WO2020184522A1 - 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム - Google Patents

医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム Download PDF

Info

Publication number
WO2020184522A1
WO2020184522A1 PCT/JP2020/010079 JP2020010079W WO2020184522A1 WO 2020184522 A1 WO2020184522 A1 WO 2020184522A1 JP 2020010079 W JP2020010079 W JP 2020010079W WO 2020184522 A1 WO2020184522 A1 WO 2020184522A1
Authority
WO
WIPO (PCT)
Prior art keywords
probability
confidence interval
function
information processing
disease
Prior art date
Application number
PCT/JP2020/010079
Other languages
English (en)
French (fr)
Inventor
重治 大湯
Original Assignee
キヤノンメディカルシステムズ株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by キヤノンメディカルシステムズ株式会社 filed Critical キヤノンメディカルシステムズ株式会社
Priority claimed from JP2020039545A external-priority patent/JP7450410B2/ja
Publication of WO2020184522A1 publication Critical patent/WO2020184522A1/ja
Priority to US17/468,277 priority Critical patent/US11942212B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Definitions

  • the embodiments disclosed in this specification and drawings relate to a medical information processing device, a medical information processing method, and a medical information processing program.
  • the medical information processing device realizes the dynamic update of knowledge by online learning in order to dynamically update the knowledge.
  • the end of learning can be determined by using the correct answer rate and the number of support vectors of SVM (Support Vector Machine).
  • the medical information processing device generates a feature generation parameter from the case data for learning, and generates an identification parameter based on the feature vector of each image data generated by using the feature generation parameter.
  • the medical information processing apparatus is known to have a technique of storing feature generation parameters and identification parameters as new diagnostic knowledge in a diagnostic knowledge database.
  • One of the problems to be solved by the embodiments disclosed in the present specification and drawings is to present the operator with appropriate information for performing an efficient diagnosis.
  • the problems to be solved by the embodiments disclosed in the present specification and the drawings are not limited to the above problems.
  • the problem corresponding to each configuration shown in the embodiment described later can be positioned as another problem.
  • FIG. 1 is a schematic view showing a configuration example of a medical information processing device according to the first and second embodiments.
  • FIG. 2 is a block diagram showing a function of the medical information processing apparatus according to the first embodiment.
  • FIG. 3 is a diagram for assisting the explanation of the function of the medical information processing device according to the first embodiment.
  • FIG. 4 is a diagram showing an outline of the functions of the medical information processing apparatus according to the first embodiment.
  • FIG. 5 is a diagram showing an operation in the design stage of the medical information processing apparatus according to the first embodiment as a flowchart.
  • FIG. 6 is a diagram showing as a flowchart an operation in the implementation stage of the identification reference information of the medical information processing apparatus according to the first embodiment.
  • FIG. 1 is a schematic view showing a configuration example of a medical information processing device according to the first and second embodiments.
  • FIG. 2 is a block diagram showing a function of the medical information processing apparatus according to the first embodiment.
  • FIG. 3 is a diagram for assisting the
  • FIG. 7 is a diagram showing an example of a pattern setting table in the medical information processing apparatus according to the first embodiment.
  • FIG. 8 is a diagram showing an example of a pseudo code in the medical information processing device according to the first embodiment.
  • FIG. 9 is a diagram showing a process of calculating a display flag in the medical information processing device according to the first embodiment.
  • FIG. 10 is a diagram showing a display example of a part of the extracted patterns in the medical information processing apparatus according to the first embodiment.
  • FIG. 11 is a diagram showing an example of a pattern setting table in the medical information processing apparatus according to the first embodiment.
  • FIG. 12 is a block diagram showing a function of the medical information processing apparatus according to the second embodiment.
  • FIG. 13 is a data flow diagram showing a first function and a second function in the medical information processing apparatus according to the second embodiment.
  • FIG. 14A is a diagram for explaining a method of calculating a confidence interval in the medical information processing apparatus according to the second embodiment.
  • FIG. 14B is a diagram for explaining a method of calculating a confidence interval in the medical information processing apparatus according to the second embodiment.
  • FIG. 15 is a diagram for explaining a method of calculating a confidence interval in the medical information processing apparatus according to the second embodiment.
  • FIG. 16 is a data flow diagram showing a function of the first A and a function of the second A in the medical information processing apparatus according to the second embodiment.
  • FIG. 17 is a data flow diagram showing a function of the first B and a function of the second B in the medical information processing apparatus according to the second embodiment.
  • FIG. 18 is a diagram for explaining a method of calculating a confidence interval in the medical information processing apparatus according to the second embodiment.
  • FIG. 19 is a data flow diagram showing a function of the first C and a function of the second C in the medical information processing apparatus according to the second embodiment.
  • FIG. 20A is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 20B is a diagram showing an example of a determination result in the medical information processing device according to the second embodiment.
  • FIG. 20C is a diagram showing an example of a determination result in the medical information processing device according to the second embodiment.
  • FIG. 20A is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 20B is a diagram showing an example of a determination result in the medical information processing device according
  • FIG. 20D is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 21A is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 21B is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 21C is a diagram showing an example of a determination result in the medical information processing device according to the second embodiment.
  • FIG. 22 is a data flow diagram showing a function of the first D and a function of the second D in the medical information processing apparatus according to the second embodiment.
  • FIG. 23 is a data flow diagram showing a function of the first E and a function of the second E in the medical information processing apparatus according to the second embodiment.
  • FIG. 24A is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 24B is a diagram showing an example of a determination result in the medical information processing device according to the second embodiment.
  • FIG. 25 is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 26A is a diagram for explaining a determination method in the medical information processing apparatus according to the second embodiment.
  • FIG. 26B is a diagram for explaining a determination method in the medical information processing apparatus according to the second embodiment.
  • FIG. 27 is a diagram for explaining a determination method in the medical information processing apparatus according to the second embodiment.
  • FIG. 28 is a diagram for explaining a determination method in the medical information processing apparatus according to the second embodiment.
  • FIG. 29 is a data flow diagram showing the functions of the first floor and the functions of the second floor in the medical information processing apparatus according to the second embodiment.
  • FIG. 30 is a data flow diagram showing a function of the first G and a function of the second G in the medical information processing apparatus according to the second embodiment.
  • FIG. 31 is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 32 is a diagram showing an example of a determination result in the medical information processing device according to the second embodiment.
  • FIG. 33 is a diagram showing the configuration of a hostile generation network.
  • FIG. 34 is a diagram for explaining a method of calculating a confidence interval in the medical information processing apparatus according to the second embodiment.
  • FIG. 35A is a diagram for explaining a method of correcting a confidence interval in the medical information processing apparatus according to the second embodiment.
  • FIG. 35B is a diagram for explaining a method of correcting a confidence interval in the medical information processing apparatus according to the second embodiment.
  • FIG. 36 is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 37 is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 38 is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 39A is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 39B is a diagram showing an example of a determination result in the medical information processing device according to the second embodiment.
  • FIG. 40A is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 40B is a diagram showing an example of a determination result in the medical information processing device according to the second embodiment.
  • FIG. 41A is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 41B is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 41C is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 41D is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 41E is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 41F is a diagram showing an example of a determination result in the medical information processing apparatus according to the second embodiment.
  • FIG. 42 is a diagram showing an example of a user interface in the medical information processing device according to the second embodiment.
  • FIG. 43 is a diagram showing an example of a user interface in the medical information processing device according to the second embodiment.
  • FIG. 44 is a diagram showing an example of a user interface in the medical information processing device according to the second embodiment.
  • the medical information processing device includes a processing unit and an output unit.
  • the processing unit performs processing for calculating the probability that the image data to be determined has a disease and the confidence interval which is an index indicating the reliability of the probability.
  • the output unit outputs information about the disease based on the probability and the confidence interval of the probability.
  • information on a disease is provided based on the probability that the image data of the subject to be determined has a disease (hereinafter referred to as "disease probability”) and a confidence interval which is an index indicating the reliability of the disease probability.
  • the purpose is to output.
  • the information on the disease means the presence or absence of the disease, the type, the prognosis, the appropriateness of treatment, and the like.
  • the confidence interval of "negative predictive value / positive predictive value” is relatively narrow, and the disease probability and the reliable interval are narrowed down to one or more reliable image patterns. The case of calculating and will be described in the first embodiment.
  • the positive predictive value means the ratio at which the cases determined to be positive were actually positive.
  • the negative predictive value means the ratio at which the cases judged to be negative were actually negative.
  • FIG. 1 is a schematic view showing a configuration example of a medical information processing device according to the first embodiment.
  • FIG. 1 shows a medical information processing device 1 according to the first embodiment.
  • the medical information processing device 1 is a medical image management device (image server), a workstation, an image interpretation terminal, or the like, and is provided on a medical image system connected via a network.
  • the medical information processing device 1 may be an offline device.
  • the medical information processing device 1 includes a processing circuit 11, a storage circuit 12, an input interface 13, a display 14, and a network interface 15.
  • the processing circuit 11 means a processing circuit such as a dedicated or general-purpose CPU (Central Processing Unit) or MPU (Micro Processor Unit), an integrated circuit for a specific application (ASIC: Application Specific Integrated Circuit), and a programmable logic device.
  • a processing circuit such as a dedicated or general-purpose CPU (Central Processing Unit) or MPU (Micro Processor Unit), an integrated circuit for a specific application (ASIC: Application Specific Integrated Circuit), and a programmable logic device.
  • Examples of the programmable logic device include a simple programmable logic device (SPLD: Simple Programmable Logic Device), a compound programmable logic device (CPLD: Complex Programmable Logic Device), and a field programmable gate array (FPGA: Field Programmable Gate Array).
  • SPLD Simple Programmable Logic Device
  • CPLD Complex Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • the processing circuit 11 may be composed of a single circuit or a combination of a plurality of independent circuit elements.
  • the plurality of storage circuits 12 may store programs corresponding to the functions of the plurality of circuit elements, respectively, or one storage circuit 12 may store a program corresponding to the functions of the plurality of circuit elements. It may be something to remember.
  • the processing circuit 11 is an example of a control unit.
  • the storage circuit 12 is composed of semiconductor memory elements such as RAM (RandomAccessMemory) and flash memory (FlashMemory), a hard disk, an optical disk, and the like.
  • the storage circuit 12 may be composed of a portable medium such as a USB (Universal Serial Bus) memory and a DVD (Digital Video Disk).
  • the storage circuit 12 stores various processing programs (including an OS (Operating System) and the like in addition to the application program) used in the processing circuit 11 and data necessary for executing the program.
  • the OS may include a GUI (Graphical User Interface) that makes extensive use of graphics for displaying information on the display 14 to an operator such as an image reader and allows basic operations to be performed by the input interface 13.
  • GUI Graphic User Interface
  • the storage circuit 12 stores the captured image generated by a medical image diagnostic device such as an X-ray CT (Computed Tomography) device and an MRI (Magnetic Resonance Imaging) device.
  • a medical image diagnostic device such as an X-ray CT (Computed Tomography) device and an MRI (Magnetic Resonance Imaging) device.
  • the storage circuit 12 is an example of a storage unit.
  • the input interface 13 includes an input device that can be operated by an operator and an input circuit that inputs a signal from the input device.
  • Input devices include trackballs, switches, mice, keyboards, touchpads that perform input operations by touching the scanning surface, touchscreens that integrate the display screen and touchpad, and non-contact input devices that use optical sensors. And it is realized by a voice input device and the like.
  • the input circuit When the input device is operated by the operator, the input circuit generates a signal corresponding to the operation and outputs the signal to the processing circuit 11.
  • the medical information processing device 1 may include a touch panel in which the input device is integrally configured with the display 14.
  • the input interface 13 is an example of an input unit.
  • the display 14 is a display device such as a liquid crystal display panel, a plasma display panel, and an organic EL (Electro Luminescence) panel.
  • the display 14 displays a medical image generated under the control of the processing circuit 11.
  • the display 14 is an example of a display unit.
  • the network interface 15 is composed of connectors that match the parallel connection specifications and serial connection specifications.
  • the network interface 15 has a function of performing communication control according to each standard and being able to connect to the network through a telephone line, whereby the medical information processing apparatus 1 can be connected to the network.
  • the network interface 15 is an example of a communication unit.
  • FIG. 2 is a block diagram showing the functions of the medical information processing device 1.
  • the medical information processing apparatus 1 When the processing circuit 11 executes a computer program stored in a non-transient recording medium such as the storage circuit 12, the medical information processing apparatus 1 provides the processing function 21, the extraction function 22, and the output function 23. Realize. All or a part of the functions 21 to 23 may be realized as a circuit such as an ASIC in the medical information processing device 1.
  • the processing function 21 includes a function of classifying the image data of the subject to be determined into a plurality of patterns and calculating an index value indicating the disease probability of each pattern as a discrimination validity scale. For example, the processing function 21 generates a discrimination validity scale by inputting image data of a subject into a trained model that generates a discrimination validity scale based on the image data of the subject. Also, for example, the disease probability is the benign / malignant probability of the mass.
  • the processing function 21 is an example of a processing unit.
  • the extraction function 22 includes a function of extracting a part of patterns that can easily identify a disease from a plurality of patterns based on the identification validity scale of each pattern of the plurality of patterns.
  • the extraction function 22 is an example of an extraction unit.
  • the output function 23 includes a function of preferentially outputting a part of the patterns extracted by the extraction function 22.
  • the output function 23 includes a function of generating a display screen in which a part of the patterns extracted by the extraction function 22 is prioritized and displaying the display screen on the display 14.
  • the output function 23 is an example of an output unit.
  • the processing function 21 includes an area of interest setting function 211, a feature calculation function 212, and a scale acquisition function 213.
  • the area of interest setting function 211 includes a function of extracting an area of interest from each image data of an image data set including a plurality of cases at the design stage. Further, the region of interest setting function 211 includes a function of extracting the region of interest from the image data of a new case at the mounting stage. That is, by setting the region of interest of the image data of the subject by the region of interest setting function 211, the image data of the subject can be classified into a plurality of patterns based on the region of interest.
  • the area of interest setting function 211 is an example of the area of interest setting unit.
  • the feature calculation function 212 has a function of calculating a feature amount as a feature vector based on the interest region of each image data in the design stage extracted by the interest region setting function 211 and calculating a classification scale vector based on the feature vector. Including. Further, the feature calculation function 212 is a function of calculating a feature amount as a feature vector based on the interest region of the image data in the mounting stage extracted by the interest region setting function 211, and calculating a classification scale vector based on the feature vector. including.
  • the feature calculation function 212 is an example of a feature calculation unit.
  • the scale acquisition function 213 includes a function of acquiring the distribution information of the classification scale vector of each group at the implementation stage and the disease probability of a new case (assumed to be equal if unknown).
  • the scale acquisition function 213 directly acquires the classification scale vector belonging to the group (class) from the feature calculation function 212.
  • groups the attributes of a plurality of image data to be used, such as with or without a disease, are referred to as "groups”.
  • the scale acquisition function 213 acquires the parameters of the statistical distribution of the classification scale vector of each group of the feature calculation function 212.
  • the scale acquisition function 213 is an example of the scale acquisition unit.
  • the extraction function 22 acquires the classification criteria for classifying into each pattern and the display conditions of the patterns from the classification scale vector acquired by the scale acquisition function 213, and for each of the pattern candidates, the distribution (and interest) of the classification scale vector of each group. It includes a function to calculate reference information such as predicted disease probability from the area classification scale vector).
  • the extraction function 22 includes a function of calculating a validity scale for identifying by the pattern as an identification validity scale for each of the pattern candidates, and determining a combination of patterns to be displayed based on the calculation.
  • the extraction function 22 includes a function of setting a display flag according to a value of an identification vector, a pattern classification standard, and a group scale (the pattern classification standard is more generally a pattern weight function).
  • the output function 23 has a function of displaying the name of the pattern and the reference information (group scale information) of each pattern on the display 14 based on the display flag extracted and set by the extraction function 22.
  • the relationship between the purpose of identification and the target image data is presented as reference information.
  • the disease name is for the purpose of identification, and a similar case is presented to a typical image of the disease name to provide information for visually determining whether or not the image is close to the target image.
  • a typical degree indicating whether the target image is a typical image for the disease name is presented.
  • reference information For additional confirmation and recording of the judgment process, it is necessary to present reference information from a viewpoint different from the purpose of identification. For example, in order to judge whether or not a person has a cold and to record the judgment process, it is important to present information other than whether or not the person has a cold, such as the presence or absence of symptoms such as cough and body temperature. In addition, the reference information presented needs to be able to be expressed as a language rather than something like a similar image. Furthermore, in order to be used for the purpose of image diagnosis, the reference information presented needs to be information that represents the characteristics of the image data, not that can be directly measured such as the presence or absence of symptoms and body temperature.
  • the medical information processing device 1 includes a processing function 21, an extraction function 22, and an output function 23.
  • FIG. 3 is a diagram for assisting the explanation of the function of the medical information processing device 1.
  • the medical information processing apparatus 1 sets a disease area of image data, and based on the presented information and the observation result of the image data, the reader determines the disease state of the disease area, for example, "negative” or "positive". An example of identifying is described.
  • the information presented is identification reference information that can be used as a reference for the reader to identify "negative” or "positive”.
  • NL mammography MRI image data As the data to be identified for constructing the identification method, for example, NL mammography MRI image data is used.
  • Each of the NL mammography MRI image data is given "benign” or "malignant” as teacher data based on the result of definitive diagnosis. Malignant corresponds to positive and benign corresponds to negative.
  • the medical information processing apparatus 1 generates a pattern consisting of pattern names and the like by calculating the classification scale vector N x based on the data set consisting of these NL cases. Then, the identification result of the data set consisting of NL cases is applied to the image data to be identified and presented to the reader as identification reference information.
  • the interpreter can easily distinguish "negative” or “positive” from the presented identification reference information. Further, the interpreter can observe the image data such as the image data to be identified based on the identification reference information, confirm whether the identification is appropriate, and correct the identification if necessary.
  • the medical information processing device 1 displays a plurality of patterns as identification reference information.
  • a pattern the medical information processing apparatus 1 determines a name representing a feature of the image data, reference information as to whether or not the image data to be identified belongs to the pattern, and whether the image data to be identified in the pattern is benign or malignant. Display reference information for judgment.
  • the patterns are not always the same, only the patterns you need are displayed.
  • the display or non-display of a pattern is determined based on a value (discrimination validity scale) indicating whether the identification in the pattern is valid.
  • an identification ability with a positive predictive value (PPV) of "PPV ⁇ constant” is obtained.
  • design goals are set so that the discrimination ability with "maximum specificity” can be expected.
  • the constant is "0.05", which means the discriminating ability such that "PPV ⁇ 0.05".
  • sensitivity and negative predictive value can also be set using other criteria such as sensitivity and negative predictive value (NPV).
  • the medical information processing apparatus comprises two stages (1) and (2) of the following processing.
  • Design stage data set identification
  • Implementation stage processing in new cases
  • the design stage of (1) above is to analyze the probability distribution of the teacher data set and save the result.
  • the design step may be performed only once before a new case to be identified is given.
  • the implementation stage of (2) above is the processing of the implementation stage to be executed for each new case.
  • one of the new cases will be described as calculating and presenting information that can be used as a reference for identification.
  • FIG. 4 is a diagram showing an outline of the functions of the medical information processing device 1.
  • the processing function 21 inputs the image data of the subject into the trained model that generates the discrimination validity scale based on the image data of the subject, thereby providing the discrimination validity scale.
  • the extraction function 22 extracts a part of the patterns from which the disease can be easily identified from the plurality of patterns based on the identification validity scale of each pattern of the plurality of patterns.
  • the output function 23 preferentially outputs a part of the patterns extracted by the extraction function 22 (display screen on the lower side of FIG. 4).
  • FIG. 5 is a diagram showing the operation of the medical information processing device 1 at the design stage as a flowchart.
  • FIG. 6 is a diagram showing as a flowchart an operation in the mounting stage of the identification reference information of the medical information processing apparatus 1.
  • the reference numerals “ST” with numbers indicate each step of the flowchart.
  • the processing function 21 acquires an image data set including a plurality of cases (step ST1).
  • the region of interest setting function 211 sets the region of interest for each image data in the image data set (step ST2).
  • the region of interest setting function 211 extracts an analysis target region, for example, a tumor region, from the breast-enhanced MRI image data collected in the contrast-enhanced MRI of breast cancer and sets it as the region of interest.
  • the region of interest setting function 211 sets a total of NL regions of interest from NL mammography MRI image data including a plurality of cases.
  • the feature calculation function 212 sets teacher data for each of the N L interest regions set in step ST2 (step ST3).
  • the condition of the tumor for example, "benign” or "malignant” is assigned to each region of interest.
  • each region of interest may be assigned a tumor state, such as negative, positive, normal, disease, abnormal, and the like.
  • three or more values may be assigned using a specific disease name.
  • the feature calculation function 212 calculates a plurality of feature quantities corresponding to each of the plurality of interest regions set in step ST2 as feature vectors (step ST4). Wherein calculating function 212, in step ST4, the j-th feature quantity region of interest i is expressed as f ij (shown in Figure 3). Further, a plurality of features for the region of interest i constitute a feature vector Fi.
  • the feature amount is the average value of the initial contrast intensity of the contrast dynamic image.
  • the initial contrast intensity is the average of all pixels in the region of interest, which is the difference between the pixel values of the first phase or second phase after contrast minus the pixel values before contrast divided by the pixel values before contrast. Is the value taken.
  • the feature amount may be various contrast-related parameters such as peak contrast intensity and late contrast intensity, or may be an average of these.
  • the feature amount may be not only an average value but also various statistics.
  • a wide variety of features can be calculated by combining contrast-related parameters and texture analysis values. Further, it may be a feature amount of a morphological image such as circularity. Usually, alignment processing and motion correction processing are applied to the contrast dynamic image.
  • the scale acquisition function 213 determines a method for calculating the classification scale vector, and calculates the classification scale vector by the calculation method (step ST5).
  • the scale acquisition function 213 calculates the classification scale vector by converting the feature vector of each image data corresponding to the teacher data. This corresponds to, for example, determining the calculation method of the identification vector in Japanese Patent Application Laid-Open No. 2015-116319.
  • the kth classification scale for the region of interest i is expressed as x ij (shown in FIG. 3).
  • a plurality of classification scales for the region of interest i are represented by the classification scale vector X i .
  • the feature vector F x is represented by the following equation (1) by a model in relation to the classification scale vector X i .
  • the scale acquisition function 213 determines the model parameters in step ST5 so that each element can be appropriately meaningful.
  • Each element of the classification scale (hereinafter, the element number is represented by k) is given a name according to the magnitude of its value.
  • a value with a small scale (x ij ⁇ T) is given a name such as "smooth” or "simple”
  • a value with a large value (x ij > T) is given a name such as "irregular" or "complex”.
  • the conversion parameters from the feature vector to the classification scale vector are determined using various linear / nonlinear optimization methods based on the data of the entire region and the teacher data.
  • Machine learning techniques such as artificial neural networks and random trees can also be applied (second modification described later).
  • a relatively simple method is to select only the appropriate elements of the feature vector and use them as the classification scale vector. Specifically, among the combinations of the two elements, when two variables are identified by the two elements, the combination that maximizes the scale of the validity of the identification can be selected. The discrimination validity scale will be described later.
  • the scale acquisition function 213 determines the method for calculating the classification scale vector, and then calculates the classification scale vector X i according to the determination method.
  • the extraction function 22 classifies each pattern from the classification scale vector acquired in step TS5 (step ST6).
  • the simplest pattern classification method is classification by threshold value.
  • FIG. 7 is a diagram showing a pattern setting table.
  • FIG. 7 shows pattern classification based on a threshold value.
  • FIG. 7 It is a figure which shows an example of a pattern candidate classified by a threshold value as a table.
  • the types h1 to h9 in the normal distribution model are referred to as "patterns" in the embodiment.
  • the pattern classification criteria in the table are expressed as discrimination inequalities.
  • the table is composed of the threshold value for which element of the pattern classification scale, the direction of the inequality sign, and the threshold value.
  • Various discriminant analysis methods can be applied to determine the elements used for judgment, the direction of the inequality sign, and the threshold value. Using these methods, the discriminant can be determined from the classification scale vector of each group.
  • One of the specific methods for determining the threshold value is to select the threshold value of "maximum specificity" among the threshold values satisfying the condition of "PPV ⁇ constant" and the direction of the inequality sign at that time.
  • PPV is a positive predictive value, which is the proportion of the mass group whose teacher data is "tumor” among the regions of interest determined by this pattern. It is also possible to determine the threshold based on the confidence interval (described later) of the predicted positive rate instead of PPV. This is a case where it is assumed that the selected pattern is judged to be positive, but it can also be considered that the selected pattern is negative, and the PPV calculated at this time is not actually PPV but 1-. It becomes NPV (negative predictive value).
  • Classification by threshold can be expressed not only by inequalities but also by pattern weighting functions.
  • the formula described in the lower part of the pattern classification standard column of the table is the expression by the pattern weight function.
  • the above describes the case of a method of determining the threshold value by counting the number of regions based on the classification scale vector of all regions of interest and the teacher data, but the above is not limited to that case.
  • the probability distribution of each group is represented by, for example, a multidimensional normal distribution based on the pattern classification scale vector of each group, and the distribution function (or probability density function) can be obtained by fitting. Good.
  • the orientation of the threshold value and the inequality sign can be determined based on the distribution of each group and the conditions such as PPV and specificity (first modification described later).
  • the display standard of the table has a display standard and a child pattern for each pattern.
  • the medical information processing apparatus 1 stores the following data (a) to (d) so that they can be used in the next mounting stage.
  • A Distribution of classification scale vector
  • the distribution of classification scale vector means NL calculated classification scale vectors, parameters representing the distribution of classification scale vectors, and disease probability of the region of interest.
  • a method of expressing distribution information there is also a configuration in which the number of occurrences of each level by (one or more thresholds) of each group, the probability of occurrence of each level of each group, the histogram of each group, etc. are saved. Yes, these are equivalent.
  • B Pattern name
  • c Pattern classification standard
  • d Display standard (and child pattern)
  • the medical information processing apparatus 1 acquires image data to be identified (for example, mammography MRI image data) in order to present identification reference information for a new case (step ST11). .. Then, the region of interest setting function 211 sets the tumor region as the region of interest from the image data of the identification target acquired in step ST11 (step ST12). The feature calculation function 212 calculates the feature amount corresponding to the region of interest as a feature vector (step ST13). The calculation of the feature vector in step ST13 is performed by the same method as in step ST4 shown in FIG.
  • the feature calculation function 212 determines a method for calculating the classification scale vector for the image data to be identified, and calculates the classification scale vector by the calculation method (step ST14).
  • the determination of the classification scale vector calculation method in step ST14 and the calculation of the classification scale vector are performed by the same method as in step ST5 shown in FIG.
  • the method of simply selecting two elements of the feature vector is used, only the two elements of the feature vector may be calculated from the beginning, and they may be used as they are as a classification scale.
  • the scale acquisition function 213 acquires the classification scale vector corresponding to the plurality of teacher data set by step ST3 shown in FIG. 5 (step ST15).
  • the parameters of the distribution function determined for each group such as the mean and standard deviation, are acquired (first modification described later).
  • the incidence rate (disease probability of the region of interest) of each group in a new case is read. For example, if it is assumed that 70% of the cases to be examined by this method are malignant and 30% are benign, these ratios are read. The ratio of 70% is the "disease probability of the area of interest" and is generally different from the incidence of each group in the teacher dataset. The probability of disease in the area of interest is sometimes referred to as prevalence.
  • the extraction function 22 classifies each pattern from the classification scale vector acquired in step ST15 (step ST16).
  • the extraction function 22 is an index of which group the pattern belongs to based on the distribution of the classification scale vector (mean, standard deviation, occurrence probability, or classification scale vector of the entire teacher data set) acquired for each group.
  • the group scale information which is a value is calculated (step ST17). Group scale information is calculated for each pattern. Since the numerical definition of the pattern is specified in the "pattern classification standard", the group scale information is calculated according to the "pattern classification standard" in the table of FIG.
  • pattern classification criterion is more generally expressed by a "pattern weight function”.
  • xs1 ⁇ T1h is represented by the function u (T1h ⁇ xs1).
  • u (x) is a step function as shown in the following equation (2).
  • the classification scale vector X s of the new case is close to "1" when it is close to the typical point ⁇ h of the pattern h and close to "0" as it is farther away. Can be used.
  • w h (X s) is a function of the classification scale vector X s, it is determined whether or not belonging to the pattern h.
  • any vector X is the pattern h.
  • the following function is used to determine whether it belongs to.
  • the judgment based on the threshold value can be configured so that the threshold value changes depending on the value.
  • N pb is the number of benign regions among the regions included in the pattern
  • N pm is the number of malignant regions among the regions included in the pattern
  • N pb N b ⁇ N.
  • N nm N m ⁇ N pm .
  • N b is the number of regions in the benign group
  • N m is the number of regions in the malignant group
  • P m is the disease probability of the region of interest
  • P b 1-P m .
  • the extraction function 22 calculates the identification validity scale (step ST18).
  • the extraction function 22 calculates the discrimination validity scale using the calculated value of the group scale as a scale showing how reliable it is to judge positive or negative according to the pattern.
  • the expected value or confidence interval calculated as a group scale such as accuracy and prediction positive rate can be directly used as the identification validity scale, but in the embodiment, identification validity is made by the following pseudo code from the confidence interval of the prediction positive rate. Find the sex scale.
  • the “for positive determination”, “PPV design lower limit value at the time of positive determination”, and “confidence interval upper limit value of predicted positive rate” in the pseudo code are the contents of the “design target” in the table shown in FIG.
  • FIG. 8 is a diagram showing an example of pseudo code.
  • the first and second lines of the pseudo code shown in FIG. 8 are the amount of the confidence interval protruding from the design range.
  • the third line it is appropriate to judge as positive, and in this case, the value in the first line is used as an identification validity measure.
  • the positive and negative are reversed so that the larger value has higher validity.
  • the fifth line shows that the confidence interval falls within the design conditions.
  • the lower limit of the confidence interval of sensitivity is used as the identification validity measure. If the third line is not satisfied, it is appropriate to judge it as negative, so the value in the second line is inverted positive and negative and used as an identification validity measure.
  • the 10th line shows that the confidence interval falls within the design conditions, in which case the lower bound of the confidence interval for specificity is used as the discriminant validity measure.
  • the extraction function 22 sets a display flag for a part of the extracted patterns (step ST19).
  • the display flag is calculated according to the display standard in the table shown in FIG.
  • the display flag is set to "false” for the pattern that does not satisfy the pattern classification standard, the display flag is set to "true” if the display standard is not satisfied, and the display flag is set to "false” if the pattern does not satisfy the display standard.
  • the upper limits of these predicted positive rates are displayed as 34.4% (pattern 1), 6.5% (pattern 4), and 16.7% (pattern 9), respectively, which are valid for identification.
  • the sex scales are -0.344% (Pattern 1), -0.065% (Pattern 4), and -0.167% (Pattern 9). Since the discriminant validity scale of pattern 9 is smaller than the discriminant validity scale of pattern 4, it can be seen that pattern 9 does not meet the display criteria. Therefore, the display flag of the pattern 9 is set to "false", so that the pattern 9 is not actually displayed on the screen.
  • the display flag of pattern 9 Since the pattern 4 satisfies the display standard, it becomes “true”, and since the pattern 1 always has the display standard of "true", the display flag is "true".
  • the calculation process of the display flag is shown in FIG. In FIG. 9, since the identification validity scale of pattern 9 shown in FIG. 7 does not meet the display criteria, the display flag of pattern 9 is set to “false”. On the other hand, since the identification validity scale of pattern 4 satisfies the display standard, the display flag of pattern 4 is set to "true”.
  • the medical information processing apparatus 1 displays the pattern names and the calculated values of the group scale for some of the extracted patterns on the display 14 according to the table shown in FIG. 7 (step ST20).
  • FIG. 10 is a diagram showing a display example of a part of the extracted patterns.
  • the first "edge smoothing pattern” is displayed as character information based on the pattern name of the first pattern in the table shown in FIG. 7.
  • the numerical values displayed in each pattern are the calculated values of the group scale.
  • the value of "in the benign group” is the calculated value of the positive rate in the benign group (expected value)
  • the value of "in the malignant group” is the calculated value of the positive rate in the malignant group (expected value).
  • the expected value of the predicted positive rate (or predicted malignancy rate) and the width of the confidence interval are also displayed as the identification validity scale.
  • the extraction function 22 prescribes a specific pattern to be displayed as standard regardless of the priority, so that the output function 23 preferentially displays a part of the extracted patterns on the display 14. , A specific pattern can be displayed on the display 14 regardless of the priority.
  • the medical information processing apparatus 1 As described above, according to the medical information processing apparatus 1, as a result of determining whether to display each pattern according to the value of the identification validity scale, only a part of the patterns are displayed, which is efficient. Appropriate information for making a diagnosis can be presented to the operator.
  • the output function 23 gives priority to a part of the plurality of patterns that can easily identify malignant or benign on the display 14. It can also be displayed.
  • information from a viewpoint different from the target judgment can be displayed as a plurality of patterns obtained from image data, and character information (specifically) indicating the pattern can be displayed as reference information of the pattern.
  • the name of the pattern can also be displayed.
  • the medical information processing apparatus 1 in particular, by displaying a name representing an image feature as reference information for each pattern candidate, it is possible to provide useful information for interpreting breast cancer MRI and describing the result in a report. At that time, if the displayed pattern is insufficient, the information necessary for correct diagnosis cannot be presented, and if it is excessive, it hinders efficient diagnosis. However, according to the medical information processing apparatus 1, the minimum necessary information is required. The presentation of the pattern can be realized.
  • the probability distribution of the pattern classification vector of each group is represented by a multidimensional normal distribution, and the probability density function is obtained by fitting. These values are stored as distribution information for the classification scale vector. As a result of fitting, the average value and standard deviation of each group are obtained.
  • FIG. 11 is a diagram showing an example of a pattern setting table.
  • FIG. 11 shows pattern classification by approximating the distribution of the classification scale vector by the normal distribution model.
  • Pattern weight function is calculated by the formula w h (X, X s) described above.
  • the value is set to "0" for the elements not described in the "pattern weight function" in the table.
  • the pattern weight function of pattern 6 in the table shown in FIG. 11 describes three elements of xs1, xs2, and xs3. This indicates that the weight function for the normal distribution for these three elements of the classification scale vector is used, and the elements of R h -1 other than these three elements are replaced with "0".
  • the stored mean value and standard deviation are acquired as the distribution of the classification scale vector, and the pattern weight function is calculated in the same manner as in the design stage.
  • the positive rate (expected value) P pb in the benign group and the positive rate (expected value) P pm in the malignant group are calculated by the above formula (5).
  • the predicted positive rate (expected value) is calculated from P pb and P pm as described above.
  • the confidence interval is also calculated as described above.
  • the medical information processing apparatus 1 only a part of the patterns are displayed as a result of determining whether to display each pattern according to the value of the identification validity scale. , Appropriate information for efficient diagnosis can be presented to the operator.
  • FIG. 3 above shows a configuration for determining the parameters of the conversion from the feature vector to the classification scale vector.
  • the step of finding the discriminant grade in the teacher data can also be simplified.
  • X i is calculated from the following equation (6) for each region of interest i
  • P pb is calculated from the following equation (7) for each pattern h.
  • the identification validity scale of the pattern h is calculated from Ppb and Ppm by a pseudo code (shown in FIG. 8).
  • the medical information processing apparatus 1A calculates a confidence interval of the probability of information about a disease based on the feature amount of an image related to a subject, and determines the disease or the probability classification related to the disease based on the confidence interval. Is. Further, the medical information processing apparatus 1A can select the counting range of the number of cases (or the number of examinations) according to the confidence interval, if necessary.
  • a technique of calculating a feature amount of an image from a lesion area of a CT image or an MRI image of a subject and determining the feature amount by a threshold to determine the presence or absence of a disease, benign / malignant, etc. is there.
  • the positive predictive value (PPV), negative predictive value (NPV), and their confidence intervals may be used for evaluation.
  • the positive predictive value when positive, can be regarded as the probability of disease or malignancy, and in the case of negative, the negative predictive value is the probability of disease-free or benign. It can be seen as a probability. However, it does not represent the probability that there is no disease when it is judged to be positive or the probability that there is a disease when it is judged to be negative. In order to obtain reliable results, it is necessary to reduce the confidence interval of the positive predictive value and the negative predictive value, and for that purpose, it is necessary to evaluate using a sufficiently large number of cases.
  • the feature amount of the image relating to the subject is close to the threshold value, or conversely, when the feature amount is far from the threshold value and is biased from the majority of tests, the feature amount is located at the biased position of the counting range for counting the number of cases. Become. Therefore, the positive predictive value and the negative predictive value evaluated by the judgment based on the threshold value have a large asymmetry of the counting range with respect to the feature amount related to the subject, and the positive predictive value and the negative predictive value are evaluated. Can be a value that is significantly different from the actual positive or negative probability of the subject. Similarly, the positive predictive value and the confidence interval for the negative predictive value may differ from the actual probability range of the subject.
  • the positive predictive value (PPV) confidence interval and the negative predictive value (NPV) confidence interval represent the average performance and width when a large number of tests are performed, and are properties for new tests. Is not directly represented.
  • the actual performance value of the new test is different from the value at the positive predictive value and the negative predictive value. This difference is particularly large when the image feature value for the subject is near the threshold. Even if both the positive predictive value confidence interval and the negative predictive value confidence interval are displayed, only one of the values should be referred to.
  • the new test is a positive test, but when you want to see the probability of negative, none of them show the actual correct answer rate.
  • a histogram of the benign group and a histogram of the malignant group were obtained from the feature values of images related to a large number of cases used in the study, and the frequency of benign and malignant values of the feature values of images related to the subject were obtained.
  • There is a technique called the naive Bayes method that obtains the malignant probability by "malignant probability malignant frequency / (beneficial frequency + malignant frequency)".
  • the malignant probability and the positive probability can be obtained, but there is a problem that the confidence interval cannot be calculated. Therefore, large-scale clinical studies with a sufficiently large number of cases are required to obtain reliable results.
  • a confidence interval of the standard deviation and the mean value of the feature quantity of the image is widely used in clinical research.
  • a confidence interval of the standard deviation and the mean value of the feature quantity of the image is widely used in clinical research.
  • a fourth comparative example there is software that displays the percentile of the hippocampal volume measured in the image of the subject (percentile rank) of the hippocampal volume in the normal case group.
  • the confidence interval of the statistic represents the characteristics of the distribution in a group consisting of a plurality of cases, and does not indicate the reliability of the test data (1 case) of one subject. Therefore, it cannot be used as a numerical value indicating the credibility of the analysis result of one inspection data.
  • the percentile display is an index of whether the hippocampal volume of the subject is within the normal range, but does not represent the probability of being normal and is not a confidence interval thereof. It cannot be used as an indicator of the credibility of a normal or abnormal judgment.
  • the medical information processing apparatus 1A calculates the confidence interval of the probability of the information about the disease from the feature amount of the image about the subject, and determines the disease or the probability classification related to the disease based on the confidence interval.
  • the counting range of the number of cases is selected according to the confidence interval of the probability.
  • the configuration of the medical information processing device 1A according to the second embodiment is the same as the configuration of the medical information processing device 1 according to the first embodiment shown in FIG. 1, the description thereof will be omitted.
  • FIG. 12 is a block diagram showing the functions of the medical information processing device 1A.
  • the medical information processing apparatus 1 When the processing circuit 11 executes a computer program stored in a non-transient recording medium such as a storage circuit 12, the medical information processing apparatus 1 has an output function 23, a statistical information collecting function 24, and a processing function 25. And realize. All or part of the functions 23 to 25 may be realized as a circuit such as an ASIC in the medical information processing device 1.
  • the statistical information collecting function 24 includes a function of collecting statistical information regarding the frequency of diseases based on the characteristics of a plurality of image data and a function of storing the collected statistical information in the storage circuit 12.
  • the statistical information collecting function 24 is an example of the statistical information collecting unit.
  • the processing function 25 has a function of calculating the probability that the image data of the subject to be determined has a disease and the confidence interval which is an index indicating the reliability of the probability. Specifically, the processing function 25 has a statistical information acquisition function 251 and a confidence interval calculation function 252. The processing function 25 is an example of a processing unit.
  • the statistical information acquisition function 251 has a function of acquiring statistical information regarding the frequency of diseases aggregated based on the characteristics of a plurality of image data collected by the statistical information collection function 24 from the storage circuit 12.
  • the statistical information acquisition unit acquires a plurality of image data or image feature values from the storage circuit 12 and calculates statistical information.
  • the statistical information acquisition function 251 is an example of the statistical information acquisition unit.
  • the confidence interval calculation function 252 determines the probability that the image data of the subject to be determined has a disease and the confidence interval which is an index indicating the reliability of the probability by using the frequency distribution indicated by the statistical information. It includes a function to obtain from an arbitrary range including the measured value of the target subject.
  • the confidence interval calculation function 252 is an example of the confidence interval calculation unit.
  • the output function 23 includes a function of outputting information on the disease based on the probability by the processing function 25 and the confidence interval of the probability. For example, the output function 23 outputs a probability and a confidence interval of the probability as information on the disease as described later using the functions f1G of the first function f1 to the first G (for example, it is displayed on the display 14). ). Further, as will be described later using the functions f2G of the second function f2 to the second G, the output function 23 relates to the disease of the subject or the disease from the relationship between the probability and the confidence interval of the probability as information on the disease. Outputs the determination result regarding the probability category (probability category) of (for example, displayed on the display 14).
  • FIG. 13 shows a first function f1 including a function of calculating a confidence interval of a probability such as a disease by the processing function 25 and a function of outputting a confidence interval by the output function 23.
  • the confidence interval output function displays a display screen showing the confidence interval on the display 14.
  • FIG. 13 shows a second function f2 including a first function f1, a determination function such as a disease probability classification based on a confidence interval of probability by the processing function 25, and an output function of a determination result by the output function 23. Is shown.
  • the determination result output function displays a display screen showing the determination result on the display 14.
  • FIG. 13 is a diagram showing the first and second functions f1 and f2 of the medical information processing apparatus 1A as a data flow.
  • the first function f1 in FIG. 13 will be described first.
  • the confidence interval calculation function 252 adds the feature amount of the image related to the subject to the statistical information (for example, frequency distribution (histogram)) regarding the frequency of the disease aggregated based on the characteristics of the image data of N tests used for the analysis. Plot the values (measured values), set a width around the measured values, count the number of cases, and obtain the confidence interval.
  • the number of cases in a group means the number of cases in each group of a plurality of image data (examinations included in the counting range).
  • the positive predictive value and its confidence interval are obtained only in one of the two predetermined areas.
  • the positive predictive value is the average positive rate of tests that are positively determined.
  • the negative predictive value is the average negative rate of tests that are judged to be negative.
  • the confidence interval cannot be obtained.
  • the first function f1 is to obtain the confidence interval in the counting range according to the measured value of the subject, as shown by the arrow in FIG. 14A.
  • FIG. 14A shows the measured values for the subject arranged in the statistical information (eg, frequency distribution (histogram)). Since the confidence interval of the disease probability represents the range of variation in the probability that the subject has a disease, it can be used to show the credibility of the determination result of whether the subject has a disease.
  • the confidence interval calculation function 252 obtains a confidence interval within an appropriate counting range according to the measured value of the subject. Therefore, the confidence interval calculation function 252 can indicate the probability for the measured value for a specific subject, not the average probability. Therefore, even in a small study, the width of the confidence interval can be narrowed depending on the measured values of the subject without using clinical data of a large number of cases, and reliable and useful results can be obtained. There is an effect.
  • images of N inspections used for analysis and values of a group corresponding to each inspection are prepared in advance.
  • a graph U15 is shown in which a histogram based on the feature amount of the data of “without disease” and a histogram composed of the feature amount of the data of “with disease” out of N tests are superimposed.
  • the measurement value (shown in graph B15) related to the subject is plotted against the graph U15 of this histogram, and the result of calculating the number of “disease-free” cases per fixed width around the measurement value is the point “a” in the graph M15. Indicated by.
  • the confidence interval calculation function 252 calculates the disease probability by "b / (a + b)", and calculates the confidence interval (upper limit value and lower limit value) of the disease probability by the following equations (8) and (9).
  • the confidence interval calculation function 252 may be configured to optimize the counting range to an appropriate width according to each value of the feature amount. As a result, the confidence interval can be narrowed because the optimum counting range according to the measured value for the subject is used. Therefore, the possibility of obtaining reliable results increases.
  • the confidence interval calculation function 252 may be configured to select an appropriate width by using the value of the confidence interval as shown by the plurality of arrows in FIG. 14B. In that case, first, the confidence interval calculation function 252 determines a narrow confidence interval among a large number of confidence intervals corresponding to a large number of counting ranges. Then, the confidence interval calculation function 252 displays the malignancy probability and the confidence interval, and determines benign / malignant / unknown. As a result, the counting range can be set to an appropriate width according to the measured value instead of being fixed, and no matter what the measured value is, the judgment can be made by suppressing the appropriate variation according to the measured value. Can be done.
  • the counting range is a range having a certain width centered on the counting value, and the width is determined so that, for example, the lower limit of the confidence interval is the largest.
  • the output function 23 can output a determination result according to the average value of the disease probability, the confidence interval (upper limit value and lower limit value) of the disease probability, or the determination condition of the confidence interval.
  • the confidence interval calculation function 252 determines the probability classification (hereinafter, referred to as "probability category” or simply “category”) based on the upper limit value or the lower limit value of the confidence interval such as the disease probability calculated by the first function f1. Judge and display. For example, the confidence interval calculation function 252 outputs whether the disease possibility is high, medium, or low.
  • the category means a classification based on the confidence interval of the disease probability. For example, the classification is low probability of disease, medium possibility of disease, high possibility of disease, and the like.
  • FIG. 16 shows a first function f1A including a confidence interval calculation function for a disease or the like by the processing function 25 and an output function for the confidence interval by the output function 23. Further, FIG. 16 shows a function f2A of the second A including a function f1A of the first A, a determination function of a disease probability classification based on a confidence interval of the probability by the processing function 25, and an output function of the determination result by the output function 23. Is shown.
  • the function f1A of the first A expresses the counting range by a weight function.
  • FIG. 16 is a diagram showing a data flow related to the functions f1A and f2A of the first A and the second A of the medical information processing apparatus 1A.
  • the counting range may be a range surrounded by a single threshold value or a plurality of threshold values in the feature space, but can be generally represented by a weighting function (counting weighting function).
  • a weighting function counting weighting function
  • a bell-shaped weighting function is used in which the value of the feature amount of the image relating to the subject becomes "1" and the value approaches "0" as the distance from the value becomes "1".
  • the count weight function is represented as follows.
  • (1) Simple threshold value: When the measured value is u (u u1, u2, ...), The weight function "w" is "1" for all i, and when ui-ri ⁇ xi ⁇ ui + ri, it is “1". "0” in other cases
  • (2) Multidimensional Gaussian function: w exp (-0.5 (xu) T R -1 (xu)) Note that "R” is a positive symmetric matrix.
  • the confidence interval calculation function 252 obtains the total number of data in the count range w (synonymous with “weight function w”) and the number of data belonging to the group i in the total number of data. Assuming that the histogram of the data of each group is Hci (x) and the sum of the histograms of all groups is Ha (x), the total number of data in the counting range w (x) can be obtained by the following equation (12). w (x) is the weight function described above, preferably a bell-shaped weight function. Further, the number of data belonging to the group i is obtained by the following equation (13). In addition, "i” shows a group number and "x" shows a feature vector.
  • FIG. 17 shows a first function f1B including a function of calculating a confidence interval of a probability such as a disease by the processing function 25 and a function of outputting a confidence interval by the output function 23.
  • FIG. 17 shows the function f2B of the second B including the function f1B of the first B, the determination function of the probability classification of the disease based on the confidence interval of the probability by the processing function 25, and the output function of the determination result by the output function 23. ..
  • the function f1B of the first B (the same applies to the function f2B of the second B) optimizes (maximizes or minimizes) the counting range.
  • FIG. 17 is a diagram showing a data flow related to the functions f1B and f2B of the first B and the second B of the medical information processing apparatus 1A.
  • the counting range does not have to always have a constant width and shape in the feature space, and it is better to use an appropriate width and shape according to the value of the feature (hereinafter, it is described that an appropriate counting range is determined). ..
  • an appropriate counting range focus on a certain group, and set the counting range so that the lower limit of the confidence interval of the probability of belonging to that group is as large as possible as "1" in the measured value for the subject. Choose from the counting weighting functions.
  • a counting range in which the upper limit of the confidence interval of the probability of belonging to the group is as small as possible is selected from the counting weight functions whose measured values for the subject are "1".
  • the counting range of the value LA represented by the curve RA selects a counting range that maximizes the lower limit of the confidence interval for the probability of "no disease”.
  • the number of cases in the “no disease” group in the counting range is “a” (shown in the graph M18), and “with disease”.
  • the curve RB shows the counting range when the measured value (shown in the graph B18) for the subject is another value LB. As described above, the optimum counting range differs depending on the value of the feature amount.
  • the confidence interval calculation function 252 calculates the disease probability by "b / (a + b)", and sets the confidence interval (upper limit value and lower limit value) of the disease probability by the above equations (8), (9), or It is calculated by the above formulas (10) and (11).
  • FIG. 19 shows the function f1C of the first C including the function of calculating the confidence interval of the probability such as a disease by the processing function 25 and the function of outputting the confidence interval by the output function 23.
  • FIG. 19 shows the function f2C of the second C including the function f1C of the first C, the determination function of the probability classification of the disease based on the confidence interval of the probability by the processing function 25, and the output function of the determination result by the output function 23. ..
  • the function f1B of the first B described above when the counting range is optimized for a plurality of groups, the counting range corresponding to the number of groups can be obtained.
  • FIG. 19 is a diagram showing a data flow related to the functions f1C and f2C of the first C and the second C of the medical information processing apparatus 1A.
  • the confidence interval calculation function 252 determines, for each group, a counting range that maximizes the lower limit of the confidence interval for that group. This is repeated, the counting range having the largest confidence interval lower limit and maximum value is selected from the counting ranges of all groups, and applied to other groups to calculate the disease probability and confidence interval.
  • FIG. 19 a case where four types of brain tumors are used as a group as shown in FIGS. 20A to 20D will be described.
  • the finest grouping of multiple tests is "glioma Gr1, 2", “glioma Gr3, 4", "PCNSL (central nervous system primary malignant lymphoma)", “brain metastasis”, “Meningioma,” “pituitary adenoma,” and “others,” but these are grouped together using four groups (classes): “glioma,” “PCNSL,” “brain metastases,” and “others.” There is.
  • the characteristic part of the confidence interval calculation function 252 is the procedure (3) in the following four schematic procedures (1) to (4).
  • the probability category is determined based on the lower limit of the confidence interval of the main class (main group) and the upper limit of the confidence interval of the other group (class).
  • the study data have been definitively diagnosed and include various brain tumors. Histograms of feature values are created for each type of brain tumor. When the four selected major categories are used as the judgment group, four integrated histograms are created.
  • a counting range is set around the measured value of the feature amount in the subject, and a counting range that maximizes the lower limit of the confidence interval of the probability of "glioma" is obtained (broken line in FIG. 20A). Similarly, the counting range that maximizes the lower confidence interval of the other groups is determined (broken line in FIGS. 20B to 20D).
  • the confidence intervals of the probabilities (average) belonging to each group and the probabilities belonging to each group are calculated respectively.
  • iii) Compare the circles " ⁇ " indicating the lower limit of the confidence section of each group shown in FIGS. 20A to 20D, and select the counting range of the glioma (FIG. 20A) having the largest value. It is distinguished by making the display form (for example, the background color) of the position indicating the lower limit of the confidence interval of the glioma different from other positions. This glioma is the main class (main group). The operator can reselect another group as the main class (main group). iv) Only the main class information obtained from the selected counting range of FIG. 20A is displayed.
  • 21A to 21C are diagrams showing a display example of the determination result.
  • 21A to 21C may be displayed respectively, or may be displayed in parallel on the same display screen.
  • CBV Cerebral Blood Volume
  • Ktrans indicates the transition rate constant at which the contrast medium leaks into EES (Eextracellular Extravascular Space).
  • FIG. 21B for example, the "glioma” portion is displayed with a color different from that of other classes so that the "glioma" selected as the main group (main class) can be visually recognized. ..
  • the value of the average probability of "glioma” is also displayed.
  • the average probability value and the like are also displayed for other categories that are subgroups.
  • an image in which the lesion site is marked (for example, a DWI (diffusion weighted image) image) or the like can be displayed.
  • FLAIR Flud-Attenuated Inversion Recovery
  • T1W_CE T1 Weighted contrast enhanced
  • CBV Cerebral Blood Volume
  • 21C shows an image showing the transition rate constant (Ktrans) in which the contrast medium leaks into the EES (Extracellular Extravascular Space), an image showing the plasma volume (Vp) in the blood vessel, and an image showing the EES volume (Ve). And an image showing the transition rate constant (Kep) returning to the blood vessel.
  • Ktrans transition rate constant
  • Vp plasma volume
  • Ve EES volume
  • step ii) without performing the above procedure ii) of the total tumor range in one group, selecting the main group and subsequent treatments iii) to v).
  • Mean values and confidence intervals and categories may be displayed.
  • This configuration is not suitable for statistically specialized analysis, such as the sum of the average values of each group of display probabilities does not become "1", but the processing of each group is equivalent because the main group is not selected. , Fair choice is possible. Therefore, the configuration is suitable for analysis software for routine inspection.
  • FIG. 22 shows a second D function f1D including a confidence interval of the probability of a disease or the like by the processing function 25, a graph calculation function by the processing function 25, and an output function of the confidence interval and the graph by the output function 23.
  • FIG. 22 shows a second D function f2D including a first D function f1D, a determination function such as a disease probability classification based on a confidence interval of probability by the processing function 25, and an output function of a determination result by the output function 23. ..
  • the first D function f1D (as well as the second D function f2D) displays a histogram and a counting range.
  • FIG. 22 is a diagram showing a data flow related to the functions f1D and f2D of the first D and the second D of the medical information processing apparatus 1A.
  • the output function 23 generates a display screen by creating a graph in which a counting range determined according to the measured values related to the subject and the measured values related to the subject are superimposed on the histogram for each group of a plurality of tests ( For example, a display screen including the counting range and measured values shown in FIGS. 14A and 14B).
  • FIG. 23 shows a category determination of the group affiliation probability based on the confidence interval of the probability such as a disease by the processing function 25, a calculation function of the category area diagram, and an output function of the category determination result and the category area diagram by the output function 23.
  • the function f1E of the first E including.
  • FIG. 23 shows the function f1E of the first E and the function f2E of the second E including the output function of the category determination result and the category area diagram at the same time by the output function 23.
  • the function f1E of the first E (the same applies to the function f2E of the second E) displays the area map of the category as a graph.
  • FIG. 23 is a diagram showing a data flow related to the functions f1E and f2E of the first E and the second E of the medical information processing apparatus 1A.
  • the confidence interval calculation function 252 performs a convolution calculation when counting the number of group cases.
  • a category area diagram showing which category is judged according to the confidence interval upper limit value and the confidence interval lower limit value of the group belonging probability of each group is displayed.
  • the group affiliation probability means the probability that a subject having a certain feature value belongs to a certain group.
  • a category area map is displayed using the confidence interval lower limit of the benign probability and the confidence interval lower limit of the malignant probability.
  • the area (a) shown in FIGS. 24A and 24B corresponds to "certainly malignant”
  • the area (b) corresponds to "probably malignant”.
  • Area (c) corresponds to "unknown (malignant)”
  • area (d) corresponds to "unknown (benign)”
  • area (e) corresponds to "probably benign”
  • area (e) f) corresponds to "certainly benign”.
  • the probability of the subject data can be determined. Can be presented in an easy-to-understand manner. In addition, it is possible to clearly show how the judgment is made based on the value of the confidence interval or how the judgment is made.
  • the maximum value of the lower limit of the confidence interval of the disease probability is indicated by a circle “ ⁇ ”.
  • the maximum point is assigned to the vertical axis of the category area diagram R25.
  • the minimum value of the upper limit of the confidence interval of the disease probability is indicated by a circle “ ⁇ ”. Allocate the minimum point to the horizontal axis of the category area map.
  • the average value of the disease probability, the upper limit value of the confidence interval, and the lower limit value correspond to the "group scale" in the first embodiment.
  • the areas indicated by (a) to (f) in the category area diagram R25 are "certainly malignant”, “probably malignant”, “unknown (malignant)”, “unknown (benign)”, and “probably benign”, respectively. , "Almost benign” corresponds to 6 categories. The category is judged by where it is plotted on this category area map.
  • the category area diagram R25 may be determined for each axis, but is not limited to that case.
  • the category area map may be a category area map including both a diagonal judgment curve and a judgment straight line as shown in FIG. 26A, or a category area map including only a judgment straight line as shown in FIG. 26B. There may be.
  • FIG. 27 shows an example in which two groups, “benign” and “malignant”, are used as groups. As shown in FIG. 27, category areas according to malignancy and benignness are used.
  • FIG. 28 shows an example in which two groups, “with therapeutic effect” and “without therapeutic effect”, were used as groups. As shown in FIG. 28, category areas are used depending on whether they are valid or invalid.
  • FIG. 29 includes a confidence interval of the probability of a disease or the like by the processing function 25, a calculation function of the image display and the area display, a confidence interval of the output function 23, and an output function of the image display and the area display.
  • the function f1F of the 1st floor is shown.
  • FIG. 29 shows the function f2F of the second floor including the function f1F of the first floor, the category determination function of the group belonging probability by the processing function 25, and the output function of the category determination result by the output function 23.
  • the function f1F of the first floor (the same applies to the function f2F of the second floor) displays an image and a feature amount calculation area.
  • FIG. 29 is a diagram showing a data flow related to the functions f1F and f2F of the first floor and the second floor of the medical information processing apparatus 1A.
  • the output function 23 displays the image on which the analysis is based and the target area (for example, the area of interest) for which the feature amount is calculated on the screen. The operator can confirm whether the value of each displayed feature amount is appropriate in light of the image.
  • FIG. 30 is a diagram showing a data flow related to the functions f1G and f2G of the first G and the second G of the medical information processing apparatus 1A.
  • the operator or system administrator can set (change) the probability of occurrence at this facility in each group.
  • the probabilities of steps ii) and v) and the values of the confidence intervals are corrected using the set probability of occurrence.
  • the disease probability (class prior probability) of what kind of disease the subject has before the test is the same as the ratio of each disease (class composition ratio) of the cases included in the database used for analysis. Often regarded. This is based on the premise that the criteria for registering cases in the database, including race, and the criteria for determining whether or not they are subject to examination at the facility can be regarded as the same.
  • the disease probability (prior probability of the group) can vary depending on the characteristics of the facility (whether it is a clinic or a specialized hospital) and what other tests are done before the target test. In this case, the calculated disease probabilities and confidence intervals can be inaccurate by regarding both as the same. In order to absorb the difference between the group ratio in the case database and the probability of occurrence in the institution or the probability of the group depending on the history of the subject, it is necessary to correct the prior probability of the group.
  • the odds ratio O 1 is expressed by the following equation (15). When transformed, it becomes the following equation (16). Even at the facility where the subject was tested, the "sensitivity / (1-specificity)" on the right side does not change, but the probability of disease in which the group is "A” is considered to change to a 2 .
  • Equation (18) When equation (18) is solved for P 2 , it is expressed by the following equation (19).
  • k is defined as the following equation (20).
  • the corrected probability value and the confidence interval of the probability can be calculated as follows.
  • Prior probability disease probability P 2 which is predicted at the time of "a 2", from the disease probability P 1 when the prior probability is is "a 1", the following equation (19), (20) Ask from.
  • the confidence interval when the prior probability is "a 2 " is also obtained.
  • FIG. 31 is an example thereof.
  • the counting range (shown by F0 to F4 in the graph) is set according to the measured values (feature amount 1 and feature amount 2) for the subject, and the probability of F0 (average value) and the probability of F1. (Average value), ..., F4 probability (average value), and their confidence intervals are calculated. For these confidence intervals, the upper limit, the lower limit, and the average value are plotted on the graph L32 of FIG.
  • the group having the highest degree of fibrosis is presented as a determination result.
  • the graph R32 of FIG. 32 presents a group in which the lower limit of the probability exceeds the threshold and the lower limit is the largest as the determination result.
  • the feature amount may be as follows.
  • VI Maximum diameter, volume
  • VI Statistics of function map by conventional method
  • ADC Apparent diffusion coefficient
  • FA fractional anisotropy
  • VI-ii rCBF
  • MTT mean transit time
  • TTP time to peak
  • VI-iii Ktrans
  • Kep Tofts model
  • VII Features determined by machine learning
  • VII-i Neural network
  • VII-ii Support vector machine
  • VII-iii Random forest, extremely random tree
  • Logistic regression VIII
  • FIG. 34 shows a case where SVM (Support vector machine) is used for regression.
  • the regressed parameters can be used as features.
  • Artificial neural networks and random trees can also be applied to regression.
  • the explanation of the graphs U34, M34, and B34 is the same as the explanation of the graphs U15, M15, and B15 shown in FIG. 15, so the description thereof will be omitted.
  • one of the upper threshold value / lower threshold value of each feature amount is expanded by, for example, 1% with respect to the distribution width of the variable. Since there are two ways to expand the upper limit of the confidence interval and the lower limit of the confidence interval for one variable, there is a possibility of "number of variables x 2", and the width of the confidence interval is the smallest among them. Choose one. This is repeated to gradually expand the threshold range. “The width of the confidence interval is small” means that the minimum value of the upper limit of the confidence interval is small when the minimum value of the upper limit of the confidence interval is obtained. At the same time, it is also taken into consideration that the difference between the measured values of the upper threshold and the lower threshold (the upper threshold width and the lower threshold width) is small.
  • the threshold range is generalized and the range is expressed by the bell-shaped integral weight function. Select the one with the smallest confidence interval from the many with slightly different parameters of the bell-shaped integral weight function.
  • a large number of threshold ranges and integral weight functions including measured values are generated by random numbers, and the horizontal axis is the volume of the range and the vertical axis is the width of the confidence interval (upper limit and lower limit of the confidence interval). ) Is plotted. Find the minimum value of the envelope. In other words, the minimum value of the width of the confidence interval in the integration range generated by random numbers is obtained.
  • the threshold range is divided by a certain width. In the case of one variable, it is divided into N, and in the case of m variable, it is divided into N ⁇ m ranges.
  • the width of the confidence interval is calculated by changing the number of divisions N of one variable.
  • lower limit represents the lower limit of the confidence interval or the maximum value of the lower limit of the confidence interval.
  • upper limit represents the upper limit of the confidence interval or the minimum value of the upper limit of the confidence interval.
  • FIG. 37 shows an example of determining the disease category of each group in the case of four groups of diseases A, B, C, and D. Select the most probable disease from multiple diseases and distinguish the disease.
  • FIG. 38 shows an example of determining the category of each group of F1, F2, F3, F4 other than the stages F0 and F0 of liver fibrosis. Select the most probable disease from multiple diseases and distinguish the disease. Since the lower part of FIG. 38 is equivalent to the lower part of FIG. 37, the notation is omitted.
  • FIGS. 39A and 39B show examples of determining the effects of the drugs A, B, and C in categories, respectively.
  • a drug that is effective for the subject is selected from multiple drugs, and the drug efficacy is predicted.
  • the same determination method can also be used to determine a category for selecting a treatment method that is effective for a subject from among a plurality of treatment methods, and for determining a category for selecting a treatment method with few complications. ..
  • 40A and 40B show an example in which the incidence of each of the serious events is judged as a category, and an example in which it is judged as a category whether a good QOL (Quality of Life) can be recovered / maintained from some viewpoints.
  • An example showing is shown. Predict for each subject how likely it is to occur for each type of coronary event. At the same time, it predicts the possibility of recovering and maintaining good QOL.
  • 41A and 41B are examples of determining the disease probability in three layers.
  • 41C and 41D are examples of determining the effect of treatment by each treatment method in three layers.
  • 41E and 41F are examples of determining the probability of good QOL and the probability of aggravation in three layers.
  • Such determination is a combination of image data or feature data, other non-imaging test data, type of disease, selected treatment method and its effect, good / bad of various QOLs, and occurrence of various seriousness. Use the recorded case data.
  • the effect of each treatment method is determined for the cases narrowed down to the cases in the determined group (assumed to be determined to be disease 1).
  • the cases of disease 1 for which the major taxon was judged are “therapeutic method 1 is effective”, “therapeutic method 1 is not effective”, “therapeutic method 2 is effective”, and “therapeutic method 2 is effective”.
  • the probability of the presence or absence of the effect of the treatment method 1 the probability of the effect and its confidence interval are obtained based on the number of cases of "there is the effect of the treatment method 1" and "there is no effect of the treatment method 1". Similarly, for the treatment methods 2 to 4, the probability of effectiveness and the confidence interval are obtained. Based on these, the possibility of having an effect is determined by category, and the middle taxon is determined using the value of the confidence interval (FIGS. 41C and 41D). In the example shown in FIG. 41D, it is assumed that the treatment group 1 is selected.
  • the probability of good QOL and the probability of aggravation are determined for cases in which the major taxon is "disease 1" and the middle taxon is “therapeutic method 1 is effective".
  • the middle taxon is “therapeutic method 1 is effective”.
  • therapeutic method 2 has no effect” is added to the middle taxon.
  • the number of cases in each of these subtaxa is obtained by setting the counting range of the feature amount.
  • the probability of "good physical function” and the confidence interval of the probability are obtained from the number of cases of "good physical function” and the number of cases of “poor physical function”. Similarly, the probability and confidence interval of "good activity”, the probability and confidence interval of "sudden death”, and the probability and confidence interval of "myocardial infarction" are obtained.
  • the values of these confidence intervals are used to determine the categories of subcategories 1 to 4 (FIGS. 41E and 41F). Regarding the probability of good QOL and the probability of seriousness, for each of the sub-categories 1 to 4, it is determined in each of the sub-categories 1 to 4 whether the QOL is good or poor, or whether seriousness occurs or not.
  • the upper and lower limits of the confidence interval when the counting range is expanded or narrowed are displayed in advance. Therefore, before the operator actually changes the counting range, it is possible to know what the recalculated confidence interval lower limit and upper limit will be, and how to change it without trial and error. It is possible to judge whether or not, which leads to a reduction in operation time.
  • FIG. 44 shows a histogram display when the feature amount is three variables. In the case of multiple variables, only one of the multiple dimensions is displayed, and the other dimensions fix the counting range.
  • a graph showing the change of the predicted positive rate with respect to the upper and lower threshold values of the confidence interval is displayed for each feature amount based on the automatically determined threshold range. Then, when the operation of changing the threshold value is performed, the graph is updated.
  • the processing circuit 11 shown in FIG. 12 may include all or a part of the functions 21 to 23 of the processing circuit 11 shown in FIG. 2 in addition to the functions 23 to 25. Further, the processing functions 21 and 25 are examples of the processing unit.
  • the extraction function 22 is an example of an extraction unit.
  • the output function 23 is an example of an output unit.
  • the area of interest setting function 211 is an example of the area of interest setting unit.
  • the feature calculation function 212 is an example of a feature calculation unit.
  • the scale acquisition function 213 is an example of the scale acquisition unit.
  • the statistical information collecting function 24 is an example of the statistical information collecting unit.
  • the statistical information acquisition function 251 is an example of the statistical information acquisition unit.
  • the confidence interval calculation function 252 is an example of a confidence interval calculation unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)

Abstract

実施形態に係る医用情報処理装置は、処理部と、出力部とを備える。処理部は、判定対象の画像データが疾患を有する確率と、その確率の信頼度を示す指標である信頼区間とを算出する処理を行う。出力部は、確率と、確率の信頼区間とに基づく、疾患に関する情報を出力する。

Description

医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム
　本明細書及び図面に開示の実施形態は、医用情報処理装置、医用情報処理方法、及び医用情報処理プログラムに関する。
　放射線画像の撮影を目的としたＸ線ＣＴ（Computed Tomography）装置やＭＲＩ（Magnetic Resonance Imaging）装置や、病理標本を取り込むバーチャルスライドスキャナ等の医療機器の発達により、デジタル化された高精細医用画像が大量に取得可能となっている。近年では、医用画像を保存するＰＡＣＳ（Picture Archiving and Communication Systems）の普及が進み、これらの画像が医師の診断所見とともに順次格納されている。このような、医用画像のデジタル化、症例の蓄積が進むにつれ、コンピュータを用いて病変検出や自動診断を行うＣＡＤ（Computer Aided Diagnosis）の重要性が増している。
　コンピュータで病変検出や自動診断を行う場合、過去の症例を教師とした機械学習を用いるのが一般的である。医用情報処理における機械学習の問題点として、学習に用いる症例の確保の難しさが挙げられる。このような問題を解決するための手段として、知識の動的な更新が考えられる。
　医用情報処理装置は、知識を動的に更新するために、オンライン学習によって、知識の動的な更新を実現する。また、正解率、ＳＶＭ（Support Vector Machine）のサポートベクトルの数を用いて学習の終了判定を行うことができる。
　また、医用情報処理装置は、学習用の症例データから特徴生成パラメータを生成し、特徴生成パラメータを用いて生成された各画像データの特徴ベクトルを基にして識別パラメータを生成する。そして、医用情報処理装置は、特徴生成パラメータおよび識別パラメータを新たな診断知識として、診断知識データベースに格納する技術が知られている。
特開２０１５－１１６３１９号公報
　本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、効率的な診断を行うための適切な情報を操作者に提示することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成に対応する課題を他の課題として位置づけることもできる。
図１は、第１及び第２の実施形態に係る医用情報処理装置の構成例を示す概略図。 図２は、第１の実施形態に係る医用情報処理装置の機能を示すブロック図。 図３は、第１の実施形態に係る医用情報処理装置の機能の説明を補助するための図。 図４は、第１の実施形態に係る医用情報処理装置の機能の概要を示す図。 図５は、第１の実施形態に係る医用情報処理装置の設計段階における動作をフローチャートとして示す図。 図６は、第１の実施形態に係る医用情報処理装置の識別参照情報の実装段階における動作をフローチャートとして示す図。 図７は、第１の実施形態に係る医用情報処理装置において、パターン設定表の一例を示す図。 図８は、第１の実施形態に係る医用情報処理装置において、擬似コードの一例を示す図。 図９は、第１の実施形態に係る医用情報処理装置において、表示フラグの算出過程を示す図。 図１０は、第１の実施形態に係る医用情報処理装置において、抽出された一部のパターンの表示例を示す図。 図１１は、第１の実施形態に係る医用情報処理装置において、パターン設定表の一例を示す図。 図１２は、第２の実施形態に係る医用情報処理装置の機能を示すブロック図。 図１３は、第２の実施形態に係る医用情報処理装置において、第１の機能及び第２の機能を示すデータフロー図。 図１４Ａは、第２の実施形態に係る医用情報処理装置において、信頼区間の算出方法を説明するための図。 図１４Ｂは、第２の実施形態に係る医用情報処理装置において、信頼区間の算出方法を説明するための図。 図１５は、第２の実施形態に係る医用情報処理装置において、信頼区間の算出方法を説明するための図。 図１６は、第２の実施形態に係る医用情報処理装置において、第１Ａの機能及び第２Ａの機能を示すデータフロー図。 図１７は、第２の実施形態に係る医用情報処理装置において、第１Ｂの機能及び第２Ｂの機能を示すデータフロー図。 図１８は、第２の実施形態に係る医用情報処理装置において、信頼区間の算出方法を説明するための図。 図１９は、第２の実施形態に係る医用情報処理装置において、第１Ｃの機能及び第２Ｃの機能を示すデータフロー図。 図２０Ａは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２０Ｂは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２０Ｃは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２０Ｄは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２１Ａは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２１Ｂは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２１Ｃは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２２は、第２の実施形態に係る医用情報処理装置において、第１Ｄの機能及び第２Ｄの機能を示すデータフロー図。 図２３は、第２の実施形態に係る医用情報処理装置において、第１Ｅの機能及び第２Ｅの機能を示すデータフロー図。 図２４Ａは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２４Ｂは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２５は、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図２６Ａは、第２の実施形態に係る医用情報処理装置において、判定方法を説明するための図。 図２６Ｂは、第２の実施形態に係る医用情報処理装置において、判定方法を説明するための図。 図２７は、第２の実施形態に係る医用情報処理装置において、判定方法を説明するための図。 図２８は、第２の実施形態に係る医用情報処理装置において、判定方法を説明するための図。 図２９は、第２の実施形態に係る医用情報処理装置において、第１Ｆの機能及び第２Ｆの機能を示すデータフロー図。 図３０は、第２の実施形態に係る医用情報処理装置において、第１Ｇの機能及び第２Ｇの機能を示すデータフロー図。 図３１は、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図３２は、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図３３は、敵対的生成ネットワークの構成を示す図。 図３４は、第２の実施形態に係る医用情報処理装置において、信頼区間の算出方法を説明するための図。 図３５Ａは、第２の実施形態に係る医用情報処理装置において、信頼区間の補正方法を説明するための図。 図３５Ｂは、第２の実施形態に係る医用情報処理装置において、信頼区間の補正方法を説明するための図。 図３６は、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図３７は、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図３８は、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図３９Ａは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図３９Ｂは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４０Ａは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４０Ｂは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４１Ａは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４１Ｂは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４１Ｃは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４１Ｄは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４１Ｅは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４１Ｆは、第２の実施形態に係る医用情報処理装置において、判定結果の例を示す図。 図４２は、第２の実施形態に係る医用情報処理装置において、ユーザインターフェースの例を示す図。 図４３は、第２の実施形態に係る医用情報処理装置において、ユーザインターフェースの例を示す図。 図４４は、第２の実施形態に係る医用情報処理装置において、ユーザインターフェースの例を示す図。
実施形態
　以下、図面を参照しながら、医用情報処理装置、医用情報処理方法、及び医用情報処理プログラムの実施形態について詳細に説明する。
　実施形態に係る医用情報処理装置は、処理部と、出力部とを備える。処理部は、判定対象の画像データが疾患を有する確率と、その確率の信頼度を示す指標である信頼区間とを算出する処理を行う。出力部は、確率と、確率の信頼区間とに基づく、疾患に関する情報を出力する。
　本実施形態は、判定対象である被検体の画像データが疾患を有する確率（以下、「疾患確率」という）と、疾患確率の信頼度を示す指標である信頼区間とに基づく、疾患に関する情報を出力することを目的とする。疾患に関する情報とは、疾患の有無、種別、予後、治療適正等を意味する。複数の画像パターン（以下、単に「パターン」という）のうち、「陰性的中率／陽性的中率」の信頼区間が比較的狭く信頼できる１又は複数の画像パターンに絞って疾患確率と信頼区間とを算出する場合について、第１の実施形態で説明する。陽性的中率（ＰＰＶ：Positive Predictive Value）とは、陽性と判定された例が実際に陽性であった比率を意味する。陰性的中率（ＮＰＶ：Negative Predictive Value）とは、陰性と判定された例が実際に陰性であった比率を意味する。また、判定対象である被検体に関する画像データの特徴量により、疾患に関する情報の確率の信頼区間を算出し、それに基づき疾患確率を算出する場合について、第２の実施形態で説明する。
　（第１の実施形態）
　図１は、第１の実施形態に係る医用情報処理装置の構成例を示す概略図である。
　図１は、第１の実施形態に係る医用情報処理装置１を示す。医用情報処理装置１は、医用画像管理装置（画像サーバ）や、ワークステーションや、読影端末等であり、ネットワークを介して接続された医用画像システム上に設けられる。なお、医用情報処理装置１は、オフラインの装置であってもよい。
　医用情報処理装置１は、処理回路１１と、記憶回路１２と、入力インターフェース１３と、ディスプレイ１４と、ネットワークインターフェース１５とを備える。
　処理回路１１は、専用又は汎用のＣＰＵ（Central Processing Unit）又はＭＰＵ（Micro Processor Unit）の他、特定用途向け集積回路（ＡＳＩＣ：Application Specific Integrated Circuit）、及び、プログラマブル論理デバイス等の処理回路を意味する。プログラマブル論理デバイスとしては、例えば、単純プログラマブル論理デバイス（ＳＰＬＤ：Simple Programmable Logic Device）、複合プログラマブル論理デバイス（ＣＰＬＤ：Complex Programmable Logic Device）、及び、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：Field Programmable Gate Array）等の回路が挙げられる。処理回路１１は、記憶回路１２に記憶された、又は、処理回路１１内に直接組み込まれたプログラムを読み出し実行することで後述する機能を実現する。
　また、処理回路１１は、単一の回路によって構成されてもよいし、複数の独立した回路要素の組み合わせによって構成されてもよい。後者の場合、複数の記憶回路１２が複数の回路要素の機能に対応するプログラムをそれぞれ記憶するものであってもよいし、１個の記憶回路１２が複数の回路要素の機能に対応するプログラムを記憶するものであってもよい。なお、処理回路１１は、制御部の一例である。
　記憶回路１２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、ハードディスク、及び光ディスク等によって構成される。記憶回路１２は、ＵＳＢ（Universal Serial Bus）メモリ及びＤＶＤ（Digital Video Disk）等の可搬型メディアによって構成されてもよい。記憶回路１２は、処理回路１１において用いられる各種処理プログラム（アプリケーションプログラムの他、ＯＳ（Operating System）等も含まれる）や、プログラムの実行に必要なデータ等を記憶する。また、ＯＳに、読影者等の操作者に対するディスプレイ１４への情報の表示にグラフィックを多用し、基礎的な操作を入力インターフェース１３によって行うことができるＧＵＩ（Graphical User Interface）を含めることもできる。
　また、記憶回路１２は、Ｘ線ＣＴ（Computed Tomography）装置及びＭＲＩ（Magnetic Resonance Imaging）装置等の医用画像診断装置で生成された撮像画像を記憶する。なお、記憶回路１２は、記憶部の一例である。
　入力インターフェース１３は、操作者によって操作が可能な入力デバイスと、入力デバイスからの信号を入力する入力回路とを含む。入力デバイスは、トラックボール、スイッチ、マウス、キーボード、走査面に触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一化されたタッチスクリーン、光学センサを用いた非接触入力デバイス、及び音声入力デバイス等によって実現される。操作者により入力デバイスが操作されると、入力回路はその操作に応じた信号を生成して処理回路１１に出力する。なお、医用情報処理装置１は、入力デバイスがディスプレイ１４と一体に構成されたタッチパネルを備えてもよい。なお、入力インターフェース１３は、入力部の一例である。
　ディスプレイ１４は、液晶ディスプレイパネル、プラズマディスプレイパネル、及び有機ＥＬ（Electro Luminescence）パネル等の表示デバイスである。ディスプレイ１４は、処理回路１１の制御に従って生成された医用画像を表示する。なお、ディスプレイ１４は、表示部の一例である。
　ネットワークインターフェース１５は、パラレル接続仕様やシリアル接続仕様に合わせたコネクタによって構成される。ネットワークインターフェース１５は、各規格に応じた通信制御を行い、電話回線を通じてネットワークに接続することができる機能を有しており、これにより、医用情報処理装置１をネットワークに接続させることができる。なお、ネットワークインターフェース１５は、通信部の一例である。
　図２は、医用情報処理装置１の機能を示すブロック図である。
　処理回路１１が記憶回路１２等の非一過性の記録媒体に記憶されたコンピュータプログラムを実行することによって、医用情報処理装置１は、処理機能２１と、抽出機能２２と、出力機能２３とを実現する。なお、機能２１～２３の全部又は一部は、医用情報処理装置１にＡＳＩＣ等の回路として実現されるものであってもよい。
　処理機能２１は、判定対象である被検体の画像データを複数のパターンに分類して、各パターンの疾患確率を示す指標値を識別妥当性尺度として算出する機能を含む。例えば、処理機能２１は、被検体の画像データに基づいて識別妥当性尺度を生成する学習済みモデルに対して、被検体の画像データを入力することで、識別妥当性尺度を生成する。また、例えば、疾患確率は、腫瘤の良性／悪性の確率である。なお、処理機能２１は、処理部の一例である。
　抽出機能２２は、複数のパターンの各パターンの識別妥当性尺度に基づいて、複数のパターンから、疾患の識別が行いやすい一部のパターンを抽出する機能を含む。なお、抽出機能２２は、抽出部の一例である。
　出力機能２３は、抽出機能２２によって抽出された一部のパターンを優先して出力する機能を含む。例えば、出力機能２３は、抽出機能２２によって抽出された一部のパターンを優先した表示画面を生成し、その表示画面をディスプレイ１４に表示させる機能を含む。なお、出力機能２３は、出力部の一例である。
　ここで、処理機能２１は、関心領域設定機能２１１と、特徴算出機能２１２と、尺度取得機能２１３とを含む。
　関心領域設定機能２１１は、設計段階において、複数症例を含む画像データセットの各画像データから関心領域を抽出する機能を含む。また、関心領域設定機能２１１は、実装段階において、新規症例の画像データから関心領域を抽出する機能を含む。つまり、関心領域設定機能２１１が被検体の画像データの関心領域を設定することで、関心領域に基づいて、被検体の画像データを複数のパターンに分類することが可能になる。なお、関心領域設定機能２１１は、関心領域設定部の一例である。
　特徴算出機能２１２は、関心領域設定機能２１１によって抽出された設計段階における各画像データの関心領域に基づいて特徴量を特徴ベクトルとして算出し、当該特徴ベクトルに基づいて分類尺度ベクトルを算出する機能を含む。また、特徴算出機能２１２は、関心領域設定機能２１１によって抽出された実装段階における画像データの関心領域に基づいて特徴量を特徴ベクトルとして算出し、当該特徴ベクトルに基づいて分類尺度ベクトルを算出する機能を含む。なお、特徴算出機能２１２は、特徴算出部の一例である。
　尺度取得機能２１３は、実装段階における各群の分類尺度ベクトルの分布情報と、新規症例の疾患確率（不明なら均等などと仮定）とを取得する機能を含む。尺度取得機能２１３は、特徴算出機能２１２から、群（クラス）に属する分類尺度ベクトルを直接取得する。本明細書及び図面において、疾患あり、疾患なし等の、利用する複数の画像データの属性を「群」と称する。尺度取得機能２１３は、特徴算出機能２１２の各群の分類尺度ベクトルの統計的分布のパラメータを取得する。なお、尺度取得機能２１３は、尺度取得部の一例である。
　抽出機能２２は、尺度取得機能２１３によって取得された分類尺度ベクトルから各パターンに分類する分類基準とパターンの表示条件を取得し、パターン候補の各々について、各群の分類尺度ベクトルの分布（と関心領域の分類尺度ベクトル）から予測疾患確率等の参考情報を算出する機能を含む。抽出機能２２は、パターン候補の各々について、そのパターンで識別する妥当性の尺度を識別妥当性尺度として算出し、それに基づいて表示するパターンの組み合わせを決定する機能を含む。抽出機能２２は、識別ベクトルの値、パターン分類基準、群尺度により表示フラグを設定する（パターン分類基準は、より一般にはパターン重み関数）機能を含む。
　出力機能２３は、抽出機能２２によって抽出され設定された表示フラグに基づいて、パターンの名称と、それぞれのパターンの参考情報（群尺度情報）をディスプレイ１４に表示させる機能を有する。
　比較例において、識別目的と対象画像データとの関係を参考情報として提示している。例として病名が識別目的であり、その病名の典型画像に対して類似症例を提示して、対象画像と近いかどうかを目視で判断するための情報を提供する。また、対象画像がその病名に対し典型的な画像かを示す典型度を提示する。これらは診断に当たって参考となる情報である。しかし、判断が妥当であるかどうかを読影者が追確認する状況、あるいは、判断の過程や追確認の過程を読影者の判断の記録として言語により記載する状況（カルテへの記載や診断レポートの作成）を考えると、従来例が提示する参考情報は、読影者が追確認や判断過程の記録に有用な情報とはいえない。
　追確認や判断過程の記録のためには、識別目的と異なる観点での参考情報の提示が必要になる。例えば、風邪かどうかを判断するため、また、判断過程を記録するためには、咳などの症状の有無や体温など、風邪かどうか以外の情報の提示が重要である。また、提示される参考情報は、類似画像のようなものではなく言語として表現できるものである必要がある。さらには、画像診断の目的に供するためには、提示される参考情報は症状の有無や体温といった直接計測できるものではなく、画像データの特徴を表す情報である必要がある。
　そこで、医用情報処理装置１は、処理機能２１と、抽出機能２２と、出力機能２３とを備えるものとする。
　なお、機能２１～２３の具体的な動作については、図３～図１１を用いて後述する。
　図３は、医用情報処理装置１の機能の説明を補助するための図である。
　医用情報処理装置１は、画像データの疾患領域を設定し、提示される情報と画像データの観察結果とに基づいて、読影者が疾患領域の疾患の状態、例えば、「陰性」又は「陽性」を識別する例について述べる。提示される情報は、読影者が「陰性」又は「陽性」を識別するための参考となる識別参考情報である。
　識別方法を構成するための識別対象のデータとして、例えば、ＮL個の乳腺造影ＭＲＩ画像データが使用される。ＮL個の乳腺造影ＭＲＩ画像データのそれぞれは、確定診断の結果に基づき「良性」又は「悪性」が教師データとして与えられる。悪性が陽性に、良性が陰性にそれぞれ対応する。
　医用情報処理装置１は、これらＮL個の症例からなるデータセットに基づいて分類尺度ベクトルＮxを算出することで、パターン名称等からなるパターンを生成する。そして、ＮL個の症例からなるデータセットの識別結果を、識別対象の画像データに対して適用し、識別参考情報として読影者に提示する。読影者は、提示された識別参考情報から容易に「陰性」又は「陽性」の識別を行うことができる。さらに、読影者は、識別参考情報に基づいて、識別対象の画像データ等の画像データを観察して、その識別が妥当であるか確認し、必要なら識別を修正することもできる。
　医用情報処理装置１は、識別参考情報として、複数のパターンを表示する。医用情報処理装置１は、パターンとして、画像データの特徴を表す名称や、識別対象の画像データがそのパターンに属するかどうかの参考情報や、そのパターンにおいて識別対象の画像データは良性か悪性かを判断するための参考情報を表示する。パターンは常に同じものを表示するのではなく、必要なパターンのみが表示される。パターンの表示または非表示については、そのパターンでの識別が妥当性であるかを表す値（識別妥当性尺度）に基づいて決定される。
　このような識別方法を設計するにあたり、陽性的中率（ＰＰＶ）が「ＰＰＶ＜定数」となる識別能力が得られることを設計の条件として導入する。さらに「特異度が最大」となる識別能力が期待できるよう設計の目標を設定する。例えば、定数は「０．０５」であり、これは、「ＰＰＶ＜０．０５」となる識別能力を意味する。この条件により、検査で関心領域があるパターンに分類されると判断した場合、関心領域が悪性である確率が５％以下であること、すなわち、良性である可能性が高いことが要求される。
　さらに、特異度が最大であることを目標としているため、良性の関心領域が悪性と判断される可能性が小さくなることが期待される。条件や目標は感度、陰性的中率（ＮＰＶ）等の他の基準を用いて設定することも可能である。
　実施形態に係る医用情報処理装置は、次の処理の２段階（１），（２）からなる。
　（１）設計段階（データセットの識別）
　（２）実装段階（新規症例での処理）
　上記（１）の設計段階は、教師データセットの確率分布に対する解析を行い、その結果を保存するものである。当該設計段階は、識別の対象となる新規症例が与えられる前に１度だけ実施すればよい。
　上記（２）の実装段階は、新規症例ごとに実行する実装段階の処理である。この処理では新規症例の１つについて識別の参考となる情報を算出し提示するものとして説明する。
　なお、上記（１），（２）の各段階における処理をどこで分割するかは任意であるが、以下、代表例に基づいてそれらの処理を記載する。
　図４は、医用情報処理装置１の機能の概要を示す図である。
　図４に示すように、処理機能２１は、被検体の画像データに基づいて識別妥当性尺度を生成する学習済みモデルに対して、被検体の画像データを入力することで、識別妥当性尺度を生成する。抽出機能２２は、複数のパターンの各パターンの識別妥当性尺度に基づいて、複数のパターンから、疾患の識別が行いやすい一部のパターンを抽出する。出力機能２３は、抽出機能２２によって抽出された一部のパターンを優先して出力する（図４の下側の表示画面）。
　図５は、医用情報処理装置１の設計段階における動作をフローチャートとして示す図である。図６は、医用情報処理装置１の識別参照情報の実装段階における動作をフローチャートとして示す図である。図５及び図６において、「ＳＴ」に数字を付した符号はフローチャートの各ステップを示す。
　処理機能２１は、複数症例を含む画像データセットを取得する（ステップＳＴ１）。関心領域設定機能２１１は、画像データセットの各画像データについて関心領域を設定する（ステップＳＴ２）。ステップＳＴ２において、例えば、関心領域設定機能２１１は、乳がんの造影ＭＲＩにおいて収集された乳腺造影ＭＲＩ画像データから、解析対象領域、例えば、腫瘤領域を抽出して関心領域として設定する。関心領域設定機能２１１は、複数症例を含むＮL個の乳腺造影ＭＲＩ画像データから、合計ＮL個の関心領域を設定する。
　特徴算出機能２１２は、ステップＳＴ２によって設定されたＮL個の関心領域に対して、教師データをそれぞれ設定する（ステップＳＴ３）。具体例としては、各関心領域に対して、腫瘤の状態、例えば、「良性」又は「悪性」が割り当てられる。又は、各関心領域に対して、腫瘤の状態、例えば、陰性、陽性、正常、疾患、異常等を割り当てられてもよい。また、具体的な疾患名を用いて３つ以上の値が割り当てられてもよい。教師データとして確定診断の結果を用いる場合、教師データは確定診断が得られたときに初めて設定可能となる。
　特徴算出機能２１２は、ステップＳＴ２によって設定された複数の関心領域にそれぞれ対応する複数の特徴量を特徴ベクトルとして算出する（ステップＳＴ４）。特徴算出機能２１２は、ステップＳＴ４において、関心領域ｉに対するｊ番目の特徴量をｆij（図３に図示）と表現する。また、関心領域ｉに対する複数の特徴量は、特徴ベクトルＦiを構成する。
　例えば、特徴量は、造影ダイナミック画像の初期造影強度の平均値である。初期造影強度は、造影後の第１相、又は、第２相の画素値から造影前の画素値を引いた画素値の差を造影前画素値で割った値を関心領域の全画素で平均をとった値である。その他、特徴量は、ピーク造影強度や後期造影強度等の様々な造影関連パラメータであってもよく、これらの平均であってもよい。さらに、特徴量は、平均値のみでなく各種の統計量であってもよい。造影関連パラメータとテキスチャ解析値の組み合わせで多種多様な特徴量が算出され得る。また、円形度等の形態的な画像の特徴量でもよい。通常、造影ダイナミック画像には位置合わせ処理や、動き補正処理が適用される。
　尺度取得機能２１３は、分類尺度ベクトルの算出方法を決定し、その算出方法により分類尺度ベクトルを算出する（ステップＳＴ５）。尺度取得機能２１３は、教師データに対応する各画像データの特徴ベクトルを変換することで、分類尺度ベクトルを算出する。これは、例えば、特開２０１５－１１６３１９号公報において識別ベクトルの算出方法を決めることに相当する。関心領域ｉに関するｋ番目の分類尺度をｘij（図３に図示）と表現する。関心領域ｉに関する複数の分類尺度を分類尺度ベクトルＸiで表す。特徴ベクトルＦxは、分類尺度ベクトルＸiとの関係をモデルにより次の式（１）で表される。
Figure JPOXMLDOC01-appb-M000001
　モデルとモデルパラメータを適切にとれば、分類尺度ベクトルの各々の要素が表す特徴に言語的な意味づけを与えることができる。そこで、尺度取得機能２１３は、ステップＳＴ５において、各々の要素が適切に意味づけできるようにモデルパラメータを決定する。
　分類尺度の各々の要素（以降、要素番号をｋで表す）は、その値の大小に応じて名称が与えられる。例えば、分類尺度ベクトルｘiの最初の要素（ｋ＝１）は辺縁や形状の複雑性を表す尺度である。この尺度が小さな値（ｘij≦Ｔ）には「ｓｍｏｏｔｈ」や「ｓｉｍｐｌｅ」、大きな値（ｘij＞Ｔ）には、「ｉｒｒｅｇｕｌａｒ」や「ｃｏｍｐｌｅｘ」といった名称が与えられる。分類尺度ベクトルｘiの２番目の要素（ｋ＝２）は、造影曲線の後半が下降するとき小さな値（名称の例は、「ｗａｓｈｏｕｔ」、「ｄｏｗｎｓｌｏｐｅ」等）、後半が下降しないとき大きな値（名称の例は、「ｎｏｔ　ｗａｓｈｏｕｔ」、「ｎｏｔ　ｄｏｗｎｓｌｏｐｅ」等」となる。
　なお、特徴ベクトルから分類尺度ベクトルへの変換パラメータは、全領域のデータと教師データを基に、種々の線形／非線形最適化手法を用いて決定する。人工ニューラルネットワークやランダムツリー等の機械学習の技術も適用可能である（後述する第２の変形例）。比較的単純な方法は、特徴ベクトルの要素のうち適切な要素のみを選び、それを分類尺度ベクトルとするものである。具体的には、２つの要素の組み合わせのうち、２つの要素で２変数識別を行ったとき、識別の妥当性についての尺度が最大となる組み合わせを選ぶといった構成が可能である。識別妥当性尺度については後述する。
　尺度取得機能２１３は、分類尺度ベクトルの算出方法を決定した後、その決定方法に従って分類尺度ベクトルＸiを算出する。
　抽出機能２２は、ステップＴＳ５によって取得された分類尺度ベクトルから各パターンに分類する（ステップＳＴ６）。最も単純なパターン分類法として閾値による分類である。
　図７は、パターン設定表を示す図である。図７は、閾値によるパターン分類を行うものである。
　閾値により分類されるパターン候補の一例を表として示す図である。図７に示す表において、ｈ＝１，２，…の各々が１つのパターンに対応している。図７に示す表において、複数のパターン番号ｈ＝１，２，…，９，１０，…が表現される。実際には、多数のパターンが表現されるが、当該表はその一部のみを示したものである。なお、説明の便宜のため、正規分布モデルでいうｈ１～ｈ９の類型を、実施形態において、「パターン」と呼称する。
　当該表のパターン分類基準は、判別不等式として表現される。当該表では、パターン分類尺度のどの要素に関する閾値であるか、不等号の向き、閾値の値により構成される。当該表では、第１パターンの分類に辺縁や形状の複雑性を表す分類尺度であるｋ＝１の要素ｘｓ１を用い、複雑性が低いときにこのパターンに属すると判定する。そのため、パターン名称として「辺縁平滑」が設定される。
　判定に用いる要素、不等号の向き、閾値を決めるために、種々の判別分析手法を適用することができる。これらの手法を用いれば各群の分類尺度ベクトルから判別式を決定することができる。
　閾値を決める具体的な方法の１つは、「ＰＰＶ＜定数」の条件を満たす閾値のうち「特異度が最大」の閾値、およびそのときの不等号の向きを選ぶものである。ＰＰＶは陽性適中率であり、このパターンに判定される関心領域のうち、教師データが「腫瘤」である腫瘤群の割合である。ＰＰＶの代わりに予測陽性率の信頼区間（後述）を基に閾値を決定することも可能である。これは選んだパターンが陽性と判定されることを想定した場合であるが、選んだパターンが陰性であると捉えることもでき、このとき算出されるＰＰＶは、実際にはＰＰＶではなく、１－ＮＰＶ（陰性適中率）となる。
　閾値による分類は、不等式だけでなく、パターン重み関数によっても表現することができる。当該表のパターン分類基準の欄の下段に記載されている式がパターン重み関数による表現である。
　上記は、全関心領域の分類尺度ベクトルと教師データを基に領域の数をカウントして閾値を決める方法の場合について記載しているが、その場合に限定されるものではない。他の方法として、各群のパターン分類尺度ベクトルを基に、各群の確率分布を、例えば多次元正規分布等で表し、分布関数（又は、確率密度関数）をフィッティングにより求める方法を用いてもよい。この方法の場合も同様に各群の分布を基に、ＰＰＶや特異度等の条件を基に閾値および不等号の向きを決めることができる（後述する第１の変形例）。
　また、当該表の表示基準は、パターンごとに表示基準と子パターンを有する。これらの詳細については次の実装段階で説明する。
　図５の説明に戻って、医用情報処理装置１は、以下の（ａ）～（ｄ）のデータを、次の実装段階で利用可能なように保存する。
　（ａ）分類尺度ベクトルの分布
　分類尺度ベクトルの分布は、ＮL個の算出された分類尺度ベクトル、分類尺度ベクトルの分布を表すパラメータ、関心領域の疾患確率を意味する。分布情報の表現方法として、上記のほか、各群の（１又は複数の閾値）による各レベルの発生数、各群の各レベルの発生確率、各群のヒストグラム等の表現方法で保存する構成もあり、これらは同等である。
　（ｂ）パターン名称
　（ｃ）パターン分類基準
　（ｄ）表示基準（と子パターン）
　図６の説明に進んで、医用情報処理装置１は、新規症例に対する識別参考情報の提示処理を行うために、識別対象の画像データ（例えば、乳腺造影ＭＲＩ画像データ）を取得する（ステップＳＴ１１）。そして、関心領域設定機能２１１は、ステップＳＴ１１によって取得された識別対象の画像データから腫瘤領域を関心領域として設定する（ステップＳＴ１２）。特徴算出機能２１２は、関心領域に対応する特徴量を特徴ベクトルとして算出する（ステップＳＴ１３）。ステップＳＴ１３における特徴ベクトルの算出は、図５に示すステップＳＴ４と同等の方法で行われる。
　特徴算出機能２１２は、識別対象の画像データについて、分類尺度ベクトルの算出方法を決定し、その算出方法により分類尺度ベクトルを算出する（ステップＳＴ１４）。ステップＳＴ１４における分類尺度ベクトルの算出方法の決定と、分類尺度ベクトルの算出とは、図５に示すステップＳＴ５と同等の方法で行われる。単純に特徴ベクトルの２要素を選ぶ方法を用いる場合は、特徴ベクトルは最初からその２要素のみを計算し、それらをそのまま分類尺度とすればよい。
　尺度取得機能２１３は、図５に示すステップＳＴ３によって設定された複数の教師データに対応する分類尺度ベクトルを取得する（ステップＳＴ１５）。又は、群ごとに決定した分布関数のパラメータ、例えば平均と標準偏差を取得する（後述する第１の変形例）。また、新規症例における各群の発生比率（関心領域の疾患確率）を読み込む。例えば、本方法での検査対象となる症例の７割が悪性、３割が良性であることが想定される場合、これらの割合を読み込む。７割という割合は「関心領域の疾患確率」であり、教師データセットでの各群の発生比率とは一般に異なる。関心領域の疾患確率は有病率と呼ばれることもある。
　抽出機能２２は、ステップＳＴ１５によって取得された分類尺度ベクトルから各パターンに分類する（ステップＳＴ１６）。抽出機能２２は、群ごとに取得した分類尺度ベクトルの分布（平均・標準偏差・発生確率、又は教師データセット全部の分類尺度ベクトル）をもとに、そのパターンがどの群に属するかの指標になる値である群尺度情報を算出する（ステップＳＴ１７）。群尺度情報は、パターンごとに算出される。パターンの数値的な定義は「パターン分類基準」で指定されているので、群尺度情報は、図７の表の「パターン分類基準」に従って算出する。
　「パターン分類基準」は、より一般には「パターン重み関数」で表現される。図７の表に示す例では、「ｘｓ１≦Ｔ１ｈ」は関数ｕ（Ｔ１ｈ－ｘｓ１）で表される。ｕ（ｘ）は、次の式（２）に示すように階段関数である。
Figure JPOXMLDOC01-appb-M000002
　パターン重み関数としては、新規症例の分類尺度ベクトルＸsが、パターンｈの典型的な点μhに近いときは「１」に近く、遠ざかるほど「０」に近い値となる釣鐘上の関数を用いることができる。
Figure JPOXMLDOC01-appb-M000003
　ｗh（Ｘs）は、分類尺度ベクトルＸsがパターンｈに属するかどうかを判断する関数である。
　重み関数の別の構成では（後述する第１の変形例）、典型点μhが新規症例の分類尺度ベクトルＸsに等しいとしたとき（μh＝Ｘs）、任意のベクトルＸがパターンｈに属するかを判断するよう以下の関数を用いる。
Figure JPOXMLDOC01-appb-M000004
　このとき、パターンｈのパターン分類基準は「釣鐘上、ｋ＝１，２」のような表記となり、この表記に従い、ｋ＝１とｋ＝２の２つの要素以外はＲh -1の要素を「０」に置き換えることもできる（後述する第１の変形例）。
　このように、群尺度情報の算出に新規症例の分類尺度ベクトル が参照される構成も可能である。閾値による判定も同様に に依存して閾値が変化する構成が可能である。
　続いて、群尺度情報を算出する具体例（Ａ）～（Ｇ）について説明する。なお、「Ｎpb」はパターンに含まれる領域のうち良性の領域の数であり、「Ｎpm」は、パターンに含まれる領域のうち悪性の領域の数であり、Ｎpb＝Ｎb－Ｎpb、Ｎnm＝Ｎm－Ｎpmとする。ここで、Ｎbは、良性群の領域数、Ｎｍは、悪性群の領域数である。Ｐmは、関心領域の疾患確率であり、Ｐb＝１－Ｐmである。
　（Ａ）精度＝（Ｎpm＋Ｎnm）／（Ｎb＋Ｎm）
　（Ｂ）良性群中陽性率（期待値）Ｐpb＝Ｎpb／（Ｎpb＋Ｎnb）　－（１－特異度）
　（Ｃ）良性群中陽性率の信頼区間（下限と上限）－省略
　（Ｄ）悪性群中陽性率（期待値）Ｐpm＝Ｎpm／（Ｎpm＋Ｎnm）　－（感度）
　（Ｅ）悪性群中陽性率の信頼区間（下限と上限）－省略
　（Ｆ）予測陽性率（期待値）＝Ｎpm／（Ｎpb＋Ｎpm）　－（陽性的中率ＰＰＶ）、又は、予測陽性率(期待値)＝Ｐpm×Ｐm／（Ｐpb×Ｐb＋Ｐpm×Ｐm）
　（Ｇ）予測陽性率の信頼区間（下限と上限）　－省略
　なお、群ごとの領域の数が取得されるのではなく、群ごとに決定した密度関数Ｐpb（Ｘ）、Ｐpm（Ｘ）、疾患確率Ｐｂが取得されるとき（後述する第１の変形例）、ＰpbとＰpmは重みつき積分で求められる。
Figure JPOXMLDOC01-appb-M000005
　予測陽性率は、良性／悪性の事前確率Ｐb、Ｐm＝１－Ｐb、データの確率分布Ｐpb（Ｘ）、Ｐpm（Ｘ）、測定ノイズの確率分布Ａwh（Ｘ,Ｘs）が与えられ（Ａ：積分を「１」にするための係数）、データＸsが測定されたとき、データが悪性領域から得られたものである確率をベイズの定理により事後確率として求めたものである。
　良性群中陽性率、悪性群中陽性率、予測陽性率の信頼区間を算出するさまざまな方法が提案されている。例えば、二項分布に基づく方法が正確であることが知られており、これを採用することが望ましい。
　上記（Ａ）～（Ｇ）の他、オッズ比などさまざまな指標値が考えられ、これらの期待値と信頼区間が群尺度情報として算出される。
　図６の説明に戻って、抽出機能２２は、識別妥当性尺度を算出する（ステップＳＴ１８）。抽出機能２２は、そのパターンに従って陽性または陰性と判断することをどれだけ信頼できるかを表す尺度として群尺度の算出値を用いて識別妥当性尺度を算出する。精度や予測陽性率など群尺度として算出された期待値または信頼区間を直接に識別妥当性尺度として用いることもできるが、実施形態では、予測陽性率の信頼区間などから以下の擬似コードで識別妥当性尺度を求める。擬似コード内の「陽性判定向け」、「陽性判定時ＰＰＶ設計下限値」、「予測陽性率の信頼区間上限値」は、図７に示す表の「設計目標」の記載内容である。
　図８は、擬似コードの一例を示す図である。
　図８に示す擬似コードの１行目と２行目は設計範囲からの信頼区間のはみ出し量となっている。３行目を満たすときは陽性と判定することが妥当であり、この場合、１行目の値を識別妥当性尺度として使用する。ただし、値が大きい方の妥当性が高くなるように正負を反転している。
　５行目は信頼区間が設計条件に収まっていることを示しており、この場合は感度の信頼区間下限を識別妥当性尺度として使用する。３行目を満たさないときは陰性と判断することが妥当なため２行目の値を正負反転して識別妥当性尺度として使用する。１０行目は信頼区間が設計条件に収まっていることを示しており、この場合は特異度の信頼区間下限を識別妥当性尺度として使用する。
　図６の説明に戻って、抽出機能２２は、抽出された一部のパターンに対し表示フラグを設定する（ステップＳＴ１９）。表示フラグは、図７に示す表の表示基準に従って算出する。ｈ＝９のパターンは表示基準が「すべての上位パターン（親パターン）より識別妥当性尺度が大きい」となっている。この条件を満たすときだけそのパターンの表示フラグを「ｔｒｕｅ」に設定し、そうでないときは表示フラグを「ｆａｌｓｅ」に設定する。さらに追加の条件としてパターン重み関数が「０」でないという条件を付加する。このためパターン分類基準を満たさないパターンは表示フラグが「ｆａｌｓｅ」となり、さらにそれ以外で表示基準を満たす場合は表示フラグが「ｔｒｕｅ」、満たさない場合は表示フラグが「ｆａｌｓｅ」に設定される。
　図７に示す表で、パターン１，４，９の３つのパターンがパターン分類基準を満たす場合を考える。表示フラグを「ｔｒｕｅ」にする候補はこの３つである。ｈ＝９のパターンの上位パターンは、子パターンに「９」が記載されているｈ＝４のパターン（パターン９の親パターン）と、子パターンに4が記載されているｈ＝１のパターン（パターン４の親パターン）の２つである。
　図７に示す表では、これらの予測陽性率上限はそれぞれ、３４．４％（パターン１）、６．５％（パターン４）、１６．７％（パターン９）と表示されており、識別妥当性尺度は、－０．３４４％（パターン１）、－０．０６５％（パターン４）、－０．１６７％（パターン９）である。パターン９の識別妥当性尺度は、パターン４の識別妥当性尺度よりも小さいため、パターン９は表示基準を満たしていないことがわかる。そのため、パターン９の表示フラグは「ｆａｌｓｅ」に設定され、そのため、パターン９は実際には画面には表示されない。パターン４は、表示基準は満たすため「ｔｒｕｅ」となり、パターン１は常に「ｔｒｕｅ」という表示基準のため、表示フラグは「ｔｒｕｅ」となる。表示フラグの算出過程について、図９に示す。図９において、図７に示すパターン９の識別妥当性尺度は表示基準を満たしていないので、パターン９の表示フラグは「ｆａｌｓｅ」に設定される。一方で、パターン４の識別妥当性尺度は表示基準を満たすので、パターン４の表示フラグは「ｔｒｕｅ」に設定される。
　医用情報処理装置１は、抽出された一部のパターンに関するパターン名称、群尺度の算出値を図７に示す表に従ってディスプレイ１４に表示させる（ステップＳＴ２０）。
　図１０は、抽出された一部のパターンの表示例を示す図である。
　図１０に示すように、最初の「辺縁平滑パターン」は、図７に示す表の先頭パターンのパターン名称を基に文字情報として表示されている。各パターンに表示している数値は群尺度の算出値である。「良性群中」の数値は良性群中陽性率（期待値）、「悪性群中」の数値は悪性群中陽性率（期待値）の算出値である。また、予測陽性率（又は、予測悪性率）の期待値や信頼区間の広さも識別妥当性尺度として表示される。
　パターンは表示フラグが「ｔｒｕｅ」のものだけが表示される。従って、図１０の３番目のパターン（パターン９）は実際には表示されない。なお、抽出機能２２が、優先度に関係なく、標準で表示する特定のパターンを予め規定することで、出力機能２３は、抽出された一部のパターンを優先してディスプレイ１４に表示させる一方で、優先度に関係なく特定のパターンをディスプレイ１４に表示させることもできる。
　このように、医用情報処理装置１によれば、識別妥当性尺度の値に応じて、各パターンを表示するかどうかが判断された結果、一部のパターンのみが表示されるので、効率的な診断を行うための適切な情報を操作者に提示することができる。
　なお、学習データ群を予め複数パターンに分類して、各パターンの良性確率／悪性確率（例えば、「良性＝２～５０％」のように分布をもつ場合もある）を予め算出しておいてもよい。その場合、被検体の画像データに該当する複数のパターンを設定した時に、出力機能２３は、複数のパターンのうち、悪性、又は、良性の識別を行いやすい一部パターンを優先してディスプレイ１４に表示させることもできる。
　医用情報処理装置１によれば、目的とする判断と異なる観点の情報を、画像データから得られる複数のパターンとして表示することができるし、パターンの参考情報として、そのパターンを示す文字情報（具体的にはパターンの名称）を表示することもできる。一方で、医用情報処理装置１によれば、複数のパターンを網羅的に表示したいが、反面、提示するパターンが過多にならないようにすることができる。
　医用情報処理装置１によれば、特に、パターン候補ごとに参考情報として画像の特徴をあらわす名称を表示することで、乳がんＭＲＩの読影とその結果のレポート記載に有用な情報を提供するができる。その際、表示するパターンに不足があると正しい診断のために必要な情報を提示できず、過多であると効率的な診断の妨げになるが、医用情報処理装置１によれば、必要最小限のパターンの提示を実現できる。
　（第１の変形例）
　図５に示す設計段階において、各群のパターン分類ベクトルの確率分布を多次元正規分布で表し、確率密度関数をフィッティングにより求める。これらの値は分類尺度ベクトルの分布情報として保存される。フィッティングの結果、各群の平均値と標準偏差が求められる。
　図１１は、パターン設定表の一例を示す図である。図１１は、正規分布モデルによる分類尺度ベクトルの分布の近似によりパターン分類を行うものである。
　パターン重み関数は、前述したｗh（Ｘ，Ｘs）の式で算出する。Ｒh -1の要素のうち、表の「パターン重み関数」に記載のない要素は、値を「０」に設定する。例えば、図１１に示す表のパターン６のパターン重み関数にはｘｓ１，ｘｓ２，ｘｓ３の３要素が記載されている。これは分類尺度ベクトルのこれら３要素についての正規分布用の重み関数を用いることを示しており、これら３要素以外のＲh -1の要素は「０」に置き換える。
　図６に示す実装段階において、保存された平均値と標準偏差を分類尺度ベクトルの分布として取得し、パターン重み関数は、設計段階と同様に算出する。良性群中陽性率（期待値）Ｐpbと悪性群中陽性率（期待値）Ｐpmとは、上記式（５）により算出される。
　なお、予測陽性率（期待値）は、ＰpbとＰpmとから、前述のように算出される。また、信頼区間についても前述のように算出される。
　医用情報処理装置１の第１の変形例によれば、識別妥当性尺度の値に応じて、各パターンを表示するかどうかが判断された結果一部のパターンのみが表示されるので、同様に、効率的な診断を行うための適切な情報を操作者に提示することができる。
　（第２の変形例）
　前述の図３は、特徴ベクトルから分類尺度ベクトルへの変換のパラメータを決定するための構成を示す。分類尺度ベクトルへの変換のモデルパラメータを決めたとき、教師データでの識別成績を求めるステップを簡潔にすることもできる。関心領域ｉごとに次の式（６）からＸiを算出し、パターンｈごとに次の式（７）からＰpbを算出する。
Figure JPOXMLDOC01-appb-M000006
Figure JPOXMLDOC01-appb-M000007
　ここで、パターンｈの識別妥当性尺度は、擬似コード（図８に図示）によりＰｐｂ、Ｐｐｍから算出する。関心領域ｉの最大識別妥当性尺度は、識別妥当性尺度（ｈ＝１，２，…）の最大値である。識別成績は、最大識別妥当性尺度（ｉ＝１，２，…）の信頼区間下限値である。
　変換パラメータを決定するためには、上記のステップを反復的に実行し、識別成績が最大となるモデルパラメータを求める。識別成績の最大化には公知の最適化技術が用いられる。また、人工ニューラルネットワークやランダムフォレストを用いた回帰分析や、線形アルゴリズムによるモデル推定も適用可能である。
　このように求めた変換パラメータは、新規症例での処理に適用される。
　医用情報処理装置１の第２の変形例によれば、識別妥当性尺度の値に応じて、各パターンを表示するかどうかが判断された結果一部のパターンのみが表示されるので、同様に、効率的な診断を行うための適切な情報を操作者に提示することができる。
　（第２の実施形態）
　第２の実施形態に係る医用情報処理装置１Ａは、被検体に関するの画像の特徴量により、疾患に関する情報の確率の信頼区間を算出し、それに基づき疾患、あるいは疾患に関わる確率区分を判定するものである。また、医用情報処理装置１Ａは、必要に応じて、信頼区間により症例数（又は、検査数）の計数範囲を選択することができるものである。
　第１の比較例として、被検体のＣＴ画像やＭＲＩ画像の病変領域などで画像の特徴量を算出し、その特徴量を閾値で判定して疾患の有無、良性／悪性などを判定する技術がある。このような技術の評価のための多症例での臨床研究では、陽性的中率（ＰＰＶ）や、陰性的中率（ＮＰＶ）や、それらの信頼区間が評価に用いられることがある。
　第１の比較例では、陽性と判定される場合、陽性的中率を疾患確率あるいは悪性の確率とみることができ、陰性と判定される例では陰性的中率を疾患のない確率あるいは良性の確率などとみることができる。しかし、陽性と判断された場合に疾患のない確率や陰性と判断された場合に疾患がある確率を表すものではない。信頼できる結果を得るためには、陽性的中率や陰性的中率の信頼区間が小さくする必要があり、そのためには十分大きな症例数を用いて評価を行うことが必要である。また、被検体に関する画像の特徴量が閾値に近いとき、あるいは逆に閾値より離れ大多数の検査より偏った位置にあるとき、症例数を数える計数範囲の偏った位置に特徴量があることになる。そのため、閾値での判定で評価した陽性的中率や陰性的中率は、当該被検体に関する特徴量に対しては計数範囲の非対称性が大きいことになり、陽性的中率や陰性的中率は、その被検体の実際の陽性確率や陰性確率とは大きく隔たりのある値となりえる。陽性的中率や陰性的中率の信頼区間も同様に、その被検体の実際の確率の範囲とは異なる可能性がある。
　なお、陽性的中率（ＰＰＶ）の信頼区間と、陰性的中率（ＮＰＶ）の信頼区間とは、検査を多数実施した時の平均的な性能と幅を表わすものであり、新規検査に対する性質を直接には表していない。新規検査の実際の性能値は、陽性的中率、陰性的中率での値とは異なる。被検体に関する画像の特徴量の値が閾値の近傍であるとき、この差は特に大きい。陽性的中率の信頼区間と、陰性的中率の信頼区間との両方を表示しても参考にすべき値はどちらかのみである。新規検査が陽性判定だが、陰性の確率を見たいとき、どれも実際の正答率を表していない。なお、以下、説明の便宜上、疾患の判定、疾患の確率、悪性の判定、悪性の確率、疾患有無の判定、疾患なしの確率、それらの信頼区間等の語を使用する。これは説明のための語であり、本明細書及び図面で示すようにこれらは、「疾患有無」、「疾患種別」、「予後良好／不良」、「治療適性あり／なし」の判定、これらの確率、およびこれらの信頼区間を代表するものである。
　第２の比較例として、研究に用いた多数の症例に関する画像の特徴量の値で良性群のヒストグラムと悪性群のヒストグラムを求め、被検体に関する画像の特徴量の値での良性の頻度、悪性の頻度から、「悪性確率＝悪性頻度／（良性頻度＋悪性頻度）」により悪性確率を求める単純ベイズ法と呼ばれる技術がある。
　第２の比較例では、悪性確率や陽性確率を求めることができるが、信頼区間を算出することができないという問題がある。そのため、信頼できる結果を得るためには十分に症例数を多くした大規模な臨床研究が必要になる。
　第３の比較例として、統計解析による様々な量、例えば画像の特徴量の標準偏差や平均値の信頼区間を使用する例が、臨床研究に広く用いられている。また、第４の比較例として、被検体の画像で測定した海馬体積が正常症例群での海馬体積の何パーセンタイルにあたるか（パーセンタイルランク）を表示するソフトウェアがある。また、体積の５パーセンタイル値と、９５パーセンタイル値を表示し、被検体の海馬体積がこの間に含まれるかを判定するソフトウェアもある。
　第３の比較例では、統計量の信頼区間は、複数症例からなるある群での分布の特徴を表すものであり、１例の被検体の検査データ（１例）の信頼度を示さない。従って、１検査データの解析結果の信憑性を表す数値として用いることはできない。第４の比較例では、パーセンタイル表示は被検体の海馬体積が正常範囲であるかの指標であるが、正常である確率を表すものではなく、その信頼区間でもない。正常か異常かの判定の信憑性を示すものとして使うことはできない。
　そこで、第２の実施形態に係る医用情報処理装置１Ａは、被検体に関する画像の特徴量により、疾患に関する情報の確率の信頼区間を算出し、それに基づき疾患あるいは疾患に関わる確率区分を判定し、また、確率の信頼区間により症例数の計数範囲を選択するものである。
　第２の実施形態に係る医用情報処理装置１Ａの構成は、図１に示す第１の実施形態に係る医用情報処理装置１の構成と同等であるので、説明を省略する。
　図１２は、医用情報処理装置１Ａの機能を示すブロック図である。
　処理回路１１が記憶回路１２等の非一過性の記録媒体に記憶されたコンピュータプログラムを実行することによって、医用情報処理装置１は、出力機能２３と、統計情報収集機能２４と、処理機能２５とを実現する。なお、機能２３～２５の全部又は一部は、医用情報処理装置１にＡＳＩＣ等の回路として実現されるものであってもよい。
　統計情報収集機能２４は、複数の画像データの特徴に基づき疾患の頻度に関する統計情報を収集する機能と、収集した統計情報を記憶回路１２に記憶させる機能とを含む。なお、統計情報収集機能２４は、統計情報収集部の一例である。
　処理機能２５は、判定対象である被検体の画像データが疾患を有する確率と、その確率の信頼度を示す指標である信頼区間とを算出する処理を行う機能を有する。具体的には、処理機能２５は、統計情報取得機能２５１と、信頼区間算出機能２５２とを有する。なお、処理機能２５は、処理部の一例である。
　統計情報取得機能２５１は、統計情報収集機能２４によって収集された複数の画像データの特徴に基づき集計された疾患の頻度に関する統計情報を、記憶回路１２から取得する機能を有する。あるいは統計情報取得部は複数の画像データまたは画像特徴値を記憶回路１２から取得し、統計情報を算出する。なお、統計情報取得機能２５１は、統計情報取得部の一例である。
　信頼区間算出機能２５２は、判定対象である被検体の画像データが疾患を有する確率と、その確率の信頼度を示す指標である信頼区間とを、前記統計情報が示す頻度分布を利用して判定対象である被検体の計測値を含む任意の範囲から求める機能を含む。なお、信頼区間算出機能２５２は、信頼区間算出部の一例である。
　出力機能２３は、処理機能２５による確率と、確率の信頼区間とに基づく、疾患に関する情報を出力する機能を含む。例えば、出力機能２３は、第１の機能ｆ１～第１Ｇの機能ｆ１Ｇを用いて後述するように、疾患に関する情報として、確率と、確率の信頼区間とを出力する（例えば、ディスプレイ１４に表示する）。また、出力機能２３は、第２の機能ｆ２～第２Ｇの機能ｆ２Ｇを用いて後述するように、疾患に関する情報として、確率と、確率の信頼区間との関係から被検体の疾患に関する、あるいは疾患の確率区分(確率カテゴリ)に関する判定結果を出力する（例えば、ディスプレイ１４に表示する）。
　なお、機能２３～２６の具体的な動作については、図１３～図４４を用いて後述する。
　（第１の機能、及び、第２の機能）
　図１３は、処理機能２５による疾患などの確率の信頼区間の算出機能と、出力機能２３による信頼区間の出力機能とを含む第１の機能ｆ１を示す。例えば、信頼区間の出力機能は、信頼区間を示す表示画面をディスプレイ１４に表示する。また、図１３は、第１の機能ｆ１と、処理機能２５による確率の信頼区間に基づく疾患の確率区分等の判定機能と、出力機能２３による判定結果の出力機能とを含む第２の機能ｆ２を示す。例えば、判定結果の出力機能は、判定結果を示す表示画面をディスプレイ１４に表示する。図１３は、医用情報処理装置１Ａの第１及び第２の機能ｆ１，ｆ２をデータフローとして示す図である。
　図１３の第１の機能ｆ１について先に説明する。信頼区間算出機能２５２は、解析に使用するＮ個の検査の画像データの特徴に基づき集計された疾患の頻度に関する統計情報（例えば、頻度分布（ヒストグラム））に、被検体に関する画像の特徴量の値（計測値）をプロットし、計測値を中心として幅を設けて症例数を計数して信頼区間を求める。なお、群症例数とは、複数画像データ（計数範囲に含まれる検査）の群ごとの症例数を意味する。前述の第１の比較例では、既定の２つの区域のいずれかのみで陽性的中率やその信頼区間を求める。なお、陽性的中率は、陽性判定される検査の平均的な陽性率である。また、陰性的中率は、陰性判定される検査の平均的な陰性率である。一方で、前述の第２の比較例では、信頼区間を求めることができない。
　それに対して、第１の機能ｆ１は、図１４Ａの矢印で示すように、被検体に関する計測値に応じた計数範囲で信頼区間を求めるものである。図１４Ａは、統計情報（例えば、頻度分布（ヒストグラム））に配置された、被検体に関する計測値を示す。疾患確率の信頼区間は、被検体が疾患であるかの確率のばらつきの範囲を表すものであるため、疾患であるかの判定結果の信憑性を示すものとして利用できる。また、信頼区間算出機能２５２は、被検体に関する計測値に応じた適切な計数範囲で信頼区間を求める。そのため、信頼区間算出機能２５２は、平均的な確率ではなく、特定の被検体に関する計測値に対する確率を示すことができる。そのため、大規模な症例数の臨床データを用いなくても、小規模スタディでも被検体に関する計測値によっては信頼区間の幅を狭くすることができ、信頼性のある利用価値のある結果が得られるという効果がある。
　例えば、予め、解析に使用するＮ個の検査の画像とそれぞれの検査に対応した群の値が用意されている。群は、「疾患なし」の群と、「疾患あり」の群との２つの群とする。図１５に示すように、Ｎ個の検査のうち「疾患なし」のデータの特徴量に基づくヒストグラムと、「疾患あり」のデータの特徴量からなるヒストグラムとを重ねたグラフＵ１５が図示される。このヒストグラムのグラフＵ１５に対し、被検体に関する計測値（グラフＢ１５に図示）をプロットし、計測値周辺の一定幅あたりの「疾患なし」の症例数を算出した結果がグラフＭ１５の点「ａ」で示される。同様に、一定幅あたりの「疾患あり」の症例数を算出した結果が、点「ｂ」で示される。信頼区間算出機能２５２は、疾患確率を、「ｂ／（ａ＋ｂ）」により算出し、疾患確率の信頼区間（上限値及び下限値）を、次の式（８），（９）により算出する。
Figure JPOXMLDOC01-appb-M000008
Figure JPOXMLDOC01-appb-M000009
　さらに、被検体に関する計測値によっては信頼区間の幅が広く得られた疾患確率に対するばらつきが大きいことが示唆される場合もあるが、第１の機能ｆ１によれば、そのことを出力機能２３により操作者に提示できるため、操作者は、信頼性の低い判定結果を利用しないという判断が可能となる。
　なお、信頼区間算出機能２５２は、計数範囲を、特徴量の個々の値に応じて適切な幅に最適化するように構成してもよい。これにより、被検体に関する計測値に応じた最適な計数範囲を使用するため、信頼区間をより狭くできる可能性がある。そのため、信頼性のある結果を得られる可能性が増大する。
　また、信頼区間算出機能２５２は、図１４Ｂの複数の矢印で示すように、計数範囲を、信頼区間の値を使って適切な幅を選択するように構成してもよい。その場合、まず、信頼区間算出機能２５２は、多数の計数範囲に対応する多数の信頼区間のうち、幅の狭い信頼区間を決める。そして、信頼区間算出機能２５２は、悪性確率とその信頼区間を表示し、良性／悪性／不明を判定する。これにより、計数範囲を固定ではなく計測値に応じた適切な幅とすることができ、計測値がどのような値であっても、計測値に応じた適切なばらつきを抑えた判定を行うことができる。計数範囲は、計数値を中心としたある幅を持った範囲とし、その幅は例えば信頼区間下限が最も大きくなるように決める。この場合、出力機能２３は、疾患の確率の平均値、疾患の確率の信頼区間(上限値と下限値)、あるいは信頼区間の判定条件に応じた判定結果を出力することができる。
　図１３の第２の機能ｆ２について説明する。信頼区間算出機能２５２は、第１の機能ｆ１によって算出された、疾患確率などの信頼区間の上限値または下限値に基づいて、確率区分（以下、「確率カテゴリ」あるいは単に「カテゴリ」という）を判定して表示する。例えば、信頼区間算出機能２５２は、疾患可能性大、中、小のいずれであるかを出力する。ここで、カテゴリとは、疾患確率の信頼区間に基づく分類を意味する。例えば、疾患の可能性低、疾患の可能性中、疾患の可能性大等の分類である。
　（第１Ａの機能、及び、第２Ａの機能）
　図１６は、処理機能２５による疾患などの確率の信頼区間の算出機能と、出力機能２３による信頼区間の出力機能とを含む第１Ａの機能ｆ１Ａを示す。また、図１６は、第１Ａの機能ｆ１Ａと、処理機能２５による確率の信頼区間に基づく疾患の確率区分等の判定機能と、出力機能２３による判定結果の出力機能とを含む第２Ａの機能ｆ２Ａを示す。第１Ａの機能ｆ１Ａ（第２Ａの機能ｆ２Ａも同様）は、計数範囲を重み関数で表すものである。図１６は、医用情報処理装置１Ａの第１Ａ及び第２Ａの機能ｆ１Ａ，ｆ２Ａに係るデータフローを示す図である。
　前述の最小構成の説明、および以降の説明では、単に計数範囲と表現する。計数範囲は、特徴量空間にて単一または複数の閾値で囲まれた範囲であってもよいが、一般的には重み関数（計数重み関数）で表すことができる。好適には、被検体に関する画像の特徴量の値で「１」となり、そこから離れるにしたがって値が「０」に近づく釣鐘状の重み関数が用いられる。
　特徴量（例えば、特徴量ベクトル）がｘ（ｘ＝ｘ１，ｘ２，…）で表されるとき、計数重み関数は、次のように表される。
　（１）単純閾値：計測値がｕ（ｕ＝ｕ１，ｕ２，…）の場合、重み関数「ｗ」は全てのｉについて、ui-ri<xi<ui+riのときは「１」で、その他のときは「０」
　（２）多次元ガウス関数：w=exp(-0.5(x-u)T R-1 (x-u))
　なお、「Ｒ」は正値対称行列である。
　計数重み関数を用いた場合、信頼区間算出機能２５２は、計数範囲ｗ（「重み関数w」と同義）内のデータ総数とその中で群ｉに属するデータ数を求める。各群のデータのヒストグラムをＨｃｉ（ｘ）とし、全群のヒストグラムの和をＨａ（ｘ）とすると、計数範囲ｗ（ｘ）にあるデータの総数は、次の式（１２）で求められる。ｗ（ｘ）は前述した重み関数、好適には釣鐘状の重み関数である。また、その中で群ｉに属するデータの数は、次の式（１３）で求められる。なお、「ｉ」は群の番号、「ｘ」は特徴量ベクトルを示す。
Figure JPOXMLDOC01-appb-M000010
　（第１Ｂの機能、及び、第２Ｂの機能）
　図１７は、処理機能２５による疾患などの確率の信頼区間の算出機能と、出力機能２３による信頼区間の出力機能とを含む第１Ｂの機能ｆ１Ｂを示す。図１７は、第１Ｂの機能ｆ１Ｂと、処理機能２５による確率の信頼区間に基づく疾患の確率区分等の判定機能と、出力機能２３による判定結果の出力機能とを含む第２Ｂの機能ｆ２Ｂを示す。第１Ｂの機能ｆ１Ｂ（第２Ｂの機能ｆ２Ｂも同様）は、計数範囲を最適化（最大化又は最小化）するものである。図１７は、医用情報処理装置１Ａの第１Ｂ及び第２Ｂの機能ｆ１Ｂ，ｆ２Ｂに係るデータフローを示す図である。
　計数範囲は、特徴量空間で常に一定の幅や形状である必要はなく、特徴量の値に応じて適切な幅や形状を用いるのが良い（以降、適切な計数範囲を定めると記載する）。適切な計数範囲を定めるためには、ある群に着目し、その群に所属する確率の信頼区間の下限値がなるべく大きな値になるような計数範囲を、被検体に関する計測値で「１」となる計数重み関数の中から選ぶ。あるいは、その群に所属する確率の信頼区間の上限値がなるべく小さな値になるような計数範囲を、被検体に関する計測値で「１」となる計数重み関数の中から選ぶ。
　図１８に示すように、「疾患なし」の確率の信頼区間下限値を最大化する計数範囲を選ぶ。グラフＵ１８にて、曲線ＲＡで表される値ＬＡの計数範囲の場合、その計数範囲の「疾患なし」の群の症例数が「ａ」であり（グラフＭ１８に図示）、「疾患あり」の群の症例数が「ｂ」であり（グラフＭ１８に図示）、「疾患なし」の確率（＝１－疾患確率）の信頼区間上限が最大になる。グラフＵ１８にて、曲線ＲＢは、被検体に関する計測値（グラフＢ１８に図示）が別の値ＬＢの時の計数範囲を示している。このように、計数範囲は、特徴量の値により最適な範囲が異なっている。つまり、個々の被検体に関する計測値に応じて適切な計数範囲が選ばれており、単に２種の範囲から選ぶ単純閾値による方法に比べて信頼性の高い判定結果を得ることができる。なお、信頼区間算出機能２５２は、疾患確率を、「ｂ／（ａ＋ｂ）」により算出し、疾患確率の信頼区間（上限値及び下限値）を、上記式（８），（９）、又は、上記式（１０），（１１）により算出する。
　（第１Ｃの機能、及び、第２Ｃの機能）
　図１９は、処理機能２５による疾患などの確率の信頼区間の算出機能と、出力機能２３による信頼区間の出力機能とを含む第１Ｃの機能ｆ１Ｃを示す。図１９は、第１Ｃの機能ｆ１Ｃと、処理機能２５による確率の信頼区間に基づく疾患の確率区分等の判定機能と、出力機能２３による判定結果の出力機能とを含む第２Ｃの機能ｆ２Ｃを示す。前述の第１Ｂの機能ｆ１Ｂで説明したように、複数の群に対して計数範囲の最適化を行うと、群の数分の計数範囲が得られることになる。第１Ｃの機能ｆ１Ｃ、及び、第２Ｃの機能ｆ２Ｃでは、各群の計数範囲で求められた信頼区間の上限値あるいは下限値を用いて１つの群を選択し、その群の計数範囲を他の群に適用して信頼区間を計算しなおすものである。図１９は、医用情報処理装置１Ａの第１Ｃ及び第２Ｃの機能ｆ１Ｃ，ｆ２Ｃに係るデータフローを示す図である。
　信頼区間算出機能２５２は、各群について、その群の信頼区間の下限を最大化する計数範囲を決める。これを繰り返し、全群の計数範囲の中で信頼区間下限最大値が最も大きい計数範囲を選び、他の群に適用して疾患確率と信頼区間を計算する。図１９において、図２０Ａ～図２０Ｄに示すように４種類の脳腫瘍を群として用いる場合で説明する。
　図２０Ａ～図２０Ｄに示すように、複数の検査の最も細かい群分類は「グリオーマＧｒ１，２」、「グリオーマＧｒ３，４」、「ＰＣＮＳＬ（中枢神経性原発悪性リンパ腫）」、「脳転移」、「髄膜腫」、「下垂体腺腫」、「その他」であるが、これらをグループ化し「グリオーマ」、「ＰＣＮＳＬ」、「脳転移」、「その他」の４つの群(クラス)を使用している。
　信頼区間算出機能２５２の特徴的な部分は、次の４つの概略手順（１）～（４）において、（３）の手順である。
　（１）１つの疾患群をとった時、その疾患群の信頼区間の下限を最大化する計数範囲を決める。
　（２）これを繰り返し全ての群(クラス)の計数範囲の中で信頼区間下限最大値が最も大きい計数範囲を選び主クラス(主群)とする。
　（３）主クラス(主群)の計数範囲を他の群(クラス)に再度適用し、各群(クラス)の疾患確率とその信頼区間を求める。
　（４）主クラス(主群)の信頼区間下限と、他の群(クラス)の信頼区間上限に基づいて確率カテゴリを判定する。
　以下、信頼区間算出機能２５２の処理手順を具体的に説明する。
　ｉ）研究データは確定診断されており、様々な脳腫瘍が含まれている。それぞれの脳腫瘍の種類ごとに特徴量の値のヒストグラムが作成されている。選択された４つの大分類を判定群とした場合、４つの統合したヒストグラムが作成される。
　ii）被検体での特徴量の計測値の周囲に計数範囲を設定し、「グリオーマ」の確率の信頼区間下限を最大化する計数範囲を求める（図２０Ａの破線）。同様に、他の群の信頼区間下限を最大化する計数範囲をそれぞれ決定する（図２０Ｂ～図２０Ｄの破線）。そして各々の群に属する確率（平均）と群に属する確率の信頼区間をそれぞれ算出する。
　iii）図２０Ａ～図２０Ｄに示す各群の信頼区間下限を示す丸印「●」を比較し、それが最も大きいグリオーマ（図２０Ａ）の計数範囲を選択する。グリオーマの信頼区間下限を示す位置の表示形態（例えば、背景色）を他の位置と異ならせることで区別する。このグリオーマが主クラス(主群)となる。操作者は別の群を主クラス(主群)として選択しなおすことが可能である。
　iv）表示するのは選択された図２０Ａの計数範囲から得られる主クラスの情報のみである。
　v）選択された主クラス「グリオーマ」の計数範囲で、各群に属する確率（平均）と信頼区間を計算し表示する。
　vi）選択されたグリオーマの信頼区間下限と、その他の群の信頼区間上限の値を表示し、その値がどのカテゴリに属するかを判定して表示する（図２０Ａに示すカテゴリ「可能性大」）。
　図２１Ａ～図２１Ｃは、判定結果の表示例を示す図である。図２１Ａ～図２１Ｃはそれぞれ表示されてもよいし、同一の表示画面上に並列表示されてもよい。特徴量としての「ＣＢＶ（Cerebral Blood Volume）」は、脳血液量を示し、「Ｋｔｒａｎｓ」は、造影剤がＥＥＳ（Eextracellular Extravascular Space）に漏出する移行速度定数を示す。図２１Ｂに示すように、主群(主クラス)として選択された「グリオーマ」が視認可能なように、例えば、「グリオーマ」の部分に、他のクラスとは異なる色が付与されて表示される。また、「グリオーマ」の平均確率の値等も表示される。加えて、サブ群である他のカテゴリについても、平均確率の値等が表示される。
　また、図２１Ｃに示すように、病変部位にマークがされた画像（例えば、ＤＷＩ（diffusion weighted image）画像）等を表示することもできる。「ＦＬＡＩＲ（Fluid-Attenuated Inversion Recovery）」は、ＭＲＩにおいて水信号が抑制された画像である。「Ｔ１Ｗ＿ＣＥ（T1 Weighted contrast enhanced）」は、ＭＲＩにおいてコントラストが強調されたＴ１強調画像である。「ＣＢＶ（Cerebral Blood Volume）」は、脳血流量像である。また、図２１Ｃは、造影剤がＥＥＳ（Extracellular Extravascular Space）に漏出する移行速度定数（Ktrans）を示す画像と、血管内の血漿ボリューム（Vp）を示す画像と、ＥＥＳボリューム（Ve）を示す画像と、血管に戻る移行速度定数（Kep）を示す画像とを示す。
　なお、１つの群内での計腫範囲の上記手順ii）を行い、主群の選択とそれに続く処理iii）～v）を行わず、手順vi）にて、手順ii）で求めた確率の平均値と信頼区間およびカテゴリを表示してもよい。この構成は、表示する確率の各群の平均値の総和が「１」にならないなど、統計上の専門的な分析には向かないが、主群を選ばないため各群の処理が同等であり、公平な選択が可能である。従って、ルーチン検査用の解析ソフトウェアに好適な構成である。
　また、１つの群内での計腫範囲の上記手順ii）に加えて、計数範囲の群間の選択iii）～v）も行う構成も可能である。その後に、手順vi）を実施する。この構成の場合、十分な分析を行うためには操作者は別の群を主群にする場合と比較する必要があり、主群を切り替えるために煩雑な操作が必要になる。一方、各群の平均値の総和が「１」になり、統計上の厳密で専門的な分析に向いている。従って、この構成は研究用の専門的分析ソフトウェアに好適な構成である。
　（第１Ｄの機能、及び、第２Ｄの機能）
　図２２は、処理機能２５による疾患などの確率の信頼区間と、処理機能２５によるグラフの算出機能と、出力機能２３による信頼区間とグラフとの出力機能とを含む第２Ｄの機能ｆ１Ｄを示す。図２２は、第１Ｄの機能ｆ１Ｄと、処理機能２５による確率の信頼区間に基づく疾患の確率区分等の判定機能と、出力機能２３による判定結果の出力機能とを含む第２Ｄの機能ｆ２Ｄを示す。第１Ｄの機能ｆ１Ｄ（第２Ｄの機能ｆ２Ｄも同様）は、ヒストグラムと計数範囲を表示するものである。図２２は、医用情報処理装置１Ａの第１Ｄ及び第２Ｄの機能ｆ１Ｄ，ｆ２Ｄに係るデータフローを示す図である。
　出力機能２３は、複数検査の群ごとのヒストグラムに、被検体に関する計測値に応じて決定された計数範囲と、被検体に関する計測値とを重畳したグラフを作成することで表示画面を生成する（例えば、図１４Ａ及び図１４Ｂに示す計数範囲及び計測値を含む表示画面）。
　（第１Ｅの機能、及び、第２Ｅの機能）
　図２３は、処理機能２５による疾患などの確率の信頼区間に基づく群所属確率のカテゴリ判定と、カテゴリ区域図との算出機能と、出力機能２３によるカテゴリ判定結果とカテゴリ区域図との出力機能とを含む第１Ｅの機能ｆ１Ｅを示す。図２３は、第１Ｅの機能ｆ１Ｅと、出力機能２３による、カテゴリ判定結果とカテゴリ区域図との同時の出力機能とを含む第２Ｅの機能ｆ２Ｅを示す。第１Ｅの機能ｆ１Ｅ（第２Ｅの機能ｆ２Ｅも同様）は、カテゴリの区域図をグラフとして表示するものである。図２３は、医用情報処理装置１Ａの第１Ｅ及び第２Ｅの機能ｆ１Ｅ，ｆ２Ｅに係るデータフローを示す図である。信頼区間算出機能２５２は、群症例数の計数の際、畳み込み演算を行う。
　図２４Ａに示すように、各群の群所属確率の信頼区間上限値、および信頼区間下限値の値に応じてどのカテゴリに判定するかを表すカテゴリ区域図を表示する。群所属確率とは、ある特徴量の値を持つ被検体がある群に属するものである確率を意味する。例えば、良性確率の信頼区間下限値と、悪性確率の信頼区間下限値を用いてカテゴリ区域図を表示する。判定のための水準、例えば、「９９％」及び「９０％」等により、図２４Ａ及び図２４Ｂに示す区域（ａ）は「確実に悪性」に対応し、区域（ｂ）は「おそらく悪性」に対応し、区域（ｃ）は「不明（悪性寄り）に対応し、区域（ｄ）は「不明（良性寄り）」に対応し、区域（ｅ）は「おそらく良性」に対応し、区域（ｆ）は「確実に良性」に対応する。
　カテゴリ区域図内に被検体の信頼区間下限値および上限値をプロットし、判定結果の区域ごとに異なる色を付与して表示するすることにより、被検体のデータでは確率がどの程度であるかをわかりやすく提示できる。また、信頼区間の値によりどう判定されるか、あるいはどう判定されたかをわかりやすく示すことができる。
　図２５に示す、閾値範囲の幅に対する疾患確率を示すグラフＵ２５は、疾患確率の信頼区間下限の最大値を丸印「〇」で示す。当該最大点をカテゴリ区域図Ｒ２５の縦軸に充てる。一方、閾値範囲の幅に対する疾患確率を示すグラフＢ２５は、疾患確率の信頼区間上限の最小値を丸印「〇」で示す。当該最小点をカテゴリ区域図の横軸に充てる。なお、疾患確率の平均値および信頼区間上限値、下限値は、第１の実施形態における「群尺度」に相当する。また、信頼区間上限値および下限値を計数範囲の選択や最適化に利用する場合、疾患確率の平均値および信頼区間上限値、下限値は、第１の実施形態の「識別妥当性尺度」に相当する。
　カテゴリ区域図Ｒ２５で（ａ）から（ｆ）で示される区域は、それぞれ「確実に悪性」、「おそらく悪性」、「不明（悪性寄り）」、「不明（良性寄り）」、「おそらく良性」、「確実に良性」の６つのカテゴリに対応している。このカテゴリ区域図上のどこにプロットされるかで、カテゴリを判定する。
　なお、カテゴリ区域図Ｒ２５は、軸ごとに判定してもよいが、その場合に限定されるものではない。例えば、カテゴリ区域図は、図２６Ａに示すような斜線の判定曲線及び判定直線の両方を含むカテゴリ区域図であってもよく、また、図２６Ｂに示すような判定直線のみを含むカテゴリ区域図であってもよい。
　また、群として「良性」、「悪性」の２つの群を用いた例を図２７に示す。図２７に示すように、悪性らしさ、良性らしさに応じたカテゴリ区域が用いられる。一方で、群として「治療効果あり」、「治療効果なし」の２つの群を用いた例を図２８に示す。図２８に示すように、有効か無効かに応じたカテゴリ区域が用いられる。
　（第１Ｆの機能、及び、第２Ｆの機能）
　図２９は、処理機能２５による疾患などの確率の信頼区間と、画像表示と、領域表示との算出機能と、出力機能２３による信頼区間と、画像表示と、領域表示との出力機能とを含む第１Ｆの機能ｆ１Ｆを示す。図２９は、第１Ｆの機能ｆ１Ｆと、処理機能２５による群所属確率のカテゴリ判定機能と、出力機能２３によるカテゴリ判定結果の出力機能とを含む第２Ｆの機能ｆ２Ｆ示す。第１Ｆの機能ｆ１Ｆ（第２Ｆの機能ｆ２Ｆも同様）は、画像及び特徴量算出領域を表示するものである。図２９は、医用情報処理装置１Ａの第１Ｆ及び第２Ｆの機能ｆ１Ｆ，ｆ２Ｆに係るデータフローを示す図である。
　出力機能２３は、解析の基になる画像と、特徴量を計算した対象領域（例えば、関心領域）を画面に表示する。操作者は、表示されている各特徴量の値が画像と照らして妥当であるか確認することができる。
　（第１Ｇの機能、及び、第２Ｇの機能）
　処理機能２５による第１Ｇの機能ｆ１Ｇ（第２Ｇの機能ｆ２Ｇも同様）は、施設の有病率を設定するものである。図３０は、医用情報処理装置１Ａの第１Ｇ及び第２Ｇの機能ｆ１Ｇ，ｆ２Ｇに係るデータフローを示す図である。
　操作者またはシステム管理者は、各群の当施設での発生確率を設定（変更）可能である。この場合、上記手順ii）とv）の確率と信頼区間の値は設定した発生確率を用いて補正される。
　この場合、検査を行う前に被検体がどのような疾患であるかの疾患確率（クラス事前確率）は、解析に使用するデータベースに含まれる症例の各疾患の比率（クラス構成比）と同一とみなすことが多い。これは人種なども含めてデータベースの症例に登録する基準と、施設での検査対象であるかを判断する基準が同一とみなせることを前提としている。しかし、施設の特性（クリニックであるか専門病院であるか）や対象検査の前にどのような別の検査をしているかにより、疾患確率（群の事前確率）は変わり得るものである。この場合、両者を同一とみなして算出疾患確率や信頼区間は不正確なものとなりえる。症例データベースでの群の比率と、施設での発生確率あるいは、その被検体の経緯に依存する群の確率との違いを吸収するために、群の事前確率の補正が必要になる。
Figure JPOXMLDOC01-appb-M000011
　オッズ比Ｏ1は、次の式（１５）で表される。
Figure JPOXMLDOC01-appb-M000012
 　変形すると、次の式（１６）のようになる。
Figure JPOXMLDOC01-appb-M000013
 　被検体の検査を実施した施設でも、右辺の「感度／（１－特異度）」は変わらないが、群が「Ａ」である疾患確率は、ａ2に変わると考える。
Figure JPOXMLDOC01-appb-M000014
　式（１８）をＰ2について解くと、次の式（１９）で表される。ここで、ｋを次の式（２０）のように定義した。
Figure JPOXMLDOC01-appb-M000015
　結果として、補正された確率値と確率の信頼区間は次のように計算できる。
　事前確率が、「ａ2」の時の予測される疾患確率Ｐ2は、事前確率が「ａ1」であるであるときの疾患確率Ｐ1から、上記次の式（１９），（２０）から求める。事前確率が「ａ2」の時の信頼区間についても同様に求める。
　（判定項目のバリエーション）
　信頼区間算出機能２５２が、疾患の有無の判定を行う例を中心に説明したが、その場合に限定されるものではない。例えば、判定項目は、群の取り方や、特徴量空間の次元数により様々な応用が可能である。判定項目を次に例示する。
　（I）信頼区間を算出する量（確率の信頼区間）
　（I－ｉ）１変数の場合：病変の存在確率、重症確率、悪性の確率
　（I－ii）複数変数の場合：各疾患の存在確率、カテゴリ分類、ステージ分類、病変タイプの各々の確率、各組織型の確率
　（I－iii）予測：薬剤の種類ごとの効果ありの確率、治療(処置)の効果がある確率
　（II）群
　（II－ｉ）被検体の状態（疾患の有無、種類）
　（II－ii）病変の有無、病変の悪性／良性の判定、病変のカテゴリ判定（カテゴリ０～５）、病変のタイプ分類（サブタイプなど）、組織型の判定
　（III）予測
　（III－ｉ）薬効有無、治療適性（効果有無）、予後（重症化する／しない）、重篤イベントの発生有無、完治する／しない
　（IV）判定する属性の数
　（IV－ｉ）２水準、１変数～多水準、複数変数（多変数による複数群への分類として考えることが可能）
　なお、「多水準、複数変数」については、多変数による複数群への分類として考えることができる。図３１はその一例である。
　図３１に示すように、肝臓線維化の程度を、Ｆ０～Ｆ４の４つの群（ステージ）で表し、これらの群を２つの変数（特徴量１と特徴量２）で判定する場合を考える。前述の実施例によれば被検体に関する計測値（特徴量１と特徴量２）に応じて計数範囲（グラフ中Ｆ０からＦ４で図示）が設定され、Ｆ０の確率（平均値）、Ｆ１の確率（平均値）、…、Ｆ４の確率（平均値）、およびそれらの信頼区間が算出される。これらの信頼区間は、図３２のグラフＬ３２に上限・下限・平均値がプロットされる。例えば、これら確率の上限値が閾値を超えている群のうち、線維化程度が最も大きい群が、判定結果として提示される。図３２のグラフＲ３２は他の例で、確率の下限値が閾値を超え、かつ下限値が最も大きい群を判定結果として提示する。
　（特徴量のバリエーション）
　信頼区間算出機能２５２が、疾患の有無の判定を行う例を中心に説明したが、その場合に限定されるものではない。特徴量は、次のようなものでもよい。
　（Ｖ）画像処理の組み合わせで算出する特徴量
　（Ｖ－ｉ）円形度、球形度
　（Ｖ－ii）平均値、energy, entropy, contrast etc. (Texture特徴量)
　（Ｖ－iii）最大直径、体積
　（VI）従来の手法による機能マップの統計値
　（VI－ｉ）ADC(Apparent diffusion coefficient), FA (fractional anisotropy)
　（VI－ii）rCBF (relative regional cerebral blood flow, rCBV (relative regional cerebral blood volume, MTT(mean transit time), TTP (time to peak)
　（VI－iii）Ktrans, Kep (Tofts model)
　（VII）機械学習により決定する特徴量
　（VII－ｉ）Neural network
　（VII－ii）Support vector machine
　（VII－iii）Random forest, extremely random tree
　（VII－iv）Logistic regression
　（VIII）画像の特徴量のほかに、心拍のR-R間隔や血液検査の結果、症状有無など、非画像の情報を加えてもよい。
　機械学習による画像の特徴量の例として敵対的生成ネットワーク（Generative Adversarial Networks）を使用する例を挙げる。敵対的生成ネットワーク（図３３に図示）を用いると比較的少数のユニットで構成される中間層の各ユニットが画像の何らかの特徴を表すように学習されることが知られている。このようにして得られた中間ユニットの出力を特徴量として利用することができる。
　また、各種機械学習を回帰に用いることができる。図３４は、ＳＶＭ（Support vector machine）を回帰に用いた場合である。回帰されたパラメータを特徴量として利用することができる。回帰にはまた人工ニューラルネットワークやランダムツリーを応用することもできる。グラフＵ３４，Ｍ３４，Ｂ３４の説明については、図１５でしたグラフＵ１５，Ｍ１５，Ｂ１５の説明と同様であるので、説明を省略する。
　（計数範囲の最適化方法の例）
　以下、良性／悪性を判定する場合において、良性群の計数範囲を最適化する場合を例にとって説明する。特徴量の次元が２以上の場合について、図３５Ａ及び図３５Ｂを用いて説明する。
　図３５Ａに示すように、第１に、個別の特徴量の上閾値／下閾値の１つを、変数の分布幅に対して、例えば１％拡げる。１つの変数に対して信頼区間上限を拡げる／信頼区間下限を拡げるの２つがあるから、拡げるやり方は、「変数の数×２」の可能性があり、その中で最も信頼区間の幅が小さいものを選ぶ。これを繰り返して徐々に閾値範囲を拡げゆく。「信頼区間の幅が小さい」とは、信頼区間上限の最小値を求める場合、信頼区間上限の最小値が小さいことを指す。上閾値／下閾値の計測値とのずれ（上側閾値幅と下側閾値幅）の差が小さいことも同時に加味する。
　第２に、上と同じだが、閾値範囲を一般化して釣鐘状積分重み関数で範囲を表す。釣鐘状積分重み関数のパラメータを少し変えた多数の中から最も信頼区間の幅が小さいものを選ぶ。
　図３５Ｂに示すように、第３に、計測値を含む閾値範囲や積分重み関数を乱数で多数生成して、横軸に範囲の体積、縦軸に信頼区間の幅(信頼区間の上限や下限)をプロットする。その包絡線の最小値を求める。言い換えれば乱数で生成した積分範囲での信頼区間の幅の最小値を求める。
　第４に、閾値範囲は一定幅で分割する。一変数の場合はＮ分割、ｍ変数の場合は、Ｎ＾ｍ個の範囲に分割する。１変数の分割数Ｎを変えて信頼区間の幅を計算する。
　第５に、これらは信頼区間上限値を最小化、または信頼区間下限値を最大化するように計数範囲のパラメータを最適化する問題であり、上記のほか様々な最適化手法を適用することができる。
　（カテゴリの判定のバリエーション）
　以下の例で、「下限」は信頼区間下限または信頼区間下限の最大値を表す。また、「上限」は、信頼区間上限、又は、信頼区間上限の最小値を表す。
　図３６に示すように、疾患なし群と疾患あり群のカテゴリを判定する例について考える。「疾患なし」が確実な被検体を選びたい場合や、少しでも疾患の可能性のある被検体をもれなく選びたい場合や、少しでも疾患なしの可能性のある被検体を選びたい場合や、疾患有が確実な被検体を選びたい場合に有効である。
　図３６に示すような表示により、追加の診断なしに疾患を否定できる被検体を選べる。追加の診断なしに確定できる被検体を選べる。「下限＋上限＝１」なので、左右の２つの判定は同等である。
　図３７は、疾患Ａ，Ｂ，Ｃ，Ｄの４つの群の場合で、各群の疾患のカテゴリを判定する一例を示す。複数疾患の中から可能性の高いものを選び、疾患の鑑別を行う。
　図３８は、肝線維化のステージＦ０，Ｆ０以外，Ｆ１，Ｆ２，Ｆ３，Ｆ４の各群のカテゴリを判定する例を示す。複数疾患の中から可能性の高いものを選び、疾患の鑑別を行う。なお、図３８の下部は、図３７の下部と同等であるので、表記を省略する。
　図３９Ａ及び図３９Ｂは、薬剤Ａ，Ｂ，Ｃの効果をそれぞれカテゴリに判定する例を示す。複数の薬剤の中で被検体に効果のある薬剤を選び、薬効の予測を行う。なお、同様の判定方法を複数の治療方法の中で被検体に効果のある治療法を選ぶためのカテゴリの判定や、合併症の少ない治療法を選ぶためのカテゴリの判定に利用することもできる。
　図４０Ａ及び図４０Ｂは、重篤化イベントの各々の発生率をカテゴリとして判定する例、および、いくつかの観点で良好なＱＯＬ（Quality of Life）を回復・維持できるかをカテゴリとして判定する例を示す例を示す。冠動脈イベントの種類ごとに発生の可能性がどの程度あるか、被検体ごとに予測する。同時に、良好なＱＯＬを回復・維持する可能性を予測する。
　（階層的な判定の例）
　図４１Ａ及び図４１Ｂは、疾患確率を３階層で判定する例である。図４１Ｃ及び図４１Ｄは、各治療法による治療の効果を３階層で判定する例である。図４１Ｅ及び図４１Ｆは、ＱＯＬ良好の確率及び重篤化の確率を３階層で判定する例である。このような判定には、画像データまたは特徴量のデータ、その他非画像検査データ、疾患の種類、選択した治療法とその効果有無、各種ＱＯＬの良好／不良および各種重篤化の発生有無について複合的に記録されている症例データを用いる。
　判定は、まず、全症例を４つの疾患の群（大分類群）に分割し、特徴量の計数範囲を設定する。疾患１～４の各大分類群の症例数を求め、各疾患の確率の信頼区間により各疾患の可能性をカテゴリで判定するとともに、信頼区間の値を用いて大分類群（疾患の種類）を判定する（図４１Ａ及び図４１Ｂ）。
　次に、判定された群（仮に疾患１と判定されたとする）の症例に絞った症例を対象として、各治療法の効果の判定を行う。大分類群が判定された疾患１である症例を、「治療法１の効果あり」と、「治療法１の効果なし」と、「治療法２の効果あり」と、「治療法２の効果なし」と、「治療法３の効果あり」と、「治療法３の効果なし」と、「治療法４の効果あり」と、「治療法４の効果なし」との８つの群（中分類群）に分割する。特徴量の計数範囲を設定することで、これら中分類群の症例数を各々求める。治療法１の効果の有無の確率は「治療法１の効果あり」と「治療法１の効果なし」の症例数をもとに効果ありの確率およびその信頼区間を求める。治療法２～４についても同様に、効果ありの確率と信頼区間を求める。これらをもとに、効果ありの可能性をカテゴリで判定するとともに、信頼区間の値を用いて中分類群を判定する（図４１Ｃ及び図４１Ｄ）。図４１Ｄに示す例では、治療法１群が選択されたものとする。
　最後に、大分類群が「疾患１」で中分類群が「治療法１の効果あり」である症例を対象として、ＱＯＬ良好の確率および重篤化の確率を判定する。あるいは、中分類群に「治療法２の効果なし」を加える構成もありうる。これら対象症例をさらに「身体機能良好」群と「身体機能不良」群（小分類群１）とに、また同じ対象症例を「活動量良好」群と「活動量不良」群（小分類群２）とに、さらに同じ対象症例を「突然死」群と「非突然死」群（小分類群３）に、さらに同じ対象症例を「心筋梗塞」群と「非心筋梗塞」群（小分類群４）とに分割する。特徴量の計数範囲を設定することでこれら小分類群の症例数を各々求める。「身体機能良好」の確率と確率の信頼区間は「身体機能良好」の症例数と「身体機能不良」の症例数から求める。「活動量良好」の確率と信頼区間、「突然死」の確率と信頼区間、「心筋梗塞」の確率と信頼区間も同様に求める。これら信頼区間の値を用いて小分類１～４のカテゴリを判定する（図４１Ｅ及び図４１Ｆ）。ＱＯＬ良好の確率および重篤化の確率については小分類１から４の各々について、ＱＯＬ良好か不良化、あるいは重篤化が発生するかしないかを小分類群１～４の各々で判定する。
　（計数範囲を設定及び変更するＧＵＩの例）
　ヒストグラムの初期表示では、最適化で求めた計数範囲を、図４２に示すように表示する。図４２に示すグラフにて、丸印「〇」の特徴量の値と四角印「□」の特徴量の値とで挟まれた範囲が計数範囲である。操作者が丸印「〇」と四角印「□」を入力インターフェース１３としてのマウスで操作すると、当該範囲が拡げられるか、あるいは狭められる。その結果、群に所属する確率およびその信頼区間が再計算され、更新された値が表示される。
　図４３に示すグラフには、計数範囲が拡げられた場合、狭められた場合の信頼区間上限と下限が予め表示されている。したがって、操作者が実際に計数範囲を変更する前に、再計算される信頼区間下限、上限がどのような値になるか知ることができ、試行錯誤せずに、どのように変更すればよいかを判断でき、操作時間の短縮につながる。
　図４４は、特徴量が３変数の場合のヒストグラム表示を示す。多変数の場合、複数次元のうち１次元のみのグラフを表示し、他の次元は計数範囲を固定する。
　図４２～図４４に示すように、自動決定した閾値範囲をもとに、予測陽性率の信頼区間の上下閾値の値に対する変化を示すグラフを、特徴量ごとに表示する。そして、閾値を変更する操作を行うとグラフが更新される。
　以上説明した少なくとも１つの実施形態によれば、効率的な診断を行うための適切な情報を操作者に提示することができる。
　なお、図１２に示す処理回路１１は、機能２３～２５に加え、図２に示す処理回路１１の機能２１～２３の全部又は一部を含むこともできる。また、処理機能２１，２５は、処理部の一例である。抽出機能２２は、抽出部の一例である。出力機能２３は、出力部の一例である。関心領域設定機能２１１は、関心領域設定部の一例である。特徴算出機能２１２は、特徴算出部の一例である。尺度取得機能２１３は、尺度取得部の一例である。統計情報収集機能２４は、統計情報収集部の一例である。統計情報取得機能２５１は、統計情報取得部の一例である。信頼区間算出機能２５２は、信頼区間算出部の一例である。
　以上、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

Claims (17)

  1. 　判定対象の画像データが疾患を有する確率と、その確率の信頼度を示す指標である信頼区間とを算出する処理を行う処理部と、
    　前記確率と、前記確率の信頼区間とに基づく、疾患に関する情報を出力する出力部と、
    　を備える医用情報処理装置。
  2. 　前記処理部は、統計情報取得部と信頼区間算出部とを備え、
    　前記統計情報取得部は、複数の画像データの特徴に基づき集計された疾患の頻度に関する統計情報を取得し、
    　前記信頼区間算出部は、前記判定対象の画像データが疾患を有する確率と、その確率の信頼度を示す指標である信頼区間とを、前記統計情報が示す頻度分布を利用して判定対象の計測値を含む任意の範囲から求め、
    　前記出力部は、前記確率と、前記確率の信頼区間とに基づく、疾患に関する情報を出力する、
    　請求項１に記載の医用情報処理装置。
  3. 　前記信頼区間算出部は、前記判定対象の特徴が所属する特徴量の範囲を計数範囲として算出する、
    　請求項２に記載の医用情報処理装置。
  4. 　前記信頼区間算出部は、前記複数の画像データの中で、前記計数範囲に所属する症例数を群ごとに求め、少なくとも１つの群について、所属する確率の平均値と、信頼区間とを算出する、
    　請求項３に記載の医用情報処理装置。
  5. 　前記出力部は、前記疾患に関する情報として、前記確率と、前記確率の信頼区間との関係から前記判定対象の疾患に関する判定結果を出力する、
    　請求項１乃至４のいずれか１項に記載の医用情報処理装置。
  6. 　前記出力部は、前記疾患に関する情報として、前記確率と、前記確率の信頼区間とを出力する、
    　請求項１乃至４のいずれか１項に記載の医用情報処理装置。
  7. 　前記出力部は、前記信頼区間の判定条件に応じた判定結果を出力する、
    　請求項５又は６に記載の医用情報処理装置。
  8. 　複数の画像データの特徴に基づき疾患の頻度に関する統計情報を収集する統計情報収集部をさらに備える、
    　請求項１乃至７のいずれか１項に記載の医用情報処理装置。
  9. 　前記処理部は、尺度算出部と抽出部とを備え、
    　前記尺度算出部は、前記判定対象の画像データを複数の画像パターンに分類して、各画像パターンの疾患確率を示す前記信頼区間を識別妥当性尺度として算出し、
    　前記抽出部は、前記複数の画像パターンの各画像パターンの識別妥当性尺度に基づいて、前記複数の画像パターンから、疾患の識別が行いやすい一部の画像パターンを抽出し、
    　前記出力部は、前記一部の画像パターンを優先して表示部に表示させる、
    　請求項１乃至８のいずれか１項に記載の医用情報処理装置。
  10. 　前記尺度算出部は、前記判定対象の画像データに基づいて識別妥当性尺度を生成する学習済みモデルに対して、前記判定対象の画像データを入力することで、前記識別妥当性尺度を生成する、
    　請求項９に記載の医用情報処理装置。
  11. 　前記尺度算出部は、前記判定対象の画像データの関心領域を設定し、前記関心領域に基づいて、前記判定対象の画像データを複数の画像パターンに分類する、
    　請求項９又は１０に記載の医用情報処理装置。
  12. 　前記出力部は、前記一部の画像パターンの名称を文字情報として前記表示部に表示させる、
    　請求項９乃至１１のいずれか１項に記載の医用情報処理装置。
  13. 　前記尺度算出部は、前記識別妥当性尺度として、予測悪性率又は予測良性率を示す信頼区間の広さを用いる、
    　請求項９乃至１２のいずれか１項に記載の医用情報処理装置。
  14. 　前記抽出部は、優先度に関係なく、標準で表示する特定の画像パターンを予め規定し、
    　前記出力部は、前記特定の画像パターンを前記表示部に表示させると共に、前記一部の画像パターンを優先して前記表示部に表示させる、
    　請求項９乃至１３のいずれか１項に記載の医用情報処理装置。
  15. 　前記疾患を有する確率は、腫瘤の良性又は悪性の確率である、
    　請求項９乃至１４のいずれか１項に記載の医用情報処理装置。
  16. 　判定対象の画像データが疾患を有する確率と、その確率の信頼度を示す指標である信頼区間とを算出する処理を行い、
    　前記確率と、前記確率の信頼区間とに基づく、疾患に関する情報を出力する、
    　医用情報処理方法。
  17. 　コンピュータに、
    　判定対象の画像データが疾患を有する確率と、その確率の信頼度を示す指標である信頼区間とを算出する処理を行う機能と、
    　前記確率と、前記確率の信頼区間とに基づく、疾患に関する情報を出力する機能と、
    　を実現させる医用情報処理プログラム。
PCT/JP2020/010079 2019-03-08 2020-03-09 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム WO2020184522A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/468,277 US11942212B2 (en) 2019-03-08 2021-09-07 Medical data processing apparatus, medical data processing method, and non-transitory computer medium storing computer program

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2019042501 2019-03-08
JP2019-042501 2019-03-08
JP2020039545A JP7450410B2 (ja) 2019-03-08 2020-03-09 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム
JP2020-039545 2020-03-09

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/468,277 Continuation US11942212B2 (en) 2019-03-08 2021-09-07 Medical data processing apparatus, medical data processing method, and non-transitory computer medium storing computer program

Publications (1)

Publication Number Publication Date
WO2020184522A1 true WO2020184522A1 (ja) 2020-09-17

Family

ID=72425976

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/010079 WO2020184522A1 (ja) 2019-03-08 2020-03-09 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム

Country Status (2)

Country Link
US (1) US11942212B2 (ja)
WO (1) WO2020184522A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11334994B2 (en) * 2019-05-24 2022-05-17 Lunit Inc. Method for discriminating suspicious lesion in medical image, method for interpreting medical image, and computing device implementing the methods

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014002473A (ja) * 2012-06-15 2014-01-09 Fujifilm Corp 臨床情報表示装置および臨床情報表示装置の動作方法並びに臨床情報表示プログラム
WO2017170018A1 (ja) * 2016-03-31 2017-10-05 日本電気株式会社 電力制御装置、電力制御方法、およびプログラム
US20180232883A1 (en) * 2017-02-13 2018-08-16 Amit Sethi Systems & Methods for Computational Pathology using Points-of-interest

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015116319A (ja) 2013-12-18 2015-06-25 パナソニックＩｐマネジメント株式会社 診断支援装置、診断支援方法、および診断支援プログラム
JP6346576B2 (ja) * 2015-02-27 2018-06-20 Hoya株式会社 画像処理装置
JP6952124B2 (ja) * 2017-10-05 2021-10-20 富士フイルム株式会社 医療画像処理装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014002473A (ja) * 2012-06-15 2014-01-09 Fujifilm Corp 臨床情報表示装置および臨床情報表示装置の動作方法並びに臨床情報表示プログラム
WO2017170018A1 (ja) * 2016-03-31 2017-10-05 日本電気株式会社 電力制御装置、電力制御方法、およびプログラム
US20180232883A1 (en) * 2017-02-13 2018-08-16 Amit Sethi Systems & Methods for Computational Pathology using Points-of-interest

Also Published As

Publication number Publication date
US11942212B2 (en) 2024-03-26
US20210407655A1 (en) 2021-12-30

Similar Documents

Publication Publication Date Title
Santos et al. Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards to precision medicine
Fan et al. Inf-net: Automatic covid-19 lung infection segmentation from ct images
Rahaman et al. Identification of COVID-19 samples from chest X-Ray images using deep learning: A comparison of transfer learning approaches
US11096674B2 (en) Method and means of CAD system personalization to provide a confidence level indicator for CAD system recommendations
RU2687760C2 (ru) Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний
US10504197B2 (en) Clinical decision support systems and methods
RU2533500C2 (ru) Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера
Chakraborty New developments in observer performance methodology in medical imaging
US9349176B2 (en) Computer-aided detection (CAD) of intracranial aneurysms
JP7021215B2 (ja) Ｃａｄシステム推薦に関する確信レベル指標を提供するためのｃａｄシステムパーソナライゼーションの方法及び手段
CN101360453A (zh) 医学图像的计算机辅助定性定量分析的方法和系统
JP2007279942A (ja) 類似症例検索装置、類似症例検索方法およびそのプログラム
Mehmood et al. An efficient computerized decision support system for the analysis and 3D visualization of brain tumor
US11462315B2 (en) Medical scan co-registration and methods for use therewith
EP3977481A1 (en) Systems and methods for automated image analysis
WO2020184522A1 (ja) 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム
de Vente et al. Automated COVID-19 grading with convolutional neural networks in computed tomography scans: a systematic comparison
Feng et al. Improved detection of focal cortical dysplasia in normal‐appearing FLAIR images using a Bayesian classifier
US20220051114A1 (en) Inference process visualization system for medical scans
JP7450410B2 (ja) 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム
Nguyen et al. Brain midline shift detection and quantification by a cascaded deep network pipeline on non-contrast computed tomography scans
Vidya et al. Automated detection of intracranial hemorrhage in noncontrast head computed tomography
Lensink et al. Segmentation of pulmonary opacification in chest ct scans of covid-19 patients
Rampun et al. Confidence analysis for breast mass image classification
Shen et al. Ensemble Attention Guided Multi-SEANet Trained with Curriculum Learning for Noninvasive Prediction of Gleason Grade Groups from MRI

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: 20769435

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20769435

Country of ref document: EP

Kind code of ref document: A1