特開 2021-136892 システム、検査結果推定方法、学習モデル、及び学習モデル生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2021-136892(P2021-136892A)

(43)【公開日】2021年9月16日

(54)【発明の名称】システム、検査結果推定方法、学習モデル、及び学習モデル生成方法

(51)【国際特許分類】

   C12M 1/34 20060101AFI20210820BHJP

   G01N 33/48 20060101ALI20210820BHJP

   G01N 33/574 20060101ALI20210820BHJP

   C12Q 1/02 20060101ALI20210820BHJP

   G06T 7/00 20170101ALI20210820BHJP

   G16B 40/00 20190101ALI20210820BHJP

【ＦＩ】

   C12M1/34 A

   G01N33/48 P

   G01N33/574 A

   G01N33/574 D

   C12Q1/02

   G06T7/00 614

   G06T7/00 350C

   G16B40/00

【審査請求】未請求

【請求項の数】16

【出願形態】ＯＬ

【全頁数】23

(21)【出願番号】特願2020-35927(P2020-35927)

(22)【出願日】2020年3月3日

(71)【出願人】

【識別番号】504300181

【氏名又は名称】国立大学法人浜松医科大学

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100124800

【弁理士】

【氏名又は名称】諏澤 勇司

(74)【代理人】

【識別番号】100206966

【弁理士】

【氏名又は名称】崎山 翔一

(72)【発明者】

【氏名】栗田 佑希

【テーマコード（参考）】

2G045

4B029

4B063

5L096

【Ｆターム（参考）】

2G045AA24

2G045AA26

2G045BA13

2G045BB25

2G045CB01

2G045CB02

2G045DA36

2G045DB07

2G045FA11

2G045GB01

2G045JA01

4B029AA07

4B029BB11

4B029CC03

4B029FA15

4B063QA19

4B063QQ02

4B063QR32

4B063QR35

4B063QR55

4B063QS32

4B063QS34

4B063QS36

4B063QX01

5L096BA06

5L096BA13

5L096HA11

5L096KA04

5L096KA15

(57)【要約】

【課題】浸潤性乳癌のハーセプチンによる治療に先立って、短期間かつ高精度にＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況を確認できるシステム、検査結果推定方法、学習モデル、及び学習モデル生成方法を提供する。
【解決手段】システム１は、対象画像取得部４と、推定部５とを備える。対象画像取得部４は、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データを取得する。推定部５は、学習データに基づいて、取得された前記対象画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する。学習データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

乳腺組織検体のＨＥ染色標本の画像からなる対象画像データを取得する対象画像取得部と、
浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを用いて学習した推定モデルに、取得された前記対象画像データを入力し、前記取得された対象画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する推定部と、を備えたシステム。

【請求項2】

前記ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、ＩＨＣ法によるスコアを含む、請求項１に記載のシステム。

【請求項3】

前記ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法によるＨＥＲ２検査の検査結果データと、前記検査済み画像データに対応する乳腺組織検体のうち前記ＩＨＣ法によるスコアが２＋である乳腺組織検体のＩＳＨ法によるＨＥＲ２検査の検査結果データとを含む請求項１又は２に記載のシステム。

【請求項4】

乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データを取得する準備画像取得部と、
非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む不要画像データと、浸潤性乳癌の組織の画像を含む必要画像データとを含む学習データを用いて学習した画像選択モデルに、取得された前記準備画像データを入力し、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を前記準備画像データから除いた画像データを対象画像データとして出力する画像選択部をさらに備える、請求項１〜３のいずれか一項に記載のシステム。

【請求項5】

乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データを取得する準備画像取得部と、
非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む不要画像データと、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを用いて学習した推定モデルに、前記準備画像データを入力し、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を前記準備画像データから除いた画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する推定部と、を備えたシステム。

【請求項6】

浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを用いて学習した推定モデルに、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データを入力し、
前記推定モデルからＨＥＲ２検査の検査結果の推定値を取得する、検査結果推定方法。

【請求項7】

乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データを取得し、
非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む不要画像データと、浸潤性乳癌の組織の画像を含む必要画像データと、を含む学習データを用いて学習された画像選択モデルに前記準備画像データを入力し、
非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を前記準備画像データから除いた画像データを前記対象画像データとして前記画像選択モデルから取得する、請求項６に記載の検査結果推定方法。

【請求項8】

非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む不要画像データと、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを用いて学習した推定モデルに、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データを入力し、
前記準備画像データについて前記ＨＥＲ２検査の検査結果の推定値を前記推定モデルから取得する、検査結果推定方法。

【請求項9】

乳腺組織検体のＨＥ染色標本の画像からなる対象画像データが入力される入力層と、
前記対象画像データに対応する乳腺組織検体についてＨＥＲ２検査の検査結果の推定値を出力する出力層と、
浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを用いて学習した中間層とを備え、
前記対象画像データを取得し、
前記対象画像データを前記入力層に入力し、前記中間層にて演算し、前記出力層から前記対象画像データについてＨＥＲ２検査の検査結果の推定値を出力するようコンピュータを機能させる学習モデル。

【請求項10】

前記ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、ＩＨＣ法によるスコアを含む、請求項９に記載の学習モデル。

【請求項11】

前記ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法によるＨＥＲ２検査の検査結果データと、前記検査済み画像データに対応する乳腺組織検体のうち前記ＩＨＣ法によるスコアが２＋である乳腺組織検体のＩＳＨ法によるＨＥＲ２検査の検査結果データとを含む請求項９又は１０に記載の学習モデル。

【請求項12】

乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データが入力される入力層と、
前記準備画像データに対応する乳腺組織検体についてＨＥＲ２検査の検査結果の推定値を出力する出力層と、
非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む不要画像データと、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを用いて学習した中間層と、を備え、
前記準備画像データを取得し、
前記準備画像データを前記入力層に入力し、前記中間層にて演算し、前記出力層から前記準備画像データについてＨＥＲ２検査の検査結果の推定値を出力するようコンピュータを機能させる学習モデル。

【請求項13】

浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを取得し、
前記学習データを用いて、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データを入力とし、ＨＥＲ２検査の検査結果の推定値を出力とする学習モデルを生成する学習モデル生成方法。

【請求項14】

前記ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、ＩＨＣ法によるスコアを含む、請求項１３に記載の学習モデル生成方法。

【請求項15】

前記ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法によるＨＥＲ２検査の検査結果データと、前記検査済み画像データに対応する乳腺組織検体のうち前記ＩＨＣ法によるスコアが２＋である乳腺組織検体のＩＳＨ法によるＨＥＲ２検査の検査結果データとを含む請求項１３又は１４に記載の学習モデル生成方法。

【請求項16】

非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む不要画像データと、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる検査済み画像データと、前記検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを取得し、
前記学習データを用いて、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データを入力とし、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を前記準備画像データから除いた画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果の推定値を出力とする学習モデルを生成する学習モデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、システム、検査結果推定方法、学習モデル、及び学習モデル生成方法に関する。

【背景技術】

【0002】

乳癌の治療にハーセプチンが用いられることが知られている（たとえば、非特許文献１を参照）。ハーセプチンは、ＨＥＲ２（Human Epidermal Growth Factor Receptor Type 2）遺伝子の細胞外領域ドメインＩＶに特異的に結合するモノクローナル抗体である。ＨＥＲ２遺伝子は、ヒト上皮細胞増殖因子受容体（ＥＧＦＲ：epidermal growth factor receptor）遺伝子と類似の構造を有する癌遺伝子である。ＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現は、乳癌の強力な予後因子であるとされている。このため、ハーセプチンを用いた浸潤性乳癌の治療に先立って、乳癌組織におけるＨＥＲ２遺伝子の増幅又はＨＥＲ２タンパクの過剰発現の状況を確認する検査（以下、「ＨＥＲ２検査」という）がなされている。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】乳がんＨＥＲ２検査病理部会，“ＨＥＲ２検査ガイド 乳癌編 第四版”，２０１４年４月，日本病理学会

【発明の概要】

【発明が解決しようとする課題】

【0004】

乳癌組織におけるＨＥＲ２検査には、免疫組織化学（ＩＨＣ：Immunohistochemistry）法が用いられている。これによって、乳癌組織検体におけるＨＥＲ２タンパクの過剰発現のスコアリングがなされている。このスコアリングの結果に応じて、ＨＥＲ２検査における陰性陽性の判定が行われる。ＨＥＲ２検査において陽性と判定された場合には、ハーセプチンによる治療が行われる。しかしながら、浸潤性乳癌のＨＥＲ２検査では網羅的にＩＨＣ法が施行されるため、たとえ陰性の検体であったとしてもＨＥＲ２検査は比較的高額な費用を要する。また、ＩＨＣ法を用いたスコアリングには、ＨＥＲ２検査の結果報告に比較的長い時間を要する。たとえば、院内検査において検体の提出から結果報告までに、１週間程度の時間を要する。

【0005】

これらの問題を考慮して、ＩＨＣ法を用いずに、乳癌組織検体に対して染色のみが行われた標本について組織学的異型度又は組織型を人が観察することで、ＨＥＲ２検査の検査結果を推定する試みがなされている。この場合、たとえば、検体に対してヘマトキシリン・エオジン（ＨＥ：Hematoxylin-Eosin）染色のみが行われた標本が観察される。たとえば、組織学的異型度が増えるほど、ＨＥＲ２検査における陽性率が高いとされている。たとえば、標本における細胞組織の構造について組織学的異型度又組織型を観察することによって、充実性腺管癌（Solid-tubular carcinoma）、乳頭腺管癌（Papillotubular carcinoma）、硬癌（Scirrhous carcinoma）、及び特殊型に標本を分類する。充実性腺管癌、乳頭腺管癌、及び硬癌の順でＨＥＲ２検査における陽性率が高いとされている。特殊型については、陽性でないと判定される。しかしながら、これらの組織学的異型度又は組織型に基づく検査結果の推定では、十分な精度が得られ難い。

【0006】

本開示は、上記課題に鑑みて為されたものであり、浸潤性乳癌のハーセプチンによる治療に先立って、短期間かつ高精度にＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況を推定できるシステム、検査結果推定方法、学習モデル、及び学習モデル生成方法を提供することを目的とする。

【課題を解決するための手段】

【0007】

本発明の一態様におけるシステムは、対象画像取得部と、推定部とを備える。対象画像取得部は、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データを取得する。推定部は、学習データを用いて学習した推定モデルに、取得された対象画像データを入力し、対象画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する。学習データは、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。

【0008】

本発明の別の態様における検査結果推定方法は、学習データを用いて学習した推定モデルに、対象画像データを入力し、推定モデルからＨＥＲ２検査の検査結果の推定値を取得する。対象画像データは、乳腺組織検体のＨＥ染色標本の画像からなる。学習データは、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。

【0009】

本発明のさらに別の態様における学習モデルは、入力層と、出力層と、中間層とを備える。この学習モデルは、対象画像データを取得し、対象画像データを入力層に入力し、中間層にて演算し、出力層から対象画像データについてＨＥＲ２検査の検査結果の推定値を出力するようコンピュータを機能させる。入力層には、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データが入力される。出力層は、対象画像データに対応する乳腺組織検体についてＨＥＲ２検査の検査結果の推定値を出力する。中間層は、学習データを用いて学習されている。学習データは、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。

【0010】

これらの態様では、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データから、対象画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果が推定される。したがって、浸潤性乳癌のハーセプチンによる治療に先立って、短期間でＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況が推定され得る。上記学習モデルによってＨＥＲ２検査の検査結果の推定を行う場合、人がＨＥ染色標本を観察してＨＥＲ２検査の検査結果を推定する場合よりも極めて高精度に上記検査結果が推定される。

【0011】

本発明のさらに別の態様における学習モデルの生成方法は、学習データを取得し、学習データを用いて、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データを入力とし、ＨＥＲ２検査の検査結果の推定値を出力とする学習モデルを生成する。学習データは、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。

【0012】

この態様では、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データから、対象画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する学習モデルが生成される。このため、浸潤性乳癌のハーセプチンによる治療に先立って、ＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況の推定に要する期間が短縮され得る。この学習モデルによってＨＥＲ２検査の検査結果の推定を行う場合、人がＨＥ染色標本を観察してＨＥＲ２検査の検査結果を推定する場合よりも極めて高精度に上記検査結果が推定される。

【0013】

ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、ＩＨＣ法によるスコアを含んでもよい。この場合、上記検査結果がさらに高精度に推定され得る。

【0014】

ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、検査済み画像データに対応する乳腺組織検体のＩＨＣ法によるＨＥＲ２検査の検査結果データを含んでもよい。さらに、ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、検査済み画像データに対応する乳腺組織検体のうちＩＨＣ法によるスコアが２＋である乳腺組織検体のＩＳＨ法によるＨＥＲ２検査の検査結果データを含んでもよい。この場合、ＩＨＣ法の判定が「equivocal」である検体について、ＩＳＨ法による判定も含めて短期間かつ高精度に検査結果が推定される。

【0015】

上記システムは、準備画像取得部と、画像選択部とをさらに備えてもよい。準備画像取得部は、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データを取得してもよい。画像選択部は、学習データを用いて学習した画像選択モデルに、取得された準備画像データを入力し、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を準備画像データから除いた画像データを対象画像データとして出力してもよい。学習データは、不要画像データと、必要画像データとを含んでもよい。不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含んでもよい。必要画像データは、浸潤性乳癌の組織の画像を含む必要画像データを含んでもよい。

【0016】

上記検査結果推定方法は、準備画像データを取得し、学習データを用いて学習された画像選択モデルに準備画像データを入力し、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を準備画像データから除いた画像データを対象画像データとして画像選択モデルから取得してもよい。準備画像データは、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなってもよい。学習データは、不要画像データと、必要画像データとを含んでもよい。不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含んでもよい。必要画像データは、浸潤性乳癌の組織の画像を含んでもよい。

【0017】

これらの場合、乳腺組織検体のＨＥ染色標本の撮像画像から、より容易に短期間でＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況が推定され得る。

【0018】

本発明のさらに別の態様におけるシステムは、準備画像取得部と、推定部とを備える。準備画像取得部は、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データを取得する。推定部は、学習データを用いて学習した推定モデルに、取得された準備画像データを入力し、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を準備画像データから除いた画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する。学習データは、不要画像データと、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。

【0019】

本発明のさらに別の態様における検査結果推定方法は、学習データを用いて学習した推定モデルに、準備画像データを入力し、準備画像データについてＨＥＲ２検査の検査結果の推定値を推定モデルから取得する。学習データは、不要画像データと、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。準備画像データは、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる。

【0020】

本発明のさらに別の態様における学習モデルは、入力層と、出力層と、中間層とを備える。この学習モデルは、準備画像データを取得し、準備画像データを入力層に入力し、中間層にて演算し、出力層から準備画像データについてＨＥＲ２検査の検査結果の推定値を出力するようコンピュータを機能させる。入力層には、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データが入力される。出力層は、準備画像データに対応する乳腺組織検体についてＨＥＲ２検査の検査結果の推定値を出力する。中間層は、学習データを用いて学習されている。学習データは、不要画像データと、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。

【0021】

これらの態様では、乳腺組織検体のＨＥ染色標本の撮像画像から、準備画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果が推定される。したがって、浸潤性乳癌のハーセプチンによる治療に先立って、容易に短期間でＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況が推定され得る。上記学習データを用いて学習した学習モデルによってＨＥＲ２検査の検査結果の推定を行う場合、人がＨＥ染色標本を観察してＨＥＲ２検査の検査結果を推定する場合よりも極めて高精度に上記検査結果が推定される。

【0022】

本発明のさらに別の態様における学習モデル生成方法は、学習データを取得し、学習データを用いて、準備画像データを入力とし、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を前記準備画像データから除いた画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果の推定値を出力とする学習モデルを生成する。学習データは、不要画像データと、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む。不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。準備画像データは、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる。

【0023】

この態様では、乳腺組織検体のＨＥ染色標本の撮像画像から、準備画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する学習モデルが生成される。このため、浸潤性乳癌のハーセプチンによる治療に先立って、容易に短期間でＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況の推定に要する時間が短縮され得る。この学習モデルによってＨＥＲ２検査の検査結果の推定を行う場合、人がＨＥ染色標本を観察してＨＥＲ２検査の検査結果を推定する場合よりも極めて高精度に上記検査結果が推定される。

【発明の効果】

【0024】

本開示は、上記課題に鑑みて為されたものであり、浸潤性乳癌のハーセプチンによる治療に先立って、短期間かつ高精度にＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況を確認できるシステム、検査結果推定方法、学習モデル、及び学習モデル生成方法を提供する。

【図面の簡単な説明】

【0025】

【図1】実施形態にかかるシステムの概略構成を示す図である。

【図2】ＨＥ染色標本の撮像画像が行列状に分割された状態を示す図である。

【図3】図１のシステムを構成するコンピュータのハードウェア構成を示す図である。

【図4】学習モデルの生成方法を示すフローチャートである。

【図5】学習モデルにおける推定方法を示すフローチャートである。

【図6】本実施形態の変形例にかかるシステムの概略構成を示す図である。

【図7】本実施形態の変形例の学習モデルにおける推定方法を示すフローチャートである。

【発明を実施するための形態】

【0026】

以下、図面を参照しつつ本発明に係るシステムの実施形態について詳細に説明する。なお、図面の説明においては、同一又は相当部分には同一符号を付し、重複する説明を省略する。

【0027】

まず、図１を参照して、本発明の一実施形態にかかるシステム１の機能および構成を説明する。図１に示すシステム１は、浸潤性乳癌のハーセプチン療法に関して、ＩＨＣ法に基づくＨＥＲ２検査の検査結果を推定するコンピュータシステムである。このＨＥＲ２検査は、ハーセプチンを用いた浸潤性乳癌の治療に先立って、乳癌組織におけるＨＥＲ２遺伝子の増幅又はＨＥＲ２タンパクの過剰発現の状況を確認する検査である。システム１は、ＩＨＣ法を用いることなく、乳腺組織検体の染色標本の画像のみからＨＥＲ２検査の検査結果の推定値を出力する。「乳腺組織検体」は、たとえば、乳腺組織の生検検体である。システム１は、染色標本の画像として、ＨＥ染色のみが行われたＨＥ染色標本の画像を用いる。「染色標本」は、免疫染色が行われた標本を含まないが、ＨＥ染色が行われた標本に限定されない。

【0028】

「ＩＨＣ法に基づくＨＥＲ２検査」は、ＩＨＣ法のみによるＨＥＲ２検査と、ＩＨＣ法とｉｎ ｓｉｔｕ ハイブリダイゼーション（ＩＳＨ：in situ hybridization）法とを組み合わせたＨＥＲ２検査とを含む。本実施形態では、システム１は、ＩＨＣ法によるＨＥＲ２検査の検査結果を推定するコンピュータシステムである。ＩＨＣ法によるＨＥＲ２検査では、ＨＥＲ２タンパク過剰発現の判定がなされる。ＩＨＣ法では、ＨＥＲ２タンパク過剰発現が免疫染色された癌細胞の膜における染色性および染色強度によって、３＋，２＋，１＋，０の４種のスコアのうちいずれに当て嵌まるかが判定される。ハーセプチン療法に関するＨＥＲ２検査では、スコアが３＋である場合、ＨＥＲ２検査は「陽性」と判定される。スコアが２＋である場合、ＨＥＲ２検査は「equivocal」と判定される。スコアが１＋及び０である場合、ＨＥＲ２検査は「陰性」と判定される。

【0029】

ＩＨＣ法とＩＳＨ法とを組み合わせたＨＥＲ２検査では、ＩＨＣ法によるＨＥＲ２検査のスコアが２＋である場合、すなわち、「equivocal」と判定された場合に、ＩＳＨ法によるＨＥＲ２検査が行われる。この場合、ＩＨＣ法によるＨＥＲ２検査の判定が「equivocal」であっても、ＩＳＨ法によって、さらに詳細に、ＨＥＲ２検査の「陽性」、「equivocal」、又は「陰性」に判定される。ＩＳＨ法は、ＦＩＳＨ法、ＤＩＳＨ法、ＣＩＳＨ法、ＣＬＩＡ法を含む、ＨＥＲ２遺伝子増幅の検出法の一つである。

【0030】

システム１は、ＨＥＲ２検査の検査結果の推定値を出力するために機械学習を利用する。機械学習とは、与えられた情報に基づいて反復的に学習することで法則又はルールを自律的に見つけ出す手法である。本実施形態では、システム１において行われる機械学習では、学習データを用いた学習によって、活性化関数、重み付け値等のモデルのパラメータが最適化される。これによって、学習モデルが構築される。本実施形態では、システム１は、２つの学習モデルを備えている。

【0031】

システム１において行われる機械学習は、多層パーセプトロン（ＭＬＰ：Multilayer perceptron）によって構成される教師あり学習である。本実施形態では、システム１は、ニューラルネットワークを含むように構成される機械学習を用いる。システム１において行われる機械学習は、教師あり学習に限定されない。システム１において行われる機械学習は、ランダムフォレスト、サポートベクトルマシン、ニューラルネットワーク（ＮＮ）、ディープニューラルネットワーク（ＤＮＮ）などを含むように構成されてもよい。ニューラルネットワークとは、人間の脳神経系の仕組みを模した情報処理モデルをいう。本実施形態のシステム１において用いられるニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ：Convolution Neural Network）である。システム１で用いられるニューラルネットワークの種類はこれに限定されず、例えば、再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）、長短期記憶（ＬＳＴＭ：Long Short―Term Memory）、又は、敵対的生成ネットワーク（ＧＡＮ：Generative Adversarial Network）が用いられてもよい。

【0032】

システム１は、入力された学習データを用いて機械学習を繰り返すことで生成された学習モデルを有している。システム１は、学習モデルに乳腺組織検体のＨＥ染色標本に関する画像を入力し、学習モデルから出力されたＨＥＲ２検査の検査結果の推定値を取得する。したがって、システム１は、ＨＥ染色標本について人が組織学的異型度又は組織型を観察して、ＨＥＲ２検査の検査結果を推定することを要しない。システム１は、学習フェーズにおいて学習モデルを生成し、推定フェーズにおいてＨＥＲ２検査の検査結果の推定値を出力する。

【0033】

システム１における学習モデルは、コンピュータ間において移植できる。したがって、あるコンピュータにおいて生成された学習モデルを、別のコンピュータで用いることができる。システム１における学習モデルは、１つのコンピュータにおいて生成されてもよいし、複数のコンピュータにおいて生成されてもよい。システム１における学習モデルは、１つのコンピュータによって構成されていてもよいし、複数のコンピュータにおいて構築されていてもよい。

【0034】

図１に示されているように、システム１は、準備画像取得部２と、画像選択部３と、対象画像取得部４と、推定部５と、学習制御部６と、推定制御部７とを備えている。準備画像取得部２、画像選択部３、対象画像取得部４、推定部５、学習制御部６、及び推定制御部７は、１つのコンピュータによって構成されていてもよいし、任意の組み合わせで互いに異なる複数のコンピュータによって構成されていてもよい。準備画像取得部２、画像選択部３、対象画像取得部４、推定部５、学習制御部６、及び推定制御部７のそれぞれは、１つのコンピュータによって構成されていてもよいし、複数のコンピュータによって構成されていてもよい。複数のコンピュータを備える場合には、各機能要素は分散処理により実現される。個々のコンピュータの種類は限定されない。例えば、据置型または携帯型のパーソナルコンピュータ（ＰＣ）を用いてもよいし、ワークステーションを用いてもよいし、高機能携帯電話機（スマートフォン）、携帯電話機、携帯情報端末（ＰＤＡ）などの携帯端末を用いてもよい。様々な種類のコンピュータの組み合わせによって、システム１が構築されていてよい。複数台のコンピュータを用いる場合には、これらのコンピュータはインターネットやイントラネットなどの通信ネットワークを介して接続される。

【0035】

図２は、ＨＥ染色標本の撮像画像が行列状に分割された状態を示す図である。準備画像取得部２は、乳腺組織検体のＨＥ染色標本の撮像画像αを取得する。この撮像画像は、システム１の外部から有線通信あるいは無線通信によって取得される。準備画像取得部２において取得される撮像画像αは、乳腺の針生検（ＣＮＢ：core needle biopsy）の標本がＨＥ染色された病理ガラス標本を撮像したデジタル画像である。本実施形態では、上記撮像画像αは、Whole Slide Imaging（ＷＳＩ）装置によって、病理ガラス標本のプレパラート全体が撮像された画像である。

【0036】

準備画像取得部２は、図２に示されているように、ＷＳＩ装置によって撮像された撮像画像αが行列状に分割された複数の画像βからなる準備画像データを取得する。本実施形態では、準備画像取得部２が、ＷＳＩ装置によって撮像された撮像画像αを行列状に分割する。準備画像データは、たとえば、ＷＳＩ装置によって撮像された撮像画像αが２５６×２５６ピクセルに分割された複数の画像βを含む。準備画像取得部２は、上記撮像画像αが分割された画像βからなる準備画像データを外部から取得してもよい。

【0037】

画像選択部３は、準備画像取得部２において取得された準備画像データから、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に必要な複数の画像を選択し、選択された複数の画像を対象画像データとして出力する。本実施形態では、画像選択部３は、予め用意された不要画像データと必要画像データとに基づいて、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に不要な画像を準備画像データから除いた画像データを対象画像データとして出力する。

【0038】

不要画像データは、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に不要な画像データである。不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む。炎症細胞は、たとえば、リンパ球、好中球、好酸球、単球、マクロファージ、及び、形質細胞の少なくとも一つを含む。不要画像データは、上記に加えて、ピントが合っていない画像、変性が大きい組織の画像、色調が所定値よりも濃い画像、色調が所定値よりも薄い画像の少なく一つを含んでいてもよい。必要画像データは、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に必要な画像データである。必要画像データは、浸潤性乳癌の組織の画像を含む。

【0039】

画像選択部３は、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つを含む画像を準備画像データから除いた画像データを対象画像データとして出力する。対象画像データは、浸潤性乳癌の組織の画像を含む複数の画像からなる。

【0040】

画像選択部３は、学習モデル１０を備えている。学習モデル１０は、「画像選択モデル」とも称する。画像選択部３は、学習データを用いて学習した学習モデル１０に準備画像データを入力し、対象画像データを出力する。本実施形態では、学習モデル１０は、教師あり学習の機械学習モデルであり、畳み込みニューラルネットワークである。学習モデル１０は、これに限定されず、教師なし学習による機械学習モデルであってもよい。学習モデル１０は、入力層１１と、中間層１２と、出力層１３と、を備えている。入力層１１は、複数のノードを含む。中間層１２は、それぞれが１つ以上のノードを含む１つ以上の層からなる。中間層１２におけるそれぞれの層は、全結合層（ＦＣ：Fully Connected layer）を含む。この学習モデル１０は、個々のノードの活性化関数、又は個々のノード間の出力における重み付け値等の各種のパラメータによって規定されている。これらのパラメータは、学習フェーズにおいて最適なパラメータに設定されている。学習モデル１０は、準備画像データを準備画像取得部２から取得し、準備画像データを入力層１１に入力して、中間層１２にて演算し、出力層１３から対象画像データを出力するようコンピュータを機能させる。

【0041】

入力層１１は、準備画像取得部２において取得された準備画像データが入力される層である。換言すれば、入力層１１には、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像が入力される。

【0042】

中間層１２は、入力層１１と出力層１３とを接続する隠れ層である。中間層１２には、入力層１１から出力されたデータが入力される。中間層１２において、入力層１１から出力されたデータが変換される。中間層１２から出力されたデータは、出力層１３に入力される。中間層１２は、学習データを用いてパラメータの学習がなされている。中間層１２の学習に用いる学習データは、各々がサンプルとして用意された乳腺組織のＨＥ染色標本の撮像画像である複数の画像からなるサンプル画像データと、各画像が浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に必要であるか否かを示す情報とを含む。例えば、サンプル画像データは、ＨＥＲ２検査において、陽性に判定された乳腺組織検体と、陰性に判定された乳腺組織検体とのそれぞれのＨＥ染色標本のＷＳＩ装置による撮像画像を、行列状に分割した複数の画像を含む。上記学習データは、上述した不要画像データと必要画像データとを含む。

【0043】

出力層１３は、準備画像取得部２から出力された準備画像データから、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に不要な画像データを除いた画像データを対象画像データとして出力する。本実施形態において、出力層１３は、準備画像データから、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つを含む画像を除く。画像選択部３は、出力層１３から出力された対象画像データを出力する。対象画像データは、乳腺組織検体のＨＥ染色標本の画像を含む。

【0044】

対象画像取得部４は、対象画像データを取得する。本実施形態では、対象画像取得部４は、画像選択部３から出力された対象画像データを取得する。対象画像取得部４は、システム１の外部、例えばユーザから直接、対象画像データを取得してもよい。

【0045】

推定部５は、対象画像取得部４において取得された対象画像データから、当該対象画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する。推定部５は、学習モデル２０を備えている。学習モデル２０は、「推定モデル」とも称する。推定部５は、学習データを用いて学習した学習モデル２０に、対象画像データを入力し、ＨＥＲ２検査の検査結果を推定する。

【0046】

本実施形態では、学習モデル２０は、教師あり学習の機械学習モデルであり、畳み込みニューラルネットワークである。学習モデル２０は、入力層２１と、出力層２３と、中間層２２と、を備えている。入力層２１は、複数のノードを含む。中間層２２は、それぞれが１つ以上のノードを含む１つ以上の層からなる。中間層２２におけるそれぞれの層は、全結合層（ＦＣ：Fully Connected layer）を含む。この学習モデル２０は、個々のノードの活性化関数、又は個々のノード間の出力における重み付け値等の各種のパラメータによって規定されている。これらのパラメータは、学習フェーズにおいて最適なパラメータに設定されている。学習モデル２０は、対象画像取得部４から対象画像データを取得し、対象画像データを入力層２１に入力し、中間層２２にて演算し、出力層２３から対象画像データについてＨＥＲ２検査の検査結果の推定値を出力するようコンピュータを機能させる。

【0047】

入力層２１は、対象画像取得部４において取得された対象画像データが入力される層である。換言すれば、入力層２１には、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データが入力される。

【0048】

中間層２２は、入力層２１と出力層２３とを接続する隠れ層である。中間層２２には、入力層２１から出力されたデータが入力される。中間層２２において、入力層２１から出力されたデータが変換される。中間層２２から出力されたデータは、出力層２３に入力される。中間層２２は、学習データを用いてパラメータの学習がなされている。中間層２２の学習に用いる学習データは、検査済み画像データと、当該検査済み画像データに対応するＨＥＲ２検査の検査結果データとを含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。検査済み画像データは、既にＩＨＣ法に基づくＨＥＲ２検査が行われた乳腺組織検体のＨＥ染色標本の画像データである。ＨＥＲ２検査の検査結果データは、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果である。「画像データに対応する乳腺組織検体」とは、当該画像データの各画像が示す乳性組織検体を意味する。

【0049】

本実施形態では、検査済み画像データは、既にＩＨＣ法によるＨＥＲ２検査が行われた乳腺組織検体のＨＥ染色標本の画像データである。ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、検査済み画像データに対応する乳腺組織検体のＩＨＣ法によるＨＥＲ２検査の「陽性」、「equivocal」、又は「陰性」の判定である。本実施形態の変形例として、学習データは、「equivocal」と判定された検体のＨＥ染色標本の画像及び検査結果を含んでいなくてもよい。本実施形態の変形例として、ＩＨＣに基づくＨＥＲ２検査の検査結果データは、ＩＨＣ法によるスコアを含んでもよい。

【0050】

出力層２３は、対象画像データに対応する乳腺組織生体検体について、浸潤性乳癌のハーセプチン療法に関するＨＥＲ２検査の検査結果の推定値を出力する。出力層２３は、ＩＨＣ法に基づくＨＥＲ２検査の検査結果の推定値を出力する。本実施形態では、出力層２３は、ＩＨＣ法によるＨＥＲ２検査の「陽性」、「陰性」又は「不明」の判定を推定値として出力する。

【0051】

学習制御部６は、学習フェーズにおいて、準備画像取得部２、画像選択部３、対象画像取得部４、および推定部５を制御する。学習制御部６は、画像選択部３の学習モデル１０及び推定部５の学習モデル２０の学習を制御する。学習制御部６は、上述した学習データによって、学習モデル１０の中間層１２及び学習モデル２０の中間層２２におけるパラメータを決定させる。学習制御部６は、システム１の外部に配置され、学習フェーズにおいてシステム１に接続されることで、システム１の各機能部、例えば画像選択部３及び推定部５を制御してもよい。学習制御部６は、学習フェーズの終了後に、システム１から除外されてもよい。

【0052】

推定制御部７は、推定フェーズにおいて、準備画像取得部２、画像選択部３、対象画像取得部４、および推定部５を制御する。推定制御部７は、システム１に入力される画像データに基づくＨＥＲ２検査の検査結果の推定を制御する。推定制御部７は、学習モデル１０及び学習モデル２０によって、乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果を推定させる。推定制御部７は、システム１の外部に配置され、推定フェーズにおいてシステム１に接続されることで、システム１の各機能部、例えば画像選択部３及び推定部５を制御してもよい。

【0053】

次に、本実施形態のさらに別の変形例におけるシステムについて説明する。本変形例は、概ね、上述した実施形態と類似又は同じであるが、推定部５の出力層２３がＩＨＣ法とＩＳＨ法とを組み合わせたＨＥＲ２検査の検査結果の推定値を出力する点において相違する。以下、上述した実施形態と変形例との相違点を主として説明する。

【0054】

本変形例では、検査済み画像データは、既にＩＨＣ法とＩＳＨ法との組み合わせによるＨＥＲ２検査が行われた乳腺組織検体のＨＥ染色標本の画像データである。本変形例では、検査済み画像データに対応する乳腺組織検体においてＩＨＣ法によるＨＥＲ２検査のスコアが２＋である場合に、当該乳腺組織検体についてＩＳＨ法によるＨＥＲ２検査が行われている。本変形例では、ＩＳＨ法によるＨＥＲ２検査として、例えば、ＦＩＳＨ法によるＨＥＲ２検査が行われる。この場合、ＩＨＣ法によるＨＥＲ２検査の判定が「equivocal」であっても、ＦＩＳＨ法によって、さらに詳細に、ＨＥＲ２検査の「陽性」、「equivocal」、又は「陰性」に判定される。

【0055】

本変形例では、ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、検査済み画像データに対応する乳腺組織検体のＩＨＣ法とＩＳＨ法とを組み合わせたＨＥＲ２検査の検査結果である。本変形例において、ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、検査済み画像データに対応する乳腺組織検体のＩＨＣ法によるＨＥＲ２検査の検査結果データと、検査済み画像データに対応する乳腺組織検体のうちＩＨＣ法によるスコアが２＋である乳腺組織検体のＩＳＨ法によるＨＥＲ２検査の検査結果データとを含む。本変形例では、ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、ＩＨＣ法とＦＩＳＨ法とを組み合わせたＨＥＲ２検査における「陽性」、「equivocal」、又は「陰性」の判定である。

【0056】

本変形例では、出力層２３は、ＩＨＣ法とＩＳＨ法との組み合わせによるＨＥＲ２検査の検査結果の推定値を出力する。出力層２３は、ＩＨＣ法とＩＳＨ法との組み合わせによるＨＥＲ２検査の「陽性」、「陰性」又は「不明」の判定を推定値として出力する。

【0057】

次に、図３を参照して、システム１のハードウェア構成について説明する。システム１は、コンピュータ１００によって構成されている。コンピュータ１００は、オペレーティングシステムやアプリケーション・プログラムなどを実行する演算装置であるＣＰＵ（プロセッサ）１０１と、ＲＯＭ及びＲＡＭで構成される主記憶部１０２と、ハードディスクやフラッシュメモリなどで構成される補助記憶部１０３と、ネットワークカードあるいは無線通信モジュールで構成される通信制御部１０４と、キーボードやマウスなどの入力装置１０５と、ディスプレイやプリンタなどの出力装置１０６とを備える。当然ながら、搭載されるハードウェアモジュールはコンピュータ１００の種類により異なる。例えば、据置型のＰＣおよびワークステーションは入力装置および出力装置としてキーボード、マウス、およびディスプレイを備えることが多いが、スマートフォンではタッチパネルが入力装置および出力装置として機能することが多い。システム１は、複数のコンピュータによって構築されていてもよい。

【0058】

後述するシステム１の各機能要素は、ＣＰＵ１０１または主記憶部１０２の上に所定のソフトウェアを読み込ませ、ＣＰＵ１０１の制御の下で通信制御部１０４や入力装置１０５、出力装置１０６などを動作させ、主記憶部１０２または補助記憶部１０３におけるデータの読み出し及び書き込みを行うことで実現される。処理に必要なデータやデータベースは主記憶部１０２または補助記憶部１０３内に格納される。

【0059】

次に、図４を参照して、学習モデル１０，２０の生成方法、すなわち学習フェーズについて説明する。図４は、学習モデル１０，２０の生成方法の一例を示すフローチャートである。学習フェーズでは、学習制御部６によって準備画像取得部２、画像選択部３、対象画像取得部４、及び推定部５が制御される。学習フェーズが開始されると、学習制御部６は、学習データの一部が取得されるように制御を実行する（ステップＳ１）。次に、学習制御部６は、取得された学習データに基づいて学習処理を実行する（ステップＳ２）。次に、学習制御部６は、学習フェーズを終了するか否かを判定する（ステップＳ３）。たとえば、学習制御部６は、新たに取得する学習データがない場合に、学習フェーズを終了すると判定する。学習制御部６が学習フェーズを終了しないと判定した場合（ステップＳ３のＮＯ）は、ステップＳ１に処理を進める。学習制御部６が学習フェーズを終了すると判定した場合（ステップＳ３のＹＥＳ）は、学習フェーズを終了する。学習制御部６は、ステップＳ１〜ステップＳ３を、学習モデル１０，２０のそれぞれの生成において行う。

【0060】

次に、学習モデル１０の生成方法の一例について説明する。学習モデル１０の生成では、ステップＳ１において、準備画像取得部２が学習データを取得する。準備画像取得部２において取得された学習データは、ステップＳ１が実行される毎に、画像選択部３に逐次入力される。

【0061】

準備画像取得部２によって取得される学習データは、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に不要な不要画像データと、当該推定に必要な必要画像データとを含む。学習フェーズにおいて準備画像取得部２によって取得される不要画像データ及び必要画像データは、各々がサンプルとして用意された乳腺組織のＨＥ染色標本の撮像画像である複数の画像からなるサンプル画像データである。本実施形態では、準備画像取得部２によって取得される学習データは、サンプル画像データと、当該サンプル画像データの各画像が浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に必要であるか否かを示す情報とを含む。サンプル画像データの各画像は、推定フェーズにおいて準備画像取得部２によって取得される分割画像と同一の縮尺である。「同一」には、誤差の範囲が含まれる。

【0062】

学習モデル１０の学習フェーズでは、サンプル画像のうち１つの画像と、当該画像が浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に必要であるか否かを示す情報とが１セットで扱われる。準備画像取得部２は、ステップＳ１が実行される毎に当該１セットを取得する。例えば、準備画像取得部２は、取得された画像が必要画像データである場合には、当該画像と共にこの画像がＨＥＲ２検査の検査結果の推定に必要であることを示す情報を取得する。準備画像取得部２は、取得された画像が不要画像データである場合には、当該画像と共にこの画像がＨＥＲ２検査の検査結果の推定に不要であることを示す情報を取得する。

【0063】

画像選択部３の中間層１２は、ステップＳ２において、取得された上記画像と当該画像に対応する上記情報とに基づいてパラメータを更新することで学習処理を行う。例えば、入力層１１に上記画像が入力された場合における出力層１３の出力と当該画像に対応する上記情報とが比較され、出力層１３の出力と当該画像に対応する上記情報とが一致するように中間層１２のパラメータが更新される。ステップＳ１とステップＳ２とが繰り返されることによって、学習モデル１０が生成される。

【0064】

次に、学習モデル２０の生成方法の一例について説明する。学習モデル２０の生成では、ステップＳ１において、対象画像取得部４が学習データを取得する。取得された学習データは、ステップＳ１が実行される毎に、推定部５に逐次入力される。対象画像取得部４によって取得される学習データは、検査済み画像データと、当該検査済み画像データに対応するＨＥＲ２検査の検査結果データとを含む。この検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。検査済み画像データは、既にＩＨＣ法に基づくＨＥＲ２検査が行われた乳腺組織検体のＨＥ染色標本の画像データである。本実施形態では、検査済み画像データに対応するＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、ＩＨＣ法によるＨＥＲ２検査の「陽性」、「ｅｑｕｉｖｏｃａｌ」、及び「陰性」の判定である。本実施形態の変形例として、当該検査結果データは、ＩＨＣ法によるＨＥＲ２検査のスコアであってもよいし、ＩＨＣ法とＩＳＨ法とを組み合わせたＨＥＲ２検査の「陽性」、「ｅｑｕｉｖｏｃａｌ」、及び「陰性」の判定であってもよい。

【0065】

学習モデル２０の学習フェーズでは、検査済み画像データのうち１つの画像と、当該画像の乳癌組織生体検体におけるＨＥＲ２検査の検査結果とが１セットで扱われる。対象画像取得部４は、ステップＳ１が実行される毎に当該１セットを取得する。本実施形態では、対象画像取得部４によって取得される検査済み画像データは、ＩＨＣ法によるＨＥＲ２検査において、陽性と判定された乳性組織検体の浸潤性乳癌組織の画像１４０００枚と、陰性と判定された乳性組織検体の浸潤性乳癌組織の画像１４０００枚とを含む。対象画像取得部４によって取得された検査済み画像データが含む画像の枚数は、上記に限らない。当該画像の枚数は、陽性と判定された乳性組織検体の浸潤性乳癌組織と陰性と判定された乳性組織検体の浸潤性乳癌組織とのそれぞれについて、たとえば、数千枚〜数十万枚であってもよい。

【0066】

推定部５の中間層２２は、ステップＳ２において、取得された上記画像と当該画像に対応するＨＥＲ検査の検査結果とに基づいてパラメータを更新することで学習処理を行う。例えば、入力層２１に上記画像が入力された場合における出力層２３の出力と当該画像に対応する上記検査結果とが比較され、出力層２３の出力と当該画像に対応する上記検査結果とが一致するように中間層２２のパラメータが更新される。ステップＳ１とステップＳ２とが繰り返されることによって、学習モデル２０が生成される。

【0067】

次に、図５を参照しながら、システム１によるＨＥＲ２検査の検査結果の推定処理、すなわち推定フェーズについて説明する。図５は、ＨＥＲ２検査の検査結果の推定処理の一例を示すフローチャートである。推定フェーズでは、推定制御部７によって、準備画像取得部２、画像選択部３、対象画像取得部４、および推定部５が制御される。

【0068】

推定フェーズが開始されると、準備画像取得部２が、乳腺組織検体のＨＥ染色標本の撮像画像を取得する（ステップＳ１１）。本実施形態では、上記撮像画像は、ＷＳＩ装置によって、ＨＥ染色された病理ガラス標本のプレパラート全体が撮像された画像である。次に、準備画像取得部２は、ＷＳＩ装置によって撮像された撮像画像を行列状に分割して、準備画像データを取得する（ステップＳ１２）。準備画像データは、撮影画像が行列状に分割された複数の画像からなる。

【0069】

次に、画像選択部３が、準備画像データから不要な画像データを除外する（ステップＳ１３）。画像選択部３は、学習モデル１０に、準備画像データを入力する。これによって、画像選択部３は、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に不要な画像データを準備画像データから除いた画像データを学習モデル１０から取得する。画像選択部３は、学習モデル１０から取得したデータを対象画像データとして出力する。画像選択部３は、準備画像データのうち、ＨＥ染色標本における浸潤性乳癌の組織の画像データを学習モデル１０から取得する。画像選択部３は、準備画像データを癌組織の画像データと非癌組織の画像データとに分類した後に、癌組織の画像データから非浸潤性乳癌の組織の画像データを除いた画像データを取得してもよい。

【0070】

次に、対象画像取得部４が、画像選択部３から出力された対象画像データを取得する（ステップＳ１４）。対象画像取得部４は、システム１の外部、例えばユーザから直接、対象画像データを取得してもよい。本実施形態では、対象画像取得部４は、対象画像データとして、ＨＥ染色標本における浸潤性乳癌の組織の画像１０枚を取得する。

【0071】

次に、推定部５が、対象画像取得部４において取得された対象画像データからＨＥＲ２検査の検査結果を推定する（ステップＳ１５）。推定部５は、学習モデル２０に、対象画像データを入力する。これによって、推定部５は、対象画像データの乳腺組織生体検体について、ＩＨＣ法に基づくＨＥＲ２検査の検査結果の推定値を学習モデル２０から取得する。本実施形態では、推定部５は、ＩＨＣ法によるＨＥＲ２検査の検査結果の推定値を出力する。本実施形態では、推定部５は、上記推定値として、「陽性」、「陰性」、又は「不明」を出力する。例えば、推定値が「陰性」である場合には、ハーセプチン療法は適用されない。例えば、推定値が「陽性」である場合には、ハーセプチン療法が適用される。推定値が「陽性」である場合に、さらに、ＩＳＨ法によってＨＥＲ２検査を行ってもよい。例えば、推定値が「不明」である場合には、従来のようにＩＨＣ法などによるＨＥＲ２検査を実際に行う。

【0072】

本実施形態の変形例として、上述した学習フェーズにおける検査結果データをＩＨＣ法とＩＳＨ法とを組み合わせたＨＥＲ２検査の検査結果とし、推定部５が、ＩＨＣ法とＩＳＨ法とを組み合わせたＨＥＲ２検査の検査結果の推定値を出力してもよい。この場合も、推定部５は、上記推定値として、「陽性」、「陰性」、又は「不明」を出力してもよい。

【0073】

次に、図４、図６、及び図７を参照して、本実施形態の変形例におけるシステムについて説明する。図６は、本実施形態の変形例にかかるシステムの概略構成を示す図である。図７は、本変形例のシステムの学習モデルにおける推定方法を示すフローチャートである。本変形例は、概ね、上述した実施形態と類似又は同じである。以下、上述した実施形態と変形例との相違点を主として説明する。

【0074】

上述した実施形態において、システム１が、画像選択部３と推定部５において、２つの学習モデル１０，２０を有している構成について説明した。本変形例では、システム１Ａは、１つの学習モデルによって、ＨＥＲ２検査の検査結果を推定する。システム１Ａは、図７に示されているように、準備画像取得部２、推定部５、学習制御部６、および推定制御部７を備えている。システム１Ａでは、画像選択部３及び対象画像取得部４の機能が推定部５に含まれている。本変形例において、推定部５は、準備画像取得部２において取得された準備画像データから、ＨＥＲ２検査の検査結果を推定する。

【0075】

本変形例において、推定部５は、学習モデル２０でなく、学習モデル３０を有する。学習モデル３０は、「推定モデル」とも称する。推定部５は、学習データを用いて学習した学習モデル３０に、準備画像データを入力し、ＨＥＲ２検査の検査結果を推定する。学習制御部６は、推定部５の学習モデル３０の学習を制御する。推定制御部７は、システム１Ａに入力される画像データに基づくＨＥＲ２検査の検査結果の推定を制御する。

【0076】

学習モデル３０は、入力層３１と、出力層３３と、中間層３２とを備えている。入力層３１は、複数のノードを含む。中間層３２は、それぞれが１つ以上のノードを含む１つ以上の層からなる。中間層３２におけるそれぞれの層は、全結合層（ＦＣ：Fully Connected layer）を含む。この学習モデル３０は、個々のノードの活性化関数、又は個々のノード間の出力における重み付け値等の各種のパラメータによって規定されている。これらのパラメータは、学習フェーズにおいて最適なパラメータに設定されている。学習モデル３０は、分割された複数の画像からなる準備画像データを準備画像取得部２から取得する。学習モデル３０は、準備画像データを入力層３１に入力して、中間層３２にて演算し、出力層３３から準備画像データについてＨＥＲ２検査の検査結果の推定値を出力するようコンピュータを機能させる。

【0077】

入力層３１は、準備画像取得部２において取得された準備画像データが入力される層である。換言すれば、入力層３１には、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像が入力される。

【0078】

中間層３２は、入力層３１と出力層３３とを接続する隠れ層である。中間層３２には、入力層３１から出力されたデータが入力される。中間層３２において、入力層３１から出力されたデータが変換される。中間層３２から出力されたデータは、出力層３３に入力される。中間層３２は、学習データに基づいてパラメータの学習がなされている。中間層３２の学習に用いる学習データは、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に不要な不要画像データと、検査済み画像データと、当該検査済み画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果データとを含む。本変形例では、不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つを含む画像である。不要画像データは、ピントが合っていない画像、変性が大きい組織の画像、色調が所定値よりも濃い画像、及び色調が所定値よりも薄い画像を含んでいてもよい。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。

【0079】

出力層３３は、準備画像データの乳腺組織生体検体について、浸潤性乳癌のハーセプチン療法に関するＨＥＲ２検査の検査結果の推定値を出力する。出力層３３は、出力層２３と同様に、ＩＨＣ法に基づくＨＥＲ２検査の検査結果の推定値を出力する。

【0080】

本変形例では、推定部５は、不要画像データと、検査済み画像データと、検査済み画像データに対応する乳腺組織検体のＩＨＣ法に基づくＨＥＲ２検査の検査結果データとを含む学習データを用いて学習した学習モデル３０に、準備画像データを入力する。これよって、推定部５は、準備画像データの乳腺組織検体についてＩＨＣ法に基づくＨＥＲ２検査の検査結果の推定値を学習モデル３０から取得する。例えば、不要画像データが非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を含む場合には、推定部５は、学習モデル３０によってＨＥＲ２検査の検査結果を推定してもよい。この場合、推定部５は、学習モデル３０によって、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を準備画像データから除いた画像データに対応する乳腺組織生体検体のＨＥＲ２検査の検査結果を推定してもよい。

【0081】

学習モデル３０の学習フェーズでは、学習モデル３０は、学習モデル１０，２０と同様に、例えば図４に示したフローチャートにおけるステップＳ１〜Ｓ３を実行することによって生成される。学習モデル３０の生成では、準備画像取得部２が学習データを取得する。取得された学習データは、ステップＳ１が実行される毎に、推定部５に逐次入力される。

【0082】

準備画像取得部２によって取得される学習データは、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に不要な不要画像データと、検査済み画像データと、当該検査済み画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果データとを含む。検査済み画像データは、浸潤性乳癌に関して既に病理診断された乳腺組織検体のＨＥ染色標本の画像からなる。したがって、検査済み画像データは、浸潤性乳癌におけるＨＥＲ２検査の検査結果の推定に必要な必要画像データに相当する。検査済み画像データは、既にＩＨＣ法に基づくＨＥＲ２検査が行われた乳腺組織検体のＨＥ染色標本の画像データである。

【0083】

学習フェーズにおいて準備画像取得部２によって取得される不要画像データ及び検査済み画像データは、各々がサンプルとして用意された乳腺組織のＨＥ染色標本の撮像画像である複数の画像からなるサンプル画像データである。本変形例では、準備画像取得部２によって取得される学習データは、サンプル画像データと、当該サンプル画像データの各画像に関して浸潤性乳癌におけるＨＥＲ２検査の検査結果を示す情報とを含む。学習フェーズにおいて準備画像取得部２によって取得される各画像は、推定フェーズにおいて準備画像取得部２によって取得される分割画像と同一の縮尺である。

【0084】

学習モデル３０の学習フェーズでは、サンプル画像のうち１つの画像と、当該画像に関して浸潤性乳癌におけるＨＥＲ２検査の検査結果を示す情報とが１セットで扱われる。準備画像取得部２は、ステップＳ１が実行される毎に当該１セットを取得する。例えば、準備画像取得部２は、取得された画像が検出済み画像データである場合には、当該画像と共にこの画像の乳癌組織生体検体におけるＩＨＣ法に基づくＨＥＲ２検査の検査結果を示す情報を取得する。準備画像取得部２は、取得された画像が不要画像データである場合には、当該画像と共にＨＥＲ２検査の検査結果を有さないことを示す情報を取得する。

【0085】

推定部５の中間層３２は、ステップＳ２において、取得された上記画像と当該画像に対応するＨＥＲ検査の検査結果とに基づいてパラメータを更新することで学習処理を行う。例えば、入力層３１に上記画像が入力された場合における出力層３３の出力と当該画像に対応する上記検査結果とが比較され、出力層３３の出力と当該画像に対応する上記検査結果とが一致するように中間層３２のパラメータが更新される。ステップＳ１とステップＳ２とが繰り返されることによって、学習モデル３０が生成される。

【0086】

次に、図７を参照しながら、本変形例におけるシステム１によるＨＥＲ２検査の検査結果の推定処理、すなわち推定フェーズについて説明する。推定フェーズは、推定制御部７によって制御される。

【0087】

推定フェーズが開始されると、準備画像取得部２が、乳腺組織検体のＨＥ染色標本の撮像画像を取得する（ステップＳ２１）。次に、準備画像取得部２は、ＷＳＩ装置によって撮像された撮像画像を行列状に分割し、準備画像データを取得する（ステップＳ２２）。準備画像データは、撮影画像が行列状に分割された複数の画像からなる。

【0088】

次に、推定部５が、準備画像データに基づいて、ＨＥＲ２検査の検査結果を推定する（ステップＳ２３）。推定部５は、学習モデル３０に、準備画像データを入力する。これによって、推定部５は、準備画像データについて、ＩＨＣ法に基づくＨＥＲ２検査の検査結果の推定値を学習モデル３０から取得する。本変形例では、推定部５は、ＩＨＣ法によるＨＥＲ２検査の検査結果の推定値を出力する。本変形例では、推定部５は、上記推定値として、「陽性」、「陰性」、又は「不明」を出力する。例えば、推定値が「陰性」である場合には、ハーセプチン療法は適用されない。例えば、推定値が「陽性」である場合には、ハーセプチン療法が適用される。推定値が「陽性」である場合に、さらに、ＩＳＨ法によってＨＥＲ２検査を行ってもよい。例えば、推定値が「不明」である場合には、従来のようにＩＨＣ法などによるＨＥＲ２検査を実際に行う。

【0089】

本実施形態の変形例として、上述した学習フェーズにおける検査結果データをＩＨＣ法とＩＳＨ法とを組み合わせたＨＥＲ２検査の検査結果とし、推定部５が、ＩＨＣ法とＩＳＨ法とを組み合わせたＨＥＲ２検査の検査結果の推定値を出力してもよい。この場合も、推定部５は、上記推定値として、「陽性」、「陰性」、又は「不明」を出力してもよい。

【0090】

以上説明した実施形態に係るシステム１、検査結果推定方法、および学習モデル２０によれば、乳腺組織検体のＨＥ染色標本の画像からなる対象画像データから、対象画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果が推定される。したがって、浸潤性乳癌のハーセプチンによる治療に先立って、短期間でＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況が推定され得る。学習モデル２０によってＨＥＲ２検査の検査結果の推定を行う場合、人がＨＥ染色標本を観察してＨＥＲ２検査の検査結果を推定する場合よりも極めて高精度に上記検査結果が推定される。

【0091】

上述した変形例では、ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、ＩＨＣ法によるスコアを含む。この場合、上記検査結果がさらに高精度に推定され得る。

【0092】

上述した実施形態では、ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、検査済み画像データに対応する乳腺組織検体のＩＨＣ法によるＨＥＲ２検査の検査結果データを含む。さらに、ＩＨＣ法に基づくＨＥＲ２検査の検査結果データは、検査済み画像データに対応する乳腺組織検体のうちＩＨＣ法によるスコアが２＋である乳腺組織検体のＩＳＨ法によるＨＥＲ２検査の検査結果データを含む。この場合、ＩＨＣ法の判定が「equivocal」である検体について、ＩＳＨ法による判定も含めて短期間かつ高精度に検査結果が推定される。

【0093】

上述した実施形態においてシステム１は、準備画像取得部２と、画像選択部３とをさらに備えている。準備画像取得部２は、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる準備画像データを取得する。画像選択部３は、学習データを用いて学習した学習モデル１０に、取得された準備画像データを入力し、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を準備画像データから除いた画像データを対象画像データとして出力する。学習データは、不要画像データと、必要画像データとを含む。不要画像データは、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織及び炎症細胞のうち少なくとも一つの画像を含む。必要画像データは、浸潤性乳癌の組織の画像を含む必要画像データを含む。

【0094】

上述した実施形態において検査結果推定方法は、準備画像データを取得し、学習データを用いて学習された学習モデル１０に準備画像データを入力し、非浸潤性乳癌の組織、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞のうち少なくとも一つを含む画像を準備画像データから除いた画像データを対象画像データとして画像選択モデルから取得する。準備画像データは、乳腺組織検体のＨＥ染色標本の撮像画像が行列状に分割された複数の画像からなる。学習データは、不要画像データと、必要画像データとを含む。

【0095】

これらの場合、乳腺組織検体のＨＥ染色標本の撮像画像から、より容易に短期間でＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況が推定され得る。

【0096】

上述した変形例においてシステム１Ａ、検査結果推定方法、および学習モデル３０は、乳腺組織検体のＨＥ染色標本の撮像画像から、準備画像データに対応する乳腺組織検体のＨＥＲ２検査の検査結果を推定する。したがって、浸潤性乳癌のハーセプチンによる治療に先立って、より容易に短期間でＨＥＲ２遺伝子の増幅及びＨＥＲ２タンパクの過剰発現の状況が推定され得る。上記学習データを用いて学習した学習モデル３０によってＨＥＲ２検査の検査結果の推定を行う場合、人がＨＥ染色標本を観察してＨＥＲ２検査の検査結果を推定する場合よりも極めて高精度に上記検査結果が推定される。

【0097】

以上、本発明の実施形態及び変形例について説明してきたが、本発明は必ずしも上述した実施形態及び変形例に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。

【0098】

例えば、画像選択部３は、準備画像データを癌組織と非癌組織とに分類した後に、癌組織と分類された複数の画像から、ＨＥＲ２検査の検査結果の推定に適切な画像を選択してもよい。例えば、画像選択部３は、癌組織と分類された複数の画像から、ＨＥＲ２検査の検査結果の推定に不適切な画像を削除してもよい。非癌組織は、例えば、正常乳腺組織、間質組織、脂肪組織、及び炎症細胞を含む。ＨＥＲ２検査の検査結果の推定に不適切な画像は、例えば、ピントが合っていない画像、変性が大きい組織の画像、色調が所定値よりも濃い画像、色調が所定値よりも薄い画像、及び非浸潤性乳癌の組織の画像の少なくとも一つを含む。

【0099】

癌組織と非癌組織との分類とＨＥＲ２検査の検査結果の推定に適切な画像の選択との一方が、学習モデル１０によって処理され、他方がシステム１の外部で処理されてもよい。例えば、画像選択部３は、学習モデル１０によって準備画像データを癌組織と非癌組織とに分類し、癌組織と分類された複数の画像からＨＥＲ２検査の検査結果の推定に適切又は不適切な画像をユーザに選択させてもよい。この場合、学習制御部６は、予め用意された癌組織の画像データと非癌組織の画像データとを学習データとして学習モデル１０を生成する。画像選択部３は、ユーザに選択された又は選択されなかった画像を、ＨＥＲ２検査の検査結果の推定に適切又は不適切な画像として取得してもよい。

【0100】

学習モデル１０が２つの学習モデルを含んでもよい。この場合、癌組織と非癌組織との分類と、ＨＥＲ２検査の検査結果の推定に適切な画像の選択とが互いに異なる学習モデルによって行われてもよい。

【0101】

上述した実施形態および変形例では、システム１が学習モデル１０，２０を有し、システム１Ａが学習モデル３０を有する例を説明した。しかし、学習モデル１０，２０，３０は、システム１，１Ａの外部にあってもよい。

【0102】

準備画像取得部２及び対象画像取得部４は、学習フェーズにおいて、画像の水増し（Data Augmentation）を行ってもよい。例えば、学習モデル１０の生成において、準備画像取得部２は、サンプル画像データに対して上記水増しを行うことで学習データを生成し、当該学習データを画像選択部３に入力してもよい。学習モデル２０の生成において、対象画像取得部４は、検査済み画像データに対して上記水増しを行うことで学習データを生成し、当該学習データを推定部５に入力してもよい。学習モデル３０の生成において、準備画像取得部２は、サンプル画像データに対して上記水増しを行うことで学習データを生成し、当該学習データを推定部５に入力してもよい。

【符号の説明】

【0103】

１，１Ａ…システム、２…準備画像取得部、３…画像選択部、４…対象画像取得部、５…推定部、１０，２０，３０…学習モデル、１１，２１，３１…入力層、１３，２３，３３…出力層、１２，２２，３２…中間層、１００…コンピュータ。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】