WO2021100546A1 - 人工知能処理システム、アップロード管理装置、方法、プログラム - Google Patents

人工知能処理システム、アップロード管理装置、方法、プログラム Download PDF

Info

Publication number
WO2021100546A1
WO2021100546A1 PCT/JP2020/041869 JP2020041869W WO2021100546A1 WO 2021100546 A1 WO2021100546 A1 WO 2021100546A1 JP 2020041869 W JP2020041869 W JP 2020041869W WO 2021100546 A1 WO2021100546 A1 WO 2021100546A1
Authority
WO
WIPO (PCT)
Prior art keywords
input data
inference
learning
artificial intelligence
resources
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2020/041869
Other languages
English (en)
French (fr)
Inventor
宏典 松政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Publication of WO2021100546A1 publication Critical patent/WO2021100546A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to an artificial intelligence processing system, an upload management device, a method, and a program, and particularly relates to a technique for uploading input data to a resource for executing inference using artificial intelligence.
  • AI Artificial Intelligence
  • Patent Document 1 describes an API (Application Programming Interface), which is an application that acquires sensor data from an edge device and processes the acquired sensor data by exchanging the edge device with a computer in a cloud solution provided by a company. ) Is selected, the API of the selected computer is used to control the computer to perform the calculation, and the computer system that provides the calculation result is described.
  • API Application Programming Interface
  • the present invention has been made in view of such circumstances, and provides an artificial intelligence processing system, an upload management device, a method, and a program for appropriately uploading input data to a resource for executing inference using artificial intelligence. With the goal.
  • One aspect of the artificial intelligence processing system for achieving the above object is a plurality of resources capable of performing inference or artificial intelligence learning using artificial intelligence that outputs inference results with respect to input data, and inference or learning.
  • An artificial intelligence processing system including a unit and an upload control unit that uploads input data to be used for at least one resource among the plurality of resources based on the current state of the plurality of resources and the acquisition status of the input data. Is.
  • the input data used for at least one resource among the plurality of resources is uploaded based on the current state of the plurality of resources and the acquisition status of the input data.
  • Input data can be appropriately uploaded to the resource that executes the inference used.
  • the plurality of resources can execute inference or learning of artificial intelligence using a plurality of different artificial intelligences, and the reception unit accepts the artificial intelligence used for executing inference or re-learning among the plurality of artificial intelligences. Is preferable. This makes it possible to use artificial intelligence that is appropriate for executing inferences from multiple artificial intelligences.
  • the current state of a plurality of resources preferably includes the processing capacity of each resource, the operating status of the resource, and the network bandwidth of the network connected to the resource. As a result, at least one resource can be appropriately selected from the plurality of resources.
  • the upload control unit uploads the input data after all the input data of the plurality of types of input data are prepared. As a result, the input data can be uploaded appropriately.
  • the upload control unit uploads the acquired input data in order from the plurality of types of input data. As a result, the input data can be uploaded appropriately.
  • the upload control unit includes a judgment unit that performs calculation processing on at least one of the multiple types of input data. It is preferable to upload a plurality of types of input data based on the result of the calculation process. As a result, the input data can be uploaded appropriately.
  • the upload control unit uploads the input data used for the resource that receives the instruction and finishes the execution of inference or learning earliest among the plurality of resources. As a result, inference or learning can be executed quickly.
  • the discriminator discriminates the type of input data required for executing inference or learning that has received an instruction, based on a table in which the inference and learning are associated with the types of input data required for executing the inference and learning. It is preferable to do so. As a result, it is possible to appropriately determine the type of input data required for executing the inference or learning that has received the instruction.
  • Artificial intelligence is preferably a machine-learned learning model. As a result, the inference result can be appropriately output for the input data.
  • the input data preferably includes medical data.
  • This aspect can be applied to an artificial intelligence processing system that executes inference using artificial intelligence or learning of artificial intelligence on medical data.
  • the medical data is data related to a subject, and is data including at least one of a medical image, a pathological image, diagnostic information, and finding information.
  • One aspect of the upload management device for achieving the above object is to acquire the current state of a plurality of resources capable of performing inference using artificial intelligence that outputs inference results for input data or learning of artificial intelligence.
  • An acquisition status acquisition unit that determines the type of input data required for execution of inference or learning that has received an execution instruction and acquires the acquisition status of input data used for execution of inference or learning.
  • the input data is uploaded to at least one resource among the plurality of resources based on the current state of the plurality of resources and the acquisition status of the input data, artificial intelligence is used.
  • Input data can be appropriately uploaded to the resource that executes inference.
  • One aspect of the upload management device for achieving the above object includes a memory for storing an instruction to be executed by the processor and a processor for executing the instruction stored in the memory, and the processor receives the input data.
  • the type of input data required to execute inference or learning that receives the execution instruction by acquiring the current state of multiple resources that can execute inference or artificial intelligence learning using artificial intelligence.
  • One aspect of the upload management method for achieving the above object is to acquire the current state of a plurality of resources capable of performing inference using artificial intelligence that outputs inference results for input data or learning of artificial intelligence.
  • the input data is uploaded to at least one resource among the plurality of resources based on the current state of the plurality of resources and the acquisition status of the input data, artificial intelligence is used.
  • Input data can be appropriately uploaded to the resource that executes inference.
  • a program for causing a computer to execute the above upload management method is also included in this embodiment.
  • the program for causing the computer to execute the above upload management method may be provided by storing it in a non-temporary recording medium that can be read by the computer.
  • input data can be appropriately uploaded to a resource for executing inference or the like using artificial intelligence.
  • FIG. 1 is a block diagram showing a functional configuration of an artificial intelligence processing system.
  • FIG. 2 is a block diagram showing a main functional configuration of the AI process unit.
  • FIG. 3 is a block diagram showing a functional configuration of the AI process dispatcher.
  • FIG. 4 is a flowchart showing an upload management method.
  • FIG. 1 is a block diagram showing a functional configuration of the artificial intelligence processing system 10.
  • the artificial intelligence processing system 10 includes HIS (Hospital Information System) 12, PACS (Picture Archiving and Communication Systems) 14, VNA (Vendor Neutral Archive) 16, RIS (Radiology Information System) 18, and endoscope 20.
  • HIS Hospital Information System
  • PACS Physical Archiving and Communication Systems
  • VNA Vendor Neutral Archive
  • RIS Radiology Information System
  • endoscope 20 endoscope 20.
  • a genome analysis system 22 a hospital network 24, a hospital computer 26, a network adapter 28, a cloud 30, a cloud computer 32, and an AI (Artificial Intelligence) process dispatcher 100.
  • HIS12 is a computer system that supports medical services and accounting services for the entire hospital.
  • HIS12 may include an automatic reception system, an ordering system, a medical accounting system, an electronic medical record system, and the like.
  • the PACS 14 is an image storage communication system.
  • the PACS 14 receives a medical image taken by an imaging apparatus (modality) and stores it in a database (not shown). Further, the PACS 14 causes the designated medical image to be displayed on a display device (not shown).
  • the modality includes a device that generates a medical image representing the part to be inspected of the subject by photographing the part to be inspected, adds incidental information specified by the DICOM standard to the medical image, and outputs the medical image.
  • CT equipment Computed Tomography: Computed Tomography
  • MRI equipment magnetic resonance imaging
  • PET equipment Positron Emission Tomography
  • positron emission tomography equipment and ultrasonic diagnostic equipment.
  • CR device Computer X-ray imaging device
  • FPD flat panel detector
  • the PACS14 may treat a pathological image of a tissue collected from a subject taken with a camera as a medical image.
  • VNA16 is a distributor-neutral archive.
  • the VNA 16 collectively manages various data managed by PACS 14s of different manufacturers.
  • RIS18 is a radiological information system. RIS18 manages radiological examination requests, examination appointments, patient information, examination reports, and the like.
  • the endoscope 20 is an optical system device for observing a luminal region such as the esophagus and intestine of a subject. Further, the endoscope 20 includes an optical system device for observing the inside of the incision site.
  • the genome analysis system 22 is a system that analyzes the genetic information of a subject.
  • the genome analysis system 22 performs genome analysis on a cell sample of a subject.
  • the in-hospital network 24 is realized by, for example, a LAN (Local Area Network).
  • the HIS12, PACS14, VNA16, RIS18, endoscope 20, genome analysis system 22, and AI process dispatcher 100 are connected via an in-hospital network 24.
  • the in-hospital computer 26 (an example of a resource) is a computer used in the hospital.
  • the in-hospital computer 26 includes a hardware configuration (not shown) such as a CPU (Central Processing Unit), memory, storage, input / output interface, communication interface, input device, display device, and data bus. Further, the in-hospital computer 26 has a keyboard, a mouse, etc. (not shown) as an input device, and a display (not shown) as a display device.
  • a well-known operation system or the like is installed in the in-hospital computer 26, and a viewer application for displaying a medical image is executed.
  • the AI process unit 50A and the table 50B are stored in the in-hospital computer 26.
  • the AI process unit 50A is an example of artificial intelligence, and is a learning model that is learned by machine learning so as to output an inference result with respect to input data.
  • Input data includes medical data.
  • the medical data is data relating to a subject, and is data including at least one of a medical image, a pathological image, diagnostic information, and finding information.
  • the diagnostic information includes information such as genome analysis results, electrocardiogram waveform data, and vital data.
  • the finding information includes text data indicating the type and progress of the disease.
  • the medical data may include personal information such as the sex and age of the subject, and clinical information such as medical history.
  • the AI process unit 50A is a learning model that recognizes lung cancer.
  • the in-hospital computer 26 can perform lung cancer recognition (an example of inference) using the AI process unit 50A and re-learning of the AI process unit 50A using predetermined resources.
  • the recognition of lung cancer using the AI process unit 50A and the type of input data necessary for executing the recognition of lung cancer are stored in association with each other.
  • the re-learning of the AI process unit 50A and the type of input data required for executing the re-learning are stored in association with each other.
  • the types of input data required for performing lung cancer recognition using the AI process unit 50A are, for example, a CR image of the chest and a CT image of the chest.
  • the types of input data required for executing the re-learning of the AI process unit 50A are, for example, a CR image of the chest and a CT image of the chest.
  • the network adapter 28 realizes communication with the cloud 30 via the Internet 34.
  • Cloud 30 is a service that provides computer resources.
  • the cloud 30 is configured to be able to communicate with a client such as a medical institution via the Internet 34.
  • the cloud 30 includes a cloud computer 32.
  • the cloud computer 32 (an example of resources) includes a hardware configuration (not shown) such as a CPU, memory, storage, input / output interface, communication interface, input device, display device, and data bus. Further, the cloud computer 32 has a keyboard, a mouse and the like (not shown) as an input device, and a display and the like (not shown) as a display device. A well-known operating system or the like is installed in the cloud computer 32 and has a server function.
  • the cloud 30 may include a plurality of cloud computers 32.
  • the cloud computer 32 stores the AI process unit 50A, the AI process unit 52A, the table 50B, and the table 52B.
  • the AI process unit 50A and the table 50B are the same as the AI process unit 50A and the table 50B stored in the in-hospital computer 26.
  • the AI process unit 52A is an example of artificial intelligence, and is a learning model that is learned by machine learning so as to output an inference result with respect to input data.
  • the AI process unit 52A recognizes a brain tumor.
  • the cloud computer 32 uses predetermined resources to perform inference using the AI process unit 50A, inference using the AI process unit 52A, re-learning of the AI process unit 50A, and re-learning of the AI process unit 52A. , Is feasible.
  • the cloud computer 32 has a predetermined ratio of CPU processing that can be occupied between the execution of inference and relearning using the AI process unit 50A and the execution of inference and relearning using the AI process unit 52A. There is.
  • the recognition of the brain tumor using the AI process unit 52A and the type of input data necessary for executing the recognition of the brain tumor are stored in association with each other.
  • the re-learning of the AI process unit 52A and the type of input data required for executing the re-learning are stored in association with each other.
  • the types of input data required to execute the recognition of the brain tumor using the AI process unit 52A are, for example, a CT image of the head and an MRI image of the head.
  • the types of input data required for executing the re-learning of the AI process unit 52A are, for example, a CT image of the head and an MRI image of the head.
  • the AI process dispatcher 100 is a program that serves as a gateway, and is located at the entrance / exit of the hospital network 24.
  • the AI process dispatcher 100 operates on a computer (not shown).
  • the AI process dispatcher 100 may operate on the in-hospital computer 26.
  • the AI process dispatcher 100 manages the upload of data to the in-hospital computer 26 and the cloud computer 32.
  • FIG. 2 is a block diagram showing a main functional configuration of the AI process unit.
  • the AI process unit 50A that recognizes lung cancer will be described as an example.
  • the AI process unit 50A is a learning model that learns using a CR image and a CT image and performs recognition processing using the CR image and the CT image.
  • the AI process unit 50A has a plurality of layer structures and holds a plurality of weight parameters.
  • the AI process unit 50A can change from an unlearned model to a trained model by updating the weight parameter from the initial value to the optimum value.
  • the AI process unit 50A has a convolutional neural network (CNN) configuration, and includes an input layer 60, an intermediate layer 62, and an output layer 64.
  • CNN convolutional neural network
  • the input layer 60, the intermediate layer 62, and the output layer 64 each have a structure in which a plurality of "nodes" are connected by "edges".
  • a CR image and a CT image are input to the input layer 60 as input data.
  • the intermediate layer 62 is a layer for extracting features from the image input from the input layer.
  • the intermediate layer 62 has a plurality of sets including a convolution layer and a pooling layer as one set, and a fully connected layer.
  • the convolution layer performs a convolution operation using a filter on nearby nodes in the previous layer and acquires a feature map.
  • the pooling layer reduces the feature map output from the convolution layer to a new feature map.
  • the fully connected layer connects all the nodes of the immediately preceding layer (here, the pooling layer).
  • the convolution layer plays a role of feature extraction such as edge extraction from an image, and the pooling layer plays a role of imparting robustness so that the extracted features are not affected by translation or the like.
  • the intermediate layer 62 is not limited to the case where the convolution layer and the pooling layer are set as one set, and the convolution layer may be continuous or may include a normalization layer.
  • the output layer 64 is a layer that outputs a recognition result for detecting lung cancer based on the characteristics extracted by the intermediate layer 62.
  • the recognition result that classifies the detected lung cancer as benign or malignant may be output.
  • the learned AI process unit 50A classifies lung cancer into three categories, for example, "malignant”, “benign”, and “other”, and the recognition results are classified into “malignant”, “benign”, and “other”. Output as the corresponding three scores. The sum of the three scores is 100%.
  • Arbitrary initial values are set for the coefficient of the filter applied to each convolution layer of the AI process unit 50A before learning, the offset value, and the weight of the connection with the next layer in the fully connected layer.
  • the AI process unit 50A adjusts the weight parameter of the AI process unit 50A by the error back propagation method based on the error between the recognition result output from the output layer 64 and the correct answer data. This parameter adjustment process is repeated, and repeated learning is performed until the difference between the output of the AI process unit 50A and the correct answer data becomes small.
  • the AI process unit 50A does not have to use the correct answer data depending on the recognition process to be realized. Further, the AI process unit 50A may extract features by an algorithm designed in advance such as edge extraction, and use the information to learn with a support vector machine or the like.
  • the AI process unit 50A may learn using the CR image, the CT image, and the blood test result, and perform the recognition process using the CR image and the CT image. That is, the input data used for the recognition process may be a subset of the input data used for the learning process.
  • FIG. 3 is a block diagram showing a functional configuration of the AI process dispatcher 100.
  • the AI process dispatcher 100 (an example of an upload management device) includes a reception unit 102, a determination unit 104, an acquisition status acquisition unit 106, a state acquisition unit 108, and an upload control unit 110.
  • the reception unit 102 receives an instruction to execute inference using the AI process unit 50A, inference using the AI process unit 52A, re-learning of the AI process unit 50A, or re-learning of the AI process unit 52A input from the user. ..
  • the execution instruction is given by, for example, the user using an input device (not shown) of the in-hospital computer 26.
  • the execution instruction may be automatically issued by the in-hospital computer 26.
  • the reception unit 102 acquires an execution instruction from the in-hospital computer 26 and accepts it.
  • the instruction to execute the re-learning may be automatically transmitted from the in-hospital computer 26 when the time suitable for the re-learning or when the input data used for the re-learning is prepared.
  • the discrimination unit 104 discriminates from the table 50B or the table 52B the type of input data required for executing the inference or relearning received by the reception unit 102.
  • the determination unit 104 determines the type of input data required from the table 50B of the in-hospital computer 26. It may be acquired, or it may be acquired from the table 50B of the cloud computer 32.
  • the acquisition status acquisition unit 106 acquires the acquisition status (alignment) of the input data used for executing inference or learning based on the type of input data determined by the determination unit 104.
  • the status acquisition unit 108 acquires the current status of a plurality of resources.
  • the status refers to the processing capacity (operating clock speed, etc.) of each CPU of the in-hospital computer 26 and the cloud computer 32, the ratio of CPU processing that can be occupied, the operating status of the CPU, the network bandwidth of the connected network, and the like.
  • the network bandwidth means the transmission line capacity (bit rate: bps) of the communication network, that is, the data transmission capacity of the communication network. A known method may be used to measure the network bandwidth.
  • the upload control unit 110 selects at least one resource from the plurality of resources based on the current state of the plurality of resources acquired by the state acquisition unit 108 and the acquisition status of the input data acquired by the acquisition status acquisition unit 106. select. Further, the upload control unit 110 inputs input data to be used for the selected resource based on the current state of the plurality of resources acquired by the state acquisition unit 108 and the acquisition status of the input data acquired by the acquisition status acquisition unit 106. Upload.
  • the AI process dispatcher 100 may include a storage unit that stores the table 50B and the table 52B.
  • FIG. 4 is a flowchart showing an upload management method.
  • the reception unit 102 of the AI process dispatcher 100 receives an instruction for recognition processing of lung cancer using the AI process unit 50A will be described. It is assumed that the AI process dispatcher 100 has previously identified that the in-hospital computer 26 and the cloud computer 32 can execute the lung cancer recognition process using the AI process unit 50A.
  • step S1 the AI process dispatcher 100 acquires all the data combination information necessary for executing the recognition and relearning that can be processed by the artificial intelligence processing system 10 from the calculation processing information management unit.
  • the AI process dispatcher 100 uses the cloud computer 32 to perform data information necessary for performing lung cancer recognition and relearning using the AI process unit 50A, and brain tumor recognition and relearning using the AI process unit 52A. Get the data information required for execution.
  • the discrimination unit 104 reads out the table 50B, and the types of input data required for performing lung cancer recognition and relearning using the AI process unit 50A are two types, a CR image of the chest and a CT image of the chest. Acquire (determine) that it is data (multi-data).
  • the discrimination unit 104 reads out the table 52B, and the types of input data required for executing the recognition and relearning of the brain tumor using the AI process unit 52A are 2 of the CT image of the head and the MRI image of the head. Get that it is a kind of data.
  • the AI process dispatcher 100 may acquire all the data combination information necessary for executing the recognition and relearning that can be processed by the artificial intelligence processing system 10 from the in-hospital computer 26.
  • step S2 the AI process dispatcher 100 (an example of the input data acquisition unit) corresponding to the data processing management unit acquires the data necessary for executing recognition or relearning from the PACS 14.
  • the AI process dispatcher 100 receives a CR image of the chest of a subject and a CT image of the chest.
  • the AI process dispatcher 100 may receive the CR image of the chest of the subject and the CT image of the chest directly from the CR device and the CT device, or may be received from the VNA 16.
  • the AI process dispatcher 100 receives at least the captured image.
  • step S3 the AI process dispatcher 100 narrows down the recognition or relearning process to be executed from the input data acquired in step S2 with respect to the combination information of the data acquired in step S1, and the data requested from the cloud computer 32. To get.
  • the AI process dispatcher 100 determines that the process to be executed is the lung cancer recognition process. As the process to be executed, a plurality of recognition and relearning processes may be candidates.
  • step S4 the determination unit 104 determines whether or not the data required in the table 50B is multi-data, that is, whether or not it is a plurality of types of data. If the required data is multi-data, the AI process dispatcher 100 performs the process of step S5. If the requested data is one type of data, the AI process dispatcher 100 performs the process of step S10. Here, the required data is a multi-data of a CR image of the chest and a CT image of the chest. Therefore, the AI process dispatcher 100 performs the process of step S5.
  • multi-data is not limited to multiple types of medical images.
  • the multi-data is a combination of a CT image and a pathological image, a CT image and a PET image, an MR image and a genome analysis result, a CT image and a blood test result, and the like according to the purpose of the examination.
  • step S5 an example of the acquisition status acquisition process
  • the acquisition status acquisition unit 106 determines whether or not all the input data of the required multi-data are available. When all the input data are prepared, the AI process dispatcher 100 performs the process of step S10. If not all the input data are available, the AI process dispatcher 100 performs the process of step S6.
  • the required multi-data is a CR image of the chest of the subject and a CT image of the chest.
  • step S2 only the CR image is received and the CT image is not received, only the CT image is received and the CR image is not received, and both the CR image and the CT image are received. If not, the AI process dispatcher 100 determines that all the input data are not available. Further, when both the CR image and the CT image are received in step S2, the AI process dispatcher 100 determines that all the input data are available.
  • step S6 the acquisition status acquisition unit 106 acquires the scheduled completion date and time of the input data that has not been received among the requested input data from the data creation source. For example, when the CT image is not received, the acquisition status acquisition unit 106 acquires the shooting completion date and time of the CT image.
  • the acquisition completion date and time of the CT image can be obtained from HIS12 or RIS18.
  • the imaging completion date and time is, for example, 20 minutes for an ultrasonic diagnostic image, 1 hour for a CT image, and several days for a pathological image.
  • step S7 the AI process dispatcher 100 sets the deadline for uploading the input data.
  • the AI process dispatcher 100 sets the completion deadline for uploading the input data to the completion time of all the input data acquisition. For example, when the CT image is not received, the AI process dispatcher 100 sets the deadline for uploading the CT image after one hour.
  • step S8 the upload control unit 110 determines whether or not there is input data being uploaded. If there is input data being uploaded, the AI process dispatcher 100 performs the process of step S5. If there is no input data being uploaded, the AI process dispatcher 100 performs the process of step S9.
  • step S9 the upload control unit 110 uploads a part of the input data.
  • the upload control unit 110 uploads in order from the acquired input data among the plurality of types of input data. For example, when only the CR image is received and the CT image is not received, the AI process dispatcher 100 uploads the CR image to the in-hospital computer 26 and the cloud computer 32, respectively. After that, the AI process dispatcher 100 performs the process of step S5.
  • the upload control unit 110 lowers the upload order of the unprepared data.
  • the upload order of the CT images can be lowered in priority until a few days after the blood test is completed.
  • the resource hospital computer 26 or cloud computer 32
  • it may be the target of upload.
  • step S5 If it is determined in the process of step S5 that all the input data are not prepared, the upload control unit 110 steps until the acquisition of all the input data is completed without performing the processes of steps S6 to S9. It is also possible to repeat the process of S5. For example, when only the CR image is received and the CT image is not received, the AI process dispatcher 100 performs the process of step S10 after receiving the CT image. As a result, the input data can be uploaded after all the input data are collected, so that it is possible to prevent the data required for processing from being uploaded in an incomplete state.
  • the process of step S5 is performed after the state of one or more of the devices from which the multi-data is acquired is determined.
  • the upload control unit 110 determines whether uploading including the CT image is necessary based on the diagnosis result of the PET image.
  • the multi-data may be a combination of a CT image for definitive diagnosis and a CR image for initial diagnosis.
  • step S10 the state acquisition unit 108 acquires the operating status of all resources.
  • the state acquisition unit 108 acquires the operating status of the in-hospital computer 26, the operating status of the cloud computer 32, and the network bandwidth to the cloud 30.
  • the state acquisition unit 108 inquires about the operating status of the in-hospital computer 26 and acquires the operating status of the in-hospital computer 26. Further, the state acquisition unit 108 inquires about the operating status of the cloud computer 32 and acquires the operating status of the cloud computer 32. Further, the state acquisition unit 108 measures the transfer speed to the cloud computer 32 and infers the transfer time to the cloud computer 32.
  • step S11 the state acquisition unit 108 calculates the local processing time, that is, the processing time for lung cancer recognition processing using the AI process unit 50A on the in-hospital computer 26.
  • the state acquisition unit 108 calculates the processing time of the lung cancer recognition process using the AI process unit 50A on the cloud computer 32.
  • the processing time here includes the time required for transmitting data from the AI process dispatcher 100 to the cloud computer 32.
  • step S12 the state acquisition unit 108 determines whether or not the local processing time is longer than the processing time of another resource.
  • the state acquisition unit 108 uses the AI process unit 50A of the in-hospital computer 26 to process the lung cancer recognition process based on the processing results of steps S10 and S11, and the processing time of the lung cancer recognition process is the AI process on the cloud computer 32. It is determined whether or not the processing time of the lung cancer recognition process using the part 50A is longer than the processing time.
  • the AI process dispatcher 100 performs the processing in step S13. If the processing time on the in-hospital computer 26 is longer, the AI process dispatcher 100 performs the processing in step S14.
  • step S13 the AI process dispatcher 100 performs local execution processing. That is, the upload control unit 110 uploads the CR image and the CT image to the in-hospital computer 26 (an example of the upload control process). If some data has already been uploaded in step S9, the data that has not been uploaded is uploaded.
  • the in-hospital computer 26 inputs a CR image and a CT image and performs a lung cancer recognition process by the AI process unit 50A. Further, the in-hospital computer 26 transmits the processing result to the AI process dispatcher 100. This completes the processing of this flowchart. The processing result can be obtained quickly by performing the execution processing on the in-hospital computer 26 having a relatively short processing time.
  • the upload control unit 110 determines whether or not data can be uploaded by controlling the number of simultaneous uploads possible.
  • the number of simultaneous uploads is a predetermined number of simultaneous uploads, and refers to the number of data that can be uploaded at the same time.
  • the communication speed of the upload line is finite (fixed), and uploading multiple data at the same time slows down and becomes inefficient. Therefore, in the artificial intelligence processing system 10, the number of simultaneous uploads is predetermined.
  • the AI process dispatcher 100 performs the process of step S15. If the data is not movable, the AI process dispatcher 100 performs the process of step S10.
  • step S15 the upload control unit 110 uploads data. That is, the upload control unit 110 uploads the CR image and the CT image to the cloud computer 32. If some data has already been uploaded in step S9, the data that has not been uploaded is uploaded.
  • the cloud computer 32 receives the CR image and the CT image as inputs, performs lung cancer recognition processing by the AI process unit 50A, and transmits the processing result to the AI process dispatcher 100. This completes the processing of this flowchart. By executing the execution process on the cloud computer 32 having a relatively short processing time, the processing result can be quickly acquired.
  • the AI process dispatcher 100 sets the input data in step S7 for the resource for which a part of the data was uploaded in step S9 but the remaining data was not uploaded in step S13 or step S15.
  • a part of the data uploaded in step S9 is deleted.
  • the AI process dispatcher 100 uploads the CR image to the hospital computer 26. Erase the image. As a result, it is possible to prevent unused data from remaining in the resource.
  • data can be uploaded to the resource in which the execution of inference or learning that receives the instruction finishes earliest among the plurality of resources.
  • the upload control unit 110 when the required data is multi-data, the upload control unit 110 has uploaded all the data, but the data to be uploaded may be filtered by preprocessing. Data may be uploaded when one or more calculation processes of the multi-data source are performed and the probability of being diagnosed as positive is equal to or higher than a certain value. For example, when the multi-data includes a CT image, the in-hospital computer 26 performs the CT image inference processing, and if the probability of being diagnosed as positive is equal to or higher than a certain value, the upload control unit 110 uploads the CT image. Do.
  • the in-hospital computer 26 (an example of the judgment unit) performs calculation processing of one or a plurality of data (an example of at least one input data) of the multi-data, and the probability of being diagnosed as positive is a certain value or more. In this case, uploading may be performed as soon as related data are available, or the acquired data may be uploaded in order.
  • the above upload management method is configured as a program for realizing each process on a computer, and a non-temporary recording medium such as a CD-ROM (Compact Disk-Read Only Memory) in which this program is stored may be configured. It is possible.
  • a non-temporary recording medium such as a CD-ROM (Compact Disk-Read Only Memory) in which this program is stored may be configured. It is possible.
  • the hardware structure of the processing unit that executes various processes of the AI process dispatcher 100 is various processors as shown below.
  • Various processors include a CPU (Central Processing Unit), which is a general-purpose processor that executes software (programs) and functions as various processing units, and a GPU (Graphics Processing Unit), which is a processor specialized in image processing.
  • Dedicated to execute specific processing such as programmable logic device (PLD), ASIC (Application Specific Integrated Circuit), which is a processor whose circuit configuration can be changed after manufacturing FPGA (Field Programmable Gate Array), etc.
  • One processing unit may be composed of one of these various processors, or two or more processors of the same type or different types (for example, a plurality of FPGAs, or a combination of a CPU and an FPGA, or a CPU and a CPU. It may be composed of a combination of GPUs). Further, a plurality of processing units may be configured by one processor. As an example of configuring a plurality of processing units with one processor, first, one processor is configured by a combination of one or more CPUs and software, as represented by a computer such as a server and a client. There is a form in which the processor functions as a plurality of processing units.
  • SoC System On Chip
  • a processor that realizes the functions of the entire system including a plurality of processing units with one IC (Integrated Circuit) chip is used.
  • the various processing units are configured by using one or more various processors as a hardware-like structure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

人工知能を用いた推論等を実行するリソースに入力データを適切にアップロードする人工知能処理システム、アップロード管理装置、方法、プログラムを提供する。人工知能を用いた推論等を実行可能な複数のリソースの現在の状態を取得し、推論等の実行に必要な入力データの種類をテーブルに基づいて判別し、判別した入力データの種類に基づいて、推論等の実行に使用する入力データの取得状況を取得し、複数のリソースの現在の状態と入力データの取得状況とに基づいて、複数のリソースの中の少なくとも１つのリソースに入力データをアップロードする。

Description

人工知能処理システム、アップロード管理装置、方法、プログラム
　本発明は人工知能処理システム、アップロード管理装置、方法、プログラムに係り、特に人工知能を用いた推論等を実行するリソースに入力データをアップロードする技術に関する。
　医療分野においては、画像解析技術の性能が向上してきている。特に、近年では、深層学習により学習がなされたニューラルネットワークを利用した人工知能（ＡＩ: Artificial Intelligence）を用いることにより、病変を認識したり、病変を特定したりするための解析処理の精度が向上している。このような解析処理を実行するためには、高性能なコンピュータが必要になる。
　一方、近年、複数のサーバを用いた様々なクラウドサービスが提供されるようになってきている。例えば、高価なコンピュータを保有することなくクラウドを利用したサービスが提供されるようになってきている。
　特許文献１には、企業が提供するクラウドソリューションにおいて、エッジデバイスからセンサデータを取得し、取得したセンサデータに応じて、エッジデバイスとコンピュータとのやり取りで処理を行うアプリケーションであるＡＰＩ（Application Programming Interface）のうち最適な計算機のＡＰＩを選択し、選択した計算機のＡＰＩを利用して計算機に計算させるように制御し、計算した結果を提供するコンピュータシステムが記載されている。
特許第６４０４５２９号
　ＡＩを用いた解析処理、ＡＩの学習処理をクラウド、又は他施設の計算機等の外部のプラットフォーム等に分散処理する場合、転送用ネットワーク帯域、及びプラットフォームのＣＰＵ（Central Processing Unit）等のリソースは有限であるため、意図したタイミングでデータをアップロード処理しないことにより、稼働率が低下する等の課題があった。
　本発明はこのような事情に鑑みてなされたもので、人工知能を用いた推論等を実行するリソースに入力データを適切にアップロードする人工知能処理システム、アップロード管理装置、方法、プログラムを提供することを目的とする。
　上記目的を達成するための人工知能処理システムの一の態様は、入力データに対して推論結果を出力する人工知能を用いた推論又は人工知能の学習を実行可能な複数のリソースと、推論又は学習の実行の指示を受け付ける受付部と、指示を受け付けた推論又は学習の実行に必要な入力データの種類を判別する判別部と、指示を受け付けた推論又は学習の実行に使用する入力データを取得する入力データ取得部と、判別した入力データの種類に基づいて、推論又は学習の実行に使用する入力データの取得状況を取得する取得状況取得部と、複数のリソースの現在の状態を取得する状態取得部と、複数のリソースの現在の状態と入力データの取得状況とに基づいて、複数のリソースの中の少なくとも１つのリソースに使用する入力データをアップロードするアップロード制御部と、を備える人工知能処理システムである。
　本態様によれば、複数のリソースの現在の状態と入力データの取得状況とに基づいて、複数のリソースの中の少なくとも１つのリソースに使用する入力データをアップロードするようにしたので、人工知能を用いた推論等を実行するリソースに入力データを適切にアップロードすることができる。
　複数のリソースは、それぞれ異なる複数の人工知能を用いた推論又は人工知能の学習を実行可能であり、受付部は、複数の人工知能のうち推論又は再学習の実行に使用する人工知能を受け付けることが好ましい。これにより、複数の人工知能から推論の実行に適切な人工知能を使用することができる。
　複数のリソースの現在の状態は、それぞれのリソースの処理能力と、リソースの稼働状況と、リソースに接続されたネットワークのネットワーク帯域と、を含むことが好ましい。これにより、複数のリソースの中から少なくとも１つのリソースを適切に選択することができる。
　指示を受け付けた推論又は学習の実行に必要な入力データの種類が複数種類であり、アップロード制御部は、複数種類の入力データの全ての入力データが揃った後に入力データをアップロードすることが好ましい。これにより、入力データを適切にアップロードすることができる。
　指示を受け付けた推論又は学習の実行に必要な入力データの種類が複数種類であり、アップロード制御部は、複数種類の入力データのうち取得した入力データから順にアップロードすることが好ましい。これにより、入力データを適切にアップロードすることができる。
　指示を受け付けた推論又は学習の実行に必要な入力データの種類が複数種類であり、複数種類の入力データのうちの少なくとも１つの入力データについて計算処理を行う判断部を備え、アップロード制御部は、計算処理の結果に基づいて複数種類の入力データをアップロードすることが好ましい。これにより、入力データを適切にアップロードすることができる。
　アップロード制御部は、複数のリソースのうち指示を受け付けた推論又は学習の実行が最も早く終了するリソースに使用する入力データをアップロードすることが好ましい。これにより、推論又は学習の実行を迅速に行うことができる。
　判別部は、推論及び学習と、推論及び学習の実行に必要な入力データの種類とが対応付けられたテーブルに基づいて、指示を受け付けた推論又は学習の実行に必要な入力データの種類を判別することが好ましい。これにより、指示を受け付けた推論又は学習の実行に必要な入力データの種類を適切に判別することができる。
　人工知能は、機械学習された学習モデルであることが好ましい。これにより、入力データに対して推論結果を適切に出力することができる。
　入力データは医療データを含むことが好ましい。本態様は、医療データに対して人工知能を用いた推論又は人工知能の学習を実行する人工知能処理システムに適用することができる。なお、医療データとは、被検体に関するデータであり、医療画像、病理画像、診断情報、及び所見情報の少なくとも１つを含むデータである。
　上記目的を達成するためのアップロード管理装置の一の態様は、入力データに対して推論結果を出力する人工知能を用いた推論又は人工知能の学習を実行可能な複数のリソースの現在の状態を取得する状態取得部と、実行の指示を受け付けた推論又は学習の実行に必要な入力データの種類を判別し、推論又は学習の実行に使用する入力データの取得状況を取得する取得状況取得部と、複数のリソースの現在の状態と入力データの取得状況とに基づいて、複数のリソースの中の少なくとも１つのリソースへ使用する入力データをアップロードするアップロード制御部と、を備えるアップロード管理装置である。
　本態様によれば、複数のリソースの現在の状態と入力データの取得状況とに基づいて、複数のリソースの中の少なくとも１つのリソースに入力データをアップロードするようにしたので、人工知能を用いた推論等を実行するリソースに入力データを適切にアップロードすることができる。
　上記目的を達成するためのアップロード管理装置の一の態様は、プロセッサに実行させるための命令を記憶するメモリと、メモリに記憶された命令を実行するプロセッサとを備え、プロセッサは、入力データに対して推論結果を出力する人工知能を用いた推論又は人工知能の学習を実行可能な複数のリソースの現在の状態を取得し、実行の指示を受け付けた推論又は学習の実行に必要な入力データの種類を判別し、推論又は学習の実行に使用する入力データの取得状況を取得し、複数のリソースの現在の状態と入力データの取得状況とに基づいて、複数のリソースの中の少なくとも１つのリソースへ使用する入力データをアップロードするアップロード管理装置である。
　上記目的を達成するためのアップロード管理方法の一の態様は、入力データに対して推論結果を出力する人工知能を用いた推論又は人工知能の学習を実行可能な複数のリソースの現在の状態を取得する状態取得工程と、実行の指示を受け付けた推論又は学習の実行に必要な入力データの種類を判別し、推論又は学習の実行に使用する入力データの取得状況を取得する取得状況取得工程と、複数のリソースの現在の状態と入力データの取得状況とに基づいて、複数のリソースの中の少なくとも１つのリソースへ使用する入力データをアップロードするアップロード制御工程と、を備えるアップロード管理方法である。
　本態様によれば、複数のリソースの現在の状態と入力データの取得状況とに基づいて、複数のリソースの中の少なくとも１つのリソースに入力データをアップロードするようにしたので、人工知能を用いた推論等を実行するリソースに入力データを適切にアップロードすることができる。上記のアップロード管理方法をコンピュータに実行させるためのプログラムも本態様に含まれる。上記のアップロード管理方法をコンピュータに実行させるためのプログラムは、コンピュータの読取可能な非一時的な記録媒体に記憶させて提供されてもよい。
　本発明によれば、人工知能を用いた推論等を実行するリソースに入力データを適切にアップロードすることができる。
図１は、人工知能処理システムの機能構成を示すブロック図である。 図２は、ＡＩプロセス部の主要な機能構成を示すブロック図である。 図３は、ＡＩプロセスディスパッチャの機能構成を示すブロック図である。 図４は、アップロード管理方法を示すフローチャートである。
　以下、添付図面に従って本発明の好ましい実施形態について詳説する。
　＜人工知能処理システムの構成＞
　図１は、人工知能処理システム１０の機能構成を示すブロック図である。人工知能処理システム１０は、ＨＩＳ（Hospital Information System）１２と、ＰＡＣＳ（Picture Archiving and Communication Systems）１４と、ＶＮＡ（Vendor Neutral Archive）１６と、ＲＩＳ（Radiology Information System）１８と、内視鏡２０と、ゲノム解析システム２２と、病院内ネットワーク２４と、病院内コンピュータ２６と、ネットワークアダプタ２８と、クラウド３０と、クラウドコンピュータ３２と、ＡＩ（Artificial Intelligence）プロセスディスパッチャ１００と、を備えている。
　ＨＩＳ１２は、病院全体の診療業務、及び会計業務を支援するコンピュータシステムである。ＨＩＳ１２は、自動受付システム、オーダリングシステム、医事会計システム、及び電子カルテシステム等を含んでもよい。
　ＰＡＣＳ１４は、画像保存通信システムである。ＰＡＣＳ１４は、画像撮影装置（モダリティ）で撮影された医療画像を受信し、不図示のデータベースに保存する。また、ＰＡＣＳ１４は、指定された医療画像を不図示の表示装置に表示させる。
　モダリティは、被写体の検査対象部位を撮影することにより、その部位を表す医療画像を生成し、医療画像にＤＩＣＯＭ規格で規定された付帯情報を付加して出力する装置が含まれる。具体例としては、ＣＴ装置（Computed Tomography：コンピュータ断層撮影装置）、ＭＲＩ装置（magnetic resonance imaging：磁気共鳴画像撮影装置）、ＰＥＴ装置（Positron Emission Tomography：陽電子放射断層撮影装置）、超音波診断装置、平面Ｘ線検出器（ＦＰＤ：flat panel detector）を用いたＣＲ装置（Computed Radiography：コンピュータＸ線撮影装置）等が挙げられる。
　ＰＡＣＳ１４は、被検体から採取した組織をカメラで撮影した病理画像を医療画像として扱ってもよい。
　ＶＮＡ１６は、販売業者中立アーカイブである。ＶＮＡ１６は、それぞれ異なるメーカのＰＡＣＳ１４に管理されている多様なデータを一括して管理する。
　ＲＩＳ１８は、放射線科情報システムである。ＲＩＳ１８は、放射線検査依頼、検査予約、患者情報、検査レポート等の管理を行う。
　内視鏡２０は、被検体の食道、腸等の管腔領域を観察するための光学系機器である。また、内視鏡２０は、切開部位の内部を観察するための光学系機器を含む。
　ゲノム解析システム２２は、被検体の遺伝情報を解析するシステムである。ゲノム解析システム２２は、被検体の細胞サンプルについてゲノム解析を行う。
　病院内ネットワーク２４は、例えばＬＡＮ（Local Area Network）によって実現される。ＨＩＳ１２と、ＰＡＣＳ１４と、ＶＮＡ１６と、ＲＩＳ１８と、内視鏡２０と、ゲノム解析システム２２と、ＡＩプロセスディスパッチャ１００とは、病院内ネットワーク２４を介して接続されている。
　病院内コンピュータ２６（リソースの一例）は、病院内にて使用されるコンピュータである。病院内コンピュータ２６は、ＣＰＵ（Central Processing Unit）、メモリ、ストレージ、入出力インターフェース、通信インターフェース、入力装置、表示装置、データバス等の不図示のハードウェア構成を備える。また、病院内コンピュータ２６は、入力装置として、不図示のキーボード、マウス等を有し、表示装置として不図示のディスプレイ等を有する。病院内コンピュータ２６には、周知のオペレーションシステム等がインストールされ、医療画像表示用のビューワアプリケーションが実行される。
　病院内コンピュータ２６には、ＡＩプロセス部５０Ａと、テーブル５０Ｂとが記憶されている。ＡＩプロセス部５０Ａは、人工知能の一例であり、入力データに対して推論結果を出力するように機械学習によって学習されている学習モデルである。入力データは医療データを含む。医療データとは、被検体に関するデータであり、医療画像、病理画像、診断情報、及び所見情報の少なくとも１つを含むデータである。診断情報は、ゲノム解析結果、心電図波形データ、及びバイタルデータ等の情報を含む。所見情報は、病気の種類及び進行状況等を示すテキストデータを含む。医療データは、被検体の性別及び年齢等の個人情報、既往歴等の臨床情報を含んでもよい。
　ここでは、ＡＩプロセス部５０Ａは肺がんを認識する学習モデルである。病院内コンピュータ２６は、予め定められたリソースを用いてＡＩプロセス部５０Ａを用いた肺がんの認識（推論の一例）と、ＡＩプロセス部５０Ａの再学習と、を実行可能である。
　テーブル５０Ｂには、ＡＩプロセス部５０Ａを用いた肺がんの認識と、肺がんの認識の実行に必要な入力データの種類とが、対応付けられて記憶されている。また、テーブル５０Ｂには、ＡＩプロセス部５０Ａの再学習と、再学習の実行に必要な入力データの種類とが、対応付けられて記憶されている。ここでは、ＡＩプロセス部５０Ａを用いた肺がんの認識の実行に必要な入力データの種類は、一例として胸部のＣＲ画像と胸部のＣＴ画像である。また、ＡＩプロセス部５０Ａの再学習の実行に必要な入力データの種類は、一例として胸部のＣＲ画像と胸部のＣＴ画像である。
　ネットワークアダプタ２８は、インターネット３４を介したクラウド３０との通信を実現する。
　クラウド３０は、コンピュータ資源を提供するサービスである。クラウド３０は、インターネット３４を介して医療機関等のクライアントと通信可能に構成される。クラウド３０は、クラウドコンピュータ３２を備える。
　クラウドコンピュータ３２（リソースの一例）は、ＣＰＵ、メモリ、ストレージ、入出力インターフェース、通信インターフェース、入力装置、表示装置、データバス等の不図示のハードウェア構成を備える。また、クラウドコンピュータ３２は、入力装置として不図示のキーボード、マウス等を有し、表示装置として不図示のディスプレイ等を有する。クラウドコンピュータ３２には、周知のオペレーションシステム等がインストールされ、サーバの機能を有する。クラウド３０は、複数のクラウドコンピュータ３２を備えてもよい。
　クラウドコンピュータ３２には、ＡＩプロセス部５０Ａと、ＡＩプロセス部５２Ａと、テーブル５０Ｂと、テーブル５２Ｂと、が記憶されている。ＡＩプロセス部５０Ａとテーブル５０Ｂとは、病院内コンピュータ２６に記憶されているＡＩプロセス部５０Ａとテーブル５０Ｂと同様である。ＡＩプロセス部５２Ａは、人工知能の一例であり、入力データに対して推論結果を出力するように機械学習によって学習されている学習モデルである。ここでは、ＡＩプロセス部５２Ａは脳腫瘍を認識する。クラウドコンピュータ３２は、予め定められたリソースを用いてＡＩプロセス部５０Ａを用いた推論と、ＡＩプロセス部５２Ａを用いた推論と、ＡＩプロセス部５０Ａの再学習と、ＡＩプロセス部５２Ａの再学習と、を実行可能である。クラウドコンピュータ３２は、ＡＩプロセス部５０Ａを用いた推論及び再学習の実行と、ＡＩプロセス部５２Ａを用いた推論及び再学習の実行との、それぞれ占有可能なＣＰＵの処理の割合が予め定められている。
　テーブル５２Ｂには、ＡＩプロセス部５２Ａを用いた脳腫瘍の認識と、脳腫瘍の認識の実行に必要な入力データの種類とが、対応付けられて記憶されている。また、テーブル５２Ｂには、ＡＩプロセス部５２Ａの再学習と、再学習の実行に必要な入力データの種類とが、対応付けられて記憶されている。なお、ＡＩプロセス部５２Ａを用いた脳腫瘍の認識の実行に必要な入力データの種類は、一例として頭部のＣＴ画像と頭部のＭＲＩ画像である。また、ＡＩプロセス部５２Ａの再学習の実行に必要な入力データの種類は、一例として頭部のＣＴ画像と頭部のＭＲＩ画像である。
　ＡＩプロセスディスパッチャ１００は、ゲートウェイとなるプログラムであり、病院内ネットワーク２４の出入口に配置される。ＡＩプロセスディスパッチャ１００は、不図示のコンピュータにおいて動作する。ＡＩプロセスディスパッチャ１００は、病院内コンピュータ２６において動作してもよい。ＡＩプロセスディスパッチャ１００は、病院内コンピュータ２６とクラウドコンピュータ３２とへのデータのアップロードを管理する。
　＜ＡＩプロセス部の構成＞
　図２は、ＡＩプロセス部の主要な機能構成を示すブロック図である。ここでは、肺がんを認識するＡＩプロセス部５０Ａを例に説明する。ＡＩプロセス部５０Ａは、ＣＲ画像とＣＴ画像とを使用して学習し、ＣＲ画像とＣＴ画像とを使用して認識処理を行う学習モデルである。
　ＡＩプロセス部５０Ａは、複数のレイヤー構造を有し、複数の重みパラメータを保持している。ＡＩプロセス部５０Ａは、重みパラメータが初期値から最適値に更新されることで、未学習モデルから学習済みモデルに変化しうる。
　ＡＩプロセス部５０Ａは、畳み込みニューラルネットワーク（ＣＮＮ：Convolution Neural Network）の構成を有し、入力層６０と、中間層６２と、出力層６４と、を備える。入力層６０、中間層６２、出力層６４は、それぞれ複数の「ノード」が「エッジ」で結ばれる構造となっている。
　入力層６０には、入力データとしてＣＲ画像とＣＴ画像とが入力される。
　中間層６２は、入力層から入力した画像から特徴を抽出する層である。中間層６２は、畳み込み層とプーリング層とを１セットとする複数セットと、全結合層とを有する。畳み込み層は、前の層で近くにあるノードに対してフィルタを使用した畳み込み演算を行い、特徴マップを取得する。プーリング層は、畳み込み層から出力された特徴マップを縮小して新たな特徴マップとする。全結合層は、直前の層（ここではプーリング層）のノードの全てを結合する。畳み込み層は、画像からのエッジ抽出等の特徴抽出の役割を担い、プーリング層は抽出された特徴が、平行移動等による影響を受けないようにロバスト性を与える役割を担う。なお、中間層６２には、畳み込み層とプーリング層とを１セットとする場合に限らず、畳み込み層が連続してもよいし、正規化層が含まれてもよい。
　出力層６４は、中間層６２により抽出された特徴に基づき肺がんを検出する認識結果を出力する層である。また、検出した肺がんが良性及び悪性のいずれかを分類する認識結果を出力してもよい。
　学習済みのＡＩプロセス部５０Ａは、肺がんを分類する場合、例えば「悪性」、「良性」、「その他」の３つのカテゴリに分類し、認識結果は「悪性」、「良性」、「その他」に対応する３つのスコアとして出力する。３つのスコアの合計は１００％である。
　学習前のＡＩプロセス部５０Ａの各畳み込み層に適用されるフィルタの係数、オフセット値、全結合層における次の層との接続の重みは、任意の初期値がセットされる。
　ＡＩプロセス部５０Ａは、出力層６４から出力される認識結果と正解データとの誤差に基づいて、誤差逆伝播法によりＡＩプロセス部５０Ａの重みパラメータが調整される。このパラメータの調整処理を繰り返し行い、ＡＩプロセス部５０Ａの出力と正解データとの差が小さくなるまで繰り返し学習が行われる。
　ＡＩプロセス部５０Ａは、実現したい認識処理によっては正解データを用いなくてもよい。また、ＡＩプロセス部５０Ａは、エッジ抽出等のあらかじめ設計したアルゴリズムで特徴を抽出し、その情報を用いてサポートベクターマシン等で学習してもよい。
　ＡＩプロセス部５０Ａは、ＣＲ画像とＣＴ画像と血液検査結果とを使用して学習し、ＣＲ画像とＣＴ画像とを使用して認識処理を行ってもよい。すなわち認識処理に使用する入力データは、学習処理に使用した入力データの部分集合であってもよい。
　＜ＡＩプロセスディスパッチャの構成＞
　図３は、ＡＩプロセスディスパッチャ１００の機能構成を示すブロック図である。ＡＩプロセスディスパッチャ１００（アップロード管理装置の一例）は、受付部１０２と、判別部１０４と、取得状況取得部１０６と、状態取得部１０８と、アップロード制御部１１０と、を備える。
　受付部１０２は、ユーザから入力されたＡＩプロセス部５０Ａを用いた推論、ＡＩプロセス部５２Ａを用いた推論、ＡＩプロセス部５０Ａの再学習、又はＡＩプロセス部５２Ａの再学習の実行の指示を受け付ける。実行の指示は、例えば、ユーザが病院内コンピュータ２６の不図示の入力装置を用いて行う。実行の指示は、病院内コンピュータ２６が自動的に発行してもよい。受付部１０２は、病院内コンピュータ２６から実行の指示を取得し、受け付ける。
　再学習の実行の指示は、再学習に適した時間、又は再学習に使用する入力データが揃った場合等に、病院内コンピュータ２６から自動的に送信されてもよい。
　判別部１０４は、受付部１０２において受け付けた推論又は再学習の実行に必要な入力データの種類をテーブル５０Ｂ又はテーブル５２Ｂから判別する。受付部１０２において受け付けた指示がＡＩプロセス部５０Ａを用いた推論、又はＡＩプロセス部５０Ａの再学習である場合は、判別部１０４は、必要な入力データの種類を病院内コンピュータ２６のテーブル５０Ｂから取得してもよいし、クラウドコンピュータ３２のテーブル５０Ｂから取得してもよい。
　取得状況取得部１０６は、判別部１０４において判別した入力データの種類に基づいて、推論又は学習の実行に使用する入力データの取得状況（揃い具合）を取得する。
　状態取得部１０８は、複数のリソースの現在のステータスを取得する。ここでは、病院内コンピュータ２６のステータスと、クラウドコンピュータ３２のステータスとを取得する。ステータスとは、病院内コンピュータ２６とクラウドコンピュータ３２とのそれぞれのＣＰＵの処理能力（動作クロック速度等）、ＣＰＵの処理を占有可能な割合、ＣＰＵの稼働状況、接続されたネットワークのネットワーク帯域等を含む。なお、ネットワーク帯域とは、通信ネットワークの伝送路容量（ビットレート：ｂｐｓ）、すなわち通信ネットワークのデータ伝送能力を意味する。ネットワーク帯域を計測するには、公知の手法を用いればよい。
　アップロード制御部１１０は、状態取得部１０８で取得した複数のリソースの現在の状態と取得状況取得部１０６が取得した入力データの取得状況とに基づいて、複数のリソースの中から少なくとも１つのリソースを選択する。また、アップロード制御部１１０は、状態取得部１０８で取得した複数のリソースの現在の状態と取得状況取得部１０６が取得した入力データの取得状況とに基づいて、選択したリソースに使用する入力データをアップロードする。
　ＡＩプロセスディスパッチャ１００は、テーブル５０Ｂとテーブル５２Ｂとを記憶する記憶部を備えてもよい。
　＜アップロード管理方法＞
　図４は、アップロード管理方法を示すフローチャートである。ここでは、ＡＩプロセスディスパッチャ１００の受付部１０２において、ＡＩプロセス部５０Ａを用いた肺がんの認識処理の指示を受け付けた場合について説明する。なお、ＡＩプロセスディスパッチャ１００は、ＡＩプロセス部５０Ａを用いた肺がんの認識処理を病院内コンピュータ２６とクラウドコンピュータ３２とが実行可能であることを予め識別しているものとする。
　ステップＳ１では、ＡＩプロセスディスパッチャ１００は、計算処理情報管理部から、人工知能処理システム１０において処理可能な全ての認識及び再学習の実行に必要なデータの組み合わせ情報を取得する。ここでは、ＡＩプロセスディスパッチャ１００は、クラウドコンピュータ３２から、ＡＩプロセス部５０Ａを用いた肺がんの認識及び再学習の実行に必要なデータ情報と、ＡＩプロセス部５２Ａを用いた脳腫瘍の認識及び再学習の実行に必要なデータ情報とを取得する。例えば、判別部１０４は、テーブル５０Ｂを読み出し、ＡＩプロセス部５０Ａを用いた肺がんの認識及び再学習の実行に必要な入力データの種類が、胸部のＣＲ画像と胸部のＣＴ画像との２種類のデータ（マルチデータ）であることを取得（判別）する。また、判別部１０４は、テーブル５２Ｂを読み出し、ＡＩプロセス部５２Ａを用いた脳腫瘍の認識及び再学習の実行に必要な入力データの種類が、頭部のＣＴ画像と頭部のＭＲＩ画像との２種類のデータであることを取得する。なお、ＡＩプロセスディスパッチャ１００は、病院内コンピュータ２６から、人工知能処理システム１０において処理可能な全ての認識及び再学習の実行に必要なデータの組み合わせ情報を取得してもよい。
　ステップＳ２では、データ処理管理部に相当するＡＩプロセスディスパッチャ１００（入力データ取得部の一例）は、ＰＡＣＳ１４から認識又は再学習の実行に必要なデータを取得する。例えば、ＡＩプロセスディスパッチャ１００は、被検体の胸部のＣＲ画像と胸部のＣＴ画像とを受信する。ＡＩプロセスディスパッチャ１００は、被検体の胸部のＣＲ画像と胸部のＣＴ画像とをＣＲ装置とＣＴ装置とから直接受信してもよいし、ＶＮＡ１６から受信してもよい。
　なお、被検体の胸部のＣＲ画像と胸部のＣＴ画像とのうちいずれか一方しか撮影されていない場合は、ＡＩプロセスディスパッチャ１００は少なくとも撮影された画像を受信する。
　ステップＳ３では、ＡＩプロセスディスパッチャ１００は、ステップＳ１で取得したデータの組み合わせ情報に対して、ステップＳ２で取得した入力データから実行する認識又は再学習の処理を絞り込み、クラウドコンピュータ３２から要求されるデータを取得する。ここでは、ステップＳ２で胸部のＣＲ画像と胸部のＣＴ画像とを受信したため、ＡＩプロセスディスパッチャ１００は、実行する処理が肺がんの認識処理であると判断する。実行する処理として、複数の認識及び再学習の処理が候補になる場合もあり得る。
　ステップＳ４では、判別部１０４は、テーブル５０Ｂにおいて要求されるデータがマルチデータであるか否か、すなわち複数種類のデータであるか否かを判定する。要求されるデータマルチデータである場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ５の処理を行う。また、要求されるデータが１種類のデータである場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ１０の処理を行う。ここでは、要求されるデータは胸部のＣＲ画像と胸部のＣＴ画像とのマルチデータである。したがって、ＡＩプロセスディスパッチャ１００は、ステップＳ５の処理を行う。
　なお、マルチデータは、複数種類の医療画像に限定されない。マルチデータは、ＣＴ画像と病理画像、ＣＴ画像とＰＥＴ画像、ＭＲ画像とゲノム解析結果、ＣＴ画像と血液検査結果等の、検査の目的に応じた組み合わせである。
　ステップＳ５（取得状況取得工程の一例）では、取得状況取得部１０６は、要求されるマルチデータのうち全ての入力データが揃っているか否かを判定する。全ての入力データが揃っている場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ１０の処理を行う。また、全ての入力データが揃っていない場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ６の処理を行う。
　ここでは、要求されるマルチデータは、被検体の胸部のＣＲ画像と胸部のＣＴ画像とである。例えば、ステップＳ２においてＣＲ画像のみを受信し、ＣＴ画像を受信していない場合、ＣＴ画像のみを受信し、ＣＲ画像を受信していない場合、及びＣＲ画像とＣＴ画像とをいずれも受信していない場合は、ＡＩプロセスディスパッチャ１００は全ての入力データが揃っていないと判定する。また、ステップＳ２においてＣＲ画像とＣＴ画像との両方を受信した場合は、ＡＩプロセスディスパッチャ１００は全ての入力データが揃っていると判定する。
　ステップＳ６では、取得状況取得部１０６は、要求された入力データのうち受信していない入力データの完了予定日時をデータ作成元から取得する。例えば、ＣＴ画像を受信していない場合、取得状況取得部１０６は、ＣＴ画像の撮影完了日時を取得する。ＣＴ画像の撮影完了日時は、ＨＩＳ１２、又はＲＩＳ１８から取得することができる。撮影完了日時は、例えば、超音波診断画像であれば２０分後、ＣＴ画像であれば１時間後、病理画像であれば数日後程度である。
　ステップＳ７では、ＡＩプロセスディスパッチャ１００は、入力データのアップロードの完了期限を設定する。ここでは、ＡＩプロセスディスパッチャ１００は、入力データのアップロードの完了期限を、全ての入力データ取得の完了時刻に設定する。例えば、ＣＴ画像を受信していない場合において、ＡＩプロセスディスパッチャ１００は、ＣＴ画像のアップロードの完了期限を１時間後に設定する。
　ステップＳ８では、アップロード制御部１１０は、アップロード中の入力データがあるか否かを判定する。アップロード中の入力データがある場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ５の処理を行う。また、アップロード中の入力データが無い場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ９の処理を行う。
　ステップＳ９（アップロード制御工程の一例）では、アップロード制御部１１０は、一部の入力データのアップロードを行う。ここでは、アップロード制御部１１０は、複数種類の入力データのうち取得した入力データから順にアップロードする。例えば、ＣＲ画像のみを受信しており、ＣＴ画像を受信していない場合は、ＡＩプロセスディスパッチャ１００は、病院内コンピュータ２６とクラウドコンピュータ３２とに、それぞれＣＲ画像のアップロードを行う。その後、ＡＩプロセスディスパッチャ１００は、ステップＳ５の処理を行う。
　このように、本実施形態では、アップロード制御部１１０は、全ての入力データが揃っていない場合、準備が完了していないデータのアップロード順を下げる。例えば、ＣＴ画像と血液検査からなるマルチデータの場合、ＣＴ画像のアップロード順は、血液検査が完了する数日後まで優先度を下げることができる。ただし、リソース（病院内コンピュータ２６又はクラウドコンピュータ３２）が使用されていない場合は、アップロードの対象としてもよい。
　なお、ステップＳ５の処理において全ての入力データが揃っていないと判定された場合に、アップロード制御部１１０は、ステップＳ６～Ｓ９の処理を行わずに、全ての入力データの取得が完了するまでステップＳ５の処理を繰り返す態様も可能である。例えば、ＣＲ画像のみを受信し、ＣＴ画像を受信していない場合は、ＡＩプロセスディスパッチャ１００は、ＣＴ画像を受信した後にステップＳ１０の処理を行う。これにより、全ての入力データが揃った後に入力データをアップロードすることができるので、処理に必要なデータが不揃いの状態でアップロードすることを防止することができる。
　また、初診用データに対応するＡＩプロセス部を確定診断用のデータから作成する場合、ステップＳ５の処理は、マルチデータの取得元の装置のうち１つ以上の装置の状態が確定してから行ってもよい。例えば、確定診断用のＰＥＴ画像と初診用のＣＴ画像とからなるマルチデータの場合、アップロード制御部１１０は、ＰＥＴ画像の診断結果をもとにＣＴ画像を含めたアップロードが必要かを判断する。マルチデータは、確定診断用ＣＴ画像と初診用ＣＲ画像との組み合わせであってもよい。
　ステップＳ１０（状態取得工程の一例）では、状態取得部１０８は、全リソースの稼働状況を取得する。ここでは、状態取得部１０８は、病院内コンピュータ２６の稼働状況と、クラウドコンピュータ３２の稼働状況と、クラウド３０へのネットワーク帯域と、を取得する。
　状態取得部１０８は、病院内コンピュータ２６に稼働状況を問い合わせて、病院内コンピュータ２６の稼働状況を取得する。また、状態取得部１０８は、クラウドコンピュータ３２に稼働状況を問い合わせて、クラウドコンピュータ３２の稼働状況を取得する。さらに、状態取得部１０８は、クラウドコンピュータ３２への転送速度を計測してクラウドコンピュータ３２への転送時間を推論する。
　ステップＳ１１では、状態取得部１０８は、ローカルでの処理時間、すなわち病院内コンピュータ２６でのＡＩプロセス部５０Ａを用いた肺がんの認識処理の処理時間を計算する。また、状態取得部１０８は、クラウドコンピュータ３２でのＡＩプロセス部５０Ａを用いた肺がんの認識処理の処理時間を計算する。ここでの処理時間とは、ＡＩプロセスディスパッチャ１００からクラウドコンピュータ３２にデータを送信するために必要な時間を含む。
　ステップＳ１２では、状態取得部１０８は、ローカルでの処理時間が別リソースでの処理時間より長いか否かを判定する。ここでは、状態取得部１０８は、ステップＳ１０とステップＳ１１との処理結果に基づいて、病院内コンピュータ２６でのＡＩプロセス部５０Ａを用いた肺がんの認識処理の処理時間がクラウドコンピュータ３２でのＡＩプロセス部５０Ａを用いた肺がんの認識処理の処理時間より長いか否かを判定する。
　病院内コンピュータ２６での処理時間の方が短い場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ１３の処理を行う。また、病院内コンピュータ２６での処理時間の方が長い場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ１４の処理を行う。
　このように、各リソースの処理時間を比較判断することで、データをアップロードするタイミングが遅れ、処理に遅延が発生することを防止することができる。また、アップロードをしない時間が発生し、稼働率が低下することを防止することができる。
　ステップＳ１３では、ＡＩプロセスディスパッチャ１００は、ローカルでの実行処理を行う。すなわち、アップロード制御部１１０は、病院内コンピュータ２６へＣＲ画像とＣＴ画像とをアップロードする（アップロード制御工程の一例）。なお、ステップＳ９において、一部のデータをすでにアップロードしている場合は、まだアップロードをしていないデータをアップロードする。
　病院内コンピュータ２６は、ＣＲ画像とＣＴ画像とを入力としてＡＩプロセス部５０Ａによって肺がんの認識処理を行う。また、病院内コンピュータ２６は、処理結果をＡＩプロセスディスパッチャ１００に送信する。以上により、本フローチャートの処理を終了する。処理時間の相対的に短い病院内コンピュータ２６で実行処理をすることで、処理結果を迅速に取得することができる。
　一方、ステップＳ１４では、アップロード制御部１１０は、同時アップロード可能数による制御によって、データのアップロードが可能か否かを判定する。同時アップロード可能数とは、予め決められた同時アップロード数であり、同時にアップロードしてよいデータの数を指す。アップロード回線の通信速度は有限（固定）であり、複数のデータを同時にアップロードすると遅くなり、非効率になる。このため、人工知能処理システム１０では、同時アップロード数が予め決められている。
　データが移動可能である場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ１５の処理を行う。また、データが移動可能でない場合は、ＡＩプロセスディスパッチャ１００は、ステップＳ１０の処理を行う。
　ステップＳ１５（アップロード制御工程の一例）では、アップロード制御部１１０は、データのアップロードを行う。すなわち、アップロード制御部１１０は、クラウドコンピュータ３２へＣＲ画像とＣＴ画像とをアップロードする。なお、ステップＳ９において、一部のデータをすでにアップロードしている場合は、まだアップロードをしていないデータをアップロードする。
　クラウドコンピュータ３２は、ＣＲ画像とＣＴ画像とを入力としてＡＩプロセス部５０Ａによって肺がんの認識処理を行い、処理結果をＡＩプロセスディスパッチャ１００に送信する。以上により、本フローチャートの処理を終了する。処理時間の相対的に短いクラウドコンピュータ３２で実行処理をすることで、処理結果を迅速に取得することができる。
　なお、ステップＳ９において一部のデータをアップロードしたリソースであって、ステップＳ１３又はステップＳ１５で残りのデータをアップロードしなかったリソースに対して、ＡＩプロセスディスパッチャ１００は、ステップＳ７で設定された入力データのアップロードの完了期限が過ぎた場合、ステップＳ９においてアップロードした一部のデータを消去する。例えば、ステップＳ９において病院内コンピュータ２６とクラウドコンピュータ３２とにＣＲ画像をアップロードし、ステップＳ１５においてクラウドコンピュータ３２にＣＴ画像をアップロードした場合は、ＡＩプロセスディスパッチャ１００は、病院内コンピュータ２６にアップロードしたＣＲ画像を消去する。これにより、使用しないデータがリソースに残ることを防止することができる。
　以上のように、本態様によれば、複数のリソースのうち指示を受け付けた推論又は学習の実行が最も早く終了するリソースにデータをアップロードすることができる。
　＜フィルタリング処理＞
　上述した例では、要求されるデータがマルチデータの場合には、アップロード制御部１１０は全てのデータをアップロードしたが、事前処理によってアップロードするデータをフィルタリングしてもよい。マルチデータソースの１つ又は複数の計算処理を行い、陽性として診断される確率がある一定値以上である場合に、データをアップロードしてもよい。例えば、マルチデータがＣＴ画像を含む場合に、病院内コンピュータ２６においてＣＴ画像の推論処理を行い、陽性として診断される確率がある一定値以上であれば、アップロード制御部１１０がＣＴ画像のアップロードを行う。
　また、病院内コンピュータ２６（判断部の一例）においてマルチデータの１つ又は複数のデータ（少なくとも１つの入力データの一例）の計算処理を行い、陽性として診断される確率がある一定値以上である場合に、関連するデータが出揃い次第アップロード、又は取得したデータから順にアップロードしてもよい。
　このように、アップロードするデータを予めフィルタリング処理することで、処理不要なデータをアップロードし、処理することを防止することができる。
　＜その他＞
　上記のアップロード管理方法は、各工程をコンピュータに実現させるためのプログラムとして構成し、このプログラムを記憶したＣＤ－ＲＯＭ（Compact Disk-Read Only Memory）等の非一時的な記録媒体を構成することも可能である。
　ここまで説明した実施形態において、例えば、ＡＩプロセスディスパッチャ１００の各種の処理を実行する処理部（processing unit）のハードウェア的な構造は、次に示すような各種のプロセッサ（processor）である。各種のプロセッサには、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit）、画像処理に特化したプロセッサであるＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
　１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種又は異種の２つ以上のプロセッサ（例えば、複数のＦＰＧＡ、或いはＣＰＵとＦＰＧＡの組み合わせ、又はＣＰＵとＧＰＵの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第１に、サーバ及びクライアント等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組合せで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、各種のプロセッサを１つ以上用いて構成される。
　さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（circuitry）である。
　本発明の技術的範囲は、上記の実施形態に記載の範囲には限定されない。各実施形態における構成等は、本発明の趣旨を逸脱しない範囲で、各実施形態間で適宜組み合わせることができる。
１０…人工知能処理システム
２０…内視鏡
２２…ゲノム解析システム
２４…病院内ネットワーク
２６…病院内コンピュータ
２８…ネットワークアダプタ
３０…クラウド
３２…クラウドコンピュータ
３４…インターネット
５０Ａ…ＡＩプロセス部
５０Ｂ…テーブル
５２Ａ…ＡＩプロセス部
５２Ｂ…テーブル
６０…入力層
６２…中間層
６４…出力層
１００…ＡＩプロセスディスパッチャ
１０２…受付部
１０４…判別部
１０６…取得状況取得部
１０８…状態取得部
１１０…アップロード制御部
Ｓ１～Ｓ１５…アップロード管理方法のステップ

Claims (14)

  1. 　入力データに対して推論結果を出力する人工知能を用いた推論又は前記人工知能の学習を実行可能な複数のリソースと、
    　前記推論又は前記学習の実行の指示を受け付ける受付部と、
    　前記指示を受け付けた前記推論又は前記学習の実行に必要な前記入力データの種類を判別する判別部と、
    　前記指示を受け付けた前記推論又は前記学習の実行に使用する入力データを取得する入力データ取得部と、
    　前記判別した前記入力データの種類に基づいて、前記推論又は前記学習の実行に使用する入力データの取得状況を取得する取得状況取得部と、
    　前記複数のリソースの現在の状態を取得する状態取得部と、
    　前記複数のリソースの現在の状態と前記入力データの取得状況とに基づいて、前記複数のリソースの中の少なくとも１つのリソースに前記使用する入力データをアップロードするアップロード制御部と、
    　を備える人工知能処理システム。
  2. 　前記複数のリソースは、それぞれ異なる複数の人工知能を用いた推論又は人工知能の学習を実行可能であり、
    　前記受付部は、前記複数の人工知能のうち推論又は再学習の実行に使用する人工知能を受け付ける請求項１に記載の人工知能処理システム。
  3. 　前記複数のリソースの現在の状態は、それぞれのリソースの処理能力と、前記リソースの稼働状況と、前記リソースに接続されたネットワークのネットワーク帯域と、を含む請求項１又は２に記載の人工知能処理システム。
  4. 　前記指示を受け付けた前記推論又は前記学習の実行に必要な前記入力データの種類が複数種類であり、
    　前記アップロード制御部は、前記複数種類の入力データの全ての入力データが揃った後に前記入力データをアップロードする請求項１から３のいずれか１項に記載の人工知能処理システム。
  5. 　前記指示を受け付けた前記推論又は前記学習の実行に必要な前記入力データの種類が複数種類であり、
    　前記アップロード制御部は、前記複数種類の入力データのうち取得した入力データから順にアップロードする請求項１から３のいずれか１項に記載の人工知能処理システム。
  6. 　前記指示を受け付けた前記推論又は前記学習の実行に必要な前記入力データの種類が複数種類であり、
    　前記複数種類の入力データのうちの少なくとも１つの入力データについて計算処理を行う判断部を備え、
    　前記アップロード制御部は、前記計算処理の結果に基づいて前記複数種類の入力データをアップロードする請求項１から３のいずれか１項に記載の人工知能処理システム。
  7. 　前記アップロード制御部は、前記複数のリソースのうち前記指示を受け付けた前記推論又は前記学習の実行が最も早く終了するリソースに前記使用する入力データをアップロードする請求項１から６のいずれか１項に記載の人工知能処理システム。
  8. 　前記判別部は、前記推論及び前記学習と、前記推論及び前記学習の実行に必要な前記入力データの種類とが対応付けられたテーブルに基づいて、前記指示を受け付けた前記推論又は前記学習の実行に必要な前記入力データの種類を判別する請求項１から７のいずれか１項に記載の人工知能処理システム。
  9. 　前記人工知能は、機械学習された学習モデルである請求項１から８のいずれか１項に記載の人工知能処理システム。
  10. 　前記入力データは医療データを含む請求項１から９のいずれか１項に記載の人工知能処理システム。
  11. 　入力データに対して推論結果を出力する人工知能を用いた推論又は前記人工知能の学習を実行可能な複数のリソースの現在の状態を取得する状態取得部と、
    　実行の指示を受け付けた前記推論又は前記学習の実行に必要な前記入力データの種類を判別し、前記推論又は前記学習の実行に使用する入力データの取得状況を取得する取得状況取得部と、
    　前記複数のリソースの現在の状態と前記入力データの取得状況とに基づいて、前記複数のリソースの中の少なくとも１つのリソースへ前記使用する入力データをアップロードするアップロード制御部と、
    　を備えるアップロード管理装置。
  12. 　入力データに対して推論結果を出力する人工知能を用いた推論又は前記人工知能の学習を実行可能な複数のリソースの現在の状態を取得する状態取得工程と、
    　実行の指示を受け付けた前記推論又は前記学習の実行に必要な前記入力データの種類を判別し、前記推論又は前記学習の実行に使用する入力データの取得状況を取得する取得状況取得工程と、
    　前記複数のリソースの現在の状態と前記入力データの取得状況とに基づいて、前記複数のリソースの中の少なくとも１つのリソースへ前記使用する入力データをアップロードするアップロード制御工程と、
    　を備えるアップロード管理方法。
  13. 　請求項１２に記載のアップロード管理方法をコンピュータに実行させるためのプログラム。
  14. 　非一時的かつコンピュータ読取可能な記録媒体であって、請求項１３に記載のプログラムが記録された記録媒体。
PCT/JP2020/041869 2019-11-20 2020-11-10 人工知能処理システム、アップロード管理装置、方法、プログラム Ceased WO2021100546A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-209607 2019-11-20
JP2019209607 2019-11-20

Publications (1)

Publication Number Publication Date
WO2021100546A1 true WO2021100546A1 (ja) 2021-05-27

Family

ID=75981218

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/041869 Ceased WO2021100546A1 (ja) 2019-11-20 2020-11-10 人工知能処理システム、アップロード管理装置、方法、プログラム

Country Status (1)

Country Link
WO (1) WO2021100546A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04343138A (ja) * 1991-05-20 1992-11-30 Omron Corp 推論部開発システムおよびその動作方法
JP2014164568A (ja) * 2013-02-26 2014-09-08 Nippon Telegr & Teleph Corp <Ntt> 端末装置、分散処理方法、分散処理プログラムおよび分散処理システム
JP2017524183A (ja) * 2014-06-30 2017-08-24 アマゾン・テクノロジーズ・インコーポレーテッド 機械学習サービス
JP2017215828A (ja) * 2016-06-01 2017-12-07 富士通株式会社 学習モデル差分提供プログラム、学習モデル差分提供方法、および学習モデル差分提供システム
JP2019185751A (ja) * 2018-03-30 2019-10-24 株式会社日立製作所 特徴量準備の方法、システム及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04343138A (ja) * 1991-05-20 1992-11-30 Omron Corp 推論部開発システムおよびその動作方法
JP2014164568A (ja) * 2013-02-26 2014-09-08 Nippon Telegr & Teleph Corp <Ntt> 端末装置、分散処理方法、分散処理プログラムおよび分散処理システム
JP2017524183A (ja) * 2014-06-30 2017-08-24 アマゾン・テクノロジーズ・インコーポレーテッド 機械学習サービス
JP2017215828A (ja) * 2016-06-01 2017-12-07 富士通株式会社 学習モデル差分提供プログラム、学習モデル差分提供方法、および学習モデル差分提供システム
JP2019185751A (ja) * 2018-03-30 2019-10-24 株式会社日立製作所 特徴量準備の方法、システム及びプログラム

Similar Documents

Publication Publication Date Title
US10937164B2 (en) Medical evaluation machine learning workflows and processes
US20190156947A1 (en) Automated information collection and evaluation of clinical data
US20090083075A1 (en) System and method for analyzing medical data to determine diagnosis and treatment
JP6738305B2 (ja) 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム
CN111226287B (zh) 用于分析医学成像数据集的方法、系统、程序产品和介质
US10817753B2 (en) Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device
US11468659B2 (en) Learning support device, learning support method, learning support program, region-of-interest discrimination device, region-of-interest discrimination method, region-of-interest discrimination program, and learned model
EP3699920A1 (en) Methods and apparatus for the application of machine learning to radiographic images of animals
US12400761B2 (en) Decision module and method for image-based operational decision support
US10146907B2 (en) Network system and method for controlling a computer tomograph
CN117153344A (zh) 数据处理方法、装置、计算设备及存储介质
WO2019193982A1 (ja) 医療文書作成支援装置、医療文書作成支援方法、及び医療文書作成支援プログラム
JP7007469B2 (ja) 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム
CN114331992A (zh) 图像序列处理方法、装置、计算设备及存储介质
JP7109345B2 (ja) 優先度判定装置、方法およびプログラム
WO2021193548A1 (ja) 文書作成支援装置、方法およびプログラム
US10552959B2 (en) System and method for using imaging quality metric ranking
JP2020081176A (ja) 優先度判定装置、方法およびプログラム
WO2022091868A1 (ja) 情報処理装置、情報表示装置、情報処理方法、情報処理システム及びプログラム
WO2022054439A1 (ja) 医用画像処理システム、医用画像処理方法、情報処理装置およびプログラム
US12423809B2 (en) Medical image processing apparatus, method, and program for detecting abnormal region by setting threshold
US20240087304A1 (en) System for medical data analysis
CN112447287A (zh) 自动化的临床工作流程
WO2021100546A1 (ja) 人工知能処理システム、アップロード管理装置、方法、プログラム
US10839299B2 (en) Non-leading computer aided detection of features of interest in imagery

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: 20890310

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: 20890310

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP