WO2022003428A2 - 情報処理装置及び学習済モデル - Google Patents

情報処理装置及び学習済モデル Download PDF

Info

Publication number
WO2022003428A2
WO2022003428A2 PCT/IB2021/022204 IB2021022204W WO2022003428A2 WO 2022003428 A2 WO2022003428 A2 WO 2022003428A2 IB 2021022204 W IB2021022204 W IB 2021022204W WO 2022003428 A2 WO2022003428 A2 WO 2022003428A2
Authority
WO
WIPO (PCT)
Prior art keywords
evaluation
information
medical
target tissue
treatment
Prior art date
Application number
PCT/IB2021/022204
Other languages
English (en)
French (fr)
Other versions
WO2022003428A3 (ja
Inventor
貴志 山本
Original Assignee
貴志 山本
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2020117427A external-priority patent/JP7150238B2/ja
Application filed by 貴志 山本 filed Critical 貴志 山本
Publication of WO2022003428A2 publication Critical patent/WO2022003428A2/ja
Publication of WO2022003428A3 publication Critical patent/WO2022003428A3/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Definitions

  • the present invention relates to an information processing device that evaluates the skill of an evaluation subject's technique. It also relates to a trained model used for such evaluation and an information processing apparatus for constructing such a trained model.
  • a trained model used for such evaluation and an information processing apparatus for constructing such a trained model.
  • Non-Patent Document 1 introduces a method for evaluating cavity formation by a training dentist.
  • an image (3D data generated by optical impression) showing the artificial tooth after the tooth cavity formation by the training dentist and an image showing the artificial tooth after the tooth cavity formation which is a pre-prepared evaluation standard are used.
  • Non-Patent Document 1 Atsushi Oka et al., "Study Utilizing Digital Data of Optical Impressions for Cavity Formation Practice in Clinical Training for Dentists", Nisso Dental Journal, Vol. 11, No. 1, pp. 58-65, 2019 October [Outline of the invention] [Problems to be Solved by the Invention]
  • the evaluation method described in Non-Patent Document 1 can evaluate the skill of cavitation formation for an artificially affected tooth, it cannot evaluate the skill of cavitation formation for an actual affected tooth.
  • One aspect of the present invention has been made in view of the above problems, the purpose of which is to repair organs and organs in the living body such as surgical invasion, prosthesis and suture for the purpose of treating medical personnel.
  • the purpose is to provide techniques that enable objective evaluation of surgical procedures, ranging from actions to healing.
  • Machine learning is used to construct a derivation process that derives output information including an estimated image representing the target tissue after each process during the surgical procedure and after the surgical procedure is applied, from the input information including the captured image representing the tissue.
  • the configuration is adopted in which execution is performed using the trained model.
  • the surgical procedure adopts a configuration of surgically invading each organ in the living body or each organ.
  • the output information includes additional information indicating a treatment policy.
  • the medical staff it becomes possible for the medical staff to present the treatment policy to both the medical staff and the patient before starting the surgical procedure.
  • the input information includes additional information representing a medical examination result or a test result. It has been adopted.
  • the processor uses a trained model corresponding to the interview result or the test result as the trained model.
  • the configuration is adopted.
  • the processor is used for each process during the surgical procedure performed by the evaluation subject and the target tissue after the surgical procedure is applied.
  • an evaluation process for deriving output information including an evaluation value indicating the skill of the surgical technique by the evaluation target person from the input information including the captured image representing the image and the estimated image is used. The configuration is adopted.
  • the information processing apparatus includes at least one processor, each organ in the living body or each organ as a target tissue, and the processor includes an image taken to represent the target tissue before the surgical procedure is applied.
  • An image of a trained model that derives output information from the input information, including each process during the surgical procedure that is the evaluation standard and an estimated image that represents the target tissue after the surgical procedure is applied, is taken to represent the target tissue before the surgical procedure is applied.
  • a construction process that constructs by machine learning using the combination of the input information including the image, each process during the surgical procedure as the evaluation standard, and the output information including the captured image representing the target tissue after the surgical procedure is applied as teacher data. The configuration of executing is adopted.
  • the trained model according to the eighth aspect of the present invention is a trained model constructed by machine learning, and represents the target tissue before the surgical procedure is applied, with the target tissue or the supporting tissue around the target tissue as the target tissue.
  • at least one processor execute a derivation process for deriving output information including an estimated image representing the target tissue after each process during the surgical procedure and after the surgical procedure is applied, from the input information including the captured image. Is a trained model of.
  • the information processing apparatus includes at least one processor, and the processor obtains the target tissue after the prosthesis as an evaluation criterion from the input information including the captured image representing the target tissue before the prosthesis.
  • a configuration is adopted in which the derivation process for deriving the output information including the estimated image to be represented is executed using the trained model constructed by machine learning.
  • the processor is based on the input information including the captured image representing the target tissue after the prosthesis by the evaluation target person and the estimated image.
  • a configuration is adopted in which an evaluation process for deriving output information including an evaluation value indicating the skill of the prosthesis by the evaluation target person is executed using a trained model constructed by machine learning.
  • the information processing apparatus includes at least one processor, and the processor obtains the target weave after the prosthesis as an evaluation standard from the input information including the captured image representing the target tissue before the prosthesis.
  • a trained model for deriving output information including an estimated image to be represented is a combination of input information including an image of the target tissue before prosthesis and output information including an image of the target tissue after prosthesis as an evaluation criterion.
  • the configuration is adopted in which the construction process constructed by machine learning using the information as teacher data is executed.
  • the trained model according to aspect 12 of the present invention is a trained model constructed by machine learning, and is the target tissue after prosthesis as an evaluation standard from input information including an image of the target tissue before prosthesis.
  • This is a trained model for causing at least one processor to execute a derivation process for deriving output information including an estimated image representing.
  • Captured images (representing the target tissue before the procedure is applied), estimated images, and captured images (representing each process during the procedure and the target tissue after the procedure is applied) when the surgical procedure is cavitation plasty. It is a figure which showed an example schematically. Captured images when the surgical procedure is root canal plasty (representing the target tissue before the surgical procedure is applied), estimated images, and captured images (representing each process during the surgical procedure and the target tissue after the surgical procedure is applied). It is a figure which showed an example schematically.
  • FIG. 1 is a block diagram showing a configuration of the evaluation system S.
  • the evaluation system S includes an information processing device 1, an information processing device 2, and an image pickup device 3.
  • the information processing device 1 is a device for evaluating the skill of the surgical technique for the target tissue by the evaluation target person (for example, a medical worker) based on the captured image I1 using the trained models LM1 and LM2.
  • the target organization include a target organization or a supporting organization around the target organization (in the following description, the target organization is assumed to be the target organization).
  • the target tissue includes, for example, teeth or bone.
  • examples of the surgical technique include tooth grinding and construction, tooth body fixation and movement, and bone grinding and reconstruction.
  • tooth grinding includes, for example, tooth cavity formation, rest formation, guide plane formation, abutment tooth formation, and root canal formation.
  • tooth construction includes, for example, abutment tooth construction.
  • the information processing device 2 is a device for generating the trained models LM1 and LM2 used by the information processing device 1 for the above evaluation.
  • the image pickup device 3 is a device for generating the captured images I1 and I2 referred to by the information processing device 1 for the above evaluation.
  • the captured image I1 is an image including the target tissue before the surgical procedure is applied as a subject.
  • the image pickup apparatus 3 generates the captured image I1 by imaging the target tissue before the evaluation subject applies the surgical procedure.
  • the captured image I2 is an image including each process during the surgical procedure performed by the evaluation subject and the target tissue after the surgical procedure is applied as a subject.
  • the image pickup apparatus 3 generates the captured image I2 by imaging the target tissue after the evaluation target person applies the surgical technique.
  • the types and dimensions of the captured images I1 and I2 are not particularly limited.
  • the captured images I1 and I2 may be, for example, a visible light image, an X-ray image, a CT (Computed Tomography) image, an MRI (Magnetic Response Imaging) image, an ultrasonic image, or a pathological examination image. Further, the captured images I1 and I2 may be, for example, a two-dimensional array of pixel values (pixel image) or a three-dimensional array of pixel values (voxel image, pixel image). 3DDAD data (for example, point cloud data or mesh data, or an optically measured triangular mesh) obtained by 3D scanning the target tissue may be used as the captured image I1. Further, an image obtained by fluoroscopic examination using an illuminator or a composite resin irradiator may be used as the captured image I1.
  • the angles of view of the captured images I1 and I2 are not particularly limited and may include the entire jaw.
  • the X-ray image include a panoramic X-ray image and a dental X-ray image.
  • the panoramic X-ray image is suitable for evaluating the spread to the entire affected tooth and the effect of the affected tooth on the temporomandibular joint.
  • Dental X-ray images are suitable for evaluating the condition of the affected tooth, the condition of the root, and the effect of the affected tooth on the adjacent tooth, and serve as a reference for root formation.
  • Specific examples of the CT image include a three-dimensional CT image, a contrast CT image, and a cone beam CT image.
  • the three-dimensional CT image is suitable for evaluating the condition in the pulp, the condition of the alveolar bone, and the condition inside the root canal, and is a reference for root canal formation.
  • Contrast-enhanced CT images are suitable for evaluation of glandular and soft tissues.
  • Specific examples of the MRI image include a T1-weighted image and a T2-weighted (fat-weighted) image.
  • T1-weighted images and T2-weighted images are suitable for assessing the interaction between the subject tissue and the soft tissue (glandular tissue).
  • the visible light image for example, a single-lens reflex photograph can be mentioned.
  • Single-lens reflex photography is suitable for evaluating the surface condition of the target tissue or soft tissue of the affected area. For example, single-lens reflex photography can adequately assess three of the five signs of inflammation that appear on the surface of soft tissue.
  • a pathological examination image a microscope image and a staining microscope image can be mentioned.
  • Microscopic and stained microscopic images are suitable for distinguishing benign tumors such as odontoma from malignant tumors such as ameloblastoma.
  • the 3D CAD data is suitable for evaluating the target tissue of individual affected teeth, such as collecting the surface morphology of caries, and can be used as a reference for the formation of cavities and abutments.
  • the trained model LM1 is a model that derives output information including an estimated image PI representing each process during the surgical procedure as an evaluation standard and the target tissue after the surgical procedure is applied from the input information including the captured image I1.
  • the surgical method selected as the standard treatment or the surgical method considered to be the best in EBM is used as an evaluation standard.
  • the image of the target tissue in the estimated image PI is the surgical procedure selected as the standard treatment, or the image of the target tissue after each process during the surgical procedure considered to be the best in EBM and after the surgical procedure is applied.
  • This trained model LM1 is constructed so as to reproduce.
  • the trained model LM1 Based on the estimated diagnosis, the trained model LM1 outputs, for example, an estimated image PI representing the tooth after the tooth cavity formation when the technique to be applied is the tooth cavity formation, and the technique to be applied is the tooth cavity. If the abutment tooth formation is an abutment tooth formation, an estimated image PI representing the tooth after abutment tooth formation is output, and if the technique to be applied is a root canal plasty for the tooth, an estimation representing the tooth after root canal formation is output. Output the image PI.
  • the trained model LM2 is a model for deriving output information including an evaluation value V indicating the skill of the surgical technique by the evaluation target person from the input information including the captured image I2 and the estimated image PI.
  • the information processing apparatus 2 constructs this trained model LM2 so that the evaluation value V correlates with the similarity between the image of the target tissue in the captured image I2 and the image of the target tissue in the estimated image PI.
  • the types of the trained models LM1 and LM2 are not particularly limited.
  • the trained model LM1 can be, for example, a neural network such as CNN (Convolutional Neural Network) or RNN (Recurrent Neural Network).
  • the trained model LM2 can be a regression model such as a linear regression equation or a non-linear regression equation.
  • the input information of the trained model LM1 may include additional information other than the captured image I1.
  • additional information that is preferable to be included in the input information of the trained model LM1
  • additional information representing a medical examination result or a test result can be mentioned.
  • Additional information indicating the interview result or the test result is input to the trained model LM1 as a text, for example. If the interview result or additional information indicating the test result is pre-coded, the code corresponding to the inquiry result or the test result may be input to the trained model LM1.
  • the results of the interview include, for example, information indicating the chief complaint, information indicating the medical history, information indicating the systemic disease, information indicating the prosthetic material desired by the patient (for example, resin, ceramics, gold, silver and palladium, etc.), and the prosthesis desired by the patient.
  • Information indicating the method eg, resin resin filling, crown, inlay, etc.
  • the information indicating the chief complaint includes, for example, information on the patient's pain (for example, cold pain, warm pain, pulsatile pain, irritation pain, etc.), aesthetic information (for example, when the mouth is opened, when the mouth is closed, etc.), and the patient. It may include information about problems, information about the patient's wishes, and so on.
  • the test results include blood test results, electrical resistance diagnosis results, palpation results, resonance wavelength measurement results, temperature diagnosis results, and electrical dental pulp. Diagnosis etc. can be mentioned. Palpation includes confirmation of sticky fisher in small sulci using a probe, diagnosis of adjacent surface erosion using dental floss, confirmation of marginal leakage of restoration using a probe, etc. It can be.
  • the electrical resistance diagnosis is a test that measures the progress of corrosion based on the electrical resistance (healthy teeth if the electrical resistance is 600 k ⁇ or more, and enamel if the electrical resistance is 251 k ⁇ or more and 599 k ⁇ or less.
  • the electrical resistance value is 6 k ⁇ or more and 250 k ⁇ or less, it indicates dentin erosion, and if the electrical resistance value is 5 k ⁇ or less, it indicates that it is an exposed spinal cord).
  • the resonance wavelength measurement diagnosis it is possible to perform a caries diagnosis using a laser beam having a wavelength of 655 nm or a non-invasive carrot diagnosis.
  • cold stimulus is given by using cold air, cold water, ice chips, vaporization heat absorption type spray, etc., or thermal stimulus is given by using heating stopping.
  • the electrode of the electric pulp diagnostic device is applied to the tooth surface, and the judgment is made based on the voltage level that complains of discomfort.
  • the electrode is applied to the tooth surface, and the condition of the pulp is judged by the level of the voltage at which the patient complains of discomfort.
  • the surgical procedure it is desirable to determine the surgical procedure as the evaluation standard by considering as much as possible the results of interviews and examinations as preoperative information in actual medical care, in addition to the condition of the target tissue.
  • the input information of the trained model LM1 is only the captured image I1
  • the estimated image PI is generated without considering the interview result and the test result. Therefore, for example, for the case in which the cavity formation should be selected, the root canal Estimated image PIs representing the formed teeth may be generated.
  • the technique of the evaluation target person who selects the correct technique is evaluated unreasonably low, or the technique of the evaluation target who selects the wrong technique is unreasonably high. Problems such as being evaluated occur. Furthermore, there is a problem that contraindicated surgical techniques are also evaluated.
  • the input information of the trained model LM1 includes the inquiry result or the additional information representing the test result, such a problem can be prevented.
  • the output information of the trained model LM1 may include additional information other than the estimated image PI. Additional information that is preferably included in the output information of the trained model LM1 includes, for example, additional information indicating the degree of caries progression or the treatment policy. The additional information indicating the caries progression or the treatment policy may be output from the trained model LM1 as a text, or may be output from the trained model LM1 as an image. In the latter case, an image showing the degree of caries progression or the treatment policy may be combined with the estimated image PI and output from the trained model LM1.
  • Information indicating the degree of caries progress includes, for example, a caries class (any of C1, C2, C3, and C4).
  • the surgical method to be selected (cavity formation, rest formation, guide plane formation, abutment tooth formation, root canal formation, implant implantation cavity formation, reverse root canal filling osteotomy, bone)
  • Information indicating any of scraping, articular fossa formation, and bone formation), or information indicating a contraindicated surgical procedure can be mentioned.
  • the treatment policy is further indicated by the ideal MO cavity, the ideal clearance with the opposing tooth, and the ideal occlusion with the opposing tooth.
  • the prosthetic method may be included in the output information of the trained model LM1 as additional information indicating the treatment policy.
  • the input information of the trained model LM2 may include additional information other than the captured image I2. Additional information preferably included in the input information of the trained model LM2 includes, for example, information indicating a prosthetic material, information indicating a prosthetic method, information regarding contraindications, and the like. These additional information are input to the trained model LM2 as text, for example. For example, the trained model LM2 outputs a high score as an evaluation value V when the shape of the target tissue read from the captured image I2 is a shape suitable for the prosthetic material and the prosthetic method indicated by the additional information. If not, a low score is output as the evaluation value V.
  • the trained model LM2 outputs a high score as the evaluation value V when the shape of the target tissue read from the captured image I2 is a shape obtained by the surgical method to be selected indicated by the additional information. If not, a low score is output as the evaluation value V.
  • the trained model LM2 can calculate the evaluation value V by comparing the caries class included in the output information of the trained model LM1 with the caries removal state read from the captured image I2. Is. Also, note that the actual MO cavity, the actual clearance with the opposing tooth, and the actual meshing with the opposing tooth can be read from the captured image I2 input to the trained model LM2. Therefore, the trained model LM2 captures the ideal MO cavity, the ideal clearance with the opposing tooth, and the ideal meshing with the opposing tooth, which are included in the output information of the trained model LM1, respectively. It is also possible to calculate the evaluation value by comparing with the actual MO cavity read from I2, the actual clearance with the opposing tooth, and the actual engagement with the opposing tooth.
  • FIG. 2 is a flow chart showing the flow of the evaluation method M1.
  • FIG. 3 is a diagram schematically showing an example of a captured image I1, an estimated image PI, and a captured image I2 when the surgical method is a cavity plasty.
  • FIG. 4 is a diagram schematically showing an example of the captured image I1, the estimated image PI, and the captured image I2 when the surgical method is root canal plasty.
  • the evaluation method M1 includes a first acquisition process M11, a derivation process M12, a second acquisition process M13, and an evaluation process M14.
  • the first acquisition process M11 is a process of acquiring the captured image I1 from the image pickup device 3.
  • the captured image I1 represents the target tissue before the surgical procedure is applied.
  • FIG. 3 schematically shows an example of the captured image I1 when the surgical procedure is a cavity formation
  • FIG. 4 schematically shows an example of the captured image I1 when the surgical procedure is root canal formation.
  • the derivation process M12 is a process of deriving the output information including the estimated image PI from the input information including the captured image I1 acquired in the first acquisition process M11, and is executed by using the trained model LM1.
  • the estimated image PI represents each process during the surgical procedure as an evaluation standard and the target tissue after the surgical procedure is applied.
  • FIG. 3 schematically shows an example of an estimated image PI when the surgical procedure is a cavity formation
  • FIG. 4 schematically shows an example of an estimated image PI when the surgical procedure is root canal formation.
  • the input information of the trained model LM1 may include additional information other than the captured image I1.
  • the input information of the trained model LM1 includes additional information representing a medical examination result or a test result.
  • Each process during the surgical procedure, which is the evaluation standard, and the morphology of the target tissue after the surgical procedure is applied differ depending on the interview result including the patient's desire for medical treatment or the treatment policy guided according to the test result. If adopted, it becomes possible to obtain an estimated image PI showing each process during the surgical procedure and the target tissue after the surgical procedure is applied, which is an evaluation standard determined by the medical examination result or the treatment policy according to the test result.
  • a trained model can be prepared in advance for each predetermined interview result or test result, a configuration in which a trained model corresponding to the interview result or test result obtained from the patient is used as the trained model LM1. Even if it is adopted, the same effect can be obtained.
  • the output information of the trained model LM1 may include additional information other than the estimated image PI.
  • the output information of the trained model LM1 includes additional information indicating a treatment policy.
  • the information processing apparatus 1 executes the presentation process of presenting the treatment policy via a display or the like after the derivation process M12 is completed. It is preferable to adopt the same configuration as the above. This allows healthcare professionals to know in advance what the multiple selectable treatment strategies to apply, and for patients to know in advance what the applicable treatment strategies are. Will be possible. If the patient's consent is obtained for the plurality of selectable treatment policies, the information processing apparatus 1 continues to implement the evaluation method M1, and the medical staff starts the treatment. On the other hand, if the patient's consent to the plurality of selectable treatment policies cannot be obtained, the information processing apparatus 1 discontinues the implementation of the evaluation method M1, and the medical staff does not start the treatment.
  • the second acquisition process M13 is a process of acquiring the captured image I2 from the image pickup device 3.
  • the captured image I2 represents each process during the surgical procedure performed by the evaluation subject and the target tissue after the surgical procedure is applied.
  • FIG. 3 schematically shows an example of the captured image I2 when the surgical procedure is a cavity formation
  • FIG. 4 schematically shows an example of the captured image I2 when the surgical procedure is a root canal formation.
  • the evaluation process M14 is a process of deriving output information including the evaluation value V from the input information including the estimated image PI derived by the derivation process M12 and the captured image I2 acquired by the second acquisition process M13, and is learning. It is executed using the finished model LM2. As described above, the evaluation value V represents the skill of the surgical technique by the evaluation target person.
  • the present embodiment employs a configuration in which the evaluation value V is derived using the trained model LM2, the present invention is not limited to this.
  • the magnitude of the difference between the estimated image PI and the captured image I2 (for example, the sum of the differences between the pixel values of each pixel) is calculated, and if the magnitude of the difference is relatively small, the evaluation value V is relatively small. If the magnitude of the difference is relatively small, a relatively low score may be calculated as the evaluation value V.
  • a correction process for correcting the evaluation value V derived by the evaluation process M14 according to the time required to complete the surgical procedure may be further executed. For example, if the time required to complete the procedure is relatively long, the evaluation value V is corrected so that the score decreases, and if the time required to complete the procedure is relatively short, the score increases. The evaluation value V is corrected to. This makes it possible to obtain an evaluation value V that takes into consideration the dexterity of the evaluation target person. [0057] (Supplementary information on effects) At the time of pulp infection, appropriate diagnosis and treatment according to each case are required. For example, in the case of root canal treatment, root canal formation, and root canal filling, appropriate treatment for a root canal having a complicated shape that differs from patient to patient is required.
  • the trained model LM1 is a patient tooth in which root canal filling is properly performed through appropriate root canal treatment and root canal formation from an image I1 representing a dental pulp infected tooth. Derivation of the estimated image PI representing.
  • the trained model LM2 outputs the low score as the evaluation value V.
  • the captured image I2 is presumed to be a medical contraindication, it outputs a redo of the medical practice as a warning.
  • FIG. 5 is a block diagram showing the configuration of the information processing apparatus 1.
  • the information processing device 1 is realized by using a general-purpose computer, and includes a processor 11, a primary memory 12, a secondary memory 13, an input / output interface 14, a communication interface 15, and a bus 16.
  • the processor 11, the primary memory 12, the secondary memory 13, the input / output interface 14, and the communication interface 15 are connected to each other via the bus 16.
  • the evaluation program P1 and the trained models LM1 and LM2 are stored in the secondary memory 13.
  • the processor 11 expands the evaluation program P1 and the trained models LM1 and LM2 stored in the secondary memory 13 on the primary memory 12. Then, the processor 11 executes the above-mentioned evaluation method M1 according to the instruction included in the evaluation program P1 expanded on the primary memory 12.
  • the trained model LM1 expanded on the primary memory 12 is used when executing the derivation process M12 included in the evaluation method M1. Further, the trained model LM2 expanded on the primary memory 12 is used when executing the evaluation process M14 included in the evaluation method M1.
  • Examples of the device that can be used as the processor 11 include a CPU (Central Processing Unit), a GPU (Graphic Processing Unit), a DSP (Digital Signal Processor), or a combination thereof.
  • the processor 11 is sometimes called an "arithmetic unit”.
  • a device that can be used as the primary memory 12 for example, a semiconductor RAM (Random Access Memory) can be mentioned.
  • the primary memory 12 is sometimes referred to as a "main storage device”.
  • Examples of the device that can be used as the secondary memory 13 include a flash memory, an HDD (Hard Disk Drive), an SSD (Solid State Drive), or a combination thereof.
  • the secondary memory 13 is sometimes called an "auxiliary storage device”.
  • the secondary memory 13 may be built in the information processing device 1, or constitutes another computer (for example, a cloud server) connected to the information processing device 1 via the input / output interface 14 or the communication interface 15. It may be built into the computer). Further, in the present embodiment, the storage in the information processing apparatus 1 is realized by two memories (primary memory 12 and secondary memory 13), but the present invention is not limited to this. That is, the storage in the information processing apparatus 1 may be realized by one memory. In this case, for example, a certain storage area of the memory may be used as the primary memory 12, and the other storage area of the memory may be used as the secondary memory 13.
  • An input device and / or an output device is connected to the input / output interface 14.
  • Examples of the input / output interface 14 include interfaces such as USB (Universal Serial Bus), ATA (Advanced Technology Attraction), and PCI (Peripheral Component Interconnect).
  • Examples of the input device connected to the input / output interface 14 include an image pickup device 3.
  • the captured images I1 and I2 acquired from the image pickup apparatus 3 in the first acquisition process M11 and the second acquisition process M13 included in the evaluation method M1 are input to the information processing apparatus 1 via the input / output interface 14, and are input to the information processing apparatus 1. Is remembered in.
  • examples of the input device connected to the input / output interface 14 include a keyboard, a mouse, a microphone, and the like.
  • the data (for example, the type of the prosthesis) acquired from the user in the evaluation method M1 is input to the information processing apparatus 1 via these input devices and stored in the primary memory 12.
  • Examples of the output device connected to the input / output interface 14 include a display, a printer, and a speaker.
  • the information provided to the user in the evaluation method M1 (for example, the evaluation value V) is output from the information processing apparatus 1 via these output devices.
  • Another computer is connected to the communication interface 15 by wire or wirelessly via a network.
  • Examples of the communication interface 15 include interfaces such as Ethernet (registered trademark) and Wi-Fi (registered trademark).
  • Available networks include PAN (Personal Area Network), LAN (Local Area Network), CAN (Campus Area Network), MAN (Metropolitan Area Network), WAN (WideAreN), WAN (WideAreNew) , Internetworks including these networks.
  • Internetwork may be an intranet, an extranet, or the Internet.
  • the trained models LM1 and LM2 acquired by the information processing apparatus 1 from the information processing apparatus 2 prior to the evaluation method M1 are transmitted and received via these networks.
  • the present embodiment employs a configuration in which the evaluation method M1 is executed using a single processor (processor 11), the present invention is not limited to this. That is, a configuration may be adopted in which the evaluation method M1 is executed using a plurality of processors.
  • a plurality of processors that execute the evaluation method M1 in cooperation with each other may be provided in a single computer and may be configured to be able to communicate with each other via a bus, or may be provided in a distributed manner in a plurality of computers. It may be configured to be able to communicate with each other via a network.
  • a mode in which a processor built in a computer constituting a cloud server and a processor built in a computer owned by a user of the cloud server cooperate to execute the evaluation method M1 can be considered.
  • a configuration is adopted in which the trained models LM1 and LM2 are stored in the memory (secondary memory 13) built in the same computer as the processor (processor 11) that executes the evaluation method M1.
  • the present invention is not limited to this. That is, a configuration may be adopted in which the trained models LM1 and LM2 are stored in a memory built in a computer different from the processor that executes the evaluation method M1.
  • the computer having the built-in memory for storing the learned models LM1 and LM2 is configured to be able to communicate with each other via the network with the computer having the built-in processor that executes the evaluation method M1.
  • the trained models LM1 and LM2 are stored in the memory built in the computer constituting the cloud server, and the processor built in the computer owned by the user of the cloud server executes the evaluation method M1. Conceivable.
  • a configuration in which the trained models LM1 and LM2 are stored in a single memory is adopted, but the present invention is not limited to this. That is, a configuration may be adopted in which the trained models LM1 and LM2 are distributed and stored in a plurality of memories.
  • a plurality of memories for storing the trained models LM1 and LM2 are provided in a single computer (the computer may or may not have a built-in processor that executes the evaluation method M1). It may be distributed to a plurality of computers (which may or may not include a computer having a processor for executing the evaluation method M1).
  • a configuration in which the trained models LM1 and LM2 are distributed and stored in the memory built in each of a plurality of computers constituting the cloud server can be considered.
  • FIG. 6 is a flow chart showing the flow of the machine learning method M2.
  • the machine learning method M2 includes a first preparation process M21, a first construction process M22, a second preparation process M23, and a second construction process M24.
  • the first preparation process M21 is a process for preparing the learning data set DS1 which is a set of teacher data.
  • the teacher data included in the learning data set DS1 represents the input information including the captured image showing the target tissue before the surgical procedure is applied, each process during the surgical procedure as an evaluation standard, and the target tissue after the surgical procedure is applied. It is a combination with the correct label including the captured image.
  • a highly skilled medical worker images the target tissue after applying the technique selected as the standard treatment or the technique considered to be the best in EBM. Use what was obtained in.
  • the first construction process M22 is a process for constructing a trained model LM1 by supervised learning using the learning data set DS1 obtained in the first preparation process M21.
  • the trained model LM1 derives output information including an estimated image PI representing each process during the surgical procedure as an evaluation standard and the target tissue after the surgical procedure is applied from the input information including the captured image I1. It is a model to do.
  • the trained model LM1 is tuned so that the relationship between the input information and the output information of the trained model LM1 reproduces the relationship between the input information and the output information constituting the teacher data. ..
  • the second preparation process M23 is a process for preparing the learning data set DS2, which is a set of teacher data.
  • the teacher data included in the learning data set DS2 is an image showing each process during the surgical procedure performed by the evaluation subject and the target tissue after the surgical procedure is applied, and each process and surgical procedure during the surgical procedure that serves as an evaluation standard. It is a combination of input information including an estimated image showing the target tissue after application and output information (label given to the input information) including an evaluation value showing the skill of applying the technique by the evaluation target person.
  • the second construction process M24 is a process for constructing the trained model LM2 by supervised learning using the learning data set DS2 obtained in the second preparation process M23.
  • the trained model LM2 is a model that derives output information including the evaluation value V from the input information including the captured image I2 and the estimated image PI.
  • the trained model LM2 is tuned so that the evaluation value V correlates with the similarity between the image of the target tissue in the captured image I2 and the image of the target tissue in the estimated image PI.
  • FIG. 7 is a block diagram showing the configuration of the information processing apparatus 2.
  • the information processing device 2 is realized by using a general-purpose computer, and includes a processor 21, a primary memory 22, a secondary memory 23, an input / output interface 24, a communication interface 25, and a bus 26.
  • the processor 21, the primary memory 22, the secondary memory 23, the input / output interface 24, and the communication interface 25 are connected to each other via the bus 26.
  • the machine learning program P2 and the learning data sets DS1 and DS2 are stored in the secondary memory 23.
  • the processor 21 expands the machine learning program P2 stored in the secondary memory 23 on the primary memory 22. Then, the processor 21 executes the machine learning method M2 described above according to the instructions included in the machine learning program P2 expanded on the primary memory 22.
  • the learning data set DS1 stored in the secondary memory 23 is created in the first preparation process M21 included in the machine learning method M2 and used in the first construction process M22 included in the machine learning method M2. Further, the learning data set DS2 stored in the secondary memory 23 is created in the second preparation process M23 included in the machine learning method M2 and used in the second construction process M24 included in the machine learning method M2.
  • Examples of the device that can be used as the processor 21 include a CPU, GPU, DSP, or a combination thereof.
  • the processor 21 is sometimes called an "arithmetic unit".
  • a device that can be used as the primary memory 22 for example, a semiconductor RAM can be mentioned.
  • the primary memory 22 is sometimes referred to as a "main storage device”.
  • examples of the device that can be used as the secondary memory 23 include a flash memory, an HDD, an SSD, or a combination thereof.
  • the secondary memory 23 is sometimes called an "auxiliary storage device".
  • the secondary memory 23 may be built in the information processing device 2, or constitutes another computer (for example, a cloud server) connected to the information processing device 2 via the input / output interface 24 or the communication interface 25. It may be built into the computer).
  • the storage in the information processing apparatus 2 is realized by two memories (primary memory 22 and secondary memory 23), but the present invention is not limited to this. That is, the storage in the information processing apparatus 2 may be realized by one memory. In this case, for example, a certain storage area of the memory may be used as the primary memory 22, and the other storage area of the memory may be used as the secondary memory 23.
  • An input device and / or an output device is connected to the input / output interface 24.
  • Examples of the input / output interface 24 include interfaces such as USB, ATA, and PCI.
  • Examples of the input device connected to the input / output interface 24 include a keyboard, a mouse, a microphone, and the like.
  • the data acquired from the user in the machine learning method M2 is input to the information processing apparatus 2 via these input devices and stored in the primary memory 22.
  • examples of the output device connected to the input / output interface 24 include a display, a printer, a speaker, and the like.
  • the information provided to the user in the machine learning method M2 is output from the information processing apparatus 2 via these output devices.
  • Another computer is connected to the communication interface 25 by wire or wirelessly via a network.
  • Examples of the communication interface 25 include interfaces such as Ethernet (registered trademark) and Wi-Fi (registered trademark).
  • Available networks include PAN, CAN, MAN, WAN, GAN, or internetworking including these networks.
  • Internetwork may be an intranet, an extranet, or the Internet.
  • Data for example, trained models LM1 and LM2 provided by the information processing apparatus 2 to another computer (for example, the information processing apparatus 1) are transmitted and received via these networks.
  • the present embodiment employs a configuration in which the machine learning method M2 is executed using a single processor (processor 21), the present invention is not limited to this. That is, a configuration may be adopted in which the machine learning method M2 is executed using a plurality of processors.
  • a plurality of processors that execute the machine learning method M2 in cooperation with each other may be provided in a single computer and may be configured to be able to communicate with each other via a bus, or may be distributed to a plurality of computers. It may be provided and configured to be able to communicate with each other via a network.
  • a mode in which a processor built in a computer constituting a cloud server and a processor built in a computer owned by a user of the cloud server cooperate to execute the machine learning method M2 can be considered.
  • a configuration is adopted in which the learning data sets DS1 and DS2 are stored in the memory (secondary memory 23) built in the same computer as the processor (processor 21) that executes the machine learning method M2.
  • the present invention is not limited to this. That is, a configuration may be adopted in which the learning data sets DS1 and DS2 are stored in a memory built in a computer different from the processor that executes the machine learning method M2.
  • the computer with the built-in memory for storing the learning data sets DS1 and DS2 is configured to be able to communicate with each other via the network with the computer with the built-in processor that executes the machine learning method M2.
  • a configuration in which the learning data sets DS1 and DS2 are stored in a single memory is adopted, but the present invention is not limited to this. That is, a configuration may be adopted in which the learning data sets DS1 and DS2 are distributed and stored in a plurality of memories.
  • the plurality of memories for storing the learning data sets DS1 and DS2 may be a single computer (the computer may or may not have a built-in processor that executes the machine learning method M2). It may be provided in a plurality of computers (which may or may not include a computer having a processor for executing the machine learning method M2). good.
  • a configuration in which the learning data sets DS1 and DS2 are distributed and stored in the memory built in each of a plurality of computers constituting the cloud server can be considered.
  • the evaluation method M1 and the machine learning method M2 are executed by using different processors (processor 11 and processor 21), but the present invention is not limited thereto. That is, the evaluation method M1 and the machine learning method M2 may be executed using the same processor. In this case, by executing the machine learning method M2, the trained models LM1 and LM2 are stored in the memory built in the same computer as this processor. Then, this processor uses the trained models LM1 and LM2 stored in this memory when executing the evaluation method M1.
  • the configuration described in this embodiment can also be used for evaluation of the prosthesis.
  • the captured image I1 is replaced with a captured image representing the target tissue before prosthesis
  • the estimated image PI is replaced with an estimated image representing the target tissue after prosthesis as an evaluation standard
  • the captured image I2 is replaced with a captured image showing the target tissue after the prosthesis by the evaluation target person.
  • the trained model LM1 derives output information including an estimated image representing the target tissue after prosthesis as an evaluation standard from the input information including the captured image representing the target tissue before prosthesis.
  • the trained model LM2 is evaluated from the input information including the captured image representing the target tissue after prosthesis by the evaluation target person and the estimated image representing the target tissue after prosthesis as the evaluation standard.
  • the trained model supplements the significance of presenting the treatment process and complete form for standardized interventions for one-time (unique) organs.
  • FIGS. 8 to 16 Application example
  • FIGS. 8 to 16 and the following description reference numerals different from those in FIGS. 1 to 7 and the above description are used.
  • the reference numerals in FIGS. 1 to 7 and the above description shall be full-width alphanumerical characters, and the reference numerals in FIGS. 8 to 16 and the following description shall be half-width alphanumerical characters to distinguish them.
  • FIG. 8 is a block diagram of the medical evaluation system according to this application example. Evaluating the actual medical care includes, for example, evaluating the procedure of a doctor / dentist, and also includes evaluation other than the procedure of a doctor, for example, evaluation of a treatment environment, treatment of an assistant, and the like.
  • the medical evaluation system 10 includes an electronic medical record device 11 and a medical evaluation AI as a diagnostic evaluation device.
  • the medical evaluation system 10 is connected to a medical examination room image acquisition device 14, a medical examination site image acquisition device 15, a medical inquiry information input device 16, and a medical examination device sensor 17, and information from each of these devices is input.
  • the information from each of these devices is stored in the electronic medical record device 11, and is evaluated by the medical care evaluation AI 12, and the evaluation information which is the evaluation for the medical care is output.
  • An input / output device 13 is connected to the medical evaluation system, and the input / output device includes a display device capable of displaying electronic medical record information, evaluation information, and the like.
  • a plurality of medical evaluation systems 10 are connected to the blockchain database 20.
  • the blockchain database 20 is connected to an evaluation information analysis AI21 as an evaluation information analysis system, a plurality of user systems 22, an insurance system 23, a guideline database 24, and the like. Further, it is possible to connect another system such as a medical fee calculation system to the blockchain database 20.
  • the insurance system 23 is typically described in FIG. 8, what is connected to the blockchain database 20 is not limited to the insurance system 23, for example, medical insurance including a public medical insurance system. Includes economic principles such as non-life insurance and other financial derivative products (same below).
  • the medical device sensor 17 is a sensor provided in medical equipment, and in the case of dental treatment, for example, a turbine sensor (detects turbine operation or operation time), a bar detection sensor (detects the type of bar), and water purification. Examples include sensors.
  • the medical treatment site image acquisition device 15 includes, for example, 3D scanning, X-ray CT, moving image acquisition means, and the like.
  • the examination room image acquisition device 14 for example, a ceiling camera, a WEB camera, or the like can be adopted, and although not particularly limited, it is desirable to be able to shoot a moving image.
  • an image recognition device for example, an AI image analysis device
  • FIG. 9 is an explanatory diagram of tooth cavity formation according to this application example.
  • An example of cavity formation will be explained for standard treatment, and the concept of evaluation will be explained.
  • FIG. 9 is a plan view of the teeth. As shown in FIG. 9, it is necessary to form an appropriate cavity along the three-dimensional shape of the tooth, and it is desirable that the prosthesis can be stably fixed from another direction from the viewpoint of uneven fitting. In addition, it is necessary to form a rot cave with a cross section and an inverted trapezoidal shape. Further, it is necessary to provide a taper on the opening side of the bulk cavity formation, and the angle thereof is preferably 120 degrees.
  • the evaluation of cavity formation includes, for example, the above viewpoints.
  • Examples of the conditions necessary for the formation of the cave include the following (1) to (3). (1) Include small kilns and fissures that are connected to each other in the rot. (2) Save the ridge of the cusp. (3) Keep to half of the inner slope of the cusp.
  • FIG. 10 is a conceptual diagram of the medical evaluation system of this embodiment.
  • the guideline database stores a plurality of guidelines for dental standard treatment and a plurality of guidelines for medical standard treatment. Based on the information related to standard treatment accumulated in these guideline databases, the medical care evaluation system objectively evaluates medical care.
  • FIG. 11 is a conceptual diagram of the entire AI system 30 of this application example.
  • the AI system 30 of this application example includes a medical treatment evaluation AI12 and an evaluation information analysis AI21.
  • the guideline information extracted from the guideline database 24 is input to the medical care evaluation AI 12 as medical care information via the medical care evaluation AI training system 18.
  • the medical care evaluation AI 12 outputs evaluation information composed of indices of a plurality of viewpoints to the evaluation information analysis AI 21 with respect to the medical care information input using the neural network trained using the teacher data.
  • Evaluation information analysis AI21 analyzes a plurality of evaluation information output by medical evaluation AI12, performs quantitative evaluation including selection of best practice, provides medical evaluation information to users, and provides insurance system 23. In addition to providing basic insurance premium information, it also provides guideline update information to the guideline database 24.
  • the user can select the doctor or clinic he / she desires based on the medical treatment evaluation information obtained through the blockchain database 20.
  • the insurance system 23 can calculate insurance premiums and the like based on basic insurance premium information and the like.
  • Evaluation information analysis The evaluation information output from AI21 is also provided to the government-affiliated system, and this evaluation information is also used for certification of specialists and calculation of insurance points. Further, in the evaluation information analysis AI21, various medical information including medical evaluation information is analyzed in a multivariate analysis, desirable medical treatment contents are extracted, and the guideline update information is generated.
  • the guideline database 24 has this guideline update information. Updated by.
  • the evaluation information analysis AI 21 may take into consideration the second opinion information input from the doctor via the input / output device 13 of each medical evaluation system 10 with respect to the evaluation information input from the medical treatment evaluation AI 12.
  • FIG. 12 is a detailed block diagram of the medical evaluation system.
  • the medical evaluation system 10 includes an electronic medical record device 11, a medical evaluation AI 12, a timer 19, and the like.
  • the electronic medical record device 11 includes an electronic medical record calculation unit 11a, an electronic medical record database 11b, an evaluation information memory 11C, and an accounting calculation unit 11d. Further, various medical information and the like are input to the electronic medical record device 11 from the medical examination room image acquisition device 14, the medical examination site image acquisition device 15, the medical inquiry information input device 16, the medical device sensor 17, the input / output device 13, and the like. Store information in an electronic medical record database. Further, the electronic medical record device 11 is connected to a treatment evaluation AI training system, a medical treatment evaluation AI 12, a user system 22, and the like.
  • the medical care evaluation AI 12 is provided with information on a trained neural network trained by the medical care evaluation AI training system 18.
  • deep learning is used by an algorithm based on supervised learning classification (classification) as described later, using information of various guidelines provided from the guideline database as teacher data.
  • Evaluation information analysis AI21 uses a neural network trained by learning as described later. As an algorithm for this learning, for example, deep learning is used in clustering of unsupervised learning. Evaluation information analysis AI21 can input a large amount of evaluation information and various evidence information, and can objectively evaluate the examination contents by multivariate analysis. Evaluation information analysis AI21 receives medical evaluation information from a plurality of medical evaluation systems 10 and is used for learning a neural network. At the same time, desirable cases are extracted by analyzing medical evaluation information by the learned AI. be able to. Guideline update information is generated based on this desirable case, and the guideline database 24 is updated.
  • a blockchain database such as IOTA can also be used for accounting in this case.
  • the medical care evaluation information (see FIG. 14 and the like) output from the medical care evaluation AI or the evaluation information analysis AI can also be used in the government-affiliated system 25 and the insurance system 23.
  • the government-affiliated system it is used for the certification of specialists in the specialist certification unit 25a and the calculation of insurance points, that is, medical fees, in the insurance score calculation unit 25b.
  • the medical care evaluation information is used for the calculation of the doctor's damage compensation fee in the doctor's damage compensation insurance fee calculation unit 23a, the determination of the private insurance applicable doctor in the insurance target doctor certification unit 23b, and the like.
  • the patient and the doctor who treated the patient are given an ID, and the preoperative information and the postoperative information are integrated into data 1, 2, ..., M. Saved as.
  • the electronic medical record database 11b stores the information detected at the time of treatment and the information input / output to the medical care evaluation AI12.
  • the evaluation information memory 11C is connected to the evaluation information analysis AI 21, the government system 25, and the accounting calculation unit 11d, and is the second opinion information input by the doctor by the input / output device 13, the specialist set by the government system 25, and the information on the insurance points. Is noted.
  • the evaluation information memory 11C is connected to the evaluation information analysis AI21 and the government system, and the second opinion information can be taken into consideration by the evaluation information analysis AI21.
  • the accounting calculation unit 11d performs accounting processing based on the evaluation information memory 11C, and is connected to the insurance system 23.
  • the government system 25 has a specialist certification unit 25a and an insurance score calculation unit 25b.
  • the specialist certification department 25a is based on the quality of the specialist's procedure, and has a standard treatment evaluation index S1, a postoperative image evaluation index S2, and a treatment time evaluation index S3 (there are about 100 evaluation items that should be more). Certified as a specialist for doctors who meet the above requirements.
  • the insurance point calculation unit 25b sets a medical fee system so that the medical fee insurance points are added to the medical treatment for a doctor certified as a specialist by the specialist certification unit 25a.
  • the insurance system 23 calculates the insurance premium, etc. based on the insurance premium foundation information provided by the evaluation information analysis AI21.
  • This insurance system 23 has a doctor damage compensation insurance fee calculation unit 23a, an insurance target doctor certification unit 23b, and an accounting processing unit 23C.
  • the doctor damage compensation insurance charge calculation unit 23a is based on the doctor damage compensation insurance charge calculation basic information included in the insurance premium basic information output from the evaluation information analysis system 21, and the insurance premium for the doctor damage compensation insurance to the doctor. Is calculated.
  • the insured doctor certification department 23b certifies excellent doctors who are eligible for reduction of insurance premiums based on the treatment results.
  • the accounting processing unit 23C calculates the insurance premium based on the doctor damage compensation insurance charge calculation unit 23a and the insurance target doctor certification unit 23b.
  • a user system 22 (see FIG. 12) connected to the medical evaluation system 10, the insurance system 23, and the evaluation information analysis AI is provided.
  • the user system 22 has a user CPU 22a that controls a connection from the input / output device 13, a payment processing unit 22b, and an evaluation information memory 22C.
  • the payment processing unit 22b is connected to the accounting calculation unit 11d of the electronic medical record device 11 and is connected to the accounting processing unit 23C of the insurance system 23, calculates the payment cost of the user including the insurance premium, and makes a payment. It is for processing. It is also used to settle the fee for obtaining medical evaluation information.
  • the evaluation information memory 22c is connected to the insured doctor certification unit 23b of the evaluation information analysis AI21 and the insurance system 23, and is certified by the evaluation information by the medical evaluation AI, the output information by the evaluation information analysis AI21, and the insured doctor certification unit 23b. Record the information of the insured doctors.
  • a timer 19 for measuring the treatment time is connected to the medical evaluation system 10.
  • the treatment time information measured by the timer 19 is used to perform a determination based on the treatment time evaluation index S3.
  • the medical treatment evaluation AI12 is equipped with AI, and can formulate a correct treatment policy according to the case and evaluate the treatment result.
  • the medical care evaluation AI 12 can access the guideline database 24 connected to, for example, the blockchain database 20.
  • the guideline database 24 is updated every time the guideline is revised, and the latest information is always stored. This information can be used not only by the medical evaluation system for medical evaluation, but also by doctors for medical treatment.
  • the guideline database 24 contains a plurality of types of guidelines that define medical standard treatment or dental standard treatment.
  • EBM epi-based medicine
  • EBM provides reliable evidence. It is referred to to determine whether the treatment policy is being realized by an appropriate procedure. If necessary, treatment evaluation information can be notified to the doctor during treatment so that high EBM grades are not ignored. For example, when it is necessary to use a rubber dam, if the non-use of the rubber dam is detected by image recognition, an alarm can be immediately issued to the doctor.
  • AI can analyze the image data during treatment, warn that the treatment performed by the doctor during the operation or the treatment to be performed is out of the standard treatment, and give feedback to the doctor.
  • the medical care evaluation AI12 can support the doctor's decision on the medical care plan. Based on the information collected by medical interviews, guideline database information, electronic medical record information, etc., the medical evaluation AI12 is divided into three categories: medical problems, psychological problems, and financial problems, and solves the problems. Propose a medical record plan for.
  • the medical care evaluation AI12 can also propose a diagnosis plan and an education plan in the same manner. For example, when cave formation is involved, 3D-CAD data of bulk cave formation can be output from a 3D scan image of a patient's tooth and an X-ray CT image.
  • the medical care evaluation AI12 is trained using the guideline database as teacher data, and from the input medical care policy, 3D scan image of the patient's tooth, X-ray CT image, etc., the 3D-CAD data of the cavity formation which is the treatment content. Can be output.
  • the medical treatment evaluation AI12 can output the difference from the target treatment content.
  • the medical treatment evaluation AI12 is input with 3D scan data during treatment, it is possible to output 3D-CAD data showing a difference from the target treatment content of cavity formation.
  • the medical evaluation AI12 when 3D scan data during treatment is input, the medical evaluation AI12 outputs 3D-CAD data showing the difference from the target treatment content of tooth cavity formation.
  • the dentist performs treatment to eliminate the difference indicated by the medical evaluation AI12, and then inputs the 3D scan data to the medical evaluation AI12 again.
  • the dentist is notified that the difference from the target treatment content of the tooth cavity formation output from the medical evaluation AI12 is within a predetermined allowable range. After confirming this notification, the dentist proceeds to the next stage of filling and occlusal adjustment.
  • the information of the difference from the target treatment content is output from the medical treatment evaluation AI12, so that the doctor can carry out the standard treatment according to the guideline in consideration of this information. ..
  • Such processing can be realized, for example, by using a recurrent neural network according to a medical treatment protocol.
  • the medical evaluation AI12 outputs the target 3D-CAD data, and also evaluates the 3D scan data after treatment by the dentist.
  • information regarding the difference from the abutment tooth shape, which is the target treatment content is output.
  • the doctor can carry out the standard treatment according to the guideline in consideration of the information output from the medical evaluation AI12.
  • the medical treatment evaluation AI12 can evaluate the treatment content.
  • the information detected at the time of treatment and the information input / output to the medical care evaluation AI12 are stored in the electronic medical record database as electronic medical record information.
  • electronic medical record information accumulated by each medical evaluation system it is possible to accurately grasp the patient's condition, create an accurate medical treatment plan, perform appropriate and efficient medical treatment, and improve medical safety. It is possible to plan.
  • the information in the electronic medical record database accumulated by each medical evaluation system 10 can be used for training the medical evaluation AI12 and the evaluation information analysis AI21.
  • the image recognition technique using the medical evaluation AI12 is also effective for the treatment using the caries detection solution.
  • (1) Remove the prosthesis from the tooth.
  • (2) Apply a caries detection solution and wash.
  • (3) Remove the red and dark pink parts, leaving the pink parts lighter than the standard color.
  • (4) A color image is taken with a camera, input to the medical evaluation AI12, and image recognition is performed.
  • the above (2) and (3) are repeated.
  • (6) When the medical evaluation AI12 notifies that the cavity formation is completed, the dentist proceeds to the next stage of filling and occlusal adjustment. By inputting the information of each stage in this way, the information of the difference from the target treatment content is output from the medical treatment evaluation AI12, so the doctor should take this information into consideration and carry out the standard treatment according to the guideline. Can be done.
  • the judgment of the color of the caries detection solution has a subjective factor in the judgment of the doctor, the judgment of the reference color can be performed quickly and accurately by using the medical treatment evaluation AI12.
  • the evaluation is mainly performed from three viewpoints.
  • A Standard treatment evaluation index S
  • B Postoperative image evaluation index S2
  • C Treatment time evaluation index S3
  • Standard treatment evaluation index S1 The standard treatment evaluation index S1 is a-1. Selection and use of appropriate base material, rubber dam, turpin, bar selection a-2. Turbine, water injection, engine usage a-3. Anesthesia a-4. Contraindicated treatment a-5. It is an index showing whether or not standard treatment is performed according to the guidelines for items such as sinus formative assessment. The higher the treatment, the higher the evaluation. AI image recognition is performed and evaluated after performing preprocessing on the moving image of the state of performing the treatment acquired from the examination room image acquisition means.
  • the evaluation information output from the medical examination evaluation AI12 is an examination room camera, an examination site camera, an inquiry input device, an examination device sensor (3D scanner, X-ray CT, drill micromotor sensor, turbine sensor, vacuum sensor, water purification sensor, etc.). It includes an objective and quantitative evaluation of medical examinations by doctors, dentists, etc. based on information from the electronic chart database, guideline database, and the like.
  • the postoperative image evaluation index S2 is an index for determining whether or not the result of medical treatment conforms to the medical treatment policy (medical treatment content proposed by AI) derived from the medical interview. .. How close it is to the cave formation calculated by AI is determined, and the closer it is to the medical treatment policy by medical interview, the higher the evaluation. AI image recognition is performed and evaluated from images such as 3D scan and X-ray CT.
  • the treatment time evaluation index S3 is an index for determining whether or not the treatment time for performing standard treatment is within an appropriate time. Since there is an appropriate range for the time required for standard treatment according to the guidelines, the evaluation will be high within this appropriate time range. Early treatment does not always result in a high score. This is because some treatments require a certain amount of time to comply with the guidelines.
  • Evaluation information consisting of the obtained three indicators is evaluated statistically appropriately using the evaluation information analysis AI21. Evaluation information can be provided to users (patients) using the blockchain database 20.
  • the clinical evaluation AI12 uses a trained neural network trained by a plurality of teacher data.
  • the teacher data includes information in the guideline database 24.
  • this learning algorithm for example, deep learning is used in the classification of supervised learning.
  • Neural networks are trained, for example, by teacher data consisting of a combination of images of cave formation and their appropriateness (pass / fail or score).
  • the medical treatment evaluation AI 12 inputs, for example, an image from the medical treatment site image acquisition means 15, and outputs a plurality of indexes including a standard treatment compliance index, a postoperative image evaluation index, a treatment time evaluation index, and the like as evaluation information.
  • the neural network can input each device from the examination room image acquisition device 14, the medical treatment site image acquisition device 15, the medical inquiry information input device 16, and the medical treatment device sensor 17 as input information, in this case.
  • the data for learning the neural network also includes the teacher data corresponding to the input from each of these devices.
  • preprocessing is added to the moving image data.
  • the preprocessing includes, for example, cutting out a necessary image, size adjustment, color adjustment, and the like.
  • Using a neural network for example, infer how close the input data is to the guideline. This inference result is verified by an evaluation by a specialist and / or an evaluation based on the subsequent progress information, and is used for training the neural network.
  • the evaluation information analysis AI21 analyzes a plurality of evaluation information output by the medical evaluation AI12, performs a quantitative evaluation including selection of the best practice, provides the medical evaluation information to the user, and provides insurance.
  • the basic insurance premium information is provided to the system 23, and the guideline update information is provided to the guideline database 24.
  • the medical care evaluation AI12 can output not only the above three evaluation information but also subdivided information and various evidence information used for the evaluation.
  • Evaluation information analysis AI21 uses a neural network trained by learning. As an algorithm for this learning, for example, deep learning is used in clustering of unsupervised learning. Evaluation information analysis AI21 can input a large amount of evaluation information and various evidence information, and can objectively evaluate the examination contents by multivariate analysis.
  • the user can select the doctor or clinic he / she desires based on the medical treatment evaluation information obtained through the blockchain database 20.
  • the blockchain database 20 By using the blockchain database 20, it is possible to realize data management that cannot be tampered with while ensuring anonymity.
  • the insurance system 23 can calculate insurance premiums and the like based on basic insurance premium information. Details will be described in Application Example 2.
  • the guideline database 24 can be updated or a study for updating the guideline database 24 can be performed based on the guideline update information.
  • Guideline update information is obtained by analyzing best practices based on the latest clinical results and can be used to update the guidelines.
  • Abutment tooth formation is exemplified as one of many medical practices, and the medical evaluation system of this application example can be similarly applied to other medical practices.
  • it can be applied to the diagnosis of oral cancer. Distinguishing between stomatitis and precancerous lesions is an important diagnosis, and it is useful to store the process of this diagnosis in an electronic medical record as a video and save and utilize it in a database together with appropriate evaluation information.
  • the medical evaluation system of this application example can be applied to medical departments other than dentistry.
  • Application example 2 The medical evaluation system according to Application Example 2 will be described with reference to FIG.
  • the medical evaluation system of this application example evaluates a doctor based on information combined with a patient and a doctor. According to the medical evaluation system of this application example, by managing the private key information by the patient, it is possible to provide anonymously processed information at the patient's will.
  • FIG. 13 is an explanatory diagram of a blockchain database
  • FIG. 13A is an explanatory diagram of a data structure in which a patient and a doctor who treated the patient are integrally assigned an ID
  • FIG. 13B uses a blockchain. It is an explanatory diagram of the database that was used.
  • the electronic medical record calculation unit assigns an ID to the medical information by the patient and the doctor who treated the patient, and further, the preoperative information and the postoperative information are integrated into the data 1, 2, ,. .. .. , M is stored in the evaluation information memory 11C or the like.
  • Medical care information with an ID in which the patient and the doctor who treated the patient are integrated is used, and the medical care contents are analyzed, evaluated, and stored based on the medical care information.
  • the blockchain is configured so that data 1 to data m (medical information), which is a combination of a patient and a doctor who treated this patient, is used as a block, and each block is added as an ordered record.
  • data m medical information
  • data m medical information
  • a plurality of blocks are added in a chain shape from the lower block toward the upper side, and information composed of the plurality of blocks is stored.
  • the blocks of "Patient 1 and Doctor B" are added to the blocks of "Patient 1 and Doctor A”
  • the blocks of "Patient 1 and Doctor C" are added in sequence. Will be done.
  • the IDs are given as the first, second, and third patients as many as the number of patients such as patient 1, patient 2, and patient 3 that Doctor A is in charge of.
  • types such as specialists, certified doctors, and other doctors are also given.
  • data are stored as the number of patients treated in the same manner, such as patient 1, patient 2, patient 3, and so on.
  • each data is ordered and stored as a block, that particular treatment and another, for example, patient 1 was receiving another treatment by Doctor A before receiving a particular treatment by Doctor C.
  • the treatment history is saved in a state where the patient 1 can set the access right together with the preoperative information and the postoperative information about the treatment.
  • Each data is encrypted by public key data and private key data.
  • the patient manages the private key data, and the patient can set the access right of the data to others.
  • an anonymous information processor anonymizes patient information, doctor information, etc. and provides data, but in the medical evaluation system of this application example, patient 1 can set access rights to his / her medical information. ..
  • the patient 1 can voluntarily provide the blockchain secret key data to the doctor B and allow him / her to access his / her medical history. Further, the patient 1 can grant the access right to the doctor B, disclose his / her medical history and treatment history, and utilize it for future medical treatment and health maintenance management with the doctor B.
  • the blockchain management server manages access rights to data, and manages billing when accessing data for a fee.
  • the doctor can utilize the preoperative and postoperative information in the past treatment for the current treatment and future treatment.
  • the medical evaluation system of this application example allows doctor C to browse such cases for a fee based on the permission from patient 1.
  • doctor A has a difficult case of patient 1 and wants to ask doctor D or another doctor, similarly, a case in which it is paid for a fee based on the access permission for his / her own data from the patient related to this case. It can be browsed by the doctor A of.
  • the medical care evaluation AI it is possible to support the doctor to appropriately determine the treatment policy and the contents of the materials based on the past medical treatment history, and to notify the caution information and the warning information regarding the treatment progress.
  • the medical care evaluation AI12 can be appropriately trained by using the data 1 to the data m, which is a combination of the patient and the doctor who treated the patient, as the teacher data.
  • the medical care evaluation AI is trained by supervised learning, but the teacher data includes evaluation information for training on the medical care contents and medical results of each data including patient information, doctor information, preoperative information, postoperative information, and the like. Is included.
  • the evaluation information for this training can be at least one of the output of the medical evaluation AI, the output of the evaluation information analysis AI, and the evaluation by an experienced doctor such as a specialist.
  • evaluation information analysis AI21 analyzes preoperative information and postoperative information having an ID given to the patient and the doctor who treated the patient as a unit, so that information that can be traced before and after surgery can be obtained. By using it, it becomes possible to calculate the evaluation information of the doctor. It will be possible to more accurately analyze how the intraoperative procedure by the doctor affected the prognosis. Therefore, each data to which objective evaluation information is given should be used for the charge calculation of doctor's damage compensation bond insurance, private medical insurance, public medical insurance system such as medical fees, specialist doctor system, etc. in Application Example 3 described later. Can be done.
  • patient information can be treated as anonymously processed information, it can be distributed as information when a new patient selects a doctor through this service. Since the database of this medical care evaluation system is very useful when a patient selects a doctor or clinic that suits his / her current symptoms, he / she may be provided to a member for a fee, for example. In addition, the doctor can formulate a treatment plan with reference to past cases and use it as reference information for advancing treatment.
  • the medical evaluation AI can support the formulation of a treatment plan, present information for appropriate treatment to the doctor under treatment, and notify attention information
  • the medical evaluation system of this application example is, for example, training. It is also useful for proficiency of medical treatment techniques by doctors and support for improving medical treatment techniques for specialists.
  • medical specialists and certified doctors include dental preservation departments, dental and oral surgery departments, dental anesthesiology departments, pediatric dentistry and the like.
  • Information from both doctors and patients is indispensable for determining the provision and quality of medical services, and according to the medical evaluation system of this application example, the doctor who provided the treatment to a certain patient is united.
  • An ID is given to the information that has become, and all the collected information related to the treatment action, including pre-treatment information and post-treatment information, is a series of the doctors for each patient by one evaluation information analysis AI. Can evaluate the treatment behavior of.
  • the research institution will provide evaluation information including the history of treatment by doctors and dentists for patients and the course of patient symptoms.
  • the patient since the patient manages the encryption key information, the patient himself / herself can decide to what extent the electronic medical record information including his / her medical history is disclosed. For example, patient information is its owner. It is also possible for the patient to voluntarily select the information he / she wants to disclose and provide it to a third party.
  • the effect of managing medical information including evaluation information in (1) above on the information network is that by managing it on the network including patient information, preoperative information, postoperative information, evaluation information, etc., remote access is possible. It is possible. Previously, medical information was managed in an isolated database independent of the network, so remote access was not possible.
  • FIG. 14 is an explanatory diagram of medical information.
  • FIG. 15 is a conceptual diagram for managing medical information in a blockchain database.
  • the medical information includes patient ID, doctor ID, various case data (preoperative and postoperative), doctor procedure determination data, prognosis data, doctor evaluation data, and the like.
  • FIG. 15 conceptually shows how medical information is managed in a blockchain database.
  • the history of treatment of patient a000001 by physician a0000001 is stored in relation to patient a000001', which is the patient's prognosis 1 situation.
  • the history that the doctor A0000001 has subsequently treated the patient a000001'is stored in relation to the patient a000001'', which is the situation of prognosis 2.
  • the prognosis of the patient is unknown at the time of medical treatment by a doctor / dentist.
  • the medical evaluation system of this modified example after a predetermined period of time has passed after treatment, when the progress of the patient's prognosis is known, the medical treatment contents performed by doctors and dentists in the past are examined, and the medical treatment contents are objective. Is evaluated. If the prognosis is good, the procedure performed by the doctor / dentist in the past is examined to see if the patient has a good prognosis. In addition, even if the prognosis is poor, it is possible to make an examination based on the contents of past medical treatment.
  • medical information including the progress of the patient's prognosis is used as teacher data for training the medical evaluation AI.
  • the clinical evaluation AI can be more appropriately trained according to the actual case and the result of the prognosis.
  • medical information is provided to doctors and dentists who want to refer to cases with a good prognosis when the patient gives access rights.
  • doctors and dentists can decide on a medical treatment policy by taking into consideration cases with a good prognosis.
  • Even cases that were previously introduced only in papers are managed in the blockchain database, so it is easy to access with the desired medical information.
  • the quality of the procedure by doctors and dentists may not be fully considered, but according to the medical evaluation system of this application example, the evaluation information objectively judged by the medical evaluation AI is the medical information. It is possible to provide medical information to a third party on condition that the access right from the patient is given on the blockchain database.
  • the medical information provided in this way is useful as materials for case studies and as reference information when a patient selects a doctor / dentist. Furthermore, the Clinic Law containing these evaluation information can also be used for medical insurance including the public medical insurance system, damage compensation insurance, and other financial derivative products, as described later.
  • Application Example 3 The medical evaluation system applied to the insurance system and the like according to the application example 3 will be described.
  • the three evaluation indexes described in the application example 1 are used for calculating insurance premiums and the like.
  • examples of application of doctor's damage compensation insurance to fee calculation, examples of application to private medical insurance, examples of application to medical fees, and other application examples will be described below.
  • the insurance premium basic information output from the evaluation information analysis system 21 includes the doctor liability insurance charge calculation basic information.
  • the basic information on calculating the insurance premium for doctor's damages includes the evaluation index Slia, which makes the insurance premium for doctor's damages lower for doctors who perform medical treatment closer to the best practice.
  • the formula for calculating the doctor's damage compensation insurance fee calculation index Slia is not particularly limited, but for example, the following can be used.
  • Fmin is the minimum premium
  • Fmax is the maximum premium.
  • Seki fI (SI, S2, S3) is a function having SI, S2, S3 as variables, and is not necessarily limited to a continuous function, but may be a discontinuous function.
  • the evaluation value standardized as follows can be used.
  • the three evaluation indexes described in Application Example 1 are the standard treatment evaluation index S1, the postoperative image evaluation index S2, and the treatment time evaluation index S3, for example, the standardized evaluation value Slia is used.
  • Slia S1, a1 + S2, a2 + S3, a3 + a0 Ask as.
  • Fmin is the minimum insurance premium
  • Fmax is the maximum insurance premium.
  • the function f (Slia) is a function having SIia as a variable, and is not necessarily limited to a continuous function, but may be a discontinuous function.
  • Examples of the method for setting the function of the function f (SI.S2.S3) and the function f (SIia) include the following (1) to (4).
  • the insurance premium Flia is changed according to the risk value.
  • a standard treatment evaluation index S1 a postoperative image evaluation index S2, a treatment time evaluation index S3, and a standardized evaluation value slia are used.
  • the risk value can be given as an insurance grade having a threshold value that changes stepwise, and the higher the risk value, the larger the insurance premium Flia can be obtained.
  • the threshold value of the risk value given as the risk grade is set according to the appropriate siege in the insurance business operation.
  • the insurance premium Flia is calculated according to the risk value or risk grade in (1) above. This calculation takes into account cash flow, reserves, insurance contract status (pending, expired or ongoing, insurance year, insurance period, insurance type, special contract, disclaimer), risk value for each insurance year, etc. can do. Further, the premium Flia may be separated into a basic premium and an additional premium, and the portion of the additional premium may be calculated according to the risk grade. Further, the risk value or the risk grade may not be single, but a plurality of types of risk values or risk grades may be set, and the insurance premium Flia may be calculated based on the plurality of types of risk values or risk grades.
  • the insurance premium Flia may be calculated.
  • the standard treatment evaluation index S1 the postoperative image evaluation index S2, the treatment time evaluation index S3, and the standardized evaluation value Slia are used in the same manner as in (1) and (2) above. Can be used.
  • risk indicators that affect insurance premium Flia are extracted.
  • the correlation between the extracted risk index and the premium Flia is calculated, and the premium Flia is calculated based on the calculated correlation and the value of the risk information.
  • the risk index for example, various information such as a standard treatment evaluation index S1, a postoperative image evaluation index S2, a treatment time evaluation index S3, a standardized evaluation value Slia, and medical evaluation information included in medical information can be used.
  • a standard treatment evaluation index S1 a postoperative image evaluation index S2, a treatment time evaluation index S3, a standardized evaluation value Slia
  • medical evaluation information included in medical information can be used.
  • the medical evaluation AI can output a more subdivided index, and various evidences used for extracting the index can also be used for calculating the insurance premium Flia.
  • doctor's damage compensation insurance premium Flia calculated in this way will be applied to doctors who provide medical care close to best practices, with a premium close to the minimum premium Fmin.
  • An insurance system can be set up in which the insured who has paid a predetermined premium pays the treatment cost only to the medical treatment of a doctor who provides medical treatment close to the best practice.
  • this insurance system only doctors whose standard treatment evaluation index S1, postoperative image evaluation index S2, and treatment time evaluation index S3 meet predetermined criteria are covered by insurance money.
  • the insured is guaranteed to receive medical treatment close to the best practice, and the treatment cost is also paid from the insurance premium.
  • doctors who provide medical care close to the best practice The gathering of insured persons has advantages for the insured and doctors. Furthermore, for the entire medical system, by providing medical care that is close to best practices, unnecessary treatment costs can be reduced, which leads to the promotion of overall medical care optimization.
  • Example 2 An example of using virtual passage IOTA will be described for a modified example of Example 2. For example, it is assumed that a dentist covered by the insurance of Example 2 is treated and the insured is incurred at a cost of 100,000 yen. In the case of an insurance system that requires regular medical examinations as a requirement for insurance payment, if the above-mentioned insured person has undergone the prescribed regular medical examinations, the insurance company will inform the insurer. In addition to the regular examination fee, for example, 20,000 yen, IOTA for a total of 120,000 yen, which is equivalent to 100,000 yen for treatment costs, will be granted. The granted IOTA allows non-insurers to pay doctors for medical or medical examinations. As an example of the blockchain database, IOTA can be adopted, for example, when payment is also performed as in the present embodiment, but a blockchain other than IOTA can be used.
  • the quality of the procedure of doctors and dentists can be measured by multiple sensors including indoor cameras, for the entire medical practice, cavity formation (optical 3D scanner), and invasion of the oral mucosa (oral cavity).
  • the scanner) is evaluated before and after the treatment, and the medical treatment evaluation AI notifies the doctor of the treatment warning information during the treatment, the medical treatment evaluation AI evaluates the medical treatment content and the medical treatment result, or the evaluation information analysis AI Evidence-based objective evaluation information is added to each medical treatment information.
  • Medical information with evaluation information is also useful for policy support to foster an environment to prevent malpractice, medical accidents, and iatrogenic diseases. If the medical evaluation system of this application example is applied to private medical insurance, treatment data with objective evaluation based on evidence will be given in implementing the insurance system to provide treatment by highly evaluated doctors and dentists. Is useful.
  • the application to private medical insurance has been described, but the application target of the medical evaluation system of this application example is not limited to private medical insurance, but also to other insurance products and products derived from gold. Can be applied.
  • an insurance system that pays the treatment cost only to the medical treatment of a doctor who performs medical treatment close to the best practice is set, but such a mechanism can be applied to financial derivative products.
  • the medical evaluation system of this application example can be applied to financial derivative products that securitize the right to receive medical treatment by doctors who perform medical treatment close to best practices.
  • Figure 16 (Conservation and Restoration Clinical Guide 2nd Edition) shows the results of comparison between specialists and other dentists regarding the survival rate of teeth after treatment. From FIG. 16, it can be seen that the treatment by a specialist tends to have a higher tooth survival rate. By identifying doctors who have the same skills as specialists and increasing the medical fees related to their treatment, it is possible to optimize the overall public medical insurance system.
  • the standard treatment evaluation index S1, the postoperative image evaluation index S2, and the treatment time evaluation index S3 are the predetermined criteria.
  • a medical fee system will be set up so that the insurance points for medical fees will be added to the medical treatment for the doctors who meet the requirements.
  • Obtaining a qualification as a specialist does not necessarily depend on the actual clinical content or case, and there are doctors who are not specialists but have sufficient skills. Therefore, based on the standard treatment evaluation index S1, the postoperative image evaluation index S2, and the treatment time evaluation index s3 of this example, doctors with predetermined skills are identified, and the insurance points for medical treatment fees are added.
  • the specialist / certified physician system requires that a large number of cases be met and a thesis be written in order to become a specialist / certified physician. With this system, it is possible to objectively evaluate the true skills of doctors and dentists, and to realize a specialist / certified doctor system that does not depend only on the number of cases or the number of papers. Doctors and dentists with high quality procedures are less likely to cause malpractice and medical accidents, as well as malpractice and medical accidents, and even iatrogenic diseases, and the prognosis of patients is good. The effect is great.
  • Example 4 It is possible to provide an index of achievement to best practices in the specialist certification requirements of the specialist system. If a doctor having a predetermined skill described in Example 3 can be identified and the doctor can be qualified as a specialist, the specialist system can be optimized. Specifically, based on the standard treatment evaluation index S1, the postoperative image evaluation index S2, and the treatment time evaluation index S3 of this application example, a doctor having a predetermined skill corresponding to the skill required of a specialist is identified. Specialist qualifications can be granted to doctors who are determined to have the prescribed skills.
  • this application example can be applied not only to clinical practice but also to practical training using a dental model. For example, it is possible to verify and evaluate the training content of each individual by using the training history information acquired in association with the trainee information and the identification information for each dental model.
  • the medical evaluation system of this application example it is appropriate based on the guidelines by being able to manage doctor and patient information as a set on the blockchain and by having the patient manage the access right to the data. It is possible to create an environment in which the treating doctor or dentist is evaluated. For example, there is a 6-month regulation that insurance remanufacturing of dentures is not possible within 6 months.
  • the auditing body can properly audit. In addition, this will allow hospitals (doctors or dentists) to pay appropriate public expenses and non-insurer burdens, and the overall health of the insurance system (auditing agencies, companies, insured persons, hospitals). Is planned.

Landscapes

  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

【課題】実際の対象組織に対する術式の客観的な評価を可能ならしめる技術を提供する。 【解決手段】情報処理装置（1）は、プロセッサ（11）を備えている。プロセッサ（11）は、術式適用前の対象組織を表す撮像画像（IM1）を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す推定画像（P1）を含む出力情報を導出する導出処理（M12）を、機械学習により構築された学習済モデル（LM1）を用いて実行する。

Description

情報処理装置及び学習済モデル
　本発明は、評価対象者の術式の巧拙を評価する情報処理装置に関する。また、そのような評価に用いる学習済モデル、及び、そのような学習済モデルを構築する情報処理装置に関する。
【背景技術】
【先行技術文献】
　医学的治療を目的とした生体における、上皮組織、支持組織、筋組織、神経組織のうち少なくとも一つあるいはその複数から構成される臓器や器官に対する外科的侵襲から、その後の外科的侵襲部位の補綴や縫合などといった修復行為と、それらから治癒に至るまでの過程（例えば、歯牙の削合や築造、歯体の固定や移動、骨の削合や再生、対象組織への補綴、支持組織の除去や再生や縫合など）に及ぶ行為である術式は、医師を含む歯科医等の医療従事者（以下、単に医療従事者）に必要とされる手技である。しかしながら、医療従事者の各疾病に対する診断、及び、それに紐づく患者希望を考慮した治療方針の決定、及び、その治療方針に沿った術式の巧拙は、それぞれの医療従事者によって異なり、これを客観的に評価することは、医療従事者の技能を向上させる上で、また、医療従事者を適切に選択する機会を患者に与え、患者が適切な診療を受けられるようにするために、極めて重要である。
　非特許文献１には、研修歯科医による窩洞形成の評価方法が紹介されている。この評価方法においては、研修歯科医による窩洞形成後の人工患歯を表す画像（光学印象により生成された３Ｄデータ）と予め用意された評価基準となる窩洞形成後の人工患歯を表す画像とがディスプレイ上に並べて表示される。研修歯科医は、これら２つの画像を目視比較することによって、自身による窩洞形成の巧拙を客観的に評価することができる。
【先行技術文献】
【非特許文献】
【非特許文献１】岡篤志他、”歯科医師臨床研修における窩洞形成実習に光学印象のデジタルデータを活用した研究”、日総歯誌、第１１巻　第１号、５８~６５頁、２０１９年１０月
【発明の概要】
【発明が解決しようとする課題】
　しかしながら、非特許文献１に記載の評価方法は、人工患歯に対する窩洞形成の巧拙を評価することはできても、実際の患歯に対する窩洞形成の巧拙を評価することはできない。なぜなら、人工患歯に対しては、評価基準となる窩洞形成後の患歯を表す画像を予め用意しておくことができるが、実際の患歯に対しては、形成すべき窩洞の形状がその患歯の状態などに応じて変化するため、そのような画像を予め用意しておくことができないからである。
　なお、このような問題は、歯牙の窩洞形成の評価に限らず、各臓器や器官に対する術式一般の評価において生じ得る。
　本発明の一態様は、上記の問題に鑑みてなされたものであり、その目的は、医療従事者の治療を目的とした生体内の各臓器や器官に対する外科的侵襲、補綴や縫合などの修復行為、それらから治癒に至るまでの過程に及ぶ、術式の客観的な評価を可能ならしめる技術を提供することにある。
【課題を解決するための手段】
　本発明の態様１に係る情報処理装置においては、少なくとも１つのプロセッサを備え、治療を目的とした外科的侵襲が必要な各臓器と器官を対象組織として、前記プロセッサは、術式適用前の対象組織を表す撮像画像を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す推定画像を含む出力情報を導出する導出処理を、機械学習により構築された学習済モデルを用いて実行する、という構成が採用されている。
　上記の構成によれば、実際の対象組織に対して、評価基準となる術式施行中の各過程と術式適用後の対象組織を表す画像を生成することができる。この画像を用いれば、実際の対象組織に対する術式の巧拙を客観的に評価することが可能になる。
　本発明の態様２に係る情報処理装置においては、態様１の構成に加えて、前記術式は、生体内の各臓器や各器官に対する外科的侵襲、という構成が採用されている。
　上記の構成によれば、医療従事者の術式の巧拙を客観的に評価することが可能になる。
　本発明の態様３に係る情報処理装置においては、態様１又は２の構成に加えて、前記出力情報には、治療方針を示す付加情報が含まれている、という構成が採用されている。
　上記の構成によれば、医療従事者が術式に着手する前に治療方針を医療従事者及び患者の双方に提示することが可能になる。
　本発明の態様４に係る情報処理装置においては、態様１~３の何れかの構成に加えて、前記入力情報には、問診結果又は検査結果を表す付加情報が含まれている、という構成が採用されている。
　上記の構成によれば、実際の対象組織に対する術式の巧拙を、問診結果又は検査結果を考慮に入れて評価することが可能になる。
　本発明の態様５に係る情報処理装置においては、態様１~３の何れかの構成に加えて、前記プロセッサは、問診結果又は検査結果に対応した学習済モデルを、前記学習済モデルとして用いる、という構成が採用されている。
　上記の構成によれば、実際の対象組織に対する術式の巧拙を、問診結果又は検査結果を考慮に入れて評価することが可能になる。
　本発明の態様６に係る情報処理装置においては、態様１~５の何れかの構成に加えて、前記プロセッサは、評価対象者による術式施行中の各過程と術式適用後の前記対象組織を表す撮像画像と前記推定画像とを含む入力情報から、前記評価対象者による術式の巧拙を表す評価値を含む出力情報を導出する評価処理を、機械学習により構築された学習済モデルを用いて実行する、という構成が採用されている。
　上記の構成によれば、実際の対象組織に対する術式の巧拙を人の判断を介在させることなく評価することが可能になる。
　本発明の態様７に係る情報処理装置においては、少なくとも１つのプロセッサを備え、生体内の各臓器又は各器官を対象組織として、前記プロセッサは、術式適用前の対象組織を表す撮像画像を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す推定画像を含む出力情報を導出する学習済モデルを、術式適用前の対象組織を表す撮像画像を含む入力情報と評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す撮像画像を含む出力情報との組み合わせを教師データとする機械学習により構築する構築処理を実行する、という構成が採用されている。
　上記の構成によれば、実際の対象組織に対する術式の巧拙を客観的に評価するために必要となる学習済モデルを生成することができる。
　本発明の態様８に係る学習済モデルは、機械学習により構築された学習済モデルであって、対象組織、又は、対象組織周辺の支持組織を対象組織として、術式適用前の対象組織を表す撮像画像を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す推定画像を含む出力情報を導出する導出処理を少なくとも１つのプロセッサに実行させるための学習済モデルである。
　上記の学習済モデルを用いれば、実際の対象組織に対する術式の巧拙を客観的に評価することが可能になる。
　本発明の態様９に係る情報処理装置においては、少なくとも１つのプロセッサを備え、前記プロセッサは、補綴前の対象組織を表す撮像画像を含む入力情報から、評価基準となる補綴後の前記対象組織を表す推定画像を含む出力情報を導出する導出処理を、機械学習により構築された学習済モデルを用いて実行する、という構成が採用されている。
　上記の構成によれば、実際の対象組織に対して、評価基準となる補綴後の対象組織を表す画像を生成することができる。この画像を用いれば、実際の対象組織に対する補綴の巧拙を客観的に評価することが可能になる。
　本発明の態様１０に係る情報処理装置においては、態様９の構成に加えて、前記プロセッサは、評価対象者による補綴後の前記対象組織を表す撮像画像と前記推定画像とを含む入力情報から、前記評価対象者による補綴の巧拙を表す評価値を含む出力情報を導出する評価処理を、機械学習により構築された学習済モデルを用いて実行する、という構成が採用されている。
　上記の構成によれば、実際の対象織に対する補綴の巧拙を人の判断を介在させることなく評価することが可能になる。
　本発明の態様１１に係る情報処理装置においては、少なくとも１つのプロセッサを備え、前記プロセッサは、補綴前の対象組織を表す撮像画像を含む入力情報から、評価基準となる補綴後の前記対象織を表す推定画像を含む出力情報を導出する学習済モデルを、補綴前の対象組織を表す撮像画像を含む入力情報と評価基準となる補綴後の前記対象組織を表す撮像画像を含む出力情報との組み合わせを教師データとする機械学習により構築する構築処理を実行する、という構成が採用されている。
　上記の構成によれば、実際の対象組織に対する補綴の巧拙を客観的に評価するために必要となる学習済モデルを生成することができる。
　本発明の態様１２に係る学習済モデルは、機械学習により構築された学習済モデルであって、補綴前の対象組織を表す撮像画像を含む入力情報から、評価基準となる補綴後の前記対象組織を表す推定画像を含む出力情報を導出する導出処理を少なくとも１つのプロセッサに実行させるための学習済モデルである。
　上記の学習済モデルを用いれば、実際の対象組織に対する補綴の巧拙を客観的に評価することが可能になる。
【発明の効果】
　本発明の一態様によれば、実際の対象組織に対する術式又は補綴の客観的な評価を可能ならしめる技術を提供することができる。
本発明の一態様に係る評価システムの構成を示すブロック図である。 図１に示す評価システムに含まれる情報処理装置が実施する評価方法の流れを示すフローチャートである。 術式が窩洞形成術である場合の撮像画像（術式適用前の対象組織を表す）、推定画像、及び撮像画像（術式施行中の各過程と術式適用後の対象組織を表す）の一例を模式的に示した図である。 術式が根管形成術である場合の撮像画像（術式適用前の対象組織を表す）、推定画像、及び撮像画像（術式施行中の各過程と術式適用後の対象組織を表す）の一例を模式的に示した図である。 図２に示す評価方法を実施する情報処理装置の構成を示すブロック図である。 図１に示す評価システムに含まれる情報処理装置が実施する機械学習方法の流れを示すフローチャートである。 図６に示す評価方法を実施する情報処理装置の構成を示すブロック図である。 本発明の一応用例に関し、医療評価システムのブロック図である。 本発明の一応用例に関し、嵩洞形成説明図である。 本発明の一応用例に関し、医療評価システムの概念図である。 本発明の一応用例に関し、医療評価システムのブロック図である。 本発明の一応用例に関し、医療評価システムの詳細ブロック図である。 本発明の一応用例に関し、ブロックチェーンデータベースの説明図である。 本発明の一応用例に関し、診療情報の説明図である。 本発明の一応用例に関し、ブロックチェーンデータベースの概念図である。 本発明の一応用例に関し、生存率の説明図である。
　（評価システムの構成）
　本発明の一実施形態に係る評価システムＳについて、図１を参照して説明する。図１は、評価システムＳの構成を示すブロック図である。
　評価システムＳは、図１に示すように、情報処理装置１と、情報処理装置２と、撮像装置３と、を備えている。
　情報処理装置１は、評価対象者（例えば、医療従事者）による対象組織に対する術式の巧拙を、学習済モデルＬＭ１，ＬＭ２を用いて、撮像画像Ｉ１に基づいて評価するための装置である。対象組織としては、対象組織、又は、対象組織周辺の支持組織が挙げられる（以下の説明においては、対象組織が対象組織であるとする）。対象組織としては、例えば、歯牙又は骨が挙げられる。また、術式としては、例えば、歯牙の削合や築造、歯体の固定や移動、骨の削合や再建が挙げられる。ここで、歯牙の削合には、例えば、窩洞形成、レスト形成、ガイドプレーン形成、支台歯形成、根管形成が含まれる。また、骨の削合には、例えば、インプラント植立窩洞形成、逆根管充填骨削合、骨掻把術（腫瘍摘出掻把）、人工関節埋入時の関節窩形成、人工骨埋入時の骨形成が含まれる。また、歯牙の築造には、例えば、支台歯築造が含まれる。情報処理装置２は、上記の評価のために情報処理装置１が利用する学習済モデルＬＭ１，ＬＭ２を生成するための装置である。撮像装置３は、上記の評価のために情報処理装置１が参照する撮像画像Ｉ１，Ｉ２を生成するための装置である。
　撮像画像Ｉ１は、術式適用前の対象組織を被写体として含む画像である。撮像装置３は、評価対象者が術式を適用する前に対象組織を撮像することによって、この撮像画像Ｉ１を生成する。撮像画像Ｉ２は、評価対象者による術式施行中の各過程と術式適用後の対象組織を被写体として含む画像である。撮像装置３は、評価対象者が術式を適用した後に対象組織を撮像することによって、この撮像画像Ｉ２を生成する。なお、撮像画像Ｉ１，Ｉ２の種類及び次元は特に限定されない。撮像画像Ｉ１，Ｉ２は、例えば、可視光画像、Ｘ線画像、ＣＴ（Ｃｏｍｐｕｔｅｒ　Ｔｏｍｏｇｒａｐｈｙ）画像、ＭＲＩ（Ｍａｇｎｅｔｉｃ　Ｒｅｓｏｎａｎｃｅ　Ｉｍａｇｉｎｇ）画像、超音波画像、又は病理検査像であり得る。また、撮像画像Ｉ１，Ｉ２は、例えば、画素値の２次元配列（ピクセル画像）、又は、画素値の３次元配列（ボクセル画像、ピクセル画像）であり得る。対象組織を３Ｄスキャンすることにより得られた３ＤＤＡＤデータ（例えば、点群データ又はメッシュデータ、或いは、光学計測三角メッシュ）を、撮像画像Ｉ１として用いてもよい。また、イルミネータやコンポジットレジン照射器を用いた透照診において得られる画像を、撮像画像Ｉ１として用いてもよい。また、撮像画像Ｉ１，Ｉ２の画角は、特に限定されず、全顎を含んでいてもよい。
　なお、Ｘ線画像の具体例としては、例えば、パノラマＸ線画像及びデンタルＸ線画像が挙げられる。パノラマＸ線画像は、患歯の全体への波及、及び、患歯の顎関節への影響の評価に適している。デンタルＸ線画像は、患歯の状態、歯根の状態、及び、患歯の隣在歯への影響の評価に適しており、歯根形成の参考になる。また、ＣＴ画像の具体例としては、例えば、３次元ＣＴ画像、造影ＣＴ画像、コーンビームＣＴ画像が挙げられる。３次元ＣＴ画像は、歯髄内の状態、歯槽骨の状態、歯根内部の状態の評価に適しており、根管形成の参考になる。造影ＣＴ画像は、腺組織及び軟組織の評価に適している。また、ＭＲＩ画像の具体例としては、例えば、Ｔ１強調画像及びＴ２強調（脂肪強調）画像が挙げられる。Ｔ１強調画像及びＴ２強調は、対象組織と軟組織（腺組織）との間の相互影響の評価に適している。また、可視光画像の具体例としては、例えば、一眼レフ写真が挙げられる。一眼レフ写真は、患部の対象組織又は軟組織の表面状態の評価に適している。例えば、一眼レフ写真によれば、軟組織の表面に現れる炎症の５徴候のうちの３つの徴候を適切に評価することができる。また、病理検査像としては、顕微鏡像及び染色顕微鏡像が挙げられる。顕微鏡像及び染色顕微鏡像は、歯牙腫などの良性腫瘍とエナメル上皮腫などの悪性腫瘍との識別に適している。また、３ＤＣＡＤデータは、う蝕の表面形態の採取など、個別患歯の対象組織評価に適しており、窩洞形成及び支台歯形成の参考になる。
　学習済モデルＬＭ１は、撮像画像Ｉ１を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の対象組織を表す推定画像ＰＩを含む出力情報を導出するモデルである。本実施形態においては、標準治療として選択される術式、或いは、ＥＢＭ（Ｅｖｉｄｅｎｃｅ　Ｂａｓｅｄ　Ｍｅｄｉｃｉｎｅ）において最善と考えられる術式を、評価基準とする。情報処理装置２は、推定画像ＰＩにおける対象組織の像が、標準治療として選択される術式、或いは、ＥＢＭにおいて最善と考えられる術式施行中の各過程と術式適用後の対象組織の像を再現するように、この学習済モデルＬＭ１を構築する。学習済モデルＬＭ１は、例えば、推定された診断に基づき、適用するべき術式が歯牙に対する窩洞形成である場合、窩洞形成後の歯牙を表す推定画像ＰＩを出力し、適用するべき術式が歯牙に対する支台歯成である場合、支台歯形成後の歯牙を表す推定画像ＰＩを出力し、適用するべき術式が歯牙に対する根管形成術である場合、根管形成後の歯牙を表す推定画像ＰＩを出力する。学習済モデルＬＭ２は、撮像画像Ｉ２と推定画像ＰＩとを含む入力情報から、評価対象者による術式の巧拙を表す評価値Ｖを含む出力情報を導出するためのモデルである。情報処理装置２は、評価値Ｖが、撮像画像Ｉ２における対象組織の像と推定画像ＰＩにおける対象組織の像との類似度に相関するように、この学習済モデルＬＭ２を構築する。なお、学習済モデルＬＭ１，ＬＭ２の種類は特に限定されない。学習済モデルＬＭ１は、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ　ａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）やＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）などのニューラルネットワークであり得る。学習済モデルＬＭ２は、例えば、線形回帰式や非線形回帰式などの回帰モデルであり得る。
　以下、情報処理装置１による評価方法Ｍ１の流れ、情報処理装置１の構成、情報処理装置２による機械学習方法Ｍ２の流れ、及び、情報処理装置２の構成について、順に説明する。
　（学習済モデルＬＭ１の入力情報に関する補足）
　学習済モデルＬＭ１の入力情報には、撮像画像Ｉ１以外の付加情報が含まれていてもよい。学習済モデルＬＭ１の入力情報に含めることが好ましい付加情報としては、例えば、問診結果又は検査結果を表す付加情報が挙げられる。問診結果又は検査結果を示す付加情報は、例えば、テキストとして学習済モデルＬＭ１に入力される。問診結果又は検査結果を示す付加情報が予めコード化されている場合、問診結果又は検査結果に対応するコードを学習済モデルＬＭ１に入力するようにしてもよい。
　問診結果としては、例えば、主訴を示す情報、既往歴を示す情報、全身疾患を示す情報、患者の希望する補綴材料（例えば、レジン、セラミックス、金銀パラジウムなど）を示す情報、患者の希望する補綴方法（例えば、レジン樹脂充填、クラウン、インレーなど）を示す情報などが挙げられる。なお、主訴を示す情報には、例えば、患者の痛み（例えば、冷痛、温痛、拍動痛、刺激痛など）に関する情報、審美性（例えば、開口時、閉口時など）に関する情報、患者の困事に関する情報、患者の希望に関する情報などが含まれ得る。
　検査結果としては、血液検査の結果を示す情報、電気抵抗値診断の結果を示す情報、触診の結果を示す情報、共鳴波長計測診の結果を示す情報、温度診の結果を示す情報、電気歯髄診断などが挙げられる。なお、触診には、探針を用いた小寓裂溝のスティッキーフィッシャーの確認、デンタルフロスを用いた隣接面嗣蝕の診断、探針等を用いた修復物の辺縁漏洩の確認などが含まれ得る。電気抵抗値診断は、電気抵抗値に基づいて嗣蝕の進行度を測定する検査である（電気抵抗値が６００ｋΩ以上であれば、健全歯、電気抵抗値が２５１ｋΩ以上５９９ｋΩ以下であれば、エナメル質限局顧蝕、電気抵抗値が６ｋΩ以上２５０ｋΩ以下であれば、象牙質願蝕、電気抵抗値が５ｋΩ以下であれば、露髄であることを示す）。共鳴波長計測診では、波長６５５ｎｍのレーザ光を利用した嗣蝕診断、又は、非侵襲性の麟蝕診断が可能である。小嵩裂溝／平滑面用プローブと隣接面用プローブとがある。温度診では、冷風、冷水、氷片、気化熱吸収型スプレーなど用いて冷刺激を与えるか、又は、加熱ストッピングを用いて温熱刺激を与える。電気歯髄診断器の電極を歯面に当てて、違和感を訴えた電圧のレベルによって判断する。電気歯髄診断では、電極を歯面に当てて、患者が違和感を訴えた電圧のレベルによって、歯髄の状態を判断する。
　評価基準となる術式は、対象組織の状態に加えて、実際の診療における術前情報としての問診結果及び検査結果を可能な限り考慮して決めることが望ましい。学習済モデルＬＭ１の入力情報が撮像画像Ｉ１のみである場合、問診結果及び検査結果を考慮することなく推定画像ＰＩが生成されるため、例えば、窩洞形成を選択するべき症例に対して、根管形成後の歯牙を表す推定画像ＰＩが生成されてしまうことがある。そして、このような推定画像ＰＩに基づいて評価を行うと、正しい術式を選択した評価対象者の手技が不当に低く評価されたり、誤った術式を選択した評価対象の手技が不当に高く評価されたりするといった不具合が生じる。更に言えば、禁忌となる術式も評価対象としてしまうという不具合が生じる。これに対して、学習済モデルＬＭ１の入力情報に問診結果又は検査結果を表す付加情報が含まれている場合、このような不具合を防ぐことができる。
　（学習済モデルＬＭ１の出力情報に関する補足）
　学習済モデルＬＭ１の出力情報には、推定画像ＰＩ以外の付加情報が含まれていてもよい。学習済モデルＬＭ１の出力情報に含めることが好ましい付加情報としては、例えば、う蝕進行度又は治療方針を示す付加情報が挙げられる。う蝕進行度又は治療方針を示す付加情報は、テキストとして、学習済モデルＬＭ１から出力されてもよいし、画像として、学習済モデルＬＭ１から出力されてもよい。後者の場合、う蝕進行度又は治療方針を示す画像を、推定画像ＰＩに合成して学習済モデルＬＭ１から出力する構成を採用してもよい。
　う蝕進行度を示す情報としては、例えば、う蝕のクラス（Ｃ１，Ｃ２，Ｃ３，Ｃ４の何れか）が挙げられる。また、治療方針を示す情報としては、選択するべき術式（窩洞形成、レスト形成、ガイドプレーン形成、支台歯形成、根管形成、インプラント植立窩洞形成、逆根管充填骨削合、骨掻把術、関節窩形成、骨形成の何れか）を示す情報、又は、禁忌するべき術式を示す情報が挙げられる。特に、選択するべき術式が窩洞形成である場合には、更に、理想的なＭＯ窩洞、対合歯との理想的なクリアランス、対合歯との理想的な噛み合わせを、治療方針を示す付加情報として、学習済モデルＬＭ１の出力情報に含めることが好ましい。また、補綴方法を、治療方針を示す付加情報として、学習済モデルＬＭ１の出力情報に含めてもよい。
　（学習済モデルＬＭ２の入力に関する補足）
　学習済モデルＬＭ２の入力情報には、撮像画像Ｉ２以外の付加情報が含まれていてもよい。学習済モデルＬＭ２の入力情報に含めることが好ましい付加情報としては、例えば、補綴材料を示す情報、補綴方法を示す情報、禁忌処置に関する情報などが挙げられる。これらの付加情報は、例えば、テキストとして学習済モデルＬＭ２に入力される。例えば、学習済モデルＬＭ２は、撮像画像Ｉ２から読み取った対象組織の形状が、付加情報が示す補綴材料及び補綴方法に適した形状になっている場合には、評価値Ｖとして高いスコアを出力し、そうでない場合には、評価値Ｖとして低いスコアを出力する。或いは、学習済モデルＬＭ２は、撮像画像Ｉ２から読み取った対象組織の形状が、付加情報が示す選択するべき術式により得られる形状になっている場合には、評価値Ｖとして高いスコアを出力し、そうでない場合には、評価値Ｖとして低いスコアを出力する。
　なお、学習済モデルＬＭ２に入力される撮像画像Ｉ２から、う蝕の除去状態が読み取れることに注意する。したがって、学習済モデルＬＭ２は、学習済モデルＬＭ１の出力情報に含まれるう蝕のクラスを、撮像画像Ｉ２から読み取ったう蝕の除去状態と比較することによって、評価値Ｖを算出することが可能である。また、学習済モデルＬＭ２に入力される撮像画像Ｉ２から、実際のＭＯ窩洞、対合歯との実際のクリアランス、対合歯との実際の噛み合わせが読み取れることに注意する。したがって、学習済モデルＬＭ２は、学習済モデルＬＭ１の出力情報に含まれる理想的なＭＯ窩洞、対合歯との理想的なクリアランス、対合歯との理想的な噛み合わせを、それぞれ、撮像画像Ｉ２から読み取った実際のＭＯ窩洞、対合歯との実際のクリアランス、対合歯との実際の噛み合わせと比較することによって、評価値を算出することも可能である。
　（評価方法Ｍ１の流れ）
　情報処理装置１が実施する評価方法Ｍ１の流れについて、図２~図４を参照して説明する。図２は、評価方法Ｍ１の流れを示すフロー図である。図３は、術式が窩洞形成術である場合の撮像画像Ｉ１、推定画像ＰＩ、及び撮像画像Ｉ２の一例を模式的に示した図である。図４は、術式が根管形成術である場合の撮像画像Ｉ１、推定画像ＰＩ、及び撮像画像Ｉ２の一例を模式的に示した図である。
　評価方法Ｍ１は、図２に示すように、第１取得処理Ｍ１１と、導出処理Ｍ１２と、第２取得処理Ｍ１３と、評価処理Ｍ１４と、を含んでいる。
　第１取得処理Ｍ１１は、撮像画像Ｉ１を撮像装置３から取得する処理である。撮像画像Ｉ１は、上述したように、術式適用前の対象組織を表す。術式が窩洞形成である場合の撮像画像Ｉ１の一例を図３に、術式が根管形成である場合の撮像画像Ｉ１の一例を図４に、それぞれ模式的に示す。
　導出処理Ｍ１２は、第１取得処理Ｍ１１にて取得した撮像画像Ｉ１を含む入力情報から、推定画像ＰＩを含む出力情報を導出する処理であり、学習済モデルＬＭ１を用いて実行される。推定画像ＰＩは、上述したように、評価基準となる術式施行中の各過程と術式適用後の対象組織を表す。術式が窩洞形成である場合の推定画像ＰＩの一例を図３に、術式が根管形成である場合の推定画像ＰＩの一例を図４に、それぞれ模式的に示す。
　なお、学習済モデルＬＭ１の入力情報には、撮像画像Ｉ１以外の付加情報が含まれていてもよい。例えば、学習済モデルＬＭ１の入力情報には、問診結果又は検査結果を表す付加情報が含まれていることが好ましい。評価基準となる術式施行中の各過程と術式適用後の対象組織の形態は、患者の診療への希望を含む問診結果又は検査結果に応じて導かれる治療方針によって異なるところ、当該構成を採用すれば、その問診結果又は検査結果に応じた治療方針によって決まる評価基準となる術式施行中の各過程と術式適用後の対象組織を表す推定画像ＰＩを得ることが可能になる。また、予め定められた問診結果又は検査結果毎に学習済モデルを予め用意できる場合には、学習済モデルＬＭ１として、患者から得られた問診結果又は検査結果に対応した学習済モデルを用いる構成を採用しても、同様の効果が得られる。
　また、学習済モデルＬＭ１の出力情報には、推定画像ＰＩ以外の付加情報が含まれていてもよい。例えば、学習済モデルＬＭ１の出力情報には、治療方針を示す付加情報が含まれていることが好ましい。これにより、選択するべき術式などの治療方針を、推定画像ＰＩから視覚的に把握することに加えて、これらの付加情報から明示的に把握することが可能になる。
　なお、学習済モデルＬＭ１の出力情報に治療方針を示す付加情報を含める構成を採用する場合、ディスプレイ等を介してその治療方針を提示する提示処理を、情報処理装置１が導出処理Ｍ１２終了後に実行する構成を併せて採用することが好ましい。これにより、医療従事者にとっては、適用する選択可能な複数の治療方針が何であるのかを事前に知ることが可能になり、患者にとっては、適用される治療方針が何であるのかを事前に知ることが可能になる。なお、選択可能な複数の治療方針に対して患者の同意が得られる場合、情報処理装置１は、評価方法Ｍ１の実施を継続し、医療従事者は、治療に着手する。一方、選択可能な複数の治療方針に対する患者同意が得られない場合、情報処理装置１は、評価方法Ｍ１の実施を中止し、医療従事者は、治療に着手しない。
　第２取得処理Ｍ１３は、撮像画像Ｉ２を撮像装置３から取得する処理である。撮像画像Ｉ２は、上述したように、評価対象者による術式施行中の各過程と術式適用後の対象組織を表す。術式が窩洞形成である場合の撮像画像Ｉ２の一例を図３に、術式が根管形成である場合の撮像画像Ｉ２の一例を図４に、それぞれ模式的に示す。
　評価処理Ｍ１４は、導出処理Ｍ１２にて導出した推定画像ＰＩと第２取得処理Ｍ１３にて取得した撮像画像Ｉ２とを含む入力情報から、評価値Ｖを含む出力情報を導出する処理であり、学習済モデルＬＭ２を用いて実行される。評価値Ｖは、上述したように、評価対象者による術式の巧拙を表す。
　なお、本実施形態においては、学習済モデルＬＭ２を用いて評価値Ｖを導出する構成を採用しているが、本発明はこれに限定されない。例えば、推定画像ＰＩと撮像画像Ｉ２との差分の大きさ（例えば、各画素の画素値の差分の和）を算出し、差分の大きさが相対的に小さければ、評価値Ｖとして相対的に高いスコアを、差分の大きさが相対的に小さければ、評価値Ｖとして相対的に低いスコアを算出するようにしてもよい。
　また、評価処理Ｍ１４にて導出された評価値Ｖを、術式の完了までに要した時間に応じて補正する補正処理を更に実行してもよい。例えば、術式の完了までに要した時間が相対的に長ければ、スコアが下がるように評価値Ｖを補正し、術式の完了までに要した時間が相対的に短ければ、スコアが上がるように評価値Ｖを補正する。これにより、評価対象者の手際の良さまで考慮に入れた評価値Ｖを得ることが可能になる。
　【００５７】
　（効果に関する補足）
　歯髄感染時には、それぞれの症例に応じた適切な診断及び処置が必要である。例えば、根管治療から根管形成、さらに根管充填に至る場合、患者毎に異なる複雑な形状の根管に対する適切な処置が求められる。
　【００５７】
　歯科医学会の歯内療法のガイドラインによれば、根管形成においては根管充填のために、根管の側枝やイスムスなどの複雑な形状を考慮して適切な根管形態を、また根尖孔において生理学根尖孔と解剖学的根尖孔をふまえアピカルシートやアピカルカラーの形態を付与し、根管充填が緊密に行えるようにすることとされている。
　【００５７】
　図４に示した例について言うと、学習済モデルＬＭ１は、歯髄感染した患歯を表す撮像画像Ｉ１から、適切な根管治療及び根管形成を経て、根管充填が適切になされた患歯を表す推定画像ＰＩを導出する。これに対して、評価対象者による根管形成後の患歯は、撮像画像Ｉ２から分かるように、一連の根管治療の最終形態が不十分（側枝やまで充填剤が緊密に充填されない、根尖の根充がオーバーやアンダーなど）な状態である。このように、推定画像ＰＩと撮像画像Ｉ２との類似度が低い場合、学習済モデルＬＭ２は、低いスコアを評価値Ｖとしてアウトプットすることになる。あるいは、撮像画像Ｉ２が、医学上の禁忌処置と推定された場合、警告としてその医療行為のやり直しをアウトプットする。
　（情報処理装置１の構成）
　情報処理装置１の構成について、図５を参照して説明する。図５は、情報処理装置１の構成を示すブロック図である。
　情報処理装置１は、汎用コンピュータを用いて実現されており、プロセッサ１１と、一次メモリ１２と、二次メモリ１３と、入出力インタフェース１４と、通信インタフェース１５と、バス１６とを備えている。プロセッサ１１、一次メモリ１２、二次メモリ１３、入出力インタフェース１４、及び通信インタフェース１５は、バス１６を介して相互に接続されている。
　二次メモリ１３には、評価プログラムＰ１及び学習済モデルＬＭ１，ＬＭ２が格納されている。プロセッサ１１は、二次メモリ１３に格納されている評価プログラムＰ１及び学習済モデルＬＭ１，ＬＭ２を一次メモリ１２上に展開する。そして、プロセッサ１１は、一次メモリ１２上に展開された評価プログラムＰ１に含まれる命令に従って、上述した評価方法Ｍ１を実行する。一次メモリ１２上に展開された学習済モデルＬＭ１は、評価方法Ｍ１に含まれる導出処理Ｍ１２を実行する際に利用される。また、一次メモリ１２上に展開された学習済モデルＬＭ２は、評価方法Ｍ１に含まれる評価処理Ｍ１４を実行する際に利用される。
　プロセッサ１１として利用可能なデバイスとしては、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、又は、これらの組み合わせを挙げることができる。プロセッサ１１は、「演算装置」と呼ばれることもある。また、一次メモリ１２として利用可能なデバイスとしては、例えば、半導体ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）を挙げることができる。一次メモリ１２は、「主記憶装置」と呼ばれることもある。また、二次メモリ１３として利用可能なデバイスとしては、例えば、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）、又は、これらの組み合わせを挙げることができる。二次メモリ１３は、「補助記憶装置」と呼ばれることもある。
　なお、二次メモリ１３は、情報処理装置１に内蔵されていてもよいし、入出力インタフェース１４又は通信インタフェース１５を介して情報処理装置１と接続された他のコンピュータ（例えば、クラウドサーバを構成するコンピュータ）に内蔵されていてもよい。また、本実施形態においては、情報処理装置１における記憶を２つのメモリ（一次メモリ１２及び二次メモリ１３）により実現しているが、これに限定されない。すなわち、情報処理装置１における記憶を１つのメモリにより実現してもよい。この場合、例えば、そのメモリの或る記憶領域を一次メモリ１２として利用し、そのメモリの他の記憶領域を二次メモリ１３として利用すればよい。
　入出力インタフェース１４には、入力デバイス及び／又は出力デバイスが接続される。入出力インタフェース１４としては、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）、ＡＴＡ（Ａｄｖａｎｃｅｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ａｔｔａｃｈｍｅｎｔ）、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ　Ｃｏｍｐｏｎｅｎｔ　Ｉｎｔｅｒｃｏｎｎｅｃｔ）などのインタフェースが挙げられる。入出力インタフェース１４に接続される入力デバイスとしては、例えば、撮像装置３が挙げられる。評価方法Ｍ１に含まれる第１取得処理Ｍ１１及び第２取得処理Ｍ１３おいて撮像装置３から取得する撮像画像Ｉ１，Ｉ２は、入出力インタフェース１４を介して情報処理装置１に入力され、一次メモリ１２に記憶される。また、入出力インタフェース１４に接続される入力デバイスとしては、例えば、キーボード、マウス、マイクなどが挙げられる。評価方法Ｍ１においてユーザから取得するデータ（例えば、補綴物の種類）は、これらの入力デバイスを介して情報処理装置１に入力され、一次メモリ１２に記憶される。また、入出力インタフェース１４に接続される出力デバイスとしては、例えば、ディスプレイ、プリンタ、スピーカなどが挙げられる。評価方法Ｍ１においてユーザに提供する情報（例えば、評価値Ｖ）は、これらの出力デバイスを介して情報処理装置１から出力される。
　通信インタフェース１５には、ネットワークを介して他のコンピュータが有線接続又は無線接続される。通信インタフェース１５としては、例えば、イーサネット（登録商標）、Ｗｉ−Ｆｉ（登録商標）などのインタフェースが挙げられる。利用可能なネットワークとしては、ＰＡＮ（Ｐｅｒｓｏｎａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＣＡＮ（Ｃａｍｐｕｓ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＧＡＮ（Ｇｌｏｂａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、又は、これらのネットワークを含むインターネットワークが挙げられる。インターネットワークは、イントラネットであってもよいし、エクストラネットであってもよいし、インターネットであってもよい。評価方法Ｍ１に先行して情報処理装置１が情報処理装置２から取得する学習済モデルＬＭ１，ＬＭ２は、これらのネットワークを介して送受信される。
　なお、本実施形態においては、単一のプロセッサ（プロセッサ１１）を用いて評価方法Ｍ１を実行する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のプロセッサを用いて評価方法Ｍ１を実行する構成を採用してもよい。この場合、連携して評価方法Ｍ１を実行する複数のプロセッサは、単一のコンピュータに設けられ、バスを介して相互に通信可能に構成されていてもよいし、複数のコンピュータに分散して設けられ、ネットワークを介して相互に通信可能に構成されていてもよい。一例として、クラウドサーバを構成するコンピュータに内蔵されたプロセッサと、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサとが、連携して評価方法Ｍ１を実行する態様などが考えられる。
　また、本実施形態においては、評価方法Ｍ１を実行するプロセッサ（プロセッサ１１）と同じコンピュータに内蔵されたメモリ（二次メモリ１３）に学習済モデルＬＭ１，ＬＭ２を格納する構成を採用しているが、本発明は、これに限定されない。すなわち、評価方法Ｍ１を実行するプロセッサと異なるコンピュータに内蔵されたメモリに学習済モデルＬＭ１，ＬＭ２を格納する構成を採用してもよい。この場合、学習済モデルＬＭ１，ＬＭ２を格納するメモリが内蔵されたコンピュータは、評価方法Ｍ１を実行するプロセッサが内蔵されたコンピュータとネットワークを介して相互に通信可能に構成される。一例として、クラウドサーバを構成するコンピュータに内蔵されたメモリに学習済モデルＬＭ１，ＬＭ２を格納し、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサが評価方法Ｍ１を実行する態様などが考えられる。
　また、本実施形態においては、単一のメモリ（二次メモリ１３）に学習済モデルＬＭ１，ＬＭ２を格納する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のメモリに学習済モデルＬＭ１，ＬＭ２を分散して格納する構成を採用してもよい。この場合、学習済モデルＬＭ１，ＬＭ２を格納する複数のメモリは、単一のコンピュータ（評価方法Ｍ１を実行するプロセッサが内蔵されたコンピュータであってもよいし、そうでなくてもよい）に設けられていてもよいし、複数のコンピュータ（評価方法Ｍ１を実行するプロセッサが内蔵されたコンピュータを含んでいてもよいし、そうでなくてもよい）に分散して設けられていてもよい。一例として、クラウドサーバを構成する複数のコンピュータの各々に内蔵されたメモリに学習済モデルＬＭ１，ＬＭ２を分散して格納する構成などが考えられる。
　（機械学習方法Ｍ２の流れ）
　情報処理装置２が実施する機械学習方法Ｍ２の流れについて、図６を参照して説明する。図６は、機械学習方法Ｍ２の流れを示すフロー図である。
　機械学習方法Ｍ２は、第１準備処理Ｍ２１と、第１構築処理Ｍ２２と、第２準備処理Ｍ２３と、第２構築処理Ｍ２４と、を含んでいる。
　第１準備処理Ｍ２１は、教師データの集合である学習用データセットＤＳ１を準備する処理である。学習用データセットＤＳ１に含まれる教師データは、術式適用前の対象組織を表す撮像画像を含む入力情報と、評価基準となる術式施行中の各過程と術式適用後の対象組織を表す撮像画像を含む正解ラベルとを組み合わせたものである。正解ラベルに含める撮像画像としては、例えば、高い技術を有する医療従事者が、標準治療として選択される術式、或いは、ＥＢＭにおいて最善と考えられる術式を適用した後の対象組織を撮像することに得られたものを利用する。
　第１構築処理Ｍ２２は、第１準備処理Ｍ２１にて得られた学習用データセットＤＳ１を用いた教師あり学習によって、学習済モデルＬＭ１を構築する処理である。学習済モデルＬＭ１は、上述したように、撮像画像Ｉ１を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の対象組織を表す推定画像ＰＩを含む出力情報を導出するモデルである。第１構築処理Ｍ２２においては、学習済モデルＬＭ１の入力情報と出力情報との関係が、教師データを構成する入力情報と出力情報との関係を再現するように、学習済モデルＬＭ１がチューニングされる。
　第２準備処理Ｍ２３は、教師データの集合である学習用データセットＤＳ２を準備する処理である。学習用データセットＤＳ２に含まれる教師データは、評価対象者による術式施行中の各過程と術式適用後の対象組織を表す撮像画像及び評価基準となる術式施行中の各過程と術式適用後の対象組織を表す推定画像を含む入力情報と、評価対象者による術式適用の巧拙を表す評価値を含む出力情報（入力情報に付与するラベル）とを組み合わせたものである。
　第２構築処理Ｍ２４は、第２準備処理Ｍ２３にて得られた学習用データセットＤＳ２を用いた教師あり学習によって、学習済モデルＬＭ２を構築する処理である。学習済モデルＬＭ２は、上述したように、撮像画像Ｉ２と推定画像ＰＩとを含む入力情報から、評価値Ｖを含む出力情報を導出するモデルである。第２構築処理Ｍ２４においては、評価値Ｖが、撮像画像Ｉ２における対象組織の像と推定画像ＰＩにおける対象組織の像との類似度に相関するように、学習済モデルＬＭ２がチューニングされる。
　（情報処理装置２の構成）
　情報処理装置２の構成について、図７を参照して説明する。図７は、情報処理装置２の構成を示すブロック図である。
　情報処理装置２は、汎用コンピュータを用いて実現されており、プロセッサ２１と、一次メモリ２２と、二次メモリ２３と、入出力インタフェース２４と、通信インタフェース２５と、バス２６とを備えている。プロセッサ２１、一次メモリ２２、二次メモリ２３、入出力インタフェース２４、及び通信インタフェース２５は、バス２６を介して相互に接続されている。
　二次メモリ２３には、機械学習プログラムＰ２及び学習用データセットＤＳ１，ＤＳ２が格納されている。プロセッサ２１は、二次メモリ２３に格納されている機械学習プログラムＰ２を一次メモリ２２上に展開する。そして、プロセッサ２１は、一次メモリ２２上に展開された機械学習プログラムＰ２に含まれる命令に従って、上述した機械学習方法Ｍ２を実行する。二次メモリ２３に格納された学習用データセットＤＳ１は、機械学習方法Ｍ２に含まれる第１準備処理Ｍ２１において作成され、機械学習方法Ｍ２に含まれる第１構築処理Ｍ２２において利用される。また、二次メモリ２３に格納された学習用データセットＤＳ２は、機械学習方法Ｍ２に含まれる第２準備処理Ｍ２３において作成され、機械学習方法Ｍ２に含まれる第２構築処理Ｍ２４において利用される。
　プロセッサ２１として利用可能なデバイスとしては、例えば、ＣＰＵ、ＧＰＵ、ＤＳＰ、又は、これらの組み合わせを挙げることができる。プロセッサ２１は、「演算装置」と呼ばれることもある。また、一次メモリ２２として利用可能なデバイスとしては、例えば、半導体ＲＡＭを挙げることができる。一次メモリ２２は、「主記憶装置」と呼ばれることもある。また、二次メモリ２３として利用可能なデバイスとしては、例えば、フラッシュメモリ、ＨＤＤ、ＳＳＤ、又は、これらの組み合わせを挙げることができる。二次メモリ２３は、「補助記憶装置」と呼ばれることもある。なお、二次メモリ２３は、情報処理装置２に内蔵されていてもよいし、入出力インタフェース２４又は通信インタフェース２５を介して情報処理装置２と接続された他のコンピュータ（例えば、クラウドサーバを構成するコンピュータ）に内蔵されていてもよい。なお、本実施形態においては、情報処理装置２における記憶を２つのメモリ（一次メモリ２２及び二次メモリ２３）により実現しているが、これに限定されない。すなわち、情報処理装置２における記憶を１つのメモリにより実現してもよい。この場合、例えば、そのメモリの或る記憶領域を一次メモリ２２として利用し、そのメモリの他の記憶領域を二次メモリ２３として利用すればよい。
　入出力インタフェース２４には、入力デバイス及び／又は出力デバイスが接続される。入出力インタフェース２４としては、例えば、ＵＳＢ、ＡＴＡ、ＰＣＩなどのインタフェースが挙げられる。入出力インタフェース２４に接続される入力デバイスとしては、例えば、キーボード、マウス、マイクなどが挙げられる。機械学習方法Ｍ２においてユーザから取得するデータは、これらの入力デバイスを介して情報処理装置２に入力され、一次メモリ２２に記憶される。また、入出力インタフェース２４に接続される出力デバイスとしては、例えば、ディスプレイ、プリンタ、スピーカなどが挙げられる。機械学習方法Ｍ２においてユーザに提供する情報は、これらの出力デバイスを介して情報処理装置２から出力される。
　通信インタフェース２５には、ネットワークを介して他のコンピュータが有線接続又は無線接続される。通信インタフェース２５としては、例えば、イーサネット（登録商標）、Ｗｉ−Ｆｉ（登録商標）などのインタフェースが挙げられる。利用可能なネットワークとしては、ＰＡＮ、ＣＡＮ、ＭＡＮ、ＷＡＮ、ＧＡＮ、又は、これらのネットワークを含むインターネットワークが挙げられる。インターネットワークは、イントラネットであってもよいし、エクストラネットであってもよいし、インターネットであってもよい。情報処理装置２が他のコンピュータ（例えば、情報処理装置１）に提供するデータ（例えば、学習済モデルＬＭ１，ＬＭ２）は、これらのネットワークを介して送受信される。
　なお、本実施形態においては、単一のプロセッサ（プロセッサ２１）を用いて機械学習方法Ｍ２を実行する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のプロセッサを用いて機械学習方法Ｍ２を実行する構成を採用してもよい。この場合、連携して機械学習方法Ｍ２を実行する複数のプロセッサは、単一のコンピュータに設けられ、バスを介して相互に通信可能に構成されていてもよいし、複数のコンピュータに分散して設けられ、ネットワークを介して相互に通信可能に構成されていてもよい。一例として、クラウドサーバを構成するコンピュータに内蔵されたプロセッサと、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサとが、連携して機械学習方法Ｍ２を実行する態様などが考えられる。
　また、本実施形態においては、機械学習方法Ｍ２を実行するプロセッサ（プロセッサ２１）と同じコンピュータに内蔵されたメモリ（二次メモリ２３）に学習用データセットＤＳ１，ＤＳ２を格納する構成を採用しているが、本発明は、これに限定されない。すなわち、機械学習方法Ｍ２を実行するプロセッサと異なるコンピュータに内蔵されたメモリに学習用データセットＤＳ１，ＤＳ２を格納する構成を採用してもよい。この場合、学習用データセットＤＳ１，ＤＳ２を格納するメモリが内蔵されたコンピュータは、機械学習方法Ｍ２を実行するプロセッサが内蔵されたコンピュータとネットワークを介して相互に通信可能に構成される。一例として、クラウドサーバを構成するコンピュータに内蔵されたメモリに学習用データセットＤＳ１，ＤＳ２を格納し、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサが機械学習方法Ｍ２を実行する態様などが考えられる。
　また、本実施形態においては、単一のメモリ（二次メモリ２３）に学習用データセットＤＳ１，ＤＳ２を格納する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のメモリに学習用データセットＤＳ１，ＤＳ２を分散して格納する構成を採用してもよい。この場合、学習用データセットＤＳ１，ＤＳ２を格納する複数のメモリは、単一のコンピュータ（機械学習方法Ｍ２を実行するプロセッサが内蔵されたコンピュータであってもよいし、そうでなくてもよい）に設けられていてもよいし、複数のコンピュータ（機械学習方法Ｍ２を実行するプロセッサが内蔵されたコンピュータを含んでいてもよいし、そうでなくてもよい）に分散して設けられていてもよい。一例として、クラウドサーバを構成する複数のコンピュータの各々に内蔵されたメモリに学習用データセットＤＳ１，ＤＳ２を分散して格納する構成などが考えられる。
　また、本実施形態においては、評価方法Ｍ１及び機械学習方法Ｍ２を異なるプロセッサ（プロセッサ１１及びプロセッサ２１）を用いて実行する構成を採用しているが、本発明は、これに限定されない。すなわち、評価方法Ｍ１及び機械学習方法Ｍ２を同一のプロセッサを用いて実行してもよい。この場合、機械学習方法Ｍ２を実行することによって、このプロセッサと同じコンピュータに内蔵されたメモリに学習済モデルＬＭ１，ＬＭ２が格納さる。そして、このプロセッサは、評価方法Ｍ１を実行する際に、このメモリに格納された学習済モデルＬＭ１，ＬＭ２を利用することになる。
　（変形例）
　本実施形態において説明した構成は、補綴の評価にも利用することができる。この場合、（１）撮像画像Ｉ１を、補綴前の対象組織を表す撮像画像に置き換え、（２）推定画像ＰＩを、評価基準となる補綴後の対象組織を表す推定画像に置き換え、（３）撮像画像Ｉ２を、評価対象者による補綴後の対象組織を表す撮像画像に置き換える。また、これに伴い、（４）学習済モデルＬＭ１を、補綴前の対象組織を表す撮像画像を含む入力情報から、評価基準となる補綴後の対象組織を表す推定画像を含む出力情報を導出する学習済モデルに置き換え、（５）学習済モデルＬＭ２を、評価対象者による補綴後の対象組織を表す撮像画像と評価基準となる補綴後の対象組織を表す推定画像とを含む入力情報から、評価対象者による補綴の巧拙を表す評価値を含む出力情報を導出する学習済モデルに置き換える。
　（補足事項）
　学習済モデルが一回性（唯一無二）の臓器に対して、規格化された治療介入をする上で、治療のプロセスと完成形を提示する意義について、補足する。
　歯牙や骨といった対象組織の削合は、削合の後に予定されている処置（歯牙補綴や生体骨内へのインプラント埋入）の要件に見合うように形態を形成せねばならない。その要件は、各臓器の性質や処置に利用される治療器具などの材料力学的視点から、各医学会と歯科医学会の各分科会のガイドライン等で規格化されている。
　それらの要件は、規格化されているが、患者固有の臓器に対して各診療毎に実現せねばならず、機械部品の様に合同形態を生産するようにはいかず、診療毎に必要な形態を学習済モデルにて推測、提示されることが好ましい。
　支台歯の規格化条件（これを満たさないと材料力学的にセラミックが割れる）としては、以下の条件が挙げられる。
（１）両隣接面の軸面のテーパー：３°~５°
（２）歯冠長（縦の長さ）：３ｍｍ以上
（３）歯冠長／歯冠幅の比：０．４
（４）削除量：咬合面（対合歯とのクリアランス）
　機能咬頭：　　　２．０ｍｍ
　非機能咬頭：　　１．５ｍｍ
　中心溝：　　　　１．０ｍｍ~１．５ｍｍ
　頬側面：　　　　１．０ｍｍ以上
　舌側面：　　　　１．０ｍｍ以上
（５）フィニソシュライン
　厚さ（幅）：０．６ｍｍ以上
　形態：ヘビーシャンファー
　イントアングルとラインアングルはすべて角がない。
　（応用例）
　以下、図８~図１６を参照して本発明の応用例に係る医療評価システム、医療評価方法及び医療評価プログラムを説明する。但し、以下に示す応用例は本発明の技術思想を具体化するための医療評価システム、医療評価方法及び医療評価プログラムを例示するものであって、本発明をこれらに特定するものではなく、特許請求の範囲に含まれるその他の応用例のものにも等しく適用し得るものである。なお、図８~図１６及び以下の説明においては、図１~図７及び以上の説明とは異なる符号を用いる。図１~図７及び以上の説明における符号は、全角英数字とし、図８~図１６及び以下の説明における符号は、半角英数字とすることで、これらを区別する。
　［応用例１］
　本発明の応用例１に係る医療評価システム１について、図８~図１０を参照して説明する。
　図８は本応用例に係る医療評価システムのブロック図である。実際の診療を評価することとは、例えば医師・歯科医師の手技を評価することを含み、また、医師の手技以外の評価、例えば治療環境、助手の手当て等の評価も含む。
　医療評価システム１０は、電子カルテ装置１１及び診断評価装置としての診療評価ＡＩを備えている。医療評価システム１０は、診察室画像取得装置１４、診療部位画像取得装置１５、問診情報入力装置１６、及び、診療装置センサ１７に接続されており、これらの各装置からの情報が入力される。これらの各装置からの情報は電子カルテ装置１１に記憶されると共に、診療評価ＡＩ１２において評価され、診療に対する評価である評価情報が出力される。医療評価システムには入出力装置１３が接続されており、入出力装置は電子カルテ情報や評価情報等を表示できる表示装置を備えている。
　複数の医療評価システム１０がブロックチェーンデータベース２０に接続されている。ブロックチェーンデータベース２０には、評価情報分析システムとしての評価情報分析ＡＩ２１、複数の利用者システム２２、保険システム２３、ガイドラインデータベース２４等が接続されている。さらに、ブロックチェーンデータベース２０に、診療報酬計算システム等、他のシステムを接続することが可能である。図８では保険システム２３が代表的に記載されているが、ブロックチェーンデータベース２０に接続されるものは、保険システム２３に限定されるものではなく、例えば、公的医療保険制度を含む医療保険、損害賠償保険、その他金融派生商品等の経済原則を含む（以下同様）。
　診療装置センサ１７とは、医療用機器に備えられたセンサであり、歯科治療の場合には例えばタービンセンサ（タービンの動作ないし動作時間を検出）、バー検出センサ（バーの種類を検出）、浄水センサ等が挙げられる。診療部位画像取得装置１５としては、例えば３Ｄスキャン、Ｘ線ＣＴ、動画取得手段等が含まれる。
　診察室画像取得装置１４としては、例えば天井カメラやＷＥＢカメラ等を採用することができ、特に限定されるものではないが、動画を撮影できることが望ましい。診察室画像取得装置１４が画像認識装置、例えばＡＩ画像解析装置等を備えている場合には、診療内容を画像認識により判断し、その場で禁忌治療に対して警告を発することができる。
　図９は本応用例に係る窩洞形成説明図である。標準治療について窩洞形成の例を説明し、評価の考え方をについて説明する。図９は歯の平面図である。図９のように歯の立体形状に沿った適切な腐洞形成が必要であり、凹凸嵌合の観点から補綴物が他方向から安定して固定できるようにされることが望ましい。また、腐洞形成は断面、逆台形形状とする必要がある。また、嵩洞形成の開口部側にはテーパーを設ける必要があり、その角度は１２０度が望ましい。窩洞形成の評価には例えば上記のような観点が含まれる。
　裔洞形成に必要な条件としては、例えば次の（１）~（３）が挙げられる。
（１）連接する小窯・裂溝は腐洞に含める。
（２）咬頭稜線を保存する。
（３）咬頭内斜面の１／２にとどめる。
　図１０は本実施例の医療評価システムの概念図である。ガイドラインデータベースには歯科標準治療に係る複数のガイドライン及び医科標準治療に係る複数のガイドラインが蓄積されている。これらのガイドラインデータベースに蓄積された標準治療に係る情報に基づき、診療評価システムは、客観的に診療に関する評価を行う。
　図１１は本応用例のＡＩシステム３０全体の概念図である。本応用例のＡＩシステム３０は、診療評価ＡＩ１２と、評価情報分析ＡＩ２１とからなる。
　診療評価ＡＩ１２には、ガイドラインデータベース２４から抽出されたガイドライン情報が診療評価ＡＩ訓練システム１８を介して診療情報として入力される。この診療評価ＡＩ１２は、教師データを用いて訓練されたニューラルネットワークを用いて入力された診療情報に対して、複数の観点の指数からなる評価情報を評価情報分析ＡＩ２１に出力する。
　評価情報分析ＡＩ２１は、診療評価ＡＩ１２が出力した複数の評価情報を分析し、ベストプラクティスの選定を含む定量的な評価を行い、利用者に対して診療評価情報を提供し、保険システム２３に対して保険料基礎情報を提供すると共に、ガイドラインデータベース２４に対して、ガイドライン更新情報を提供する。
　利用者は、ブロックチェーンデータベース２０を介して得られた診療評価情報に基づき自分が希望する医師ないしクリニックを選定することができる。保険システム２３では保険料基礎情報等に基づき保険料等を算定することができる。評価情報分析ＡＩ２１から出力される評価情報は、政府系システムにも提供され、この評価情報は専門医の認定や保険点数演算にも用いられる。また、評価情報分析ＡＩ２１においては、医療評価情報を含む、各種診療情報等が多変量解析的に分析され、望ましい診療内容が抽出され、ガイドライン更新情報が生成されるガイドラインデータベース２４はこのガイドライン更新情報によって更新される。
　なお、評価情報分析ＡＩ２１では、診療評価ＡＩ１２から入力された評価情報に関して、各医療評価システム１０の入出力装置１３を介して医師から入力されたセカンドオピニオン情報を参酌するようにしてもよい。
　図１２は医療評価システムの詳細ブロック図である。医療評価システム１０は、電子カルテ装置１１、診療評価ＡＩ１２及びタイマ１９等を備えている。電子カルテ装置１１は、電子カルテ演算部１１ａと、電子カルテデータベース１１ｂと、評価情報メモリ１１Ｃと、会計演算部１１ｄと、を有する。また、電子カルテ装置１１には、診察室画像取得装置１４、診療部位画像取得装置１５、問診情報入力装置１６、診療装置センサ１７、入出力装置１３等から各種診療情報等が入力され、これらの情報を電子カルテデータベースに蓄積する。また、電子カルテ装置１１は、治療評価ＡＩ訓練システム、診療評価ＡＩ１２、利用者システム２２等の接続されている。
診療評価ＡＩ１２は、診療評価ＡＩ訓練システム１８で訓練された訓練済みニューラルネットの情報が提供されている。診療評価ＡＩ訓練システム１８においては、ガイドラインデータベースから提供される各種ガイドラインの情報等を教師データとして、後述のように、教師あり学習の分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）によるアルゴリズムにより、ディープラーニングが用いられる。
　評価情報分析ＡＩ２１は、後述のように学習により訓練されたニューラルネットワークを用いている。この学習のアルゴリズムとしては、例えば、教師無し学習のクラスタリング（ｃｌｕｓｔｅｒｉｎｇ）においてディープラーニングが用いられる。評価情報分析ＡＩ２１は多数の評価情報や各種エビデンス情報を入力可能であり、多変量解析的に診察内容について客観的な評価を行うことができる。評価情報分析ＡＩ２１には、複数の医療評価システム１０からの診療評価情報が入力され、ニューラルネットワークの学習に用いられると共に、学習されたＡＩによる診療評価情報の分析によって、望ましい症例の抽出などを行うことができる。この望ましい症例を元にガイドライン更新情報が生成され、ガイドラインデータベース２４が更新される。
　本システムの会員すなわち利用者である、患者または医師ないし歯科医師は、利用者システム２２を用いて、診療評価情報を有料で入手することが可能である。この場合の会計にもＩＯＴＡ等のブロックチェーンデータベースを用いることができる。
　また、診療評価ＡＩないし評価情報分析ＡＩから出力される診療評価情報（図１４等を参照。）は、政府系システム２５や保険システム２３においても利用可能である。政府系システムでは、専門医認定部２５ａにおける専門医の認定や、保険点数演算部２５ｂにおける保険点数、すなわち診療報酬の演算に用いられる。保険システム２３においては、診療評価情報は医師損害賠償保険料金演算部２３ａにおける医師損害賠償料の算定や、保険対象医師認定部２３ｂにおける民間保険適応対象医師の判定等に用いられる。
　電子カルテ演算部１１ａ診療情報によって、患者とこの患者を治療した医師とが一体となってＩＤを付与されさらに術前情報と術後情報等が一体となって、データ１、２、…、ｍとして保存される。
データ１：患者１十医師Ａ−Σ（術前情報）ｋ＋Σ（術後情報）ｋ，ｋ＝１~ｎ
データ２：患者２十医師Ａ−Σ（術前情報）ｋ＋Σ（術後情報）ｋ，ｋ＝１~ｎ
データｍ：．．．
　電子カルテデータベース１１ｂには、治療時に検出された情報及び診療評価ＡＩ１２に入出力された情報が記憶される。
　評価情報メモリ１１Ｃは、評価情報分析ＡＩ２１、政府システム２５及び会計演算部１１ｄに接続され、入出力装置１３によって医師から入力されたセカンドオピニオン情報、政府システム２５によって設定された専門医、保険点数に関する情報が記箇される。この評価情報メモリ１１Ｃは、評価情報分析ＡＩ２１及び政府システムに接続され、セカンドオピニオン情報が評価情報分析ＡＩ２１によって参酌できるようになっている。
　会計演算部１１ｄは、評価情報メモリ１１Ｃに基づいた会計処理を行うものであり、保険システム２３に接続されている。
　政府システム２５は、専門医認定部２５ａと、保険点数演算部２５ｂと、を有する。専門医認定部２５ａは、専門医の手技の質を基準とし、標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３（評価項目は、もっとあるべき約１００項目ある）が所定の基準を満たしている医師について専門医として認定処理する。保険点数演算部２５ｂは、専門医認定部２５ａによって専門医として認定された医師に対する診療に対して、診療報酬の保険点数を加算するように診療報酬制度を設定する。
　保険システム２３は、評価情報分析ＡＩ２１から提供された保険料甚礎情報に基づいて保険料等を算出する。この保険システム２３は、医師損害賠償保険料金演算部２３ａと、保険対象医師認定部２３ｂと、経理処理部２３Ｃと、を有する。
　医師損害賠償保険料金演算部２３ａは、評価情報分析システム２１から出力される保険料基礎情報に含まれる医師損害賠償保険料金算定基礎情報に基づいて医師への医師損害賠償保険の保険料の保険料を算定する。
　保険対象医師認定部２３ｂは、治療実績に基づいて保険料の減額対象なる優れた医師を認定する。
　経理処理部２３Ｃは、医師損害賠償保険料金演算部２３ａ及び保険対象医師認定部２３ｂに基づいた保険料を算出する。
　また、本応用例では、医療評価システム１０、保険システム２３及び評価情報分析ＡＩに接続される利用者システム２２（図１２参照）を設けている。利用者システム２２は、入出力装置１３からの接続を制御する利用者ＣＰＵ２２ａと、支払処理部２２ｂと、評価情報メモリ２２Ｃと、を有する。
　支払処理部２２ｂは、電子カルテ装置１１の会計演算部１１ｄに接続すると共に、保険システム２３の経理処理部２３Ｃに接続しており、保険料を加味した利用者の支払い費用を算出すると共に、決済処理を行うものである。また、診療評価情報を入手するための料金の精算にも用いられる。評価情報メモリ２２ｃは、評価情報分析ＡＩ２１及び保険システム２３の保険対象医師認定部２３ｂに接続しており、診療評価ＡＩによる評価情報や評価情報分析ＡＩ２１による出力情報及び保険対象医師認定部２３ｂによって認定された保険対象となる医師の情報等を記憮する。
　また、本応用例では、治療時間を計測するためのタイマ１９が医療評価システム１０に接続されている。このタイマ１９によって計測された治療時間情報は、治療時間評価指数Ｓ３に基づいた判定を実施するために用いられる。
［診療評価ＡＩ１２について］
　診療評価ＡＩ１２は、ＡＩを備えており、症例に応じた遁正な治療方針の策定、及び、治療結果の評価を行うことができる。このために診療評価ＡＩ１２は、例えばブロックチェーンデータベース２０に接続されたガイドラインデータベース２４にアクセス可能である。ガイドラインデータベース２４はガイドラインが改定されるたびに更新され、常に最新の情報が記憶されている。この情報は医療評価システムが診療の評価に用いるだけでなく、医師が診療の際に参照することも可能である。
　ガイドラインデータベース２４には、医科標準治療ないし歯科標準治療を規定した複数種類のガイドラインが含まれる。ＥＢＭ（エビデンスベースドメディスン）とは、エビデンスの信頼性が高い治療行為のことである。治療方針を適切な手技で実現しているかどうかを判定するために参照される。ＥＢＭグレードの高いものが無視されないように、必要に応じて治療中に医師に対して治療評価情報を報知することができる。例えば、ラバーダムを使用する必要がある場合に、ラバーダムの不使用が画像認識により検出されると、即時に、医師に対して警報を発することができる。
　ＡＩは治療中の画像データ等を分析し、術中に医師が行っている、あるいは、行おうとしている施術が標準治療から外れていることを警報し、医師にフィードバックを行うことができる。
　まず、医療面接によって医師は、患者の状態と要望を把握し、この医療面接の内容に沿って診療計画を策定する。診療評価ＡＩ１２は、医師による診療計画の決定をサポートすることができる。診療評価ＡＩ１２は、医療面接によって収集した情報、ガイドラインデータベースの情報、電子カルテ情報等をもとに、医学的問題、心理的な問題、経済的問題の３つに分けて整理し、問題解決のための診療計画を提案する。診療評価ＡＩ１２は診断計画、教育計画についても、同様に提案することができる。例えば、窟洞形成を伴う場合には、患者の歯の３Ｄスキャンの画像及びＸ線ＣＴの画像から嵩洞形成の３Ｄ−ＣＡＤデータを出力できる。診療評価ＡＩ１２は、ガイドラインデータベースを教師データとして訓練されており、入力された診療方針、患者の歯の３Ｄスキャンの画像及びＸ線ＣＴの画像等から、治療内容である窩洞形成の３Ｄ−ＣＡＤデータを出力することが可能である。
　治療の進捗に応じて、診療経過情報を診療評価ＡＩ１２に入力すると、診療評価ＡＩ１２は目標とする治療内容との差分を出力することができる。例えば、診療評価ＡＩ１２は治療途中の３Ｄスキャンデータを入力されると、目標とする治療内容である寓洞形成との差分を示した３Ｄ−ＣＡＤデータを出力することが可能である。
　窩洞形成の場合を例に挙げると、診療評価ＡＩ１２は治療途中の３Ｄスキャンデータを入力されると、目標とする治療内容である窩洞形成との差分を示した３Ｄ−ＣＡＤデータを出力する。歯科医は、診療評価ＡＩ１２によって示された差分を無くすための治療を行った上、再度、３Ｄスキャンデータを診療評価ＡＩ１２に入力する。この治療が１回以上行われることにより、診療評価ＡＩ１２から出力される目標とする治療内容である窩洞形成との差分が所定の許容範囲になったことが、歯科医に対して報知される。この報知を確認し、歯科医は次の充填、咬合調整の段階へと進む。各段階の情報が入力されることにより、診療評価ＡＩ１２から目標とする治療内容との差分の情報が出力されるので、医師はこの情報を参酌してガイドラインにしたがって標準治療を実施することができる。このような処理は、例えば、診療のプロトコルに応じたリカレントニューラルネットワークを用いて実現することができる。
　また、ブリッジや義歯等の補綴物を支えるための支台歯の形成についても、診療評価ＡＩ１２は目標とする３Ｄ−ＣＡＤデータを出力し、また、歯科医による治療後の３Ｄスキャンデータを診療評価ＡＩ１２に入力すると、目標とする治療内容である支台歯形状との差分に関する情報が出力される。これにより上記嵩洞形成の場合と同様に、医師は診療評価ＡＩ１２から出力される情報を参酌してガイドラインにしたがって標準治療を実施することができる。
　治療後の３Ｄスキャンデータ及びＸ線ＣＴの画像が入力されると、診療評価ＡＩ１２は、治療内容について評価することができる。
　標準治療を評価する場合、ラバーダムの使用の有無のように、可か不可かだけの２択による評価だけではない。窩洞形成の内側面の角度が適正角度かどうか、裔洞形成の開口面に適正角度のテーパーが付与されているか等の例えば１００点から０点等の評価とすることもできる。
　治療時に検出された情報及び診療評価ＡＩ１２に入出力された情報は、電子カルテ情報として、電子カルテデータベースに記憶される。各医療評価システムによって蓄積された電子カルテ情報を用いることにより、患者の状態を的確に把握し、的確な診療計画の作成と適切かつ効率的な診療を行うことができると共に、医療安全の向上を図ることが可能である。各医療評価システム１０によって蓄積された電子カルテデータベースの情報は、診療評価ＡＩ１２や評価情報分析ＡＩ２１を訓練するために用いることができる。
　また、う蝕検知液を用いた治療にも診療評価ＡＩ１２を用いた画像認識技術が有効である。
（１）補綴物を歯から取り除く。
（２）う蝕検知液を塗布し、洗浄する。
（３）赤色、濃いピンク色の部分を削り取り、基準色よりも薄いピンク色の部分を残す。
（４）カメラでカラー画像を撮影し、診療評価ＡＩ１２に入力し、画像認識を行う。
（５）上記（２）及び（３）を繰り返す。
（６）診療評価ＡＩ１２から窩洞形成完了の報知があった場合、歯科医は次の充填、咬合調整の段階へと進む。
　このように各段階の情報を入力することにより、診療評価ＡＩ１２から目標とする治療内容との差分の情報が出力されるので、医師はこの情報を参酌してガイドラインにしたがって標準治療を実施することができる。う蝕検知液の色の判定は医師の判断に主観的な要素があるが、診療評価ＡＩ１２を用いることにより基準色の判定を迅速かつ的確に行うことができる。
　ここではう蝕の治療例を説明したが、本応用例はこれに限定されるものではない。う蝕検知液によって検出されたう蝕を光学検査機器によって検出し、診断基準と比較することにより、客観的にう蝕を判定し、記録するシステムを提供することが可能である。
　評価は主に３つの観点から行う。
（ａ）標準治療評価指数Ｓ
（ｂ）術後画像評価指数Ｓ２
（ｃ）治療時間評価指数Ｓ３
（ａ）標準治療評価指数Ｓ１について
　標準治療評価指数Ｓ１は、
ａ−１．適切な基材の選択と使用、ラバーダム、ターピン、バー選択
ａ−２．タービン、注水、エンジンの利用方法
ａ−３．麻酔
ａ−４．禁忌治療
ａ−５．裔洞形成評価
等の項目に関して、標準治療がガイドラインどおり行われているかどうかの判定を示す指数である。標準治療どおりの治療が行われているほど、評価が高くなる。診察室画像取得手段から取得された治療を行っている様子を撮影した動画に、前処理を行った上で、ＡＩ画像認識を行い、評価する。
　診療評価ＡＩ１２から出力される評価情報は、診察室カメラ、診察部位カメラ、問診入力装置、診察装置センサ（３Ｄスキャナ、Ｘ線ＣＴ、ドリルのマイクロモーターセンサ、タービンセンサ、バキュームセンサ、浄水センサ等）、電子カルテデータベース、及び、ガイドラインデータベース等の情報に基づき、医師・歯科医師等による診療に対する客観的かつ定量的な評価を含むものである。
（ｂ）術後画像評価指数について
　術後画像評価指数Ｓ２は、診療の結果が、医療面接から導き出した診療方針（ＡＩによって提案された診療内容）どおりになっているかどうかを判定する指数である。ＡＩが計算した窟洞形成にどれだけ近いか等が判定され、医療面接による診療方針に近いほど評価が高くなる。３Ｄスキャン、Ｘ線ＣＴ等の画像からＡＩ画像認識を行い評価する。
（ｃ）治療時間評価指数について
　治療時間評価指数Ｓ３は、標準治療を行うための治療時間が適正時間内であるかどうかを判定する指数である。ガイドラインに沿った標準治療にかかる時間には適正範囲があるため、この適正時間範囲であれば評価が高くなる。治療が早ければ高得点となるとは限らない。これは、ガイドラインを遵守するためには所定の時間を要する治療もあるためである。
　複数の医療評価システム得られた３つの指標からなる評価情報を、評価情報分析ＡＩ２１を用いて統計的にも適切な評価を行う。ブロックチェーンデータベース２０を用いて評価情報を利用者（患者）に提供可能とする。
　診療評価ＡＩ１２は、複数の教師データにより訓練された訓練されたニューラルネットワークを使用している。教師データとしては、ガイドラインデータベース２４の情報が含まれる。この学習のアルゴリズムとしては、例えば教師あり学習の分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）においてディープラーニングが用いられる。ニューラルネットワークは例えば窟洞形成の画像とその適正度（合否ないしは点数）との組み合わせからなる教師データにより訓練される。診療評価ＡＩ１２は、例えば診療部位画像取得手段１５からの画像を入力し、標準治療遵守指数、術後画像評価指数及び治療時間評価指数等を含む複数の指標を評価情報として出力する。また、ニューラルネットワークは入力情報として、診察室画像取得装置１４、診療部位画像取得装置１５、問診情報入力装置１６、及び、診療装置センサ１７からの各装置を入力とすることもでき、この場合、ニューラルネットワークを学習するデータとしても、これらの各装置からの入力に対応する教師データを含む。例えば、診察室画像取得装置１４からの情報をニューラルネットワークに入力する場合、あるいは、ニューラルネットワークを訓練する場合には、動画データに前処理を加える。前処理としては、例えば必要画像の切り出し、サイズ調整、カラー調整等である。
　ニューラルネットワークによって、例えば入カデータがどの程度ガイドラインに近い窩洞形成であるかを推論する。この推論結果は、専門医による評価、及び／又は、その後の経過情報による評価により検証され、ニューラルネットワークの訓練に用いられる。
［評価情報分析ＡＩ２１について］
　前述のとおり、評価情報分析ＡＩ２１は、診療評価ＡＩ１２が出力した複数の評価情報を分析し、ベストプラクティスの選定を含む定量的な評価を行い、利用者に対して診療評価情報を提供し、保険システム２３に対して保険料基礎情報を提供すると共に、ガイドラインデータベース２４に対して、ガイドライン更新情報を提供する。診療評価ＡＩ１２は上記３つの評価情報だけでなく、これらを細分化した情報や評価に用いられる各種エビデンス情報を出力することが可能である。
　評価情報分析ＡＩ２１は学習により訓練されたニューラルネットワークを用いている。この学習のアルゴリズムとしては、例えば、教師無し学習のクラスタリング（ｃｌｕｓｔｅｒｉｎｇ）においてディープラーニングが用いられる。評価情報分析ＡＩ２１は多数の評価情報や各種エビデンス情報を入力可能であり、多変量解析的に診察内容について客観的な評価を行うことができる。
［利用者による診療評価情報の利用について］
　利用者は、ブロックチェーンデータベース２０を介して得られた診療評価情報に基づき自分が希望する医師ないしクリニックを選定することができる。ブロックチェーンデータベース２０を用いることにより匿名性を担保しながら、改ざんができないようなデータ管理が実現できる。
［保険システム２３による保険料基礎情報３５の利用について］
　保険システム２３では保険料基礎情報に基づき保険料等を算定することができる。詳細は応用例２で説明する。
［診療評価ＡＩ１２におけるガイドライン更新情報の利用について］
　診療評価ＡＩ１２では、ガイドライン更新情報に基づきガイドラインデータベース２４の更新ないしその更新のための検討を行うことができる。ガイドライン更新情報は最新の臨床結果に基づくベストプラクティスを分析することにより得られものであり、ガイドライン更新のために利用することができる。
［作用効果について］
　これまでは実際の診療、例えば医師ないし歯科医の手技を評価するために、実際の治療の術前及び術後を対比して分析するシステムは存在しなかった。また、単に診療を評価するだけではなく、この評価情報を経済的インセンティブ（保険料金や診療報酬等）に反映されることができる。これにより、コンビニエンスストアーの数よりも多いと言われる医師・歯科医師の適正数化、及び、適正価格を是正することにも繋がる。本応用例の医療評価システムは、評価情報をエビデンスに基づき算出することで、医療市場における医師・歯科医師の質を担保しつつ、患者本位の医療の実現に寄与する。
［医療評価の効果］
　医師・歯科医師は、標準治療として推奨されるべき処置法を行うことが義務付けられているが、その処誼の品質が医師・歯科医師によって異なる場合がある。例えば、卓越した手技によって最短時間で標準治療で規定された処置をする医師・歯科医師の診療報酬が、時間当たりの診療報酬として適切な単価か否かを、ニューラルネットワークによる出力によって判断することができる。
　また、医学的手技のみならず、コメデイカル、例えば歯科においては、歯科衛生士や歯科助手、医科であれば看護師や理学療法の配匿や動きが適切であるか、あるいは、機材の配置やメンテナンス等が適切かについても、訓練されたニューラルネットワークにより評価する。これにより、ＡＩを用いて、エビデンスに基づいて医師を評価すると共に、さらに、その医師が診察する環境、その診療所の経営効率等も評価することができ、コンサル機能や教育改善効果をもたらす。また、本システムを利用する医師・歯科医師については、他の優れた事例等を匿名あるいは実名にて参照することができる。これにより、医局や系列に縛られないオープンシステムを提供し、技術の鍛錬を安価にもたらすことができる。
　本システムに登録した患者は、優れた医師・歯科医師をこのオープンシステムから、それぞれの医師・歯科医師が受け持った治療実績を参酌して、医師・歯科医師を選択することができる。いわゆるロコミ情報はウエッブサイトで容易に入手可能であるが、エビデンスが十分でない等の問題があった。ここで、本システムで提供される、エビデンスやこのエビデンスに基づく評価により、医療過誤や医療事故、更には医原病が起こりにくい医師・歯科医師や診療所、難しい症例の成功確率等を把握することができる。
　医師・歯科医師が受け持った治療実績に応じて、医療保険加入者のそれぞれに、推奨する医師・歯科医師のリスト化に適用することができる。これにより、医師・歯科医師毎に支払保険料の設定も可能になり、医師・歯科医師の賠償保険料も算出でき、公的医療保険や民間医療保険の保険料最適化に貢献できる。これは、医師の倫理に反するような医療過誤や医療事故、更には医原病の発生や保険料の高騰を防ぐことにつながり、外部不経済を抑制することができる。各学会の専門医や認定医の手技がどの程度優れているかを客観的に評価することにもつながる。
　本応用例では、窩洞形成等の支台歯形成を伴う、う蝕歯の補綴治療を例に挙げて説明したが、本応用例はこれに限定されるものではない。支台歯形成は、多数の医療行為の１つとして例示したものであり、本応用例の医療評価システムは他の医療行為に対しても同様に適用可能である。例えば、口腔がんの診断にも適用可能である。口内炎と前がん病変との見極めは重要な診断であり、この診断の過程を動画として電子カルテに記憶すると共に、適切な評価情報と共にデータベースに保存・活用することは有用である。さらに、歯科以外の医科に対しても本応用例の医療評価システムは適応可能である。
［応用例２］
　応用例２に係る医療評価システムついて図１２を参照して説明する。本応用例の医療評価システムは、患者と医師との組み合わせた情報により、医師の評価を行うものである。本応用例の医療評価システムによれば、秘密鍵情報を患者が管理することにより、患者の意志により匿名加工情報を提供することが可能となる。
　図１３は、ブロックチェーンデータベースの説明図であり、図１３Ａは患者とこの患者を治療した医師とが一体となってＩＤが付されたデータ構造の説明図であり、図１３Ｂはブロックチェーンを用いたデータベースの説明図である。電子カルテ演算部は、診療情報に、患者とこの患者を治療した医師とが一体となってＩＤを付与し、さらに術前情報と術後情報等が一体となって、データ１、２、．．．、ｍとして評価情報メモリ１１Ｃ等に保存する。診療評価システムでは、患者とこの患者を治療した医師とが一体となったＩＤが付された診療情報が用いられ、これらの診療情報をもとに診療内容の分析・評価・記憶が行われる。
データ１：患者１十医師Ａ−Σ（術前情報）ｋ＋Σ（術後情報）ｋ，ｋ＝１~ｎ
データ２：患者２十医師Ａ−Σ（術前情報）ｋ＋Σ（術後情報）ｋ，ｋ＝１~ｎ
データｍ：．．．
　患者とこの患者を治療した医師との組み合わせであるデータ１~データｍ（診療情報）をブロックとし、各部ブロックが順序付けられたレコードとして追加されていくように、ブロックチェーンが構成される。図１２の例では、下方のブロックから上方に向かって複数のブロックがチェーン状に付加されていき、複数のブロックからなる情報が記憶される。例えば、「患者１と医師Ａ」のブロックに対し、「患者１と医師Ｂ」のブロックが付加され、さらに、「患者１と医師Ｃ」のブロックが付加されるというように、ブロックが順次付加される。
　医師Ａが受け持った患者１、患者２、患者３等の患者の数だけ、ＩＤが１人目、２人目、３人目と付与される。医師Ａに関する情報として、専門医、認定医、それ以外の医師などの種別も付与される。他の医師Ｂ、医師Ｃについても、同様に治療した患者の数だけ、患者１、患者２、患者３等とデータが保存される。
　各データがブロックとして、順序付けられて記憶されているため、例えば患者１が医師Ｃによる特定の治療を受ける前に、医師Ａによる別の治療を受けていたこと等、その特定の治療及び別の治療についての術前情報、術後情報等と共に、患者１がアクセス権を設定できる状態で治療履歴が保存される。
　各データは公開鍵データと秘密鍵データとによって暗号化されている。本応用例では患者が秘密鍵データを管理しており、患者が他者に対してデータのアクセス権を設定できるようになっている。
　従来のデータベースでは匿名情報加工業者が患者情報、医師情報等を匿名化してデータを提供していたが、本応用例の医療評価システムでは、患者１が自分の診療情報へのアクセス権を設定できる。例えば患者１は自分の意思でブロックチェーンの秘密鍵データを医師Ｂに提供し、自分の診療履歴にアクセスすることを許可することができる。また、患者１は医師Ｂにアクセス権を付与し、自己の既往歴や治療歴を公開し、医師Ｂとの将来の診療や健康維持管理に活用することができる。
　ブロックチェーンの管理サーバでは、データへのアクセス権の管理、有料でデータにアクセスする場合の課金管理等を行う。
　患者とこの患者を治療した医師との組み合わせのデータをブロックとするブロックチェーンにより治療履歴情報をデータベース化することにより、患者にも医師にも、また、これらのデータを利用者にもさまざまな利点がある。
　患者にとっては、患者が自分の治療データへのアクセス権を有することにより、自分の診療履歴へ容易にアクセスすることができると共に、自分の診療履歴情報を他者に開示するかどうかの権限が得られる。自分の診療履歴へのアクセスにより、過去の治療履歴を考慮した上で、次の治療を受けることが可能となると共に、過去の治療に関する医師、術前情報、術後情報などの内容を、現在の症状との相関を明らかにすることができる。患者と医師とが対応づけられることによって、術前、術後のトレースが可能となる。術中の手技が予後にどのように影響したのかを示す情報が記録され、ＡＩによって医師の評価に関する分析対象とされる。
　医師にとっても担当する患者から過去の診療履歴情報の開示へのアクセスを許可されれば、過去の治療における術前情報や術後情報を今の治療及び今後の治療に生かすことができる。例えば、医師Ｃが患者１と医師Ａの症例を閲覧したい場合は、本応用例の医療評価システムにおいては、患者１からの許可に基づき、有償によりかかる症例の医師Ｃによる閲覧を可能とする。また、例えば医師Ａが患者１の症例が難症例で、医師Ｄやその他医師に問いかけたい場合にも、同様に、この症例に係る患者からの自己のデータにたいするアクセス許可に基づき、有償によりかかる症例の医師Ａによる閲覧を可能とすることができる。
　診療評価ＡＩにおいては、過去の診療履歴をもとに医師による適切に治療方針・資料内容の決定を支援すると共に、治療経過に対する注意情報・警告情報の報知を行うことができる。また、治療履歴も考慮した診療内容及び診療結果の評価を行うことができる。診療評価ＡＩ訓練システムにおいても、患者とこの患者を治療した医師との組み合わせであるデータ１~データｍを教師データとして使用することにより、適切に診療評価ＡＩ１２を訓練することができる。なお、診療評価ＡＩは教師あり学習により訓練されるが、教師データとしては、患者情報、医師情報、術前情報及び術後情報等を含む各データの診療内容・診療結果に対する訓練用の評価情報を含まれている。この訓練用の評価情報は、診療評価ＡＩの出力、評価情報分析ＡＩの出力、又は、専門医など経験豊富な医師による評価のいずれか少なくとも１つとすることができる。
　例えば、データ１~データｍには、評価情報分析ＡＩにより各種エビデンスに基づいた客観的な評価情報が付与される。これは、各データの診療内容に対する客観的な評価とすることができる。評価情報分析ＡＩ２１は、このように患者とこの患者を治療した医師とを一体として付与されたＩＤを有する術前情報と術後情報を分析することにより、術前、術後のトレースできる情報を用いて、医師の評価情報を演算することが可能となる。医師による術中の手技が予後にどのように影響したのかをより的確に分析することが可能となる。したがって、客観的な評価情報が付与された各データは後述の応用例３における医師損害賠債保険の料金算定、民間医療保険、診療報酬等の公的医療保険制度、専門医制度等に利用することができる。
　また、患者情報は匿名加工情報として扱えるので、本サービスを通じて新たな患者が医師を選ぶとき情報として流通することも可能である。ある患者が現在の自分の症状にあった医師ないしクリニックを選択する際に、本診療評価システムのデータベースは大変有用であるため、例えば会員に対して有償で提供するようにしてもよい。また、医師が過去の症例を参考にして治療計画を策定し、また、治療を進めるための参照情報として用いることもできる。
　さらに、診療評価ＡＩは治療計画の策定を支援すると共に、治療中の医師に対する適切な治療のための情報提示や注意情報の報知を行うことができるので、本応用例の医療評価システムは例えば研修医による診療技術の習熟や、専門医のための診療技術向上支援のためにも有用である。なお、医科の専門医と認定医は、内科、脳神経外科、整形外科、眼科等約３０と多岐にわたる。歯科の専門医と認定医は、歯科保存科、歯科口腔外科、歯科麻酔科、小児歯科等が挙げられる。
　医療サービスの提供とその質を見極めるのに、医師と患者の双方の情報が不可欠であり、本応用例の医療評価システムによれば、ある患者に対して治療行為を提供した医師とが一体となった情報に対して、ＩＤが付与され、治療前情報と治療後の情報等を含む治療行為に関わる収集された全ての情報が、一評価情報分析ＡＩによって、各々の患者に対する当該医師の一連の治療行為を評価することができる。
　各種エビデンスに基づいた客観的な評価情報が付与されたデータに基づくブロックチェーンによるデータベースからより治療実績の良い医師を検索、参照することを可能にし、患者は適切な医療サービスを選択でき、医療過誤や医療事故、更には医原病を回避すること、及び、治療後によりよいＱＯＬを得ることの実現に寄与することができる。
　本応用例のブロックチェーンデータベースから提供される匿名加工情報を調査機関に提供することによって、調査機関では、患者に対する医師・歯科医師による治療の履歴や患者の症状の経過等を含めて評価情報を利用した分析が可能となる。本応用例においては、患者が暗号鍵情報を管理するため、患者自身が自分の診療履歴を含む電子カルテ情報をどこまで開示するのかを決めることができる。例えば、患者の情報は、その所有者である。患者が自らの意思で、公開したい情報を取捨選択して、第３者に提供することも可能である。
　本応用例において評価情報含む診療情報ブロックチェーンデータベースにより管理することの作用・効果をまとめると、次の５つの観点となる。
（１）診療情報を情報ネットワーク上で管理
（２）常時アクセス可能
（３）暗号化
（４）所有権の明確化
（５）アクセス履歴の記録が可能
　上記（１）評価情報を含む診療情報を情報ネットワーク上で管理する効果は、患者情報、術前情報、術後情報及び評価情報等を含めてネットワーク上に管理することで、遠隔からのアクセスが可能なことである。従前、診療情報はネットワークとは独立のアイソレーションされたデータベースで管理されているため、遠隔からのアクセスは不可能であった。
　上記（２）常時アクセス可能なことの効果は、患者によるアクセス権の付与がいつでもできるようになっていることによるものである。
　上記（３）暗号化について、患者によりアクセス権が付与されていなければ、その患者の診療情報には誰もアクセスできず、診療情報が患者の許可なく公開されることはない。すなわち、暗号鍵情報を保存していない第３者は、診療情報にアクセスできないため、患者にとって安心なデータベースであるという効果がある。
　上記（４）所有権の明確化については、患者のみに暗号鍵情報を付与しているため、診療情報がネットワーク上にどこに存在していても、診療情報の所有権が明確であるという効果がある。診療情報がネットワーク上のどこに記憶されていたとしても、患者によりアクセス権が付与されない限り、医師を含む第３者はその診療情報にアクセスできない。
　上記（５）アクセス履歴の記録が可能であるため、誰が診療情報にアクセスしたかとうい履歴が追跡可能である。これにより、診療情報への不正アクセスを追跡でき、また、暗号キーを変更した時期まで記録されているため、誰がいつ不正アクセスしたのか追跡でいるため、ネットワーク上のセキュリティーが向上する。
　本応用例の変形例を図１４及び図１５を参照して説明する。図１４は診療情報の説明図である。図１５は、診療情報をブロックチェーンデータベースで管理する概念図である。診療情報は患者ＩＤ、医師ＩＤ、各種症例データ（術前、術後）、医師手技判定データ、予後データ、医師評価データ等からなる。図１５は、診療情報がブロックチェーンデータベースで管理される様子を概念的に示している。患者ａ０００００１を医師ａ００００００１が治療した履歴が、その患者の予後１の状況である患者ａ０００００１’と関連して記憶される。同様に、その後患者ａ０００００１’に対して、医師Ａ００００００１が治療したという履歴が、予後２の状況である患者ａ０００００１’’と関連して記憶される。
　本変形例において、医師・歯科医師による診療時には、患者の予後の状態は分かっていない。本変形例の医療評価システムでは、治療後に所定期間が経過した後、患者の予後の経過が分かった時点で、過去に行われた医師・歯科医師による診療内容が検討され、その診療内容が客観的に評価される。予後の経過が良好であった場合には、患者の予後が良好なのか、過去に医師・歯科医師が行った手技が検討される。また、予後の経過が悪い場合にも、過去の診療内容を踏まえた検討が可能となる。
　また、患者の予後の経過を含む診療情報は、診療評価ＡＩを訓練するための教師データとして使用される。教師データで実際の患者の予後の経過を含めることによって、診療評価ＡＩを実際の症例とその予後の結果に則して、より適切に訓練することができる。
　本応用例の医療評価システムでは、予後の経過が良好な症例を参考にしたいという医師・歯科医師に対して、患者からアクセス権が付与された場合には、診療情報が提供される。医師・歯科医師は、治療前のカンファレンス時に、予後の良好な症例を参酌して、診療方針を決定することができる。従前は論文でしか紹介されていないような症例についても、ブロックチェーンデータベースで管理されているため、所望の診療情報でのアクセスが容易となる。論文上では医師・歯科医師による手技の良否までは十分に考慮されていない場合があるが、本応用例の医療評価システムによれば、診療評価ＡＩにより客観的に判断された評価情報が診療情報に付加され、ブロックチェーンデータベース上で患者からのアクセス権が付与されたことを条件に、第３者に診療情報を提供することができる。これにより提供された診療情報は、症例研究のための資料や、患者が医師・歯科医師を選択する際の参考情報として有用である。さらには、これらの評価情報を含む診療所法は、後述のとおり公的医療保険制度を含む医療保険、損害賠償保険、その他金融派生商品等にも利用可能である。
［応用例３］
　応用例３に係る保険システム等へ適用した医療評価システムついて説明する。本応用例では、応用例１において述べた３つの評価指数を保険料の算定等に利用する。以下、医師損害賠償保険の料金算定への適用例、民間医療保険への適用例、診療報酬への適用例、その他の適用例について以下説明する。
（実施例１）医師損害賠債保険（Ｍｅｄｉｃａｌ　ｌｉａｂｉｌｉｔｙ　ｉｎｓｕｒａｎｃｅ）の料金算定への適用
　評価情報分析システム２１から出力される保険料基礎情報には、医師損害賠償保険料金算定基礎情報が含まれる。医師損害賠償保険料金算定基礎情報は、ベストプラクティスに近い診療を行う医師ほど、医師損害賠償保険の保険料が低くなるような評価指数Ｓｌｉａを含んでいる。
　医師損害賠償保険料金算定指数Ｓｌｉａを算定する計算式は、特に限定されるものでは無いが例えば次のようなものを用いることができる。応用例１において述べた３つの評価指数を、標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３としたとき、例えば医師損害賠償保険料Ｆｌｉａは、
Ｆｌｉａ＝ｆｌ（Ｓｌ．Ｓ２，Ｓ３），Ｆｌｉａ＿ｍｉｎ≦Ｆｌｉａ≦Ｆｌｉａ＿ｍａｘ
として求められる。ここでＦｍｉｎは最低保険料、Ｆｍａｘは最大保険料である。関ｆＩ（ＳＩ，Ｓ２，Ｓ３）は、ＳＩ，Ｓ２，Ｓ３を変数とする関数であり、必ずしも連続関数に限定されるものでは無く、不連続関数であってもよい。
　また、上記計算式の別の例として、次のように標準化された評価値を用いることもできる。応用例１において述べた３つの評価指数を、標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３としたとき、例えば、標準化された評価値Ｓｌｉａを、
　Ｓｌｉａ＝Ｓ１・ａ１＋Ｓ２・ａ２＋Ｓ３・ａ３＋ａ０
として求める。ここで、０≦ａ１≦１、０≦ａ２≦１、０≦ａ３≦１であり、Ｓｌｉａが平均０，分散１で標準化されているとすると、例えば医師損害賠償保険料Ｆｌｉａは、
　Ｆｌｉａ＝ｆ（Ｓｌｉａ），Ｆｌｉａ＿ｍｉｎ≦Ｆｌｉａ≦Ｆｌｉａ＿ｍａｘ
として求められる。ここで、Ｆｍｉｎは最低保険料、Ｆｍａｘは最大保険料である。関数ｆ（Ｓｌｉａ）は、ＳＩｉａを変数とする関数であり、必ずしも連続関数に限定されるものでは無く、不連続関数であってもよい。
　上記関数ｆｌ（ＳＩ．Ｓ２．Ｓ３）や関数ｆ（ＳＩｉａ）の関数の設定方法としては、次の（１）~（４）などが挙げられる。
（１）保険料Ｆｌｉａをリスク値に応じて変動させる。保険料のリスク値のパラメータとして、標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３、標準化された評価値ｓｌｉａが用いられる。例えば、リスク値を段階的に変化する閾値を有する保険等級として与えることができ、リスク値が高いほど、保険料Ｆｌｉａは嵩くなるような関数が得られる。保険料Ｆｌｉａの上限Ｆｌｉａ＿ｍａｘと下限Ｆｌｉａ＿ｍｉｎを考慮し、リスク等級として与えられるリスク値の閾値は、保険事業運営上の適正籠囲に応じて設定されている。
　（２）上記（１）のリスク値ないしリスク等級に応じて保険料Ｆｌｉａが算出される。この計算では、保険事業に係るキャッシュフロー、準備金、保険契約の状態（保留、失効あるいは継続中等、保険年度、保険期間、保険タイプ、特約、免責事項）、各保険年度におけるリスク値等を考慮することができる。また、保険料Ｆｌｉａを基本保険料と加算保険料とに分離し、加算保険料の部分をリスク等級に応じて計算するようにしてもよい。また、リスク値ないしリスク等級は単一でなく、複数種類のリスク値ないしリスク等級を設定し、複数種類のリスク値ないしリスク等級に基づいて保険料Ｆｌｉａを算出するようにしてもよい。
　（３）上記（２）では、リスク値ないしリスク等級に応じて加算保険料を計算する例を説明したが、リスク値ないしリスク等級に応じて、基本保険料からの割引保険料を計算するようにして、保険料Ｆｌｉａを算出してもよい。なお、リスク値ないしリスク等級の演算には、上記（１）及び（２）と同様に、例えば標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３、標準化された評価値Ｓｌｉａを用いることができる。
　（４）評価情報分析ＡＩにおいて医療評価情報を含んだ診療情報等を多変量解析的に分析することにより、保険料Ｆｌｉａに影響するリスク指標が抽出される。抽出されたリスク指標と保険料Ｆｌｉａとの相関が計算され、計算された相関とリスク情報の値とに基づいて保険料Ｆｌｉａが計算される。リスク指標としては、例えば標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３、標準化された評価値Ｓｌｉａ、診療情報に含まれる医療評価情報等の各種情報を用いることができる。また、リスク指標の抽出にあたり、標準治療評価指数Ｓｌ、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３をさらに細分化した指標を用いることも可能である。診療評価ＡＩはより細分化された指標を出力することが可能であり、また、指標を抽出するために用いられた各種エビデンスも保険料Ｆｌｉａの算出に利用可能である。
　このようにして算定された医師損害賠償保険料Ｆｌｉａは、ベストプラクティスに近い診療を提供する医師には最低保険料Ｆｍｉｎに近い保険料が適用されるようになる。
（実施例２）民間医療保険への応用
　所定の保険料を支払った被保険者に対して、ベストプラクティスに近い診療を行う医師の診療にだけ治療費を支払う保険制度を設定することができる。この保険制度では、標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３が所定の基準を満たしている医師だけを対象として、治療費を保険金で賄うようにする。被保険者に対しては、ベストプラクティスに近い診療を受けられることが保証されると共に、その治療費も保険料から支給されるという利点があると共に、ベストプラクティスに近い医療を提供する医師には被保険者が集まることにより、被保険者及び医師の相応にとって利点がある。さらに、医療制度全体にとっても、ベストプラクティスに近い医療が提供されることにより、不要な治療費が削減できることにより、医療の全体最適化を促すことに繋がる。
　実施例２の変形例について、仮想通過ＩＯＴＡを用いる例を説明する。例えば、実施例２の保険対象となる歯科医の診療を受け、被保険者の診療に１０万円の費用が発生したとする。保険支払いの要件に定期的な検診を義務付けている保険制度の場合には、前述の被保険者が所定の定期的な検診を受けていた場合には、保険会社からは、その保険者に対しては定期的な検診代例えば２万円に加え、治療費の１０万円分の合計１２万円分のＩＯＴＡが付与される。非保険者は付与されたＩＯＴＡによって、診療ないし診察の対価としての費用を医師に支払うことができる。ブロックチェーンデータベースの例としは、本実施例のように支払を兼ねる場合には、例えばＩＯＴＡを採用することができるが、ＩＯＴＡ以外のブロックチェーンを用いることが可能である。
　歯科の市場において本応用例の医療評価システムを採用した場合の効果について説明する。約３兆円の歯科市場、約２５兆円の医科市場がある。そのうち、歯科では禁忌処匿が約１０％、ラバーダム未使用など非標準治療は３０％程度あるのではと推定されている。歯科では、ラバーダム未使用などに起因する治療中に再感染により、歯科治療によるう蝕の再発誘導も発生していることが予想されている。約３兆円のうち、９０００憶円が再治療によって市場が形成されている試算されている。本応用例の医療評価システムによれば、医師・歯科医師の手技の質を、室内カメラなども含む複数のセンサにより、診療行為全体、窩洞形成（光学３Ｄスキャナ）、口腔粘膜への侵襲（口腔スキャナ）を治療前と治療後で評価し、診療評価ＡＩが治療警報情報を医師へ治療中に報知したり、診療評価ＡＩが診療内容・診療結果について評価したり、あるいは、評価情報分析ＡＩが各診療情報に対してエビデンスに基づく客観的な評価情報を付加する。評価情報が付加された診療情報は、医療過誤や医療事故、更には医原病を阻止する環境を醸成する政策支援にも役立つ。本応用例の医療評価システムを民間医療保険に適用すれば、評価の高い医師・歯科医師による治療を提供するための保険制度実施する上で、エビデンスに基づく客観的な評価が付与された治療データは有用である。
　例えば、口腔がん（歯肉がん）が歯肉炎と誤診されたようなケースにおいて、本応用例の診療評価システムを用いた場合には、患者情報、医師情報、術前情報、術後情報及びエビデンスに基づいた客観的な評価情報を含む診療情報がデータベースに保管されているため、医師に対して診療の経緯や今後の適切な治療計画や治療内容について情報提供することが可能である。
　本実施例では、民間医療保険への応用について説明したが、本応用例の医療評価システムの適用対象は民間医療保だけに特定されるものではなく、他の保険商品や金藷派生商品にも適用することができる。本実施例では、ベストプラクティスに近い診療を行う医師の診療にだけ治療費を支払う保険制度を設定することを説明したが、このような仕組みを金融派生商品に適用することが可能である。例えば、本応用例の医療評価システムは、ベストプラクティスに近い診療を行う医師の診療を受けられる権利を証券化した金融派生商品等にも適用可能である。
（実施例３）診療報酬への反映
　図１６（保存修復クリニカルガイド第２版）には、治療後の歯の生存率について専門医と、その他の歯科医師とによる比較結果を示す。図１６より専門医による治療の方が、歯の生存率が高い傾向があることが分かる。専門医と同等のスキルを有する医師を判別し、その治療に係る診療報酬を高めることにより、公的医療保険制度の全体最適化を図ることができる。
　具体的には、専門医の手技の質を基準とし、標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３（評価項目は、もっとあるぺき約１００項目ある）が所定の基準を満たしている医師に対する診療に対して、診療報酬の保険点数を加算するように診療報酬制度を設定する。専門医の資格を取得は必ずしも実際の臨床の内容ないし症例に依存するものでは無く、また、専門医でなくとも十分なスキルを備える医師も存在する。そのため、本実施例の標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数ｓ３に基づいて、所定のスキルを備えた医師を識別して、診療報酬の保険点数を加点することにより、専門医ないし専門医同等のスキル獲得に対するインセンティブを与え、かつ、公的医療保険制度の全体最適化を図ることができる。専門医・認定医制度が、専門医・認定医になるために、多くの症例数を満たし、論文を書いていることを求めている。本システムでは、医師・歯科医師の真の技量を客蜆的に評価し、症例数や論文数だけによらない専門医・認定医制度を実現することができる。手技の質が高い医師・歯科医師は、医療過誤や医療事故、更には医原病医療過誤や医療事故、更には医原病をもたらす確率は低く、患者の予後も良好となるため、その経済効果は大きい。他方、医師・歯科医師の手技の質が低いと仮定した場合には、医療過誤や医療事故、更には医原病医療過誤や医療事故、更には医原病の発生リスクがあり、環境問題同様に、外部不経済である。他の医師・歯科医師が、さらに医療過誤や医療事故、更には医原病を治療することで、経済損失が多いし、患者の真の使用コストではなく、公的医療保険への負担と受益者負担が非常に大きい原因となる。本応用例の医療評価システムによれば、診療内容を客観的かつ定量的に評価することができ、また、手技の質が高い医師・歯科医師を見出すこともできるため、公的医療保険への負担の低減、受益者負担の低減に寄与することができる。医療過誤や医療事故、更には医原病医療過誤や医療事故、更には医原病医療過誤や医療事故、更には医原病の発生を防ぐことができる。
（実施例４）その他
　専門医制度の専門医認定要件にベストプラクティスに対する到達度の指標を設けることができる。実施例３で述べた所定のスキルを備えた医師を識別し、その医師に対して専門医の資格を与えることができれば、専門医制度の最適化を図ることができる。具体的には、本応用例の標準治療評価指数Ｓ１、術後画像評価指数Ｓ２、治療時間評価指数Ｓ３に基づいて、専門医に求められるスキルに相当する所定のスキルを備えた医師を判別し、所定のスキルを有すると判別された医師に対して専門医の資格を付与することができる。
　本実施例では実際に患者の診療を行う際のシステムの利用について説明したが、本応用例は臨床だけでなく、歯科模型を用いた実習にも適用することが可能である。例えば、実習者情報と歯科模型毎の識別情報とに関連付けて取得された実習履歴情報により、各自主者の実習内容を検証・評価することが可能である。
　また、匿名加工情報を扱う他のシステムトとの連携により、診療評価ＡＩ１２及び評価情報分析ＡＩ２に匿名加工情報からなるビッグデータの活用が可能となる。医師の評価情報を本システムの会員、本システムが提供する医療保険の被保険者等にも提供することが可能となる。
　本応用例の医療評価システムによれば、医師と患者の情報をセットにしてブロックチェーン上で管理できることにより、また、そのデータへのアクセス権を患者側が管理することにより、ガイドラインに基づいて適切な治療を行う医師ないし歯科医師が評価される環境を造成することができる。例えば入れ歯の保険再製作は６か月以内は不可である等の６か月規制が存在する。本応用例の医療評価システムを用いれば、例えば、会社が被保険者（患者）の保険料が適当かどうか（６か月規制に従っているかどうか、ガイドラインに従って適正な治療であるかどうか等）を、監査機関が適切に監査することができる。また、これにより、病院（医師ないし歯科医師）に、適正な公費及び非保険者の負担分が支払われるようになり、保険制度全体（監査機関、会社、被保険者、病院の全て）の健全化が図られる。
　以上、本発明のいくつかの応用例について説明したが、これらの応用例は本発明の技術思想を具体化するための医療評価システム、医療評価方法及び医療評価プログラムを例示するものであって、本発明をこれらに特定するものではなく、その他の応用例のものにも等しく逝用し得るものであり、また、これらの応用例の一部を省略、追加、変更することや、各応用例の態様を組み合わせることが可能である。また、応用例の中で歯科治療を中心に説明したが、本発明は歯科に特定されるものでは無く、医科及び歯科を含むあらゆる医療評価に適用可能である。
　（付記事項）
　本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。上述した実施形態に含まれる個々の技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
〔図１~図７に関して〕
　Ｓ　　　　　　　　　評価システム
　１　　　　　　　　　情報処理装置（評価用）
　２　　　　　　　　　情報処理装置（機械学習用）
　ＬＭ１，ＬＭ２　　　学習済モデル
　Ｉ１，Ｉ２　　　　　撮像画像
　ＰＩ　　　　　　　　推定画像
〔図８~図１６に関して〕
１０　　　　　　　　　医療評価システム
１１　　　　　　　　　電子カルテ装置
１１ａ　　　　　　　　電子カルテ演算部
１１ｂ　　　　　　　　電子カルテデータベース
１１Ｃ　　　　　　　　評価情報メモリ
１１ｄ　　　　　　　　会計演算部
１２　　　　　　　　　診療評価ＡＩ
１３　　　　　　　　　入出力装置
１４　　　　　　　　　診察室画像取得装置
１５　　　　　　　　　診療部位画像取得装置
１６　　　　　　　　　問診情報入力装置
１７　　　　　　　　　診療装置センサ
１８　　　　　　　　　診療評価ＡＩ訓練システム
１９　　　　　　　　　タイマ
２０　　　　　　　　　ブロックチェーンデータベース
２１　　　　　　　　　評価情報ＡＩ
２２　　　　　　　　　利用者システム
２２ａ　　　　　　　　利用者ＣＰＵ
２２ｂ　　　　　　　　支払処理部
２２Ｃ　　　　　　　　評価情報メモリ
２３　　　　　　　　　保険システム
２３ａ　　　　　　　　医師損害賠償保険料金演算部
２３ｂ　　　　　　　　保険対象医師認定部
２３ｃ　　　　　　　　経理処理部
２４　　　　　　　　　ガイドラインデータベース
２５　　　　　　　　　政府システム
２５ａ　　　　　　　　専門医認定部
２５ｂ　　　　　　　　保険点数演算部
３０　　　　　　　　　ＡＩシステム

Claims (12)

  1. 　少なくとも１つのプロセッサを備え、
    　対象組織、又は、対象組織周辺の支持組織を対象組織として、前記プロセッサは、術式適用前の対象組織を表す撮像画像を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す推定画像を含む出力情報を導出する導出処理を、機械学習により構築された学習済モデルを用いて実行する、
    ことを特徴とする情報処理装置。
  2. 　前記術式は、生体における、上皮組織、支持組織、筋組織、神経組織のうち少なくとも一つあるいはその複数から構成される臓器や器官に対する外科的侵襲から、その後の外科的侵襲部位の補綴や縫合などといった修復行為と、それらから治癒に至るまでの過程に及ぶ行為、を特徴とする請求項１に記載の情報処理装置。
  3. 　前記出力情報には、治療方針を示す付加情報が含まれている、
    ことを特徴とする請求項１又は２に記載の情報処理装置。
  4. 　前記入力情報には、問診結果又は検査結果を表す付加情報が含まれている、
    ことを特徴とする請求項１~３の何れか一項に記載の情報処理装置。
  5. 　前記プロセッサは、問診結果又は検査結果に対応した学習済モデルを、前記学習済モデルとして用いる、
    ことを特徴とする請求項１~３の何れか一項に記載の情報処理装置。
  6. 　前記プロセッサは、評価対象者による術式施行中の各過程と術式適用後の前記対象組織を表す撮像画像と前記推定画像とを含む入力情報から、前記評価対象者による術式の巧拙を表す評価値を含む出力情報を導出する評価処理を、機械学習により構築された学習済モデルを用いて実行する、
    ことを特徴とする請求項１~５の何れか一項に記載の情報処理装置。
  7. 　少なくとも１つのプロセッサを備え、
    　対象組織、又は、対象組織周辺の支持組織を対象組織として、前記プロセッサは、術式適用前の対象組織を表す撮像画像を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す推定画像を含む出力情報を導出する学習済モデルを、術式適用前の対象組織を表す撮像画像を含む入力情報と評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す撮像画像を含む出力情報との組み合わせを教師データとする機械学習により構築する構築処理を実行する、
    ことを特徴とする情報処理装置。
  8. 　機械学習により構築された学習済モデルであって、対象組織、又は、対象組織周辺の支持組織を対象組織として、術式適用前の対象組織を表す撮像画像を含む入力情報から、評価基準となる術式施行中の各過程と術式適用後の前記対象組織を表す推定画像を含む出力情報を導出する導出処理を少なくとも１つのプロセッサに実行させるための学習済モデル。
  9. 　少なくとも１つのプロセッサを備え、
    　前記プロセッサは、補綴前の対象組織を表す撮像画像を含む入力情報から、評価基準となる補綴後の前記対象組織を表す推定画像を含む出力情報を導出する導出処理を、機械学習により構築された学習済モデルを用いて実行する、
    ことを特徴とする情報処理装置。
  10. 　前記プロセッサは、評価対象者による補綴後の前記対象組織を表す撮像画像と前記推定画像とを含む入力情報から、前記評価対象者による補綴の巧拙を表す評価値を含む出力情報を導出する評価処理を、機械学習により構築された学習済モデルを用いて実行する、
    ことを特徴とする請求項９に記載の情報処理装置。
  11. 　少なくとも１つのプロセッサを備え、
    　前記プロセッサは、補綴前の対象組織を表す撮像画像を含む入力情報から、評価基準となる補綴後の前記対象組織を表す推定画像を含む出力情報を導出する学習済モデルを、補綴前の対象組織を表す撮像画像を含む入力情報と評価基準となる補綴後の前記対象組織を表す撮像画像を含む出力情報との組み合わせを教師データとする機械学習により構築する構築処理を実行する、
    ことを特徴とする情報処理装置。
  12. 　機械学習により構築された学習済モデルであって、補綴前の対象組織を表す撮像画像を含む入力情報から、評価基準となる補綴後の前記対象組織を表す推定画像を含む出力情報を導出する導出処理を少なくとも１つのプロセッサに実行させるための学習済モデル。
PCT/IB2021/022204 2020-06-30 2021-06-30 情報処理装置及び学習済モデル WO2022003428A2 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2020-113658 2020-06-30
JP2020113658 2020-06-30
JP2020117427A JP7150238B2 (ja) 2020-03-29 2020-07-07 医療評価システム、医療評価方法及び医療評価プログラム
JP2020-117427 2020-07-07

Publications (2)

Publication Number Publication Date
WO2022003428A2 true WO2022003428A2 (ja) 2022-01-06
WO2022003428A3 WO2022003428A3 (ja) 2022-02-24

Family

ID=79315616

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2021/022204 WO2022003428A2 (ja) 2020-06-30 2021-06-30 情報処理装置及び学習済モデル

Country Status (1)

Country Link
WO (1) WO2022003428A2 (ja)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3852023A4 (en) * 2018-09-13 2022-06-08 Kyoto University MACHINE LEARNING DEVICE, INFERENCE DEVICE, LEARNED PROGRAM AND MODEL

Also Published As

Publication number Publication date
WO2022003428A3 (ja) 2022-02-24

Similar Documents

Publication Publication Date Title
JP2022013898A (ja) 情報処理装置及び学習済モデル
Lambrechts et al. Quantitative in vivo wear of human enamel
Stefanac et al. Diagnosis and Treatment Planning in Dentistry: Diagnosis and Treatment Planning in Dentistry-E-Book
Ozdemir et al. Dental malpractice cases in Turkey during 1991–2000
JP7150238B2 (ja) 医療評価システム、医療評価方法及び医療評価プログラム
Zhou et al. New technique for detecting cracked teeth and evaluating the crack depth by contrast-enhanced cone beam computed tomography: an in vitro study
Albayrak et al. Artificial intelligence technologies in dentistry
Kay Dentistry at a Glance
El‐Karim et al. The importance of establishing a core outcome set for endodontic clinical trials and outcomes studies
Alharkan Integrating digital smile design into restorative Dentistry: A narrative review of the applications and benefits
Elgreatly et al. Management of initial carious lesions: Iowa survey
WO2021198792A1 (ja) 医療評価システム、医療評価方法及び医療評価プログラム
WO2022003428A2 (ja) 情報処理装置及び学習済モデル
Benn Applying evidence-based dentistry to caries management in dental practice: a computerized approach
Ko et al. Dental panoramic radiography in age estimation for dental care using Dark-Net 19
Rees Medicolegal implications of dental implant therapy
Patel et al. Clinical productivity and Medicare payments among female and male oral and maxillofacial surgeons
KR102286515B1 (ko) 수술계획 정보를 이용한 치과 임플란트 수술 비용 산출 장치
Umar Clinical decision-making using computers: opportunities and limitations
Sykes et al. Are you responsible and accountable for your actions?
Xue et al. Clinical application of mixed reality holographic imaging technology in scaling and root planing of severe periodontitis: a proof of concept
Sayed Clinical decision support system for tooth retention or extraction
WO2021040331A2 (ko) 정량적 수술 일치율 분석을 통한 치과 임플란트 수술비용 정산 및 추천 시스템
Mohammed et al. Accuracy of digital radiography in orthodontic diagnosis and treatment planning
Kim Evaluation and Treatment Plan for Orthognathic Surgery Patients

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21833080

Country of ref document: EP

Kind code of ref document: A2

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21833080

Country of ref document: EP

Kind code of ref document: A2