JP4799251B2

JP4799251B2 - 類似症例検索装置、類似症例検索方法およびそのプログラム

Info

Publication number: JP4799251B2
Application number: JP2006104010A
Authority: JP
Inventors: 哲大沢
Original assignee: Fujifilm Corp
Current assignee: Fujifilm Corp
Priority date: 2006-04-05
Filing date: 2006-04-05
Publication date: 2011-10-26
Anticipated expiration: 2026-04-05
Also published as: JP2007279942A

Description

本発明は、医用画像の症例と類似する症例を検索する類似症例検索装置、類似症例検索方法およびそのプログラムに関するものである。

従来から、医用システムの読影用のワークステーションを用いて、データベースに記憶されている画像を画面上に表示して医師が読影診断を行っているが、症例の中には診断に迷いの生じる症例もままある。例えば、医師は胃がんではないかと思っていたのだが、胃潰瘍かもしれないというような迷いが生じる。その場合、過去の似た症例の画像を参照して、比較することが行われている。例えば、過去の症例で放射線科では胃がんと診断したが、確定診断では胃潰瘍だった症例（診断食い違い例）を検索して、その画像を画面上に表示して、現在読影している画像と比較を行う。

しかし、従来のシステムに設けられているデータベースは、単に患者番号・検査番号で目的の画像を検索するように構成されているため、診断食い違い例を探すにはカルテで過去の診断と食い違いがあった症例を捜してその検査番号・患者番号をワークステーションから入力して、検索された画像を表示していた。また、過去の例を記憶に頼って探す場合には検査番号・患者番号まで憶えていなければならなかった。

そこで、放射線科の読影結果、依頼科の診断結果、ＣＡＤ（Computer Aided Diagnose：計算機診断支援）での診断結果と最終的な確定診断がどうであったか、食い違いがあるか否かを判定して、診断結果に食い違いがあるものを参考症例として保存し、医師が現在読影している画像と比較して過去の症例を確認したいと思ったときに、限られた参考症例の画像のみ検索すればよいようにしたものが提案されている（例えば、特許文献１）。

さらに、医学的な診断を行うには軟組織及び硬組織の両方について診断し、また特定の解剖学的構造の特徴や状態を解析するために、複数のモダリティを用いて撮影した画像を観察することで診断性能を向上させることができる。しかし、各モダリティで撮影された画像の読影結果が異なる場合がある。そこで、これらの読影結果を、ＣＡＲ（計算機支援式照合）手法を用いて２人以上の医師の読影内容を照合して、医師によって異なる読影結果の場合に異なる個所がわかるように表示してその場所に注目させる手法が提案されている（例えば、特許文献２）。

一方、近年、診断対象症例の類似症例を、画像の特徴量を用いて特徴量が類似した画像を検索して参照できるようにすることで、医師の読影を支援するシステムが提案されている。また、このような画像検索では画像の特徴量を用いて類似度を算出し、類似度の高い症例から表示するものが提案されている。
特開平５−１０１１２２号公報特開２００４−１９９６９１公報

しかしながら、見た目の類似度は、医師の主観的な要素に左右されるので、類似度の算出に使用する検索エンジン（分類器）を学習させる際に、何を正解の基準とするか決めることは非常に難しい。

また、同じような画像が現れるが異なる疾患である可能性の高い画像は確定診断と対応させて記憶しておき、医師が読影を行う際に、記憶している画像を参照して確認を行いたいという要望が正解率の高い画像よりも高い。

そこで本発明では、このような問題を解決するために、各医師の苦手な症例や誤診率の高い症例に対して診断のサポートを強化するような類似症例が検索できるような類似症例検索装置、類似症例検索方法、およびそのプログラムを提案する。

本発明の類似症例検索装置は、症例画像と該症例画像の診断結果とを含む症例データを複数記憶する症例記憶手段と、
該症例記憶手段に記憶されている複数の症例データの中の前記症例画像から得られた特徴量と該症例画像の診断結果とを学習して、前記診断結果が類似した前記症例データが同じクラスに属するように前記症例データを複数のクラスに分けした分類器と、
診断対象画像から得られた特徴量を前記分類器に入力して、該診断対象画像が属するクラスを取得し、該クラスに属する前記症例データの症例画像の中より前記診断対象画像に類似する症例画像を検索し、該類似する症例画像の症例データを前記診断対象画像の症例に類似する類似症例データとする類似症例検索手段と、
該類似症例検索手段を用いて類似症例データを検索する際、前記分類器が学習した他の症例データより特定症例データが高い頻度で検索されるように、前記特定症例データの特定症例画像から得られた特徴量と該特定症例画像の診断結果とを前記分類器に追記学習させる追記学習手段とを備えたことを特徴とするものである。

本発明の類似症例検索方法は、症例画像と該症例画像の診断結果とを含む症例データを複数記憶する症例記憶手段に記憶されている複数の症例データの中の前記症例画像から得られた特徴量と該症例画像の診断結果とを学習して、前記診断結果が類似した前記症例データが同じクラスに属するように前記症例データを複数のクラスに分けした分類器を生成する分類器生成ステップと、
診断対象画像から得られた特徴量を前記分類器に入力して、該診断対象画像が属するクラスを取得し、該クラスに属する前記症例データの症例画像の中より前記診断対象画像に類似する症例画像を検索し、該類似する症例画像の症例データを前記診断対象画像の症例に類似する類似症例データとする類似症例検索ステップと、
前記類似症例データを検索する際、前記分類器が学習した他の症例データより特定症例データが高い頻度で検索されるように、前記特定症例データの特定症例画像から得られた特徴量と該特定症例画像の診断結果とを前記分類器に追記学習させる追記学習ステップとを備えたことを特徴とするものである。

本発明のプログラムは、コンピュータを、
症例画像と該症例画像の診断結果とを含む症例データを複数記憶する症例記憶手段と、
該症例記憶手段に記憶されている複数の症例データの中の前記症例画像から得られた特徴量と該症例画像の診断結果とを学習して、前記診断結果が類似した前記症例データが同じクラスに属するように前記症例データを複数のクラスに分けした分類器と、
診断対象画像から得られた特徴量を前記分類器に入力して、該診断対象画像が属するクラスを取得し、該クラスに属する前記症例データの症例画像の中より前記診断対象画像に類似する症例画像を検索し、該類似する症例画像の症例データを前記診断対象画像の症例に類似する類似症例データとする類似症例検索手段と、
該類似症例検索手段を用いて類似症例データを検索する際、前記分類器が学習した他の症例データより特定症例データが高い頻度で検索されるように、前記特定症例データの特定症例画像から得られた特徴量と該特定症例画像の診断結果とを前記分類器に追記学習させる追記学習手段として機能させることを特徴とするものである。

「診断結果」とは、医用画像を診断した結果をいい、例えば、医師が画像を診断して入力した情報や、病理検査によって得られた確定診断の情報や、医用画像をＣＡＤなどを用いて自動的に解析した結果情報などである。

「クラス」とは、症例データをある基準に基づいていくつかの集団に分けたものをいう。

「診断結果が類似した前記症例データが同じクラスに属するように前記症例データを複数のクラスに分けする」は、例えば、疾患名などの診断結果が同じものが同じクラスなるようにクラス分けし、同じクラスには１つの疾患名の症例データが入るようにクラス分けするのが望ましいが、複数の疾患名の症例データが入るようにクラス分けしたものでもよい。

前記類似症例検索手段は、前記診断対象画像の特徴量と前記症例データの症例画像の特徴量の類似度が高い症例データを前記類似症例データとするものであってもよい。

前記類似症例検索手段は、さらに前記診断対象画像が属するクラスに隣接するクラスに属する症例データの症例画像の中より前記診断対象画像に類似する症例画像を検索するようにしてもよい。

前記追記学習手段は、前記他の症例データより前記特定症例データの重み大きくして前記分類器に学習させるものであってもよい。

前記特定症例データは、特定症例画像の診断が誤診であった確率が高い症例データであるものであってもよい。

本発明では、診断結果が類似する症例データが同じクラスになるように学習した分類器を用いて、診断対象の画像が属するクラスを判定して、そのクラスに含まれる症例データから類似症例を検出する。このとき、医師の誤診率が高い症例など特定の症例の検出頻度が高くなるように特定症例を追記学習することにより、特定症例に注目して正確な読影を行うことが可能である。

また、診断対象画像の特徴量と症例データの症例画像の特徴量の類似度が高い症例データを類似症例データとして検出することより、画像の特徴は似ているが異なる疾患であるものを類似症例として検出して、診断対象の画像が異なる疾患のうちのどの疾患であるかを正確に判定することができる。

診断対象画像が属するクラスとそのクラスに隣接するクラスに属する症例データの症例画像を検索することで、画像の特徴は似ているが疾患名が異なる症例を多く検出することができる。

特定症例画像の診断が誤診であった確率が高い症例データであれば、類似症例を検索する際、各医師や病院で誤診が多い症例を高い頻度で確認できるようになり、誤診を防ぐことが出来るようになる。

以下、図面を参照して本発明による類似症例検索装置の実施の形態について説明する。図１は本発明の実施形態による類似症例検索装置を備えた医用システムの概略構成を示すブロック図である。図１に示すように、本実施形態による医用システム１は、医用画像を撮影するモダリティ２と、被写体の患部を撮影した医用画像を保存する画像サーバ３と、医師が読影を行うワークステーション４と、ワークステーション４の画面上に表示された医用画像を読影医が読影して作成したレポートを保存するレポートサーバ５と、電子カルテを保存する電子カルテサーバ６と、ネットワーク７とを備える。

モダリティ２は、ＣＲ（Computed Radiography：コンピュータ放射線画像）装置、ＣＴ（Computed Tomography：コンピュータ断層撮影）装置、ＭＲＩ（Magnetic Resonance Imaging：核磁気共鳴映像）、ＵＳ（Ultrasound imaging：超音波画像）など、患者の画像をデジタルデータとして収録するための装置あるいはシステムである。

画像サーバ３は、放射線科などに設置された各モダリティ２で撮影された大量の医用画像をネットワーク７を介して受信し、医用画像を被写体の患者情報、撮影日、撮影したモダリティの情報などとともにDICOMに準拠した形式で保存する。また、画像サーバ３には、データベースの管理用ソフトウェアがインストールされ、医用画像に付帯された種々の情報を用いて、保存している医用画像を検索する機能を備える。

ワークステーション４は、ネットワーク７を介して画像サーバ３に記憶されている医用画像の中から読影する医用画像を読み出して画像表示装置の画面上に表示する機能を備える。また、医師などの読影者が医用画像の読影をするために、ワークステーション４は高精細なCRTなど表示装置を設けたものが好ましい。
レポートサーバ５は、読影医が読影装置４で読影した医用画像の結果を読影レポートとして保存する。

電子カルテサーバ６は、各患者の電子カルテを保存する。電子カルテは、診療日時、入力者、診療記録、各種所見、検査結果、指導記録、保険点数請求項目などが記録される。さらに、画像撮影など種々の検査のオーダ情報も記録され、オーダリングシステムを介して、画像サーバ３に蓄積されている各患者を撮影した医用画像や、生体検査など病理結果情報を得ることができる。

また、ワークステーション４に類似症例検索するプログラムがインストールされ類似症例検索装置４０として機能するように構成する。ワークステーション４の画面上には、診断対象画像とともに、診断対象画像と類似する症例データ１００が表示される。なお、類似症例を検索するプログラムは、他のサーバ上にあり、ワークステーション上から起動する様にしても構わない。

図２に示すように、類似症例検索装置４０は、複数の症例データ１００を記憶する症例記憶手段４１と、複数の症例データ１００を学習して、複数のクラスに症例データを分類する分類器４２と、分類器４２を用いて診断対象画像の属するクラスを取得し、このクラス内の症例データの中から、診断画像の症例に類似する症例データ１４０を検索する類似症例検索手段４３と、検索時に特定症例データが検索される頻度が高くなるように分類器に追記学習させる追記学習手段４４とを備える。

症例データ１００は、症例画像１１０とその症例画像１１０の診断結果１２０などで構成される。症例データ１００の症例画像１１０は、画像サーバ３に記憶されている医用画像から選択されたものである。診断結果１２０は、レポートサーバ５に記憶されている症例画像１１０の読影レポート、電子カルテサーバ６に記憶されている症例画像１１０に対応する電子カルテの診療記録（確定診断や各種所見を含む）などである。症例画像１１０の選択にあたっては、症例画像１１０の読影レポートや、症例画像１１０に対応する電子カルテの診療記録、各種所見などを参考にして、診断時に診断対象画像と比較するのに有効と思われるものが選択され、症例記憶手段４１に記憶される。

分類器４２は、症例記憶手段４１に記憶されている学習に使用する各症例データ１００の症例画像１１０から、例えば、ヒストグラム、グレイ値、画素値の平均値、重心、エントロピー、評価値、エッジ、コントラストなど種々の特徴量を算出し、診断結果１１０内の確定診断で得られた疾患名を正解としたクラス分けを行なう。分類器４２には、決定木、ベイズ判別器、LDA（Linear Discriminant Analysis）のような線形判別器、SVM（Support Vector Machine）の様な非線形判別器などの特定のデータに対して重みをつけた学習を行なえるどのような分類器を用いてもよいが、本実施の形態では、分類器として決定木を用いる場合について、以下詳細に説明する。

決定木は、図３に示すように、データを様々な条件を基準に木の枝葉のように分類していく手法で、分類するための条件としては、例えば、評価式としてエントロピーが最小となるところでクラスを2つに分けるように各特徴量の閾値を探索して分割する。図３の例では、最終的にクラス1,2,3,4,5に分けられるが、「根」（図３(a)参照）では、特徴量i（図３(b)参照）を用いてエントロピーが最小となるところを探索すると、最終的に分けられるクラス1,3,5の集合とクラス2,4の集合に分けられる。同様に、各節において特徴量を用いて分けると最終的にはクラス1,2,3,4,5に分けられる。具体的には、例えば、MacArthur,S., Brodley C.E., and Broderick,L.,“Interactive Content-Based Image Retrieval Using Relevance Feedback”, Computer Vision and Image Understanding, 88, pp 55-75, 2002.（文献１）、に提案されている手法を用いることができ、文献１には、気管支拡張症、混合結合組織病、特発性器質化肺炎、リンパ球性間質性肺炎、癌性リンパ管症など、種々の疾患名にクラス分けを行うことができる。理想的には葉（クラス）に単一の疾患名の症例データ１００が属するように分割するようにした方がよいが、一つの疾患の症例データ１００が分かれて複数の葉に属するような学習結果になる場合が多い。例えば、図３(b)の各山は疾患名に対応した症例データであるが、これをクラス分けすると一点破線で分けられ、一つの疾患の症例データ１００が分かれて複数の葉に属することになる。通常は、一つの葉に2.5疾患程度が存在するケースが多い。なお、決定木は、C5.0などの市販ソフトウェアツールを利用して生成することが出来る。

類似症例検索手段４３は、診断対象画像１３０から特徴量を算出し、学習し終わった決定木を用いて、どの葉に属するかを判断し、診断対象画像と、診断対象画像が分類された葉に属する各症例データ１００の症例画像１１０との類似度を、例えば、症例画像１１０と診断症例画像１３０との特徴量空間における距離用いて計算する。検索は、具体的には、N近傍法を用いて距離の近い症例データ１００のうち類似度の高い症例を上位から順番に検索して類似症例データ１４０とする。あるいは、診断対象画像１３０と同じ葉（クラス）に属するものだけでなく、隣接するクラスからも特徴量空間における距離が近い症例データ１００を類似度の高い症例としてもよい。

追記学習手段４４は、類似症例データを検索する際、例えば、特定の症例のデータ（特定症例データ）１５０が、分類器４２が予め学習した他の症例データ１００より高い頻度で検索されるように、分類器４２に特定症例データ１５０を追記学習させる。

追記学習させる際には、特定症例データ１５０に対するコストを他の症例より高く設定して学習を行なう。例えば、市販ツールC5.0に設けられている“differential misclassification costs”を変えて、特定症例データ１５０に重みをつけて学習させる。あるいは、エントロピー最小を評価式として使用する場合には、重みを高くしたいサンプルの数を仮想的に増やすことで同様の効果を得ることが出来る。

特定症例データ１５０として、医師が診断を間違いやすい症例データ１００、名医といわれる読影医の読影した症例データ１００などを選ぶようにして、類似症例検索手段４３で検出頻度が高くなるようにしてもよい。また、特定症例データ１５０は、症例記憶手段４１に記憶されている症例データ１００の中から選択したものであってもよいが、医師が診断を間違いやすい症例データ１００、名医といわれる読影医の読影した症例データ１００を症例記憶手段４１に追加して学習させるようにしてもよい。

次に、分類器の学習と、学習した分類器を用いて診断対象画像を類似する類似画像を検索する検索方法と、分類器の追記学習方法について、図５のフローチャートに基づいて説明する。

まず、ワークステーション４内に設けられた分類器４２は、症例記憶手段４１に記憶されている症例データ１００を用いて、疾患名が同じ症例データが同じクラスに入るように分類器４２である決定木の学習が行われる。さらに、学習された分類器４２の各クラスに、症例記憶手段４１に記憶されている症例データ１００が分類される（S100）。

読影医が読影を行う際には、まず、ワークステーション４の画面上に診断対象となる医用画像の一覧が表示され、その一覧の中から読影医が診断対象画像１３０を指示すると、画像サーバ３の中から診断対象画像１３０が検索されて表示装置上に表示される（S101）。読影医は、表示された診断対象画像１３０を観察して読影レポートを作成するが、診断に迷いが生じる場合がある。

読影医が読影に確信がもてない場合は、類似症例検索手段４３で診断対象画像１３０と類似する症例データ１００の検索を行う。ワークステーション４は、類似症例データ１５０の検索が指示されると、類似症例検索手段４３で分類器４２を用いて診断対象画像１３０がいずれのクラスに属するものであるかを判定し、診断対象画像１３０と同じクラスに属する症例データ１００の中から診断対象画像１３０との類似度が高い症例画像１１０を検索し（S102）、類似度が高い症例画像１１０の症例データ１００を類似症例データ１４０として画面上に表示する（S103）。同じクラスには、複数の疾患の症例画像１１０が含まれるので、同じクラスであっても、疾患名の異なる複数の類似症例データ１４０が検索され、医師はそれら類似症例データ１４０の症例画像１１０を比較して、どの疾患であるかを正確に判断することが出来る。さらに、隣接するクラスからも類似する症例画像１１０を検索するようにすれば、画像は類似するが異なる疾患名の類似症例データ１４０を多く検索することが出来る。

図４には上位５個の類似症例データを表示している例を示す。読影医は、画面上に表示された類似症例データ１４０の症例画像１１０と診断対象画像１３０を比較するとともに、類似症例データ１４０の診断結果１２０も参照する。読影医は、類似症例データ１４０を参考にして読影を行い、読影結果を読影レポートとして入力する（S104）。読影レポートの入力が完了すると、読影レポートはレポートサーバ５に送信されて保存される（S105）。

そこで、各医師が日常のルーチンで読影した画像とその読影レポートの中から追記学習用の特定症例データ１５０を作成して、所定の保存装置に保存しておく。医用画像とレポートは、通常、画像サーバ３やレポートサーバ５に保存されるので、後日、読影した医用画像をサーバの中から検索して、特定症例データ１５０としても抽出してもよい。

あるいは、各症例画像に対して、確定診断（病理検査の結果）が出た時点で、読影レポートに記録されている読影結果などを確定診断の結果と比較して、読影結果が間違っている症例を抽出して特定症例データ１５０としてもよい。この比較は、人手で行なってもよいし、電子カルテの確定診断の結果と読影レポートの読影結果を自動的に比較して、結果が異なる症例を特定症例データとして抽出してもよい。

このようにして、特定の医師の診断結果と読影レポートの診断結果が異なる症例を特定症例データ１５０として（S106）、症例記憶手段４１の症例データ１００に加えて（S107）、追記学習手段４４で決定木の追記学習（再学習）を行なう（S100）。追記学習する際には、特定症例データ１５０に対するコストを他の症例より高く設定して学習を行なう。このように特定の医師が誤診したものを追記学習することによって、再学習された分類器４２を用いて、類似症例データ１４０の検索を行なうことにより、重み付けられて学習された誤診症例が、上位にランキングされやすくなるような類似症例検索を行なうことができ、使用する医師の苦手な症例に対して、より強化した診断支援を実現することが出来る。

また、本実施例では、読影レポートの診断と確定診断（カルテや病理診断）とが異なるケースに重みをつけて、再学習する場合を示したが、重みをつける症例は、上記の例に限定するものではない。

例えば、名医といわれる読影医の読影結果を学習した検索エンジンを作るために、ある特定医師の読影レポートの診断結果にコストをつけて再学習する様にしても良いし、複数医師が、詳細表示を要求した回数が多い類似症例を間違えやすい症例としてコストをつけて学習してもよい。

また、特定の医師に限定して、再学習を行なう実施例を示したが、特に特定の医師に限定する必要は無く、誤診症例は間違えやすい症例と見なして、重みをつけて学習させてもよい。
上述では、診断結果として、読影レポートや電子化カルテなどから得られた情報について説明したが、ＣＡＤの結果を含めるようにしてもよい。

また、上述では、クラスを疾患名で分ける場合について説明したが、疾患名とその疾患の悪性度や進行状況など疾患名以外の情報を含めて、診断結果が類似する範囲を決めてクラス分けするようにしてもよい。

以上、詳細に説明したように、特定の症例を類似症例として検索されやすくすることにより、医師にその特定の症例に対して喚起を促すことができる。この特定症例を誤診率の高いものや名医の診断したものであれば、これらの手段を参考にして、読影精度を向上させることが可能になる。

医用システムの概略構成を示すブロック図類似症例検索装置の概略構成を示すブロック図決定木を説明するための図類似症例の表示方法の一例学習した分類器を用いた診断対象画像を類似する類似画像の検索方法と分類器の追記学習の流れを示すフローチャート

符号の説明

１医用システム
２モダリティ
３画像サーバ
４ワークステーション
５レポートサーバ
６電子カルテサーバ
７ネットワーク
４０類似症例検索装置
４１症例記憶手段
４２分類器
４３類似症例検索手段
４４追記学習手段
100 症例データ
110 症例画像
120 診断結果
130 診断対象画像
140 類似症例データ
150 特定症例データ

Claims

症例画像と該症例画像の診断結果とを含む症例データを複数記憶する症例記憶手段と、
該症例記憶手段に記憶されている複数の症例データの中の前記症例画像から得られた特徴量と該症例画像の診断結果に含まれる疾患名を正解として学習し、前記特徴量のエントロピーが最小となるところで前記各疾患名に応じてクラス分けした分類器と、
前記症例記憶手段に記憶されている症例データのうちの特定症例データについては、前記症例記憶手段に記憶されている他の症例データより重みを大きくして前記分類器に追記学習させる追記学習手段と、
診断対象画像から得られた特徴量を前記分類器に入力して、該診断対象画像が属するクラスを取得し、該クラスに属する前記症例データの症例画像の中より前記診断対象画像の特徴量と類似度が高い特徴量を持つ症例画像を前記診断対象画像に類似する症例画像として検索し、該類似する症例画像の症例データを前記診断対象画像の症例に類似する類似症例データとする類似症例検索手段とを備えたことを特徴とする類似症例検索装置。
前記類似症例検索手段が、さらに特徴量空間内において前記診断対象画像が属するクラスに隣接するクラスに属する症例データの症例画像の中より前記診断対象画像に類似する症例画像を検索することを特徴とする請求項１記載の類似症例検索装置。
前記特定症例データは、特定症例画像の診断が誤診であった確率が高い症例データであることを特徴とする請求項１または２記載の類似症例検索装置。
症例画像と該症例画像の診断結果とを含む症例データを複数記憶する症例記憶手段と、
該症例記憶手段に記憶されている複数の症例データを学習して得られた分類器を生成する分類器生成手段と、
前記分類器に追記学習させる追記学習手段と、
診断対象画像の症例に類似する類似症例データを検索する類似症例検索手段とを備えた類似症例検索装置の類似症例検索方法であって、
前記分類器生成手段により、前記症例記憶手段に記憶されている複数の症例データの中の前記症例画像から得られた特徴量と該症例画像の診断結果に含まれる疾患名を正解として学習し、前記特徴量のエントロピーが最小となるところで前記各疾患名に応じてクラス分けした分類器を生成する分類器生成ステップと、
前記追記学習手段により、前記症例記憶手段に記憶されている症例データのうちの特定症例データについては、前記症例記憶手段に記憶されている他の症例データより重みを大きくして前記分類器に追記学習させる追記学習ステップと、
前記類似症例検索手段により、診断対象画像から得られた特徴量を前記分類器に入力して、該診断対象画像が属するクラスを取得し、該クラスに属する前記症例データの症例画像の中より前記診断対象画像の特徴量と類似度が高い特徴量を持つ症例画像を前記診断対象画像に類似する症例画像として検索し、該類似する症例画像の症例データを前記診断対象画像の症例に類似する類似症例データとする類似症例検索ステップと、を備えたことを特徴とする類似症例検索方法。
コンピュータを、
症例画像と該症例画像の診断結果とを含む症例データを複数記憶する症例記憶手段と、
該症例記憶手段に記憶されている複数の症例データの中の前記症例画像から得られた特徴量と該症例画像の診断結果に含まれる疾患名を正解として学習し、前記特徴量のエントロピーが最小となるところで前記各疾患名に応じてクラス分けした分類器と、
前記症例記憶手段に記憶されている症例データのうちの特定症例データについては、前記症例記憶手段に記憶されている他の症例データより重みを大きくして前記分類器に追記学習させる追記学習手段と、
診断対象画像から得られた特徴量を前記分類器に入力して、該診断対象画像が属するクラスを取得し、該クラスに属する前記症例データの症例画像の中より前記診断対象画像の特徴量と類似度が高い特徴量を持つ症例画像を前記診断対象画像に類似する症例画像として検索し、該類似する症例画像の症例データを前記診断対象画像の症例に類似する類似症例データとする類似症例検索手段として機能させる類似症例検索プログラム。