver cancer.
  • machine learning software application
  • the learning model information M is composed of R language objects. This object does not include personal information of the patient P1.
  • the diagnosis support apparatus 100a is configured to export the learning model information M generated by the learning model generation unit 11 from the learning model generation unit 11 via the external network 30. That is, the diagnosis support apparatus 100a is configured to output the learning model information M in a state that can be read by the determination unit 21.
  • the determination unit 21 receives the learning model information M generated by the learning model generation unit 11 via the external network 30. And the determination part 21 is comprised based on the received learning model information M, and the presence or absence of the disease of the patient P2 which is not contained in the patient group PF is comprised.
  • the learning model information M is configured to be exported from the learning model generation unit 11 via the external network 30 and imported to the determination unit 21.
  • the electronic medical record database 20 of the facility 2 stores the electronic medical record data of the patient P2.
  • the patient P2 is a patient P2 that is not included in the patient P1 (patient group PF) having the biological information used when the learning model information M is generated.
  • the electronic medical record data of the patient P2 includes biological information (HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT stored in the electronic medical record database 10 of the facility 1 described above. , ALP, GGT, platelets, AFP, L3 fraction, and DCP data).
  • the electronic medical record data of patient P2 does not include the presence or absence of liver cancer.
  • the determination unit 21 is configured to determine the presence or absence of liver cancer of the patient P2 not included in the patient group PF based on the learning model information M received via the external network 30. Specifically, biological information included in the electronic medical record data of the patient P2 is input to the learning model information M. In FIG. 2, the presence or absence of liver cancer is determined based on whether the biological information (I3) of the patient P2 is classified above or below the learning model information M.
  • learning model information was generated based on the biological information of 1584 patients who visited the hospital.
  • Patient biometric information includes the presence or absence of liver cancer, HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, GGT, platelets, AFP, L3 fraction, and DCP data It is.
  • logistic regression, soft margin support vector machine, neural network, random forest, etc. were used as machine learning algorithms.
  • cross-validation was performed to find the correct rate of machine learning. The cross-validation is to divide the biometric information of 1582 patients, generate learning model information from a part thereof, and obtain the correct answer rate in the remaining part.
  • the correct answer rate was obtained in the vicinity of 80% or exceeding 80% in any of the machine learning algorithms. Accordingly, for example, by selecting a machine learning algorithm exceeding 80%, it is possible to determine the presence or absence of liver cancer using the learning model information M with relatively high accuracy.
  • the diagnosis support system 100 receives the learning model information M generated by the learning model generation unit 11 via the external network 30, and based on the received learning model information M.
  • the determination unit 21 determines whether or not there is a disease (liver cancer) of the patient P2 not included in the patient group PF.
  • the learning model information M can be received via the external network 30 by the determination unit 21 installed in a small hospital or the like, so that it is difficult to obtain machine learning data (facility 2) or the like.
  • the learning model information M generated by the learning model generation unit 11 includes statistical information that does not include personal information of the patient P1.
  • the learning model information M is provided to the outside (small hospital etc.) via the external network 30, the personal information of the patient P1 is not leaked.
  • the personal information of the patient P1 is not leaked to the outside (such as small hospitals), and machine learning results (learning model information M) Based on the above, it is possible to determine whether or not the patient P2 is ill.
  • the learning model generation unit 11 extracts the biological information of the individual patient P1 from the electronic medical record data stored in the electronic medical record database 10 and extracts the extracted individual patient.
  • Learning model information M is generated based on the biological information of P1.
  • the learning model information M is generated based on only the biological information of each patient P1 extracted from the electronic medical record data without using the identification information of the patient P1, personal information of the patient P1 is leaked. Can be reliably prevented.
  • the learning model information M is configured to be exported from the learning model generation unit 11 and imported to the determination unit 21 via the external network 30. . Thereby, even if the application of the learning model generation unit 11 and the application of the determination unit 21 are different, the learning model generation unit 11 outputs the learning model information M in a format that can be read by the application of the determination unit 21 (export) ), The learning model information M can be used in the determination unit 21.
  • the biological information of the patient group PF includes the presence or absence of liver cancer, HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP
  • the determination unit 21 includes data of GGT, platelets, AFP, L3 fraction, and DCP. Based on the learning model information M received via the external network 30, the determination unit 21 includes the patient P2 that is not included in the patient group PF. It is configured to determine the presence or absence of liver cancer. Thereby, as described for the above-described experiment, the presence or absence of liver cancer in the patient P2 can be determined with a relatively high correct answer rate (near 80% or a correct answer rate exceeding 80%).
  • the learning model information M1 is generated based on the analysis information of the biological sample of the patient P1.
  • the facility 1 is provided with an analysis apparatus 201 for analyzing a biological sample of the patient P1.
  • the analyzer 201 is, for example, a mass spectrometer.
  • the analyzer 201 is configured to identify a molecule that is a marker for the disease (liver cancer) of the patient P1, for example.
  • the analyzed analysis information of the biological sample of the patient P1 is automatically associated (automatically linked) with the electronic medical record data.
  • generation part 211 is the individual patient P1 linked
  • the learning model information M1 is generated based on the analysis information of the biological sample. That is, the learning model information M1 reflects the biological information of the patient P1 and the analysis information of the biological sample, and in the machine learning of the learning model generation unit 211, compared with the first embodiment, The amount of information (feature amount) of the data becomes larger.
  • the facility 2 is provided with an analyzer 201 for analyzing a biological sample of the patient P2.
  • the analysis information of the biological sample of the patient P2 analyzed by the analyzer 201 is associated with the electronic medical record data of the patient P2.
  • the determination unit 221 determines whether or not the patient P2 is not included in the patient group PF. Specifically, the biological information included in the electronic medical record data of the patient P2 and the analysis information associated with the electronic medical record data are applied (input) to the learning model information M1. Thereby, the presence or absence of liver cancer is determined.
  • the learning model generation unit 211 includes the biometric information of each patient P1 extracted from the electronic medical record data stored in the electronic medical record database 10 and the individual associated with the electronic medical record data.
  • Learning model information M1 is generated based on the analysis information of the biological sample of the patient P1.
  • the learning model information M1 is generated based on the analysis information of the biological samples of the individual patients P1 in addition to the biological information of the individual patients P1, so that the presence or absence of the disease of the patient P2 is more accurately determined. be able to.
  • the structure of the diagnostic assistance system 300 by 3rd Embodiment is demonstrated.
  • the learning model information M is updated based on the biological information of the patient P2.
  • the determination unit 321 of the diagnosis support system 300 includes a learning model update unit 322.
  • the learning model update unit 322 is configured to update the learning model information M received via the external network 30 based on the biological information of the patient P2 whose presence or absence of the disease is not included in the patient group PF. ing.
  • the learning model information M is generated by machine learning of all biological information of the patient group PF.
  • the learning model update unit 322 updates the learning model information M only with the biological information of the patient P2 without using the biological information of the patient group PF, thereby generating the learning model information M2.
  • the biological information of the patient P2 is reflected in the learning model information M2.
  • the parameters of the learning model information M2 are updated based on the biological information of the patient P2.
  • the learning model update unit 322 is an example of the “first learning model update unit” in the claims.
  • the determination unit 321 receives the learning model received via the external network 30 based on the biological information of the patient P2 whose presence or absence of the disease is not included in the patient group PF.
  • a learning model updating unit 322 that updates the information M is included.
  • the diagnosis support system 400 is provided with a transmission unit 410.
  • the transmission unit 410 is provided in the facility 2.
  • the transmission unit 410 includes a learning model generation unit via the external network 30 with the biological information I3 of the patient P2 whose presence or absence of disease not included in the patient group PF is known, excluding the identification information of the patient P2. It is comprised so that it may transmit to 411.
  • the biological information I3 of each patient P2 is extracted from the electronic medical record data stored in the electronic medical record database 20 of the facility 2. Note that identification information (personal information such as name) of the patient P2 is not extracted.
  • the transmission unit 410 transmits the extracted biological information I3 of each patient P2 to the learning model generation unit 411.
  • the learning model generation unit 411 includes a learning model update unit 412.
  • the learning model update unit 412 is configured to update the learning model information M based on the biological information I3 of the patient P2 whose presence or absence of the disease is not included in the patient group PF.
  • the learning model update unit 412 updates the learning model information M only with the biological information I3 of the patient P2 without using the biological information of the patient group PF.
  • the biometric information I3 includes the presence or absence of liver cancer, HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, GGT, platelets, AFP, L3 fraction, and DCP Contains data.
  • the transmission unit 410 may periodically transmit the biological information I3 of the patient P2 to the learning model generation unit 11. Thereby, the learning model information M is regularly updated.
  • the learning model update unit 412 is an example of the “second learning model update unit” in the claims.
  • the biological information I3 of the patient P2 whose presence or absence of the disease that is not included in the patient group PF is known is removed via the external network 30 with the identification information of the patient P2 removed.
  • a transmission unit 410 that transmits to the learning model generation unit 11 is provided.
  • learning is performed by the learning model update unit 412 based on the biological information I3 of the patient P2 whose presence or absence of the disease is not included in the patient group PF transmitted from the outside (facility 2) via the external network 30.
  • the quality (determination ability) of the model information M can be improved.
  • the learning model information M with improved quality is received again by the plurality of facilities 2 via the external network 30, so that the quality is improved and shared by the plurality of facilities 2.
  • the learning model information M it is possible to determine the presence or absence of illness of the patient (patient whose illness is unknown).
  • the transmission unit 410 transmits the biological information I3 of the patient P2 to the learning model update unit 412 without the identification information of the patient P2, the identification information of the patient P2 leaks to the outside (facility 1 or the like). There is no.
  • machine learning is performed on individual patient biometric information extracted from electronic medical record data
  • the present invention is not limited to this.
  • machine learning may be performed based on individual patient biometric information other than electronic medical record data.
  • the present invention is not limited to this.
  • the present invention is also applicable to determination of diseases other than liver cancer (for example, pancreatic cancer).
  • the biological information of the patient group includes HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, GGT, platelets, AFP,
  • HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, GGT, platelets, AFP Although an example in which all of the L3 fraction and DCP data are used has been shown, the present invention is not limited to this.
  • HCV antibody, HBs antigen, age, sex, height, weight, albumin, total bilirubin, AST, ALT, ALP, GGT, platelet, AFP, L3 fraction, and DCP data Some of the data may be used.
  • the second embodiment in which learning model information is generated based on the biological information extracted from the electronic medical record data and the analysis information of the biological sample, and the third and third cases in which the learning model information is updated.
  • the fourth embodiment has been described as a separate embodiment, the configuration of the second embodiment, the configuration of the third embodiment, and the configuration of the fourth embodiment may be combined.
  • examples using logistic regression, a soft margin support vector machine, a neural network, and a random forest are shown as machine learning algorithms.
  • the present invention is not limited to this.
  • a machine learning algorithm other than logistic regression, soft margin support vector machine, neural network, and random forest may be used as the machine learning algorithm.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

この診断支援システム（１００）は、学習モデル生成部（１１）により生成された学習モデル情報（Ｍ）を、外部ネットワーク（３０）を介して受け取るとともに、受け取った学習モデル情報（Ｍ）に基づいて、患者群（ＰＦ）には含まれない患者（Ｐ２）の病気の有無を判定する判定部（２１）を備える。

Description

診断支援システムおよび診断支援装置
　この発明は、診断支援システムおよび診断支援装置に関し、特に、患者群の生体情報に基づいて学習モデル情報を機械学習により生成する学習モデル生成部を備える診断支援システムおよび診断支援装置に関する。
　従来、患者群の生体情報に基づいて学習モデル情報を機械学習により生成する学習モデル生成部を備える診断支援装置が知られている。このような診断支援装置は、たとえば、特開２０１８－４１４３４号公報に開示されている。
　特開２０１８－４１４３４号公報には、撮像画像から病変を診断するための診断支援装置が開示されている。この診断支援装置では、アンサンブル識別器（学習モデル生成部）によって機械学習（ニューラルネットワーク）が行われるように構成されている。具体的には、機械学習用に病変が既知である複数枚の学習画像（リファレンス画像）が準備される。次に、複数枚の学習画像の中から所定の画像が取り出されるとともに、取り出された画像の回転角や倍率などを異ならせた複数の画像が準備される。そして、これらの画像がアンサンブル識別器（ニューラルネットワーク）に入力されて機械学習が行われる。その結果、学習済みのアンサンブル識別器が生成される。そして、学習済みのアンサンブル識別器に、病変が未知である画像が入力されて、病変か否かが推論（判定）される。
特開２０１８－４１４３４号公報
　ここで、特開２０１８－４１４３４号公報に記載のようなニューラルネットワークなどの機械学習では、比較的多くの数の機械学習用の画像（機械学習用のデータ）が必要になる。たとえば、比較的規模の大きい病院（大病院）では、多数の患者が来院するので、機械学習を行うのに十分な機械学習用のデータを取得することが可能である。一方、比較的規模の小さい病院（小病院）では、来院する患者の数が少ないので、機械学習を行うのに十分な機械学習用のデータを取得することが困難である。また、機械学習用のデータには、患者を識別するための個人情報などが含まれており、大病院に保持されている機械学習用のデータを、小病院において利用することができない。このため、小病院において、病変か否かの機械学習を行うのが困難であり、小病院において、機械学習の結果に基づいて病変か否かの推論（判定）を行うのが困難であるという問題点がある。
　この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、機械学習用のデータを取得することが困難な小病院などにおいても、患者の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果に基づいて患者の病気の有無を判定することが可能な診断支援システムおよび診断支援装置を提供することである。
　上記目的を達成するために、この発明の第１の局面による診断支援システムは、患者群の生体情報が記憶された記憶部と、記憶部に記憶された患者群の生体情報に基づいて、患者群の生体情報に含まれるパターンである学習モデル情報を機械学習により生成する学習モデル生成部と、学習モデル生成部により生成された学習モデル情報を、外部ネットワークを介して受け取るとともに、受け取った学習モデル情報に基づいて、患者群には含まれない患者の病気の有無を判定する判定部を備える。
　この発明の第１の局面による診断支援システムでは、上記のように、学習モデル生成部により生成された学習モデル情報を、外部ネットワークを介して受け取るとともに、受け取った学習モデル情報に基づいて、患者群には含まれない患者の病気の有無を判定する判定部を備える。これにより、外部ネットワークを介して学習モデル情報を小病院などに設置された判定部が受け取ることができるので、機械学習用のデータを取得することが困難な小病院などにおいても、学習モデル情報に基づいて患者の病気の有無を判定することができる。また、学習モデル生成部により生成された学習モデル情報は、患者の個人情報を含まない統計的な情報などにより構成されている。これにより、学習モデル情報を、外部ネットワークを介して外部（小病院など）に提供しても、患者の個人情報が漏洩することはない。それらの結果、機械学習用のデータを取得することが困難な小病院などにおいても、患者の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果（学習モデル情報）に基づいて患者の病気の有無を判定することができる。
　上記第１の局面による診断支援システムにおいて、好ましくは、記憶部には、患者群に含まれる個々の患者の識別情報と、個々の患者の生体情報とが記載された電子カルテデータが記憶されており、学習モデル生成部は、記憶部に記憶された電子カルテデータから個々の患者の生体情報を抽出するとともに、抽出された個々の患者の生体情報に基づいて、学習モデル情報を生成するように構成されている。このように構成すれば、患者の識別情報は用いずに、電子カルテデータから抽出された個々の患者の生体情報のみに基づいて学習モデル情報が生成されるので、患者の個人情報が漏洩するのを確実に防止することができる。
　この場合、好ましくは、学習モデル生成部は、記憶部に記憶された電子カルテデータから抽出された個々の患者の生体情報と、電子カルテデータに関連付けられた個々の患者の生体サンプルの分析情報とに基づいて、学習モデル情報を生成するように構成されている。このように構成すれば、個々の患者の生体情報に加えて、個々の患者の生体サンプルの分析情報に基づいて、学習モデル情報が生成されるので、患者の病気の有無をより正確に判定することができる。
　上記第１の局面による診断支援システムにおいて、好ましくは、判定部は、患者群には含まれない病気の有無が既知である患者の生体情報に基づいて、外部ネットワークを介して受け取った学習モデル情報を更新する第１学習モデル更新部を含む。このように構成すれば、機械学習用のデータを取得することが困難な場合でも、患者群には含まれない病気の有無が既知である患者の生体情報に基づいて、学習モデル情報の品質（判定能力）を向上させることができる。
　上記第１の局面による診断支援システムにおいて、好ましくは、患者群には含まれない病気の有無が既知である患者の生体情報を、患者の識別情報を除いた状態で、外部ネットワークを介して、学習モデル生成部に送信する送信部をさらに備え、学習モデル生成部は、送信部から送信された生体情報に基づいて、学習モデル情報を更新する第２学習モデル更新部を含む。このように構成すれば、外部（小病院など）から外部ネットワークを介して送信された患者群には含まれない病気の有無が既知である患者の生体情報に基づいて、第２学習モデル更新部により学習モデル情報の品質（判定能力）を向上させることができる。その結果、品質（判定能力）が向上された学習モデル情報を、再び、外部ネットワークを介して、小病院などの外部の複数の機関が受け取ることにより、外部の複数の機関において品質の向上された、かつ、共通の学習モデル情報に基づいて患者の病気の有無を判定することができる。また、送信部は、患者の識別情報を除いた状態で患者の生体情報を第２学習モデル更新部に送信するので、患者の識別情報が外部に漏洩することはない。
　上記第１の局面による診断支援システムにおいて、好ましくは、学習モデル情報は、外部ネットワークを介して、学習モデル生成部からエクスポートされるとともに、判定部にインポートされるように構成されている。このように構成すれば、学習モデル生成部のアプリケーションと、判定部のアプリケーションとが異なっている場合でも、学習モデル生成部から学習モデル情報を判定部のアプリケーションが読み込める形式にして出力する（エクスポート）することにより、判定部において学習モデル情報を使用することができる。
　上記第１の局面による診断支援システムにおいて、好ましくは、患者群の生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含み、判定部は、外部ネットワークを介して受け取った学習モデル情報に基づいて、患者群には含まれない患者の肝癌の有無を判定するように構成されている。このように構成すれば、患者の肝癌の有無を比較的高い正答率で判定することができる。なお、上記の生体情報に基づいて、比較的高い正答率で肝癌の有無を判定することができることは、後述する発明者による実験により確認済みである。
　この発明の第２の局面による診断支援装置は、患者群の生体情報が記憶された記憶部と、記憶部に記憶された患者群の生体情報に基づいて、患者群の生体情報に含まれるパターンである学習モデル情報を機械学習により生成する学習モデル生成部とを備え、学習モデル生成部により生成された学習モデル情報を、外部ネットワークを介して、外部にエクスポートするように構成されている。
　この発明の第２の局面による診断支援装置では、上記のように、学習モデル生成部により生成された学習モデル情報を、外部ネットワークを介して、外部にエクスポートするように構成されている。これにより、外部ネットワークを介して学習モデル情報を小病院などに設置された判定部が受け取ることができるので、機械学習用のデータを取得することが困難な小病院などにおいても、学習モデル情報に基づいて患者の病気の有無を判定することができる。また、学習モデル生成部により生成された学習モデル情報は、患者の個人情報を含まない統計的な情報などにより構成されている。これにより、学習モデル情報を、外部ネットワークを介して外部（小病院など）に提供しても、患者の個人情報が漏洩することはない。それらの結果、機械学習用のデータを取得することが困難な小病院などにおいても、患者の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果（学習モデル情報）に基づいて患者の病気の有無を判定することが可能な診断支援装置を提供することができる。
　上記第２の局面による診断支援装置において、好ましくは、記憶部には、患者群に含まれる個々の患者の識別情報と、個々の患者の生体情報とが記載された電子カルテデータが記憶されており、学習モデル生成部は、記憶部に記憶された電子カルテデータから個々の患者の生体情報を抽出するとともに、抽出された個々の患者の生体情報に基づいて、学習モデル情報を生成するように構成されている。このように構成すれば、患者の識別情報は用いずに、電子カルテデータから抽出された個々の患者の生体情報のみに基づいて学習モデル情報が生成されるので、患者の個人情報が漏洩するのを確実に防止することができる。
　この場合、好ましくは、学習モデル生成部は、記憶部に記憶された電子カルテデータから抽出された個々の患者の生体情報と、電子カルテデータに関連付けられた個々の患者の生体サンプルの分析情報とに基づいて、学習モデル情報を生成するように構成されている。このように構成すれば、個々の患者の生体情報に加えて、個々の患者の生体サンプルの分析情報に基づいて、学習モデル情報が生成されるので、患者の病気の有無をより正確に判定することができる。
　本発明によれば、上記のように、機械学習用のデータを取得することが困難な小病院などにおいても、患者の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果に基づいて患者の病気の有無を判定することができる。
本発明の第１実施形態による診断支援システムのブロック図である。 本発明の第１実施形態による診断支援システムを説明するための図である。 本発明の第２実施形態による診断支援システムのブロック図である。 本発明の第３実施形態による診断支援システムのブロック図である。 本発明の第３実施形態による診断支援システムを説明するための図である。 本発明の第４実施形態による診断支援システムのブロック図である。
　以下、本発明を具体化した実施形態を図面に基づいて説明する。
　［第１実施形態］
　図１および図２を参照して、第１実施形態による診断支援システム１００の構成について説明する。
　まず、電子カルテ（電子カルテデータ）について説明する。電子カルテ（電子カルテデータ）は、医師の診断記録を紙の代わりに電子保存するためのもの（情報システム）である。電子カルテによって、医療従事者の事務作業の効率化や、情報管理の一元化を図ることが可能になる。また、患者Ｐ１の検査を行う検査施設で得られた結果を電子カルテに自動的に紐付けることも可能である。また、電子カルテにおいては、文字の視認性がよいとともに、電子カルテの検索も容易に行うことが可能である。
　なお、従来のカルテ（電子カルテなど）を用いた診断では、医師は、電子カルテや問診によって得られた情報から患者Ｐ１の状態を総合的に判断して、診断を下す。なお、この診断は、患者Ｐ１に対してより負担の重い侵襲性の高い検査を行うことや、治療方針を決定することを意味合する。また、医師の総合的な判断は、統計的な知見に裏打ちされた医師の経験に基づくものである。一方、第１実施形態の診断支援システム１００は、患者群ＰＦの生体情報に含まれるパターン（学習モデル情報Ｍ）に基づいて診断を行う（診断を支援する）ものである。
　図１に示すように、診断支援システム１００は、電子カルテデータベース１０、学習モデル生成部１１、電子カルテデータベース２０、および、判定部２１を備えている。電子カルテデータベース１０と学習モデル生成部１１とは、たとえば、比較的多くの患者が来院する大病院などの施設１に配置されている。また、電子カルテデータベース２０と、判定部２１とは、たとえば、来院する患者の少ない小病院などの施設２に配置されている。また、電子カルテデータベース１０と学習モデル生成部１１とは、診断支援装置１００ａに設けられている。また、学習モデル生成部１１および判定部２１は、ソフトウェア（プログラム）によって構成されている。なお、電子カルテデータベース１０は、特許請求の範囲の「記憶部」の一例である。
　電子カルテデータベース１０には、患者群ＰＦの生体情報が記憶されている。具体的には、電子カルテデータベース１０には、患者群ＰＦに含まれる個々の患者Ｐ１の識別情報（名前など）と、個々の患者Ｐ１の生体情報とが記載された電子カルテデータが記憶されている。ここで、患者群ＰＦの生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含んでいる。ＨＣＶ抗体は、Ｃ型肝炎ウイルスにかつて感染したか、現在持続して感染していることを示す指標である。ＨＢｓ抗原は、現在Ｂ型肝炎ウイルスが存在していること（感染中であること）を示す指標である。アルブミンは、血清中のたんぱく質の濃度を測る数値であり、アルブミンの低下に基づいて肝臓や腎臓の異常を調べることが可能である。総ビリルビンは、肝臓の代謝能の指標である。ＡＳＴは、主に肝臓や心臓にどの程度の障害が起きているかを知るための指標である。ＡＬＴは、肝臓に障害が起きているかを知るための指標である。ＧＧＴは、肝機能の指標となるものである。ＡＦＰは、肝臓がんの有無の指標である。Ｌ３分画は、ＡＦＰ中にどのくらいＡＦＰ－Ｌ３が含まれているかを示した値である。ＤＣＰは、肝臓で合成される凝固活性をもたない異常プロトロンビンであり、肝細胞癌に特異的な腫瘍マーカーである。
　また、学習モデル生成部１１は、電子カルテデータベース１０に記憶された患者群ＰＦの生体情報に基づいて、患者群ＰＦの生体情報に含まれるパターンである学習モデル情報Ｍを機械学習により生成するように構成されている。具体的には、第１実施形態では、学習モデル生成部１１は、電子カルテデータベース１０に記憶された電子カルテデータから個々の患者Ｐ１の生体情報を抽出するとともに、抽出された個々の患者Ｐ１の生体情報に基づいて、学習モデル情報Ｍを生成するように構成されている。
　ここで、機械学習とは、教師となるデータ（判定結果が既知のデータ）を反復的に学習し、教師となるデータに潜むパターンを見つけ出すものである。機械学習では、様々なアルゴリズムを用いて教師となるデータを反復的に学習するので、人間が探すべき場所（教師となるデータの部分）を明示的にプログラムしなくても、コンピュータが自律的にパターンを導き出す。そして、本願明細書では、機械学習が見つけ出したパターンを、学習モデル情報Ｍという。学習モデル情報Ｍに、あるデータ（第１実施形態では、後述する施設２の電子カルテデータ）を適用（入力）すると、学習されたパターンに基づいて肝癌の有無が判定される。
　また、電子カルテデータには、患者Ｐ１の名前などの個人情報が記載されている。また、電子カルテデータには、生体情報（肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータ）が記載されている。そして、学習モデル生成部１１は、電子カルテデータから、生体情報（肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータ）を抽出する。
　そして、学習モデル生成部１１は、線形の学習モデル情報Ｍを作成するロジスティック回帰や、非線形の学習モデル情報Ｍを作成する、ソフトマージンサポートベクターマシン、ニューラルネットワーク、および、ランダムフォレストなどの機械学習を用いて、学習モデル情報Ｍを生成する。なお、作成された学習モデル情報Ｍは、統計処理した数値情報に近い性質を有しており、患者Ｐ１の個人情報を含まないデータである。
　ロジスティック回帰において、予測したい変数を目的変数（第１実施形態では、肝癌の有無）という。また、目的変数に影響を及ぼす変数を説明変数（第１実施形態では、生体情報）という。ロジスティック回帰は、目的変数と説明変数との関係を関係式により表す。ロジスティック回帰は、上記の関係式を用いて、予測値（肝癌の有無の予測値）の算出と、関係式に用いた説明変数の目的変数に対する貢献度を求めるものである。
　また、サポートベクターマシンは、教師データ（第１実施形態では、生体情報）が与えられると、肝癌有りであるいくつかの生体情報（特徴量）と、肝癌なしであるいくつかの生体情報（特徴量）とを分離する超平面を探す。また、サポートベクターマシンは、生体情報を分離する複数の超平面のうち、マージンが最大となる超平面を探す。ここでマージンとは、超平面と各特徴点との間の距離の最小値を意味しており、このマージンを最大にするような超平面が探される。なお、肝癌有りの特徴点と肝癌無しの特徴点とを完全に分離する超平面を探す手法を、ハードマージンサポートベクターマシンと呼び、肝癌の有無の誤判定を許すように超平面を探す手法を、ソフトマージンサポートベクターマシンと呼ぶ。
　ニューラルネットワークとは、人間の脳内にある神経細胞（ニューロン）とそのつながりを、数式的なモデルとして表したものである。ニューラルネットワークは、入力層、出力層および隠れ層から構成されている。そして各相の間には、ニューロン同士のつながりの強さを示す重みが設けられている。ニューラルネットワークの学習では、判定（肝癌の有無）が既知のデータを用いて、出力層で肝癌の有無が正しく判定できるように、重みが調整される。
　ランダムフォレストとは、複数の決定木を統合させたアンサンブル学習アルゴリズムである。また、決定木とは、目的変数に影響する説明変数を見つけだし、樹木状にモデルを作成するものである。
　図２に示すように、学習モデル生成部１１は、肝癌である患者Ｐ１（患者群ＰＦ）の生体情報と、肝癌ではない患者Ｐ１（患者群ＰＦ）の生体情報と分別するような、学習モデル情報Ｍを生成する。たとえば、図２において、学習モデル情報Ｍよりも上方側に位置する生体情報（Ｉ１）は、肝癌である患者Ｐ１の生体情報であり、学習モデル情報Ｍよりも下方側に位置する生体情報（Ｉ２）は、肝癌ではない患者Ｐ１の生体情報である。また、機械学習のソフト（アプリケーション）は、Ｒ言語などのプログラミング言語で作例されている。そして、学習モデル情報Ｍは、Ｒ言語のオブジェクトにより構成されている。このオブジェクトには、患者Ｐ１の個人情報を含まれない。
　また、診断支援装置１００ａは、学習モデル生成部１１により生成された学習モデル情報Ｍを、外部ネットワーク３０を介して、学習モデル生成部１１からエクスポートするように構成されている。つまり、診断支援装置１００ａは、学習モデル情報Ｍを判定部２１が読み込み可能な形式にした状態で出力するように構成されている。
　ここで、第１実施形態では、判定部２１は、学習モデル生成部１１により生成された学習モデル情報Ｍを、外部ネットワーク３０を介して受け取る。そして、判定部２１は、受け取った学習モデル情報Ｍに基づいて、患者群ＰＦには含まれない患者Ｐ２の病気の有無を判定するように構成されている。また、学習モデル情報Ｍは、外部ネットワーク３０を介して、学習モデル生成部１１からエクスポートされるとともに、判定部２１にインポートされるように構成されている。
　具体的には、施設２の電子カルテデータベース２０には、患者Ｐ２の電子カルテデータが記憶されている。なお、患者Ｐ２は、学習モデル情報Ｍを生成する際に使用された生体情報を有する患者Ｐ１（患者群ＰＦ）には含まれない患者Ｐ２である。また、患者Ｐ２の電子カルテデータには、上記の施設１の電子カルテデータベース１０に記憶されている生体情報（ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータ）が含まれている。なお、患者Ｐ２の電子カルテデータには、肝癌の有無は含まれていない。
　そして、判定部２１は、外部ネットワーク３０を介して受け取った学習モデル情報Ｍに基づいて、患者群ＰＦには含まれない患者Ｐ２の肝癌の有無を判定するように構成されている。具体的には、患者Ｐ２の電子カルテデータに含まれる生体情報が学習モデル情報Ｍにインプットされる。そして、図２において、患者Ｐ２の生体情報（Ｉ３）が、学習モデル情報Ｍよりも上方側に分類されるか、下方側に分類されるかによって、肝癌の有無が判定される。
　（実験）
　次に、患者の生体情報に基づく機械学習の実験について説明する。
　この実験では、病院を外来受診した、１５８４人の患者の生体情報に基づいて、学習モデル情報を生成した。患者の生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータである。また、機械学習アルゴリズムとして、ロジスティック回帰、ソフトマージンサポートベクターマシン、ニューラルネットワーク、および、ランダムフォレストなどを用いた。また、交差検証を行って、機械学習の正当率を求めた。なお、交差検証とは、１５８２人の患者の生体情報を分割し、この一部により学習モデル情報を生成し、残る部分で正答率を求めるものである。その結果、いずれの機械学習アルゴリズムにおいても、８０％近傍または８０％を超える正答率が得られることが確認された。これにより、たとえば、８０％を超える機械学習アルゴリズムを選択することにより、比較的精度の高い学習モデル情報Ｍを用いて肝癌の有無を判定することが可能になる。
　（第１実施形態の効果）
　第１実施形態では、以下のような効果を得ることができる。
　第１実施形態では、上記のように、診断支援システム１００は、学習モデル生成部１１により生成された学習モデル情報Ｍを、外部ネットワーク３０を介して受け取るとともに、受け取った学習モデル情報Ｍに基づいて、患者群ＰＦには含まれない患者Ｐ２の病気（肝癌）の有無を判定する判定部２１を備える。これにより、外部ネットワーク３０を介して学習モデル情報Ｍを小病院などに設置された判定部２１が受け取ることができるので、機械学習用のデータを取得することが困難な小病院（施設２）などにおいても、学習モデル情報Ｍに基づいて患者Ｐ２の病気の有無を判定することができる。また、学習モデル生成部１１により生成された学習モデル情報Ｍは、患者Ｐ１の個人情報を含まない統計的な情報などにより構成されている。これにより、学習モデル情報Ｍを、外部ネットワーク３０を介して外部（小病院など）に提供しても、患者Ｐ１の個人情報が漏洩することはない。それらの結果、機械学習用のデータを取得することが困難な小病院などにおいても、患者Ｐ１の個人情報が外部（小病院など）に漏洩することなく、機械学習の結果（学習モデル情報Ｍ）に基づいて患者Ｐ２の病気の有無を判定することができる。
　また、第１実施形態では、上記のように、学習モデル生成部１１は、電子カルテデータベース１０に記憶された電子カルテデータから個々の患者Ｐ１の生体情報を抽出するとともに、抽出された個々の患者Ｐ１の生体情報に基づいて、学習モデル情報Ｍを生成する。これにより、患者Ｐ１の識別情報は用いずに、電子カルテデータから抽出された個々の患者Ｐ１の生体情報のみに基づいて学習モデル情報Ｍが生成されるので、患者Ｐ１の個人情報が漏洩するのを確実に防止することができる。
　また、第１実施形態では、上記のように、学習モデル情報Ｍは、外部ネットワーク３０を介して、学習モデル生成部１１からエクスポートされるとともに、判定部２１にインポートされるように構成されている。これにより、学習モデル生成部１１のアプリケーションと、判定部２１のアプリケーションとが異なっている場合でも、学習モデル生成部１１から学習モデル情報Ｍを判定部２１のアプリケーションが読み込める形式にして出力する（エクスポート）することにより、判定部２１において学習モデル情報Ｍを使用することができる。
　また、第１実施形態では、上記のように、患者群ＰＦの生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含み、判定部２１は、外部ネットワーク３０を介して受け取った学習モデル情報Ｍに基づいて、患者群ＰＦには含まれない患者Ｐ２の肝癌の有無を判定するように構成されている。これにより、上記の実験について説明したように、患者Ｐ２の肝癌の有無を比較的高い正答率（８０％近傍または８０％を超える正答率）で判定することができる。
　［第２実施形態］
　図３を参照して、第２実施形態による診断支援システム２００の構成について説明する。第２実施形態では、患者Ｐ１の生体サンプルの分析情報に基づいて、学習モデル情報Ｍ１を生成するように構成されている。
　診断支援システム２００（診断支援装置２００ａ）では、施設１には、患者Ｐ１の生体サンプルを分析するための分析装置２０１が設けられている。分析装置２０１は、たとえば、質量分析装置である。また、分析装置２０１は、たとえば、患者Ｐ１の病気（肝癌）のマーカーとなる分子を同定するように構成されている。また、分析された患者Ｐ１の生体サンプルの分析情報は、電子カルテデータに自動的に関連付け（自動的に紐付け）されている。
　そして、第２実施形態では、学習モデル生成部２１１は、電子カルテデータベース１０に記憶された電子カルテデータから抽出された個々の患者Ｐ１の生体情報と、電子カルテデータに関連付けられた個々の患者Ｐ１の生体サンプルの分析情報とに基づいて、学習モデル情報Ｍ１を生成するように構成されている。つまり、学習モデル情報Ｍ１は、患者Ｐ１の生体情報と生体サンプルの分析情報とが反映されたものであり、学習モデル生成部２１１の機械学習においては、上記第１実施形態に比べて、教師となるデータの情報量（特徴量）が多くなる。
　また、施設２にも、患者Ｐ２の生体サンプルを分析するための分析装置２０１が設けられている。分析装置２０１で分析された患者Ｐ２の生体サンプルの分析情報は、患者Ｐ２の電子カルテデータに関連付けられている。そして、判定部２２１は、外部ネットワーク３０を介して受け取った学習モデル情報Ｍ１に基づいて、患者群ＰＦには含まれない患者Ｐ２の病気の有無を判定する。具体的には、患者Ｐ２の電子カルテデータに含まれる生体情報と、電子カルテデータに関連付けられた分析情報とが学習モデル情報Ｍ１に適用（入力）される。これにより、肝癌の有無が判定される。
　（第２実施形態の効果）
　第２実施形態では、以下のような効果を得ることができる。
　第２実施形態では、上記のように、学習モデル生成部２１１は、電子カルテデータベース１０に記憶された電子カルテデータから抽出された個々の患者Ｐ１の生体情報と、電子カルテデータに関連付けられた個々の患者Ｐ１の生体サンプルの分析情報とに基づいて、学習モデル情報Ｍ１を生成する。これにより、個々の患者Ｐ１の生体情報に加えて、個々の患者Ｐ１の生体サンプルの分析情報に基づいて、学習モデル情報Ｍ１が生成されるので、患者Ｐ２の病気の有無をより正確に判定することができる。
　［第３実施形態］
　図４および図５を参照して、第３実施形態による診断支援システム３００の構成について説明する。第３実施形態では、患者Ｐ２の生体情報に基づいて学習モデル情報Ｍを更新するように構成されている。
　第３実施形態では、診断支援システム３００の判定部３２１は、学習モデル更新部３２２を含んでいる。学習モデル更新部３２２は、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報に基づいて、外部ネットワーク３０を介して受け取った学習モデル情報Ｍを更新するように構成されている。ここで、学習モデル情報Ｍは、患者群ＰＦの全ての生体情報が機械学習されることにより生成されている。そして、学習モデル更新部３２２は、患者群ＰＦの生体情報は用いずに、患者Ｐ２の生体情報のみによって学習モデル情報Ｍを更新することにより、学習モデル情報Ｍ２が生成される。これにより、学習モデル情報Ｍ２に患者Ｐ２の生体情報が反映される。たとえば、患者Ｐ２の生体情報に基づいて、学習モデル情報Ｍ２のパラメータが更新される。なお、学習モデル更新部３２２は、特許請求の範囲の「第１学習モデル更新部」の一例である。
　（第３実施形態の効果）
　第３実施形態では、以下のような効果を得ることができる。
　第３実施形態では、上記のように、判定部３２１は、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報に基づいて、外部ネットワーク３０を介して受け取った学習モデル情報Ｍを更新する学習モデル更新部３２２を含む。これにより、機械学習用のデータを取得することが困難な場合でも、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報に基づいて、学習モデル情報Ｍ２の品質（判定能力）を向上させることができる。
　［第４実施形態］
　図６を参照して、第４実施形態による診断支援システム４００の構成について説明する。第４実施形態では、患者Ｐ２の生体情報Ｉ３を送信する送信部４１０が設けられている。
　第４実施形態では、診断支援システム４００には、送信部４１０が設けられている。送信部４１０は、施設２に設けられている。送信部４１０は、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報Ｉ３を、患者Ｐ２の識別情報を除いた状態で、外部ネットワーク３０を介して、学習モデル生成部４１１に送信するように構成されている。具体的には、施設２の電子カルテデータベース２０に記憶された電子カルテデータから個々の患者Ｐ２の生体情報Ｉ３が抽出される。なお、患者Ｐ２の識別情報（名前などの個人情報）は、抽出しない。そして、送信部４１０は、抽出された個々の患者Ｐ２の生体情報Ｉ３を、学習モデル生成部４１１に送信する。
　また、学習モデル生成部４１１は、学習モデル更新部４１２を含んでいる。学習モデル更新部４１２は、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報Ｉ３に基づいて、学習モデル情報Ｍを更新するように構成されている。学習モデル更新部４１２は、患者群ＰＦの生体情報は用いずに、患者Ｐ２の生体情報Ｉ３のみによって学習モデル情報Ｍを更新する。また、生体情報Ｉ３は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含む。また、送信部４１０は、定期的に、患者Ｐ２の生体情報Ｉ３を学習モデル生成部１１に送信するようにしてもよい。これにより、学習モデル情報Ｍが、定期的に、更新される。なお、学習モデル更新部４１２は、特許請求の範囲の「第２学習モデル更新部」の一例である。
　（第４実施形態の効果）
　第４実施形態では、以下のような効果を得ることができる。
　第４実施形態では、上記のように、患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報Ｉ３を、患者Ｐ２の識別情報を除いた状態で、外部ネットワーク３０を介して、学習モデル生成部１１に送信する送信部４１０を設ける。これにより、外部（施設２）から外部ネットワーク３０を介して送信された患者群ＰＦには含まれない病気の有無が既知である患者Ｐ２の生体情報Ｉ３に基づいて、学習モデル更新部４１２により学習モデル情報Ｍの品質（判定能力）を向上させることができる。その結果、品質（判定能力）が向上された学習モデル情報Ｍを、再び、外部ネットワーク３０を介して、複数の施設２が受け取ることにより、複数の施設２において品質の向上された、かつ、共通の学習モデル情報Ｍに基づいて患者（病気の有無が既知であない患者）の病気の有無を判定することができる。また、送信部４１０は、患者Ｐ２の識別情報を除いた状態で患者Ｐ２の生体情報Ｉ３を学習モデル更新部４１２に送信するので、患者Ｐ２の識別情報が外部（施設１など）に漏洩することはない。
　[変形例]
　なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。
　たとえば、上記第１～第４実施形態では、電子カルテデータから抽出された個々の患者の生体情報を機械学習する例を示したが、本発明はこれに限られない。たとえば、電子カルテデータ以外の個々の患者の生体情報に基づいて機械学習を行ってもよい。
　また、上記第１～第４実施形態では、学習モデル情報に基づいて肝癌の有無が判定される例を示したが、本発明はこれに限られない。本発明は、肝癌以外の病気（たとえば、すい臓癌など）の判定にも適用可能である。
　また、上記第１～第４実施形態では、患者群の生体情報として、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータの全てが用いられる例を示したが、本発明はこれに限られない。たとえば、患者群の生体情報として、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータのうちの一部のデータが用いられてもよい。
　また、本願明細書では、電子カルテデータから抽出された生体情報と生体サンプルの分析情報とに基づいて学習モデル情報が生成される第２実施形態と、学習モデル情報が更新される第３および第４実施形態とを別個の実施形態として説明したが、第２実施形態の構成と、第３実施形態の構成と、第４実施形態の構成とを組み合わせてもよい。
　また、上記第１～第４実施形態では、機械学習アルゴリズムとして、ロジスティック回帰、ソフトマージンサポートベクターマシン、ニューラルネットワーク、および、ランダムフォレストを用いる例を示したが、本発明はこれに限られない。たとえば、機械学習アルゴリズムとして、ロジスティック回帰、ソフトマージンサポートベクターマシン、ニューラルネットワーク、および、ランダムフォレスト以外の機械学習アルゴリズムを用いてもよい。
　１０　電子カルテデータベース（記憶部）
　１１、２１１、４１１　学習モデル生成部
　２１、２２１、３２１　判定部
　３０　外部ネットワーク
　１００、２００、３００、４００　診断支援システム
　１００ａ、２００ａ　診断支援装置
　３２２　学習モデル更新部（第１学習モデル更新部）
　４０１　送信部
　４１２　学習モデル更新部（第２学習モデル更新部）
　Ｍ、Ｍ１、Ｍ２　学習モデル情報
　Ｐ１、Ｐ２　患者
　ＰＦ　患者群

Claims (10)

  1. 　患者群の生体情報が記憶された記憶部と、
    　前記記憶部に記憶された前記患者群の前記生体情報に基づいて、前記患者群の前記生体情報に含まれるパターンである学習モデル情報を機械学習により生成する学習モデル生成部と、
    　前記学習モデル生成部により生成された前記学習モデル情報を、外部ネットワークを介して受け取るとともに、受け取った前記学習モデル情報に基づいて、前記患者群には含まれない患者の病気の有無を判定する判定部とを備える、診断支援システム。
  2. 　前記記憶部には、前記患者群に含まれる個々の患者の識別情報と、前記個々の患者の前記生体情報とが記載された電子カルテデータが記憶されており、
    　前記学習モデル生成部は、前記記憶部に記憶された前記電子カルテデータから前記個々の患者の前記生体情報を抽出するとともに、抽出された前記個々の患者の前記生体情報に基づいて、前記学習モデル情報を生成するように構成されている、請求項１に記載の診断支援システム。
  3. 　前記学習モデル生成部は、前記記憶部に記憶された前記電子カルテデータから抽出された前記個々の患者の前記生体情報と、前記電子カルテデータに関連付けられた前記個々の患者の生体サンプルの分析情報とに基づいて、前記学習モデル情報を生成するように構成されている、請求項２に記載の診断支援システム。
  4. 　前記判定部は、前記患者群には含まれない病気の有無が既知である患者の前記生体情報に基づいて、前記外部ネットワークを介して受け取った前記学習モデル情報を更新する第１学習モデル更新部を含む、請求項１～３のいずれか１項に記載の診断支援システム。
  5. 　前記患者群には含まれない病気の有無が既知である患者の前記生体情報を、前記患者の識別情報を除いた状態で、前記外部ネットワークを介して、前記学習モデル生成部に送信する送信部をさらに備え、
    　前記学習モデル生成部は、前記送信部から送信された前記生体情報に基づいて、前記学習モデル情報を更新する第２学習モデル更新部を含む、請求項１または２に記載の診断支援システム。
  6. 　前記学習モデル情報は、前記外部ネットワークを介して、前記学習モデル生成部からエクスポートされるとともに、前記判定部にインポートされるように構成されている、請求項１または２に記載の診断支援システム。
  7. 　前記患者群の前記生体情報は、肝癌の有無、ＨＣＶ抗体、ＨＢｓ抗原、年齢、性別、身長、体重、アルブミン、総ビリルビン、ＡＳＴ、ＡＬＴ、ＡＬＰ、ＧＧＴ、血小板、ＡＦＰ、Ｌ３分画、および、ＤＣＰのデータを含み、
    　前記判定部は、前記外部ネットワークを介して受け取った前記学習モデル情報に基づいて、前記患者群には含まれない患者の肝癌の有無を判定するように構成されている、請求項１または２に記載の診断支援システム。
  8. 　患者群の生体情報が記憶された記憶部と、
    　前記記憶部に記憶された前記患者群の前記生体情報に基づいて、前記患者群の生体情報に含まれるパターンである学習モデル情報を機械学習により生成する学習モデル生成部とを備え、
    　前記学習モデル生成部により生成された前記学習モデル情報を、外部ネットワークを介して、外部にエクスポートするように構成されている、診断支援装置。
  9. 　前記記憶部には、前記患者群に含まれる個々の患者の識別情報と、前記個々の患者の前記生体情報とが記載された電子カルテデータが記憶されており、
    　前記学習モデル生成部は、前記記憶部に記憶された前記電子カルテデータから前記個々の患者の前記生体情報を抽出するとともに、抽出された前記個々の患者の前記生体情報に基づいて、前記学習モデル情報を生成するように構成されている、請求項８に記載の診断支援装置。
  10. 　前記学習モデル生成部は、前記記憶部に記憶された前記電子カルテデータから抽出された前記個々の患者の前記生体情報と、前記電子カルテデータに関連付けられた前記個々の患者の生体サンプルの分析情報とに基づいて、前記学習モデル情報を生成するように構成されている、請求項９に記載の診断支援装置。
PCT/JP2019/016122 2018-05-18 2019-04-15 診断支援システムおよび診断支援装置 Ceased WO2019220833A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020519521A JP7115693B2 (ja) 2018-05-18 2019-04-15 診断支援システム、診断支援装置および診断支援方法
CN201980033149.0A CN112136183B (zh) 2018-05-18 2019-04-15 诊断辅助系统和诊断辅助装置
US17/056,232 US20210217523A1 (en) 2018-05-18 2019-04-15 Diagnosis assistance system and diagnosis assistance device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018096192 2018-05-18
JP2018-096192 2018-05-18

Publications (1)

Publication Number Publication Date
WO2019220833A1 true WO2019220833A1 (ja) 2019-11-21

Family

ID=68540145

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/016122 Ceased WO2019220833A1 (ja) 2018-05-18 2019-04-15 診断支援システムおよび診断支援装置

Country Status (4)

Country Link
US (1) US20210217523A1 (ja)
JP (1) JP7115693B2 (ja)
CN (1) CN112136183B (ja)
WO (1) WO2019220833A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712893A (zh) * 2021-01-04 2021-04-27 山东众阳健康科技集团有限公司 一种提升计算机临床辅助诊断效果的方法
JP2021149672A (ja) * 2020-03-19 2021-09-27 キヤノンメディカルシステムズ株式会社 情報処理装置、学習方法、およびプログラム
JP2021180361A (ja) * 2020-05-11 2021-11-18 キヤノン株式会社 情報処理装置とその制御方法、及びプログラム
JPWO2022025069A1 (ja) * 2020-07-28 2022-02-03
WO2022064708A1 (ja) * 2020-09-28 2022-03-31 日本電気株式会社 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体
JP7528555B2 (ja) 2020-06-17 2024-08-06 コニカミノルタ株式会社 医療診断支援装置、医療診断支援方法、およびプログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024076442A (ja) * 2022-11-25 2024-06-06 株式会社ジャパンディスプレイ 報酬決定システム及び報酬決定方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014135066A (ja) * 2014-02-24 2014-07-24 Canon Inc 情報処理装置及びその制御方法、コンピュータプログラム
JP2015533437A (ja) * 2012-10-19 2015-11-24 アピシオ，インク． 識別不能化および再識別を用いた医療情報解析のためのシステムおよび方法
JP2016532459A (ja) * 2013-07-31 2016-10-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 患者のケアを調整する医療用意思決定支援システム
JP2016534723A (ja) * 2013-10-22 2016-11-10 キム・ソンチョン 生体分子と核酸の結合情報を生成するためのマーカー、その製造方法、並びにそれを用いた生体分子分析方法及び装置
JP2017516411A (ja) * 2014-10-21 2017-06-15 アイアンネット・サイバーセキュリティ・インコーポレイテッドＩｒｏｎＮｅｔ Ｃｙｂｅｒｓｅｃｕｒｉｔｙ， Ｉｎｃ． サイバーセキュリティシステム
JP2018072029A (ja) * 2016-10-25 2018-05-10 ファナック株式会社 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2605791B1 (en) * 2010-08-17 2017-03-08 Immuron Limited Anti-lps enriched immunoglobulin preparation for use in treatment and/or prophylaxis of a pathologic disorder
US20150193583A1 (en) * 2014-01-06 2015-07-09 Cerner Innovation, Inc. Decision Support From Disparate Clinical Sources
TW201621315A (zh) * 2014-12-03 2016-06-16 拜歐迪希克斯公司 使用ｍａｌｄｉ－ｔｏｆ質譜分析以早期偵測高風險群中之肝細胞癌
US11450437B2 (en) * 2015-09-24 2022-09-20 Tencent Technology (Shenzhen) Company Limited Health management method, apparatus, and system
US20170277841A1 (en) * 2016-03-23 2017-09-28 HealthPals, Inc. Self-learning clinical intelligence system based on biological information and medical data metrics
JP7042755B2 (ja) * 2016-06-05 2022-03-28 バーグ エルエルシー 患者層別化及び潜在的バイオマーカー同定のためのシステム及び方法
TW201812646A (zh) * 2016-07-18 2018-04-01 美商南坦奧美克公司 分散式機器學習系統、分散式機器學習方法、以及產生代用資料之方法
WO2019211089A1 (en) * 2018-04-30 2019-11-07 Koninklijke Philips N.V. Adapting a machine learning model based on a second set of training data

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015533437A (ja) * 2012-10-19 2015-11-24 アピシオ，インク． 識別不能化および再識別を用いた医療情報解析のためのシステムおよび方法
JP2016532459A (ja) * 2013-07-31 2016-10-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 患者のケアを調整する医療用意思決定支援システム
JP2016534723A (ja) * 2013-10-22 2016-11-10 キム・ソンチョン 生体分子と核酸の結合情報を生成するためのマーカー、その製造方法、並びにそれを用いた生体分子分析方法及び装置
JP2014135066A (ja) * 2014-02-24 2014-07-24 Canon Inc 情報処理装置及びその制御方法、コンピュータプログラム
JP2017516411A (ja) * 2014-10-21 2017-06-15 アイアンネット・サイバーセキュリティ・インコーポレイテッドＩｒｏｎＮｅｔ Ｃｙｂｅｒｓｅｃｕｒｉｔｙ， Ｉｎｃ． サイバーセキュリティシステム
JP2018072029A (ja) * 2016-10-25 2018-05-10 ファナック株式会社 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021149672A (ja) * 2020-03-19 2021-09-27 キヤノンメディカルシステムズ株式会社 情報処理装置、学習方法、およびプログラム
JP7638626B2 (ja) 2020-03-19 2025-03-04 キヤノンメディカルシステムズ株式会社 情報処理装置及びプログラム
JP2021180361A (ja) * 2020-05-11 2021-11-18 キヤノン株式会社 情報処理装置とその制御方法、及びプログラム
JP7511382B2 (ja) 2020-05-11 2024-07-05 キヤノン株式会社 情報処理装置とその制御方法、及びプログラム
JP7528555B2 (ja) 2020-06-17 2024-08-06 コニカミノルタ株式会社 医療診断支援装置、医療診断支援方法、およびプログラム
JPWO2022025069A1 (ja) * 2020-07-28 2022-02-03
WO2022025069A1 (ja) * 2020-07-28 2022-02-03 株式会社シンクメディカル 疾患リスク評価方法、疾患リスク評価装置、及び疾患リスク評価プログラム
JP7170368B2 (ja) 2020-07-28 2022-11-14 株式会社シンクメディカル 疾患リスク評価方法、疾患リスク評価装置、及び疾患リスク評価プログラム
WO2022064708A1 (ja) * 2020-09-28 2022-03-31 日本電気株式会社 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体
JPWO2022064708A1 (ja) * 2020-09-28 2022-03-31
JP7613473B2 (ja) 2020-09-28 2025-01-15 日本電気株式会社 診断支援装置、診断支援方法、及びプログラム
CN112712893A (zh) * 2021-01-04 2021-04-27 山东众阳健康科技集团有限公司 一种提升计算机临床辅助诊断效果的方法

Also Published As

Publication number Publication date
CN112136183B (zh) 2025-03-14
US20210217523A1 (en) 2021-07-15
CN112136183A (zh) 2020-12-25
JPWO2019220833A1 (ja) 2021-04-08
JP7115693B2 (ja) 2022-08-09

Similar Documents

Publication Publication Date Title
JP7115693B2 (ja) 診断支援システム、診断支援装置および診断支援方法
Vinitha et al. Disease prediction using machine learning over big data
US11037070B2 (en) Diagnostic test planning using machine learning techniques
CN105868524B (zh) 用于医学图像集的自动基准真值生成
Kadry et al. Res-Unet based blood vessel segmentation and cardio vascular disease prediction using chronological chef-based optimization algorithm based deep residual network from retinal fundus images
CN112183572B (zh) 一种生成预测肺炎严重程度的预测模型的方法及装置
Jang et al. Laterality classification of fundus images using interpretable deep neural network
JPWO2019146357A1 (ja) 医療画像処理装置、方法及びプログラム並びに診断支援装置、方法及びプログラム
Cobb et al. Seeing the forest beyond the trees: predicting survival in burn patients with machine learning
CN118571495A (zh) 内耳疾病诊断模型构建方法、系统、介质、产品及终端
Avci An automatic diagnosis system for hepatitis diseases based on genetic wavelet kernel extreme learning machine
Schlosser et al. Visual acuity prediction on real-life patient data using a machine learning based multistage system
CN112365976A (zh) 一种基于迁移学习的复合病种临床路径构建方法及系统
EP4390960A1 (en) Systems and methods for providing an updated machine learning algorithm
Chudhey et al. An autonomous dementia prediction method using various machine learning models
CN119446560A (zh) 基于向量计算与开源大模型集群的医疗决策方法与系统
Holland et al. Clustering disease trajectories in contrastive feature space for biomarker proposal in age-related macular degeneration
CN120148720A (zh) 基于语义提取的快速建档方法及系统
Nieto et al. Impact of leakage on data harmonization in machine learning pipelines in class imbalance across sites
Yousef et al. Heart disease prediction model using Naïve Bayes algorithm and machine learning techniques
Guan et al. Cost-sensitive meta-learning for progress prediction of subjective cognitive decline with brain structural MRI
Shaik et al. ML applications in healthcare
Kumar et al. A Framework for early recognition of Alzheimer’s using machine learning approaches
Shen et al. Exposing and Mitigating Calibration Biases and Demographic Unfairness in MLLM Few-Shot In-Context Learning for Medical Image Classification
Zhang et al. Prior-ssl: A thickness distribution prior and uncertainty guided semi-supervised learning method for choroidal segmentation in oct images

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: 19803224

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020519521

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: 19803224

Country of ref document: EP

Kind code of ref document: A1

WWG Wipo information: grant in national office

Ref document number: 201980033149.0

Country of ref document: CN