特開 2024-72350 学習装置、学習方法及び記憶媒体

(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】P2024072350

(43)【公開日】2024-05-28

(54)【発明の名称】学習装置、学習方法及び記憶媒体

(51)【国際特許分類】

   A61B 5/346 20210101AFI20240521BHJP

【ＦＩ】

A61B5/346

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022183080

(22)【出願日】2022-11-16

(71)【出願人】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】100107331

【弁理士】

【氏名又は名称】中村 聡延

(74)【代理人】

【識別番号】100104765

【弁理士】

【氏名又は名称】江上 達夫

(74)【代理人】

【識別番号】100131015

【弁理士】

【氏名又は名称】三輪 浩誉

(72)【発明者】

【氏名】駱 園

(72)【発明者】

【氏名】野間 充

(72)【発明者】

【氏名】久松 修

(72)【発明者】

【氏名】西原 康介

(72)【発明者】

【氏名】久保 雅洋

(72)【発明者】

【氏名】片岡 宏章

(72)【発明者】

【氏名】柴野 暁彦

【テーマコード（参考）】

4C127

【Ｆターム（参考）】

4C127AA03

4C127GG01

4C127GG10

4C127GG16

4C127KK03

(57)【要約】

【課題】心電図に基づき疾患の診断を行うモデルに関する学習を実行することが可能な学習装置、学習方法及び記憶媒体を提供する。
【解決手段】学習装置１Ｘは、主に、第１取得手段３１Ｘと、第２取得手段３２Ｘと、学習手段３４Ｘと、を備える。第１取得手段３１Ｘは、被検者の心電図に関する心電図データの部分波形を取得する。第２取得手段３２Ｘは、心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得する。学習手段３４Ｘは、部分波形と注目区間とに基づき、対象の疾患を診断するモデルを学習する。
【選択図】図９

【特許請求の範囲】

【請求項1】

被検者の心電図に関する心電図データの部分波形を取得する第１取得手段と、
前記心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得する第２取得手段と、
前記部分波形と前記注目区間とに基づき、前記対象の疾患を診断するモデルを学習する学習手段と、
を有する学習装置。

【請求項2】

前記部分波形は、前記対象の疾患ごとに定められた既定の部分波形である既定部分波形であり、
前記学習手段は、前記既定部分波形と、前記既定部分波形と重複しない前記注目区間が規則的に現れる部分波形である規則部分波形とに基づき、前記モデルを学習する、請求項１に記載の学習装置。

【請求項3】

前記モデルは、前記既定部分波形と、前記規則部分波形と、に対応する前記心電図データが入力された場合に、前記対象の疾患の診断結果を出力するモデルである、請求項２に記載の学習装置。

【請求項4】

前記第２取得手段は、前記連続波形に対応する前記心電図データが入力された場合に、前記注目区間及び前記対象の疾患の診断結果を出力する第２モデルに基づき、前記注目区間を取得する、請求項１に記載の学習装置。

【請求項5】

前記学習手段は、前記対象の疾患の診断結果が正しい場合に前記第２モデルが出力する前記注目区間に基づき、前記モデルを学習する、請求項４に記載の学習装置。

【請求項6】

前記モデルである第３モデルの精度に関する評価の指標である評価指標と、前記既定部分波形に対応する前記心電図データが入力された場合に前記対象の疾患の診断結果を出力するモデルである第１モデルの前記評価指標とを、前記心電図データとは異なる検証用の心電図データに基づき算出する精度評価算出手段をさらに有する、請求項３に記載の学習装置。

【請求項7】

前記第３モデルの精度指標と、前記第１モデルの精度指標とに基づき、前記対象の疾患に使用するモデルを選択するモデル選択手段をさらに有する、請求項６に記載の学習装置。

【請求項8】

被検者の心電図に関する心電図データの部分波形を取得し、
前記心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得し、
前記部分波形と前記注目区間とに基づき、前記対象の疾患を診断するモデルを学習する、
学習方法。

【請求項9】

被検者の心電図に関する心電図データの部分波形を取得し、
前記心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得し、
前記部分波形と前記注目区間とに基づき、前記対象の疾患を診断するモデルを学習する処理をコンピュータに実行させるプログラムを格納した記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、心電図に基づき疾患の診断を行うモデルに関する学習を行う学習装置、学習う方法及び記憶媒体の技術分野に関する。

【背景技術】

【0002】

従来から、測定された被検者の心電図を解析することで、異常の有無を判定する装置が知られている。例えば、特許文献１には、被検者から測定された心電図波形を用いて疾患の可能性を推定する疾患推定モデルの学習及び利用に関する技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開ＷＯ２０２２／０６４７０８

【発明の概要】

【発明が解決しようとする課題】

【0004】

心電図に基づき疾患の有無に関する診断を行う場合、疾患に応じて注目する波形部分が過去の知見等に基づき定まっており、当該波形部分を観察して医師又はコンピュータが疾患の有無を判定している。一方、上記の波形部分以外の部分においても、疾患の有無を判定するために重要な変化が発生している場合があり、そのような変化を医師又はコンピュータが見落としてしまうという問題があった。

【0005】

本開示は、上述した課題を鑑み、心電図に基づき疾患の診断を行うモデルに関する学習を実行することが可能な学習装置、学習方法及び記憶媒体を提供することを目的の一つとする。

【課題を解決するための手段】

【0006】

学習装置の一の態様は、
被検者の心電図に関する心電図データの部分波形を取得する第１取得手段と、
前記心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得する第２取得手段と、
前記部分波形と前記注目区間とに基づき、前記対象の疾患を診断するモデルを学習する学習手段と、
を有する学習装置である。

【0007】

学習方法の一の態様は、
コンピュータが、
被検者の心電図に関する心電図データの部分波形を取得し、
前記心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得し、
前記部分波形と前記注目区間とに基づき、前記対象の疾患を診断するモデルを学習する、
心電図評価方法である。

【0008】

記憶媒体の一の態様は、
被検者の心電図に関する心電図データの部分波形を取得し、
前記心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得し、
前記部分波形と前記注目区間とに基づき、前記対象の疾患を診断するモデルを学習する処理をコンピュータに実行させるプログラムを格納した記憶媒体である。

【発明の効果】

【0009】

本発明の効果の一例では、心電図に基づき疾患の診断を行うモデルに関する学習を的確に実行することが可能となる。

【図面の簡単な説明】

【0010】

【図1】各実施形態に共通する学習装置のハードウェア構成の一例を示す。

【図2】第１実施形態における学習装置の機能ブロック図である。

【図3】対象疾患が心房細動である場合に選択される誘導データを示す。

【図4】ある誘導データの波形の拡大図である。

【図5】対象疾患が心房細動である場合に選択されるＩ誘導、ＩＩ誘導、及びＶ１誘導の各誘導データが示す波形を注目区間と共に示した図である。

【図6】第１実施形態において学習装置が実行する処理の概要を示すフローチャートの一例である。

【図7】第２実施形態における学習装置の機能ブロック図である。

【図8】第２実施形態において学習装置が実行する処理の概要を示すフローチャートの一例である。

【図9】第３実施形態における学習装置のブロック図である。

【図10】第３実施形態における学習装置の処理手順を示すフローチャートの一例である。

【発明を実施するための形態】

【0011】

以下、図面を参照しながら、学習装置、学習方法及び記憶媒体の実施形態について説明する。

【0012】

＜第１実施形態＞
（１）システム構成
図１は、学習装置１のハードウェア構成の一例を示す。学習装置１は、被検者の心電図に関するデータである心電図データに基づき診断対象となる疾患（「対象疾患」とも呼ぶ。）に関する判定を行うモデルの学習を行う。そして、学習装置１は、主に、インターフェース１１と、メモリ１２と、プロセッサ１３と、入力部１４と、出力部１５と、を含む。これらの各要素は、データバス１９を介して接続されている。対象疾患は、主に循環器疾患であり、心電図解析により検出可能な任意の疾患であってもよい。

【0013】

インターフェース１１は、学習装置１と外部装置とのインターフェース動作を行う。この場合、インターフェース１１は、学習装置１とは別の装置である外部装置と有線又は無線により通信を行うためのネットワークアダプタなどの通信インターフェース、又は、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）、ＳＡＴＡ（Ｓｅｒｉａｌ ＡＴ Ａｔｔａｃｈｍｅｎｔ）などに準拠したハードウェアインターフェースである。

【0014】

メモリ１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの、作業メモリとして使用される各種の揮発性メモリ及び学習装置１の処理に必要な情報を記憶する不揮発性メモリにより構成される。なお、メモリ１２は、学習装置１に接続又は内蔵されたハードディスクなどの外部記憶装置を含んでもよく、着脱自在なフラッシュメモリなどの記憶媒体を含んでもよい。メモリ１２には、学習装置１が本実施形態における各処理を実行するためのプログラムが記憶される。

【0015】

また、メモリ１２は、機能的には、モデル記憶部２１と、学習データ記憶部２２と、を有している。

【0016】

モデル記憶部２１は、心電図データに基づいて、対象疾患の有無を示す評価結果を出力するモデルのパラメータを記憶する。ここで、心電図データは、胸部６ヶ所と両手首・両足首に合計１０個の電極を付けて、心臓の電気的な活動・変化を記録する検査である１２誘導心電図の各誘導を表す誘導データである。なお、１２誘導の中で対象疾患の有無の判定に誘導データが用いられる誘導の種類（１種類又は複数種類であってもよい）は、対象疾患によって異なる。

【0017】

モデルは、例えば、ニューラルネットワークやサポートベクターマシーンなどの機械学習モデルであって、誘導データが入力された場合に、対象疾患の有無の評価結果を出力するように予め学習され、学習済みのパラメータがモデル記憶部２１に記憶されている。なお、モデルがニューラルネットワークにより構成される場合、モデル記憶部２１は、例えば、層構造、各層のニューロン構造、各層におけるフィルタ数及びフィルタサイズ、並びに各フィルタの各要素の重みなどの各種パラメータを記憶する。

【0018】

本実施形態では、モデル記憶部２１には、第１モデル、第２モデル、及び第３モデルの各々のパラメータが記憶される。

【0019】

第１モデルは、対象疾患の診断に有効であると定められた１波形より小さい部分波形（「既定部分波形」とも呼ぶ。）を結合した波形データとなる誘導データが入力された場合に、被検者の対象疾患の有無の推論結果を出力するモデルである。既定部分波形は、対象疾患ごとに適切な区間となるように過去の知見等に基づき予め定められている。第１モデルは、例えば、学習モデルであり、既定部分波形に相当する誘導データと、被検者の対象疾患の有無を示す正解ラベルとを複数組有する学習データを用いて予め学習され、学習済みの第１モデルのパラメータがモデル記憶部２１に記憶されている。

【0020】

第２モデルは、誘導データ全体の連続波形のデータが入力された場合に、被検者の対象疾患の有無及び対象疾患の有無の判定において重視された（即ち、診断の根拠となった）連続波形中の一部の区間（「注目区間」とも呼ぶ。）を出力するモデルである。第２モデルは、例えば、学習モデルである。第２モデルが畳み込みニューラルネットワークである場合には、第２モデルは、被検者の対象疾患の有無を最終的に出力し、かつ、注目区間を示す情報（「注目区間情報」とも呼ぶ。）を中間層の出力として生成する。この場合、例えば、フルコネクションの前の出力データが入力されるようにａｔｔｅｎｔｉｏｎ機構が第２モデルに付加され、当該ａｔｔｅｎｔｉｏｎ機構が出力する係数が所定値以上となる区間が注目区間として特定される。この場合、第２モデルは、連続波形のデータと、被検者の対象疾患の有無を示す正解ラベルとを複数組有する学習データを用いて予め学習され、学習済みの第２モデルのパラメータがモデル記憶部２１に記憶されている。

【0021】

第３モデルは、第１モデルへの入力に用いられる既定部分波形と、既定部分波形と重複しない注目区間が規則的に現れる部分波形（「規則部分波形」とも呼ぶ。）とに相当する誘導データが入力された場合に、被検者の対象疾患の有無の推論結果を出力する学習モデルである。規則部分波形は、例えば、所定度合い以上の頻度により周期的に既定部分波形以外の注目区間が出現する部分である。例えば、規則部分波形は、５周期波形のうち２回以上出現し、出現する場合に一番近いＲ波との相対距離の誤差が０～０．１Ｔとなるような部分波形である。本実施形態では、学習装置１は、学習済みの第２モデルで得られた注目区間を用いて第３モデルの学習を行い、学習により得られる第３モデルのパラメータをモデル記憶部２１に記憶する。学習の実行前には、例えば、第３モデルの初期パラメータがモデル記憶部２１に記憶されている。

【0022】

なお、上述した各モデルは、対象疾患となり得る疾患ごとに夫々学習されたモデルであってもよい。この場合、モデル記憶部２１には、対象疾患となり得る疾患の夫々に対応するモデルのパラメータが記憶される。

【0023】

学習データ記憶部２２は、第３モデルの学習に用いる学習データ（学習データセット）を記憶する。学習データは、学習用に用意された入力データのサンプルとなる被検者の誘導データと、被検者の対象疾患の有無を示す正解ラベルとの複数の組み合わせを有している。

【0024】

プロセッサ１３は、メモリ１２に記憶されているプログラム等を実行することにより、所定の処理を実行する。プロセッサ１３は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＴＰＵ（Ｔｅｎｓｏｒ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサである。プロセッサ１３は、複数のプロセッサから構成されてもよい。プロセッサ１３は、コンピュータの一例である。

【0025】

入力部１４は、入力信号を生成する。入力部１４は、例えば、ボタン、タッチパネル、リモートコントローラ、音声入力装置等である。出力部１５は、プロセッサ１３の制御に基づき情報の表示又は／及び音による出力を行う。出力部１５は、例えば、ディスプレイ、プロジェクタ、スピーカ等である。出力部１５は、表示装置の一例である。

【0026】

なお、図１に示される学習装置１の構成は一例であり、種々の変更が行われてもよい。例えば、心電図データは、外部装置から供給される代わりに、メモリ１２に予め記憶されていてもよい。他の例では、入力部１４又は出力部１５の少なくとも一方は、インターフェース１１等により学習装置１と接続された外部装置であってもよい。さらに別の例では、メモリ１２に記憶される少なくとも一部の情報は、学習装置１と接続された外部装置に記憶されてもよい。この場合、外部装置は、１又は複数のサーバ装置として構成されてもよい。

【0027】

（２）機能ブロック
図２は、第３モデルの学習に関する学習装置１の機能ブロック図である。学習装置１のプロセッサ１３は、第３モデルの学習に関し、機能的には、誘導データ取得部３０と、既定部分波形取得部３１と、注目区間取得部３２と、統合部３３と、学習部３４と、を有する。なお、ここでは、データの授受が行われるブロック同士を実線により結んでいるが、データの授受が行われるブロックの組合せは図２に限定されない。後述する他の機能ブロックの図においても同様である。

【0028】

誘導データ取得部３０は、インターフェース１１を介し、学習データ記憶部２２から学習に使用する誘導データを取得する。この場合、誘導データ取得部３０は、例えば、学習データ記憶部２２に記憶されている複数組の誘導データと正解ラベルから各組の誘導データを順に取得し、取得した誘導データを既定部分波形取得部３１及び注目区間取得部３２に供給する。この場合、各組の誘導データを対象として既定部分波形取得部３１、注目区間取得部３２、統合部３３、学習部３４による処理が順次実行される。なお、誘導データ取得部３０は、１２誘導に対応する１２個の誘導データが学習データ記憶部２２に記憶されている場合には、対象疾患の診断に適した誘導として定められた所定の誘導の誘導データを取得する。

【0029】

既定部分波形取得部３１は、誘導データ取得部３０から供給される誘導データから、対象疾患に応じた既定部分波形に相当する誘導データを抽出し、抽出した誘導データを統合部３３に供給する。この場合、例えば、既定部分波形として抽出すべき波形部分を示す情報がメモリ１２等に記憶されており、既定部分波形取得部３１は、当該情報を参照して既定部分波形に相当する誘導データを抽出する。

【0030】

注目区間取得部３２は、誘導データ取得部３０から供給される誘導データから、注目区間に相当する誘導データを抽出し、抽出した誘導データを統合部３３に供給する。この場合、注目区間取得部３２は、モデル記憶部２１に記憶された第２モデルの学習済みのパラメータに基づき構成される第２モデルに連続波形に相当する誘導データを入力し、第２モデルから出力される注目区間情報を取得する。なお、複数の誘導を用いる場合には、注目区間取得部３２は、第２モデルに各誘導の誘導データを順に入力し、第２モデルから出力される注目区間情報を誘導ごとに取得する。そして、注目区間取得部３２は、注目区間情報及び注目区間に対応する誘導データを統合部３３に供給する。

【0031】

なお、第２モデルによる対象疾患の判定結果が誤っている場合には、第２モデルが出力する注目区間についても信頼性が低いため、そのような注目区間に基づき第３モデルの学習を行った場合には、学習された第３モデルの精度が低下する可能性がある。以上を勘案し、学習装置１は、第２モデルが出力する対象疾患の有無の判定結果と、第２モデルに入力された誘導データに対応する正解ラベルが示す対象疾患の有無とが一致した場合に限り、統合部３３及び学習部３４による処理を行ってもよい。言い換えると、学習装置１は、第２モデルに入力された誘導データに対応する正解ラベルが示す対象疾患の有無と第２モデルが出力する対象疾患の有無の判定結果とが一致しない場合には、当該誘導データに基づく第３モデルのパラメータ更新を行わない。これにより、第３モデルを高精度に学習することが可能となる。

【0032】

統合部３３は、既定部分波形取得部３１から供給される既定部分波形に相当する誘導データと、注目区間取得部３２から供給される注目区間に相当する誘導データとに基づき、第３モデルに入力する誘導データを生成する。この場合、統合部３３は、注目区間取得部３２から供給される注目区間情報が示す注目区間に基づき規則部分波形を特定し、既定部分波形に相当する誘導データと規則部分波形に相当する誘導データとを統合（マージ）した誘導データを、第３モデルに入力する誘導データとして生成する。なお、注目区間から規則部分波形を特定する手法は、任意のパターン認識技術により行われてもよい。また、統合部３３は、注目区間を明示した誘導データの連続波形を出力部１５に表示させ、表示された連続波形において入力部１４によりユーザが指定した部分波形を、規則部分波形として特定してもよい。統合部３３は、生成した第３モデルへの入力用の誘導データを、学習部３４に供給する。

【0033】

学習部３４は、統合部３３から供給される誘導データと、学習データ記憶部２２に記憶された正解ラベルとに基づき、第３モデルの学習を行う。この場合、例えば、学習部３４は、統合部３３から供給される誘導データを第３モデルに入力した場合に第３モデルが出力する対象疾患の有無の判定結果と、誘導データ取得部３０が取得した誘導データに対応付けられた正解ラベルが示す対象疾患の有無との誤差（損失）が最小となるように、第３モデルのパラメータを決定する。損失を最小化するように上述のパラメータを決定するアルゴリズムは、勾配降下法や誤差逆伝播法などの機械学習において用いられる任意の学習アルゴリズムであってもよい。そして、学習部３４は、学習データ記憶部２２に記憶されている複数組の誘導データと正解ラベルの各組について上述のパラメータの更新を行い、更新した第３モデルのパラメータを既定部分波形取得部３１に記憶する。なお、対象疾患の診断に使用される誘導が複数である場合には、学習部３４は、例えば、複数の誘導に対応する誘導データをチャネル方向に重ね合わせるなどして第３モデルへの１つの入力データ（所定のテンソル形式のデータ）として入力させてもよい。

【0034】

なお、誘導データ取得部３０、既定部分波形取得部３１、注目区間取得部３２、統合部３３、及び学習部３４の各構成要素は、例えば、プロセッサ１３がプログラムを実行することによって実現できる。また、必要なプログラムを任意の不揮発性記憶媒体に記録しておき、必要に応じてインストールすることで、各構成要素を実現するようにしてもよい。なお、これらの各構成要素の少なくとも一部は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組合せ等により実現してもよい。また、これらの各構成要素の少なくとも一部は、例えばＦＰＧＡ（Field-Programmable Gate Array）又はマイクロコントローラ等の、ユーザがプログラミング可能な集積回路を用いて実現してもよい。この場合、この集積回路を用いて、上記の各構成要素から構成されるプログラムを実現してもよい。また、各構成要素の少なくとも一部は、ＡＳＳＰ（Application Specific Standard Produce）、ＡＳＩＣ（Application Specific Integrated Circuit）又は量子プロセッサ（量子コンピュータ制御チップ）により構成されてもよい。このように、各構成要素は、種々のハードウェアにより実現されてもよい。以上のことは、後述する他の実施の形態においても同様である。さらに、これらの各構成要素は、例えば、クラウドコンピューティング技術などを用いて、複数のコンピュータの協働によって実現されてもよい。

【0035】

（３）具体例
次に、誘導データ取得部３０、既定部分波形取得部３１、注目区間取得部３２、及び統合部３３の処理の具体例について説明する。

【0036】

図３は、対象疾患が心房細動である場合に誘導データ取得部３０において選択される誘導データを示す。図３の上段には、代表例として、Ｉ誘導、ＩＩ誘導、ＩＩＩ誘導、ａＶＲ誘導、Ｖ１誘導の各誘導データに基づく波形が示されている。誘導データ取得部３０は、これらの１２誘導の誘導データが学習データ記憶部２２に記憶されている場合には、図３の下段に示されるように、対象疾患である心房細動の有無の評価に有効なＩ誘導、ＩＩ誘導、及びＶ１誘導の各誘導データを取得する。その後、Ｉ誘導、ＩＩ誘導、及びＶ１誘導の各誘導データから、既定部分波形取得部３１による既定部分波形の抽出と注目区間取得部３２及び統合部３３による規則部分波形の抽出とが行われ、第３モデルへ入力する誘導データが統合部３３により生成される。

【0037】

図４は、ある誘導データの波形の拡大図である。ここでは一例として誘導データは２個分の波形を含んでおり、そのうち１個の波形が破線枠により囲まれている。図示されるように、各波形には、Ｐ波、Ｑ波、Ｒ波、Ｓ波、Ｔ波、Ｕ波などが含まれており、信号処理によりこれらの波の位置を検出することが可能である。

【0038】

そして、既定部分波形取得部３１は、連続波形の誘導データから抽出した既定部分波形を表す誘導データを抽出する。この場合、既定部分波形は、例えば、Ｐ波からＱ波までの区間（ＰＱ区間）であってもよく（図４における「既定部分波形の第１の例」）、Ｑ波からＴ波までの区間（ＱＴ区間）であってもよく（図４における「既定部分波形の第２の例」）、その他任意の２つの波の間の区間であってもよく、個別の波のみを切り取った区間（例えばＰ波の区間、Ｒ波の区間）であってもよい。一方、注目区間取得部３２は、第２モデルへの入力データとして、連続波形を示す誘導データそのものを入力する。

【0039】

図５は、対象疾患が心房細動である場合に選択されるＩ誘導、ＩＩ誘導、及びＶ１誘導の各誘導データが示す波形を注目区間と共に示した図である。ここでは、Ｉ誘導に関する注目箇所が破線枠Ｆ１１～Ｆ１４により示され、ＩＩ誘導に関する注目箇所が破線枠Ｆ２１～Ｆ２４により示され、Ｖ１誘導に関する注目箇所が破線枠Ｆ３１～Ｆ３４により示されている。例えば、注目区間は、第２モデルに付加されたａｔｔｅｎｔｉｏｎ機構が出力する係数が所定値以上となる区間に定められる。また、図５では、Ｉ誘導の既定部分波形に相当する区間が矢印Ａ１１～Ａ１４により示され、ＩＩ誘導の既定部分波形に相当する区間が矢印Ａ２１～Ａ２４により示され、Ｖ１誘導の既定部分波形に相当する区間が矢印Ａ３１～Ａ３４により示されている。ここでは、一例として、いずれの誘導においてもＰＱ区間が既定部分波形に相当する区間として定められているものとする。

【0040】

ここで、Ｉ誘導については、破線枠Ｆ１１～Ｆ１４により示される注目区間は、各波形において存在し、既定部分波形と一部が重複し、かつ、既定部分波形よりも広い範囲となっている。具体的には、矢印Ｂ１１～Ｂ１４により示される部分が既定部分波形と重複しない注目区間（「非重複注目区間」とも呼ぶ。）となっている。この場合、学習部３４は、Ｉ誘導の誘導データにおいて、非重複注目区間が規則的に発生している部分波形（ここではＱＴ区間付近）を、規則部分波形として抽出する。

【0041】

一方、ＩＩ誘導については、破線枠Ｆ２１～Ｆ２４により示される注目区間は、各波形において存在し、既定部分波形と一致する区間と、既定部分波形と重複しない非重複注目区間（矢印Ｂ２３～Ｂ２４参照）とを含んでいる。具体的には、破線枠Ｆ２１～Ｆ２２により示される注目区間は、既定部分波形と一致し、破線枠Ｆ２３～Ｆ２４により示される注目区間（即ち矢印Ｂ２３～Ｂ２４により示される区間）は、全体が非重複注目区間となっている。この場合、学習部３４は、ＩＩ誘導の誘導データにおいて、所定度合い以上の頻度（ここでは１／２）によりＵ波付近に非重複注目区間が発生していると判定し、Ｕ波付近の部分波形を規則部分波形として抽出する。

【0042】

また、Ｖ１誘導については、破線枠Ｆ３１～Ｆ３４により示される注目区間は、いずれも既定部分波形と一致する。よって、この場合、学習部３４は、Ｖ１誘導において、規則部分波形が存在しないと判定する。

【0043】

（４）処理フロー
図６は、第１実施形態において学習装置１が実行する処理の概要を示すフローチャートの一例である。

【0044】

まず、学習装置１は、第３モデルの学習に使用する誘導データを学習データ記憶部２２から取得する（ステップＳ１１）。次に、学習装置１は、既定部分波形を取得する（ステップＳ１２）。この場合、学習装置１は、ステップＳ１１で取得した誘導データから、既定部分波形に相当する誘導データを抽出する。

【0045】

そして、学習装置１は、第２モデルに基づき注目区間を取得する（ステップＳ１３）。この場合、学習装置１は、第２モデルにステップＳ１１で取得した誘導データを入力した場合に第２モデルが出力する注目区間情報が示す注目区間に相当する誘導データを、ステップＳ１１で取得した誘導データから抽出する。そして、学習装置１は、ステップＳ１３で取得した注目区間に基づき、規則部分波形を特定する（ステップＳ１４）。

【0046】

次に、学習装置１は、既定部分波形と規則部分波形とに対応する誘導データを、第３モデルへの入力データとして生成する（ステップＳ１５）。そして、学習装置１は、ステップＳ１５で生成した入力データと、ステップＳ１１で取得した誘導データに対応する正解ラベルとに基づき、第３モデルのパラメータを更新する（ステップＳ１６）。

【0047】

そして、学習装置１は、第３モデルの学習を終了するか否か判定する（ステップＳ１７）。例えば、学習装置１は、学習データ記憶部２２に記憶されている誘導データと正解ラベルとの全組合せについてステップＳ１１～ステップＳ１６の処理を実行した場合、予め定めた回数だけステップＳ１１～ステップＳ１６の処理を実行した場合、又は、パラメータ更新時の第３モデルの損失が所定度合い未満となった場合、第３モデルの学習を終了すべきと判定する。そして、学習装置１は、第３モデルの学習を終了すべきと判定した場合（ステップＳ１７；Ｙｅｓ）、フローチャートの処理を終了する。一方、学習装置１は、第３モデルの学習を終了すべきでないと判定した場合（ステップＳ１７；Ｎｏ）、ステップＳ１１へ処理を戻す。この場合、ステップＳ１１において、学習装置１は、まだ学習に用いられていない誘導データを取得する。

【0048】

＜第２実施形態＞
第２実施形態では、第１実施形態における第３モデルの学習後において、学習装置１は、第１モデルと第３モデルとの夫々の精度を評価する精度指標を算出し、対象疾患ごとに第１モデルと第３モデルとのいずれを用いるかを選択するモデル選択処理を行う。これにより、対象疾患ごとに使用すべきモデルを的確に決定する。以後では、第１実施形態と同一要素については適宜同一符号を付し、その説明を省略する。また、第２実施形態における学習装置１のハードウェア構成は、図１に示される構成であるものとして説明を行う。

【0049】

図７は、第２実施形態における学習装置１の機能ブロック図である。第２実施形態における学習装置１のプロセッサ１３は、機能的には、誘導データ取得部３０と、既定部分波形取得部３１と、注目区間取得部３２と、第１モデル実行部４１と、第３モデル実行部４２と、精度指標算出部４３と、モデル選択部４４と、を有する。

【0050】

誘導データ取得部３０は、学習データ記憶部２２に記憶されている複数組の誘導データと正解ラベルから各組の誘導データを順に取得し、取得した誘導データを既定部分波形取得部３１及び注目区間取得部３２に供給する。好適には、学習データ記憶部２２には、第３モデルの学習に用いられた学習データとは別の検証用の学習データが記憶されており、誘導データ取得部３０は、検証用の学習データから誘導データを順に取得する。

【0051】

既定部分波形取得部３１は、誘導データ取得部３０から供給された誘導データから既定部分波形に相当する誘導データを取得し、取得した誘導データを第１モデル実行部４１及び第３モデル実行部４２に供給する。注目区間取得部３２は、誘導データ取得部３０から供給された誘導データから第２モデルに基づき注目区間に相当する誘導データを取得し、取得した誘導データを第３モデル実行部４２に供給する。

【0052】

第１モデル実行部４１は、既定部分波形取得部３１が出力する既定部分波形に相当する誘導データを入力データとして用いて第１モデルを実行する。この場合、第１モデル実行部４１は、モデル記憶部２１から第１モデルの学習済みのパラメータを取得し、当該パラメータを適用した第１モデルに既定部分波形に相当する誘導データを入力する。そして、第１モデル実行部４１は、第１モデルが出力する対象疾患の有無の判定結果を精度指標算出部４３に供給する。

【0053】

第３モデル実行部４２は、既定部分波形取得部３１が出力する既定部分波形に相当する誘導データと、注目区間取得部３２が出力する注目区間に基づき決定される規則部分波形に相当する誘導データとに基づき、第３モデルを実行する。この場合、まず、第３モデル実行部４２は、第１実施形態における統合部３３と同一処理を実行することで注目区間から規則部分波形を特定する。そして、第３モデル実行部４２は、モデル記憶部２１から第３モデルの学習済みのパラメータを取得し、規則部分波形と既定部分波形とに対応する誘導データを、上述のパラメータを適用した第３モデルに入力する。そして、第１モデル実行部４１は、第３モデルが出力する対象疾患の有無の判定結果を、精度指標算出部４３に供給する。

【0054】

精度指標算出部４３は、第１モデル実行部４１から供給される対象疾患の有無の判定結果と、第３モデル実行部４２から供給される対象疾患の有無の判定結果と、使用した誘導データに対応する正解ラベルとに基づき、第１モデル及び第２モデルの夫々の判定結果の正誤を判定する。そして、精度指標算出部４３は、第１モデル及び第３モデルの正誤判定結果を蓄積し、検証用の誘導データと正解ラベルの全組の判定結果の正誤が得られた場合に、第１モデル及び第２モデルの夫々の精度指標を算出する。精度指標算出部４３が算出する精度指標は、１又は複数種類の指標であって、特異度、感度、その他検査の評価に用いられる任意の精度指標であってもよい。精度指標算出部４３は、第１モデル及び第３モデルの各々に関する算出した精度指標を、モデル選択部４４に供給する。

【0055】

モデル選択部４４は、精度指標算出部４３から供給される第１モデルの精度指標と第３モデルの精度指標とを比較し、その比較結果に基づき、第１モデルと第３モデルとのいずれを使用するかを決定する。なお、一般に、診断対象となる疾患の種類や診断を行う運用シーンなどに応じてどの精度指標を重視するかが異なる。よって、モデル選択部４４は、対象疾患の種類や運用シーンが異なるアプリケーションごとに第１モデルと第３モデルとのいずれを使用するかを決定するとよい。なお、学習装置１は、アプリケーションごとの各精度指標の重みを示す情報（精度指標ごとの重み係数であってもよい）をインターフェース１１、メモリ１２、又は入力部１４から取得し、取得した情報に基づきアプリケーションごとに第１モデルと第３モデルとのいずれを使用するかを決定してもよい。そして、モデル選択部４４は、アプリケーションごとに使用すべきモデルを示す情報を出力する。この場合、モデル選択部４４は、アプリケーションごとの各精度指標の重みを示す情報を、メモリ１２に記憶してもよく、インターフェース１１を介して外部装置に送信してもよく、出力部１５により表示してもよい。

【0056】

なお、モデル選択部４４は、第１モデルと第３モデルとのいずれを使用するかを指定する入力を入力部１４によりユーザである医師から受け付けてもよい。この場合、モデル選択部４４は、精度指標算出部４３から供給される第１モデルの精度指標と第３モデルの精度指標とを出力部１５により表示又は音声出力し、第１モデルの精度指標と第３モデルの精度指標とをユーザに提示するとよい。この場合、ユーザは、第１モデルの精度指標と第３モデルの精度指標とを比較し、実行するアプリケーションに応じたモデルを選択する入力操作を入力部１４により行う。

【0057】

図８は、第２実施形態において学習装置１が実行する処理の概要を示すフローチャートの一例である。

【0058】

まず、学習装置１は、精度指標の算出に使用する検証用の誘導データを学習データ記憶部２２から取得する（ステップＳ２１）。次に、学習装置１は、既定部分波形を取得する（ステップＳ２２）。この場合、学習装置１は、ステップＳ２１で取得した誘導データから、既定部分波形に相当する誘導データを抽出する。

【0059】

そして、学習装置１は、第２モデルに基づき注目区間を取得する（ステップＳ２３）。この場合、学習装置１は、第２モデルにステップＳ２１で取得した誘導データを入力した場合に第２モデルが出力する注目区間情報が示す注目区間に相当する誘導データを、ステップＳ２１で取得した誘導データから抽出する。そして、学習装置１は、ステップＳ２３で取得した注目区間に基づき、規則部分波形を特定する（ステップＳ２４）。

【0060】

そして、学習装置１は、第１モデル及び第３モデルを夫々実行する（ステップＳ２５）。この場合、学習装置１は、ステップＳ２２で取得した既定部分波形に相当する誘導データに基づき第１モデルを実行し、ステップＳ２２で取得した既定部分波形とステップＳ２４で特定した規則部分波形とに相当する誘導データに基づき第３モデルを実行する。

【0061】

そして、学習装置１は、第１モデル及び第３モデルの精度指標を夫々算出する（ステップＳ２６）。この場合、学習装置１は、学習データ記憶部２２に記憶された正解ラベルを参照し、ステップＳ２５で第１モデルと第３モデルとに入力したサンプルごとの判定結果の正誤を判定し、当該正誤の判定を集計することで、第１モデル及び第３モデルの精度指標を夫々算出する。そして、学習装置１は、モデル選択処理を実行する（ステップＳ２７）。この場合、学習装置１は、算出した第１モデル及び第３モデルの精度指標を比較することで、いずれのモデルを使用するか選択する処理を実行する。なお、学習装置１は、第１モデルと第３モデルとのいずれを使用するかを指定する入力を入力部１４によりユーザから受け付けてもよい。

【0062】

＜第３実施形態＞
図９は、第３実施形態における学習装置１Ｘのブロック図である。学習装置１Ｘは、主に、第１取得手段３１Ｘと、第２取得手段３２Ｘと、学習手段３４Ｘと、を備える。学習装置１Ｘは、複数の装置から構成されてもよい。

【0063】

第１取得手段３１Ｘは、被検者の心電図に関する心電図データの部分波形を取得する。「部分波形」は、例えば、第１実施形態における「既定部分波形」である。第１取得手段３１Ｘは、第１実施形態における既定部分波形取得部３１とすることができる。

【0064】

第２取得手段３２Ｘは、心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得する。第２取得手段３２Ｘは、第１実施形態における注目区間取得部３２とすることができる。

【0065】

学習手段３４Ｘは、部分波形と注目区間とに基づき、対象の疾患を診断するモデルを学習する。「モデル」は、例えば、第１実施形態における「第３モデル」である。学習手段３４Ｘは、第１実施形態における学習部３４とすることができる。

【0066】

図１０は、第３実施形態において学習装置１Ｘが実行する処理手順を示すフローチャートの一例である。第１取得手段３１Ｘは、被検者の心電図に関する心電図データの部分波形を取得する（ステップＳ３１）。第２取得手段３２Ｘは、心電図データの連続波形における、対象の疾患を診断する上で根拠となる注目区間を取得する（ステップＳ３２）。学習手段３４Ｘは、部分波形と注目区間とに基づき、対象の疾患を診断するモデルを学習する（ステップＳ３３）。

【0067】

第３実施形態によれば、学習装置１Ｘは、対象の疾患を的確に診断することが可能なモデルを好適に学習することができる。

【0068】

なお、上述した各実施形態において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（Ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータであるプロセッサ等に供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記憶媒体（Ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記憶媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記憶媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（Ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

【0069】

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。すなわち、本願発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。また、引用した上記の特許文献等の各開示は、本書に引用をもって繰り込むものとする。

【符号の説明】

【0070】

１、１Ｘ 学習装置
１１ インターフェース
１２ メモリ
１３ プロセッサ
１４ 入力部
１５ 出力部
２１ モデル記憶部
２２ 学習データ記憶部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】