JPH04332548A - ニューラル・ネットワークを用いた鑑別診断支援方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、コンピュータを援用し
て疾病の鑑別診断を行うための方法に関するものである
が、特に、ニューラル・ネットワークを用いた鑑別診断
支援方法に関するものである。

【０００２】

【従来の技術】コンピュータを援用した疾病の鑑別診断
は放射線医学の部門に於いては重要な題目であるが、多
くの疾病は放射線写真を撮影してみても間質部の描くパ
ターンが似たり寄ったりであるか全く同じになってしま
うので正確に見分けることは困難である。そういう場合
には、放射線写真細部の所見ばかりでなくこれと併せて
、その患者に関連して臨床上得られる多くの情報、すな
わち、年令、性別、症候などを総合勘案してはじめてハ
ッキリとした診断が下されるのである。従って、疾病の
鑑別診断はコンピュータによる自動操作に適していると
もいえる。コンピュータによる自動操作を用いれば、放
射線写真の示すパターンの読み取りにまだ余り習熟して
いない医師が診断を下そうとする場合、その一助ともな
って、その診断の精確度を熟練した放射線専門医のレベ
ル近くにまで引き上げることができるからである。しか
しながら、今日までのところコンピュータを援用した鑑
別診断は広く受け入れられるには到っていない。という
のは、前記の臨床上の情報が多数にのぼるからである。

【０００３】パターンの認識及び分類という作業を含む
諸々の問題を解決する際に強力な武器となるのが人工の
ニューラル・ネットワークである。この人工のニューラ
ル・ネットワーク（神経網）は層状の構造を持つもので
、監視付き学習手続きを踏んで用いられるのであるが、
監視付き学習手続というのは、以下の諸文献に開示され
ているような逆方向に遡って誤謬を訂正するアルゴリズ
ム（算法）のことである。即ちＲｕｍｅｌｈａｒｔ　他
による“超小型認識構造に於ける並列処理の探究”ケン
ブリッジ、ＭＩ・Ｔ出版（１９８６）とか、Ｇｒｏｓｓ
ｂｅｒｇ　による“ニューラル・ネットワーク及びニュ
ーラル知能”ケンブリッジ、ＭＩＴ出版（１９８８）と
かＥｃｋｍｌｌｅｒ他による“ニューラル・コンピュー
タ”ベルリン、Ｓｐｒｉｎｇｅｒ−Ｖｅｒｌａｇ　（１
９８９）といった文献に見られるようなものであるが、
これらの文献は本明細書に於いても参考にして取り入れ
られている。人工のニューラル・ネットワークは、多数
のニューロン（神経単位）様の要素（ユニット）と、こ
れらの要素間の接続とから成っており、ハードウエア及
び／又はソフトウエアによって実施される。ニューラル
・ネットワークのユニットは、図２１に示されているよ
うに、それぞれの果たす機能に従って三つのタイプの異
なったグループ（層）に分類される。第一の層（入力層
）は、入力パターンを表わす一組のデータを受けいれる
役目を割り当てられており、第二の層（出力層）は、出
力パターンを表わす一組のデータを供する役目を割り当
てられている。そして任意の数の中間層（隠れ層）が入
力パターンを出力パターンへと変換する役目を受け持っ
ているのである。これらの各層に含まれるユニットの数
は任意に決められるのだから、入力層及び出力層には十
分な数のユニットを含ませるようにして、対象となって
いる問題の入力パターン及び出力パターンをそれぞれ表
わし得るようにできるのである。たとえば、２０項目の
臨床上の情報に基づいて９種類の疾病を識別するように
設計されるニューラル・ネットワークの場合、入力ユニ
ットの数は２０、出力ユニット数は９とすべきであるが
、隠れ層の数並びに隠れ層に属するユニットの数につい
ては実験によって最適数を定める必要がある。

【０００４】ニューラル・ネットワークの原理は、要す
るに次のように説明できる。まず、入力データを０から
１までの範囲の数値で表わし、これをニューラル・ネッ
トワークの入力ユニットへと送り込む。次に（隠れ層が
一層だけの場合について言えば）この隠れ層と出力層に
於いて二つの非線形式計算を引き続いて行ってから出力
ユニットから出力データを送り出すのである。層中の各
ユニットに於ける計算については、図２２に図式的に示
してあるが、入力ユニットの場合は別としてこの計算に
はすべての入力された数に重み付けをして総和を求める
作業とか幾つかのオフセット項を付け加える作業とか、
ロジスティック関数のようなΣ字形関数を用いて０から
１までの範囲の数値に換算する作業とかが含まれている
。図２２について見ると、Ｏ１　からＯｎ　までの符号
を付してあるユニットは、入力乃至隠れ層のユニットを
表わしており、これらの入力乃至隠れ層のユニットのそ
れぞれからの出力に対して定められている重み係数はＷ
１　〜Ｗｎ　で表わされている。そしてＩは、それぞれ
に重み係数を掛けた出力の総和を表わしている。出力０
は所定のロジスティック関数方程式を用いて算出される
が、この方程式でθは、入力Ｉに対する偏差値を示して
いる。 重み係数と偏差値はニューラル・ネットワークの内部パ
ラメータで、入力データと出力データの与えられた組み
合わせに対して決められるものである。

【０００５】ニューラル・ネットワークには、二つの異
なった基本プロセスが含まれている。即ち、訓練プロセ
スと試験プロセスとである。ニューラル・ネットワーク
は、Ｒｕｍｅｌｈａｒｔ　他が前掲書のｐｐ．３１８〜
３６２に於いて示しているように、訓練用の入力データ
と期待される出力データとの組み合わせを何組も用意し
てこれらを用いながら、逆方向に遡れるアルゴリズムに
よって訓練される。 （訓練の際）ニューラル・ネットワークから出てくる実
際の出力と期待される出力との間にはズレがあるが、こ
のズレを最小とするように、ニューラル・ネットワーク
の内部パラメータが調整されるのである。入力データと
出力データの同じ組み合わせに対してこの手続きをラン
ダム順序で繰り返すことによって、ニューラル・ネット
ワークは、訓練用の入力データと期待される出力データ
との間の連関を学習するのである。ひとたび十分に訓練
を受けてしまえば、ニューラル・ネットワークはその学
習経験によって様々な入力データを識別できるようにな
る。しかしながら今日までのところ、こういうニューラ
ル・ネットワークを利用する方法は、間質性疾病のコン
ピュータ援用鑑別診断には取り入れられていないのであ
る。

【０００６】

【発明が解決しようとする課題】従って、本発明の一つ
の目的は、コンピュータ援用鑑別診断のためにニューラ
ル・ネットワークを含む新規な方法を提供することであ
る。

【０００７】本発明の今一つの目的は、コンピュータ援
用鑑別診断のためにニューラル・ネットワークを含む新
しく改良を加えた方法を提供して、放射線医の診断に向
上が図られんとするものである。

【０００８】

【課題を解決するための手段】本発明に於いては、臨床
上得られるパラメータと放射線写真の記述子とをニュー
ラル・ネットワークに入力するようにして新しく改良が
加えられた診断の方法・システムが提供されており、上
記のような目的やその他の目的が達成されているのであ
る。臨床上のパラメータとして選ばれるものは、間質性
肺疾患の場合でいえば、患者の年令、性別、症候が続い
ている期間、症候の度合、体温並びに免疫状態である。 又、放射線写真の記述子としては、肺の中に浸潤がどの
ように分布しているかについての情報、及び浸潤細部に
ついての情報が含まれている。臨床上のパラメータ並び
に放射線写真の記述子は、数値を用いた表現に置きかえ
られるが、さらにその数値を０と１の間の数へと変換し
、こうして変換された数値表現を、多数の入出力ユニッ
トを有するニューラル・ネットワーク中へと入力するの
である。ニューラル・ネットワークは、こうして入力さ
れた数値表現に基づいて多くの間質性肺疾患の中から一
つの病名を割り出して診断を下すことになる。こういう
本発明によるシステム・方法を用いれば、（放射線写真
の）読み取りにまだ習熟していない人間即ち放射線医で
はあってもインターンあがり程度の者とか臨床医とかが
鑑別診断を行おうという場合にはその診断結果のレベル
を経験に富んだ放射線医のレベル近くにまで引きあげる
ことができるわけである。

【０００９】本発明の今一つの実施態様に於いては、本
発明の方法が、乳癌の良性・悪性を判別する***レント
ゲン撮影による診断に適用されている。この場合にも臨
床上のパラメータと放射線写真の記述子とを数値表現に
変換してからニューラル・ネットワーク中に入力し、ニ
ューラル・ネットワークはこの入力された数値表現に基
づいて診断結果を出力するのである。

【００１０】ただし、ニューラル・ネットワークは、放
射線撮影によって診断を行うあらゆる場合に適用して問
題解決に効果があるというわけではなく、この点に注意
しておくことが大切である。放射線撮影による診断では
、異常なパターンを見つけだし、これに基づいて診断を
下すことが多い。異常なパターンというものは、一つの
疾患なり幾つかの疾患なり一つの状態なりと通常は密接
に関連しているものだからである。たとえば、肺癌、心
臓肥大症それに気胸がどういう風に検知されるのかとい
えば、それぞれ、肺の結節、心臓の輪郭肥大それに微細
な曲線構造（といった異常パターン）が発見されること
による場合が殆どなのである。又、超音波画像というも
のは、分解能が低く、ノイズ・レベルが高く、人為の加
わったものであるため品質が劣悪なものとして知られて
いるが、この超音波画像によって放射線学的診断を下す
場合には、正常なパターンと異常と異常なパターンを識
別することのできる極めて訓練の行き届いた放射線医の
目に頼ることとなるのであって、正確な診断を得るため
には、放射線医が或る画像パターンを正しく認識すると
いうことが、最重要の要素となっているのである。以上
の例からもわかるように、放射線撮影によって診断を下
そうとする場合の多くに於いては、ニューラル・ネット
ワークを適用しても役に立たないわけであるから、本発
明以前には、鑑別診断に於けるニューラル・ネットワー
クの有用性・有効性などは考えられてもいなかったし知
られてもいなかったのであり、特に間質性肺疾患の鑑別
診断に関しては、考慮に入れられてもいなかったのであ
る。本発明は、鑑別診断の分野に於いてニューラル・ネ
ットワークを新規な使用法で使用し、有効且つ正確な鑑
別診断を齎そうとするものである。

【００１１】

【作用】コンピュータを援用して疾病の鑑別診断を行う
ための方法及びシステムで、特にコンピュータを援用し
、ニューラル・ネットワークを用いて鑑別診断を行うた
めの方法及びシステム。このニューラル・ネットワーク
の第一の実施態様では、臨床上のパラメータと放射線写
真の記述子とを入力し、これに基づいて複数の間質性肺
疾患の中から鑑別診断を行う。第二の実施態様に於いて
は、同様に臨床上及び放射線写真に関する情報を入力し
、これに基づいて***レントゲン撮影の症例について悪
性か良性かの識別を行う。これらのニューラル・ネット
ワークはまず仮想データベースを用いて訓練された。 仮想データベースは、間質性肺疾患のそれぞれや、悪性
と良性の症例についての仮想症例から作られたものであ
る。ニューラル・ネットワークの性能は受信者特性（Ｒ
ＯＣ）分析を用いて評定された。ニューラル・ネットワ
ークの診断特性は、経験を積んだ放射線医と比較したと
ころ、後者の能力にひけをとらない高性能が達成されて
いた。本発明によるニューラル・ネットワークは、単一
のネットワークから成るようにしてもよいし、幾つかの
ネットワークを直列式に連続させても、或いは並列させ
てもよい。本発明によるニューラル・ネットワークは又
コンピュータに対してインターフェイスで接続するよう
にもできる。コンピュータは、肺組識の自動分析を行っ
て放射線写真についての入力データを客観的且つ自動的
に供給するのである。

【００１２】

【実施例】項１．　　複数のあらかじめ定められている
疾病の鑑別診断を行う方法で、まず受診者の特徴を規定
する複数の臨床パラメータを選定し、疾病の特徴を規定
する放射線写真の記述子も複数選定し、これら複数の臨
床パラメータと放射線写真の記述子とを数値表現に置き
換え、各数値表現をさらにあらかじめ定めてある範囲内
の数値に変換し、こうして変換された数値表現をニュー
ラル・ネットワークに入力し而して、該ニューラル・ネ
ットワークを用い該入力表現に合わせて該あらかじめ定
められている複数の疾病の中から少くとも一つを診断す
るようにして成る鑑別診断方法。

【００１３】項２．　　項１に記載の方法に於いて、該
ニューラル・ネットワークが、該複数のあらかじめ定め
られている疾病のそれぞれを同定するように、該臨床パ
ラメータと放射線写真の記述子との一部分を選びこれを
用いて該ニューラル・ネットワークの訓練を行い、そし
て与えられた一組の該入力表現に対して望まれる診断と
出力される診断との間にできるズレが最小限になるよう
に該ニューラル・ネットワークを調節して該ニューラル
・ネットワークの隠れ層の最適数を決定するようにする
こと。

【００１４】３項．　　項２に記載の方法に於いて、さ
らに受信者特性（ＲＯＣ）分析を用いて、該ニューラル
・ネットワークの隠れ層、学習繰返し回数及び各隠れ層
毎のユニット数の最適数を決定するようにすること。 ４項．　　項２に記載の方法に於いて、少くとも２００
　回学習繰返しを行って該ニューラル・ネットワークを
訓練するようにすること。

【００１５】５項．　　項１に記載の方法に於いて、該
複数のあらかじめ定められている疾病の数と同様の複数
の並列ニューラル・ネットワークから成るニューラル・
ネットワークを用いるようにし、これら複数のニューラ
ル・ネットワークの各々には複数の入力端と単一の出力
端があり、それぞれの出力が該複数のあらかじめ定めら
れた疾病のそれぞれに対応しているようにすること。 ６項．　　項１に記載の方法に於いて該複数のあらかじ
め定められた疾病の診断を複数のニューラル・ネットワ
ークを用いて複数の小段階に分けて行うこと。

【００１６】７項．　　項１に記載の方法に於いて複数
の連続したニューラル・ネットワークのうち第一番目の
ものを用いてまず正常パターンと異常パターンの識別を
行い、次いで第二番目のものを用いて、該複数のあらか
じめ定められている疾病かそれ以外の疾病かの識別を行
い、次いで該複数のあらかじめ定められている疾病の中
からの識別を第三のニューラル・ネットワークを用いて
行うようにすること。 ８項．　　項１に記載の方法に於いて該診断段階に、さ
らに複数の胸部疾患の少くとも一つを診断する段階を含
ませるようにすること。

【００１７】９項．　　項８に記載の方法に於いて、３
つの層、４５の入力ユニット、少くとも一つの隠れユニ
ットと少くとも一つの出力ユニットを備えたニューラル
・ネットワークを用いるようにすること。 １０項．　　項１に記載の方法に於いて、該診断段階に
はさらに、複数の間質性肺疾患の中から少くとも一つを
診断する段階を含ませるようにすること。

【００１８】１１項．　　項１０に記載の方法に於いて
該複数の臨床パラメータを選定する段階では少くとも次
の臨床パラメータを選定するようにすること。即ち、受
診者の年令、性別、症候の続いている期間、症候の度合
い、体温及び免疫状態である。

【００１９】１２項．　　項１０に記載の方法に於いて
、該放射線写真の複数の記述子を選定する段階では、少
くとも次の放射線写真記述子を選定するようにすること
。即ち、肺の６つの領域に於ける浸潤の分布、それらの
浸潤の等質性繊度／粗度、結節度、中隔ライン及び蜂の
巣割れ、そしてリンパ腺症、胸水並びに心臓のサイズに
ついての記述子である。

【００２０】１３項．　　項１０に記載の方法に於いて
２０の入力ユニット、６ユニットの隠れユニットを備え
た一層の隠れ層、及び９つの出力ユニットから成るニユ
ーラル・ネットワークを使用し、該９つの出力ユニット
がそれぞれ９種の性質性肺疾患に対応しているようにす
ること。

【００２１】１４項．　　項１０に記載の方法に於いて
さらに、コンピュータを用いて肺組織のコンピュータ化
自動分析を行い而して該放射線写真の記述子を得るよう
にし、該ニューラル・ネットワークを該コンピュータに
対してインターフェースで接続するようにすること。

【００２２】１５．入力データの不完全なセットを用い
てあらかじめ定められた複数の疾病の鑑別診断を行う方
法で、まず、受診者の特徴を規定する複数の臨床パラメ
ータを選定し、疾病の特徴を規定する放射線写真の複数
の記述子も選定し、該複数の臨床パラメータと放射線写
真の記述子とから成る入力データの完全なセットを形成
し、これらの複数の臨床パラメータと放射線写真の記述
子とを数値表現に置き換え該数値表現をあらかじめ定め
られた範囲の数値にさらにそれぞれ変換し、入力データ
の該不完全なセットのデータベースを使用して該あらか
じめ定められた複数の疾病を同定するようニューラル・
ネットワークを訓練し、それから該変換された数値表現
を該ニューラル・ネットワークに入力して該入力表現が
入力データの不完全なセットを表わしているようにし、
該入力表現に従って該あらかじめ定められた複数の疾病
の中から少くとも一つを診断するようにして成る方法。

【００２３】１６項．　　項１５に記載の方法に於いて
、該入力データのセットが完全であった場合に必要な入
力ユニット数よりも少数の入力ユニットを備えたニュー
ラル・ネットワークを訓練して、該あらかじめ定められ
た複数の疾病の各々を同定するようにすること。

【００２４】１７項．　　項１５に記載の方法に於いて
、さらに、該臨床パラメータと放射線写真の記述子との
一部を選びこれを使用して該ニューラル・ネットワーク
が該あらかじめ定めてある複数の疾病の各々を同定する
よう訓練し、この時与えられる入力表現のセットに対し
て望まれる診断と出力診断との間にズレがあればそのズ
レが最小限になるように該ニューラル・ネットワークを
調節して、該ニューラル・ネットワークの隠れ層の最適
層数を決定するようにすること。

【００２５】１８項．　　項１７に記載の方法に於いて
、さらに受信者特性（ＲＯＣ）分析を用いて、該ニュー
ラル・ネットワークの隠れ層、学習繰返し回数及び隠れ
層毎に含まれるユニットについてそれぞれ最適数を決め
るようにすること。 １９項．　　項１７に記載の方法に於いて、学習繰返し
回数を少くとも２００　回にして該ニューラル・ネット
ワークを訓練すること。

【００２６】２０項．　　項１５に記載の方法に於いて
、該あらかじめ定められた複数の疾病の数と同数の複数
の並列ニューラル・ネットワークから成るネットワーク
を使用するようにし、これらのニューラル・ネットワー
クのそれぞれには複数の入力（端）と単一の出力（端）
とが備わっていて、該出力（端）がそれぞれ該あらかじ
め定められた複数の疾病に対応しているようにすること
。

【００２７】２１項．　　項１５に記載の方法に於いて
、該あらかじめ定められた複数の疾病の診断を幾つかの
段階に分けて、複数のニューラル・ネットワークを使用
して行うようにすること。

【００２８】２２項．　　項１５に記載の方法において
、複数の連続したニューラル・ネットワークのうちの第
一番目のものを使用して、まず正常パターンと異常パタ
ーンの識別を行い、次いで二番目のものを使用して、該
あらかじめ定められた複数の疾病かそれ以外の疾病かの
識別を行い、そして第三番目のニューラル・ネットワー
クを使用して該あらかじめ定められた複数の疾病の中か
らの識別を行うようにすること。 ２３項．　　項１５に記載の方法に於いて該診断段階に
は、さらに、複数の胸部疾患の少くとも一つを診断する
段階を含ませるようにすること。

【００２９】２４項．　　項２３に記載の方法に於いて
、３層で入力ユニットの数が４５、隠れユニットの数が
少くとも一つ、そして出力ユニットの数が少くとも一つ
のニューラル・ネットワークを使用するようにすること
。 ２５項．　　項１４に記載の方法に於いて、該診断段階
にはさらに、複数の間質性肺疾患の中から少くとも一つ
を診断する段階を含ませるようにすること。

【００３０】２６項．　　入力データの不完全なセット
を用いて、あらかじめ定められた複数の疾病の鑑別診断
を行う方法で、まず、受診者の特徴を規定する複数の臨
床パラメータを選定し、疾病の特徴を規定する放射線写
真の複数の記述子をも選定し、これら複数の臨床パラメ
ータと放射線写真の記述子とからなる入力データの完全
なセットを規定し、該複数の臨床パラメータと放射線写
真の記述子とを数値表現に置き換え、これらの数値表現
をそれぞれ、あらかじめ定められた範囲内の数値にさら
に変換し、入力データの該完全なセットを用いて、ニュ
ーラル・ネットワークが該複数の疾病をそれぞれ同定す
るよう訓練し、入力データのセットが不完全な場合には
入力データのうち欠けているもの毎にダミー値を用いて
完全な形にし、而も該ダミー値は該あらかじめ定められ
た範囲内の数値であるようにし、こうして変換された数
値表現とダミー値とを該ニューラル・ネットワークに入
力して該入力表現が入力データの不完全なセットを表わ
しているようにし、該入力表現及び該ダミー値に従って
該あらかじめ定められた複数の疾病の中から少くとも一
つを診断するようにして成る方法。

【００３１】２７項．　　項２６に記載の方法に於いて
、さらに、該ニューラル・ネットワークが、該あらかじ
め定められている複数の疾病のそれぞれを同定するよう
に、該臨床パラメータと放射線写真の記述子の一部を選
びこれを用いて訓練を行い、この時与えられる該入力表
現のセットに対して望まれる診断と出力診断との間にズ
レがあればこのズレが最小限になるように該ニューラル
・ネットワークを調節して、該ニューラル・ネットワー
クの隠れ層の最適数を決めるようにすること。

【００３２】２８項．　　項２７に記載の方法に於いて
、さらに、受信者特性（ＲＯＣ）分析を用いて、該ニュ
ーラル・ネットワークの隠れ層、学習繰返し回数及び隠
れ層毎に含まれるユニット数についてそれぞれ最適数を
決めるようにすること。 ２９項．　　項２７に記載の方法に於いて、少くとも２
００　回の学習繰返しを行って該ニューラル・ネットワ
ークを訓練すること。

【００３３】３０項．　　項２６に記載の方法に於いて
、該あらかじめ定められた複数の疾病の数と同数の並列
ニューラル・ネットワークから成るニューラル・ネット
ワークを使用し、これらのニューラル・ネットワークは
それぞれ複数の入力（端）と単一の出力（端）とを有し
、該出力がそれぞれ該あらかじめ定められた複数の疾病
（のそれぞれ）に対応しているようにすること。

【００３４】３１項．　　項２６に記載の方法に於いて
、該あらかじめ定められた複数の疾病の診断を幾つかの
段階に分けて、複数のニューラル・ネットワークを用い
るようにすること。

【００３５】３２項．　　項２６に記載の方法に於いて
、複数の連続したニューラル・ネットワークのうちの第
一番目のものを使用して正常パターンと異常パターンの
識別を行い、次いで第二番目のものを用いて、該あらか
じめ定められている複数の疾病かそれ以外の疾病かの識
別を行い、次いで第三番目のものを用いて該あらかじめ
定められている複数の疾病の中から識別を行うようにす
ること。 ３３項．　　項２６に記載の方法に於いて、該診断段階
には、さらに、複数の胸部疾患の少くとも一つを診断す
る段階を含ませるようにすること。

【００３６】３４項．　　項３３に記載の方法に於いて
、３層で入力ユニット数４５、隠れユニットが少くとも
１ユニット、そして出力ユニットが少くとも１ユニット
備わっているニューラル・ネットワークを使用すること
。 ３５項．　　項２６に記載の方法に於いて、該診断段階
には、さらに、複数の間質性肺疾患の少くとも一つを診
断する段階を含ませるようにすること。

【００３７】本発明は諸々の疾病の鑑視診断に関するも
ので、以下の解説では、間質性肺疾患の鑑別診断の場合
が専ら取り上げられているが、それは実例として便宜上
そうしたまでのことで、本発明が間質性肺疾患の鑑別診
断に限定されるものではないことをまず了解しておいて
いただきたい。

【００３８】さらに添付の図面に則しつつ説明を加えて
いくことにするが、ここで特に図１について触れると、
胸部専門の放射線医によって９種の間質性肺疾患が鑑別
診断用に決められている。９種の間質性肺疾患とは、即
ち、サルコイドーシス（類肉腫症）、粟流結核、リンパ
管転移腫瘍、間質性肺水腫、珪肺症、硬皮症、肺胞性肺
炎、好酸球増多性肉芽腫及び通常の間質性肺炎（ＵＩＰ
）の９種である。又、主要な臨床上のパラメータが６項
目、放射線写真の記述子が１４項目決められている。臨
床上のパラメータ６項目というのは、患者の年令、性別
、症候が続いている期間、症候の場合、体温及び免疫状
態の６項目である。放射線撮影写真の記述子１４項目の
中には、まず浸潤の分布についての６項目が含まれてい
るが、分布領域は左右の肺をそれぞれ上中下３つの領域
に分け、都合６つの領域に区分しているから６項目とな
っているのである。次に浸潤の細部についての６項目が
含まれているが、即ち（等質性、繊度／粗度、結節度、
中隔ライン、及び蜂の巣割れ）についての６項目である
。そしてさらに３つの放射線写真のパラメータ（リンパ
腺症、胸水、及び心臓のサイズ）を加えて計１４項目と
なっているのである。

【００３９】こういう次第で、このニューラル・ネット
ワークには入力ユニットが２０（即ち臨床上のパラメー
タが６項目、放射線写真の記述子が１４項目で、計２０
項目の入力に備えて２０のユニット）設けてあり、出力
ユニットは９（即ち９種の間質性肺疾患に合わせて９ユ
ニット）設けるようにしてある。図１には、本発明の第
一の実施態様によるこのニューラル・ネットワークの基
本構造が示されているのである。隠れ層と呼ばれている
中間層は、入力パターンを出力パターンに変換する際に
重要な役割を演じるものであるが、この実施態様の場合
、隠れ層は一層設けてあり、その一層中に含まれるユニ
ット数は２である。しかし、隠れ層の数と、隠れ層に属
するユニットの数とは、ネットワークに対して望まれる
構造・性能に応じて変えることができるのである。仮想
データベースについて

【００４０】ニューラル・ネットワークの診断の性能を
見積るため、訓練プロセスと試験プロセス用にデータベ
ースが用意される。二人の胸部専門の放射線医がそれぞ
れ独自にこの用意にあたるのであるが、９種の疾患のそ
れぞれについて１０通りの症例を想定し、即ち計９０通
りの症例を仮想してその臨床データと放射線写真の所見
との組み合わせをこしらえるのである。ニューラル・ネ
ットワークに入力されるデータはすべて、線形変換又は
非線形変換によって０から１まで範囲の数値に変換して
から入力される。たとえば、３７℃から４１℃までの体
温は、線形変換によって０〜１の範囲の数値に変換し、
放射線写真の記述子は、ひとまず０から１０までの尺度
で主観的に採点を与えておいた上で、その採点を０〜１
の範囲の数値に変換するのである。ここで注意すべきこ
とは、たとえば、“非常に大きい”，“大きい”，“お
そらく”，“小さい”、そして“ごく小さい”といった
曖昧な記述表現も含めてあらゆる種類の表現が０から１
までの範囲の数値に変換され得るということで、それに
はファジイ理論（曖昧理論）に於いて用いられている方
法に基づいて適宜定められているｍｅｍｂｅｒｓｈｉｐ
関数を使用すればよいのである。（　ファジイ理論につ
いては）Ｄｕｂｃｉｓ他の“ファジイ・セット及びシス
テム：理論と用法”アカデミック出版（１９８０）とか
Ｚｉｍｍｅｒｍａｎｎの“ファジィ・セット理論及びそ
の用法“Ｋｌｕｗｅｒ　Ｎｉｊｈｏｆｆ出版（１９８５
）があり、これらに開示されている内容は本明細中にも
参考として取り入れてある。

【００４１】さて、先にも述べたように、層状構造を有
するニューラル・ネットワークは、実例を繰り返し示し
てやると入力データと出力データとの間の関係を学習す
る能力を持っている。換言すれば、ニューラル・ネット
ワーク中に形成される判断規準は訓練用に使われる実例
の種類数に依っているといえるわけだから、訓練用のデ
ータベースを作成するには、起こり得る症例をすべて漏
れなく網羅するよう適当な実例を選ばなければならない
。しかしながら、実際の患者の症例の中からデータベー
スとして使用することを予測して適当なものを普段から
蒐めておき而しすデータベースを作成するのは非常に時
間のかかる作業であるし、又データとして使用しようと
している症例に関連した臨床上の情報を教材用のファイ
ルにある症例から得ようとしても常に得られるとは限ら
ないのである。

【００４２】そこで二人の胸部専門の放射線医が、教科
書にある説明と彼等自身の経験とに基づいて９種の疾病
のそれぞれに対して１０の症例を選ぶ方法がとられ、こ
のようにして作られたデータベースがニューラル・ネッ
トワークの訓練用に使用されたのである。この仮想のデ
ータベースによる手法の利点は、データベースに収めら
れている症例の総数は比較的少数でありながら、多様な
症例を或る程度まで幅広く網羅できるという点にある。 仮想データによって訓練されたニューラル・ネットワー
クは臨床用に実用に移す前に、多くの実際の症例を用い
て試験をして確実なものとしなければならない。

【００４３】本発明によるニューラル・ネットワークは
実際の症例５例を用いて試験されたのであるが、これら
の５例は、前記の９種の疾病のうちの一つによる間質性
浸潤が存在するという基準を満たしているものを選んだ
のである。試験の結果は５例すべてについて正しい診断
が下された。この後さらに研究が進めば、臨床用に実用
した場合にも完全な正確さが得られるようになるだろう
し、データベースについて修正が必要な点も明らかとな
ってくるであろう。

【００４４】ただし、注目すべき重要な点は、本発明に
よるニューラル・ネットワークは、訓練用のデータベー
スに新しいデータを付け加えてやれば再訓練できること
である。従って、仮に幾つかの実際の症例についてニュ
ーラル・ネットワークが正しい診断を下し損なった場合
には、これらの新しいデータを正しい診断と合わせて訓
練用のデータベースに組み入れて（再訓練を行えば）以
後、同様の症例にぶつかっても正しく鑑別診断ができる
ようになるのである。最適パラメータについて

【００４
５】ニューラル・ネットワークの（能力）評価を行うた
めには、ジャックナイフ法が用いられた。ジャックナイ
フ法というのは、データベースから無作為に選びだした
症例のうちの半分を訓練用に用い、残りの半分を使って
試験を行うという方法である。無作為に選びたした症例
によって、訓練用データと試験用データとの異なった組
み合わせが１０組用意され、試験プロセスの出力を、は
っきりとした正答とはっきりとした誤答に分けて分析し
、この正答、誤答を、ＲＯＣ（受信者特性）曲線の縦座
標、横座標としてそれぞれ用いてＲＯＣ曲線が作成され
たのである。

【００４６】このＲＯＣ曲線は、肺に関して、たとえば
正常と異常というような、二つの状態のどちらかに検知
器（乃至観測者）が判定を下す際、その検知器（乃至観
測者）の性能を示すには最も信頼のおけるダイヤグラム
として現在のところ知られているものである。ＲＯＣ曲
線というのは、はっきりとした正答の割合とはっきりと
した誤答の割合との間の関係を示す曲線表示である。は
っきりとした正答の割合とは即ち、異常な肺を異常と正
しく類別（乃至検知）する割合のことであり、はっきり
とした誤答の割合とは、正常な肺を異常であるで不正確
に類別（乃至検知）してしまう割合のことである。この
関係は、点の代わりに曲線で表わされるが、合衆国特許
第４，８３９，８０７　号に開示されているように、こ
れらの割合は、スレショルドレベル（しきい値レベル）
次第で変化するものだからである。

【００４７】本発明の第一の実施態様によるニューラル
・ネットワークでは、隠れユニットの数、隠れ層の数、
及び学習繰返しの回数というパラメータを最適のものに
決定するにあたっては、１０組の異なったデータ・セッ
トから得られる平均ＲＯＣ曲線が利用された。隠れユニ
ットの数が及ぼす影響については、隠れ層の数は一層、
学習繰返しの回数は２００　回と一定にしておいた上で
、隠れユニットの数だけを１から２０まで変える方法で
調べられた。同様に、隠れ層の数が及ぼす影響について
は、各層に含まれるユニット数は６ユニット、学習繰返
し回数は２００　回と定めておいた上で、隠れ層の数を
１から３層にまで変えて調べられた。学習繰返し回数に
ついては、隠れ層は一層、隠れユニットは６ユニットと
定めておいて、１回から１０００回にまで変えて影響が
調べられたのである。学習繰返しの回数の数え方は、異
なった訓練データの一組を完全に入力する毎に一回とし
た。その他の幾つかの技術的なパラメータ、たとえば、
学習速度、重量変化の運動量ファクター、及び乱数発生
シードについても調査検討が行われた。

【００４８】ニューラル・ネットワークの訓練を行うに
は、各疾病について１０例の仮想症例を用意してこれを
用いた。しかし実際の症例から訓練用の症例を集めると
なると、各疾病毎に集められる症例の数を等しくできな
いこともあるのである。実際、稀にしかない疾病用の訓
練症例の数は、ありふれた疾病用の訓練症例の数よりも
相当に少なくなりがちなので、このように或る疾病用の
訓練症例の数が不十分だと、特異な疾病を検知する感度
が落ちてしまうことになる。この問題は疾病の有症率（
乃至は出現度数）に関連するもので、稀にしかない疾病
の場合には、同一の訓練用症例の入力回数を増やしてや
れば、或る程度までは解決できる問題である。たとえば
、ありふれた疾病の症例数が１００　、稀な疾病の症例
数が１０集まったとすると、その場合には、ありふれた
疾病の１００　の症例は２００　回繰り返して入力し、
稀な疾病の１０症例は２，０００　回繰り返して入力す
るようにすればよい。そうすれば、有症率の違う疾病に
関しても、ニューラル・ネットワーク訓練用のデータ入
力回数を等しく揃えることができるわけである。

【００４９】本発明の第一の実施態様によるニューラル
・ネットワークを訓練する際に使用されている学習方法
、即ち逆方向に遡れる方法については、Ｒｕｍｅｌｈａ
ｒｔ　他の参考文献中に行き届いた説明があり、本明細
書に於いては、煩雑になることを避けてその説明は省く
ことにする。

【００５０】図２に示されている幾つかのＲＯＣ曲線は
、本発明の第一の実施態様によるニューラル・ネットワ
ークの性能に対して、隠れユニットの数が及ぼす影響を
示すものである。ＲＯＣ曲線は、隠れユニットの数が８
まで増えるにつれて向上を示している。しかしながら、
図３に示されているように、ＲＯＣ曲線より下の部分の
面積（Ａｚ）と隠れユニットの数との関係を見ると、隠
れユニットの数を８以上にふやしてもＲＯＣ曲線には大
した向上が見られないことがわかる。勿論、ユニットの
数をふやす場合にも、隠れ層は一層、学習繰返し回数は
２００　回という条件は一定にしておいて結果を比較し
ているのである。隠れユニットの最適数を決定するため
には、隠れユニットの各数毎に、データベースの９０の
症例のすべてを完全に識別し得るかどうか、はじめにデ
ータベースを用いてニューラル・ネットワークの訓練を
行い、それから試験を行って調査検討がなされた。ただ
し、これは前述のジャックナイフ・テストではなく、む
しろ、本発明の第一の実施態様によるニューラル・ネッ
トワークの無矛盾性の証明試験である。さて、これらの
曲線に基づいて、隠れユニットの最小数は６と決定され
たのである。

【００５１】図４には、隠れ層の数を変えた場合に得ら
れるそれぞれのＲＯＣ曲線が示してある。この図からわ
かることは、隠れ層の数が増すにつれてＲＯＣ曲線は低
下していることである。隠れユニットが各層毎に６ユニ
ット、学習繰返し回数が２００回という条件下に於いて
は、隠れ層の数が一層の場合に最高のＲＯＣ曲線が齎さ
れている。学習繰返し回数を１０００回までふやしてい
っても、繰返し回数２００　回の場合に得られたのとほ
ぼ同じＲＯＣ曲線が得られるだけで、大した向上は見ら
れない。 従って、本発明の第一の実施態様によるニューラル・ネ
ットワークでは、隠れ層は一層である。

【００５２】学習繰返し回数を様々に変えていった場合
に得られるＲＯＣ曲線は図５に示されている。学習繰返
し回数が増すにつれてＲＯＣ曲線には向上が認められる
。最高のＲＯＣ曲線は、学習繰返し回数が２００　乃至
それ以上の場合に得られる。従って、本発明の第一の実
施態様によるニューラル・ネットワークを訓練するため
には、学習繰返し回数２００　回で十分なわけである。

【００５３】以上の次第であるから、本発明の第一の実
施態様によるニューラル・ネットワークには６つのユニ
ットを持つ隠れ層が一層含まれており、このネットワー
クは学習繰返し回数２００　回で訓練されたのである。 選択学習プロセスについては、Ａｓａｄａ　他の“間質
性肺疾患の鑑別診断のためのニューラル・ネットワーク
技法“Ｐｒｏｃ．ＳＰＩＥ　メディカル・イメージング
ＩＶ（１９９０）に解説があり、本明細書にも参考とし
て取り入れられている。 無矛盾性証明試験について

【００５４】診断性能テストを行う前に、ニューラル・
ネットワークの無矛盾性テストが行われた。即ち、デー
タベースに含まれているすべての症例によってニューラ
ル・ネットワークの訓練を行った上で、９種の疾病のそ
れぞれについてデータベース中に含まれている心の症例
の中から平均的な症例を選んでこれを用いてテストが行
われたのである。ニューラル・ネットワークに入力され
たこの平均的な数値とこれに応じてニューラル・ネット
ワークから出力された数値とは、それぞれ図６，図７，
図８と、図９，図１０，図１１とに示されている。図６
，図７，図８に示されているのがその平均的な入力デー
タで、９種の疾病のそれぞれについてデータベース中に
含まれている１０の症例の中から（平均的と見なされる
ものを）を選んできたものである。図９，図１０，図１
１に示されているのは、図６，図７，図８の平均的な入
力データ一組を本発明の第一の実施態様によるニューラ
ル・ネットワークに入力した場合、これに応じて出力さ
れる出力データである。図９，図１０，図１１では、横
９列が９つの出力ユニットにあたり、縦に並んでいる９
欄が図６，図７，図８の縦９欄に相当している。大きな
出力値たとえば図９，図１０，図１１の対角線沿いに見
られる０．９　は、ニューラル・ネットワークがその入
力データを識別して同欄の疾病である可能性が高いと診
断したことを示している。さらに、図９，図１０，図１
１の他の箇処に見られる０．０１，０．０２それに０．
１　といった小さな出力値は、はっきりとした誤診であ
る可能性が極めて低いことを示している。それ故、図９
，図１０，図１１はニューラル・ネットワークの無矛盾
性を証明しているわけでニューラル・ネットワークは高
い確率で、９種の疾病を識別したのである。 診断性能について

【００５５】ニューラル・ネットワークの診断性能は、
胸部専門の放射線医及び放射線科の上級研修医の診断能
力と比較された。本発明の第一の実施態様によるニュー
ラル・ネットワークの診断性能テストに用いられたのと
同じデータベースを使用して、三人の胸部専門放射線医
と三人の上級研修医に対して試験が行われた。各仮想症
例に関して、２０項目に亘る臨床上並びに放射線写真の
記述子に目を通して、間質性肺疾患の９種の疾病の選択
肢から一番可能性があると思われるものを選んで診断を
下すまで、各受験者には１分間の持ち時間が与えられた
。 診断解答には、１から５までの評価段階を設けて、各疾
病に対して確信レベルの表示を行わせるようにした。即
ち、５という表示があればその診断に対し最高レベルの
確信を抱いているということである。このように評価段
階を設ける方法は、ＲＯＣ分析に用いられる方法と同じ
である。 診断性能テストについて

【００５６】胸部専門の放射線医、放射線科の上級研修
医及びニューラル・ネットワークという三者が、間質性
肺疾患の鑑別診断を行ったそれぞれの診断性能について
のＲＯＣ曲線が図１２に示されている。ニューラル・ネ
ットワークのＲＯＣ曲線は、胸部専門の放射線医の（成
績を）平均したＲＯＣ曲線にひけをとらないもので、放
射線科の上級研修医の（成績を）平均したＲＯＣ曲線よ
りも優れていた。図１２に示されているように各ＲＯＣ
曲線より下の部分の面積（Ａｚ）は、胸部専門放射線医
とニューラル・ネットワークの両者についてはどちらも
０．９６７　であり、上級研修医の場合は０．９０５　
であった。

【００５７】上のような結果からわかることは、たとえ
ば放射線科の上級研修医とか臨床医師のように、間質性
肺疾患の鑑別診断にまで余り習熟していない観測者が診
断を下す場合、ニューラル・ネットワークを用いればそ
の診断を補助することができ、その診断成績を胸部専門
の放射線医の水準近くにまで引きあげることができると
いうことである。

【００５８】先にも述べたように、問題を解決するため
に、ニューラル・ネットワークの構造や組み合わせを設
計するにあたっては、多少、融通を利かせることができ
る。もし、あるニューラル・ネットワークに多数の出力
ユニットが設けられているというようになるなら、その
出力ユニットの数と同数のニューラル・ネットワークを
多数並列に設けるようにして、それらのニューラル・ネ
ットワークの各入力ユニット数は元のニューラル・ネッ
トワークと同じであるが、出力ユニット数はそれぞれ一
つずつになっているというように設計を変えることがで
きる。本発明の第二の実施態様に於いては、９つの異な
ったニューラル・ネットワークが用いられており、各ニ
ューラル・ネットワークの入力ユニット数はいずれも２
０であるが、出力ユニットは選ばれた９種の疾病のいず
れかにそれぞれ対応するユニットが一つだけ設けられて
いるという設計にできるのである。

【００５９】又、もし与えられた問題が、一連の小問題
に分割できるようなものであれば、一連の直列ニューラ
ル・ネットワークを用いて問題を解くようにもできる。 図１３に示されているような本発明の第三の実施態様に
於いては、間質性肺疾患の鑑別診断を行うという問題を
解くにあたって、三つの直列に連続したニューラル・ネ
ットワークが用いられている。即ち、第一のニューラル
・ネットワークでは、パターンが正常か異常かという選
別だけを行い、第二のニューラル・ネットワークでは、
間質性疾患か他の疾患かの識別のみを行い、最後に第三
のニューラル・ネットワークに於いて９種の間質性肺疾
患の中から一つを選び出すという段取りにしてあるので
ある。ここで注意すべきことは、このシステムには今一
つのニューラル・ネットワークを付け加えて他の（即ち
間質性以外の）疾患の中から、たとえば初期肺癌とか肺
炎球菌性肺炎とか肺動脈塞栓症とか縦隔洞腫瘍などの疾
病を識別するようにもできるということである。以上に
述べたようなニューラル・ネットワークの並列及び直列
技法やそれらを組み合わせたものを用いるようにすれば
、一つ一つはむしろ小規模で単純な構造のニューラル・
ネットワークを多数用いて大規模な問題を解くことがで
きるのである。

【００６０】ところで、場合によっては、といってもそ
れは実際の状況に於いては極めて普通に起こることなの
であるが、入力データの一組を完全に揃えられないこと
がある。このように入力情報のうちの幾つかが欠けてい
る場合にもニューラル・ネットワークから出力を得よう
とすれば、その方法は、欠けているデータのすべての組
み合わせを考えて、その組み合わせに対応するように入
力ユニット数が異なった幾つかのニューラル・ネットワ
ークを用意することである。本発明の第四の実施態様に
よれば、間質性肺疾患の鑑別診断を行うにあたって、た
とえば、２０項目ある臨床データ入力のうちの４項目（
症候の続いている期間、症候の場合、体温及び免疫状態
）の情報を入手できないことが時々ある。こういう場合
は、１６の異なったニューラル・ネットワークを用意す
ればよいので、即ちそれらの１６のうちの一つのニュー
ラル・ネットワークの入力（ユニット）数は２０、４つ
のニューラル・ネットワークの入力ユニット数は１９、
６つのニューラル・ネットワークでは入力ユニット数が
１８、４つのニューラル・ネットワークでは入力ユニッ
ト数が１７、そして残る一つのニューラル・ネットワー
クの入力ユニット数は１６とすれば、欠落している四つ
の臨床データ入力のあらゆる組合わせがこれらのニュー
ラルネットワークで表わされていることになる。これら
１６のニューラルネットワークに対して完全に揃った初
期入力データ一組を用いて訓練を施しておけば、これら
のニューラル・ネットワークにデータの揃わない入力を
行るようになるのである。

【００６１】試験用のデータ・セットが不完全な場合に
これを何とか使いこなす今一つの方法は、不完全なデー
タ・セットを用いて訓練しておいたニューラル・ネット
ワークを使用することである。不完全なデータ・セット
で訓練するというのは、入力すべきデータが欠けている
入力ユニットに対して“ダミー（模擬）”入力値を繰返
し入力して訓練するので、その際ダミー入力値を０から
１までの範囲で、たとえば０．１　といった適当な増分
を以て変えていくのである。この方法によれば、各ユニ
ットに於いて或る範囲の出力値が得られるので、データ
・セットが不完全な症例の場合でも、この出力値を参考
にし、欠けている入力データの取り得る数値の範囲をも
総合勘案するようにすれば、可能性のある結論が割り出
せるのである。たとえば、欠落している臨床データが或
る疾病にとっては重要なものでない場合もあり、そうい
う場合には、実際には入力データが欠けている入力ユニ
ットに様々なダミー入力値を入力してやったとしても、
すべての出力ユニットに於ける出力値には、基本的には
変化がない筈で、図１４の珪肺症の場合がこの実例にな
る。即ち、この場合、ニューラル・ネットワークの出力
値は、症例の続いている期間という項目の入力値がどう
変わろうとその影響は受けていないのである。

【００６２】しかしながら、様々なダミー入力値を入力
してやるとそれに対して幾つかの出力ユニットに於ける
出力値に目立った変化が見られるという場合には、可能
性として或る疾病なり他の疾病なりに結論を出そうとす
るなら、図１５に示したように、対応する入力値の可能
性を考慮して判定することができる。つまり、図１５で
は、ＵＩＰ（通常の間質性肺炎）及び硬皮症用の出力は
体温の関数として示されているのだか、もし体温が低け
れば、その疾病はＵＩＰである可能性が高く、もし体温
が高ければ、その疾病がＵＩＰである可能性は減じて硬
皮症である確率が高くなるのである。従って臨床データ
が欠落していたとしてもその欠落データの可能性として
ありそうな数値を考えることによって、医者は様々な肺
疾患の鑑別診断を行うことができるのである。

【００６３】なお、ニューラル・ネットワークの訓練を
行う際、臨床上重要な入力データが不完全であるにもか
かわらず、それを入力してしまいたいとか入力しなけれ
ばならないという場合がある。つまり、全入力ユニット
用の入力データの大半は入手できており、即ち大抵の入
力データは完全なのであるが、入力データのうちの小部
分が不完全なものだとする。こういう場合、その不完全
な入力データでも、欠落しているデータの“ダミー”値
をこしらえてやれば、ニューラル・ネットワークの訓練
用に使うことができるのである。欠落しているデータの
ダミー値は、同じ疾病に属する入力データの中から完全
なものを探し出してきて流用するのである。もともと同
じ疾病に属する入力データから選んでくるのだから、欠
落した入力ユニットに於けるこの“ダミー”入力値の範
囲や配分は、該入力ユニットに於ける実際の入力値と類
似したものとなっている。換言すれば、ニューラル・ネ
ットワークの訓練にあたっては、たとえば２００　回と
いうように多数回繰返し入力が行われるわけであるが、
実際の配分に合わせた上記の様々なダミー入力値が、訓
練中の各入力毎に選びだされるのである。

【００６４】本発明によるニューラル・ネットワーク用
の放射線写真についての入力データは、放射線医が主観
的に接点した数値で表わされる。この方法は、多くの臨
床状況に於いては、実行できそうにもないことかもしれ
ない。しかしながら、合衆国特許第４，８３９，８０７
　号及び第４，８５１，４８４　号に開示されているよ
うな、肺組織のコンピュータ式自動分析によれば所要の
数値を得ることができるのである。それ故、本発明の第
六の実施態様によれば、ニューラル・ネットワークは、
コンピュータ機構にインターフェースで接続されており
、このコンピュータ機構が肺組織の分析を自動的に行い
、ニューラル・ネットワークに入力すべき放射線写真に
ついてのデータはすべて、客観的且つ自動的に与えられ
るようになっている。

【００６５】本発明は、間質性肺疾患の鑑別診断にのみ
専ら限定とされるものではなく、他の領域の医学診断に
もニューラル・ネットワークを使用することができる。 例えば、レントゲンによる***撮影に於ける良性パター
ンと悪性パターンの識別などで、この識別のためには、
多くの臨床上の所見、実験室での実験結果、及び／又は
放射線写真の所見を相関させつつ同時に把握しなければ
ならないのである。

【００６６】本発明の第七の実施態様に於けるニューラ
ル・ネットワークは、乳癌のレントゲン撮影による診断
に適用され、症例が良性か悪性かを識別するために用い
られた。このネットワークは、３層のフィードフォワー
ド式ニューラル・ネットワークで、逆方向に遡れる算法
を備えている。このニューラル・ネットワークには、入
力ユニットが４５、隠れユニットが１〜２５、出力ユニ
ットが１〜５含まれている。このニューラル・ネットワ
ークを訓練するには様々な症例の乳癌レントゲン写真の
特徴や臨床データを評価して点数で表わし、この点数を
、それぞれの症例についてあらかじめわかっている良性
か悪性かという正しい診断と共に入力するようにしたの
である。図１６，図１７，図１８，図１９には臨床上の
パラメータや放射線写真の記述子を含む様々な入力デー
タのリストが掲げてある。訓練プロセスに於いては、乳
房レントゲン撮影についての教科書（Ｌａｓｚｌｏ　Ｔ
ａｂａｒ及びＰｅｔｅｒＢ．Ｄｅａｎ、***レントゲン
撮影教材図表集、Ｇｅｏｒｇ　Ｙｈｉｅｍｅ　　出版、
（１９８５））、から選んだ６０の症例から成るデータ
ベース中の各症例毎に、熟練した***レントゲン撮影医
が、図１６，図１７，図１８，図１９に示した各特徴の
採点を行った。たとえば、異常な濃いかたまりが観測さ
れた場合には、その濃い密集部分の形状について、***
レントゲン撮影医は、図１６，図１７，図１８，図１９
のＩＩ．Ｂ．Ｉに示されているように０から１０までの
段階をつけて採点を行った。即ち０点というのは線形で
一次元的な形状ということであり、評点５なら長円形の
病変部評点が１０なら大体球形の病変部ということであ
る。さらに、図１６，図１７，図１８，図１９に示され
ているように***レントゲン撮影医は（悪性か良性かと
いう）正しい診断についてもチェックし、もし実際の臨
床状況にあれば忠告して勧めるであろう行動コースにも
チェックしたのだが、これらが結局、望ましい出力に相
当することになるわけである。以上のような採点は０と
１との間の数値に変換され、ニューラル・ネットワーク
への入力及びニューラル・ネットワークからの望まれる
出力として用いられたのである。このニューラル・ネッ
トワークの評価を行うには、ラウンド・ロビン及びジャ
ックナイフ法を用いてＲＯＣ分析が行われた。良性と悪
性の症例を含む６０の症例から成るデータベースを用い
てＲＯＣ分析を行ったところ、図２０に示さているよう
に、Ａｚ（ＲＯＣ曲線より下の部分の面積）は、ほぼ０
．８５〜９という値がでた。こういうＡｚの高数値は何
を示しているかといえば、ニューラル・ネットワークを
用いれば、***レントゲン写真の診断をきわめて正確に
行えることを示しているのである。

【００６７】以上に述べた説明から、本発明についてさ
らに様々な修正・変形を考え出すことも勿論可能である
。それ故、特許請求の範囲内でさえあれば、本明細書に
説明した通りでなくとも違ったやり方で本発明を実施し
得ることを了解しておいていただきたい。

【００６８】

【発明の効果】以上のように、本発明によれば、コンピ
ュータ援用鑑別診断のためにニューラル・ネットワーク
を含む新規な方法が提供でき、放射線医の診断に向上が
図られるものとなる。

【図面の簡単な説明】

【図１】本発明による入力ユニットが２０、出力ユニッ
トが９、そして隠れ層は一層含まれており一層の隠れ層
中にはユニットが２つ含まれているニューラル・ネット
ワークを示す図。

【図２】隠れユニットの数は１から８までの範囲で変化
させてあるが、いずれの場合も隠れ層は一層、学習繰返
しは２００　回にしてある、隠れユニットの数が、本発
明によるニューラル・ネットワークのＲＯＣ曲線に及ぼ
す影響を示す特性図。

【図３】隠れユニットの数は１から２０までの範囲で変
化させてあるが、いずれの場合も隠れ層は一層、学習組
返しは２００　回にしてある、隠れユニットの数が本発
明によるニューラル・ネットワークのＲＯＣ曲線より下
の領域の面積に及ぼす影響を示す特性図。

【図４】隠れ層の数は１から３までの範囲で変化させて
あるが、いずれの場合も一層中に含まれる隠れユニット
の数は６、学習繰返しは２００　回にしてある、隠れ層
の数が本発明によるニューラル・ネットワークのＲＯＣ
曲線に及ぼす影響を示す特性図。

【図５】学習繰返しの回数は１から１，０００　回まで
の範囲で変化させてあるが、いずれの場合も隠れ層は一
層、隠れユニットの数は６　にしてある、学習繰返しが
本発明によるニューラル・ネットワークのＲＯＣ曲線に
及ぼす影響を示す特性図。

【図６】矛盾性証明試験における入力データを示す第１
の図。

【図７】矛盾性証明試験における入力データを示す第２
の図。

【図８】矛盾性証明試験における入力データを示す第３
の図。

【図９】矛盾性証明試験における入力データを示す第４
の図。

【図１０】矛盾性証明試験における矛盾性証明を示す第
１の図。

【図１１】矛盾性証明試験における矛盾性証明を示す第
２の図。

【図１２】間質性肺疾患についてそれぞれの診断成績と
鑑別診断が示されている、胸部専門の放射線医、放射線
科の上級の研修医、及び本発明によるニューラル・ネッ
トワークという三者のＲＯＣ曲線を比較して示した特性
図。

【図１３】間質性肺疾患の鑑別診断のために設計された
三つの連続したニューラル・ネットワークが示されてい
る、本発明の第二の実施態様の構成図。

【図１４】症例の続いている期間という項目に相当する
入力（ユニット）に於いて、０から１までの範囲でダミ
ー入力値を変化させた場合に、珪肺症という病名に相当
する出力ユニットに現われるニューラル・ネットワーク
の出力値を示す特性図。

【図１５】体温という項目に相当する入力ユニットに於
いて、０から１までの範囲でダミー入力値を変化させた
場合に、ＵＩＰ及び硬皮症という二つの病名にそれぞれ
相当する二つのユニットに現われるニューラル・ネット
ワークの出力値を示す特性図。

【図１６】臨床上のパラメータと***撮影写真の記述子
とが含まれている、***撮影による診断に用いられるデ
ータ・シートを示す第１の図。

【図１７】臨床上のパラメータと***撮影写真の記述子
とが含まれている、***撮影による診断に用いられるデ
ータ・シートを示す第２の図。

【図１８】臨床上のパラメータと***撮影写真の記述子
とが含まれている、***撮影による診断に用いられるデ
ータ・シートを示す第３の図。

【図１９】臨床上のパラメータと***撮影写真の記述子
とが含まれている、***撮影による診断に用いられるデ
ータ・シートを示す第４の図。

【図２０】本発明の七番目の実施態様によるニューラル
・ネットワークのＲＯＣ曲線を示す特性図。

【図２１】本発明以前の先行技術による層状構造式人工
ニューラル・ネットワークの基本構造を示す図式図。

【図２２】先行技術による人工ニューラル・ネットワー
クの一つのユニット中に於ける計算を示す略図。

【符号の説明】

無し

Claims (2)

【特許請求の範囲】
1. 【請求項１】　　複数のあらかじめ定められている疾病
   の鑑別診断を行う方法であって、受診者の特徴を規定す
   る複数の臨床パラメータを選定し、疾病の特徴を規定す
   る放射線写真の記述子も複数選定しこれら複数の臨床パ
   ラメータと放射線写真の記述子とを数値表現に置き換え
   、各数値表現をさらにあらかじめ定めてある範囲内の数
   値に変換し、こうして変換された数値表現をニューラル
   ・ネットワークに入力し、而して、該ニューラル・ネッ
   トワークを用い該入力表現に合わせて該あらかじめ定め
   られている複数の疾病の中から少くとも一つを診断する
   ようにしてなるニューラル・ネットワークを用いた鑑別
   診断支援方法。
2. 【請求項２】　　入力データの不安全なセットを用いて
   、あらかじめ定められた複数の疾病の鑑別診断を行う方
   法であって、受診者の特徴を規定する複数の臨床パラメ
   ータを選定し、疾病の特徴を規定する放射線写真の複数
   の記述子をも選定し、これら複数の臨床パラメータと放
   射線写真の記述子とから成る入力データの完全なセット
   を規定し、該複数の臨床パラメータと放射線写真の記述
   子とを数値表現に置き換え、これらの数値表現をそれぞ
   れあらかじめ定められた範囲内の数値にさらに変換し、
   入力データの該完全なセットを用いて、ニューラル・ネ
   ットワークが該複数の疾病をそれぞれ同定するよう訓練
   し、入力データのセットが不完全な場合には入力データ
   のうち欠けているもの毎にダミー値を用いて完全な形に
   し、而も、該ダミー値は該あらかじめ定められた範囲内
   の数値であるようにし、こうして変換された数値表現と
   ダミー値とを該ニューラル・ネットワークに入力して該
   入力表現が入力データの不完全なセットを表わしている
   ようにし、該入力表現及び該ダミー値に従って該あらか
   じめ定められた複数の疾病の中から少くとも一つを診断
   するようにしてなるニューラル・ネットワークを用いた
   鑑別診断支援方法。