特開 2023-148802 学習モデル生成プログラム、学習モデル生成装置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】P2023148802

(43)【公開日】2023-10-13

(54)【発明の名称】学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法

(51)【国際特許分類】

   G16H 30/00 20180101AFI20231005BHJP

【ＦＩ】

G16H30/00

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2022057019

(22)【出願日】2022-03-30

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り （１）令和３年５月２１日にＤＤＷ（Ｄｉｇｅｓｔｉｖｅ Ｄｉｓｅａｓｅ Ｗｅｅｋ▲Ｒ▼）２０２１にて発表。 （２）令和３年５月２１日にｈｔｔｐｓ：／／ｄｄｗｈｉｇｈｌｉｇｈｔｓ．ｃｏｍ／ｈｏｍｅ及びｈｔｔｐｓ：／／ｅｌｓ－ｊｂｓ－ｐｒｏｄ－ｃｄｎ．ｊｂｓ．ｅｌｓｅｖｉｅｒｈｅａｌｔｈ．ｃｏｍ／ｐｂ／ａｓｓｅｔｓ／ｒａｗ／Ｈｅａｌｔｈ％２０Ａｄｖａｎｃｅ／ｊｏｕｒｎａｌｓ／ｙｍｇｅ／ＤＤＷ＿２０２１＿ＹＭＧＥ１２７１４．ｐｄｆにて発表。 （３）令和３年１１月１３日に第７６回日本大腸肛門病学会学術集会にて発表。

(71)【出願人】

【識別番号】506301140

【氏名又は名称】公立大学法人会津大学

(71)【出願人】

【識別番号】509013703

【氏名又は名称】公立大学法人福島県立医科大学

(74)【代理人】

【識別番号】100094525

【弁理士】

【氏名又は名称】土井 健二

(74)【代理人】

【識別番号】100094514

【弁理士】

【氏名又は名称】林 恒徳

(72)【発明者】

【氏名】朱 欣

(72)【発明者】

【氏名】冨樫 一智

(72)【発明者】

【氏名】根本 大樹

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA26

(57)【要約】

【課題】Ｔ１ｂ大腸癌と他の大腸癌との区別を精度良く行うことを可能とする学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法を提供する。
【解決手段】第１状態の大腸癌が映る複数の画像データに対して、第１状態に対応する識別情報を付加することによって、複数の第１教師データを生成し、第１状態以外の第２状態の大腸癌が映る複数の画像データに対して、第２状態に対応する識別情報を付加することによって、複数の第２教師データを生成し、複数の第１教師データと複数の第２教師データとを用いた機械学習を行うことによって第１学習モデルを生成し、生成した第１学習モデルに対して複数の第１教師データを用いた機械学習を再度行うことによって第２学習モデルを生成する。
【選択図】図４

【特許請求の範囲】

【請求項1】

画像データを用いた機械学習を行うことによって大腸癌の状態の判定を行う処理をコンピュータに実行させる学習モデル生成プログラムであって、
第１状態の大腸癌が映る複数の画像データに対して、前記第１状態に対応する識別情報を付加することによって、複数の第１教師データを生成し、
前記第１状態以外の第２状態の大腸癌が映る複数の画像データに対して、前記第２状態に対応する識別情報を付加することによって、複数の第２教師データを生成し、
前記複数の第１教師データと前記複数の第２教師データとを用いた機械学習を行うことによって第１学習モデルを生成し、
生成した前記第１学習モデルに対して前記複数の第１教師データを用いた機械学習を再度行うことによって第２学習モデルを生成する、
ことを特徴とする学習モデル生成プログラム。

【請求項2】

前記第１状態の大腸癌は、Ｔ１ｂ大腸癌であり、
前記第２状態の大腸癌は、Ｔｉｓ大腸癌とＴ１ａ大腸癌とのうちの少なくともいずれか１つである、
ことを特徴とする請求項１に記載の学習モデル生成プログラム。

【請求項3】

前記第２学習モデルを生成する処理では、
前記複数の第１教師データのうち、第３状態の大腸癌が映る画像データに対応する複数の第３教師データを特定し、
前記第１学習モデルに対して前記複数の第３教師データを用いた機械学習を再度行うことによって前記第２学習モデルを生成する、
ことを特徴とする請求項１に記載の学習モデル生成プログラム。

【請求項4】

さらに、前記複数の第３教師データのうち、第４状態の大腸癌が映る画像データに対応する複数の第４教師データを特定し、
前記第２学習モデルに対して前記複数の第４教師データを用いた機械学習を再度行うことによって第３学習モデルを生成する、
処理をコンピュータに実行させることを特徴とする請求項３に記載の学習モデル生成プログラム。

【請求項5】

画像データを用いた機械学習を行うことによって大腸癌の状態の判定を行う処理を行う学習モデル生成装置であって、
第１状態の大腸癌が映る複数の画像データに対して、前記第１状態に対応する識別情報を付加することによって、複数の第１教師データを生成し、前記第１状態以外の第２状態の大腸癌が映る複数の画像データに対して、前記第２状態に対応する識別情報を付加することによって、複数の第２教師データを生成するデータ生成部と、
前記複数の第１教師データと前記複数の第２教師データとを用いた機械学習を行うことによって第１学習モデルを生成する第１モデル生成部と、
生成した前記第１学習モデルに対して前記複数の第１教師データを用いた機械学習を再度行うことによって第２学習モデルを生成する第２モデル生成部と、を有する、
ことを特徴とする学習モデル生成装置。

【請求項6】

画像データを用いた機械学習を行うことによって大腸癌の状態の判定を行う処理をコンピュータが実行する学習モデル生成方法であって、
第１状態の大腸癌が映る複数の画像データに対して、前記第１状態に対応する識別情報を付加することによって、複数の第１教師データを生成し、
前記第１状態以外の第２状態の大腸癌が映る複数の画像データに対して、前記第２状態に対応する識別情報を付加することによって、複数の第２教師データを生成し、
前記複数の第１教師データと前記複数の第２教師データとを用いた機械学習を行うことによって第１学習モデルを生成し、
生成した前記第１学習モデルに対して前記複数の第１教師データを用いた機械学習を再度行うことによって第２学習モデルを生成する、
ことを特徴とする学習モデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法に関する。

【背景技術】

【0002】

大腸癌は、例えば、Ｔｉｓ大腸癌とＴ１ａ大腸癌とＴ１ｂ大腸癌とに分類される。具体的に、浸潤深さが大腸粘膜下１ｍｍ未満である大腸癌は、Ｔｉｓ大腸癌またはＴ１ａ大腸癌と診断され、一般的に、内視鏡手術による治療が行われる。これに対し、浸潤深さが大腸粘膜下１ｍｍ以上である大腸癌は、Ｔ１ｂ大腸癌と診断され、一般的に、外科手術による治療が行われる（非特許文献１乃至３参照）。そのため、大腸癌がＴ１ｂ大腸癌であるか否かの判定精度の向上は、臨床医学において非常に重要な課題である（非特許文献４参照）。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】Horie H, Togashi K, Kawamura YJ, et al. “Colonoscopic stigmata of 1 mm or deeper submucosal invasion in colorectal cancer”, Dis Colon Rectum, 2008 Oct;51(10):1529-34, DOI: 10.1007/s10350-008-9263-y, Epub 2008 Jul 1

【非特許文献2】Saitoh Y, Obara T, Watari J, et al. “Invasion depth diagnosis of depressed type early colorectal cancers by combined use of videoendoscopy and chromoendoscopy.”, Gastrointest Endosc, 1998 Oct;48(4):362-70, DOI: 10.1016/s0016-5107(98)70004-5

【非特許文献3】Fujii T, Saito Y, et al. “Efficacy of the invasive/non-invasive pattern by magnifying chromoendoscopy to estimate the depth of invasion of early colorectal neoplasms.”, Am J Gastroenterol 2008 Nov;103(11):2700-6, doi: 10.1111/j.1572-0241.2008.02190.x, Epub 2008 Oct 3

【非特許文献4】Nao Ito, Hiroshi Kawahira, Hirotaka Nakashima, Masaya Uesato, Hideaki Miyauchi, Hisahiro Matsubara, “Endoscopic Diagnostic Support System for cT1b Colorectal Cancer Using Deep Learning”, Oncology 2019;96(1):44-50, DOI: 10.1159/000491636, Published online: August 21, 2018

【発明の概要】

【発明が解決しようとする課題】

【0004】

ここで、一般的な内視鏡検査では、Ｔ１ｂ大腸癌と他の大腸癌（Ｔｉｓ大腸癌やＴ１ａ大腸癌）との区別を行うことが非常に難しい（非特許文献１及び２参照）。そのため、臨床医学の分野では、Ｔ１ｂ大腸癌と他の大腸癌との区別を精度良く行うことが可能な手法が望まれている。

【0005】

そこで、本発明の目的は、Ｔ１ｂ大腸癌と他の大腸癌との区別を精度良く行うことを可能とする学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法を提供することにある。

【課題を解決するための手段】

【0006】

上記目的を達成するための本発明における学習モデル生成プログラムは、画像データを用いた機械学習を行うことによって大腸癌の状態の判定を行う処理をコンピュータに実行させる学習モデル生成プログラムであって、第１状態の大腸癌が映る複数の画像データに対して、前記第１状態に対応する識別情報を付加することによって、複数の第１教師データを生成し、前記第１状態以外の第２状態の大腸癌が映る複数の画像データに対して、前記第２状態に対応する識別情報を付加することによって、複数の第２教師データを生成し、前記複数の第１教師データと前記複数の第２教師データとを用いた機械学習を行うことによって第１学習モデルを生成し、生成した前記第１学習モデルに対して前記複数の第１教師データを用いた機械学習を再度行うことによって第２学習モデルを生成する。

【発明の効果】

【0007】

本発明における学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法によれば、Ｔ１ｂ大腸癌と他の大腸癌との区別を精度良く行うことが可能になる。

【図面の簡単な説明】

【0008】

【図1】図１は、第１の実施の形態における情報処理装置１の構成例を示す図である。

【図2】図２は、第１の実施の形態の概略を説明する図である。

【図3】図３は、第１の実施の形態における学習モデル生成処理の具体例を説明する図である。

【図4】図４は、第１の実施の形態における学習モデル生成処理の具体例を説明する図である。

【図5】図５は、第１教師データＤＴ１の具体例を説明する図である。

【図6】図６は、第２教師データＤＴ２の具体例を説明する図である。

【図7】図７は、第３教師データＤＴ３の具体例を説明する図である。

【図8】図８は、第１の実施の形態における学習モデル生成処理の詳細を説明するフローチャート図である。

【図9】図９は、第１の実施の形態における学習モデル生成処理の詳細を説明するフローチャート図である。

【図10】図１０は、第１学習モデルＭ１及び第２学習モデルＭ２の判定精度の検証結果について説明する図である。

【図11】図１１は、第１学習モデルＭ１及び第２学習モデルＭ２の判定精度の検証結果について説明する図である。

【発明を実施するための形態】

【0009】

以下、図面を参照して本発明の実施の形態について説明する。しかしながら、かかる実施の形態例が、本発明の技術的範囲を限定するものではない。

【0010】

［第１の実施の形態における情報処理装置１の構成例］
初めに、第１の実施の形態における情報処理装置１（以下、学習モデル生成装置１とも呼ぶ）の構成例について説明を行う。図１は、第１の実施の形態における情報処理装置１の構成例を示す図である。

【0011】

情報処理装置１は、コンピュータ装置であって、例えば、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）である。そして、情報処理装置１は、例えば、画像データに映る大腸癌の種類の判定を行う学習モデルを生成する処理（以下、学習モデル生成処理とも呼ぶ）を行う。

【0012】

情報処理装置１は、汎用的なコンピュータ装置のハードウエア構成を有し、例えば、図１に示すように、プロセッサであるＣＰＵ１０１と、メモリ１０２と、通信インタフェース１０３と、記憶媒体１０４とを有する。各部は、バス１０５を介して互いに接続される。

【0013】

記憶媒体１０４は、例えば、学習モデル生成処理を行うためのプログラム（図示しない）を記憶するプログラム格納領域（図示しない）を有する。

【0014】

また、記憶媒体１０４は、例えば、学習モデル生成処理を行う際に用いられる情報を記憶する記憶領域（図示せず）を有する。なお、記憶媒体１０４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）であってよい。

【0015】

ＣＰＵ１０１は、例えば、記憶媒体１０４からメモリ１０２にロードされたプログラム（図示せず）を実行して学習モデル生成処理を行う。

【0016】

通信インタフェース１０３は、例えば、インターネット網等のネットワークＮＷを介して作業者端末２と通信を行う。なお、作業者端末２は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）であり、学習モデルの生成を行う作業者（以下、単に作業者とも呼ぶ）が必要な情報の入力等を行う端末であってよい。

【0017】

［第１の実施の形態の概略］
次に、第１の実施の形態の概略について説明を行う。図２は、第１の実施の形態の概略を説明する図である。

【0018】

情報処理装置１は、図２に示すように、例えば、情報管理部１１１、データ生成部１１２、第１モデル生成部１１３、第２モデル生成部１１４、モデル出力部１１５及びモデル制御部１１６を含む各機能を実現する。なお、情報管理部１１１、データ生成部１１２、第１モデル生成部１１３、第２モデル生成部１１４及びモデル出力部１１５は、例えば、学習モデル生成処理を実現する機能である。また、モデル制御部１１６は、例えば、学習モデル生成処理によって生成された学習モデルを用いて画像データに映る体調癌の種類を判定する処理（以下、推論処理とも呼ぶ）を実現する機能である。

【0019】

情報処理装置１の情報管理部１１１は、例えば、作業者が作業者端末２を介して入力した各種情報を記憶媒体１０４に記憶する。具体的に、情報管理部１１１は、例えば、Ｔｉｓ大腸癌、Ｔ１ａ大腸癌及びＴ１ｂ大腸癌のうちのいずれかが映る画像データ（以下、学習用画像データとも呼ぶ）の入力を受け付けた場合、受け付けた画像データを記憶媒体１０４に記憶する。以下、Ｔ１ｂ大腸癌を第１状態の大腸癌とも呼び、Ｔｉｓ大腸癌及びＴ１ａ大腸癌を第２状態の大腸癌とも呼ぶ。

【0020】

情報処理装置１のデータ生成部１１２は、例えば、情報管理部１１１が記憶媒体１０４に記憶した画像データを用いることによって教師データを生成する。そして、データ生成部１１２は、例えば、生成した教師データを記憶媒体１０４に記憶する。

【0021】

具体的に、データ生成部１１２は、例えば、Ｔ１ｂ大腸癌が映る複数の画像データのそれぞれに対して、Ｔ１ｂ大腸癌を示す識別情報を付加することによって、複数の教師データ（以下、第１教師データとも呼ぶ）を生成する。また、データ生成部１１２は、例えば、Ｔｉｓ大腸癌またはＴ１ａ大腸癌が映る複数の画像データのそれぞれに対して、Ｔｉｓ大腸癌とＴ１ａ大腸癌とのうちの少なくともいずれかであることを示す識別情報を付加することによって、複数の教師データ（以下、第２教師データとも呼ぶ）を生成する。

【0022】

第１モデル生成部１１３は、例えば、データ生成部１１２が記憶媒体１０４に記憶した複数の第１教師データ及び複数の第２教師データを用いた機械学習を行うことによって、学習モデル（以下、第１学習モデルとも呼ぶ）を生成する。

【0023】

第２モデル生成部１１４は、例えば、データ生成部１１２が記憶媒体１０４に記憶した複数の第１教師データの少なくとも一部の教師データを用いることにより、第１モデル生成部１１３が生成した第１学習モデルの再学習を行うことによって、学習モデル（以下、第２学習モデルとも呼ぶ）を生成する。

【0024】

具体的に、第２モデル生成部１１４は、例えば、データ生成部１１２が記憶媒体１０４に記憶した第１教師データのうち、典型的な状態（以下、第３状態とも呼ぶ）のＴ１ｂ大腸癌が映る画像データに対応する教師データ（以下、第３教師データとも呼ぶ）を用いることによって、第２学習モデルを生成する。

【0025】

さらに具体的に、内視鏡検査を行う医師（以下、単に医師とも呼ぶ）は、例えば、データ生成部１１２が記憶媒体１０４に記憶した第１教師データのそれぞれを目視によって確認することにより、第１教師データのそれぞれが第３教師データに該当するか否かの判断を行う。そして、第２モデル生成部１１４は、例えば、医師によって特定された第３教師データの機械学習を行うことによって、第２学習モデルを生成する。

【0026】

モデル出力部１１５は、例えば、第２モデル生成部１１４が生成した第２学習モデルを作業者端末２に出力する。

【0027】

モデル制御部１１６は、例えば、新たな画像データ（以下、検証用画像データとも呼ぶ）の入力を受け付けた場合、受け付けた画像データを第２学習モデルに入力する。そして、モデル制御部１１６は、例えば、新たな画像データの入力に伴って第２学習モデルから出力されたラベルを取得する。

【0028】

その後、モデル制御部１１６は、例えば、取得したラベルが示す情報（例えば、新たな画像データに映る大腸癌の種類についての推論結果を示す情報）を出力する。具体的に、モデル制御部１１６は、例えば、取得したラベルが示す情報を作業者端末２に出力する。

【0029】

なお、第２学習モデルによる推論処理は、例えば、情報処理装置１と異なる他の情報処理装置（図示せず）において行われるものであってもよい。そして、モデル制御部１１６は、この場合、例えば、他の情報処理装置において実現される機能であってもよい。

【0030】

すなわち、本実施の形態における情報処理装置１は、例えば、第１段階として、Ｔ１ｂ大腸癌に対応する第１教師データだけでなく、Ｔｉｓ大腸癌及びＴ１ａ大腸癌に対応する第２教師データについても用いることによって、第１学習モデルの生成を行う。そして、情報処理装置１は、例えば、第２段階として、Ｔ１ｂ大腸癌に対応する第１教師データのうちの少なくとも一部の教師データ（例えば、第３教師データ）を用いることによって、第２学習データの生成を行う。

【0031】

これにより、本実施の形態における情報処理装置１は、例えば、Ｔ１ｂ大腸癌が映る画像データを十分に用意することができない場合であっても、高い判定精度の学習モデル（第２学習モデル）を生成することが可能になる。

【0032】

具体的に、情報処理装置１は、例えば、Ｔ１ｂ大腸癌に対応する第１教師データの再学習を行わない場合の学習モデル（第１学習モデル）よりも、汎化性能の高い学習モデルを生成することが可能になる。

【0033】

［第１の実施の形態における学習モデル生成処理の具体例］
次に、第１の実施の形態における学習モデル生成処理の具体例について説明を行う。図３及び図４は、第１の実施の形態における学習モデル生成処理の具体例を説明する図である。

【0034】

情報処理装置１は、図３に示すように、例えば、複数の第１教師データＤＴ１及び複数の第２教師データＤＴ２のそれぞれの機械学習を行うことによって、第１学習モデルＭ１を生成する。

【0035】

具体的に、情報処理装置１（データ生成部１１２）は、例えば、第１教師データＤＴ１の数が第２教師データＤＴ２の数と同程度になるように、オーバーサンプリングを行うことによって第１教師データＤＴ１の数を増加させる。そして、情報処理装置１は、例えば、数を増加させた後の第１教師データＤＴ１と第２教師データＤＴ２とのそれぞれについて、サイズ変更、回転及び反転を行うことによって、第１教師データＤＴ１及び第２教師データＤＴ２の数をさらに増加させる。その後、情報処理装置１（第１モデル生成部１１３）は、例えば、サイズ変更等を行うことによってさらに増加させた第１教師データＤＴ１及び第２教師データＤＴ２を用いた機械学習を行うことによって、第１学習モデルＭ１を生成する。

【0036】

その後、情報処理装置１は、図４に示すように、例えば、複数の第１教師データＤＴ１のうちの少なくとも一部の複数の第１教師データＤＴ１（以下、複数の第３教師データＤＴ３とも呼ぶ）の機械学習を用いることにより、第１学習モデルＭ１の再学習を行うことによって第２学習モデルＭ２を生成する。なお、情報処理装置１は、この場合、例えば、複数の第３教師データＤＴ３に加え、複数の第２教師データＤＴ２についても用いることによって、第２学習モデルＭ２の生成を行うものであってもよい。

【0037】

具体的に、情報処理装置１（データ生成部１１２）は、例えば、第１教師データＤＴ１のうち、Ｔ１ｂ大腸癌の典型的な画像データを含む第１教師データＤＴ１を第３教師データＤＴ３として抽出する。なお、図４に示す例では、１９０枚の第１教師データＤＴ１のうちの４２枚が医師によって第３教師データＤＴ３として特定されたことを示している。そして、情報処理装置１は、例えば、抽出された第３教師データＤＴ３の数が第２教師データＤＴ２の数と同程度になるように、オーバーサンプリングを行うことによって第３教師データＤＴ３の数を増加させる。さらに、情報処理装置１は、例えば、数を増加させた後の第３教師データＤＴ３と第２教師データＤＴ２とのそれぞれについて、サイズ変更、回転及び反転を行うことによって、第３教師データＤＴ３及び第２教師データＤＴ２の数をさらに増加させる。その後、情報処理装置１（第１モデル生成部１１３）は、例えば、サイズ変更等を行うことによってさらに増加させた第３教師データＤＴ３及び第２教師データＤＴ２を用いることにより、第１学習モデルＭ１の再学習を行って第２学習モデルＭ２を生成する。

【0038】

なお、図３及び図４に示す例は、第１学習モデルＭ１及び第２学習モデルＭ２の一例であり、これに限られない。具体的に、情報処理装置１は、例えば、「ＲｅｓＮｅｔ５０ Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｏｒ」以外の学習モデルを用いるものであってもよいし、「ＦｏｃａｌＬｏｓｓ」以外の損失関数を用いるものであってもよい。

【0039】

［第１の実施の形態における教師データの具体例］
次に、第１の実施の形態における第１教師データＤＴ１、第２教師データＤＴ２及び第３教師データＤＴ３の具体例について説明を行う。図５は、第１教師データＤＴ１の具体例を説明する図である。また、図６は、第２教師データＤＴ２の具体例を説明する図である。さらに、図７は、第３教師データＤＴ３の具体例を説明する図である。

【0040】

第１教師データＤＴ１は、図５に示すように、例えば、各教師データに含まれる画像データの名称（例えば、ファイル名）や画像データの格納場所（例えば、ファイルパス）等が設定される「画像データ」と、各教師データに含まれる画像データに映る大腸癌の種別を示す識別情報が設定される「識別情報」とを項目として有する。

【0041】

具体的に、図５に示す第１教師データＤＴ１において、１行目のデータには、例えば、「画像データ」として「ＡＡＡ」が設定されており、「識別情報」として「Ｔ１ｂ」が設定されている。また、図５に示す第１教師データＤＴ１において、２行目のデータには、例えば、「画像データ」として「ＢＢＢ」が設定されており、「識別情報」として「Ｔ１ｂ」が設定されている。図５に含まれる他のデータについての説明は省略する。

【0042】

また、第２教師データＤＴ２は、図６に示すように、例えば、図５に示す第１教師データＤＴ１の場合と同様の項目を有している。

【0043】

具体的に、図６に示す第２教師データＤＴ２において、１行目のデータには、例えば、「画像データ」として「ＥＥＥ」が設定されており、「識別情報」として「Ｔ１ａ」が設定されている。また、図６に示す第２教師データＤＴ２において、２行目のデータには、例えば、「画像データ」として「ＦＦＦ」が設定されており、「識別情報」として「Ｔｉｓ」が設定されている。図６に含まれる他のデータについての説明は省略する。

【0044】

また、第３教師データＤＴ３は、図７に示すように、例えば、図５に示す第１教師データＤＴ１の場合と同様の項目を有している。

【0045】

具体的に、図７に示す第３教師データＤＴ３において、１行目のデータには、例えば、「画像データ」として「ＡＡＡ」が設定されており、「識別情報」として「Ｔ１ｂ」が設定されている。また、図７に示す第３教師データＤＴ３において、２行目のデータには、例えば、「画像データ」として「ＤＤＤ」が設定されており、「識別情報」として「Ｔ１ｂ」が設定されている。図７に含まれる他のデータについての説明は省略する。

【0046】

すなわち、図７に示す例は、例えば、図５に示す第１教師データＤＴ１のうち、１行目のデータや４行目のデータを含む複数のデータが第３教師データＤＴ３として特定されたことを示している。

【0047】

［第１の実施の形態の詳細］
次に、第１の実施の形態における学習モデル生成処理の詳細について説明を行う。図８及び図９は、第１の実施の形態における学習モデル生成処理の詳細を説明するフローチャート図である。

【0048】

［学習モデル記憶処理］
初めに、学習モデル生成処理のうち、画像データを記憶媒体１０４に記憶する処理（以下、画像データ記憶処理とも呼ぶ）について説明を行う。図８は、画像データ記憶処理について説明する図である。

【0049】

情報管理部１１１は、図８に示すように、例えば、画像データの入力を受け付けるまで待機する（Ｓ１１のＮＯ）。具体的に、情報管理部１１１は、例えば、作業者が作業者端末２を介して画像データの入力を行うまで待機する。

【0050】

そして、画像データの入力を受け付けた場合（Ｓ１１のＹＥＳ）、情報管理部１１１は、例えば、入力を受け付けた画像データを記憶媒体１０４に記憶する（Ｓ１２）。

【0051】

すなわち、情報管理部１１１は、例えば、画像データの入力を受け付けるごとに、受け付けた画像データを記憶媒体１０４に記憶することにより、複数の画像データを記憶媒体１０４に蓄積する。また、情報管理部１１１は、例えば、複数の画像データの入力を受け付けた場合、入力を受け付けた複数の画像データを記憶媒体１０４に記憶する。

【0052】

［学習モデル生成処理のメイン処理］
次に、学習モデル生成処理のメイン処理について説明を行う。図９は、学習モデル生成処理のメイン処理について説明する図である。

【0053】

データ生成部１１２は、図９に示すように、例えば、Ｔ１ｂ大腸癌が映る複数の画像データのそれぞれに対して、Ｔ１ｂ大腸癌を示す識別情報を付加することによって、複数の第１教師データＤＴ１を生成する（Ｓ２１）。

【0054】

また、データ生成部１１２は、例えば、Ｔｉｓ大腸癌またはＴ１ａ大腸癌が映る複数の画像データのそれぞれに対して、ＴｉｓとＴ１ｂとのうちの少なくともいずれかであることを示す識別情報を付加することによって、複数の第２教師データＤＴ２を生成する（Ｓ２２）。

【0055】

なお、データ生成部１１２は、Ｓ２２の処理において、例えば、Ｔｉｓ大腸癌が映る複数の画像データのそれぞれに対して、Ｔｉｓ大腸癌を示す識別情報を付加することによって、複数の第２教師データＤＴ２のうちの一部を生成するものであってもよい。また、データ生成部１１２は、Ｓ２２の処理において、例えば、Ｔ１ａ大腸癌が映る複数の画像データのそれぞれに対して、Ｔ１ａ大腸癌を示す識別情報を付加することによって、複数の第２教師データＤＴ２の他の一部を生成するものであってもよい。

【0056】

そして、第１モデル生成部１１３は、例えば、データ生成部１１２が記憶媒体１０４に記憶した複数の第１教師データＤＴ１及び複数の第２教師データＤＴ２を用いた機械学習を行うことによって、第１学習モデルＭ１を生成する（Ｓ２３）。

【0057】

次に、データ生成部１１２は、例えば、Ｓ２１の処理で生成した複数の第１教師データＤＴ１のうち、典型的なＴ１ｂ大腸癌が映る画像データに対応する第１教師データＤＴ１を第３教師データＤＴ３として特定する（Ｓ２４）。

【0058】

具体的に、情報処理装置１は、例えば、Ｓ２１の処理で生成した複数の第１教師データＤＴ１のそれぞれについて、第３教師データＤＴ３であるか否かを示す情報（以下、指定情報とも呼ぶ）の入力を受け付ける。指定情報は、例えば、複数の第１教師データＤＴ１のそれぞれに含まれる画像データが典型的な状態のＴ１ｂ大腸癌が映る画像データであるか否か（第３教師データＤＴ３に含まれる画像データであるか否か）の判断を行った医師によって情報処理装置１に入力されるものであってよい。そして、情報処理装置１は、例えば、第１教師データＤＴ１のそれぞれについて入力された指定情報を参照することによって、Ｓ２１の処理で生成した複数の第１教師データＤＴ１に含まれる複数の第３教師データＤＴ３を特定するものであってよい。

【0059】

なお、医師は、例えば、Ｔ１ｂの典型的な内視鏡所見（深い陥凹、ひだのひきつれ、表面凹凸不整、潰瘍・びらん、易出血性及び緊満感）が確認された画像データに対応する第１教師データＤＴ１を、第３教師データＤＴ３として特定するものであってよい。

【0060】

その後、第２モデル生成部１１４は、例えば、データ生成部１１２が特定した第３教師データＤＴ３を用いることにより、第１モデル生成部１１３が生成した第１学習モデルＭ１の再学習を行って第２学習モデルＭ２を生成する（Ｓ２５）。

【0061】

そして、モデル出力部１１５は、例えば、第２モデル生成部１１４が生成した第２学習モデルＭ２を作業者端末２に出力する（Ｓ２６）。

【0062】

［第１学習モデルＭ１及び第２学習モデルＭ２の判定精度］
次に、第１学習モデルＭ１及び第２学習モデルＭ２の判定精度の検証結果について説明を行う。図１０及び図１１は、第１学習モデルＭ１及び第２学習モデルＭ２の判定精度の検証結果について説明する図である。なお、以下、Ｔ１ｂ大腸癌が映る画像データに対応する大腸癌の種類が正しく判定された確率を「感度」と呼ぶ。また、Ｔｉｓ大腸癌またはＴ１ａ大腸癌が映る画像データに対応する大腸癌の種類が正しく判定された確率を「特異度」と呼ぶ。また、全ての画像データに対応する大腸癌の種類が正しく判定された確率を「正診率」とも呼ぶ。

【0063】

図１０に示す結果は、第１学習モデルＭ１の「感度」、「特異度」及び「正診率」のそれぞれが「６２．２（％）」、「８８．５（％）」及び「８３．１（％）」であったのに対し、第２学習モデルＭ２の「感度」、「特異度」及び「正診率」のそれぞれが「７２．０（％）」、「８８．２（％）」及び「８４．９（％）」であったことを示している。

【0064】

すなわち、図１０に示す結果は、例えば、第２学習モデルＭ２の生成（第１学習モデルＭ１の再学習）を行うことによって、「特異度」を大きく低下させることなく、「感度」を大きく上昇させることに成功したことを示している。

【0065】

また、図１１に示す結果は、エキスパートＡ（例えば、ベテランの医師）による「感度」、「特異度」及び「正診率」のそれぞれが「８０．５（％）」、「７６．６（％）」及び「７７．４（％）」であり、エキスパートＢ（例えば、ベテランの医師）による「感度」、「特異度」及び「正診率」のそれぞれが「７８．１（％）」、「８２．６（％）」及び「８１．６（％）」であり、トレーニーＡ（例えば、研修医）による「感度」、「特異度」及び「正診率」のそれぞれが「９２．７（％）」、「３３．３（％）」及び「４５．４（％）」であり、トレーニーＢ（例えば、研修医）による「感度」、「特異度」及び「正診率」のそれぞれが「９８．８（％）」、「１４．３（％）」及び「３１．５（％）」であるのに対し、第２学習モデルＭ２の「感度」、「特異度」及び「正診率」のそれぞれが「７２．０（％）」、「８８．２（％）」及び「８４．９（％）」であったことを示している。

【0066】

すなわち、図１１に示す結果は、例えば、第２学習モデルＭ２の「特異度」が、エキスパートＡ、エキスパートＢ、トレーニーＡ及びトレーニーＢのそれぞれよりも高いことを示している。

【0067】

なお、本実施の形態における情報処理装置１は、各種のチューニングを行うことによって、例えば、エキスパートＡ、エキスパートＢ、トレーニーＡ及びトレーニーＢのそれぞれよりも「感度」の高い学習モデルを生成することも可能である。

【0068】

また、本実施の形態における情報処理装置１は、例えば、患者の年齢、性別及び病歴等の情報に基づいて必要な閾値の調整等を行うことにより、学習モデルの「感度」や「特異度」をより向上させることも可能である。

【0069】

このように、本実施の形態における情報処理装置１は、例えば、第１状態の大腸癌が映る複数の画像データに対して、第１状態に対応する識別情報を付加することによって、複数の第１教師データＤＴ１を生成する。また、情報処理装置１は、例えば、第１状態以外の第２状態の大腸癌が映る複数の画像データに対して、第２状態に対応する識別情報を付加することによって、複数の第２教師データＤＴ２を生成する。

【0070】

その後、本実施の形態における情報処理装置１は、例えば、複数の第１教師データＤＴ１と複数の第２教師データＤＴ２とを用いた機械学習を行うことによって第１学習モデルＭ１を生成する。そして。情報処理装置１は、例えば、生成した第１学習モデルＭ１に対して複数の第１教師データＤＴ１を用いた機械学習を再度行うことによって第２学習モデルＭ２を生成する。具体的に、情報処理装置１は、例えば、複数の第１教師データＤＴ１のうち、典型的な第１状態を示す複数の第３教師データＤＴ３を用いることによって第２学習モデルＭ２を生成する。

【0071】

すなわち、本実施の形態における情報処理装置１は、例えば、第１段階として、Ｔ１ｂ大腸癌に対応する第１教師データＤＴ１だけでなく、Ｔｉｓ大腸癌及びＴ１ａ大腸癌に対応する第２教師データＤＴ２についても用いることによって、第１学習モデルＭ１を生成する。そして、情報処理装置１は、例えば、第２段階として、Ｔ１ｂ大腸癌に対応する第１教師データＤＴ１のうちの少なくとも一部の教師データを用いることによって、第２学習モデルＭ２を生成する。

【0072】

これにより、本実施の形態における情報処理装置１は、例えば、Ｔ１ｂ大腸癌が映る画像データを十分に用意することができない場合であっても、高い判定精度の第２学習モデルＭ２を生成することが可能になる。

【0073】

そのため、医師は、例えば、情報処理装置１によって生成された第２学習モデルＭ２による推論結果を参照しながら内視鏡検査を行うことで、Ｔ１ｂ大腸癌の見逃しを防止することが可能になる。また、医師は、例えば、情報処理装置１によって生成された第２学習モデルＭ２による推論結果を参照しながら内視鏡検査を行うことで、内視鏡検査の実施時間を短縮すること（内視鏡検査の実施速度を向上させること）が可能になり、内視鏡検査を行う医師や内視鏡検査を受ける患者の精神的及び肉体的な負担を軽減することが可能になる。さらに、医師は、例えば、情報処理装置１によって生成された第２学習モデルＭ２による推論結果を、研修医や学生に対する教育（例えば、内視鏡検査の実施訓練等）に活用することが可能になる。

【0074】

また、本実施の形態における情報処理装置１は、図１１に示すように、例えば、医師による診断よりも特異度の高い第２学習モデルＭ２を生成することが可能になる。そのため、医師は、例えば、情報処理装置１によって生成された第２学習モデルＭ２による推論結果を参照しながら内視鏡検査を行うことで、大腸癌でなかった患者（すなわち、内視鏡手術が必ずしも必要でない患者）に対して内視鏡手術が行われるケースや、Ｔｉｓ大腸癌またはＴ１ａ大腸癌である患者（すなわち、外科手術が必ずしも必要でない患者）に対して外科手術が行われるケースの発生を抑制することが可能になる。

【0075】

なお、例えば、Ｔ１ｂ大腸癌が映る多くの画像データを１か所の病院等において用意することが困難である場合、作業者は、例えば、複数の病院等において撮影された画像データ（Ｔ１ｂ大腸癌が映る画像データ）を収集する必要がある。しかしながら、各病院等において撮影された画像データは、カメラから被写体（大腸）までの距離や撮影角度等が一定でない可能性がある。

【0076】

この点、本実施の形態における情報処理装置１は、例えば、第１学習モデルＭ１を生成した後、典型的なＴ１ｂ大腸癌に対応する第１教師データＤＴ１（第３教師データＤＴ３）を用いて再学習を行う。そのため、本実施の形態における情報処理装置１は、例えば、再学習を行わない場合よりも汎化性能の高い第２学習モデルＭ２を生成することが可能になり、Ｔ１ｂ大腸癌が映る多くの画像データを１か所の病院等において用意することが困難である場合であっても、高い判定精度の第２学習モデルＭ２を生成することが可能になる。

【0077】

また、上記の例では、典型的な大腸癌が映る画像データを含む第１教師データＤＴ１（第３教師データＤＴ３）を用いた再学習が１回行われる場合について説明を行ったが、これに限られない。情報処理装置１は、例えば、典型的な状態のＴ１ｂ大腸癌が映る画像データを含む第１教師データＤＴ１（第３教師データＤＴ３）を用いた再学習によって第２学習モデルＭ２を生成した後、第３教師データＤＴ３のうち、より典型的な状態（以下、第４状態とも呼ぶ）のＴ１ｂ大腸癌であると医師が判断した大腸癌が映る画像データを含む複数の第３教師データＤＴ３（以下、第４教師データとも呼ぶ）を用いた２回目の再学習によって新たな学習モデル（以下、第３学習モデルとも呼ぶ）を生成するものであってもよい。これにより、情報処理装置１は、例えば、判断精度がより高い学習モデル（第３学習モデル）を生成することが可能になる。

【符号の説明】

【0078】

１：情報処理装置
２：作業者端末
１０１：ＣＰＵ
１０２：メモリ
１０３：通信インタフェース
１０４：記憶媒体
１０５：バス
１１１：情報管理部
１１２：データ生成部
１１３：第１モデル生成部
１１４：第２モデル生成部
１１５：モデル出力部
１１６：モデル制御部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】