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 PDF

Info

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
Application number
JP2022112188A
Other languages
English (en)
Other versions
JP2024010736A (ja
Inventor
康文 福間
マオ ザイシン
孝弘 黒瀬
康平 曽根
幸二 西田
良 川崎
和一 丸山
賢治 松下
徳康 橋田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Osaka University NUC
Rohto Pharmaceutical Co Ltd
Original Assignee
Osaka University NUC
Rohto Pharmaceutical Co Ltd
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 Osaka University NUC, Rohto Pharmaceutical Co Ltd filed Critical Osaka University NUC
Priority to JP2022112188A priority Critical patent/JP7383245B1/ja
Priority to PCT/JP2023/020636 priority patent/WO2024014175A1/ja
Application granted granted Critical
Publication of JP7383245B1 publication Critical patent/JP7383245B1/ja
Publication of JP2024010736A publication Critical patent/JP2024010736A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

【課題】眼底画像からうつ病のリスクを判定することが可能なうつ病リスク判定システムを提供する。【解決手段】本発明によるうつ病リスク判定システムは、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と、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うつ病リスク判定装置とを備え、機械学習モデル生成装置は、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データ取得部と、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、うつ病リスク判定装置は、判定用眼底画像を取得する判定用データ取得部と、学習済モデルに少なくとも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、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。【選択図】図１

Description

本発明は、うつ病リスク判定システムに関し、特に、ニューラルネットワークによる学習済モデルを用いて眼底画像からうつ病リスクの判定を行う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に関するものである。
従来から、眼底画像を用いて、被検者の健康状態を分析するシステムが提案されている。具体的には、眼底画像を分析して、特有の医学的コンディションの存在または可能性の高い進行を出力する。
この様な分析システムは、眼底画像を使用して、健康事象に対する被検者のリスクを評価し、または健康全般を評価する。
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。
しかしながら、従来のシステムに於いては、精神健康状態 （例えばうつ状態、その予後 ）などに関する評価は、専門医の問診、或いは、問診表によるいわゆる本人の申告による自覚診断に頼るしかなく、本人の状況によりその結果に関しても振幅の幅が大きいもので、所謂、客観的な指標が望まれていた。
眼底画像を用いて、被検者の健康状態を分析するシステムとして、例えば、特許文献１では、「患者の１つまたは複数の眼底画像を含む入力から、患者についての健康分析データと、任意選択で、他の患者データとを生成することができるシステム」において「所与の患者についての健康分析データを生成するために、システムは、眼底画像処理機械学習モデルを使用して、1つまたは複数の眼底画像と、任意選択で、他の患者データとを処理して、患者についてのモデル出力を生成し、次いで、モデル出力から健康分析データを生成する」ことが開示されている。
また、眼底画像等の眼画像データを用いて、被検者の健康状態のうち、特に感染症に伴う症状や重症化の兆候を分析するシステムとして、例えば、特許文献２では、「血中酸素データ、聴診音データ、眼画像データ、及び眼血流データのうちの少なくとも２ つのデータを患者から取得するデータ取得部と、感染症に随伴する循環器系の状態変化を検知するために、前記データ取得部により取得された前記少なくとも２ つのデータを処理するデータ処理部とを含む」医療システムが開示されている。
しかしながら、特許文献１及び２はいずれも身体的な健康状態を評価するものであって、精神健康状態 （例えばうつ状態、その予後）などに関する評価を行うものではなかった。
特開２０１９－５２８１１３号公報 特開２０２１－１７６０５６号公報
そこで、本発明は、上記課題を解決し、うつ状態を分析するニューラルネットワークの学習モデルの生成に際し問診によりスコア化された問診データと眼底画像データを用いるうつ病リスク判定システムを提供するものである。
また、本発明は、出力として、任意の眼底画像データを、本学習済みニューラルネットワークに入力させることにより、うつ状態のスコアを出力することができるうつ病リスク判定システムを提供する。
さらに、性能を向上させる為、基本健康データ、ライフスタイルデータを、各学習プロセスに追加するシステムを構築することができる。
また、本発明においては、眼底画像と基本健康データ、ライフスタイルデータを、当該学習済みニューラルネットワークに入力させることにより、さらに確度の高いうつ状態のスコアを出力する事も可能となる。
上記課題を解決するため、本発明の第１の態様による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、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うつ病リスク判定装置とを備え、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、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、学習済モデルを生成する機械学習モデル生成部とを備え、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、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、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ことを特徴とする、うつ病リスク判定システムを提供する。
また、本発明の第２の態様による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、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うつ病リスク判定装置とを備え、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、学習用問診データを正解データとし、学習用眼底画像と、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、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、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、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ことを特徴とする、うつ病リスク判定システムを提供する。
また、本発明の第３の態様による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、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うつ病リスク判定装置とを備え、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、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とを備え、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、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ことを特徴とする、うつ病リスク判定システムを提供する。
また、本発明のある態様によるうつ病リスク判定システムにおいては、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、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、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ことを特徴とする。
また、本発明のある態様によるうつ病リスク判定システムにおいては、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。
また、本発明のある態様によるうつ病リスク判定システムにおいては、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。
また、本発明のある態様によるうつ病リスク判定システムにおいては、学習用眼底画像及び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ようにしてもよい。
また、本発明のある態様によるうつ病リスク判定システムにおいては、学習用眼底画像及び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ようにしてもよい。
また、本発明の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、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、学習済モデルを生成するステップは、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、機械学習モデル生成部が、学習用問診データを正解データとし、少なくとも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、うつ病のリスクを判定するステップは、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、うつ病リスク判定部が、学習済モデルに少なくとも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、判定結果出力部が、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を提供する。
また、本発明では、コンピュータに、上記うつ病リスク判定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を提供する。
本発明において、「うつ病」とは、気分障害の一種であり、抑うつ気分、意欲・興味・精神活動の低下、焦燥、食欲低下、不眠、持続する悲しみ・不安等を特徴とした精神障害のことをいう。本発明における「うつ病」には、一般的に「うつ病」と称されるものの他、大うつ病性障害、不安障害、その他の抗うつ状態を伴う気分障害であってうつ病に類似する精神疾患を含み得る。また、うつ病の発症又は診断には至らないが「うつ病」に近い「うつ状態」も含み得る。
本発明において、「うつ病リスク」とは、うつ病の罹患に関するリスクのことをいい、既にうつ病を罹患しているリスク及び将来うつ病を罹患するリスクが含まれる。
本発明において、「うつ病リスク」を「判定」することは、下記において特に指定のない限り、本発明のシステム、装置又は方法により導出されたうつ病リスクを示すデータ（例えば、スコア、数値、指標、ランク等）を得ることを意味し、医師等により実際にうつ病の診断を行う医療行為は含まれない。
本発明において、「問診データ」とは、問診の項目に対する回答をスコア化したデータをいう。スコア化されたデータは、数値で表される。
本発明において、「生活習慣データ」とは、被検者の生活習慣に関するデータをいう。生活習慣とは、例えば、睡眠習慣や飲酒習慣等である。生活習慣データには、生活習慣に関する項目と、その項目に対する被検者の回答をスコア化して数値で表されたデータが含まれる。
本発明において、「基本健診データ」とは、健康診断等で測定される被検者の基本的な健診データをいう。基本健診データは、例えば、性別、受診年齢、身長、体重、腹囲、ＢＭＩ、最高血圧及び最低血圧等である。基本健診データには、健診項目と、その健診項目の数値データが含まれる。
本発明によれば、他覚的な眼底画像、健康診断で簡単に得られる基本計測データから、被検者の精神健康状態を得ることができる。
本発明は、ストレスの多い現役の労働者に対し、事前にこのような情報が得られることは、職場環境の改善、事故の事前予防の観点から、非常に有用なシステムといえる。
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。
図１は、本発明によるうつ病リスク判定システムの全体を示す概略図である。 図２Ａは、本発明による第１の態様による機械学習モデル生成装置を示す図である。 図２Ｂは、本発明による第１の態様によるうつ病リスク判定装置を示す図である。 図３Ａは、本発明による第２の態様による機械学習モデル生成装置を示す図である。 図３Ｂは、本発明による第２の態様によるうつ病リスク判定装置を示す図である。 図４Ａは、本発明による第３の態様による機械学習モデル生成装置を示す図である。 図４Ｂは、本発明による第３の態様によるうつ病リスク判定装置を示す図である。 図５は、本発明による学習用問診データの一例を示す図である。 図６Ａは、本発明による眼底画像の一例を示す図である。 図６Ｂは、左目又は右目のいずれか一方の眼底画像を用いる例を示す図である。 図６Ｃは、左目の眼底画像と右目の眼底画像の両方を用いる例を示す図である。 図７は、本発明による生活習慣データの一例を示す図である。 図８は、本発明による基本健診データの一例を示す図である。 図９は、本発明による判定結果出力部の出力の一例を示す図である。 図１０は、本発明によるうつ病リスク判定部のうつ病リスク判定処理の流れを示すフローチャートである。 図１１は、本発明の学習済モデルにより出力された予測スコアの検証結果を示す図である。
図１は、本発明によるうつ病リスク判定システム１の全体を示す概略図である。
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。
機械学習モデル生成装置１０は、学習用データ取得部１０１と、機械学習モデル生成部１０２を備える。機械学習モデル生成装置１０は、学習用データベース４０に記憶された学習用データを用いて、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。
うつ病リスク判定装置２０は、判定用データ取得部２０１と、うつ病リスク判定部２０２と、判定結果出力部２０３とを備える。うつ病リスク判定装置２０は、判定用データベース５０に記憶された判定用データ及び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。
眼底画像撮像装置３０は、被検者の眼底画像を撮像するための装置である。眼底画像撮像装置３０は、医療機関での診療や健康診断等において眼底画像の撮像に用いられる既存の医療機器であってよい。眼底画像撮像装置３０で撮像された眼底画像は、学習用データベース４０に記憶される。
学習用データベース４０は、機械学習モデル生成装置１０での学習済モデルの生成に用いられる学習用データを記憶する。学習用データベース４０には、学習用データとして、学習用問診データ、学習用眼底画像、学習用生活習慣データ、学習用基本健診データが記憶されている。学習用眼底画像は、眼底画像撮像装置３０により撮像されたものである。学習用問診データ、学習用生活習慣データ及び学習用基本健診データは、医療機関や健診機関等から予め収集されたものである。学習用データベース４０は、サーバあるいはクラウド上に構築されるようにしてもよい。
判定用データベース５０は、うつ病リスク判定装置２０でのうつ病リスクの判定に用いられる判定用データを記憶する。判定用データベース５０には、判定用データとして、判定用眼底画像、判定用生活習慣データ及び判定用基本健診データが記憶されている。判定用眼底画像、判定用生活習慣データ及び判定用基本健診データは、ユーザ端末６０から入力されて記憶される。学習用データベース４０は、サーバあるいはクラウド上に構築されるようにしてもよい。
ユーザ端末６０は、うつ病リスクを判定する対象である被検者の判定用データを入力するために用いられる端末である。ユーザ端末６０は、パーソナルコンピュータの他、スマートフォンやタブレット等の携帯端末であってもよい。ユーザ端末６０には、うつ病リスク判定装置２０の判定結果出力部２０３から出力された判定結果が表示される。ユーザは、ユーザ端末６０に判定用データとして、少なくとも判定用眼底画像を入力すると、うつ病リスクに関する判定結果を得ることができる。
ユーザ端末６０から入力される判定用データは、判定用眼底画像、判定用生活習慣データ及び判定用基本健診データである。このうち、判定用生活習慣データ及び判定用基本健診データは、例えば医療機関等のユーザ端末６０以外の端末から予め判定用データベース５０に入力されたものであってもよい。この場合、ユーザは、判定用眼底画像を入力するのみで、うつ病リスクに関する判定結果を得ることができる。
図２Ａは、本発明による第１の態様による機械学習モデル生成装置１０を示す図である。
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。
本発明の第１の態様において、学習用データ取得部１０１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。学習用問診データと学習用眼底画像は、本発明による学習済モデルＭの生成に必須のデータである。
本発明の第１の態様において、機械学習モデル生成部１０２は、学習用データ取得部１０１で取得した学習用問診データと学習用眼底画像を用いて学習済モデルＭを生成する。機械学習モデル生成部１０２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、学習済モデルＭを生成する。
図２Ｂは、本発明による第１の態様によるうつ病リスク判定装置を示す図である。
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。
本発明の第２の態様において、判定用データ取得部２０１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。判定用眼底画像は、本発明によるうつ病リスクの判定に必須のデータである。
本発明の第１の態様において、うつ病リスク判定部２０２は、判定用眼底画像を用いてうつ病リスクの判定を行う。うつ病リスク判定部２０２は、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。
判定結果出力部２０３は、うつ病リスク判定部２０２から出力された予測スコアに基づいてうつ病リスクの判定結果を出力し、ユーザ端末６０に表示する。
図３Ａは、本発明による第２の態様による機械学習モデル生成装置を示す図である。
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。
本発明の第２の態様において、学習用データ取得部１０１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。学習用問診データと学習用眼底画像は、本発明による学習済モデルＭの生成に必須のデータであるが、これに加えて、第２の態様においては、学習用生活習慣データを用いる。
本発明の第２の態様において、機械学習モデル生成部１０２は、学習用データ取得部１０１で取得した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用いて学習済モデルＭを生成する。機械学習モデル生成部１０２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、学習済モデルＭを生成する。
学習用生活習慣データを加えることにより、学習済モデルＭによる予測精度を高めることができ、より精度の高いうつ病リスクの判定を行うことができる。そのため、ユーザの生活習慣データを用いることができる場合に有用である。
図３Ｂは、本発明による第２の態様によるうつ病リスク判定装置を示す図である。
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。
本発明の第２の態様において、判定用データ取得部２０１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。判定用眼底画像は、本発明によるうつ病リスクの判定に必須のデータであるが、これに加えて、第２の態様においては、判定用生活習慣データを用いる。
本発明の第２の態様において、うつ病リスク判定部２０２は、判定用眼底画像と、判定用生活習慣データとを用いてうつ病リスクの判定を行う。うつ病リスク判定部２０２は、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。
判定用生活習慣データを加えることにより、より精度の高いうつ病リスクの判定を行うことができる。そのため、ユーザの生活習慣データを用いることができる場合に有用である。
本発明の第２の態様において、判定結果出力部２０３は、第１の態様と同様に、うつ病リスク判定部２０２から出力された予測スコアに基づいてうつ病リスクの判定結果を出力し、ユーザ端末６０に表示する。
図４Ａは、本発明による第３の態様による機械学習モデル生成装置を示す図である。
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。
本発明の第３の態様において、学習用データ取得部１０１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、学習用基本健診データとを取得する。学習用問診データと学習用眼底画像は、本発明による学習済モデルＭの生成に必須のデータであるが、これに加えて、第３の態様においては、学習用生活習慣データと学習用基本健診データを用いる。
本発明の第３の態様において、機械学習モデル生成部１０２は、学習用データ取得部１０１で取得した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を用いて学習済モデルＭを生成する。機械学習モデル生成部１０２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、学習済モデルＭを生成する。
学習用生活習慣データと学習用基本健診データを加えることにより、学習済モデルＭによる予測精度をさらに高めることができ、より精度の高いうつ病リスクの判定を行うことができる。そのため、ユーザの生活習慣データと学習用基本健診データを用いることができる場合に有用である。
図４Ｂは、本発明による第３の態様によるうつ病リスク判定装置を示す図である。
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。
本発明の第３の態様において、判定用データ取得部２０１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、判定用基本健診データを取得する。判定用眼底画像は、本発明によるうつ病リスクの判定に必須のデータであるが、これに加えて、第３の態様においては、判定用生活習慣データと判定用基本健診データを用いる。
本発明の第３の態様において、うつ病リスク判定部２０２は、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とを用いてうつ病リスクの判定を行う。うつ病リスク判定部２０２は、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、判定用基本健診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。
判定用生活習慣データと判定用基本健診データを加えることにより、より精度の高いうつ病リスクの判定を行うことができる。そのため、ユーザの生活習慣データと判定用基本健診データを用いることができる場合に有用である。
本発明の第３の態様において、判定結果出力部２０３は、第１及び第２の態様と同様に、うつ病リスク判定部２０２から出力された予測スコアに基づいてうつ病リスクの判定結果を出力し、ユーザ端末６０に表示する。
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、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るようにしてもよい。
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。
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ってもよい。第１のニューラルネットワークは、例えば、所謂、ＤｅｎｓｅＮｅｔであってもよい。
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ってもよい。第２のニューラルネットワークは、例えば、所謂、Ｓｈａｌｌｏｗ Ｎｅｔであってもよい。
図５は、本発明による学習用問診データの一例を示す図である。
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。
図５の（ｂ）は、問診の項目について回答をスコア化した結果である問診データの各スコアが示すうつ状態のレベルと、スコアに基づく提案が示されている。図５の（ｂ）では、うつ状態のレベルがＡ～Ｅの５段階で示されている。うつ状態のレベルは、問題なし、軽度、中程度、重度、要注意、要経過観察、要受診等の程度を表す任意の用語で表現してもよい。図５の（ｂ）の例では、各うつ状態のレベルに対して、提案が文章等のメッセージで示されている。図５の（ｂ）のスコア、うつ状態のレベル、及び提案については、うつ病リスク判定装置２０の判定結果出力部２０３により、ユーザ端末６０に表示されるようにしてもよい。
図６Ａは、本発明による眼底画像の一例を示す図である。
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。
学習用眼底画像に被検者の左目の眼底画像のみを用いる場合には、判定用眼底画像も被検者の左目の眼底画像のみを用いることが好ましい。学習用眼底画像に被検者の右目の眼底画像のみを用いる場合には、判定用眼底画像も被検者の右目の眼底画像のみを用いることが好ましい。学習用眼底画像に被検者の左目及び右目の両方の眼底画像を用いる場合には、判定用眼底画像も被検者の左目及び右目の両方の眼底画像を用いることが好ましい。
しかしながら、これらの組み合わせに限られず、学習用眼底画像と判定用眼底画像とで左右が異なる眼底画像を用いるようにしてもよい。また、学習用眼底画像には左目と右目の両方の眼底画像を用い、判定用眼底画像には左目又は右目のいずれかの眼底画像を用いるようにしてもよい。また、学習用眼底画像には左目又は右目のいずれか一方の眼底画像を用い、判定用眼底画像には左目と右目の両方の眼底画像を用いるようにしてもよい。
学習用眼底画像及び判定用眼底画像に被検者の左目及び右目の両方の眼底画像を用いる場合には、左目又は右目のいずれか一方の眼底画像のみを用いる場合に比べて判定の精度を向上することができる。また、学習用眼底画像と判定用眼底画像とで、同じ種類（即ち、右目のみ、左目のみ、左目と右目の両方）の眼底画像を用いる方が、異なる種類の眼底画像を用いる場合に比べて判定の精度を向上することができる。
機械学習モデル生成装置１０において学習済モデルの生成のために用いられる学習用眼底画像は、その眼底画像を撮影した被検者の問診データのスコアと関連付けて学習用データベース４０に記憶される。また、学習用眼底画像に被検者の左目と右目の両方の眼底画像を用いる場合には、左目の眼底画像と右目の眼底画像とをセットにしてその被検者の問診データのスコアと関連付けて学習用データベース４０に記憶される。このようにして、健康診断や医療機関での検査等により収集された多数の被検者のデータが学習用データベース４０に記憶される。
うつ病リスク判定装置２０で用いられる判定用眼底画像は、うつ病リスクの判定の対象者の眼底画像を撮影したデータであり、判定用データベース５０に記憶される。また、判定用眼底画像に被検者の左目と右目の両方の眼底画像を用いる場合には、左目の眼底画像と右目の眼底画像とをセットにしてその被検者（判定の対象者）の眼底画像のデータとして判定用データベース５０に記憶される。
図６Ｂは、左目又は右目のいずれか一方の眼底画像を用いる例を示す図である。
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。
図６Ｃは、左目の眼底画像と右目の眼底画像の両方を用いる例を示す図である。
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。
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については、図６Ｂ又は図６Ｃの例に限られず、図２Ａ～図４Ｂまでの図により説明したいずれの構成に対しても追加可能である。この際、学習済モデルが第１のニューラルネットワーク及び第２のニューラルネットワークにより構成される場合には、第２のニューラルネットワークに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入力するようにしてもよい。
図７は、本発明による生活習慣データの一例を示す図である。
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。
機械学習モデル生成装置１０で学習済モデルの生成のために用いられる学習用生活習慣データは、学習用データベース４０に記憶されている。機械学習モデル生成装置１０の機械学習モデル生成部１０２では、学習用データベース４０に記憶された学習用生活習慣データのうち、一部のみを用いて学習済モデルＭを生成するようにしてもよい。
うつ病リスク判定装置２０で用いられる判定用生活習慣データは、うつ病リスクの判定の対象者の生活習慣データであり、判定用データベース５０に記憶される。うつ病リスク判定装置２０のうつ病リスク判定部２０２では、判定用データベース５０に記憶された判定用生活習慣データのうち、一部のみを用いて予測スコアを算出するようにしてもよい。
図８は、本発明による基本健診データの一例を示す図である。
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。
機械学習モデル生成装置１０で学習済モデルの生成のために用いられる学習用基本健診データは、学習用データベース４０に記憶されている。機械学習モデル生成装置１０の機械学習モデル生成部１０２では、学習用データベース４０に記憶された学習用基本健診データのうち、一部のみを用いて学習済モデルＭを生成するようにしてもよい。
うつ病リスク判定装置２０で用いられる判定用基本健診データは、うつ病リスクの判定の対象者の基本健診データであり、判定用データベース５０に記憶される。うつ病リスク判定装置２０のうつ病リスク判定部２０２では、判定用データベース５０に記憶された判定用基本健診データのうち、一部のみを用いて予測スコアを算出するようにしてもよい。
図９は、本発明による判定結果出力部の出力の一例を示す図である。
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。
次に、本発明によるうつ病リスク判定方法について説明する。
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。
学習済モデルを生成するステップは、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、機械学習モデル生成部が、学習用問診データを正解データとし、少なくとも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む。
うつ病のリスクを判定するステップは、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、うつ病リスク判定部が、学習済モデルに少なくとも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、判定結果出力部が、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ステップとを含む。
図１０は、本発明によるうつ病リスク判定部のうつ病リスク判定処理の流れを示すフローチャートである。
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は、本発明の学習済モデルにより出力された予測スコアの検証結果を示す図である。
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。
図１１のＴＰフィールド、ＦＰフィールド及びＦＮフィールドは、受診やカウンセリングの勧め等のフォローアップを要する被検者の群である。ＴＮフィールドは、フォローアップを要しない被検者の群である。ＴＰフィールド及びＴＮフィールドは、本発明の学習済モデルにより、フォローアップを要するか否かを正しく判定できた被検者の群である。図１１の例では、全被検者２４２人中、ＴＰフィールドに該当する被検者は９０人、ＴＮフィールドに該当する被検者は９１人、ＦＰフィールドに該当する被検者は１９人、ＦＮフィールドに該当する被検者は４２人であった。本発明によれば、本発明の学習済モデルを用いたうつ病リスク判定システムを用いることにより、約７５％の被検者についてうつ病に関してフォローアップを要するか否かを正しく判定できることが確認された。
以上により説明した本発明によるうつ病リスク判定システム１によれば、他覚的な眼底画像、健康診断で簡単に得られる基本計測データから、被検者の精神健康状態を得ることができる。
また、本発明では、ストレスの多い現役の労働者に対し、事前にこのような情報が得られることは、職場環境の改善、事故の事前予防の観点から、非常に有用なシステムを提供することができる。
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。
１ うつ病リスク判定システム
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
  12. 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。
  13. 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。
  14. 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。
  15. 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。
  16. 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。
  17. 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。
  18. 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。
  19. 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。
  20. 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。
  21. 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。
  22. 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。
  23. 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。
  24. 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。
  25. 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。
  26. 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。
JP2022112188A 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 Active JP7383245B1 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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