WO2022071159A1

WO2022071159A1 - 診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム、並びに認知症診断支援方法

Info

Publication number: WO2022071159A1
Application number: PCT/JP2021/035195
Authority: WO
Inventors: 元中李
Original assignee: 富士フイルム株式会社
Priority date: 2020-10-01
Filing date: 2021-09-24
Publication date: 2022-04-07
Also published as: US20230260630A1; EP4223219A4; JPWO2022071159A1; CN116322523A; EP4223219A1

Abstract

プロセッサと、プロセッサに接続または内蔵されたメモリと、を備え、プロセッサは、医用画像を取得し、医用画像から臓器の複数の解剖区域を抽出し、複数の解剖区域の画像を、複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、特徴量導出モデルから複数の解剖区域毎の複数の特徴量を出力させ、複数の解剖区域毎に出力された複数の特徴量を疾病所見導出モデルに入力し、疾病所見導出モデルから疾病の所見を出力させ、所見の出力への寄与の程度を表す第１寄与度を解剖区域毎に導出し、所見と解剖区域毎の第１寄与度の導出結果とを提示する、診断支援装置。

Description

診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム、並びに認知症診断支援方法

　本開示の技術は、診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム、並びに認知症診断支援方法に関する。

　疾病、例えばアルツハイマー病に代表される認知症の診断において、医師は、頭部ＭＲＩ（Ｍａｇｎｅｔｉｃ　Ｒｅｓｏｎａｎｃｅ　Ｉｍａｇｉｎｇ）画像等の医用画像を参照する。医師は、例えば、海馬、海馬傍回、扁桃体等の萎縮の程度、白質の血管障害の程度、前頭葉、側頭葉、後頭葉の血流代謝低下の有無等を観察し、認知症の所見を得る。

　特許第６４８３８９０号には、頭部ＭＲＩ画像に対する認知症の所見を、機械学習モデルにより導出して医師に提供する診断支援装置が記載されている。特許第６４８３８９０号に記載の診断支援装置は、ブロードマンの脳地図等に応じた複数の解剖区域を頭部ＭＲＩ画像から抽出し、各解剖区域の萎縮の程度を示すＺ値を算出している。そして、算出した各解剖区域のＺ値を機械学習モデルに入力し、機械学習モデルから認知症の所見を出力させている。

　前述のように、認知症等の疾病の所見を得るためには、脳等の臓器の各解剖区域を、様々な視点で隈なく精査する必要がある。しかしながら特許第６４８３８９０号では、統計的に得られたただ１つのＺ値という指標値だけを用いている。このため、こうした限定的な情報だけで得られる疾病の所見の予測精度には限界があった。

　また、たとえ予測精度の高い疾病の所見を得られたとしても、当該所見の出力に各解剖区域がどの程度寄与したのかが分からなければ、医師は所見の尤もらしさを判断することができなかった。

　本開示の技術に係る１つの実施形態は、より的確な疾病の所見を得ることが可能で、かつ、所見の出力に臓器の各解剖区域がどの程度寄与したのかを知ることが可能な診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム、並びに認知症診断支援方法を提供する。

　本開示の診断支援装置は、プロセッサと、プロセッサに接続または内蔵されたメモリと、を備え、プロセッサは、医用画像を取得し、医用画像から臓器の複数の解剖区域を抽出し、複数の解剖区域の画像を、複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、特徴量導出モデルから複数の解剖区域毎の複数の特徴量を出力させ、複数の解剖区域毎に出力された複数の特徴量を疾病所見導出モデルに入力し、疾病所見導出モデルから疾病の所見を出力させ、所見の出力への寄与の程度を表す第１寄与度を解剖区域毎に導出し、所見と解剖区域毎の第１寄与度の導出結果とを提示する。

　プロセッサは、第１寄与度が大きい順に導出結果を提示することが好ましい。

　プロセッサは、複数の特徴量に加えて、疾病に関わる疾病関連情報を疾病所見導出モデルに入力することが好ましい。

　疾病関連情報は複数の項目を有し、プロセッサは、所見の出力への寄与の程度を表す第２寄与度を項目毎に導出し、項目毎の第２寄与度の導出結果を提示することが好ましい。

　特徴量導出モデルは、オートエンコーダ、シングルタスクのクラス判別用畳み込みニューラルネットワーク、およびマルチタスクのクラス判別用畳み込みニューラルネットワークのうちの少なくともいずれか１つを含むことが好ましい。

　プロセッサは、１つの解剖区域の画像を、異なる複数の特徴量導出モデルに入力し、複数の特徴量導出モデルの各々から特徴量を出力させることが好ましい。

　疾病所見導出モデルは、ニューラルネットワーク、サポートベクターマシン、およびブースティングのうちのいずれかの手法によって構築されることが好ましい。

　プロセッサは、解剖区域の抽出に先立ち、取得した医用画像を標準医用画像に合わせる正規化処理を行うことが好ましい。

　臓器は脳であり、疾病は認知症であることが好ましい。この場合、複数の解剖区域は、海馬および前側頭葉のうちの少なくともいずれか１つを含むことが好ましい。また、疾病関連情報は、解剖区域の体積、認知症テストのスコア、遺伝子検査の検査結果、髄液検査の検査結果、および血液検査の検査結果のうちの少なくともいずれか１つを含むことが好ましい。

　本開示の診断支援装置の作動方法は、医用画像を取得すること、医用画像から臓器の複数の解剖区域を抽出すること、複数の解剖区域の画像を、複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、特徴量導出モデルから複数の解剖区域毎の複数の特徴量を出力させること、複数の解剖区域毎に出力された複数の特徴量を疾病所見導出モデルに入力し、疾病所見導出モデルから疾病の所見を出力させること、所見の出力への寄与の程度を表す第１寄与度を解剖区域毎に導出すること、および、所見と解剖区域毎の第１寄与度の導出結果とを提示すること、を含む。

　本開示の診断支援装置の作動プログラムは、医用画像を取得すること、医用画像から臓器の複数の解剖区域を抽出すること、複数の解剖区域の画像を、複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、特徴量導出モデルから複数の解剖区域毎の複数の特徴量を出力させること、複数の解剖区域毎に出力された複数の特徴量を疾病所見導出モデルに入力し、疾病所見導出モデルから疾病の所見を出力させること、所見の出力への寄与の程度を表す第１寄与度を解剖区域毎に導出すること、および、所見と解剖区域毎の第１寄与度の導出結果とを提示すること、を含む処理をコンピュータに実行させる。

　本開示の認知症診断支援方法は、プロセッサと、プロセッサに接続または内蔵されたメモリと、を備えるコンピュータが、脳が写った医用画像を取得すること、医用画像から脳の複数の解剖区域を抽出すること、複数の解剖区域の画像を、複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、特徴量導出モデルから複数の解剖区域毎の複数の特徴量を出力させること、複数の解剖区域毎に出力された複数の特徴量を認知症所見導出モデルに入力し、認知症所見導出モデルから認知症の所見を出力させること、所見の出力への寄与の程度を表す第１寄与度を解剖区域毎に導出すること、および、所見と解剖区域毎の第１寄与度の導出結果とを提示すること、を行う。

　本開示の技術によれば、より的確な疾病の所見を得ることが可能で、かつ、所見の出力に臓器の各解剖区域がどの程度寄与したのかを知ることが可能な診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム、並びに認知症診断支援方法を提供することができる。

診断支援装置を含む医療システムを示す図である。診断支援装置を構成するコンピュータを示すブロック図である。診断支援装置のＣＰＵの処理部を示すブロック図である。正規化部の処理を示す図である。抽出部の処理を示す図である。特徴量導出部の処理を示す図である。認知症所見導出部の処理を示す図である。第１寄与度情報を示す図である。第１表示画面を示す図である。第２表示画面を示す図である。第３表示画面を示す図である。第１寄与度情報の表示の切り替えを示す図である。オートエンコーダの構成および特徴量導出モデルの成り立ちを示す図である。畳み込み処理の説明図である。演算データの構成を示す図である。プーリング処理の説明図である。オートエンコーダの学習フェーズにおける処理の概要を示す図である。認知症所見導出モデルの学習フェーズにおける処理の概要を示す図である。診断支援装置の処理手順を示すフローチャートである。診断支援装置の処理手順を示すフローチャートである。認知症所見情報の別の例を示す図である。認知症所見情報のさらに別の例を示す図である。第２実施形態の認知症所見導出部の処理を示す図である。第２実施形態の認知症所見導出モデルの学習フェーズにおける処理の概要を示す図である。第２実施形態の寄与度導出部の処理、および第２寄与度情報を示す図である。第２実施形態の第３表示画面を示す図である。シングルタスクのクラス判別用畳み込みニューラルネットワークの構成および特徴量導出モデルの成り立ちを示す図である。シングルタスクのクラス判別用畳み込みニューラルネットワークの学習フェーズにおける処理の概要を示す図である。マルチタスクのクラス判別用畳み込みニューラルネットワークの構成および特徴量導出モデルの成り立ちを示す図である。マルチタスクのクラス判別用畳み込みニューラルネットワークの学習フェーズにおける処理の概要を示す図である。第５実施形態の特徴量導出部の処理を示す図である。オートエンコーダとシングルタスクのクラス判別用畳み込みニューラルネットワークの構成、および特徴量導出モデルの成り立ちを示す図である。出力部の詳細構成を示す図である。オートエンコーダおよびシングルタスクのクラス判別用畳み込みニューラルネットワークの学習フェーズにおける処理の概要を示す図である。オートエンコーダの損失に与えられる重みの変遷を示すグラフである。第６実施形態の認知症所見導出部の処理を示す図である。従来の文献に記載の認知症の進行予測方法と第６実施形態の認知症の進行予測方法との性能比較を示す表である。

　［第１実施形態］
　一例として図１に示すように、医療システム２は、ＭＲＩ装置１０、ＰＡＣＳ（Ｐｉｃｔｕｒｅ　Ａｒｃｈｉｖｉｎｇ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｓｙｓｔｅｍ）サーバ１１、および診断支援装置１２を備える。これらＭＲＩ装置１０、ＰＡＣＳサーバ１１、および診断支援装置１２は、医療施設内に敷設されたＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）１３に接続されており、ＬＡＮ１３を介して相互に通信することが可能である。

　ＭＲＩ装置１０は、患者Ｐの頭部を撮影して頭部ＭＲＩ画像１５を出力する。頭部ＭＲＩ画像１５は、患者Ｐの頭部の三次元形状を表すボクセルデータである。図１においては、サジタル断面の頭部ＭＲＩ画像１５Ｓを示している。ＭＲＩ装置１０は、頭部ＭＲＩ画像１５をＰＡＣＳサーバ１１に送信する。ＰＡＣＳサーバ１１は、ＭＲＩ装置１０からの頭部ＭＲＩ画像１５を記憶し、管理する。なお、頭部ＭＲＩ画像１５は、本開示の技術に係る「医用画像」の一例である。

　診断支援装置１２は、例えばデスクトップ型のパーソナルコンピュータであり、ディスプレイ１７と入力デバイス１８とを備える。入力デバイス１８は、キーボード、マウス、タッチパネル、マイクロフォン等である。医師は、入力デバイス１８を操作して、ＰＡＣＳサーバ１１に対して患者Ｐの頭部ＭＲＩ画像１５の配信要求を送信する。ＰＡＣＳサーバ１１は、配信要求された患者Ｐの頭部ＭＲＩ画像１５を検索して診断支援装置１２に配信する。診断支援装置１２は、ＰＡＣＳサーバ１１から配信された頭部ＭＲＩ画像１５をディスプレイ１７に表示する。医師は、頭部ＭＲＩ画像１５に写る患者Ｐの脳を観察して、患者Ｐに対する認知症の診断を行う。なお、脳は、本開示の技術に係る「臓器」の一例であり、認知症は、本開示の技術に係る「疾病」の一例である。また、図１では、ＭＲＩ装置１０および診断支援装置１２はそれぞれ１台しか描かれていないが、ＭＲＩ装置１０および診断支援装置１２はそれぞれ複数台あってもよい。

　一例として図２に示すように、診断支援装置１２を構成するコンピュータは、前述のディスプレイ１７および入力デバイス１８に加えて、ストレージ２０、メモリ２１、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）２２、および通信部２３を備えている。これらはバスライン２４を介して相互接続されている。なお、ＣＰＵ２２は、本開示の技術に係る「プロセッサ」の一例である。

　ストレージ２０は、診断支援装置１２を構成するコンピュータに内蔵、またはケーブル、ネットワークを通じて接続されたハードディスクドライブである。もしくはストレージ２０は、ハードディスクドライブを複数台連装したディスクアレイである。ストレージ２０には、オペレーティングシステム等の制御プログラム、各種アプリケーションプログラム、およびこれらのプログラムに付随する各種データ等が記憶されている。なお、ハードディスクドライブに代えてソリッドステートドライブを用いてもよい。

　メモリ２１は、ＣＰＵ２２が処理を実行するためのワークメモリである。ＣＰＵ２２は、ストレージ２０に記憶されたプログラムをメモリ２１へロードして、プログラムにしたがった処理を実行する。これによりＣＰＵ２２は、コンピュータの各部を統括的に制御する。通信部２３は、ＰＡＣＳサーバ１１等の外部装置との各種情報の伝送制御を行う。なお、メモリ２１は、ＣＰＵ２２に内蔵されていてもよい。

　一例として図３に示すように、診断支援装置１２のストレージ２０には、作動プログラム３０が記憶されている。作動プログラム３０は、コンピュータを診断支援装置１２として機能させるためのアプリケーションプログラムである。すなわち、作動プログラム３０は、本開示の技術に係る「診断支援装置の作動プログラム」の一例である。ストレージ２０には、頭部ＭＲＩ画像１５、標準頭部ＭＲＩ画像３５、セグメンテーションモデル３６、複数の特徴量導出モデル３７で構成される特徴量導出モデル群３８、および認知症所見導出モデル３９も記憶される。

　作動プログラム３０が起動されると、診断支援装置１２を構成するコンピュータのＣＰＵ２２は、メモリ２１等と協働して、リードライト（以下、ＲＷ（Ｒｅａｄ　Ｗｒｉｔｅ）と略す）制御部４５、正規化部４６、抽出部４７、特徴量導出部４８、認知症所見導出部４９、寄与度導出部５０、および表示制御部５１として機能する。

　ＲＷ制御部４５は、ストレージ２０への各種データの記憶、およびストレージ２０内の各種データの読み出しを制御する。例えばＲＷ制御部４５は、ＰＡＣＳサーバ１１からの頭部ＭＲＩ画像１５を受け取り、受け取った頭部ＭＲＩ画像１５をストレージ２０に記憶する。なお、図３では頭部ＭＲＩ画像１５は１つしかストレージ２０に記憶されていないが、頭部ＭＲＩ画像１５はストレージ２０に複数記憶されていてもよい。

　ＲＷ制御部４５は、認知症を診断するために医師が指定した患者Ｐの頭部ＭＲＩ画像１５をストレージ２０から読み出し、読み出した頭部ＭＲＩ画像１５を正規化部４６および表示制御部５１に出力する。ＲＷ制御部４５は、頭部ＭＲＩ画像１５をストレージ２０から読み出すことで、頭部ＭＲＩ画像１５を取得していることになる。

　また、ＲＷ制御部４５は、標準頭部ＭＲＩ画像３５をストレージ２０から読み出し、読み出した標準頭部ＭＲＩ画像３５を正規化部４６に出力する。ＲＷ制御部４５は、セグメンテーションモデル３６をストレージ２０から読み出し、読み出したセグメンテーションモデル３６を抽出部４７に出力する。ＲＷ制御部４５は、特徴量導出モデル群３８をストレージ２０から読み出し、読み出した特徴量導出モデル群３８を特徴量導出部４８に出力する。さらに、ＲＷ制御部４５は、認知症所見導出モデル３９をストレージ２０から読み出し、読み出した認知症所見導出モデル３９を認知症所見導出部４９に出力する。

　正規化部４６は、頭部ＭＲＩ画像１５を標準頭部ＭＲＩ画像３５に合わせる正規化処理を行い、頭部ＭＲＩ画像１５を正規化頭部ＭＲＩ画像５５とする。正規化部４６は、正規化頭部ＭＲＩ画像５５を抽出部４７に出力する。

　標準頭部ＭＲＩ画像３５は、標準的な形状、大きさ、および濃度（画素値）の脳が写った頭部ＭＲＩ画像である。標準頭部ＭＲＩ画像３５は、例えば、複数の健常者の頭部ＭＲＩ画像１５を平均することで生成した画像、あるいは、コンピュータグラフィックスにより生成した画像である。標準頭部ＭＲＩ画像３５は、本開示の技術に係る「標準医用画像」の一例である。

　抽出部４７は、正規化頭部ＭＲＩ画像５５をセグメンテーションモデル３６に入力する。セグメンテーションモデル３６は、正規化頭部ＭＲＩ画像５５に写る脳の画素毎に、海馬、扁桃体、前頭葉等の脳の各解剖区域を表すラベルを付与する、いわゆるセマンティックセグメンテーションを行う機械学習モデルである。抽出部４７は、セグメンテーションモデル３６が付与したラベルに基づいて、正規化頭部ＭＲＩ画像５５から、脳の複数の解剖区域の画像（以下、解剖区域画像という）５６を抽出する。抽出部４７は、複数の解剖区域毎の複数の解剖区域画像５６で構成される解剖区域画像群５７を、特徴量導出部４８、寄与度導出部５０、および表示制御部５１に出力する。

　特徴量導出モデル３７は、脳の複数の解剖区域毎に１つずつ用意されている（図６参照）。特徴量導出部４８は、解剖区域画像５６を対応する特徴量導出モデル３７に入力する。そして、特徴量導出モデル３７から複数種類の特徴量Ｚ（図６参照）で構成される特徴量セット５８を出力させる。特徴量導出部４８は、複数の解剖区域に対応する複数の特徴量セット５８で構成される特徴量セット群５９を、認知症所見導出部４９および寄与度導出部５０に出力する。

　認知症所見導出部４９は、特徴量セット群５９を認知症所見導出モデル３９に入力する。そして、認知症所見導出モデル３９から認知症の所見を表す認知症所見情報６０を出力させる。認知症所見導出部４９は、認知症所見情報６０を寄与度導出部５０および表示制御部５１に出力する。なお、認知症所見導出モデル３９は、本開示の技術に係る「疾病所見導出モデル」の一例である。

　寄与度導出部５０は、抽出部４７からの解剖区域画像群５７、特徴量導出部４８からの特徴量セット群５９、および認知症所見導出部４９からの認知症所見情報６０に基づいて、認知症所見情報６０の出力への寄与の程度を表す第１寄与度を解剖区域毎に導出する。寄与度導出部５０による第１寄与度の導出は、例えば下記文献に記載のＧｒａｄ－ＣＡＭ（Ｇｒａｄｉｅｎｔ－ｗｅｉｇｈｔｅｄ　Ｃｌａｓｓ　Ａｃｔｉｖａｔｉｏｎ　Ｍａｐｐｉｎｇ）＋＋による方法を用いる。
　＜Ｄａｎｉｅｌ　Ｏｍｅｉｚａ，　ｅｔｃ．，　Ｓｍｏｏｔｈ　Ｇｒａｄ－ＣＡＭ＋＋：　Ａｎ　Ｅｎｈａｎｃｅｄ　Ｉｎｆｅｒｅｎｃｅ　Ｌｅｖｅｌ　Ｖｉｓｕａｌｉｚａｔｉｏｎ　Ｔｅｃｈｎｉｑｕｅ　ｆｏｒ　Ｄｅｅｐ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ｍｏｄｅｌｓ，　ａｒＸｉｖ：１９０８．０１２２４，　Ａｕｇ　２０１９．＞

　寄与度導出部５０は、導出した第１寄与度から第１寄与度情報６１を生成する。第１寄与度情報６１は、本開示の技術に係る「第１寄与度の導出結果」の一例である。寄与度導出部５０は、第１寄与度情報６１を表示制御部５１に出力する。

　表示制御部５１は、ディスプレイ１７への各種画面の表示を制御する。各種画面には、セグメンテーションモデル３６、特徴量導出モデル３７、および認知症所見導出モデル３９による解析を指示するための第１表示画面７５（図９参照）、認知症所見情報６０を表示する第２表示画面８０（図１０参照）、および第１寄与度情報６１を表示する第３表示画面８５（図１１参照）等が含まれる。

　一例として図４に示すように、正規化部４６は、頭部ＭＲＩ画像１５に対して、正規化処理として形状正規化処理６５および濃度正規化処理６６を行う。形状正規化処理６５は、例えば、頭部ＭＲＩ画像１５および標準頭部ＭＲＩ画像３５から、位置合わせの基準となるランドマークを抽出し、頭部ＭＲＩ画像１５のランドマークと標準頭部ＭＲＩ画像３５のランドマークとの相関が最大となるよう、頭部ＭＲＩ画像１５を標準頭部ＭＲＩ画像３５に合わせて平行移動、回転、および／または拡大縮小する処理である。濃度正規化処理６６は、例えば、頭部ＭＲＩ画像１５の濃度ヒストグラムを、標準頭部ＭＲＩ画像３５の濃度ヒストグラムに合わせて補正する処理である。

　一例として図５に示すように、抽出部４７は、解剖区域画像５６として、海馬の解剖区域画像５６＿１、海馬傍回の解剖区域画像５６＿２、前頭葉の解剖区域画像５６＿３、前側頭葉の解剖区域画像５６＿４、後頭葉の解剖区域画像５６＿５、視床の解剖区域画像５６＿６、視床下部の解剖区域画像５６＿７、扁桃体の解剖区域画像５６＿８、脳下垂体の解剖区域画像５６＿９、・・・等を抽出する。これらの他にも、抽出部４７は、乳頭体、脳梁、脳弓、側脳室等の各解剖区域の解剖区域画像５６を抽出する。海馬、前頭葉、前側頭葉、扁桃体といった解剖区域は左右一対である。図では表現していないが、こうした左右一対の解剖区域は、左右それぞれの解剖区域の解剖区域画像５６が抽出される。例えば海馬は、左海馬の解剖区域画像５６＿１と右海馬の解剖区域画像５６＿１が抽出される。なお、これらの解剖区域のうち、海馬および前側頭葉のうちの少なくともいずれか１つを含むことが好ましく、海馬および前側頭葉を全て含むことがより好ましい。前側頭葉とは、側頭葉の前部という意である。抽出部４７によるセグメンテーションモデル３６を用いた解剖区域の抽出は、例えば下記文献に記載の方法を用いる。
　＜Ｐａｔｒｉｃｋ　ＭｃＣｌｕｒｅ，　ｅｔｃ．，　Ｋｎｏｗｉｎｇ　Ｗｈａｔ　Ｙｏｕ　Ｋｎｏｗ　ｉｎ　Ｂｒａｉｎ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｕｓｉｎｇ　Ｂａｙｅｓｉａｎ　Ｄｅｅｐ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，　Ｆｒｏｎｔ．　Ｎｅｕｒｏｉｎｆｏｒｍ．，　１７　Ｏｃｔｏｂｅｒ　２０１９．＞

　一例として図６に示すように、特徴量導出部４８は、海馬の解剖区域画像５６＿１を海馬の特徴量導出モデル３７＿１に入力し、海馬の特徴量導出モデル３７＿１から海馬の特徴量セット５８＿１を出力させる。海馬の特徴量セット５８＿１は、複数の特徴量Ｚ１＿１、Ｚ２＿１、・・・、ＺＮ＿１で構成される。なお、Ｎは特徴量の個数であり、例えば数十個～数十万個である。

　同様にして、特徴量導出部４８は、海馬傍回の解剖区域画像５６＿２を海馬傍回の特徴量導出モデル３７＿２に入力し、前頭葉の解剖区域画像５６＿３を前頭葉の特徴量導出モデル３７＿３に入力し、前側頭葉の解剖区域画像５６＿４を前側頭葉の特徴量導出モデル３７＿４に入力する。そして、海馬傍回の特徴量導出モデル３７＿２から海馬傍回の特徴量セット５８＿２を出力させ、前頭葉の特徴量導出モデル３７＿３から前頭葉の特徴量セット５８＿３を出力させ、前側頭葉の特徴量導出モデル３７＿４から前側頭葉の特徴量セット５８＿４を出力させる。海馬傍回の特徴量セット５８＿２は、複数の特徴量Ｚ１＿２、Ｚ２＿２、・・・、ＺＮ＿２で構成され、前頭葉の特徴量セット５８＿３は、複数の特徴量Ｚ１＿３、Ｚ２＿３、・・・、ＺＮ＿３で構成され、前側頭葉の特徴量セット５８＿４は、複数の特徴量Ｚ１＿４、Ｚ２＿４、・・・、ＺＮ＿４で構成される。

　また、特徴量導出部４８は、後頭葉の解剖区域画像５６＿５を後頭葉の特徴量導出モデル３７＿５に入力し、視床の解剖区域画像５６＿６を視床の特徴量導出モデル３７＿６に入力する。そして、後頭葉の特徴量導出モデル３７＿５から後頭葉の特徴量セット５８＿５を出力させ、視床の特徴量導出モデル３７＿６から視床の特徴量セット５８＿６を出力させる。後頭葉の特徴量セット５８＿５は、複数の特徴量Ｚ１＿５、Ｚ２＿５、・・・、ＺＮ＿５で構成され、視床の特徴量セット５８＿６は、複数の特徴量Ｚ１＿６、Ｚ２＿６、・・・、ＺＮ＿６で構成される。このように、複数の解剖区域画像５６は、それぞれ対応する特徴量導出モデル３７に入力され、これにより解剖区域画像５６毎の複数の特徴量セット５８が各特徴量導出モデル３７から出力される。なお、特徴量Ｚの個数は、例示のＮ個のように各解剖区域で同じでもよいし、各解剖区域で異なっていてもよい。

　一例として図７に示すように、認知症所見導出部４９は、特徴量セット群５９を認知症所見導出モデル３９に入力する。そして、認知症所見導出モデル３９から、認知症所見情報６０として、正常（ＮＣ；Ｎｏｒｍａｌ　Ｃｏｎｔｒｏｌ）、軽度認知障害（ＭＣＩ；Ｍｉｌｄ　Ｃｏｇｎｉｔｉｖｅ　Ｉｍｐａｉｒｍｅｎｔ）、およびアルツハイマー病（ＡＤ；Ａｌｚｈｅｉｍｅｒ’ｓ　Ｄｉｓｅａｓｅ）のいずれかを出力させる。

　一例として図８に示すように、第１寄与度情報６１は、複数の解剖区域毎の複数の第１寄与度マップ７０で構成される第１寄与度マップ群７１と、順位表７２とを有する。第１寄与度マップ７０には、海馬の第１寄与度マップ７０＿１、前頭葉の第１寄与度マップ７０＿３、後頭葉の第１寄与度マップ７０＿５等がある。第１寄与度マップ７０は、解剖区域画像５６の各画素に対して第１寄与度の高低に応じた色を割り当てた、いわば第１寄与度のヒートマップである。具体的には、第１寄与度が比較的高い画素には赤、オレンジ等の暖色が割り当てられ、第１寄与度が比較的低い画素には紫、青等の寒色が割り当てられている。

　順位表７２は、解剖区域を第１寄与度が高い順に並べた表である。図８においては、海馬が１位、海馬傍回が２位、前頭葉が３位、前側頭葉が４位、・・・の場合を例示している。

　図９に、セグメンテーションモデル３６、特徴量導出モデル３７、および認知症所見導出モデル３９による解析を指示するための第１表示画面７５の一例を示す。第１表示画面７５には、認知症を診断する患者Ｐの頭部ＭＲＩ画像１５が表示される。頭部ＭＲＩ画像１５は、サジタル断面の頭部ＭＲＩ画像１５Ｓ、アキシャル断面の頭部ＭＲＩ画像１５Ａ、およびコロナル断面の頭部ＭＲＩ画像１５Ｃである。これら各頭部ＭＲＩ画像１５Ｓ、１５Ａ、および１５Ｃの下部には、表示を切り替えるためのボタン群７６が設けられている。

　第１表示画面７５には、解析ボタン７７が設けられている。医師は、セグメンテーションモデル３６、特徴量導出モデル３７、および認知症所見導出モデル３９による解析を行いたい場合、解析ボタン７７を選択する。これにより、セグメンテーションモデル３６、特徴量導出モデル３７、および認知症所見導出モデル３９による解析の指示が、ＣＰＵ２２にて受け付けられる。

　図１０に、セグメンテーションモデル３６、特徴量導出モデル３７、および認知症所見導出モデル３９による解析の結果得られた認知症所見情報６０を表示する第２表示画面８０の一例を示す。第２表示画面８０には、認知症所見情報６０に応じたメッセージ８１が表示される。図１０においては、認知症所見情報６０が軽度認知障害（ＭＣＩ）で、メッセージ８１として「軽度認知障害の疑い」が表示された例を示している。

　第２表示画面８０には、寄与度導出ボタン８２が設けられている。医師は、認知症所見情報６０の出力に各解剖区域がどの程度寄与したのかを知りたい場合、寄与度導出ボタン８２を選択する。これにより、第１寄与度情報６１の導出の指示が、ＣＰＵ２２にて受け付けられる。なお、表示制御部５１は、確認ボタン８３が選択された場合、メッセージ８１の表示を消し、第２表示画面８０を第１表示画面７５に戻す。

　図１１に、寄与度導出部５０が出力した第１寄与度情報６１を表示する第３表示画面８５の一例を示す。第３表示画面８５には、頭部ＭＲＩ画像１５、および認知症所見情報６０に応じたメッセージ８１に加えて、第１寄与度の順位と当該順位の解剖区域を示すメッセージ８６、解剖区域画像５６、並びに第１寄与度マップ７０が表示される。解剖区域画像５６と第１寄与度マップ７０は並べて表示される。解剖区域画像５６と第１寄与度マップ７０の下部には、表示を切り替えるためのボタン群８７が設けられている。なお、表示制御部５１は、確認ボタン８８が選択された場合、メッセージ８６、解剖区域画像５６、並びに第１寄与度マップ７０の表示を消し、第３表示画面８５を第２表示画面８０に戻す。

　一例として図１２に示すように、ボタン群８７が操作された場合、表示制御部５１は、メッセージ８６、解剖区域画像５６、並びに第１寄与度マップ７０の表示を切り替える。表示制御部５１は、これらメッセージ８６、解剖区域画像５６、並びに第１寄与度マップ７０の表示の切り替えを、第１寄与度が大きい順に行う。図１２においては、図８で示した順位表７２にしたがって表示が切り替えられる例を示している。具体的には、最初に１位の海馬の解剖区域画像５６＿１および第１寄与度マップ７０＿１、次に２位の海馬傍回の解剖区域画像５６＿２および第１寄与度マップ７０＿２、次に３位の前頭葉の解剖区域画像５６＿３および第１寄与度マップ７０＿３、・・・と順次表示が切り替えられる。

　一例として図１３に示すように、特徴量導出モデル３７には、オートエンコーダ（以下、ＡＥ（Ａｕｔｏ　Ｅｎｃｏｄｅｒ）と略す）９０の圧縮部９１が用いられる。ＡＥ９０は、圧縮部９１と復元部９２とを有する。圧縮部９１には解剖区域画像５６が入力される。圧縮部９１は、解剖区域画像５６を特徴量セット５８に変換する。圧縮部９１は、特徴量セット５８を復元部９２に受け渡す。復元部９２は、特徴量セット５８から解剖区域画像５６の復元画像９３を生成する。

　圧縮部９１は、一例として図１４に示すような畳み込み演算を行うことで、解剖区域画像５６を特徴量セット５８に変換する。具体的には、圧縮部９１は、「ｃｏｎｖ（ｃｏｎｖｏｌｕｔｉｏｎの略）」で表される畳み込み層２００を有する。畳み込み層２００は、２次元に配列された複数の要素２０１をもつ対象データ２０２に、例えば３×３のフィルタ２０３を適用する。そして、要素２０１のうちの１つの注目要素２０１Ｉの要素値ｅと、注目要素２０１Ｉに隣接する８個の要素２０１Ｓの要素値ａ、ｂ、ｃ、ｄ、ｆ、ｇ、ｈ、ｉを畳み込む。畳み込み層２００は、注目要素２０１Ｉを１要素ずつずらしつつ、対象データ２０２の各要素２０１に対して畳み込み演算を順次行い、演算データ２０５の要素２０４の要素値を出力する。これにより、対象データ２０２と同様に、２次元に配列された複数の要素２０４を有する演算データ２０５が得られる。なお、最初に畳み込み層２００に入力される対象データ２０２は解剖区域画像５６であり、その後は後述する縮小演算データ２０５Ｓ（図１６参照）が対象データ２０２として畳み込み層２００に入力される。

　フィルタ２０３の係数をｒ、ｓ、ｔ、ｕ、ｖ、ｗ、ｘ、ｙ、ｚとした場合、注目要素２０１Ｉに対する畳み込み演算の結果である、演算データ２０５の注目要素２０１Ｉに対応する要素２０４Ｉの要素値ｋは、例えば下記の式（１）を計算することで得られる。
　ｋ＝ａｚ＋ｂｙ＋ｃｘ＋ｄｗ＋ｅｖ＋ｆｕ＋ｇｔ＋ｈｓ＋ｉｒ・・・（１）

　演算データ２０５は、１個のフィルタ２０３に対して１つ出力される。１つの対象データ２０２に対して複数種のフィルタ２０３が適用された場合は、フィルタ２０３毎に演算データ２０５が出力される。つまり、一例として図１５に示すように、演算データ２０５は、対象データ２０２に適用されたフィルタ２０３の個数分生成される。また、演算データ２０５は、２次元に配列された複数の要素２０４を有するため、幅と高さをもつ。演算データ２０５の数はチャンネル数と呼ばれる。図１５においては、対象データ２０２に４個のフィルタ２０３を適用して出力された４チャンネルの演算データ２０５を例示している。

　一例として図１６に示すように、圧縮部９１は、畳み込み層２００の他に、「ｐｏｏｌ（ｐｏｏｌｉｎｇの略）」で表されるプーリング層２１０を有する。プーリング層２１０は、演算データ２０５の要素２０４の要素値の局所的な統計量を求め、求めた統計量を要素値とする縮小演算データ２０５Ｓを生成する。ここでは、プーリング層２１０は、局所的な統計量として、２×２の要素のブロック２１１内における要素値の最大値を求める最大値プーリング処理を行っている。ブロック２１１を幅方向および高さ方向に１要素ずつずらしつつ処理を行えば、縮小演算データ２０５Ｓは、元の演算データ２０５の１／２のサイズに縮小される。図１６においては、ブロック２１１Ａ内における要素値ａ、ｂ、ｅ、ｆのうちのｂ、ブロック２１１Ｂ内における要素値ｂ、ｃ、ｆ、ｇのうちのｂ、ブロック２１１Ｃ内における要素値ｃ、ｄ、ｇ、ｈのうちのｈがそれぞれ最大値であった場合を例示している。なお、最大値ではなく平均値を局所的な統計量として求める、平均値プーリング処理を行ってもよい。

　圧縮部９１は、畳み込み層２００による畳み込み処理とプーリング層２１０によるプーリング処理とを複数回繰り返すことで、最終的な演算データ２０５を出力する。この最終的な演算データ２０５が、すなわち特徴量セット５８であり、最終的な演算データ２０５の各要素２０４の要素値が、すなわち特徴量Ｚである。こうして得られた特徴量Ｚは、海馬の萎縮の程度、白質の血管障害の程度、前頭葉、前側頭葉、後頭葉の血流代謝低下の有無といった、解剖区域の形状およびテクスチャーの特徴を表している。なお、ここでは、説明を簡単化するため２次元としているが、実際には３次元で各処理が行われる。

　一例として図１７に示すように、ＡＥ９０は、圧縮部９１を特徴量導出モデル３７に転用する前の学習フェーズにおいて、学習用解剖区域画像５６Ｌが入力されて学習される。ＡＥ９０は、学習用解剖区域画像５６Ｌに対して学習用復元画像９３Ｌを出力する。これら学習用解剖区域画像５６Ｌおよび学習用復元画像９３Ｌに基づいて、損失関数を用いたＡＥ９０の損失演算がなされる。そして、損失演算の結果に応じてＡＥ９０の各種係数（フィルタ２０３の係数等）の更新設定がなされ、更新設定にしたがってＡＥ９０が更新される。

　ＡＥ９０の学習フェーズにおいては、学習用解剖区域画像５６ＬのＡＥ９０への入力、ＡＥ９０からの学習用復元画像９３Ｌの出力、損失演算、更新設定、およびＡＥ９０の更新の上記一連の処理が、学習用解剖区域画像５６Ｌが交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、学習用解剖区域画像５６Ｌから学習用復元画像９３Ｌへの復元精度が、予め定められた設定レベルまで達した場合に終了される。こうして復元精度が設定レベルまで達したＡＥ９０の圧縮部９１が、ストレージ２０に記憶されて学習済みの特徴量導出モデル３７として用いられる。

　認知症所見導出モデル３９の学習フェーズにおける処理の概要の一例を示す図１８において、認知症所見導出モデル３９は、ニューラルネットワーク、サポートベクターマシン、ブースティングのうちのいずれかの手法によって構築される。学習フェーズにおいて、認知症所見導出モデル３９は、学習データ１００を与えられて学習される。学習データ１００は、学習用特徴量セット群５９Ｌと、学習用特徴量セット群５９Ｌに対応する正解認知症所見情報６０ＣＡとの組である。学習用特徴量セット群５９Ｌは、ある頭部ＭＲＩ画像１５の解剖区域画像５６を特徴量導出モデル３７に入力して得られたものである。正解認知症所見情報６０ＣＡは、学習用特徴量セット群５９Ｌを得た頭部ＭＲＩ画像１５に対する認知症の所見を、医師が実際に診断した結果である。

　学習フェーズにおいて、認知症所見導出モデル３９には、学習用特徴量セット群５９Ｌが入力される。認知症所見導出モデル３９は、学習用特徴量セット群５９Ｌに対して学習用認知症所見情報６０Ｌを出力する。この学習用認知症所見情報６０Ｌおよび正解認知症所見情報６０ＣＡに基づいて、損失関数を用いた認知症所見導出モデル３９の損失演算がなされる。そして、損失演算の結果に応じて認知症所見導出モデル３９の各種係数の更新設定がなされ、更新設定にしたがって認知症所見導出モデル３９が更新される。

　認知症所見導出モデル３９の学習フェーズにおいては、学習用特徴量セット群５９Ｌの認知症所見導出モデル３９への入力、認知症所見導出モデル３９からの学習用認知症所見情報６０Ｌの出力、損失演算、更新設定、および認知症所見導出モデル３９の更新の上記一連の処理が、学習データ１００が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、正解認知症所見情報６０ＣＡに対する学習用認知症所見情報６０Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達した認知症所見導出モデル３９が、ストレージ２０に記憶されて学習済み認知症所見導出モデルとして認知症所見導出部４９で用いられる。

　次に、上記構成による作用について、図１９および図２０のフローチャートを参照して説明する。まず、診断支援装置１２において作動プログラム３０が起動されると、図３で示したように、診断支援装置１２のＣＰＵ２２は、ＲＷ制御部４５、正規化部４６、抽出部４７、特徴量導出部４８、認知症所見導出部４９、寄与度導出部５０、および表示制御部５１として機能される。

　一例として図１９に示すように、図９で示した第１表示画面７５において、解析ボタン７７が選択された場合、ＲＷ制御部４５により、ストレージ２０から対応する頭部ＭＲＩ画像１５、および標準頭部ＭＲＩ画像３５が読み出される（ステップＳＴ１００）。頭部ＭＲＩ画像１５および標準頭部ＭＲＩ画像３５は、ＲＷ制御部４５から正規化部４６に出力される。

　図４で示したように、正規化部４６において、頭部ＭＲＩ画像１５を標準頭部ＭＲＩ画像３５に合わせる正規化処理（形状正規化処理６５および濃度正規化処理６６）が行われる（ステップＳＴ１１０）。これにより頭部ＭＲＩ画像１５が正規化頭部ＭＲＩ画像５５とされる。正規化頭部ＭＲＩ画像５５は、正規化部４６から抽出部４７に出力される。

　図５で示したように、抽出部４７において、セグメンテーションモデル３６を用いて、正規化頭部ＭＲＩ画像５５から複数の解剖区域画像５６が抽出される（ステップＳＴ１２０）。複数の解剖区域画像５６で構成される解剖区域画像群５７は、抽出部４７から特徴量導出部４８、寄与度導出部５０、および表示制御部５１に出力される。

　図６で示したように、特徴量導出部４８では、解剖区域画像５６が対応する特徴量導出モデル３７に入力される。これにより特徴量導出モデル３７から特徴量セット５８が出力される（ステップＳＴ１３０）。複数の特徴量セット５８で構成される特徴量セット群５９は、特徴量導出部４８から認知症所見導出部４９および寄与度導出部５０に出力される。

　図７で示したように、認知症所見導出部４９では、特徴量セット群５９が認知症所見導出モデル３９に入力される。これにより認知症所見導出モデル３９から認知症所見情報６０が出力される（ステップＳＴ１４０）。認知症所見情報６０は、認知症所見導出部４９から寄与度導出部５０および表示制御部５１に出力される。

　表示制御部５１の制御の下、図１０で示した第２表示画面８０がディスプレイ１７に表示される（ステップＳＴ１５０）。医師は、第２表示画面８０のメッセージ８１を通じて、認知症所見情報６０を確認する。

　一例として図２０に示すように、第２表示画面８０において寄与度導出ボタン８２が選択され、第１寄与度情報６１の導出の指示がＣＰＵ２２にて受け付けられた場合（ステップＳＴ２００でＹＥＳ）、寄与度導出部５０において、解剖区域画像群５７、特徴量セット群５９、および認知症所見情報６０に基づいて、解剖区域毎の第１寄与度が導出され、第１寄与度から図８で示した第１寄与度情報６１が生成される（ステップＳＴ２１０）。第１寄与度情報６１は、寄与度導出部５０から表示制御部５１に出力される。

　表示制御部５１の制御の下、図１１で示した第３表示画面８５がディスプレイ１７に表示される（ステップＳＴ２２０）。医師は、第３表示画面８５を通じて、第１寄与度情報６１を確認する。

　以上説明したように、診断支援装置１２のＣＰＵ２２は、ＲＷ制御部４５と、抽出部４７と、特徴量導出部４８と、認知症所見導出部４９と、寄与度導出部５０と、表示制御部５１とを備える。ＲＷ制御部４５は、認知症の診断を行う患者Ｐの頭部ＭＲＩ画像１５をストレージ２０から読み出すことで、頭部ＭＲＩ画像１５を取得する。抽出部４７は、正規化頭部ＭＲＩ画像５５から脳の複数の解剖区域の解剖区域画像５６を抽出する。特徴量導出部４８は、複数の解剖区域画像５６を、複数の解剖区域毎に用意された複数の特徴量導出モデル３７に入力し、特徴量導出モデル３７から複数の解剖区域毎の複数の特徴量セット５８を出力させる。認知症所見導出部４９は、複数の特徴量セット５８で構成される特徴量セット群５９を認知症所見導出モデル３９に入力し、認知症所見導出モデル３９から認知症所見情報６０を出力させる。寄与度導出部５０は、認知症所見情報６０の出力への寄与の程度を表す第１寄与度を解剖区域毎に導出する。表示制御部５１は、第３表示画面８５によって、認知症所見情報６０と第１寄与度情報６１を医師に提示する。

　特徴量Ｚは、例えば数十個～数十万個と個数が非常に多い。このため特徴量Ｚは、特許第６４８３８９０号に記載のＺ値のように解剖区域の限定的な特徴を表すものではなく、解剖区域の網羅的な特徴を表すものである。また、特徴量Ｚは、特許第６４８３８９０号に記載のＺ値のように統計的に得られたただ１つの値ではなく、特徴量導出モデル３７に解剖区域画像５６を入力して得られたものである。したがって、特徴量Ｚ（複数の特徴量セット５８で構成される特徴量セット群５９）を元に認知症所見情報６０を導出する本開示の方法は、特許第６４８３８９０号に記載の方法と比べて認知症の所見の予測精度を高めることができ、より的確な認知症の所見を得ることが可能となる。

　認知症は、癌等の他の疾病と比べて、肉眼でも認識できるような特異的な病変が画像に現れにくい。また、認知症は、脳全体にその影響が及び、局所的ではない。こうした背景があるため、従来は頭部ＭＲＩ画像１５等の医用画像から機械学習モデルを用いて的確な認知症の所見を得ることが困難であった。しかし、本開示の技術によれば、脳を複数の解剖区域に細かく分けて、複数の解剖区域についてそれぞれ特徴量を導出し、導出した特徴量を１つの認知症所見導出モデル３９に入力している。このため、従来困難であった、より的確な認知症の所見を得るという目的を達成することができる。

　また、医師は、第３表示画面８５によって、認知症所見情報６０の出力に脳の各解剖区域がどの程度寄与したのかを知ることが可能となる。これにより医師は、認知症所見情報６０の尤もらしさを判断することができる。

　なお、各解剖区域の第１寄与度の順位の履歴を記憶しておき、これを認知症所見導出モデル３９の学習に反映させてもよい。具体的には、順位が比較的低い解剖区域の特徴量セット５８を、認知症所見導出モデル３９に与える学習用特徴量セット群５９Ｌから除外するようにしてもよい。

　図１２で示したように、表示制御部５１は、第１寄与度が大きい順に導出結果を提示する。医師は、どの解剖区域が寄与しているかが一目で分かる。なお、第１寄与度が大きい順に導出結果を提示する態様としては、ボタン群８７の操作に応じて、メッセージ８６、解剖区域画像５６、および第１寄与度マップ７０の表示を切り替える図１２で示した態様に限らない。各順位のメッセージ８６、解剖区域画像５６、および第１寄与度マップ７０を例えば上下に並べて表示し、順位が上位のものほど上部に表示する態様でもよい。

　図１３で示したように、特徴量導出モデル３７は、ＡＥ９０の圧縮部９１を転用したものである。ＡＥ９０は、機械学習の分野において頻繁に用いられるニューラルネットワークモデルの１つで、一般的に非常によく知られている。このため、比較的容易に特徴量導出モデル３７に転用することができる。

　図１８で示したように、認知症所見導出モデル３９は、ニューラルネットワーク、サポートベクターマシン、およびブースティングのうちのいずれかの手法によって構築される。これらニューラルネットワーク、サポートベクターマシン、およびブースティングのいずれの手法も、一般的に非常によく知られている。このため、比較的容易に認知症所見導出モデル３９を構築することができる。

　図４で示したように、正規化部４６は、解剖区域の抽出に先立ち、頭部ＭＲＩ画像１５を標準頭部ＭＲＩ画像３５に合わせる正規化処理を行う。このため、患者Ｐの個人差、およびＭＲＩ装置１０の装置差をほぼ解消したうえで以降の処理を行うことができ、結果として認知症所見情報６０の信頼性を高めることができる。

　認知症は、昨今の高齢化社会の到来とともに社会問題化している。このため、臓器を脳とし、疾病を認知症として、認知症所見情報６０を出力する本実施形態は、現状の社会問題にマッチした形態であるといえる。

　海馬および前側頭葉は、アルツハイマー病をはじめとする認知症との相関が特に高い解剖区域である。このため、本例のように、複数の解剖区域に、海馬および前側頭葉のうちの少なくともいずれか１つが含まれていれば、さらにより的確な認知症の所見を得ることができる。

　認知症所見情報６０と第１寄与度情報６１の提示態様としては、第３表示画面８５に限らない。認知症所見情報６０と第１寄与度情報６１を紙媒体に印刷出力したり、医師の携帯端末に電子メールの添付ファイルとして認知症所見情報６０と第１寄与度情報６１を送信してもよい。

　なお、認知症所見情報は、図７で例示した内容（正常／軽度認知障害／アルツハイマー病）に限らない。例えば図２１に示す認知症所見情報１０５のように、患者Ｐの１年後の認知症の進行度合いが早いか遅いかであってもよい。あるいは図２２に示す認知症所見情報１０８のように、アルツハイマー病、レビー小体型認知症、および血管性認知症のいずれであるかといった認知症の種類でもよい。

　［第２実施形態］
　図２３～図２６に示す第２実施形態では、複数の特徴量Ｚに加えて、認知症に関わる認知症関連情報１１１を認知症所見導出モデル１１２に入力する。

　一例として図２３に示すように、本実施形態の認知症所見導出部１１０は、特徴量セット群５９に加えて、認知症に関わる認知症関連情報１１１を認知症所見導出モデル１１２に入力する。そして、認知症所見導出モデル１１２から認知症所見情報１１３を出力させる。なお、認知症関連情報１１１は、本開示の技術に係る「疾病関連情報」の一例である。

　認知症関連情報１１１は、認知症の診断を行う患者Ｐの情報である。認知症関連情報１１１は複数の項目を有する。項目は、例えば、海馬の体積を含む。また、項目は、長谷川式認知症スケール（ＨＤＳ－Ｒ；Ｒｅｖｉｓｅｄ　Ｈａｓｅｇａｗａ’ｓ　Ｄｅｍｅｎｔｉａ　Ｓｃａｌｅ）のスコア、ミニメンタルステート検査（ＭＭＳＥ；Ｍｉｎｉ－Ｍｅｎｔａｌ　Ｓｔａｔｅ　Ｅｘａｍｉｎａｔｉｏｎ）のスコア、リバーミード行動記憶検査（ＲＢＭＴ；Ｒｉｖｅｒｍｅａｄ　Ｂｅｈａｖｉｏｕｒａｌ　Ｍｅｍｏｒｙ　Ｔｅｓｔ）のスコア、臨床認知症評価尺度（ＣＤＲ；Ｃｌｉｎｉｃａｌ　Ｄｅｍｅｎｔｉａ　Ｒａｔｉｎｇ）、日常生活活動度（ＡＤＬ；Ａｃｔｉｖｉｔｉｅｓ　ｏｆ　Ｄａｉｌｙ　Ｌｉｖｉｎｇ）、およびアルツハイマー病の評価尺度（ＡＤＡＳ－Ｃｏｇ；Ａｌｚｈｅｉｍｅｒ’ｓ　Ｄｉｓｅａｓｅ　Ａｓｓｅｓｓｍｅｎｔ　Ｓｃａｌｅ－ｃｏｇｎｉｔｉｖｅ　ｓｕｂｓｃａｌｅ）を含む。また、項目は、ＡｐｏＥ遺伝子の遺伝子型、アミロイドβ測定値、タウ蛋白質測定値、アポリポ蛋白質測定値、補体蛋白質測定値、およびトランスサイレチン測定値を含む。さらに、項目は、患者Ｐの性別、年齢等を含む。ＨＤＳ－Ｒのスコア、ＭＭＳＥのスコア、ＲＢＭＴのスコア、ＣＤＲ、ＡＤＬ、ＡＤＡＳ－Ｃｏｇ、ＡｐｏＥ遺伝子の遺伝子型、アミロイドβ測定値、タウ蛋白質測定値、アポリポ蛋白質測定値、補体蛋白質測定値、トランスサイレチン測定値、患者Ｐの性別、年齢等は、図示省略した電子カルテシステムから引用される。

　海馬の体積は、例えば、海馬の解剖区域画像５６＿１の総画素数である。海馬の体積は、本開示の技術に係る「解剖区域の体積」の一例である。なお、海馬の体積に加えて、あるいは代えて、扁桃体等の他の解剖区域の体積を認知症関連情報１１１に含めてもよい。

　ＨＤＳ－Ｒのスコア、ＭＭＳＥのスコア、ＲＢＭＴのスコア、ＣＤＲ、ＡＤＬ、およびＡＤＡＳ－Ｃｏｇは、本開示の技術に係る「認知症テストのスコア」の一例である。

　ＡｐｏＥ遺伝子の遺伝子型は、ε２、ε３、ε４の３種のＡｐｏＥ遺伝子のうちの２種の組み合わせ（ε２とε３、ε３とε４等）である。ε４を全くもたない遺伝子型（ε２とε３、ε３とε３等）に対して、ε４を１つないし２つもつ遺伝子型（ε２とε４、ε４とε４等）のアルツハイマー病の発症リスクは、およそ３倍～１２倍とされている。ＡｐｏＥ遺伝子の遺伝子型は、ε２とε３の組み合わせが１、ε３とε３の組み合わせが２等、それぞれ数値に変換されて認知症所見導出モデル１４２に入力される。ＡｐｏＥ遺伝子の遺伝子型は、本開示の技術に係る「遺伝子検査の検査結果」の一例である。

　アミロイドβ測定値、およびタウ蛋白質測定値は、本開示の技術に係る「髄液検査の検査結果」の一例である。また、アポリポ蛋白質測定値、補体蛋白質測定値、およびトランスサイレチン測定値は、本開示の技術に係る「血液検査の検査結果」の一例である。

　認知症所見導出モデル１１２の学習フェーズにおける処理の概要の一例を示す図２４において、認知症所見導出モデル１１２は、学習データ１１８を与えられて学習される。学習データ１１８は、学習用特徴量セット群５９Ｌおよび学習用認知症関連情報１１１Ｌと、学習用特徴量セット群５９Ｌおよび学習用認知症関連情報１１１Ｌに対応する正解認知症所見情報１１３ＣＡとの組である。学習用特徴量セット群５９Ｌは、ある頭部ＭＲＩ画像１５の解剖区域画像５６を特徴量導出モデル３７に入力して得られたものである。学習用認知症関連情報１１１Ｌは、学習用特徴量セット群５９Ｌを得た頭部ＭＲＩ画像１５の撮影対象の患者Ｐの情報である。正解認知症所見情報１１３ＣＡは、学習用特徴量セット群５９Ｌを得た頭部ＭＲＩ画像１５に対する認知症の所見を、学習用認知症関連情報１１１Ｌも加味して医師が実際に診断した結果である。

　学習フェーズにおいて、認知症所見導出モデル１１２には、学習用特徴量セット群５９Ｌおよび学習用認知症関連情報１１１Ｌが入力される。認知症所見導出モデル１１２は、学習用特徴量セット群５９Ｌおよび学習用認知症関連情報１１１Ｌに対して学習用認知症所見情報１１３Ｌを出力する。この学習用認知症所見情報１１３Ｌおよび正解認知症所見情報１１３ＣＡに基づいて、損失関数を用いた認知症所見導出モデル１１２の損失演算がなされる。そして、損失演算の結果に応じて認知症所見導出モデル１１２の各種係数の更新設定がなされ、更新設定にしたがって認知症所見導出モデル１１２が更新される。

　認知症所見導出モデル１１２の学習フェーズにおいては、学習用特徴量セット群５９Ｌおよび学習用認知症関連情報１１１Ｌの認知症所見導出モデル１１２への入力、認知症所見導出モデル１１２からの学習用認知症所見情報１１３Ｌの出力、損失演算、更新設定、および認知症所見導出モデル１１２の更新の上記一連の処理が、学習データ１１８が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、正解認知症所見情報１１３ＣＡに対する学習用認知症所見情報１１３Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達した認知症所見導出モデル１１２が、ストレージ２０に記憶されて学習済み認知症所見導出モデル認知症所見導出部１１０で用いられる。

　一例として図２５に示すように、本実施形態の寄与度導出部１２０は、上記第１実施形態の第１寄与度情報６１と同様に、解剖区域画像群５７、特徴量セット群５９、および認知症所見情報１１３に基づいて第１寄与度情報１２１を生成し、生成した第１寄与度情報１２１を表示制御部１２３に出力する。また、寄与度導出部１２０は、認知症関連情報１１１および認知症所見情報１１３に基づいて、認知症所見情報１１３の出力への寄与の程度を表す第２寄与度を認知症関連情報１１１の項目毎に導出する。寄与度導出部１２０は、例えば１～１０の１０段階の数値を第２寄与度として導出する。寄与度導出部１２０は、導出した第２寄与度をまとめた第２寄与度情報１２２を表示制御部１２３に出力する。第２寄与度情報１２２は、認知症関連情報１１１の各項目に対応する第２寄与度が登録されたものである。第２寄与度情報１２２は、本開示の技術に係る「第２寄与度の導出結果」の一例である。なお、寄与度導出部１２０による第２寄与度の導出は、例えば下記文献に記載の方法を用いる。
　＜Ｓｃｏｔｔ　Ｍ．　Ｌｕｎｄｂｅｒｇ，　ｅｔｃ．，　Ｅｘｐｌａｉｎａｂｌｅ　ｍａｃｈｉｎｅ－ｌｅａｒｎｉｎｇ　ｐｒｅｄｉｃｔｉｏｎｓ　ｆｏｒ　ｔｈｅ　ｐｒｅｖｅｎｔｉｏｎ　ｏｆ　ｈｙｐｏｘａｅｍｉａ　ｄｕｒｉｎｇ　ｓｕｒｇｅｒｙ，　Ｎａｔｕｒｅ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ｖｏｌｕｍｅ　２，　ｐａｇｅｓ７４９－７６０（２０１８）＞

　一例として図２６に示すように、本実施形態の第３表示画面１３０には、頭部ＭＲＩ画像１５、認知症所見情報６０に応じたメッセージ８１、第１寄与度の順位と当該順位の解剖区域を示すメッセージ８６、解剖区域画像５６、並びに第１寄与度マップ７０に加えて、認知症関連情報１１１の各項目の羅列１３１が表示される。羅列１３１の各項目は、ハッチングの濃淡で示すように、第２寄与度の高低に応じた表示がなされる。第２寄与度の高低に応じた表示は、例えば、第２寄与度が高い項目ほど濃い色で表示し、第２寄与度が低い項目ほど薄い色で表示する等である。図２６においては、海馬の体積、ＨＤＳ－Ｒのスコア、およびＡｐｏＥ遺伝子の遺伝子型等の第２寄与度が比較的高く、ＭＭＳＥのスコア、ＣＤＲ、ＡＤＬ、ＡＤＡＳ－Ｃｏｇ等の第２寄与度が比較的低い場合を例示している。なお、表示制御部１２３は、確認ボタン１３２が選択された場合、メッセージ８６、解剖区域画像５６、第１寄与度マップ７０、並びに羅列１３１の表示を消し、第３表示画面１３０を第２表示画面８０に戻す。

　このように、第２実施形態では、認知症関連情報１１１を認知症所見導出モデル１１２に入力する。認知症関連情報１１１は、海馬の体積、ＨＤＳ－Ｒのスコア、ＭＭＳＥのスコア、ＣＤＲ、ＡＤＬ、ＡＤＡＳ－Ｃｏｇ、ＡｐｏＥ遺伝子の遺伝子型、アミロイドβ測定値、タウ蛋白質測定値、アポリポ蛋白質測定値、補体蛋白質測定値、トランスサイレチン測定値、患者Ｐの性別、年齢等を含む。認知症に関わる様々な認知症関連情報１１１という予測に役立つ強力な情報が加わるので、特徴量セット群５９だけで認知症の所見を予測する場合と比べて、認知症の所見の予測精度を飛躍的に向上させることができる。

　また、図２５で示したように、寄与度導出部１２０は、認知症所見情報１１３の出力への寄与の程度を表す第２寄与度を認知症関連情報１１１の項目毎に導出する。そして、図２６で示したように、表示制御部１２３は、第３表示画面１３０によって、項目毎の第２寄与度の導出結果を提示する。このため、医師は、認知症所見情報６０の出力に認知症関連情報１１１の各項目がどの程度寄与したのかを知ることが可能となる。これにより医師は、より確信をもって認知症所見情報６０の尤もらしさの判断をすることができる。

　なお、認知症関連情報１１１は、解剖区域の体積、認知症テストのスコア、遺伝子検査の検査結果、髄液検査の検査結果、および血液検査の検査結果のうちの少なくともいずれか１つを含んでいればよい。患者Ｐの病歴、あるいは患者Ｐに認知症を発症した親類がいるか否か等を、認知症関連情報１１１に含めてもよい。また、第１寄与度の場合と同様に、各項目の第２寄与度の履歴を記憶しておき、これを認知症所見導出モデル１１２の学習に反映させてもよい。具体的には、第２寄与度が比較的低い項目を、認知症所見導出モデル１１２に与える学習用認知症関連情報１１１Ｌから除外するようにしてもよい。

　［第３実施形態］
　図２７および図２８に示す第３実施形態では、ＡＥ９０の圧縮部９１の代わりに、シングルタスクのクラス判別用畳み込みニューラルネットワーク（以下、シングルタスクＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）と略す）１４０の圧縮部１４１を、特徴量導出モデル１４５として用いる。

　一例として図２７に示すように、シングルタスクＣＮＮ１４０は圧縮部１４１と出力部１４２とを有する。圧縮部１４１には解剖区域画像５６が入力される。圧縮部１４１は、圧縮部９１と同様に、解剖区域画像５６を特徴量セット１４３に変換する。圧縮部１４１は、特徴量セット１４３を出力部１４２に受け渡す。出力部１４２は、特徴量セット１４３に基づいて、１つのクラス１４４を出力する。図２７においては、出力部１４２は、認知症を発症している、または認知症を発症していない、という判別結果をクラス１４４として出力する。このシングルタスクＣＮＮ１４０の圧縮部１４１が、特徴量導出モデル１４５として用いられる。

　一例として図２８に示すように、シングルタスクＣＮＮ１４０は、圧縮部１４１を特徴量導出モデル１４５に転用する前の学習フェーズにおいて、学習データ１４８を与えられて学習される。学習データ１４８は、学習用解剖区域画像５６Ｌと、学習用解剖区域画像５６Ｌに対応する正解クラス１４４ＣＡとの組である。正解クラス１４４ＣＡは、学習用解剖区域画像５６Ｌを得た頭部ＭＲＩ画像１５に対して、認知症を発症しているか否かを、医師が実際に判別した結果である。

　学習フェーズにおいて、シングルタスクＣＮＮ１４０には、学習用解剖区域画像５６Ｌが入力される。シングルタスクＣＮＮ１４０は、学習用解剖区域画像５６Ｌに対して学習用クラス１４４Ｌを出力する。この学習用クラス１４４Ｌおよび正解クラス１４４ＣＡに基づいて、シングルタスクＣＮＮ１４０の損失演算がなされる。そして、損失演算の結果に応じてシングルタスクＣＮＮ１４０の各種係数の更新設定がなされ、更新設定にしたがってシングルタスクＣＮＮ１４０が更新される。

　シングルタスクＣＮＮ１４０の学習フェーズにおいては、学習用解剖区域画像５６ＬのシングルタスクＣＮＮ１４０への入力、シングルタスクＣＮＮ１４０からの学習用クラス１４４Ｌの出力、損失演算、更新設定、およびシングルタスクＣＮＮ１４０の更新の上記一連の処理が、学習データ１４８が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、正解クラス１４４ＣＡに対する学習用クラス１４４Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達したシングルタスクＣＮＮ１４０の圧縮部１４１が、学習済みの特徴量導出モデル１４５としてストレージ２０に記憶されて特徴量導出部４８で用いられる。

　このように、第３実施形態では、シングルタスクＣＮＮ１４０の圧縮部１４１が、特徴量導出モデル１４５として用いられる。シングルタスクＣＮＮ１４０も、機械学習の分野において頻繁に用いられるニューラルネットワークモデルの１つで、一般的に非常によく知られている。このため、比較的容易に特徴量導出モデル１４５に転用することができる。

　なお、クラス１４４としては、例えば、患者Ｐの年齢が７５歳未満である、または７５歳以上である、という内容であってもよいし、６０歳代、７０歳代等の患者Ｐの年代であってもよい。

　［第４実施形態］
　図２９および図３０に示す第４実施形態では、ＡＥ９０の圧縮部９１、およびシングルタスクＣＮＮ１４０の圧縮部１４１の代わりに、マルチタスクのクラス判別用ＣＮＮ（以下、マルチタスクＣＮＮと略す）１５０の圧縮部１５１を、特徴量導出モデル１５６として用いる。

　一例として図２９に示すように、マルチタスクＣＮＮ１５０は圧縮部１５１と出力部１５２とを有する。圧縮部１５１には解剖区域画像５６が入力される。圧縮部１５１は、圧縮部９１および圧縮部１４１と同様に、解剖区域画像５６を特徴量セット１５３に変換する。圧縮部１５１は、特徴量セット１５３を出力部１５２に受け渡す。出力部１５２は、特徴量セット１５３に基づいて、第１クラス１５４および第２クラス１５５の２つのクラスを出力する。図２９においては、出力部１５２は、認知症を発症している、または認知症を発症していない、という判別結果を第１クラス１５４として出力する。また、図２９においては、出力部１５２は、患者Ｐの年齢を第２クラス１５５として出力する。このマルチタスクＣＮＮ１５０の圧縮部１５１が、特徴量導出モデル１５６として用いられる。

　一例として図３０に示すように、マルチタスクＣＮＮ１５０は、圧縮部１５１を特徴量導出モデル１５６に転用する前の学習フェーズにおいて、学習データ１５８を与えられて学習される。学習データ１５８は、学習用解剖区域画像５６Ｌと、学習用解剖区域画像５６Ｌに対応する正解第１クラス１５４ＣＡおよび正解第２クラス１５５ＣＡとの組である。正解第１クラス１５４ＣＡは、学習用解剖区域画像５６Ｌを得た頭部ＭＲＩ画像１５に対して、認知症を発症しているか否かを、医師が実際に判別した結果である。また、正解第２クラス１５５ＣＡは、学習用解剖区域画像５６Ｌを得た頭部ＭＲＩ画像１５の撮影対象の患者Ｐの実際の年齢である。

　学習フェーズにおいて、マルチタスクＣＮＮ１５０には、学習用解剖区域画像５６Ｌが入力される。マルチタスクＣＮＮ１５０は、学習用解剖区域画像５６Ｌに対して学習用第１クラス１５４Ｌおよび学習用第２クラス１５５Ｌを出力する。この学習用第１クラス１５４Ｌおよび学習用第２クラス１５５Ｌと、正解第１クラス１５４ＣＡおよび正解第２クラス１５５ＣＡとに基づいて、マルチタスクＣＮＮ１５０の損失演算がなされる。そして、損失演算の結果に応じてマルチタスクＣＮＮ１５０の各種係数の更新設定がなされ、更新設定にしたがってマルチタスクＣＮＮ１５０が更新される。

　マルチタスクＣＮＮ１５０の学習フェーズにおいては、学習用解剖区域画像５６ＬのマルチタスクＣＮＮ１５０への入力、マルチタスクＣＮＮ１５０からの学習用第１クラス１５４Ｌおよび学習用第２クラス１５５Ｌの出力、損失演算、更新設定、およびマルチタスクＣＮＮ１５０の更新の上記一連の処理が、学習データ１５８が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、正解第１クラス１５４ＣＡおよび正解第２クラス１５５ＣＡに対する学習用第１クラス１５４Ｌおよび学習用第２クラス１５５Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達したマルチタスクＣＮＮ１５０の圧縮部１５１が、学習済みの特徴量導出モデル１５６としてストレージ２０に記憶されて特徴量導出部４８で用いられる。

　このように、第４実施形態では、マルチタスクＣＮＮ１５０の圧縮部１５１が、特徴量導出モデル１５６として用いられる。マルチタスクＣＮＮ１５０は、ＡＥ９０およびシングルタスクＣＮＮ１４０に比べて、複数のクラス（第１クラス１５４および第２クラス１５５）を出力する、というより複雑な処理を行う。このため、圧縮部１５１から出力される特徴量セット１５３は、解剖区域画像５６の特徴をより網羅的に表したものとなる可能性が高い。したがって、結果として、認知症所見導出モデル３９による認知症の所見の予測精度をより高めることができる。

　なお、第１クラス１５４としては、例えば５段階レベルの認知症の進行度合いであってもよい。また、第２クラス１５５としては、患者Ｐの年代の判別結果でもよい。マルチタスクＣＮＮ１５０は、３以上のクラスを出力するものであってもよい。

　［第５実施形態］
　図３１に示す第５実施形態では、１つの解剖区域の解剖区域画像５６を、異なる複数の特徴量導出モデルに入力する。

　図３１において、本実施形態の特徴量導出部１６０は、１つの解剖区域の解剖区域画像５６を、第１特徴量導出モデル１６１に入力し、第２特徴量導出モデル１６２に入力し、第３特徴量導出モデル１６３に入力する。これにより特徴量導出部１６０は、第１特徴量導出モデル１６１から第１特徴量セット１６４を出力させ、第２特徴量導出モデル１６２から第２特徴量セット１６５を出力させ、第３特徴量導出モデル１６３から第３特徴量セット１６６を出力させる。第１特徴量導出モデル１６１は、上記第１実施形態のＡＥ９０の圧縮部９１を転用したものである。第２特徴量導出モデル１６２は、上記第３実施形態のシングルタスクＣＮＮ１４０の圧縮部１４１を転用したものである。第３特徴量導出モデル１６３は、上記第４実施形態のマルチタスクＣＮＮ１５０の圧縮部１５１を転用したものである。

　このように、第５実施形態では、特徴量導出部１６０は、１つの解剖区域の解剖区域画像５６を、第１特徴量導出モデル１６１、第２特徴量導出モデル１６２、および第３特徴量導出モデル１６３に入力する。そして、各モデル１６１～１６３から、第１特徴量セット１６４、第２特徴量セット１６５、および第３特徴量セット１６６を出力させる。このため、１種の特徴量導出モデル３７を用いる場合と比べて、多種多様な特徴量Ｚを得ることができる。結果として、認知症所見導出モデル３９による認知症の所見の予測精度をより高めることができる。

　異なる複数の特徴量導出モデルは、例えば、ＡＥ９０の圧縮部９１を転用した第１特徴量導出モデル１６１と、シングルタスクＣＮＮ１４０の圧縮部１４１を転用した第２特徴量導出モデル１６２との組み合わせでもよい。あるいは、シングルタスクＣＮＮ１４０の圧縮部１４１を転用した第２特徴量導出モデル１６２と、マルチタスクＣＮＮ１５０の圧縮部１５１を転用した第３特徴量導出モデル１６３との組み合わせでもよい。さらには、認知症を発症しているか否かをクラス１４４として出力するシングルタスクＣＮＮ１４０の圧縮部１４１を転用した第２特徴量導出モデル１６２と、患者Ｐの年代をクラス１４４として出力するシングルタスクＣＮＮ１４０の圧縮部１４１を転用した第２特徴量導出モデル１６２との組み合わせでもよい。

　［第６実施形態］
　図３２～図３７に示す第６実施形態では、ＡＥ２５０とシングルタスクＣＮＮ２５１を合わせたモデルを、特徴量導出モデル２５２として用いる。

　一例として図３２に示すように、ＡＥ２５０は、上記第１実施形態のＡＥ９０と同様、圧縮部２５３と復元部２５４とを有する。圧縮部２５３には解剖区域画像５６が入力される。圧縮部２５３は、解剖区域画像５６を特徴量セット２５５に変換する。圧縮部２５３は、特徴量セット２５５を復元部２５４に受け渡す。復元部２５４は、特徴量セット２５５から解剖区域画像５６の復元画像２５６を生成する。

　シングルタスクＣＮＮ２５１は、上記第３実施形態のシングルタスクＣＮＮ１４０と同様、圧縮部２５３と出力部２５７とを有する。つまり、圧縮部２５３は、ＡＥ２５０とシングルタスクＣＮＮ２５１とで共用される。圧縮部２５３は、特徴量セット２５５を出力部２５７に受け渡す。出力部２５７は、特徴量セット２５５に基づいて、１つのクラス２５８を出力する。図３２においては、出力部２５７は、現在軽度認知障害の患者Ｐが２年後も軽度認知障害のまま、あるいは２年後にアルツハイマー病に進行する、という判別結果をクラス２５８として出力する。また、出力部２５７は、特徴量セット２５５を構成する複数の特徴量Ｚを集約した集約特徴量ＺＡを出力する。集約特徴量ＺＡは、各解剖区域に対して出力される。本実施形態において、集約特徴量ＺＡは、特徴量セット２５５の代わりに認知症所見導出モデル２８２（図３６参照）に入力される。

　一例として図３３に示すように、出力部２５７は、自己注意（以下、ＳＡ（Ｓｅｌｆ－Ａｔｔｅｎｔｉｏｎ）と略す）機構層２６５、全体平均プーリング（以下、ＧＡＰ（Ｇｌｏｂａｌ　Ａｖｅｒａｇｅ　Ｐｏｏｌｉｎｇ）と略す）層２６６、全結合（以下、ＦＣ（Ｆｕｌｌｙ　Ｃｏｎｎｅｃｔｅｄ）と略す）層２６７、ソフトマックス関数（以下、ＳＭＦ（ＳｏｆｔＭａｘ　Ｆｕｎｃｔｉｏｎと略す）層２６８、および主成分分析（以下、ＰＣＡ（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ）と略す）層２６９を有する。

　ＳＡ機構層２６５は、特徴量セット２５５に対して、図１４で示した畳み込み処理を、注目要素２０１Ｉの要素値に応じてフィルタ２０３の係数を変更しつつ行う。以下、このＳＡ機構層２６５で行われる畳み込み処理を、ＳＡ畳み込み処理という。ＳＡ機構層２６５は、ＳＡ畳み込み処理後の特徴量セット２５５をＧＡＰ層２６６に出力する。

　ＧＡＰ層２６６は、ＳＡ畳み込み処理後の特徴量セット２５５に対して、全体平均プーリング処理を施す。全体平均プーリング処理は、特徴量セット２５５のチャンネル（図１５参照）毎に、特徴量Ｚの平均値を求める処理である。例えば特徴量セット２５５のチャンネル数が５１２であった場合、全体平均プーリング処理によって５１２個の特徴量Ｚの平均値が求められる。ＧＡＰ層２６６は、求めた特徴量Ｚの平均値をＦＣ層２６７およびＰＣＡ層２６９に出力する。

　ＦＣ層２６７は、特徴量Ｚの平均値をＳＭＦ層２６８のＳＭＦで扱う変数に変換する。ＦＣ層２６７は、特徴量Ｚの平均値の個数分（つまり特徴量セット２５５のチャンネル数分）のユニットをもつ入力層と、ＳＭＦで扱う変数の個数分のユニットをもつ出力層とを有する。入力層の各ユニットと出力層の各ユニットは、互いに全結合されていて、それぞれに重みが設定されている。入力層の各ユニットには、特徴量Ｚの平均値が入力される。特徴量Ｚの平均値と、各ユニット間に設定された重みとの積和が、出力層の各ユニットの出力値となる。この出力値がＳＭＦで扱う変数である。ＦＣ層２６７は、ＳＭＦで扱う変数をＳＭＦ層２６８に出力する。ＳＭＦ層２６８は、変数をＳＭＦに適用することでクラス２５８を出力する。

　ＰＣＡ層２６９は、特徴量Ｚの平均値に対してＰＣＡを行い、複数個の特徴量Ｚの平均値を、それよりも少ない個数の集約特徴量ＺＡとする。例えばＰＣＡ層２６９は、５１２個の特徴量Ｚの平均値を１個の集約特徴量ＺＡに集約する。

　一例として図３４に示すように、ＡＥ２５０は、学習フェーズにおいて、学習用解剖区域画像５６Ｌが入力されて学習される。ＡＥ２５０は、学習用解剖区域画像５６Ｌに対して学習用復元画像２５６Ｌを出力する。これら学習用解剖区域画像５６Ｌおよび学習用復元画像２５６Ｌに基づいて、損失関数を用いたＡＥ２５０の損失演算がなされる。そして、損失演算の結果（以下、損失Ｌ１と表記する）に応じてＡＥ２５０の各種係数の更新設定がなされ、更新設定にしたがってＡＥ２５０が更新される。

　ＡＥ２５０の学習フェーズにおいては、学習用解剖区域画像５６ＬのＡＥ２５０への入力、ＡＥ２５０からの学習用復元画像２５６Ｌの出力、損失演算、更新設定、およびＡＥ２５０の更新の上記一連の処理が、学習用解剖区域画像５６Ｌが交換されつつ繰り返し行われる。

　シングルタスクＣＮＮ２５１は、学習フェーズにおいて、学習データ２７５を与えられて学習される。学習データ２７５は、学習用解剖区域画像５６Ｌと、学習用解剖区域画像５６Ｌに対応する正解クラス２５８ＣＡとの組である。正解クラス２５８ＣＡは、学習用解剖区域画像５６Ｌを得た頭部ＭＲＩ画像１５の撮影対象の患者Ｐが、実際に２年後も軽度認知障害のままか、あるいは２年後にアルツハイマー病に進行したかを示す。

　学習フェーズにおいて、シングルタスクＣＮＮ２５１には、学習用解剖区域画像５６Ｌが入力される。シングルタスクＣＮＮ２５１は、学習用解剖区域画像５６Ｌに対して学習用クラス２５８Ｌを出力する。この学習用クラス２５８Ｌおよび正解クラス２５８ＣＡに基づいて、クロスエントロピー関数等を用いたシングルタスクＣＮＮ２５１の損失演算がなされる。そして、損失演算の結果（以下、損失Ｌ２と表記する）に応じてシングルタスクＣＮＮ２５１の各種係数の更新設定がなされ、更新設定にしたがってシングルタスクＣＮＮ２５１が更新される。

　シングルタスクＣＮＮ２５１の学習フェーズにおいては、学習用解剖区域画像５６ＬのシングルタスクＣＮＮ２５１への入力、シングルタスクＣＮＮ２５１からの学習用クラス２５８Ｌの出力、損失演算、更新設定、およびシングルタスクＣＮＮ２５１の更新の上記一連の処理が、学習データ２７５が交換されつつ繰り返し行われる。

　ＡＥ２５０の更新設定およびシングルタスクＣＮＮ２５１の更新設定は、下記の式（２）に示す総合損失Ｌに基づいて行われる。なお、αは重みである。
　Ｌ＝Ｌ１×α＋Ｌ２×（１－α）・・・（２）
　すなわち、総合損失Ｌは、ＡＥ２５０の損失Ｌ１とシングルタスクＣＮＮ２５１の損失Ｌ２との重み付き和である。

　一例として図３５に示すように、学習フェーズの初期段階においては、重みαには１が設定される。重みαを１とした場合、総合損失Ｌ＝Ｌ１となる。したがってこの場合はＡＥ２５０の学習のみが行われ、シングルタスクＣＮＮ２５１の学習は行われない。

　重みαは、学習が進むにつれて１から漸減され、やがて固定値（図３５においては０．８）となる。この場合、ＡＥ２５０の学習とシングルタスクＣＮＮ２５１の学習が、重みαに応じた強度でともに行われる。このように、損失Ｌ１に与えられる重みは、損失Ｌ２に与えられる重みよりも大きい。また、損失Ｌ１に与えられる重みは最高値の１から漸減され、かつ損失Ｌ２に与えられる重みは最低値の０から漸増され、さらに両者は固定値とされる。

　ＡＥ２５０およびシングルタスクＣＮＮ２５１の学習は、ＡＥ２５０による学習用解剖区域画像５６Ｌから学習用復元画像２５６Ｌへの復元精度が、予め定められた設定レベルまで達し、かつ、シングルタスクＣＮＮ２５１による正解クラス２５８ＣＡに対する学習用クラス２５８Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして復元精度および予測精度が設定レベルまで達したＡＥ２５０およびシングルタスクＣＮＮ２５１が、ストレージ２０に記憶されて学習済みの特徴量導出モデル２５２として用いられる。

　一例として図３６に示すように、本実施形態の認知症所見導出部２８０は、集約特徴量群ＺＡＧおよび認知症関連情報２８１を認知症所見導出モデル２８２に入力する。集約特徴量群ＺＡＧは、解剖区域毎に出力された複数の集約特徴量ＺＡで構成される。認知症関連情報２８１は、上記第２実施形態の認知症関連情報１１１と同様に、認知症の診断を行う患者Ｐの性別、年齢、解剖区域の体積、認知症テストのスコア、遺伝子検査の検査結果、髄液検査の検査結果、および血液検査の検査結果等を含む。

　認知症所見導出モデル２８２は、分位正規化部２８３および線形判別分析部２８４を有する。分位正規化部２８３には、集約特徴量群ＺＡＧと認知症関連情報２８１が入力される。分位正規化部２８３は、集約特徴量群ＺＡＧを構成する複数の集約特徴量ＺＡと、認知症関連情報２８１の各パラメータとを同列に扱うために、これらを正規分布にしたがうデータに変換する分位正規化（Ｑｕａｎｔｉｌｅ　Ｎｏｒｍａｌｉｚａｔｉｏｎ）を行う。線形判別分析部２８４は、分位正規化処理後の集約特徴量ＺＡおよび認知症関連情報２８１の各パラメータに対して線形判別分析（Ｌｉｎｅａｒ　Ｄｉｓｃｒｉｍｉｎａｎｔ　Ａｎａｌｙｓｉｓ）を行い、その結果として認知症所見情報２８５を出力する。認知症所見情報２８５は、現在軽度認知障害の患者Ｐが２年後も軽度認知障害のまま、あるいは２年後にアルツハイマー病に進行する、のいずれかである。なお、認知症所見導出モデル２８２の学習は、学習用特徴量セット群５９Ｌが学習用の集約特徴量群ＺＡＧに変わる他は、図２４で示した認知症所見導出モデル１１２の学習と同じであるため、図示および説明を省略する。

　このように、第６実施形態では、クラス２５８の出力といったメインタスクを行うシングルタスクＣＮＮ２５１と、シングルタスクＣＮＮ２５１と一部共通し、復元画像２５６の生成といったメインタスクよりも汎用的なサブタスクを行うＡＥ２５０とを、特徴量導出モデル２５２として用いる。そして、ＡＥ２５０とシングルタスクＣＮＮ２５１とを同時に学習させる。このため、ＡＥ２５０とシングルタスクＣＮＮ２５１が別々の場合と比べて、より適切な特徴量セット２５５および集約特徴量ＺＡを出力することができ、結果として認知症所見情報２８５の予測精度を高めることができる。

　学習フェーズにおいては、ＡＥ２５０の損失Ｌ１とシングルタスクＣＮＮ２５１の損失Ｌ２との重み付き和である総合損失Ｌに基づいて更新設定を行う。このため、重みαを適値に設定することで、ＡＥ２５０を重点的に学習させたり、シングルタスクＣＮＮ２５１を重点的に学習させたり、ＡＥ２５０およびシングルタスクＣＮＮ２５１をバランスよく学習させたりすることができる。

　損失Ｌ１に与えられる重みは、損失Ｌ２に与えられる重みよりも大きい。このため、ＡＥ２５０を常に重点的に学習させることができる。ＡＥ２５０を常に重点的に学習させれば、解剖区域の形状およびテクスチャーの特徴をより表した特徴量セット２５５を圧縮部２５３から出力させることができ、結果としてより尤もらしい集約特徴量ＺＡを出力部２５７から出力させることができる。

　また、損失Ｌ１に与えられる重みを最高値から漸減し、かつ損失Ｌ２に与えられる重みを最低値から漸増して、学習が所定回数行われたら両者を固定値とする。このため、学習の初期段階にＡＥ２５０をより重点的に学習させることができる。ＡＥ２５０は、復元画像２５６の生成という比較的簡単なサブタスクを担う。したがって、学習の初期段階にＡＥ２５０をより重点的に学習させれば、解剖区域の形状およびテクスチャーの特徴をより表した特徴量セット２５５を、学習の初期段階において圧縮部２５３から出力させることができる。

　一例として図３７に示す表３００は、下記の文献Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、およびＧに記載の認知症の進行予測方法に係るＮｏ．１～７と、本実施形態の認知症の進行予測方法に係るＮｏ．８および９との性能比較を示す。本実施形態の認知症の進行予測方法のうち、Ｎｏ．８は、認知症所見導出モデル２８２に集約特徴量群ＺＡＧのみが入力され、認知症関連情報２８１が入力されない場合を示す。対してＮｏ．９は、認知症所見導出モデル２８２に集約特徴量群ＺＡＧおよび認知症関連情報２８１が入力される場合を示す。

　文献Ａ　＜Ｔａｍ，　Ａ．，　Ｄａｎｓｅｒｅａｕ，　Ｃ．，　Ｉｔｕｒｒｉａ－Ｍｅｄｉｎａ，　Ｙ．，　Ｕｒｃｈｓ，　Ｓ．，　Ｏｒｂａｎ，　Ｐ．，　Ｓｈａｒｍａｒｋｅ，　Ｈ．，　Ｂｒｅｉｔｎｅｒ，　Ｊ．，　＆　Ａｌｚｈｅｉｍｅｒ’ｓ　Ｄｉｓｅａｓｅ　Ｎｅｕｒｏｉｍａｇｉｎｇ　Ｉｎｉｔｉａｔｉｖｅ．，　“Ａ　ｈｉｇｈｌｙ　ｐｒｅｄｉｃｔｉｖｅ　ｓｉｇｎａｔｕｒｅ　ｏｆ　ｃｏｇｎｉｔｉｏｎ　ａｎｄ　ｂｒａｉｎ　ａｔｒｏｐｈｙ　ｆｏｒ　ｐｒｏｇｒｅｓｓｉｏｎ　ｔｏ　Ａｌｚｈｅｉｍｅｒ’ｓ　ｄｅｍｅｎｔｉａ．”，　ＧｉｇａＳｃｉｅｎｃｅ，　８　（５），　ｇｉｚ０５５　（２０１９）．＞

　文献Ｂ　＜Ｌｅｄｉｇ，　Ｃ．，　Ｓｃｈｕｈ，　Ａ．，　Ｇｕｅｒｒｅｒｏ，　Ｒ．，　Ｈｅｃｋｅｍａｎｎ，　Ｒ．　Ａ．，　＆　Ｒｕｅｃｋｅｒｔ，　Ｄ．，　“Ｓｔｒｕｃｔｕｒａｌ　ｂｒａｉｎ　ｉｍａｇｉｎｇ　ｉｎ　Ａｌｚｈｅｉｍｅｒ’ｓ　ｄｉｓｅａｓｅ　ａｎｄ　ｍｉｌｄ　ｃｏｇｎｉｔｉｖｅ　ｉｍｐａｉｒｍｅｎｔ：　ｂｉｏｍａｒｋｅｒ　ａｎａｌｙｓｉｓ　ａｎｄ　ｓｈａｒｅｄ　ｍｏｒｐｈｏｍｅｔｒｙ　ｄａｔａｂａｓｅ．”，　Ｓｃｉｅｎｔｉｆｉｃ　ｒｅｐｏｒｔｓ，　８　（１），　１１２５８　（２０１８）．＞

　文献Ｃ　＜Ｌｕ，　Ｄ．，　Ｐｏｐｕｒｉ，　Ｋ．，　Ｄｉｎｇ，　Ｇ．　Ｗ．，　Ｂａｌａｃｈａｎｄａｒ，　Ｒ．，　＆　Ｂｅｇ，　Ｍ．　Ｆ．，　“Ｍｕｌｔｉｍｏｄａｌ　ａｎｄ　ｍｕｌｔｉｓｃａｌｅ　ｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｆｏｒ　ｔｈｅ　ｅａｒｌｙ　ｄｉａｇｎｏｓｉｓ　ｏｆ　Ａｌｚｈｅｉｍｅｒ’ｓ　ｄｉｓｅａｓｅ　ｕｓｉｎｇ　ｓｔｒｕｃｔｕｒａｌ　ＭＲ　ａｎｄ　ＦＤＧ－ＰＥＴ　ｉｍａｇｅｓ．”，　Ｓｃｉｅｎｔｉｆｉｃ　ｒｅｐｏｒｔｓ，　８　（１），　５６９７　（２０１８）．＞

　文献Ｄ　＜Ｂａｓａｉａ，　Ｓ．，　Ａｇｏｓｔａ，　Ｆ．，　Ｗａｇｎｅｒ，　Ｌ．，　Ｃａｎｕ，　Ｅ．，　Ｍａｇｎａｎｉ，　Ｇ．，　Ｓａｎｔａｎｇｅｌｏ，　Ｒ．，　　Ｆｉｌｉｐｐｉ，　Ｍ．，　Ａｕｔｏｍａｔｅｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　Ａｌｚｈｅｉｍｅｒ’ｓ　ｄｉｓｅａｓｅ　ａｎｄ　ｍｉｌｄ　ｃｏｇｎｉｔｉｖｅ　ｉｍｐａｉｒｍｅｎｔ　ｕｓｉｎｇ　ａ　ｓｉｎｇｌｅ　ＭＲＩ　ａｎｄ　ｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ，　ＮｅｕｒｏＩｍａｇｅ：　Ｃｌｉｎｉｃａｌ　２１，　１０１６４５　（２０１９）．＞

　文献Ｅ　＜Ｎａｋａｇａｗａ，　Ｔ．，　Ｉｓｈｉｄａ，　Ｍ．，　Ｎａｉｔｏ，　Ｊ．，　Ｎａｇａｉ，　Ａ．，　Ｙａｍａｇｕｃｈｉ，　Ｓ．，　Ｏｎｏｄａ，　Ｋ．，　“Ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｃｏｎｖｅｒｓｉｏｎ　ｔｏ　Ａｌｚｈｅｉｍｅｒ’ｓ　ｄｉｓｅａｓｅ　ｕｓｉｎｇ　ｄｅｅｐ　ｓｕｒｖｉｖａｌ　ａｎａｌｙｓｉｓ　ｏｆ　ＭＲＩ　ｉｍａｇｅｓ”，　Ｂｒａｉｎ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，　Ｖｏｌ．　２（１）　　（２０２０）．＞

　文献Ｆ　＜Ｌｅｅ，　Ｇ．，　Ｎｈｏ，　Ｋ．，　Ｋａｎｇ，　Ｂ．，　Ｓｏｈｎ，　Ｋ．　Ａ．，　＆　Ｋｉｍ，　Ｄ．，　“Ｐｒｅｄｉｃｔｉｎｇ　Ａｌｚｈｅｉｍｅｒ’ｓ　ｄｉｓｅａｓｅ　ｐｒｏｇｒｅｓｓｉｏｎ　ｕｓｉｎｇ　ｍｕｌｔｉ－ｍｏｄａｌ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ　ａｐｐｒｏａｃｈ．”，　Ｓｃｉｅｎｔｉｆｉｃ　ｒｅｐｏｒｔｓ，　９　（１），　１９５２　（２０１９）．＞

　文献Ｇ　＜Ｇｏｔｏ，　Ｔ．，　　Ｗａｎｇ，　Ｃ．，　Ｌｉ，　Ｙ．，　Ｔｓｕｂｏｓｈｉｔａ，　Ｙ．，　Ｍｕｌｔｉ－ｍｏｄａｌ　ｄｅｅｐ　ｌｅａｒｎｉｎｇ　ｆｏｒ　ｐｒｅｄｉｃｔｉｎｇ　ｐｒｏｇｒｅｓｓｉｏｎ　ｏｆ　Ａｌｚｈｅｉｍｅｒ’ｓ　ｄｉｓｅａｓｅ　ｕｓｉｎｇ　ｂｉ－ｌｉｎｅａｒ　ｓｈａｋｅ　ｆｕｓｉｏｎ，　Ｐｒｏｃ．　ＳＰＩＥ　１１３１４，　Ｍｅｄｉｃａｌ　Ｉｍａｇｉｎｇ　（２０２０）．＞

　Ｎｏ．８および９の正解率（Ａｃｃｕｒａｃｙ）は０．８４および０．９０である。特にＮｏ．９の正解率の０．９０は、Ｎｏ．１～７のどの正解率よりも高い。Ｎｏ．８および９のＡＵＣ（Ａｒｅａ　Ｕｎｄｅｒ　ｔｈｅ　Ｃｕｒｖｅ）は０．９３および０．９７である。これらの値は、文献Ｅに記載の認知症の進行予測方法に係るＮｏ．５よりも大きい。したがって、本実施形態の認知症の進行予測方法は、文献Ａ～Ｇに記載の従来の認知症の進行予測方法と比べて、より確度の高い認知症の進行予測を行うことができているといえる。

　Ｎｏ．８および９の敏感度（Ｓｅｎｓｉｔｉｖｉｔｙ）は０．８５および０．９１である。これらの値は、Ｎｏ．１～７のどの敏感度よりも高い。特にＮｏ．９の敏感度の０．９１は、この中では最高値である。したがって、本実施形態の認知症の進行予測方法は、文献Ａ～Ｇに記載の従来の認知症の進行予測方法と比べて、現在軽度認知障害の患者Ｐが予測期間後にアルツハイマー病に進行することを、見逃さずに予測することができているといえる。

　Ｎｏ．８および９の特異度（Ｓｐｅｃｉｆｉｃｉｔｙ）は０．８４および０．９０である。これらの値は、文献Ａに記載の認知症の進行予測方法に係るＮｏ．１の０．９７等よりも小さいものの、他の文献Ｂ、Ｃ、Ｄ、およびＦと比べれば大きい。したがって、本実施形態の認知症の進行予測方法は、他の多くの従来の認知症の進行予測方法と比べて、現在軽度認知障害の患者Ｐが予測期間後も軽度認知障害のままであると、より正確に予測することができているといえる。

　なお、表３００において、学習用画像の項目のＡＤＮＩは、「Ａｌｚｈｅｉｍｅｒ’ｓ　Ｄｉｓｅａｓｅ　Ｎｅｕｒｏｉｍａｇｉｎｇ　Ｉｎｉｔｉａｔｉｖｅ」の略である。ＡＩＢＬは、「Ａｕｓｔｒａｌｉａｎ　Ｉｍａｇｉｎｇ　Ｂｉｏｍａｒｋｅｒｓ　ａｎｄ　Ｌｉｆｅｓｔｙｌｅ　Ｓｔｕｄｙ　ｏｆ　Ａｇｅｉｎｇ」の略である。Ｊ－ＡＤＮＩは、「Ｊａｐａｎｅｓｅ　Ａｌｚｈｅｉｍｅｒ’ｓ　Ｄｉｓｅａｓｅ　Ｎｅｕｒｏｉｍａｇｉｎｇ　Ｉｎｔｉａｔｉｖｅ」の略である。いずれも、アルツハイマー病に係る患者Ｐの頭部ＭＲＩ画像１５等が蓄積されたデータベースを示す。

　シングルタスクＣＮＮ２５１の代わりに、上記第４実施形態のマルチタスクＣＮＮ１５０を用いてもよい。

　図１７で示したＡＥ９０の学習、図１８で示した認知症所見導出モデル３９の学習、図２４で示した認知症所見導出モデル１１２の学習、図２８で示したシングルタスクＣＮＮ１４０の学習、図３０で示したマルチタスクＣＮＮ１５０の学習、および図３４で示したＡＥ２５０およびシングルタスクＣＮＮ２５１の学習等は、診断支援装置１２において行ってもよいし、診断支援装置１２以外の装置で行ってもよい。また、これらの学習は、診断支援装置１２のストレージ２０に各モデルを記憶した後に継続して行ってもよい。

　ＰＡＣＳサーバ１１が診断支援装置１２として機能してもよい。

　医用画像は、例示の頭部ＭＲＩ画像１５に限らない。ＰＥＴ（Ｐｏｓｉｔｒｏｎ　Ｅｍｉｓｓｉｏｎ　Ｔｏｍｏｇｒａｐｈｙ）画像、ＳＰＥＣＴ（Ｓｉｎｇｌｅ　Ｐｈｏｔｏｎ　Ｅｍｉｓｓｉｏｎ　Ｃｏｍｐｕｔｅｄ　Ｔｏｍｏｇｒａｐｈｙ）画像、ＣＴ（Ｃｏｍｐｕｔｅｄ　Ｔｏｍｏｇｒａｐｈｙ）画像、内視鏡画像、超音波画像等でもよい。

　臓器は例示の脳に限らず、心臓、肺、肝臓等でもよい。肺の場合は、右肺Ｓ１、Ｓ２、左肺Ｓ１、Ｓ２等を解剖区域として抽出する。肝臓の場合は、右葉、左葉、胆嚢等を解剖区域として抽出する。また、疾病も例示の認知症に限らず、心臓病、肺炎、肝機能障害等でもよい。

　上記各実施形態において、例えば、ＲＷ制御部４５、正規化部４６、抽出部４７、特徴量導出部４８および１６０、認知症所見導出部４９、１１０、および２８０、寄与度導出部５０および１２０、並びに表示制御部５１および１２３といった各種の処理を実行する処理部（Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）のハードウェア的な構造としては、次に示す各種のプロセッサ（Ｐｒｏｃｅｓｓｏｒ）を用いることができる。各種のプロセッサには、上述したように、ソフトウェア（作動プログラム３０）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ２２に加えて、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ:ＰＬＤ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

　１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、および／または、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

　複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（Ｓｙｓｔｅｍ　Ｏｎ　Ｃｈｉｐ:ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

　さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）を用いることができる。

　本開示の技術は、上述の種々の実施形態および／または種々の変形例を適宜組み合わせることも可能である。また、上記各実施形態に限らず、要旨を逸脱しない限り種々の構成を採用し得ることはもちろんである。さらに、本開示の技術は、プログラムに加えて、プログラムを非一時的に記憶する記憶媒体にもおよぶ。

　以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。

　本明細書において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。

　本明細書に記載された全ての文献、特許出願および技術規格は、個々の文献、特許出願および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

Claims

　プロセッサと、
　前記プロセッサに接続または内蔵されたメモリと、を備え、
　前記プロセッサは、
　医用画像を取得し、
　前記医用画像から臓器の複数の解剖区域を抽出し、
　前記複数の解剖区域の画像を、前記複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、前記特徴量導出モデルから前記複数の解剖区域毎の複数の特徴量を出力させ、
　前記複数の解剖区域毎に出力された前記複数の特徴量を疾病所見導出モデルに入力し、前記疾病所見導出モデルから疾病の所見を出力させ、
　前記所見の出力への寄与の程度を表す第１寄与度を前記解剖区域毎に導出し、
　前記所見と前記解剖区域毎の前記第１寄与度の導出結果とを提示する、
診断支援装置。
　前記プロセッサは、
　前記第１寄与度が大きい順に前記導出結果を提示する請求項１に記載の診断支援装置。
　前記プロセッサは、
　前記複数の特徴量に加えて、前記疾病に関わる疾病関連情報を前記疾病所見導出モデルに入力する請求項１または請求項２に記載の診断支援装置。
　前記疾病関連情報は複数の項目を有し、
　前記プロセッサは、
　前記所見の出力への寄与の程度を表す第２寄与度を前記項目毎に導出し、
　前記項目毎の前記第２寄与度の導出結果を提示する請求項３に記載の診断支援装置。
　前記特徴量導出モデルは、オートエンコーダ、シングルタスクのクラス判別用畳み込みニューラルネットワーク、およびマルチタスクのクラス判別用畳み込みニューラルネットワークのうちの少なくともいずれか１つを含む請求項１から請求項４のいずれか１項に記載の診断支援装置。
　前記プロセッサは、
　１つの前記解剖区域の画像を、異なる複数の前記特徴量導出モデルに入力し、複数の前記特徴量導出モデルの各々から前記特徴量を出力させる請求項１から請求項５のいずれか１項に記載の診断支援装置。
　前記疾病所見導出モデルは、ニューラルネットワーク、サポートベクターマシン、およびブースティングのうちのいずれかの手法によって構築される請求項１から請求項６のいずれか１項に記載の診断支援装置。
　前記プロセッサは、
　前記解剖区域の抽出に先立ち、取得した前記医用画像を標準医用画像に合わせる正規化処理を行う請求項１から請求項７のいずれか１項に記載の診断支援装置。
　前記臓器は脳であり、前記疾病は認知症である請求項１から請求項８のいずれか１項に記載の診断支援装置。
　前記複数の解剖区域は、海馬および前側頭葉のうちの少なくともいずれか１つを含む請求項９に記載の診断支援装置。
　請求項３または請求項４を引用する請求項９または請求項１０に記載の診断支援装置において、
　前記疾病関連情報は、前記解剖区域の体積、認知症テストのスコア、遺伝子検査の検査結果、髄液検査の検査結果、および血液検査の検査結果のうちの少なくともいずれか１つを含む診断支援装置。
　医用画像を取得すること、
　前記医用画像から臓器の複数の解剖区域を抽出すること、
　前記複数の解剖区域の画像を、前記複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、前記特徴量導出モデルから前記複数の解剖区域毎の複数の特徴量を出力させること、
　前記複数の解剖区域毎に出力された前記複数の特徴量を疾病所見導出モデルに入力し、前記疾病所見導出モデルから疾病の所見を出力させること、
　前記所見の出力への寄与の程度を表す第１寄与度を前記解剖区域毎に導出すること、および、
　前記所見と前記解剖区域毎の前記第１寄与度の導出結果とを提示すること、
を含む診断支援装置の作動方法。
　医用画像を取得すること、
　前記医用画像から臓器の複数の解剖区域を抽出すること、
　前記複数の解剖区域の画像を、前記複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、前記特徴量導出モデルから前記複数の解剖区域毎の複数の特徴量を出力させること、
　前記複数の解剖区域毎に出力された前記複数の特徴量を疾病所見導出モデルに入力し、前記疾病所見導出モデルから疾病の所見を出力させること、
　前記所見の出力への寄与の程度を表す第１寄与度を前記解剖区域毎に導出すること、および、
　前記所見と前記解剖区域毎の前記第１寄与度の導出結果とを提示すること、
を含む処理をコンピュータに実行させるための診断支援装置の作動プログラム。
　プロセッサと、前記プロセッサに接続または内蔵されたメモリと、を備えるコンピュータが、
　脳が写った医用画像を取得すること、
　前記医用画像から前記脳の複数の解剖区域を抽出すること、
　前記複数の解剖区域の画像を、前記複数の解剖区域毎に用意された複数の特徴量導出モデルに入力し、前記特徴量導出モデルから前記複数の解剖区域毎の複数の特徴量を出力させること、
　前記複数の解剖区域毎に出力された前記複数の特徴量を認知症所見導出モデルに入力し、前記認知症所見導出モデルから認知症の所見を出力させること、
　前記所見の出力への寄与の程度を表す第１寄与度を前記解剖区域毎に導出すること、および、
　前記所見と前記解剖区域毎の前記第１寄与度の導出結果とを提示すること、
を行う認知症診断支援方法。