JP2012503812A - コンピュータ支援診断用に臨床フィーチャと画像フィーチャを融合するシステム及び方法 - Google Patents

Abstract

医療用画像のコンピュータ支援分析を提供するシステムと方法は、画像プロセッサ（９１０）を用いて医療用画像データを処理する。決定エンジン（９２０）は、画像データ（９４０）に基づいて診断を生成する。決定エンジンは、画像データに基づき病気の確率を推定し、利用できないデータの関連度を評価する。結果を用いて、より完全な診断を計算するため、この利用できないデータをユーザに要求するか、または追加データが無いこと、または不完全な診断結果の確実性のいずれかにより、不完全な形式で結果を表示する。診断結果は出力端末（９７０）に表示されても、データベース（９３０）に記憶されてもよい。

Description

本発明は医療診断技術に関する。本発明は、具体的に、コンピュータ支援診断（ＣＡＤｘ）アルゴリズムとパターン分類アルゴリズムに応用することができる。しかし、医療診断が係わる他の分野にも応用することができる。

あるタイプのＣＡＤｘシステムにより、ＣＴスキャンで見つかった肺結節の悪性度の尤度を推定することができる。しかし、画像情報のみに依存して潜在異常を発見するコンピュータ支援検出アルゴリズムとは異なり、一般的に、悪性度の評価に関連する意思決定プロセスは画像化できない証拠（non-imaging evidence）の統合を含む。ＣＴスキャン画像の分析のみでは、孤立性肺結節の評価は純分にできない。臨床研究により、放射線的フィーチャの診断レーティングと識別は両方とも患者病歴の影響を受けることが示されている。特に肺結節の場合、研究により、臨床リスクファクタが悪性度の統計的確率に影響する度合が明示的に分析されている。そのため、コンピュータ支援診断アルゴリズムは、臨床フィーチャで画像情報を補足するように発展してきている。

臨床データや画像データなどの異なるデータタイプの統合は、ユーザがアルゴリズムにアクセスする方法とシステム使用時のワークフローに直接的に係わる。実行効率の観点から、コンピュータ支援診断をできるだけ実行してからユーザがシステムにアクセスするようにすることが望ましい。現状の診断システムは、データが診断に必要かどうかにかかわらず、すべてのデータを入力する必要があるため、効率が悪いという問題がある。例えば、診断には大きく影響しない重要でない臨床データの入力をできるだけ少なく、または無くすことにより、ユーザが入力しなければならない情報量を最小化することが望ましい。臨床情報は電子カルテ（electronic health record）から得られる。しかし、データフィールドが無かったり、不完全であったり、情報が得られてなかったりする。現状の診断システムの他の問題は、臨床情報が無かったり不完全であったりした場合の処理方法がないことである。そのため、利用できる臨床情報から得られるだろう結論の範囲を評価・提示する計算をできるようにすることが望ましい。

本出願は、上記の問題等を解決する、システムや方法における改良を提供するものである。

一態様では、医療用画像データを用いてコンピュータ支援診断をするシステムを提供する。本システムは、データベース中の医療記録と確率を、現在の画像データと比較して、医療診断の仮説を立てることにより医療診断を行い、その診断が正しい確率を示す。診断の確率が閾値より低い場合、本システムは、正しい確率がより高い医療診断をシステムが生成できる、より多くの情報を提供するために、医療ユーザにさらに臨床データを入力するように促す。

他の一態様では、医療用画像データを用いてコンピュータ支援診断をする方法を提供する。本方法は、データベース中の医療記録と確率を、現在の画像データと比較して、医療診断の仮説を立てることにより医療診断を行う段階と、その診断が正しい確率を計算する段階を含む。診断の確率が一定の閾値レベルより低いとき、本方法は、より正確で確かな医療診断を行うより大きな情報ベースを提供するために、医療ユーザにさらに臨床データを取得するように要求する。

別の利点は、ワークフローの改善のために計算をより小さなコンポーネントに分割する効率の向上である。データが必要となるまで、そのデータは読み出さない。データは、患者にとって必要となるまで、読み出す必要はない。

別の利点は、臨床情報が無くても、不完全であっても処理できることである。
さらに別の利点は、データの利用可能性に基づき、ＣＡＤｘ計算を２つ以上のステップに分割するインタフェースとシステムワークフローを提供することである。
さらに別の利点は、異なるデータを利用可能になった時に組み込む計算負尾方を提供することである。

下記の詳細な説明を読んで理解すれば、本技術分野の当業者には、さらに別の利点と利益が明らかになるであろう。

本願は、様々なコンポーネントとその構成、及び様々なステップとその構成の形を取る。図面は好ましい実施形態を例示することのみを目的とし、本願を限定するものと解してはならない。

ＣＡＤｘ診断方法を示す図である。 ＣＡＤｘ診断システムを示す図である。 分類アルゴリズムの生成方法を示す図である。 分類項目のトレーニング方法を示す図である。 分類アルゴリズムの他の生成方法を示す図である。 分類アルゴリズムの他の生成方法を示す図である。 アンサンブルを取り入れた他の分類項目を示す図である。 新しいケースと既存のケースとについて分類項目の動作方法を示す図である。 ベイズ分析によりリスク分析を行う方法を示す図である。 実際に可能であることを示す実験の結果を示す図である。 システムのレイアウトとコンポーネント間のインターラクションを示す図である。

図１Ａを参照して、コンピュータ支援診断方法１００は、２つのタイプのデータ（「データタイプ１」と「データタイプ２」）で最適に動作するＣＡＤｘ分類項目アルゴリズムを含む。臨床データは、患者の既往歴、家族歴、体格、生活習慣であり、喫煙や既往症などの要素を含む。画像データは、Ｘ線、ＣＴスキャン、その他のタイプの、患者に対する医療用画像化を含む。ＣＡＤｘアルゴリズムは、ＣＴ画像（本実施例では、データタイプ１）中の画像データを、患者（例えば、肺気腫、リンパ節状態）の臨床パラメータ（本実施例では、データタイプ２）の臨床データと合成する。

本方法の最初のステップは、データリポジトリ１１０から患者に関連するデータ（a set of data）を読み出すステップを有する。このデータは１つ以上の定量的変数を含んでいてもよい。本実施例のように、例えば、データタイプ１が容易に入手可能であれば、データタイプ２ではなくデータタイプ１が読み出される。好ましくはこの読み出しはユーザの介入無しに行われる。例えば：病院のＰＡＣＳ（画像保管通信システム）から胸部スキャンのＣＴボリューム（本実施例ではデータタイプ１）を自動的に読み出す。

次のステップにおいて、データタイプ１データにＣＡＤｘアルゴリズム１２０を適用する。この計算の結果は、まだ、ＣＡＤｘアルゴリズムステップの最終的な診断を表すものではない。好ましくは、これはユーザの介入無しに行われる。例えば：ＣＡＤｘステップ１００は、コンピュータ支援検出アルゴリズムを実行してスキャン結果中の肺結節の場所を見つけ、セグメンテーションアルゴリズムを実行して肺結節の境界を決め（define）、画像を処理して画像データから肺結節を記述する数値的フィーチャ（a set of numerical features）を取得する。パターン分類アルゴリズムが、画像化データのみに基づきこの結節が悪性である尤度を推定する。

方法１００では、データタイプ２のデータをまだ受け取ってないので、診断を完了できない。方法１００は、データタイプ２のデータについて可能性のある値（different proposed possible values）（この場合、３つの矢印で示した、可能性のある３つの値）をテストして、動作ステップ１３０、１４０、１５０により実行される動作でこれらのテスト値を用いてＣＡＤｘ計算を完了する。Ｎ通りのデータタイプ２データが可能であれば、データタイプ２の各テスト値に１通りずつ、Ｎ通りのＣＡＤｘの結果を計算する。例えば：ＣＡＤｘアルゴリズムは、肺気腫とリンパ節状態のすべての可能な組み合わせに基づいて、画像ベースの分類出力を調整する。２値変数（イエス／ノー）が２つあるので、４通りの組み合わせが可能である。結果として、ＣＡＤｘは、悪性度の尤度に対して４通りの解を有する。可能性のある値の数が大きいと、または連続変数があると、このステップはより複雑になる。これらの出力はコンピュータ動作可能ソフトウェア手段により出力として統合され、比較器への入力として用いられる。

コンピュータ動作可能ソフトウェア手段は、ステップ１６０において、悪性度の尤度に対するＮ通りのＣＡＤｘ計算結果または可能性のある解を比較して、所定許容範囲内にあるか決定する。許容範囲は製品を現場に配置する前に設定したり、ユーザが設定したりできる。候補となるＣＡＤｘの結果が所定許容範囲内にある場合（すなわち、データタイプ２が分かっても結果が変わらず、データタイプ１だけで診断を下せる場合）、ディスプレイステップ１９０において、ＣＡＤｘ計算結果の平均値、中央値、範囲、または分散などを表示する。結果はグラフィックスで表示してもよい。例えば：ある患者について、ＣＡＤｘアルゴリズムにより、肺気腫とリンパ節状態の組み合わせの悪性度の尤度が、０−１のスケールにおいて０.８１、０.８３、０.８２、０.８２となる。これらの値は非常に近いので、ユーザにこれらの変数を尋ねたり、第２のデータベースにクエリをしたりする必要はない。放射線科医がこのケースをロードすると、本方法により、先行するすべてのステップが実行完了されており、ＣＡＤｘアルゴリズムによる悪性度の尤度が０.８１-０.８３と推定されることが報告される。

候補となるＣＡＤｘの計算結果の相違が大きい場合（データタイプ２により診断が変わり、そのため情報を集めることが重要である場合）、本方法により、重要な臨床情報を提供するようにユーザに要求される（ステップ１７０）。この正確な情報を用いて、Ｎ通りのＣＡＤｘの出力値のうちどれをユーザに表示するか決める（ステップ１８０）。例えば：ある患者について、ＣＡＤｘ方法により、肺気腫とリンパ節状態の組み合わせの悪性度の尤度が、０−１のスケールにおいて０.４５、０.６５、０.７１、０.５３となる。４通りの推定値は異なっており、データタイプ２により診断が変わりうる。放射線科医がこのケースをロードすると、本方法により、先行するステップの実行は完了しているが、ＣＡＤｘ計算を完了するには追加的情報（すなわち、データタイプ２）が必要であることが報告される。肺気腫とリンパ節状態をユーザが入力する。追加されたデータタイプ２のデータに基づき、ＣＡＤｘは、４つの尤度のうちの１つ（例えば。０.６５）を最終的な推定値として選択する。この最終的な結果がユーザに表示される（ステップ１８０）。

追加的にデータタイプ２を要求したが得られない場合、計算を完了するためのデータが足りないとの但し書きとともに、Ｎ通りの結果をユーザに提示してもよい。例えば：別の患者について、必要な組織がスキャンされていないため、スキャンリンパ節状態が得られないとする。放射線科医は肺気腫の正しい状態を入力するが、リンパ節状態が不明であると入力（report）する。コンピュータは、肺気腫データを用いて、可能性のある出力範囲を（０.４５,０.６５,０.７１,０.５３）から（０.４５,０.５３）に狭めることができるが、肺気腫が悪性である可能性が高いか（＞０．５０）、高くないか（＜０．５０）、予測することはできない。本方法により、放射線科医には、患者が癌である尤度の推定値が０．４５−０．５３であるが、解の範囲をさらに狭めるには追加的データが必要であると報告される。このプロセスは、追加的なテスト値と候補解を有する追加的なデータストリームを付加することにより、階層的に拡張することができる。

上記のＣＡＤｘ方法のアルゴリズムを用いて、基本的な計算を行うことができる。最初のデータタイプ１データの計算により画像が取得されるかも知れないが、これは分類ステップではない。しかし、臨床的フィーチャは多数あり、可能性のある値は多様なので、可能性のあるすべての組み合わせをテストしつくすことは現実的ではない。そのため、新しいアプローチを用いて、上記のワークフローを直接的に並列化するように、臨床的フィーチャと画像化フィーチャとを融合する。この方法を肺に対するＣＡＤｘアプリケーションに関して説明する。データタイプ１は画像化データであり、データタイプ２は臨床データであるとする。しかし、この方法は、複数のデータストリームを必要とするＣＡＤｘ分類タスクに対して広く適用できる。
ＣＡＤｘにより生成されたデータを部分に分割する３通りのアルゴリズムによるアプローチ、すなわち（Ａ）分類項目選択アプローチＩ、（Ｂ）分類項目選択アプローチＩＩ（Ｃ）、ベイジアン分析をここで提案する。

カテゴリー臨床データを、画像データとコンパチブルな数値的形式に変換する方法。変換した臨床データは、データ選択と分類項目トレーニングの際に、画像データと同様に処理される。このような変換の例としては、「１−ｏｆ−Ｃエンコーディングスキーム（1-of-C encoding scheme）」がある。このエンコーディングの後、画像化データから求めたデータと、エンコードしたカテゴリー臨床変数との差別化を行う。肺に対してＣＡＤｘを適用することにより、このデータの融合をする新しい方法を提供する。

図１Ｂを参照して、コンピュータ支援診断方法１００において臨床データと画像データとを融合するシステム１０１を示した。システム１０１はコンピュータ動作可能装置を含む。該装置は、コンピュータメモリ内に組み込まれたデータベースデータ記憶部と、コンピュータ出力ディスプレイ端末と、データ入力用キーボードと、データのインポート及び取得用インタフェースと、本提案のアプリケーション機能を実行するのに必要なハードウェア及びソフトウェアコンポーネントとを含むが、これらに限定されない。本システムは、図１に示した方法１００のステップを実行する。本システムは、データリポジトリ１１１からのデータを処理するソフトウェアを用いる。このソフトウェアはプロセッサ１０２で実行され、ＣＡＤｘアルゴリズム１２１ベースのシステムで不完全データ（incomplete data）を実行する。データはプロセッサ１０２を用いて処理される。このプロセッサは３つの推定１３１、１４１、１５１のうち少なくとも１つを実行し、生成されたデータを比較器１４６に送るソフトウェアを含む。この比較器は、コンピュータ動作可能計算手段を用いて、不完全データに基づく診断が完全データ（complete data）を用いて推定した診断と大きく異なるか、評価する。不完全データによる診断データと完全データによる診断データとが大幅に違わなければ（ステップ１６５）、プロセッサ１０２により２つの結果の平均が出力され（ステップ１６７）、ビデオディスプレイなどのコンピュータ出力手段１０３上に表示される。しかし、結果が異なれば（ステップ１６３）、データタイプ２データを求めるクエリを行い（ステップ１７１）、プロセッサ１０２により診断が出力され、コンピュータ動作可能出力手段１０３に表示される（ステップ１７５）。

図２を参照するに、第１の分類項目選択方法２００（アプローチＩ）は、患者のサブグループに対する分類項目の生成に基づく。かかるアルゴリズムを作る方法は、ステップ２１０で始まり、複数のデータタイプの患者をトレーニングに利用できるようにする。次のステップ２２０において、データタイプ１画像データに関して第１レベルの分類項目としてディシジョンツリーを作り、最終的な結果に基づき患者を粗く分類する。ステップ２３０においてこのディシジョンツリーを用いて、トレーニングデータベース中の患者を満たす。これは患者層生成（yielding patient strata）として知られている。図２の２００には、ハイリスクとローリスクの２つのグループがあるが、製品アプリケーションではグループの数はいくつでもよい。各患者層に対して、データタイプ２臨床データに基づき、分類項目を作る（ステップ２４０）。図では、これらはハイリスクグループの分類項目とローリスクグループの分類項目がある。分類項目の構成は、複数のステップと、１つ以上の副分類項目アンサンブル分類とを含む。ステップ２５０において、２つ以上のサブグループの臨床的ディシジョンツリーと分類項目を記憶する。

図３を参照して、分類項目選択のトレーニング方法の目標は、臨床的な「リスク」グループに対して、画像ベースの分類項目を生成することである。図３は、臨床データと画像データをどのように組み合わせて診断３００を行うかを示す。臨床データ３１０はケースの集合であり、第１のケース３１２から第Ｎケース３１４まである。ここで、Ｎはケース数を表す整数であり、各ケースはある患者を表す。各ケースは患者の名前または識別子３１６と、その患者に関して集められた一連の属性３１８とを含む。属性には、喫煙と、運動と、身長や体重などの身体属性とが含まれるが、これらに限定されない。これらの属性には、患者が癌にかかっているかなどの、問題の診断に関連する真偽も必ず含まれている。これらは、ディシジョンツリーアルゴリズム３２０に入力される。このアルゴリズムは、新しいディシジョンツリーブランチを生成するトレーニングモジュール３２２と、ブランチをチェックするクロス確認手段３２４と、関係が無くなったブランチを削除する取り除き手段（pruning means）３２６とを含む。ディシジョンツリーアルゴリズム３２０を用いて臨床ディシジョンツリー３３０を作成する。

画像用のトレーニングデータ３４０は、第１ケース３４２から第Ｎケース３４４までの一連のケースを含む。各ケースはある患者を表す。ケース３４２、３４４はケース３１２、３１４と同じ患者を表している。各ケースは、患者の名前または識別子３４６と、その患者に関して集められた一連の属性３４８と、その患者の医療用画像とを含む。これらの属性には、患者が癌にかかっているかなどの、問題の診断に関連する真偽が必ず含まれている。属性には、さらに、コントラスト、テクスチャ、形状、強さ、強さの変化など、画像及びその各領域のフィーチャの記述を含むがこれらに限定されない。画像用トレーニングデータ３４０からのケースを、ディシジョンツリーアルゴリズム３２０及び臨床データ３１０と組み合わせて用いて、層化データ３５０を生成する。

層化データ３５０を生成して、ある健康状態（health background）の人がある病気や状態である確率に基づいて、すなわち臨床データ３１０に含まれる情報に基づいて、個々のケースが、その病気や状態であるハイリスク３５２またはローリスク３５４を示すか判断する。病気の尤度が高い人はハイリスク画像データ３６０として分類され、尤度が低い人はローリスク３７０として分類される。ハイリスク３６０の人とローリスク３７０の人の両方が、分類項目作成手段（classifier development means）３８０により分析される。ハイリスクの患者を分類する画像分類項目３９０が分類項目作成手段３８０と入力トレーニングデータ３６０とにより作成される。ローリスクの患者を分類する画像分類項目３９５が分類項目作成手段３８０と入力トレーニングデータ３７０とにより作成される。

図４を参照して、第２の分類項目選択４００（アプローチＩＩ）を、患者のサブグループに対してうまく機能することが分かった１つ以上の分類項目の選択に基づいて説明する。最初のステップ４１０において、複数のデータタイプを有する患者をトレーニングに利用できるようにする。次のステップ４２０において、データタイプ１（すなわち臨床データ）に関して第１レベルの分類項目としてディシジョンツリーを作り、最終的な結果に基づき患者を粗く分類する。ステップ４３０において、ディシジョンツリーを用いて、トレーニングデータベース中の患者を層化する。図４の方法４００において、これらの２つの患者グループの分類結果をハイリスク及びローリスクと呼ぶが、患者グループの数はいくつでもよい。ステップ４４０において、可能性のある多数の分類項目を、データタイプ２（すなわち、臨床データ）に基づいて作る。患者の層化は無視する。分類項目の多様性は、トレーニングに使うデータをランダム化し、１つ以上のフィーチャ選択または分類項目アルゴリズムを組み合わせることにより得られる。ステップ４５０において、トレーニングデータ（データタイプ２）に対する性能に関して、各分類項目をテストする。

ステップ４６０において、患者の各層の性能がよい分類項目を別々のグループにしておく。患者のｙ層の結果４６２は（必ずしもばらばらではない）ｙセットの分類項目である。各層のよい方からｚ個の分類項目を対応する分類項目セットに入れてもよいし（ステップ４６４）、精度、感度、具体性、その他の尺度に基づき性能が最低のすべての分類項目を分類項目セットに入れてもよい（ステップ４６６）。ステップ４７０において、各層の分類項目セットは、分類項目アンサンブルを形成する。ステップ４８０において、２つ以上のサブグループの臨床的ディシジョンツリーと分類項目アンサンブルを出力として記憶する。

分類項目は最終的な結果に基づく患者の分類である。アンサンブルは、予測能力に基づいてランキングした分類項目のグループである。アンサンブルの分類項目を使えば、個々の分類項目より良く、正確に予測をすることができる。

図５を参照して、多様な画像ベースの分類項目が作られ、臨床データを用いて、各「リスク」グループに対してどの分類項目を用いるか決定する。このように生成された分類項目を、新しい、以前には見ていない患者のコンピュータ支援診断に用いる（５００）。これらの分類項目を適用する方法は、図３に示した方法にほぼ相当する。
臨床データ５１０は、第１ケース５１２から第Ｎケース５１４までの一連のケースを含む。各ケースはある患者を表す。各ケースは患者の名前または識別子５１６と、その患者に関して集められた一連の属性５１８とを含む。属性には、喫煙と、運動と、身長や体重などの身体属性とが含まれるが、これらに限定されない。これらの属性には、患者が癌にかかっているかなどの、問題の診断に関連する真偽も必ず含まれている。これらは、ディシジョンツリーアルゴリズム５２０にアクセスされる。このアルゴリズムは、新しいディシジョンツリーブランチを生成するトレーニングモジュール５２２と、ブランチをチェックするクロス確認モジュール５２４と、関係が無くなったブランチを削除する取り除き（pruning）モジュール５２６とを含む。ディシジョンツリーアルゴリズム５２０を用いて臨床ディシジョンツリー５３０を作成する。

画像用のトレーニングデータ５４０は、第１ケース５４２から第Ｎケース５４４までの一連のケースを含む。各ケースはある患者を表す。ケース５４２、５４４はケース５１２、５１４と同じ患者を表している。各ケースは、患者の名前または識別子５４６と、その患者に関して集められた一連の属性５４８と、その患者の医療用画像とを含む。これらの属性には、患者が癌にかかっているかなどの、問題の診断に関連する真偽が必ず含まれている。属性には、さらに、コントラスト、テクスチャ、形状、強さ、強さの変化など、画像及びその各領域のフィーチャの記述を含むがこれらに限定されない。これらのケースをディシジョンツリーアルゴリズム５２０と組み合わせて用いて、層化データ５５０を生成する。

層化データ５５０は、一連の少なくとも１つの第１ケース５５２から第Ｎケース５５４であり、ある健康状態（health background）の人がある病気や状態である確率に基づいて、すなわち臨床データ５１０に含まれる情報に基づいて、個々のケースが、その病気や状態であるハイリスク５５６またはローリスク５５８を示すか判断するために生成される。病気の尤度が高い人はハイリスク画像データ５５２として分類され、尤度が低い人はローリスク５５４として分類される。

画像トレーニングデータ５４０も、フィーチャ選択部５７２とトレーニング部５７４とを有するアンサンブルモジュール５７０に送られる。このアンサンブル生成部は、複数の分類項目５８２よりなる画像ベース分類項目ライブラリ５８０を生成して記憶する。この分類項目によりケース５４６とその画像属性５４８とを適当な診断に関連づけることができる。これらの分類項目５８２は、自己テストデータモジュール５５６に適用される（５８３）。ハイリスク５５２とローリスク５５４の人は両方とも自己テストにより分析される（５５６）。

その後、ハイリスク結果はレシーバ動作特性曲線（ＲＯＣ）プロセッサ５６０である。ハイリスクに対してもっともよい分類項目のアンサンブルはハイリスク分類項目エリア５９０に記録される。同様に、ローリスク結果はローリスク結果ＲＯＣ５６２に送られる。ローリスクに対してもっともよい分類項目のアンサンブルはローリスク分類項目エリア５９２に記録される。

図６は、新しい未知のケースに対して分類項目選択システムがどう動作するかを示している。新しいケース臨床データ６１０モジュールは、少なくとも１つの新しいケース６１２よりなる。この新しいケースはケース名６１４と一連の要素６１６よりなる。このケースは、図３の臨床ディシジョンツリー３３０と図５の臨床ディシジョンツリー５３０と同様の臨床ディシジョンツリー６２０に送られる。２つのパスのうち１つを選択する。

新しいケース画像データ６３０モジュールは、少なくとも１つの新しいケース６３２よりなる。この新しいケースはケース名６３４と一連の要素６３６よりなる。この少なくとも１つの新しいケースは、新しいケース臨床データモジュール６１０に示したのと同じ人物を表している。このケースは送られ、２つのパスにより分類される。一方のパスでは、ハイリスク用画像ベース分類項目アンサンブル６４０を用いる。このハイリスク分類項目アンサンブル６４０は、先に説明したモジュール３９０、５９０と同様である。第２のパスでは、ローリスク用画像ベース分類項目アンサンブル６５０を用いる。このローリスク分類項目アンサンブル６５０は、先に説明したモジュール３９２、５９２と同様である。臨床ディシジョンツリーの結果は、どちらのパスをアクティブにするか選択するパスの使用である。アクティブパスにより、２つの画像ベース分類項目アンサンブル結果のうちの一方（ハイリスクまたはローリスクのいずれかの結果）が悪性度の尤度モジュール６６０に格納される。

図７を参照して、ベイジアン分析の方法７００によりＣＡＤｘ問題を部分に分割する第３のアプローチを説明する。ここで、ベイズ分析の主要な関連方程式のサマリーを用いてリスクファクタを分析する。病気の尤度比７１０は、ＬＲと略記され７１１、感度７６４を（１−特異度）７６６で割ったもの７６０に等しい７５０。発生７２２の可能性７２０は、確率７７４を（１−確率７７４）の値７７６で割ったもの７７０に等しい７５０。癌などの病気７３２の事後７３０可能性（odds）は、癌の事前可能性７６４に、尤度比７１１と同様に、一連の尤度比７６６をかけたもの７８０に等しい７５０。癌の確率７４２などの病気の確率７４０は、可能性７９２を、（可能性７９２＋１）で割ったもの７９０に等しい７５０。ここで可能性７９２は、先に計算した可能性７２２、７３２と同様に計算する。

このアプリケーションを実現するこのアプローチでは、画像フィーチャに基づくＣＡＤｘシステムを構成する。この画像ベースシステムを用いて、最初に、既知のケースに悪性度の尤度を割り当てる。この画像ベースのＣＡＤｘ出力は事前確率となる。この確率を臨床フィーチャのベイズ分析に基づいて修正する。前述のように、テストを行い、確率のベイズ修正が最終的な計算の結果に影響するか調べる。ユーザは、比較計算により必要となれば、臨床情報を求められる。

図８を参照して、肺ＣＡＤｘアプリケーション８００における２つの分類項目選択システム３００、５００の実証を説明する。レシーバ動作特性曲線（ＲＯＣ）は、１−特異度をＸ軸に、感度をＹ軸にプロットして構成した二値分類項目システムのグラフである。この曲線の下側の面積はＡｚであり、精度の指標である。値が１．０は、テストが完全に正確だったことを示す。値が０．９乃至１は、テストが非常に良いことを示す。値が０．８乃至０.９は、テストが良いことを示す。値が０．７乃至０.８は、テストが普通であることを示す。値が０．６乃至０.７は、テストがよくないことを示す。値が０．６より低いことは、テストが失敗したことを示す。ＲＯＣ Ａｚは、これらの値を示すＲＯＣ曲線の下側のエリアを表す。

肺結節データを用いて実証テストを行った。リニア判別分類項目のランダムサブスペースアンサンブルを用いて分類を行った。

平均サブセットサイズを、サイズが最大値６０（８２０）まで増加するＸ軸に表示した。Ｙ軸は値ＲＯＣ Ａｚを含む。これは約０．９の最大値（８４０）まで増加する。グラフには２つのアプローチを示した。方法３００による第１のアプローチＩ（８６０）では、サブセットサイズが大きくなるにつれて、ＲＯＣ Ａｚの値が徐々に増加し（８８０）、ピークに至り（８８２）、一定になり（８８４）、急激に下降し始め（８８６）、最低値になる（８８８）。方法５００による第２のアプローチＩ（８７０）では、サブセットサイズが大きくなるにつれて、ＲＯＣ Ａｚの値が徐々に増加し（８９０）、一定になり（８９２）、ピークに至り（８９４）、徐々に下降し（８９８）、最低値になる（８９８）。一般的に、ＲＯＣ Ａｚの値は、平均サブセットサイズが大きくなるにつれて、サブセットサイズが３０になるまで、アプローチＩ、ＩＩともに増加する。そして、サブセットサイズが減少すると、ＲＯＣ Ａｚは減少し始める。アプローチＩＩ（８７０）はアプローチＩ（８６０）より正確であることが示されている。Ａｚとサブセットサイズの関係は、以前に公開された、従来の分類項目アンサンブル方法を用いた結果と一致する。それゆえ、ここで説明した方法は、技術水準のＣＡＤｘシステムの診断精度に匹敵し、一方で輪唱アプリケーションに合ったワークフローとインタフェースを改善するという利益がある。

さらに初期テストを行い、提案したアプローチ７００が適当であることをデモンストレーションした。臨床フィーチャの無いＣＡＤｘ結果を患者の年齢情報と組み合わせた。リニア判定分類項目のランダムサブスペースアンサンブルを用いて、画像ベースの分類項目を生成し、その結果Ａｚは０．８６１となった。ベイズ統計を用いてこれを年齢と組み合わせるとＡｚは０．８７７となった。この結果はデータ融合に対するこのベイズアプローチの実現性と潜在性を示している。

図９を参照して、本システムは、処理用にコンピュータ動作可能システム９２０に入力された医療用画像９１０を用いる。コンピュータ動作可能システム９２０上で実行される決定エンジンは、コンピュータ支援診断データベース９３０のコンピュータベース分類項目システムにアクセスする。分類項目システムは、コンピュータ動作可能システム９２０上で実行され、画像データ９１０に基づく部分診断を計算し、さらに、臨床データがあればそれに基づき完全な診断を計算する。決定エンジンは、これらの診断に基づきさらに臨床データが必要か決定する。必要に応じて、インタフェースエンジン９８０に追加臨床データを求める要求を送り、ディスプレイ端末９７０がオペレータに追加情報を問いあわせる。あれば、この追加情報が決定エンジンに送られ、最終的な診断を計算する。この診断はコンピュータディスプレイ端末９７０に送られる。あるいは、オペレータが追加情報を提供できないとき、または決定エンジンがこの追加データは必要ないと決定したとき、決定エンジンにより計算された部分的結果または可能性のある診断がコンピュータディスプレイ端末９７０上に表示される。計算の結果はさらに決定データベース９３０に格納される。コンピュータシステム９２０の決定エンジンとインタフェースエンジン９８０との間で通信を行う。あるいは、決定エンジンとインタフェースエンジン９８０は同じコンピュータ装置にあってもよい。

ヘルスケアに関する主要アプリケーションには、医療用画像化システム、画像化ワークステーション、患者監視システム、及びヘルスケアインフォマティクス内に組み込まれた、画像ベース臨床ディシジョンサポートシステム、特にコンピュータ支援診断システムと臨床ディシジョンサポート（ＣＤＳ）システムを含む。具体的な画像ベースコンピュータ支援診断及び治療ＣＤＳシステムには、ＣＴ、ＭＲＩ、超音波、ＰＥＴ、またはＳＰＥＣＴに基づく、肺ガン、乳ガン、大腸ガン、前立腺癌用のものが含まれる。組み込みする場合、本願を放射線ワークステーション（例えば、ＰＭＷ、Philips Extended BrillianceTM Workstation）やＰＡＣＳ（例えば、iSiteTM）で使用できる。

本願を好ましい実施形態を参照して説明した。前述の詳細な説明を読んで理解すれば、修正と変更に想到することができる。本願は、添付した請求項とその均等の範囲内に入るこのような修正及び変更はすべて含むものと解釈しなければならない。

Claims (16)

1. 医療用画像のインターラクティブなコンピュータ支援分析を提供するシステムであって、
   医療用画像データを処理する画像プロセッサと、
   処理した医療用画像データのみに基づき診断をし、さらに、可能性のある追加的臨床データの値に基づき可能性のある診断結果を評価する決定エンジンと、
   前の診断と、それに伴う確率と、画像データのみ、不完全な臨床データを伴う画像データ、及び臨床データを伴う画像データがあるときに病気の確率を評価する分類項目アルゴリズムとを格納するデータベースと、
   臨床データを要求し、入力するインタフェースエンジンと、
   コンピュータ支援分析の結果を表示するディスプレイ端末とを有するシステム。
2. 前記決定エンジンは、前記ディスプレイ端末に平均診断を表示し、間違いない診断をするために、臨床データなど、どの追加データが必要か判断する、請求項１に記載のシステム。
3. 臨床データは、病歴、既往歴、家族歴、体格測定値、人口統計データのうち少なくとも１つを含む、請求項２に記載のシステム。
4. 前記画像データまたは前記臨床データのうち少なくとも１つを用いて、ある病気に対してハイリスクとローリスクにデータを層化する、請求項１に記載のシステム。
5. 前記ケースデータベースを用いて、リスクファクタの評価、画像ベース分類項目ライブラリの生成、アンサンブルの獲得のうち少なくとも１つを行う、請求項１に記載のシステム。
6. 前記決定エンジンは、
   利用可能な画像データと利用可能な臨床データに基づき、病気の確率を判断し、
   利用できない臨床データの潜在的な値の範囲に基づいて前記確率を再度判断し、
   利用可能なデータによる確率と、及び前記利用可能なデータに利用できない潜在的なデータを加えたときの確率とを比較し、
   前記医療用画像データの評価に基づき病気の尤度を推定し、
   前記医療用画像データに異なる臨床データの値を加えたものに基づき、前記病気の尤度を推定し、
   前記推定した尤度を比較して、利用できないどのデータが前記推定した尤度に大きく影響したか判断する、請求項１に記載のシステム。
7. 医療診断をするのに追加データが必要か判断する方法であって、
   医療用画像データを受け取る段階と、
   現在の症状を、前の診断と比較する段階と、
   前記比較の結果に基づいて、決定した確率に利用できないどのデータが大きく影響するか判断する段階とを有する、方法。
8. 推定した尤度が所定閾値内にあれば、推定した前記病気の尤度を表示する、
   請求項７に記載の方法。
9. 比較した尤度が閾値外にあるとき、比較した尤度を閾値内にするには利用できないどの臨床データが必要か、ユーザに示す、請求項７に記載の方法。
10. 前記画像データ、臨床データ、及び診断データをデータベースに記録する、請求項７に記載の方法。
11. 前記データベースを用いて、将来の少なくとも１つの診断の確実性を高める、請求項１０に記載の方法。
12. コンピュータ支援診断（ＣＡＤｘ）システムであって、
    請求項７に記載の方法を実行するようにプログラムされたプロセッサと、
    前記診断と推定した確率とを表示するディスプレイと、を有するシステム。
13. コンピュータにロードされたとき、請求項７に記載の方法を実行するように前記コンピュータを制御するコンピュータプログラムを記憶したコンピュータプログラム可能媒体。
14. コンピュータ支援診断（ＣＡＤｘ）を部分に分割してユーザ入力を減らす方法であって、
    トレーニング用の複数のデータタイプを有する一組の患者を決める段階と、
    臨床データに分類項目としてディシジョンツリーを適用して、最終的な結果に基づいて患者を粗く分類する段階であって、前記ディシジョンツリーは前記トレーニングデータベース中の患者を層化して、ハイリスクグループとローリスクグループに患者を分類する患者層を生成する段階と、
    患者の各層の画像化データに基づき少なくとも１つ分類項目を生成する段階と、
    前記ディシジョンツリーと、２つ以上のサブグループの分類項目とを記憶する段階と、を有する方法。
15. 前記ディシジョンツリーを用いて前記患者をローリスクとハイリスクに層化する段階と、
    患者の層化を無視して、前記画像データに基づき可能性のある分類項目を生成する段階と、
    前記トレーニングデータに対する性能テストを各分類項目に対して行う段階であって、患者のｙ個の層の結果がｙ組みの分類項目を含むように、患者の各層において性能がよい分類項目を別グループとする段階と、
    各層の最もよいｚ個の分類項目のうち少なくとも１つ、または最低限要求される精度、感度、特異度、その他の尺度を有するすべての分類項目を、前記分類項目セットに入れる段階とを有する、請求項１４に記載の方法。
16. 部分に分割されたコンピュータ支援診断を適用する方法であって、
    少なくとも画像化データを含む入力患者データを決める段階と、
    異なる患者層から求めた画像分類項目を、前記入力患者データに適用して、前記患者の複数の診断仮説を生成する段階と、
    前記患者に関する追加的臨床情報の入力を要求する段階と、
    臨床ディシジョンツリーを前記患者に関する追加的臨床情報に適用して、前記患者が属する層を判断する段階と、
    この層化を用いて、複数の診断仮説から最終的な診断を選択する段階と、を有する方法。

Images