JP2021114139A - 医用情報処理装置及び医用情報処理プログラム - Google Patents

Abstract

【課題】臨床に沿った学習用データを取得すること。【解決手段】医用情報処理装は、取得部と、生成部とを備える。取得部は、被検体の複数の診療データを取得する。生成部は、複数の診療データに含まれる少なくとも１つの診療データに対して診療ナレッジ（knowledge）に基づく予測処理を行うことで予測データを取得し、複数の診療データに含まれる診療データと予測データとを含む学習用データを生成する。【選択図】図１

Description

本明細書及び図面に開示の実施形態は、医用情報処理装置及び医用情報処理プログラムに関する。

従来、医用画像診断装置によって収集された医用画像や、種々の検査によって得られた検査結果などを学習用データとして用いた機械学習が行われている。また、このような機械学習に用いる学習用データを増やすための技術も知られている。例えば、医用画像に対してノイズを付加したり、医用画像におけるコントラストや明るさを調整したり、医用画像を反転・回転させたりするなどの加工を加えることによって、学習用データを増やす技術が知られている。

特表２０１６−５３２４５９号公報

クリストファー M. ビショップ（Christopher M. Bishop）著、「パターン認識と機械学習（Pattern recognition and machine learning）」、（米国）、第１版、スプリンガー（Springer）、2006年、P.225-290

本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、臨床に沿った学習用データを得ることである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。

実施形態の医用情報処理装は、取得部と、生成部とを備える。取得部は、被検体の複数の診療データを取得する。生成部は、前記複数の診療データに含まれる少なくとも１つの診療データに対して診療ナレッジ（knowledge）に基づく予測処理を行うことで予測データを取得し、前記複数の診療データに含まれる診療データと前記予測データとを含む学習用データを生成する。

図１は、第１の実施形態に係る医用情報処理装置の構成の一例を示すブロック図である。 図２は、本実施形態に係る生成機能による診療データセットの生成を説明するための図である。 図３Ａは、第１の実施形態に係る学習済みモデルの一例を説明するための図である。 図３Ｂは、第１の実施形態に係る学習用データの一例を説明するための図である。 図４は、第１の実施形態に係る生成機能による処理を説明するための図である。 図５は、第１の実施形態に係る医用情報処理装置による処理の手順を示すフローチャートである。 図６は、第２の実施形態に係る生成機能による処理を説明するための図である。 図７は、第２の実施形態に係る医用情報処理装置による処理の手順を示すフローチャートである。 図８は、第３の実施形態に係る生成機能による処理を説明するための図である。 図９は、その他の実施形態に係るシミュレーションの一例を説明するための図である。

以下、図面を参照しながら、医用情報処理装置及び医用情報処理プログラムの実施形態について詳細に説明する。なお、本願に係る医用情報処理装置及び医用情報処理プログラムは、以下に示す実施形態によって限定されるものではない。また、実施形態は、処理内容に矛盾が生じない範囲で他の実施形態や従来技術との組み合わせが可能である。

（第１の実施形態）
図１は、第１の実施形態に係る医用情報処理装置４の構成の一例を示すブロック図である。例えば、第１の実施形態に係る医用情報処理装置４は、図１に示すように、ネットワーク２００を介して医用画像診断装置１、端末装置２及び医療情報保管装置３と通信可能に接続された医用情報処理システム１００に含まれる。ここで、医用情報処理システム１００に含まれる各装置は、例えば、病院内に設置された院内ＬＡＮ（Local Area Network）により、直接的、又は間接的に相互に通信可能な状態となっている。なお、図１に示す医用情報処理システム１００には、図示以外の装置が通信可能に接続される場合でもよい。

例えば、医用情報処理システム１００は、病院情報システム（ＨＩＳ：Hospital Information System）、放射線情報システム（ＲＩＳ：Radiology Information System）、診断レポートシステム、医用画像処理システム（ＰＡＣＳ：Picture Archiving and Communication System）、臨床検査情報システム（ＬＩＳ：Laboratory Information System）などの種々のシステムが含まれる。

医用画像診断装置１は、被検体を撮像して医用画像を収集する。そして、医用画像診断装置１は、収集した医用画像を端末装置２や、医療情報保管装置３、医用情報処理装置４に送信する。例えば、医用画像診断装置１は、Ｘ線診断装置、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、超音波診断装置、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置、ＰＥＴ（Positron Emission computed Tomography）装置等である。

端末装置２は、病院内に勤務する医師や検査技師によって操作される装置である。例えば、端末装置２は、パーソナルコンピュータ（ＰＣ：Personal Computer）やタブレット式ＰＣ、ＰＤＡ（Personal Digital Assistant）、携帯電話等によって実現される。端末装置２は、医用画像診断装置１又は医療情報保管装置３から受信した医用画像を自装置のディスプレイに表示させるとともに、自装置の入力インターフェースを介した各種操作を受け付ける。例えば、端末装置２は、種々の検査結果や、診断情報などの入力操作を受け付け、医療情報保管装置３や、医用情報処理装置４に送信する。

医療情報保管装置３は、医用情報処理システム１００における種々の医療情報を保管する。具体的には、医療情報保管装置３は、医用画像診断装置１から受信した医用画像、端末装置２を介して受信した種々の検査結果及び診断情報、及び、医用情報処理システム１００に接続されたその他の装置から受信した種々の情報を含む医療情報を保管する。ここで、医療情報保管装置３は、医療情報に含まれる各情報を患者ＩＤなどに紐付けて記憶する。例えば、医療情報保管装置３は、ＤＢ（Database）サーバ等のコンピュータ機器によって実現され、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等の記憶回路に医療情報を記憶させる。なお、図１では、１つの医療情報保管装置３を図示しているが、実施形態はこれに限定されるものではなく、複数のＤＢサーバが協働して医療情報保管装置３として機能する場合でもよい。

医用情報処理装置４は、医用画像診断装置１、端末装置２、医療情報保管装置３から各種の情報を取得し、取得した情報を用いて各種の情報処理を行う。例えば、医用情報処理装置４は、サーバやワークステーション、パーソナルコンピュータ、タブレット端末等のコンピュータ機器によって実現される。

図１に示すように、医用情報処理装置４は、通信インターフェース４１と、記憶回路４２と、入力インターフェース４３と、ディスプレイ４４と、処理回路４５とを有する。

通信インターフェース４１は、処理回路４５に接続されており、医用情報処理システム１００における各装置との間で行われる通信を制御する。具体的には、通信インターフェース４１は、各装置から各種の情報を受信し、受信した情報を処理回路４５に出力する。例えば、通信インターフェース４１は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。

記憶回路４２は、処理回路４５に接続されており、各種のデータを記憶する。具体的には、記憶回路４２は、医用画像診断装置１、端末装置２及び医療情報保管装置３から受信した種々の情報や、入力インターフェース４３を介して入力された情報、医用情報処理装置４の処理結果などを記憶する。例えば、記憶回路４２は、図１に示すように、診療データ４２１、診療ナレッジ（knowledge）４２２、学習済みモデル４２３を記憶する。

診療データ４２１は、医用画像診断装置１、端末装置２及び医療情報保管装置３から受信した医用画像や、医用画像の解析情報、検査結果、診療情報などを含む。なお、診療データ４２１は、通信インターフェース４１を介して医用画像診断装置１、端末装置２及び医療情報保管装置３から取得され、記憶回路４２に記憶される。また、診療データ４２１は、処理回路４５の処理によって取得され、記憶回路４２に記憶される。

診療ナレッジ４２２は、臨床研究の研究結果に基づく知見や、各種ガイドラインなどの情報、それらに基づくシミュレーションなどを含む。例えば、診療ナレッジ４２２は、複数の診療データ間における相互の関係や、疾病の因果関係、それらに基づいて構築された医用画像に対するシミュレーションなどを含む。なお、診療ナレッジ４２２は、入力インターフェース４３を介して入力操作に基づいて、記憶回路４２に記憶される。

学習済みモデル４２３は、診療データ４２１を学習用データとした機械学習によって生成される。具体的には、学習済みモデル４２３は、複数の診療データを学習用データとした機械学習によって生成され、記憶回路４２に記憶される。なお、学習済みモデル４２３は、処理回路４５によって生成され、記憶回路４２に格納される場合でもよく、医用情報処理システム１００の外部に配置された外部装置によって生成され、記憶回路４２に格納される場合でもよい。

また、記憶回路４２は、処理回路４５が読み出して実行することで各種機能を実現するための種々のプログラムを記憶する。例えば、記憶回路４２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等によって実現される。

入力インターフェース４３は、処理回路４５に接続されており、操作者から各種の指示及び情報の入力操作を受け付ける。具体的には、入力インターフェース４３は、操作者から受け付けた入力操作を電気信号へ変換して処理回路４５に出力する。例えば、入力インターフェース４３は、トラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び音声入力回路等によって実現される。なお、本明細書において、入力インターフェース４３は、マウス、キーボード等の物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を制御回路へ出力する電気信号の処理回路も入力インターフェース４３の例に含まれる。

ディスプレイ４４は、処理回路４５に接続されており、各種の情報及び画像を表示する。具体的には、ディスプレイ４４は、処理回路４５から送られる情報及び画像のデータを表示用の電気信号に変換して出力する。例えば、ディスプレイ４４は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ、タッチパネル等によって実現される。

処理回路４５は、入力インターフェース４３を介して操作者から受け付けた入力操作に応じて、医用情報処理装置４の動作を制御する。例えば、処理回路４５は、プロセッサによって実現される。図１に示すように、処理回路４５は、制御機能４５１、生成機能４５２、及び、学習機能４５３を実行する。ここで、制御機能４５１は、取得部の一例である。また、生成機能４５２は、生成部の一例である。また、学習機能４５３は、学習部の一例である。

制御機能４５１は、医用情報処理装置４における各種処理を制御する。生成機能４５２は、診療データ４２１及び診療ナレッジ４２２に基づいて学習用データを生成する。学習機能４５３は、生成機能４５２によって生成された学習用データを用いて学習済みモデル４２３を生成し、記憶回路４２に格納する。なお、これら各機能の処理については、後に詳述する。

以上、第１の実施形態に係る医用情報処理装置４の構成について説明した。かかる構成のもと、医用情報処理装置４は、臨床的に沿った学習用データを得ることを可能にする。上述したように、機械学習に用いる学習用データの収集では、取得済みの医用画像に対して加工を加えることで学習用データを増やす技術が知られている。しかしながら、このような手法を用いてデータを生成した場合、機械学習に用いる他のデータとの関係において妥当ではないデータが生成される可能性がある。

すなわち、機械学習に用いられる複数のデータの組み合わせとして臨床的に妥当ではない組み合わせが生成され、それが妥当な組み合わせとして機械学習に用いられてしまう可能性がある。そこで、本願では、診療ナレッジに基づいて学習用データを生成することで、臨床に沿った組み合わせを有する学習用データを取得する。

以下、本実施形態に係る医用情報処理装置４の詳細について説明する。

制御機能４５１は、入力インターフェース４３を介して入力された各種要求に応じた処理を実行するように制御する。例えば、制御機能４５１は、通信インターフェース４１を介した医用画像、検査結果等の送受信、記憶回路４２への各種情報の格納、ディスプレイ４４への情報（例えば、医用画像や、各機能による処理結果など）の表示などを制御する。

例えば、制御機能４５１は、医用画像診断装置１、端末装置２、医療情報保管装置３から診療データを取得して、記憶回路４２に格納する。また、例えば、制御機能４５１は、診療データに対して処理を実行するためのＧＵＩや、各機能による処理結果をディスプレイ４４に表示させるように制御する。

生成機能４５２は、診療データに対して診療ナレッジに基づく予測処理を行うことで予測データを取得し、診療データと予測データとを含む学習用データを生成する。具体的には、生成機能４５２は、記憶回路４２に記憶された診療データ４２１から複数の診療データを読み出し、読み出した複数の診療データのうち少なくとも１つに対して診療ナレッジに基づく予測処理を行うことで新たな診療データを取得する。そして、生成機能４５２は、読み出した複数の診療データのうち少なくとも１つと、取得した新たな診療データとから学習用データを生成する。以下、生成機能４５２によって生成される学習用データを診療データセットとも記載する。

上述したように、生成機能４５２は、診療データに対して診療ナレッジに基づく予測処理を行うことで、新たな診療データを取得し、学習用データを生成する。ここで、本願では、新たな診療データとして種々のデータを取得することできる。

図２は、本実施形態に係る生成機能４５２による診療データセットの生成を説明するための図である。ここで、図２に示す診療データセットは、学習用データとして用いる複数の診療データのセットを示す。図２に示すように、生成機能４５２は、診療データセットを診療ナレッジに基づくシミュレーションモデルに適用することで、臨床的に妥当な診療データセット（「診療データセット（臨床的に妥当）」）、或いは、臨床的に妥当ではない診療データセット（「診療データセット（臨床的に不当）」）を生成する。

例えば、生成機能４５２は、図２に示すように、「診療データセット（一部欠損）」をシミュレーションモデルに適用することで、臨床的に妥当な診療データセットを生成する。ここで、「診療データセット（一部欠損）」とは、学習用データとして用いる複数の診療データにおいて一部不足がある診療データセットを示す。すなわち、生成機能４５２は、学習用データとして用いる複数の診療データのうち不足した診療データを、診療ナレッジに基づくシミュレーションによって取得することで、学習用データを生成する。ここで、生成機能４５２によって取得される診療データは、診療ナレッジに基づくシミュレーションによって取得されていることから、その他の診療データとの組み合わせにおいて臨床的に妥当なデータとなる。

また、例えば、生成機能４５２は、図２に示すように、「診療データセット（一部改変）」をシミュレーションモデルに適用することで、臨床的に妥当な診療データセットを生成する。ここで、「診療データセット（一部改変）」とは、学習用データとして用いる複数の診療データの全てを含んだ（不足がない）診療データセットであり、診療ナレッジに基づいてデータを改変する対象となる診療データセットを示す。すなわち、生成機能４５２は、学習用データとして既にある複数の診療データの組み合わせから、診療ナレッジに基づくシミュレーションによって新たな組み合わせを取得することで、学習用データを生成する。ここで、生成機能４５２によって取得される診療データは、診療ナレッジに基づくシミュレーションによって取得されていることから、その組み合わせは臨床的に妥当なデータとなる。

また、例えば、生成機能４５２は、図２に示すように、「診療データセット」を、ナレッジを一部改変したシミュレーションモデルに適用することで、臨床的に不当な診療データセットを生成する。ここで、「診療データセット」は、学習用データとして用いる複数の診療データの全てを含んだ（不足がない）診療データセットである。また、診療ナレッジの一部改変は、シミュレーションモデルの一部を物理学的法則や、生理学的法則に従わないように改変する。すなわち、生成機能４５２は、学習用データとして既にある複数の診療データの組み合わせから、診療ナレッジに基づかないシミュレーションによって新たな組み合わせを取得することで、臨床的に不当な学習用データを生成する。

上述したように、生成機能４５２は、診療ナレッジに基づくシミュレーションにより、臨床に沿った学習用データを生成することができる。したがって、学習機能４５３は、生成機能４５２によって生成された学習用データを用いて機械学習を行うことで、臨床的に精度の高い学習済みモデルを生成することができる。

以下、第１の実施形態では、診療ナレッジに基づくシミュレーションによって不足する診療データを取得して、学習用データを生成する場合の例について説明する。なお、診療データセットを改変して臨床的に妥当な診療データセットを生成する例、及び、診療ナレッジの一部を改変して臨床的に不当な診療データセットを生成する例については、第２の実施形態及び第３の実施形態にてそれぞれ説明する。

また、以下の実施形態では、診療データの入力に対してＦＦＲ（Fractional Flow Reserve）の値を出力する学習済みモデルを生成するための学習用データを生成する場合を一例に挙げて説明する。すなわち、生成機能４５２によって生成された学習用データを用いた機械学習によって生成される学習済みモデルは、図３Ａに示すように、診療データの入力に応じて、ＦＦＲ値を出力する。これにより、心臓カテーテルによるＦＦＲの計測や、冠動脈のＣＴ撮影を行うことなく、診療データのみでＦＦＲの値を推定することができる。なお、本実施形態で説明する例はあくまでも一例であり、その他種々の学習済みモデルを生成することが可能である。また、図３Ａは、第１の実施形態に係る学習済みモデルの一例を説明するための図である。

このような学習済みモデルを生成する場合、学習用データとして診療データとＦＦＲ値を用いる。図３Ｂは、第１の実施形態に係る学習用データの一例を説明するための図である。例えば、本実施形態では、図３Ｂに示すように、「主訴（胸痛など）」、「血液検査（コレステロールなど）」、「心電図（ＳＴ低下など）」、「心エコー（冠動脈血流波形など）」、「ＦＦＲ値」を学習用データとして用いる。すなわち、「主訴（胸痛など）」、「血液検査（コレステロールなど）」、「心電図（ＳＴ低下など）」及び「心エコー（冠動脈血流波形など）」と、「ＦＦＲ値」との関係を学習することにより、診療データの入力に応じてＦＦＲ値を出力するように機能付けられた学習済みモデルが生成される。

図３Ｂに示す学習用データにおいてデータに不足がある場合、生成機能４５２は、診療ナレッジに沿った予測処理（シミュレーション）により、診療データに含まれるデータ種別以外の予測データ（不足するデータ）を取得する。例えば、図３Ｂにおける「主訴」、「血液検査」、「心電図」及び「心エコー」は、多くの被検体において収集される診療データである。一方、心臓カテーテル検査を行い、プレッシャワイヤーによって計測されるＦＦＲ値は、狭窄が軽度な被検体からは収集されることが少なく、不足しやすいデータである。

このように、学習用データにおけるＦＦＲ値が欠損している場合、生成機能４５２は、診療ナレッジに沿ったシミュレーションにより、ＦＦＲ値を取得する。図４は、第１の実施形態に係る生成機能４５２による処理を説明するための図である。例えば、生成機能４５２は、図４に示すように、冠動脈ＣＴによって収集されたＣＴ画像データを用いた血流解析シミュレーションにより、ＦＦＲ値を取得する。

かかる場合には、生成機能４５２は、診療データ４２１に含まれる被検体の冠動脈造影ＣＴ画像データを取得する。そして、生成機能４５２は、冠動脈造影ＣＴ画像データに対して流体解析を実行することにより、冠動脈におけるＦＦＲ値を取得する。

冠動脈造影ＣＴ画像データに基づく流体解析を実行してＦＦＲ値を取得する場合、生成機能４５２は、診療データ４２１から経時的に収集された複数時相の冠動脈造影ＣＴ画像データを読み出し、読み出した複数時相の冠動脈造影ＣＴ画像データに対して画像処理を行うことで、時系列の血管形状データを抽出する。

ここで、生成機能４５２は、冠動脈造影ＣＴ画像データに含まれる血管領域に指標値を算出する対象領域を設定する。具体的には、生成機能４５２は、操作者による入力インターフェース４３を介した指示又は画像処理によって、血管領域に対象領域を設定する。そして、生成機能４５２は、設定した対象領域の血管形状データとして、例えば、血管の芯線（芯線の座標情報）、芯線に垂直な断面での血管及び内腔の断面積、芯線に垂直な断面での円柱方向の、芯線から内壁までの距離及び芯線から外壁までの距離などを冠動脈造影ＣＴ画像データから抽出する。

さらに、生成機能４５２は、流体解析の解析条件を設定する。具体的には、生成機能４５２は、解析条件として、血液の物性値、反復計算の条件、解析の初期値などを設定する。例えば、生成機能４５２は、血液の物性値として、血液の粘性、密度などを設定する。また、生成機能４５２は、反復計算の条件として、反復計算における最大反復回数、緩和係数、残差の許容値などを設定する。また、生成機能４５２は、解析の初期値として、血流量、圧力、流体抵抗、圧力境界の初期値などを設定する。なお、生成機能４５２によって用いられる各種値は、システムに予め組み込んでおいてもよいし、操作者が対話的に定義してもよい。

そして、生成機能４５２は、冠動脈造影ＣＴ画像データを用いた流体解析により血管の血流に関する指標値を算出する。具体的には、生成機能４５２は、血管形状データと解析条件とを用いた流体解析を実行し、血管の対象領域における血流に関する指標値を算出する。例えば、生成機能４５２は、血管の内腔や外壁の輪郭、血管の断面積及び芯線などの血管形状データと、血液の物性値、反復計算の条件及び解析の初期値などの設定条件に基づいて、血管の所定の位置ごとに、圧力、血流量、血液の流速、ベクトル及びせん断応力などの指標値を算出する。そして、生成機能４５２は、冠動脈の位置ごとの圧力に基づいて、位置ごとのＦＦＲ値を取得することができる。なお、流体解析に関するアプリケーションは、診療ナレッジ４２２に含まれ、記憶回路４２に記憶される。

また、生成機能４５２は、上記した流体解析の結果からその他のデータを取得することもできる。例えば、心エコーが実施されておらず、冠動脈血流波形などのデータが取得されていない被検体について、生成機能４５２は、流体解析の結果を用いて冠動脈血流波形などのデータを推定することで、学習用データを生成することができる。

上述したように学習用データが生成されると、学習機能４５３は、生成機能４５２によって生成された学習用データを用いた機械学習によって学習済みモデルを生成する。ここで、本実施形態では、医用情報処理装置４の処理回路４５が学習機能４５３を実行することで、学習済みモデル４２３を生成する場合について説明するが、実施形態はこれに限定されるものではない。例えば、他の情報処理装置が以下で説明する処理を実行することで、学習済みモデル４２３を生成し、生成された学習済みモデル４２３が、記憶回路４２に格納される場合でもよい。

例えば、学習機能４５３は、「主訴（胸痛など）」、「血液検査（コレステロールなど）」、「心電図（ＳＴ低下など）」及び「心エコー（冠動脈血流波形など）」と、「ＦＦＲ値」とを学習用データとして機械学習エンジンに入力することによって、機械学習を行い、診療データの入力に応じてＦＦＲ値を出力するように機能付けられた学習済みモデルを生成する。ここで、機械学習エンジンとしては、例えば、公知である非特許文献「クリストファー M. ビショップ（Christopher M. Bishop）著、「パターン認識と機械学習（Pattern recognition and machine learning）」、（米国）、第１版、スプリンガー（Springer）、2006年、P.225-290」に記載のニューラルネットワーク（Neural Network）などを適用することができる。

なお、機械学習エンジンについては、上記したニューラルネットワークの他、例えば、ディープラーニングや、ロジスティック（Logistic）回帰分析、非線形判別分析、サポートベクターマシン（Support Vector Machine：ＳＶＭ）、ランダムフォレスト（Random Forest）、ナイーブベイズ（Naive Bayes）等の各種のアルゴリズムを用いるものでもよい。

このような機械学習の結果として、学習機能４５３は、学習済みアルゴリズムに入力される「主訴（胸痛など）」、「血液検査（コレステロールなど）」、「心電図（ＳＴ低下など）」及び「心エコー（冠動脈血流波形など）」の入力に対して、ＦＦＲの値を出力する学習済みモデル４２３を生成する。そして、学習機能４５３は、生成した学習済みモデル４２３を記憶回路４２に記憶させる。なお、このとき、学習機能４５３は、以前に作成した学習済みモデル４２３が既に記憶回路４２に記憶されていた場合には、新しく作成した学習済みモデル４２３で、記憶されている学習済みモデル４２３を置き換えることもできる。

次に、医用情報処理装置４による処理の手順を説明する。図５は、第１の実施形態に係る医用情報処理装置４による処理の手順を示すフローチャートである。ここで、図５におけるステップＳ１０１、ステップＳ１０２は、処理回路４５が、記憶回路４２から生成機能４５２に対応するプログラムを呼び出して実行することにより、実現されるステップである。また、図５におけるステップＳ１０３、ステップＳ１０４は、処理回路４５が、記憶回路４２から学習機能４５３に対応するプログラムを呼び出して実行することにより、実現されるステップである。

図５に示すように、医用情報処理装置４においては、処理回路４５が、まず、被検体の複数の診療データを取得し、取得した診療データセットに不足があるか否かを判定する（ステップＳ１０１）。ここで、診療データに不足がある場合には（ステップＳ１０１、肯定）、処理回路４５は、診療ナレッジに基づくシミュレーションにより不足データを取得する（ステップＳ１０２）。なお、診療データに不足がない場合には、処理回路４５はステップＳ１０２の処理を省略する（ステップＳ１０１、否定）。

そして、処理回路４５は、診療データセットを学習用データとした機械学習によって、学習済みモデルを生成して（ステップＳ１０３）、生成した学習済みモデルを記憶回路４２に記憶させる（ステップＳ１０４）。

上述したように、第１の実施形態によれば、制御機能４５１は、被検体の複数の診療データを取得する。生成機能４５２は、複数の診療データに含まれる少なくとも１つの診療データに対して診療ナレッジに基づく予測処理を行うことで予測データを取得し、複数の診療データに含まれる診療データと予測データとを含む学習用データを生成する。したがって、第１の実施形態に係る医用情報処理装置４は、診療ナレッジに基づいた診療データを学習用データとして生成することができ、臨床に沿った学習用データを取得することを可能にする。

また、第１の実施形態によれば、生成機能４５２は、診療ナレッジに沿った予測処理により、診療データに含まれるデータ種別以外の予測データを取得する。したがって、第１の実施形態に係る医用情報処理装置４は、学習用データとして用いる複数の診療データに不足がある場合でも、臨床的に妥当な診療データを取得し、学習用データとして用いることを可能にする。

また、第１の実施形態によれば、学習機能４５３は、学習用データを用いた機械学習によって学習済みモデルを生成する。したがって、第１の実施形態に係る医用情報処理装置４は、臨床的に精度の高い学習済みモデルを得ることを可能にする。

（第２の実施形態）
上述した第１の実施形態では、診療ナレッジに基づくシミュレーションによって不足する診療データを取得して、学習用データを生成する場合について説明した。第２の実施形態では、診療データセットを改変して臨床的に妥当な診療データセットを生成する場合について説明する。なお、以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。また、以下で説明する各実施形態は、個別に実施されてもよいし、適宜に組み合わせて実施されてもよい。

第２の実施形態に係る生成機能４５２は、診療ナレッジに沿った予測処理により、診療データに含まれるデータを変化させた予測データを取得する。具体的には、生成機能４５２は、不足がない学習用データを診療ナレッジに沿って改変することで、新たな学習用データを生成する。

図６は、第２の実施形態に係る生成機能４５２による処理を説明するための図である。なお、図６においては、図３Ｂに示す学習用データに対する処理を示す。すなわち、「主訴」、「血液検査」、「心電図」、「心エコー」及び「ＦＦＲ値」が揃っている診療データセットに対する処理を示す。例えば、生成機能４５２は、図６に示すように、冠動脈ＣＴによって収集されたＣＴ画像データに対して一部改変を行うことで、新たな診療データセットを生成する。

一例を挙げると、生成機能４５２は、ＣＴ画像データに含まれる冠動脈や心筋、大動脈の構造を一部変更する。そして、生成機能４５２は、変更後のデータを用いて流体解析を行い、ＦＦＲ値や、冠動脈血流波形などのデータを取得することで、新たな診療データセットを生成する。ここで、構造を変更する場合、例えば、年齢に基づく変化や、狭窄の進行に沿った変化が用いられる。一例を挙げると、生成機能４５２は、加齢に伴う血管形状の変化や、血管壁の柔軟性の変化に基づいて、冠動脈の構造を変更する。また、生成機能４５２は、狭窄の進行の仕方に沿って、冠動脈の構造を変更する。

なお、加齢に伴う血管形状の変化や、血管壁の柔軟性の変化、狭窄の進行の仕方などの情報は、診療ナレッジ４２２に含まれ、記憶回路４２に記憶される。すなわち、生成機能４５２は、これらの情報を記憶回路４２から読み出し、読み出した情報に基づいて構造を変更する。

また、例えば、生成機能４５２は、流体解析に用いる解析条件のパラメータを変更することで、新たな診療データセットを生成することもできる。一例を挙げると、生成機能４５２は、流体解析の解析条件に含まれる血液の密度や粘度などの生理学的なパラメータを変更する。そして、生成機能４５２は、変更後のパラメータで流体解析を行い、ＦＦＲ値や、冠動脈血流波形などのデータを取得することで、新たな診療データセットを生成する。なお、血液の密度や粘度を変更する場合、生成機能４５２は、生理学的にあり得る範囲で血液の密度や粘度を変更する。

上述したように、第２の実施形態に係る生成機能４５２は、既存の診療データセットに対して、診療ナレッジに基づく改変を行うことで、新たな診療データセットを生成する。ここで、生成機能４５２は、変更した内容に関連する他の診療データについても、診療ナレッジに基づく変更を加える。例えば、流体解析のパラメータに含まれる血液密度や血液粘度を変更する場合、生成機能４５２は、診療データ「血液検査」に含まれるコレステロールなどの情報を診療ナレッジに基づいて改変する。すなわち、生成機能４５２は、改変に応じたシミュレーションにより、診療データセット全体を改変する。

次に、医用情報処理装置４による処理の手順を説明する。図７は、第２の実施形態に係る医用情報処理装置４による処理の手順を示すフローチャートである。ここで、図７においては、シミュレーションによって不足データを取得する処理に加えて、本実施形態に係る処理を実行する場合について示す。図７におけるステップＳ２０１〜ステップＳ２０４は、処理回路４５が、記憶回路４２から生成機能４５２に対応するプログラムを呼び出して実行することにより、実現されるステップである。また、図７におけるステップＳ２０５、ステップＳ２０６は、処理回路４５が、記憶回路４２から学習機能４５３に対応するプログラムを呼び出して実行することにより、実現されるステップである。

図７に示すように、医用情報処理装置４においては、処理回路４５が、まず、被検体の複数の診療データを取得し、取得した診療データセットに不足があるか否かを判定する（ステップＳ２０１）。ここで、診療データに不足がある場合には（ステップＳ２０１、肯定）、処理回路４５は、診療ナレッジに基づくシミュレーションにより不足データを取得する（ステップＳ２０２）。なお、診療データに不足がない場合には、処理回路４５はステップＳ２０２の処理を省略する（ステップＳ２０１、否定）。

そして、処理回路４５は、診療データセットの一部を改変して（ステップＳ２０３）、改変に応じたシミュレーションにより診療データセットを改変する（ステップＳ２０４）。

その後、処理回路４５は、改変後の診療データセットを学習用データとした機械学習によって、学習済みモデルを生成して（ステップＳ２０５）、生成した学習済みモデルを記憶回路４２に記憶させる（ステップＳ２０６）。

上述したように、第２の実施形態によれば、生成機能４５２は、診療ナレッジに沿った予測処理により、複数の診療データに含まれるデータを変化させた予測データを取得する。したがって、第２の実施形態に係る医用情報処理装置４は、臨床的に妥当な診療データを用いた学習用データを容易に増やすことを可能にする。

（第３の実施形態）
第３の実施形態では、診療ナレッジの一部を改変して臨床的に不当な診療データセットを生成する場合について説明する。なお、以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。また、以下で説明する各実施形態は、個別に実施されてもよいし、適宜に組み合わせて実施されてもよい。

第３の実施形態に係る生成機能４５２は、診療ナレッジに反する予測処理により、複数の診療データに含まれるデータ種別以外の予測データを取得する。また、第３の実施形態に係る生成機能４５２は、診療ナレッジに反する予測処理により、複数の診療データに含まれるデータを変化させた予測データを取得する。具体的には、生成機能４５２は、診療ナレッジに基づくシミュレーションに対して、物理学的法則や生理学的法則に従わない改変を行うことで、診療ナレッジに反するシミュレーションを行う。そして、生成機能４５２は、診療ナレッジに反するシミュレーションによって得られた診療データを含む診療データセットを、臨床的に不当な学習用データとして生成する。

図８は、第３の実施形態に係る生成機能４５２による処理を説明するための図である。なお、図８においては、図３Ｂに示す学習用データに対する処理を示す。すなわち、「主訴」、「血液検査」、「心電図」、「心エコー」及び「ＦＦＲ値」を学習用データとする場合の例を示す。

例えば、生成機能４５２は、図８に示すように、冠動脈ＣＴによって収集されたＣＴ画像データに対して実行する血流解析シミュレーションに一部改変を行うことで、臨床的に妥当ではない新たな診療データセットを生成する。一例を挙げると、生成機能４５２は、血流解析シミュレーションの数式モデルの一部に対して物理学的法則や生理学的法則に従わない改変を行う。これにより、改変後の血流解析シミュレーションから得られるＦＦＲ値は、臨床的に妥当ではなく、誤ったデータとなる。

ここで、上述した臨床的に妥当ではない診療データセットは、診療データが一部欠損する診療データセットから生成されてもよく、或いは、すべての診療データが揃った診療データセットから生成されてもよい。すなわち、生成機能４５２は、第１の実施形態及び第２の実施形態で説明した処理において、シミュレーションを実行する前に、シミュレーションモデルに改変を加えることで、臨床的に不当な学習用データを生成する。

学習機能４５３は、上述したように生成された臨床的に不当な学習用データを機械学習に用いることで、学習済みモデルのロバスト性を高めることができる。

上述したように、第３の実施形態によれば、生成機能４５２は、診療ナレッジに反する予測処理により、複数の診療データに含まれるデータ種別以外の予測データを取得する。また、生成機能４５２は、診療ナレッジに反する予測処理により、複数の診療データに含まれるデータを変化させた予測データを取得する。したがって、第３の実施形態に係る医用情報処理装置４は、臨床的に妥当ではない学習用データを意図的に生成することができ、当該学習用データを用いて機械学習を行うことで、学習済みモデルのロバスト性を高めることを可能にする。

（その他の実施形態）
さて、これまで第１〜第３の実施形態について説明したが、上述した第１〜第３の実施形態以外にも、種々の異なる形態にて実施されてよいものである。

上述した実施形態では、診療ナレッジに基づくシミュレーションとして血流解析シミュレーションを用いる場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、診療ナレッジに基づくシミュレーションであればどのようなものが用いられてもよい。

例えば、生成機能４５２は、疾患の発症をモデル化した発症モデルを用いて、診療データを取得することができる。図９は、その他の実施形態に係るシミュレーションの一例を説明するための図である。ここで、図９においては、ＣＨＤ（Coronary Heart Disease）の発症に至るまでの各因子の関係を示す。

例えば、生成機能４５２は、図９に示すＣＨＤの発症モデルを用いたシミュレーションにより、欠損した診療データ取得することができる。一例を挙げると、コレステロール値が欠損している場合に、生成機能４５２は、被検体のＢＭＩ（Body Mass Index）とＣＨＤの程度からＬＤＬコレステロール値を推定することで、コレステロール値を含む学習用データを生成する。

また、上述した各実施形態では、本明細書における取得部、生成部及び学習部を、それぞれ、処理回路４５の制御機能４５１、生成機能４５２及び学習機能４５３によって実現する場合の例を説明したが、実施形態はこれに限られるものではない。例えば、本明細書における取得部、生成部及び学習部は、実施形態で述べた制御機能４５１、生成機能４５２及び学習機能４５３によって実現する他にも、ハードウェアのみ、又は、ハードウェアとソフトウェアとの混合によって同機能を実現するものであっても構わない。

上述したように、処理回路４５がプロセッサによって実現される場合には、処理回路４５が有する各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路４２に記憶されている。そして、処理回路４５は、記憶回路４２から各プログラムを読み出して実行することで、各プログラムに対応する機能を実現する。換言すると、各プログラムを読み出した状態の処理回路４５は、図１の処理回路４５に示された各機能を有することとなる。なお、図１では、単一のプロセッサによって各処理機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、処理回路４５が有する処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。また、図１に示す例では、単一の記憶回路４２が各処理機能に対応するプログラムを記憶するものとして説明したが、複数の記憶回路を分散して配置して、処理回路が個別の記憶回路から対応するプログラムを読み出す構成としても構わない。

なお、上述した説明で用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは、記憶回路４２に保存されたプログラムを読み出して実行することで、機能を実現する。なお、記憶回路４２にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合は、プロセッサは回路内に組み込まれたプログラムを読み出して実行することで機能を実現する。また、本実施形態のプロセッサは、単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて一つのプロセッサとして構成され、その機能を実現するようにしてもよい。

ここで、プロセッサによって実行されるプログラム（医用情報処理プログラム）は、ＲＯＭ（Read Only Memory）や記憶回路等に予め組み込まれて提供される。なお、このプログラムは、これらの装置にインストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disk）−ＲＯＭ、ＦＤ（Flexible Disk）、ＣＤ−Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記憶媒体に記録されて提供されてもよい。また、このプログラムは、インターネット等のネットワークに接続されたコンピュータ上に保存され、ネットワーク経由でダウンロードされることにより提供又は配布されてもよい。例えば、このプログラムは、上述した各機能部を含むモジュールで構成される。実際のハードウェアとしては、ＣＰＵが、ＲＯＭ等の記憶媒体からプログラムを読み出して実行することにより、各モジュールが主記憶装置上にロードされて、主記憶装置上に生成される。

以上説明した少なくとも１つの実施形態によれば、臨床に沿った学習用データを取得することができる。

いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

４ 医用情報処理装置
４５ 処理回路
４５１ 制御機能
４５２ 生成機能
４５３ 学習機能

Claims (7)

1. 被検体の複数の診療データを取得する取得部と、
   前記複数の診療データに含まれる少なくとも１つの診療データに対して診療ナレッジ（knowledge）に基づく予測処理を行うことで予測データを取得し、前記複数の診療データに含まれる診療データと前記予測データとを含む学習用データを生成する生成部と、
   を備える、医用情報処理装置。
2. 前記生成部は、前記診療ナレッジに沿った予測処理により、前記複数の診療データに含まれるデータ種別以外の予測データを取得する、請求項１に記載の医用情報処理装置。
3. 前記生成部は、前記診療ナレッジに沿った予測処理により、前記複数の診療データに含まれる診療データを変化させた予測データを取得する、請求項１又は２に記載の医用情報処理装置。
4. 前記生成部は、前記診療ナレッジに反する予測処理により、前記複数の診療データに含まれるデータ種別以外の予測データを取得する、請求項１〜３のいずれか１つに記載の医用情報処理装置。
5. 前記生成部は、前記診療ナレッジに反する予測処理により、前記複数の診療データに含まれるデータを変化させた予測データを取得する、請求項１〜４のいずれか１つに記載の医用情報処理装置。
6. 前記学習用データを用いた機械学習によって学習済みモデルを生成する学習部をさらに備える、請求項１〜５のいずれか１つに記載の医用情報処理装置。
7. 被検体の複数の診療データを取得する取得機能と、
   前記複数の診療データに含まれる少なくとも１つの診療データに対して診療ナレッジ（knowledge）に基づく予測処理を行うことで予測データを取得し、前記複数の診療データに含まれる診療データと前記予測データとを含む学習用データを生成する生成機能と、
   をコンピュータに実現させるための医用情報処理プログラム。

Images