特開 2022-102759 機械学習実行プログラム、ドライアイ検査プログラム、機械学習実行装置及びドライアイ検査装置

(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】P2022102759

(43)【公開日】2022-07-07

(54)【発明の名称】機械学習実行プログラム、ドライアイ検査プログラム、機械学習実行装置及びドライアイ検査装置

(51)【国際特許分類】

   A61B 3/10 20060101AFI20220630BHJP

【ＦＩ】

A61B3/10

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2020217685

(22)【出願日】2020-12-25

(71)【出願人】

【識別番号】000006769

【氏名又は名称】ライオン株式会社

(74)【代理人】

【識別番号】100165179

【弁理士】

【氏名又は名称】田▲崎▼ 聡

(74)【代理人】

【識別番号】100152272

【弁理士】

【氏名又は名称】川越 雄一郎

(74)【代理人】

【識別番号】100153763

【弁理士】

【氏名又は名称】加藤 広之

(72)【発明者】

【氏名】吉田 雅貴

(72)【発明者】

【氏名】宮崎 汐理

(72)【発明者】

【氏名】長谷川 誠

【テーマコード（参考）】

4C316

【Ｆターム（参考）】

4C316AA02

4C316AA03

4C316AA25

4C316AB01

4C316AB16

4C316FB05

4C316FB12

4C316FB21

4C316FB26

4C316FB27

4C316FY10

(57)【要約】

【課題】ドライアイの症状に関する検査を実際に実施することなく、ドライアイの症状に関する検査の結果を予測すること。
【解決手段】機械学習実行プログラムは、学習用被検体の目を照らしている光よりも色温度が低い光で当該目が照らされていると仮定した場合における当該目を描出している学習用画像を示す学習用画像データを問題とし、当該目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得し、機械学習プログラムを教師データにより学習させる。ドライアイ検査プログラムは、推論用被検体の目を照らしている光よりも色温度が低い光で当該目が照らされていると仮定した場合における当該目を描出している推論用画像を示す推論用画像データを取得し、学習済みの機械学習プログラムに、推論用被検体の目に現れているドライアイの症状を推定させ、推定した結果を示す症状データを出力させる。
【選択図】図２

【特許請求の範囲】

【請求項1】

学習用被検体の目を照らしている光よりも色温度が低い光で前記学習用被検体の目が照らされていると仮定した場合における前記学習用被検体の目を描出している学習用画像を示す学習用画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得する教師データ取得機能と、
前記教師データを機械学習プログラムに入力し、前記機械学習プログラムを学習させる機械学習実行機能と、
をコンピュータに実行させる機械学習実行プログラム。

【請求項2】

前記教師データ取得機能は、前記学習用画像から前記学習用被検体の目の角膜の少なくとも一部を描出している領域を切り出した学習用角膜画像を示す学習用角膜画像データを問題とする前記教師データを取得する、
請求項１に記載の機械学習実行プログラム。

【請求項3】

推論用被検体の目を照らしている光よりも色温度が低い光で前記推論用被検体の目が照らされていると仮定した場合における前記推論用被検体の目を描出している推論用画像を示す推論用画像データを取得するデータ取得機能と、
学習用被検体の目を照らしている光よりも色温度が低い光で前記学習用被検体の目が照らされていると仮定した場合における前記学習用被検体の目を描出している学習用画像を示す学習用画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを使用して学習した機械学習プログラムに前記推論用画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させ、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる症状推定機能と、
をコンピュータに実現させるドライアイ検査プログラム。

【請求項4】

前記データ取得機能は、前記推論用画像から前記推論用被検体の目の角膜の少なくとも一部を描出している領域を切り出した推論用角膜画像を示す推論用角膜画像データを更に取得し、
前記症状推定機能は、前記学習用画像から前記学習用被検体の目の角膜の少なくとも一部を描出している領域を切り出した学習用角膜画像を示す学習用角膜画像データを問題とする教師データを使用して学習した前記機械学習プログラムに前記推論用角膜画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させる、
請求項３に記載のドライアイ検査プログラム。

【請求項5】

学習用被検体の目を照らしている光よりも色温度が低い光で前記学習用被検体の目が照らされていると仮定した場合における前記学習用被検体の目を描出している学習用画像を示す学習用画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得する教師データ取得部と、
前記教師データを機械学習プログラムに入力し、前記機械学習プログラムを学習させる機械学習実行部と、
を備える機械学習実行装置。

【請求項6】

推論用被検体の目を照らしている光よりも色温度が低い光で前記推論用被検体の目が照らされていると仮定した場合における前記推論用被検体の目を描出している推論用画像を示す推論用画像データを取得するデータ取得部と、
学習用被検体の目を照らしている光よりも色温度が低い光で前記学習用被検体の目が照らされていると仮定した場合における前記学習用被検体の目を描出している学習用画像を示す学習用画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを使用して学習した機械学習プログラムに前記推論用画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させ、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる症状推定部と、
をコンピュータに実現させるドライアイ検査装置。

【請求項7】

学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示す学習用角膜画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得する教師データ取得機能と、
前記教師データを機械学習プログラムに入力し、前記機械学習プログラムを学習させる機械学習実行機能と、
をコンピュータに実行させる機械学習実行プログラム。

【請求項8】

推論用被検体の目の角膜の少なくとも一部を描出している推論用角膜画像を示す推論用角膜画像データを取得するデータ取得機能と、
学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示す学習用角膜画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを使用して学習した機械学習プログラムに前記推論用角膜画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させ、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる症状推定機能と、
をコンピュータに実現させるドライアイ検査プログラム。

【請求項9】

学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示す学習用角膜画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得する教師データ取得部と、
前記教師データを機械学習プログラムに入力し、前記機械学習プログラムを学習させる機械学習実行部と、
を備える機械学習実行装置。

【請求項10】

推論用被検体の目の角膜の少なくとも一部を描出している推論用角膜画像を示す推論用角膜画像データを取得するデータ取得部と、
学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示す学習用角膜画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを使用して学習した機械学習プログラムに前記推論用角膜画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させ、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる症状推定部と、
を備えるドライアイ検査装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習実行プログラム、ドライアイ検査プログラム、機械学習実行装置及びドライアイ検査装置に関する。

【背景技術】

【0002】

現在、特に先進国において、パーソナルコンピュータ、スマーフォン、タブレット等、ディスプレイが搭載されている電子機器が広く普及しているため、目の不調を自覚する人が急激に増加している。更に、インターネットを介したオンラインサービスの増加、テレワークを推進する企業の増加等により、目の不調を自覚する人の数が更に増加していくと予想される。

【0003】

このような生活習慣により比較的頻繁に引き起こされる目の不調の一例として、マイボーム腺機能不全に起因するドライアイが挙げられる。また、４０歳以上の人の約７０％がマイボーム腺機能不全を患っているという研究報告もあり、目の健康を維持する上でマイボーム腺機能不全に対するケアが重要である。

【0004】

例えば、マイボーム腺機能不全の有無や程度を検査するためには、眼科医が光干渉計を使用して涙液油層の厚みを評価する必要がある。或いは、特許文献１に開示されている眼科診断支援装置を使用した診察を受ける必要がある。

【0005】

この眼科診断支援装置は、症例データ格納部と、機械学習部と、患者データ取得部と、対比判定部と、結果表示部とを備える。症例データ格納部は、眼科診断画像データと診断結果との組み合わせからなる複数の症例基礎画像データを格納する。機械学習部は、特徴画像要素を抽出するとともに症例基礎画像データを分類する。患者データ取得部は、患者の患者眼科診断画像データを取得する。対比判定部は、患者眼科診断画像データと症例基礎画像データとを対比し、データ同士の類似性判定を実行する。結果表示部は、類似性判定の結果を表示する。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特開２０２０－０３６８３５号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

しかしながら、上述した眼科診断支援装置は、医療機関で使用される検査機器を使用して眼科診断データを取得する必要があるため、目の不調を自覚している人のドライアイの有無や程度を簡易に検査することができない。

【0008】

本発明は、上述した事情に鑑みてなされたものであり、ドライアイの症状に関する検査を実際に実施することなく、ドライアイの症状に関する検査の結果を予測することができる機械学習実行プログラム、ドライアイ検査プログラム、機械学習実行装置及びドライアイ検査装置を提供しようとするものである。

【課題を解決するための手段】

【0009】

本発明の一態様は、学習用被検体の目を照らしている光よりも色温度が低い光で前記学習用被検体の目が照らされていると仮定した場合における前記学習用被検体の目を描出している学習用画像を示す学習用画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得する教師データ取得機能と、前記教師データを機械学習プログラムに入力し、前記機械学習プログラムを学習させる機械学習実行機能と、をコンピュータに実行させる機械学習実行プログラムである。

【0010】

本発明の一態様は、上述した機械学習実行プログラムであって、前記教師データ取得機能が、前記学習用画像から前記学習用被検体の目の角膜の少なくとも一部を描出している領域を切り出した学習用角膜画像を示す学習用角膜画像データを問題とする前記教師データを取得する。

【0011】

本発明の一態様は、推論用被検体の目を照らしている光よりも色温度が低い光で前記推論用被検体の目が照らされていると仮定した場合における前記推論用被検体の目を描出している推論用画像を示す推論用画像データを取得するデータ取得機能と、学習用被検体の目を照らしている光よりも色温度が低い光で前記学習用被検体の目が照らされていると仮定した場合における前記学習用被検体の目を描出している学習用画像を示す学習用画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを使用して学習した機械学習プログラムに前記推論用画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させ、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる症状推定機能と、をコンピュータに実現させるドライアイ検査プログラムである。

【0012】

本発明の一態様は、上述したドライアイ検査プログラムであって、前記データ取得機能が、記推論用画像から前記推論用被検体の目の角膜の少なくとも一部を描出している領域を切り出した推論用角膜画像を示す推論用角膜画像データを更に取得し、前記症状推定機能が、記学習用画像から前記学習用被検体の目の角膜の少なくとも一部を描出している領域を切り出した学習用角膜画像を示す学習用角膜画像データを問題とする教師データを使用して学習した前記機械学習プログラムに前記推論用角膜画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させる。

【0013】

本発明の一態様は、学習用被検体の目を照らしている光よりも色温度が低い光で前記学習用被検体の目が照らされていると仮定した場合における前記学習用被検体の目を描出している学習用画像を示す学習用画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得する教師データ取得部と、前記教師データを機械学習プログラムに入力し、前記機械学習プログラムを学習させる機械学習実行部と、を備える機械学習実行装置である。

【0014】

本発明の一態様は、推論用被検体の目を照らしている光よりも色温度が低い光で前記推論用被検体の目が照らされていると仮定した場合における前記推論用被検体の目を描出している推論用画像を示す推論用画像データを取得するデータ取得部と、学習用被検体の目を照らしている光よりも色温度が低い光で前記学習用被検体の目が照らされていると仮定した場合における前記学習用被検体の目を描出している学習用画像を示す学習用画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを使用して学習した機械学習プログラムに前記推論用画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させ、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる症状推定部と、をコンピュータに実現させるドライアイ検査装置である。

【0015】

本発明の一態様は、学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示す学習用角膜画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得する教師データ取得機能と、前記教師データを機械学習プログラムに入力し、前記機械学習プログラムを学習させる機械学習実行機能と、をコンピュータに実行させる機械学習実行プログラムである。

【0016】

本発明の一態様は、推論用被検体の目の角膜の少なくとも一部を描出している推論用角膜画像を示す推論用角膜画像データを取得するデータ取得機能と、学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示す学習用角膜画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを使用して学習した機械学習プログラムに前記推論用角膜画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させ、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる症状推定機能と、をコンピュータに実現させるドライアイ検査プログラムである。

【0017】

本発明の一態様は、学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示す学習用角膜画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを取得する教師データ取得部と、前記教師データを機械学習プログラムに入力し、前記機械学習プログラムを学習させる機械学習実行部と、を備える機械学習実行装置である。

【0018】

本発明の一態様は、推論用被検体の目の角膜の少なくとも一部を描出している推論用角膜画像を示す推論用角膜画像データを取得するデータ取得部と、学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示す学習用角膜画像データを問題とし、前記学習用被検体の目の涙液油層の厚みを調べる検査の結果を示す学習用検査結果データを答えとする教師データを使用して学習した機械学習プログラムに前記推論用角膜画像データを入力し、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を推定させ、前記機械学習プログラムに前記推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる症状推定部と、を備えるドライアイ検査装置である。

【発明の効果】

【0019】

本発明によれば、ドライアイの症状に関する検査を実際に実施することなく、ドライアイの症状に関する検査の結果を予測することができる。

【図面の簡単な説明】

【0020】

【図1】第一実施形態に係る機械学習実行装置のハードウェア構成の一例を示す図である。

【図2】第一実施形態に係る機械学習実行プログラムのソフトウェア構成の一例を示す図である。

【図3】第一実施形態に係る機械学習プログラムが涙液油層の厚みに関する検査の結果を予測する際に学習用被検体の目の画像のうち重点的に考慮した部分の一例を示す図である。

【図4】第一実施形態に係る機械学習実行プログラムにより実行される処理の一例を示すフローチャートである。

【図5】第一実施形態に係るドライアイ検査装置のハードウェア構成の一例を示す図である。

【図6】第一実施形態に係るドライアイ検査プログラムのソフトウェア構成の一例を示す図である。

【図7】第一実施形態に係るドライアイ検査プログラムにより実行される処理の一例を示すフローチャートである。

【図8】第二実施形態に係る機械学習実行装置のハードウェア構成の一例を示す図である。

【図9】第二実施形態に係る機械学習実行プログラムのソフトウェア構成の一例を示す図である。

【図10】第二実施形態に係る機械学習実行プログラムにより実行される処理の一例を示すフローチャートである。

【図11】第二実施形態に係るドライアイ検査装置のハードウェア構成の一例を示す図である。

【図12】第二実施形態に係るドライアイ検査プログラムのソフトウェア構成の一例を示す図である。

【図13】第二実施形態に係るドライアイ検査プログラムにより実行される処理の一例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】

【0021】

［第一実施形態］
まず、図１から図４を参照しながら第一実施形態に係る機械学習実行プログラム、機械学習実行装置及び機械学習実行方法の具体例について説明する。

【0022】

図１は、第一実施形態に係る機械学習実行装置のハードウェア構成の一例を示す図である。図１に示した機械学習実行装置１０ａは、後述する機械学習装置７００ａの学習フェーズにおいて機械学習装置７００ａに機械学習を実行させる装置である。また、図１に示すように、機械学習実行装置１０ａは、プロセッサ１１ａと、主記憶装置１２ａと、通信インターフェース１３ａと、補助記憶装置１４ａと、入出力装置１５ａと、バス１６ａとを備える。

【0023】

プロセッサ１１ａは、例えば、ＣＰＵ（Central Processing Unit）であり、後述する機械学習実行プログラム１００ａを読み出して実行し、機械学習実行プログラム１００ａが有する各機能を実現させる。また、プロセッサ１１ａは、機械学習実行プログラム１００ａ以外のプログラムを読み出して実行し、機械学習実行プログラム１００ａが有する各機能を実現させる上で必要な機能を実現させてもよい。

【0024】

主記憶装置１２ａは、例えば、ＲＡＭ（Random Access Memory）であり、プロセッサ１１ａにより読み出されて実行される機械学習実行プログラム１００ａその他プログラムを予め記憶している。

【0025】

通信インターフェース１３ａは、図１に示したネットワークＮＷを介して、機械学習装置７００ａその他の機器と通信を実行するためのインターフェース回路である。また、ネットワークＮＷは、例えば、ＬＡＮ（Local Area Network）、イントラネットである。

【0026】

補助記憶装置１４ａは、例えば、ハードディスクドライブ（ＨＤＤ：Hard Disk Drive）、ソリッドステートドライブ（ＳＳＤ：Solid State Drive）、フラッシュメモリ（Flash Memory）、ＲＯＭ（Read Only Memory）である。

【0027】

入出力装置１５ａは、例えば、入出力ポート（Input/Output Port）である。入出力装置１５ａは、例えば、図１に示したキーボード８１１ａ、マウス８１２ａ、ディスプレイ９１０ａが接続される。キーボード８１１ａ及びマウス８１２ａは、例えば、機械学習実行装置１０ａを操作するために必要なデータを入力する作業に使用される。ディスプレイ９１０ａは、例えば、機械学習実行装置１０ａのグラフィカルユーザインターフェース（ＧＵＩ：Graphical User Interface）を表示する。

【0028】

バス１６ａは、プロセッサ１１ａ、主記憶装置１２ａ、通信インターフェース１３ａ、補助記憶装置１４ａ及び入出力装置１５ａを互いにデータの送受信が可能なように接続している。

【0029】

図２は、第一実施形態に係る機械学習実行プログラムのソフトウェア構成の一例を示す図である。機械学習実行装置１０ａは、プロセッサ１１ａを使用して機械学習実行プログラム１００ａを読み出して実行し、図２に示した教師データ取得機能１０１ａ及び機械学習実行機能１０２ａを実現させる。

【0030】

教師データ取得機能１０１ａは、一つの学習用画像データを問題とし、一つの学習用検査結果データを答えとする教師データを取得する。

【0031】

学習用画像データは、学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の目を描出している学習用画像を示すデータである。このような学習用画像は、例えば、実際には色温度４０００Ｋを有する光で照らされている学習用被検体の目を描出している画像のホワイトバランスを調整することにより生成され、色温度３０００Ｋを有する光で照らされている当該目を擬似的に描出している画像である。また、学習用画像は、例えば、スマートフォンに搭載されているカメラを使用して撮影される。

【0032】

学習用検査結果データは、教師データの答えの一部を構成しており、ドライアイの症状に関する検査の結果を示すデータである。このような検査の結果としては、例えば、光干渉計を使用して涙液油層の厚みを評価する検査に基づいて涙液油層の厚みを表している０以上１以下の数値が挙げられる。

【0033】

この数値は、０以上０．５未満である場合、光干渉計を使用して評価された涙液油層の厚みが７５μｍ未満であるため、学習用被検体の目が正常であり、眼科医による診察が不要であることを表している。また、この数値は、０．５以上１以下である場合、光干渉計を使用して評価された涙液油層の厚みが７５μｍ以上であるため、学習用被検体の目が異常であり、眼科医による診察が必要であることを表している。

【0034】

例えば、教師データ取得機能１０１ａは、１２８０個の教師データを取得する。この場合、１２８０個の学習用画像データは、それぞれ８名の学習用被検体の２つの目それぞれをスマートフォンに搭載されているカメラを使用して２０回撮影する処理を４セット実施することにより取得された１２８０枚の学習用画像を示している。また、この場合、１２８０個の学習用検査結果データは、それぞれ光干渉計を使用して評価された涙液油層の厚みを示す０以上１以下の数値１２８０個を示している。

【0035】

なお、以下の説明では、１２８０個の学習用検査結果データが、学習用被検体の目が正常であることを表す０以上０．５未満の数値を示している６００個の学習用検査結果データと、学習用被検体の目が異常であることを表す０．５以上１以下の数値を示している６８０個の学習用検査結果データとを含んでいる場合を例に挙げて説明する。

【0036】

機械学習実行機能１０２ａは、機械学習装置７００ａに実装されている機械学習プログラム７５０ａに教師データを入力し、機械学習プログラム７５０ａを学習させる。例えば、機械学習実行機能１０２ａは、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を含んでいる機械学習プログラム７５０ａをバックプロパゲーション（Backpropagation）により学習させる。

【0037】

例えば、機械学習実行機能１０２ａは、学習用被検体の目が正常であることを表す０以上０．５未満の数値を示している学習用検査結果データを含んでいる５２０個の教師データを機械学習プログラム７５０ａに入力する。この５２０個の教師データは、上述した８名の中から選択された７名から取得された教師データである。

【0038】

また、例えば、機械学習実行機能１０２ａは、学習用被検体の目が異常であることを表す０．５以上１以下の数値を示している学習用検査結果データを含んでいる６００個の教師データを機械学習プログラム７５０ａに入力する。この６００個の教師データは、上述した８名の中から選択された７名から取得された教師データである。

【0039】

そして、機械学習実行機能１０２ａは、これら１１２０個の教師データにより機械学習プログラム７５０ａを学習させる。

【0040】

また、例えば、機械学習実行機能１０２ａは、学習用被検体の目が正常であることを表しており、機械学習プログラム７５０ａの学習に使用されなかった８０個の教師データをテストデータとして機械学習プログラム７５０ａに入力してもよい。この８０個の教師データは、上述した７名として選択されなかった１名から取得された教師データである。

【0041】

また、例えば、機械学習実行機能１０２ａは、学習用被検体の目が異常であることを表しており、機械学習プログラム７５０ａの学習に使用されなかった８０個の教師データをテストデータとして機械学習プログラム７５０ａに入力してもよい。この８０個の教師データは、上述した７名として選択されなかった１名から取得された教師データである。

【0042】

これにより、機械学習実行機能１０２ａは、上述した１０８０個の教師データにより機械学習プログラム７５０ａを学習させることにより得られた機械学習プログラム７５０ａの特性を評価してもよい。

【0043】

なお、機械学習実行機能１０２ａは、テストデータを使用して機械学習プログラム７５０ａの特性を評価する際に、例えば、クラス活性化マッピング（ＣＡＭ：Class Activation Mapping）を使用してもよい。クラス活性化マッピングは、ニューラルネットワークに入力されたデータのうちニューラルネットワークにより出力された結果の根拠となった部分を明らかにする技術である。クラス活性化マッピングとしては、例えば、勾配加重クラス活性化マッピングが挙げられる。勾配加重クラス活性化マッピングは、畳み込みニューラルネットワークにより実行される畳み込みの特徴に関する分類スコアの勾配を利用し、畳み込みニューラルネットワークに入力された画像のうち分類に一定以上の影響を与えた領域を特定する技術である。

【0044】

図３は、第一実施形態に係る機械学習プログラムが涙液油層の厚みに関する検査の結果を予測する際に学習用被検体の目の画像のうち重点的に考慮した部分の一例を示す図である。例えば、機械学習実行機能１０２ａは、勾配加重クラス活性化マッピングを使用して図３に示した学習用画像のうち図３に示した楕円Ｃで囲まれている領域が機械学習プログラム７５０ａによる涙液油層の厚みに関する検査の結果の予測に一定以上の影響を与えていると評価する。また、図３に示した楕円Ｃで囲まれている領域に含まれている三段階のグレースケールは、涙液油層の厚みに関する検査の結果の予測に影響を与えた度合いを示しており、学習用被検体の目の角膜の下瞼に近い部分を描出している領域の上に重ねて表示されている。さらに、このグレースケールは、学習用被検体の目の角膜のうち下瞼側の約半分の上に重なっている。

【0045】

次に、図４を参照しながら第一実施形態に係る機械学習実行プログラム１００ａが実行する処理の一例を説明する。図４は、第一実施形態に係る機械学習実行プログラムにより実行される処理の一例を示すフローチャートである。機械学習実行プログラム１００ａは、図４に示した処理を少なくとも一回実行する。

【0046】

ステップＳ１１において、教師データ取得機能１０１ａは、学習用画像データを問題とし、学習用検査結果データとを答えとする教師データを取得する。

【0047】

ステップＳ１２において、機械学習実行機能１０２ａは、教師データを機械学習プログラム７５０ａに入力し、機械学習プログラム７５０ａを学習させる。

【0048】

次に、図５から図７を参照しながら第一実施形態に係るドライアイ検査プログラム、ドライアイ検査装置及びドライアイ検査方法の具体例について説明する。

【0049】

図５は、第一実施形態に係るドライアイ検査装置のハードウェア構成の一例を示す図である。図５に示したドライアイ検査装置２０ａは、機械学習実行プログラム１００ａにより学習済みの機械学習装置７００ａの推論フェーズにおいて機械学習装置７００ａを使用して推論用被検体の目に現れているドライアイの症状を推定させる装置である。また、図５に示すように、ドライアイ検査装置２０ａは、プロセッサ２１ａと、主記憶装置２２ａと、通信インターフェース２３ａと、補助記憶装置２４ａと、入出力装置２５ａと、バス２６ａとを備える。

【0050】

プロセッサ２１ａは、例えば、ＣＰＵであり、後述するドライアイ検査プログラム２００ａを読み出して実行し、ドライアイ検査プログラム２００ａが有する各機能を実現させる。また、プロセッサ２１ａは、ドライアイ検査プログラム２００ａ以外のプログラムを読み出して実行し、ドライアイ検査プログラム２００ａが有する各機能を実現させる上で必要な機能を実現させてもよい。

【0051】

主記憶装置２２ａは、例えば、ＲＡＭであり、プロセッサ２１ａにより読み出されて実行されるドライアイ検査プログラム２００ａその他プログラムを予め記憶している。

【0052】

通信インターフェース２３ａは、図５に示したネットワークＮＷを介して、機械学習装置７００ａその他の機器と通信を実行するためのインターフェース回路である。また、ネットワークＮＷは、例えば、ＬＡＮ、イントラネットである。

【0053】

補助記憶装置２４ａは、例えば、ハードディスクドライブ、ソリッドステートドライブ、フラッシュメモリ、ＲＯＭである。

【0054】

入出力装置２５ａは、例えば、入出力ポートである。入出力装置２５ａは、例えば、図５に示したキーボード８２１ａ、マウス８２２ａ、ディスプレイ９２０ａが接続される。キーボード８２１ａ及びマウス８２２ａは、例えば、ドライアイ検査装置２０ａを操作するために必要なデータを入力する作業に使用される。ディスプレイ９２０ａは、例えば、ドライアイ検査装置２０ａのグラフィカルユーザインターフェースを表示する。

【0055】

バス２６ａは、プロセッサ２１ａ、主記憶装置２２ａ、通信インターフェース２３ａ、補助記憶装置２４ａ及び入出力装置２５ａを互いにデータの送受信が可能なように接続している。

【0056】

図６は、第一実施形態に係るドライアイ検査プログラムのソフトウェア構成の一例を示す図である。ドライアイ検査装置２０ａは、プロセッサ２１ａを使用してドライアイ検査プログラム２００ａを読み出して実行し、図６に示したデータ取得機能２０１ａ及び症状推定機能２０２ａを実現させる。

【0057】

データ取得機能２０１ａは、推論用画像データを取得する。推論用画像データは、推論用被検体の目を照らしている光よりも色温度が低い光で推論用被検体の目が照らされていると仮定した場合における推論用被検体の目を描出している推論用画像を示すデータである。このような推論用画像は、例えば、実際には色温度４０００Ｋを有する光で照らされている推論用被検体の目を描出している画像のホワイトバランスを調整することにより生成され、色温度３０００Ｋを有する光で照らされている当該目を擬似的に描出している画像である。また、推論用画像は、例えば、スマートフォンに搭載されているカメラを使用して撮影される。

【0058】

症状推定機能２０２ａは、機械学習実行機能１０２ａにより学習済みの機械学習プログラム７５０ａに推論用画像データを入力し、機械学習プログラム７５０ａに推論用被検体の目に現れているドライアイの症状を推定させる。例えば、症状推定機能２０２ａは、機械学習プログラム７５０ａに推論用画像データを入力し、推論用被検体の目の涙液油層の厚みを表す数値を推定させる。

【0059】

そして、症状推定機能２０２ａは、機械学習プログラム７５０ａに推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる。例えば、症状推定機能２０２ａは、機械学習プログラム７５０ａに推論用被検体の目の涙液油層の厚みを表す数値を示す症状データを出力させる。この場合、症状データは、例えば、自身が示しており、推論用被検体の目の涙液油層の厚みを表す数値をディスプレイ９２０ａに表示するために使用される。

【0060】

次に、図７を参照しながら第一実施形態に係るドライアイ検査プログラム２００ａが実行する処理の一例を説明する。図７は、第一実施形態に係るドライアイ検査プログラムにより実行される処理の一例を示すフローチャートである。

【0061】

ステップＳ２１において、データ取得機能２０１ａは、推論用画像データを取得する。

【0062】

ステップＳ２２において、症状推定機能２０２ａは、学習済みの機械学習プログラム７５０ａに、推論用画像データを入力し、推論用被検体の目に現れているドライアイの症状を推定させ、機械学習プログラム７５０ａに推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる。

【0063】

以上、第一実施形態に係る機械学習実行プログラム、ドライアイ検査プログラム、機械学習実行装置、ドライアイ検査装置、機械学習実行方法及びドライアイ検査方法について説明した。

【0064】

機械学習実行プログラム１００ａは、教師データ取得機能１０１ａと、機械学習実行機能１０２ａとを備える。

【0065】

教師データ取得機能１０１ａは、学習用画像データを問題とし、学習用検査結果データを答えとする教師データを取得する。学習用画像データは、学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の目を描出している学習用画像を示すデータである。学習用検査結果データは、学習用被検体の目の涙液油層の厚みを調べる検査の結果を示すデータである。

【0066】

機械学習実行機能１０２ａは、教師データを機械学習プログラム７５０ａに入力し、機械学習プログラム７５０ａを学習させる。

【0067】

これにより、機械学習実行プログラム１００ａは、学習用画像データに基づいてドライアイの症状に関する検査の結果を予測する機械学習プログラム７５０ａを生成することができる。

【0068】

ドライアイ検査プログラム２００ａは、データ取得機能２０１ａと、症状推定機能２０２ａとを備える。

【0069】

データ取得機能２０１ａは、推論用画像データを取得する。推論用画像データは、推論用被検体の目を照らしている光よりも色温度が低い光で推論用被検体の目が照らされていると仮定した場合における推論用被検体の目を描出している推論用画像を示すデータである。

【0070】

症状推定機能２０２ａは、機械学習実行プログラム１００ａにより学習済みの機械学習プログラム７５０ａに推論用画像データを入力し、推論用被検体の目に現れているドライアイの症状を推定させる。そして、症状推定機能２０２ａは、機械学習プログラム７５０ａに推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる。

【0071】

これにより、ドライアイ検査プログラム２００ａは、ドライアイの症状に関する検査を実際に実施することなく、ドライアイの症状に関する検査の結果を予測することができる。

【0072】

次に、機械学習プログラム７５０ａを実際に学習させ、ドライアイの症状を推定させた例を挙げて、機械学習実行プログラム１００ａにより奏される効果の具体例を比較例と第一実施形態に係る実施例とを対比させて説明する。

【0073】

この場合の比較例では、学習用画像データではなく、学習用被検体の目を照らしている光と色温度が等しい光で学習用被検体の目が照らされている場合における学習用被検体の目を描出している画像を示す画像データが教師データに含まれる問題となる。また、この場合の比較例では、上述した学習用被検体の目が正常であることを表している５２０個の教師データ及び学習用被検体の目が異常であることを表している６００個の教師データを使用して機械学習プログラムを学習させた例である。

【0074】

このように学習した機械学習プログラムは、上述した画像データを含んでおり、学習用被検体の目が正常であることを表している８０個のテストデータ及び上述した画像データを含んでおり、学習用被検体の目が異常であることを表している８０個のテストデータを使用して特性を評価すると、予測精度５０％及び偽陰性率５０％を示した。

【0075】

一方、機械学習実行プログラム１００ａにより学習した機械学習プログラム７５０ａは、学習用画像データを含んでいるテストデータを使用して特性を評価すると、予測精度７４％及び偽陰性率２６％を示した。この特性は、比較例に係る機械学習プログラムの特性を上回っている。

【0076】

なお、予測精度は、異常群に含まれる学習用画像のうち機械学習プログラムにより異常と予測された枚数Ｘ及び正常群に含まれる学習用画像うち機械学習プログラムにより正常と予測された枚数Ｙの合計Ｘ+Ｙのテストデータの総数に対する割合である。したがって、この比較例の場合、予測精度は、（（Ｘ+Ｙ）／１６０）×１００で算出される。

【0077】

また、偽陰性率は、異常群に含まれる学習用画像のうち機械学習プログラムにより正常と予測された枚数の異常群に含まれる学習用画像の合計に対する割合である。したがって、この比較例の場合、偽陰性率は、（（８０－Ｘ）／８０）×１００で算出される。

【0078】

なお、機械学習実行プログラム１００ａが有する機能の少なくとも一部は、回路部（circuitry）を含むハードウェアにより実現されてもよい。同様に、ドライアイ検査プログラム２００ａが有する機能の少なくとも一部は、回路部を含むハードウェアにより実現されてもよい。また、このようなハードウェアは，例えば、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）である。

【0079】

また、機械学習実行プログラム１００ａが有する機能の少なくとも一部は、ソフトウェアとハードウェアの協働により実現されてもよい。同様に、ドライアイ検査プログラム２００ａが有する機能の少なくとも一部は、ソフトウェアとハードウェアの協働により実現されてもよい。また、これらのハードウェアは、一つに統合されていてもよいし、複数に分かれていてもよい。

【0080】

また、第一実施形態では、機械学習実行装置１０ａと、機械学習装置７００ａと、ドライアイ検査装置２０ａとが互いに独立した装置である場合を例に挙げて説明したが、これに限定されない。これらの装置は、一つの装置として実現されていてもよい。

【0081】

［第二実施形態］
まず、図８から図１０を参照しながら第二実施形態に係る機械学習実行プログラム、機械学習実行装置及び機械学習実行方法の具体例について説明する。第二実施形態に係る機械学習実行プログラム、機械学習実行装置及び機械学習実行方法は、第一実施形態に係る機械学習実行プログラム、機械学習実行装置及び機械学習実行方法と異なり、学習用画像データではなく、後述する学習用角膜画像データを問題として含む教師データを使用する。

【0082】

図８は、第二実施形態に係る機械学習実行装置のハードウェア構成の一例を示す図である。図８に示した機械学習実行装置１０ｂは、後述する機械学習装置７００ｂの学習フェーズにおいて機械学習装置７００ｂに機械学習を実行させる装置である。また、図８に示すように、機械学習実行装置１０ｂは、プロセッサ１１ｂと、主記憶装置１２ｂと、通信インターフェース１３ｂと、補助記憶装置１４ｂと、入出力装置１５ｂと、バス１６ｂとを備える。

【0083】

プロセッサ１１ｂは、例えば、ＣＰＵであり、後述する機械学習実行プログラム１００ｂを読み出して実行し、機械学習実行プログラム１００ｂが有する各機能を実現させる。また、プロセッサ１１ｂは、機械学習実行プログラム１００ｂ以外のプログラムを読み出して実行し、機械学習実行プログラム１００ｂが有する各機能を実現させる上で必要な機能を実現させてもよい。

【0084】

主記憶装置１２ｂは、例えば、ＲＡＭであり、プロセッサ１１ｂにより読み出されて実行される機械学習実行プログラム１００ｂその他プログラムを予め記憶している。

【0085】

通信インターフェース１３ｂは、図８に示したネットワークＮＷを介して、機械学習装置７００ｂその他の機器と通信を実行するためのインターフェース回路である。また、ネットワークＮＷは、例えば、ＬＡＮ、イントラネットである。

【0086】

補助記憶装置１４ｂは、例えば、ハードディスクドライブ、ソリッドステートドライブ、フラッシュメモリ、ＲＯＭである。

【0087】

入出力装置１５ｂは、例えば、入出力ポートである。入出力装置１５ｂは、例えば、図１に示したキーボード８１１ｂ、マウス８１２ｂ、ディスプレイ９１０ｂが接続される。キーボード８１１ｂ及びマウス８１２ｂは、例えば、機械学習実行装置１０ｂを操作するために必要なデータを入力する作業に使用される。ディスプレイ９１０ｂは、例えば、機械学習実行装置１０ｂのグラフィカルユーザインターフェースを表示する。

【0088】

バス１６ｂは、プロセッサ１１ｂ、主記憶装置１２ｂ、通信インターフェース１３ｂ、補助記憶装置１４ｂ及び入出力装置１５ｂを互いにデータの送受信が可能なように接続している。

【0089】

図９は、第二実施形態に係る機械学習実行プログラムのソフトウェア構成の一例を示す図である。機械学習実行装置１０ｂは、プロセッサ１１ｂを使用して機械学習実行プログラム１００ｂを読み出して実行し、図９に示した教師データ取得機能１０１ｂ及び機械学習実行機能１０２ｂを実現させる。

【0090】

教師データ取得機能１０１ｂは、一つの学習用角膜画像データを問題とし、一つの学習用検査結果データを答えとする教師データを取得する。

【0091】

学習用角膜画像データは、学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示すデータである。学習用角膜画像は、学習用被検体の目の角膜の少なくとも一部のみを描出している画像であってもよいし、学習用被検体の目の角膜以外の部分も描出している画像であってもよい。また、学習用角膜画像は、学習用被検体の目を描写している学習用画像から学習用被検体の目の角膜の少なくとも一部を描出している領域を切り出した画像であってもよい。

【0092】

また、学習用角膜画像は、学習用被検体の目の角膜のうち学習用被検体の上瞼に近い部分及び下瞼に近い部分の両方を描出している場合よりも学習用被検体の下瞼に近い部分のみを描出している場合の方が機械学習プログラム７５０ｂの予測精度を向上させ得る。例えば、学習用角膜画像は、学習用被検体の目の角膜のうち下瞼側の半分の部分のみを描出している場合、機械学習プログラム７５０ｂを使用したドライアイの症状の予測精度を更に向上させ得る。なお、学習用角膜画像は、例えば、スマートフォンに搭載されているカメラを使用して撮影される。

【0093】

学習用検査結果データは、教師データの答えの一部を構成しており、ドライアイの症状に関する検査の結果を示すデータである。このような検査の結果としては、例えば、光干渉計を使用して涙液油層の厚みを評価する検査に基づいて涙液油層の厚みを表している０以上１以下の数値が挙げられる。

【0094】

この数値は、０以上０．５未満である場合、光干渉計を使用して評価された涙液油層の厚みが７５μｍ未満であるため、学習用被検体の目が正常であり、眼科医による診察が不要であることを表している。また、この数値は、０．５以上１以下である場合、光干渉計を使用して評価された涙液油層の厚みが７５μｍ以上であるため、学習用被検体の目が異常であり、眼科医による診察が必要であることを表している。

【0095】

例えば、教師データ取得機能１０１ｂは、１２８０個の教師データを取得する。この場合、１２８０個の学習用角膜画像データは、それぞれ８名の学習用被検体の２つの目それぞれをスマートフォンに搭載されているカメラを使用して２０回撮影する処理を４セット実施することにより取得された１２８０枚の学習用画像を示している。また、この場合、１２８０個の学習用検査結果データは、それぞれ光干渉計を使用して評価された涙液油層の厚みを示す０以上１以下の数値１２８０個を示している。

【0096】

なお、以下の説明では、１２８０個の学習用検査結果データが、学習用被検体の目が正常であることを表す０以上０．５未満の数値を示している６００個の学習用検査結果データと、学習用被検体の目が異常であることを表す０．５以上１以下の数値を示している６８０個の学習用検査結果データとを含んでいる場合を例に挙げて説明する。

【0097】

機械学習実行機能１０２ｂは、機械学習装置７００ｂに実装されている機械学習プログラム７５０ｂに教師データを入力し、機械学習プログラム７５０ｂを学習させる。例えば、機械学習実行機能１０２ｂは、畳み込みニューラルネットワークを含んでいる機械学習プログラム７５０ｂをバックプロパゲーションにより学習させる。

【0098】

例えば、機械学習実行機能１０２ｂは、学習用被検体の目が正常であることを表す０以上０．５未満の数値を示している学習用検査結果データを含んでいる５２０個の教師データを機械学習プログラム７５０ｂに入力する。この５２０個の教師データは、上述した８名の中から選択された７名から取得された教師データである。

【0099】

また、例えば、機械学習実行機能１０２ｂは、学習用被検体の目が異常であることを表す０．５以上１以下の数値を示している学習用検査結果データを含んでいる６００個の教師データを機械学習プログラム７５０ｂに入力する。この６００個の教師データは、上述した８名の中から選択された７名から取得された教師データである。

【0100】

そして、機械学習実行機能１０２ｂは、これら１１２０個の教師データにより機械学習プログラム７５０ｂを学習させる。

【0101】

また、機械学習実行機能１０２ｂは、学習用被検体の目の角膜のうち学習用被検体の下瞼に近い部分を描出している学習用角膜画像を示す学習用角膜画像データを含んでいる教師データである程、機械学習プログラムに優先的に入力してもよい。これは、上述した通り、学習用角膜画像が学習用被検体の目の角膜のうち学習用被検体の上瞼に近い部分及び下瞼に近い部分の両方を描出している場合よりも学習用被検体の下瞼に近い部分のみを描出している場合の方が機械学習プログラム７５０ｂの予測精度を向上させ得るからである。

【0102】

また、例えば、機械学習実行機能１０２ｂは、学習用被検体の目が正常であることを表しており、機械学習プログラム７５０ｂの学習に使用されなかった８０個の教師データをテストデータとして機械学習プログラム７５０ｂに入力してもよい。この８０個の教師データは、上述した７名として選択されなかった１名から取得された教師データである。

【0103】

また、例えば、機械学習実行機能１０２ｂは、学習用被検体の目が異常であることを表しており、機械学習プログラム７５０ｂの学習に使用されなかった８０個の教師データをテストデータとして機械学習プログラム７５０ｂに入力してもよい。この８０個の教師データは、上述した７名として選択されなかった１名から取得された教師データである。

【0104】

これにより、機械学習実行機能１０２ｂは、上述した１０８０個の教師データにより機械学習プログラム７５０ｂを学習させることにより得られた機械学習プログラム７５０ｂの特性を評価してもよい。

【0105】

なお、機械学習実行機能１０２ｂは、テストデータを使用して機械学習プログラム７５０ｂの特性を評価する際に、例えば、クラス活性化マッピングを使用してもよい。クラス活性化マッピングは、ニューラルネットワークに入力されたデータのうちニューラルネットワークにより出力された結果の根拠となった部分を明らかにする技術である。クラス活性化マッピングとしては、例えば、勾配加重クラス活性化マッピングが挙げられる。勾配加重クラス活性化マッピングは、畳み込みニューラルネットワークにより実行される畳み込みの特徴に関する分類スコアの勾配を利用し、畳み込みニューラルネットワークに入力された画像のうち分類に一定以上の影響を与えた領域を特定する技術である。

【0106】

次に、図１０を参照しながら第二実施形態に係る機械学習実行プログラム１００ｂが実行する処理の一例を説明する。図１０は、第二実施形態に係る機械学習実行プログラムにより実行される処理の一例を示すフローチャートである。機械学習実行プログラム１００ｂは、図１０に示した処理を少なくとも一回実行する。

【0107】

ステップＳ３１において、教師データ取得機能１０１ｂは、学習用角膜画像データを問題とし、学習用検査結果データを答えとする教師データを取得する。

【0108】

ステップＳ３２において、機械学習実行機能１０２ｂは、教師データを機械学習プログラム７５０ｂに入力し、機械学習プログラム７５０ｂを学習させる。

【0109】

次に、図１１から図１３を参照しながら第二実施形態に係るドライアイ検査プログラム、ドライアイ検査装置及びドライアイ検査方法の具体例について説明する。第二実施形態に係るドライアイ検査プログラム、ドライアイ検査装置及びドライアイ検査方法は、第一実施形態に係るドライアイ検査プログラム、ドライアイ検査装置及びドライアイ検査方法と異なり、推論用画像データではなく、後述する推論用角膜画像データを取得する。

【0110】

図１１は、第二実施形態に係るドライアイ検査装置のハードウェア構成の一例を示す図である。図１１に示したドライアイ検査装置２０ｂは、機械学習実行プログラム１００ｂにより学習済みの機械学習装置７００ｂの推論フェーズにおいて機械学習装置７００ｂを使用して推論用被検体の目に現れているドライアイの症状を推定させる装置である。また、図１１に示すように、ドライアイ検査装置２０ｂは、プロセッサ２１ｂと、主記憶装置２２ｂと、通信インターフェース２３ｂと、補助記憶装置２４ｂと、入出力装置２５ｂと、バス２６ｂとを備える。

【0111】

プロセッサ２１ｂは、例えば、ＣＰＵであり、後述するドライアイ検査プログラム２００ｂを読み出して実行し、ドライアイ検査プログラム２００ｂが有する各機能を実現させる。また、プロセッサ２１ｂは、ドライアイ検査プログラム２００ｂ以外のプログラムを読み出して実行し、ドライアイ検査プログラム２００ｂが有する各機能を実現させる上で必要な機能を実現させてもよい。

【0112】

主記憶装置２２ｂは、例えば、ＲＡＭであり、プロセッサ２１ｂにより読み出されて実行されるドライアイ検査プログラム２００ｂその他プログラムを予め記憶している。

【0113】

通信インターフェース２３ｂは、図１１に示したネットワークＮＷを介して、機械学習装置７００ｂその他の機器と通信を実行するためのインターフェース回路である。また、ネットワークＮＷは、例えば、ＬＡＮ、イントラネットである。

【0114】

補助記憶装置２４ｂは、例えば、ハードディスクドライブ、ソリッドステートドライブ、フラッシュメモリ、ＲＯＭである。

【0115】

入出力装置２５ｂは、例えば、入出力ポートである。入出力装置２５ｂは、例えば、図１１に示したキーボード８２１ｂ、マウス８２２ｂ、ディスプレイ９２０ｂが接続される。キーボード８２１ｂ及びマウス８２２ｂは、例えば、ドライアイ検査装置２０ｂを操作するために必要なデータを入力する作業に使用される。ディスプレイ９２０ｂは、例えば、ドライアイ検査装置２０ｂのグラフィカルユーザインターフェースを表示する。

【0116】

バス２６ｂは、プロセッサ２１ｂ、主記憶装置２２ｂ、通信インターフェース２３ｂ、補助記憶装置２４ｂ及び入出力装置２５ｂを互いにデータの送受信が可能なように接続している。

【0117】

図１２は、第二実施形態に係るドライアイ検査プログラムのソフトウェア構成の一例を示す図である。ドライアイ検査装置２０ｂは、プロセッサ２１ｂを使用してドライアイ検査プログラム２００ｂを読み出して実行し、図１２に示したデータ取得機能２０１ｂ及び症状推定機能２０２ｂを実現させる。

【0118】

データ取得機能２０１ｂは、推論用角膜画像データを取得する。推論用角膜画像データは、推論用被検体の目の角膜の少なくとも一部を描出している推論用角膜画像を示すデータである。推論用角膜画像は、推論用被検体の目の角膜の少なくとも一部のみを描出している画像であってもよいし、推論用被検体の目の角膜以外の部分も描出している画像であってもよい。また、推論用角膜画像は、推論用被検体の目を描写している推論用画像から推論用被検体の目の角膜の少なくとも一部を描出している領域を切り出した画像であってもよい。

【0119】

また、推論用角膜画像は、機械学習プログラム７５０ｂが学習用被検体の下瞼に近い部分のみを描出している学習用角膜画像を示す学習用角膜画像データを問題とする教師データを使用して学習している場合、推論用被検体の下瞼に近い部分のみを描出していることが好ましい。これにより、ドライアイ検査プログラム２００ａは、機械学習プログラム７５０ｂを使用して推論用被検体のドライアイの症状を更に高い精度で予測することが可能となる。例えば、推論用角膜画像は、推論用被検体の目の角膜のうち下瞼側の半分の部分のみを描出している場合、機械学習プログラム７５０ｂを使用したドライアイの症状の予測精度を更に向上させ得る。なお、推論用角膜画像は、例えば、スマートフォンに搭載されているカメラを使用して撮影される。

【0120】

症状推定機能２０２ｂは、機械学習実行機能１０２ｂにより学習済みの機械学習プログラム７５０ｂに推論用角膜画像データを入力し、機械学習プログラム７５０ｂに推論用被検体の目に現れているドライアイの症状を推定させる。例えば、症状推定機能２０２ｂは、機械学習プログラム７５０ｂに推論用角膜画像データを入力し、推論用被検体の目の涙液油層の厚みを表す数値を推定させる。

【0121】

また、症状推定機能２０２ｂは、学習用被検体の目の角膜のうち学習用被検体の下瞼に近い部分を描出している学習用角膜画像を示す学習用角膜画像データを含んでいる教師データである程、優先的に入力された機械学習プログラムに推論用角膜画像データを入力してもよい。

【0122】

そして、症状推定機能２０２ｂは、機械学習プログラム７５０ｂに推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる。例えば、症状推定機能２０２ｂは、機械学習プログラム７５０ｂに推論用被検体の目の涙液油層の厚みを示す数値を示す症状データを出力させる。この場合、症状データは、例えば、自身が示しており、推論用被検体の目の涙液油層の厚みを表す数値をディスプレイ９２０ｂに表示するために使用される。

【0123】

次に、図１３を参照しながら第二実施形態に係るドライアイ検査プログラム２００ｂが実行する処理の一例を説明する。図１３は、第二実施形態に係るドライアイ検査プログラムにより実行される処理の一例を示すフローチャートである。

【0124】

ステップＳ４１において、データ取得機能２０１ｂは、推論用角膜画像データを取得する。

【0125】

ステップＳ４２において、症状推定機能２０２ｂは、学習済みの機械学習プログラム７５０ｂに、推論用角膜画像データを入力し、推論用被検体の目に現れているドライアイの症状を推定させ、機械学習プログラム７５０ｂに推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる。

【0126】

以上、第二実施形態に係る機械学習実行プログラム、ドライアイ検査プログラム、機械学習実行装置、ドライアイ検査装置、機械学習実行方法及びドライアイ検査方法について説明した。

【0127】

機械学習実行プログラム１００ｂは、教師データ取得機能１０１ｂと、機械学習実行機能１０２ｂとを備える。

【0128】

教師データ取得機能１０１ｂは、学習用角膜画像データを問題とし、学習用検査結果データを答えとする教師データを取得する。学習用角膜画像データは、学習用被検体の目の角膜の少なくとも一部を描出している学習用角膜画像を示すデータである。学習用検査結果データは、学習用被検体の目の涙液油層の厚みを調べる検査の結果を示すデータである。

【0129】

機械学習実行機能１０２ｂは、教師データを機械学習プログラム７５０ｂに入力し、機械学習プログラム７５０ｂを学習させる。

【0130】

これにより、機械学習実行プログラム１００ｂは、学習用角膜画像データに基づいてドライアイの症状に関する検査の結果を予測する機械学習プログラム７５０ｂを生成することができる。

【0131】

また、機械学習実行プログラム１００ｂは、学習用被検体の目の角膜のうち学習用被検体の下瞼に近い部分を描出している学習用角膜画像を示す学習用角膜画像データを含んでいる教師データである程、機械学習プログラムに優先的に入力してもよい。

【0132】

これにより、機械学習実行プログラム１００ｂは、学習用角膜画像データに基づいてドライアイの症状に関する検査の結果を更に精度良く予測する機械学習プログラム７５０ｂを生成することができる。

【0133】

ドライアイ検査プログラム２００ｂは、データ取得機能２０１ｂと、症状推定機能２０２ｂとを備える。

【0134】

データ取得機能２０１ｂは、推論用角膜画像データを取得する。推論用角膜画像データは、推論用被検体の目の角膜の少なくとも一部を描出している推論用角膜画像を示すデータである。

【0135】

症状推定機能２０２ｂは、機械学習実行プログラム１００ｂにより学習済みの機械学習プログラム７５０ｂに推論用角膜画像データを入力し、推論用被検体の目に現れているドライアイの症状を推定させる。そして、症状推定機能２０２ｂは、機械学習プログラム７５０ｂに推論用被検体の目に現れているドライアイの症状を示す症状データを出力させる。

【0136】

これにより、ドライアイ検査プログラム２００ｂは、ドライアイの症状に関する検査を実際に実施することなく、ドライアイの症状に関する検査の結果を予測することができる。

【0137】

また、ドライアイ検査プログラム２００ｂは、学習用被検体の目の角膜のうち学習用被検体の下瞼に近い部分を描出している学習用角膜画像を示す学習用角膜画像データを含んでいる教師データである程、優先的に入力された機械学習プログラム７５０ｂに推論用角膜画像データを入力する。そして、ドライアイ検査プログラム２００ｂは、機械学習プログラム７５０ｂに推論用被検体の目に現れているドライアイの症状を推定させる。

【0138】

これにより、ドライアイ検査プログラム２００ｂは、ドライアイの症状に関する検査を実際に実施することなく、ドライアイの症状に関する検査の結果を更に精度良く予測することができる。

【0139】

次に、機械学習プログラム７５０ｂを実際に学習させ、ドライアイの症状を推定させた例を挙げて、機械学習実行プログラム１００ｂにより奏される効果の具体例を比較例と第二実施形態に係る実施例とを対比させて説明する。

【0140】

この場合の比較例では、学習用角膜画像データではなく、学習用被検体の目を描出している画像を示す画像データが教師データに含まれる問題となる。また、この場合の比較例では、上述した学習用被検体の目が正常であることを表している５２０個の教師データ及び学習用被検体の目が異常であることを表している６００個の教師データを使用して機械学習プログラムを学習させた例である。

【0141】

このように学習した機械学習プログラムは、上述した画像データを含んでおり、学習用被検体の目が正常であることを表している８０個のテストデータ及び上述した画像データを含んでおり、学習用被検体の目が異常であることを表している８０個のテストデータを使用して特性を評価すると、予測精度５０％及び偽陰性率５０％を示した。

【0142】

一方、機械学習実行プログラム１００ｂが学習用被検体の目の角膜全体のみを描出している学習用角膜画像データのみを使用して学習させた機械学習プログラム７５０ｂは、同様の学習用角膜画像データを含んでいるテストデータを使用して特性を評価すると、予測精度６９％及び偽陰性率３１％を示した。この特性は、比較例に係る機械学習プログラムの特性を上回っている。

【0143】

また、機械学習実行プログラム１００ｂが学習用被検体の目の角膜のうち下瞼側の半分のみを描出している学習用角膜画像データのみを使用して学習させた機械学習プログラム７５０ｂは、同様の学習用角膜画像データを含んでいるテストデータを使用して特性を評価すると、予測精度７８％及び偽陰性率２２％を示した。この特性は、比較例に係る機械学習プログラムの特性を上回っている。

【0144】

なお、予測精度は、異常群に含まれる学習用画像のうち機械学習プログラムにより異常と予測された枚数Ｘ及び正常群に含まれる学習用画像うち機械学習プログラムにより正常と予測された枚数Ｙの合計Ｘ+Ｙのテストデータの総数に対する割合である。したがって、この比較例の場合、予測精度は、（（Ｘ+Ｙ）／１６０）×１００で算出される。

【0145】

また、偽陰性率は、異常群に含まれる学習用画像のうち機械学習プログラムにより正常と予測された枚数の異常群に含まれる学習用画像の合計に対する割合である。したがって、この比較例の場合、偽陰性率は、（（８０－Ｘ）／８０）×１００で算出される。

【0146】

なお、機械学習実行プログラム１００ｂが有する機能の少なくとも一部は、回路部を含むハードウェアにより実現されてもよい。同様に、ドライアイ検査プログラム２００ｂが有する機能の少なくとも一部は、回路部を含むハードウェアにより実現されてもよい。また、このようなハードウェアは、例えば、ＬＳＩ、ＡＳＩＣ、ＦＰＧＡ、ＧＰＵである。

【0147】

また、機械学習実行プログラム１００ｂが有する機能の少なくとも一部は、ソフトウェアとハードウェアの協働により実現されてもよい。同様に、ドライアイ検査プログラム２００ｂが有する機能の少なくとも一部は、ソフトウェアとハードウェアの協働により実現されてもよい。また、これらのハードウェアは、一つに統合されていてもよいし、複数に分かれていてもよい。

【0148】

また、第二実施形態では、機械学習実行装置１０ｂと、機械学習装置７００ｂと、ドライアイ検査装置２０ｂとが互いに独立した装置である場合を例に挙げて説明したが、これに限定されない。これらの装置は、一つの装置として実現されていてもよい。

【0149】

［第三実施形態］
上述した第一実施形態では、教師データ取得機能１０１ａが第二実施形態で説明した学習用角膜画像データを問題に含まない教師データを取得する場合を例に挙げたが、これに限定されない。教師データ取得機能１０１ａは、学習用画像データに代わり、学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の角膜を描出している学習用角膜画像データを問題として含んでいる教師データを取得してもよい。また、この場合、データ取得機能２０１ａは、推論用画像データに代わり、推論用被検体の目を照らしている光よりも色温度が低い光で推論用被検体の目が照らされていると仮定した場合における推論用被検体の角膜を描出している推論用角膜画像データを取得する。そして、この場合、症状推定機能２０２ａは、機械学習プログラム７５０ａに、推論用画像データに代わり、推論用被検体の目を照らしている光よりも色温度が低い光で推論用被検体の目が照らされていると仮定した場合における推論用被検体の角膜を描出している推論用角膜画像データに基づいて推論用被検体の目に現れているドライアイの症状を推定させる。

【0150】

また、上述した第二実施形態では、教師データ取得機能１０１ｂが第一実施形態で説明した学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の目を描出している学習用画像データを問題に含まない教師データを取得する場合を例に挙げたが、これに限定されない。教師データ取得機能１０１ｂは、学習用角膜画像データに代わり、学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の角膜を描出している学習用角膜画像データを問題として含んでいる教師データを取得してもよい。また、この場合、データ取得機能２０１ｂは、推論用被検体の目を照らしている光よりも色温度が低い光で推論用被検体の目が照らされていると仮定した場合における推論用被検体の角膜を描出している推論用角膜画像データを取得する。そして、この場合、症状推定機能２０２ｂは、機械学習プログラム７５０ｂに、推論用被検体の目を照らしている光よりも色温度が低い光で推論用被検体の目が照らされていると仮定した場合における推論用被検体の角膜を描出している推論用角膜画像データに基づいて推論用被検体の目に現れているドライアイの症状を推定させる。

【0151】

次に、学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の角膜を描出している学習用角膜画像データを問題として含んでいる教師データを使用して学習させ、推論用被検体の目を照らしている光よりも色温度が低い光で推論用被検体の目が照らされていると仮定した場合における推論用被検体の角膜を描出している推論用角膜画像データに基づいて推論用被検体の目に現れているドライアイの症状を推定させる場合に奏される効果の具体例について説明する。また、以下の説明では、教師データ取得機能１０１ａが学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の角膜を描出している学習用角膜画像データを取得し、データ取得機能２０１ａが推論用被検体の目を照らしている光よりも色温度が低い光で推論用被検体の目が照らされていると仮定した場合における推論用被検体の角膜を描出している推論用角膜画像データを取得する場合を例に挙げて説明する。

【0152】

この場合の比較例では、学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の角膜を描出している学習用角膜画像データではなく、学習用被検体の目を照らしている光と色温度が等しい光で学習用被検体の目が照らされている場合における学習用被検体の角膜を描出している画像を示す画像データが教師データに含まれる問題となる。また、この場合の比較例では、上述した学習用被検体の目が正常であることを表している５２０個の教師データ及び学習用被検体の目が異常であることを表している６００個の教師データを使用して機械学習プログラムを学習させた例である。

【0153】

このように学習した機械学習プログラムは、上述した画像データを含んでおり、学習用被検体の目が正常であることを表している８０個のテストデータ及び述した画像データを含んでおり、学習用被検体の目が異常であることを表している８０個のテストデータを使用して特性を評価すると、予測精度５０％及び偽陰性率５０％を示した。

【0154】

一方、機械学習実行プログラム１００ａが学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の目の角膜全体のみを描出している学習用角膜画像データを使用して学習させた機械学習プログラム７５０ａは、同様の学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の角膜を描出している学習用角膜画像データを含んでいるテストデータを使用して特性を評価すると、予測精度８１％及び偽陰性率１５％を示した。この特性は、比較例に係る機械学習プログラムの特性を上回っている。

【0155】

また、機械学習実行プログラム１００ａが学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の目の角膜のうち下瞼側の半分のみを描出している学習用角膜画像データを使用して学習させた機械学習プログラム７５０ａは、同様の学習用被検体の目を照らしている光よりも色温度が低い光で学習用被検体の目が照らされていると仮定した場合における学習用被検体の角膜を描出している学習用角膜画像データを含んでいるテストデータを使用して特性を評価すると、予測精度８９％及び偽陰性率５％を示した。この特性は、比較例に係る機械学習プログラムの特性を上回っている。

【0156】

なお、予測精度は、異常群に含まれる学習用画像のうち機械学習プログラムにより異常と予測された枚数Ｘ及び正常群に含まれる学習用画像うち機械学習プログラムにより正常と予測された枚数Ｙの合計Ｘ+Ｙのテストデータの総数に対する割合である。したがって、この比較例の場合、予測精度は、（（Ｘ+Ｙ）／１６０）×１００で算出される。

【0157】

また、偽陰性率は、異常群に含まれる学習用画像のうち機械学習プログラムにより正常と予測された枚数の異常群に含まれる学習用画像の合計に対する割合である。したがって、この比較例の場合、偽陰性率は、（（８０－Ｘ）／８０）×１００で算出される。

【0158】

なお、上述したドライアイ検査プログラム、ドライアイ検査装置及びドライアイ検査方法は、推論用被検体の目にドライアイ点眼薬が点眼される前後で使用されてもよい。上述したドライアイ検査プログラム、ドライアイ検査装置及びドライアイ検査方法は、このようなタイミングで使用されることにより、推論用被検体が抱えるドライアイの症状に対して当該ドライアイ点眼薬が有している有効性を検証する手段ともなり得る。

【0159】

以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成は、この実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲内において種々の組み合わせ、変形、置換及び設計変更の少なくとも一つが加えられることがある。

【0160】

また、上述した本発明の実施形態の効果は、一例として示した効果である。したがって、本発明の実施形態は、上述した効果以外にも上述した実施形態の記載から当業者が認識し得る他の効果も奏し得る。

【符号の説明】

【0161】

１０ａ，１０ｂ…機械学習実行装置、１００ａ，１００ｂ…機械学習実行プログラム、１０１ａ，１０１ｂ…教師データ取得機能、１０２ａ，１０２ｂ…機械学習実行機能、２０ａ，２０ｂ…ドライアイ検査装置、２００ａ，２００ｂ…ドライアイ検査プログラム、２０１ａ，２０１ｂ…データ取得機能、２０２ａ，２０２ｂ…症状推定機能、７００ａ，７００ｂ…機械学習装置、７５０ａ，７５０ｂ…機械学習プログラム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】