特開 2024-174578 推論装置及び推論方法

(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】P2024174578

(43)【公開日】2024-12-17

(54)【発明の名称】推論装置及び推論方法

(51)【国際特許分類】

   A61B 6/00 20240101AFI20241210BHJP

   G06T 7/00 20170101ALI20241210BHJP

   G06V 10/75 20220101ALI20241210BHJP

   G16H 30/00 20180101ALI20241210BHJP

   G16H 10/00 20180101ALI20241210BHJP

【ＦＩ】

A61B6/00 350Z

G06T7/00 350B

G06T7/00 612

G06V10/75

G16H30/00

G16H10/00

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2023092473

(22)【出願日】2023-06-05

(71)【出願人】

【識別番号】515130201

【氏名又は名称】株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(72)【発明者】

【氏名】平野 湧一郎

(72)【発明者】

【氏名】菅原 洋平

(72)【発明者】

【氏名】徳岡 雄大

(72)【発明者】

【氏名】高 正妍

(72)【発明者】

【氏名】水野 和恵

(72)【発明者】

【氏名】世木 直喜

(72)【発明者】

【氏名】中島 宏彰

(72)【発明者】

【氏名】今釜 史郎

(72)【発明者】

【氏名】伊藤 定之

【テーマコード（参考）】

4C093

5L096

5L099

【Ｆターム（参考）】

4C093AA01

4C093AA26

4C093CA35

4C093DA03

4C093DA10

4C093EA07

4C093FA44

4C093FF25

4C093FG18

5L096BA06

5L096BA13

5L096DA02

5L096FA02

5L096HA11

5L096JA11

5L096JA16

5L096KA04

5L099AA03

5L099AA26

(57)【要約】

【課題】Ｘ線画像を用いた骨の状態の推論精度を向上させる推論装置を提供すること。
【解決手段】少なくとも１つのメモリと、少なくとも１つのプロセッサと、を備え、少なくとも１つのプロセッサは、第１のモデルを用いてＸ線画像から内蔵の状態を推論することと、Ｘ線画像から第２のモデルを用いて骨の状態を推論することと、を実行する推論装置である。
【選択図】図１

【特許請求の範囲】

【請求項1】

少なくとも１つのメモリと、
少なくとも１つのプロセッサと、を備え、
前記少なくとも１つのプロセッサは、
第１のモデルを用いてＸ線画像から内臓の状態を推論することと、
前記Ｘ線画像から第２のモデルを用いて骨の状態を推論することと、
を実行する推論装置。

【請求項2】

前記少なくとも１つのプロセッサは、
前記第１のモデルを用いた推論の結果が異常であった前記Ｘ線画像を前記第２のモデルを用いて骨の状態を推論する前記Ｘ線画像から除外する、
請求項１記載の推論装置。

【請求項3】

前記第１のモデルは、肺がん検診で得られたＸ線画像と医師による所見の結果とを学習データとして用いて学習済みの肺がん検診モデルであり、
前記第２のモデルは、骨粗鬆症検診で得られたＸ線画像と医師による所見の結果とを学習データとして用いて学習済みの骨粗鬆症検診モデルである
請求項１又は２記載の推論装置。

【請求項4】

前記少なくとも１つのプロセッサは、
前記第２のモデルを用いて、推論対象のＸ線画像から、骨粗鬆症疑い、骨減少症疑い、又は正常を推論する、
請求項３記載の推論装置。

【請求項5】

前記第２のモデルは、骨粗鬆症検診で得られたＸ線画像と患者の臨床情報と医師による所見の結果とを学習データとして用いて学習済みの骨粗鬆症検診モデルであり、
前記少なくとも１つのプロセッサは、
前記第１のモデルを用いた推論の結果が正常であった推論対象のＸ線画像及び患者の診療情報から、前記第２のモデルを用いて骨の状態を推論する、
請求項３記載の推論装置。

【請求項6】

前記学習データは、Ｘ線画像のデータセットに自己教師あり学習を行うことで作成される、
請求項３記載の推論装置。

【請求項7】

前記学習データは、Ｘ線画像の撮像機器が読影を補助する為に行う画像処理を施されて作成されている、
請求項３記載の推論装置。

【請求項8】

前記第２のモデルは、Ｘ線画像の肺野及び胸部の領域の区分を事前学習済みの骨粗鬆症検診モデルである、
請求項３記載の推論装置。

【請求項9】

少なくとも１つのメモリと、少なくとも１つのプロセッサと、を備える推論装置における推論方法であって、
前記少なくとも１つのプロセッサは、
第１のモデルを用いてＸ線画像から内臓の状態を推論することと、
前記Ｘ線画像から第２のモデルを用いて骨の状態を推論することと、
を実行する推論方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、推論装置及び推論方法に関する。

【背景技術】

【0002】

学習済みの肺がん検診モデルを用いて、患者の胸部Ｘ線画像から肺がんを検診する技術が知られている。また、学習済みの骨粗鬆症検診モデルを用いて、患者の胸部Ｘ線画像から骨粗鬆症を検診する技術が知られている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第６７４４６１４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

本開示の課題は、Ｘ線画像を用いた骨の状態の推論精度を向上させる推論装置を提供することである。

【課題を解決するための手段】

【0005】

本開示の一態様による推論装置は、少なくとも１つのメモリと、少なくとも１つのプロセッサと、を備え、前記少なくとも１つのプロセッサは、第１のモデルを用いてＸ線画像から内蔵の状態を推論することと、前記Ｘ線画像から第２のモデルを用いて骨の状態を推論することと、を実行する。

【図面の簡単な説明】

【0006】

【図1】本実施形態に係る推論装置の機能構成の一例を示すブロック図である。

【図2】本実施形態に係る推論方法の一例を示すフローチャートである。

【図3】本実施形態に係る推論装置の機能構成の一例を示すブロック図である。

【図4】本実施形態に係る推論方法の一例を示すフローチャートである。

【図5】本実施形態に係る学習装置の機能構成の一例を示すブロック図である。

【図6】本実施形態に係る学習装置の機能構成の一例を示すブロック図である。

【図7】本実施形態に係る推論装置及び学習装置のハードウェア構成の一例を示すブロック図である。

【発明を実施するための形態】

【0007】

以下、本開示の各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。

【0008】

［推論装置の概略］
本開示の一実施形態は、同一の胸部Ｘ線画像（Ｘ線画像の一例）を用いて肺の状態（内臓の状態の一例）及び骨の状態を推論する推論装置である。肺の状態は、例えば肺がん又は肺炎等の肺に関する病気である。骨の状態は、例えば骨粗鬆症、骨減少症、又は異常高値（骨密度が高値であり、無症状骨折の場合）である。また、骨の状態としては他にも骨密度、ＹＡＭ、骨ミネラル密度、Ｔスコア又はＺスコアでもよい。

【0009】

本実施形態における推論装置は、胸部Ｘ線画像を用いて肺の状態を推論するように学習済みの肺がん検診モデル（第１のモデルの一例）を活用して、胸部Ｘ線画像を用いて骨の状態を推論するように学習済みの骨粗鬆症検診モデル（第２のモデルの一例）の高精度化及び利便性の向上を図る為の機能を有する。

【0010】

本実施形態における推論装置は、肺がん検診モデルにより「異常所見あり」と推論された胸部Ｘ線画像が、肺がん検診モデルにより「正常」と推論された胸部Ｘ線画像よりも骨粗鬆症検診モデルによる推論精度が低いという評価結果を利用するものである。本実施形態における推論装置は、学習済みの肺がん検診モデルを前段として活用し、肺の異常が推論された胸部Ｘ線画像を骨粗鬆症検診モデルによる推論対象から除外することで、骨粗鬆症検診モデルの推論精度を向上させている。また、本実施形態における推論装置は、同一の胸部Ｘ線画像を用いて肺の状態及び骨の状態を高精度に検診できるので、検診を行う医療機関等にとって利便性が高い。

【0011】

本開示の一実施形態は、胸部Ｘ画像を用いた骨の状態の推論精度を向上させることを目的とする。本開示の一実施形態によれば、同一の胸部Ｘ線画像を用いて肺の状態及び骨の状態を高精度に検診できるので、検診を行う医療機関等の利便性が向上する。

【0012】

［推論装置の機能構成］
本開示の一実施形態に係る推論装置１の機能構成について説明する。図１は、本実施形態に係る推論装置１の機能構成の一例を示すブロック図である。本実施形態に係る推論装置１は、胸部Ｘ線画像受信部１０、胸部Ｘ線画像記憶部１２、肺がん推論部１４、肺がん検診モデル１６、胸部Ｘ線画像選択部１８、骨粗鬆症推論部２０、骨粗鬆症検診モデル２２、臨床情報受信部２４、及び出力部２６を備えてもよい。

【0013】

推論装置１は、予めインストールされたプログラムが実行されることで、胸部Ｘ線画像受信部１０、胸部Ｘ線画像記憶部１２、肺がん推論部１４、肺がん検診モデル１６、胸部Ｘ線画像選択部１８、骨粗鬆症推論部２０、骨粗鬆症検診モデル２２、臨床情報受信部２４、及び出力部２６として機能してもよい。なお、推論装置１は、パーソナルコンピュータ、タブレット端末、スマートフォン、サーバー等の情報処理装置である。例えば、医師は情報処理装置に対して患者の胸部Ｘ線画像を入力し、推論結果を出力として受け取る。

【0014】

胸部Ｘ線画像受信部１０は、推論対象の胸部Ｘ線画像を受信してもよい。例えば胸部Ｘ線画像受信部１０は、肺の状態及び骨の状態を検診する検診者の胸部Ｘ線画像を受信する。胸部Ｘ線画像受信部１０は、胸部Ｘ線画像の撮像機器から検診者の胸部Ｘ線画像を受信してもよい。また、胸部Ｘ線画像受信部１０は、撮像機器が撮像した胸部Ｘ線画像を記憶する外部装置から検診者の胸部Ｘ線画像を受信してもよい。検診者の胸部Ｘ線画像は、１枚もしくは過去に撮像した胸部Ｘ線画像を含む複数枚であってもよい。

【0015】

胸部Ｘ線画像記憶部１２は、胸部Ｘ線画像受信部１０が受信した検診者の胸部Ｘ線画像を記憶してもよい。肺がん推論部１４は、肺がん検診モデル１６を用いて胸部Ｘ線画像から肺の状態を推論してもよい。肺がん検診モデル１６は、肺がん検診で得られた胸部Ｘ線画像と、医師による所見の結果（正解となる判定ラベル）とを学習データとして用いて、胸部Ｘ線画像から肺の状態を推論できるように学習済みである。肺がん検診モデル１６の学習は、正解となる判定ラベル付きの学習データ（教師データ）から正解を推論（予測）するモデルを導き出す既存の教師あり学習の手法を利用できる。肺がん推論部１４は、胸部Ｘ線画像から肺の「異常所見あり」又は「正常」を推論してもよい。

【0016】

胸部Ｘ線画像選択部１８は、肺がん検診モデル１６を用いた推論の結果が肺の「異常所見あり」であった検診者の胸部Ｘ線画像について、骨粗鬆症検診モデル２２を用いて骨の状態を推論する推論対象の胸部Ｘ線画像から除外する処理を行う。

【0017】

具体的に、胸部Ｘ線画像選択部１８は、肺がん推論部１４が肺がん検診モデル１６を用いて推論を行った胸部Ｘ線画像のうち、推論の結果が「正常」であった胸部Ｘ線画像を選択して骨粗鬆症推論部２０に提供してもよい。また、胸部Ｘ線画像選択部１８は、肺がん推論部１４が肺がん検診モデル１６を用いて推論を行った胸部Ｘ線画像のうち、推論の結果が肺の「異常所見あり」であった胸部Ｘ線画像を骨粗鬆症推論部２０に提供しないように選択してもよい。

【0018】

骨粗鬆症推論部２０は、骨粗鬆症検診モデル２２を用いて胸部Ｘ線画像から骨の状態を推論してもよい。なお、骨粗鬆症推論部２０は、骨粗鬆症検診モデル２２を用いて胸部Ｘ線画像及び検診者の臨床情報から骨の状態を推論してもよい。検診者の臨床情報は、例えば検診者の年齢及び性別などの生体情報、又は検診者の病歴に関する情報であってもよい。

【0019】

骨粗鬆症検診モデル２２は、骨粗鬆症検診で得られた胸部Ｘ線画像と、医師による所見の結果（正解となる判定ラベル）又はＤＸＡ（Dual-energy X-ray Absorptiometry；二重エネルギーＸ線吸収測定）法により測定した結果とを学習データとして用いて、胸部Ｘ線画像から骨の状態を推論できるように学習済みであってもよい。なお、ＤＸＡ法は、２種類のエネルギーのＸ線を測定する部位に当てて、骨と他の軟部組織とを区別して骨の成分を測定する測定法である。

【0020】

骨粗鬆症検診モデル２２は、骨粗鬆症検診で得られた胸部Ｘ線画像と、検診者の臨床情報と、医師による所見の結果又はＤＸＡ法により測定した結果とを学習データとして用いて、胸部Ｘ線画像から骨の状態を推論できるように学習済みであってもよい。また、骨粗鬆症検診モデル２２の学習は、正解となる判定ラベル付きの学習データから正解を推論するモデルを導き出す既存の教師あり学習の手法を利用できる。

【0021】

骨粗鬆症推論部２０は、肺がん推論部１４よる推論の結果が「正常」であった胸部Ｘ線画像を提供される。骨粗鬆症推論部２０は、胸部Ｘ線画像選択部１８から提供された検診者の胸部Ｘ線画像から、骨粗鬆症検診モデル２２を用いて骨の状態を推論してもよい。骨粗鬆症推論部２０は、胸部Ｘ線画像選択部１８から提供された検診者の胸部Ｘ線画像及び検診者の臨床情報から、骨粗鬆症検診モデル２２を用いて骨の状態を推論してもよい。

【0022】

骨粗鬆症推論部２０は、胸部Ｘ線画像から「骨粗鬆症疑い」「骨減少症疑い」又は「正常」を推論してもよい。骨粗鬆症推論部２０は、胸部Ｘ線画像及び検診者の臨床情報から「骨粗鬆症疑い」「骨減少症疑い」又は「正常」を推論してもよい。骨粗鬆症推論部２０は、「骨粗鬆症疑い」「骨減少症疑い」「異常高値」又は「正常」を推論してもよい。骨粗鬆症推論部２０は、胸部Ｘ線画像及び検診者の臨床情報から「骨粗鬆症疑い」「骨減少症疑い」「異常高値」又は「正常」を推論してもよい。

【0023】

臨床情報受信部２４は、検診者の臨床情報を受信し、検診者の臨床情報を骨粗鬆症推論部２０に提供してもよい。出力部２６は、肺がん推論部１４による肺の状態の推論の結果、及び骨粗鬆症推論部２０による骨の状態の推論の結果を出力してもよい。

【0024】

例えば出力部２６は、肺がん推論部１４による肺の状態の推論の結果が肺の「異常所見あり」の場合、肺がん推論部１４による肺の状態の推論の結果が「正常」の場合よりも骨粗鬆症検診モデル２２による骨の状態の推論精度が低いため、骨粗鬆症検診モデル２２による骨の状態の推論の結果を出力しない。なお、出力部２６は、肺の状態の推論の結果が「異常所見あり」のため、骨の状態の推論精度が低いことを明示した上で、骨粗鬆症検診モデル２２による骨の状態の推論の結果を出力してもよい。

【0025】

出力部２６は、肺がん推論部１４による肺の状態の推論の結果が「正常」の場合、肺がん推論部１４による肺の状態の推論の結果が肺の「異常所見あり」の場合よりも骨粗鬆症検診モデル２２による骨の状態の推論精度が高いため、骨粗鬆症検診モデル２２による骨の状態の推論の結果を出力してもよい。なお、出力部２６は、骨の状態の推論精度が高いことを明示した上で、骨粗鬆症検診モデル２２による骨の状態の推論の結果を出力してもよい。

【0026】

［推論方法の処理手順］
本開示の一実施形態に係る推論装置１は、例えば図２に示す処理手順で推論方法を実行する。図２は、本実施形態に係る推論方法の一例を示すフローチャートである。

【0027】

ステップＳ１０において、推論装置１の肺がん推論部１４は、肺がん検診モデル１６を用いて胸部Ｘ線画像から肺の状態を推論してもよい。ステップＳ１２において、推論装置１の胸部Ｘ線画像選択部１８は、肺がん検診モデル１６を用いた推論の結果が肺の「異常所見あり」であるか否かを判定してもよい。

【0028】

肺がん検診モデル１６を用いた推論の結果が肺の「異常所見あり」であれば、胸部Ｘ線画像選択部１８は、ステップＳ１４の処理に進む。ステップＳ１４において、胸部Ｘ線画像選択部１８は、肺がん推論部１４がステップＳ１０で肺の異常を推論した胸部Ｘ線画像を骨の状態の推論対象から除外してもよい。言い換えれば、胸部Ｘ線画像選択部１８は、肺がん推論部１４が肺の「異常所見あり」と推論した胸部Ｘ線画像を骨粗鬆症推論部２０に提供しなくてもよい。したがって、骨粗鬆症推論部２０は、肺がん検診モデル１６を用いた推論の結果が肺の「異常所見あり」であった胸部Ｘ線画像の骨の状態を推論しなくてもよい。ステップＳ１６において、出力部２６は、肺がん検診モデル１６による肺の状態の推論の結果として「肺がん疑い」を出力してもよい。

【0029】

肺がん検診モデル１６を用いた推論の結果が肺の「異常所見あり」でなければ、胸部Ｘ線画像選択部１８は肺がん推論部１４がステップＳ１０で肺の状態を推論した胸部Ｘ線画像を骨の状態の推論対象としてもよい。言い換えれば、胸部Ｘ線画像選択部１８は、肺がん推論部１４が「正常」と推論した胸部Ｘ線画像を骨粗鬆症推論部２０に提供してもよい。ステップＳ１８において、骨粗鬆症推論部２０は、肺がん検診モデル１６を用いた推論の結果が「正常」であった胸部Ｘ線画像の骨の状態を推論してもよい。

【0030】

ステップＳ２０において、出力部２６は、肺がん推論部１４による肺の状態の推論の結果として「正常」を出力してもよい。また、ステップＳ２２において、出力部２６は、骨粗鬆症検診モデル２２による骨の状態の推論の結果として「正常」「骨粗鬆症疑い」又は「骨減少症疑い」を出力してもよい。

【0031】

［推論装置の機能構成の変形例］
本開示の一実施形態に係る推論装置１の機能構成は、図３の構成であってもよい。図３は、本実施形態に係る推論装置１の機能構成の一例を示すブロック図である。なお、図３のブロック図は、一部を除いて図１のブロック図と同様である。本実施形態に係る推論装置１は、胸部Ｘ線画像受信部１０、胸部Ｘ線画像記憶部１２、肺がん・骨粗鬆症推論部３０、肺がん検診モデル１６、骨粗鬆症検診モデル２２、臨床情報受信部２４、及び出力部２６を備えてもよい。

【0032】

推論装置１は、予めインストールされたプログラムが実行されることで、胸部Ｘ線画像受信部１０、胸部Ｘ線画像記憶部１２、肺がん・骨粗鬆症推論部３０、肺がん検診モデル１６、骨粗鬆症検診モデル２２、臨床情報受信部２４、及び出力部２６として機能してもよい。

【0033】

胸部Ｘ線画像受信部１０は、推論対象の胸部Ｘ線画像を受信してもよい。胸部Ｘ線画像記憶部１２は、胸部Ｘ線画像受信部１０が受信した検診者の胸部Ｘ線画像を記憶してもよい。肺がん・骨粗鬆症推論部３０は、肺がん検診モデル１６及び骨粗鬆症検診モデル２２を用いて胸部Ｘ線画像から肺の状態及び骨の状態を推論してもよい。一例として、肺がん検診モデル１６を先に推論に用いてもよいし、骨粗鬆症検診モデル２２を先に推論に用いてもよい。肺がん検診モデル１６は、肺がん検診で得られた胸部Ｘ線画像と、医師による所見の結果とを学習データとして用いて、胸部Ｘ線画像から肺の状態を推論できるように学習済みである。肺がん・骨粗鬆症推論部３０は、胸部Ｘ線画像から肺の「異常所見あり」又は「正常」を推論してもよい。

【0034】

また、肺がん・骨粗鬆症推論部３０は、骨粗鬆症検診モデル２２を用いて胸部Ｘ線画像から骨の状態を推論してもよい。骨粗鬆症検診モデル２２は、骨粗鬆症検診で得られた胸部Ｘ線画像と、医師による所見の結果又はＤＸＡ法により測定した結果とを学習データとして用いて、胸部Ｘ線画像から骨の状態を推論できるように学習済みであってもよい。肺がん・骨粗鬆症推論部３０は、胸部Ｘ線画像から「骨粗鬆症疑い」「骨減少症疑い」又は「正常」を推論してもよい。

【0035】

臨床情報受信部２４は、検診者の臨床情報を受信し、検診者の臨床情報を肺がん・骨粗鬆症推論部３０に提供してもよい。出力部２６は、肺がん推論部１４による肺の状態の推論の結果、及び骨粗鬆症推論部２０による骨の状態の推論の結果を出力してもよい。出力部２６は、肺がん・骨粗鬆症推論部３０による肺の状態の推論の結果である「正常」又は「異常所見あり」と骨の状態の推論の結果である「骨粗鬆症疑い」「骨減少症疑い」又は「正常」とを出力してもよい。

【0036】

なお、図３では肺がん・骨粗鬆症推論部３０が肺がん検診モデル１６及び骨粗鬆症検診モデル２２のセットを用いる例を説明したが、肺がん検診モデル１６及び骨粗鬆症検診モデル２２を単一モデルとしてもよい。肺がん検診モデル１６及び骨粗鬆症検診モデル２２を単一モデルとすることで、推論装置１は一つのモデルで肺の状態及び骨の状態を推論することができる。

【0037】

［推論方法の処理手順の変形例］
本開示の一実施形態に係る推論装置１は、例えば図４に示す処理手順で推論方法を実行してもよい。図４は、本実施形態に係る推論方法の一例を示すフローチャートである。

【0038】

ステップＳ３０において、推論装置１の肺がん・骨粗鬆症推論部３０は、肺がん検診モデル１６を用いて胸部Ｘ線画像から肺の状態を推論してもよい。ステップＳ３２において、肺がん・骨粗鬆症推論部３０は、骨粗鬆症検診モデル２２を用いて胸部Ｘ線画像から骨の状態を推論してもよい。

【0039】

ステップＳ３４において、肺がん・骨粗鬆症推論部３０は、肺がん検診モデル１６を用いた推論の結果が肺の「異常所見あり」であるか否かを判定してもよい。肺がん検診モデル１６を用いた推論の結果が肺の「異常所見あり」であれば、出力部３６はステップＳ３６の処理を行ってもよい。

【0040】

ステップＳ３６において、出力部２６は、肺がん検診モデル１６による肺の状態の推論の結果として「肺がん疑い」を出力してもよい。ステップＳ３８において、出力部２６は、骨粗鬆症検診モデル２２による骨の状態の推論の結果として「正常」「骨粗鬆症疑い」又は「骨減少症疑い」を出力してもよい。

【0041】

また、ステップＳ３４において、出力部２６は、肺がん検診モデル１６を用いた推論の結果が「正常」であれば、ステップＳ４０の処理を行ってもよい。ステップＳ４０において、出力部２６は、肺がん検診モデル１６による肺の状態の推論の結果として「正常」を出力してもよい。ステップＳ４２において、出力部２６は、骨粗鬆症検診モデル２２による骨の状態の推論の結果として「正常」「骨粗鬆症疑い」又は「骨減少症疑い」を出力してもよい。

【0042】

［学習装置の機能構成］
本開示の一実施形態に係る学習装置２の機能構成について説明する。図５は、本実施形態に係る学習装置２の機能構成の一例を示すブロック図である。図５の学習装置２は、大規模な胸部Ｘ線画像データセットを用いて教師無し事前学習を行い、骨粗鬆症検診モデル２２の推論精度を向上させるものである。大規模な胸部Ｘ線画像データセットは、例えば無償で公開されているＭＩＭＩＣ－ＣＸＲ又はＣｈｅＸｐｅｒｔを利用してもよい。

【0043】

図５の学習装置２は、骨粗鬆症検診モデル２２、胸部Ｘ線画像受信部５０、胸部Ｘ線画像記憶部５２、自己教師あり学習部５４、教師あり学習部５８、及び骨粗鬆症検診モデル送信部６０を備えてもよい。

【0044】

学習装置２は、予めインストールされたプログラムが実行されることで、骨粗鬆症検診モデル２２、胸部Ｘ線画像受信部５０、胸部Ｘ線画像記憶部５２、自己教師あり学習部５４、教師あり学習部５８、及び骨粗鬆症検診モデル送信部６０として機能してもよい。なお、学習装置２は、パーソナルコンピュータ、タブレット端末、又はスマートフォン、サーバー等の情報処理装置である。

【0045】

胸部Ｘ線画像受信部５０は、正解となる判定ラベル無しの大規模な胸部Ｘ線画像データセットを受信してもよい。胸部Ｘ線画像記憶部５２は、胸部Ｘ線画像受信部５０が受信した大規模な胸部Ｘ線画像データセットを記憶してもよい。

【0046】

自己教師あり学習部５４は、胸部Ｘ線画像記憶部５２が記憶する大規模な胸部Ｘ線画像データセットを活用して、自己教師あり学習（Self-Supervised Learning）による骨粗鬆症検診モデル２２の事前学習を行ってもよい。自己教師あり学習とは、判定ラベル無しの大規模なデータセットを活用して、プレテキストタスクと呼ばれる擬似的な判定ラベルが自動生成された代替のタスクを解くための事前学習を行う学習方法である。

【0047】

教師あり学習部５８は、ターゲットタスク（下流タスク）を解くために、自己教師あり学習部５４で事前学習済みの骨粗鬆症検診モデル２２をファインチューニングしてもよい。骨粗鬆症検診モデル送信部６０は、教師あり学習部５８でファインチューニング済みの骨粗鬆症検診モデル２２を推論装置１に送信してもよい。

【0048】

図５の学習装置２によれば、自己教師あり学習により判定ラベル無しの大規模な胸部Ｘ線画像データセットに擬似的な判定ラベルを自動生成できるため、判定ラベル付与の手間を削減できる。

【0049】

［学習装置の機能構成の変形例］
本開示の一実施形態に係る学習装置２の機能構成は、図６の構成であってもよい。図６は、本実施形態に係る学習装置２の機能構成の一例を示すブロック図である。図６の学習装置２は、胸部Ｘ線画像の読影に使われている事前知識を骨粗鬆症検診モデル２２に事前学習を行い、骨粗鬆症検診モデル２２の推論精度を向上させるものである。胸部Ｘ線画像の読影に使われている事前知識は、例えば放射線科医が胸部Ｘ線画像を読影する際、最初に肺野及び胸部の領域を区分する知識である。図６の学習装置２では、胸部Ｘ線画像における肺野及び胸部の境界（領域の区分）を事前に検出し、領域の区分を事前知識として骨粗鬆症検診モデル２２の学習及び推論に活用することで、骨粗鬆症検診モデル２２の推論精度を向上させる。

【0050】

本実施形態に係る学習装置２は、骨粗鬆症検診モデル２２、胸部Ｘ線画像受信部５０、胸部Ｘ線画像記憶部５２、骨粗鬆症検診モデル送信部６０、事前学習部７０、領域区分受信部７２、及び教師あり学習部７４を備えてもよい。学習装置２は、予めインストールされたプログラムが実行されることで、骨粗鬆症検診モデル２２、胸部Ｘ線画像受信部５０、胸部Ｘ線画像記憶部５２、骨粗鬆症検診モデル送信部６０、事前学習部７０、領域区分受信部７２、及び教師あり学習部７４として機能してもよい。

【0051】

胸部Ｘ線画像受信部５０は、正解となる判定ラベル無しの大規模な胸部Ｘ線画像データセットを受信してもよい。胸部Ｘ線画像記憶部５２は、胸部Ｘ線画像受信部５０が受信した大規模な胸部Ｘ線画像データセットを記憶してもよい。領域区分受信部７２は、胸部Ｘ線画像の領域の区分（例えば肺野及び腹部の境界座標）の情報を受信してもよい。

【0052】

事前学習部７０は、胸部Ｘ線画像の領域の区分を事前学習させてもよい。事前学習部７０が行う事前学習は、例えばニューラルネットワークに新たな層を加え、加えた層のパラメータの調整を胸部Ｘ線画像の領域の区分により行う学習方法である。

【0053】

教師あり学習部７８は、事前学習部７０で事前学習済みの骨粗鬆症検診モデル２２に教師あり学習を行ってもよい。骨粗鬆症検診モデル送信部６０は、教師あり学習部７４で教師あり学習済みの骨粗鬆症検診モデル２２を推論装置１に送信してもよい。

【0054】

なお、胸部Ｘ線画像の撮像機器では、読影を補助するという観点からコントラストの調整又はノイズ除去のフィルタリングなどの様々な画像処理が施されている。胸部Ｘ線画像の撮像機器により施されている画像処理の違いにより、骨粗鬆症検診モデル２２の汎化性能は低下する場合がある。

【0055】

そこで、図５及び図６の学習装置２は、胸部Ｘ線画像の撮像機器が読影を補助する為に行う画像処理を考慮した教師データ水増し（augmentation）を行うことで、骨粗鬆症検診モデル２２の頑健性及び汎化性を向上させてもよい。

【0056】

［まとめ］
骨粗鬆症の検診は、ＤＸＡ法による測定又は超音波を用いた測定が一般的である。ＤＸＡ法による測定は、骨密度を測定でき、確定診断にも活用されるが、装置が高価であると共に、設置場所の確保及び管理が必要である。また、超音波を用いた測定は、比較的安価であるが、装置及び技師間の差があり、ＤＸＡ法による測定との一致率が低い。

【0057】

本開示の一実施形態に係る推論装置１は、同一の胸部Ｘ線画像を用いて肺の状態及び骨の状態を高精度に検診できるので、定期的な肺がん検診による骨粗鬆症検診、又はかかりつけ医による骨粗鬆症検診が可能となり、骨粗鬆症検診の受診率の向上を期待できる。

【0058】

また、本開示の一実施形態に係る推論装置１は、一つのモデル、又はモデルのセットで肺の状態及び骨の状態の推論を高精度に実施できるので、導入する医療機関等にとっての利便性が高い。

【0059】

本開示の一実施形態に係る推論装置１の機能は、クラウドサービスとして検診施設又は診療所等に提供してもよい。

【0060】

本開示の一実施形態によれば、胸部Ｘ画像を用いた骨の状態の推論精度を向上させる推論装置１を提供できる。

【0061】

［推論装置及び学習装置のハードウェア構成］
前述した実施形態における各装置（推論装置１及び学習装置２）の一部又は全部は、ハードウェアで構成されていてもよいし、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等が実行するソフトウェア（プログラム）の情報処理で構成されてもよい。ソフトウェアの情報処理で構成される場合には、前述した実施形態における各装置の少なくとも一部の機能を実現するソフトウェアを、ＣＤ－ＲＯＭ（Compact Disc-Read Only Memory）、ＵＳＢ（Universal Serial Bus）メモリ等の非一時的な記憶媒体（非一時的なコンピュータ可読媒体）に収納し、コンピュータに読み込ませることにより、ソフトウェアの情報処理を実行してもよい。また、通信ネットワークを介して当該ソフトウェアがダウンロードされてもよい。さらに、ソフトウェアの処理の全部又は一部がＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の回路に実装されることにより、当該ソフトウェアによる情報処理がハードウェアにより実行されてもよい。

【0062】

ソフトウェアを収納する記憶媒体は、光ディスク等の着脱可能なものでもよいし、ハードディスク、メモリ等の固定型の記憶媒体であってもよい。また、記憶媒体は、コンピュータ内部に備えられてもよいし（主記憶装置、補助記憶装置等）、コンピュータ外部に備えられてもよい。

【0063】

図７は、前述した実施形態における各装置（推論装置１及び学習装置２）のハードウェア構成の一例を示すブロック図である。各装置は、一例として、プロセッサ１０１と、主記憶装置１０２（メモリ）と、補助記憶装置１０３（メモリ）と、ネットワークインタフェース１０４と、デバイスインタフェース１０５と、を備え、これらがバス１０６を介して接続されたコンピュータ７として実現されてもよい。

【0064】

図７のコンピュータ７は、各構成要素を一つ備えているが、同じ構成要素を複数備えていてもよい。また、図７では、１台のコンピュータ７が示されているが、ソフトウェアが複数台のコンピュータにインストールされて、当該複数台のコンピュータそれぞれがソフトウェアの同一の又は異なる一部の処理を実行してもよい。この場合、コンピュータそれぞれがネットワークインタフェース１０４等を介して通信して処理を実行する分散コンピューティングの形態であってもよい。つまり、前述した実施形態における各装置（推論装置１及び学習装置２）は、１又は複数の記憶装置に記憶された命令を１台又は複数台のコンピュータが実行することで機能を実現するシステムとして構成されてもよい。また、端末から送信された情報をクラウド上に設けられた１台又は複数台のコンピュータで処理し、この処理結果を端末に送信するような構成であってもよい。

【0065】

前述した実施形態における各装置（推論装置１及び学習装置２）の各種演算は、１又は複数のプロセッサを用いて、又はネットワークを介した複数台のコンピュータを用いて、並列処理で実行されてもよい。また、各種演算が、プロセッサ内に複数ある演算コアに振り分けられて、並列処理で実行されてもよい。また、本開示の処理、手段等の一部又は全部は、ネットワークを介してコンピュータ７と通信可能なクラウド上に設けられたプロセッサ及び記憶装置の少なくとも一方により実現されてもよい。このように、前述した実施形態における各装置は、１台又は複数台のコンピュータによる並列コンピューティングの形態であってもよい。

【0066】

プロセッサ１０１は、少なくともコンピュータの制御又は演算のいずれかを行う電子回路（処理回路、Processing circuit、Processing circuitry、ＣＰＵ、ＧＰＵ、ＦＰＧＡ、ＡＳＩＣ等）であってもよい。また、プロセッサ１０１は、汎用プロセッサ、特定の演算を実行するために設計された専用の処理回路又は汎用プロセッサと専用の処理回路との両方を含む半導体装置のいずれであってもよい。また、プロセッサ１０１は、光回路を含むものであってもよいし、量子コンピューティングに基づく演算機能を含むものであってもよい。

【0067】

プロセッサ１０１は、コンピュータ７の内部構成の各装置等から入力されたデータやソフトウェアに基づいて演算処理を行ってもよく、演算結果や制御信号を各装置等に出力してもよい。プロセッサ１０１は、コンピュータ７のＯＳ（Operating System）や、アプリケーション等を実行することにより、コンピュータ７を構成する各構成要素を制御してもよい。

【0068】

前述した実施形態における各装置（推論装置１及び学習装置２）は、１又は複数のプロセッサ１０１により実現されてもよい。ここで、プロセッサ１０１は、１チップ上に配置された１又は複数の電子回路を指してもよいし、２つ以上のチップあるいは２つ以上のデバイス上に配置された１又は複数の電子回路を指してもよい。複数の電子回路を用いる場合、各電子回路は有線又は無線により通信してもよい。

【0069】

主記憶装置１０２は、プロセッサ１０１が実行する命令及び各種データ等を記憶してもよく、主記憶装置１０２に記憶された情報がプロセッサ１０１により読み出されてもよい。補助記憶装置１０３は、主記憶装置１０２以外の記憶装置である。なお、これらの記憶装置は、電子情報を格納可能な任意の電子部品を意味するものとし、半導体のメモリでもよい。半導体のメモリは、揮発性メモリ又は不揮発性メモリのいずれでもよい。前述した実施形態における各装置（推論装置１及び学習装置２）において各種データ等を保存するための記憶装置は、主記憶装置１０２又は補助記憶装置１０３により実現されてもよく、プロセッサ１０１に内蔵される内蔵メモリにより実現されてもよい。例えば、前述した実施形態における各記憶部は、主記憶装置１０２又は補助記憶装置１０３により実現されてもよい。

【0070】

前述した実施形態における各装置（推論装置１及び学習装置２）が、少なくとも１つの記憶装置（メモリ）と、この少なくとも１つの記憶装置に接続（結合）される少なくとも１つのプロセッサで構成される場合、記憶装置１つに対して、少なくとも１つのプロセッサが接続されてもよい。また、１つのプロセッサに対して、少なくとも１つの記憶装置が接続されてもよい。また、複数のプロセッサのうち少なくとも１つのプロセッサが、複数の記憶装置のうち少なくとも１つの記憶装置に接続される構成を含んでもよい。また、複数台のコンピュータに含まれる記憶装置とプロセッサによって、この構成が実現されてもよい。さらに、記憶装置がプロセッサと一体になっている構成（例えば、Ｌ１キャッシュ、Ｌ２キャッシュを含むキャッシュメモリ）を含んでもよい。

【0071】

ネットワークインタフェース１０４は、無線又は有線により、通信ネットワーク８に接続するためのインタフェースである。ネットワークインタフェース１０４は、既存の通信規格に適合したもの等、適切なインタフェースを用いればよい。ネットワークインタフェース１０４により、通信ネットワーク８を介して接続された外部装置９Ａと情報のやり取りが行われてもよい。なお、通信ネットワーク８は、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、ＰＡＮ（Personal Area Network）等の何れか又はそれらの組み合わせであってよく、コンピュータ７と外部装置９Ａとの間で情報のやり取りが行われるものであればよい。ＷＡＮの一例としてインターネット等があり、ＬＡＮの一例としてＩＥＥＥ８０２．１１やイーサネット（登録商標）等があり、ＰＡＮの一例としてＢｌｕｅｔｏｏｔｈ（登録商標）やＮＦＣ（Near Field Communication）等がある。

【0072】

デバイスインタフェース１０５は、外部装置９Ｂと直接接続するＵＳＢ等のインタフェースである。

【0073】

外部装置９Ａはコンピュータ７とネットワークを介して接続されている装置である。外部装置９Ｂはコンピュータ７と直接接続されている装置である。

【0074】

外部装置９Ａ又は外部装置９Ｂは、一例として、入力装置であってもよい。入力装置は、例えば、カメラ、マイクロフォン、モーションキャプチャ、各種センサ、キーボード、マウス、タッチパネル等のデバイスであり、取得した情報をコンピュータ７に与える。また、パーソナルコンピュータ、タブレット端末、スマートフォン等の入力部とメモリとプロセッサを備えるデバイスであってもよい。

【0075】

また、外部装置９Ａ又は外部装置Ｂは、一例として、出力装置でもよい。出力装置は、例えば、ＬＣＤ（Liquid Crystal Display）、有機ＥＬ（Electro Luminescence）パネル等の表示装置であってもよいし、音声等を出力するスピーカ等であってもよい。また、パーソナルコンピュータ、タブレット端末又はスマートフォン等の出力部とメモリとプロセッサを備えるデバイスであってもよい。

【0076】

また、外部装置９Ａまた外部装置９Ｂは、記憶装置（メモリ）であってもよい。例えば、外部装置９Ａはネットワークストレージ等であってもよく、外部装置９ＢはＨＤＤ等のストレージであってもよい。

【0077】

また、外部装置９Ａ又は外部装置９Ｂは、前述した実施形態における各装置（情報処理装置１００）の構成要素の一部の機能を有する装置でもよい。つまり、コンピュータ７は、外部装置９Ａ又は外部装置９Ｂに処理結果の一部又は全部を送信してもよいし、外部装置９Ａ又は外部装置９Ｂから処理結果の一部又は全部を受信してもよい。

【0078】

本明細書（請求項を含む）において、「a、b及びcの少なくとも1つ（一方）」又は「a、b又はcの少なくとも1つ（一方）」の表現（同様な表現を含む）が用いられる場合は、a、b、c、a-b、a-c、b-c又はa-b-cのいずれかを含む。また、a-a、a-b-b、a-a-b-b-c-c等のように、いずれかの要素について複数のインスタンスを含んでもよい。さらに、a-b-c-dのようにdを有する等、列挙された要素（a、b及びc）以外の他の要素を加えることも含む。

【0079】

本明細書（請求項を含む）において、「データを入力として／を用いて／データに基づいて／に従って／に応じて」等の表現（同様な表現を含む）が用いられる場合は、特に断りがない場合、データそのものを用いる場合や、データに何らかの処理を行ったもの（例えば、ノイズ加算したもの、正規化したもの、データから抽出した特徴量、データの中間表現等）を用いる場合を含む。また、「データを入力として／を用いて／データに基づいて／に従って／に応じて」何らかの結果が得られる旨が記載されている場合（同様な表現を含む）、特に断りがない場合、当該データのみに基づいて当該結果が得られる場合や、当該データ以外の他のデータ、要因、条件及び／又は状態にも影響を受けて当該結果が得られる場合を含む。また、「データを出力する」旨が記載されている場合（同様な表現を含む）、特に断りがない場合、データそのものを出力として用いる場合や、データに何らかの処理を行ったもの（例えば、ノイズ加算したもの、正規化したもの、データから抽出した特徴量、各種データの中間表現等）を出力として用いる場合を含む。

【0080】

本明細書（請求項を含む）において、「接続される（connected）」及び「結合される（coupled）」との用語が用いられる場合は、直接的な接続／結合、間接的な接続／結合、電気的（electrically）な接続／結合、通信的（communicatively）な接続／結合、機能的（operatively）な接続／結合、物理的（physically）な接続／結合等のいずれをも含む非限定的な用語として意図される。当該用語は、当該用語が用いられた文脈に応じて適宜解釈されるべきであるが、意図的に或いは当然に排除されるのではない接続／結合形態は、当該用語に含まれるものして非限定的に解釈されるべきである。

【0081】

本明細書（請求項を含む）において、「ＡがＢするよう構成される（A configured to B）」との表現が用いられる場合は、要素Ａの物理的構造が、動作Ｂを実行可能な構成を有するとともに、要素Ａの恒常的（permanent）又は一時的（temporary）な設定（setting/configuration）が、動作Ｂを実際に実行するように設定（configured/set）されていることを含んでよい。例えば、要素Ａが汎用プロセッサである場合、当該プロセッサが動作Ｂを実行可能なハードウェア構成を有するとともに、恒常的（permanent）又は一時的（temporary）なプログラム（命令）の設定により、動作Ｂを実際に実行するように設定（configured）されていればよい。また、要素Ａが専用プロセッサ、専用演算回路等である場合、制御用命令及びデータが実際に付属しているか否かとは無関係に、当該プロセッサの回路的構造等が動作Ｂを実際に実行するように構築（implemented）されていればよい。

【0082】

本明細書（請求項を含む）において、含有又は所有を意味する用語（例えば、「含む（comprising/including）」、「有する（having）」等）が用いられる場合は、当該用語の目的語により示される対象物以外の物を含有又は所有する場合を含む、open-endedな用語として意図される。これらの含有又は所有を意味する用語の目的語が数量を指定しない又は単数を示唆する表現（a又はanを冠詞とする表現）である場合は、当該表現は特定の数に限定されないものとして解釈されるべきである。

【0083】

本明細書（請求項を含む）において、ある箇所において「１つ又は複数（one or more）」、「少なくとも１つ（at least one）」等の表現が用いられ、他の箇所において数量を指定しない又は単数を示唆する表現（a又はanを冠詞とする表現）が用いられているとしても、後者の表現が「１つ」を意味することを意図しない。一般に、数量を指定しない又は単数を示唆する表現（a又はanを冠詞とする表現）は、必ずしも特定の数に限定されないものとして解釈されるべきである。

【0084】

本明細書において、ある実施形態の有する特定の構成について特定の効果（advantage/result）が得られる旨が記載されている場合、別段の理由がない限り、当該構成を有する他の１つ又は複数の実施形態についても当該効果が得られると理解されるべきである。但し、当該効果の有無は、一般に種々の要因、条件及び／又は状態に依存し、当該構成により必ず当該効果が得られるものではないと理解されるべきである。当該効果は、種々の要因、条件及び／又は状態が満たされたときに実施形態に記載の当該構成により得られるものに過ぎず、当該構成又は類似の構成を規定したクレームに係る発明において、当該効果が必ずしも得られるものではない。

【0085】

本明細書（請求項を含む）において、「最大化する（maximize）／最大化（maximization）」等の用語が用いられる場合は、グローバルな最大値を求めること、グローバルな最大値の近似値を求めること、ローカルな最大値を求めること、及びローカルな最大値の近似値を求めることを含み、当該用語が用いられた文脈に応じて適宜解釈されるべきである。また、これら最大値の近似値を確率的又はヒューリスティックに求めることを含む。同様に、「最小化する（minimize）／最小化（minimization）」等の用語が用いられる場合は、グローバルな最小値を求めること、グローバルな最小値の近似値を求めること、ローカルな最小値を求めること、及びローカルな最小値の近似値を求めることを含み、当該用語が用いられた文脈に応じて適宜解釈されるべきである。また、これら最小値の近似値を確率的又はヒューリスティックに求めることを含む。同様に、「最適化する（optimize）／最適化（optimization）」等の用語が用いられる場合は、グローバルな最適値を求めること、グローバルな最適値の近似値を求めること、ローカルな最適値を求めること、及びローカルな最適値の近似値を求めることを含み、当該用語が用いられた文脈に応じて適宜解釈されるべきである。また、これら最適値の近似値を確率的又はヒューリスティックに求めることを含む。

【0086】

本明細書（請求項を含む）において、複数のハードウェアが所定の処理を行う場合、各ハードウェアが協働して所定の処理を行ってもよいし、一部のハードウェアが所定の処理の全てを行ってもよい。また、一部のハードウェアが所定の処理の一部を行い、別のハードウェアが所定の処理の残りを行ってもよい。本明細書（請求項を含む）において、「１又は複数のハードウェアが第１の処理を行い、前記１又は複数のハードウェアが第２の処理を行う」等の表現（同様な表現を含む）が用いられている場合、第１の処理を行うハードウェアと第２の処理を行うハードウェアは同じものであってもよいし、異なるものであってもよい。つまり、第１の処理を行うハードウェア及び第２の処理を行うハードウェアが、前記１又は複数のハードウェアに含まれていればよい。なお、ハードウェアは、電子回路、電子回路を含む装置等を含んでよい。

【0087】

本明細書（請求項を含む）において、複数の記憶装置（メモリ）がデータの記憶を行う場合、複数の記憶装置のうち個々の記憶装置は、データの一部のみを記憶してもよいし、データの全体を記憶してもよい。また、複数の記憶装置のうち一部の記憶装置がデータを記憶する構成を含んでもよい。

【0088】

本明細書（請求項を含む）において、「第１の」、「第２の」等の用語は、単に２つ以上の要素間を区別する方法として使用されており、その対象に対して時間的態様、空間的態様、順序、量等の技術的意味を課すことを必ずしも意図するものではない。したがって、例えば、第１の要素及び第２の要素への参照は、２つの要素のみがそこで採用され得ること、第１の要素が第２の要素に先行しなければならないこと、第２の要素が存在するために第１の要素が存在しなければならないこと等を必ずしも意味するものではない。

【0089】

以上、本開示の実施形態について詳述したが、本開示は上記した個々の実施形態に限定されるものではない。特許請求の範囲に規定された内容及びその均等物から導き出される本発明の概念的な思想と趣旨を逸脱しない範囲において、種々の追加、変更、置き換え、部分的削除等が可能である。例えば、前述した実施形態において、数値又は数式を説明に用いている場合、これらは例示的な目的で示されたものであり、本開示の範囲を限定するものではない。また、実施形態で示した各動作の順序も例示的なものであり、本開示の範囲を限定するものではない。

【符号の説明】

【0090】

１ 推論装置
２ 学習装置
１０ 胸部Ｘ線画像受信部
１２ 胸部Ｘ線画像記憶部
１４ 肺がん推論部
１６ 肺がん検診モデル
１８ 胸部Ｘ線画像選択部
２０ 骨粗鬆症推論部
２２ 骨粗鬆症検診モデル
２４ 臨床情報受信部
２６ 出力部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】