WO2021162124A1

WO2021162124A1 - 診断支援装置、診断支援システム及びプログラム

Info

Publication number: WO2021162124A1
Application number: PCT/JP2021/005447
Authority: WO
Inventors: 映輔清水; 啓之矢津; 直彦明田; 慎太郎中山; 光人逆瀬川; 信丹治; 植田　貴之
Original assignee: 株式会社Ｏｕｉ
Priority date: 2020-02-14
Filing date: 2021-02-15
Publication date: 2021-08-19
Also published as: EP4104749A1; JPWO2021162124A1; US20230092251A1; EP4104749A4

Abstract

機器や医師等の不足している地域においても眼科用の診断支援情報を生成し、利用可能とする。　移動体通信端末装置１０に内蔵された光源９２から出射される光源光に基づきスリット光ＳＬを発生させるとともに、被検眼Ｅにおけるスリット光ＳＬの反射光ＲＬを含む光を移動体通信端末装置１０の撮影用カメラレンズ９１に集光させる近接撮影用装置２０を移動体通信端末装置１０に装着し、移動体通信端末装置１０に内蔵されたカメラモジュールで被検眼Ｅの観察対象組織の動画像を撮影する。そして、診断支援サーバ装置３０にて撮影動画像に含まれる診断可能フレーム画像を抽出し、当該抽出された診断可能フレーム画像に基づき、被検眼Ｅの健康状態や被検眼Ｅの一部組織における距離、角度及び面積のいずれか１以上を推定するとともに、診断支援情報を生成し、該当する移動体通信端末装置１０に配信する。

Description

診断支援装置、診断支援システム及びプログラム

　本発明は、医療画像を処理することにより医療的な診断を支援する診断支援装置等に関し、特に、人間や動物の眼科分野における診断用画像を処理し、当該診断用画像に基づき、被検眼となる患者（又は患畜）の眼における疾患の診断を支援し、又は、被検眼となる眼の一部組織における距離、角度及び面積の少なくとも１以上の計測を行う診断支援装置等に関する。

　近年、ディープラーニング等の機械学習手法の飛躍的な発展とＡＩ（人工知能）の急速な性能向上に伴い、各種分野に対するＡＩ（人工知能）の応用が期待され、医療分野に対するＡＩの応用手法も提案されている（例えば、特許文献１）。

　この特許文献１に記載の眼科システムにおいては、病院等の眼科施設に設置された複数の眼科撮影装置と情報処理システム（サーバ装置）を直接又はネットワークを介して接続し、情報処理システムが眼科撮影装置において撮影された眼科診断用の画像に基づき、機械学習を行い、画像診断用の知識を獲得するようになっている。そして、この眼科システムにおいては、情報処理システムによる知識の獲得後に眼科撮影装置から被検眼診断用の画像が送信されてくると、当該画像及び獲得済の知識に基づき、疑い病名、特定疾患の有無、重症度、検査の必要性、検査の種別、手術の必要性、手術の種別などを推論して、当該推論結果を含む診断支援情報を自動的に生成し、眼科診察装置にて利用可能に配信する構成が採用されている。

特開２０１９－２４７３８号公報

　しかしながら、上記特許文献１に記載のシステムにおいては、病院などの施設に設置された眼科撮影装置により診断用の画像を撮影する構成になっている。この種の眼科撮影装置は、高価であるとともに取扱が難しく、専門知識を有する医師や視能訓練士等の専門家（以下、「医師等」という。）でなければ診断に利用可能な画像を撮影することが難しい。このため、発展途上国や僻地等の機器や医師等が不足している地域においては、診断に利用可能な画像を取得すること自体が難しく、診断支援情報を生成することが困難となる。また、被検眼の一部組織における距離、角度及び面積の少なくとも１以上を含む情報パラメーター値は、医師等が先進の眼科用装置を用いなければ測定することができず、地域によっては全く測定することができない。

　本発明は、以上説明した事情に鑑みてなされたものであり、その目的は、機器や医師等の不足している地域においても確実に被検眼に関する診断支援情報を生成し、利用可能とする診断支援装置等を提供することにある。

　（１）上述した課題を解決するため、本発明の診断支援装置は、光源と撮影用カメラレンズを備える移動体通信端末装置に装着され、（ａ）前記光源から出射される光源光に基づき発生させたスリット光、青色光及び直線偏光のいずれかを、観察光として被検眼の観察対象組織に照射し、又は、前記光源光をそのままの状態で通過させ、前記観察光として前記観察対象組織に照射する観察光照射部材と、（ｂ）前記観察光の前記観察対象組織における反射光を含む光を前記撮影用カメラレンズに集光させる凸レンズ部材と、を少なくとも備える近接撮影用装置を装着した状態の前記移動体通信端末装置により前記被検眼を撮影した画像であって、（ｉ）当該被検眼の健康状態及び（ｉｉ）当該被検眼の一部組織における距離、角度及び面積のいずれか１以上を含む情報パラメーター値の少なくとも一方を推定するために利用可能な第１フレーム画像を１以上含む撮影画像を取得する取得手段と、前記取得した撮影画像から前記第１フレーム画像を抽出するための第１知識が予め記憶された第１記憶手段と、前記取得された撮影画像に含まれる前記第１フレーム画像を、前記第１知識に基づいて抽出する第１抽出手段と、前記撮影画像に基づき、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定するための第２知識が記憶される第２記憶手段と、前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記取得された撮影画像に映り込んだ前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定する推定手段と、前記推定した前記被検眼の健康状態及び前記情報パラメーター値の少なくとも一方を含む診断支援情報を生成する生成手段と、前記生成した診断支援情報を外部機器に配信する配信手段と、を有する。

　この構成により、移動体通信端末装置の光源から出射される光源光は、近接撮影用装置によってそのままの状態で観察光として観察対象組織に照射され、又は、スリット光、青色光及び直線偏光のいずれかに変換され、観察光として観察対象組織に照射される。そして、ユーザが観察光を被検眼の観察対象組織（例えば、眼瞼、眼表面、角膜、結膜、水晶体、前房、虹彩を含む前眼部組織、及び、眼底組織）に照射させつつ、移動体通信端末装置に搭載されたカメラモジュールにより被検眼を撮影すると、観察光の被検眼における反射光を含む光が、近接撮影用装置により移動体通信端末装置の撮影用カメラレンズに集光され、被検眼の観察対象組織が写り込んだ動画像を撮影できる。

　移動体通信端末装置のカメラモジュールは、既存のスマートフォン等と同様の手法により操作することができるので、近接撮影用装置を装着した移動体通信端末装置（以下、「スマートアイカメラ」ともいう。）を用いることにより、既存の眼科撮影装置の扱いに不慣れな、医師等以外のユーザ（例えば、パラメディカルの他、患者の家族・友人や患者本人等の素人）であっても、被検眼の診断に利用可能な第１フレーム画像（以下、「診断可能フレーム画像」ともいう。）を含む動画像を容易に撮影することができる。

　ここで、撮影画像を眼科診断において利用するためには、（条件１）被検眼の観察対象組織に観察光が照射されていること、（条件２）当該照射された観察光の観察対象組織における反射光とともに当該観察対象組織の少なくとも一部が写り込んでいること、（条件３）当該観察対象組織にピントが合っていること、という３条件を全て満たす画像を撮影する必要がある。一方、ユーザがスマートアイカメラを用いて被検眼を撮影する場合には、例えば、数秒～数十秒間被検眼の動画像を撮影する期間中において、上記３条件を満たす状態を、１フレーム分の時間（例えば、３０ｆｐｓのフレームレートで撮影している場合には０．０３３秒間）でも作り出すことができれば、眼科診断に利用可能な少なくとも１の診断可能フレーム画像を含む動画像を撮影することができる。特に、スマートアイカメラを用いた場合には、移動体通信端末装置のカメラモジュールに搭載されたオートフォーカス機構により、撮影対象に対して自動的にピントを合わせることができる。従って、ユーザは、被検眼の観察対象組織に観察光が照射された状態を作りつつ、その反射光が写り込むように被検眼を撮影すれば、上記３条件を全て満たす診断可能フレーム画像を含む動画像を非常に簡単に撮影できる。なお、被検眼は、必ずしも人間の眼である必要はなく、動物（犬、猫、マウス等）の眼であってもよい。また、被検眼に関する情報パラメーター値を推定する場合には、所定の追加条件が必要となるが、この点については、後に詳述する。

　一方、ユーザが診断用画像の撮影に不慣れな場合には、上記３条件の全てを満たさない雑多なフレーム画像を多数含む動画像が撮影される可能性が高く、そのままでは被検眼の健康状態の推定に用いることができない。そこで、本発明の診断支援装置は、動画像を構成する複数のフレーム画像の中から第１知識に基づき、上記３条件を満たす診断可能フレーム画像を自動的に抽出して、当該抽出した診断可能フレーム画像に基づき被検眼の健康状態及び情報パラメーター値の少なくとも一方を推定し、当該推定された健康状態及び情報パラメーター値の少なくとも一方を含む診断支援情報を生成する構成を採用することとした。この構成により、本発明の診断支援装置は、素人等の撮影に不慣れなユーザが被検眼を撮影した場合であっても、当該撮影画像に基づき被検眼の健康状態及び情報パラメーター値の少なくとも一方を的確に推定できる。従って、本発明の診断支援装置によれば、使う人や地域等に影響されることなく、確実に診断支援情報を生成して利用することができる。また、移動体通信端末装置に装着する近接撮影用装置は、少なくとも観察光照射部材と凸レンズを有する構成であればよいので、非常に低コストに製造でき、高価な眼科用撮影装置を準備できないような地域においても確実に被検眼の健康状態及び情報パラメーター値の少なくとも一方を含む診断支援情報を生成して利用する事ができる。

　（２）また、上記構成において、前記第１抽出手段が、前記撮影画像に含まれる前記フレーム画像と前記第１知識に基づき、当該撮影画像に含まれるフレーム画像の各々が前記第１フレーム画像に該当する確率を算出し、当該算出した確率に基づき、前記第１フレーム画像を抽出する構成を採用してもよい。

　機械学習を用いた画像抽出に際しては、抽出時に意図せぬ画像が抽出される可能性を排除できないが、診断可能フレーム画像に該当する確率に基づいて診断可能フレーム画像を抽出することにより、診断可能フレーム画像抽出時における精度・再現率を向上させることができる。なお、算出確率に基づき診断可能フレーム画像を抽出する際の基準に関しては任意であり、例えば、該当確率の高い上位所定数のフレーム（例えば、最も確率の高いベストフレームや確率の高い上位５フレーム、或いは、確率の高い上位数％のフレーム画像等）を診断可能フレーム画像として抽出するようにしてもよい。

　（３）また、請求項２に記載の構成において、前記第１抽出手段が、前記算出した確率の高い複数の前記フレーム画像を前記第１フレーム画像として抽出し、前記推定手段が、当該抽出された複数の前記第１フレーム画像と前記第２知識に基づき、前記第１フレーム画像毎に、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定し、当該推定した健康状態及び情報パラメーター値に対して、前記算出した確率による重み付けを行いつつ、前記被検眼の最も尤もらしい健康状態及び情報パラメーター値の少なくとも一方を推定する構成を採用してもよい。

　この構成により、本発明の診断支援装置は、動画像に含まれる各フレーム画像が、診断可能フレーム画像に該当する確率による重み付けを行いつつ、被検眼の最も尤もらしい健康状態や情報パラメーター値を推定できる。一般に診断可能フレーム画像に該当する確率の高い診断可能フレーム画像に基づく健康状態等の推定結果は、より確率の低い診断可能フレーム画像に基づく健康状態等の推定結果よりも高い正答率を得られる。従って、各診断可能フレーム画像に基づく推定結果に対して診断可能フレーム画像に該当する確率で重み付けを行う事により、正答率の高い推定結果の重みを大きくしつつ、被検眼の最も尤もらしい健康状態や情報パラメーター値を推定し、診断支援情報の信頼度を向上させることができる。

　通常、分類器により各診断可能フレーム画像に基づき被検眼の健康状態等の推定を行う場合、分類器は所定の精度・再現率にて正解を推定することができるが、１の診断可能フレーム画像に基づき健康状態等を推定すると、単一の分類器の精度又は再現率を超えた正答率を実現することが難しくなる。一方、上記構成を採用した場合には、複数の診断可能フレーム画像に基づく、複数の推定結果を得て、その推定結果に重み付けを行いつつ、最終的な推定結果を決定できる。この結果、本発明の診断支援装置は、単一の分類器による推定よりも高い精度・再現率にて被検眼の最も尤もらしい健康状態や情報パラメーター値を推定し、診断支援情報の信頼度を向上させることができる。なお、上記重み付け処理の具体的な手法に関しては任意であり、例えば、各診断可能フレーム画像に基づいて得られる複数の推定結果に対してアンサンブル機械学習を施すようにしてもよい。

　（４）また、請求項１～３のいずれか１項に記載の構成において、前記取得手段が、前記光源光に基づき発生させたスリット光を、前記観察光として前記被検眼の眼瞼及び前眼部組織の少なくとも一方に照射しつつ撮影された前記撮影画像を取得し、前記第１記憶手段には、前記第１知識として、（ｉ）前記被検眼の眼瞼及び前眼部組織に発症する疾患の状態、及び（ｉｉ）眼瞼及び前眼部組織に関する前記情報パラメーター値の少なくとも一方の推定に利用可能な前記第１フレーム画像を抽出するための知識が予め記憶されるとともに、前記第２記憶手段には、前記第２知識として、（ｉ）前記被検眼の眼瞼及び前眼部組織に発症する疾患の状態、及び（ｉｉ）眼瞼及び前眼部組織に関する前記情報パラメーター値の少なくとも一方を推定するための知識が記憶され、前記推定手段が、前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記被検眼の眼瞼及び前眼部組織の少なくとも一方における疾患の状態及び（ｉｉ）眼瞼及び前眼部組織に関する前記情報パラメーター値の少なくとも一方を推定する構成を採用してもよい。

　この構成により、本発明の診断支援装置は、被検眼の眼瞼及び前眼部の少なくとも一方に発症した疾患の状態やこれらの組織に関する情報パラメーター値を推定し、当該推定結果を含む診断支援情報を生成して利用できる。なお、観察光としてスリット光を用いる場合には、被検眼の前眼部組織として、眼瞼、眼表面、角膜、結膜、前房及び水晶体の各組織における疾患の状態等を観察できる他、一部眼底組織に発症した疾患の観察を行い、あるいは、眼底組織の情報パラメーター値を推定することもできる。

　（５）また、請求項１～３のいずれか１項に記載の構成において、前記取得手段が、前記被検眼の角膜及び結膜の少なくともいずれか一方の組織に発生した傷を造影剤により造影した状態で、前記光源光に基づき発生させた青色光を、前記観察光として前記被検眼の角膜及び結膜の少なくとも一方に照射しつつ撮影された前記撮影画像を取得し、前記第１記憶手段には、前記第１知識として前記被検眼の角膜及び結膜の少なくとも一方の組織に生じた傷の状態の診断に利用可能な前記第１フレーム画像を抽出するための知識が予め記憶されるとともに、前記第２記憶手段には、前記第２知識として前記被検眼の角膜及び結膜の少なくとも一方の組織に生じた傷の状態から角膜及び結膜の少なくとも一方における疾患の状態を推定するための知識が記憶され、前記推定手段が、前記抽出された第１フレーム画像と前記第２知識に基づき、前記被検眼の角膜及び結膜の少なくとも一方の組織における疾患の状態を推定する構成を採用してもよい。

　この構成により、本発明の診断支援装置は、角膜及び結膜の少なくとも一方の組織に生じた傷の状態から被検眼の角膜及び結膜の少なくとも一方における疾患の状態を推定し、当該推定結果を含む診断支援情報を生成して利用する事ができる。

　（６）また、請求項１～３のいずれか１項に記載の構成において、前記取得手段が、前記光源光に基づき発生させた直線偏光を、前記観察光として前記被検眼の眼底組織に照射しつつ撮影した前記撮影画像を取得し、前記第１記憶手段には、前記第１知識として、（ｉ）前記被検眼の眼底組織に発症する疾患の状態及び（ｉｉ）眼底組織に関する前記情報パラメーター値の少なくとも一方の推定に利用可能な前記第１フレーム画像を抽出するための知識が予め記憶されるとともに、前記第２記憶手段には、前記第２知識として、（ｉ）前記被検眼の眼底組織おける疾患の状態及び（ｉｉ）眼底組織に関する前記情報パラメーター値の少なくとも一方を推定するための知識が記憶され、前記推定手段が、前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記被検眼の眼底組織における疾患の状態及び（ｉｉ）眼底組織に関する前記情報パラメーター値の少なくとも一方を推定する構成としてもよい。

　この構成により、本発明の診断支援装置は、被検眼の眼底組織における疾患の状態及び眼底組織における情報パラメーター値の少なくとも一方を推定して当該推定結果を含む診断支援情報を生成して利用する事ができる。

　（７）また、請求項１～３のいずれか１項に記載の構成において、前記取得手段が、前記観察光として前記光源光をそのままの状態で前記被検眼の観察対象組織に照射しつつ撮影した前記撮影画像を取得し、前記第１記憶手段には、前記第１知識として、（ｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織に発症する疾患の状態及び（ｉｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織に関する前記情報パラメーター値の少なくとも一方の推定に利用可能な前記第１フレーム画像を抽出するための知識が予め記憶されるとともに、前記第２記憶手段には、前記第２知識として、（ｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織おける疾患の状態及び（ｉｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織に関する前記情報パラメーター値の少なくとも一方を推定するための知識が記憶され、前記推定手段が、前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織おける疾患の状態及び（ｉｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織に関する前記情報パラメーター値の少なくとも一方を推定する構成としてもよい。

　この構成により、本発明の診断支援装置は、光源光をそのままの状態で観察光として観察対象組織に照射しつつ、被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織における疾患の状態、及び、これら組織に関する情報パラメーター値の少なくとも一方を推定し、当該推定結果を含む診断支援情報を生成して利用する事ができる。

　（８）また、請求項１～７のいずれか１項に記載の構成において、前記第１抽出手段の抽出した第１フレーム画像に基づき、機械学習及びデータマイニングの少なくともいずれか一方を実行して、前記第２知識を獲得するとともに、当該獲得した第２知識を前記第２記憶手段に記憶させる学習手段をさらに有し、前記推定手段が、前記学習手段によって前記第２記憶手段に記憶された前記第２知識及び前記抽出された第１フレーム画像に基づき、前記被検眼における疾患の状態及び前記情報パラメーター値の少なくとも一方を推定する構成を採用してもよい。

　この構成により、本発明の診断支援装置は、第１抽出手段により抽出された診断可能フレーム画像に基づき、機械学習及びデータマイニングの少なくともいずれか一方を実行しつつ、第２知識を獲得できるので、診断支援装置に第２知識を与える際の労力を軽減することができる。なお、第２知識を獲得する際の具体的な手法に関しては任意であり、例えば、第１抽出手段によって抽出された診断可能フレーム画像をアノテータとなる複数人の医師に提示し、当該診断可能フレーム画像に基づく、医師の診断結果を得て、医師の診断結果によりタグ付けされた診断可能フレーム画像を教師データとしてコンボリューショナルニューラルネットワーク（畳み込みニューラルネットワークともいう）に入力し、教師あり学習を行い、第２知識を獲得する構成にしてもよい。また、教師なし学習や半教師あり学習、トランスダクティブ学習、マルチタスク学習など、各種の方法を用いるようにしてもよい。

　（９）また、請求項８に記載の構成において、前記学習手段が、前記第１抽出手段の抽出した第１フレーム画像に基づいた医師の診断結果を示す診断結果情報を取得し、当該診断結果情報及び該当する前記第１フレーム画像を教師データとしつつ、機械学習及びデータマイニングの少なくともいずれか一方を実行して前記第２知識を獲得し、前記第２記憶手段に記憶させる構成を採用してもよい。

　この構成により、撮影画像に含まれる複数のフレーム画像の中で診断可能フレーム画像として抽出されたもののみをアノテータとなる医師に提示することができる。この結果、本発明の診断支援装置は、第２知識を獲得する際の医師の作業負担を軽減しつつ、教師データを作成して、有用な第２知識を獲得することができる。

　（１０）また、請求項９に記載の構成において、前記第１記憶手段には、前記第１知識として、前記被検眼を構成する各組織に発症しうる疾患毎に当該疾患の診断に利用可能な前記第１フレーム画像を抽出するための複数の知識が記憶され、前記第１抽出手段が、前記第１知識に基づき、前記疾患の状態推定に利用可能な前記第１フレーム画像を前記疾患毎に抽出するとともに、前記学習手段が、前記抽出された各疾患に対応する前記第１フレーム画像に基づき該当する疾患に関する前記診断結果情報を取得し、当該診断結果情報及び該当する前記第１フレーム画像を教師データとしつつ、機械学習及びデータマイニングの少なくとも一方を実行して、疾患毎に当該疾患を診断するために必要な前記第２知識を獲得し、当該獲得した第２知識を該当する疾患と対応付けて前記第２記憶手段に記憶させる構成を採用してもよい。

　この構成により本発明の診断支援装置は、１の撮影画像の中から被検眼に発症しうる複数の疾患の各々に対応する診断可能フレーム画像を個々に抽出することができる。そして、当該抽出した診断可能フレーム画像に基づく医師の診断結果に基づき教師データを作成し、当該教師データに基づいて機械学習及びデータマイニングの少なくとも一方を実行することで、各疾患に対応する第２知識を疾患毎に獲得しつつ、当該獲得した第２知識を該当する疾患と対応付けて第２記憶手段に記憶させることができる。この結果、本発明の診断支援装置は、複数の疾患を診断するための第２知識を１の撮影画像から取得でき、少ない数のサンプル画像に基づき、複数の疾患に対応する第２知識を一度に獲得できる。また、この構成により、本発明の診断支援装置は、撮影画像からアノテーション用の診断可能フレーム画像を予め疾患毎に抽出して、医師に提示できるので、アノテーションを行う際の医師の作業負担を軽減できる。

　（１１）また、請求項１～１０のいずれか１項に記載の構成において、前記第１記憶手段には、前記第１知識として、前記被検眼を構成する各組織に発症しうる疾患毎に当該疾患の状態推定に利用可能な前記第１フレーム画像を抽出するための複数の知識が記憶されるとともに、前記第２記憶手段には、前記第２知識として、疾患毎に当該疾患の状態を推定するための複数の知識が記憶され、前記第１抽出手段が、前記第１知識に基づき、前記疾患の診断に利用可能な第１フレーム画像を前記疾患毎に抽出するとともに、前記推定手段が、前記疾患毎に抽出された第１フレーム画像と該当する疾患の前記第２知識に基づき、前記被検眼における疾患毎の状態を推定し、前記生成手段が、前記診断支援情報として、前記推定した疾患毎の状態を含む情報を生成する構成を採用してもよい。

　この構成により、本発明の診断支援装置は、１の撮影画像の中から、被検眼に発症しうる複数の疾患の各々に対応する診断可能フレーム画像を疾患毎に抽出することができる。そして、本発明の診断支援装置は、当該抽出した診断可能フレーム画像に基づき、被検眼における複数の疾患の状態を疾患毎に推定し、当該推定した疾患毎の状態を含む診断支援情報を生成できる。

　この結果、本発明の診断支援装置は、被検眼に複数の疾患が発症している場合においても、１の撮影画像に基づき、被検眼に発症している全ての疾患状態を一度に推定しつつ、当該推定結果を含む診断支援情報を生成して利用でき、ユーザの利便性を格段に向上させることができる。

　（１２）また、請求項１～１１のいずれか１項に記載の構成において、前記撮影画像に含まれる前記各フレーム画像において、ピントの合っている前記被検眼の組織に対して該当する組織名をラベリングするラベリング手段と、前記ラベリングされた前記各フレーム画像において、ピントの合っている組織の写り込んだ画素領域の面積が最も大きい前記フレーム画像を第２フレーム画像として抽出する第２抽出手段と、をさらに有し、前記生成手段が、前記抽出された第２フレーム画像を含む前記診断支援情報を生成する、構成を採用してもよい。

　この構成により、本発明の診断支援装置は、撮影画像に含まれるフレーム画像において、ピントの合っている組織に対してラベリングを施し、各フレーム画像に写り込んだ組織を識別可能とすることができるとともに、撮影画像においてピントの合っている組織の写り込んだ画素領域の面積が最も大きいフレーム画像を抽出し、当該抽出したフレーム画像を含む診断支援情報を生成して利用することができる。通常、疾患の発症している組織が最も大きく写り込んでいるフレーム画像は、疾患の状態を最も直感的に理解できる画像である場合が多いので、上記構成により、患者が疾患の状態を最も直感的に理解しやすいベストショットのフレーム画像をＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）として含む診断支援情報を生成して利用することができ、患者のＵＸ（Ｕｓｅｒ　Ｅｘｐｅｒｉｅｎｃｅ）を劇的に向上させることができる。

　（１３）また、請求項１～１２のいずれか１項に記載の構成において、前記取得された撮影動画像に含まれる各フレーム画像を焦点距離に応じて積層し、前記被検眼の三次元画像を構築する三次元画像構築手段をさらに有し、前記第２記憶手段には、前記第２知識として、三次元画像に基づき、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定するための知識が記憶され、前記推定手段が、前記第２知識として、三次元画像に基づき前記被検眼の健康状態を推定するための知識が記憶され、前記推定手段が、前記生成された三次元画像と、前記第２知識に基づき、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定する構成を採用してもよい。

　移動体通信端末装置において撮影される動画像には、各々焦点距離の異なる複数のフレーム画像が含まれるので、各フレーム画像の焦点距離に応じた順番にてフレーム画像を積層することにより、被検眼の三次元画像を構築して健康状態の推定に三次元画像を利用し、又は、ユーザに三次元の画像を提示することができる。また、三次元画像には、平面画像よりも多くの情報が含まれるので、上記構成により、被検眼の健康状態や情報パラメーター値の推定精度を向上させ、診断支援情報の信頼度を向上させることができる。

　本発明によれば、機器や医師等の不足している地域においても確実に被検眼の診断支援情報を生成し、利用することができる。

本発明に係る診断支援システムの第１実施形態における構成例を示すシステム構成図である。第１実施形態における近接撮影用装置を示す斜視図である。第１実施形態の近接撮影用装置において凸レンズ部材とカラーフィルター部材をスライドさせた形態例を示す説明図である。図２に示す近接撮影用装置の分解構成図である。図２に示す近接撮影用装置にスリット光形成部材を取り付けた形態を示す正面図である。図５に示す形態の斜視図である。図５に示す形態の説明図である。図５に示す近接撮影用装置を装着した移動体通信端末装置により被検眼の前眼部を撮影した撮影結果であり、（Ａ）は角膜混濁、（Ｂ）は白内障手術後、（Ｃ）は流行性結膜炎、（Ｄ）は白内障なし、（Ｅ）は中等度白内障、（Ｆ）は重傷白内障の撮影画像である。第１実施形態のスマートアイカメラによる白内障の評価の結果である。複数の眼科専門家によるスマートアイカメラ及び既存装置による診断結果の相関を示す図である。第１実施形態の診断支援サーバ装置の構成例を示すブロック図である。第１実施形態の診断処理部が実行する処理を説明するイメージ図である。第１実施形態の診断可能フレーム抽出部が実行する診断可能フレーム画像抽出処理を説明するイメージ図である。第１実施形態の診断支援サーバ装置の診断処理部において実行される診断用知識獲処理を示すフローチャートである。第１実施形態の診断支援サーバ装置の診断処理部において実行される診断支援情報生成処理を示すフローチャートである。上段は白色光を当てた眼の代表的な写真であり、下段はフルオレセイン染色像を示す代表的な写真である。左列の画像は、既存装置で撮影した例であり、右列の画像は、スマートアイカメラを使用して撮影した例である。（Ａ）は、マウスの週齢と体重の関係を測定したグラフ、（Ｂ）は、グループ別の体重の経過についての表である。（Ａ）は、マウスの週齢と涙液分泌量（ＴＳ）の関係を測定したグラフであり、（Ｂ）は、グループ別の連続涙液分泌（ＴＳ）の経過についての表である。（Ａ）は、マウスの週齢と液層破壊時間（ＴＦＢＵＴ）の関係を測定したグラフであり、（Ｂ）は、グループ別の涙液層破壊時間の経過についての表である。フルオレセイン溶液によって染色された連続的な涙液膜写真であり、上段は、涙液層が３秒で割れたＧＶＨＤ群の例、下段は、涙液膜が３秒で安定化し、６秒で崩壊した正常群の例である。（Ａ）は、マウスの週齢と連続角膜フルオレセインスコア（ＣＦＳ）の関係を測定したグラフであり、（Ｂ）は、グループ別のＣＦＳの経過についての表である。第１実施形態のスマートアイカメラと既存装置について、ＴＦＢＵＴとＣＦＳの測定結果を比較した結果であり、（Ａ）はＴＦＢＵＴについてのグラフ、（Ｂ）はＣＦＳについてのグラフ、（Ｃ）は、これらをまとめた表である。第１実施形態のスマートアイカメラ及び既存装置による診断結果の相関関係を示すグラフであり、（Ａ）はＴＦＢＵＴについてのグラフ、（Ｂ）はＣＦＳについてのグラフである。体重減少、ＴＳの短縮、及び角膜上皮炎の悪化について整理したグラフであり、（Ａ）は、ＴＳ、（Ｂ）は、ＴＦＢＵＴ、（Ｃ）は、ＣＦＳについてのグラフ、（Ｄ）は、これらをまとめた表である。ドライアイ患者とドライアイのない正常患者の合計４２人に対して、ドライアイの診断基準であるＴＦＢＵＴ測定結果である。第２実施形態の近接撮影用装置の形態を示す斜視図である。図２６に示す形態の正面図である。図２６に示す形態の分解構成図である。第２実施形態のスマートアイカメラで撮影した眼底の撮影結果であり、（Ａ）は正常眼底、（Ｂ）は高血圧性眼底、（Ｃ）は網膜菲薄化、（Ｄ）は視神経乳頭陥凹拡大（緑内障疑い）の画像である。第２実施形態のスマートアイカメラで評価した高血圧性眼底の医師間での相関である。第３実施形態の診断支援サーバ装置において診断可能フレーム画像から領域画像を切り出すためのアノテーション作業を説明するための図であり、（Ａ）及び（Ｂ）には、各々、観察光として白色拡散光を照射した場合と、青色光を照射した場合に撮影される診断可能フレーム画像において眼の組織の写り込んだ領域を切り出すためのアノテーション作業を説明するための図を示している。第３実施形態診断支援サーバ装置において眼の組織の写り込んだ領域を診断可能フレーム画像から推定し、領域画像を切り出す方法を説明するための図である。第４実施形態の診断支援サーバ装置において前房深度の推定実験の流れを説明する図である。第４実施形態の診断支援システムにおいて前房深度の推定に利用する診断用知識の獲得方法について説明するための図であり、（Ａ）及び（Ｂ）には、各々、前房深度の推定に利用可能な診断可能フレーム画像の一例と、前眼部ＯＣＴ（Ｏｐｔｉｃａｌ　Ｃｏｈｅｒｅｎｃｅ　Ｔｏｍｏｇｒａｐｈｙ）による被検眼の測定結果の一例を示している。

　以下、図面を参照しつつ、本発明の実施形態について説明する。なお、以下の実施形態は、撮影された被検眼の動画像に基づき当該被検眼の健康状態を推定し、当該推定結果を含む診断支援情報を生成して、ユーザが利用可能に提供する機能を実現するためのシステムに対し、本発明に係る診断支援装置、診断支援システム及びプログラムを適用した場合の実施形態である。但し、以下に説明する実施形態は、特許請求の範囲に記載された本発明の内容を不当に限定するものではなく、本実施形態で説明される構成の全てが本発明の必須構成要件であるとは限らない。

［Ａ］第１実施形態
［Ａ１］診断支援システムの構成及び概要
　まず、図１を用いて、本発明の第１実施形態における診断支援システム１の構成及び概要について説明する。なお、図１は、本実施形態の診断支援システム１の一構成例を示すシステム構成図である。また、図１においては、図面が煩雑になることを防止するため、一部のユーザのみを表示するとともに、診断支援システム１を構成する近接撮影用装置２０の装着された一部の移動体通信端末装置１０（すなわち、スマートアイカメラ）、及び、一部のアノテーション用端末装置４０のみを示している。すなわち、診断支援システム１には、図示するよりも多くのユーザが存在するとともに、近接撮影用装置２０の装着された多くの移動体通信端末装置１０及びアノテーション用端末装置４０が存在している。

　図１に示すように本実施形態の診断支援システム１は、（ａ）各ユーザによって携行されるとともに、各々、近接撮影用装置２０が装着された状態でスマートアイカメラとして機能する複数の移動体通信端末装置１０－１～ｎ（以下、「移動体通信端末装置１０」という。）と、各移動体通信端末装置１０に対してネットワークＮを介して通信接続され、各移動体通信端末装置１０から送信（アップロード）されてくる動画像データに基づく処理を実行する診断支援サーバ装置３０と、眼科専門医等のアノテータにより使用される複数のアノテーション用端末装置４０－１～ｎ（以下、「アノテーション用端末装置４０」という。）と、を有し、診断支援サーバ装置３０において、（１）移動体通信端末装置１０からアップロードされる動画像データに基づき被検眼Ｅの健康状態（疾患の有無やその重症度等）を推定し、（２）当該推定結果に基づき診断支援情報を生成し、（３）当該生成した診断支援情報を該当する移動体通信端末装置１０に配信することにより、被検眼Ｅの診断を支援するためのものである。なお、診断支援情報の形式及び内容に関しては任意であり、例えば、ＸＭＬ（Ｅｘｔｅｎｓｉｂｌｅ　Ｍａｒｋｕｐ　Ｌａｎｇｕａｇｅ）等の形式で、疑いのある疾患名や疾患の重症度、治療方法、手術の要否等の情報を記述して、移動体通信端末装置１０においてこれらの情報を表示させる構成としてもよい。また、診断支援サーバ装置３０において推定する被検眼Ｅの健康状態に関しては任意であり、例えば、特定疾患の有無や被検眼Ｅの各種組織（例えば、眼瞼、眼表面、角膜、結膜、虹彩、前房、水晶体、眼底組織等）に発症する可能性のある各種疾患の状態を推定することができる。但し、本実施形態においては、説明を具体化するため、被検眼Ｅにおける核硬化症（白内障）の状態（すなわち、白内障の発症の有無及びその重症度）を推定するものとして説明を行い、他の疾患の状態を推定する方法に関しては、変形例及び第２実施形態の項にて詳述する。なお、本実施形態の診断支援システム１は、被検眼Ｅにおける白内障の重症度を推定せず、発症の有無のみを推定する構成としてもよい。

　ここで、白内障診断用の画像は、眼科に設置された高価な眼科用スリットランプ顕微鏡を用いて、専門知識を有する医師等が撮影する必要がある。このため、発展途上国等の機器や医師等が不足している地域においては、診断用の画像を撮影することができず、従来の眼科システムでは被検眼Ｅの健康状態を推定して、診断支援情報を生成する事自体が困難となる。

　そこで、本実施形態の診断支援システム１においては、移動体通信端末装置１０に内蔵された光源９２（後述）から出射される光源光に基づき、観察光としてのスリット光ＳＬを発生させるスリット光形成部材６１と、被検眼Ｅの水晶体組織におけるスリット光ＳＬの反射光ＲＬを含む光を移動体通信端末装置１０の撮影用カメラレンズ９１（後述）に集光する凸レンズ部材９３と、を少なくとも有する構成の近接撮影用装置２０を移動体通信端末装置１０に装着し、移動体通信端末装置１０に内蔵されたカメラモジュールを用いて被検眼Ｅの動画像を撮影する方法を採用することとした。そして、移動体通信端末装置１０にて撮影された動画像に基づき、診断支援サーバ装置３０が、被検眼Ｅにおける白内障の状態を推定し、推定結果に基づき診断支援情報を生成する。なお、近接撮影用装置２０の構成及び原理に関しては後に詳述する。また、移動体通信端末装置１０には複数のカメラモジュール（例えば、表示部側に設けられたインカメラモジュール及び背面側に設けられたアウトカメラモジュールの２台等）が設けられるケースが多い。但し、通常、アウトカメラモジュールの方が高い解像度を有し、光学系も機能的に優れたものが搭載される傾向にある。このため、本実施形態においては、近接撮影用装置２０としてアウトカメラモジュール用のものを用い、被検眼Ｅの動画像撮影時における解像度を向上させ、白内障の状態推定時の精度を向上させる構成を採用することとした。すなわち、本実施形態において光源９２及び撮影用カメラレンズ９１というときは、移動体通信端末装置１０のアウトカメラモジュール側に設けられたものを示すものとして説明を行う。但し、本発明は、アウトカメラモジュールを利用するものに限定されず、インカメラモジュールを利用する構成とすることも可能である。

　移動体通信端末装置１０に搭載されるカメラモジュールは、専門的な知識を有しないユーザであっても容易に操作することができる。また、近接撮影用装置２０を移動体通信端末装置１０に装着することにより、移動体通信端末装置１０の光源９２から出射される光源光に基づいてスリット光ＳＬを発生させつつ、当該スリット光ＳＬを観察光として被検眼Ｅの水晶体組織に照射し、水晶体組織におけるスリット光ＳＬの反射光ＲＬを含む光をカメラモジュールの撮影用カメラレンズ９１（後述）に集光して、１以上の診断可能フレーム画像を含む動画像を容易に撮影できる。

　一方、医師等以外のユーザが被検眼Ｅの画像を撮影する場合には、被検眼Ｅの撮影に不慣れであるため、例えば、（ａ）観察対象組織（すなわち、水晶体組織）にピントの合っていないフレーム画像や（ｂ）水晶体組織が写り込んでいないフレーム画像、（ｃ）そもそも被検眼Ｅ自体が写っていない画像等、白内障の診断に利用な診断可能フレーム画像としての条件を満たさない雑多なフレーム画像（すなわち、診断に利用できないフレーム画像）を多数含む動画像が撮影される可能性が高い。また、医師等が被検眼Ｅの画像を撮影した場合であっても、動画像撮影開始後の数秒間は、白内障の診断に利用できないフレーム画像を含む動画像が撮影される可能性がある。このため、スマートアイカメラを用いて撮影された動画像をそのまま用いて白内障の状態を推定することは困難となる。そこで、本実施形態においては、診断支援サーバ装置３０が、移動体通信端末装置１０からアップロードされた動画像データを構成する全てのフレーム画像の中から被検眼Ｅにおける白内障の状態の診断に利用可能な診断可能フレーム画像を抽出し、当該診断可能フレーム画像に基づき被検眼Ｅにおける白内障の状態を推定する方法を採用することとした。

　ここで、白内障の重症度を診断するためには、（条件１）被検眼Ｅの水晶体組織に観察光としてのスリット光ＳＬが照射されていること、（条件２）当該照射されたスリット光ＳＬの水晶体組織における反射光ＲＬとともに水晶体組織の少なくとも一部が写り込んでいること、（条件３）水晶体組織にピントが合っていること、という３条件を満たす画像を用いる必要がある。このため、診断支援サーバ装置３０は、移動体通信端末装置１０にて撮影された動画像を構成する全フレーム画像の中からこれら３条件を満たすフレーム画像を診断可能フレーム画像として抽出する構成になっている。そして、診断支援サーバ装置３０は、当該抽出した診断可能フレーム画像に基づき被検眼Ｅにおける白内障の状態を推定して、診断支援情報を生成する。なお、本実施形態の診断支援サーバ装置３０は、例えば、本発明の「診断支援装置」を構成する。

　この構成により、本実施形態の診断支援システム１は、ユーザが専門的な医学知識を有しない場合であっても、被検眼Ｅにおける白内障診断用の診断可能フレーム画像を含む動画像を撮影し、当該撮影された動画像に基づき白内障の状態を適切に推定することができる。この結果、本実施形態の診断支援システム１は医師等の不足している地域においても確実に被検眼Ｅの診断支援情報を生成して利用できる。また、移動体通信端末装置１０に装着する近接撮影用装置２０は、少なくともスリット光形成部材６１と、凸レンズ部材９３と、を有していれば足りるので非常に低コストに製造することができる。この結果、本実施形態の診断支援システム１は、高価な眼科用スリットランプ顕微鏡を用いることなく、低コストに診断可能フレーム画像を含む動画像を撮影し、診断支援情報を生成できる。

［Ａ２］診断支援システム１の概略構成
　移動体通信端末装置１０は、例えば、スマートフォン、タブレット型情報通信端末装置、携帯電話機等、ユーザによって携行される携帯型の通信端末装置であり、液晶パネルや有機ＥＬ（Ｅｌｅｃｔｒｏ　Ｌｕｍｉｎｅｓｃｅｎｃｅ）パネル等の表示素子により構成される図示せぬ表示部やスピーカ、表示部上に設けられたタッチパネルやテンキー等により構成される操作部を有する。また、移動体通信端末装置１０は、撮影用カメラレンズ９１を含むカメラモジュールと、白色ＬＥＤ（Ｌｉｇｈｔ　Ｅｍｉｔｔｉｎｇ　Ｄｉｏｄｅ）等の発光素子により構成される光源９２を備えている。

　カメラモジュールは、撮影用カメラレンズ９１の他、撮影用カメラレンズ９１を透過した光を絞る絞り機構、シャッター機構、オートフォーカス機構、手ぶれ補正機構等の図示せぬ光学系を有する。また、カメラモジュールは、撮影用カメラレンズ９１を透過した光を受光し、当該受光した光に応じた信号を出力するＣＣＤ（Ｃｈａｒｇｅ　Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）イメージセンサやＣＭＯＳ（ｃｏｍｐｌｅｍｅｎｔａｒｙ　ｍｅｔａｌ　ｏｘｉｄｅ　Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）イメージセンサ等のイメージセンサを有し、イメージセンサによって出力された信号をＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）により構成される図示せぬ画像生成部に供給することで撮影用カメラレンズ９１を透過した光に基づいて動画像データを生成する。なお、画像生成部における動画像データの生成手法は任意である。例えば、フレーム画像毎にビットマップデータを生成して、当該生成したビットマップデータを時系列に並べることによって動画像データを生成するようにしてもよく、ＭＰＥＧ（Ｍｏｖｉｎｇ　Ｐｉｃｔｕｒｅ　Ｅｘｐｅｒｔ　Ｇｒｏｕｐ）２や、Ｈ．２６４、Ｈ．２６５等のフレーム間予測符号化方式にて圧縮した形式の動画像データを生成するようにしてもよい。このカメラモジュール及び画像生成部は、表示部及び操作部と連動して、操作部に対するユーザの入力操作に基づき光学系を調整する。そして、イメージセンサによって受光された光に基づき被写体（本実施形態においては、被検眼Ｅ）の写り込んだフレーム画像を生成し、当該生成したフレーム画像データに基づき撮影中の画像を表示部に表示させる。なお、移動体通信端末装置１０に搭載されるオートフォーカス機構を備えたカメラモジュールについては、従来のスマートフォン等に用いられるカメラモジュールと同様である。

　さらに、移動体通信端末装置１０には、撮影した被検眼Ｅの動画像に基づき、診断支援サーバ装置３０から診断支援情報を取得して表示するためのアプリケーションプログラム（以下、「診断用アプリ」という。）が搭載（インストール）されている。そして、移動体通信端末装置１０は、この診断用アプリを実行することにより、カメラモジュール及び画像生成部によって生成された動画像データを診断支援サーバ装置３０にアップロードすることにより診断支援サーバ装置３０から診断支援情報を取得する。そして、移動体通信端末装置１０は、このようにして取得した診断支援に基づき被検眼Ｅにおける白内障の有無やその重症度（具体的には、白内障の重症度を１～５の数値で表現するＮＳグレード等の指標）に関する情報、治療方法、手術の要否等の情報を表示部に表示する。なお、診断支援情報をＸＭＬ形式で生成する場合には、既存のブラウザアプリケーションで、診断用アプリを代用することもできる。

　近接撮影用装置２０は、移動体通信端末装置１０に着脱可能に装着される光学機器であり、少なくとも移動体通信端末装置１０の光源９２から照射される光に基づき、スリット光ＳＬを発生させるスリット光形成部材６１と、スリット光ＳＬの被検眼Ｅにおける反射光ＲＬを含む光を撮影用カメラレンズ９１に集光する凸レンズ部材９３と、を有する。そして、近接撮影用装置２０は、光源９２から出射される光源光（白色拡散光）に基づき観察光としてのスリット光ＳＬを発生させるとともに、被検眼Ｅにおけるスリット光ＳＬの反射光ＲＬを含む光を撮影用カメラレンズ９１に集光する。移動体通信端末装置１０は、この近接撮影用装置２０の機能により撮影用カメラレンズ９１に集光された光に基づき、診断可能フレーム画像を含む被検眼Ｅの動画像を撮影する。この結果、近接撮影用装置２０が装着された状態の移動体通信端末装置１０（すなわち、スマートアイカメラ）は、全体として既存の眼科用スリットランプ顕微鏡と同様の機能を実現する。

　診断支援サーバ装置３０は、ネットワークＮ上に設けられたコンピュータシステムであり、機械学習又はデータマイニングによって獲得された診断可能フレーム画像抽出用の知識（以下、「抽出用知識」という。）に基づき、移動体通信端末装置１０からアップロードされた動画像データに含まれる診断可能フレームを抽出する。なお、本実施形態の抽出用知識は、例えば、本発明の「第１知識」に相当する。また、抽出用知識の具体的な獲得方法に関しては任意である。但し、動画像データに含まれる各フレーム画像が診断可能フレーム画像に該当するか否かの判断は白内障の診断とは異なり、上記条件１～３を充足するか否かのみで決定できる。このため、眼科専門医でなくとも診断可能フレーム画像に該当するか否かを判断することが可能である。従って、例えば、任意の人物がアノテーション用端末装置４０を用いて、移動体通信端末装置１０からアップロードされた動画像データの中から白内障用の診断可能フレーム画像を抜き出すとともに、当該抜き出したフレーム画像を教師データとしつつ、診断支援サーバ装置３０において機械学習及びデータマイニングの少なくとも一方を実行することにより抽出用知識を獲得する構成としてもよい。

　また、本実施形態の診断支援サーバ装置３０は、抽出用知識に基づいて動画像データから抽出された診断可能フレームに基づき、被検眼Ｅにおける白内障の状態を推定するための診断用知識を有している。そして、診断支援サーバ装置３０は、動画像データから抽出された診断可能フレーム画像と診断用知識に基づき被検眼Ｅにおける白内障の有無やＮＳグレード等の白内障の重症度を示す指標、治療方法、手術の要否等を推定し、当該推定結果を含む診断支援情報を生成して、動画像データのアップロード元の移動体通信端末装置１０に配信する。なお、本実施形態の診断用知識は、例えば、本発明の「第２知識」を構成する。また、診断支援サーバ装置３０に診断用知識を獲得させる方法については任意である。例えば、図示せぬ眼科施設に設置される電子カルテ管理用コンピュータを、直接又はネットワークＮを介して診断支援サーバ装置３０と接続し、眼科施設に来院した患者の診断結果及び眼科施設にて撮影された眼科診断用画像を眼科施設の電子カルテから取得し、当該取得したデータを教師データとして用いつつ、機械学習及びデータマイニングの少なくともいずれか一方を実行して診断用知識を獲得する構成としてもよい。但し、この方法を用いる場合には、眼科施設の電子カルテ管理用コンピュータに特殊な機能を搭載する必要がある。また、この場合、眼科施設の電子カルテ管理用コンピュータと診断支援サーバ装置３０を通信接続し、診断支援サーバ装置３０にて各管理コンピュータから取得したデータを管理する必要性が生じ、システム構築時におけるイニシャルコストを削減することが難しくなる。さらに、この場合には、電子カルテ情報を利用することに関して、眼科施設側において予め患者の同意を得て、個人情報の管理を厳格に行う必要性があり、システム運営時のランニングコストを削減することも難しくなる。

　そこで、本実施形態の診断支援システム１においては、概略以下の方法にて診断用知識を獲得することとした。（ステップ１）まず、診断支援サーバ装置３０は、移動体通信端末装置１０にて撮影された動画像データが移動体通信端末装置１０からアップロードされてくる都度、当該動画像データから診断可能フレーム画像を抽出して、当該診断可能フレーム画像をアノテーション用端末装置４０に送信し、アノテーション用端末装置４０にて診断可能フレーム画像を表示させる。（ステップ２）アノテータとなる３名の医師がアノテーション用端末装置４０に表示された診断可能フレーム画像に基づき、各々、白内障の有無やその重症度（ＮＳグレード等の指標）、治療方法、手術の要否等に関する診断を行い、診断結果をアノテーション用端末装置４０に入力する。（ステップ３）アノテーション用端末装置４０は、医師の入力に基づき診断結果を示す診断結果情報を生成し、当該診断結果情報により該当する診断可能フレーム画像にタグ付けを行うことで各診断可能フレーム画像に対応する教師データを作成して、診断支援サーバ装置３０に送信する。（ステップ４）診断支援サーバ装置３０は、アノテーション用端末装置４０から取得した教師データ（すなわち、タグ付け済の診断可能フレーム画像）を、その都度、蓄積していく。そして、蓄積した教師データの数が診断用知識の獲得に必要なサンプル数α（以下、単に「α」という。）以上となった時点で、診断支援サーバ装置３０は、蓄積済の教師データを用いて機械学習及びデータマイニングの少なくともいずれか一方を実行して診断用知識を獲得する。

　この方法を採用することにより、アノテータとなる医師は、動画像データ内から診断可能フレーム画像を見つけ出す作業を行うことなく、診断支援サーバ装置３０にて抽出された診断可能フレーム画像に基づいて白内障に関する診断を下せば足りるので、診断用知識獲得時における医師の作業負担を軽減できる。また、移動体通信端末装置１０からアップロードされる動画像データには、患者を特定可能な情報を含ませる必要がないので、本方法によれば個人情報保護のためのコストを削減できる。さらに、アノテーション用端末装置４０は、少なくとも１台用意すれば足りるため、低コストにシステムを構築できる。なお、診断用知識は、動画像データから抽出された診断可能フレーム画像に基づく医師の診断結果から得られる知識の他、例えば、医学書や医学事典、その他の文献に記述された知識、或いは、インターネット上に開示された医学的知識を含ませる構成にしてもよい。この場合には、治療方法及び手術の要否に関しては、推定された白内障のＮＳグレード等に応じて、医学書等の知識から推定する構成を採用することもできる。

　そして、診断支援サーバ装置３０から診断支援情報が配信されると、移動体通信端末装置１０においては当該診断支援情報に基づき被検眼Ｅの白内障の有無やＮＳグレード等の指標、治療方法、手術の要否等の情報が表示部に表示され、ユーザが閲覧可能な状態となる。

　アノテーション用端末装置４０は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）やタブレット型情報通信端末装置等のコンピュータであり、図示せぬ表示部や表示部上に設けられたタッチパネル、マウス、キーボード等から構成される操作部を有し、診断支援サーバ装置３０に対して直接、又は、ネットワークＮを介して通信接続される。

　このアノテーション用端末装置４０は、診断支援サーバ装置３０にて抽出された診断可能フレーム画像を表示させる。また、アノテーション用端末装置４０は、アノテータとなる医師が診断可能フレーム画像に基づく診断結果を入力するためのＧＵＩを表示させ、医師が診断結果を入力すると当該入力された診断結果に対応する診断結果情報を生成する。そして、アノテーション用端末装置４０は、当該診断結果情報により該当する診断可能フレーム画像にタグ付けを行うことで教師データを作成して診断支援サーバ装置３０に送信する。なお、アノテーション用端末装置４０の台数に関しては任意であり、アノテータ（診断用知識獲得時は医師、抽出用知識獲得時は任意の人物）の人数分設けてもよく、１台のアノテーション用端末装置４０を複数のアノテータで使い回すようにしてもよい。

［Ａ３］近接撮影用装置２０の構成
　次いで、本実施形態の近接撮影用装置２０の構成について、図２～７を用いて説明する。なお、図２～７は、本実施形態の近接撮影用装置２０Ａの構成を示す図である。図２～図７に示すように、本実施形態の近接撮影用装置２０Ａは、移動体通信端末装置１０に着脱可能に装着される構成を有し、外形が直方体形状のハウジング８０を備えている。

　このハウジング８０は、内部が中空であり、図２及び４に示すように、外壁部８１と、前面プレート９０とで構成されている。外壁部８１は、前壁８２と奥壁８３と左側壁８４と右側壁８５と上壁８６と下壁８７とを有している。下壁８７には、移動体通信端末装置１０が挿入される開口（図示しない）が形成されている。その開口は、左側壁８４の側から右側壁８５の側に至るまでの左右方向に形成された貫通孔により構成されている。その開口には、アウトカメラモジュールの設けられた移動体通信端末装置１０の上端部が挿入され、前後方向における開口幅は、移動体通信端末装置１０の厚さよりも僅かに広く、また、左右方向における開口幅は、移動体通信端末装置１０の幅よりも僅かに広く構成されている。なお、ここで、前方向とは、奥壁８３から前壁８２へと向かう方向とし、その反対の方向を後方向とする。また、左方向とは、右側壁８５から左側壁８４へと向かう方向とし、その反対の方向を右方向とする。さらに、上方向とは下壁８７から上壁８６へと向かう方向とし、その反対の方向を下方向と定義するものとする。

　前壁８２は、上縁、下縁及び右縁が前方向に枠状に凸になっている周縁部を有している。その周縁部には、その周縁部の幅よりも広い幅の前面プレート９０が装着されている。前面プレート９０は、開口した左縁部９０ａ、右縁部９０ｂ、上縁部９０ｃ、下縁部９０ｄで構成されて、中央部が開いた枠状体である。前面プレート９０の幅は、前壁８２の周縁部よりも幅が広い。そのため、周縁部の内方には、前面プレート９０がはみ出すように設けられている。はみ出した部分は、上下レールとして機能し、板状のカラーフィルター部材９７と板状の凸レンズ部材９３とがその上下レールにスライド可能に嵌め込まれている。前壁８２と、前面プレート９０のはみ出し部分との間の隙間は、板状のカラーフィルター部材９７と板状の凸レンズ部材９３の厚さよりも少しだけ大きく、スライド可能な寸法で形成されている。なお、図２の例では、開口は、左縁部９０ａであるが、右縁部９０ｂであってもよい。

　前壁８２には、２つの穴が設けられている。１つの穴８９は、移動体通信端末装置１０の撮影用カメラレンズ９１に対応する位置に設けられたものであり、もう１つの穴８８は、移動体通信端末装置１０の光源９２に対応する位置に設けられたものである。この２つの穴８８，８９により、移動体通信端末装置１０の光源９２から出射される光源光を前方向に発することができるとともに、移動体通信端末装置１０の撮影用カメラレンズ９１で復路光（例えば、スリット光ＳＬの反射光ＲＬを含む光）を受け取って被検眼Ｅの前眼部や眼底の画像を撮影することができる。

（カラーフィルター部材）
　カラーフィルター部材９７は、光源９２の上に着脱可能に設けられている。このカラーフィルター部材９７は板状部材であり、次述する図３（Ａ）～（Ｃ）に例示するようにカラーフィルター部材９７をスライドさせて光源９２上での着脱が行われる。このカラーフィルター部材９７は、移動体通信端末装置１０の光源９２の発する白色光を青色光にする青色フィルターであることが好ましい。例えば、白色光を波長４８８ｎｍの青色光に変換する青色フィルターであることが好ましい。青色フィルターは、アクリル樹脂を着色したものを採用できる。

　カラーフィルター部材９７に設けられた穴９８は、カラーフィルター部材９７をスライドさせる際に指を掛ける穴である。指を掛けてスライドさせるためのものであれば、必ずしも穴である必要はなく、突起であってもよい。

カラーフィルター部材９７を左右方向にスライドさせることにより、光源９２を覆ったり覆わなかったりすることができる。すなわち、カラーフィルター部材９７及び凸レンズ部材９３をスライドさせることで、カラーフィルター部材９７を光源９２の上から着脱させる、又は、凸レンズ部材９３を撮影用カメラレンズ９１の上から着脱させる。本実施形態においては、カラーフィルター部材９７を光源９２から取り外すことにより、光源９２から出射される光源光としての白色拡散光が、穴８８をそのままの状態で通過して、観察光として被検眼Ｅに照射され、その反射光ＲＬを含む光を、撮影用カメラレンズ９１を通してイメージセンサにて受光することにより、被検眼Ｅの眼瞼、眼表面、角膜及び結膜を観察し、撮影を行うことができる。また、カラーフィルター部材９７で光源９２を覆うことにより、角膜及び結膜に発生した傷を観察し、撮影することができる。例えば、眼に造影剤としてフルオレセイン溶液を点眼し、カラーフィルター部材９７として生体染色検査用ブルーフリーフィルターを採用することにより、光源光を青色光に変化させ、観察光として被検眼Ｅに照射して、角膜や結膜に生じた傷を緑に変えて、その緑の光を凸レンズ部材９３により撮影用カメラレンズ９１に集光してイメージセンサで受光することにより被検眼Ｅの角膜及び結膜に生じた傷を観察し、撮影することができる。なお、青色光を利用して被検眼Ｅの角膜及び結膜における疾患の状態を推定する方法及び白色拡散光を用いた前眼部疾患の状態推定に関しては、変形例の項にて詳述する。

（凸レンズ部材）
　凸レンズ部材９３は、撮影用カメラレンズ９１の上に着脱可能に設けられている。この凸レンズ部材９３は板状部材であり、図３（Ａ）～（Ｃ）に例示するように凸レンズ部材９３をスライドさせて撮影用カメラレンズ９１上での着脱が行われる。この凸レンズ部材９３は、移動体通信端末装置１０の撮影用カメラレンズ９１に光を集光させる凸レンズ９６を備えている。その凸レンズ９６は、焦点距離を考慮して任意に選択される。凸レンズ９６は、凸レンズ部材９３に設けられた穴９４に装着されている。凸レンズ９６により、被検眼Ｅの観察対象組織にピントを合わせ、画像のぼやけを修正して、被検眼Ｅにおける観察対象組織を鮮明に観察し、撮影することができる。

　凸レンズ部材９３に設けられた穴９５は、凸レンズ部材９３をスライドさせる際に指を掛ける穴であるとともに、凸レンズ部材９３をスライドさせてその穴９５を光源９２上に配置することにより（図３（Ｃ）参照）、光源９２から発する光の指向性を向上させるようにも作用する。

　図３は、カラーフィルター部材９７と凸レンズ部材９３とをスライドさせた形態を示している。図３（Ａ）は、凸レンズ部材９３の凸レンズ９６を撮影用カメラレンズ９１上に装着し、カラーフィルター部材９７を右方向にスライドさせて光源９２上から取り外している形態である。図３（Ｂ）は、凸レンズ部材９３の凸レンズ９６を撮影用カメラレンズ９１上に装着し、カラーフィルター部材９７を左方向にスライドさせて光源９２上に装着させている形態である。図３（Ｃ）は、カラーフィルター部材９７を右方向にスライドさせて光源９２上から取り外し、凸レンズ部材９３の凸レンズ９６を撮影用カメラレンズ９１上から取り外している形態である。なお、この図３（Ｃ）では、凸レンズ部材９３が有する穴９５を光源９２の上に配置しており、光源９２から出射される光源光としての白色拡散光は、穴８８及び穴９５を通過する際に指向性が調整され、観察光として、前方向に照射されるようになっている。

（スリット光形成部材）
　スリット光形成部材６１は、図５～図７に示すように、移動体通信端末装置１０の光源９２から出射される光源光としての白色拡散光を円柱レンズ６２でスリット光ＳＬとする部材である。スリット光形成部材６１の着脱手段は特に限定されないが、カラーフィルター部材９７及び凸レンズ部材９３をスライドさせる上下レールに着脱可能に設けられることが好ましい。なお、例えば、本実施形態のスリット光形成部材６１、カラーフィルター部材９７、穴８８及び９５は、本発明の「観察光照射部材」を構成する。

　こうしたスリット光形成部材６１により、円柱レンズ６２で形成されたスリット光ＳＬを被検眼Ｅに照射して、その反射光ＲＬを含む光を凸レンズ部材９３により移動体通信端末装置１０の撮影用カメラレンズ９１に集光して、被検眼Ｅの画像を撮影することにより被検眼Ｅの前眼部を詳細に観察し、撮影することができるとともに、眼底組織を観察し、撮影することができる。この結果、本実施形態の近接撮影用装置２０を装着した状態の移動体通信端末装置１０（すなわち、スマートアイカメラ）は全体として、眼科用スリットランプ顕微鏡と同様の機能を実現できることとなる。

　また、スリット光形成部材６１の本体部６１’は、図７に示すように、光源９２からの光を反射する第１反射ミラー６５と、その第１反射ミラー６５で反射した光を反射する第２反射ミラー６６と、その第２反射ミラー６６で反射した光を通過させるスリット部６７とを有している。スリット部６７を通過した光は、円柱レンズ６２でスリット光ＳＬとなる。そして、このスリット光ＳＬを被検眼Ｅに照射して、その反射光ＲＬを含む光を凸レンズ部材９３により移動体通信端末装置１０の撮影用カメラレンズ９１に集光しつつ、カメラモジュールのイメージセンサにより受光することで被検眼Ｅの眼瞼、眼表面、角膜、結膜、水晶体及び前房といった前眼部の各組織を詳細に観察し、撮影できるとともに、眼底組織を観察し、撮影できる。なお、この円柱レンズ６２は特に限定されないが、各種の円柱レンズから選択して採用することができる。スリット部６７の幅は、約１ｍｍ前後の狭小のスリットであることが好ましく、範囲としては０．７～１．５ｍｍ程度の幅で形成されていることが好ましい。

　以上の構成を有する本実施形態の近接撮影用装置２０Ａは、（ａ）スリット光形成部材６１及び凸レンズ部材９３を装着し、カラーフィルター部材９７を取り外すことにより、被検眼Ｅの前眼部（特に、水晶体及び前房の各組織）を観察し、撮影できる。（ｂ）また、凸レンズ部材９３のみを装着し、スリット光形成部材６１及びカラーフィルター部材９７を取り外すことにより、被検眼Ｅの眼瞼、眼表面、角膜、結膜の各組織を観察し、撮影できる。こうすることにより、水晶体組織及び前房組織は、光源９２から出射される光源光に基づいて発生させたスリット光ＳＬを観察光として用いつつ詳細に観察し、撮影できる。また、被検眼Ｅの眼瞼、眼表面、角膜及び結膜は、穴８８をそのまま通過した光源光（白色拡散光）又はスリット光ＳＬを観察光として用いて詳細に観察し、撮影できる。なお、本実施形態においては、被検眼Ｅにおける白内障の状態を推定するため、スリット光形成部材６１及び凸レンズ部材９３を装着した図５～７の構成からカラーフィルター部材９７を取り外した状態の近接撮影用装置２０を装着した移動体通信端末装置１０（スマートアイカメラ）を用いて被検眼Ｅの水晶体組織を観察し、撮影するものとして説明を行う。また、本実施形態の近接撮影用装置２０Ａは、スリット光形成部材６１及び凸レンズ部材９３を取り付けた状態にて被検眼Ｅの眼底組織（網膜）を観察することもできるが、眼底組織の詳細な観察及び撮影には、眼底組織観察用の筒状部材１８０（後述）を取り付けることが好ましい。

　以上説明したように、本実施形態の近接撮影用装置２０Ａは、従来のスマートフォン等の移動体通信端末装置１０に装着するだけで、高価な眼科用スリットランプ顕微鏡と同様の機能を実現できる。この結果、被検眼Ｅの眼瞼、眼表面、角膜、結膜、前房及び水晶体等前眼部組織の詳細な画像を低コスト且つ簡易に撮影して、白内障用の診断可能フレーム画像を含む動画像を容易に撮影することができる。

［Ａ４］スマートアイカメラを用いた白内障診断の検証結果について
　本発明者は、スマートアイカメラと既存の眼科用スリットランプ顕微鏡との比較のため、スリット光形成部材６１及び凸レンズ部材９３を装着し、カラーフィルター部材９７を取り外した図５～７の構成の近接撮影用装置２０Ａを装着した移動体通信端末装置１０（スマートフォン：すなわち、スマートアイカメラ）を用いて２０１８年１２月に観察を行った。なお、この際の症例は、前眼部：５８眼（男性２１名、女性３７名）とした。また、検討項目は、眼瞼・前眼部疾患の有無、白内障重症度眼瞼・前眼部疾患の有無、白内障重症度、左右差、撮影秒数等とした。また、本検証に際しては、被検眼Ｅに発症したドライアイの状態観察等も行ったが、この点については変形例の項にて詳述する。

　このとき、近接撮影用装置２０Ａには、焦点調整のため、移動体通信端末装置１０の撮影用カメラレンズ９１の上に着脱可能な凸レンズ９６（焦点距離：１０～３０ｍｍ、倍率：２０倍）を備えたものを用いた。この凸レンズ９６は特に限定されないが、この検証例では、ＴＫ－１２Ｐ（株式会社ティ・エス・ケイ製）を使用した。なお、今回使用した移動体通信端末装置１０のデジタルルクス照明器（型名：ＬＸ－１０１０Ｂ、Ｚｈａｎｇｚｈｏｕ　ＷｅｉＨｕａ　Ｅｌｅｃｔｒｏｎｉｃ　Ｃｏ．Ｌｔｄ．製）の照度は、８０００ルクスであった。また、本検証には、ｉＰｈｏｎｅ７（登録商標）用に設計された近接撮影用装置２０Ａを利用した。

（前眼部の観察結果）
　実際に、図５～７に示す近接撮影用装置２０Ａを装着した移動体通信端末装置１０により上記５８眼を対象として撮影した画像の一例を図８に示す。図８に示すように、翼状片、角膜混濁、流行性角結膜炎、眼内レンズ眼等、様々な前眼部疾患の評価が全症例で評価可能であった。なお、図８中、（Ａ）は角膜混濁、（Ｂ）は白内障手術後、（Ｃ）は流行性結膜炎、（Ｄ）は白内障なし、（Ｅ）は中等度白内障、（Ｆ）は重傷白内障の撮影画像である。

　図５～図７に示す近接撮影用装置２０Ａを装着した移動体通信端末装置１０による白内障の診断結果と既存のスリットランプ顕微鏡による診断結果の比較結果を図９及び図１０に示す。なお、図９において、縦軸は、白内障の重症度を示すＮＳグレード、横軸のＥＸは、既存装置での評価結果であり、ＳＥＣ１～３は、図５～７に示す近接撮影用装置２０Ａを装着した移動体通信端末装置１０で撮影した画像に基づき３名の眼科専門家が診断した結果である。

　図９に示すようにどの観測者の間にも、また、左右の眼についても大きな差異はなかった。また、図１０は、各眼科専門医による近接撮影用装置２０Ａを装着した移動体通信端末装置１０による診断結果と既存の眼科用スリットランプ顕微鏡による診断結果との相関を示す図である。近接撮影用装置２０Ａを装着した移動体通信端末装置１０と既存の眼科用スリットランプ顕微鏡との相関が認められ、左右の眼に対しても高い相関が観察された。これらの結果は、図５～図７に示す近接撮影用装置２０Ａを装着した移動体通信端末装置１０が被検眼Ｅの前眼部組織の観察表現型をとるのに十分な客観性と再現性を持っていることを示している。

　以上説明したように、本実施形態の近接撮影用装置２０Ａを装着した移動体通信端末装置１０により、被検眼Ｅの前眼部の各種症状を既存の眼科用スリットランプ顕微鏡に対して遜色のなく観察を行えることが確認できた。

　そして、本実施形態の診断支援システム１においては、以上説明した近接撮影用装置２０Ａを装着した状態の移動体通信端末装置１０を用いて被検眼Ｅの水晶体組織の動画像を撮影し、撮影動画像に基づき被検眼Ｅにおける白内障の状態を推定して、診断支援情報を生成する。なお、白内障には、核硬化症の他、アトピー性白内障や皮質白内障等の疾患が存在するがいずれの疾患に関しても核硬化症と同様の手法により診断可能フレーム画像を含む動画像を撮影できる。

　この構成により、本実施形態の診断支援システム１は、既存の高価な眼科用スリットランプ顕微鏡を用いることなく、低コストで製造可能な近接撮影用装置２０Ａを装着した移動体通信端末装置１０（すなわち、スマートアイカメラ）を用いて被検眼Ｅにおける白内障の状態を診断可能な診断可能フレームを含む動画像を撮影し、被検眼Ｅにおける白内障の状態を推定できる。また、本実施形態のスマートアイカメラは、基本的に従来のスマートフォン等の装置と同様の操作により診断可能フレーム画像を含む動画像を撮影できる。従って、専門知識を有しないパラメディカルや患者の家族、さらにはユーザ本人（すなわち、患者本人）が自ら自分の眼を撮影した場合においても、当該撮影した動画像に含まれる診断可能フレームに基づき、被検眼Ｅにおける白内障の状態を適切に推定することができる。なお、ユーザ本人が自分の眼を被検眼Ｅとして撮影し、セルフチェックを行う場合には、被検眼Ｅ［すなわち、チェックしたい側の眼（例えば、右眼）］にスリット光ＳＬが照射された状態を作りつつ、被検眼Ｅ（右眼）の動画像をスマートアイカメラにより撮影するようにすれば良い。但し、本実施形態の場合、近接撮影用装置２０Ａが移動体通信端末装置１０のアウトカメラモジュールを利用する構成になっているので、実際に撮影する場合には、鏡の前で両眼を開き、スリット光ＳＬを被検眼Ｅとなる右眼に照射させつつ、移動体通信端末装置１０の表示部に表示されている撮影中の画像（すなわち、右眼の写り込んだ画像）を鏡に投影し、左眼（すなわち、被検眼Ｅと逆の眼）でどのような画像が撮影されているのかを鏡越しで確認しつつ、スマートアイカメラの位置と向きを調整しながら、自身の右眼の動画像を撮影するようにすればよい。

［Ａ５］診断支援サーバ装置３０の構成
　次いで、本実施形態の診断支援サーバ装置３０の構成について、図１１及び１２を用いて説明する。なお、図１１は、本実施形態の診断支援サーバ装置３０の構成例を示すブロック図、図１２は、本実施形態の診断処理部３５０が実行する処理を説明するイメージ図である。

　図１１に示すように本実施形態の診断支援サーバ装置３０は、ネットワークＮに通信接続される通信制御部３１０と、各種のメモリとして機能するＲＯＭ／ＲＡＭ３２０と、記憶装置３３０と、装置全体を制御するサーバ管理制御部３４０と、（１）移動体通信端末装置１０からアップロードされる動画像データを取得し、（２）当該動画像データから診断可能フレームを抽出し、（３）当該診断可能フレームに基づき被検眼Ｅにおける白内障の状態を推定し、（４）推定結果に基づき診断支援情報を生成し、（５）生成した診断支援情報を該当する移動体通信端末装置１０に配信する、処理を実行する診断処理部３５０と、を有する。なお、上記の各部は、バスＢによって相互に接続され、各構成要素間におけるデータの転送が実行される。

　通信制御部３１０は、所定のネットワークインターフェースであり、ネットワークＮを介して、移動体通信端末装置１０に通信接続される。また、通信制御部３１０は、アノテーション用端末装置４０と直接又はネットワークＮを介して通信接続され、移動体通信端末装置１０及びアノテーション用端末装置４０との間において各種データの授受を行う。

　ＲＯＭ／ＲＡＭ３２０には、診断支援サーバ装置３０の駆動に必要な各種のプログラムが記憶されている。また、ＲＯＭ／ＲＡＭ３２０は、各種の処理が実行される際のワークエリアとして用いられる。

　記憶装置３３０は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｃ　Ｄｒｉｖｅ）、又は、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）により構成される。

　そして、記憶装置３３０には、（ａ１）プログラム記憶部３３１と、（ａ２）抽出用知識記憶部３３２と、（ａ３）教師データ記憶部３３３と、（ａ４）診断用知識記憶部３３４と、が設けられている。なお、本実施形態の抽出用知識記憶部３３２及び診断用知識記憶部３３４は、各々、例えば、本発明の「第１記憶手段」及び「第２記憶手段」を構成する。

　プログラム記憶部３３１には、例えば、ＢＩＯＳ（Ｂａｓｉｃ　Ｉｎｐｕｔ　Ｏｕｔｐｕｔ　Ｓｙｓｔｅｍ）やＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等のプログラムとともに、（ｂ１）移動体通信端末装置１０からアップロードされた被検眼Ｅの動画像データと抽出用知識に基づき、診断可能フレーム画像を抽出する処理を実行するための診断可能フレーム画像抽出プログラムと、（ｂ２）診断用知識を獲得する処理を実行するための診断用知識獲得プログラムと、（ｂ３）診断可能フレーム画像と診断用知識に基づき診断支援情報を生成して配信する処理を実行するための診断支援情報生成プログラムと、が記憶される。

　抽出用知識記憶部３３２には、被検眼Ｅにおける白内障の状態を診断可能な診断可能フレーム画像を抽出するための知識として、上記条件１～３の全てを満たすフレーム画像を抽出するために必要な知識が予め記憶される。なお、本実施形態における抽出用知識の具体的な獲得方法及びデータ形式に関しては任意であり、例えば、後述する診断可能フレーム抽出部３５２を構成するコンボリューショナルニューラルネットワーク（畳み込みニューラルネットワークともいう。）対して、アノテータが抜き出した任意の診断可能フレーム画像を教師データとして入力することにより得られる重みとバイアスのパラメーターを抽出用知識として獲得し、抽出用知識記憶部３３２に記憶させる構成としてもよい。

　教師データ記憶部３３３には、移動体通信端末装置１０から動画像データがアップロードされる都度、アノテーション用端末装置４０から取得される教師データが記憶される。

　診断用知識記憶部３３４には、被検眼Ｅにおける白内障の有無やＮＳグレード、治療方法、手術の要否等を推定するための診断用知識が記憶される。

　サーバ管理制御部３４０は、主にＣＰＵによって構成され、ＯＳやＢＩＯＳ等のプログラムを実行することによって、診断支援サーバ装置３０の各部を統合制御する。

　診断処理部３５０は、サーバ管理制御部３４０を実現するＣＰＵと同一のＣＰＵを用いて構成され、又は、サーバ管理制御部３４０と独立したＣＰＵによって構成される。そして、診断処理部３５０は、サーバ管理制御部３４０による制御の下、プログラム記憶部３３１に記憶されたプログラムを実行することにより、（ｃ１）動画像データ取得部３５１と、（ｃ２）診断可能フレーム抽出部３５２と、（ｃ３）診断用知識獲得部３５３と、（ｃ４）健康状態推定処理部３５４と、（ｃ５）診断支援情報生成部３５５と、（ｃ６）診断支援情報配信部３５６と、を実現する。

（動画像データ取得部３５１）
　動画像データ取得部３５１は、通信制御部３１０と連動しつつ、被検眼Ｅを撮影した動画像データを移動体通信端末装置１０から取得して、当該取得した動画像データを診断可能フレーム抽出部３５２に入力する（図１２ステップ［１］）。なお、本実施形態の動画像データ取得部３５１は、通信制御部３１０と連動して、例えば、本発明の「取得手段」を構成する。

（診断可能フレーム抽出部３５２）
　診断可能フレーム抽出部３５２は、例えば、ＣＰＵを用いたコンボリューショナルニューラルネットワークとして構築される。そして、診断可能フレーム抽出部３５２は、診断可能フレーム画像抽出プログラムに従い、動画像データ取得部３５１から入力された動画像データと抽出用知識に基づき、図１３に示す診断可能フレーム画像抽出処理を実行して、動画像データから診断可能フレーム画像を抽出する（図１２ステップ［２］）。そして、診断可能フレーム抽出部３５２は、当該抽出した診断可能フレーム画像を診断用知識獲得部３５３、健康状態推定処理部３５４及び診断支援情報生成部３５５の各部に入力する（図１２ステップ［３］）。なお、診断可能フレーム抽出部３５２が各部３５３、３５４及び３５５に診断可能フレーム画像を入力する方法は任意であり、診断可能フレーム抽出部３５２から各部３５３、３５４及び３５５に直接入力するようにしてもよい。但し、本実施形態においては、診断可能フレーム抽出部３５２が抽出した診断可能フレーム画像を一度ＲＯＭ／ＲＡＭ３２０に記憶させ、各部３５３、３５４及び３５５が、必要に応じてＲＯＭ／ＲＡＭ３２０から読み出す構成を採用するものとして説明を行う。また、動画像データを構成するフレーム画像の数に関しては任意である。例えば、スマートアイカメラで３０ｆｐｓのフレームレートにて２０～４０秒間撮影して得られる６００～１２００フレーム中の２００フレーム程度を利用するようにしてもよい。なお、図１３においては、図が煩雑になることを防止するため、この２００フレームに含まれる７フレーム（フレーム１～７）のみを抜き出して例示している。また、本実施形態の診断可能フレーム抽出部３５２は、例えば、本発明の「第１抽出手段」を構成する。

［Ａ５．１］診断可能フレーム画像抽出処理の原理
　次いで、本実施形態の診断可能フレーム抽出部３５２が実行する診断可能フレーム画像抽出処理の原理について、図１３を参照しつつ説明する。なお、図１３は、本実施形態の診断可能フレーム抽出部３５２が診断可能フレーム画像抽出プログラムに従って実行する診断可能フレーム画像抽出処理を説明するイメージ図である。

　図１３に示すように、本処理において、診断可能フレーム抽出部３５２は、入力された動画像データに含まれる各フレーム画像に被検眼Ｅが写り込んでいるか否かを判定する。そして、被検眼Ｅが写り込んでいない場合に診断可能フレーム抽出部３５２は、当該フレーム画像をその他（Ｏｔｈｅｒ）のクラスに分類する。「Ｏｔｈｅｒ」クラスに分類されたフレーム画像には、そもそも被検眼Ｅが写っていないので、診断可能フレーム抽出部３５２は、当該フレームを間引き、残ったフレーム画像の各々について、スリット光ＳＬの水晶体組織における反射光ＲＬとともに、ピントが合った状態の水晶体組織の少なくとも一部が写り込んでいるか否かを判定する。

　そして、診断可能フレーム抽出部３５２は、反射光ＲＬとともにピントが合った状態の水晶体組織の少なくとも一部の写り込んだフレーム画像のみを診断可能（Ｄｉａｇｎｏｓａｂｌｅ）のクラスに分類する。一方、診断可能フレーム抽出部３５２は、他のフレーム画像（すなわち、スリット光ＳＬの水晶体組織における反射光ＲＬとともに水晶体組織の少なくとも一部が写り込んでいないフレーム画像や水晶体組織にピントの合っていないフレーム画像）に関しては、眼（Ｅｙｅ）のクラスに分類する。この結果、本処理によって、上記３条件を満たすフレーム画像のみが、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに分類され、他のフレーム画像については、「Ｏｔｈｅｒ」クラス又は「Ｅｙｅ」クラスに分類されることとなる。例えば、図１３には、上記条件に基づきフレーム１及び２が「Ｏｔｈｅｒ」クラス、フレーム３、４及び７が「Ｅｙｅ」クラス、フレーム５及び６が「Ｄｉａｇｎｏｓａｂｌｅ」クラスに分類された場合の例を示している。

　このとき、診断可能フレーム抽出部３５２は、図１３に示すように動画像データに含まれる各フレーム画像について、「Ｏｔｈｅｒ」、「Ｅｙｅ」、「Ｄｉａｇｎｏｓａｂｌｅ」の各クラスに該当する確率（又は尤度）を算出する。そして、診断可能フレーム抽出部３５２は、当該算出した該当確率に基づき各フレーム画像が「Ｏｔｈｅｒ」、「Ｅｙｅ」、「Ｄｉａｇｎｏｓａｂｌｅ」のいずれのクラスに該当するのかを分類する構成になっている。

　なお、このとき、動画像データに含まれる全てのフレーム画像に関して、各クラスに該当する確率を算出するようにしてもよい。但し、全フレーム画像に対して該当確率の算出を行う構成にした場合には、診断可能フレーム抽出部３５２における処理負担が増大する可能性がある。このため、本実施形態においては、動画像データに含まれる各フレーム画像においてピントの合っている組織に対して予め組織名のラベリングを施しつつ、各フレーム画像に付されたラベルに基づき水晶体組織にピントの合っているフレーム画像のみを抽出し、当該抽出したフレーム画像の各々対して各クラスに該当する確率を算出する構成を採用することとした。

　この構成により、本実施形態の診断支援サーバ装置３０は、水晶体組織にピントの合っていないフレーム画像を予め間引き、残りのフレーム画像の中から診断可能フレーム画像を抽出できる。この結果、診断可能フレーム画像抽出処理の処理負担を軽減できるとともに、診断可能フレーム画像抽出時の画像分類問題を簡略化して、診断可能フレーム画像抽出時の精度・再現率を向上させることができる。なお、各フレーム画像においてピントの合っている組織に対して組織名をラベリングする際の具体的な手法に関しては任意であり、例えば、診断可能フレーム抽出部３５２に眼組織用の標準ラベルエンジンを搭載し、この標準ラベルエンジンを用いて、各フレーム画像においてピントの合っている組織に組織名をラベリングする構成としてもよい。また、被検眼Ｅを正面から撮影した場合には、１のフレーム画像内に、例えば、眼瞼、眼表面、角膜、結膜等、複数の前眼部組織がピントの合った状態で同時に写り込む可能性がある。このため、診断可能フレーム抽出部３５２は、各フレーム画像内における画素毎に、当該画素に写り込んだ組織名をラベリングするマルチラベリングを行う構成になっている。なお、診断可能フレーム抽出部３５２が算出した該当確率に基づき、各フレーム画像を各クラスに分類する際の具体的な基準については任意であり、例えば、３つのクラスの各々に該当する確率を比較して、該当確率の最も高くなったクラスに分類するようにしてもよく、該当確率が、所定の閾値（例えば、６０％）を超えたクラスに分類するようにしてもよい。

　そして、診断可能フレーム抽出部３５２は、当該算出した確率に基づき、動画像データに含まれる全フレーム画像の中から診断可能フレーム画像を抽出する。なお、診断可能フレーム抽出部３５２が算出確率に基づき診断可能フレーム画像を抽出する際の具体的な基準に関しては任意である。例えば、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに分類された全てのフレーム画像（例えば図１３のフレーム５及び６）を一律に診断可能フレーム画像として抽出する構成としてもよく、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率が、所定の閾値（例えば、６０％）を超えるフレーム画像を診断可能フレーム画像として抽出する構成としてもよい。但し、本実施形態においては、説明を具体化するため、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率の高い上位所定数のフレーム画像（例えば、該当確率の高い上位数フレーム、又は、該当確率の高い上位数％のフレーム）を診断可能フレーム画像として抽出する構成を採用するものとして説明を行う。

　以上の診断可能フレーム画像抽出処理により診断可能フレーム画像を抽出すると、診断可能フレーム抽出部３５２は、当該抽出した診断可能フレーム画像と、当該診断可能フレーム画像が「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率を対応付けてＲＯＭ／ＲＡＭ３２０に記憶させる。この結果、後に健康状態推定処理部３５４が、各診断可能フレーム画像に基づき被検眼Ｅにおける白内障の有無やＮＳグレード等を推定する際に、各診断可能フレーム画像が「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率を特定できるようなっている。

（診断用知識獲得部３５３）
　診断用知識獲得部３５３は、例えば、ＣＰＵを用いたコンボリューショナルニューラルネットワークとして構築される。そして、診断用知識獲得部３５３は、診断用知識獲得プログラムに従って、診断可能フレーム抽出部３５２の抽出した診断可能フレーム画像をアノテーション用端末装置４０に送信することにより、アノテーション用端末装置４０から教師データを取得し、教師データ記憶部３３３に記憶させる。また、診断用知識獲得部３５３は、教師データ記憶部３３３に蓄積された教師データ数がα以上になると、当該教師データに基づき、機械学習及びデータマイニングの少なくとも一方を実行することにより診断用知識を獲得し、診断用知識記憶部３３４に記憶させる。なお、本実施形態において診断用知識獲得部３５３が診断用知識を獲得する際の具体的な手法及び診断用知識の具体的な内容に関しては任意である。例えば、診断用知識獲得部３５３を構成するコンボリューショナルニューラルネットワークに対して、教師データ記憶部３３３に蓄積された教師データを入力することにより得られる重みとバイアスのパラメーターを診断用知識として獲得し、当該パラメーターを診断用知識記憶部３３４に記憶させる構成としてもよい。また、本実施形態の診断用知識獲得部３５３は、通信制御部３１０及びアノテーション用端末装置４０と連動して、例えば、本発明の「学習手段」を構成する。さらに、本実施形態におけるαの具体的な数に関しては任意である。但し、診断用知識を獲得するためには、少なくとも数１００程度の教師データをサンプルとして利用することが必要となる。しかし、本実施形態の診断支援システム１においては、１の動画像データから複数の診断可能フレーム画像（例えば、確率の高い上位数フレーム又は上位数％分のフレーム）を抽出し、各診断可能フレーム画像毎に教師データを作成する構成になっているので、少ない動画像データから多くの教師データを作成して、診断用知識を獲得することができる。例えば、αとして１０００個の教師データが必要な場合に、１の動画像データから診断可能フレーム画像を５フレーム抽出する場合には、２００の動画像データから１０００個の教師データを作成して必要な診断用知識を獲得することができる。

（健康状態推定処理部３５４）
　健康状態推定処理部３５４は、例えば、ＣＰＵを用いたコンボリューショナルニューラルネットワークとして構築される。そして、健康状態推定処理部３５４は、健康状態推定プログラムに従い、診断用知識記憶部３３４に記憶された診断用知識と、診断可能フレーム抽出部３５２によって抽出された診断可能フレーム画像と、に基づき、被検眼Ｅにおける白内障の有無やＮＳグレード等を推定する。なお、本実施形態の健康状態推定処理部３５４は、例えば、本発明の「推定手段」を構成する。

　特に、本実施形態において特徴的な事項として、健康状態推定処理部３５４は、診断可能フレーム抽出部３５２によって抽出された複数の診断可能フレーム画像の各々に基づき、診断可能フレーム画像毎にＮＳグレード等を推定する構成になっている（図１２参照）。そして、健康状態推定処理部３５４は、各診断可能フレーム画像に基づいて推定されたＮＳグレードの値に基づき、被検眼Ｅにおける白内障の最も尤もらしい状態を推定する。例えば、図１２及び１３には、動画像データに含まれるフレーム５及び６が診断可能フレーム画像として抽出され、各フレームに対して、「１．８」及び「２．３」というＮＳグレードが推定された場合に、これらの推定結果に基づき、健康状態推定処理部３５４が、被検眼Ｅの最も尤もらしい健康状態として「２．１」というＮＳグレードの値を推定する場合の例が示されている。

　このとき、健康状態推定処理部３５４が、被検眼Ｅの最も尤もらしい健康状態を推定する方法としては、（１）各診断可能フレーム画像に対応するＮＳグレード推定値の平均を取る方法、及び、（２）各診断可能フレーム画像に関する推定結果の多数決をとる方法も考えられる。但し、本実施形態においては、健康状態推定処理部３５４が、各診断可能フレーム画像に対応するＮＳグレード推定値に基づきアンサンブル機械学習を実行し、被検眼Ｅの最も尤もらしい健康状態を推定するものとして説明を行う。具体的には、健康状態推定処理部３５４は、各診断可能フレーム画像に基づくＮＳグレード推定値に対して、診断可能フレーム抽出部３５２が算出した「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率による重み付けを行い、被検眼Ｅの最も尤もらしい健康状態を推定する。例えば、５枚のフレーム画像が診断可能フレーム画像として抽出され、各々に対してＮＳグレードの推定値が得られた場合に、健康状態推定処理部３５４は、［推定値, 確率（Ｄｉａｇｎｏｓａｂｌｅ）］＊５を入力としてＮＳグレード推定値を回帰することにより被検眼Ｅの最も尤もらしい健康状態を推定する。

　通常、分類器を用いて被検眼Ｅにおける白内障のＮＳグレードを推定する場合には、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率の高い診断可能フレーム画像に基づく推定値の方が、より該当確率の低い診断可能フレーム画像に基づく推定値よりも高い正答率を得られる。従って、上記構成により各診断可能フレーム画像について算出された「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率によりＮＳグレードの推定値に重み付けを行うことで、正答率の高い推定値の重みを大きくし、被検眼Ｅの最も尤もらしい健康状態を適切に推定して、診断支援情報の信頼度を向上させることができる。なお、診断支援情報の厳密な信頼性を求めない場合には、診断可能フレーム画像抽出処理において、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率の最も高くなったベストフレームのみに基づき、被検眼Ｅにおける白内障の状態を推定する構成を採用してもよい。また、ＮＳグレード以外の状態の推定方法に関しては、任意であり、例えば、多数決で決定してもよく、「Ｄｉａｇｎｏｓａｂｌｅ」に該当する確率の最も高くなった診断可能フレーム画像に基づく推定結果を利用するようにしてもよい。

（診断支援情報生成部３５５）
　診断支援情報生成部３５５は、診断支援情報生成プログラムに従った処理を実行することにより、健康状態推定処理部３５４による被検眼Ｅの健康状態の推定結果を含む診断支援情報を生成する。なお、本実施形態の健康状態推定処理部３５４は、例えば、本発明の「生成手段」及び「第２抽出手段」を構成する。

　特に、本実施形態に特徴的な事項として、診断支援情報生成部３５５は、診断可能フレーム抽出部３５２によって施された組織名のラベリングに基づき、被検眼Ｅにおける白内障の状態を最も認識しやすい診断可能フレーム画像を抽出し、当該診断可能フレーム画像を含む診断支援情報を生成する構成になっている。一般に、水晶体組織が最も大きく写り込んでいる診断可能フレーム画像は、白内障の状態を最も認識しやすい画像となる。このため、本実施形態において診断支援情報生成部３５５は、診断可能フレーム抽出部３５２において画素毎に組織名のラベリングされた診断可能フレーム画像に基づき、水晶体組織の写り込んでいる画素領域の面積が最も大きくなっている診断可能フレーム画像をユーザ提示用のフレーム画像（以下、「提示用フレーム画像」という。）として抽出する。そして、診断支援情報生成部３５５は、白内障の状態に関する推定結果及び当該提示用フレーム画像を含む診断支援情報を生成する。

　この構成により、本実施形態の診断支援システム１によれば、ユーザが最も白内障の状態を認識しやすい画像を含む診断支援情報を生成することができる。この結果、ユーザが患者に症状を説明し、又は、患者本人が自身の眼の健康状況をセルフチェックする際に、患者のＵＸを劇的に向上させることができる。

（診断支援情報配信部３５６）
　診断支援情報配信部３５６は、通信制御部３１０と連動して、診断支援情報生成部３５５によって生成された診断支援情報を動画像データのアップロード元の移動体通信端末装置１０に配信する。なお、本実施形態の診断支援情報配信部３５６は、通信制御部３１０と連動して、例えば、本発明の「配信手段」を構成する。また、診断支援情報配信部３５６が診断支援情報を配信する対象は、動画像データのアップロード元の移動体通信端末装置１０には限定されず、例えば、ユーザの利用する他の通信端末装置（例えば、ＰＣ）やユーザと無関係な通信端末装置（例えば、白内障研究機関の保有するコンピュータシステム等）であってもよい。

［Ａ６］診断支援システム１の動作
［Ａ６．１］診断用知識獲得処理
　次いで、図１４を参照しつつ、本実施形態の診断支援システム１において実行される診断用知識獲得処理について説明する。なお、図１４は、本実施形態の診断処理部３５０が、診断用知識獲得プログラム及び診断可能フレーム画像抽出プログラムに従い、移動体通信端末装置１０及びアノテーション用端末装置４０と連動しつつ実行する診断用知識獲得処理を示すフローチャートである。

　本処理に先立ち、抽出用知識記憶部３３２には、白内障用の診断可能フレーム画像を抽出するために必要な抽出用知識が予め記憶された状態になっているものとする。

　また、本実施形態の診断支援システム１において白内障の診断用知識を獲得する場合には、スマートアイカメラを用いて白内障用の診断可能フレーム画像を含む動画像を撮影することが必要となる。このため、本処理に先立ち、ユーザはスマートアイカメラを構成する近接撮影用装置２０Ａからカラーフィルター部材９７を取り外すとともに、凸レンズ部材９３及びスリット光形成部材６１を装着して、近接撮影用装置２０Ａを図５～７に示すような構成にしているものとする。

　この状態において、ユーザが移動体通信端末装置１０の図示せぬ操作部に対して所定の入力操作を行うと、移動体通信端末装置１０においては、診断用アプリに従い、カメラモジュールが起動される。この結果、移動体通信端末装置１０においては撮影中の画像とともに、「診断したい眼の黒目部分にスリット光ＳＬが当たるように調整し、開始ボタンを押して、２０～４０秒程度眼を撮影して下さい。このとき、スリット光の照射される角度を少しずつ変化させながら、黒目の部分をゆっくりスキャンするように撮影すると、正確に診断できる可能性が高まります。また、撮影を完了したら停止ボタンを押した後、送信ボタンを押して下さい。」等の操作手順を指示する文字列と、「撮影開始」、「停止」及び「送信」の各ボタンが表示部に表示される。なお、操作手順及び各ボタンは、撮影中の画像と重畳して表示してもよく、撮影画像と表示領域を分けて表示するようにしてもよい。さらに、操作手順は音声にて案内するようにしてもよい。

　そして、ユーザが表示部に表示された操作手順に従い、撮影開始ボタンを選択すると、移動体通信端末装置１０においては光源９２が発光して、スリット光ＳＬが前方向に照射されるとともに、カメラモジュールにおいて動画像の撮影が開始される。この状態でユーザが、被検眼Ｅの水晶体組織にスリット光ＳＬを照射させ、スリット光ＳＬの照射角度を変化させながら、スリット光ＳＬにより、ゆっくりと被検眼Ｅの黒目部分をスキャンすると、スリット光ＳＬの被検眼Ｅにおける反射光ＲＬを含む光が近接撮影用装置２０Ａの凸レンズ部材９３によって撮影用カメラレンズ９１に集光され、図１３に例示するような一連のフレーム画像を含む動画像データが生成される。このとき、移動体通信端末装置１０のカメラモジュールにおいてはオートフォーカス機構により水晶体組織に対して自動的にピントを合わせつつ、動画像が撮影されることとなるが、この点については従来のスマートフォン等の移動体通信端末装置と同様である。

　そして、ユーザが、操作手順に従い、例えば、２０～４０秒間程度被検眼Ｅの水晶体組織を撮影した後、停止ボタン、送信ボタンの順にボタンを選択する旨の入力操作を行うと、移動体通信端末装置１０は、診断用アプリに従い、撮影された動画像データを診断支援サーバ装置３０にアップロードする。

　このようにして移動体通信端末装置１０からアップロードされた動画像データが、診断支援サーバ装置３０の通信制御部３１０によって受信されると（ステップＳａ１）、診断処理部３５０においては、診断可能フレーム抽出部３５２が、抽出用知識記憶部３３２から抽出用知識を読み出す（ステップＳａ２）。そして、診断可能フレーム抽出部３５２は、診断可能フレーム画像抽出プログラムに従い、図１３に示す診断可能フレーム画像抽出処理を実行し、動画像データに含まれる診断可能フレーム画像を抽出して、ＲＯＭ／ＲＡＭ３２０に記憶させる（ステップＳａ３）。

　次いで、診断用知識獲得部３５３は、ＲＯＭ／ＲＡＭ３２０に記憶された全ての診断可能フレーム画像をアノテーション用端末装置４０に送信する（ステップＳａ４）。なお、診断用知識獲得部３５３がアノテーション用端末装置４０に診断可能フレーム画像を送信する際の形態に関しては任意であり、全てのアノテーション用端末装置４０に対して診断可能フレーム画像を同報送信するようにしてもよく、一部のアノテーション用端末装置４０に対してのみ全診断可能フレーム画像を送信する構成としてもよい。

　このようして動画像データから抽出された診断可能フレーム画像を受信すると、アノテーション用端末装置４０は、各診断可能フレーム画像とともに、例えば、「この画像に基づき白内障の診断結果を入力して下さい。」等の文字列と、診断結果を入力するためのＧＵＩを図示せぬモニタ上に表示させる。なお、この際の表示態様に関しては任意であり、モニタの表示領域を分けつつ、各表示領域に各々、別の診断可能フレーム画像と診断結果入力用ＧＵＩを対応付けて表示することにより、全診断可能フレーム画像に基づく診断用の画面を一度に表示するようにしてもよく、１枚ずつ診断可能フレーム画像を切り替えながら表示するようにしてもよい。

　この状態にて、アノテータとなる医師が表示された各診断可能フレーム画像に基づき白内障の有無やＮＳグレード、治療方法、手術の要否などの診断を行い、ＧＵＩに従って診断結果を入力すると、アノテーション用端末装置４０は、入力操作に応じて診断結果情報を生成する。そして、アノテーション用端末装置４０は、当該診断結果情報により該当する診断可能フレーム画像にタグ付けを行うことで各診断可能フレーム画像に対応する教師データを作成し、当該作成した教師データを診断支援サーバ装置３０に返信する。例えば、診断可能フレーム画像抽出処理において５枚の診断可能フレーム画像が抽出された場合に、アノテーション用端末装置４０は、各診断可能フレーム画像に対応する５つの教師データを作成して、診断支援サーバ装置３０に送信する。

　一方、診断支援サーバ装置３０においては、通信制御部３１０がアノテーション用端末装置４０から教師データを受信すると（ステップＳａ５「Ｙｅｓ」）、診断用知識獲得部３５３が、当該受信した教師デ－タを教師データ記憶部３３３に記憶させた後（ステップＳａ６）、教師データ記憶部３３３に記憶された教師データ数がα以上であるか否かを判定する（ステップＳａ７）。そして、教師データ数がαに満たない場合に（ステップＳａ７「Ｎｏ」）、診断用知識獲得部３５３は、処理を終了する。

　移動体通信端末装置１０から動画像データがアップロードされてくる度に診断処理部３５０においてはステップＳａ１～７の処理が繰り返し実行され、教師データ記憶部３３３に順次教師データが蓄積されていくこととなる。例えば、α＝１０００と設定し、該当確率の高い上位５フレームを診断可能フレーム画像として抽出する方法を採用する場合、１回目～１９９回目の動画像データアップロード時までは教師データ記憶部３３３に教師データが順次蓄積され、処理が終了する。一方、２００回目の動画像データアップロード時には、教師データ記憶部３３３に記憶された教師データ数がα（１０００）以上となるため、診断用知識獲得部３５３は、ステップＳａ７において「Ｙｅｓ」と判定し、教師データ記憶部３３３に蓄積された教師データに基づき機械学習及びデータマイニングの少なくとも一方を実行することにより診断用知識を獲得し（ステップＳａ８）、診断用知識記憶部３３４に記憶させ（ステップＳａ９）、処理を終了する。

［Ａ６．２］診断支援情報生成処理
　次いで、本実施形態の診断支援サーバ装置３０において実行される診断支援情報生成処理について、図１５を用いて説明する。なお、図１５は、診断処理部３５０が、診断支援情報生成プログラム及び診断可能フレーム画像抽出プログラムに従って移動体通信端末装置１０と連動しつつ実行する診断支援情報生成処理を示すフローチャートである。

　本処理に先立ち、抽出用知識記憶部３３２及び診断用知識記憶部３３４には、必要な知識が記憶済であるものとする。また、ユーザは、上記と同様にスマートアイカメラを構成する近接撮影用装置２０Ａを白内障用の診断可能フレーム画像を含む動画像を撮影可能な状態に構成済であるものとする。すなわち、近接撮影用装置２０Ａには、スリット光形成部材６１及び凸レンズ部材９３が装着されるとともに、カラーフィルター部材９７が取り外された状態に構成されているものとする。

　この状態において、ユーザが被検眼Ｅを撮影して、送信ボタンを選択し、移動体通信端末装置１０から動画像データがアップロードされると（ステップＳｂ１「Ｙｅｓ」）、診断処理部３５０においては、診断可能フレーム抽出部３５２が、抽出用知識記憶部３３２から抽出用知識を読み出した後（ステップＳｂ２）、診断可能フレーム画像抽出プログラムに従い、診断可能フレーム画像抽出処理を実行する。この結果、動画像データに含まれる診断可能フレーム画像が抽出され、各診断可能フレーム画像と対応付けて、該当する診断可能フレーム画像が「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率がＲＯＭ／ＲＡＭ３２０に記憶される（ステップＳｂ３）。

　次いで、健康状態推定処理部３５４は、診断用知識を読み出し（ステップＳｂ４）、ＲＯＭ／ＲＡＭ３２０に記憶された診断可能フレーム画像と診断用知識に基づき、健康状態推定処理を実行して（ステップＳｂ５）、被検眼Ｅにおける白内障の状態を推定する。このとき、健康状態推定処理部３５４は、図１２に示すように各診断可能フレーム画像毎に白内障の状態を推定する。そして、健康状態推定処理部３５４は、当該推定結果に対して確率による重み付けを行いつつ被検眼Ｅにおける白内障の最も尤もらしい状態を推定する。

　次いで、診断支援情報生成部３５５は、ＲＯＭ／ＲＡＭ３２０に記憶された診断可能フレーム画像から提示用フレーム画像を抽出し（ステップＳｂ６）、ステップＳｂ５における推定結果と当該提示用フレーム画像を含む診断支援情報を生成する（ステップＳｂ８）。診断支援情報配信部３５６は、このようにして生成された診断支援情報を、該当する移動体通信端末装置１０に配信して（ステップＳｂ９）、処理を終了する。

　以上説明したように本実施形態の診断支援システム１は、近接撮影用装置２０Ａを装着した状態の移動体通信端末装置１０（すなわち、スマートアイカメラ）により撮影された動画像から診断可能フレーム画像を抽出し、当該診断可能フレーム画像に基づき、被検眼Ｅにおける白内障の有無やＮＳグレード、治療方法、手術の要否等を推定するようになっている。そして、当該推定結果を含む診断支援情報を生成しつつ、該当する移動体通信端末装置１０に配信する構成となっている。この構成により、本実施形態の診断支援システム１は、高価な眼科診断用の画像撮影装置を利用することなく、素人が被検眼Ｅを撮影した場合であっても、被検眼Ｅにおける白内障の状態を適切に推定し、診断支援情報を生成して利用する事ができる。

　また、本実施形態の診断支援システム１においては、移動体通信端末装置１０にて撮影された動画像から診断可能フレーム画像のみを抽出し、アノテーション用端末装置４０において、アノテータ（医師）に提示することができる。従って、本実施形態の診断支援システム１は、診断用知識を獲得する際の医師の作業負担を軽減しつつ、教師データを作成して、診断用知識を獲得することができる。特に、本実施形態の診断支援システム１は、スマートアイカメラによって撮影された動画像を用いて、診断用知識を獲得する構成になっている。そして、動画像には、複数の診断可能フレーム画像が含まれる可能性が高いので、動画像データのサンプル数が少ない場合であっても、精度の高い診断用知識を獲得できる。なお、上記実施形態においては、アプリケーションプログラムを実行したＣＰＵにより診断支援サーバ装置３０の診断処理部３５０を構成する各部３５１～３５６の機能を実現する構成を採用したが、診断処理部３５０を構成する各部の機能は、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）やＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等のハードウェアによって実現することも当然可能である。

［Ａ７］第１実施形態の変形例
［Ａ７．１］変形例１
　上記第１実施形態においては、診断支援サーバ装置３０において、動画像データから診断可能フレーム画像を抽出しつつ（図１４ステップＳａ３）、当該抽出した診断可能フレーム画像をアノテーション用端末装置４０に送信して（ステップＳａ４）、アノテーション用端末装置４０から取得した教師データを教師データ記憶部３３３に記憶させる（ステップＳａ６）構成を採用した。しかし、診断支援サーバ装置３０が、移動体通信端末装置１０からアップロードされた動画像データを、そのままアノテーション用端末装置４０に送信し（ステップＳａ４）、アノテーション用端末装置４０から動画像に基づく医師の診断結果に対応する診断結果情報を取得して（ステップＳａ５）、診断支援サーバ装置３０において当該診断結果情報に基づき教師データを作成し、教師データ記憶部３３３に記憶させる構成としてもよい（ステップＳａ６）。

　この場合に、アノテーション用端末装置４０は、診断支援サーバ装置３０から受信した動画像データに基づき、被検眼Ｅを撮影した動画像と、診断結果入力用のＧＵＩと、を図示せぬモニタ上に表示させ、当該動画像に基づく診断結果を医師に入力させる構成とする。

　また、この場合に診断可能フレーム抽出部３５２は、診断可能フレーム画像抽出処理を実行し、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに分類された全てのフレーム画像を診断可能フレーム画像としてＲＯＭ／ＲＡＭ３２０に記憶させる。そして、診断用知識獲得部３５３は、ＲＯＭ／ＲＡＭ３２０に記憶された診断可能フレーム画像の全てに対して、アノテーション用端末装置４０から取得した診断結果情報によるタグ付けを行いつつ、教師データを作成して教師データ記憶部３３３に記憶させるようにする（ステップＳａ６）。このようにして、教師データ記憶部３３３に蓄積された教師データ数がα以上となった時点で（ステップＳａ７）、診断用知識獲得部３５３が、診断用知識を獲得して（ステップＳａ８）、診断用知識記憶部３３４に記憶させる構成を採用すればよい。本変形例の構成により、診断用知識獲得時のサンプル収集を容易化できるとともに、サンプル数を増やして診断用知識の精度を向上させることができる。

［Ａ７．２］変形例２
　上記第１実施形態においては、アノテーション用端末装置４０を診断支援サーバ装置３０と別体で設ける構成としたが、アノテーション用端末装置４０の機能を診断支援サーバ装置３０に統合し、アノテーション用端末装置４０を省略する構成としてもよい。この場合には、診断支援サーバ装置３０に図示せぬモニタやキーボード、マウス等を設け、診断可能フレーム抽出部３５２が抽出した診断可能フレーム画像を診断支援サーバ装置３０のモニタ上に表示させつつ、医師に診断結果を入力させるようにする。そして、当該入力結果に対応する診断結果情報により該当する診断可能フレーム画像に対してタグ付けを行い、教師データを作成する構成とすればよい。なお、この場合には、変形例１と同様に動画像を表示させつつ、医師に診断結果を入力させて、教師データを作成するようにしてもよい。

　また、診断支援サーバ装置３０を既存の眼科施設のコンピュータ（図示しない）と接続し、眼科施設のコンピュータをアノテーション用端末装置４０として利用し、アノテーション用端末装置４０を省略する構成としてもよい。この場合には、眼科施設のコンピュータから電子カルテのデータを取得して、当該データを追加の教師データとして活用してもよい。この構成を採用することにより、診断用知識の獲得に利用可能な教師データのサンプル数を増やして、診断用知識の質を向上させることができる。

［Ａ７．３］変形例３
　上記第１実施形態においては、診断可能フレーム抽出部３５２が、各フレーム画像においてピントの合っている組織に組織名のラベリングを施し、当該ラベリング後のフレーム画像の中から診断可能フレーム画像を抽出する構成を採用したが、診断可能フレーム抽出部３５２におけるラベリングの処理を行わない構成としてもよい。この場合には、ステップＳｂ６において任意の診断可能フレーム画像を提示用フレーム画像として抽出するようにしてもよく、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率の最も高い診断可能フレーム画像を提示用フレーム画像として抽出するようにしてもよい。さらには、提示用フレーム画像を含まない診断支援情報を生成して（ステップＳｂ７）、配信するようにしてもよい。

［Ａ７．４］変形例４
　上記第１実施形態においては、移動体通信端末装置１０にて撮影された二次元の動画像に基づき、被検眼Ｅにおける白内障の有無やＮＳグレード、治療方法、手術の要否等を推定する構成を採用したが、診断可能フレーム抽出部３５２において、動画像データに基づき三次元画像を構築し、当該構築した三次元画像に基づき、被検眼Ｅにおける白内障の状態を推定する構成としてもよい。

　移動体通信端末装置１０のカメラモジュールを用いて被検眼Ｅの動画像を撮影する場合には、カメラモジュールのオートフォーカス機構によりフレーム画像毎にピントを合わせつつ、動画像が撮影されることとなる。このとき、各フレーム画像は、各々、異なる焦点距離にてピントが合った状態で撮影される。従って、各フレーム画像においてピントの合っている組織は、各々、移動体通信端末装置１０の撮影用カメラレンズ９１との距離が少しずつ異なったものとなる。

　特に、観察光としてスリット光ＳＬを用いる場合には、スリット光ＳＬを斜め方向から被検眼Ｅに入射させることで、被検眼Ｅをスリット光ＳＬで断面方向に切りつつ、被検眼Ｅの断面方向の情報を含む動画像を撮影できる。この場合に、各フレーム画像においてピントの合っている組織は、各々、撮影用カメラレンズ９１からの距離が異なったものとなる。従って、各フレーム画像を焦点距離に応じて、順番に積層することにより被検眼Ｅの前眼部組織の断面方向の情報を含む三次元画像を構築することができる。なお、この場合には、診断可能フレーム画像のみを積層して三次元画像を構築することが望ましい。但し、必ずしも診断可能フレーム画像のみを用いる必要はなく、診断可能フレーム画像以外のフレーム画像も積層して三次元画像を構築するようにしてもよい。また、この場合に、診断可能フレーム抽出部３５２は、本発明の「三次元画像構築手段」を構成する。さらに、この場合にスリット光ＳＬ以外の光を観察光として用いて、被検眼Ｅの表面における凹凸等の情報を含む三次元画像を構築することも可能である。すなわち、本変形例において、被検眼Ｅの観察に用いる観察光はスリット光ＳＬに限定されない。

　この方法により構築された三次元画像は、被検眼Ｅの白内障の状態推定に利用できる他、提示用フレーム画像として利用することができる。一方、三次元画像を用いて被検眼Ｅの健康状態を推定する場合には、診断用知識として三次元画像に基づき被検眼Ｅにおける白内障の状態を推定するための知識を利用する必要がある。

　このため、本方法を採用する場合、診断可能フレーム抽出部３５２は、図１４のステップＳａ３において診断可能フレーム画像を抽出するとともに、三次元画像を構築して、当該三次元画像をＲＯＭ／ＲＡＭ３２０に記憶させる。そして、診断用知識獲得部３５３は、ステップＳａ４において、ＲＯＭ／ＲＡＭ３２０に記憶された三次元画像をアノテーション用端末装置４０に送信するようにする。一方、アノテーション用端末装置４０は、受信した三次元画像を表示させつつ、三次元画像に基づく医師の診断結果に基づき、当該三次元画像に対して診断結果情報によるタグ付けを行うことで教師データを作成し、診断支援サーバ装置３０に送信する構成にすればよい。

　また、この場合に、診断支援サーバ装置３０の診断用知識獲得部３５３は、通信制御部３１０がアノテーション用端末装置４０から教師データを受信すると（図１４ステップＳａ５）、当該教師データを教師データ記憶部３３３に記憶させる（図１４ステップＳａ６）。移動体通信端末装置１０から動画像データがアップロードされてくる度に、診断可能フレーム抽出部３５２が、三次元画像を構築しつつ、当該構築した三次元画像に基づく教師データを順次教師データ記憶部３３３に蓄積するようにする。そして、教師データ記憶部３３３に記憶済の教師データ数がα以上となった時点で（図１４ステップＳａ７「Ｙｅｓ」）、教師データ記憶部３３３に記憶された教師データ（すなわち、診断結果情報によりタグ付けされた三次元画像）に基づき、診断用知識獲得部３５３が機械学習及びデータマイニングの少なくともいずれか一方を実行し、三次元画像に基づく白内障の診断用知識を獲得して（図１４ステップＳａ８）、診断用知識記憶部３３４に記憶させる（図１４ステップＳａ９）構成とすればよい。

　このようにして、三次元画像に基づく白内障の診断用知識が獲得されると、後に移動体通信端末装置１０から動画像データがアップロードされてきた際に、診断処理部３５０においては、基本的に図１５と同様の診断支援情報生成処理が実行されることにより、診断支援情報が生成され（図１５ステップＳｂ７）、該当する移動体通信端末装置１０に配信されることとなる（図１５ステップＳｂ８）。

　また、この場合に、診断可能フレーム抽出部３５２は、ステップＳｂ３の診断可能フレーム画像抽出処理において、移動体通信端末装置１０からアップロードされた動画像データから診断可能フレーム画像を抽出するとともに、三次元画像を構築して、ＲＯＭ／ＲＡＭ３２０に記憶させる。そして、ステップＳｂ５において診断支援情報生成部３５５は、診断用知識記憶部３３４に記憶された三次元画像に基づく白内障の診断用知識とＲＯＭ／ＲＡＭ３２０に記憶された三次元画像に基づき、被検眼Ｅにおける白内障の状態を推定するようにする。

　さらに、この場合に診断支援情報生成部３５５は、ＲＯＭ／ＲＡＭ３２０に記憶された三次元画像を提示用フレーム画像としつつ（ステップＳｂ６）、診断支援情報を生成し（ステップＳｂ７）、該当する移動体通信端末装置１０に配信する（ステップＳｂ８）。この結果、移動体通信端末装置１０においては、被検眼Ｅにおける白内障の有無やＮＳグレード推定値、治療方法、手術の要否に関する推定結果とともに、三次元画像がユーザに閲覧可能な状態にて表示されることとなる。なお、この場合においても、提示用フレーム画像は、三次元画像ではなく、水晶体組織の写り込んでいる画素領域の面積が最も大きい診断可能フレーム画像を抽出して利用するようにしてもよい。通常、三次元画像には、平面画像よりも多くの情報が含まれる。従って、本変形例の構成により、被検眼Ｅの白内障の状態の推定精度を向上させ、診断支援情報の信頼度を向上させることができるとともに、三次元画像を含む診断支援情報をユーザに提示できるのでユーザのＵＸを格段に向上させることができる。

［Ａ７．５］変形例５
　上記第１実施形態においては、スマートアイカメラを構成する近接撮影用装置２０Ａにスリット光形成部材６１及び凸レンズ部材９３を装着するとともに、カラーフィルター部材９７を取り外し、スリット光ＳＬを観察光として被検眼Ｅに照射した状態で被検眼Ｅを撮影することにより、被検眼Ｅにおける白内障の状態を推定する構成を採用するものであった。これに対して本変形例は、白内障以外の疾患の有無やその重症度等の推定を行うためのものである。

　ここで、被検眼Ｅにおける白内障以外の疾患の有無やその重症度等を推定するためには、当該疾患の診断に利用可能な診断可能フレーム画像を１以上含む動画像をスマートアイカメラにより撮影することが必要となる。従って、この場合にユーザは、重症度等の推定対象となる疾患に応じて近接撮影用装置２０Ａの構成を変化させつつ、被検眼Ｅの動画像を撮影することが必要となる。以下、各疾患についての状態推定方法について具体的に説明する。

［Ａ７．５．１］前房組織に発症する虹彩炎やぶどう膜炎等の疾患の状態推定方法
　被検眼Ｅの前房組織に発症する虹彩炎やぶどう膜炎等の発症の有無やその重症度を推定する場合には、上記第１実施形態と同様に、近接撮影用装置２０Ａによりスリット光ＳＬを発生させ、当該スリット光ＳＬを観察光として被検眼Ｅの前房組織に照射した状態にて、スリット光ＳＬの前房組織における反射光ＲＬを含む光を凸レンズ部材９３により撮影用カメラレンズ９１に集光して、これら疾患に対応する診断可能フレーム画像を１以上含む動画像を撮影することが必要となる。従って、この場合には、第１実施形態と同様に、スマートアイカメラを構成する近接撮影用装置２０Ａに対してスリット光形成部材６１及び凸レンズ部材９３を装着するとともに、カラーフィルター部材９７を取り外し、近接撮影用装置２０Ａを図５～７に示すような構成としつつ、被検眼Ｅの動画像を撮影することが必要となる。

　また、この場合、抽出用知識記憶部３３２には、虹彩炎やぶどう膜炎に対応する診断可能フレーム画像を抽出するための抽出用知識を予め記憶させるようにする。なお、この場合に診断可能フレーム画像に該当するための条件は、スリット光ＳＬの照射対象組織が水晶体組織ではなく前房組織となる点以外は白内障診断用の診断可能フレーム画像と同様である。

　また、この場合に虹彩炎用又はぶどう膜炎用の診断用知識は、基本的に図１４と同様の知識獲得処理によって獲得されることとなるが、この際における処理は、診断用知識の取得対象となる疾患が白内障ではなく、虹彩炎又はぶどう膜炎となる点以外は、上記第１実施形態と同様となるので、詳細を省略する。

　そして、診断用知識記憶部３３４に虹彩炎用又はぶどう膜炎用の診断用知識が記憶された状態にて、移動体通信端末装置１０から動画像データがアップロードされてくると、診断処理部３５０においては、基本的に図１５と同様の診断支援情報生成処理によって診断支援情報が生成され（ステップＳｂ７）、該当する移動体通信端末装置１０に配信されることとなる（ステップＳｂ８）。なお、この際における処理は、診断用知識獲得処理と同様に対象疾患が白内障ではなく、虹彩炎又はぶどう膜炎となる点以外は、上記第１実施形態と同様である。

［Ａ７．５．２］眼瞼組織に発症する霰粒腫や麦粒腫、角膜組織や結膜組織に発症するアレルギー性結膜炎、流行性角結膜炎、円錐角膜、角膜混濁等の疾患の状態推定方法
　眼瞼組織に発症する霰粒腫や麦粒腫、角膜組織や結膜組織に発症するアレルギー性結膜炎・流行性角結膜炎・円錐角膜・角膜混濁等の疾患の有無やその重症度を推定する場合、これら疾患に対応する診断可能フレーム画像を含む動画像をスマートアイカメラにより撮影する必要がある。ここで、これら疾患に対応する診断可能フレーム画像を含む動画像の撮影方法としては、以下の二通りの方法がある。
＜撮影方法１＞
この撮影方法は、スマートアイカメラを構成する近接撮影用装置２０Ａを上記第１実施形態と同様の構成（図５～７）としつつ、観察光としてのスリット光ＳＬを被検眼Ｅに照射させながら、被検眼Ｅの動画を撮影する方法である。
＜撮影方法２＞
この撮影方法は、スマートアイカメラを構成する近接撮影用装置２０Ａに対して凸レンズ部材９３を装着するとともに、カラーフィルター部材９７及びスリット光形成部材６１を取り外し、光源９２から出射される光源光（白色拡散光）が、そのままの状態で穴８８及び９５を通過して前方向に照射される状態を作り出し、当該白色拡散光を観察光として被検眼Ｅに照射させた状態で、被検眼Ｅの動画像を撮影する方法である。

　但し、この場合には、診断可能フレーム画像に該当するための条件が、撮影方法１を採用した場合と、撮影方法２を採用した場合と、で異なっており、撮影方法１を採用する場合における条件は、基本的に白内障の場合と同様であるが、スリット光ＳＬの照射対象が眼瞼、眼表面等、水晶体以外の組織となる。これに対して、撮影方法２を採用する場合における条件は、白色拡散光が観察光として照射された状態の観察対象組織の少なくとも一部とともに白色拡散光の反射光ＲＬが写り込んだピントの合っているフレーム画像となる。

　従って、これら疾患の状態を推定する場合には、利用する撮影方法を予め定めておき、当該撮影方法に対応する抽出用知識を抽出用知識記憶部３３２に記憶させるようにする。なお、各撮影方法に対応する複数の抽出用知識を予め抽出用知識記憶部３３２に記憶させておき、ユーザの選択した撮影方法に応じて利用する抽出用知識を切り替えて、診断可能フレーム画像を抽出する構成を採用することも可能である。この場合には、診断用アプリ上で利用する撮影方法をユーザに指定させ、移動体通信端末装置１０から動画像データとともに撮影方法を示す情報をアップロードするようにする。そして、診断可能フレーム画像抽出処理において、診断可能フレーム抽出部３５２は、当該情報に基づき、利用する抽出用知識を切り替えつつ診断可能フレーム画像を抽出する構成とすればよい。

　また、この場合にこれら疾患に対応する診断用知識は、いずれの撮影方法を採用する場合であっても基本的に図１４と同様の診断用知識獲得処理によって獲得されることとなるが、この際における処理は、診断用知識の取得対象となる疾患が白内障ではなく、霰粒腫や麦粒腫、角膜組織や結膜組織に発症するアレルギー性結膜炎・流行性角結膜炎・円錐角膜・角膜混濁等となる点以外は、上記第１実施形態と同様であるため、詳細を省略する。

　そして、診断用知識記憶部３３４にこれら疾患用の診断用知識が記憶された状態にて、移動体通信端末装置１０から動画像データがアップロードされてくると、診断処理部３５０は、基本的に図１５と同様の診断支援情報生成処理によって診断支援情報を生成し（ステップＳｂ７）、該当する移動体通信端末装置１０に配信することとなる（ステップＳｂ８）。なお、この際における処理は、診断用知識獲得処理と同様に対象疾患が白内障ではなく、霰粒腫や麦粒腫、アレルギー性結膜炎・流行性角結膜炎・円錐角膜・角膜混濁等となる点以外は、上記第１実施形態と同様である。

　また、本構成を採用する場合、スマートアイカメラにより撮影された動画像には、複数の疾患の診断に利用可能な診断可能フレーム画像が含まれる可能性がある。このとき、何の疾患を対象とするのかはユーザが移動体通信端末装置１０にて指定するようにしてもよく、複数の疾患の状態を一度に推定するようにしてもよい。なお、複数の疾患の状態を一度に推定する方法に関しては、変形例６の項において詳述する。

［Ａ７．５．３］点状表層角膜炎や角膜潰瘍等の疾患の状態推定方法
　点状表層角膜炎や角膜潰瘍等の疾患の有無やその重症度を推定する場合には、角膜に生じた傷の状態を診断可能なフレーム画像を含む動画像をスマートアイカメラにより撮影することが必要となる。このため、この場合には、スマートアイカメラを構成する近接撮影用装置２０Ａに対して生体染色検査用ブルーフリーフィルターにより構成されるカラーフィルター部材９７及び凸レンズ部材９３を装着するとともに、スリット光形成部材６１を取り外して、近接撮影用装置２０Ａを図３（Ｂ）に示すような構成とする。そして、光源９２から出射される光源光をカラーフィルター部材９７により青色光へと変化させ、当該青色光を観察光として被検眼Ｅに照射した状態で、被検眼Ｅの動画像を撮影する。また、このとき、被検眼Ｅに造影用のフルオレセイン溶液を点眼することにより、角膜や結膜に生じた傷を緑に変えて、その緑の光を、撮影用カメラレンズ９１を通してイメージセンサで受光することによって被検眼Ｅの角膜及び結膜に生じた傷を撮影する。

　そして、この場合に、抽出用知識記憶部３３２には、予め点状表層角膜炎や角膜潰瘍等の疾患の診断に利用可能な診断可能フレーム画像を抽出するための抽出用知識を記憶させる。なお、この場合に、診断可能フレーム画像に該当するための条件は、観察光として青色光が照射された状態の観察対象組織の少なくとも一部とともに観察対象組織における青色光の反射光ＲＬが写り込んだピントの合っているフレーム画像となる。従って、この場合に抽出用知識記憶部３３２には、当該条件を満たすフレーム画像を抽出するための抽出用知識を予め記憶させる必要がある。

　また、この場合に点状表層角膜炎や角膜潰瘍等の疾患に対応する診断用知識は、基本的に図１４と同様の診断用知識獲得処理によって獲得されることとなるが、この際における処理は、獲得する診断用知識の対象疾患が白内障ではなく、点状表層角膜炎や角膜潰瘍等となる点以外は、上記第１実施形態と同様である。

　そして、診断用知識記憶部３３４に点状表層角膜炎や角膜潰瘍等の疾患用の診断用知識が記憶された状態にて、移動体通信端末装置１０から動画像データがアップロードされてくると、診断処理部３５０は、基本的に図１５と同様の診断支援情報生成処理によって診断支援情報を生成し（ステップＳｂ７）、該当する移動体通信端末装置１０に配信することとなる（ステップＳｂ８）。なお、この際における処理は、診断用知識獲得処理と同様に対象疾患が白内障ではなく、点状表層角膜炎や角膜潰瘍等の疾患となる点以外は、上記第１実施形態と同様である。また、この場合においても、スマートアイカメラにより撮影された動画像には、複数の疾患の診断に利用可能な診断可能フレーム画像が含まれる可能性がある。このとき、何の疾患を対象とするのかはユーザが移動体通信端末装置１０にて指定するようにしてもよく、複数の疾患の状態を一度に推定するようにしてもよい。

［Ａ７．５．４］ドライアイ疾患（ｄｒｙ　Ｅｙｅ　ｄｉｓｅａｓｅ、ＤＥＤ）の状態推定方法
　被検眼ＥにおけるＤＥＤの状態を推定する場合には、角膜や結膜に生じた傷の状態と眼表面における涙の状態を観察することが必要となる。このため、この場合には、上記点状表層角膜炎等の状態推定時と同様にスマートアイカメラを構成する近接撮影用装置２０Ａに生体染色検査用ブルーフリーフィルターにより構成されるカラーフィルター部材９７及び凸レンズ部材９３を取り付け、光源９２から出射される光源光をカラーフィルター部材９７により青色光へと変化させ、当該青色光を観察光として被検眼Ｅに照射した状態で被検眼Ｅの観察対象組織を撮影するようにする。また、この場合、被検眼Ｅにフルオレセイン溶液を点眼して傷を造影しつつ被検眼Ｅの眼表面、角膜及び結膜を撮影することが必要となる。

［Ａ７．５．４．１］スマートアイカメラを用いたＤＥＤ診断の検証結果について
　上記構成のスマートアイカメラによってＤＥＤの診断が可能か否か検証するため、本発明者は、凸レンズ部材９３及びカラーフィルター部材９７を取り付けた近接撮影用装置２０Ａを装着した移動体通信端末装置１０（スマートフォン）により観察を行い、ＤＥＤ観察に関する既存の装置との比較を行った。なお、本検証においては、近接撮影用装置２０Ａとして上記白内障の検証に利用したｉｐｈｏｎｅ７（登録商標）用に設計したものと同様の構成のものに対してアクリル樹脂製青色フィルター（ＰＧＺ　３０２Ｋ　３０２、クラレ株式会社製）により構成されるカラーフィルター部材９７を装着したものを用いた。

　また、本検証においては検証例１として、移植片対宿主病（ＧＶＨＤ：ｇｒａｆｔ－ｖｅｒｓｕｓ－ｈｏｓｔ　ｄｉｓｅａｓｅ）関連のＤＥＤマウスモデルにおいて、検証用の近接撮影用装置２０Ａを装着した移動体通信端末装置１０と既存装置の各々で撮影した画像を比較し、マウスモデルの涙液層破壊時間（Ｔｅａｒ　ｆｉｌｍ　ｂｒｅａｋ－ｕｐ　ｔｉｍｅ、ＴＦＢＵＴ）を含む眼の検査を行った。また、検証例２として、ＤＥＤ患者とＤＥＤのない正常者の合計４２人に対して、ＤＥＤの診断基準であるＴＦＢＵＴ測定を行った。なお、ＴＦＢＵＴは、ＤＥＤの診断に使用される必須パラメーターである。

［検証例１］
　ＤＥＤは、涙液量の減少、涙液膜の急速な崩壊、及び涙液の蒸発増加が原因であり、ＴＦＢＵＴはＤＥＤの核となるメカニズムの１つである。過去のＤＥＤの研究としては、ＤＥＤマウスモデルが検討されているが、ヒトのＴＦＢＵＴを測定するための方法は、そのＤＥＤマウスモデルでは確立されていない。マウスモデルでのＴＦＢＵＴ評価をそのままヒトに適用できない理由はいくつかある。第１に、マウスの角膜の幅はわずか２～３ｍｍであり、そのサイズが小さく、ヒトに適用するには焦点調節が困難であること。第２に、既存の眼科臨床用スリットランプ顕微鏡は、前眼部（眼瞼、眼表面、角膜、結膜、前房及び水晶体の各組織）の検査に用いられるが、その装置は大きく、容易に移動できないとともに、それ自体が画像の記録機能を持っていないこと。第３に、既存のスリットランプ顕微鏡は高価であり、費用対効果が低いこと。これらの問題を回避するために、ＤＥＤマウスモデルにおける診断のための涙液分泌（ＴＳ）及び角膜フルオレセインスコア（ＣＦＳ）の使用法が増加している。しかしながら、そうしたＤＥＤマウスモデルにおいても、ヒトにも容易に適用可能な装置はまだ確立されていない。

　検証例１に関して、上記構成の近接撮影用装置２０Ａを装着した移動体通信端末装置１０（スマートアイカメラ）により撮影した画像を図１６に示す。なお、図１６の上段は、白色光を当てた眼の代表的な写真であり、下段はフルオレセイン染色像を示す代表的な写真である。図１６の左列の画像は、既存装置で撮影した画像例であり、右列の画像は、上記構成の近接撮影用装置２０Ａを装着した移動体通信端末装置１０を使用して撮影した画像例である。なお、既存装置としては、ＤＥＤマウスモデルの眼を評価するために広く使用されているものを使用し、具体的には、オリンパス株式会社製の顕微鏡（製品名：ＳＺ６１）、カメラ（製品名：ＤＰ７０）、光源（製品名：ＬＧ－ＰＳ２）で構成されたものを用い、検証例２においては、比較用の既存装置として携帯型スリットランプ顕微鏡（製品名：ＳＬ－１５、Ｋｏｗａ　Ｃｏｍｐａｎｙ　Ｌｉｍｉｔｅｄ）を使用した。

（マウスＧＶＨＤ群関連ＤＥＤモデル）
　ＤＥＤマウスモデルについては、臨床例と同様にＧＶＨＤ群関連ＤＥＤの表現型を再現するＺｈａｎｇの方法を選択した。使用したＢ１０．Ｄ２及びＢＡＬＢ／ｃＣｒＳｌｃ（ＢＡＬＢ／ｃ）マウス（７週齢）は、三共研究所（日本国東京）から購入した。１週間ＳＰＦ環境に順応した後、マウスを３つの群に分けた（１群あたり５匹のマウス）。ＤＥＤ（ＧＶＨＤ群モデル）群については、同種骨髄移植（ＢＭＴ）をドナー及びレシピエントのために８週齢のオスのＢ１０．Ｄ２及びメスのＢＡＬＢ／ｃマウスを用いて行った。陰性対照（非ＧＶＨＤ群）については、同系ＢＭＴを、オスのＢＡＬＢ／ｃマウスからメスのＢＡＬＢ／ｃマウスにドナー細胞を移植することによって実施した。ＢＭＴの６時間前にＧａｍｍａｃｅｌ　１３７Ｃｓ線源（Ｈｉｔａｃｈｉ　Ｍｅｄｉｃｏ　Ｌｔｄ．）を用いて、これらのレシピエントマウスに７００ｃＧｙを照射し、次いでドナー細胞に尾静脈注射を介して注射した。健康な対照（正常群対照）については、同齢の雌ＢＡＬＢ／ｃマウスを選択した。

　３つのマウスモデル（ＧＶＨＤ群、非ＧＶＨＤ群、及び正常群対照）を比較のために使用した。このＤＥＤマウスモデルにおけるＤＥＤ表現型は、ＢＭＴの３週間後に現れるので、体重、ＴＦＢＵＴ、角膜フルオレセインスコア（ＣＦＳ）、ＴＳ等の眼球表現型を週１回、ＢＭＴ前（８週齢）から１２週齢まで収集した。なお、スマートアイカメラで記録されたすべての撮影データは、ブルートゥース（登録商標）を介してｉＭａｃ（米国アップル社）に手動で転送し、安全な保存のためにｍｐ４ビデオデータに変換した。

（涙液層破壊時間の評価）
　安定性は、涙液層破壊時間（ＴＦＢＵＴ）を用いて測定した。観察者は片手でマウスを握り、次にマイクロピペットを使用して１μＬの０．５％フルオレセインナトリウムを結膜嚢に注入した。３回点眼した後、観察者は、上記近接撮影用装置２０Ａを装着した移動体通信端末装置１０を右手で使用し、眼の画像を撮影した。本手法と既存の手法とを比較するために、既存装置で取得したＴＦＢＵＴを従来の方法で評価した。

（角膜フルオレセインスコアの評価）
　角膜上皮損傷は、フルオレセイン点眼後９０秒で評価された角膜フルオレセインスコア（ＣＦＳ）を用いて評価した。各角膜を４つの象限に分割し、そして個々に記録した。ＣＦＳは、４段階評価を用いて計算した。評価１は、「＜３０スポット」でわずかに点状の染色を示した場合とし、評価２は、「＞３０スポット」で点状染色して拡散しない場合とし、評価３は、重度のびまん性染色があるが陽性プラークはない場合とし、評価４は、フルオレセイン陽性プラークの場合とした。

（涙液分泌の評価）
　涙液の分泌（ＴＳ）は、修正シルマー試験を用いて測定した。フェノールレッドスレッドを１５秒間上眼瞼縁の側頭側に置いた。端からの湿った部分の長さは０．５ｍｍ以内であった。

（データ分析）
　データ分析は、Ｐｒｉｓｍソフトウェア（バージョン６．０４のマック；ＧｒａｐｈＰａｄ　Ｓｏｆｔｗａｒｅ、Ｉｎｃ．米国）で行った。データが正規分布を示しているかどうかを評価するために、Ｄ’Ａｇｏｓｔｉｎｏ－Ｐｅａｒｓｏｎ　ｏｍｎｉｂｕｓ正規性検定を使用した。体重とＴＦＢＵＴ、ＣＦＳ、及びＴＳを含むいくつかのパラメーターの正常と目的（ＧＶＨＤ群と非ＧＶＨＤ群）の違いを比較するために、マン－ホイットニーＵ検定を使用した。既存の手法とスマートアイカメラによって評価された結果の違いを比較するために、ウィルコクソンの符号付き順位検定を使用した。スマートアイカメラによって撮影された３人の異なる眼科専門家によるＴＦＢＵＴ評価の違いを比較するために、フリードマン検定を使用した。Ｌｉｎの一致相関係数は、既存の技術とスマートアイカメラを使用して、ＴＦＢＵＴとＣＦＳの間の可能な相関関係を評価するために使用した。データは、平均±標準偏差（ＳＤ）として表し、０．０５未満のＰ値を統計的に有意と見なした。

［結果］
（体重）
　図１７（Ａ）は、マウスの週齢と体重の関係を測定したグラフであり、図１７（Ｂ）は、グループ別の体重の経過（緑：正常群、青：非ＧＶＨＤ群、赤：ＧＶＨＤ群）についての表である。マウスのマウスモデルにおけるスマートアイカメラの適用性を検証するために、最初に骨髄移植（ＢＭＴ）について評価した。図１７の結果より、マウスの体重は、初めに各群について調整されたため、ＢＭＴ（８週齢）前の正常群、非ＧＶＨＤ群、及びＧＶＨＤ群の間に体重の差はない。しかしながら、９週齢及び１０週齢の非ＧＶＨＤ群及びＧＶＨＤ群では、正常群と比較して体重が有意に減少した。その結果として、９週齢ではＰ＝０．０１６及び０．０１６であり、１０週齢ではＰ＝正常群対非ＧＶＨＤ群及び正常群対ＧＶＨＤ群についてそれぞれ＝０．０１６及び０．０３２であった。体重は、１１週齢及び１２週齢の正常群における体重と比較した場合、ＧＶＨＤ群の１１週齢及び１２週齢においてそれぞれＰ＝０．０３２及び０．０３２であり、ＧＶＨＤ群においてのみ減少した。

（涙液分泌量）
　図１８（Ａ）は、マウスの週齢と涙液分泌量（ＴＳ：Ｔｅａｒ　Ｓｅｃｒｅｔｉｏｎ）の関係を測定したグラフであり、図１８（Ｂ）は、グループ別の連続涙液分泌（ＴＳ）の経過（緑：正常群、青：非ＧＶＨＤ群、赤：ＧＶＨＤ群）についての表である。ＴＳの有意差は、９～１２週齢で、正常群と非ＧＶＨＤ群、正常群とＧＶＨＤ群の間で観察した。さらに、１２週齢で、ＴＳはＧＶＨＤ群では非ＧＶＨＤ群と比較して有意に短かった。１群あたりＮ＝５とし、有意（Ｐ＜０．０５）の評価は、マン－ホイットニーＵ検定で行った。

　図１８の結果より、ＴＳは、体重としてＢＭＴ前には何の差もなかったが、９～１２週齢の正常群と比較して非ＧＶＨＤ群とＧＶＨＤ群ではこれらの値が有意に減少した。正常群対非ＧＶＨＤ群、及び、正常群対ＧＶＨＤ群は、ぞれぞれ、９週齢ではＰ＝０．００８及び０．０１６であり、１０週齢ではＰ＝０．００８及び０．００８であり、１１週齢ではＰ＝０．０１６及び０．０２４であり、１２週齢ではＰ＝０．００８及び０．００８であった。さらに、１２週齢でのＧＶＨＤ群のＴＳ量は１．６５±１．０１であり、非ＧＶＨＤ群の３．７０±０．３３と比較して有意に低かった。また、その際の非ＧＶＨＤ群対ＧＶＨＤ群は、Ｐ＝０．００８であった。

（涙液層破壊時間）
　図１９（Ａ）は、マウスの週齢と液層破壊時間（ＴＦＢＵＴ）の関係を測定したグラフであり、図１９（Ｂ）は、グループ別の涙液層破壊時間の経過（緑：正常群、青：非ＧＶＨＤ群、赤：ＧＶＨＤ群）についての表である。有意差は、１群あたりｎ＝５とし、Ｐ＜０．０５を有意とするマン－ホイットニーＵ検定で行った。ＴＦＢＵＴは、右眼で評価した。

　ＴＦＢＵＴは、ＢＭＴ（８週齢）前の正常群、非ＧＶＨＤ群及びＧＶＨＤ群の間での差は観察されなかった。しかしながら、ＴＦＢＵＴは、１０～１２週齢の正常群と比較した場合、ＧＶＨＤ群では有意に減少した（１０週齢、１１週齢及び１２週齢で、それぞれＰ＝０．０２４、０．００８、及び０．００８）。ＴＦＢＵＴは、１１週齢の正常群と比較した場合、非ＧＶＨＤ群でも減少した（正常群対非ＧＶＨＤ群は、５．８０±０．８４対４．００±０．７１であり、Ｐ＝０．０２４）。さらに、ＢＭＴ後群と比較した場合、ＧＶＨＤ群は、１１週齢及び１２週齢で非ＧＶＨＤ群よりも有意に短いＴＦＢＵＴを有した（１１週齢及び１２週齢でそれぞれＰ＝０．０４０及び０．００８）。

　図２０は、フルオレセイン溶液によって染色された連続的な涙液膜写真を示す。このように、涙液層の破壊が観察された。図２０の上段は、涙液層が３秒で割れた（ＴＦＢＵＴ＝３秒）ＧＶＨＤ群の例であり、図２０の下段は、涙液膜が３秒で安定化し、６秒で崩壊（ＴＦＢＵＴ＝６秒）した正常群の例である。写真は１２週齢の雌ＢＡＬＢ／ｃマウスの右眼である。これらの結果は、スマートアイカメラがＧＶＨＤ群ＤＥＤマウスモデルの連続ＴＦＢＵＴを評価できることを示している。

（連続角膜フルオレセインスコア）
　図２１（Ａ）は、マウスの週齢と連続角膜フルオレセインスコア（ＣＦＳ）の関係を測定したグラフであり、図２１（Ｂ）は、グループ別のＣＦＳの経過（緑：正常群、青：非ＧＶＨＤ群、赤：ＧＶＨＤ群）についての表である。有意差は、１群あたりｎ＝５とし、Ｐ＜０．０５を有意とするマン－ホイットニーＵ検定で行った。ＣＦＳは、右眼で評価した。

　９週齢、１１週齢及び１２週齢の正常群と比較した場合、図２１（Ｂ）に示すように、ＧＶＨＤ群において有意差が観察された（それぞれＰ＝０．００８、０．００８、及び０．０３２）。非ＧＶＨＤ群は正常群よりＣＦＳの高い傾向を示し、ＧＶＨＤ群は非ＧＶＨＤ群より高い傾向を示したが、これは統計的有意性に達しなかった（全てＰ＞０．０５）。この結果から、ＧＶＨＤ群のＤＥＤマウスモデルでは、連続ＣＦＳもスマートアイカメラで評価できることが確認できた。

（既存装置との比較）
　図２２は、スマートアイカメラと既存技術について、ＴＦＢＵＴとＣＦＳの測定結果を比較した結果であり、（Ａ）はＴＦＢＵＴについてのグラフであり、（Ｂ）はＣＦＳについてのグラフであり、緑：正常群、青：非ＧＶＨＤ群、赤：ＧＶＨＤ群である。図２１（Ｃ）は、これらをまとめた表である。有意差は、１群あたりｎ＝５とし、Ｐ＜０．０５を有意とするマン－ホイットニーＵ検定で行っている。

　各グラフで２本の棒が並んでいる。この結果から通常の非ＧＶＨＤ群とＧＶＨＤ群では、既存装置とスマートアイカメラの使用に大きな違いがないことがわかる。そして、ＴＦＢＵＴについて、スマートアイカメラで得られた結果と携帯型スリットランプ顕微鏡（既存装置）で得られた結果より、正常群対照、非ＧＶＨＤ群、及び、ＧＶＨＤ群の間に有意差はなかった（それぞれ、０．５０、０．９９、０．９９であり、すべてＰ＞０．０５であった）。同様に、ＣＦＳについて、スマートアイカメラと既存のスリットランプ顕微鏡で得られた結果より、正常群対照、非ＧＶＨＤ群及びＧＶＨＤ群の間に有意差は認められなかった（それぞれ、Ｐ＝０．９９、０．７５、０．５０であり、すべてＰ＞０．０５であった）。

　図２３は、スマートアイカメラと既存装置との相関関係を示すグラフであり、（Ａ）はＴＦＢＵＴについてのグラフであり、（Ｂ）はＣＦＳについてのグラフである。各グラフで、Ｙ軸は、スマートアイカメラによって評価された数値を示し、Ｘ軸は、既存装置による評価を示している。ｎ＝１５である。ＴＦＢＵＴ（Ｒ＝０．８６８、９５％、ＣＩ：０．６５６～
０．９５３）及びＣＦＳ（Ｒ＝０．９３４、９５％、ＣＩ：０．８２３～０．９７６）において、高い相関が観察された。

　図２３（Ａ）の結果より、スマートアイカメラと既存装置のＴＦＢＵＴは、Ｐ＜０．００１でｒ＝０．８７１であり、有意な相関を示していた。また、図２３（Ｂ）の結果より、スマートアイカメラと既存装置のＣＦＳも、Ｐ＜０．００１、ｒ＝０．９４１であり、有意な相関を示していた。これらの結果は、スマートアイカメラが既存装置と比較してマウスモデルの眼球表現型をとる上で同等の品質を有することを示している。

（まとめ）
　以上の検証例より、第１実施形態の近接撮影用装置２０Ａを装着した移動体通信端末装置１０（すなわち、スマートアイカメラ）が、ＤＥＤマウスモデルにおいて適用可能であることを検証することができた。このモデルは、体重減少、ＴＳの短縮及び角膜上皮炎の悪化を特徴としており、これはＣＦＳに反映されていた。図２４は、それらを整理したグラフである。その結果より、ＤＥＤマウスモデルにおけるＧＶＨＤ群のＴＦＢＵＴは、正常群及び非ＧＶＨＤ群と比較して減少していた。図２４に示すように、これはＴＦＢＵＴの傾向が、ＴＳの傾向と類似し、ＣＦＳの傾向とは反対であることを示している。

　図２２に示すようにＴＦＢＵＴ、ＣＦＳともにスマートアイカメラと既存装置との間で観察結果に違いはなかった。また、図２３に示す相関分析から分かるように、スマートアイカメラと既存装置による結果は、ＴＦＢＵＴとＣＦＳの両方において有意に高い相関を示した。これらは、スマートアイカメラで撮影した結果が、既存装置で撮影した結果と同等の品質を持つことを意味する。さらに、図示しないが、異なる観察者でも同様の結果が得られている。

［検証例２］
　この検証例２では、上記構成の近接撮影用装置２０Ａを装着した移動体通信端末装置１０（スマートアイカメラ）を用いてドライアイ患者とドライアイのない正常患者の合計４２人に対して、ドライアイの診断基準であるＴＦＢＵＴ測定を行うとともに、左右差、撮影秒数等についても検証した。その結果を図２５に示す。ドライアイ患者群（「ＤＥＤ＋」で表す。）のＴＦＢＵＴは、３．６４±１．８１秒であり、ドライアイのない正常患者（「ＤＥＤ－」で表す。）のＴＦＢＵＴは、６．５０±０．７１秒であった。統計学的に有意に、ドライアイ群の方がＴＦＢＵＴが短い結果となった。有意差は、Ｐ＜０．０５を有意とするマン－ホイットニーＵ検定で行っている。このことより、スマートアイカメラは、ＴＦＢＵＴ等の眼所見を評価することが可能といえる。

　以上説明したように、本実施形態の近接撮影用装置２０Ａを装着した移動体通信端末装置１０（すなわち、スマートアイカメラ）によれば、ＴＦＢＵＴやＣＦＳ等の連続した眼の表現型を評価することができることが確認できた。

（ＤＥＤに対応する診断用知識の獲得方法）
　実際に被検眼ＥにおけるＤＥＤの状態を推定する場合には、抽出用知識記憶部３３２に、ＤＥＤの診断に利用可能な診断可能フレーム画像を抽出するための抽出用知識を予め記憶させるとともに、診断用知識記憶部３３４には、ＤＥＤに対応する診断用知識を記憶させておく必要がある。

　ここで、被検眼ＥにおけるＤＥＤを診断するためには、ＣＦＳをスコアリングするため、観察対象組織（角膜や結膜、眼表面）に青色光が観察光として照射され、その反射光ＲＬともに観察対象組織の少なくとも一部が写り込んでいるピントの合っているフレーム画像を診断可能フレーム画像として抽出する必要がある。このため、この場合、抽出用知識記憶部３３２には、当該条件を満たすフレーム画像を抽出するための抽出用知識を予め記憶させることが必要となる。

　また、被検眼ＥにおけるＤＥＤの状態を推定する場合には、診断可能フレーム画像の経時的な変化に基づき、連続ＣＦＳやＴＳ、ＴＦＢＵＴを測定しつつ、ＤＥＤの状態を推定することが必要となる。そして、これらを測定する場合には、被検眼Ｅの眼表面、角膜上皮、結膜上皮における涙の分泌状態や涙液層の経時的な変化状態を観察する必要がある。このため、被検眼ＥにおけるＤＥＤの状態を推定する場合には、上記各疾患例のように１枚の静止画フレーム画像に基づく状態推定は困難となる。

　そこで、被検眼ＥにおけるＤＥＤの状態を推定する場合に、診断可能フレーム抽出部３５２は、診断用知識獲得処理（図１４）のステップＳａ３において、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに分類されたフレーム画像において、時間的に最も早いタイミングで撮影されたフレーム画像を「０」秒に対応する診断可能フレーム画像として抽出し、その診断可能フレーム画像を、時間情報（０秒）と対応付けてＲＯＭ／ＲＡＭ３２０に記憶させる。また、このとき、診断可能フレーム抽出部３５２は、「０」秒に対応する診断可能フレーム画像よりも所定時間経過したタイミングにて撮影されたフレーム画像（例えば、３秒後及び６秒後の各タイミングにて撮影されたフレーム画像）において「Ｄｉａｇｎｏｓａｂｌｅ」クラスに分類されたフレーム画像を当該タイミングにおける診断可能フレーム画像として抽出し、各診断可能フレーム画像を該当する時間情報（例えば、３秒、６秒等）と対応付けてＲＯＭ／ＲＡＭ３２０に記憶させる。そして、ステップＳａ４において、診断用知識獲得部３５３は、ＲＯＭ／ＲＡＭ３２０に記憶された各診断可能フレーム画像と時間情報を対応付けて、アノテーション用端末装置４０に送信する構成とする。

　このようにして診断支援サーバ装置３０から時間情報に対応付けられた診断可能フレーム画像を受信すると、アノテーション用端末装置４０は、例えば、０秒の診断可能フレーム画像、３秒目の診断可能フレーム画像、６秒目の診断可能フレーム画像というように、各診断可能フレーム画像を時間情報と対応付けつつ時系列に表示させ、被検眼Ｅにおける涙の状態や涙液層の変化状態を医師が確認できるように診断可能フレーム画像をモニタ上に表示させる。

　そして、医師が時間情報と対応付けて表示された診断可能フレーム画像に基づき、連続ＣＦＳ、ＴＳ及びＴＦＢＵＴを測定し、ＤＥＤの有無やその重症度等の診断結果を入力すると、アノテーション用端末装置４０は、時間情報に基づき各診断可能フレーム画像を時系列に並べて複数の診断可能フレーム画像からなる変化像（一種の動画像）を生成する。そして、アノテーション用端末装置４０は、当該変化像を表示させつつ、アノテータとなる医師にＤＥＤの診断を行わせ、当該変化像に対して診断結果情報によるタグ付けを行うことで教師データを作成して、診断支援サーバ装置３０に返信する。この結果、診断支援サーバ装置３０の教師データ記憶部３３３には変化像に関する教師データが記憶される（ステップＳａ６）。なお、このときアノテータとなる医師は、変化像に基づき、ＴＦＢＵＴを測定して、ＴＦＢＵＴの測定値が所定の閾値以下（例えば、５秒以下）であれば、ＤＥＤが発症しているものと診断するようにすればよい。

　移動体通信端末装置１０から動画像データがアップロードされてくる度に、上記の処理を繰り返し、教師データ記憶部３３３に蓄積された変化像に関する教師データ数が、α以上となった時点で、診断用知識獲得部３５３は、教師データ記憶部３３３に蓄積された教師データに基づき、ＤＥＤに対応する診断用知識を獲得し（ステップＳａ８）、診断用知識記憶部３３４に記憶させる（ステップＳａ９）。このとき、診断用知識獲得部３５３は、教師データに含まれる変化像と、診断結果情報に基づき、機械学習及びデータマイニングの少なくとも一方を実行してＤＥＤに対応する診断用知識を獲得するようにすればよい。なお、変化像の生成タイミングは、上記生成タイミングに限定されず、アノテーション用端末装置４０に診断可能フレーム画像と時間情報を送信する際に診断用知識獲得部３５３にて生成できる。また、診断可能フレーム画像抽出処理において、診断可能フレーム抽出部３５２が変化像を生成する構成としてもよい。

　一方、ＤＥＤに対応する診断用知識が診断用知識記憶部３３４に記憶された状態において、移動体通信端末装置１０から動画像データがアップロードされてくると、診断処理部３５０においては基本的に図１５と同様の診断支援情報生成処理によって診断支援情報が生成され（ステップＳｂ７）、該当する移動体通信端末装置１０に配信されることになる（ステップＳｂ８）。

　但し、この場合には、上記診断用知識獲得処理において得られた変化像と同様の変化像（例えば、０秒、３秒、６秒の診断可能フレーム画像からなる変化像等）を用いて、被検眼ＥにおけるＤＥＤの状態を推定することが必要となる。このため、この場合に、診断可能フレーム抽出部３５２は、ステップＳｂ３において、診断用知識獲得処理にて診断可能フレーム画像を抽出したタイミングと同じタイミングで得られる診断可能フレーム画像（例えば、０秒、３秒、６秒の各タイミングにて得られる診断可能フレーム画像）を抽出して、時間情報と対応付けつつＲＯＭ／ＲＡＭ３２０に記憶させる。

　また、この場合に、健康状態推定処理部３５４は、ステップＳｂ５の健康状態推定処理においてＲＯＭ／ＲＡＭ３２０に記憶された診断可能フレーム画像を時間情報に基づき時系列に並べることで変化像を生成し、当該変化像と診断用知識記憶部３３４に記憶されたＤＥＤの診断用知識に基づき、被検眼ＥにおけるＤＥＤの状態を推定する。なお、この場合に、健康状態推定処理部３５４が、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率に基づき推定結果に重み付けを行いＤＥＤの最も尤もらしい状態を推定するか否かは任意である。例えば、重み付けを行う場合には、ステップＳｂ３において診断可能フレーム画像を抽出する際に、変化像を生成するための診断可能フレーム画像として、例えば「０秒タイミング」に対応するものを５枚、「３秒タイミング」に対応するものを５枚、「６秒タイミング」に対応するものを５枚、というように複数組抽出する。そして、診断処理部３５０が各組毎に変化像を生成しつつ、変化像毎にＤＥＤの状態を推定する。そして、変化像毎の「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率により推定結果に重み付けを行い、被検眼ＥにおけるＤＥＤの最も尤もらしい状態を推定するようにすればよい。なお、この場合に各変化像が「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率を算出する方法は任意である。例えば、各変化像を構成する診断可能フレーム画像の「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率の平均値を用いるようにしてもよい。

　そして、ステップＳｂ６において診断支援情報生成部３５５は、ステップＳｂ５において生成した変化像を提示用フレーム画像としつつ、当該変化像とＤＥＤの推定結果を含む診断支援情報を生成して（ステップＳｂ７）、該当する移動体通信端末装置１０に配信する（ステップＳｂ８）。なお、本変形例においては、０秒、３秒、６秒の各々に対応する診断可能フレーム画像を抽出しつつ、変化像を生成する場合を例について説明したが、スマートアイカメラからアップロードされた動画像データにおいて最初の診断可能フレーム画像を０秒として、その後の１０秒間に撮影された動画像に含まれる全ての診断可能フレーム画像を抽出して、それらを全てつなげて変化像を生成して、１０秒分の変化像（一種の動画像）を生成する方法を採用してもよい。

［Ａ７．６］変形例６
　上記第１実施形態及び各変形例においては、移動体通信端末装置１０にて撮影された動画像に基づき、被検眼Ｅの前眼部における１つの疾患（例えば、白内障等）を対象として当該疾患の状態を推定する構成を採用した。しかしながら、実際の患者においては、例えば、白内障と流行性角結膜炎等、複数の疾患に同時に罹患しているケースも想定される。従って、１回の動画像撮影で複数の疾患の状態を一度に推定して利用可能とすることが望ましい。

　そこで、本変形例においては、抽出用知識記憶部３３２に対して複数の疾患に対応する抽出用知識を予め記憶させるとともに、診断用知識記憶部３３４には、複数の疾患に対応する診断用知識を記憶させ、移動体通信端末装置１０から動画像データがアップロードされてきた際に、当該動画像データに基づき被検眼Ｅにおける疾患の発症の有無やその重症度等を疾患毎に推定し、当該疾患毎の推定結果を含む診断支援情報を生成するとともに（ステップＳｂ７）、該当する移動体通信端末装置１０に配信する（ステップＳｂ８）構成を採用することとした。なお、被検眼Ｅの前眼部を観察し、撮影する方法としては、上記のように（方法１）スリット光形成部材６１及び凸レンズ部材９３を装着し、カラーフィルター部材９７を取り外した状態の近接撮影用装置２０Ａにより被検眼Ｅにスリット光ＳＬを観察光として照射させて観察及び撮影する方法と、（方法２）凸レンズ部材９３のみを装着し、白色拡散光を観察光として被検眼Ｅに照射させて観察及び撮影する方法、（方法３）カラーフィルター部材９７及び凸レンズ部材９３を装着した状態の近接撮影用装置２０Ａにより被検眼Ｅに青色光を観察光として被検眼Ｅに照射させて観察及び撮影する方法の３通りの方法があるが、本変形例においては、いずれかの方法にて撮影した動画像を用いるものとする。

　このとき、診断処理部３５０は、基本的に図１５と同様の診断支援情報生成処理を実行することによって診断支援情報を生成することとなるが、本変形例においては、複数の疾患に関する状態を一度に推定可能にする必要があるため、以下の方法を採用することとした。

　まず、診断可能フレーム抽出部３５２は、ステップＳｂ３の診断可能フレーム画像抽出処理において当該動画像データに含まれる各フレーム画像と各疾患に対応する抽出用知識に基づき、疾患毎に診断可能フレーム画像を抽出する。このとき、診断可能フレーム抽出部３５２は、動画像データに含まれる各フレーム画像においてピントの合っている組織にラベリングを行いつつ、対象疾患の発症する組織にピントが合っているフレーム画像を抽出する。そして、診断可能フレーム抽出部３５２は、当該抽出したフレーム画像の中から抽出用知識に基づき疾患毎の診断可能フレーム画像を抽出する。このとき、診断可能フレーム抽出部３５２は、抽出したフレーム画像の各々に関して、「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率を算出し、当該算出した確率と該当する疾患名を診断可能フレーム画像と対応付けてＲＯＭ／ＲＡＭ３２０に記憶させる。

　そして、本変形例において健康状態推定処理部３５４は、ステップＳｂ３において抽出された診断可能フレーム画像と対応付けて記憶された疾患名に基づき、該当する疾患に対応する診断用知識を診断用知識記憶部３３４から読み出して（ステップＳｂ４）、疾患毎に状態を推定する（ステップＳｂ５）。このとき、健康状態推定処理部３５４は、ＲＯＭ／ＲＡＭ３２０に記憶された診断可能フレーム画像毎に対応する疾患の状態を推定する。そして、当該推定結果に対して診断可能フレーム画像と対応付けて記憶された「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率による重み付けを行いつつ、被検眼Ｅにおける各疾患の最も尤もらしい状態を推定する。なお、各疾患の最も尤もらしい状態を推定する際の処理は上記第１実施形態と同様である。

　また、ステップＳｂ６において、診断支援情報生成部３５５は、提示用フレーム画像を疾患毎に抽出し、疾患毎の推定結果と提示用フレーム画像を対応付けつつ診断支援情報を生成する（ステップＳｂ７）。そして、診断支援情報配信部３５６は、このようにして生成された診断支援情報を該当する移動体通信端末装置１０に配信して（ステップＳｂ８）、処理を終了する。なお、この場合に、ステップＳｂ６において各疾患に対応する提示用フレーム画像を抽出する方法は、対象疾患の発症する組織の写り込んだ画素領域の面積が最も大きい診断可能フレーム画像となる点以外は上記第１実施形態と同様である。また、この場合に、ステップＳｂ７において診断支援情報生成部３５５が生成する診断支援情報の形式に関しては任意である。例えば、疾患名と、当該疾患の発症の有無や重症度の推定値、治療方法、手術の要否等の情報と提示用フレーム画像を対応付けた一覧表の形式で生成する構成としてもよい。

　また、本変形例においても、基本的に図１４と同様の診断用知識獲得処理により、各疾患に対応する診断用知識が獲得され、診断用知識記憶部３３４に記憶されることとなるが、この際の獲得方法としては以下の２通りの方法を採用できる。（獲得方法１）この方法は、疾患毎に上記第１実施形態と同様の処理（図１４）を実行することにより対応する診断用知識を獲得する方法である。（獲得方法２）この方法は、移動体通信端末装置１０からアップロードされた動画像データに基づき、複数の疾患に対応する診断用知識を一度に獲得する方法である。但し、獲得方法１に関しては、対象疾患が白内障以外の疾患となる点以外は上記第１実施形態と同様であるため、以下においては獲得方法２についてのみ説明する。

（獲得方法２）
　この方法を採用する場合、図１４ステップＳａ３の診断可能フレーム画像抽出処理において診断可能フレーム抽出部３５２は、上記と同様の方法により疾患毎の診断可能フレーム画像を抽出し、該当する疾患名を診断可能フレーム画像と対応付けてＲＯＭ／ＲＡＭ３２０に記憶させる。

　次いで、ステップＳａ４において、診断用知識獲得部３５３は、ＲＯＭ／ＲＡＭ３２０に記憶された疾患名と、診断可能フレーム画像を対応付けつつアノテーション用端末装置４０に送信する。

　このようにして送信された診断可能フレーム画像を受信すると、アノテーション用端末装置４０は、診断支援サーバ装置３０から受診した診断可能フレーム画像と疾患名を対応付けつつモニタに表示させる。この状態において、アノテータとなる医師は、モニタに表示された疾患毎の診断可能フレーム画像に基づいて、各疾患の状態を診断し、診断結果を入力することとなる。なお、このときの表示形態に関しては任意であり、例えば、モニタの表示領域を複数に分割して、（ａ）各領域に疾患名と、（ｂ）対応する診断可能フレーム画像と、（ｃ）当該疾患に関する診断結果を入力するためのＧＵＩと、を対応付けて表示するようにしてもよい。

　そして、医師が各領域に表示された診断可能フレーム画像及び疾患名に基づき、疾患毎に診断を行い、診断結果を入力すると、アノテーション用端末装置４０は、入力結果に対応する疾患毎の診断結果情報により該当する疾患の診断可能フレーム画像にタグ付けを行うことにより、各疾患に対応する教師データを作成し、当該作成した教師データと該当する疾患名を対応付けて診断支援サーバ装置３０に送信する。

　一方、診断支援サーバ装置３０においては、通信制御部３１０が、アノテーション用端末装置４０から送信された教師データを受信すると（ステップＳａ５）、当該教師データを疾患名と対応付けつつ、教師データ記憶部３３３に記憶させる（ステップＳａ６）。

　以上の処理が移動体通信端末装置１０から動画像データがアップロードされてくる度に繰り返され、教師データ記憶部３３３には、疾患毎に教師データが蓄積されていくこととなる。

　そして、教師データ記憶部３３３に記憶済の各疾患に対応する教師データ数がα以上となったタイミングにて、ステップＳａ７における判定が「Ｙｅｓ」に変化して、診断用知識獲得部３５３は、教師データ記憶部３３３に蓄積された疾患毎の教師データに基づき、各疾患に対応する診断用知識を獲得して（ステップＳａ８）、疾患名と対応付けて診断用知識記憶部３３４に記憶させる（ステップＳａ９）。なお、ステップＳａ７及びＳａ８においては、教師データ記憶部３３３に記憶済の教師データ数を疾患毎にαと比較して、教師データ数がα以上となった疾患に関する診断用知識を獲得するようすればよい（ステップＳａ８）。また、教師データ数がα以上となる疾患が複数ある場合には、疾患毎に診断用知識獲得処理を繰り返し（ステップＳａ８）、複数の疾患に対応する診断用知識を一括して獲得するようにするようにする。そして、ステップＳａ９において診断用知識獲得部３５３は、ステップＳａ８にて獲得された疾患毎の診断用知識を対応する疾患の疾患名と対応付けて、診断用知識記憶部３３４に記憶させるようにすればよい。

　また、スマートアイカメラにより被検眼Ｅを正面から撮影すると、角膜、前房、水晶体の各組織は、重なり合って写り込むことになるが、例えば、観察光としてスリット光ＳＬを照射する場合には、スリット光ＳＬを斜め方向から被検眼Ｅに入射させることで、被検眼Ｅをスリット光ＳＬで断面方向に切りつつ、被検眼Ｅの三次元的な情報を含む画像を撮影できる。この場合に、画素毎にマルチラベリングを行う構成を採用することで、どの画素に何の組織が写り込んでいるのかを特定することができるので、正面から撮影すると重なり合って見えるような複数の組織に発症した複数の疾患に関しても同様の構成によりその状態を一度に推定しつつ、診断支援情報を生成し、該当する移動体通信端末装置１０に配信することができる。

［Ａ７．７］変形例７
　上記実施形態及び各変形例においては、人間の眼を対象として、被検眼Ｅにおける疾患の状態を推定する構成を採用したが、本発明の診断支援装置、診断支援システム及びプログラムは、人間以外の動物に対しても適用可能である。上述したようにスマートアイカメラを用いることでマウスや他の動物の眼に関しても詳細に観察し、撮影できるので、人間以外の動物の眼を被検眼Ｅとしつつ、その眼の動画像を撮影することにより、人間に対するのと同様に動物の眼の健康状態を推定し、診断支援情報を生成して、利用する事ができる。この場合においても、撮影対象となるのが人間以外の動物となること以外は、上記実施形態及び変形例と同様であるため、詳細を省略する。

［Ａ７．８］変形例８
　上記実施形態及び各変形例においては、スマートアイカメラにおいて撮影された動画像のみを用いて被検眼Ｅの健康状態を推定する方式を採用したが、スマートアイカメラは、近接撮影用装置２０を装着した状態の移動体通信端末装置１０によって実現されるため、国や地域を問わずに被検眼Ｅの健康状態を推定するために利用できるとともに、当該動画像の撮影場所を示す位置情報（例えば、緯度経度情報）を取得することが可能となっている。従って、このスマートアイカメラに特有の性質（すなわち、撮影場所の位置情報を取得可能な性質）を利用して以下のような応用を行うことも可能である。なお、位置情報は、既存の移動体通信端末装置１０として利用するスマートフォンに搭載されているＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）機能を利用すれば取得可能であるため、取得方法に関しては詳細を省略する。

＜応用手法１＞
　例えば、本変形例の手法を採用して何処の地域においてどのような眼疾患の発症率が高いのかを特定し、動画像の撮影された地域に応じて、健康状態の推定結果に反映させる応用形態を実現できる。この場合には、スマートアイカメラの撮影画像とともに撮影場所の位置情報を診断支援サーバ装置３０にアップロードするようにする。また、この場合には、診断支援サーバ装置３０が、当該撮影画像から抽出した診断可能フレーム画像と位置情報を紐付けつつアノテーション用端末装置４０に送信し、アノテーション用端末装置４０において診断可能フレーム画像とともに位置情報を表示（例えば、地図上に位置をプロットする等）させる。そして、アノテータとなる医師が表示された診断可能フレーム画像と位置情報に基づき診断を行うと、アノテーション用端末装置４０は、対応する診断結果情報と位置情報によって、当該診断可能フレーム画像にタグ付けして教師データを作成する。一方、診断用知識獲得部３５３は、位置情報のタグ付けされた教師データに基づいて診断用知識を獲得する。なお、この際における他の処理は、図１４と同様であるため、詳細を省略する。

　また、この方法で診断支援情報を生成する場合には、スマートアイカメラにて撮影された動画像と対応付けて位置情報をアップロードする構成を採用する。そして、診断支援サーバ装置３０において診断支援情報を生成する際に、（ｉ）当該アップロードされた動画像データから抽出された診断可能フレーム画像と、（ｉｉ）動画像データに対応付けられた位置情報と、（ｉｉｉ）上記手法によって取得された診断用知識と、に基づき被検眼Ｅの健康状態を推定するようにすればよい。この方法により、撮影地域にて最も発症頻度の高い疾患の状態を高精度に推定することが可能となるとともに、撮影地域に特有の風土病に関しても高い精度にて疾患の状態を推定することができる。例えば、オンコセルカ症等の疾患は、日本では、ほとんど罹患者が存在しないが、サハラ以南のアフリカ地域においては、よく見られる疾患であるため、位置情報と診断可能フレーム画像に基づき状態を推定することにより、高精度にこの種の風土病の状態を推定することができる。

＜応用手法２＞
　また、例えば、本変形例の手法を採用して各種眼疾患の罹患率の高い地域を特定し、各種疾患の疫学的な流行状況を把握することにも応用できる。この場合には、健康状態の推定結果と位置情報を対応付けつつデータベース化して診断履歴を残すことにより、どの地域でどのような疾患の発生頻度が高いのかを疫学的に調査することが可能となる。なお、この場合に、診断履歴のデータベースは、診断支援サーバ装置３０内に設ける構成としてもよく、眼疾患に関する疫学調査研究機関の保有するコンピュータシステム等に設ける構成としてもよい。

［Ｂ］第２実施形態
　上記第１実施形態は、被検眼Ｅの前眼部組織における疾患の状態を診断支援サーバ装置３０にて推定し、その推定結果を含む診断支援情報を該当する移動体通信端末装置１０に配信して利用するためのものであった。これに対して、本実施形態は、被検眼Ｅの眼底組織における疾患（例えば、高血圧性眼底、網膜菲薄化、緑内障、糖尿病網膜症、網膜剥離、中心性漿液性脈絡網膜症、加齢黄斑変性、滲出性網膜症、網膜中心動脈閉塞症等）の状態を推定し、その推定結果を含む診断支援情報を移動体通信端末装置１０に配信するためのものである。なお、本実施形態の診断支援システムは、近接撮影用装置２０の構成と、抽出用知識及び診断用知識の内容のみが第１実施形態の診断支援システム１と異なり、他の構成に関しては、基本的に第１実施形態と同様である。従って、特に明示しない限り、本実施形態の診断支援システムは、第１実施形態と同様の構成により実現されるものとする。

［Ｂ１］近接撮影用装置２０Ｂの構成
　次いで、図２６～２８を用いて、本実施形態の近接撮影用装置２０Ｂの構成について説明する。なお、図２６～２８は、各々、本実施形態の近接撮影用装置２０Ｂの構成を示す図であり、図２６は、近接撮影用装置２０Ｂの斜視図、図２７は、本実施形態の近接撮影用装置２０Ｂの正面図、図２８は、本実施形態の近接撮影用装置２０Ｂの分解構成図である。

　本実施形態の近接撮影用装置２０Ｂは、眼底組織観察・撮影用の筒状部材１８０を有する構成となっている。

（筒状部材）
　筒状部材１８０は、図２６～図２８に示すように、その先端に凸レンズ１８３を有する部材である。この筒状部材１８０も着脱可能に移動体通信端末装置１０に装着される。筒状部材１８０は、移動体通信端末装置１０に装着するための装着部１８１と、筒部１８２（１８２ａ，１８２ｂ）と、凸レンズ１８３と、開口部１８４と、凸レンズ保持部１８５と、装着部１８６とで少なくとも構成されている。こうした筒状部材１８０により、眼底との焦点距離を適切な状態に調整して保つことができる。その結果、眼底の観察・撮影を適切に行うことができる。

　この筒状部材１８０の開口部１８４において、光源９２から出射された光源光（白色拡散光）の光路位置には、カラーフィルター（オレンジ）４と、偏光フィルター（水平偏光）３と、がその順に配置されている。この構成により、光源９２から出射された光源光は、オレンジのカラーフィルター４を透過する際にオレンジ光へと変化して、偏光フィルター３によって直線偏光（例えば、Ｐ偏光）へと変換される。このようにして光源光を変換して得られた観察光（直線偏光）は、凸レンズ１８３を透過し、被検眼Ｅの眼底組織に照射される。一方、眼底組織で反射された直線偏光の反射光ＲＬ（すなわち、復路光）が、撮影用カメラレンズ９１に到達する直前の光路位置には、偏光フィルター（垂直偏光）２が設けられている。なお、各偏光フィルター２，３は、一方が垂直偏光で他方が水平偏光であれば、いずれが垂直偏光でも水平偏光でもよい。この構成により、観察光と反射光ＲＬの間に位相差を発生させ、筒状部材１８０内部における観察光（往路光）と反射光ＲＬ（復路光）の干渉を防止し、反射光ＲＬによる眼底組織（網膜）の観察・撮影をきれいに行うことができる。

　オレンジのカラーフィルター４は、観察光をできるだけ眼底組織に到達しやすい光に変換するための部材である。

　移動体通信端末装置１０に装着するための装着部１８６は、図２８に示すように、右側壁８５の側から移動体通信端末装置１０にスライドさせて装着できるように構成されている。装着後の筒状部材１８０は、カラーフィルター（オレンジ）４と偏光フィルター３とが光源９２の前方に設けられ、他の偏光フィルター２が撮影用カメラレンズ９１の前方に設けられている。

　筒部１８２は、図の例では、２つの筒部１８２ａ，１８２ｂを組み合わせて構成されているが、特に限定されない。凸レンズ１８３は、筒状部材１８０の前方の凸レンズ保持部１８５に装着され、観察光としての直線偏光を眼底組織に照射させるとともに、眼底組織における観察光（直線偏光）の反射光ＲＬを、偏光フィルター２を介して、撮影用カメラレンズ９１に集光させる。なお、筒状部材１８０は、図２～７に示す近接撮影用装置２０Ａに対して着脱可能なアタッチメントとして構成してもよい。アタッチメントとする場合には、カラーフィルター４、偏光フィルター３，２が図２６～２８に示す位置関係で配置されるように筒状部材１８０を構成し、図２～７に示す近接撮影用装置２０Ａにおいてスリット光形成部材６１、凸レンズ部材９３及びカラーフィルター部材９７を全て取り外し、当該筒状部材１８０をハウジング８０に着脱可能に装着する構成とすればよい。

［Ｂ２］スマートアイカメラを用いた眼底組織における疾患の診断に関する検証結果について
　本発明者は、２０１８年１２月、図２６～２８の構成の筒状部材１８０を有する近接撮影用装置２０Ｂを装着した移動体通信端末装置１０（すなわち、スマートアイカメラ）を用いて被検眼Ｅの眼底組織の観察を行った。なお、症例は、眼底：４１眼（男性１９名、女性２２名）とし、視神経異常の有無、眼底疾患の有無を評価した。

　図２６～２８に示す近接撮影用装置２０を装着した移動体通信端末装置１０（スマートフォン）により上記４１眼を対象として撮影した画像の一例を図２９に示す。なお、図２９において（Ａ）は正常眼底、（Ｂ）は高血圧性眼底、（Ｃ）は網膜菲薄化、（Ｄ）は視神経乳頭陥凹拡大（緑内障疑い）の画像である。図２９の例を含め、８５％以上の症例で眼底組織の評価が可能であった。なお、評価不可能な症例は、重症白内障等の中間透光体の混濁であったが、これは既存の眼科用装置でも評価できないものである。この結果から、図２６～２８の構成の筒状部材１８０を装着したスマートアイカメラにより眼底の観察・撮影を好ましく行えることが確認できた。

　図３０は、図２６～２８の構成の筒状部材１８０を装着した移動体通信端末装置１０で評価した高血圧性眼底についての評価結果の医師間の相関である。医師間での大きな相違はなかった。また、緑内障診断率も医師間では、２５．７％と１８．９％であり、これについても大きな相違はなかった。以上の結果から図２６～２８の筒状部材１８０を装着したスマートアイカメラは、既存の眼科用装置と遜色なく被検眼Ｅの眼底組織を詳細に観察し、撮影できる事が確認できた。

　実際に本実施形態の診断支援システムにて被検眼Ｅの眼底組織に発症する各種疾患の有無やその重症度を推定する場合には、移動体通信端末装置１０に図２６～２８に示す筒状部材１８０を有する近接撮影用装置２０Ｂを移動体通信端末装置１０に装着し、観察光として直線偏光を被検眼Ｅの眼底組織に照射しつつ、該当する疾患の診断に利用可能な診断可能フレーム画像を含む動画像を撮影することが必要となる。

　そして、この場合、抽出用知識記憶部３３２には、高血圧性眼底、網膜菲薄化、緑内障、糖尿病網膜症、網膜剥離、中心性漿液性脈絡網膜症、加齢黄斑変性、滲出性網膜症、網膜中心動脈閉塞症等、眼底組織に発症する疾患の診断に利用可能な診断可能フレーム画像を抽出するための抽出用知識を予め抽出用知識記憶部３３２に記憶させる。なお、血圧性眼底、網膜菲薄化、緑内障、糖尿病網膜症、網膜剥離、中心性漿液性脈絡網膜症、加齢黄斑変性、滲出性網膜症、網膜中心動脈閉塞症等の眼底組織に発症する疾患に利用可能な診断可能フレーム画像としての条件は、観察対象組織に観察光としての直線偏光が照射され、観察対象組織における直線偏光の反射光ＲＬとともに観察対象組織の少なくとも一部が写り込んでいるピントの合っている画像となるので、当該条件を満たすフレーム画像を抽出するための抽出用知識を予め診断用知識記憶部３３４に記憶させる構成とすればよい。

　また、本実施形態においても、診断処理部３５０は、基本的に図１４と同様の診断用知識獲得処理を実行することにより診断用知識を獲得して（ステップＳａ８）、診断用知識記憶部３３４に記憶させる（ステップＳａ９）。そして、診断処理部３５０は、当該獲得された診断用知識を用いつつ、図１５と同様の診断支援情報生成処理を実行し、眼底組織における疾患の状態を推定するとともに（ステップＳｂ５）、診断支援情報を生成して（ステップＳｂ７）、該当する移動体通信端末装置１０に配信する（ステップＳｂ８）。なお、この際における処理は、対象疾患が、白内障ではなく、高血圧性眼底等、眼底組織に発症する疾患となる点以外は、上記第１実施形態と同様である。また、本実施形態においても上記変形例６と同様に複数の疾患の状態を疾患毎に一度に推定し、当該疾患毎の推定結果を含む診断支援情報を生成して、配信する構成を採用してもよい。また、本実施形態においても各診断可能フレーム画像が「Ｄｉａｇｎｏｓａｂｌｅ」クラスに該当する確率に応じて、推定結果に重み付けを行いつつ、被検眼Ｅの眼底組織における疾患の最も尤もらしい状態を推定する構成を採用することができるが、この点については、上記第１実施形態と同様であるため、詳細を省略する。

　以上説明したように本実施形態の診断支援システムは、筒状部材１８０を有する近接撮影用装置２０Ｂを装着した状態の移動体通信端末装置１０により撮影された動画像から診断可能フレーム画像を抽出し、当該診断可能フレーム画像に基づき、眼底組織に発症する疾患に対応する診断用知識を獲得するとともに、当該診断用知識と、移動体通信端末装置１０からアップロードされた動画像データに基づき被検眼Ｅの眼底組織における疾患の有無や重症度、治療方法、手術の要否等を推定する構成となっている。近接撮影用装置２０Ｂを装着した状態の移動体通信端末装置１０を用いた場合には、眼科診断用の画像撮影に不慣れなパラメディカルの他、患者家族等の素人であっても従来のスマートフォン等と同様の簡易な操作で、眼底組織に発症する疾患の診断に利用能な１以上の診断可能フレーム画像を含む動画像を容易に撮影することができる。従って、本実施形態の構成によれば高価な眼科診断用の画像撮影装置を利用することなく、素人が撮影した動画像に基づき、被検眼Ｅの眼底組織における疾患の状態を適切に推定して、診断支援情報を生成し、利用する事ができる。また、近接撮影用装置２０Ｂは、眼科用の眼底撮影装置と比較して、極めて低コストに製造できるので、検査用装置の予算を確保できない地域においても被検眼Ｅの眼底組織における疾患の状態を推定して診断支援情報を生成することができる。

［Ｃ］第３実施形態
　上記第１、第２実施形態及びその変形例においては、図１４に示す処理に従い、スマートアイカメラによって撮影された動画像に含まれる診断可能フレームをそのままアノテーション用端末装置４０に送信して、アノテータとなる医師に診断を行わせて、当該診断結果情報により該当する診断可能フレーム画像にタグ付けを行うことで各診断可能フレーム画像に対応する教師データを作成しつつ、診断用知識を獲得する構成を採用していた。

　これに対して、本実施形態の診断支援システム１においては、診断支援サーバ装置３０が、診断可能フレーム画像として動画像から抽出したフレーム画像をアノテーション用端末装置４０に送信する際に診断可能フレーム抽出部３５２が、診断可能フレーム画像から眼の組織の写り込んだ領域を切り出す機械学習を行う構成を採用することとした。なお、本実施形態の診断支援システム１は、基本的に第１、第２実施形態及び変形例と同様の構成によって実現される。すなわち、本実施形態においても、診断支援システム１を構成する各構成要素は上記第１実施形態等と同様の機能を有し、同様の動作を行うものであるため、以下においては、上記第１実施形態等と異なる点についてのみ説明を行う。

［Ｃ１］診断可能フレーム画像から眼の組織の写り込んだ領域を切り出す方法
　次いで、図３１を用いて、本実施形態の診断支援システム１において診断支援サーバ装置３０が、診断可能フレーム画像から眼の組織の写り込んだ領域の画像（以下、「領域画像」ともいう。）を切り出す方法について説明する。なお、図３１は診断可能フレーム画像から領域画像を切り出すためのアノテーション作業を説明するための図であり、（Ａ）及び（Ｂ）には、各々、観察光として白色拡散光を照射した場合と、青色光を照射した場合に撮影される診断可能フレーム画像において眼の組織の写り込んだ領域を切り出すためのアノテーション作業を説明するための図を示している。

　本実施形態においては、まず、診断可能フレーム画像内において眼の組織の写り込んだ領域を切り出すためのアノテーションを人間が行う方法を採用することとした。このとき、診断支援サーバ装置３０の診断可能フレーム抽出部３５２は、移動体通信端末装置１０（スマートアイカメラ）からアップロードされた動画像データ中から各種疾患の診断に利用可能な診断可能フレーム画像を抽出するとともに、当該抽出した診断可能フレーム画像をアノテーション用端末装置４０に送信してアノテータに提示する。そして、アノテータは、当該診断可能フレーム画像において眼の組織の写り込んだ領域の切り出し作業を行う。なお、この際のアノテーションは、医師が行うことが望ましいが、診断可能フレーム画像において眼の組織が写り込んだ領域は、眼科専門医でなくとも判別可能であるため、任意の人物をアノテータとしてもよい。

　このとき、アノテーション用端末装置４０は、診断支援サーバ装置３０から送られた診断可能フレーム画像を表示させる。そして、アノテータは、アノテーション用端末装置４０に搭載されたアノテーションツールを用いて、当該診断可能フレーム画像において眼の各組織が写り込んだ領域を図３１のように矩形の領域で囲い込むことによりアノテーションを行う。

　具体的には、このとき、アノテータは、図３１（Ａ）及び（Ｂ）に例示するように、診断可能フレーム画像において「角膜の写り込んだ領域」を青の矩形で囲い込むとともに、「眼全体の写り込んだ領域」を赤の矩形で囲い込む作業を実施して、アノテーションを付ける。アノテーションにおいては、このようにして、得られた矩形領域の左上と右下の座標のデータを用いて診断可能フレーム画像にタグ付けを行いつつ、教師データを作成し、機械学習及びデータマイニングの少なくとも一方を実施することによって、診断可能フレーム画像から領域画像を切り出す切り出し用の知識（以下、「切り出し用知識」ともいう。）を獲得する。具体的にはこのとき、切り出し用知識を獲得するため、診断可能フレーム画像とアノテーションした矩形領域のペアによって教師データを作成して、機械学習及びデータマイニングの少なくとも一方を実行する。なお、切り出し用知識の獲得に用いる具体的な学習アルゴリズムについては任意であり、例えば、Ｏｂｊｅｃｔｉｖｅ　Ｄｅｔｅｃｔｉｏｎのアルゴリズムに教師データを入力して誤差が小さくなるように学習する構成とすれば良い。Ｏｂｊｅｃｔｉｖｅ　Ｄｅｔｅｃｔｉｏｎは原理的に１枚の画像に対して複数の領域を推定することがあるが、診断可能フレームには、１個の眼しか写っていないため、確率が最大のものを選ぶようにすればよい。これにより１フレームに対して、角膜と眼全体の領域を一意に切り出すことが可能になる。また、切り出し用知識は、例えば、抽出用知識とともに抽出用知識記憶部３３２に記憶するようにしても良く、記憶装置３３０内に切り出し用知識用の記憶領域を割り当て、図示せぬ切り出し用知識記憶部を設ける構成としてもよい。さらに、図３１においては、白色拡散光及び青色光を観察光として用いて撮影された動画像から角膜を切り出す場合について例示したが、本実施形態は、角膜にのみ利用可能なものではなく、結膜や眼瞼の一部組織、虹彩、眼底組織等、眼のあらゆる組織に適用することが可能である。また、本実施形態において利用可能な観察光は、白色拡散光及び青色光に限定されず、スリット光ＳＬや直線偏光を観察光として利用した動画像に対しても適用可能である。この場合、アノテータは、診断可能フレーム画像において対象となる組織の写り込んだ領域を青の矩形で囲い込むとともに、眼全体の写り込んだ領域を赤の矩形で囲い込むようにすればよい。要は、対象組織に応じて、青の矩形で囲い込む範囲を指定することにより、任意の組織の写り込んだ領域画像を切り出すことが可能となる。なお、直線偏光を用いる場合には、移動体通信端末装置１０に対して第２実施形態の近接撮影用装置２０Ｂを装着して、眼底組織の動画像を撮影するとともに、アノテータは、眼底組織において切り出すべき領域として例えば、診断可能フレーム画像に写り込んだ黄斑部等の組織を青の矩形、画像全体を赤の矩形で囲い込むようにすればよい。

［Ｃ２］眼の組織の写り込んだ領域画像の推定及び切り出し方法について
　次いで、図３２を用いて、診断可能フレーム画像において眼の組織の写り込んだ領域を推定しつつ領域画像を切り出す方法について説明する。なお、図３２は、本実施形態の診断支援サーバ装置３０の診断可能フレーム抽出部３５２が、眼の組織の写り込んだ領域を診断可能フレーム画像から推定し、領域画像を切り出す方法を説明するための図である。

　本実施形態の構成により、診断可能フレーム抽出部３５２が、学習済みの切り出し用知識を使って、診断可能フレーム画像に対して領域検出を行い角膜の写り込んだ領域（黄色の矩形領域部分）と眼全体の写り込んだ領域（緑の矩形領域部分）を、図３２のように各診断可能フレーム画像から推定して領域画像を切り出した。この結果、図３２に例示するように角膜の写り込んだ領域と、眼全体が写り込んだ領域をほぼ正確に推定し、切り出せることが分かった。なお、実際に後述の診断用知識獲得時及び診断支援情報の生成時には、診断可能フレーム画像においてこの領域を中心に含む最小の正方形として領域画像を切り出す構成とした。

［Ｃ３］診断用知識の獲得方法
　上記方法により切り出し用知識を獲得した状態にて、診断用知識を獲得する場合は、本実施形態おいても基本的に図１４と同様の処理によって、診断用知識が獲得されることとなる。

　但し、本実施形態においては、診断可能フレーム抽出部３５２が、ステップＳａ２において抽出用知識及び切り出し用知識を記憶装置３３０から読み出し、ステップＳａ３においては、抽出用知識に基づいて診断可能フレーム画像を抽出した後、切り出し用知識に基づいて、上記のように当該診断可能フレーム画像において眼の組織の写り込んだ領域画像を切り出すこととなる。なお、本実施形態の診断可能フレーム抽出部３５２は、例えば、本発明の「切り出し手段」を構成する。

　そして、ステップＳａ４において診断用知識獲得部３５３は、診断可能フレーム画像から切り出した領域画像をアノテーション用端末装置４０に送信する。アノテーション用端末装置４０は、当該領域画像を表示させつつ、アノテータとなる医師に当該領域画像に基づく診断結果を入力させ、入力内容に対応する診断結果情報によってタグ付けされた教師データを作成し、診断用知識獲得部３５３は、当該作成された教師データをアノテーション用端末装置４０から取得する（ステップＳａ５「Ｙｅｓ」）。そして、診断用知識獲得部３５３は、当該教師データを教師データ記憶部３３３に記憶させつつ（ステップＳａ６）、記憶済の教師データ数がα以上となった時点で（ステップＳａ７「Ｙｅｓ」）、記憶済の教師データに基づき診断用知識を獲得して（ステップＳａ８）、診断用知識記憶部３３４に記憶させ（ステップＳａ９）、処理を終了する。

［Ｃ４］診断支援情報の生成方法
　このようにして、診断可能フレーム画像から切り出した領域画像に基づく診断用知識と、切り出し用知識が獲得された状態になると、後に移動体通信端末装置１０から動画像データがアップロードされてきた際に、診断処理部３５０においては、基本的に図１５と同様の処理により、診断支援情報が生成され（図１５ステップＳｂ７）、該当する移動体通信端末装置１０に配信されることとなる（図１５ステップＳｂ８）。

　但し、本実施形態においては、診断可能フレーム抽出部３５２が、ステップＳｂ３において、スマートアイカメラからアップロードされた動画像データから診断可能フレーム画像を抽出した後、当該抽出した診断可能フレーム画像から切り出し用知識に基づき上記方法により領域画像を切り出す。

　そして、健康状態推定処理部３５４は、当該領域画像と診断用知識に基づき基本的に図１５と同様の処理により診断支援情報を生成する。このとき、健康状態推定処理部３５４は、ステップＳｂ５において診断可能フレーム画像から切り出した領域画像と診断用知識に基づいて、スマートアイカメラにより撮影された被検眼Ｅの健康状態を推定し（ステップＳｂ５）、提示用フレーム画像を抽出した後（ステップＳｂ６）、診断支援情報を生成して（ステップＳｂ７）、動画像のアップロード元の移動体通信端末装置１０に配信し（ステップＳｂ８）、処理を終了する。なお、この際における処理は基本的に第１実施形態と同様であるため詳細を省略する。また、この場合に、ステップＳｂ６にて抽出する提示用フレーム画像は、第１実施形態と同様の方法によって抽出してもよく、提示用フレーム画像として抽出された診断可能フレーム画像から切り出した眼の領域画像のみを提示用フレーム画像として用いるようにしてもよい。

　以上の構成によって、本実施形態の診断支援システム１は、非常に高精度に被検眼Ｅの健康状態を推定して、より精度の高い診断結果を含む診断結果情報を生成し、利用することが可能となる。特に、スマートアイカメラを用いて被検眼Ｅの動画像を撮影する場合に、ズームの異なるフレーム画像が含まれてしまっているような場合においても、診断可能フレーム画像が同じサイズに正規化されるので、診断用知識獲得時の機械学習の精度を向上させて、高精度に被検眼Ｅの健康状態を推定することができる。

　本実施形態の診断支援システム１を用いて、実際にスリット光、白色拡散光、直線偏光、青色光の各観察光を被検眼Ｅに照射しつつ、スマートアイカメラによって被検眼Ｅの動画像を撮影して、当該撮影された動画像に含まれる診断可能フレーム画像から領域画像を切り出し、当該領域画像に基づき、前房組織に発症する虹彩炎やぶどう膜炎等の疾患、眼瞼組織に発症する霰粒腫や麦粒腫、角膜組織や結膜組織に発症するアレルギー性結膜炎、流行性角結膜炎、円錐角膜、角膜混濁、点状表層角膜炎や角膜潰瘍、ＤＥＤ、眼底組織に発症する疾患等の各種疾患の状態の推定を行った。この結果、本実施形態の方法によれば、診断精度が格段に向上することが判明した。

　特に、ＤＥＤの診断においては、ＴＦＢＵＴを高精度に推定しつつ、非常に高精度にＤＥＤの診断を行うことが可能となり、例えば、（ａ）スポットブレイク、（ｂ）エリアブレイク、（ｃ）ディンプルブレイク、（ｄ）ラインブレイク、（ｅ）ランダムブレイク等、ＤＥＤの様々なサブタイプに関しても診断可能であることが判明した。

　以上説明したように本実施形態の診断支援システム１によれば、スマートアイカメラによって撮影された動画像に含まれる診断可能フレーム画像から眼の対象組織の写り込んだ領域画像を切り出しつつ、診断用知識を獲得することができる。また、被検眼Ｅの健康状態の推定（診断）に際しても、領域画像を用いて、高精度な推定結果を得て、より実用性の高い高精度な診断支援情報を生成して、利用することができる。なお、本実施形態の構成において、変形例６と同様に１回の動画像撮影で複数の疾患の状態を一度に推定して利用可能とする構成を採用とすることが望ましい。この場合には複数の疾患用の切り出し用知識及び領域画像に基づく診断用知識を予め記憶装置３３０内に記憶させておき、スマートアイカメラから動画像データがアップロードされてきた際に、各疾患の状態を推定するための領域画像を疾患毎に切り出して、当該切り出した領域画像と、対応する疾患用の診断用意識に基づき、被検眼Ｅに発生した複数の疾患の状態を一度に推定する構成とすればよい。また、この場合には、変形例６と同様に、領域画像に基づく疾患毎の推定結果を一覧表形式で記述した診断支援情報を生成する構成としてもよい。さらにこの場合には、変形例６と同様に複数の疾患に対応する診断用知識を一度に獲得する構成としてもよい。また、本実施形態の構成において変形例４と同様に領域画像により三次元画像を構築し、当該三次元画像に基づき、診断用知識を獲得し、又は、領域画像を積層した三次元画像に基づき、被検眼Ｅの健康状態を推定する構成にしてもよい。この場合には、各診断可能フレーム画像から切り出した領域画像を焦点距離に応じて積層して三次元画像を生成する構成とすればよい。なお、その他の点については変形例４と同様であるため詳細を省略する。

［Ｄ］第４実施形態
　上記各実施形態及び変形例においては、スマートアイカメラによって撮影された動画像のみに基づき、診断用知識を獲得する構成を採用した。

　これに対して、本実施形態の診断支援システム１においては、スマートアイカメラのみならず、図示せぬ眼科施設に設置されている各種の眼科用装置において得られた情報パラメーター値（具体的には、被検眼Ｅにおける一部組織の長さ、角度、面積等の測定値）を診断可能フレーム画像に紐付けつつ、教師データを作成して、当該教師データに基づき機械学習及びデータマイニングの少なくとも一方を実行することにより診断用知識を獲得する方法を採用する。そして、本実施形態においては、当該獲得した診断用知識を用いて、スマートアイカメラにて撮影された動画像から被検眼Ｅにおける情報パラメーターの値を推定する構成を採用する。なお、本実施形態の診断支援システム１は、基本的に第１、第２実施形態及び変形例と同様の構成によって実現される。すなわち、本実施形態においても、診断支援システム１を構成する各構成要素は上記第１実施形態等と同様の機能を有し、同様の動作を行うものであるため、以下においては、上記第１実施形態等と異なる点についてのみ説明を行う。

　本実施形態において、アノテーション用端末装置４０は、図示せぬ眼科施設内に設置されるとともに、アノテータとなる医師が、眼科施設に設置された以下のような各種眼科用装置を用いて、被検眼Ｅに関する各種の情報パラメーター値を取得する方法を採用する。そして、本実施形態の診断支援システム１においては、診断用知識を獲得する際、これらの眼科用装置によって取得された情報パラメーターと、診断可能フレーム画像を紐付けつつ、教師データを作成し、当該教師データを用いて診断用知識を獲得する。なお、本実施形態において診断用知識の獲得に利用する診断可能フレーム画像は、第１実施形態と同様に動画像から抽出したものをそのまま利用してもよく、第３実施形態と同様に診断可能フレーム画像から切り出した領域画像を利用してもよい。

［Ｄ１］本実施形態において利用可能な眼科用装置の種類と各装置によって取得可能な情報パラメーター値について
　本実施形態において具体的にどのような眼科用装置を用いて、被検眼Ｅに関するどのような情報パラメーター値を取得しながら教師データを作成するのかに関しては任意であり、例えば、以下のような眼科用装置を用いて、以下の情報パラメーター値を取得し、当該情報パラメーター値を診断可能フレーム画像に紐付けつつ教師データを作成する構成とすることができる。

（１）前眼部ＯＣＴ（Ｏｐｔｉｃａｌ　Ｃｏｈｅｒｅｎｃｅ　Ｔｏｍｏｇｒａｐｈｙ）
　前眼部ＯＣＴを用いた場合には、被検眼Ｅの角膜厚、前房深度、角膜曲率半径、隅角角度、乱視度数、瞳孔径、高次収差等の情報パラメーター値を取得することができるので、これらの情報パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像からこれらの情報パラメーター値を推定することが可能となる。

（２）オートレフケラトメータ
　オートレフケラトメータを用いた場合には、被検眼Ｅの屈折、角膜曲率半径、近視、遠視、乱視度数等の情報パラメーター値を取得することができるので、これらの情報パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することでスマートアイカメラ画像からこれらの情報パラメーター値を推定することが可能となる。

（３）ノンコンタクトトノメーター
　ノンコンタクトトノメーターを用いた場合には、被検眼Ｅの眼圧の情報パラメーター値を取得することができるので、当該パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像から被検眼Ｅの眼圧を推定することが可能となる。

（４）スペキュラーマイクロスコープ
　スペキュラーマイクロスコープを用いた場合には、被検眼Ｅの角膜内皮細胞に関する情報パラメーター値を取得することができるので、当該情報パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像からこれらの情報パラメーター値を推定することが可能となる。

（５）眼底カメラ
　眼底カメラを用いた場合には、被検眼Ｅの眼底写真を取得することができるので、各種の眼底疾患に対応する眼底写真に基づく医師の診断結果に対応する診断結果情報によって診断可能フレーム画像にタグ付けしつつ教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像から眼底に発症した各種の疾患の状態を高精度に推定することが可能となる。なお、眼底写真に関しては、第２実施形態の方法で取得した診断可能フレーム画像をそのまま教師データ作成用に利用してもよく、領域画像を切り出して、当該領域画像を教師データ作成用に利用してもよい。

（６）ＯＣＴや光干渉式眼軸長測定装置
　ＯＣＴや光干渉式眼軸長測定装置を用いた場合には、被検眼Ｅの網膜厚、視神経乳頭径、網脈絡膜血管等の情報パラメーター値を測定することができるので、これらの情報パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像からこれらの情報パラメーター値を推定することが可能となる。なお、この場合においても領域画像に基づいて教師データを作成することが可能である。

（７）超音波断層撮影装置
　超音波断層撮影装置を用いた場合には、被検眼Ｅの眼軸長の情報パラメーター値を取得することができるので、当該情報パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像から眼軸長を推定することが可能となる。

（８）視野計
　視野計を用いた場合には、被検眼Ｅの静的視野及び動的視野に関する情報パラメーター値を取得することができるので、これらの情報パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像からこれらの情報パラメーター値を推定することが可能となる。

（９）調節機能解析装置
　調節機能解析装置を用いた場合には、被検眼Ｅの調節機能に関する情報パラメーター値を取得することができるので、当該情報パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像から眼の調節機能に関する情報パラメーター値を推定することが可能となる。

（１０）フリッカー測定器
　フリッカー測定器を用いた場合には、被検眼Ｅのフリッカー値の情報パラメーター値を取得することができるので、当該情報パラメーター値を診断可能フレーム画像に紐付けた教師データを作成して、診断用知識を獲得し、当該診断用知識を利用することで、スマートアイカメラ画像から被検眼Ｅのフリッカー値を推定することが可能となる。

［Ｄ２］診断用知識の獲得方法
　本実施形態の診断支援システム１においては、基本的に図１４と同様の処理によって診断用知識が獲得される。

　但し、本実施形態の方法によって、被検眼Ｅにおける情報パラメーター値を推定する場合には、上記３条件に対して追加の条件が必要となるため、ステップＳａ３においては、診断可能フレーム抽出部３５２が、当該追加条件を満たすフレーム画像を診断可能フレーム画像として抽出する方法を採用することとした。なお、この追加条件に関しては後に詳述する。

　また、本実施形態において、アノテーション用端末装置４０は、図１４ステップＳａ４において診断支援サーバ装置３０から診断可能フレーム画像が送信されてくると、当該診断可能フレーム画像を表示させつつ、当該診断可能フレーム画像に基づく診断結果及び眼科用装置によって取得された情報パラメーター値をアノテータに入力させるためのＧＵＩを表示する。そして、アノテータとなる医師が、（ａ）診断可能フレーム画像に基づく診断結果と、（ｂ）眼科用装置によって取得された情報パラメーター値を入力すると、アノテーション用端末装置４０は、（ａ）当該入力された診断結果に対応する診断結果情報と、（ｂ）入力された情報パラメーター値を該当する診断可能フレーム画像にタグ付けしつつ、教師データを作成して、診断支援サーバ装置３０に送信する。なお、この場合には、スマートアイカメラによって撮影された被検眼Ｅと同じ眼に関する情報パラメーター値を取得し、診断可能フレーム画像に紐付けて教師データを作成することが必要になるが、その際の具体的な方法に関しては任意であり、例えば、以下の方法ａ及びｂのいずれか一方を採用することができる。

（方法ａ）
　（ステップａ１）この方法ａにおいては、まず、アノテーション用端末装置４０の設置された眼科施設において患者の眼（すなわち、被検眼Ｅ）をスマートアイカメラにより撮影するとともに、診断支援サーバ装置３０に撮影した被検眼Ｅの動画像データをアップロードする。（ステップａ２）診断支援サーバ装置３０は、当該アップロードされた動画像データから診断可能フレーム画像を抽出して、該当する眼科施設に設置されたアノテーション用端末装置４０に配信する。（ステップａ３）そして、アノテータとなる医師が、当該診断可能フレーム画像に基づき、診断を下しつつ、眼科用装置により当該患者の眼（すなわち、被検眼Ｅ）に関する各種情報パラメーター値を測定して、当該測定した各種の情報パラメーター値を診断結果とともにアノテーション用端末装置４０に入力する。（ステップａ４）。アノテーション用端末装置４０は、医師によって入力された診断結果情報及び測定された各種の情報パラメーター値によって当該診断可能フレーム画像にタグ付けしつつ、教師データを作成する。

（方法ｂ）
　（ステップｂ１）この方法ｂにおいては、まず、診断支援システム１内において各患者を一意に識別するための患者ＩＤを予め割り当てておく。（ステップｂ２）スマートアイカメラにて撮影された動画像のアップロード時に当該患者に割り当てられた患者ＩＤを入力して、動画像データと対応付けつつアップロードする。（ステップｂ３）眼科施設においても、患者ＩＤを入力しつつ、眼科用装置における測定結果を電子カルテなどに入力し、当該入力された測定値を患者ＩＤと対応付けつつ図示せぬデータベースに格納する。（ステップｂ４）スマートアイカメラから患者ＩＤと対応付けられた動画像データがアップロードされた際に、診断支援サーバ装置３０が、当該動画像から診断可能フレーム画像を抽出して、患者ＩＤと対応付けつつアノテーション用端末装置４０に送信する。（ステップｂ５）アノテーション用端末装置４０が、データベースにおいて、当該患者ＩＤと対応付けて格納された測定値を取得する。（ステップＳｂ６）アノテーション用端末装置４０が、医師による診断結果と、データベースから取得した測定値を診断可能フレーム画像に紐付けつつ、教師データを作成する。

　このようにして作成された教師データをアノテーション用端末装置４０から受信すると、（図１４ステップＳａ５「Ｙｅｓ」）、診断用知識獲得部３５３は、当該教師データを教師データ記憶部３３３に記憶させつつ（図１４ステップＳａ６）、教師データ数がα以上となった時点で、当該教師データに基づき、機械学習及びデータマイニングの少なくとも一方を実行して、診断用知識を獲得し（ステップＳａ８）、診断用知識記憶部３３４に記憶させた後、（ステップＳａ９）、処理を終了する。このとき、診断用知識獲得部３５３は、健康状態推定処理部３５４と連動して、眼科用装置によって取得された測定値と、診断可能フレーム画像に基づく推定値の誤差が「０」になるように機械学習及びデータマイニングの少なくとも一方を実行して、診断用知識を獲得する。

［Ｄ３］診断支援情報の生成方法
　本実施形態の診断支援システム１においても、基本的に図１５と同様の処理によってスマートアイカメラにおいて撮影された被検眼Ｅに関する情報パラメーター値が推定されるとともに、当該推定された情報パラメーター値を含む診断支援情報が生成されることとなる。

　但し、本実施形態の構成において、被検眼Ｅにおける情報パラメーター値を推定するためには、上記のように診断可能フレーム画像として後述の追加条件を満たすフレーム画像を抽出する必要があるため、図１５ステップＳｂ３において、診断可能フレーム抽出部３５２は、当該条件を満たす診断可能フレーム画像を抽出し、当該診断可能フレーム画像と診断用知識に基づき、被検眼Ｅにおける情報パラメーター値を推定する方法を採用することとした。また、本実施形態において、健康状態推定処理部３５４は、ステップＳｂ５において、被検眼Ｅに関する情報パラメーター値を推定することとなる。なお、本実施形態において診断支援サーバ装置３０の診断処理部３５０が生成する診断支援情報は、（１）推定された情報パラメーター値のみを含むものであってもよく、（２）第１実施形態と同様に被検眼Ｅにおける疾患の状態の推定結果のみを含むものであってよく、（３）疾患の状態の推定結果と情報パラメーター値の推定結果の双方を含むものであってもよい。双方を含む診断支援情報の生成方法としては、（ａ）最初に第１実施形態と同様の処理により被検眼Ｅにおける疾患の状態を推定した後、情報パラメーター値の推定を行うというように段階的に推定する方法を採用してもよく、（ｂ）疾患の状態と情報パラメーター値を診断用知識に基づき一度に推定する方法を採用してもよい。前者の場合には、疾患の状態推定及び情報パラメーター値の推定のために図１５と同様の処理を繰り返せばよく、後者の場合には、（ｉ）診断結果情報と情報パラメーター値によってタグ付けされた教師データに基づいて得られた診断用知識から、健康状態推定処理部３５４がステップＳｂ５において被検眼Ｅにおける疾患の状態と、情報パラメーター値と、を一度に推定する構成としてもよく、（ｉｉ）診断用知識に医学書や医学事典、医学論文その他の文献に記述された知識、或いは、インターネット上に開示された医学的知識を含ませる構成を採用して、健康状態推定処理部３５４が、スマートアイカメラ画像から推定された各種の情報パラメーター値と医学書等の知識に基づき、被検眼Ｅにおける疾患の状態を推定して、情報パラメーター値ともに診断支援情報に記述する方法を採用してもよい。いずれの方法を採用した場合であっても、（１）ステップＳｂ３において抽出する診断可能フレーム画像に該当する条件が追加される点及び（２）ステップＳｂ５において健康状態推定処理部３５４が情報パラメーター値を推定する点以外は基本的に図１５と同様である。

［Ｄ４］本実施形態の応用例
　次いで、本実施形態の診断支援システム１を利用した診断形態の応用例について説明する。本実施形態の診断支援システム１は、上記第１、第２実施形態及びその変形例と同様に、（１）被検眼Ｅにおける白内障診断の他、（２）前房組織に発症する虹彩炎やぶどう膜炎等の疾患、（３）眼瞼組織に発症する霰粒腫や麦粒腫、角膜組織や結膜組織に発症するアレルギー性結膜炎、流行性角結膜炎、円錐角膜、角膜混濁等の疾患、（４）点状表層角膜炎や角膜潰瘍等の疾患、（５）ＤＥＤ、（６）眼底組織における疾患の状態を推定し、当該推定結果を含む診断支援情報を生成して利用できる。特に、本実施形態の診断支援システム１によれば、眼科用装置において測定された情報パラメーター値を利用して以下のような応用を行うことができる。

（１）前房深度（ＡＣＤ：Ａｎｔｅｒｉｏｒ　Ｃｈａｍｂｅｒ　Ｄｅｐｔｈ）の推定
　本発明者は、本実施形態の診断支援システム１の応用可能性を検証するため、スマートアイカメラにより撮影された被検眼Ｅの動画像に基づき、実際に被検眼Ｅにおける前房深度を推定する実験を行った。

（１－１）本実験の全体的な流れについて
　本実験においては、図３３に示すように、まずスマートアイカメラにより被検眼Ｅの前房組織を撮影するとともに、当該撮影された動画像から診断可能フレーム抽出部３５２が診断可能フレーム画像を抽出し（図３３ステップｉ）、当該診断可能フレーム画像から虹彩部分の領域画像の切り出しを行った（ステップｉｉ）。このとき、切り出し用知識には、診断可能フレーム画像から虹彩の写り込んだ領域画像を切り出すための切り出し用知識を利用した。

（１－２）利用した診断可能フレーム画像について
　ここで、スマートアイカメラによって前房深度を推定可能な画像を撮影するためには、観察光としてスリット光ＳＬを用い、スリット光ＳＬを被検眼Ｅに対して斜めに照射させて、被検眼Ｅを斜めに切りつつ動画像を撮影することが必要となる。そこで、本実験においては、スマートアイカメラを構成する近接撮影用装置２０Ａにスリット光形成部材６１及び凸レンズ部材９３を装着するとともにカラーフィルター部材９７を取り外し、観察光としてスリット光ＳＬを被検眼Ｅに照射した状態で被検眼Ｅを撮影し、図３４（Ａ）に例示するような診断可能フレーム画像を含む動画像を撮影した。

　また、スマートアイカメラで撮影した動画像から前房深度を推定する場合には、図３４（Ａ）において赤線の先の緑線によって示される部位を判別可能なフレーム画像を診断可能フレーム画像として用いる必要がある。このため、本実験においては、前房深度の推定に利用可能なフレーム画像（すなわち、診断可能フレーム画像）として、上記３条件に加えて、（条件４）スリット光ＳＬが瞳孔に照射され、図３３（Ａ）のようにスリット光ＳＬが瞳孔を挟んで上下に分かれていること、という追加条件を満たすフレーム画像を診断可能フレーム画像として抽出するための抽出用知識を用いることとした。そして、上述した図１４ステップＳａ３において、診断可能フレーム抽出部３５２は、この４条件を満たすフレーム画像を診断可能フレーム画像として抽出し、当該診断可能フレーム画像に対して眼科用装置によって測定した情報パラメーター値及び診断結果情報によるタグ付けを行って診断用知識を獲得する方法を採用した。なお、この場合には、スリット光ＳＬが瞳孔の中心に照射されたフレーム画像を診断可能フレーム画像として用いることが望ましく、このようなフレーム画像を用いることによって、前房深度の推定精度を向上させられることが判明したが、スリット光ＳＬは、瞳孔に照射されていれば足り、必ずしも瞳孔の中心に照射されている必要が無いことも本実験にて判明した。

　このとき、当該抽出用知識に基づいて抽出された診断可能フレーム画像から虹彩の写り込んだ領域画像を切り出し、前眼部ＯＣＴによって測定された前房深度及び眼軸長（ＡＬ：Ａｘｉａｌ　Ｌｅｎｇｔｈ）の情報パラメーター値によって診断可能フレーム画像から切り出した領域画像にタグ付けしつつ、教師データを作成し（図３３ステップｉｉｉ）、診断用知識を獲得した。

　ここで、前房深度は、図３４（Ｂ）に示す前眼部ＯＣＴの測定結果ＧＵＩにおいて、緑の円で示した「ＡＣＤ＝３．１４９ｍｍ」という数値で示され、（Ｂ）において「ｃｏｎｅａ－Ｂ」という赤い点から「ｌｅｎｓ－Ｆ」という赤い点までの距離に略一致するものとなっている。また、この前眼部ＯＣＴによって測定した前房深度の測定値は、理論的に図３４（Ａ）において、赤線の先の緑の線によって示される距離と同一の距離を示すものとなっている。このため、本実験においてはこの緑の線の長さを前眼部ＯＣＴによって測定された前房深度測定値と定義付けつつ、診断可能フレーム画像にタグ付けを行って、教師データを作成した。

　このとき、アノテータが、診断可能フレーム画像から切り出された領域画像と、前眼部ＯＣＴによって測定された前房深度の測定値（例えば、図３４（Ｂ）における「ＡＣＤ＝３．１４９ｍｍ」という数値）及び前眼部ＯＣＴによって得られる眼軸長（図３３に例示するＡＬ＝３２ｍｍ）をアノテーション用端末装置４０に入力することにより、診断可能フレーム画像に対して前房深度測定値及び眼軸長測定値によるタグ付けを行って教師データを作成した。そして、診断可能フレーム画像から予測した値と前眼部ＯＣＴの測定値との誤差が「０」になるように学習を行って、診断用知識を獲得した（図１４ステップＳａ８）。なお、この際における具体的な処理は、抽出用知識として用いる知識が上記４条件を満たすものを抽出する知識となり、ステップＳａ３において４条件を満たすフレーム画像を診断可能フレーム画像として抽出する点以外は、図１４と同様である。

　そして、本実験においては、以上の方法によって獲得した診断用知識を用いて、スマートアイカメラによって撮影された動画像に基づく前房深度の推定を行った。なお、前房深度推定時の動作は、基本的に図１５と同様である。但し、前房深度を推定する場合には、上記のように４条件を満たす診断可能フレーム画像を用いる必要があるので、ステップＳｂ３において、診断可能フレーム抽出部３５２は、抽出用知識に基づいて上記４条件を満たすフレーム画像を診断可能フレーム画像として抽出する方法を採用した。また、このとき、診断可能フレーム抽出部３５２は、上記４条件を満たす診断可能フレーム画像を抽出した後（図３３ステップｉ）、当該診断可能フレーム画像から上記と同様に虹彩の写り込んだ領域画像を切り出した（ステップｉｉ）。このとき、診断用知識には、領域画像に前房深度測定値及び眼軸長測定値によるタグ付けを行って（ステップｉｉｉ）獲得したものを用いた。そして、当該診断用知識及びスマートアイカメラによる撮影画像に基づいて健康状態推定処理部３５４により前房深度の推定を行った（図３３ステップｉｖ）。

　以上の実験の結果、スマートアイカメラによって撮影された動画像から抽出した診断可能フレーム画像に基づく前房深度の推定値は、実際に前眼部ＯＣＴにより測定した値と比較して、１５０±３６０μｍの誤差範囲内となり、非常に高精度に前房深度を推定できることが判明した。

（２）緑内障の発作リスク判定について
　上記のように本実施形態によれば、被検眼Ｅの前房深度を高精度に推定できることから、スマートアイカメラによって撮影された動画像に基づき、被検眼Ｅにおける緑内障の発作リスクを判定することも可能である。一般に前房深度の値と緑内障の発作リスクは関連し、前房深度が２．５ｍｍ未満になると、閉塞隅角緑内障の発作リスクがあるものと判定することができる（例えば、https://en.wikipedia.org/wiki/Anterior_chamber_of_eyeballを参照）。このため、本実施形態の構成により被検眼Ｅの前房深度を推定して、緑内障の発作リスクの有無を判定しつつ、緑内障の発作リスクの有無を含む診断支援情報を生成する構成とすることも可能である。

（３）角膜曲率半径の推定
　また、本発明者は、本実施形態の診断支援システム１の応用可能性を確認するため、前眼部ＯＣＴ等の眼科用装置により被検眼Ｅにおける角膜曲率半径を測定し、当該測定値により診断可能フレーム画像又は角膜の写り込んだ領域の領域画像にタグ付けして教師データを作成するとともに、診断用知識を獲得して、当該診断用知識とスマートアイカメラによって撮影された動画像に基づき被検眼Ｅの角膜曲率半径を推定した。この結果、角膜曲率半径の値に関しても前房深度と同様に高精度に推定できることが判明した。なお、この場合に診断可能フレーム画像に該当するための条件は前房深度の場合と同様に上記４条件を満たすものとなるので、この場合においても、抽出用知識には、上記４条件を満たすフレーム画像を抽出するための抽出用知識を利用した。

（４）眼軸長の推定
　ここで、眼球は、球体に近い形状を有し、眼球全体の形状は、前眼部の形状に依存することが分かっている。例えば、前房深度と眼軸長の間には強い相関が認められる（例えば、https://pubmed.ncbi.nlm.nih.gov/26107475/参照）。また、角膜曲率半径と眼軸長の間にも強い相関が認められる（例えば、https://pubmed.ncbi.nlm.nih.gov/32209342/参照）。さらに、等価球面度数（ＳＥ）と眼軸長の間にも強い相関関係が認められる（例えば、https://pubmed.ncbi.nlm.nih.gov/33326192）。従って、これらの値を眼軸長の測定値と対応付けつつ診断可能フレーム画像又は領域画像にタグ付けして教師データを作成することにより、診断可能フレーム画像に基づいて推定された前房深度や角膜曲率半径、透過球面度数等の情報パラメーター値から眼軸長を推定する構成とすることも可能である。

（５）生検（生体組織診断）結果の推定
　本実施形態の診断支援システム１においてスマートアイカメラによって撮影された動画像から被検眼Ｅの生検結果を推定する場合、診断用知識は、基本的に図１４と同様の処理によって獲得されることとなる。このとき、アノテータとなる医師は、生検の対象組織における生検結果を取得して、当該生検結果に基づく診断結果をアノテーション用端末装置４０に入力する。アノテーション用端末装置４０は、当該入力された診断結果に対応する診断結果情報により診断可能フレーム画像にタグ付けを行って教師データを作成し、診断支援サーバ装置３０に送信する。そして、診断支援サーバ装置３０において診断用知識獲得部３５３は、当該教師データを教師データ記憶部３３３に記憶させつつ（ステップＳａ６）、教師データ数がα以上となった時点で（ステップＳａ７「Ｙｅｓ」）、当該教師データに基づき診断用知識を獲得して記憶させ（ステップＳａ８及びＳａ９）、処理を終了する。なお、生検の対象は、眼瞼組織及び前眼部組織の他、眼内組織、眼底組織を対象とすることができる。このとき、対象組織を眼瞼及び前眼部組織とする場合には、観察光としてスリット光ＳＬ、白色拡散光、青色光を利用できる一方、眼底組織を対象とする場合には、移動体通信端末装置１０に対して、第２実施形態における近接撮影用装置２０Ｂを装着し、観察光として直線偏光を利用することが必要となる。なお、眼底組織を対象とする場合には、生検結果の他、ＯＣＴによって測定された網膜厚や視神経乳頭径、網脈絡膜血管等の情報パラメーター値を診断結果情報とともに診断可能フレーム画像又は領域画像にタグ付けて教師データを作成することにより、これらの情報パラメーター値を高精度に推定しつつ、被検眼Ｅの眼底組織における疾患の有無を高精度に推定することが可能となる。特に、スマートアイカメラによって撮影される動画像は、移動体通信端末装置１０のアウトカメラモジュールを用いて非常に高い解像度（例えば、４Ｋ又は８Ｋ解像度）にて撮影できるので、動画像データのアップロード時に対象部位（例えば、眼瞼等）の写り込んだ領域画像を切り出しつつ、拡大して利用することによって、生検でしか分からない病理所見をスマートアイカメラで撮影した動画像から高い精度にて推定することができる。

　以上説明したように本実施形態の診断支援システム１によれば、スマートアイカメラにより撮影した動画像から被検眼Ｅに関する各種情報パラメーターの値を推定できるので、各種の眼科用装置を設置することのできない発展途上国や僻地などの機器や医師等の不足している地域においても、患者の眼の健康状態を詳細に且つ適切に推定して、各種疾患の診断に利用する事ができる。なお、本実施形態の構成において、上記第１実施形態と同様に各診断可能フレーム画像に対して、「Ｄｉａｇｎｏｓａｂｌｅ」に該当する確率を算出するとともに、複数の診断可能フレーム画像を抽出し、各診断可能フレーム画像毎に情報パラメーター値を推定して、各推定値に対して「Ｄｉａｇｎｏｓａｂｌｅ」に該当する確率による重み付けを行いつつ、被検眼Ｅにおける最も尤もらしい情報パラメーター値を推定する構成を採用してもよい。この場合には、推定対象が、疾患の状態ではなく情報パラメーター値となる点以外は第１実施形態と同様である。また、本実施形態の構成において変形例４と同様に、三次元画像を構築し、当該三次元画像に基づき、診断用知識を獲得し、当該診断用知識と三次元画像に基づき、情報パラメーター値を推定する構成としてもよい。さらに、本実施形態の構成においては、変形例６と同様に１回の動画像撮影で複数の情報パラメーター値（例えば、前房深度と角膜曲率半径等）を一度に推定して利用可能とする構成を採用とすることが望ましい。この場合には各情報パラメーター値を推定するための複数の診断用知識を予め診断用知識記憶部３３４に記憶させておき、スマートアイカメラから動画像データがアップロードされてきた際に、各情報パラメーター値を推定するための診断可能フレーム画像を情報パラメーター値毎に抽出して、当該抽出した診断可能フレーム画像と、対応する情報パラメーター値用の診断用意識に基づき、被検眼Ｅの一部組織における複数の情報パラメーター値を一度に推定する構成とすればよい。また、この場合には、変形例６と同様に、複数の情報パラメーター値の推定結果を一覧表形式で記述した診断支援情報を生成する構成としてもよい。

　１…診断支援システム、２…偏光フィルター（垂直偏光）、３…偏光フィルター（水平偏光）、４…カラーフィルター（オレンジ）、８…板状フィルター、１０…移動体通信端末装置、２０、２０Ａ、２０Ｂ…近接撮影用装置、３０…診断支援サーバ装置、３１０…通信制御部、３２０…ＲＯＭ／ＲＡＭ、３３０…記憶装置、３３１…プログラム記憶部、３３２…抽出用知識記憶部、３３３…教師データ記憶部、３３４…診断用知識記憶部、３４０…サーバ管理制御部、３５０…診断処理部、３５１…動画像データ取得部、３５２…診断可能フレーム抽出部、３５３…診断用知識獲得部３５３、３５４…健康状態推定処理部、３５５…診断支援情報生成部、３５６…診断支援情報配信部、６１…スリット光形成部材、６１’…本体部、６２…円柱レンズ、６３…上部保持部材、６４…下部保持部材、６５…第１反射ミラー、６６…第２反射ミラー、６７…スリット、６８…装着部、６９…段差部、８０…ハウジング、８１…外壁部、８２…前壁、８３…奥壁、８４…左壁、８５…右壁、８６…上壁、８７…下壁、８８…前壁の穴、９０…前面プレート、９０ａ…開口した左縁部、９０ｂ…右縁部、９０ｃ…上縁部、９０ｄ…下縁部、９１…撮影用カメラレンズ、９２…光源、９３…凸レンズ部材、９４…凸レンズ装着穴、９５…穴、９６…凸レンズ、９７…カラーフィルター部材、９８…穴、１８０…筒状部材、１８１…装着部、１８２，１８２ａ，１８２ｂ…筒部、１８３…凸レンズ、８４…開口部

Claims

　光源と撮影用カメラレンズを備える移動体通信端末装置に装着され、（ａ）前記光源から出射される光源光に基づき発生させたスリット光、青色光及び直線偏光のいずれかを、観察光として被検眼の観察対象組織に照射し、又は、前記光源光をそのままの状態で通過させ、前記観察光として前記観察対象組織に照射する観察光照射部材と、（ｂ）前記観察光の前記観察対象組織における反射光を含む光を前記撮影用カメラレンズに集光させる凸レンズ部材と、を少なくとも備える近接撮影用装置を装着した状態の前記移動体通信端末装置により前記被検眼を撮影した画像であって、（ｉ）当該被検眼の健康状態及び（ｉｉ）当該被検眼の一部組織における距離、角度及び面積のいずれか１以上を含む情報パラメーター値の少なくとも一方を推定するために利用可能な第１フレーム画像を１以上含む撮影画像を取得する取得手段と、
　前記取得した撮影画像から前記第１フレーム画像を抽出するための第１知識が予め記憶された第１記憶手段と、
　前記取得された撮影画像に含まれる前記第１フレーム画像を、前記第１知識に基づいて抽出する第１抽出手段と、
　前記撮影画像に基づき、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定するための第２知識が記憶される第２記憶手段と、
　前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記取得された撮影画像に映り込んだ前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定する推定手段と、
　前記推定した前記被検眼の健康状態及び前記情報パラメーター値の少なくとも一方を含む診断支援情報を生成する生成手段と、
　前記生成した診断支援情報を外部機器に配信する配信手段と、
　を有することを特徴とする診断支援装置。
　前記第１抽出手段が、
　前記撮影画像に含まれる前記フレーム画像と前記第１知識に基づき、当該撮影画像に含まれるフレーム画像の各々が前記第１フレーム画像に該当する確率を算出し、当該算出した確率に基づき、前記第１フレーム画像を抽出する、請求項１に記載の診断支援装置。
　前記第１抽出手段が、
　前記算出した確率の高い複数の前記フレーム画像を前記第１フレーム画像として抽出し、
　前記推定手段が、
　当該抽出された複数の前記第１フレーム画像と前記第２知識に基づき、前記第１フレーム画像毎に、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定し、当該推定した健康状態及び情報パラメーター値に対して、前記算出した確率による重み付けを行いつつ、前記被検眼の最も尤もらしい健康状態及び情報パラメーター値の少なくとも一方を推定する、請求項２に記載の診断支援装置。
　前記取得手段が、
　前記光源光に基づき発生させたスリット光を、前記観察光として前記被検眼の眼瞼及び前眼部組織の少なくとも一方に照射しつつ撮影された前記撮影画像を取得し、
　前記第１記憶手段には、
　前記第１知識として、（ｉ）前記被検眼の眼瞼及び前眼部組織に発症する疾患の状態、及び（ｉｉ）眼瞼及び前眼部組織に関する前記情報パラメーター値の少なくとも一方の推定に利用可能な前記第１フレーム画像を抽出するための知識が予め記憶されるとともに、
　前記第２記憶手段には、
　前記第２知識として、（ｉ）前記被検眼の眼瞼及び前眼部組織に発症する疾患の状態、及び（ｉｉ）眼瞼及び前眼部組織に関する前記情報パラメーター値の少なくとも一方を推定するための知識が記憶され、
　前記推定手段が、
　前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記被検眼の眼瞼及び前眼部組織の少なくとも一方における疾患の状態及び（ｉｉ）眼瞼及び前眼部組織に関する前記情報パラメーター値の少なくとも一方を推定する、請求項１～３のいずれか１項に記載の診断支援装置。
　前記取得手段が、
　前記被検眼の角膜及び結膜の少なくともいずれか一方の組織に発生した傷を造影剤により造影した状態で、前記光源光に基づき発生させた青色光を、前記観察光として前記被検眼の角膜及び結膜の少なくとも一方に照射しつつ撮影された前記撮影画像を取得し、
　前記第１記憶手段には、
　前記第１知識として前記被検眼の角膜及び結膜の少なくとも一方の組織に生じた傷の状態の診断に利用可能な前記第１フレーム画像を抽出するための知識が予め記憶されるとともに、
　前記第２記憶手段には、
　前記第２知識として前記被検眼の角膜及び結膜の少なくとも一方の組織に生じた傷の状態から角膜及び結膜の少なくとも一方における疾患の状態を推定するための知識が記憶され、
　前記推定手段が、
　前記抽出された第１フレーム画像と前記第２知識に基づき、前記被検眼の角膜及び結膜の少なくとも一方の組織における疾患の状態を推定する、請求項１～３のいずれか１項に記載の診断支援装置。
　前記取得手段が、
　前記光源光に基づき発生させた直線偏光を、前記観察光として前記被検眼の眼底組織に照射しつつ撮影した前記撮影画像を取得し、
　前記第１記憶手段には、
　前記第１知識として、（ｉ）前記被検眼の眼底組織に発症する疾患の状態及び（ｉｉ）眼底組織に関する前記情報パラメーター値の少なくとも一方の推定に利用可能な前記第１フレーム画像を抽出するための知識が予め記憶されるとともに、
　前記第２記憶手段には、
　前記第２知識として、（ｉ）前記被検眼の眼底組織おける疾患の状態及び（ｉｉ）眼底組織に関する前記情報パラメーター値の少なくとも一方を推定するための知識が記憶され、
　前記推定手段が、
　前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記被検眼の眼底組織における疾患の状態及び（ｉｉ）眼底組織に関する前記情報パラメーター値の少なくとも一方を推定する、請求項１～３のいずれか１項に記載の診断支援装置。
　前記取得手段が、
　前記観察光として前記光源光をそのままの状態で前記被検眼の観察対象組織に照射しつつ撮影した前記撮影画像を取得し、
　前記第１記憶手段には、
　前記第１知識として、（ｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織に発症する疾患の状態及び（ｉｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織に関する前記情報パラメーター値の少なくとも一方の推定に利用可能な前記第１フレーム画像を抽出するための知識が予め記憶されるとともに、
　前記第２記憶手段には、
　前記第２知識として、（ｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織おける疾患の状態、及び、（ｉｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織に関する前記情報パラメーター値の少なくとも一方を推定するための知識が記憶され、
　前記推定手段が、
　前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織おける疾患の状態及び（ｉｉ）前記被検眼の眼瞼、眼表面、角膜及び結膜の少なくとも１の組織に関する前記情報パラメーター値の少なくとも一方を推定する、請求項１～３のいずれか１項に記載の診断支援装置。
　前記第１抽出手段の抽出した第１フレーム画像に基づき、機械学習及びデータマイニングの少なくともいずれか一方を実行して、前記第２知識を獲得するとともに、当該獲得した第２知識を前記第２記憶手段に記憶させる学習手段をさらに有し、
　前記推定手段が、
　前記学習手段によって前記第２記憶手段に記憶された前記第２知識及び前記抽出された第１フレーム画像に基づき、前記被検眼における疾患の状態及び前記情報パラメーター値の少なくとも一方を推定する、請求項１～７のいずれか１項に記載の診断支援装置。
　前記学習手段が、
　前記第１抽出手段の抽出した第１フレーム画像に基づいた医師の診断結果を示す診断結果情報を取得し、当該診断結果情報及び該当する前記第１フレーム画像を教師データとしつつ、機械学習及びデータマイニングの少なくともいずれか一方を実行して前記第２知識を獲得し、前記第２記憶手段に記憶させる、請求項８に記載の診断支援装置。
　前記第１記憶手段には、
　前記第１知識として、前記被検眼を構成する各組織に発症しうる疾患毎に当該疾患の診断に利用可能な前記第１フレーム画像を抽出するための複数の知識が記憶され、
　前記第１抽出手段が、
　前記第１知識に基づき、前記疾患の状態推定に利用可能な前記第１フレーム画像を前記疾患毎に抽出するとともに、
　前記学習手段が、
　前記抽出された各疾患に対応する前記第１フレーム画像に基づき該当する疾患に関する前記診断結果情報を取得し、当該診断結果情報及び該当する前記第１フレーム画像を教師データとしつつ、機械学習及びデータマイニングの少なくとも一方を実行して、疾患毎に当該疾患を診断するために必要な前記第２知識を獲得し、当該獲得した第２知識を該当する疾患と対応付けて前記第２記憶手段に記憶させる、請求項９に記載の診断支援装置。
　前記第１記憶手段には、
　前記第１知識として、前記被検眼を構成する各組織に発症しうる疾患毎に当該疾患の診断に利用可能な前記第１フレーム画像を抽出するための複数の知識が記憶されるとともに、
　前記第２記憶手段には、
　前記第２知識として、疾患毎に当該疾患の状態を推定するための複数の知識が記憶され、
　前記第１抽出手段が、
　前記第１知識に基づき、前記疾患の診断に利用可能な第１フレーム画像を前記疾患毎に抽出するとともに、
　前記推定手段が、
　前記疾患毎に抽出された第１フレーム画像と該当する疾患の前記第２知識に基づき、前記被検眼における疾患毎の状態を推定し、
　前記生成手段が、
　前記診断支援情報として、前記推定した疾患毎の状態を含む情報を生成する、請求項１～１０のいずれか１項に記載の診断支援装置。
　前記撮影画像に含まれる前記各フレーム画像において、ピントの合っている前記被検眼の組織に対して該当する組織名をラベリングするラベリング手段と、
　前記ラベリングされた前記各フレーム画像において、ピントの合っている組織の写り込んだ画素領域の面積が最も大きい前記フレーム画像を第２フレーム画像として抽出する第２抽出手段と、
　をさらに有し、
　前記生成手段が、
　前記抽出された第２フレーム画像を含む前記診断支援情報を生成する、請求項１～１１のいずれか１項に記載の診断支援装置。
　前記取得された撮影動画像に含まれる各フレーム画像を焦点距離に応じて積層し、前記被検眼の三次元画像を構築する三次元画像構築手段をさらに有し、
　前記第２記憶手段には、
　前記第２知識として、三次元画像に基づき（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定するための知識が記憶され、
　前記推定手段が、
　前記生成された三次元画像と、前記第２知識に基づき、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定する、請求項１～１２のいずれか１項に記載の診断支援装置。
　前記第１抽出手段によって抽出された第１フレーム画像において健康状態の推定対象となる組織の写り込んだ領域を領域画像として切り出す切り出し手段をさらに有し、
　前記第２記憶手段には、
　前記第２知識として、前記撮影画像から切り出された領域画像に基づき（ｉ）前記被検眼の健康状態及び（ｉｉ）当該被検眼の一部組織における距離、角度及び面積のいずれか１以上を含む情報パラメーター値の少なくとも一方を推定するための知識が記憶され、
　前記推定手段が、
　前記領域画像と、前記第２知識に基づき（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定する、請求項１～１３のいずれか１項に記載の診断支援装置。
　前記学習手段が、
　前記切り出された領域画像と、前記診断結果情報と、に基づき、機械学習及びデータマイニングの少なくとも一方を実行して前記第２知識を獲得する、請求項１４に記載の診断支援装置。
　前記学習手段が、
　前記被検眼における前記情報パラメーター値を取得し、（ａ）当該取得した情報パラメーター値と、（ｂ）前記診断結果情報と、（ｃ）前記第１フレーム画像又は前記切り出された領域画像と、に基づき、前記第２知識を獲得する、請求項９～１５のいずれか１項に記載の診断支援装置。
　光源と撮影用カメラレンズを備える移動体通信端末装置であって、（ａ）前記光源から出射される光源光に基づき発生させたスリット光、青色光及び直線偏光のいずれかを、観察光として被検眼の観察対象組織に照射し、又は、前記光源光をそのままの状態で通過させ、前記観察光として前記観察対象組織に照射する観察光照射部材と、（ｂ）前記観察光の前記観察対象組織における反射光を含む光を前記撮影用カメラレンズに集光させる凸レンズ部材と、を少なくとも備える近接撮影用装置を装着した移動体通信端末装置と、
　前記移動体通信端末装置にて前記被検眼を撮影した画像であって、（ｉ）当該被検眼の健康状態及び（ｉｉ）当該被検眼の一部組織における距離、角度及び面積のいずれか１以上を含む情報パラメーター値の少なくとも一方を推定するために利用可能な第１フレーム画像を１以上含む撮影画像に基づき前記被検眼の健康状態及び前記情報パラメーター値の少なくとも一方を推定して当該被検眼の診断を支援する診断支援装置と、
　を有し、
　前記診断支援装置が、
　前記撮影画像を取得する取得手段と、
　前記取得した撮影画像から前記第１フレーム画像を抽出するための第１知識が予め記憶された第１記憶手段と、
　前記第１知識に基づき、前記取得された撮影画像に含まれる前記第１フレーム画像を抽出する第１抽出手段と、
　前記撮影画像に基づき、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定するための第２知識が記憶される第２記憶手段と、
　前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記取得された撮影画像に映り込んだ前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定する推定手段と、
　前記推定した前記被検眼の健康状態及び前記情報パラメーター値の少なくとも一方を含む診断支援情報を生成する生成手段と、
　前記生成した診断支援情報を外部機器に配信する配信手段と、
　を有することを特徴とする診断支援システム。
　光源と撮影用カメラレンズを備える移動体通信端末装置であって、（ａ）前記光源から出射される光源光に基づき発生させたスリット光、青色光及び直線偏光のいずれかを、観察光として被検眼の観察対象組織に照射し、又は、前記光源光をそのままの状態で通過させ、前記観察光として前記観察対象組織に照射する観察光照射部材と、（ｂ）前記観察光の前記観察対象組織における反射光を含む光を前記撮影用カメラレンズに集光させる凸レンズ部材と、を少なくとも備える近接撮影用装置を装着した移動体通信端末装置にて撮影された前記被検眼を撮影した画像であって、（ｉ）当該被検眼の健康状態及び（ｉｉ）当該被検眼の一部組織における距離、角度及び面積のいずれか１以上を含む情報パラメーター値の少なくとも一方を推定するために利用可能な第１フレーム画像を１以上含む撮影画像に基づき前記被検眼の診断を支援する診断支援装置として機能し、（Ａ）前記撮影画像から前記第１フレーム画像を抽出するための第１知識が予め記憶された第１記憶手段と、（Ｂ）前記撮影画像に基づき、（ｉ）前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定するための第２知識が記憶される第２記憶手段と、を有するコンピュータを、
　前記撮影画像を取得する取得手段、
　前記第１知識に基づき、前記取得された撮影画像に含まれる前記第１フレーム画像を抽出する第１抽出手段、
　前記抽出された第１フレーム画像と前記第２知識に基づき、（ｉ）前記取得された撮影画像に映り込んだ前記被検眼の健康状態及び（ｉｉ）前記情報パラメーター値の少なくとも一方を推定する推定手段、
　前記推定した前記被検眼の健康状態及び前記情報パラメーター値の少なくとも一方を含む診断支援情報を生成する生成手段、
　前記生成した診断支援情報を外部機器に配信する配信手段、
　として機能させることを特徴とするプログラム。