特開 2023-25415 プログラム、記憶媒体、システム、学習済モデルおよび判定方法

(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】P2023025415

(43)【公開日】2023-02-22

(54)【発明の名称】プログラム、記憶媒体、システム、学習済モデルおよび判定方法

(51)【国際特許分類】

   G16H 50/50 20180101AFI20230215BHJP

   A61B 10/00 20060101ALI20230215BHJP

   A61B 1/24 20060101ALI20230215BHJP

   A61B 1/045 20060101ALI20230215BHJP

【ＦＩ】

G16H50/50

A61B10/00 M

A61B1/24

A61B1/045 614

A61B1/045 618

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2021130640

(22)【出願日】2021-08-10

【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 令和３年３月３１日に一般財団法人キヤノン財団が自社のウェブサイトにて公開

(71)【出願人】

【識別番号】503168256

【氏名又は名称】株式会社スタージェン

(74)【代理人】

【識別番号】100131842

【弁理士】

【氏名又は名称】加島 広基

(72)【発明者】

【氏名】森 英毅

(72)【発明者】

【氏名】山▲崎▼ 一美

【テーマコード（参考）】

4C161

5L099

【Ｆターム（参考）】

4C161AA08

4C161CC06

4C161HH51

5L099AA04

5L099AA26

(57)【要約】

【課題】対象者の急性虫垂炎の発症の有無を判断することができるプログラム、記憶媒体、システム、学習済モデルおよび判定方法を提供する。
【解決手段】コンピュータを、モデル生成手段２２と、受付手段２４と、演算手段２６として機能させるプログラムにおいて、モデル生成手段２２は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データ３２を用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデル３４を深層学習により生成し、受付手段２４は、急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付け、演算手段２６は、モデル生成手段２２により生成された学習済モデル３４に基づいて、受付手段２４により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う。
【選択図】図２

【特許請求の範囲】

【請求項1】

コンピュータを、モデル生成手段と、受付手段と、演算手段として機能させるプログラムであって、
前記モデル生成手段は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデルを深層学習により生成し、
前記受付手段は、急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付け、
前記演算手段は、前記モデル生成手段により生成された前記学習済モデルに基づいて、前記受付手段により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う、プログラム。

【請求項2】

前記演算手段は、急性虫垂炎の発症の有無に関する演算を行う際に、急性虫垂炎の発症有の確率および急性虫垂炎の発症無の確率のうち少なくとも何れか一方を算出する、請求項１記載のプログラム。

【請求項3】

前記演算手段は、前記モデル生成手段により生成された前記学習済モデルに基づいて、前記受付手段により受け付けられた舌表面画像に対するヒートマップを生成し、前記受付手段により受け付けられた舌表面画像に前記ヒートマップを重ね合わせることにより生成される重合せ画像に基づいて急性虫垂炎の発症の有無に関する演算を行う、請求項１または２記載のプログラム。

【請求項4】

前記モデル生成手段は、既存のモデルに前記教師データを加えることによって前記学習済モデルを深層学習により生成する、請求項１乃至３のいずれか一項に記載のプログラム。

【請求項5】

前記教師データはトレーニングセットと、バリデーションセットおよびテストセットのうち少なくとも何れかとを含み、
前記モデル生成手段において、前記トレーニングセットを用いて生成された前記学習済モデルに対して、前記バリデーションセットおよび前記テストセットのうち少なくとも何れかを用いて検証を行う、請求項１乃至４のいずれか一項に記載のプログラム。

【請求項6】

前記教師データは、前記受付手段により受け付けた舌表面画像および前記演算手段による演算結果を含む、請求項１乃至５のいずれか一項に記載のプログラム。

【請求項7】

コンピュータを、モデル生成手段と、受付手段と、演算手段として機能させるプログラムが記憶された記憶媒体であって、
前記モデル生成手段は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデルを深層学習により生成し、
前記受付手段は、急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付け、
前記演算手段は、前記モデル生成手段により生成された前記学習済モデルに基づいて、前記受付手段により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う、記憶媒体。

【請求項8】

舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデルを深層学習により生成するモデル生成手段と、
急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付ける受付手段と、
前記モデル生成手段により生成された前記学習済モデルに基づいて、前記受付手段により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う演算手段と、
を備えた、システム。

【請求項9】

舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用いて深層学習により生成された、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする、学習済モデル。

【請求項10】

コンピュータにより行われる判定方法であって、
舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデルを深層学習により生成する工程と、
急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付ける工程と、
生成された前記学習済モデルに基づいて、受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う工程と、
を備えた、判定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、プログラム、記憶媒体、システム、学習済モデルおよび判定方法に関する。

【背景技術】

【0002】

従来から、漢方医学では舌の状態を身体の状態を現す指標の一つとする舌診が知られている。このような舌診の理論を用いた舌診装置として例えば特許文献１等に開示されるものが知られている。特許文献１等に開示される舌診装置では、漢方医学による舌診の技能がない医師、あるいは遠隔地にいるために患者の舌を直接舌診できない医師、さらには医師でない薬剤師等であっても漢方医学に基づく舌診の診断結果を得ることができる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００９－０２８０５８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、対象者の急性虫垂炎の発症の有無を判断する舌診装置は従来より存在しなかった。

【0005】

本発明は、このような点を考慮してなされたものであり、対象者の急性虫垂炎の発症の有無を判断することができるプログラム、記憶媒体、システム、学習済モデルおよび判定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】

【0006】

本発明は、コンピュータを、モデル生成手段と、受付手段と、演算手段として機能させるプログラムであって、
前記モデル生成手段は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデルを深層学習により生成し、
前記受付手段は、急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付け、
前記演算手段は、前記モデル生成手段により生成された前記学習済モデルに基づいて、前記受付手段により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う、プログラムである。

【0007】

本発明は、コンピュータを、モデル生成手段と、受付手段と、演算手段として機能させるプログラムが記憶された記憶媒体であって、
前記モデル生成手段は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデルを深層学習により生成し、
前記受付手段は、急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付け、
前記演算手段は、前記モデル生成手段により生成された前記学習済モデルに基づいて、前記受付手段により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う、記憶媒体である。

【0008】

本発明は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデルを深層学習により生成するモデル生成手段と、
急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付ける受付手段と、
前記モデル生成手段により生成された前記学習済モデルに基づいて、前記受付手段により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う演算手段と、
を備えた、システムである。

【0009】

本発明は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用いて深層学習により生成された、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする、学習済モデルである。

【0010】

本発明は、コンピュータにより行われる判定方法であって、
舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データを用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデルを深層学習により生成する工程と、
急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付ける工程と、
生成された前記学習済モデルに基づいて、受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う工程と、
を備えた、判定方法である。

【発明の効果】

【0011】

本発明のプログラム、記憶媒体、システム、学習済モデルおよび判定方法によれば、対象者の急性虫垂炎の発症の有無を判断することができる。

【図面の簡単な説明】

【0012】

【図1】本発明の実施の形態による診断システムの構成を概略的に示す概略構成図である。

【図2】図１に示す診断システムにおける学習済モデルの生成および舌表面画像を入力したときの演算等を示す説明図である。

【図3】図１に示す診断システムによる学習済モデルの生成方法および急性虫垂炎の発症の有無の判定方法を示すフローチャートである。

【図4】急性虫垂炎の発症有の確率が高いと演算された舌表面画像である。

【図5】図４に示す舌表面画像に対して生成されたヒートマップである。

【図6】図４に示す舌表面画像および図５に示すヒートマップを重ね合わせることにより生成される重合せ画像である。

【図7】急性虫垂炎の発症有の確率が極めて低いと演算された舌表面画像である。

【図8】図７に示す舌表面画像に対して生成されたヒートマップである。

【図9】図７に示す舌表面画像および図５に示すヒートマップを重ね合わせることにより生成される重合せ画像である。

【発明を実施するための形態】

【0013】

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。図１乃至図９は、本実施の形態に係る診断システムおよび診断対象となる舌表面画像等を示す図である。

【0014】

まず、本実施の形態に係る診断システムの構成について図１および図２を用いて説明する。図１等に示すように、診断システム１０はコンピュータ等から構成されており、制御部２０と、記憶部３０と、表示部５０と、操作部５２と、通信部５４とを備えている。

【0015】

制御部２０は、ＣＰＵ（中央演算処理装置）等で構成され、診断システム１０の動作を制御する。具体的には、制御部２０は、後述する記憶部３０に記憶されているプログラム３６を実行することにより、モデル生成手段２２、受付手段２４、演算手段２６および出力手段２８として機能する。

【0016】

モデル生成手段２２は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データ３２を用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報を出力とする学習済モデル３４を深層学習により生成する。モデル生成手段２２による学習済モデル３４の生成方法の詳細については後述する。

【0017】

受付手段２４は、急性虫垂炎の発症の有無を診断すべき対象者（すなわち、急性虫垂炎の発症が疑われる対象者）の舌表面画像を受け付ける。具体的には、例えば後述する通信部５４を介して外部装置（例えば、デジタルカメラ等の撮像装置やスマートフォン等の携帯通信端末）から舌表面画像が診断システム１０に送信されると、受付手段２４はこの舌表面画像を受け付ける。

【0018】

演算手段２６は、モデル生成手段２２により生成された学習済モデル３４に基づいて、受付手段２４により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う。

【0019】

出力手段２８は、演算手段２６による演算結果を出力する。出力手段２８により出力された情報は表示部５０に表示されたり通信部５４により診断システム１０とは別の装置に送信されたりする。

【0020】

記憶部３０は、例えばＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）などで構成されている。また、記憶部３０は診断システム１０に内蔵されるものに限定されることはなく、診断システム１０に着脱自在に装着可能な記憶媒体（例えば、ＵＳＢメモリ）等であってもよい。本実施の形態では、記憶部３０は、学習済モデル３４およびプログラム３６等を記憶するようになっている。

【0021】

表示部５０は例えばモニタ等であり、制御部２０から表示指令信号を受け取ることにより様々な画面を表示するようになっている。操作部５２は例えばキーボード等であり、制御部２０に対して様々な指令を与えることができるようになっている。本実施の形態では、これらの表示部５０および操作部５２が一体化したタッチパネル等の表示操作部が用いられてもよい。通信部５４は、無線または有線により外部装置との信号の送受信を行うための通信インターフェースを含む。

【0022】

次に、このような診断システム１０による診断方法（具体的には、急性虫垂炎の発症の有無についての判定方法）について図２および図３を用いて説明する。図２は、図１に示す診断システム１０における学習済モデルの生成および舌表面画像を入力したときの演算等を示す説明図であり、図３は、図１に示す診断システム１０による判定方法を示すフローチャートである。以下に示す動作は、記憶部３０に記憶されているプログラム３６を制御部２０が実行することにより、各手段２２、２４、２６、２８によって行われるものである。

【0023】

まず、診断システム１０において、モデル生成手段２２により学習済モデル３４を予め生成しておく（ＳＴＥＰ１、２）。このようなモデル生成手段２２による学習済モデル３４の生成方法の詳細について以下に説明する。モデル生成手段２２は、ニューラルネットワーク（ＮＮ）、例えば、畳み込みニューラルネットワーク（ＣＮＮ）、Ｖｉｓｉｏｎ Ｔｒａｎｓｆｏｒｍｅｒ（ＶｉＴ）等、およびそれらの組み合わせ等から構成されている。このようなニューラルネットワークは、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データ３２が入力される入力層と、教師データ３２を用いてパラメータが学習される中間層と、急性虫垂炎の発症の有無予測を出力する出力層と、学習済パラメータを含むよう構成された学習済モデル３４を出力する機能とを有している。そして、このようなニューラルネットワークでは、教師データ３２が入力されると、中間層にて演算し、出力層により急性虫垂炎の発症の有無予測を出力するようになる。このようなニューラルネットワークとして新たに構成することも、既知のものを用いることもできる。

【0024】

ここで、モデル生成手段２２は、既存のモデルに教師データ３２を加えることによって学習済モデル３４を深層学習により生成してもよい。既存のモデルは、舌表面画像または、舌表面画像以外の多数の画像を用いて深層学習が既に行われたモデルと学習済パラメータであり、このような既存のモデルを転移学習させることにより学習済モデル３４を効率的に作成することができる。すなわち、教師データ３２の数が少なくても、精度の高い学習済モデル３４を生成することができる。既存のモデルとしては、例えばＣＮＮの一形態であるＭｏｂｉｌｅＮｅｔや、ＶｉＴ等を用いることができる。なお、本実施の形態はこのような態様に限定されることはない。他の態様として、モデル生成手段２２は、既存のモデルを用いずに新たにモデルを構築し、教師データ３２のみを用いてパラメータを学習し、学習済パラメータを含んだ学習済モデル３４を深層学習により生成してもよい。

【0025】

また、本実施の形態では、教師データ３２はトレーニングセット、バリデーションセット、テストセット（バリデーションセット、テストセットは、どちらかが存在しない場合もあり得る）を含み、モデル生成手段２２において、まずはトレーニングセットを用いて学習済モデル３４を生成し（ＳＴＥＰ１）、生成された学習済モデル３４に対して、バリデーションセット、テストセットを用いて検証を行う（ＳＴＥＰ２）ようになっている。モデル生成手段２２が教師データ３２としてトレーニングセットを用いて学習済モデル３４を作成した場合には、教師データ３２自身のみによっては、過適合、過学習や未知のデータに対する汎化性能を評価することはできない。このため、バリデーションセット、テストセットを用いて汎化性能の検証を行う。バリデーションセット、テストセットを用いた検証方法として既知の方法または、新たな方法を用いることができる。

【0026】

次に、演算手段２６による演算方法の詳細について説明する。急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像が受付手段２４により受け付けられると（ＳＴＥＰ３）、演算手段２６は、モデル生成手段２２により生成された学習済モデル３４に基づいて、受付手段２４により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う（ＳＴＥＰ４）。具体的には、演算手段２６は、急性虫垂炎の発症の有無に関する演算を行う際に、急性虫垂炎の発症有の確率および急性虫垂炎の発症無の確率のうち少なくとも何れか一方を算出する。

【0027】

より詳細には、演算手段２６は、まず、モデル生成手段２２により生成された学習済モデル３４に基づいて、受付手段２４により受け付けられた舌表面画像（図４、図７参照）に対する画像処理を実行する。これは、学習済パラメータと舌表面画像の演算であり、一例がヒートマップ（図５、図８参照）に示されているような画像の特徴量抽出である。抽出された特徴量がヒートマップである場合には、それを舌表面画像に重ね合わせることにより重合せ画像（図６、図９参照）が演算結果として生成され、この生成された重合せ画像に基づいて急性虫垂炎の発症の有無に関する演算を行う。抽出される特徴量は、ヒートマップ（図５、図８参照）に限るわけではなく、他の特徴量がモデル生成手段２２で抽出されることもある。他の態様として、例えば演算手段２６は、受付手段２４により受け付けられた舌表面画像に学習済パラメータを演算して、受付手段２４により受け付けられた舌表面画像と虫垂炎の発症の有無予測の広範囲な依存関係等の特徴量を抽出する。他の特徴量が抽出された場合には、重合せ画像（図６、図９参照）とは違った演算結果となるが、いずれにしても舌表面画像と抽出された特徴量との急性虫垂炎の発症の有無の予測に必要な適切な演算を行う。なお、図４乃至図６は、急性虫垂炎の発症有の確率が高いと演算された舌表面画像、ヒートマップおよび重合せ画像であり、図７乃至図９は、急性虫垂炎の発症有の確率が極めて低いと演算された舌表面画像、ヒートマップおよび重合せ画像である。

【0028】

その後、演算手段２６による演算結果が出力手段２８により出力される（ＳＴＥＰ５）。具体的には、急性虫垂炎の発症有の確率および急性虫垂炎の発症無の確率のうち少なくとも何れか一方または両方が表示部５０に表示されたり通信部５４により外部装置に送信されたりする。このことにより、診断システム１０の使用者は、舌表面画像を撮影した対象者に急性虫垂炎が発症しているか否かを診断する際に、演算手段２６による演算結果（すなわち、急性虫垂炎の発症の有無の確率）を参照することができる。

【0029】

また、演算手段２６により演算された急性虫垂炎の発症の有無の確率が、実際の対象者の急性虫垂炎の発症の有無に基づいて妥当である旨の入力が操作部５２等によりなされた場合は、受付手段２４により受け付けた舌表面画像および演算手段２６により演算された急性虫垂炎の発症の有無の確率を教師データ３２としてモデル生成手段２２に入力することによって、モデル生成手段２２により生成される学習済モデル３４を都度更新してもよい。このことにより、診断システム１０により舌表面画像の診断を行う度にモデル生成手段２２に入力される教師データ３２が増えるので、学習済モデル３４をより精度の高いものとすることができる。

【0030】

以上のような構成からなる本実施の形態の診断システム１０、プログラム３６、記憶媒体（具体的には、記憶部３０）および判定方法によれば、モデル生成手段２２は、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データ３２を用い、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報（発症の有無予測）を出力とする学習済モデル３４を深層学習により生成する。また、受付手段２４は、急性虫垂炎の発症の有無を診断すべき対象者の舌表面画像を受け付ける。そして、演算手段２６は、モデル生成手段２２により生成された学習済モデル３４に基づいて、受付手段２４により受け付けられた舌表面画像を入力したときの急性虫垂炎の発症の有無に関する演算を行う。このように、舌表面画像が入力されたときに、深層学習によって生成された学習済モデル３４を用いて、急性虫垂炎の発症の有無に関する演算を行うため、急性虫垂炎の発症の有無を判断する精度を良好なものとすることができる。

【0031】

なお、本発明によるシステムやプログラム、記憶媒体、判定方法は、上述したような態様に限定されることはなく、様々な変更を加えることができる。

【0032】

例えば、コンピュータ（具体的には、診断システム１０）を、モデル生成手段２２と、受付手段２４と、演算手段２６として機能させるプログラムは、記憶部３０に記憶されているものに限定されることはない。このようなプログラムとして、コンピュータに取り付けられたＵＳＢメモリ等の記録媒体に記憶されているものや、外部装置から通信部５４を介してコンピュータに送信されたものが用いられてもよい。

【0033】

また、モデル生成手段２２は、ニューラルネットワークにより教師データ３２から学習済モデル３４を生成するものに限定されることはない。本発明による診断システムの他の例として、モデル生成手段２２は、ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢ、Ｍ決定木（Ｄｅｃｉｓｉｏｎ ｔｒｅｅｓ）学習、相関ルール学習、クラスタリング等の他の種類の機械学習により学習済モデル３４を生成するようになっていてもよい。

【0034】

また、本発明による診断システムは、演算手段が学習済モデルを用いて舌表面画像に基づいて急性虫垂炎の発症の有無に関する演算を行うものに限定されることはない。他の態様の診断システムとして、舌表面画像および急性虫垂炎以外の病気（例えば、胃や肝臓に代表される消化器系疾患や腎臓に代表される腎・尿路系疾患）の発症の有無に関する情報を含む教師データを用いて深層学習により生成された、舌表面画像を入力、急性虫垂炎の発症の有無に関する情報（発症の有無予測）を出力とする学習済パラメータを含むよう構成された学習済モデルを用いることより、演算手段が、対象者の舌表面画像に基づいて急性虫垂炎以外の病気（例えば、胃や肝臓に代表される消化器系疾患や腎臓に代表される腎・尿路系疾患）の発症の有無に関する演算を行うものが用いられてもよい。

【0035】

また、上記の説明では、学習済モデル３４およびプログラム３６が記憶部３０に記憶されるような態様について説明したが、本実施の形態はこのような態様に限定されることはない。学習済モデル３４やプログラム３６が、診断システム１０とは別の装置（例えば、サーバ）の記憶部に記憶されてもよい。また、スマートフォン等で撮影した画像を、ウエブサーバ等にアップロードして、サーバ上にある、プログラムや学習済モデルを使用して、結果のみをサーバ上に表示させたり、または、スマートフォン等に結果のみをダウンロードさせて表示させてもよい。

【実施例0036】

〔実施例〕
次に、図１乃至図３に示す構成の診断システム１０により学習済モデル３４の生成および演算手段２６による演算を行ったときの実施例について説明する。

【0037】

まず、複数の教師データ３２を用いてモデル生成手段２２により学習済モデル３４を生成した。具体的には、層化抽出に基づく複数回のランダムクロスバリデーションで、９０個の教師データ３２として２０歳以上の男女の６６個のトレーニングセット、１２個のバリデーションセットおよび１２個のテストセットを準備した。各教師データ３２として、舌表面画像および急性虫垂炎の発症の有無に関する情報を含むものを用いた。そして、モデル生成手段２２は、既存のモデルに６６個のトレーニングセット（急性虫垂炎の発症有：４１セット、発症無：２５セット）を加えることによって学習済モデル３４を深層学習により生成した。具体的には、深層学習方法として他の画像データにて学習済みのＭｏｂｉｌｅＮｅｔ（http://www.image-net.org/）モデルとその学習済パラメータを初期値として与え、モデル前部層では、そのパラメータを固定、後部層は６６個のトレーニングデータで再学習する、いわゆる転移学習を行った。そして、再学習されたパラメータを学習済パラメータとする新たに生成された学習済モデル３４に対して、１２個のバリデーションセット（急性虫垂炎の発症有：７セット、発症無：５セット）および１２個のテストセット（急性虫垂炎の発症有：７セット、発症無：５セット）を用いて検証を行った。具体的には、バリデーションセット、テストセットを用いた検証方法としてランダムなトレーニングセット、バリデーションセット、テストセット分割法を複数回実施した。そして、最終学習後のパラメータを学習済パラメータとした。

【0038】

このようにして生成された学習済モデル３４を用いて、診断システム１０に入力された舌表面画像に基づいて演算手段２６により急性虫垂炎の発症の有無に関する演算を行い、演算結果（具体的には、急性虫垂炎の発症有の割合）を表示部５０に表示させた。急性虫垂炎の発症有が７枚、発症無が５枚である計１２枚の２０歳以上の男女の舌表面画像に対して演算を行ったところ、１１枚の舌表面画像について急性虫垂炎の発症の有無を正しく診断することができた。すなわち、正診率は約９２％であった。

【0039】

〔比較例〕
対象者の舌表面画像を目視にて専門家が視ることにより急性虫垂炎の発症の有無を診断した。具体的には、対象者の舌表面画像を縦３面および横３面で９分割し、各領域について舌苔が認められない場合を０点、舌乳頭が認識可能な薄い舌苔がある場合を１点、舌乳頭が認識不可能な厚い舌苔がある場合を２点としてスコアリングを２名の看者が行い、平均点を算出した。そして、１０点以上である場合は急性虫垂炎の発症有の可能性が高く、４点より小さい場合は急性虫垂炎の発症有の可能性が低いことが明らかとなった。この結果を元にトレーニングされた専門家の目視による診断を２０歳以上の男女の計１２枚の舌表面画像に対して行ったところ、正診率は約５８％であった。

【0040】

このように、舌表面画像および急性虫垂炎の発症の有無に関する情報を含む教師データ３２を用いて学習済モデル３４を深層学習により生成し、この学習済モデル３４を用いて舌表面画像に基づいて急性虫垂炎の発症の有無に関する演算を行った場合は、対象者の舌表面画像を目視にて専門家が視ることにより急性虫垂炎の発症の有無を診断した場合よりも高い正診率が得られることが分かった。

【符号の説明】

【0041】

１０ 診断システム
２０ 制御部
２２ モデル生成手段
２４ 受付手段
２６ 演算手段
２８ 出力手段
３０ 記憶部
３２ 教師データ
３４ 学習済モデル
３６ プログラム
５０ 表示部
５２ 操作部
５４ 通信部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】