WO2021220597A1 - システム、制御方法、情報提供方法及びコンピュータプログラム - Google Patents

Abstract

画像鑑別技術と、認知力検定スコアとを協働して認知症の状態を判断するシステムを提供する。　システム（１）は、被験者の脳の物理的な状態に係るデータに基づく第１の評価指数を取得するように構成された第１の入力モジュール（１０）と、被験者の脳の機能に係るデータに基づく第２の評価指数を取得するように構成された第２の入力モジュール（２０）と、第１の評価指数および第２の評価指数を変数とする第１の評価関数により得られる評価値に基づき、被験者の認知症の状態を推定するように構成された推定モジュール（３０）とを有する。

Description

システム、制御方法、情報提供方法及びコンピュータプログラム

　本発明は、認知症の評価が可能なシステムに関するものである。

　特許文献１には、検査環境、被験者の体調や精神状態、検査者の恣意等の影響を受けにくく、被験者の運転適性を高い信頼度で診断することが可能である運転適性診断装置及び運転適性診断方法を提供することが記載されている。この運転適性診断装置は、被験者の大脳白質病変の程度を検査する白質病変検査手段と、前記白質病変検査手段の検査結果に基づいて被験者の運転適性を判断する運転適性判断手段とを備えており、前記運転適性判断手段は、前記白質病変検査手段により検査された白質病変の程度が規定値以上である場合に、被験者の運転適性を不適と判断することを特徴とする。

特開２０１１－２０６４５２号公報

　Matsuda, Hiroshiらの"Differentiation Between Dementia With Lewy Bodies And Alzheimer’s Disease Using Voxel-Based Morphometry Of Structural MRI: A Multicenter Study."（Neuropsychiatric Disease and Treatment 15 (2019): 2715.）にアルツハイマー病とレビー小体型認知症とを、脳画像を用いて画像鑑別する技術が開示されている。

　Shimomura, Tatsuoらの"Cognitive loss in dementia with Lewy bodies and Alzheimer disease."（Archives of Neurology 55.12 (1998): 1547-1552.）にアルツハイマー病とレビー小体型認知症とにおいて、特定の認知力検査スコア（WAIS-R Block Designテストスコアもしくは、ADASの遅延再生スコア）の分布に偏りがあることが開示されている。

　しかしながら、画像鑑別技術と、認知力検定スコアとを協働して認知症の状態を判断する技術は開示されていない。

　本発明の一態様は、被験者の脳の物理的な状態に係るデータに基づく第１の評価指数を取得するように構成された第１の入力モジュールと、被験者の脳の機能に係るデータに基づく第２の評価指数を取得するように構成された第２の入力モジュールと、第１の評価指数および第２の評価指数を変数とする第１の評価関数により得られる評価値に基づき、被験者の認知症および／または他の脳障害の状態を推定するように構成された推定モジュールとを有するシステムである。脳の物理的な状態に係るデータの評価結果と、脳の機能に係るデータの評価結果とを評価関数を用いて１つの協働した評価結果に畳み込むことが可能となり、より高い精度で認知症の状態を評価できる。このため、被験者の脳疾患の有無を含む罹患状態を判断または判断を支援するシステムを提供できる。また、被験者が、医薬品（治験薬、未承認薬を含む）、飲食品、サプリメント等を摂取した群に含まれる場合は、推定モジュールは、それらの認知症に対する効果を評価する機能（ユニット）を含んでもよい。また、推定モジュールは、第１の原因疾病の罹患状態を推定する機能を含んでもよい。

　本発明の他の態様の１つは、システムの制御方法である。システムは、被験者の脳の物理的な状態に係るデータに基づく第１の評価指数を取得するように構成された第１の入力モジュールと、被験者の脳の機能に係るデータに基づく第２の評価指数を取得するように構成された第２の入力モジュールと、被験者の認知症を含む脳障害の状態を推定するように構成された推定モジュールとを有する。当該方法は、以下のステップを含む。
１．推定モジュールが、第１の入力モジュールおよび第２の入力モジュールを介して第１の評価指数および第２の評価指数を取得すること。
２．第１の評価指数および第２の評価指数を変数とする第１の評価関数により得られる評価値に基づき、被験者の認知症の状態を推定すること。推定される認知症の状態には、認知症の有無、段階、原因疾病など、認知症の予防および治療に要する情報の少なくともいずれかが含まれていてもよい。

　本発明のさらに異なる態様の１つは、プログラムである。プログラム（プログラム製品）は、被験者の脳の物理的な状態に係るデータに基づく第１の評価指数を取得することと、被験者の脳の機能に係るデータに基づく第２の評価指数を取得することと、第１の評価指数および第２の評価指数を変数とする第１の評価関数により得られる評価値に基づき、被験者の認知症の状態を推定することとをコンピュータにより実行する命令を有する。プログラムはコンピュータに読み取り可能な記録媒体に記録して提供されてもよい。

認知症評価システムの概略を示すブロック図。 認知症評価方法を示すフローチャート。 脳の健康状態を測定する検査またはテストの例を示す図。 図３に続いて、脳の健康状態を測定する検査またはテストの例を示す図。 認知力テストのスコア例。 オッズ表の例。 オッズにより評価した結果を示す図。 ロジスティック回帰評価の結果を示す図。 Ｚスコアを用いた評価の結果を示す図。 カテゴリ分けを示す図。 第３実施形態のシステムの構成の第１例を示す模式図である。 海馬領域の評価結果の一例を示す模式図である。 中側頭回領域の評価結果の一例を示す模式図である。 各部位の評価値の一例を示す模式図である。 部位の比較画面の第１例を示す模式図である。 部位の比較画面の第２例を示す模式図である。 部位の比較画面の第３例を示す模式図である。 左脳及び右脳の各領域間のＺスコアの相関の一例を示す模式図である。 左脳及び右脳の集約方法の例を示す模式図である。 全脳評価値の具体例を示す模式図である。 全脳評価画面の第１例を示す模式図である。 全脳評価画面の第２例を示す模式図である。 全脳評価画面の第３例を示す模式図である。 全脳評価画面の第４例を示す模式図である。 全脳評価画面の第５例を示す模式図である。 第３実施形態のシステムの構成の第２例を示す模式図である。 ＲＯＣ曲線の例を示す模式図である。 ＲＯＣ曲線の例を示す模式図である。 脳の各部位の評価結果の出力処理の第１例の手順を示すフローチャートである。 脳の各部位の評価結果の出力処理の第２例の手順を示すフローチャートである。 全脳評価結果の出力処理の手順を示すフローチャートである。

（第１実施形態）
　図１に、本発明に係る認知症などの脳障害を評価するシステム（認知症評価システム）１を示している。このシステム１は、被験者の脳の物理的な状態に係るデータに基づく第１の評価指数Ｘ１を取得するように構成された第１の入力モジュール１０と、被験者の脳の機能に係るデータに基づく第２の評価指数Ｘ２を取得するように構成された第２の入力モジュール２０と、第１の評価指数Ｘ１および第２の評価指数Ｘ２を変数とする第１の評価関数ｆ１により得られる評価値ｆｖに基づき、被験者の認知症を含む脳障害（認知症および／または他の脳障害）の状態を推定するように構成された推定モジュール３０とを有する。システム１は、さらに、被験者の脳画像１８を含む画像データが蓄積されたデータベース１９と、被験者の認知力テスト結果を含む臨床情報２８が蓄積されたデータベース２９とを含む。

　脳障害とは、認知症をはじめ、注意障害、記憶障害、遂行機能障害、社会的行動障害、失語症、失行症、失認証などの主に高次脳障害を含む。認知症は、ＡＤ（Alzheimer Disease、アルツハイマー型認知症）、ＤＬＢ（Dementia with Lewy Bodies、レビー小体型認知症）、その他の変性型認知症、例えば、前頭側頭型認知症、進行性核上性麻痺、大脳皮質基底核変性症、嗜銀顆粒性認知症変性を含む。脳障害の状態とは、脳障害の有無、その進行状態、認知症などの脳障害の原因疾患（原因疾病）の有無および鑑別、単独または複数の原因疾病の進行状態など、被験者（受診者、患者、ユーザー）の脳障害に関わる様々な態様を含む。

　本システム１の目的の１つは、被験者の認知症、認知症を含む脳障害、あるいは認知症を含まない脳障害の様々な状態に対し、複数の評価の組み合わせで数値による定量化を実現し、様々な状態をカテゴライズすることを可能とし、それぞれのカテゴリに対してさらに評価解析を行うための情報を提供可能とすることである。脳障害の様々な状態を備えた被験者をカテゴリに分けて評価解析を行うことは、被験者の治療のみならず、臨床研究などの他の分野においても有効である。例えば、本システム１は、医薬品、飲食品、サプリメントなど、様々な人が摂取する品物の、脳、あるいは認知症をはじめとする脳障害に対する効果・影響を評価するためにも有効であり、層別化マーカーとして使用してもよい。また、本システム１は、情報機器、ゲーム、その他の、脳あるいは脳障害に影響を与える可能性がある他のアプリケーションの評価にも適用できる可能性がある。本システムのその他の目的および効果を含め、以下においては、認知症の状態を評価する例について説明する。

　第１の入力モジュール１０は、被験者の脳の少なくとも一部の関心領域の第１のタイプの医用画像を統計的に評価した第１の評価指数Ｘ１を取得する第１の評価ユニット１１と、第１のタイプの医用画像に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて、被験者の医用画像を評価した第１の評価指数Ｘ１を取得する第２の評価ユニット１２とを含む。

　被験対象（被験者）の形態および機能を診断するための装置として、ＣＴ（Computed　Tomography）、ＭＲＩ（Magnetic　Resonance　Imaging）、ＰＥＴ（Positron　Emission　Tomography）、ＳＰＥＣＴ（Single　Photon　Emission　Computed　Tomography）、ＰＥＴ－ＣＴなどの様々なタイプの断層撮影装置（モダリティ）が知られており、それらのモダリティ画像（医用画像）が様々な疾病（疾患）の診断に活用されている。特に、被験者の脳のモダリティ画像（医用画像）１８は、被験者の脳の物理的な状態に係るデータを取得するために用いられており、認知症、パーキンソン病などの疾病の診断に活用されている。本明細書において、脳の物理的な状態とは、脳を物理的な方法により測定できる状態を示し、形態、糖代謝、血流などを測定可能なＭＲＩ、ＰＥＴ、ＳＰＥＣＴを含む様々なモダリティ画像に基づき、統計的処理、学習モデルなどの手法より評価、測定、推定可能な状態を示す。

　医用画像のタイプの一例は、ＣＴおよびＭＲＩであり、これらの画像は、精度の高い形態的な情報を反映できる。医用画像のタイプの他の例は、ＰＥＴおよびＳＰＥＣＴであり、これらの画像は、静脈注射等により、放射性薬剤を被験者の体内に投与し、体内において当該薬剤から放出される放射線を撮像することにより、画像が生成される。薬剤を用いた画像によれば、体内の各部位の形態のみならず、体内に投与された薬剤がどのように分布するか、または当該薬剤と反応する体内の物質の集積の様子などを医師に把握させることができるので、疾病の診断精度の向上に寄与しうる。例えば、通称ピッツバーグ化合物ＢをＰＥＴ用放射性薬剤（トレーサー）として用いてＰＥＴ画像を撮像し、撮像されたＰＥＴ画像を基に脳内のアミロイドβ蛋白の蓄積度合いを測定することにより、アルツハイマー型認知症の鑑別診断又は早期診断に役立たせることができる。

　ＳＰＥＣＴ画像の一例としては、123I-イオフルパン（123I-Ioflupane）という放射性医薬品を投与したＳＰＥＣＴ検査でＤａｔＳＣＡＮ（Dopamine transporter SCAN）と呼ばれるドーパミントランスポーター（ＤＡＴ）の分布を可視化する撮像方法がある。この撮像の目的としては、パーキンソン病（以下ＰＤ）のパーキンソン症候群（ＰＳ）の早期診断、レビー小体型認知症（ＤＬＢ、Dementia with Lewy Bodies）の診断補助、線条体のドパミン神経脱落が有る場合のレボドバと呼ばれる種類の投薬治療判断などを挙げることができる。

　第１の評価ユニット１１は、医用画像の評価に統計的処理を用いる。第１の評価ユニット１１は、被験者の脳画像と健常者の脳画像との統計的比較を行って評価してもよい。脳画像を用いて脳の萎縮を評価する方法としては、被験者の頭部を撮像して取得された脳画像を３次元の画素であるボクセルを単位に画像処理して行うＶＢＭ（Voxel Based Morphometry）が知られている。統計的処理の典型的なものはＺスコアマップを生成することである。したがって、第１の評価ユニット１１は、Ｚスコアを第１の評価指数Ｘ１として取得してもよい。

　ＭＲ画像を例とすると、脳形態標準化処理をした正常症例のＭＲ画像から、それぞれのボクセルごとに平均値と標準偏差を計算して平均画像と標準偏差画像を作成したデータ（正常標準脳）の値と、被験者の画像データ（処理画像）の値とをＺスコアを算出する以下の式に代入することによって作成する。
ｚ＝（Ｍ（x,y,z）－Ｉ（x,y,z））／ＳＤ（x,y,z）
Ｍ、ＳＤは正常標準脳の平均画像と標準偏差画像を表し、Ｉは処理画像を表す。Ｚスコアマップを用いることによって、処理画像が正常標準脳と比較して、どの部位でどのような変化が起きているかを定量的に分析することができる。例えば、Ｚスコアマップが正の値になるボクセルは正常標準脳と比較して萎縮がある領域を示し、さらに値が大きいほど統計的に乖離が大きいと解釈することができる。例えばＺスコア「２」であれば平均値から標準偏差の２倍を超えたものということになり約５％の危険率で統計学的有意差があると評価される。領域内の萎縮の評価を定量的に行うためには、関心領域において、それぞれＭ、ＳＤとＩとを算出し、全ての正のＺスコアの平均等を求めればよい。

　統計的処理としては、例えば、脳の各部位の体積あるいは面積を比較したり、一般線形モデル（General Linear Model: ＧＬＭ）を用いたＴ検定を用いる手法など、多様な方法が提案されている。

　通称ピッツバーグ化合物ＢをＰＥＴ用放射性薬剤（トレーサー）として用いて、撮像されたＰＥＴ画像を基に脳内のアミロイドβ蛋白の蓄積度合いを測定することにより、アルツハイマー型認知症の鑑別診断又は早期診断に役立たせることができる。このＰＥＴ画像は、脳の一部の大脳灰白質におけるアミロイドβ蛋白の集積度（ＳＵＶ、Standardized　Uptake　Value）の合算と、小脳におけるアミロイドβ蛋白の集積度（ＳＵＶ）との比を示すＳＵＶＲ値（ＳＵＶＲ、Standardized　Uptake　Value　Ratio、小脳比ＳＵＶＲ）を統計処理として採用できる。ＳＵＶＲは以下の式で定義できる。

この式の分子は、大脳灰白質４部位、すなわち、大脳の皮質領域（前頭前野、前後帯状皮質、頭頂葉、および外側側頭葉）のＳＵＶの合算を示し、分母は、小脳のＳＵＶを示す。

　ＳＰＥＣＴ画像を用いたＤａｔＳＣＡＮの統計的処理には、評価（指標値）としてはＢＲ（Binding Ratio）を採用でき、以下の式で表される。

式のＣはそれぞれの着目領域内のＤＡＴの平均値であり、Ｃspecificは、脳内の被殻と尾状核との平均値を示し、Ｃnonspecificは、脳内の後頭皮質の平均値を示す。

　第２の評価ユニット１２は、第１の評価ユニット１１と共通する、または異なるタイプの医用画像に基づき第１の疾患、例えば、ＡＤ（Alzheimer Disease、アルツハイマー型認知症）、ＤＬＢ（Dementia with Lewy Bodies、レビー小体型認知症）を評価するように機械学習した第１のモデル（学習モデル）を用いて、被験者の脳画像１８を評価する。

　医用画像の情報に基づいて機械学習を行ったモデル（学習モデル）を用いて、被験者の医用画像から疾患の鑑別を行うことが行われている。Iizuka, Tomomichiらの"Deep-learning-based imaging-classification identified cingulate island sign in dementia with Lewy bodies."（Scientific reports 9.1 (2019): 1-9.）には、灌流ＳＰＥＣＴ画像に畳み込みニューラルネットワークを用いた実験でさらに精度の高い８９．３２％を達成するとともに，深層学習がその鑑別に際しては，従来読影に用いられてきた後頭葉の血流所見に着目していることが報告されている。Litjens, Geertらの"A survey on deep learning in medical image analysis."（Medical image analysis 42 (2017): 60-88.）、Wen, Junhaoらの“Convolutional Neural Networks for Classification of Alzheimer's Disease: Overview and Reproducible Evaluation.”（CoRR abs/1904.07773 (2019)）には、ＡＤの鑑別において近年の深層学習技術の適用で高い精度を示したことが報告されている。

　第２の評価ユニット１２は、深層学習鑑別モデルにより第１の原因疾病を推定する際の活性化関数の出力ソフトマックス値Ｘａを第１の評価指数Ｘ１として取得してもよい。第１の入力モジュール１０は、第１の評価ユニット１１および／または第２の評価ユニット１２により得られる以下のような値を第１の評価指数Ｘ１として出力してもよい。
Ｘａ：脳画像を入力とする深層学習鑑別モデルにより前記第１の原因疾病を推定する際の活性化関数の出力ソフトマックス値。
Ｘｂ：脳画像の統計処理による関心領域で、脳画像をフィルタした画像をさらに深層学習鑑別モデルにより前記第１の原因疾病を推定する際の活性化関数の出力ソフトマックス値。
Ｘｃ：脳画像の統計処理による関心領域の体積値または血流量。
Ｘｄ：脳画像の統計処理による関心領域の体積または血流評価のＺスコア値。
Ｘｅ：脳画像を入力とする深層学習鑑別モデルにより前記第１の原因疾病を推定する際における関心領域の体積値または血流量。
Ｘｆ：脳画像を入力とする深層学習鑑別モデルにより前記第１の原因疾病を推定する際における関心領域の体積または血流評価のＺスコア値。

　第２の入力モジュール２０は、第２の評価指数Ｘ２として、認知力テストを含む臨床情報２８の評価を取得する構成を含む。この第２の入力モジュール２０は、認知力テストの評価を行うユニット２２と、ユーザーの属性に関わるその他の臨床情報を評価するユニット２１とを含む。

　認知力テストは、被験者の脳の機能に係るデータを取得する手段、特に、脳の認知機能をチェックするためのテストとして用いられている。認知力テストの内容は、例えば、足し算や引き算などの計算、ストループ、Ｎ－Ｂａｃｋ、単語早記などを挙げることができるが、これらに限られない。認知力テストの具体例は、例えば、本願の出願人の特開２０１９－７５０７１号に開示されているが、「順唱」及び「逆唱」に関するテスト、「ストループ」に関するテスト、「足し算」及び「引き算」に関するテスト、Ｎ－Ｂａｃｋ（例えば、１-Ｂａｃｋ）に関するテスト、「即時再生」（単語想起）に関するテストを挙げることができる。なお、認知力テストはこれらに限定されず、図３および図４に列記する脳の健康状態（認知機能の状態並びに脳疾患及び精神疾患の有無及び程度を含む）を測定する検査またはテストその他の同様の形式の検査またはテストを採用してもよい。

　これらのテストを任意に又はすべて組み合させることで、脳機能の全貌や、特定の原因疾病（原因疾患）の罹患状態の判断に適した認知力テストを提供できる。本明細書において脳の機能とは、脳の物理的な状態以外の、脳が関与する人為的な行為、例えば、表現、理解力などにより判断できる能力を示す。典型的には、脳の機能は、適切な認知力テストの結果により適切に判断されてもよい。

　認知力テストの結果は、例えば認知力テストに対する被験者の反応時間（回答時間）や正解数に基づいて、脳機能の状態をスコア化できる（以下、このスコア化されたものを「認知力スコア」という。）。認知力スコアの情報は、被験者の脳の機能を評価する第２の評価指数Ｘ２として使用してもよい。認知力テストの結果（認知力スコア）を正規分布として表すことにより、脳年齢を推定することができ、被験者の年齢を用いて評価指数を補正してもよい。脳機能の状態を評価する評価指数は、認知力テストスコアを含めた臨床情報に基づき求めることが可能である。臨床情報としては、認知力テストスコアに加えて、年齢、性別、教育歴、職歴、遺伝子（ApoE等）、血液検査結果、問診結果（ＡＤＬ問診等）のいずれかを含めてもよい。

　脳の機能に係るデータに基づく第２の評価指数Ｘ２は、認知症リスクの推定幅がｐｒｅ－ＭＣＩ（軽度認知症（Mild Cognitive Impairment）の前段階）からＭＣＩ（Mild Cognitive Impairment、軽度認知症）、ＡＤ（Alzheimer Disease、アルツハイマー型認知症）に至る危険性を的確に示す指標としても有効である。

　上述した第１の評価指数Ｘ１および第２の評価指数Ｘ２を変数とする第１の評価関数ｆ１により得られる評価値ｆｖに基づき、被験者の認知症の状態を推定する推定モジュール３０の典型的な例は、第１の原因疾病、例えば、ＡＤまたはＤＬＢの罹患状態を推定する機能（疾患推定機能、ユニット）３５である。第１の入力モジュール１０は、第１の原因疾病の鑑別に関する第１の評価指数Ｘ１を取得する構成を含み、第２の入力モジュール２０は、第１の原因疾病の鑑別に関する第２の評価指数Ｘ２を取得する構成を含む。第２の入力モジュール２０は、第１の原因疾病の鑑別に適した認知力テストの結果２８を含む第２の評価指数Ｘ２として取得する構成を含んでもよい。

　推定モジュール３０の異なる例は、被験者が、医薬品、飲食品、サプリメントの少なくともいずれかを摂取した群に含まれる場合に、摂取したものの認知症に対する効果を評価する機能（臨床評価機能、臨床評価ユニット）３６である。評価する機能３６における評価結果は、層別化医療におけるバイオマーカーに対応する層別化マーカーとして利用可能である。したがって、システム１は、推定モジュール３０の推定に基づく層別化マーカーとしての情報を提供するモジュールを含んでいてもよい。このシステム１においては、以下にさらに詳しく説明するように２つ、またはそれ以上の数多くの要因の協働による数値化された層別化マーカーを提供することができ、患者を定量化されたマーカーにより目的に応じたカテゴリに分類したり、研究あるいは医療などの評価に必要なカテゴリを見出したりすることが可能となる。以下においては、罹患状態を推定するユニット３５を例に、さらに説明する。

　罹患推定ユニット３５は、オッズにより罹患の有無を判定するオッズ判定ユニット３１と、罹患の確率を判定する確率判定ユニット３２とを含む。オッズ判定ユニット３１においては、第１の評価指数Ｘ１を第１の原因疾病のオッズｘ１とし、第２の評価指数Ｘ２を第１の原因疾病のオッズｘ２として、評価値ｓを以下の第１の評価関数ｆ１ａにより求める構成を含む。
ｓ＝ｘ１×ｘ２・・・（ｆ１ａ）

　確率判定ユニット３２は、第１の評価指数Ｘ１および第２の評価指数Ｘ２をｘｉ、それぞれの値の重み係数をｗｉとしたときに、評価値として罹患確率ｐを以下の第１の評価関数ｆ１ｂにより求める構成を含む。

ただし、ｉは整数である。また、第１の評価指数Ｘ１は、上述した値Ｘａ～Ｘｆのいずれかであってもよく、複数の値を含んでいてもよい。

　ロジスティック回帰モデルに依れば、２クラス、すなわち、原因疾病（原因疾患）の片方Ａ（ＡＤまたはＤＬＢ）の疾患確率ｐの対数オッズを以下の式で表される。

係数ｗｉは、最尤推定（確率勾配降下法等）によって求めることができる。

　評価関数ｆ１ｂによれば、罹患確率ｐが０．５より大きければ疾病Ａであり、０．５以下であれば疾病Ａではないという判定を得ることができる。複数の原因疾病（複数クラス）を評価する場合は、１対その他（one vs all, one vs rest）を複数組作成し、最大のｐの値の原因疾病（クラス）が該当するという判定を行ってもよい。多値ロジスティック回帰に基づく、所望の原因疾病第１の評価関数ｆ１ｃは以下であってもよい。

ここでｙ＊は対象のクラス（疾患）、Ｙは評価対象の全てのクラス（疾患）の集合、ｗｙｉはクラス（疾患）ｙの各評価指標の重み係数である。
変性型認知症としては、非ＡＤ型認知症として、レビー小体型認知症の他に、前頭側頭型認知症、進行性核上性麻痺、大脳皮質基底核変性症、嗜銀顆粒性認知症などがあり、これらの原因疾病の鑑別に用いることができる。

　図２に、認知症評価システム１を用いた評価方法をフローチャートにより示している。認知症評価システム１は、メモリおよびＣＰＵを含むコンピュータ資源を備えた情報処理装置として提供することが可能であり、制御方法は、コンピュータにおいて実行可能な命令を有するプログラムとして提供できる。プログラム（プログラム製品）は、コンピュータに読み取り可能な記録媒体に記録して提供してもよく、インターネットなどからダウンロード可能な状態で提供してもよい。また、認知症評価システム１は、インターネットを介したサービス（ＳａａＳ（Software as a Service））として提供してもよい。

　第１の入力モジュール１０と、第２の入力モジュール２０と、被験者の認知症の状態を推定するように構成された推定モジュール３０とを有するシステム１においては、ステップ５１において、推定モジュール３０が、第１の入力モジュール１０から第１の評価指数Ｘ１を取得し、ステップ５２において、推定モジュール３０が、第２の入力モジュール２０を介して第２の評価指数Ｘ２を取得する。さらに、ステップ５３において、推定モジュール３０が、第１の評価指数Ｘ１および第２の評価指数Ｘ２を変数とする第１の評価関数、例えば上述した評価関数ｆ１ａまたはｆ１ｂにより得られる評価値に基づき被験者の認知症の状態を推定する。

　ステップ５３において、推定モジュール３０は、第１の原因疾病の罹患状態を推定する処理５４を行ってもよい。また、被験者が、医薬品、飲食品、サプリメントの少なくともいずれかを摂取した群に含まれる場合は、推定モジュール３０は、摂取したものの認知症に対する効果を評価する処理５８を行ってもよい。

　ステップ５１において、推定モジュール３０は、第１の入力モジュール１０を介して、第１の評価ユニット１１が医用画像を統計的に評価した値を第１の評価指数Ｘ１として取得してもよく、第２の評価ユニット１２が医用画像を評価した値を第１の評価指数Ｘ１として取得してもよく、値Ｘａ～Ｘｆに示したように、医用画像を統計的に評価した値と、機械学習したモデル（第１のモデル）を用いて被験者の医用画像を評価した際の値との両方が反映された第１の評価指数Ｘ１を取得してもよい。

　また、ステップ５２において、推定モジュール３０は、第２の評価指数Ｘ２として、認知力テストを含む臨床情報の評価を取得してもよい。また、ステップ５１および５２において、推定モジュール３０は、第１の原因疾病の鑑別に関する第１の評価指数Ｘ１を取得し、第１の原因疾病の鑑別に関する第２の評価指数Ｘ２を取得してもよく、ステップ５３において、第１の評価関数により第１の原因疾病の罹患状態を推定してもよい。

　ステップ５３において、推定モジュール３０は、評価関数による評価値が第１の閾値を超えると第１の原因疾病を推定する処理を行ってもよい。評価関数の一例は、上述したように、オッズ判定を行う処理５５と、ロジスティック回帰モデルを用いて確率判定を行う処理５６である。以下において、オッズ判定を行う処理５５についてさらに説明する。

　図５に、第２の入力モジュール２０により取得した、認知力テスト（ＡＤＡＳ－Ｊｃｏｇ）の遅延再生スコアの疾患群毎の分布（誤答数）の例を示している。具体的には、ＡＤが原因疾病の被験者と、ＤＬＢが原因疾病の被験者との遅延再生の誤答数を示している。

　図６に、認知力テスト（ＡＤＡＳ－Ｊｃｏｇ）の遅延再生スコアの疾患群毎の分布から作成したオッズ表を示している。同時に、第１の入力モジュール１０により、各被験者の脳画像を入力とする深層学習鑑別モデルの活性化関数（ソフトマックス関数）の出力値を取得する。推定モジュール３０においては、第１の入力モジュール１０から取得したソフトマックス値を第１の評価指数Ｘ１とし、同じ被験者（受診者）の臨床情報（上記の認知力テスト）結果スコアを入力とする疾患オッズスコアを第２の評価指数Ｘ２とし、第１の評価関数ｆ１ａにより、それらの指数Ｘ１およびＸ２を掛け合わせることにより、原因疾病がＡＤであることを示す評価値Ｓを得る。

　図７に、上記により得られた第１の評価指数Ｘ１、第２の評価指数Ｘ２および評価値Ｓを示している。評価される評価値Ｓがカットオフ値（閾値、本例では５０％）以上であった場合に脳疾患、本例ではＡＤであるか否かの判定を行うことができる。本例においては、結果、画像単体で７２％であった判別精度が、第１の評価指数Ｘ１および第２の評価指数Ｘ２を協働して疾病を鑑別することにより、判別精度が８３％に上昇した。

　なお、オッズ表は学習データとした疾患群の被験者の認知力スコアの全体の中での割合を、同じく対照群のそれとで比を取ったもので構成する方法等がある。本例では、アルツハイマー病とレビー小体型認知症の判定にＭＲＩ画像とＡＤＡＳ－Ｊｃｏｇの遅延再生スコアを用いて評価を行ったが、これに限定されない。

　図８に、上記により得られた第１の評価指数Ｘ１、第２の評価指数Ｘ２およびロジスティック回帰による評価値ｐｙを示している。評価される評価値ｐｙがカットオフ値（閾値、本例では５０％）以上であった場合に脳疾患、本例ではＡＤであるか否かの判定を行うことができる。本例においては、結果、画像単体で７２％であった判別精度が、第１の評価指数Ｘ１および第２の評価指数Ｘ２を協働して疾病を鑑別することにより、判別精度が８３％に上昇した。

　なお、ロジスティック回帰モデルの入力は、本例では、アルツハイマー病とレビー小体型認知症の判定にＭＲＩ画像とＡＤＡＳ－Ｊｃｏｇの遅延再生スコアを用いて評価を行ったが、これに限定されない。

　図９に、第１の評価指数Ｘ１、Ｘ２、Ｘ３に３つのそれぞれ異なる脳部位毎の萎縮度をＺスコアで算出した値を、第２の評価指数Ｘ４と共にロジスティック回帰に入力して評価した評価値ｐｙを示している。評価される評価値ｐｙがカットオフ値（閾値、本例では５０％）以上であった場合に脳疾患、本例ではＡＤであるか否かの判定を行うことができる。本例においては、結果、画像単体で５６％であった判別精度が、第１の評価指数Ｘ１～Ｘ３および第２の評価指数Ｘ４を協働して疾病を鑑別することにより、判別精度が７８％に上昇した。

　なお、ロジスティック回帰モデルの入力は、本例では、アルツハイマー病とレビー小体型認知症の判定にＺスコアとＡＤＡＳ－Ｊｃｏｇの遅延再生スコアを用いて評価を行ったが、これに限定されない。

　図１０に、ある疾患またはその程度について、画像による評価と認知力テストスコアのそれぞれのＮｅｇａｔｉｖｅ/Ｐｏｓｉｔｉｖｅを判定する場合を示している。ある疾患またはその程度について、画像による評価と認知力テストスコアのそれぞれのＮｅｇａｔｉｖｅ/Ｐｏｓｉｔｉｖｅを判定することで、以下の４カテゴリが得られる。
カテゴリＡ：画像（Positive）かつ認知力テスト（Positive）
カテゴリＢ：画像（Negative）かつ認知力テスト（Positive）
カテゴリＣ：画像（Positive）かつ認知力テスト（Negative）
カテゴリＤ：画像（Negative）かつ認知力テスト（Negative）

　脳画像の評価指標にカットオフを用いて疾患の判定を行う方法が有り、例えばアルツハイマー病患者とレビー小体型認知症の被験者について後頭葉の特定部位の血流低下度（ＣＩＳｃｏｒｅ）の評価が行われ、カットオフ値により鑑別を行う方法が知られている。カットオフを設定するとともに、また、カットオフとは別に、脳画像の評価指標の大小の程度に合わせて、属性の判定を行う方法を提供してもよい。認知力テストのスコアを用いた脳疾患の評価については、例えばＣＤＲやＭＭＳＥのカットオフ値により健常者、軽度認知症、アルツハイマー病患者の鑑別が行えることが知られている。上述した認知症評価システム１および評価方法により得られる評価値を用いることでカテゴリ概念図１０のＤとＤ’のカテゴリの細分化をさらに精度よく行うことが可能となる。また、脳画像単体の評価と臨床情報（例えば、認知力テスト）結果スコアと、両者を統合して評価された脳疾患の種別や進行区分を用いて、対象者のカテゴリ分けを行い薬効の評価対象者を定め、さらにカテゴリ毎に評価解析を行うための情報として用いることが可能となる。

　本システム１は、上述した推定モジュール３０の推定（評価）および／または推定に至る経緯、第１の評価指数Ｘ１、第２の評価指数Ｘ２、その他の情報ｘｉをスマートフォン、ＰＣ、タブレット、紙を含めた出力媒体に出力するモジュールを含んでもよい。出力形態は、文字、図形、画像であってもよく、ＱＲコード（登録商標）などに暗号化された情報や、情報のアクセス先を示す情報であってもよい。

　また、本システム１は、推定モジュール３０の推定および／または推定に至る経緯、第１の評価指数Ｘ１、第２の評価指数Ｘ２、その他の情報ｘｉに基づき、被験者を所定のカテゴリに分類するモジュールを含んでもよい。創薬研究、層別化医療において、ある疾患に属する患者を、バイオマーカーを用いていくつかのサブグループに分類し、それぞれのサブグループに適した治療や評価を行うことが知られており、推定モジュール３０の推定評価は、層別化マーカーとしても利用可能である。

（第２実施形態）
　第２実施形態では、第１の評価関数として、ロジッド{ｌｏｇ（ｐ／（１－ｐ））}をシグモイド関数によって確率に変換する式（ｆ１ｂ）を用いた。すなわち、評価値として、ロジスティック回帰モデルから出力される罹患確率ｐを用いた。第２実施形態では、ロジスティック回帰に代えてリッジ回帰を用いる構成について説明する。リッジ回帰では、出力される評価値は確率ではなくスカラーである。

　推定モジュール３０は、第１の評価指数Ｘ１および第２の評価指数Ｘ２の少なくとも一方を説明変数ｘｉ、それぞれの説明変数ｘｉの重み係数をｗｉとしたときに、評価値として出力される推定値ｙ（ハット）は、第１の評価関数としての式（１）で算出することができる。なお、ｘ０＝１であり、ｗ０は切片である。

　分離したい疾患ラベルを-１、１とする。例えば、ラベル-１は健常者、ラベル１は認知症を表すとする。未知のデータｘｉに対してｙ（ハット）が０より大きいか、小さいかで分類を行うことができる。

　式（１）における重み係数ｗｉは、式（２）で示す損失関数Ｆが最小となる最適化問題を解くことにより求めることができる。式（２）において、ｋ＝１、…、ｎは、データのサンプル数であり、ｙｋは実測値である。βは予め設定することができるパラメータであり、ｗｉのＬ２ノルムの二乗で表される正則化項の影響の大きさを定める。

　上述のように、推定モジュール３０は、第１の評価指数および第２の評価指数を説明変数とする第１の評価関数により得られる評価値に基づき、被験者の認知症を含む脳障害の状態を推定することができる。ここで、第１の評価関数は、式（１）のように、学習データを用いてリッジ回帰により予測された、説明変数それぞれに対応する重み係数を係数とする説明変数の線形結合で表される。なお、説明変数は、第１の評価指数および第２の評価指数のいずれか一方のみであってもよい。

　リッジ回帰を用いることにより、説明変数が多く、例えば、説明変数同士が相関する場合に、推定値の計算が不安定になる多重共線性の問題を解消することができる。

（第３実施形態）
　第３実施形態では、変性脳疾患のリスクを評価するため、被験者の脳画像（ＭＲ、ＳＰＥＣＴ、ＰＥＴ等）の脳の部位（関心領域）毎に評価するシステム、被験者の特徴的な部位の評価値に基づいて脳全体を対象とした脳疾患リスクを評価するシステムについて説明する。なお、ＭＲ画像は、ＭＲＩ画像とも称される。ＭＲＩ画像は、例えば、Ｔ１強調画像、Ｔ２強調画像、拡散強調画像、フレア画像、拡散テンソル画像、ＱＳＭ画像、疑似ＰＥＴ画像、疑似ＳＰＥＣＴ画像などを含む。

　脳疾患には、認知症（ＡＤ、ＤＬＢ、前頭側頭葉変性症（ＦＴＬＤ）、正常圧水頭症（ＮＰＨ）等を含む）、脳腫瘍、精神障害（精神疾患ともいう、統合失調症、てんかん、気分障害、依存障害、高次機能障害等を含む）、パーキンソン病、アスペルガー症候群、注意欠陥・多動性障害（ＡＤＨＤ）、睡眠障害、小児疾患、虚血性脳障害、気分障害（うつ病等を含む）等が含まれる。また、脳障害には、脳に関連する疾患として、認知症や多発性硬化症などが含まれ、また、アミロイドβに関連する疾患として、例えば、軽度認知障害（ＭＣＩ：Mild cognitive impairment）、アルツハイマー病による軽度認知障害（ＭＣＩdue to ＡＤ）、前駆期アルツハイマー病（prodromal ＡＤ）、アルツハイマー病の発症前段階／プレクリニカルＡＤ（preclinical ＡＤ）、パーキンソン病、多発性硬化症、不眠症、睡眠障害、認知機能の低下、認知機能障害、アミロイド陽性／陰性に係る疾患などの神経変性疾患が含まれる。

　図１１は第３実施形態のシステムの構成の第１例を示す模式図である。システム（「評価システム」、「認知症評価システム」ともいう）は、第１の入力モジュール１０、推定モジュール４０を備える。第１の入力モジュール１０は、第１実施形態の場合と同様の構成をなす。推定モジュール４０は、評価値算出ユニット４１、出力ユニット４２を備える。第１の入力モジュール１０は、被験者ＤＢ６０を参照して必要な情報にアクセスすることができる。被験者ＤＢ６０は、第１実施形態のデータベース１９であってもよい。推定モジュール４０は、健常者ＤＢ６１、脳疾患患者ＤＢ６２それぞれを参照して必要な情報にアクセスすることができる。

　第１の入力モジュール１０は、第１の評価ユニット１１及び第２の評価ユニット１２を備える。第１の評価ユニット１１は、被験者の脳の各部位（関心領域）の医用画像を統計的に評価した第１の評価指数Ｘ１を算出する。第２の評価ユニット１２は、医用画像に基づき、被験者の脳の各部位（関心領域）の第１の評価指数Ｘ１を出力するように、機械学習した学習済みモデルを用いて、被験者の脳の各部位（関心領域）の第１の評価指数Ｘ１を出力する。なお、第１の評価ユニット１１及び第２の評価ユニット１２のいずれか一方のみを用いてもよく、あるいは、両方を用いてもよい。第１の入力モジュール１０は、被験者の脳の各部位（関心領域）の第１の評価指数Ｘ１を推定モジュール４０に出力する。以下では、第１の評価指数Ｘ１として、関心領域の灰白質体積値の解剖学的標準空間上でのＺスコア値について説明するが、第１の評価指数Ｘ１は、Ｚスコアに限定されない。

　脳の特定の部位のＺスコアは、部位の画素毎に以下の式で求めることができる。
　Ｚスコア＝（被験者の脳の部位の画素値-健常者の部位の平均値）／（健常者の部位の標準偏差）
　部位のＺスコアは、当該部位の画素毎の正のＺスコアの平均値として求めることができる。Ｚスコアは、被験者の部位の画素値が健常者の脳の部位の画素値と乖離している程度（度合い）を表す。ＭＲ画像の場合、Ｚスコアの値が大きいほど、健常者と比較して萎縮があることを示す。脳の部位（関心領域）は、一例を挙げれば、間脳、上頭頂小葉、下頭頂小葉、淡蒼球、小脳、中心傍小葉、海馬、海馬傍回、楔前部、側脳室、扁桃体、嗅内野、脳幹などを含むが、これらに限定されない。

　第１の入力モジュール１０は、部位毎に、Extent及びRatioを算出することができる。Extentは、部位内の総ボクセル数に対する当該部位内のＺスコアが２以上のボクセル数の割合を表す。Ｚスコアが２以上の場合、画素値の平均値から標準偏差の２倍以上となり、統計的有意差が認められる。Ratioは、部位内の平均Ｚスコアを全脳の平均Ｚスコアで割った値である。第１の入力モジュール１０は、算出したExtent及びRatioを推定モジュール４０に出力する。

　出力ユニット４２は、出力部としての機能を有し、表示装置（不図示）に表示させるための表示データを出力する。表示装置は、システム内に組み込まれたものでもよく、システムの外部の装置でもよい。

　図１２は海馬領域の評価結果の一例を示す模式図である。図１２は被験者の脳を正面から見た場合の画像を模式的に示したものであり、実際の画像とは異なる場合がある。図中、模様を付した部分が左右それぞれの海馬であり、第１の評価指数（Ｚスコア）の値に応じて、色又は模様などを変化させてマップ状（評価指数マップ）に表示したものである。図１２の例では、Ｚスコアが、０．７であり、Extentが２０％、Ratioが１．５倍となっている。なお、Ｚスコアは、左右の海馬領域それぞれを１つの領域として算出したものである。また、図１２に示す数値は、便宜上の数値であり、実際のものとは異なる場合がある。

　図１３は中側頭回領域の評価結果の一例を示す模式図である。図１３は被験者の中側頭回の断面の画像を模式的に示したものであり、実際の画像とは異なる場合がある。図中、模様を付した部分が左右それぞれの中側頭回であり、第１の評価指数（Ｚスコア）の値に応じて、色又は模様などを変化させてマップ状に表示したものである。図１３の例では、Ｚスコアが、０．４１であり、Extentが０％、Ratioが０倍となっている。なお、Ｚスコアは、左右の中側頭回領域それぞれを１つの領域として算出したものである。また、図１３に示す数値は、便宜上の数値であり、実際のものとは異なる場合がある。

　海馬領域、中側頭回領域以外の部位についても、同様に表示することができる。図１２、図１３のような評価結果を医師等に提供することによって、医師等は、被験者の認知症を含む種々の脳疾患を診断するための材料とすることができる。

　評価値算出ユニット４１は、算出部としての機能を有し、被験者の脳の複数の部位（関心領域）それぞれの第１の評価指数及び各第１の評価指数に対応する重み係数に基づいて当該複数の関心領域それぞれの領域評価値（「部位の評価値」ともいう）を算出する。

　図１４は各部位の評価値の一例を示す模式図である。図１４に示すように、部位のインデックスをｊとし、部位の数をｍとする。各部位は、ｊ＝１、２、…、ｍで表すことができる。各部位ｊの評価指数をｘｄｊとし、評価係数ｘｄｊの重み係数をｗｄｊとする。各部位の評価値Ｅｊは、Ｅ１＝ｗｄ１・ｘｄ１、Ｅ２＝ｗｄ２・ｘｄ２、…、Ｅｍ＝ｗｄｍ・ｘｄｍで表すことができる。

　出力ユニット４２は、評価値算出ユニット４１が算出した部位の評価値を出力することができる。出力ユニット４２は、被験者の脳の複数の部位それぞれの評価値を所定の順序（例えば、評価値の大きい順番）に並べて表示するための表示データを出力してもよい。評価値算出ユニット４１は、複数の被験者の中から所要の被験者の選択を受け付けた場合、選択された被験者の脳の複数の部位それぞれの評価値を算出することができる。

　図１５は部位の比較画面の第１例を示す模式図である。部位の比較画面では、被験者の一覧を表示する領域、被験者の部位（ＲＯＩ）毎に部位の評価値を表示する領域を有する。被験者一覧では、複数の被験者のＩＤや氏名などがリスト表示され、対象の被験者を選択することができる。例えば、医師等は、診断する被験者をリストの中から選択できる。図１５の例では、破線で囲まれた、被験者ＯＯＯＸが選択されている。被験者の部位の評価値は、評価値の大きい順に並べて表示することができる。図１５の例では、間脳の評価値が０．５で最も大きい値であるので、最上位に表示されている。以下、評価値の大きい順に、ＲＯＩと部位の評価値が対応付けて表示される。これにより、被験者が、特定の脳疾患に罹患している場合に、脳のどの部位が寄与しているかの判断に用いることができる。なお、図１５に例示した数値は、便宜上の値であり、実際の値と異なる場合がある。

　図１５に示す画面において、被験者を適宜選択することにより、複数の被験者を動的に切り替えて、部位の評価値を表示させることができる。

　図１６は部位の比較画面の第２例を示す模式図である。図１５に例示した第１例との違いは、健常者の各部位の評価値及び特定の脳疾患患者の各部位の評価値が表示される点である。推定モジュール４０は、健常者評価値取得部としての機能を有し、健常者ＤＢ６１から健常者の複数の部位それぞれの評価値（例えば、多数の健常者の評価値の平均）を取得することができる。また、推定モジュール４０は、脳疾患患者評価値取得部としての機能を有し、脳疾患患者ＤＢ６２から特定の脳疾患に罹患した脳疾患患者の複数の部位それぞれの評価値（例えば、特定の脳疾患に罹患した多数の脳疾患患者の評価値の平均）を取得することができる。推定モジュール４０は、複数の種類の脳疾患の中から特定の脳疾患患者の複数の部位それぞれの評価値を選択的に取得することができる。

　図１６では、健常者と脳疾患患者の両者の各部位の評価値を表示する構成であるが、健常者と脳疾患患者のいずれか一方の各部位の評価値を表示してもよい。すなわち、出力ユニット４２は、被験者及び健常者の複数の部位それぞれの評価値を対比可能な表示態様で表示するための表示データを出力することができる。また、出力ユニット４２は、被験者及び脳疾患患者の複数の部位それぞれの評価値を対比可能な表示態様で表示するための表示データを出力することができる。なお、図示していないが、図１６に例示する部位の比較画面において、複数の種類の脳疾患を一覧表示し、一覧表示された脳疾患の中から所要の脳疾患を選択できようにしておき、脳疾患が選択される毎に、選択された脳疾患に罹患した脳疾患患者の各部位の評価値を表示するようにしてもよい。

　図１６に示すように、被験者の各部位の評価値と、健常者及び脳疾患患者の少なくとも一方の各部位の評価値とを、対比可能な表示態様で表示することにより、健常者と比べて、あるいは脳疾患患者と比べて被験者の脳疾患の状態を判断することができる。

　図１７は部位の比較画面の第３例を示す模式図である。図１７の例では、被験者の部位毎の評価値に基づいて、当該被験者の脳疾患を推定することが可能であることを示す。認知症の中核的症状を有する被験者において、「レビー小体型認知症（ＤＬＢ）ではアルツハイマー型認知症（ＡＤ）に比べて内側側頭部萎縮が比較的軽度」という画像所見の示唆的特徴がある。被験者の部位毎の萎縮に係る評価値に基づいて、前述の示唆的特徴の判断を行うことができる。ここで、内側側頭部とは、海馬傍回及び海馬を含む灰白質領域である。図１７に示すように、被験者Ａの場合、海馬の萎縮評価が上位に現れているが、脳疾患患者の評価値に比べれば被験者Ａの評価値は小さく、萎縮状態は軽度であると判断できる。一方、被験者Ｂの場合、海馬及び海馬傍回の評価値が大きく萎縮が進んでいると判断できる。このような場合、被験者Ａはレビー小体型認知症であると推定でき、被験者Ｂはアルツハイマー型認知症であると推定できる。

　次に、被験者の脳の部位毎の評価値に基づいて当該被験者の脳全体を対象とする疾患リスクの評価について説明する。

　推定モジュール４０は、推定部としての機能を有し、被験者の脳の複数の部位それぞれの第１の評価指数を変数とする第２の評価関数により得られる全脳評価値に基づいて、当該被験者の認知症を含む脳障害の状態を推定する。具体的には、評価値算出ユニット４１は、第２の評価関数を用いて全脳評価値を算出することができる。

　第２の評価関数は、式（３）で表すことができる。

　式（３）において、ＥＡは全脳評価値の予測値であり、ｘｄｊは、部位ｊの評価指数であり、ｗｄｊは、評価係数ｘｄｊの重み係数である。ｍは部位の数であり、εは誤差を評価する定数である。

　式（３）における重み係数ｗｄｊは、式（４）で示す損失関数Ｌが最小となる最適化問題を解くことにより求めることができる。式（４）において、ｉ＝１、…、ｎは、学習データのサンプル数であり、Ｅは全脳評価値の実測値である。αは予め設定することができるパラメータであり、ｗｄｊのＬ２ノルムの二乗で表される正則化項の影響の大きさを定める。すなわち、式（３）で表す、第２の評価関数は、学習データを用いてリッジ回帰により予測された、第１の評価指数ｘｄｊそれぞれに対応する重み係数ｗｄｊを係数とする第１の評価指数ｘｄｊの線形結合で表される。

　分離したいクラスそれぞれのラベルを-１、１とする。例えば、ラベル-１は健常者、ラベル１は認知症を表すとする。未知の評価指数ｘｄｊに対して全脳評価値ＥＡが０より大きいか、小さいかで分類を行うことができる。また、分離したいクラスが３つ以上ある場合（例えば、３つのクラスを健常者、脳疾患Ｂ１、脳疾患Ｂ２とする）、全ての可能な２クラスの組み合わせに対する多数決によって脳疾患を分類すればよい。具体的には、健常者と脳疾患Ｂ１、脳疾患Ｂ１と脳疾患Ｂ２、脳疾患Ｂ２と健常者の３通りの組み合わせで、脳疾患Ｂ１が２回、脳疾患Ｂ２が１回、健常者が０回分類されたとすると、最も回数が多い脳疾患Ｂ１に分類することができる。

　上述のように、リッジ回帰モデルを用いることにより、多重共線性の問題を解決することができる。以下、この点について説明する。

　図１８は左脳及び右脳の各部位間のＺスコアの相関の一例を示す模式図である。ｊは部位を示すインデックスである。右脳の各部位をｊ＝１～５１で表す。左脳の各部位をｊ＝５２～１０２で表す。ここで、右脳の部位ｊは、左脳の部位（ｊ＋５１）に対応する。例えば、右脳の部位ｊが海馬であれば、左脳の部位（ｊ＋５１）も海馬である。図１８において、破線で示す直線は、Ｚスコアの相関が大きい部位を表す。すなわち、左右の同部位は、Ｚスコアの相関が大きい傾向がある。

　仮に、第２の評価関数として、ロジスティック回帰モデルに基づく関数を用いた場合には、ロジスティック回帰モデル内の変数が他の変数と相関することになり多重共線性の問題が生じ、推定値の計算が不安定になる。そこで、式（３）で表すようなリッジ回帰モデルを用いることにより、正則化項が付加されるので、多重共線性の問題を解決できる。具体的には、ロジスティック回帰モデルに基づく関数を用いた場合には、右脳と左脳の同じ部位で、右脳及び左脳の一方が正の重み係数となり、他方が負の重み係数となる部位が多数表れ、精度よく全脳評価値を算出することができない。本来的には、重み係数は全て正の係数であることが期待される。リッジ回帰モデルに基づく関数を用いることにより、負の重み係数となる部位の数を大幅に低減することができ、例えば、８２％程度の精度で全脳評価値を求めることができる。

　次に、リッジ回帰モデルを用いる場合において、さらに全脳評価値の推定精度を向上させる方法について説明する。

　図１９は左脳及び右脳の集約方法の例を示す模式図である。図１９に示すように、右脳の部位をｊで表し、左脳の右脳と同じ部位を（ｊ＋５１）で表す。第１の集約方法は、右脳部位ｊと左脳部位（ｊ＋５１）を右脳インデックスｊに統一して１つの領域に集約する方法である。右脳及び左脳それぞれの部位の数が５１、脳全体で１０２個の部位とすると、第１の集約方法により部位数は１０２から５１になる。第１の集約方法を用いたリッジ回帰により、全脳評価値の推定精度を９６％程度とすることができた。なお、脳全体の部位の数は１０２個に限定されるものではなく、他の数値でもよい。

　第２の集約方法は、右脳部位ｊの重み係数と、左脳部位（ｊ＋５１）の重み係数との平均を右脳部位インデックスに統一する方法である。右脳及び左脳それぞれの部位の数が５１、脳全体で１０２個の部位とすると、第２の集約方法により部位数は１０２から５１になる。第２の集約方法を用いたリッジ回帰により、全脳評価値の推定精度を９１％程度とすることができた。

　第３の集約方法は、右脳部位ｊの重み係数と、左脳部位（ｊ＋５１）の重み係数の大きい方の値を右脳部位インデックスに統一する方法である。右脳及び左脳それぞれの部位の数が５１、脳全体で１０２個の部位とすると、第３の集約方法により部位数は１０２から５１になる。第３の集約方法を用いたリッジ回帰により、全脳評価値の推定精度を８２％程度とすることができた。

　次に、評価値算出ユニット４１が算出する全脳評価値ＥＡの具体例について説明する。

　図２０は全脳評価値の具体例を示す模式図である。上述のとおり、全脳評価値ＥＡは、式（３）で求めることができる。前述の集約方法を用いた場合、部位の数ｊは、例えば、５１とすることができ、部位の評価値の数も５１となる。図２０では、簡単化のため、部位の数を２とすることにより２次元平面上で全脳評価値の意味を説明する。図２０に示すように、部位評価値をＥ１、Ｅ２とする。２次元名面上でクラス（健常者、脳疾患患者）間を分割するクラス分割線（面）からの距離が全脳評価値となる。例えば、被験者Ｓ１の場合、-ｄ１が全脳評価値を表し、被験者Ｓ２の場合、ｄ２が全脳評価値を表す。ここで、健常者側は負の符号が付き、脳疾患患者側は正の符号が付く。被験者の全脳評価値を用いることにより、以下に示すように、被験者が健常者に近いのか、脳疾患患者に近いのかを視覚的に表現することができる。

　図２１は全脳評価画面の第１例を示す模式図である。全脳評価画面では、被験者の一覧を表示する領域、被験者の全脳評価値を表示する領域を有する。被験者一覧では、複数の被験者のＩＤや氏名などがリスト表示され、対象の被験者を選択することができる。例えば、医師等は、診断する被験者をリストの中から選択できる。図２１の例では、破線で囲まれた、被験者ＯＯＯＯが選択されている。

　推定モジュール４０は、全脳評価値取得部としての機能を有し、健常者ＤＢ６１から健常者の全脳評価値を取得し、脳疾患患者ＤＢ６２から脳疾患患者の所要の脳疾患に関する全脳評価値を取得することができる。被験者の全脳評価値は、健常者及び脳疾患患者の全脳評価値（例えば、全脳評価値の平均値）と対比可能な表示態様で表示することができる。図２１の例では、横棒グラフの一端を健常者とし、他端を脳疾患患者とし、被験者を横棒グラフ上の位置で表している。これにより、被験者が健常者に近いのか、脳疾患患者に近いのかを視覚的に表現することができる。

　図２１に示す画面において、被験者を適宜選択することにより、複数の被験者を動的に切り替えて、全脳評価値を表示させることができる。また、図示していないが、図２１に例示する全脳評価画面において、複数の種類の脳疾患を一覧表示し、一覧表示された脳疾患の中から所要の脳疾患を選択できようにしておき、脳疾患が選択される毎に、選択された脳疾患に罹患した脳疾患患者を他端に示す横棒グラフを表示するようにしてもよい。

　図２２は全脳評価画面の第２例を示す模式図である。図２２に示すように、被験者の全脳評価値と、健常者及び脳疾患患者の全脳評価値をレーダーチャート上で表すことができる。複数の脳疾患の軸を中心から正多角形状に配置する。図２２の例では、脳疾患１、２、３の３つの脳疾患を正三角形状のレーダーチャートで表している。レーダーチャート上の健常者の位置を破線で示し、被験者の位置を実線で表している。これにより、それぞれの脳疾患について、被験者が健常者に近いのか、脳疾患患者に近いのかを視覚的に表現することができる。

　図１１に例示したシステムの第１例では、第１の評価指数Ｘ１を用いる構成であったが、第１の評価指数に加えて第２の評価指数Ｘ２を用いてもよい。

　図２３は全脳評価画面の第３例を示す模式図である。図２３に示すように、被験者の全脳評価値に基づく、各脳疾患（図２３の例では、脳疾患１、２、３、４としている）の可能性をバブルチャートの如く円の大きさで視覚的に表している。例えば、各脳疾患について、被験者の全脳評価値が健常者の全脳評価値の平均に近づくほど円の大きさは小さくなり、逆に、被験者の全脳評価値が脳疾患患者の全脳評価値の平均に近づくほど円の大きさは大きくなる。図２３の例では、被験者ＯＯＯＯは、脳疾患１の脳疾患患者である可能性が高いことが分かる。また、被験者ＯＯＯＯは、脳疾患２、３の可能性がある、又は否定できないことが分かる。さらに、被験者ＯＯＯＯは、脳疾患４については、例えば、健常者レベルであることが分かる。なお、脳疾患の種類については、図２３のように、４つに限定されない。

　図２４は全脳評価画面の第４例を示す模式図である。図２４において、各セルの符号Ａ～Ｆは、脳疾患の種類又は脳の部位とすることができる。表中の数字によって、各脳疾患又は各部位の関連性の強さを表現することができる。数字は、被験者の全脳評価値であってもよい。また、図２４に示すように、各脳疾患又は各部位の関連性の強さを各セルに付した模様や色によって表してもよい。図２４の例では、被験者ＯＯＯＯは、脳疾患（又は部位）Ｃに関して強い関連性があることが分かる。

　図２５は全脳評価画面の第５例を示す模式図である。図２５に示すように、被験者の全脳評価値に基づく、各脳疾患（図２３の例では、脳疾患１、２）の可能性をマトリクスチャートで視覚的に表している。２軸のマトリクスによって、４つの領域Ｓ１～Ｓ４に区分されている。領域Ｓ１は、脳疾患２の可能性が高く、かつ脳疾患１の可能性が低いことを表す（すなわち、脳疾患２であると判断できる）。領域Ｓ２は、脳疾患２の可能性が高く、かつ脳疾患１の可能性も高いことを表す（すなわち、脳疾患１、２の両方であると判断できる）。領域Ｓ３は、脳疾患２の可能性が低く、かつ脳疾患１の可能性も低いことを表す（すなわち、脳疾患１、２のいずれでもないと判断できる）。領域Ｓ４は、脳疾患２の可能性が低く、かつ脳疾患１の可能性が高いことを表す（すなわち、脳疾患１であると判断できる）。図２５の例では、被験者ＯＯＯＯは、脳疾患１、２の両方であると判断できる。

　図２６は第３実施形態のシステムの構成の第２例を示す模式図である。第２例は、第２の入力モジュール２０を備える点で第２例と相違する。第２の入力モジュール２０は、図１に示す第１実施形態の場合と同様であるので、説明は省略する。推定モジュール４０は、被験者の脳の複数の部位それぞれの第１の評価指数及び第２の評価指数Ｘ２を変数とする第２の評価関数により得られる全脳評価値に基づいて、当該被験者の認知症を含む脳障害の状態を推定することができる。具体的には、評価値算出ユニット４１は、第２の評価関数を用いて全脳評価値を算出することができる。第２の評価関数は、上述の式（３）で表すことができ、評価指数ｘｄｊには、第１の評価指数及び第２の評価指数Ｘ２が含まれる。

　図２７Ａ及び図２７ＢはＲＯＣ曲線の例を示す模式図である。図２７Ａは、第１の評価指数（５１部位のＺスコア）のみを用いてＡＤ及びＤＬＢを鑑別した場合のＲＯＣ（Receiver Operating Characteristic）曲線を示し、図２７Ｂは第１の評価指数に加えて第２の評価指数（ＡＤＡＳＣｏｇ認知テストにおける遅延再生スコア）を用いて鑑別した場合のＲＯＣ曲線である。図２７Ａ、図２７Ｂにおいて、縦軸は真陽性率（ＴＰＲ）を示し、横軸はＦＲＰ（偽陽性率）を示す。ＲＯＣ曲線は、ＡＤ診断及びＤＬＢ診断において、正常と異常を区別するカットオフポイント毎に真陽性率と偽陽性率を計算してプロットしたものである。プロットしたグラフの下の部分の面積をＡＵＣ（Area Under the Curve）と称し、ＡＵＣは０から１までの値を取り得る。ＡＵＣが１に近いほど鑑別精度が高いことを示す。図２７ＡではＡＵＣ＝０．６２であり、図２７ＢではＡＵＣ＝０．７４であり、図２７Ｂの方が、ＡＵＣが高い。図２７の例では、長期記憶の低下（ＡＤ症例の方が強い）を評価する遅延再生スコアを加えることで鑑別精度が向上することが分かる。

　次に、第３実施形態のシステムの動作について説明する。

　図２８は脳の各部位の評価結果の出力処理の第１例の手順を示すフローチャートである。システムは、被験者の脳の画像データを取得し（Ｓ１１）、被験者の関心領域（部位）を設定する（Ｓ１２）。システムは、関心領域毎に評価指数（例えば、Ｚスコア）を算出し（Ｓ１３）、関心領域毎にＥｘｔｅｎｔ、Ｒａｔｉｏを算出する（Ｓ１４）。

　システムは、算出した評価指数に基づいて、関心領域毎に評価指数マップを生成し（Ｓ１５）、被験者の評価指数マップ、評価指数、Ｅｘｔｅｎｔ、Ｒａｔｉｏを出力する（Ｓ１６）。システムは、他の関心領域の有無を判定し（Ｓ１７）、他の関心領域がある場合（Ｓ１７でＹＥＳ）、ステップＳ１２以降の処理を続ける。

　他の関心領域がない場合（Ｓ１７でＮＯ）、システムは、他の被験者の有無を判定する（Ｓ１８）。他の被験者がある場合（Ｓ１８でＹＥＳ）、システムは、ステップＳ１１以降の処理を続け、他の被験者がない場合（Ｓ１８でＮＯ）、処理を終了する。

　図２９は脳の各部位の評価結果の出力処理の第２例の手順を示すフローチャートである。システムは、被験者の脳の画像データを取得し（Ｓ３１）、被験者の関心領域（部位）を設定する（Ｓ３２）。システムは、関心領域毎に評価指数（例えば、Ｚスコア）を算出し（Ｓ３３）、被験者の関心領域毎に部位評価値Ｅｊを算出する（Ｓ３４）。部位評価値Ｅｊは、Ｅｊ＝ｗｄｊ・ｘｄｊで算出することができる。ここで、ｘｄｊは、部位ｊの評価指数（例えば、Ｚスコア）であり、ｗｄｊは重み係数である。

　システムは、健常者ＤＢ６１から健常者の関心領域毎の部位評価値を取得し（Ｓ３５）、脳疾患患者ＤＢ６２から脳疾患患者の関心領域毎の部位評価値を取得する（Ｓ３６）。システムは、部位評価値順（例えば、大きい順）に表示するか否かを判定し（Ｓ３７）、部位評価値順に表示する場合（Ｓ３７でＹＥＳ）、被験者の部位評価値順にソートし（Ｓ３８）、後述のステップＳ３９の処理を行う。

　部位評価値順に表示しない場合（Ｓ３７でＮＯ）、システムは、被験者の部位評価値を健常者、脳疾患患者と対比して表示するか否かを判定する（Ｓ３９）。健常者、脳疾患患者と対比して表示する場合（Ｓ３９でＹＥＳ）、システムは、被験者、健常者、脳疾患患者の部位評価値を出力し（Ｓ４０）、後述のステップＳ４２の処理を行う。

　健常者、脳疾患患者と対比して表示しない場合（Ｓ３９でＮＯ）、システムは、被験者の部位評価値を出力し（Ｓ４１）、他の被験者の有無を判定する（Ｓ４２）。他の被験者がある場合（Ｓ４２でＹＥＳ）、システムは、ステップＳ３１以降の処理を続け、他の被験者がない場合（Ｓ４２でＮＯ）、処理を終了する。

　図３０は全脳評価結果の出力処理の手順を示すフローチャートである。システムは、被験者の脳の画像データを取得し（Ｓ５１）、被験者の関心領域（部位）を設定する（Ｓ５２）。システムは、関心領域毎に評価指数（例えば、Ｚスコア）を算出し（Ｓ５３）、被験者の関心領域毎に部位評価値Ｅｊを算出する（Ｓ５４）。部位評価値Ｅｊは、Ｅｊ＝ｗｄｊ・ｘｄｊで算出することができる。ここで、ｘｄｊは、部位ｊの評価指数（例えば、Ｚスコア）であり、ｗｄｊは重み係数である。

　システムは、全脳評価値ＥＡを算出する（Ｓ５５）。全脳評価値ＥＡは、式（３）により算出することができる。システムは、健常者ＤＢ６１から健常者の全脳評価値を取得し（Ｓ５６）、脳疾患患者ＤＢ６２から脳疾患患者の全脳評価値を取得する（Ｓ５７）。システムは、健常者と脳疾患患者それぞれの全脳評価値の範囲で被験者の全脳評価値の位置を算出する（Ｓ５８）。例えば、健常者の全脳評価値の平均をａとし、脳疾患患者の全脳評価値の平均をｂとし、被験者の全脳評価値をｃとすると、値ｃが、ａからｂの範囲のどこにあるかによって位置を求めることができる。

　システムは、被験者の全脳評価値を、健常者及び脳疾患患者それぞれの全脳評価値と対比可能な表示態様（例えば、図２１参照）で出力する（Ｓ５９）。システムは、他の被験者の有無を判定する（Ｓ６０）。他の被験者がある場合（Ｓ６０でＹＥＳ）、システムは、ステップＳ５１以降の処理を続け、他の被験者がない場合（Ｓ６０でＮＯ）、処理を終了する。

　上述の第３実施形態においては、第１の評価指数Ｘ１として、関心領域の灰白質体積値の解剖学的標準空間上でのＺスコア値を用いる構成であったが、第１の評価指数はＺスコアに限定されるものではない。例えば、関心領域の血流量、関心領域の悪性蛋白質（例えば、アミロイドβ、タウ蛋白など）の集積量などの物理量を用いてもよい。このような物理量を用いる場合には、関心領域内の物理量が所定の閾値を超える割合（例えば、関心領域内の全ボクセル数に対する閾値を超えるボクセル数の割合など）を用いて正規化してもよい。これにより、関心領域の大小などに関わらず、関心領域間で評価指数が比較可能となる。

　また、第１の評価指標Ｘ１として、ＳＵＶＲ及びＢＲの少なくとも一方を用いてもよい。この場合、式（３）において、例えば、ｗ_SUVR・ＳＵＶＲ、ｗ_BR・ＢＲの各項の少なくとも一方を追加すればよい。ここで、ｗ_SUVRは、評価指標ＳＵＶＲの重み係数であり、ｗ_BRは、評価指標ＢＲの重み係数である。また、評価指数ＳＵＶＲや評価指標ＢＲを用いる場合、さらに、それらの指標値を健常者ＤＢが持つ分布等から標準化値とすれば、Ｚスコアのみで各部位の評価を行った場合と同様に、それぞれの被験者が疾患者と判断される場合の重要度を評価することができる。例えば、ＳＵＶＲの標準化値ＳＵＶＲ_Z は、ＳＵＶＲ_Z＝{（ＳＵＶＲの健常者平均-被験者のＳＵＶＲ）／ＳＵＶＲの健常者標準偏差}で求めることができる。

　１　認知症評価システム（システム）
　１０　第１の入力モジュール
　１１　第１の評価ユニット
　１２　第２の評価ユニット
　２０　第２の入力モジュール
　２１、２２　ユニット
　３０　推定モジュール
　３１　オッズ判定ユニット
　３２　確率判定ユニット
　３５　罹患推定ユニット
　３６　臨床評価ユニット（臨床評価機能、機能）
　４０　推定モジュール
　４１　評価値算出ユニット
　４２　出力ユニット
　６０　被験者ＤＢ
　６１　健常者ＤＢ
　６２　脳疾患患者ＤＢ
 

Claims (27)

1. 　被験者の脳の物理的な状態に係るデータに基づく第１の評価指数を取得するように構成された第１の入力モジュールと、
   　前記被験者の脳の機能に係るデータに基づく第２の評価指数を取得するように構成された第２の入力モジュールと、
   　前記第１の評価指数および前記第２の評価指数を変数とする第１の評価関数により得られる評価値に基づき、前記被験者の認知症を含む脳障害の状態を推定するように構成された推定モジュールとを有するシステム。
2. 　請求項１において、
   　前記第１の入力モジュールは、前記被験者の脳の少なくとも一部の関心領域の第１のタイプの医用画像を統計的に評価した前記第１の評価指数を取得する第１の評価ユニットおよび前記第１のタイプの医用画像に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて、前記被験者の前記医用画像を評価した前記第１の評価指数を取得する第２の評価ユニットの少なくともいずれかを含む、システム。
3. 　請求項１または２において、
   　前記第２の入力モジュールは、前記第２の評価指数として、認知力テストを含む臨床情報の評価を取得する構成を含む、システム。
4. 　請求項１ないし３のいずれかにおいて、
   　前記被験者が、医薬品、飲食品、サプリメントの少なくともいずれかを摂取した群に含まれ、
   　前記推定モジュールは、摂取したものの認知症に対する効果を評価する機能を含む、システム。
5. 　請求項１ないし３のいずれかにおいて、
   　前記推定モジュールは、第１の原因疾病の罹患状態を推定する機能を含む、システム。
6. 　請求項５において、
   　前記第１の入力モジュールは、第１の原因疾病の鑑別に関する前記第１の評価指数を取得する構成を含み、
   　前記第２の入力モジュールは、前記第１の原因疾病の鑑別に関する第２の評価指数を取得する構成を含み、
   　前記推定モジュールは、前記第１の原因疾病の罹患状態を推定する前記第１の評価関数を含む、システム。
7. 　請求項６において、
   　前記第１の入力モジュールは、前記第１の評価指数として、以下の少なくともいずれかの値を取得する構成を含む、システム。
   ａ：脳画像を入力とする深層学習鑑別モデルにより前記第１の原因疾病を推定する際の活性化関数の出力ソフトマックス値
   ｂ：脳画像の統計処理による関心領域で、脳画像をフィルタした画像をさらに深層学習鑑別モデルにより前記第１の原因疾病を推定する際の活性化関数の出力ソフトマックス値
   ｃ：脳画像の統計処理による関心領域の体積値または血流量
   ｄ：脳画像の統計処理による関心領域の体積または血流評価のＺスコア値
   ｅ：脳画像を入力とする深層学習鑑別モデルにより前記第１の原因疾病を推定する際における関心領域の体積値または血流量
   ｆ：脳画像を入力とする深層学習鑑別モデルにより前記第１の原因疾病を推定する際における関心領域の体積または血流評価のＺスコア値
8. 　請求項６または７において、
   　前記第２の入力モジュールは、前記第１の原因疾病の鑑別に適した認知力テストの結果を含む前記第２の評価指数として取得する構成を含む、システム。
9. 　請求項６ないし８のいずれかにおいて、
   　前記推定モジュールは、前記評価値が第１の閾値を超えると前記第１の原因疾病が推定される前記第１の評価関数を含む、システム。
10. 　請求項６ないし９のいずれかにおいて、
    　前記第１の評価指数は前記第１の原因疾病のオッズｘ１であり、前記第２の評価指数は前記第１の原因疾病のオッズｘ２であり、前記推定モジュールは、前記評価値ｓを以下の第１の評価関数により求める構成を含む、システム。
    ｓ＝ｘ１×ｘ２
11. 　請求項６ないし９のいずれかにおいて、
    　前記推定モジュールは、前記第１の評価指数および前記第２の評価指数をｘｉとしたときに、前記評価値として原因疾病ｙ＊の罹患確率ｐｙ＊を以下の第１の評価関数により求める構成を含む、システム。
    

    

    ただし、Ｙは評価対象の全ての疾患の集合、ｗｙｉはそれぞれの原因疾病の各評価指数の重み係数であり、ｉは整数である。
12. 　請求項１ないし１１のいずれかにおいて、
    　前記推定モジュールは、層別化マーカーとしての情報を提供する構成を含む、システム。
13. 　請求項１ないし１２のいずれかにおいて、
    　前記推定モジュールの推定および／または推定に至る経緯、前記第１の評価指数、前記第２の評価指数、その他の情報をスマートフォン、ＰＣ、タブレット、紙を含めた出力媒体に出力するモジュールを含む、システム。
14. 　請求項１ないし１３のいずれかにおいて、
    　前記推定モジュールの推定および／または推定に至る経緯、前記第１の評価指数、前記第２の評価指数、その他の情報に基づき、被験者を所定のカテゴリに分類するモジュールを含む、システム。
15. 　被験者の脳の複数の関心領域それぞれの第１の評価指数及び各第１の評価指数に対応する重み係数に基づいて前記複数の関心領域それぞれの領域評価値を算出する算出部と、
    　前記算出部で算出した各領域評価値を出力する出力部と
    　を備える、
    　システム。
16. 　請求項１５において、
    　前記出力部は、
    　前記被験者の脳の複数の関心領域それぞれの領域評価値を所定の順序に並べて表示するための表示データを出力する、
    　システム。
17. 　請求項１５または１６において、
    　複数の被験者の中から所要の被験者の選択を受け付ける受付部を備え、
    　前記算出部は、
    　選択された被験者の脳の複数の関心領域それぞれの領域評価値を算出する、
    　システム。
18. 　請求項１５ないし１７のいずれかにおいて、
    　健常者の複数の関心領域それぞれの領域評価値を取得する健常者評価値取得部を備え、
    　前記出力部は、
    　前記被験者及び健常者の複数の関心領域それぞれの領域評価値を対比可能な表示態様で表示するための表示データを出力する、
    　システム。
19. 　請求項１５ないし１８のいずれかにおいて、
    　脳疾患患者の所要の脳疾患に関する複数の関心領域それぞれの領域評価値を取得する脳疾患患者評価値取得部を備え、
    　前記出力部は、
    　前記被験者及び脳疾患患者の複数の関心領域それぞれの領域評価値を対比可能な表示態様で表示するための表示データを出力する、
    　システム。
20. 　請求項１５ないし１９のいずれかにおいて、
    　被験者の脳の複数の関心領域それぞれの第１の評価指数を変数とする第２の評価関数により得られる全脳評価値に基づいて、前記被験者の認知症を含む脳障害の状態を推定する推定部を備える、
    　システム。
21. 　請求項２０において、
    　前記第２の評価関数は、
    　学習データを用いてリッジ回帰により予測された、前記第１の評価指数それぞれに対応する前記重み係数を係数とする前記第１の評価指数の線形結合で表される、
    　システム。
22. 　請求項２０または２１において、
    　健常者の全脳評価値及び脳疾患患者の所要の脳疾患に関する全脳評価値を取得する全脳評価値取得部を備え、
    　前記出力部は、
    　前記被験者の全脳評価値と、前記健常者及び脳疾患患者の全脳評価値とを対比可能な表示態様で表示するための表示データを出力する、
    　システム。
23. 　請求項１５ないし２２のいずれかにおいて、
    　前記第１の評価指数は、
    　関心領域の灰白質体積値の解剖学的標準空間上でのＺスコア値、関心領域の血流量、又は関心領域の悪性蛋白質の集積量を含む、
    　システム。
24. 　システムの制御方法であって、
    　前記システムは、被験者の脳の物理的な状態に係るデータに基づく第１の評価指数を取得するように構成された第１の入力モジュールと、
    　前記被験者の脳の機能に係るデータに基づく第２の評価指数を取得するように構成された第２の入力モジュールと、
    　前記被験者の認知症の状態を推定するように構成された推定モジュールとを有し、
    　前記制御方法は、
    　前記推定モジュールが、前記第１の入力モジュールおよび前記第２の入力モジュールを介して前記第１の評価指数および前記第２の評価指数を取得することと、
    　前記第１の評価指数および前記第２の評価指数を変数とする第１の評価関数により得られる評価値に基づき、前記被験者の認知症を含む脳障害の状態を推定することを有する、
    制御方法。
25. 　被験者の脳の複数の関心領域それぞれの第１の評価指数及び各第１の評価指数に対応する重み係数に基づいて前記複数の関心領域それぞれの領域評価値を算出し、
    　算出した各領域評価値を出力する、
    　情報提供方法。
26. 　被験者の脳の物理的な状態に係るデータに基づく第１の評価指数を取得することと、
    　前記被験者の脳の機能に係るデータに基づく第２の評価指数を取得することと、
    　前記第１の評価指数および前記第２の評価指数を変数とする第１の評価関数により得られる評価値に基づき、前記被験者の認知症を含む脳障害の状態を推定することとをコンピュータにより実行する命令を有するコンピュータプログラム。
27. 　コンピュータに、
    　被験者の脳の複数の関心領域それぞれの第１の評価指数及び各第１の評価指数に対応する重み係数に基づいて前記複数の関心領域それぞれの領域評価値を算出し、
    　算出した各領域評価値を出力する、
    　処理を実行させるコンピュータプログラム。
     

Images