特開 2024-131327 診断支援プログラム、診断支援方法および診断支援装置

(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】P2024131327

(43)【公開日】2024-09-30

(54)【発明の名称】診断支援プログラム、診断支援方法および診断支援装置

(51)【国際特許分類】

   G16H 30/40 20180101AFI20240920BHJP

【ＦＩ】

G16H30/40

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023041527

(22)【出願日】2023-03-16

(71)【出願人】

【識別番号】521443520

【氏名又は名称】Ｒｉｄｇｅｌｉｎｅｚ株式会社

(71)【出願人】

【識別番号】000002093

【氏名又は名称】住友化学株式会社

(74)【代理人】

【識別番号】110002918

【氏名又は名称】弁理士法人扶桑国際特許事務所

(72)【発明者】

【氏名】河野 洋行

(72)【発明者】

【氏名】水谷 晃大

(72)【発明者】

【氏名】浅葉 海

(72)【発明者】

【氏名】野村 昌弘

(72)【発明者】

【氏名】大塚 恭平

(72)【発明者】

【氏名】佐々木 克典

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA04

5L099AA26

(57)【要約】

【課題】診断スキル向上に役立つ情報を提供する。
【解決手段】処理部２は、人物Ｕ１により作成された学習データ４ａ，４ｂ，・・・を用いた機械学習によって作成された疾患識別モデルＭ１を用いて、入力された医用画像３に対応する疾患を識別して第１の識別結果を出力し、人物Ｕ２により作成された学習データ５ａ，５ｂ，・・・を用いた機械学習によって作成された疾患識別モデルＭ２を用いて、医用画像３に対応する疾患を識別して第２の識別結果を出力し、第１の識別結果と第２の識別結果とを比較可能な状態で表示させる。
【選択図】図１

【特許請求の範囲】

【請求項1】

コンピュータに、
第１の人物により作成された学習データを用いた機械学習によって作成された第１の疾患識別モデルを用いて、入力された医用画像に対応する疾患を識別して第１の識別結果を出力し、
第２の人物により作成された学習データを用いた機械学習によって作成された第２の疾患識別モデルを用いて、前記医用画像に対応する疾患を識別して第２の識別結果を出力し、
前記第１の識別結果と前記第２の識別結果とを比較可能な状態で表示させる、
処理を実行させる診断支援プログラム。

【請求項2】

前記コンピュータに、
複数の人物により作成された学習データを用いた機械学習によって作成された第３の疾患識別モデルを用いて、前記医用画像に対応する疾患を識別して第３の識別結果を出力し、
前記第１の識別結果と前記第３の識別結果とを比較可能な状態で表示させる、
処理をさらに実行させる請求項１記載の診断支援プログラム。

【請求項3】

前記コンピュータに、
人物の指定を受け付け、
異なる人物により作成された学習データを用いた機械学習によってそれぞれ作成された複数の疾患識別モデルの中から、指定された人物に対応する疾患識別モデルを前記第２の疾患識別モデルとして選択する、
処理をさらに実行させる請求項１記載の診断支援プログラム。

【請求項4】

前記第２の疾患識別モデルは、前記第２の人物からの指定に基づいて複数の疾患識別モデルを組み合わせることで形成されており、
前記コンピュータに、
前記第２の疾患識別モデルにおける前記複数の疾患識別モデルの構成を示す情報を表示させる、
処理をさらに実行させる請求項１記載の診断支援プログラム。

【請求項5】

前記コンピュータに、
それぞれ疾患の識別結果が対応付けられた複数の症例画像の中から、前記医用画像と類似する類似画像を検索し、
前記第１の識別結果および前記第２の識別結果と、前記医用画像と、前記類似画像と、前記類似画像に対応付けられた疾患の識別結果とを同一画面上に表示させる、
処理をさらに実行させる請求項１記載の診断支援プログラム。

【請求項6】

第１のコンピュータが、
第１の人物により作成された学習データを用いた機械学習によって作成された第１の疾患識別モデルを用いて、入力された医用画像に対応する疾患を識別して第１の識別結果を出力し、
第２の人物により作成された学習データを用いた機械学習によって作成された第２の疾患識別モデルを用いて、前記医用画像に対応する疾患を識別して第２の識別結果を出力し、
前記第１の識別結果と前記第２の識別結果とを比較可能な状態で表示させる、
診断支援方法。

【請求項7】

前記第１の人物により操作される第２のコンピュータが、
診断対象とする対象医用画像を含む画面を表示装置に表示させた状態で、前記第１の人物による抽出指示操作に応じて前記画面から前記対象医用画像を抽出し、
抽出された前記対象医用画像を前記医用画像として前記第１のコンピュータに送信する、
請求項６記載の診断支援方法。

【請求項8】

第１の人物により作成された学習データを用いた機械学習によって作成された第１の疾患識別モデルを用いて、入力された医用画像に対応する疾患を識別して第１の識別結果を出力し、
第２の人物により作成された学習データを用いた機械学習によって作成された第２の疾患識別モデルを用いて、前記医用画像に対応する疾患を識別して第２の識別結果を出力し、
前記第１の識別結果と前記第２の識別結果とを比較可能な状態で表示させる、処理部、
を有する診断支援装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、診断支援プログラム、診断支援方法および診断支援装置に関する。

【背景技術】

【0002】

医用画像は、各種疾患の診断に広く利用されている。医用画像を用いることで、疾患の種類や程度、病変の広がりなどを正確に評価できるようになる。また、医用画像を用いた診断は大きな手間がかかることから、このような診断作業をコンピュータによって何らかの形で支援する技術が求められている。

【0003】

医用画像を用いた診断支援技術としては、次のような提案がある。例えば、解析対象の画像に対して複数の学習済みモデルに基づく演算を行い、複数の学習済みモデルによる診断に係る１つの情報を算出して出力する診断支援システムが提案されている。また、パラメータ条件が異なる複数の機械学習モデルのそれぞれに同一の医用データを入力することで得られたモデルごとの出力結果と、各出力結果に対する成否の判定結果とに基づいて、各機械学習モデルを評価する医用情報処理装置が提案されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】国際公開第２０１９／０２１３８６号

【特許文献2】特開２０２０－２０４９７０号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、医用画像を用いて診断を行う多くの医師は多忙であり、自分の診断スキルを向上させる機会を確保することが難しいという問題がある。例えば、他の医師による診断結果を参照したり、医師同士で診断結果をピアレビューすることが診断スキルの向上に役立つが、多忙な医師はそのような機会を確保することが難しい。

【0006】

１つの側面では、本発明は、診断スキル向上に役立つ情報を提供可能な診断支援プログラム、診断支援方法および診断支援装置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】

１つの案では、コンピュータに、第１の人物により作成された学習データを用いた機械学習によって作成された第１の疾患識別モデルを用いて、入力された医用画像に対応する疾患を識別して第１の識別結果を出力し、第２の人物により作成された学習データを用いた機械学習によって作成された第２の疾患識別モデルを用いて、医用画像に対応する疾患を識別して第２の識別結果を出力し、第１の識別結果と第２の識別結果とを比較可能な状態で表示させる、処理を実行させる診断支援プログラムが提供される。

【0008】

また、１つの案では、上記の診断支援プログラムに基づく処理と同様の処理をコンピュータが実行する診断支援方法が提供される。
さらに、１つの案では、上記の診断支援プログラムに基づく処理と同様の処理を実行する診断支援装置が提供される。

【発明の効果】

【0009】

１つの側面では、診断スキル向上に役立つ情報を提供できる。

【図面の簡単な説明】

【0010】

【図1】第１の実施の形態に係る診断支援装置の構成例および処理例を示す図である。

【図2】第２の実施の形態に係る診断支援システムの構成例を示す図である。

【図3】サーバのハードウェア構成例を示す図である。

【図4】サーバおよびユーザ端末が備える処理機能の構成例を示す図である。

【図5】診断支援部の内部構成例を示す図である。

【図6】学習データ作成のための画面表示例を示す図である。

【図7】ユーザモデルおよび集合知モデルの作成について説明するための図である。

【図8】疾患識別モデルにおける診断フローの例を示す図である。

【図9】診断対象の病理画像の取得処理を示す図である。

【図10】診断対象の病理画像の取得処理手順を示すフローチャートの例である。

【図11】サーバによる診断処理手順を示すフローチャートの例である。

【図12】診断結果の基本表示画面の表示例を示す図である。

【図13】詳細表示画面の表示例を示す図である。

【図14】他者モデル選択画面の表示例を示す図である。

【図15】診断フロー表示画面の表示例を示す図である。

【発明を実施するための形態】

【0011】

以下、本発明の実施の形態について図面を参照して説明する。
〔第１の実施の形態〕
図１は、第１の実施の形態に係る診断支援装置の構成例および処理例を示す図である。図１に示す診断支援装置１は、医用画像の診断作業を支援する情報処理装置である。特に、診断支援装置１は、診断スキルの向上に役立つ情報をユーザに提供する。なお、医用画像としては、例えば、顕微鏡画像、ＣＴ（Computed Tomography）画像、ＭＲＩ（Magnetic Resonance Imaging）などを適用可能である。

【0012】

診断支援装置１は、処理部２を有する。処理部２は、例えばプロセッサである。処理部２は、疾患識別対象の医用画像３の入力を受け付けると、次のような処理を実行する。
処理部２は、疾患識別モデルＭ１を用いて、入力された医用画像３に対応する疾患を識別する（ステップＳ１）。疾患識別モデルＭ１は、人物Ｕ１により作成された学習データ４ａ，４ｂ，・・・を用いた機械学習によって作成される。

【0013】

また、処理部２は、疾患識別モデルＭ２を用いて、入力された医用画像３に対応する疾患を識別する（ステップＳ２）。疾患識別モデルＭ２は、人物Ｕ１とは異なる人物Ｕ２により作成された学習データ５ａ，５ｂ，・・・を用いた機械学習によって作成される。

【0014】

なお、疾患識別モデルＭ１，Ｍ２は、同一種類の疾患（ラベル）を識別する学習済みモデルである。また、人物Ｕ１，Ｕ２の一方は、この診断支援装置１から出力される疾患の識別結果を視認するユーザ自身であってもよい。

【0015】

処理部２は、疾患識別モデルＭ１を用いた疾患の識別結果と、疾患識別モデルＭ２を用いた疾患の識別結果とを、比較可能な状態で表示させる（ステップＳ３）。
図１では、ステップＳ３の処理によって識別結果表示画面６が表示されるものとする。識別結果表示画面６には、入力された医用画像３とともに、疾患識別モデルＭ１を用いた疾患の識別結果情報７ａと、疾患識別モデルＭ２を用いた疾患の識別結果情報７ｂとが並列して表示されている。図１の例では、疾患識別モデルＭ１，Ｍ２は、疾患Ｄ１か疾患Ｄ２かを識別するものとする。一例として、識別結果情報７ａとして、疾患識別モデルＭ１によって疾患Ｄ１，Ｄ２のそれぞれについて算出された確率が表示され、識別結果情報７ｂとして、疾患識別モデルＭ２によって疾患Ｄ１，Ｄ２のそれぞれについて算出された確率が表示されている。

【0016】

ここで、学習データ４ａ，４ｂ，・・・および学習データ５ａ，５ｂ，・・・のそれぞれは、例えば、教師データとしての医用画像と、疾患Ｄ１，Ｄ２のいずれであるかを示す正解ラベルとを含む。学習データ４ａ，４ｂ，・・・は、人物Ｕ１による診断によってラベル付けされたデータであるので、疾患識別モデルＭ１は、人物Ｕ１による診断のスキルや傾向を反映したものとなる。したがって、疾患識別モデルＭ１を用いた疾患の識別結果は、人物Ｕ１による診断結果を疑似的に示すことになる。同様に、学習データ５ａ，５ｂ，・・・は、人物Ｕ２による診断によってラベル付けされたデータであるので、疾患識別モデルＭ２は、人物Ｕ２による診断のスキルや傾向を反映したものとなる。したがって、疾患識別モデルＭ２を用いた疾患の識別結果は、人物Ｕ２による診断結果を疑似的に示すことになる。

【0017】

ユーザは、疾患識別モデルＭ１を用いた疾患の識別結果と、疾患識別モデルＭ２を用いた疾患の識別結果とが比較可能な状態で表示された画面を視認することで、医用画像３に対する人物Ｕ１，Ｕ２のそれぞれによる診断結果を疑似的に参照できる。そして、ユーザは、それらの診断結果を比較検討し、ユーザ自身の診断スキル向上のために役立てることができる。特に、人物Ｕ１，Ｕ２の一方がユーザ自身である場合、ユーザは、同一の医用画像３に対するユーザ自身の診断結果と他者による診断結果とを、他者と実際にコミュニケーションをとることなく比較検討できる。

【0018】

このように、第１の実施の形態に係る診断支援装置１は、ユーザに対して診断スキル向上に役立つ情報を提供できる。ユーザは、診断スキル向上に役立つ情報を容易に取得でき、また、診断スキル向上に役立つ機会を容易に得ることが可能となる。

【0019】

〔第２の実施の形態〕
次に、医用画像の例として、顕微鏡によって得られる病理画像を適用した場合について説明する。

【0020】

図２は、第２の実施の形態に係る診断支援システムの構成例を示す図である。図２に示す診断支援システムは、サーバ１００とユーザ端末２００ａ，２００ｂ，２００ｃ，・・・を含む。

【0021】

サーバ１００は、ユーザに対して病理画像を用いた診断支援サービスを提供するサーバコンピュータである。サーバ１００は基本的に、病理画像に基づいて疾患を識別する疾患識別モデルを、ユーザが作成した学習データを用いた機械学習によって作成する。そして、サーバ１００は、ユーザの操作によって入力された診断対象の病理画像を学習済みの疾患識別モデルに入力し、疾患の識別結果（診断結果）を出力する。

【0022】

ユーザ端末２００ａ，２００ｂ，２００ｃ，・・・は、サービスの提供を受けるユーザが使用する端末装置であり、例えば、パーソナルコンピュータである。本実施の形態では、ユーザとして病理診断を行う病理医を想定する。

【0023】

なお、以下の説明では、ユーザ端末２００ａ，２００ｂ，２００ｃ，・・・を特に区別せずに指し示す場合には、「ユーザ端末２００」と記載する場合がある。
ところで、近年、病理医の不足が深刻化している。このため、病理医は診断業務に追われており、診断スキル向上のための自己研鑽や教育の機会を確保することが難しくなっている。例えば、病理医が他の病理医とのコミュニケーションやピアレビューの場を持つことが難しいことから、各病理医の診断基準に偏りが生じる可能性がある。また、病理医が学会やカンファレンスに参加できず、病理医の間で知見を共有することが難しくなっている。

【0024】

このような問題に対して、本実施の形態のサーバ１００は、それぞれ異なるユーザの知見に基づいて作成された疾患識別モデルを用いて、診断対象の病理画像に基づく疾患識別処理を実行し、各処理による識別結果を１人のユーザに提示できるようになっている。このような疾患識別モデルとしては、ユーザ自身によって作成された識別疾患モデル（自己モデル）に加えて、他のユーザによって作成された疾患識別モデル（他者モデル）や、複数のユーザの知見を基に作成された疾患識別モデル（集合知モデル）を用いることが可能になっている。

【0025】

サーバ１００は、自己モデルを用いた識別結果と、それ以外の識別疾患モデルを用いた識別結果とを、画面上で比較可能な状態にしてユーザ端末２００に表示させる。これにより、ユーザは、ユーザ自身の診断結果と他の特定のユーザまたは複数のユーザの診断結果とを疑似的に比較検討できるようになる。このため、ユーザに対して診断スキル向上のための自己研鑽や教育の機会を容易に与えることが可能となる。特に、他者モデルや集合知モデルとして、経験豊富で高い診断スキルを有する病理医による信頼性の高い疾患識別モデルを用いることができる。このような信頼性の高い疾患識別モデルを用いた識別結果と、自己モデルを用いた識別結果とをユーザが比較検討できるようにすることで、ユーザの診断スキルを高めることが可能となる。

【0026】

なお、上記の診断支援サービスは、病理医の教育目的だけでなく、例えば、病理医による診断実務を補助するために利用されてもよい。
図３は、サーバのハードウェア構成例を示す図である。サーバ１００は、例えば、図３に示すようなコンピュータとして実現される。図３に示すサーバ１００は、プロセッサ１０１、ＲＡＭ（Random Access Memory）１０２、ＨＤＤ（Hard Disk Drive）１０３、ＧＰＵ（Graphics Processing Unit）１０４、入力インタフェース（Ｉ／Ｆ）１０５、読み取り装置１０６および通信インタフェース（Ｉ／Ｆ）１０７を備える。

【0027】

プロセッサ１０１は、サーバ１００全体を統括的に制御する。プロセッサ１０１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）またはＰＬＤ（Programmable Logic Device）である。また、プロセッサ１０１は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＡＳＩＣ、ＰＬＤのうちの２以上の要素の組み合わせであってもよい。

【0028】

ＲＡＭ１０２は、サーバ１００の主記憶装置として使用される。ＲＡＭ１０２には、プロセッサ１０１に実行させるＯＳ（Operating System）プログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、ＲＡＭ１０２には、プロセッサ１０１による処理に必要な各種データが格納される。

【0029】

ＨＤＤ１０３は、サーバ１００の補助記憶装置として使用される。ＨＤＤ１０３には、ＯＳプログラム、アプリケーションプログラム、および各種データが格納される。なお、補助記憶装置としては、ＳＳＤ（Solid State Drive）などの他の種類の不揮発性記憶装置を使用することもできる。

【0030】

ＧＰＵ１０４には、表示装置１０４ａが接続されている。ＧＰＵ１０４は、プロセッサ１０１からの命令にしたがって、画像を表示装置１０４ａに表示させる。表示装置１０４ａとしては、液晶ディスプレイや有機ＥＬ（ElectroLuminescence）ディスプレイなどを使用できる。

【0031】

入力インタフェース１０５には、入力装置１０５ａが接続されている。入力インタフェース１０５は、入力装置１０５ａから出力される信号をプロセッサ１０１に送信する。入力装置１０５ａとしては、キーボードやポインティングデバイスなどを使用できる。ポインティングデバイスとしては、マウス、タッチパネル、タブレット、タッチパッド、トラックボールなどを使用できる。

【0032】

読み取り装置１０６には、可搬型記録媒体１０６ａが脱着される。読み取り装置１０６は、可搬型記録媒体１０６ａに記録されたデータを読み取ってプロセッサ１０１に送信する。可搬型記録媒体１０６ａとしては、光ディスク、半導体メモリなどを使用できる。

【0033】

通信インタフェース１０７は、ネットワーク１０７ａを介してユーザ端末２００ａ，２００ｂ，２００ｃ，・・・などの他の装置との間でデータの送受信を行う。
以上のようなハードウェア構成によって、サーバ１００の処理機能を実現することができる。なお、ユーザ端末２００も図３に示すようなハードウェア構成を有するコンピュータとして実現可能である。

【0034】

図４は、サーバおよびユーザ端末が備える処理機能の構成例を示す図である。
サーバ１００は、病理画像記憶部１１１、診断支援用データ記憶部１１２、病理画像表示制御部１１３および診断支援部１１４を備える。病理画像記憶部１１１および診断支援用データ記憶部１１２は、ＨＤＤ１０３など、サーバ１００が備える記憶装置の記憶領域である。病理画像表示制御部１１３および診断支援部１１４の処理は、例えば、プロセッサ１０１が所定のプログラムを実行することで実現される。

【0035】

サーバ１００は、ユーザ端末２００に対して、病理画像の表示サービスと、病理画像を用いた診断支援サービスとを提供する。病理画像記憶部１１１および病理画像表示制御部１１３は前者のサービスに関連し、診断支援用データ記憶部１１２および診断支援部１１４は後者のサービスに関連する。なお、前者のサービスと後者のサービスはそれぞれ別のサーバによって提供されてもよく、この場合、病理画像記憶部１１１および病理画像表示制御部１１３と、診断支援用データ記憶部１１２および診断支援部１１４とは、それぞれ別のサーバに実装される。

【0036】

病理画像記憶部１１１には、ユーザが閲覧可能な病理画像が記憶される。病理画像表示制御部１１３は、ユーザ端末への操作によってユーザに指定された病理画像を病理画像記憶部１１１から取得し、ユーザ端末２００に送信する。

【0037】

診断支援用データ記憶部１１２には、診断支援部１１４によって参照される各種のデータが記憶される。例えば、診断支援用データ記憶部１１２には、学習済みの疾患識別モデルを示すデータ（ニューラルネットワーク上の重み係数など）などが記憶される。診断支援部１１４は、ユーザ端末２００から診断対象の病理画像を取得し、その病理画像を疾患識別モデルに入力して得られた診断結果をユーザ端末２００に表示させる。

【0038】

ユーザ端末２００は、病理画像ビューア２０１と診断支援エージェント２０２を備える。病理画像ビューア２０１および診断支援エージェント２０２の処理は、例えば、ユーザ端末２００が備える図示しないプロセッサが所定のプログラムを実行することで実現される。

【0039】

病理画像ビューア２０１は、病理画像表示制御部１１３から送信された病理画像を、ユーザ端末２００に接続された表示装置に表示させる。
診断支援エージェント２０２は、診断支援サービスに対するユーザインタフェース機能を実現する。例えば、診断支援エージェント２０２は、学習用データとして用いる病理画像や診断対象の病理画像を取得して、診断支援部１１４に送信する。このような病理画像の取得方法の１つとして、診断支援エージェント２０２は、病理画像ビューア２０１によって表示された病理画像を取得できるようになっている。また、診断支援エージェント２０２は、疾患識別モデルを用いた診断結果を、ユーザ端末２００に接続された表示装置に表示させる。

【0040】

図５は、診断支援部の内部構成例を示す図である。診断支援部１１４は、学習データ収集部１２１、学習処理部１２２、診断対象検出部１２３、疾患識別部１２４、類似画像検索部１２５および診断結果表示処理部１２６を備える。

【0041】

学習データ収集部１２１は、疾患識別モデルの学習に用いる学習データをユーザ端末２００から収集する。学習データは、ユーザによって疾患名がラベル付けされた病理画像であり、ユーザ端末２００に対する操作によってユーザによって作成される。学習データ収集部１２１は、このような学習データをユーザ端末２００の診断支援エージェント２０２からユーザごとに取得し、学習データ記憶部１３１に格納する。なお、学習データ記憶部１３１は、図４の診断支援用データ記憶部１１２に確保される記憶領域である。

【0042】

学習処理部１２２は、学習データ記憶部１３１に格納された学習データを用いて機械学習を実行し、疾患識別モデルを作成する。具体的には、学習処理部１２２は、あるユーザによって作成された学習データを用いて、そのユーザに対応する疾患識別モデル（ユーザモデル）を作成する。その結果、それぞれ個別のユーザに対応するユーザモデル１４１ａ，１４１ｂ，・・・が作成される。また、学習処理部１２２は、複数のユーザのそれぞれによって作成された学習データを用いて集合知モデル１４２を作成する。

【0043】

診断対象検出部１２３は、ユーザ端末２００の診断支援エージェント２０２から診断対象の病理画像を受信し、その病理画像を一定サイズの画像ブロックに分割する。診断対象検出部１２３は、分割された画像ブロックの中から、疾患部位を含む可能性の高い画像ブロックを検出する。診断対象ブロックの検出は、機械学習によってあらかじめ作成された画像認識モデル１４３を用いて実行される。画像認識モデル１４３は、疾患部位の病理画像と疾患部位でない病理画像とを用いて細胞の形状などの病理画像の特徴を学習することで作成された学習済みモデルである。診断対象検出部１２３は、画像認識モデル１４３によって疾患部位であると判定された画像ブロック（診断対象ブロック）を、疾患識別部１２４および類似画像検索部１２５に入力する。

【0044】

疾患識別部１２４は、診断対象ブロックを疾患識別モデルに入力することで疾患を識別する。この処理では、疾患識別部１２４は、ユーザモデル１４１ａ，１４１ｂ，・・・のうち、診断支援対象のユーザに対応する自己モデル、およびあらかじめ設定された他者モデルと、集合知モデル１４２とを用い、各モデルによる疾患識別結果を個別に出力する。

【0045】

類似画像検索部１２５は、症例画像記憶部１３２に格納された症例画像の中から、診断対象ブロックと類似する類似画像を検索する。症例画像記憶部１３２は、図４の診断支援用データ記憶部１１２に確保される記憶領域である。症例画像記憶部１３２には、疾患部位の病理画像（症例画像）があらかじめ格納される。なお、類似画像検索部１２５の検索対象画像は、症例画像記憶部１３２に格納された病理画像の代わりに、学習データ記憶部１３１に格納された疾患部位の病理画像であってもよい。この場合、検索対象の病理画像は、経験豊富で高い知見を有する病理医によってラベル付けされたものであることが望ましい。

【0046】

また、類似画像検索部１２５による検索は、機械学習によってあらかじめ作成された類似度計算モデル１４４を用いて実行される。類似度計算モデル１４４は、入力される２つの画像から適切な特徴量を算出し、各画像の特徴量間の類似度を算出する処理を学習することで作成された学習済みモデルである。

【0047】

類似画像検索部１２５は、症例画像記憶部１３２から症例画像を１つずつ選択し、類似度計算モデル１４４を用いて、選択された症例画像と診断対象ブロックのそれぞれの特徴量を算出し、特徴量間の類似度を算出する。例えば、各画像を基に複数種類の特徴量が算出されて多次元ベクトル空間にマッピングされ、その空間における特徴量間の距離の算出結果を基に類似度が算出される。類似画像検索部１２５は、症例画像記憶部１３２に格納された症例画像の中から、診断対象ブロックとの類似度が高い順に所定数の症例画像を抽出する。

【0048】

診断結果表示処理部１２６は、疾患識別部１２４による疾患の識別結果をユーザに提示するための診断結果表示画像を作成し、診断支援エージェント２０２に送信する。基本的に、診断結果表示処理部１２６は、自己モデルによる疾患識別結果と、他者モデルまたは集合知モデル１４２の少なくとも一方による疾患識別結果とが、比較可能な状態で表示された画面を作成する。これにより、ユーザ自身の知見に基づく疾患識別結果を、特定の他者や複数の他者の知見に基づく疾患識別結果と容易に比較可能にする。また、この画面には、自己モデルによって疾患部位と識別された画像ブロックも表示される。これにより、疾患識別結果に対応する病理画像の領域も同時に比較可能にする。

【0049】

さらに、診断結果表示処理部１２６は、ユーザモデルの作成者の指定を受け付けることにより、任意の他者モデルによる疾患識別結果を画面に表示させることもできる。この場合、診断結果表示処理部１２６は、指定された作成者に対応する他者モデルを用いた疾患識別処理を疾患識別部１２４に実行させ、その識別結果を画面に表示させる。

【0050】

また、診断結果表示処理部１２６は、上記の複数の疾患識別結果や疾患部位の画像とともに、その画像と類似する過去の症例画像を画面に表示させることができる。この症例画像は、類似画像検索部１２５から取得される。また、症例画像とともに、この症例画像の診断結果を示す情報（疾患名など）も表示される。これにより、疾患部位として識別された画像ブロックと、これと類似する過去の症例画像および診断結果とを比較検討できるようにする。

【0051】

次に、ユーザモデル（自己モデル）の作成処理について説明する。
まず、図６は、学習データ作成のための画面表示例を示す図である。
学習データ作成の際、学習データ収集部１２１はまず、学習データとして収集する画像を取得するための画像トリミング画面３００をユーザ端末２００に表示させる。画像トリミング画面３００には、病理画像表示部３０１、トリミングボタン３０２および確定ボタン３０３を含む。診断支援エージェント２０２が病理画像を取り込むと、病理画像表示部３０１には、取り込まれた病理画像３０４が表示される。病理画像の取り込みは、例えば、病理画像のファイル名を指定する方法や、そのファイルを示すアイコンを病理画像表示部３０１にドラッグ・アンド・ドロップする方法、画面上に表示された病理画像を病理画像表示部３０１にドラッグ・アンド・ドロップする方法などによって行われる。また、後述する、デスクトップ画面をキャプチャする方法を用いて病理画像が取り込まれてもよい。

【0052】

病理画像が取り込まれた後、ユーザは、トリミングボタン３０２を押下することで、取り込まれた病理画像の中から学習データとして取得する画像領域を指定することが可能となる。例えば、トリミングボタン３０２の押下後に、マウス操作によってトリミング領域３０５が指定される。トリミング領域３０５を指定した状態で確定ボタン３０３を押下することで、学習データとして取得する画像領域が決定される。すると、学習データ収集部１２１は次に、学習データ保存画面３１０をユーザ端末２００に表示させる。

【0053】

学習データ保存画面３１０は、画像表示部３１１とラベル指定部３１２を含む。画像表示部３１１には、トリミング領域３０５から切り出された部分病理画像３１３が表示される。ユーザは、ラベル指定部３１２に対する入力操作により、部分病理画像３１３に付加するラベルを指定できる。図６では、大腸における腫瘍の種類を示すラベルが、チェックボックスを用いて指定される場合を例示している。

【0054】

ラベルが指定され、ラベル指定部３１２内の保存ボタン３１４が押下されると、診断支援エージェント２０２は、部分病理画像３１３とラベルの指定情報とをサーバ１００に送信する。学習データ収集部１２１は、受信した部分病理画像３１３に指定されたラベルを付加することで学習データを作成し、ユーザの識別情報に対応付けて学習データ記憶部１３１に格納する。

【0055】

このような手順により、ユーザは、ユーザ端末２００の操作によって自己モデル作成用の学習データをサーバ１００に保存できる。このようにして保存された学習データは、ユーザ自身の診断結果に基づいて作成されたものとなる。ユーザの学習データがある程度の数だけ保存された後、ユーザがユーザ端末２００から学習開始を指示すると、学習処理部１２２は、それらの学習データを用いて機械学習を実行し、ユーザに対応するユーザモデルを作成する。

【0056】

図７は、ユーザモデルおよび集合知モデルの作成について説明するための図である。図７では、ユーザＡ，Ｂ，Ｃ，・・・のそれぞれに対応するユーザモデル１４１ａ，１４１ｂ，１４１ｃ，・・・が作成されるものとする。

【0057】

この場合、図６に示した手順により、ユーザＡによって作成された学習データ１３１ａ－１，１３１ａ－２，１３１ａ－３，・・・が学習データ記憶部１３１に格納される。そして、これらの学習データ１３１ａ－１，１３１ａ－２，１３１ａ－３，・・・を用いた機械学習により、ユーザＡに対応するユーザモデル１４１ａが作成される。同様に、ユーザＢによって作成された学習データ１３１ｂ－１，１３１ｂ－２，１３１ｂ－３，・・・が学習データ記憶部１３１に格納される。そして、これらの学習データ１３１ｂ－１，１３１ｂ－２，１３１ｂ－３，・・・を用いた機械学習により、ユーザＢに対応するユーザモデル１４１ｂが作成される。また、ユーザＣによって作成された学習データ１３１ｃ－１，１３１ｃ－２，１３１ｃ－３，・・・が学習データ記憶部１３１に格納される。そして、これらの学習データ１３１ｃ－１，１３１ｃ－２，１３１ｃ－３，・・・を用いた機械学習により、ユーザＣに対応するユーザモデル１４１ｃが作成される。

【0058】

このようにして、個々のユーザによる診断結果を反映した学習済みモデルが作成される。さらに、ユーザＡ，Ｂ，Ｃ，・・・によって作成された学習データを用いた機械学習により、集合知モデル１４２が作成される。これにより、集合知モデル１４２は、ユーザＡ，Ｂ，Ｃ，・・・による診断結果を反映した、ある程度診断精度の高い学習済みモデルとなる。

【0059】

ただし、集合知モデル１４２は、ユーザモデルの作成元のユーザＡ，Ｂ，Ｃ，・・・のうち、特定の複数のユーザによって作成された学習データだけを用いた機械学習により作成されてもよい。特定の複数のユーザとしては、例えば、経験豊富で高い診断スキルを有する病理医が選択される。これにより、集合知モデル１４２の診断精度を高めることができる。なお、集合知モデル１４２は、学習データ収集部１２１によって収集された学習データでなく、別途上記の特定の複数のユーザによって作成された学習データを用いて作成されてもよい。

【0060】

図８は、疾患識別モデルにおける診断フローの例を示す図である。学習処理部１２２によって作成される疾患識別モデル（ユーザモデルおよび集合知モデル）は、実際には複数の疾患識別モデル（以下、「内部モデル」と記載する）を組み合わせて形成されてもよい。以下の説明では、疾患識別モデルにおける複数の内部モデルを用いた処理の流れを「診断フロー」と記載する。

【0061】

図８では、内部モデルとして、腫瘍か非腫瘍かを識別する腫瘍・非腫瘍モデル１５１と、悪性の腫瘍か良性の腫瘍かを識別する悪性・良性モデル１５２と、腺癌かカルチノイドかを識別する腺癌・カルチノイドモデル１５３と、高分化型か中低分化型かを識別する高分化・中低分化モデル１５４と、ＨＡ（Hyperplastic Polyp）かＳＳＡ／Ｐ（Sessile Serrated Adenoma／Polyp）かを識別するＨＡ・ＳＳＡ／Ｐモデル１５５とが含まれる場合を例示している。

【0062】

図８の例では、入力された画像ブロックに対して、まず腫瘍・非腫瘍モデル１５１によって腫瘍か非腫瘍かが識別される。腫瘍である場合、次に悪性・良性モデル１５２によって悪性の腫瘍か良性の腫瘍かが識別される。悪性の腫瘍である場合、次に腺癌・カルチノイドモデル１５３によって腺癌かカルチノイドかが識別される。腺癌である場合、次に高分化・中低分化モデル１５４によって高分化型か中分化型または低分化型（中低分化型）かが識別される。また、悪性・良性モデル１５２によって良性の腫瘍と識別された場合、次にＨＡ・ＳＳＡ／Ｐモデル１５５によってＨＡかＳＳＡ／Ｐかが識別される。このような診断フローにより、入力された画像ブロックが、高分化型の腺癌、中低分化型の腺癌、カルチノイド、ＨＡ、ＳＳＡ／Ｐ、非腫瘍のいずれであるかを識別する疾患識別処理が実行される。

【0063】

ユーザは、自己モデルにおける診断フローの内容（どのような内部モデルをどのように組み合わせて疾患識別処理を実行するか）を任意に設定できる。そして、学習処理部１２２は、ユーザによって設定された診断フローを有する疾患識別モデルを、機械学習によって作成する。なお、集合知モデルの診断フローは、管理者側であらかじめ設定されるが、時間経過に伴って再設定されてもよい。

【0064】

次に、作成された疾患識別モデルを用いた診断処理について説明する。
図９は、診断対象の病理画像の取得処理を示す図である。図９では、ユーザ端末２００において表示装置２１１，２１２によるマルチモニタ環境が構築されているとする。一例として、表示装置２１１が主モニタであり、表示装置２１２が副モニタであるとする。

【0065】

表示装置２１１には、病理画像ビューア２０１によってビューア画面３２０が表示されている。ビューア画面３２０には、病理画像記憶部１１１から読み出された病理画像３２１が表示されている。一方、表示装置２１２には、診断支援エージェント２０２によって診断開始画面３３０が表示されている。

【0066】

この状態で、診断開始画面３３０の読み込みボタン３３１が押下されたとする。すると、診断支援エージェント２０２は、主モニタである表示装置２１１のデスクトップ画面をキャプチャし、さらに、キャプチャされたデスクトップ画面の画像から病理画像３２１を抽出する。病理画像３２１の抽出は、例えば、デスクトップ画面の画像から、所定の特徴を有する領域を抽出することで実行される。このような抽出が、学習済みモデルを用いて実行されてもよい。

【0067】

抽出された病理画像３２１は、診断開始画面３３０の画像表示部３３２に表示される。そして、診断開始画面３３０の診断ボタン３３３が押下されると、診断支援エージェント２０２は、抽出された病理画像３２１をサーバ１００に送信し、診断処理の開始を指示する。

【0068】

このような処理により、ユーザは、病理画像ビューア２０１を用いて病理画像を表示させておくだけで、診断対象の病理画像を簡単な操作で取得し、その病理画像についての診断処理をサーバ１００に実行させることができる。また、デスクトップ画面をキャプチャし、キャプチャされたデスクトップ画面の画像から特徴量に基づいて病理画像が抽出されることで、病理画像ビューア２０１がどのメーカのどの製品かに関係なく、診断対象の病理画像を取得できる。

【0069】

図１０は、診断対象の病理画像の取得処理手順を示すフローチャートの例である。
［ステップＳ１１］診断支援エージェント２０２は、診断開始画面３３０の読み込みボタン３３１が押下されると、主モニタのデスクトップ画面をキャプチャする。

【0070】

［ステップＳ１２］診断支援エージェント２０２は、キャプチャされたデスクトップ画面の画像から病理画像の領域を抽出し、抽出された病理画像を診断開始画面３３０の画像表示部３３２に表示させる。

【0071】

［ステップＳ１３］診断支援エージェント２０２は、診断開始画面３３０の診断ボタン３３３が押下されると、抽出された病理画像をサーバ１００に送信し、診断処理の開始を指示する。

【0072】

なお、上記の処理では、デスクトップ画面をキャプチャする方法を用いたが、例えば、病理画像ビューア２０１のウィンドウをキャプチャする方法を用いることで、シングルモニタ環境でも診断対象の病理画像を簡単な操作で取得できる。例えば、診断支援エージェント２０２は、読み込みボタン３３１が押下されると、あらかじめ決められた特定のアプリケーションのウィンドウが表示されているかを判定する。診断支援エージェント２０２は、該当するアプリケーションのウィンドウが表示されている場合、そのアプリケーションのウィンドウをキャプチャし、病理画像を抽出する。また、別の方法として、診断支援エージェント２０２は、読み込みボタン３３１が押下されると、現在表示されているウィンドウを示す情報を一覧表示して、病理画像ビューア２０１のウィンドウをユーザに選択させ、選択されたウィンドウをキャプチャしてもよい。この場合、病理画像ビューア２０１がどのメーカのどの製品かに関係なく、診断対象の病理画像を取得できる。

【0073】

図１１は、サーバによる診断処理手順を示すフローチャートの例である。
［ステップＳ２１］診断対象検出部１２３は、ユーザ端末２００から送信された病理画像および診断開始指示を受信する。

【0074】

［ステップＳ２２］診断対象検出部１２３は、受信した病理画像を、一定サイズの画像ブロックに分割する。
［ステップＳ２３］診断対象検出部１２３は、分割された各画像ブロックについて、画像認識モデル１４３を用いて疾患部位か否かを識別し、疾患部位と識別された画像ブロックを診断対象ブロックとして特定する。

【0075】

［ステップＳ２４］ステップＳ２９までの診断処理ループが、診断対象ブロックのそれぞれについて実行される。
［ステップＳ２５］疾患識別部１２４は、診断対象ブロックを自己モデルに入力して演算を実行し、疾患の識別結果を出力する。

【0076】

［ステップＳ２６］疾患識別部１２４は、診断対象ブロックをあらかじめ指定された他者モデルに入力して演算を実行し、疾患の識別結果を出力する。
［ステップＳ２７］疾患識別部１２４は、診断対象ブロックを集合知モデルに入力して演算を実行し、疾患の識別結果を出力する。

【0077】

［ステップＳ２８］類似画像検索部１２５は、類似度計算モデル１４４を用いて、診断対象ブロックと症例画像記憶部１３２に格納された各症例画像との類似度を算出する。類似画像検索部１２５は、症例画像記憶部１３２に格納された症例画像の中から、診断対象ブロックとの類似度が高い順に所定数の症例画像を類似画像として抽出する。このとき、類似画像とともに、類似画像についての診断結果を示す情報と、診断対象ブロックとの類似度とが出力される。

【0078】

［ステップＳ２９］すべての診断対象ブロックについて診断処理ループが実行されると、処理がステップＳ３０に進められる。
［ステップＳ３０］診断結果表示処理部１２６は、ステップＳ２５～Ｓ２８で得られた情報に基づき、診断結果を示す画面を生成してユーザ端末２００に表示させる。

【0079】

上記処理では、病理画像内の画像ブロックの中から、画像認識モデル１４３によって疾患部位の可能性が高い画像ブロックのみが選別されて、選別された画像ブロックに対する疾患識別処理が実行される。これにより、疾患識別処理が実行される画像ブロック数が抑制されるので、識別結果を得られるまでの時間を短縮できる。また、過去に診断された病理画像を用いて学習された画像認識モデル１４３によって画像ブロックが選別されることで、疾患部位の可能性が高い画像ブロックを正確に疾患識別の対象に含めることができ、疾患識別精度を向上させることができる。

【0080】

次に、診断結果の表示処理について説明する。
図１２は、診断結果の基本表示画面の表示例を示す図である。図９の診断ボタン３３３の押下に応じて図１１のステップＳ２１～Ｓ２９の処理が実行されると、診断結果表示処理部１２６はまず、診断結果の基本表示画面３４０をユーザ端末２００に表示させる。

【0081】

基本表示画面３４０は、病理画像表示部３４１と識別結果表示部３４２を含む。病理画像表示部３４１には、診断対象となった病理画像３４３（ユーザ端末２００から受信した病理画像）が表示される。識別結果表示部３４２には、自己モデルによる疾患の識別結果と、集合知モデルによる疾患の識別結果とが表示される。

【0082】

自己モデルによる疾患の識別結果としては、例えば、図１１のステップＳ２５でいずれかの疾患であると識別された診断対象ブロックのうち、最も高い確率で、ある一種類の疾患と識別された診断対象ブロックが選択され、選択された診断対象ブロックについての識別結果が表示される。例えば、３つの診断対象ブロックのうち、第１の診断対象ブロックは８０％の確率で高分化型の腺癌と識別され、第２の識別対象ブロックは７０％の確率で高分化型の腺癌と識別され、第３の識別対象ブロックは７５％でカルチノイドと識別されたとする。この場合、最も高い確率値で識別された第１の診断対象ブロックについての識別結果が表示される。

【0083】

図１２の例では、自己モデルにより、ある診断対象ブロックが高分化型の腺癌であると最大の確率値で識別された場合を示している。また、識別結果を示す情報として、診断フロー内の各内部モデルでの確率値も示している。図１２の例では、図８に例示した診断フローが用いられたものとし、腫瘍・非腫瘍モデル１５１により９６．８％の確率で腫瘍と判定され、腺癌・カルチノイドモデル１５３により８８．１％の確率で腺癌と判定され、高分化・中低分化モデル１５４により７８．２％の確率で高分化型と判定され、２１．８％の確率で中・低分化型と判定されたことが表示されている。

【0084】

また、病理画像表示部３４１の病理画像３４３には、自己モデルにより上記のように疾患が識別された診断対象ブロックの領域を示す枠３４４が表示される。これにより、疾患であると識別された画像領域をユーザが容易に確認できるようになる。

【0085】

また、集合知モデルによる疾患の識別結果としては、自己モデルにより上記のように疾患が識別された診断対象ブロックについての識別結果を示す情報が表示される。これにより、ユーザは、自己モデルにより疾患であると識別された画像領域について、自己モデルによる診断結果と集合知モデルによる診断結果とを比較検討することができる。

【0086】

なお、識別結果表示部３４２には、集合知モデルによる疾患の識別結果の代わりに、あらかじめ指定された他者モデルによる疾患の識別結果が表示されてもよい。この場合、自己モデルにより上記のように疾患が識別された診断対象ブロックについて、他者モデルを用いて識別した場合の識別結果を示す情報が表示される。また、識別結果表示部３４２には、自己モデル、他者モデルおよび集合知モデルをそれぞれ用いた疾患の識別結果が表示されてもよい。

【0087】

また、詳細ボタン３４５が押下されると、識別結果表示部３４２は、識別結果と類似画像とを並列表示する詳細表示画面をユーザ端末２００に表示させる。
図１３は、詳細表示画面の表示例を示す図である。詳細表示画面３５０は、対象画像表示部３５１と、識別結果表示部３５２と、類似画像表示部３５３を含む。

【0088】

対象画像表示部３５１には、図１１のステップＳ２５でいずれかの疾患であると識別された診断対象ブロックのうち、最も高い確率で、ある一種類の疾患と識別された診断対象ブロック３５４が拡大表示される。

【0089】

識別結果表示部３５２には、自己モデルによる疾患の識別結果と、集合知モデルによる疾患の識別結果と、あらかじめ指定された他者モデルによる疾患の識別結果が表示される。このうち、自己モデルによる疾患の識別結果としては、対象画像表示部３５１に表示された診断対象ブロック３５４についての自己モデルによる識別結果を示す情報が表示される。この情報は、図１２の識別結果表示部３４２に表示された、自己モデルによる疾患の識別結果と同じである。また、集合知モデルによる疾患の識別結果としては、対象画像表示部３５１に表示された診断対象ブロック３５４についての集合知モデルによる識別結果を示す情報が表示される。同様に、他者モデルによる疾患の識別結果としては、対象画像表示部３５１に表示された診断対象ブロック３５４についての他者モデルによる識別結果を示す情報が表示される。

【0090】

このような対象画像表示部３５１および識別結果表示部３５２の表示により、ユーザは、疾患と識別された部位の拡大画像と、その部位についての自己モデル、集合知モデルおよび他者モデルによる各診断結果とを一画面上で視認し、比較検討できるようになる。

【0091】

類似画像表示部３５３には、図１１のステップＳ２８で過去の症例画像の中から検索された、診断対象ブロック３５４に類似する類似画像が表示される。この類似画像表示部３５３には、類似画像とともに、その類似画像についての診断結果を示す情報と、診断対象ブロック３５４との類似度とが表示される。

【0092】

このような類似画像表示部３５３の表示により、ユーザは、診断対象の画像およびその診断結果と、類似する症例画像およびその診断結果とを一画面上で視認し、比較検討できるようになる。

【0093】

また、識別結果表示部３５２における他者モデルの識別結果の表示領域には、選択ボタン３５５が表示されている。ユーザは、選択ボタン３５５を押下することで、疾患識別に用いる他者モデルを選択することができる。さらに、詳細表示画面３５０には、診断フローボタン３５６が表示されている。ユーザは、診断フローボタン３５６を押下することで、使用している疾患識別モデルの診断フローを確認することができる。

【0094】

図１４は、他者モデル選択画面の表示例を示す図である。診断結果表示処理部１２６は、図１３の選択ボタン３５５が押下されると、他者モデル選択画面３６０をユーザ端末２００に表示させる。他者モデル選択画面３６０は、ユーザ選択部３６１とモデル情報表示部３６２を含む。

【0095】

ユーザ選択部３６１には、診断対象の臓器を選択するための選択部３６３と、選択可能なユーザの一覧が表示されるユーザ一覧表示部３６４とが表示される。ユーザ一覧表示部３６４には、選択部３６３で選択された臓器についての疾患識別モデル（ユーザモデル）を作成したユーザのユーザ名が一覧表示されるとともに、各ユーザの情報や対応するユーザモデルの情報（所属する組織や役職、識別の対象など）も表示される。ユーザ端末２００を操作するユーザは、ラジオボックスに対する選択入力によって一覧表示されたユーザ名の中からユーザモデルを使用したいユーザ（他者）を選択できる。

【0096】

ユーザが選択されると、モデル情報表示部３６２に、選択されたユーザに対応するユーザモデル（他者モデル）に関する各種の情報が表示される。そして、ユーザが決定ボタン３６５を押下することで、疾患識別に用いる他者モデルが決定される。このような他者モデル選択画面３６０により、ユーザは診断結果を比較したい他のユーザを任意に選択・変更することができる。

【0097】

診断結果表示処理部１２６は、決定ボタン３６５が押下されると、図１３のような詳細表示画面３５０をユーザ端末２００に再度表示させる。ここで、決定ボタン３６５の押下により他者モデルが変更された場合、診断結果表示処理部１２６は、変更後の他者モデルを用いた、対象画像表示部３５１の診断対象ブロック３５４に対する疾患識別処理を疾患識別部１２４に実行させる。診断結果表示処理部１２６は、変更後の他者モデルによる識別結果の情報を取得し、取得した情報を識別結果表示部３５２における他者モデルの識別結果の領域に表示させる。

【0098】

図１５は、診断フロー表示画面の表示例を示す図である。診断結果表示処理部１２６は、図１３の診断フローボタン３５６が押下されると、診断フロー表示画面３７０をユーザ端末２００に表示させる。診断フロー表示画面３７０には、診断フロー詳細表示部３７１、モデル選択ボタン３７２ａ～３７２ｃ、予測結果表示部３７３、対象画像・ヒートマップ表示部３７４が表示される。

【0099】

診断フロー詳細表示部３７１には、モデル選択ボタン３７２ａ～３７２ｃによって選択された疾患識別モデルにおける診断フローの内容が表示される。診断フロー詳細表示部３７１には、モデル選択ボタン３７２ａが押下された場合、自己モデルの診断フローが表示される。モデル選択ボタン３７２ｂが押下された場合、集合知モデルの診断フローが表示される。モデル選択ボタン３７２ｃが押下された場合、他者モデルの診断フローが表示される。

【0100】

図１５の例では、診断フロー詳細表示部３７１には、図８に例示した診断フローが表示されている。この例では、診断対象ブロックが高分化型の腺癌と識別されており、診断フロー詳細表示部３７１では、高分化型の腺癌に至るフローが実線で描画され、その他の疾患名に至るフローが破線で描画されている。

【0101】

予測結果表示部３７３には、診断フロー詳細表示部３７１に表示された診断フローに含まれる各内部モデルにより、識別対象のラベルごとに算出された確率値が表示される。図１５の例では、表示された診断フローに含まれる内部モデルのうち、腫瘍・非腫瘍モデルによって算出された確率値が「フロー１」の欄に表示され、悪性・良性モデルによって算出された確率値が「フロー２」の欄に表示され、腺癌・カルチノイドモデルによって算出された確率値が「フロー３」の欄に表示され、高分化・中低分化モデルによって算出された確率値が「フロー４」の欄に表示されている。このような表示により、ユーザは、診断フローの内部における識別の経過を確認できる。

【0102】

対象画像・ヒートマップ表示部３７４には、診断対象ブロック３７５と、診断対象ブロック３７５の領域に対応するヒートマップ３７６が表示される。ヒートマップ３７６は、例えば、疾患識別モデル（基本的には自己モデル）を形成するニューラルネットワークの内部から取得された特徴量に基づき、診断対象ブロック３７５において識別の根拠となる特徴部分を色分けして表示した画像である。ヒートマップ３７６により、診断対象ブロック３７５におけるどの部分に着目して疾患を識別したかが可視化される。

【0103】

以上説明した第２の実施の形態では、病理医自身の診断結果と他の病理医の診断結果とを疑似的に比較検討できる。病理医は、このような比較検討を、他の病理医と実際のコミュニケーションをとることなく、ユーザ端末２００を操作するだけで行うことができる。このため、診断スキルの向上に役立つ機会を、多忙な病理医に対して容易に提供できる。また、診断対象の画像に類似する過去の症例画像や、診断フローの内容も病理医が確認できることにより、診断スキルの向上に役立つ様々な情報を簡単な操作で提供できる。

【0104】

なお、上記の第２の実施の形態では、医用画像として病理画像を適用した例を示したが、ＣＴ画像、ＭＲＩなどの他の種類の医用画像が適用されてもよい。
また、診断対象ブロックについての複数モデルによる診断結果を参照したユーザが、それらの診断結果に基づいてその診断対象ブロックに対応する疾患を判定し、診断対象ブロックに教師ラベルを付加して学習データとして学習データ記憶部１３１に格納できるようにしてもよい。これにより、学習データ記憶部１３１に格納されるユーザの学習データを最適化でき、このユーザに対応する自己モデルを更新された学習データを用いて再作成することで、自己モデルの疾患識別精度を向上させることが可能となる。

【0105】

なお、上記の各実施の形態に示した装置（例えば、診断支援装置１、サーバ１００、ユーザ端末２００）の処理機能は、コンピュータによって実現することができる。その場合、各装置が有すべき機能の処理内容を記述したプログラムが提供され、そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、磁気記憶装置、光ディスク、半導体メモリなどがある。磁気記憶装置には、ハードディスク装置（ＨＤＤ）、磁気テープなどがある。光ディスクには、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ブルーレイディスク（Blu-ray Disc：ＢＤ、登録商標）などがある。

【0106】

プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ、ＣＤなどの可搬型記録媒体が販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。

【0107】

プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムまたはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムにしたがった処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムにしたがった処理を実行することもできる。また、コンピュータは、ネットワークを介して接続されたサーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムにしたがった処理を実行することもできる。

【符号の説明】

【0108】

１ 診断支援装置
２ 処理部
３ 医用画像
４ａ，４ｂ，５ａ，５ｂ 学習データ
６ 識別結果表示画面
７ａ，７ｂ 識別結果情報
Ｍ１，Ｍ２ 疾患識別モデル
Ｓ１～Ｓ３ ステップ
Ｕ１，Ｕ２ 人物

【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】

【図14】

【図15】