JP7383245B1 - 眼底画像を用いたうつ病リスク判定システム、機械学習モデル生成装置、うつ病リスク判定装置及びうつ病リスク判定方法 - Google Patents
眼底画像を用いたうつ病リスク判定システム、機械学習モデル生成装置、うつ病リスク判定装置及びうつ病リスク判定方法 Download PDFInfo
- Publication number
- JP7383245B1 JP7383245B1 JP2022112188A JP2022112188A JP7383245B1 JP 7383245 B1 JP7383245 B1 JP 7383245B1 JP 2022112188 A JP2022112188 A JP 2022112188A JP 2022112188 A JP2022112188 A JP 2022112188A JP 7383245 B1 JP7383245 B1 JP 7383245B1
- Authority
- JP
- Japan
- Prior art keywords
- determination
- learning
- data
- depression
- fundus image
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 96
- 238000010586 diagram Methods 0.000 abstract description 31
- 230000036541 health Effects 0.000 description 33
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004630 mental health Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000020401 Depressive disease Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- FCKYPQBAHLOOJQ-UHFFFAOYSA-N Cyclohexane-1,2-diaminetetraacetic acid Chemical compound OC(=O)CN(CC(O)=O)C1CCCCC1N(CC(O)=O)CC(O)=O FCKYPQBAHLOOJQ-UHFFFAOYSA-N 0.000 description 2
- 208000019022 Mood disease Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000004410 intraocular pressure Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010012374 Depressed mood Diseases 0.000 description 1
- 206010022998 Irritability Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000001430 anti-depressive effect Effects 0.000 description 1
- 239000000935 antidepressant agent Substances 0.000 description 1
- 229940005513 antidepressants Drugs 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 210000000695 crystalline len Anatomy 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 208000024714 major depressive disease Diseases 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Eye Examination Apparatus (AREA)
Abstract
Description
システムは、システムによって生成された予測に対する根拠を説明するデータ、すなわち、特定の予測を生成するため、眼底画像処理機械学習モデルを使用する。
機械学習モデルは、複数の眼底画像データと対応する被検者の健康状態を処理して、被検者についての学習モデルを生成し、次いで、任意の被検者眼底画像データを、学習モデルに、入力し、モデル出力から健康分析データを生成する。
本発明の他の目的、特徴および利点は添付図面に関する以下の本発明の実施例の記載から明らかになるであろう。
本発明の第1の態様によるうつ病リスク判定システム1は、うつ病のリスクを判定するための学習済モデルを生成する機械学習モデル生成装置10と、機械学習モデル生成装置10で生成した学習済モデルを用いてうつ病のリスクを判定するうつ病リスク判定装置20とを備える。
第1の態様による機械学習モデル生成装置10は、学習用データベース40から学習用問診データと学習用眼底画像を取得する学習用データ取得部101と、学習用問診データを正解データとし、学習用眼底画像を観測データとしてニューラルネットワークに入力し、学習済モデルMを生成する機械学習モデル生成部102とを備える。
第1の態様によるうつ病リスク判定装置20は、判定用データベース50から判定用眼底画像を取得する判定用データ取得部201と、学習済モデルMに判定用眼底画像を入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部202と、予測スコアに基づいてうつ病リスクの判定結を出力する判定結果出力部203とを備える。
第2の態様による機械学習モデル生成装置10は、学習用データベース40から学習用問診データと、学習用眼底画像と、学習用生活習慣データとを取得する学習用データ取得部101と、学習用問診データを正解データとし、学習用眼底画像と、学習用生活習慣データとを観測データとしてニューラルネットワークに入力し、学習済モデルMを生成する機械学習モデル生成部102とを備える。
第2の態様によるうつ病リスク判定装置は、判定用データベース50から判定用眼底画像と、判定用生活習慣データとを取得する判定用データ取得部201と、学習済モデルMに判定用眼底画像と、判定用生活習慣データとを入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部202と、予測スコアに基づいてうつ病リスクの判定結果を出力する判定結果出力部とを備える。
第3の態様による機械学習モデル生成装置10は、学習用データベースから学習用問診データと、学習用眼底画像と、学習用生活習慣データと、学習用基本健診データとを取得する学習用データ取得部101と、学習用問診データを正解データとし、学習用眼底画像と、学習用生活習慣データと、学習用基本健診データとを観測データとしてニューラルネットワークに入力し、学習済モデルを生成する機械学習モデル生成部102とを備える。
第3の態様によるうつ病リスク判定装置20は、判定用データベースから判定用眼底画像と、判定用生活習慣データと、判定用基本健診データを取得する判定用データ取得部201と、学習済モデルに判定用眼底画像と、判定用生活習慣データと、判定用基本健診データを入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部202と、予測スコアに基づいてうつ病リスクの判定結果を出力する判定結果出力部203とを備える。
この場合、第1のニューラルネットワークからの出力を第2のニューラルネットワークの入力とするようにしてもよい。
学習用問診データは、問診の項目に対する回答をスコア化したデータである。スコア化されたデータは、数値で表される。学習用問診データを得るための問診の項目及びスコア化の方法については、例えば、うつ病の診断に用いられているPHQ-9(Patient Health Questionnaire-9)を用いるようにしてもよい。図5の例では、設問(A)~(I)の9個の項目について、直近2週間の状態について問われている。被検者は、設問(A)~(I)の9個の項目のそれぞれについて、「全くない」、「数日」、「半分以上」、「ほとんど毎日」の4段階のいずれに当てはまるかを回答する。回答はスコア化され、数値で表される。図5の(a)の例では、「全くない」を「0」、「数日」を「1」、「半分以上」を「2」、「ほとんど毎日」を「3」として、設問(A)~(I)の9個の項目の合計が問診データのスコアとして算出される。問診データのスコアは、例えば、PHQ-9を用いる場合は0~27の数値であるが、これに限られず、用いる問診の項目に応じて算出された任意の数値であってよい。
眼底画像は、眼底画像撮像装置30により撮像され、学習用データベース40に記憶される。ここで、「眼底画像」とは、被検者の眼の底部を撮影した写真である。眼の底部とは、水晶体の反対側の眼の内面をいう。網膜および視神経頭も眼の底部に含まれる。図6Aの(a)は、被検者の左目の眼底画像の例を示しており、図6Aの(b)は、被検者の右目の眼底画像の例を示している。学習用眼底画像及び判定用眼底画像は、被検者の左目又は右目のいずれか一方の眼底画像のみを用いてもよく、被検者の左目及び右目の両方の眼底画像を用いてもよい。
図6Bの例では、左目又は右目のいずれか一方の眼底画像に関する判定用眼底画像を少なくとも含む判定用データを学習済の機械学習モデルに入力することにより、出力として予測PHQ-9のデータが得られる。学習済の機械学習モデルは、1つのニューラルネットワークにより構成するようにしてもよいが、図6Bの例のように、第1のニューラルネットワークと第2のニューラルネットワークから構成されるようにしてもよい。この場合に、左目又は右目のいずれか一方の眼底画像に関する判定用眼底画像を第1のニューラルネットワークに入力し、その他の被検者の眼に関する情報及び/又は被検者の基本情報を第2のニューラルネットワークに入力するようにしてもよい。その他の被検者の眼に関する情報は、例えば、RNFLの厚み、OCT、OCTA、及び/又は眼圧の情報である。被検者の基本情報は、例えば、年齢、性別、血圧等のデータである。
左目の眼底画像と右目の眼底画像の両方に関する判定用眼底画像を少なくとも含む判定用データを学習済の機械学習モデルに入力することにより、出力として予測PHQ-9のデータが得られる。学習済の機械学習モデルは、1つのニューラルネットワークにより構成するようにしてもよいが、図6Cの例のように、第1のニューラルネットワークと第2のニューラルネットワークから構成されるようにしてもよい。この場合に、左目の眼底画像と右目の眼底画像の両方の眼底画像に関する判定用眼底画像を第1のニューラルネットワークに入力し、その他の被検者の眼に関する情報及び/又は被検者の基本情報を第2のニューラルネットワークに入力するようにしてもよい。その他の被検者の眼に関する情報は、例えば、RNFLの厚み、OCT、OCTA、及び/又は眼圧の情報である。被検者の基本情報は、例えば、年齢、性別、血圧等のデータである。
生活習慣データは、被検者の各設問に対する回答がスコア化され、数値で表される。図7の例では、各設問に対して、「はい」、「いいえ」、「回答したくない」、「わからない」等の選択肢を被検者が選択する。各選択肢には、「0」、「1」等の数値が割り当てられている。また、図7の「時間入力(自由回答)」のように、被検者が設問の回答に相当する任意の数値を入力するようにしてもよい。生活習慣データのスコアは、設問の項目ごとに集計されてもよく、設問全体の合計であってもよい。
基本健診データは、被検者の性別、受診年齢、身長、体重、腹囲、BMI、最高血圧、最低血圧等のデータであり、一般的な健康診断により得られるデータである。基本健診データは、典型的には集計されずに、項目ごとのデータとして用いられる。
うつ病リスク判定装置20の判定結果出力部203は、判定結果を出力し、ユーザ端末60に表示する。図9の例では、うつ病リスク判定装置20のうつ病リスク判定部202において学習済モデルMにより算出された予測スコアとそのスコアの説明が判定結果の出力として表示されている。図9は例示であり、ユーザに結果を伝えるための任意の表示方法で表示されてもよい。図9の例では、予測スコアとスコアに基づく提案に関する表が表示されているが、これに限られず、他の表やグラフ等を用いて表示してもよい。
本発明のうつ病リスク判定方法は、学習用データ取得部と機械学習モデル生成部とを備える機械学習モデル生成装置が、うつ病のリスクを判定するための学習済モデルを生成するステップと、判定用データ取得部と、うつ病リスク判定部と、判定結果出力部とを備えるうつ病リスク判定装置が、機械学習モデル生成装置で生成した学習済モデルを用いてうつ病のリスクを判定するステップとを備える。
図10のうつ病リスク判定処理においては、まず、ステップS1001において、判定用データが取得され、ステップS1002において、学習済モデルによるうつ病リスクの判定が行われ、ステップS1003において、うつ病リスクの判定結果が出力される。
図11の例では、うつ病リスクの指標としてPHQ-9を用いて検証した例を示している。図11の横軸は、被検者のPHQ-9の実際のスコアを示し、縦軸は、本発明の学習済モデルを用いて導出したPHQ-9の予測スコアを示している。図11のTPフィールドは、PHQ-9の実際のスコアが5以上であり、PHQ-9の予測スコアも5以上である領域を示している。図11のTNフィールドは、PHQ-9の実際のスコアが5未満であり、PHQ-9の予測スコアも5未満である領域を示している。図11のFPフィールドは、PHQ-9の実際のスコアが5未満であるが、PHQ-9の予測スコアが5以上である領域を示している。図11のFNフィールドは、PHQ-9の実際のスコアが5以上であるが、PHQ-9の予測スコアが5未満である領域を示している。
上記記載は実施例についてなされたが、本発明はそれに限らず、本発明の原理と添付の請求の範囲の範囲内で種々の変更および修正をすることができることは当業者に明らかである。
10 機械学習モデル生成装置
101 学習用データ取得部
102 機械学習モデル生成部
20 うつ病リスク判定装置
201 判定用データ取得部
202 うつ病リスク判定部
203 判定結果出力部
30 眼底画像撮像装置
40 学習用データベース
50 判定用データベース
60 ユーザ端末
M 学習済モデル
Claims (26)
- うつ病リスク判定システムであって、
うつ病のリスクを判定するための学習済モデルを生成する機械学習モデル生成装置と、
前記機械学習モデル生成装置で生成した前記学習済モデルを用いてうつ病のリスクを判定するうつ病リスク判定装置とを備え、
前記機械学習モデル生成装置は、
学習用データベースから学習用問診データと学習用眼底画像を取得する学習用データ取得部と、
前記学習用問診データを正解データとし、前記学習用眼底画像を観測データとしてニューラルネットワークに入力し、学習済モデルを生成する機械学習モデル生成部とを備え、
前記学習用問診データは、うつ状態のレベルを示すデータであり、
前記うつ病リスク判定装置は、
判定用データベースから判定用眼底画像を取得する判定用データ取得部と、
前記学習済モデルに前記判定用眼底画像を入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部と、
前記予測スコアに基づいて、少なくともうつ状態のレベルを含むうつ病リスクの判定結果を出力する判定結果出力部とを備えることを特徴とする、うつ病リスク判定システム。 - うつ病リスク判定システムであって、
うつ病のリスクを判定するための学習済モデルを生成する機械学習モデル生成装置と、
前記機械学習モデル生成装置で生成した前記学習済モデルを用いてうつ病のリスクを判定するうつ病リスク判定装置とを備え、
前記機械学習モデル生成装置は、
学習用データベースから学習用問診データと、学習用眼底画像と、学習用生活習慣データとを取得する学習用データ取得部と、
前記学習用問診データを正解データとし、前記学習用眼底画像と、前記学習用生活習慣データとを観測データとしてニューラルネットワークに入力し、学習済モデルを生成する機械学習モデル生成部とを備え、
前記学習用問診データは、うつ状態のレベルを示すデータであり、
前記うつ病リスク判定装置は、
判定用データベースから判定用眼底画像と、判定用生活習慣データとを取得する判定用データ取得部と、
前記学習済モデルに前記判定用眼底画像と、前記判定用生活習慣データとを入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部と、
前記予測スコアに基づいて、少なくともうつ状態のレベルを含むうつ病リスクの判定結果を出力する判定結果出力部とを備えることを特徴とする、うつ病リスク判定システム。 - うつ病リスク判定システムであって、
うつ病のリスクを判定するための学習済モデルを生成する機械学習モデル生成装置と、
前記機械学習モデル生成装置で生成した前記学習済モデルを用いてうつ病のリスクを判定するうつ病リスク判定装置とを備え、
前記機械学習モデル生成装置は、
学習用データベースから学習用問診データと、学習用眼底画像と、学習用生活習慣データと、学習用基本健診データとを取得する学習用データ取得部と、
前記学習用問診データを正解データとし、前記学習用眼底画像と、前記学習用生活習慣データと、前記学習用基本健診データとを観測データとしてニューラルネットワークに入力し、学習済モデルを生成する機械学習モデル生成部とを備え、
前記学習用問診データは、うつ状態のレベルを示すデータであり、
前記うつ病リスク判定装置は、
判定用データベースから判定用眼底画像と、判定用生活習慣データと、判定用基本健診データを取得する判定用データ取得部と、
前記学習済モデルに前記判定用眼底画像と、前記判定用生活習慣データと、前記判定用基本健診データを入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部と、
前記予測スコアに基づいて、少なくともうつ状態のレベルを含むうつ病リスクの判定結果を出力する判定結果出力部とを備えることを特徴とする、うつ病リスク判定システム。 - 前記ニューラルネットワークは、第1のニューラルネットワークと、前記第1のニューラルネットワークとは異なる第2のニューラルネットワークとにより構成され、
前記第1のニューラルネットワークからの出力を前記第2のニューラルネットワークの入力とすることを特徴とする、請求項1~3のいずれか一項に記載のうつ病リスク判定システム。 - 前記第1のニューラルネットワークは、ある層より前の層の出力を入力とするニューラルネットであることを特徴とする、請求項4に記載のうつ病リスク判定システム。
- 前記第2のニューラルネットワークは、入力層と出力層の中間に中間層が1層あるニューラルネットであることを特徴とする、請求項4に記載のうつ病リスク判定システム。
- 前記学習用眼底画像及び前記判定用眼底画像として、左目又は右目のいずれか一方の眼底画像を用いることを特徴とする、請求項1~3のいずれか一項に記載のうつ病リスク判定システム。
- 前記学習用眼底画像及び前記判定用眼底画像として、左目の眼底画像と右目の眼底画像の両方を用いることを特徴とする、請求項1~3のいずれか一項に記載のうつ病リスク判定システム。
- うつ病のリスクを判定するための機械学習モデルを生成する機械学習モデル生成装置であって、
学習用データベースから学習用問診データと学習用眼底画像を取得する学習用データ取得部と、
前記学習用問診データを正解データとし、前記学習用眼底画像を観測データとしてニューラルネットワークに入力し、学習済モデルを生成する機械学習モデル生成部とを備え、
前記学習用問診データは、うつ状態のレベルを示すデータであることを特徴とする、機械学習モデル生成装置。 - うつ病のリスクを判定するための機械学習モデルを生成する機械学習モデル生成装置であって、
学習用データベースから学習用問診データと、学習用眼底画像と、学習用生活習慣データとを取得する学習用データ取得部と、
前記学習用問診データを正解データとし、前記学習用眼底画像と、前記学習用生活習慣データとを観測データとしてニューラルネットワークに入力し、学習済モデルを生成する機械学習モデル生成部とを備え、
前記学習用問診データは、うつ状態のレベルを示すデータであることを特徴とする、機械学習モデル生成装置。 - うつ病のリスクを判定するための機械学習モデルを生成する機械学習モデル生成装置であって、
学習用データベースから学習用問診データと、学習用眼底画像と、学習用生活習慣データと、学習用基本健診データとを取得する学習用データ取得部と、
前記学習用問診データを正解データとし、前記学習用眼底画像と、前記学習用生活習慣データと、前記学習用基本健診データとを観測データとしてニューラルネットワークに入力し、学習済モデルを生成する機械学習モデル生成部とを備え、
前記学習用問診データは、うつ状態のレベルを示すデータであることを特徴とする、機械学習モデル生成装置。 - 前記ニューラルネットワークは、第1のニューラルネットワークと、前記第1のニューラルネットワークとは異なる第2のニューラルネットワークとにより構成され、
前記第1のニューラルネットワークからの出力を前記第2のニューラルネットワークの入力とすることを特徴とする、請求項9~11のいずれか一項に記載の機械学習モデル生成装置。 - 前記第1のニューラルネットワークは、ある層より前の層の出力を入力とするニューラルネットであることを特徴とする、請求項12に記載の機械学習モデル生成装置。
- 前記第2のニューラルネットワークは、入力層と出力層の中間に中間層が1層あるニューラルネットであることを特徴とする、請求項12に記載の機械学習モデル生成装置。
- 前記学習用眼底画像として、左目又は右目のいずれか一方の眼底画像を用いることを特徴とする、請求項9~11のいずれか一項に記載の機械学習モデル生成装置。
- 前記学習用眼底画像として、左目の眼底画像と右目の眼底画像の両方を用いることを特徴とする、請求項9~11のいずれか一項に記載の機械学習モデル生成装置。
- うつ病リスク判定装置であって、
判定用データベースから判定用眼底画像を取得する判定用データ取得部と、
学習済モデルに前記判定用眼底画像を入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部と、
前記予測スコアに基づいて、少なくともうつ状態のレベルを含むうつ病リスクの判定結果を出力する判定結果出力部とを備え、
前記学習済モデルは、学習用問診データを正解データとし、学習用眼底画像を観測データとしてニューラルネットワークに入力して生成したものであり、
前記学習用問診データは、うつ状態のレベルを示すデータであることを特徴とする、うつ病リスク判定装置。 - うつ病リスク判定装置であって、
判定用データベースから判定用眼底画像と、判定用生活習慣データとを取得する判定用データ取得部と、
学習済モデルに前記判定用眼底画像と、前記判定用生活習慣データとを入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部と、
前記予測スコアに基づいて、少なくともうつ状態のレベルを含むうつ病リスクの判定結果を出力する判定結果出力部とを備え、
前記学習済モデルは、学習用問診データを正解データとし、学習用眼底画像と、学習用生活習慣データとを観測データとしてニューラルネットワークに入力して生成したものであり、
前記学習用問診データは、うつ状態のレベルを示すデータであることを特徴とする、うつ病リスク判定装置。 - うつ病リスク判定装置であって、
判定用データベースから判定用眼底画像と、判定用生活習慣データと、判定用基本健診データを取得する判定用データ取得部と、
学習済モデルに前記判定用眼底画像と、前記判定用生活習慣データと、前記判定用基本健診データを入力することにより、うつ病リスクを示す予測スコアを出力するうつ病リスク判定部と、
前記予測スコアに基づいて、少なくともうつ状態のレベルを含むうつ病リスクの判定結果を出力する判定結果出力部とを備え、
前記学習済モデルは、学習用問診データを正解データとし、学習用眼底画像と、学習用生活習慣データと、学習用基本健診データとを観測データとしてニューラルネットワークに入力して生成したものであり、
前記学習用問診データは、うつ状態のレベルを示すデータであることを特徴とする、うつ病リスク判定装置。 - 前記ニューラルネットワークは、第1のニューラルネットワークと、前記第1のニューラルネットワークとは異なる第2のニューラルネットワークとにより構成され、
前記第1のニューラルネットワークからの出力を前記第2のニューラルネットワークの入力とすることを特徴とする、請求項17~19のいずれか一項に記載のうつ病リスク判定装置。 - 前記第1のニューラルネットワークは、ある層より前の層の出力を入力とするニューラルネットであることを特徴とする、請求項20に記載のうつ病リスク判定装置。
- 前記第2のニューラルネットワークは、入力層と出力層の中間に中間層が1層あるニューラルネットであることを特徴とする、請求項20に記載のうつ病リスク判定装置。
- 前記判定用眼底画像として、左目又は右目のいずれか一方の眼底画像を用いることを特徴とする、請求項17~19のいずれか一項に記載のうつ病リスク判定装置。
- 前記判定用眼底画像として、左目の眼底画像と右目の眼底画像の両方を用いることを特徴とする、請求項17~19のいずれか一項に記載のうつ病リスク判定装置。
- うつ病リスク判定方法であって、
学習用データ取得部と機械学習モデル生成部とを備える機械学習モデル生成装置が、うつ病のリスクを判定するための学習済モデルを生成するステップと、
判定用データ取得部と、うつ病リスク判定部と、判定結果出力部とを備えるうつ病リスク判定装置が、前記機械学習モデル生成装置で生成した前記学習済モデルを用いてうつ病のリスクを判定するステップとを備え、
前記学習済モデルを生成するステップは、
前記学習用データ取得部が、学習用データベースから少なくとも学習用問診データと学習用眼底画像を取得するステップと、
前記機械学習モデル生成部が、前記学習用問診データを正解データとし、少なくとも前記学習用眼底画像を観測データとしてニューラルネットワークに入力し、学習済モデルを生成するステップと
を含み、
前記学習用問診データは、うつ状態のレベルを示すデータであり、
前記うつ病のリスクを判定するステップは、
前記判定用データ取得部が、判定用データベースから少なくとも判定用眼底画像を取得するステップと、
前記うつ病リスク判定部が、前記学習済モデルに少なくとも前記判定用眼底画像を入力することにより、うつ病リスクを示す予測スコアを出力するステップと、
前記判定結果出力部が、前記予測スコアに基づいて、少なくともうつ状態のレベルを含むうつ病リスクの判定結果を出力するステップと、
を含むことを特徴とする、うつ病リスク判定方法。 - コンピュータに、請求項25に記載の方法の各ステップを実行させることを特徴とするプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022112188A JP7383245B1 (ja) | 2022-07-13 | 2022-07-13 | 眼底画像を用いたうつ病リスク判定システム、機械学習モデル生成装置、うつ病リスク判定装置及びうつ病リスク判定方法 |
PCT/JP2023/020636 WO2024014175A1 (ja) | 2022-07-13 | 2023-06-02 | 眼底画像を用いたうつ病リスク判定システム、機械学習モデル生成装置、うつ病リスク判定装置及びうつ病リスク判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022112188A JP7383245B1 (ja) | 2022-07-13 | 2022-07-13 | 眼底画像を用いたうつ病リスク判定システム、機械学習モデル生成装置、うつ病リスク判定装置及びうつ病リスク判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7383245B1 true JP7383245B1 (ja) | 2023-11-20 |
JP2024010736A JP2024010736A (ja) | 2024-01-25 |
Family
ID=88833481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022112188A Active JP7383245B1 (ja) | 2022-07-13 | 2022-07-13 | 眼底画像を用いたうつ病リスク判定システム、機械学習モデル生成装置、うつ病リスク判定装置及びうつ病リスク判定方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7383245B1 (ja) |
WO (1) | WO2024014175A1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021039748A (ja) | 2019-08-30 | 2021-03-11 | キヤノン株式会社 | 情報処理装置、情報処理方法、情報処理システム及びプログラム |
JP2021184169A (ja) | 2020-05-21 | 2021-12-02 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102503885B1 (ko) * | 2019-11-28 | 2023-02-27 | 경희대학교 산학협력단 | 비디오 프레임의 공간 정보와 동적 정보를 다층 bi-lstm을 통해 분석하여 인간 우울증 수준을 예측하는 장치 및 방법 |
-
2022
- 2022-07-13 JP JP2022112188A patent/JP7383245B1/ja active Active
-
2023
- 2023-06-02 WO PCT/JP2023/020636 patent/WO2024014175A1/ja unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021039748A (ja) | 2019-08-30 | 2021-03-11 | キヤノン株式会社 | 情報処理装置、情報処理方法、情報処理システム及びプログラム |
JP2021184169A (ja) | 2020-05-21 | 2021-12-02 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2024014175A1 (ja) | 2024-01-18 |
JP2024010736A (ja) | 2024-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102116664B1 (ko) | 온라인 기반의 건강 관리 방법 및 장치 | |
Chiang et al. | Interexpert agreement of plus disease diagnosis in retinopathy of prematurity | |
JP6973802B2 (ja) | 認知機能評価システム | |
CN109841267B (zh) | 一种眼科临床数据采集***及方法 | |
Micheletti et al. | Current and next generation portable screening devices for diabetic retinopathy | |
Whiting et al. | Validating measures of psychological flexibility in a population with acquired brain injury. | |
Zhang et al. | Screening for diabetic retinopathy using a portable, noncontact, nonmydriatic handheld retinal camera | |
Birnbaum et al. | Correlation between clinical signs and optical coherence tomography with enhanced depth imaging findings in patients with birdshot chorioretinopathy | |
US20190392952A1 (en) | Computer-implemented methods, systems, and computer-readable media for diagnosing a condition | |
JP2017519303A (ja) | 患者及び臨床医を支援するために、共有される、患者中心の意思決定サポートツールを用いるシステム及び方法 | |
JP2017519303A5 (ja) | ||
Zhu et al. | Quantifying discordance between structure and function measurements in the clinical assessment of glaucoma | |
JP2020199072A (ja) | 脳卒中判定装置、方法およびプログラム | |
Bourne et al. | The Pakistan national blindness and visual impairment survey—research design, eye examination methodology and results of the pilot study | |
Luyten et al. | Association of retinal microvascular characteristics with short-term memory performance in children aged 4 to 5 years | |
JP7238705B2 (ja) | 診療支援方法、診療支援システム、学習モデルの生成方法、および、診療支援プログラム | |
JP7383245B1 (ja) | 眼底画像を用いたうつ病リスク判定システム、機械学習モデル生成装置、うつ病リスク判定装置及びうつ病リスク判定方法 | |
Garg | Applicability of smartphone-based screening programs | |
Han et al. | Comparison of telemedicine screening of diabetic retinopathy by mydriatic smartphone-based vs nonmydriatic tabletop camera-based fundus imaging | |
Schachar et al. | Quantification of fundus autofluorescence to detect disease severity in nonexudative age-related macular degeneration | |
Peeler et al. | Telemedicine for corneal disease in rural Nepal | |
JP7223373B2 (ja) | 推定装置、推定システム、推定装置の作動方法、および推定用プログラム | |
Wewetzer et al. | Determinants of the implementation of artificial intelligence-based screening for diabetic retinopathy—a cross-sectional study with general practitioners in Germany | |
JP7504510B1 (ja) | 疾病リスク評価装置、疾病リスク評価システム、及び疾病リスク評価方法 | |
KR102522172B1 (ko) | 사전 문진용 음성 분석을 통한 주관적 통증의 임상 연계성 분석 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230530 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230530 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230803 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231002 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231020 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231026 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7383245 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |