WO2023190341A1 - 予測システム、予測装置、および予測方法 - Google Patents

予測システム、予測装置、および予測方法 Download PDF

Info

Publication number
WO2023190341A1
WO2023190341A1 PCT/JP2023/012199 JP2023012199W WO2023190341A1 WO 2023190341 A1 WO2023190341 A1 WO 2023190341A1 JP 2023012199 W JP2023012199 W JP 2023012199W WO 2023190341 A1 WO2023190341 A1 WO 2023190341A1
Authority
WO
WIPO (PCT)
Prior art keywords
aneurysm
prediction
treatment
unit
patient
Prior art date
Application number
PCT/JP2023/012199
Other languages
English (en)
French (fr)
Inventor
秀和 中西
一博 佐藤
Original Assignee
株式会社カネカ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社カネカ filed Critical 株式会社カネカ
Publication of WO2023190341A1 publication Critical patent/WO2023190341A1/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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a prediction system, a prediction device, and a prediction method.
  • This application claims priority to Japanese Patent Application No. 2022-054040 filed in Japan on March 29, 2022, the contents of which are incorporated herein.
  • Patent Document 1 discloses that a lesion position is identified from a medical image of a subject in which a lesion can be visually recognized, and a clustering algorithm is applied to the lesion position to determine the pathological condition. ing.
  • One aspect of the present invention has been made in view of the above-mentioned problems, and it is an object of the present invention to provide a prediction system, a prediction device, and a prediction method that can predict a treatment strategy for an aneurysm.
  • a prediction system includes an acquisition unit that acquires any one or more of CT, MRI, MRA, or DSA images for a patient having an aneurysm; A prediction unit that predicts a treatment strategy for an aneurysm using machine learning for any one or more of the acquired images.
  • a prediction device includes an acquisition unit that acquires any one or more of CT, MRI, MRA, or DSA images for a patient having an aneurysm; A prediction unit that predicts a treatment strategy for an aneurysm using machine learning for any one or more of the acquired images.
  • a prediction method includes a prediction method in which a computer of a prediction device receives one or more of CT, MRI, MRA, or DSA images of a patient having an aneurysm.
  • the method includes an acquisition step of acquiring an image, and a prediction step of predicting a treatment strategy for an aneurysm using machine learning for any one or more of the acquired images.
  • a program causes a computer of a prediction device to acquire one or more of CT, MRI, MRA, or DSA images of a patient having an aneurysm. and a prediction step of predicting a treatment strategy for the aneurysm using machine learning on any one or more of the acquired images.
  • a treatment strategy for an aneurysm can be predicted.
  • FIG. 1 is a schematic diagram showing an example of a prediction system according to a first embodiment of the present invention.
  • FIG. 1 is a block diagram showing an example of the configuration of a prediction device according to the present embodiment. It is a diagram showing an example of information stored in the storage unit of the prediction device according to the present embodiment. It is a figure which shows another example of the information which the memory
  • FIG. 1 is a schematic diagram of a prediction system Sys according to this embodiment.
  • the prediction system Sys is configured to include the prediction device 10 shown in FIG. 1 and a terminal device T.
  • the prediction device 10 and the terminal device T are communicably connected.
  • the prediction device 10 is based on images taken for each patient with symptoms of vascular disease before treatment, during treatment, immediately after treatment, and at least one after treatment, and the condition of each patient.
  • the learning results learned are stored.
  • "after treatment” means a predetermined period of time has passed immediately after treatment.
  • the predetermined period is, for example, one week, one month, three months, six months, 12 months, one year, 18 months, two years, etc.
  • Vascular diseases are, for example, aneurysms. In the following description, an example in which the vascular disease is a cerebral aneurysm will be described.
  • the prediction device 10 is a device that predicts treatment strategies for patients with symptoms of vascular disease based on learning results based on the condition and images of each patient.
  • the prediction device 10 is, for example, a terminal device such as a PC (Personal Computer), a server device, a smartphone, and a tablet.
  • the treatment strategy is, for example, the direction of treatment, such as observation, medication, surgery, and endovascular treatment.
  • the direction of treatment includes various surgical procedures, such as trapping, clipping, bypass combined vascular occlusion, and artificial vascular replacement, as well as endovascular procedures, such as It also includes various surgical techniques such as internal trapping, coil embolization, stent placement, flow diverter (FD) placement, intrasaccular flow disruptor (IFD) placement, and stent graft insertion.
  • various surgical techniques such as internal trapping, coil embolization, stent placement, flow diverter (FD) placement, intrasaccular flow disruptor (IFD) placement, and stent graft insertion.
  • the treatment strategy in this embodiment is selection of a device such as a coil used for treating an aneurysm.
  • the terminal device T acquires the medical information of the patient P.
  • the terminal device T is, for example, a PC, a server device, a smartphone, a tablet, or the like.
  • the terminal device T acquires the results of the medical examination of the patient P by the doctor D as the patient P's medical information.
  • the terminal device T outputs the treatment strategy for the patient P predicted by the prediction device 10 as a prediction result. Note that the prediction device 10 and the terminal device T may be configured integrally.
  • the prediction system Sys is a system that predicts treatment strategies for vascular diseases.
  • vascular diseases include diseases such as aneurysms such as aortic aneurysms and cerebral aneurysms, and hemorrhagic events that involve a risk of bleeding such as arterial dissection.
  • the medical information includes at least image information.
  • the image information is information on medical images such as contrast images and photographed images taken before, during, immediately after, and at least one of after the treatment.
  • the contrast image is, for example, an image photographed using a contrast agent at a diseased site, such as a cerebral angiography image (DSA image).
  • the photographed images include, for example, a computerized tomographic image (CT image), a nuclear magnetic resonance image (MRI image), a magnetic resonance blood vessel image (MRA image), and the like.
  • CT image computerized tomographic image
  • MRI image nuclear magnetic resonance image
  • MRA image magnetic resonance blood vessel image
  • the image information is preferably a DSA image, and before, immediately after, and after treatment, it is preferable to use a CT image, MRI image, or MRA image.
  • a CT image MRI image
  • MRA image MRA image
  • FIG. 2 is a block diagram showing an example of the configuration of the prediction device 10 according to this embodiment.
  • the prediction device 10 includes a communication section 110, a control section 120, a storage section 130, and an output section 140.
  • the communication unit 110 has a function of transmitting and receiving various information.
  • the communication unit 110 may use either wired communication or wireless communication.
  • the communication unit 110 receives patient medical information from a terminal device.
  • the communication unit 110 outputs the received information to the control unit 120.
  • the storage unit 130 has a function of storing various information.
  • the storage unit 130 includes a storage medium such as a HDD (Hard Disk Drive), an SSD (Solid State Drive), a flash memory, an EEPROM (Electrically Erasable Programmable Read Only Memory), or an RA. M (Random Access read/write Memory), ROM (Read Only Memory), or any combination of these storage media.
  • a storage medium such as a HDD (Hard Disk Drive), an SSD (Solid State Drive), a flash memory, an EEPROM (Electrically Erasable Programmable Read Only Memory), or an RA. M (Random Access read/write Memory), ROM (Read Only Memory), or any combination of these storage media.
  • the storage unit 130 stores medical information.
  • the medical information includes patient information, examination information, medical history information, and treatment information in addition to the image information described above.
  • the patient information is information in which the patient's gender, patient's age, and patient's name are associated with each patient ID that identifies the patient.
  • the image information is information in which, for each patient ID, an image ID that identifies an image, an image acquisition date and time, an image type, and image data are associated with each other.
  • the medical examination information is information in which blood pressure measurement values, blood pressure measurement dates and times, case information, and symptom information are associated with each other for each patient ID.
  • Blood pressure is a factor related to the rupture of an aneurysm, and the measured value may be the systolic blood pressure, the diastolic blood pressure, or the difference between the two, but it is preferable to use the systolic blood pressure as the measured value of blood pressure.
  • Case information includes, for example, the location of the blood vessel where the disease occurred, the shape of the aneurysm, the diameter of the aneurysm, the neck-dome ratio of the aneurysm (the ratio of the bulge (dome) of the aneurysm to the neck (neck) of the aneurysm), This is information about the aneurysm, such as aneurysm size (length x width x depth), blood vessel course, bilateral symmetry, presence or absence of multiple occurrences, presence or absence of recurrence, inflammatory reaction of the aneurysm wall, and contrast effect of the aneurysm wall.
  • Symptom information includes, for example, the patient's health, such as the presence or absence of a headache, the presence or absence of nausea/vomiting, the presence or absence of discomfort in the eyes, the presence or absence of ptosis, the presence or absence of decreased sensation, the presence or absence of paralysis, the presence or absence of convulsions, and the presence or absence of loss of consciousness. This information represents the above symptoms.
  • the past history information is information in which the patient's past history, the patient's smoking history, the patient's allergies, and status information are associated with each other for each patient ID.
  • the status information is information representing the current status of the patient, such as survival status, presence or absence of rehabilitation, presence or absence of sequelae, and presence or absence of rupture of an aneurysm.
  • the treatment information includes, for each patient ID, the surgical procedure for treating the aneurysm, the name of the doctor who performed the treatment, the date and time of the treatment, the time required for the treatment, and the treatment.
  • the device information includes, for each device ID, the device manufacturer, device type, device material, device thickness, device softness, device length, and device model number. , and the number of devices in stock are information that are associated with each other.
  • the device type is a stent, FD, IFD, coil, or the like.
  • the material of the device is a type of material such as platinum, tungsten, iridium, gold, titanium, nickel, palladium, magnesium, or an alloy thereof.
  • platinum is six times stiffer than nitinol and half as stiff as tungsten.
  • the thickness of the device is the device diameter.
  • Device softness refers to the flexibility of the device, such as loop diameter.
  • the loop diameter of the device will be explained.
  • Most of the coils used in coil embolization are made of platinum-tungsten alloy. Therefore, it is known that the coil diameter is proportional to the fourth power of the strand diameter and inversely proportional to the third power of the primary coil diameter, without any difference depending on the material.
  • the softness of the device may be set based on the loop diameter determined by the wire diameter, primary coil diameter, etc., but it may also be set based on information obtained by measuring the reaction force when the loop diameter is pressed with a load tester. .
  • the actual reaction force can be measured by measuring the reaction force when the load tester is pressed down 10 mm at 0.1 mm/s.
  • the measured reaction force can be used as an index representing the softness (hardness) of the coil.
  • the material of the device is a platinum-tungsten alloy or a platinum-gold alloy
  • the ionization tendency is low, there is little cytotoxicity due to the outflow of metal ions, and the device has excellent antithrombotic properties.
  • devices made of these materials are suitable for patients with metal allergy symptoms and young people who require long-term indwelling. In this way, by making it possible to select a device suitable for a patient from among a plurality of devices with different materials, device softness, etc., it is possible to improve the variety of treatments for aneurysms. Therefore, it is possible to efficiently predict a treatment strategy for an aneurysm.
  • the output unit 140 has a function of outputting various information.
  • the function of the output unit 140 is realized, for example, by a display device such as a display included in the prediction device 10.
  • the output unit 140 displays treatment strategy information input from the control unit 120.
  • the output unit 140 may be a display device included in a device other than the prediction device 10.
  • the control unit 120 has a function of controlling the overall operation of the prediction device 10.
  • the function is realized, for example, by causing a CPU (Central Processing Unit) included in the prediction device 10 as hardware to execute a program.
  • a CPU Central Processing Unit
  • control unit 120 includes an acquisition unit 121, a classification unit 122, a learning unit 123, a prediction unit 124, and an output processing unit 125.
  • the acquisition unit 121 has a function of acquiring various information. For example, the acquisition unit 121 acquires medical information. The acquisition unit 121 causes the storage unit 130 to store the acquired medical information.
  • the classification unit 122 has a function of evaluating and classifying various information. For example, the classification unit 122 evaluates and classifies the state of the aneurysm based on the medical information using a classification index for each treatment method.
  • the classification index is an index for classifying the state of the aneurysm into one of a plurality of classes.
  • the classification index is, for example, an index such as Raymond classification or Modified-Raymond-Roy classification.
  • the classification unit 122 classifies each aneurysm image into which class of the Modified-Raymond-Roy classification the aneurysm belongs to.
  • the Modified-Raymond-Roy classification is divided into four classes: class 1: complete occlusion, class 2: non-complete occlusion of the neck, class 3a: non-complete occlusion inside the aneurysm, and class 3b: non-complete occlusion on the side of the aneurysm. It is an indicator.
  • Class 1 is a state in which the aneurysm is completely occluded by an embolic coil or organized tissue.
  • Class 2 is a state in which the neck of the aneurysm, called the neck, is not occluded by embolic coils or organized tissue.
  • Class 3a is a state in which the density of the embolic coil or organized tissue inside the aneurysm is lower than that of complete occlusion in class 1, and the aneurysm remains.
  • Class 3b is a condition in which a portion of the aneurysm is not occluded by embolic coils or organized tissue.
  • the Modified-Raymond-Roy classification is correlated with the recanalization rate of the aneurysm.
  • a document describing the Modified-Raymond-Roy classification states that among recanalized unruptured aneurysms, 7.9% are classified as class 2, while 7.9% are classified as class 3a. It has been shown that the percentage of unruptured aneurysms is 31.6%, and the percentage of unruptured aneurysms classified as class 3b is 60.5%.
  • 18.9% of recanalized ruptured aneurysms are classified as class 2, while unruptured aneurysms are classified as class 3a. It has been shown that ruptured aneurysms accounted for 18.9%, and unruptured aneurysms classified as Class 3b mentioned above accounted for 62.2%.
  • aneurysms that can maintain class 1 or class 2 even after a certain period of time, and to achieve this treatment, aneurysms are classified according to the Modified-Raymond-Roy classification. can be suitably used for predicting treatment strategies.
  • the classification index may be based on the volume ratio of the contrast medium to the aneurysm.
  • the volume ratio of the contrast medium to the aneurysm is calculated for each image, such as a still image or a moving image, based on the ratio of the volume of the contrast medium inside the aneurysm in the moving image to the aneurysm volume.
  • Classification using the volume ratio of contrast medium for aneurysms is as follows: class I: volume ratio less than 5%, class II: volume ratio 5% or more and less than 10%, class III: volume ratio 10% or more and less than 20%.
  • IV The state of the aneurysm may be classified by providing classes such as volume fraction of 20% or more.
  • classification may be performed according to the contrast effect of the image of the aneurysm wall.
  • the contrast effect is, for example, the degree to which a contrast agent is reflected in a contrast image in an MRA image of a blood vessel wall of an aneurysm using a contrast agent.
  • the classification unit 122 determines, for example, class I: no enhancement effect on the signal intensity of the aneurysm wall, class II: an enhancement effect on the signal intensity of the aneurysm wall, depending on the intensity of the blood signal in the contrast image.
  • the effect of enhancing the signal intensity of the aneurysm wall is weaker than that of the parent blood vessel near the aneurysm
  • Class III the effect of enhancing the signal intensity of the aneurysm wall is stronger than that of the parent blood vessel near the aneurysm.
  • the classification unit 122 performs CFD analysis for each aneurysm, and determines whether or not there is a reduction in blood flow within the aneurysm, and whether or not thrombosis within the aneurysm occurs after a predetermined period of time. Assess the presence or absence of aneurysm and classify the condition of the aneurysm.
  • the classification unit 122 performs CFD analysis for each aneurysm, and determines the presence or absence of a reduction in blood flow within the aneurysm and the presence or absence of thrombosis within the aneurysm after a predetermined period of time. The degree of compression of the aneurysm is evaluated and the condition of the aneurysm is classified.
  • the classification unit 122 stores the classification results in the storage unit 130 in association with the image ID and treatment method.
  • the classification unit 122 stores the classification results in the storage unit 130 by associating a patient ID, an image ID, a surgical procedure representing a treatment method, and an evaluation value representing a classification result, as shown in FIG. Make me remember.
  • the learning unit 123 has a function of generating a regression model.
  • the regression model according to this embodiment is a model in which medical information, classification results, and treatment strategies are associated.
  • the learning unit 123 causes the storage unit 130 to store the generated regression model.
  • the learning unit 123 generates, for example, a regression model indicating the relationship between the medical information, the classification results, and the treatment strategy, based on the medical information and the classification results.
  • the generated regression model outputs a treatment strategy according to the medical information.
  • the learning unit 123 generates a regression model by, for example, statistical analysis. Specifically, the learning unit 123 generates a regression model based on the classification results classified by the classification unit 122 and the treatment strategy. Specifically, the learning unit 123 generates a model that outputs a treatment strategy based on medical information.
  • the learning unit 123 may generate a regression model (learned model) by machine learning.
  • machine learning methods include SVR (support vector regression), random forest, and deep learning using neural networks.
  • the learning unit 123 generates a trained model by, for example, supervised learning.
  • supervised learning a learning model is trained using a training dataset.
  • the data set is a set of explanatory variables that are input during learning and objective variables that indicate the correct answer of data that is output based on the input data.
  • the learning unit 123 verifies the learned model constructed through training using a verification data set.
  • the learning unit 123 determines the accuracy of the learning model constructed through verification using a test data set.
  • the explanatory variables are medical information and classification results classified by the classification unit 122.
  • the variable of interest is treatment strategy.
  • the learning unit 123 generates a trained model that has learned the correspondence between medical information, classification results, and treatment strategies. By doing so, the prediction accuracy by the prediction unit 124, which will be described later, can be improved.
  • the training data set and the verification data set include 12 million or more images
  • the test data set include 1 million or more images.
  • the accuracy of the learning model using the test data set is not judged multiple times, that is, it is judged only once. By doing so, it is possible to prevent learning from a test data set.
  • the learning unit 123 may perform clustering for each case based on the medical information. For example, the learning unit 123 may perform clustering by calculating feature amounts for each case and determining similarity, dissimilarity, and specificity of the feature amounts. Further, the learning unit 123 may perform reinforcement learning by combining classification machine learning and regression machine learning. Thereby, prediction accuracy can be improved.
  • the prediction unit 124 has a function of predicting a treatment strategy based on medical information. For example, the prediction unit 124 predicts a treatment strategy based on medical information and a regression model.
  • the prediction unit 124 inputs the medical information of the patient having an aneurysm into the regression model generated in advance by the learning unit 123 and stored in the storage unit 130.
  • the regression model input with the medical information outputs a treatment strategy.
  • the prediction unit 124 selects one or more devices from a plurality of devices and predicts the type and amount of devices used for treatment based on the treatment strategy output by the regression model.
  • the prediction unit 124 predicts the device to be used for treatment based on the presentation unit (output unit 140) that performs a computer simulation based on the treatment strategy output by the regression model and the prediction result.
  • the regression model outputs the type and usage amount of the device as a treatment strategy.
  • the output unit 140 displays information such as the surgical method for treating the aneurysm, the device used for treating the aneurysm, the predicted operation time, the difficulty level of the operation, the number of medical personnel required for the operation, and the predicted number of medical personnel required for the operation.
  • the presentation may include all of the treatment costs and options for using other devices to treat the aneurysm. including one or more of the following: surgical time, difficulty of the surgery, number of medical personnel required for the surgery, anticipated treatment costs, and options for using other devices to treat the aneurysm. You may also make a presentation.
  • an output image may be generated by the output processing unit 125 based on the prediction result by the prediction unit 124, and the generated output image may be used for presentation.
  • the prediction unit 124 uses one or more of the following as a treatment strategy: the inventory of an e-commerce business, the inventory of a medical device manufacturer or medical device seller, or the inventory of a hospital such as a main hospital, a branch hospital, or an affiliated hospital.
  • a device used for treating an aneurysm may be selected from the following.
  • the prediction unit 124 associates the distance and transportation time from the storage location to the treatment (use) location (for example, a hospital) for each device in the device information, and selects devices that are selection candidates according to the distance and transportation time. You may choose. In this way, even if the hospital does not have a device in stock, it is possible to select an appropriate device as a treatment strategy even during treatment, for example, immediately before or during surgery.
  • immediately before surgery means, for example, from several days before surgery to before the start of surgery.
  • the prediction unit 124 may select a device to be used for treatment by assigning a score to the device.
  • the prediction unit 124 assigns a score to each device in advance such that, for example, the shorter the transportation time or distance, the larger the value, and the longer the transportation time or distance, the smaller the value, and gives priority to devices with higher scores. All you have to do is select it.
  • the prediction unit 124 predicts that, for each aneurysm diameter, a value for a coil having the same secondary coil diameter as the aneurysm diameter is large; A score may be assigned to each device such that the value decreases as the difference in the secondary coil diameter of the coils increases, and devices with higher scores may be selected preferentially.
  • the secondary coil diameter of the coil is an index representing the softness of the coil, and is also referred to as the loop diameter.
  • the prediction unit 124 may be configured for each device so that, for example, when the device is used first during treatment, the longer the device, the larger the value, and the shorter the device, the smaller the value. A score may be given.
  • the prediction unit 124 predicts that the device is a coil whose secondary coil diameter is smaller than the secondary coil diameter of the coil used first, and A score may be assigned to each device such that the value decreases as the difference from the next coil diameter increases.
  • the prediction unit 124 predicts that when the device is the third device used, it is a coil whose secondary coil diameter is smaller than the secondary coil diameter of the second coil used.
  • a score may be assigned to each device such that the value decreases as the difference from the next coil diameter increases. That is, the prediction unit 124 may give each device a score that changes in stages according to the progress of the surgery. In this case, the prediction unit 124 may preferentially select devices with higher scores at each stage.
  • the prediction unit 124 may select a device by combining multiple types of scores described above. In this case, the prediction unit 124 may calculate the total score of the combined scores and select a device with a large total score.
  • the prediction unit 124 may predict a treatment strategy of a device used in a case similar to the symptom information as a treatment strategy according to the symptom information. In this case, the prediction unit 124 determines whether the case is similar and based on the symptom information and the supervising physician or senior specialist physician of the physician in charge of the current treatment. It is sufficient to predict the treatment strategy used in the treatment provided by the patient or senior specialist as the treatment strategy for the current treatment. At this time, for example, it is sufficient that information on the doctor in charge or the surgeon is associated with the medical information.
  • the prediction unit 124 can easily predict a treatment strategy simply by inputting medical information to the regression model.
  • the output processing unit 125 has a function of controlling the output of the prediction result of the treatment strategy. For example, the output processing unit 125 inputs the prediction result predicted by the prediction unit 124 as a treatment strategy to the output unit 140 and displays it.
  • FIG. 10 is a flowchart showing the flow of regression model generation processing in the prediction system Sys according to this embodiment.
  • the acquisition unit 121 of the prediction device 10 acquires medical information (step S100).
  • the classification unit 122 classifies to which class it belongs based on the medical information acquired by the acquisition unit 121 (step S102).
  • the learning unit 123 generates a regression model based on the classification results classified by the classification unit 122 and the medical information acquired by the acquisition unit 121 (step S104).
  • the learning unit 123 then stores the generated regression model in the storage unit 130 (step S106).
  • FIG. 11 is a flowchart showing the flow of treatment strategy prediction processing in the prediction system Sys according to this embodiment.
  • the acquisition unit 121 of the prediction device 10 acquires medical information (step S200).
  • the prediction unit 124 inputs the medical information into the regression model stored in the storage unit 130 (step S202).
  • the prediction unit 124 predicts the output according to the input of medical information to the regression model as a treatment strategy, for example, the type of device used for treatment and the amount of device usage (step S204).
  • the output processing unit 125 outputs the treatment strategy predicted by the prediction unit 124 to the output unit 140 for display (step S206).
  • the prediction system Sys includes the acquisition unit 121 that acquires one or more images of CT, MRI, MRA, or DSA for a patient having an aneurysm, and the acquisition unit 121 that acquires one or more images of a patient having an aneurysm;
  • the prediction unit 124 predicts a treatment strategy for an aneurysm (for example, the type of device used for treatment or the amount of device usage) using machine learning for the three or more images.
  • the type of device here may be a type such as FD, IFD, stent, or coil, or may be a type such as a size of the device.
  • the treatment strategy predicted by the prediction unit 124 may be one treatment strategy or a plurality of treatment strategy candidates. Further, the plurality of treatment strategy candidates may be candidates based on a plurality of patterns of usage amount for one type of device, or may be candidates for a plurality of types of devices.
  • the treatment strategy includes advice for deciding the treatment strategy, the amount of medical fees to be billed according to the treatment method, the amount to be borne by the patient, etc., the expenses that the medical institution must take out, and insurance claims. It may also be possible to present medical expenses to be paid by the government, medical expenses borne by the state, periods of hospitalization, bed rest, etc. depending on the treatment method, or presentation of hospitals that can provide treatment according to the treatment method.
  • the costs that medical institutions must incur are limited, for example, when there are restrictions on the type or quantity of devices that can be used, the combination of devices, etc., depending on the country, local government, health insurance, etc. Any out-of-pocket expenses that exceed the limit will be borne by patients with voluntary insurance or borne by medical institutions.
  • the cost of taking the patient out to a medical institution can also be calculated by calculating the difference between the amount of medical fees requested in the past to the examination and payment organization and the amount paid to the medical institution as medical fees.
  • the prediction unit 124 may generate inquiry information that asks the patient or a related department within the medical institution whether or not the device can be used.
  • the prediction unit 124 can select a device based on the answer to the inquiry information.
  • the prediction unit 124 determines whether a flow diverter, a coil, a combination of a flow diverter and a coil, a combination of a flow diverter, a coil and a stent, a flow diverter, a coil and a balloon are required. Inquiry information including costs for each combination of devices may be generated, such as when using a catheter in combination.
  • the prediction unit 124 predicts a treatment strategy by combining machine learning and Computational Fluid Dynamic (CFD) analysis. For example, the prediction unit 124 determines the changes in classification results based on medical information, for example, for a certain device, the blood flow volume or blood flow velocity when the first device is indwelled, and the blood flow volume or blood flow speed when the second device is indwelled. Predict treatment strategies by predicting changes in
  • the present invention further includes a presentation unit (output unit 140) that presents a computer simulation result based on the prediction result, and the prediction unit 124 selects a device to be used for treatment based on the prediction result.
  • a presentation unit output unit 140
  • the prediction unit 124 selects a device to be used for treatment based on the prediction result.
  • the prediction unit 124 uses machine learning to predict a treatment strategy for the aneurysm based on the case, patient information, and any one or more of the acquired images. As a result, it is possible to predict a treatment strategy according to the condition of the aneurysm and the condition of the patient, thereby improving the accuracy of treatment.
  • the case is characterized by at least one of the following: aneurysm diameter, location, neck/dome ratio, blood vessel course, number of aneurysms, presence or absence of blebs, and patient information includes patient age, blood pressure, The information is at least one of gender, smoking history, diabetes history, aneurysm rupture history, and genetic information.
  • a bleb is a lump-like bulge that occurs in the dome.
  • Genetic information includes information such as patient's genetic analysis results and genetic information such as family medical history.
  • the features include quantitative features such as the diameter of the aneurysm, neck/dome ratio of the aneurysm, number of aneurysms, presence or absence of blebs, and qualitative features such as the location of the aneurysm and the course of blood vessels in the aneurysm. It is a feature quantity.
  • the case is a feature amount related to the left-right symmetry of cerebral blood vessels of a patient with an aneurysm
  • the patient information is information on at least one of the patient's age, blood pressure, gender, and smoking history.
  • the feature amount is a qualitative feature amount representing the left-right symmetry of cerebral blood vessels.
  • the system further includes a learning unit 123 (also referred to as a reinforcement unit) that performs reinforcement learning of the system through federated learning for a patient having an aneurysm.
  • Federated learning is an algorithm for safe and smooth machine learning while anonymously utilizing a huge amount of patient data from each medical institution, for example. This allows learning to be performed more efficiently than learning at individual hospitals, thereby improving the accuracy of predicting treatment strategies.
  • the prediction unit 124 selects a device from inventory. This allows the hospital to select a device to be used for treatment from among the devices in stock.
  • the prediction unit 124 selects a device from among all products. This makes it possible to select a device even if the hospital does not keep it in stock, so it is possible to select a device that is appropriate for the condition of the aneurysm and the condition of the patient.
  • the prediction unit 124 selects a device to be used for treatment based on the prediction result, and the selection of the device to be used for treatment is one or both of the selection of the type of device used for treatment and the selection of the quantity of devices used for treatment. . This allows for more detailed prediction of treatment strategies.
  • the image information may include various information such as an X-ray image, an echo image, an endoscopic image, and an image photographed by a smartphone or the like. Further, the image information may be image information based on each image or moving image, for example, image information obtained by processing each image or moving image. Further, the medical information may be text information such as audio during counseling or medical examination, or text based on the audio or text based on image information.
  • a "computer-readable recording medium” refers to a storage medium that dynamically stores a program for a short period of time, such as a communication line when transmitting a program via a network such as the Internet or a communication line such as a telephone line. It may also include a device that retains a program for a certain period of time, such as a volatile memory inside a computer system that is a server or client in that case. Further, the above-mentioned program may be one for realizing a part of the above-mentioned functions, or may be one that can realize the above-mentioned functions in combination with a program already recorded in the computer system. It may be realized using a programmable logic device such as an FPGA (Field Programmable Gate Array).
  • FPGA Field Programmable Gate Array
  • the program that runs on the device according to one aspect of the present invention controls the Central Processing Unit (CPU) and the like to make the computer function so as to realize the functions of the above-described embodiments related to one aspect of the present invention. It may be a program. Programs or information handled by programs are temporarily read into volatile memory such as Random Access Memory (RAM) during processing, or stored in non-volatile memory such as flash memory or Hard Disk Drive (HDD), and are stored as needed. Reading, modification, and writing are performed by the CPU accordingly.
  • volatile memory such as Random Access Memory (RAM) during processing
  • non-volatile memory such as flash memory or Hard Disk Drive (HDD)
  • HDD Hard Disk Drive
  • a part of the apparatus in the embodiment described above may be realized by a computer.
  • the program for realizing this control function is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read into the computer system and executed.
  • the "computer system” herein refers to a computer system built into the device, and includes hardware such as an operating system and peripheral devices.
  • the "computer-readable recording medium” may be any semiconductor recording medium, optical recording medium, magnetic recording medium, etc.
  • a ⁇ computer-readable recording medium'' refers to a computer-readable storage medium that dynamically stores a program for a short period of time, such as a communication line when transmitting a program via a network such as the Internet or a communication line such as a telephone line. It may also include a device that retains a program for a certain period of time, such as a volatile memory inside a computer system that serves as a server or client. Further, the above-mentioned program may be one for realizing a part of the above-mentioned functions, or may be one that can realize the above-mentioned functions in combination with a program already recorded in the computer system. .
  • each functional block or feature of the device used in the embodiments described above may be implemented or executed in an electrical circuit, typically an integrated circuit or multiple integrated circuits.
  • An electrical circuit designed to perform the functions described herein may be a general purpose processor, digital signal processor (DSP), application specific integrated circuit (ASIC), field programmable gate array (FPGA), or other programmable logic devices, discrete gate or transistor logic, discrete hardware components, or combinations thereof.
  • a general purpose processor may be a microprocessor, or in the alternative, the processor may be a conventional processor, controller, microcontroller, or state machine.
  • the general-purpose processor or each of the circuits described above may be configured with a digital circuit or an analog circuit. Further, if an integrated circuit technology that replaces the current integrated circuit emerges due to advances in semiconductor technology, it is also possible to use an integrated circuit based on this technology.
  • One aspect of the present invention can be used in, for example, a prediction system, a prediction device, a prediction method, a program, or the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本開示に係る予測システムは、動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得部と、取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する予測部と、を備える。

Description

予測システム、予測装置、および予測方法
　本発明は、予測システム、予測装置、および予測方法に関する。
　本願は、２０２２年３月２９日に日本に出願された特願２０２２－０５４０４０号について優先権を主張し、その内容をここに援用する。
　機械学習や深層学習を用いて、生活習慣に基づいてこれから罹患する可能性がある症例を予測したり、医用画像に基づいて患者を診断したりする技術が知られている。
　例えば、特許文献１には、被験者の医用画像であり、かつ病変を視認可能な医用画像から病変位置を特定し、当該病変位置にクラスタリングアルゴリズムを適用することで、病態を判定することが開示されている。
　また、動脈瘤の治療においては、血管内治療を行っても、動脈瘤の再治療、再開通となる場合が少なくない。
　例えば、動脈瘤の血管内治療を行った場合の動脈瘤の再治療率は、ＩＳＡＴ　ＳＴＵＤＹにおいて１０年間で１７．４％（非特許文献１参照）、ＢＲＡＤ　ＳＴＵＤＹにおいて６年間で１６．４％（非特許文献２参照）といずれも高い。日本国内においても１０年間の動脈瘤の再開通率は、１０．５％（非特許文献３参照）と報告されている。このことからも、動脈瘤の治療では、治療戦略の予測による治療精度の向上が望まれている。
特開２０２０－１６８３７２号公報
Ａｄｒｉａｎａ　Ｃａｍｐｉ，　Ｎａｊｉｂ　Ｒａｍｚｉ，　Ａｎｄｒｅｗ　Ｊ．　Ｍｏｌｙｎｅｕｘ，　Ｐａｕｌ　Ｅ．　Ｓｕｍｍｅｒｓ，　Ｒｉｃｈａｒｄ　Ｓ．Ｃ．　Ｋｅｒｒ，　Ｍａｒｙ　Ｓｎｅａｄｅ，　Ｊｕｌｉａ　Ａ．　Ｙａｒｎｏｌｄ，　Ｊｏａｎ　Ｒｉｓｃｈｍｉｌｌｅｒ，　ａｎｄ　Ｊａｍｅｓ　Ｖ．　Ｂｙｒｎｅ，　"Ｒｅｔｒｅａｔｍｅｎｔ　ｏｆ　ｒｕｐｔｕｒｅｄ　ｃｅｒｅｂｒａｌ　ａｎｅｕｒｙｓｍｓ　ｉｎ　ｐａｔｉｅｎｔｓ　ｒａｎｄｏｍｉｚｅｄ　ｂｙ　ｃｏｉｌｉｎｇ　ｏｒ　ｃｌｉｐｐｉｎｇ　ｉｎ　ｔｈｅ　ｉｎｔｅｒｎａｔｉｏｎａｌ　ｓｕｂａｒａｃｈｎｏｉｄ　ａｎｅｕｒｙｓｍ　ｔｒｉａｌ　（ＩＳＡＴ）"，　Ｓｔｒｏｋｅ．　２００７；　３８：１５３８－１５４４，　ＤＯＩ：　１０．１１６１／ＳＴＲＯＫＥＡＨＡ．１０６．４６６９８７ Ｒｏｂｅｒｔ　Ｆ．　Ｓｐｅｔｚｌｅｒ，　Ｃａｍｅｒｏｎ　Ｇ．　ＭｃＤｏｕｇａｌｌ，　Ｊｏｓｅｐｈ　Ｍ．　Ｚａｂｒａｍｓｋｉ，　Ｆｅｌｉｐｅ　Ｃ．　Ａｌｂｕｑｕｅｒｑｕｅ，　Ｎａｎｃｙ　Ｋ．　Ｈｉｌｌｓ，　Ｊｏｎａｔｈａｎ　Ｊ．　Ｒｕｓｓｉｎ，　Ｓｈａｈｒａｍ　Ｐａｒｔｏｖｉ，　Ｐｅｔｅｒ　Ｎａｋａｊｉ，　ａｎｄ　Ｒｏｂｅｒｔ　Ｃ．　Ｗａｌｌａｃｅ，　"Ｔｈｅ　Ｂａｒｒｏｗ　Ｒｕｐｔｕｒｅｄ　Ａｎｅｕｒｙｓｍ　Ｔｒｉａｌ：　６－ｙｅａｒ　ｒｅｓｕｌｔｓ"，　Ｊ　Ｎｅｕｒｏｓｕｒｇ　Ｖｏｌｕｍｅ　１２３，　ＰＰ．６０９－６１７，　Ｓｅｐｔｅｍｂｅｒ　２０１５ Ｍｉｃｈｉｙａｓｕ　Ｆｕｇａ，　Ｔｏｓｈｉｈｉｄｅ　Ｔａｎａｋａ，　Ｋｏｒｅａｋｉ　Ｉｒｉｅ，　Ｉｋｋｉ　Ｋａｊｉｗａｒａ，　Ｒｉｎｔａｒｏ　Ｔａｃｈｉ，　Ａｋｉｈｉｋｏ　Ｔｅｓｈｉｇａｗａｒａ，　Ｔｏｓｈｉｈｉｒｏ　Ｉｓｈｉｂａｓｈｉ，　Ｙｕｚｕｒｕ　Ｈａｓｅｇａｗａ，　Ｙｕｉｃｈｉ　Ｍｕｒａｙａｍａ，　"Ｒｉｓｋ　ｆａｃｔｏｒｓ　ｆｏｒ　ｒｅｃａｎａｌｉｚａｔｉｏｎ　ｏｆ　ｄｅｎｓｅ　ｃｏｉｌ　ｐａｃｋｉｎｇ　ｆｏｒ　ｕｎｒｕｐｔｕｒｅｄ　ｃｅｒｅｂｒａｌ　ａｎｅｕｒｙｓｍｓ　ｉｎ　ｅｎｄｏｖａｓｃｕｌａｒ　ｃｏｉｌ　ｅｍｂｏｌｉｚａｔｉｏｎ：　Ａｎａｌｙｓｉｓ　ｏｆ　ａ　ｓｉｎｇｌｅ　ｃｅｎｔｅｒ’ｓ　ｅｘｐｅｒｉｅｎｃｅ"，　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｌｉｎｉｃａｌ　Ｎｅｕｒｏｓｃｉｅｎｃｅ　Ｖｏｌｕｍｅ　９８，　ＰＰ．１７５－１８１，　Ｆｅｂｒｕａｒｙ　２０２２
　しかしながら、特許文献１に記載された技術を用いて病態を判定することはできても、治療戦略を予測することができなかった。また、動脈瘤対する治療において、治療戦略を予測することができなかった。
　本発明の一態様は、上述の課題を鑑みてなされたもので、動脈瘤に対する治療戦略を予測することができる予測システム、予測装置、および予測方法を提供することにある。
　上述の課題を解決するために、本発明の一態様に係る予測システムは、動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得部と、取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する予測部と、を備える。
　上述の課題を解決するために、本発明の一態様に係る予測装置は、動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得部と、取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する予測部と、を備える。
　上述の課題を解決するために、本発明の一態様に係る予測方法は、予測装置のコンピュータが、動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得過程と、取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する予測過程と、を有する。
　上述の課題を解決するために、本発明の一態様に係るプログラムは、予測装置のコンピュータに、動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得ステップと、取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する予測ステップと、を実行させる。
　なお、これらの包括的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラム、または、記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。
　本発明の一態様によれば、動脈瘤に対する治療戦略を予測することができる。
本発明の第１の実施形態に係る予測システムの一例を示す概略図である。 本実施形態に係る予測装置の構成の一例を示すブロック図である。 本実施形態に係る予測装置の記憶部が記憶する情報の一例を示す図である。 本実施形態に係る予測装置の記憶部が記憶する情報の他の一例を示す図である。 本実施形態に係る予測装置の記憶部が記憶する情報の他の一例を示す図である。 本実施形態に係る予測装置の記憶部が記憶する情報の他の一例を示す図である。 本実施形態に係る予測装置の記憶部が記憶する情報の他の一例を示す図である。 本実施形態に係る予測装置の記憶部が記憶する情報の他の一例を示す図である。 本実施形態に係る予測装置の記憶部が記憶する情報の他の一例を示す図である。 本実施形態に係る予測システムにおける回帰モデル生成処理の流れを示すフローチャートである。 本実施形態に係る予測システムにおける予測処理の流れを示すフローチャートである。
　以下、図面を参照しながら本発明の実施形態について詳しく説明する。
＜予測システムの構成＞
　図１を参照して、本実施形態に係る予測システムについて説明する。
　図１は、本実施形態に係る予測システムＳｙｓの概略図である。
　予測システムＳｙｓは、図１に示す予測装置１０と、端末装置Ｔと、を含んで構成される。予測装置１０と、端末装置Ｔとは、通信可能に接続される。
　予測装置１０は、血管疾患の症状を有する患者ごとに、治療前、治療中、治療直後、治療後の少なくともいずれか１つ以上のタイミングで撮影された画像と、当該患者ごとの状態とに基づいて学習された学習結果を記憶する。ここで、治療後とは、治療直後から所定期間経過後のことである。所定期間は、例えば、１週間、１か月、３か月、６か月、１２か月、１年、１８か月、２年などの期間である。血管疾患は、例えば動脈瘤である。以下の説明では、血管疾患が脳動脈瘤である場合の一例について説明する。
　予測装置１０は、血管疾患の症状を有する患者に対する治療戦略を、患者ごとの状態及び画像に基づく学習結果により予測する装置である。予測装置１０は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）、サーバ装置、スマートフォン、及びタブレット等の端末装置である。治療戦略は、例えば、経過観察、投薬治療、外科的手術、血管内治療などの治療の方向性のことである。治療の方向性には、外科的手術の各術式、例えば、トラッピング術、クリッピング術、バイパス併用血管閉塞術、人口血管置換術などの各術式や、血管内治療の各術式、例えば、インターナルトラッピング術、コイル塞栓術、ステント留置術、フローダイバーター（ＦＤ）留置術、イントラサッキュラーフローディスラプター（ＩＦＤ）留置術、ステントグラフト内挿術などの各術式も含まれる。
　一例として、本実施形態における治療戦略は、動脈瘤の治療に用いるコイル等のデバイスの選択である場合について説明する。
　端末装置Ｔは、患者Ｐの診療情報を取得する。端末装置Ｔは、例えば、ＰＣ、サーバ装置、スマートフォン、及びタブレット等の端末装置である。例えば、端末装置Ｔは、医師Ｄによる患者Ｐの診察結果を、患者Ｐの診療情報として取得する。端末装置Ｔは、予測装置１０によって予測された患者Ｐに対する治療戦略を予測結果として出力する。なお、予測装置１０と、端末装置Ｔとは、一体に構成されてもよい。
　予測システムＳｙｓについて、より詳細に説明する。
　本実施形態に係る予測システムＳｙｓは、血管疾患の治療戦略の予測を行うシステムである。ここで、血管疾患には、大動脈瘤、脳動脈瘤などの動脈瘤や動脈解離のように出血リスクを伴う出血性イベントなどの疾患である。
　本実施形態では、一例として、血管疾患の症状を有する患者の診療情報に基づく機械学習により治療戦略の予測を行う場合について説明する。ここで、診療情報は、画像情報を少なくとも含む。画像情報は、治療前、治療中、治療直後、治療後の少なくともいずれか１つ以上のタイミングで撮影された造影画像や撮影画像などの医療画像の情報である。造影画像は、例えば、疾患部位に造影剤を用いて撮影された画像であり、例えば脳血管造影画像（ＤＳＡ画像）などである。また、撮影画像は、例えば、コンピュータ断層画像（ＣＴ画像）、核磁気共鳴画像（ＭＲＩ画像）、磁気共鳴血管画像（ＭＲＡ画像）などである。各画像は、静止画像または動画像である。
　例えば、治療中の場合、画像情報は、ＤＳＡ画像が好適であり、治療前、治療直後、治療後は、ＣＴ画像、ＭＲＩ画像、ＭＲＡ画像を用いることが好適である。このように治療中とそれ以外とで異なる画像を用いることで、治療中において、治療の次の工程で用いるデバイスの候補を好適に提示することができる。
＜予測装置の機能構成＞
　図２を参照して、本実施形態に係る予測装置１０の機能構成について説明する。
　図２は、本実施形態に係る予測装置１０の構成の一例を示すブロック図である。
　図２に示すように、予測装置１０は、通信部１１０と、制御部１２０と、記憶部１３０と、出力部１４０と、を備える。
＜通信部１１０＞
　通信部１１０は、各種情報を送受信する機能を有する。通信部１１０は、有線通信あるいは無線通信のいずれの通信方式を用いてもよい。例えば、通信部１１０は、患者の診療情報を端末装置から受信する。また、通信部１１０は、受信した情報を制御部１２０へ出力する。
＜記憶部１３０＞
　記憶部１３０は、各種情報を記憶する機能を有する。記憶部１３０は、記憶媒体、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）、フラッシュメモリ、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ　Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　ｒｅａｄ／ｗｒｉｔｅ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、またはこれらの記憶媒体の任意の組み合わせによって構成される。
　記憶部１３０は、診療情報を記憶する。ここで、診療情報には、上述した画像情報に加えて、患者情報、診察情報、既往情報、および治療情報が含まれる。
　患者情報は、図３に示すように、患者を識別する患者ＩＤごとに、患者の性別と、患者の年齢と、患者の氏名と、が対応付けられた情報である。
　画像情報は、図４に示すように、患者ＩＤごとに、画像を識別する画像ＩＤと、画像の取得日時と、画像種別と、画像データと、が対応付けられた情報である。
　診察情報は、図５に示すように、患者ＩＤごとに、血圧の測定値と、血圧の測定日時と、症例情報と、症状情報と、が対応付けられた情報である。血圧は、動脈瘤の破裂関連因子であり、収縮時血圧と拡張時血圧または双方の差を測定値としても良いが、収縮時血圧を血圧の測定値として用いることが好適である。
　症例情報は、例えば、発症血管部位、動脈瘤の形状、動脈瘤の瘤径、動脈瘤のネック・ドーム比（動脈瘤の頸部（ネック）に対する動脈瘤の膨らみ部（ドーム）の比率）、動脈瘤サイズ（縦×横×奥）、血管走行、左右対称性、多発有無、再発有無、動脈瘤壁の炎症反応、動脈瘤壁の造影効果などの動脈瘤に関する情報である。
　症状情報は、例えば、頭痛の有無、吐気・嘔吐の有無、目の違和感の有無、瞼下垂の有無、知覚低下の有無、麻痺の有無、痙攣の有無、意識消失の有無などの患者が有する健康上の症状を表す情報である。
　既往情報は、図６に示すように、患者ＩＤごとに、患者の既往歴と、患者の喫煙歴と、患者が有するアレルギーと、状態情報と、が対応付けられた情報である。
　状態情報は、生存状態、リハビリの有無、後遺症の有無、動脈瘤の破裂の有無などの患者の現在の状態を表す情報である。
　治療情報は、図７に示すように、患者ＩＤごとに、動脈瘤に対する治療の術式と、治療を行った医師名と、治療を行った治療日時と、治療に要した所要時間と、治療に用いたデバイスのデバイス情報（例えば、デバイスＩＤと、デバイスの使用量）と、治療中に取得した画像ＩＤと、が対応付けられた情報である。
　デバイス情報は、図８に示すように、デバイスＩＤごとに、デバイスのメーカと、デバイスの種類と、デバイスの材質と、デバイスの太さと、デバイスの柔らかさと、デバイスの長さと、デバイスの型番と、デバイスの在庫数と、が対応付けられた情報である。
　デバイスの種類は、ステント、ＦＤ、ＩＦＤ、コイルなどのデバイスの種別である。デバイスの材質は、プラチナ、タングステン、イリジウム、金、チタン、ニッケル、パラジウム、マグネシウムまたはそれらの合金などの材質の種別である。例えば、プラチナは、ナイチノールの６倍の剛性で、タングステンの半分の剛性を有する。デバイスの太さは、デバイス径などである。デバイスの柔らかさは、ループ径などのデバイスの柔軟性を表す。
　ここで、デバイスのループ径について説明する。
　コイル塞栓術に用いられるコイルの場合、コイルのほとんどは、プラチナタングステン合金が材質に用いられている。そのため、コイルは、材質による差はなく、素線径の４乗に比例し、一次コイル径の３乗に反比例することが知られている。デバイスの柔らかさは、素線径や一次コイル径などによるループ径に基づいて設定されてもよいが、ループ径を荷重試験機で押した場合の反力を測定した情報により設定されてもよい。
　デバイスの柔らかさに反力を測定した情報を用いる場合、例えば実際の反力の測定は、荷重試験機を０．１ｍｍ／ｓで１０ｍｍ押下げた時点の反力を測定すればよい。測定した反力は、コイルの柔らかさ（硬さ）を表す指標として用いることができる。
　また、デバイスの材質がプラチナタングステン合金やプラチナ金合金である場合は、イオン化傾向が低く、金属イオンの流出による細胞毒性が少なく、抗血栓形成性に優れる。既往情報から金属アレルギーの症状を有する患者や長期留置が必要な若年層には、これらの素材のデバイスの選択が好適である。
　このように、材質やデバイスの柔らかさなどが異なる複数のデバイスの中から患者に適したデバイスを選択可能とすることで、動脈瘤の治療の多様性を向上させることができる。そのため、動脈瘤の治療戦略の予測を効率的に行うことができる。
＜出力部１４０＞
　出力部１４０は、各種情報を出力する機能を有する。出力部１４０の機能は、例えば、予測装置１０が有するディスプレイ等の表示装置によって実現される。出力部１４０は、制御部１２０から入力される治療戦略の情報を表示する。
　なお、出力部１４０は、予測装置１０以外の装置が有する表示装置であってもよい。
＜制御部１２０＞
　制御部１２０は、予測装置１０の動作全般を制御する機能を有する。当該機能は、例えば、予測装置１０がハードウェアとして備えるＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）にプログラムを実行させることによって実現される。
　図２に示すように制御部１２０は、取得部１２１と、分類部１２２と、学習部１２３と、予測部１２４と、出力処理部１２５と、を備える。
＜取得部１２１＞
　取得部１２１は、各種情報を取得する機能を有する。例えば、取得部１２１は、診療情報を取得する。取得部１２１は、取得した診療情報を、記憶部１３０に記憶させる。
＜分類部１２２＞
　分類部１２２は、各種情報を評価、分類する機能を有する。例えば、分類部１２２は、診療情報に基づいて動脈瘤の状態を、治療法ごとの分類指標を用いて評価して分類する。分類指標は、動脈瘤の状態を複数のクラスのいずれであるかを分類するための指標である。分類指標は、例えば、Ｒａｙｍｏｎｄ分類、Ｍｏｄｉｆｉｅｄ－Ｒａｙｍｏｎｄ－Ｒｏｙ分類などの指標である。
　分類部１２２は、例えば、コイル塞栓術の場合、動脈瘤の画像ごとに、動脈瘤がＭｏｄｉｆｉｅｄ－Ｒａｙｍｏｎｄ－Ｒｏｙ分類のいずれのクラスであるかを分類する。Ｍｏｄｉｆｉｅｄ－Ｒａｙｍｏｎｄ－Ｒｏｙ分類は、クラス１：完全閉塞、クラス２：頸部非完全閉塞、クラス３ａ：動脈瘤内部非完全閉塞、クラス３ｂ：動脈瘤側面非完全閉塞の４つのクラスに分類される指標である。クラス１は、動脈瘤が塞栓コイルまたは器質化組織によって完全閉塞された状態である。クラス２は、ネックと呼ばれる動脈瘤の頸部が塞栓コイルまたは器質化組織によって閉塞されていない状態である。クラス３ａは、クラス１の完全閉塞に対して、動脈瘤内部の塞栓コイルまたは器質化組織の密度が低く瘤が残存している状態である。クラス３ｂは、動脈瘤の一部が塞栓コイルまたは器質化組織によって閉塞されていない状態である。
　ここで、Ｍｏｄｉｆｉｅｄ－Ｒａｙｍｏｎｄ－Ｒｏｙ分類は、動脈瘤の再開通率の相関がある。例えば、Ｍｏｄｉｆｉｅｄ－Ｒａｙｍｏｎｄ－Ｒｏｙ分類について記載された文献には、再開通した未破裂動脈瘤のうち、上記クラス２に分類される未破裂動脈瘤は７．９％、上記クラス３ａに分類される未破裂動脈瘤は３１．６％、上記クラス３ｂに分類される未破裂動脈瘤は６０．５％であることが示されている。また、Ｍｏｄｉｆｉｅｄ－Ｒａｙｍｏｎｄ－Ｒｏｙ分類について記載された文献には、再開通した破裂動脈瘤のうち、上記クラス２に分類される未破裂動脈瘤は１８．９％、上記クラス３ａに分類される未破裂動脈瘤は１８．９％、上記クラス３ｂに分類される未破裂動脈瘤は６２．２％であることが示されている。
　このことから、動脈瘤の治療は、クラス１またはクラス２を所定期間経過後にも維持可能な動脈瘤に対する治療が望まれ、当該治療の実現のためにＭｏｄｉｆｉｅｄ－Ｒａｙｍｏｎｄ－Ｒｏｙ分類による動脈瘤の分類は治療戦略の予測に好適に用いることができる。
　なお、分類指標は、動脈瘤に対する造影剤の体積率に基づく分類指標を用いてもよい。例えば、動脈瘤に対する造影剤の体積率は、静止画像又は動画像などの画像ごとに、例えば、動脈瘤体積に対する動画像における動脈瘤内部の造影剤の体積の比率によって算出する。動脈瘤に対する造影剤の体積率を用いたクラス分類は、クラスＩ：体積率５％未満、クラスＩＩ：体積率５％以上１０％未満、クラスＩＩＩ：体積率１０％以上２０％未満の、クラスＩＶ：体積率２０％以上などのようにクラスを設けて動脈瘤の状態を分類しても良い。
　また、分類指標は、動脈瘤壁の造影効果が動脈瘤壁の炎症反応やせん断応力に伴う血管脆弱性を示すことから、動脈瘤壁の画像における造影効果に応じた分類を行っても良い。ここで、造影効果は、例えば、造影剤を用いた動脈瘤の血管壁ＭＲＡ画像において、造影画像における造影剤の映り度合いである。この場合、分類部１２２は、例えば、造影画像の血液信号の強度に応じて、クラスＩ：瘤壁の信号強度の増強効果が認められない、クラスＩＩ：瘤壁の信号強度の増強効果が認められるが、動脈瘤近傍の親血管よりも瘤壁の信号強度の増強効果が弱い、クラスＩＩＩ：動脈瘤近傍の親血管よりも瘤壁の信号強度の増強効果が強いなどのようにクラス分類を行えばよい。
　また、分類部１２２は、例えば、ステント留置術やＦＤ留置術の場合、動脈瘤ごとにＣＦＤ解析を行い、動脈瘤内の血流の低減の有無および所定期間経過後の動脈瘤内の血栓化の有無を評価し、動脈瘤の状態を分類する。また、分類部１２２は、例えば、ＩＦＤ留置術の場合、動脈瘤ごとにＣＦＤ解析を行い、動脈瘤内の血流の低減の有無および所定時間経過後の動脈瘤内の血栓化の有無、ＩＦＤのコンプレッションの度合いについて評価し、動脈瘤の状態を分類する。
　分類部１２２は、分類結果を、画像ＩＤおよび治療法と対応付けて記憶部１３０に記憶させる。分類部１２２は、例えば、分類結果を、図９に示すように、患者ＩＤと、画像ＩＤと、治療法を表す術式と、分類結果を表す評価値と、を対応付けて記憶部１３０に記憶させる。
＜学習部１２３＞
　学習部１２３は、回帰モデルを生成する機能を有する。本実施形態に係る回帰モデルは、診療情報と分類結果と治療戦略とが関連付けられたモデルである。学習部１２３は、生成した回帰モデルを記憶部１３０に記憶させる。
　学習部１２３は、例えば、診療情報と分類結果とに基づいて、診療情報と分類結果と治療戦略との関係性を示す回帰モデルを生成する。生成された回帰モデルは、診療情報が入力されると、当該診療情報に応じた治療戦略を出力する。
　学習部１２３は、例えば、統計解析により回帰モデルを生成する。具体的に、学習部１２３は、分類部１２２によって分類された分類結果と治療戦略とに基づき、回帰モデルを生成する。具体的に、学習部１２３は、診療情報に基づき治療戦略を出力するモデルを生成する。
　また、学習部１２３は、機械学習により回帰モデル（学習済みモデル）を生成してもよい。機械学習の手法の一例として、ＳＶＲ（サポートベクター回帰）、ランダムフォレスト、ニューラルネットワークによるディープラーニング等が挙げられる。
　学習部１２３は、例えば、教師あり学習によって学習済みモデルを生成する。教師あり学習では、学習モデルに訓練用のデータセットを用いた学習を行わせる。データセットは、学習時の入力となる説明変数と、当該入力データに基づき出力されるデータの正解を示す目的変数のセットである。学習部１２３は、訓練により構築した学習済みモデルに検証用のデータセットを用いて検証する。学習部１２３は、検証により構築した学習モデルの精度をテスト用のデータセットを用いて判定する。
　本実施形態の場合、説明変数は、診療情報と分類部１２２によって分類される分類結果である。目的変数は、治療戦略である。学習部１２３は、診療情報および分類結果と治療戦略との対応を学習した学習済みモデルを生成する。
　このようにすることで、後述する予測部１２４による予測精度を向上させることができる。
　ここで、訓練用のデータセット、および検証用のデータセットは１２００万枚以上の画像、テスト用のデータセットは１００万枚以上の画像を含むデータセットであることが好適である。
　また、テスト用のデータセットを用いた学習モデルの精度判定は、複数回行わないこと、すなわち、１回であることが好ましい。このようにすることで、テスト用のデータセットを学習してしまうことを抑制することができる。
　また、学習部１２３は、診療情報に基づいて、症例ごとのクラスタリングを行ってもよい。例えば、学習部１２３は、症例ごとに特徴量を算出し、当該特徴量の類似性、相違性、特異性を判定することでクラスタリングを行ってもよい。また、学習部１２３は、分類型機械学習と、回帰型機械学習とを組み合わせて強化学習を行ってもよい。これにより、予測精度を向上させることができる。
＜予測部１２４＞
　予測部１２４は、診療情報に基づいて治療戦略を予測する機能を有する。例えば、予測部１２４は、診療情報と回帰モデルとに基づいて治療戦略を予測する。
　具体的に、予測部１２４は、学習部１２３によって予め生成され、記憶部１３０に記憶された回帰モデルに対して、動脈瘤を有する患者の診療情報を入力する。当該診療情報を入力された回帰モデルは、治療戦略を出力する。予測部１２４は、回帰モデルが出力した治療戦略に基づいて、治療に用いるデバイスの種類及びデバイスの量を、複数のデバイスの中から１または複数選択して予測する。予測部１２４は、回帰モデルが出力した治療戦略に基づくコンピュータシミュレーションを行う提示する提示部（出力部１４０）と、予測結果に基づいて、治療に用いるデバイスを予測する。
　なお、本実施形態の場合、回帰モデルは、治療戦略としてデバイスの種類及び使用量を出力する。
　なお、出力部１４０（提示部）は、動脈瘤の治療の術式、動脈瘤の治療に用いるデバイス、予測される手術時間、手術の難易度、手術に必要な医療関係者の人数、予測される治療費、及び、動脈瘤の治療に他のデバイスを用いることによる選択肢、の全てを含む提示を行ってもよいし、動脈瘤の治療の術式、動脈瘤の治療に用いるデバイス、予測される手術時間、手術の難易度、手術に必要な医療関係者の人数、予測される治療費、及び、動脈瘤の治療に他のデバイスを用いることによる選択肢、のうちの一つまたは複数を含む提示を行ってもよい。
　出力部１４０（提示部）による提示は、例えば、予測部１２４による予測結果に基づいて、出力処理部１２５によって出力画像が生成され、当該生成された出力画像によって提示されればよい。
　なお、予測部１２４は、治療戦略として、イーコマース事業者の在庫、医療機器メーカや医療機器販売者などの在庫、本院や分院、系列病院などの病院の在庫のいずれか１つまたは複数のから動脈瘤の治療に用いるデバイスを選択してもよい。また、予測部１２４は、デバイス情報のデバイスごとに保管場所から治療（使用）場所（例えば病院）までの距離や輸送時間を対応付け、選択候補となるデバイスを、当該距離や輸送時間に応じて選択してもよい。
　このようにすることで、病院に在庫がないデバイスであっても、治療中、例えば、手術直前や手術中などの治療中であっても治療戦略として適切なデバイスを選択することができる。ここで、手術直前とは、例えば、手術数日前から手術開始前までのことである。
　また、予測部１２４は、デバイスにスコアを付与して治療に用いるデバイスを選択してもよい。この場合、予測部１２４は、例えば、輸送時間や距離が短いほど値が大きく、輸送時間や距離が長いほど値が小さくなるようにデバイスごとのスコアを予め付与し、スコアが大きいデバイスから優先して選択するようにすればよい。
　また、予測部１２４は、例えば、動脈瘤の瘤径に応じて、動脈瘤の瘤径ごとに、動脈瘤の瘤径と同じ二次コイル径のコイルに対する値が大きく、動脈瘤の瘤径とコイルの二次コイル径の差が大きくなるにつれて値が小さくなるようにデバイスごとにスコアを付与し、スコアが大きいデバイスから優先して選択するようにすればよい。ここで、コイルの二次コイル径は、コイルの柔らかさを表す指標であり、ループ径とも称される。
　また、予測部１２４は、例えば、治療中において、例えば、最初に用いるデバイスである場合には、長さが長いデバイスほど値が大きく、長さが短いデバイスほど値が小さくなるようにデバイスごとにスコアを付与してもよい。また、予測部１２４は、２番目に用いるデバイスである場合には、１番目に用いたコイルの二次コイル径よりも二次コイル径が小さいコイルであって、１番目に用いたコイルの二次コイル径との差が大きくなるにしたがって値が小さくなるようにデバイスごとにスコアを付与してもよい。また、予測部１２４は、３番目に用いるデバイスである場合には、２番目に用いたコイルの二次コイル径よりも二次コイル径が小さいコイルであって、２番目に用いたコイルの二次コイル径との差が大きくなるにしたがって値が小さくなるようにデバイスごとにスコアを付与してもよい。すなわち、予測部１２４は、手術の進行に応じて段階的に変化するスコアをデバイスごとに付与し手もよい。この場合、予測部１２４は、各段階において、スコアが大きいデバイスから優先して選択するようにすればよい。
　また、予測部１２４は、上記の複数種類スコアの複数を組み合わせて、デバイスを選択してもよい。この場合、予測部１２４は、組み合わせるスコアの合計スコアを算出し、合計スコアが大きい値となるデバイスを選択すればよい。
　このようにすることで、複数のデバイスの中から治療に適したデバイスを絞り込むことができる。そのため、適切な治療を行うことができる。また、手術の進行に応じて適切なデバイスを選択することができる。
　また、予測部１２４は、症状情報と類似する症例で用いられたデバイスの治療戦略を、当該症状情報に応じた治療戦略として予測してもよい。この場合、予測部１２４は、症状情報と、今回の治療を担当する担当医師の指導医師や上級専門医師とに基づいて、類似する症例であって、今回の治療を担当する担当医の指導医や上級専門医が担当した治療で用いられた治療戦略を今回の治療に対する治療戦略として予測すればよい。このとき、例えば、診療情報に対して担当医師や執刀医師の情報が対応付けられていればよい。
　これにより、専門医師の資格取得後間もない医師であっても、指導医師などの治療戦略を模倣することができ、患者に対してより安全な治療を行うことができる。また、指導医師または上級専門医師のオンコール状態での待機を軽減することができるため、医師のＱＯＬを向上させることができる。
　このように、予測部１２４は、回帰モデルに対して診療情報を入力するだけで、容易に治療戦略を予測することができる。
＜出力処理部１２５＞
　出力処理部１２５は、治療戦略の予測結果の出力を制御する機能を有する。例えば、出力処理部１２５は、予測部１２４が予測した予測結果を治療戦略として出力部１４０へ入力し、表示させる。
＜処理の流れ＞
　図１０及び図１１を参照して、本実施形態に係る予測システムＳｙｓにおける処理の流れについて説明する。
＜回帰モデル生成処理＞
　図１０は、本実施形態に係る予測システムＳｙｓにおける回帰モデル生成処理の流れを示すフローチャートである。
　図１０に示すように、まず、予測装置１０の取得部１２１は、診療情報を取得する（ステップＳ１００）。次いで、分類部１２２は、取得部１２１が取得した診療情報に基づいて、いずれのクラスに属するかを分類する（ステップＳ１０２）。次いで、学習部１２３は、分類部１２２が分類した分類結果と取得部１２１が取得した診療情報に基づき、回帰モデルを生成する（ステップＳ１０４）。そして、学習部１２３は、生成した回帰モデルを記憶部１３０に記憶させる（ステップＳ１０６）。
＜治療戦略の予測処理＞
　図１１は、本実施形態に係る予測システムＳｙｓにおける治療戦略の予測処理の流れを示すフローチャートである。
　図１１に示すように、まず、予測装置１０の取得部１２１は、診療情報を取得する（ステップＳ２００）。次いで、予測部１２４は、診療情報を記憶部１３０に記憶された回帰モデルに入力する（ステップＳ２０２）。
　予測部１２４は、回帰モデルへの診療情報の入力に応じた出力を治療戦略、例えば、治療に用いるデバイスの種類及びデバイスの使用量として予測する（ステップＳ２０４）。出力処理部１２５は、予測部１２４が予測した治療戦略を出力部１４０に出力し、表示させる（ステップＳ２０６）。
　このように、本実施形態に係る予測システムＳｙｓは、動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得部１２１と、取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略（例えば、治療に用いるデバイスの種類またはデバイスの使用量）を予測する予測部１２４と、を備える。
　これにより、画像に基づく動脈瘤の形状や部位に応じて、治療に用いるデバイスの種類や治療に用いるデバイスの使用量などの治療戦略を予測することができる。ここでいうデバイスの種類は、ＦＤ、ＩＦＤ、ステント、コイルなどの種別であってもよいし、デバイスのサイズなどの種類であってもよい。
　ここで、予測部１２４が予測する治療戦略は、１つの治療戦略であってもよいし、複数の治療戦略の候補であってもよい。また、複数の治療戦略の候補は、１種類のデバイスについての使用量の複数のパターンによる候補であってもよいし、デバイスの種類についての複数の候補であってもよい。また、治療戦略は、治療戦略を決定するためのアドバイスや、治療法に応じた診療報酬請求額、患者の医療費負担額等の金額提示や、医療機関が持ち出ししなければならない費用、保険請求する医療費、国が負担する医療費、治療法に応じた入院期間、安静期間等の期間提示や、治療法に応じた治療を可能な病院の提示などであってもよい。
　医療機関が持ち出ししなければならない費用は、例えば、国、自治体などの地域、加入する健康保険などによって、用いることが可能なデバイスの種類あるいは数量、デバイスの組み合わせなどに制限がある場合に、当該制限を超えた分の自費あるは任意保険の患者の負担あるいは医療機関の負担となる費用である。医療機関の持ち出し費用は、審査支払機関に対して過去に診療報酬を請求した金額と診療報酬として医療機関に支払われた金額との差分を求めることで算出することも可能である。
　この場合、予測部１２４は、患者あるいは医療機関内の関連部署にデバイスの使用可否を問う照会情報を生成してもよい。照会情報を生成した場合、予測部１２４は、照会情報に対する回答によってデバイスを選択することができる。
　医療機関が持ち出ししなければならない費用が発生する場合、予測部１２４は、フローダイバーター、コイル、フローダイバーターおよびコイルの併用、フローダイバーターおよびコイルおよびステントの併用、フローダイバーターおよびコイルおよびバルーンカテーテルの併用などのように、デバイスの組み合わせに応じた組み合わせごとの費用を含む照会情報を生成してもよい。
　また、予測部１２４は、機械学習と、Ｃｏｍｐｕｔａｔｉｏｎａｌ　Ｆｌｕｉｄ　Ｄｙｎａｍｉｃ（ＣＦＤ）解析を組み合わせて治療戦略を予測する。例えば、予測部１２４は、診療情報に基づく分類結果の変化、例えば、あるデバイスについて、１つ目を留置時の血流量または血流速と、２つ目の留置時の血流量または血流速の変化を予測することで治療戦略を予測する。
　また、予測結果に基づくコンピュータシミュレーション結果を提示する提示部（出力部１４０）をさらに備え、予測部１２４は、予測結果に基づいて治療に用いるデバイスを選択する。
　これにより、予測結果に応じた血流量の変化や塞栓状態の変化を、施術前に確認することができるため、治療にあたる医師の利便性を向上させることができる。
　また、予測部１２４は、症例と、患者の情報と、取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する。
　これにより、動脈瘤の状態や患者の状態に応じた治療戦略を予測することができるため、治療精度を向上させることができる。
　症例は、動脈瘤の瘤径、部位、ネック／ドーム比、血管走行、動脈瘤の数、ブレブの有無のうち少なくとも一つ以上の特徴量であり、患者の情報は、患者の年齢、血圧、性別、喫煙歴、糖尿病歴、動脈瘤破裂歴、遺伝子情報のうち少なくとも一つ以上の情報である。ブレブは、ドーム部に生じた瘤状の膨らみである。遺伝子情報は、患者の遺伝子の解析結果等の情報や、家族の病歴などの遺伝情報などである。
　ここで、特徴量は、動脈瘤の瘤径、動脈瘤のネック／ドーム比、動脈瘤の数、ブレブの有無などの定量的特徴量、および動脈瘤の部位、動脈瘤の血管走行などの定性的特徴量である。
　これらによる医学的リスクの高さにより、患者の既往歴、喫煙歴、血圧などによる血管壁の厚さ、ずり応力、せん断応力、血管の柔軟性、動脈瘤の状態に応じた治療戦略を予測することができるため、動脈瘤の術中破裂リスクなどの患者ごとのリスクを考慮した治療を行うことができる。
　症例は、動脈瘤を有する患者の脳血管の左右対称性に関する特徴量であり、患者の情報は、患者の年齢、血圧、性別、喫煙歴のうち少なくとも一つ以上の情報である。
　ここで、特徴量は、脳血管の左右対称性を表す定性的特徴量である。
　動脈瘤を有する患者に対して、Ｆｅｄｅｒａｔｅｄ　ｌｅａｒｎｉｎｇを通じてシステムを強化学習する学習部１２３（強化部とも称する）をさらに備える。Ｆｅｄｅｒａｔｅｄ　ｌｅａｒｎｉｎｇは、例えば、各医療機関の膨大な患者データを匿名のまま活用しつつ、安全でスムーズに機械学習するためのアルゴリズムである。
　これにより、個々の病院で学習するよりも効率的に学習することができるため、治療戦略の予測精度を向上させることができる。
　予測部１２４は、在庫の中からデバイスを選択する。
　これにより、病院で在庫を保有するデバイスの中から治療に用いるデバイスを選択することができる。
　予測部１２４は、全製品の中からデバイスを選択する。
　これにより、病院で在庫を保有しないデバイスであっても選択することができるため、動脈瘤の状態や患者の状態に適したデバイスを選択することができる。
　予測部１２４は、予測結果に基づいて、治療に用いるデバイスを選択し、治療に用いるデバイスの選択は、治療に用いるデバイスの種類の選択及び治療に用いるデバイスの数量の選択の一方または両方である。
　これにより、治療戦略をより詳細に予測することができる。
　なお、画像情報は、レントゲン画像、エコー画像、内視鏡画像、スマートフォンなどにより撮影された画像などの各情報を含んでもよい。また、画像情報は、各画像や動画像に基づく画像の情報、例えば、各画像や動画像を加工して得られた画像の情報であってもよい。また、診療情報は、カウンセリングや診察時の音声、または当該音声に基づく文章や画像情報に基づく文章などのテキスト情報であってもよい。
　以上、本発明の変形例について説明した。なお、上述した実施形態における予測システムＳｙｓ及び予測装置１０が備える構成の一部又は全部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
　本発明の一態様に係る装置で動作するプログラムは、本発明の一態様に関わる上述した実施形態の機能を実現するように、Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ（ＣＰＵ）等を制御してコンピュ－タを機能させるプログラムであっても良い。プログラムあるいはプログラムによって取り扱われる情報は、処理時に一時的にＲａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ（ＲＡＭ）などの揮発性メモリに読み込まれ、あるいはフラッシュメモリなどの不揮発性メモリやＨａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ（ＨＤＤ）に格納され、必要に応じてＣＰＵによって読み出し、修正・書き込みが行なわれる。
　なお、上述した実施形態における装置の一部、をコンピュ－タで実現するようにしてもよい。その場合、この制御機能を実現するためのプログラムをコンピュ－タが読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュ－タシステムに読み込ませ、実行することによって実現してもよい。ここでいう「コンピュ－タシステム」とは、装置に内蔵されたコンピュ－タシステムであって、オペレ－ティングシステムや周辺機器等のハ－ドウェアを含むものとする。また、「コンピュ－タが読み取り可能な記録媒体」とは、半導体記録媒体、光記録媒体、磁気記録媒体等のいずれであってもよい。
　さらに「コンピュ－タが読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュ－タシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュ－タシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
　また、上述した実施形態に用いた装置の各機能ブロック、または諸特徴は、電気回路、すなわち典型的には集積回路あるいは複数の集積回路で実装または実行され得る。本明細書で述べられた機能を実行するように設計された電気回路は、汎用用途プロセッサ、デジタルシグナルプロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、またはその他のプログラマブル論理デバイス、ディスクリートゲートまたはトランジスタロジック、ディスクリートハードウェア部品、またはこれらを組み合わせたものを含んでよい。汎用用途プロセッサは、マイクロプロセッサであってもよいし、代わりにプロセッサは従来型のプロセッサ、コントロ－ラ、マイクロコントロ－ラ、またはステ－トマシンであってもよい。汎用用途プロセッサ、または前述した各回路は、デジタル回路で構成されていてもよいし、アナログ回路で構成されていてもよい。また、半導体技術の進歩により現在の集積回路に代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いることも可能である。
　以上、この発明の実施形態に関して図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計変更等も含まれる。また、本発明は、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された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。また、上記実施形態に記載された要素であり、同様の効果を奏する要素同士を置換した構成も含まれる。
　本発明の一態様は、例えば、予測システム、予測装置、予測方法、又はプログラム等において、利用することができる。
　Ｓｙｓ　予測システム
　Ｔ　端末装置
　１０　予測装置
　１１０　通信部
　１２０　制御部
　１２１　取得部
　１２２　分類部
　１２３　学習部
　１２４　予測部
　１２５　出力処理部
　１３０　記憶部
　１４０　出力部

Claims (16)

  1. 　動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得部と、
    　取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する予測部と、
    　を備える予測システム。
  2. 　前記予測部は、前記何れか一つ以上の画像に基づいて、上級専門医または指導医による類似症例に対する治療戦略を、前記動脈瘤に対する治療戦略として予測する、
    　請求項１記載の予測システム。
  3. 　前記予測部は、前記動脈瘤に対する治療戦略の予測に基づいて、前記動脈瘤に対する治療戦略として前記動脈瘤の治療に用いるデバイスを選択する、
    　請求項２に記載の予測システム。
  4. 　前記予測部は、前記機械学習と、ＣＦＤ解析を組み合わせて前記動脈瘤に対する治療戦略を予測する、
    　請求項３に記載の予測システム。
  5. 　前記動脈瘤に対する治療戦略の予測に基づくコンピュータシミュレーション結果を提示する提示部をさらに備え、
    　前記予測部は、前記コンピュータシミュレーション結果に基づいて、前記動脈瘤の治療に用いるデバイスを選択する、
    　請求項４に記載の予測システム。
  6. 　前記動脈瘤の治療の術式、前記動脈瘤の治療に用いるデバイス、予測される手術時間、手術の難易度、手術に必要な医療関係者の人数、予測される治療費、及び、前記動脈瘤の治療に他のデバイスを用いることによる選択肢、の全てを含む提示を行う提示部、
    　をさらに備える請求項５に記載の予測システム。
  7. 　前記予測部は、在庫の中から前記デバイスを選択する、
    　請求項５に記載の予測システム。
  8. 　前記予測部は、全製品の中から前記デバイスを選択する、
    　請求項５に記載の予測システム。
  9. 　前記予測部は、ＥＣサイト、医療機器メーカ、病院が抱える在庫の中から前記デバイスを選択する、
    　請求項７に記載の予測システム。
  10. 　前記予測部は、症例と、患者の情報と、前記何れか一つ以上の画像について、前記機械学習を用いて前記動脈瘤に対する治療戦略を予測する、
    　請求項７または請求項８に記載の予測システム。
  11. 　前記症例は、動脈瘤の瘤径、部位、ネック／ドーム比、血管走行、数、ブレブの有無のうち少なくとも一つ以上の特徴量であり、
    　前記患者の情報は、患者の年齢、血圧、性別、喫煙歴、糖尿病歴、動脈瘤破裂歴、遺伝子情報のうち少なくとも一つ以上の情報である、
    　請求項１０に記載の予測システム。
  12. 　前記症例は、動脈瘤を有する患者の脳血管の左右対称性に関する特徴量であり、
    　前記患者の情報は、患者の年齢、血圧、性別、喫煙歴のうち少なくとも一つ以上の情報である、
    　請求項１０に記載の予測システム。
  13. 　動脈瘤を有する患者に対して、Ｆｅｄｅｒａｔｅｄ　ｌｅａｒｎｉｎｇを通じてシステムを強化学習する強化部をさらに備える、
    　請求項１１に記載の予測システム。
  14. 　前記予測部は、前記動脈瘤に対する治療戦略の予測に基づいて、前記動脈瘤の治療に用いるデバイスを選択し、
    　前記動脈瘤の治療に用いるデバイスの選択は、前記動脈瘤の治療に用いるデバイスの種類の選択及び前記動脈瘤の治療に用いるデバイスの数量の選択の一方または両方である、
    　請求項１３に記載の予測システム。
  15. 　動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得部と、
    　取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する予測部と、
    　を備える予測装置。
  16. 　予測装置のコンピュータが、
    　動脈瘤を有する患者に対する、ＣＴ、ＭＲＩ、ＭＲＡまたはＤＳＡのうち何れか一つ以上の画像を取得する取得過程と、
    　取得した何れか一つ以上の画像について、機械学習を用いて動脈瘤に対する治療戦略を予測する予測過程と、
    　を有する予測方法。
PCT/JP2023/012199 2022-03-29 2023-03-27 予測システム、予測装置、および予測方法 WO2023190341A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022054040 2022-03-29
JP2022-054040 2022-03-29

Publications (1)

Publication Number Publication Date
WO2023190341A1 true WO2023190341A1 (ja) 2023-10-05

Family

ID=88202368

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/012199 WO2023190341A1 (ja) 2022-03-29 2023-03-27 予測システム、予測装置、および予測方法

Country Status (1)

Country Link
WO (1) WO2023190341A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111584077A (zh) * 2020-04-08 2020-08-25 北京市神经外科研究所 一种动脉瘤破裂风险评估方法及系统
JP2020144861A (ja) * 2019-03-01 2020-09-10 学校法人 聖マリアンナ医科大学 脳卒中診療支援システム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020144861A (ja) * 2019-03-01 2020-09-10 学校法人 聖マリアンナ医科大学 脳卒中診療支援システム
CN111584077A (zh) * 2020-04-08 2020-08-25 北京市神经外科研究所 一种动脉瘤破裂风险评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JAPAN FACULTY OF COMPUTATIONAL ENGINEERING: "Finite element method flow simulation, third edition", 30 July 2017, MARUZEN PUBLISHING CO., LTD., JP, ISBN: 978-4-621-30183-8, article JAPAN FACULTY OF COMPUTATIONAL ENGINEERING: "Passage; Finite element method flow simulation", pages: 271 - 278, XP009549956 *

Similar Documents

Publication Publication Date Title
Menon et al. Association of clinical, imaging, and thrombus characteristics with recanalization of visible intracranial occlusion in patients with acute ischemic stroke
Kaymaz et al. Influence of carotid tortuosity on internal carotid artery access time in the treatment of acute ischemic stroke
Amenta et al. Analysis of nonmodifiable risk factors for intracranial aneurysm rupture in a large, retrospective cohort
Lad et al. Long-term economic impact of coiling vs clipping for unruptured intracranial aneurysms
Dovey et al. Guglielmi detachable coiling for intracranial aneurysms: the story so far
Frederick et al. Microvascular anastomotic coupler assessment in head and neck reconstruction
CN113261939A (zh) 根据医学数据针对围手术期心肌梗塞或并发症的基于机器的风险预测
Marshall et al. Multidisciplinary approach to pseudoaneurysms complicating pancreatic pseudocysts: impact of pretreatment diagnosis
Hainc et al. Deep learning based detection of intracranial aneurysms on digital subtraction angiography: a feasibility study
Kerlikowske et al. Discussions of dense breasts, breast cancer risk, and screening choices in 2019
WO2023190348A1 (ja) 予測システム、予測装置、および予測方法
Ding et al. Experimental testing of the dual-layer Woven EndoBridge device using an elastase-induced aneurysm model in rabbits
Smith et al. Bare platinum vs matrix detachable coils for the endovascular treatment of intracranial aneurysms: a multivariate logistic regression analysis and review of the literature
Abecassis et al. Predictors of recurrence, progression, and retreatment in basilar tip aneurysms: a location-controlled analysis
Weyland et al. Hyperdense artery sign in patients with acute ischemic stroke–automated detection with artificial intelligence-driven software
Stapleton et al. Early experience with the Penumbra SMART coil in the endovascular treatment of intracranial aneurysms: Safety and efficacy
WO2023190341A1 (ja) 予測システム、予測装置、および予測方法
JPWO2019150608A1 (ja) 支援システム、支援方法、支援プログラム、および支援プログラムを記録した記録媒体
Mueller et al. Intracranial aneurysms: optimized diagnostic tools call for thorough interdisciplinary treatment strategies
WO2023190382A1 (ja) 評価システム、評価装置、および評価方法
White et al. Response of normal aorta to endovascular grafting: a serial histopathological study
Ji et al. Larger inflow angle and incomplete occlusion predict recanalization of unruptured paraclinoid aneurysms after endovascular treatment
El Naamani et al. Long-term follow-up of cerebral aneurysms completely occluded at 6 months after intervention with the Woven EndoBridge (WEB) device: a retrospective multicenter observational study
WO2023068049A1 (ja) 予測システム、予測装置、及び、予測方法
Siddiq et al. Occurrence and prognostic significance of cervical pseudodissection phenomenon associated with acute intracranial internal carotid artery occlusion

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: 23780351

Country of ref document: EP

Kind code of ref document: A1