特開 2024-86560 認知症及び／又はうつ病推定ＡＩシステム並びに教師データ作成方法

(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】P2024086560

(43)【公開日】2024-06-27

(54)【発明の名称】認知症及び／又はうつ病推定ＡＩシステム並びに教師データ作成方法

(51)【国際特許分類】

   G16H 50/00 20180101AFI20240620BHJP

【ＦＩ】

G16H50/00

【審査請求】有

【請求項の数】15

【出願形態】ＯＬ

(21)【出願番号】P 2023145755

(22)【出願日】2023-09-08

(31)【優先権主張番号】P 2022200901

(32)【優先日】2022-12-16

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】519294295

【氏名又は名称】株式会社エフアンドエフ

(74)【代理人】

【識別番号】100129056

【弁理士】

【氏名又は名称】福田 信雄

(72)【発明者】

【氏名】藤川 欣洋

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA04

(57)【要約】

【課題】病院以外の場所にて取得した情報に基づき、対象者の認知症及び／又はうつ病の程度を推定可能なＡＩを構築する。
【解決手段】認知症及び／又はうつ病の程度を推定するＡＩシステムにおける教師データ作成方法であって、ＡＩの教師データとなる情報は、利用者が処方箋に応じた薬を受け取る場所、又は、利用者が使用する携帯端末のアプリケーションから取得可能であり、該教師データとして、少なくとも該利用者の顔写真と処方箋又は指示書又は、該利用者の認知症及び／又はうつ病を推定可能な情報と、を含む手段を採用する。
【選択図】図１

【特許請求の範囲】

【請求項1】

認知症及び／又はうつ病の程度を推定するシステムにおいて、
ＡＩの教師データとなる情報は、利用者が処方箋に応じた薬を受け取る場所、又は、該利用者が使用する携帯端末のアプリケーションから取得可能であり、
該教師データとして、少なくとも該利用者の顔写真と、処方箋、指示書又は、該利用者の認知症及び／又はうつ病を推定可能な情報と、を含むことを特徴とする教師データ作成方法。

【請求項2】

前記利用者の認知症及び／又はうつ病を推定可能な情報は、前記利用者への質問により取得することを特徴とする請求項１に記載の教師データ作成方法。

【請求項3】

前記教師データの例題データとして、前記利用者の顔写真である無表情の顔写真と笑顔の顔写真の２つを用い、
前記教師データの正解データとして、前記処方箋又は指示書に記載された薬の種類と量から推定した認知症度及びうつ病度を用い、
機械学習を行うための前記教師データを作成することを特徴とする請求項１に記載の教師データ作成方法。

【請求項4】

前記教師データの例題データとして、前記利用者の顔写真である無表情の顔写真又は笑顔の顔写真のいずれか１つを用い、
前記教師データの正解データとして、前記処方箋又は指示書に記載された薬の種類と量から推定した認知症度及びうつ病度を用い、
機械学習を行うための前記教師データを作成することを特徴とする請求項１に記載の教師データ作成方法。

【請求項5】

前記教師データの前記例題データとして、さらに年齢、性別、病歴、家族の病歴を含むことを特徴とする請求項３に記載の教師データ作成方法。

【請求項6】

前記教師データの前記例題データとして、前記利用者の顔写真から抽出された特徴量を用いることを特徴とする請求項３に記載の教師データ作成方法。

【請求項7】

前記特徴量として、少なくとも口角の下がり度、まぶたの下がり度、ほほの下がり度、眉の下がり度、開口度のいずれかを持つことを特徴とする請求項６に記載の教師データ作成方法。

【請求項8】

特定の認知症度及びうつ病度時に予想される前記特徴量を推定し、
推定された前記特徴量を前記例題データとし、その際、予想される前記認知症度及びうつ病度を前記正解データとし、機械学習を行うことを特徴とする請求項６に記載の教師データ作成方法。

【請求項9】

請求項１から請求項８のいずれかに記載の教師データ作成方法により作成された教師データを用いたＡＩシステムであって、
対象者の顔写真によって、該対象者の前記認知症度及びうつ病度を推定することを特徴とする認知症及び／又はうつ病推定ＡＩシステム。

【請求項10】

薬局にて、前記対象者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、アドバイスを通知することを特徴とする請求項９に記載の認知症及び／又はうつ病推定ＡＩシステム。

【請求項11】

前記対象者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、動画コンテンツに誘導することを特徴とする請求項９に記載の認知症及び／又はうつ病推定ＡＩシステム。

【請求項12】

前記対象者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、専門の医療機関を紹介することを特徴とする請求項９に記載の認知症及び／又はうつ病推定ＡＩシステム。

【請求項13】

前記対象者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、家族にアドバイスを通知することを特徴とする請求項９に記載の認知症及び／又はうつ病推定ＡＩシステム。

【請求項14】

ＯＴＣ医療品販売店にて、前記対象者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、アドバイスを通知することを特徴とする請求項９に記載の認知症及び／又はうつ病推定ＡＩシステム。

【請求項15】

前記対象者が使用する携帯端末で撮影した、前記対象者の顔写真を、ネットワークを介して取得可能であり、取得した該顔写真に対する前記ＡＩシステムの結果に応じて、アドバイスを通知することを特徴とする請求項９に記載の認知症及び／又はうつ病推定ＡＩシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、病状判断のＡＩに関し、詳しくは、認知症及び／又はうつ病の推定を顔写真により行う技術に関するものである。

【背景技術】

【0002】

認知症及びうつ病については、早期発見、早期治療が重要である。症状を発見する方法の一つとして、対象者の顔写真をＡＩで判別し、認知症度、うつ病度を推定する方法がある。
しかし、一般的にこのようなシステムを構築するには、医療機関で管理する情報が必要であり、他の事業者が容易に行うことはできなかった。
そこで、病院以外の場所で得られる情報から、ＡＩを用いて対象者の認知症やうつ病の程度を推定する方法が求められていた。

【0003】

このような問題に対して、従来からも様々な技術が提案されている。例えば、ＡＩによる画像解析による医者の診断補助（特許文献１参照）が提案され、公知技術となっている。より詳しくは、被検体を撮像した画像データと、所見データと、被検体の生活習慣情報、食生活習慣情報とから成る教師データを用いて、画像データと被検体情報を入力し、所見データを出力するための機械学習を行い、このＡＩを用いて所見データを出力する装置である。
しかしながら、本先行技術のデータ取得は病院にて行われるため、他の事業者で対応できず、上記問題の解決には至っていない。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２１－１０８８００号

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明は、上記問題点に鑑み、病院以外の場所にて取得した情報に基づき、対象者の認知症及び／又はうつ病の程度を推定可能なＡＩを構築することを課題とするものである。

【課題を解決するための手段】

【0006】

上記課題を解決するため、本発明は、認知症及び／又はうつ病の程度を推定するシステムにおける教師データ作成方法であって、ＡＩの教師データとなる情報は、利用者が処方箋に応じた薬を受け取る場所、又は、利用者が使用する携帯端末のアプリケーションから取得可能であり、該教師データとして、少なくとも該利用者の顔写真と処方箋又は指示書又は、該利用者の認知症及び／又はうつ病を推定可能な情報と、を含む手段を採る。

【0007】

前記利用者の認知症及び／又はうつ病を推定可能な情報は、前記利用者への質問により取得する手段を採る。

【0008】

また、本発明は、前記教師データの例題データとして、前記利用者の顔写真である無表情の顔写真と笑顔の顔写真の２つを用い、前記教師データの正解データとして、前記処方箋又は指示書に記載された薬の種類と量から推定した認知症度及びうつ病度を用い、機械学習を行うための教師データを作成する手段を採る。

【0009】

さらに、本発明は、前記教師データの例題データとして、前記利用者の顔写真である無表情の顔写真又は笑顔の顔写真のいずれか１つを用い、前記教師データの正解データとして、前記処方箋又は指示書に記載された薬の種類と量から推定した認知症度及びうつ病度を用い、機械学習を行うための教師データを作成する手段を採る。

【0010】

またさらに、本発明は、前記教師データの前記例題データとして、年齢、性別、病歴、家族の病歴を含む手段を採る。

【0011】

さらにまた、本発明は、前記教師データの前記例題データとして、前記利用者の顔写真から抽出された特徴量を用いる手段を採る。

【0012】

またさらに、本発明は、前記特徴量として、少なくとも口角の下がり度、まぶたの下がり度、ほほの下がり度、眉の下がり度、開口度のいずれかを持つ手段を採る。

【0013】

さらにまた、本発明は、特定の認知症度及びうつ病度時に予想される前記特徴量を推定し、推定された前記特徴量を前記例題データとし、その際、予想される前記認知症度及びうつ病度を前記正解データとし、機械学習を行う手段を採る。

【0014】

またさらに、本発明は、前記いずれかの教師データを用いた認知症及び／又はうつ病推定ＡＩシステムであって、対象者の顔写真によって、該対象者の前記認知症度及びうつ病度を推定する手段を採る。

【0015】

さらにまた、本発明は、薬局にて、利用者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、アドバイスを通知する手段を採る。

【0016】

またさらに、本発明は、対象者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、動画コンテンツに誘導する手段を採る。

【0017】

さらにまた、本発明は、対象者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、専門の医療機関を紹介する手段を採る。

【0018】

またさらに、本発明は、対象者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、家族にアドバイスを通知する手段を採る。

【0019】

そしてまた、本発明は、ＯＴＣ医療品販売店にて、利用者の顔写真を撮影し、それに対する前記ＡＩシステムの結果に応じて、アドバイスを通知する手段を採る。

【0020】

またさらに、本発明は、利用者が使用する携帯端末で撮影した、利用者の顔写真を、ネットワークを介して取得可能であり、取得した該顔写真に対する前記ＡＩシステムの結果に応じて、アドバイスを通知する手段を採る。

【発明の効果】

【0021】

本発明に係る認知症及び／又はうつ病推定ＡＩシステム並びに教師データ作成方法によれば、病院以外の場所で、対象者の認知症やうつ病の程度を推定するＡＩを構築するための情報を取得できるので、病院関係者に限らず、認知症及び／又はうつ病を推定するＡＩを構築できる。
また、利用者が使用する携帯端末のアプリケーションを活用することによって、認知症及び／又はうつ病を推定するＡＩを構築するための情報を容易に多く取得することができる。

【図面の簡単な説明】

【0022】

【図1】本発明に係る教師データ作成方法の実施例を示すフロー図である。

【図2】本発明に係る教師データ作成方法の実施例を示す模式図である。

【図3】本発明に係る教師データ作成方法における正解データを生成する際の実施例を示す算出表である。

【図4】本発明に係る教師データ作成方法における教師データの実施例を示す表図である。

【図5】本発明に係る認知症及び／又はうつ病推定ＡＩシステムにおけるＡＩの動作例を示す模式図である。

【図6】本発明に係る教師データ作成方法の他の実施例を示すフロー図である。

【図7】本発明に係る認知症及び／又はうつ病推定ＡＩシステムにおける顔の特徴量を抽出する際の実施例を示す模式図である。

【図8】本発明に係る教師データ作成方法における教師データの他の実施例を示す表図である。

【図9】本発明に係る教師データ作成方法における教師データの実施例を示すフロー図である。

【図10】本発明に係る教師データ作成方法における教師データの実施例を示す説明図である。

【図11】本発明に係る認知症及び／又はうつ病推定ＡＩシステムにおける薬局での実施例を示すフロー図である。

【図12】本発明に係る認知症及び／又はうつ病推定ＡＩシステムにおける見守りサポートでの実施例を示すフロー図である。

【図13】本発明に係る他の実施例のシステム図である。

【図14】本発明に係る他の実施例の携帯端末の画面の図である。

【図15】本発明に係る他の実施例の教師データ生成のための情報を示す表である。

【図16】本発明に係る他の実施例の教師データ取得手順を示すフロー図である。

【図17】本発明に係る認知症及び／又はうつ病推定ＡＩシステムにおける携帯端末での実施例を示すフロー図である。

【発明を実施するための形態】

【0023】

本発明に係る認知症及び／又はうつ病推定ＡＩシステム並びに教師データ作成方法は、病院以外の場所で対象者の認知症やうつ病の程度を推定するための情報を取得でき、それにより病院関係者に限らず認知症及び／又はうつ病を推定するＡＩの構築が可能であることを最大の特徴とする。
以下、本発明に係る認知症及び／又はうつ病推定ＡＩシステム並びに教師データ作成方法の実施形態を、図面に基づいて説明する。

【0024】

尚、以下に示される認知症及び／又はうつ病推定ＡＩシステム並びに教師データ作成方法の全体構成及び各部の構成は、下記に述べる実施例に限定されるものではなく、本発明の技術的思想の範囲内、即ち、同一の作用効果を発揮できる構成等の範囲内で適宜変更することができるものである。
また、本発明は、認知症及び／又はうつ病推定ＡＩシステム並びに教師データ作成方法であるので、当然に、認知症推定ＡＩシステム、うつ病推定ＡＩシステム、認知症及びうつ病推定ＡＩシステムを含むが、実施例においては、認知症及びうつ病を推定する場合の例を重点的に説明する。
認知症推定ＡＩシステムの場合は、他の要素であるうつ病の要素を除くことで、容易にシステムを構築できる。うつ病推定ＡＩシステムの場合も同様である。
また、実施例において、利用者とは、教師データを提供に協力してもらう人であり、対象者とは、ＡＩを用いて、病状の推定を受ける人をいう。

【実施例0025】

図１から図５に従って、本発明を説明する。
図１は、本発明に係る教師データ作成方法の実施例を示すフロー図である。図２は、本発明に係る教師データ作成方法の実施例を示す模式図であり、（ａ）は薬局内で行われるデータ取得作業の模式図、（ｂ）は利用者の顔写真から例題データを作る作業の模式図、（ｃ）は処方箋等から正解データを作る作業の模式図である。図３は、本発明に係る教師データ作成方法における正解データを生成する際の実施例を示す算出表であり、（ａ）は認知症度及びうつ病度を推定算出する表、（ｂ）は実際に薬の種類と薬の量を入れて認知症度及びうつ病度を推定算出した算出表である。図４は、本発明に係る教師データ作成方法における教師データの実施例を示す表図であり、（ａ）は正解データが度数１０％刻みになっている例、（ｂ）は度数が１又は０の場合、（ｃ）は例題データに年齢等を含める場合を示している。図５は、本発明に係る認知症及び／又はうつ病推定ＡＩシステムにおけるＡＩの動作例を示す模式図であり、（ａ）はＡＩで認知症等を推定する例、（ｂ）はＡＩで機械学習を行う過程を示している。

【0026】

認知症及び／又はうつ病推定ＡＩ１は、認知症、うつ病の程度を推定するＡＩであり、機械学習によって推定能力を向上させている。
認知症及び／又はうつ病推定ＡＩ１を構築する方法の１つとして、教師データを生成し、ＡＩに対して大量に学習させることで、精度の高い推定を行う方法がある。
教師データとは、ＡＩに機械学習させるためのデータである。教師データとしては、例題データと正解データを対にして生成することが多い。
例題データとは、ＡＩに推定させたい事象を表すデータであり、正解データとは、ＡＩに回答させたいデータである。

【0027】

ＡＩに、病気であるか否かを推定させる場合には、例えば、例題データとして対象者の症状等とし、正解データとして対象者の病名とする。このような教師データを大量にＡＩに学習させることによって、病気を推定するＡＩが構築される。

【0028】

病気として、認知症やうつ病を対象とする場合、医師の診断時に、顔の表情等を見ることが診断の一環として行われている。
ＡＩで認知症やうつ病を推定するシステムを検討する場合、対象者の顔の表情はカメラなどで撮影することで取得可能であるが、対象者の病名は、医師がカルテ等で管理しており、そのデータを病院外に持ち出すことは一般的に困難である。

【0029】

そこで本実施例では、薬局にて、処方箋等から対象者の病名や程度を推定し、教師データを取得することとした。
言い換えれば、利用者が処方箋に応じた薬を受け取る場所で、ＡＩの教師データとなる情報を取得し、該教師データとして、少なくとも該利用者の顔写真と該処方箋又は指示書を含む教師データ作成方法である。
教師データとなる情報とは、教師データのもととなる情報と教師データとして用いられる情報とを含む。
処方箋等とは、少なくとも、処方箋、お薬手帳、指示書を含む。指示書とは、投薬指示書とも言い、医師が、投薬の時間や量を、保護者や施設等に指示する書面である。
図１と図２に沿って、教師データを取得する手順を説明する。
図１は、教師データ４０を生成するフローである。図２は、教師データ４０を生成する手順を示す図である。
情報の収集は、薬局１０で行われる。ここでの薬局とは、病院と独立した事業者としての薬局と病院内の設置された薬局の両方を含む。扱うデータはどちらも同じである。
まず、薬局１０の利用者Ｐから処方箋３１の内容を取得する。処方箋３１と共に、お薬手帳３０や指示書の内容を取得しても良い。利用者Ｐは、処方箋３１、お薬手帳３０に記載の薬を得るために薬局１０に来ているのであるから、処方箋３１の取得は容易にできる。
薬の調合とは別に、認知症及び／又はうつ病推定ＡＩ１を構築するために処方箋３１やお薬手帳３０、指示書の情報を活用する許可を取り、情報を取得する（Ｓ１０１、図２（ａ））。
次に、認知症及び／又はうつ病推定ＡＩ１を構築するために、利用者の顔写真１２の取得の許可を取り、利用者Ｐを撮影装置１１で撮影し、利用者の顔写真１２を取得する（Ｓ１０２、図２（ａ））。
利用者の顔写真１２として、利用者の無表情の顔写真１３と利用者の笑顔の顔写真１４を取得する。無表情の顔とは、自然な普通の顔ともいえる。
認知症やうつ病の場合、顔の表情を見ると、目に生気が無かったり、まぶたが下がったり、全体として、表情が乏しくなる傾向があると、言われている。また、笑顔も不自然であったり、笑顔が無表情と変わらなかったりする場合もある。
そこで、利用者の顔写真として、無表情の写真と笑顔の写真を用いることで、一般の人と認知症、うつ病の人との差を強調することができる。
無表情の写真の撮影時は、「無表情にしてください。」とは言いにくい場合、「自然な普通の顔写真を撮らせてください」等の表現を用いても良い。
Ｓ１０１、Ｓ１０２によって、利用者からの情報の取得は完了する。

【0030】

次に、処方箋３１等に記載の薬の種類と量から認知症やうつ病の有無、程度を推定する（Ｓ１０３、図２（ｂ））。薬剤師等であれば、ある程度推定可能であるが、ばらつきを軽減するため、算出表４３を用いる。算出表の一例を図３（ａ）に示す。算出表４３によって、正解データが生成させる。
次に、利用者の顔写真１２から顔写真データ２０を生成する。一般的に、スタジオ等以外で撮影された顔写真は、画角、解像度、背景等が異なるので、同様の画角、解像度、背景になるように、画像補正をおこなうことで、例題データ４１として、適当な顔写真データ２０とすることができる（Ｓ１０４、図２（ｃ））。
顔写真データ２０は、無表情の顔写真データ２１と笑顔の顔写真データ２２とから成る。
一連の作業によって、１つの教師データが完成する（Ｓ１０５）。
言い換えれば、一連の流れは、教師データの例題データとして、利用者の顔写真を用い、教師データの正解データとして、処方箋又は指示書に記載された薬の種類、量から推定した認知症度及びうつ病度を用い、機械学習を行うための教師データを生成することである。
教師データの数を増やすことで、機械学習の精度を高めることができる。

【0031】

処方箋３１、お薬手帳３０、指示書から認知症度及びうつ病度を推定するために、算出表４３を用いる。
算出表４３には、薬の種類と量を記載する欄があり、利用者の情報に沿って記入する。認知症及びうつ病の欄があり、それぞれ薬の種類に応じた係数が記載されている。それぞれの病気に関連の深い薬は係数が高く、関係性の低い薬は係数が低い。
薬の種類と量を記入することによって、評価点が決まる。評価点を合計することで、各病気の程度がわかる。正解データとするには、０から１００％等の正規化が必要なので、所定の数で正規化する。正解データとしては、％で表す方法と、１か０で表す方法の２種類を算出する。
図３（ｂ）に、具体的な数字による算出例を示す。本例では、認知症に関連する薬が多いため、認知症の評価点の合計は２３点、うつ病の評価点の合計は４点となっている。一例として３０で正規化し、認知症の評価が７６．７％、うつ病の評価が１３．３％である。正解データとしては、１０段階とする正解データ１と１，０の２段階とする正解データ２を生成する。
正解データ１は、認知症度７０％・うつ病度１０％となり、正解データ２は、認知症度１・うつ病度０となる。
この作業によって、認知症度及びうつ病度の正解データを生成する。

【0032】

図４は、教師データの例を示す。図４（ａ）は、教師データの例題データとして顔写真データ２０を用い、顔写真データ２０として、無表情の顔写真２１と笑顔の顔写真データ２２を用いている。
正解データとして、認知症・うつ病とも１０段階のデータとしている。正解データは、１０段階×１０段階で１００個の正解の要素があるので、機械学習のための教師データの数も、それに応じて大量に必要となる。
図４（ｂ）は、教師データの正解データとして、認知症・うつ病とも２段階のデータとした場合である。正解データは、２段階×２段階で４個の正解の要素となるので、機械学習のための教師データの数は、図４（ａ）の場合に比べれば少なくすむ場合もある。
図４（ｃ）は、例題データとして、顔写真データ以外に利用者の年齢、性別、病歴を加えた場合である。家族の病歴を加えることもできる。多くのデータを用いることで、推定が容易になる場合もある。但し、ＡＩを活用する際には、学習時の同様のデータを入力する必要があるので、この場合は、顔写真データ以外に利用者の年齢、性別、病歴を入力する必要があり、汎用性は低くなる。

【0033】

図５に沿って、ＡＩの学習及び活用時の動作の概要を説明する。機械学習システム５０は、ニューラルネットワークによる深層学習（ディープラーニング）の例を示している。
認知症及び／又はうつ病推定ＡＩ１は、入力部５１と中間部５２と出力部５３から成る。機械学習中は、正解部５４を加える。入力部５１は、ＡＩに入力する情報分の要素Ｘ１からＸｎを持つ。中間部５２は、入力層から情報を受け継ぎ、さまざまな計算を行う部分である。中間部５２の層が多いほど、複雑な分析ができる。計算結果は、出力部５３に送られる。出力部５３は、回答として出力する部分であり、回答分の要素Ｚ１からＺｍを持つ。各要素の値は、例えば０から１の間の値であり、最も高い値の要素が、回答と推定されるものである（図５（ａ））。
正解部５４は、機械学習の際、認知症及び／又はうつ病推定ＡＩ１に与えられる正解データ４２を設定する部分であり、要素としてＡ１からＡｍを持つ。要素の数は、出力部５３と同じである。Ａ１からＡｍのうち、正解の要素の数値を１として、他の要素の数値を０と設定する。Ｚ１からＺｍとＡ１からＡｍの数値の差をそれぞれ求め、合計した数値が誤差Ｄとなる。誤差Ｄを最小とすることが、ＡＩの精度を高めることとなる（図５（ｂ））。

【0034】

認知症及び／又はうつ病推定ＡＩ１の動作について、説明のため単純化し、認知症か否かを推定するＡＩの例を説明する。
出力部５３について考えると、ＡＩの回答は、認知症か、認知症で無いか、の２つである。したがって、出力部５３の要素は、例えば、Ｚ１が「認知症である」、Ｚ２が「認知症でない」の２つとなる。
入力部５１の要素Ｘの数は、顔写真データ２０である無表情の顔写真データ２１と笑顔の顔写真データ２２を入力する場合、その解像度に沿った要素となる。
ＡＩの入力部５１に顔写真データ２０を入力すると、出力部５３の要素Ｚ１、Ｚ２には、それぞれ０から１の間の数値が出力される。数値の高いほうが、ＡＩの推定した回答となる。数値の差が大きければ、推定の確度は高いし、数値の差が小さければ、推定の確度は低いと言える。
例えば、Ｚ１が０．１、Ｚ２が０．９となった場合、Ｚ２の方が値が高いので、ＡＩの回答は、Ｚ２側である「認知症でない」となる。Ｚ１とＺ２の数値の差は大きいので、確度は高いと言える。

【0035】

図４（ｂ）の教師データを用いた場合、認知症及び／又はうつ病推定ＡＩ１の出力部５３は、認知症度０・うつ病度０、認知症度０・うつ病度１、認知症度１・うつ病度０、認知症度１・うつ病度１の４つとなる。よって、それぞれＺ１からＺ４を割り当てることができる。
ＡＩ構築後、認知症及び／又はうつ病推定ＡＩ１に、顔写真データ２０である無表情の顔写真データ２１と笑顔の顔写真データ２２を入力し、ニューラルネットワークで構成される中間部５２で処理し、結果は、出力部５３のＺ１からＺ４について、それぞれ０から１の間の数として出力される。
例えば、Ｚ１が０．１、Ｚ２が０．６、Ｚ３が０．２、Ｚ４が０．１であった場合、最も値の高い、Ｚ２が採用される。Ｚ２は、認知症度０うつ病度１になるので、ＡＩの回答は、「うつ病の可能性があります」となる。
また、最も高い値の数値を確度としても良い。この場合、Ｚ２の数値は０．６であるので、「うつ病の可能性が６０％あります」としても良い。

【0036】

図４（ａ）の教師データを用いた場合、認知症及び／又はうつ病推定ＡＩ１の出力部５３を、「認知症度０％・うつ病度０％」から１０％単位で分け、「認知症度９０％・うつ病度９０％」までの１００個とすることもできる。この場合、出力部５３は、Ｚ１からＺ１００の１００個の要素となる。
入力に対する出力部５３のＺ１からＺ１００を確認し、最も高いものが回答となる。Ｚのある要素が、最も高かった場合、それに対応する認知症度〇〇％うつ病度××％が回答となる。

【0037】

また、出力部５３を単純化する方法として、認知症推定ＡＩとうつ病推定ＡＩに分ける方法もある。このようにすることで、入力部５１、中間部５２、出力部５３ともデータ数を少なくすることができる。
この場合には、最終的に２つのＡＩの回答を合わせたものが認知症及び／又はうつ病推定ＡＩ１の出力となる。

【0038】

次に、認知症及び／又はうつ病推定ＡＩ１の機械学習の方法について、図５（ｂ）に沿って説明する。認知症及び／又はうつ病推定ＡＩ１への入力部５１には、顔写真データ２０である無表情の顔写真データ２１と笑顔の顔写真データ２２が入力され、出力部５３は、認知症度０％・うつ病度０％から認知症度９０％・うつ病度９０％までの１００個の要素を持つ場合とする。
認知症及び／又はうつ病推定ＡＩ１に、まず、教師データ４０の１つを用いる。例題データ４１を入力部５１に入力する。正解データ４２を正解部に設定する。教師データ４０の正解データ４２が認知症度７０％・うつ病度１０％であったとすると、認知症度７０％・うつ病度１０％に対応するＡｊ（ｊは認知症度７０％・うつ病度１０％に対応する要素番号）に１を設定し、Ａｊを除くＡ１からＡ１００は０と設定する。
認知症及び／又はうつ病推定ＡＩ１に例題データ４１を入力した結果、出力部５３のＺ１からＺ１００に推定値が０から１の間の数として出力される。Ｚ１からＺ１００とそれに対応するＡ１からＡ１００の差分の合計が、誤差値Ｄとなる。この誤差値Ｄを下げるように、中間部５２のニューラルネットワークを調整する。
この作業を、大量の教師データ全てについて行うことで、誤差値Ｄが低減され、ＡＩの精度が高まる。

【0039】

このように、本実施例によれば、病院以外の場所で、対象者の認知症及び／又はうつ病の程度を推定するＡＩを構築するための情報を取得できるので、病院関係者に限らず、認知症及び／又はうつ病を推定するためのＡＩの構築が可能となる。
また、診断を行う対象者の顔写真を用いることによって、当該対象者の認知症度及び／又はうつ病度を推定するＡＩを運用・活用することが可能となる。

【0040】

また、認知症及び／又はうつ病推定ＡＩ１は、薬局１０にて、薬局の利用者に対して、認知症、うつ病についてのアドバイスに活用することができる。
ＡＩアドバイスを希望する対象者の顔写真を撮影し、認知症及び／又はうつ病推定ＡＩ１によって、認知症・うつ病についてのアドバイスを行うものである。図１１のフローに沿って説明する。
１）対象者の顔写真を撮影する（Ｓ４０１）。顔写真として、無表情のものと笑顔のものを撮影する。難しい場合は、いずれか１枚でも良い。認知症及び／又はうつ病推定ＡＩ１の精度向上のための教師データ４０の取得と並行して行っても良い。
２）対象者の無表情の顔写真１３と対象者の笑顔の顔写真１４から、認知症及び／又はうつ病推定ＡＩ１に入力する顔写真データ２０である無表情の顔写真データ２１と笑顔の顔写真データ２２となるように、画像加工をおこなう（Ｓ４０２）。
３）ＡＩに入力する（Ｓ４０３）。１枚のみ取得の場合は、同じ写真を２枚入力する。
４）認知症及び／又はうつ病推定ＡＩ１の出力部５３の値を確認し、認知症度並びにうつ病度の推定値を確定する（Ｓ４０４）。
５）対象者の処方箋３１から認知症度とうつ病度を推定し、処方箋推定値とする（Ｓ４０５）。
６）ＡＩで推定した認知症度・うつ病度が、処方箋推定値よりも悪かった場合に、対象者にアドバイスを通知する（Ｓ４０６）。
処方箋３１に認知症やうつ病に関する処方がないにも関わらず、ＡＩがある程度の認知症度・うつ病度を推定した場合も同様である。
また、皮膚科や外科等の、認知症・うつ病と関連しない病院の薬局の場合は、処方箋等を確認することなく、アドバイスを行ってもよい。

【0041】

このような作業を行うことによって、対象者の潜在的な認知症度並びにうつ病度を、対象者の負担なく確認できるので、認知症及びうつ病の早期発見に寄与することができる。

【0042】

また、認知症及び／又はうつ病推定ＡＩ１は、健康チェックシステムに利用することができる。健康診断時に、利用者の認知症度、うつ病度を推定するものである。
１）健康診断を受診している対象者の顔写真を撮影する。無表情のものと笑顔のものの２枚を撮影する。健康診断に用いると説明すれば容易と思われるが、難しい場合は、いずれか１枚でも良い。
２）ＡＩ用に顔写真データ２０を生成する。
３）ＡＩに入力する。１枚のみ取得の場合は、同じ写真を２枚入力する。
４）ＡＩの出力結果から、認知症度並びにうつ病度の推定値を確定する。
５）対象者に対して、認知症度及びうつ病度の推定値に応じた動画コンテンツの視聴を促す案内を通知する。また、専門の医療機関を紹介する。
通知する方法は、健康診断結果と共に、ＱＲコード（登録商標）付きの紙面で提供してもいいし、対象者にメールでＵＲＬを送付しても良い。

【0043】

このように、認知症及び／又はうつ病推定ＡＩ１を健康診断に付加することによって、対象者は、特別な負担なく、認知症及びうつ病についての診断結果を得ることができる。

【0044】

また、認知症及び／又はうつ病推定ＡＩ１は、見守りサポートシステムに利用することができる。見守りサポートシステム活用時に、見守り対象者の認知症度、うつ病度を推定するものである。図１２のフローに沿って説明する。
見守りサポートシステムとは、遠方に住んでいる高齢の家族、親族等を、カメラやセンサ等によって様子を確認し、緊急性のある状態になった際に、サポートを行ったり家族への連絡を行ったりするシステムである。
１）見守りサポートシステムで、対象者の安否を確認する映像から、対象者の顔写真を取得する（Ｓ５０１）。見守りサポートシステムでは、対象者の状態を常時確認する必要があることから、カメラで常に対象者を撮影していることも多く、対象者の顔写真として無表情と笑顔の写真を取得することは容易である。例えば、対象者の挙動、音声等を基準に、利用者の無表情の顔写真１３と利用者の笑顔の顔写真１４を取得しても良い。
２）対象者の顔写真から、ＡＩ用の顔写真データ２０を生成する（Ｓ５０２）。
３）ＡＩに入力する（Ｓ５０３）。
４）ＡＩの出力結果から、認知症度、うつ病度の推定値を確定する（Ｓ５０４）。
５）もし認知症度やうつ病度の推定値が予想される値よりも悪かった場合には、親族や家族に対し、対象者の認知症度、うつ病度のＡＩ推定値とそれに応じたアドバイスを通知する（Ｓ５０５）。
具体的には、認知症とされていない対象者に高い認知症度が推定された場合に、システムは、予め登録された親族や家族に対して、お知らせ等で対象者の認知症の可能性について連絡する。また、その際、認知症の確認のための医療機関の紹介や、対象者への対応のアドバイス等も行う。

【0045】

このように、認知症及び／又はうつ病推定ＡＩ１を見守りサポートシステムに付加することによって、対象者に特別な負担をかけることなく、対象者の認知症及びうつ病の可能性を推定し、親族や家族に連絡することで、早めの対応を行うことが可能となる。

【0046】

また、認知症及び／又はうつ病推定ＡＩ１は、ＯＴＣに利用することができる。ＯＴＣ医療品販売店で、販売店を訪れた利用者に対応する際、対象者として認知症度、うつ病度を推定するものである。
１）ＯＴＣにて、対象者の顔写真を撮影する。対象者には、認知症及びうつ病の簡易的な確認ができるとして、撮影を勧めることができる。利用者の無表情の顔写真１３と対象者の笑顔の顔写真１４を取得する。難しい場合は、いずれか１枚でも良い。
２）対象者の顔写真１２から認知症及び／又はうつ病推定ＡＩ１に入力する顔写真データとなるように、画像加工をおこなう。
３）ＡＩに入力する。１枚のみ取得の場合は、同じ写真を２枚入力する。
４）認知症及び／又はうつ病推定ＡＩ１の出力部５３の値を確認し、認知症度、うつ病度の推定値を確定する。
５）対象者に対しては、あくまで推定であることを説明し、認知症度並びにうつ病度の推定値と、その推定値に応じたアドバイスを通知する。
具体的には、認知症やうつ病の認識が無い対象者に、高い認知症度、やうつ病度が推定された場合には、認知症、うつ病の確認のための医療機関の紹介や、対応の手引きのようなアドバイスを行う。

【0047】

このように、認知症及び／又はうつ病推定ＡＩ１をＯＴＣで活用することによって、対象者は、特別な負担なく、認知症及びうつ病についての簡易診断やアドバイスを得ることができる。

【0048】

また、免許更新時に活用することもできる。
免許更新時に、認知症等の発症、程度の確認のため、質問形式による認知テストを行うことがある。しかし、ある程度の時間を要するので、対象者からは迂遠とされることも多い。
認知テストの代わりに又は補完的に、認知症及び／又はうつ病推定ＡＩ１を用いることによって、認知テストの精度を向上させたり、量的削減あるいは廃止したりすることができる。
具体的には、以下の様に行う。
１）免許更新会場にて、免許証用の写真を撮影する際、その写真データを対象者の顔写真１２として取得する。従来通り、免許証用写真のみを撮影してもいいし、認知症確認のためと説明し、笑顔の顔写真１４を取得しても良い。
２）対象者の顔写真１２から認知症及び／又はうつ病推定ＡＩ１に入力する顔写真データ２０となるように、画像加工をおこなう。
３）ＡＩに入力する。免許証用の写真のみであれば、その写真データを２枚入力する。
４）認知症及び／又はうつ病推定ＡＩ１の出力部５３の値を確認し、認知症度、うつ病度の推定値を確定する。
５）対象者に対しては、質問形式による認知テストを補完するものとして、ＡＩによる認知症度、うつ病度の推定値を含めた検査結果を通知する。

【0049】

このように、認知テストを補完する手段として用いることで，検査の精度向上等に資する。また、認知テストに代えてＡＩを用いることで、利用者の負担軽減になる。

【0050】

例題データとして、無表情の顔写真１３と笑顔の顔写真１４を用いる例を説明したが、いずれか、一方のみの写真から教師データを生成することもできる。
一般的に、免許証等の証明用写真は、無表情のものが多く、このような写真から、認知症、うつ病の推定を行う場合として、無表情の写真のみを用いることが考えられる。
教師データの構築については、写真が、無表情と笑顔の２枚の顔写真から無表情の顔写真１３が１枚となるのみで、他のデータは同様である。無表情の顔写真１３のみとする利点として、利用者に「笑ってください」等の要求をすることなく、容易に取得できることが挙げられる。

【0051】

また、笑顔の顔写真１４の１枚のみを用いる場合も考えられる。すでに、対象者を撮影した写真を用いる場合、笑顔のものが多い場合があるからである。
認知症、うつ病は、笑顔で特有の特徴が出る場合もあり、笑顔のみの写真も有効である。笑顔のみの教師データを作り、機械学習を行うことにより、笑顔の顔写真１４のみからも病気を推定することができる。

【0052】

取得したデータの活用方法に関し、利用者の顔写真１２として、利用者の無表情の顔写真１３と利用者の笑顔の顔写真１４を取得し、顔写真データ２０として、無表情の顔写真データ２１と笑顔の顔写真データ２２を生成したのち、敢えて一方の写真データのみを用いて、ＡＩを構築することもできる。
その場合、１つのデータ群から、ＡＩとして、無表情と笑顔から判別するＡＩと、無表情から判別するＡＩと、笑顔から判別するＡＩと、を構築することができる。活用時に、利用者の無表情、笑顔の写真を取得できた場合は、無表情と笑顔から判別するＡＩを用い、無表情などの１枚の写真しか取得できなかった場合は、無表情から判別するＡＩなどを用いることによって、その場面に応じたＡＩ活用を行うことができる。

【実施例0053】

他の実施例について、図６から図８を用いて説明する。実施例１と同様の部分は省略する。
図６は、本実施例に係る認知症及び／又はうつ病診断ＡＩの教師データ作成方法を示すフロー図である。図７は、認知症及び／又はうつ病診断ＡＩの顔の特徴量を抽出する模式図であり、（ａ）は顔の特徴量を抽出する部分を示す模式図、（ｂ）は口角の上がり・下がりを説明する図である。図８は、本実施例に係る認知症及び／又はうつ病診断ＡＩの教師データ作成方法における教師データの例を示す表である。

【0054】

実施例１によって、医療機関から情報を得ることなく、認知症及び／又はうつ病についてのＡＩを構築することができる。
しかしながら、対象者の顔写真データからＡＩを構築するためには、比較的多くのサンプル、教師データが必要である。
そこで、顔写真データから得られる認知症並びにうつ病に大きく関連する特徴を用いることで、ＡＩ構築の作業量を低減する方法が求められるところである。

【0055】

認知症やうつ病の患者の表情等については、特有の特徴があることが専門医によって指摘されている。図７に、利用者の顔６０の模式図を示す。
認知症並びにうつ病の患者を判別する一例として、口角の下り度６１、まぶたの下り度６２、ほほの下り度６３、眉の下り度６４、開口度６５等が考えられる。
各特徴について数値化することで、ＡＩの入力データとすることができる。
例えば、口角の下り度６１について、図７（ｂ）のように、口角が最も上がった状態を口角の下り度０とする。図７（ｄ）のように、口角が最も下がった場合で、口角の下り度９とする。図７（ｃ）のように、口角がある程度下がった状態は、口角の下り度５とする。
このように、各特徴量７０について、下がり度を定義し、数値化することで、認知症及び／又はうつ病推定ＡＩ１への入力が可能となる。
また、無表情時のデータと笑顔時のデータを数値化することによって、より精度の高いＡＩを構築することができる。

【0056】

本実施例での教師データの例を、図８の表に沿って説明する。
実施例１では、顔写真データ２０である無表情の顔写真データ２１と笑顔の顔写真データ２２が例題データであり、認知度・うつ度が正解データであった。正解データは、実施例１と同じであるが、例題データは、利用者の顔写真から抽出された特徴量７０となる。顔写真データ２０から抽出し、口角の下り度６１、まぶたの下り度６２、ほほの下り度６３、眉の下り度６４、開口度６５を数値として決定する。この例では、０から９の１０段階である。
特徴量７０としては、無表情の特徴量７１の群と、笑顔の特徴量７２の群を用いることになる。
特徴量７０は、顔写真データ２０のみから抽出するので、利用者Ｐへの負担が増えることは無い。

【0057】

図６のフローに沿って、本実施例を説明する。
利用者から処方箋３１等の内容を取得し（Ｓ２０１）、利用者の顔写真１２を取得し（Ｓ２０２）、処方箋３１の記載の薬の種類、量から認知症度及びうつ病度を推定する（Ｓ２０３）部分は、実施例１と同じである。
顔写真から顔の特徴量７０を抽出し、例題データとして生成する（Ｓ２０４）。この部分で、実施例１と同様に、利用者の顔写真１２から、顔写真データ２０を生成する。その後、顔写真データ２０である無表情の顔写真データ２１と笑顔の顔写真データ２２から、顔の特徴量７０を抽出し、例題データとして生成する。
例えば、図８の特徴量７０を用いた教師データの例では、番号１の場合、先ず例題データの元となる無表情の顔写真データ２１を画像処理することで、口角の下り度が８、まぶたの下り度５、ほほの下り度３、眉の下り度５、開口度２を得る。次に、笑顔の顔写真データ２２を画像処理することで、口角の下り度が７、まぶたの下り度５、ほほの下り度２、眉の下り度５、開口度２を得る。正解データの生成方法は、実施例１と同じである。
このようにして、１つの教師データ４０が完成する（Ｓ２０５）。他のデータについても、同様の処理を行い、教師データ４０を生成する。

【0058】

このように、例題データとして、顔の特徴量７０を用いることによって、例題データが、認知症及び／又はうつ病に特化したものとなり、且つ、入力データ数が減るので、少ない教師データ数でＡＩの精度を向上させることができる。

【0059】

また、例題データを、顔の特徴量７０とすることによって、教師データ４０の生成を一部簡略化することができる。
認知症・うつ病の専門家は、顔の特徴量７０と認知症・うつ病の程度について、豊富な知識と経験を持っている。そこで、専門家の支援を受けることで、利用者の写真や処方箋３１を用いずに、ある程度の教師データを作ることができる。
言い換えれば、特定の認知症度並びにうつ病度時に予想される特徴量７０を推定し、推定された特徴量７０を例題データとし、その際、予想される認知症度並びにうつ病度を正解データとし、機械学習を行うことで、データ確保を容易にすることができる。

【0060】

すなわち、専門家に、無表情の場合に認知症・うつ病に現れやすい特徴を列挙してもらうことで、写真を集めることなく、ある程度のデータを構築することができる。
同様に、笑顔の場合、無表情と笑顔の差についても特徴を列挙してもらうことで、ある程度のデータを構築することができる。

【0061】

ＡＩの機械学習において、学習の初期は、ＡＩの出力と正解との乖離が大きい場合がある。予め、専門家による支援により作成された教師データによる機械学習を行うことで、利用者のデータによる機械学習を行った際、ＡＩの出力と正解との乖離を小さくすることができ、ＡＩの収束を早くすることができる。

【0062】

図９のフローに沿って説明する。
顔の特徴量７０と、認知症・うつ病の程度について、専門家により数値化してもらう。（Ｓ３０１）。顔の特徴量７０として、例えば、無表情時の口角の下り度６１、まぶたの下り度６２、ほほの下り度６３、眉の下り度６４、開口度６５と、笑顔時の口角の下り度６１、まぶたの下り度６２、ほほの下り度６３、眉の下り度６４、開口度６５との組み合わせについて、認知症・うつ病の程度を０から１００％の間で数値化する。
一例を図１０（ａ）に示す。この例は、無表情時のほほの下り度５、眉の下り度４、開口度２、まぶたの下り度４、口角の下り度５の場合の、無表情から笑顔での口角の下り度の変化、まぶたの下り度の変化をそれぞれ１０段階で変化させた場合、推定される認知症度を示す表である。
口角の下り度の変化量の幅は、無表情時の口角の下り度は５であるので、変化幅は－５から４である。まぶたの下り度の変化量の幅は、無表情時のまぶたの下り度は４であるので、－４から５である。
例えば、笑顔になった際、まぶたの下り度の変化量が０であり、口角の下り度の変化量が－３であれば、笑顔を適切に表現できているので、認知度は低いと考えられる。一例としては、変化量の最大値、最小値を推定し、そこから比例計算し、推定値は３４％とする。
また同様に、笑顔になった際の口角の下り度の変化量が＋２であれば、笑顔であるにも関わらず、口角が、より下がったことになり、笑顔を適切に表現できていないと考えられるので、認知度は高いと考えられる。一例としては、変化量の最大値、最小値を推定し、そこから比例計算し、推定値は５９％とする。

【0063】

このような表を全ての特徴量７０について行う。
それらを用いて、特徴のレベルを例題データ、推定される認知症度及びうつ病度を正解データとする（Ｓ３０２）。図１０（ｂ）に、教師データ群の例を示す。顔の特徴量７０を全て０から９で変化させた際の正解データとして、認知症度〇〇％・うつ病度××％が列挙される。図１０（ｂ）の例は、１つの特徴量群の場合の例である。無表情の特徴量７１と笑顔の特徴量７２を用いる場合は、より多くの場合分けになる。
専門家指導による教師データが完成する（Ｓ３０３）。
次に、実際に存在しそうな特徴量７０の組み合わせについて、重点的に認知症度・うつ病度を専門家に生成してもらう（Ｓ３０４）。この作業により、実際に近い教師データを増やすことができる。以上によって、初期の機械学習用の教師データが完成する（Ｓ３０５）。

【0064】

このように、教師データを生成することによって、収集するデータ数を少なくすることができ、また、ＡＩの機械学習による収束を早めることができる。