知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2022-08-09
(45)【発行日】2022-08-18
(54)【発明の名称】認知症予測装置
(51)【国際特許分類】
A61B 5/055 20060101AFI20220810BHJP
【ＦＩ】
A61B5/055 380
A61B5/055 382
【請求項の数】
4
(21)【出願番号】P 2021562448
(86)(22)【出願日】2020-06-01
(86)【国際出願番号】 JP2020021610
(87)【国際公開番号】W WO2021111658
(87)【国際公開日】2021-06-10
【審査請求日】2022-01-19
(31)【優先権主張番号】P 2019220070
(32)【優先日】2019-12-05
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【識別番号】516259468
【氏名又は名称】一般社団法人ブレインインパクト
(74)【代理人】
【識別番号】110000925
【氏名又は名称】特許業務法人信友国際特許事務所
(72)【発明者】
【氏名】山川 義徳
【審査官】下村 一石
(56)【参考文献】
【文献】特開２０１８－１３４２１１（ＪＰ，Ａ）
【文献】特開２０１３－１６５７６５（ＪＰ，Ａ）
【文献】NEMOTO,Kiyotaka et al.，"MRI-based Brain Healthcare Quotients: A bridge between neural and behavioral analyses for keeping t，PLOS ONE，2017年10月27日，pp.1-13
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／０５５
(57)【特許請求の範囲】
【請求項1】
被験者の脳の灰白質量の平均値に相当する値であるＧＭ－ＢＨＱ値を演算するＧＭ－ＢＨＱ値演算処理部と、前記ＧＭ－ＢＨＱ値演算処理部が演算出力した前記被験者の前記ＧＭ－ＢＨＱ値と、前記ＧＭ－ＢＨＱ値演算処理部が前記被験者の前記ＧＭ－ＢＨＱ値を演算した日における前記被験者の年齢に基づいて、前記被験者の前記ＧＭ－ＢＨＱ値が、人が認知症に罹患する可能性が高いＧＭ－ＢＨＱ値である認知症ラインに到達する年齢である認知症罹患可能性年齢を演算する認知機能予測演算部と
を具備する、認知症予測装置。
【請求項2】
更に、前記ＧＭ－ＢＨＱ値演算処理部が被験者のＧＭ－ＢＨＱ値を演算出力した日であるＧＭ－ＢＨＱ値登録日と、被験者を一意に識別する被験者ＩＤと、前記ＧＭ－ＢＨＱ値とを紐付けて登録するＢＨＱテーブルと
を具備し、
前記認知機能予測演算部は、前記ＧＭ－ＢＨＱ値演算処理部が前記被験者の前記ＧＭ－ＢＨＱ値を演算出力した第一の演算日における第一のＧＭ－ＢＨＱ値と、前記第一の演算日から所定の期間を経過した第二の演算日における第二のＧＭ－ＢＨＱ値と、前記第二の演算日における前記被験者の年齢に基づいて、前記被験者の前記認知症罹患可能性年齢を演算する、請求項１に記載の認知症予測装置。
【請求項3】
前記ＧＭ－ＢＨＱ値演算処理部は、被験者の健康状態に関するアンケートの回答である生活環境アンケート結果が入力されると、前記被験者の脳の灰白質量の平均値を算出した値の推定値である推定ＧＭ－ＢＨＱ値を出力する推定演算処理部であり、前記ＢＨＱテーブルは、前記被験者が前記生活環境アンケート結果を回答した日であるアンケート受付日と、被験者を一意に識別する被験者ＩＤと、前記推定ＧＭ－ＢＨＱ値とを紐付けて登録する推定ＢＨＱテーブルであり、
前記認知機能予測演算部は、前記推定演算処理部が前記被験者の前記推定ＧＭ－ＢＨＱ値を推定演算出力した第一のアンケート受付日における第一の推定ＧＭ－ＢＨＱ値と、前記第一のアンケート受付日から所定の期間を経過した第二のアンケート受付日における第二の推定ＧＭ－ＢＨＱ値と、前記第二のアンケート受付日における前記被験者の年齢に基づいて、前記被験者の前記認知症罹患可能性年齢を演算する、請求項２に記載の認知症予測装置。
【請求項4】
前記ＧＭ－ＢＨＱ値演算処理部は、前記被験者の脳画像データから複数の灰白質量データを得る灰白質量算出部と、
複数の前記灰白質量データの平均値を算出した値である計測ＧＭ－ＢＨＱ値を出力する平均値演算部と
を具備し、
前記ＢＨＱテーブルは、前記被験者の前記脳画像データの撮影日と、被験者を一意に識別する被験者ＩＤと、前記計測ＧＭ－ＢＨＱ値とを紐付けて登録する計測ＢＨＱテーブルであり、
前記認知機能予測演算部は、前記平均値演算部が前記被験者の前記計測ＧＭ－ＢＨＱ値を演算出力した第一の撮影日における第一の計測ＧＭ－ＢＨＱ値と、前記第一の撮影日から所定の期間を経過した第二の撮影日における第二の計測ＧＭ－ＢＨＱ値と、前記第二の撮影日における前記被験者の年齢に基づいて、前記被験者の前記認知症罹患可能性年齢を演算する、請求項２に記載の認知症予測装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、認知症予測装置に関する。
より詳細には、ＭＲＩ（magnetic resonance imaging：核磁気共鳴画像法）等の、人間の脳を非侵襲にて三次元撮像を行う装置が出力する脳画像データを用いて、生体情報を収集し、解析を行う脳情報解析装置の機能として、被験者が認知症に罹患する可能性を予測する、認知症予測装置に関する。
より詳細には、ＭＲＩ（magnetic resonance imaging：核磁気共鳴画像法）等の、人間の脳を非侵襲にて三次元撮像を行う装置が出力する脳画像データを用いて、生体情報を収集し、解析を行う脳情報解析装置の機能として、被験者が認知症に罹患する可能性を予測する、認知症予測装置に関する。
【背景技術】
【0002】
元々、ＭＲＩは非侵襲にて脳を含めた内臓疾患を発見し、診断するためのツールであった。しかし、近年、ＭＲＩにて人の脳を撮影し、三次元の脳画像データを取得することが永続的に行われてきたことにより、様々な人々の脳画像データが徐々に蓄積されるようになってきた。そこで、近年の脳科学者は、脳疾患に留まらず、脳画像データから得られる情報と、人の健康との相関性を模索するようになった。
これ以降、本明細書において脳画像データから得られる情報を、脳情報と総称する。脳情報とは例えば、脳画像データを画像解析した結果得られる、脳の特定部位における灰白質の量や、脳の特定部位における神経線維の異方性等である。
これ以降、本明細書において脳画像データから得られる情報を、脳情報と総称する。脳情報とは例えば、脳画像データを画像解析した結果得られる、脳の特定部位における灰白質の量や、脳の特定部位における神経線維の異方性等である。
【0003】
特許文献１には、撮影したＭＲＩ画像から脳断面の灰白質画像を作成し、その灰白質画像を健常者の灰白質画像と比較して、脳の特定部位の萎縮を判定することで、認知症等の兆候を診断する技術が開示されている。
また、特許文献２には、脳解析情報を扱い易い値に変換し、健康の指標として使用することができる、発明者らによる脳情報解析装置と脳健康指標演算装置に関する技術が開示されている。
また、特許文献２には、脳解析情報を扱い易い値に変換し、健康の指標として使用することができる、発明者らによる脳情報解析装置と脳健康指標演算装置に関する技術が開示されている。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２００５－２３０４５６号公報
【文献】特開２０１８－３３５１６号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
脳画像データから脳の部位毎に情報を取得する方法には様々なものが存在する。どの脳情報取得方法も、得られる情報は非常に詳細である。しかし、この詳細な情報、すなわち変数の数が多いことが、データの全体の傾向を統計的に類推する、いわゆるビッグデータの解析手法には馴染まない。
【0006】
ＭＲＩ装置は高価であり、国際比較においてわが国では相対的に導入台数は多いものの、他の医療機器に比べると、さほど導入台数は多くない。また、その運用コストも安くはない。このため、ＭＲＩによる脳画像データを蓄積することは容易なことではない。したがって、現状では統計的解析の基となるデータの母数があまり多くない。一方で、脳画像データから得られる情報を変数に置き換えると、その変数の数は極めて多くなる。これは、統計的解析手法では、既知の値については正しい推定結果を出す一方で、未知の値については正しい推定結果が得られない、オーバーフィッティングという現象を引き起こす。
また、変数の数が多いことは、判断の指標が複雑になることを示す。このため、現状の詳細な脳解析情報のままでは、脳科学の専門家しかわからず、一般の人が脳の健康の指標等に利用するのには適していない。
また、変数の数が多いことは、判断の指標が複雑になることを示す。このため、現状の詳細な脳解析情報のままでは、脳科学の専門家しかわからず、一般の人が脳の健康の指標等に利用するのには適していない。
【0007】
発明者らはこのような課題を解決し、脳解析情報を扱い易い値に変換し、健康の指標として使用できる、脳情報解析装置と脳健康指標演算装置を発明した。この発明が特許文献２に開示された発明である。
【0008】
一方、特許文献１に開示されている脳疾患の診断を支援する方法及び装置は、以下に記す情報処理を実行する。
まず、入力したＭＲＩ脳画像に対して空間的なズレを補正する位置合わせを行う（ステップ１）。次に、その画像から灰白質組織を抽出する（ステップ２）。そして、第１の画像平滑化を行う（ステップ３）。更に、その画像に対して解剖学的標準化を行う（ステップ４）。次に、第２の画像平滑化を行い（ステップ５）、濃度値の補正を行い（ステップ６）、補正後の脳画像と健常者のＭＲＩ脳画像との統計的比較を行って（ステップ７）、診断結果を提供する。
まず、入力したＭＲＩ脳画像に対して空間的なズレを補正する位置合わせを行う（ステップ１）。次に、その画像から灰白質組織を抽出する（ステップ２）。そして、第１の画像平滑化を行う（ステップ３）。更に、その画像に対して解剖学的標準化を行う（ステップ４）。次に、第２の画像平滑化を行い（ステップ５）、濃度値の補正を行い（ステップ６）、補正後の脳画像と健常者のＭＲＩ脳画像との統計的比較を行って（ステップ７）、診断結果を提供する。
【0009】
特許文献１に記載の技術は、以上のような処理を通じて、健常者との違いから、脳疾患の鑑別診断を実装しているが、この方法は罹患しているか、罹患していないかの区別には適しているものの、将来罹患する可能性を予測する目的には適していない。
【0010】
本発明はかかる課題を解決し、極めて簡易な演算処理で、被験者の認知症罹患の可能性を具体的数値指標にて提示できる、認知症予測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】
【0011】
上記課題を解決するために、本発明の認知症予測装置は、被験者の脳の灰白質量の平均値に相当する値であるＧＭ－ＢＨＱ値を演算するＧＭ－ＢＨＱ値演算処理部と、ＧＭ－ＢＨＱ値演算処理部が演算出力した被験者のＧＭ－ＢＨＱ値と、ＧＭ－ＢＨＱ値演算処理部が被験者のＧＭ－ＢＨＱ値を演算した日における被験者の年齢に基づいて、被験者のＧＭ－ＢＨＱ値が、人が認知症に罹患する可能性が高いＧＭ－ＢＨＱ値である認知症ラインに到達する年齢である認知症罹患可能性年齢を演算する認知機能予測演算部と、を具備する。
【発明の効果】
【0012】
本発明により、極めて簡易な演算処理で、被験者の認知症罹患の可能性を具体的数値指標にて提示することができる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
【図面の簡単な説明】
【0013】
【図1】本発明の第一の実施形態に係る、認知症予測装置を用いて被験者に第一回目及び第二回目のＭＲＩ撮像を実施する状況を示す概略図である。
【図2】認知症予測装置のハードウェア構成を示すブロック図である。
【図3】認知症予測装置のソフトウェア機能を示すブロック図である。
【図4】認知症予測装置のソフトウェア機能によるデータの処理手順を示すブロック図である。
【図5】一人のサンプル被験者の脳画像データから算出したＧＭ－ＢＨＱと年齢と認知症ラインとの関係を示すグラフである。
【図6】本発明の第二の実施形態に係る認知症予測装置における、学習フェーズと推定フェーズを示す概略図である。
【図7】認知症予測装置のソフトウェア機能の全体構成を示すブロック図である。
【図8】各種テーブルのフィールド構成を示す表である。
【図9】認知症予測装置が計測ＢＨＱテーブルに計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値を登録する処理手順を示すブロック図である。
【図10】アンケートの一例を示す図である。
【図11】認知症予測装置の学習フェーズにおける全体の動作の流れを示すフローチャートである。
【図12】学習演算処理部のデータ処理の詳細を示すブロック図である。
【図13】推定演算処理部のデータ処理の詳細を示すブロック図である。
【発明を実施するための形態】
【0014】
発明者は、数年に渡る多数の被験者のＭＲＩ画像データと、当該被験者の健康状態に関する情報を長期間に渡って分析した結果、認知症と、特許文献２に開示したＧＭ－ＢＨＱ（Grey-Matter Brain Healthcare Quotient：灰白質量データ群の平均値）が、極めて高い相関を有することを見出した。
すなわち、発明者は、所定の期間以上空けて、被験者からＧＭ－ＢＨＱを２回取得することで、ＧＭ－ＢＨＱの値とその低下の傾きを取得した。そして、発明者は、この低下の傾きから、被験者が、いつ頃、どの程度の確率で認知症に罹患する可能性があるのかを数値で示すことができることを見出した。
すなわち、発明者は、所定の期間以上空けて、被験者からＧＭ－ＢＨＱを２回取得することで、ＧＭ－ＢＨＱの値とその低下の傾きを取得した。そして、発明者は、この低下の傾きから、被験者が、いつ頃、どの程度の確率で認知症に罹患する可能性があるのかを数値で示すことができることを見出した。
【0015】
［第一の実施形態：被験者１０２の脳をＭＲＩ装置１０３で撮影して、認知症罹患可能性を算出する認知症予測装置１０１］
図１Ａは、本発明の第一の実施形態に係る、認知症予測装置１０１を用いて被験者に第一回目のＭＲＩ撮像を実施する状況を示す概略図である。
図１Ｂは、本発明の第一の実施形態に係る、認知症予測装置１０１を用いて被験者に第二回目のＭＲＩ撮像を実施する状況を示す概略図である。
認知症予測装置１０１は、大容量の不揮発性ストレージ２０６（図２にて後述）と、所定の演算能力を備えるパソコンあるいはサーバである。
図１Ａは、本発明の第一の実施形態に係る、認知症予測装置１０１を用いて被験者に第一回目のＭＲＩ撮像を実施する状況を示す概略図である。
図１Ｂは、本発明の第一の実施形態に係る、認知症予測装置１０１を用いて被験者に第二回目のＭＲＩ撮像を実施する状況を示す概略図である。
認知症予測装置１０１は、大容量の不揮発性ストレージ２０６（図２にて後述）と、所定の演算能力を備えるパソコンあるいはサーバである。
【0016】
認知症予測装置１０１には、被験者１０２の脳をＭＲＩ装置１０３で撮影して得た、ＭＲＩ画像ファイル群１０４が入力され、データベースとして蓄積される。ＭＲＩ画像ファイル群１０４は、全て被験者１０２を一意に識別する被験者ＩＤ１０５によって紐付けされる。特に、ＭＲＩ画像ファイル群１０４を保存するために、認知症予測装置１０１には大容量の不揮発性ストレージ２０６が必要になる。
【0017】
ＭＲＩ画像ファイル群１０４は、ＭＲＩ装置１０３が被験者１０２の脳を撮影した複数の画像ファイルである。これら画像ファイルは、被験者１０２の脳を仮想的に輪切り状態にて撮影した画像ファイルであり、被験者１０２の頭頂部から首に至る迄、複数枚得られる。認知症予測装置１０１は、この複数枚の画像ファイルを用いて、被験者１０２の脳を三次元空間的に解析する。
【0018】
認知症予測装置１０１は、以下の手順で使用される。
まず、図１Ａに示すように、ＭＲＩ装置１０３は、第一ＭＲＩ撮影日１０６ａに被験者１０２の脳を撮影する。そして、ＭＲＩ装置１０３は、被験者１０２の脳を撮像した第一ＭＲＩ画像ファイル群１０４ａを出力する。
認知症予測装置１０１は、出力された第一ＭＲＩ画像ファイル群１０４ａを読み込み、所定の画像解析処理を用いて、被験者１０２の脳情報を取得する。次に、認知症予測装置１０１は、この被験者１０２の脳情報の平均値を算出して、被験者１０２の被験者ＩＤ１０５及び第一ＭＲＩ画像ファイル群１０４ａの撮影日と紐付けて、不揮発性ストレージ２０６に記憶する。
なお、脳情報の平均値は、人の健康の指標となる値であり、図３以降で詳述する。
まず、図１Ａに示すように、ＭＲＩ装置１０３は、第一ＭＲＩ撮影日１０６ａに被験者１０２の脳を撮影する。そして、ＭＲＩ装置１０３は、被験者１０２の脳を撮像した第一ＭＲＩ画像ファイル群１０４ａを出力する。
認知症予測装置１０１は、出力された第一ＭＲＩ画像ファイル群１０４ａを読み込み、所定の画像解析処理を用いて、被験者１０２の脳情報を取得する。次に、認知症予測装置１０１は、この被験者１０２の脳情報の平均値を算出して、被験者１０２の被験者ＩＤ１０５及び第一ＭＲＩ画像ファイル群１０４ａの撮影日と紐付けて、不揮発性ストレージ２０６に記憶する。
なお、脳情報の平均値は、人の健康の指標となる値であり、図３以降で詳述する。
【0019】
次に、図１Ｂに示すように、ＭＲＩ装置１０３は、第一ＭＲＩ撮影日１０６ａから所定の期間を経過した第二ＭＲＩ撮影日１０６ｂに、再び、被験者１０２の脳を撮影する。そして、ＭＲＩ装置１０３は、被験者１０２の脳を撮像した第二ＭＲＩ画像ファイル群１０４ｂを出力する。
認知症予測装置１０１は、出力された第二ＭＲＩ画像ファイル群１０４ｂを読み込み、所定の画像解析処理を用いて、被験者１０２の脳情報を取得する。次に、認知症予測装置１０１は、この被験者１０２の脳情報の平均値を算出して、被験者１０２の被験者ＩＤ１０５及び第二ＭＲＩ画像ファイル群１０４ｂの撮影日と紐付けて、不揮発性ストレージ２０６に記憶する。
なお、これ以降、第一ＭＲＩ画像ファイル群１０４ａ及び第二ＭＲＩ画像ファイル群１０４ｂを区別しないときは、ＭＲＩ画像ファイル群１０４と称する。同様に、第一ＭＲＩ撮影日１０６ａ及び第二ＭＲＩ撮影日１０６ｂを区別しないときは、ＭＲＩ撮影日１０６と称する。
認知症予測装置１０１は、出力された第二ＭＲＩ画像ファイル群１０４ｂを読み込み、所定の画像解析処理を用いて、被験者１０２の脳情報を取得する。次に、認知症予測装置１０１は、この被験者１０２の脳情報の平均値を算出して、被験者１０２の被験者ＩＤ１０５及び第二ＭＲＩ画像ファイル群１０４ｂの撮影日と紐付けて、不揮発性ストレージ２０６に記憶する。
なお、これ以降、第一ＭＲＩ画像ファイル群１０４ａ及び第二ＭＲＩ画像ファイル群１０４ｂを区別しないときは、ＭＲＩ画像ファイル群１０４と称する。同様に、第一ＭＲＩ撮影日１０６ａ及び第二ＭＲＩ撮影日１０６ｂを区別しないときは、ＭＲＩ撮影日１０６と称する。
【0020】
ここで、所定の期間は、最低で１ヶ月、好ましくは３ヶ月から半年程度の期間が適当である。一例として、図１Ａに示される第一ＭＲＩ撮影日１０６ａは、２０１９年１月１６日水曜日であり、図１Ｂに示される第二ＭＲＩ撮影日１０６ｂは、２０１９年４月２６日金曜日である。つまり、第一ＭＲＩ撮影日１０６ａから第二ＭＲＩ撮影日１０６ｂに至るまで３ヶ月が、経過した所定の期間となっている。
【0021】
次に、認知症予測装置１０１は、第一ＭＲＩ撮影日１０６ａに記憶した被験者１０２の脳情報の平均値と、第二ＭＲＩ撮影日１０６ｂに記憶した被験者１０２の脳情報の平均値を用いて、脳情報の平均値の傾きを算出する。そして認知症予測装置１０１は、脳情報の平均値の変化から、被験者１０２が何年後に、認知症に罹患する可能性があるかを示す認知機能予測データ１０７を算出する。最終的に、認知症予測装置１０１は、算出した認知機能予測データ１０７を不揮発性ストレージ２０６に記憶する他、表示部２０４（図２参照）に表示する。
【0022】
図２は、認知症予測装置１０１のハードウェア構成を示すブロック図である。
一般的なパソコンやサーバ等の電子計算機である認知症予測装置１０１は、バス２０８に接続されている、ＣＰＵ２０１、ＲＯＭ２０２、ＲＡＭ２０３、液晶ディスプレイ等の表示部２０４、キーボードやマウス等の操作部２０５、ハードディスク装置等の不揮発性ストレージ２０６、及び現在日時情報を出力するリアルタイムクロック（以下「ＲＴＣ」）２０７を備える。
一般的なパソコンやサーバ等の電子計算機である認知症予測装置１０１は、バス２０８に接続されている、ＣＰＵ２０１、ＲＯＭ２０２、ＲＡＭ２０３、液晶ディスプレイ等の表示部２０４、キーボードやマウス等の操作部２０５、ハードディスク装置等の不揮発性ストレージ２０６、及び現在日時情報を出力するリアルタイムクロック（以下「ＲＴＣ」）２０７を備える。
【0023】
バス２０８にはこの他に、ＭＲＩ画像ファイル群１０４を受け付けて、不揮発性ストレージ２０６内に形成するデータベースに登録するための、シリアルポート２０９やＮＩＣ（Network Interface Card）２１０が接続されている。不揮発性ストレージ２０６には、ＯＳと、パソコンやサーバを認知症予測装置１０１として稼働させるためのプログラムと、図３にて後述する種々のデータベースが格納されている。
なお、認知症予測装置１０１がサーバである場合、認知症予測装置１０１は、周知のクライアントサーバシステムである認知症予測システムを構成することとなる。認知症予測装置１０１をサーバで構成すると、ＮＩＣ２１０は認知症予測装置１０１に必須だが、表示部２０４と操作部２０５は必ずしも必要ではなく、シリアルポート２０９は不要である。そして、認知症予測システムを実現するためには、ネットワークを通じてサーバである認知症予測装置１０１を操作する端末が別途必要になる。
なお、認知症予測装置１０１がサーバである場合、認知症予測装置１０１は、周知のクライアントサーバシステムである認知症予測システムを構成することとなる。認知症予測装置１０１をサーバで構成すると、ＮＩＣ２１０は認知症予測装置１０１に必須だが、表示部２０４と操作部２０５は必ずしも必要ではなく、シリアルポート２０９は不要である。そして、認知症予測システムを実現するためには、ネットワークを通じてサーバである認知症予測装置１０１を操作する端末が別途必要になる。
【0024】
図３は、認知症予測装置１０１の、ソフトウェア機能を示すブロック図である。
図４は、認知症予測装置１０１のソフトウェア機能によるデータの処理手順を示すブロック図である。
図３に示すように、認知症予測装置１０１は、入出力制御部３０１、灰白質量算出部３０２、神経線維異方性算出部３０３、平均値演算部３０５及び認知機能予測演算部３０７を備える。また、認知症予測装置１０１は、脳情報テーブル３０４、計測ＢＨＱテーブル３０６及び被験者マスタ３０８を有している。
図４は、認知症予測装置１０１のソフトウェア機能によるデータの処理手順を示すブロック図である。
図３に示すように、認知症予測装置１０１は、入出力制御部３０１、灰白質量算出部３０２、神経線維異方性算出部３０３、平均値演算部３０５及び認知機能予測演算部３０７を備える。また、認知症予測装置１０１は、脳情報テーブル３０４、計測ＢＨＱテーブル３０６及び被験者マスタ３０８を有している。
【0025】
入出力制御部３０１は、図１にて説明したように、ＭＲＩ装置１０３からネットワークあるいはＵＳＢメモリ等を経由してＭＲＩ画像ファイル群１０４を受信する。また、入出力制御部３０１は、操作部２０５または図示しないバーコードリーダ等の所定の入力手段から被験者ＩＤ１０５の入力を受け付ける。
更に、入出力制御部３０１は、ＲＴＣ２０７から現在日時情報を受け取る。なお、後述する脳情報テーブル３０４及び計測ＢＨＱテーブル３０６において必要な項目は、ＭＲＩ撮影日１０６だけなので、日付さえ合っていれば、図示しない操作者が手入力にて操作部２０５から入出力制御部３０１へＭＲＩ撮影日１０６を入力してもよい。
更に、入出力制御部３０１は、ＲＴＣ２０７から現在日時情報を受け取る。なお、後述する脳情報テーブル３０４及び計測ＢＨＱテーブル３０６において必要な項目は、ＭＲＩ撮影日１０６だけなので、日付さえ合っていれば、図示しない操作者が手入力にて操作部２０５から入出力制御部３０１へＭＲＩ撮影日１０６を入力してもよい。
【0026】
灰白質量算出部３０２は、入出力制御部３０１を通じてＭＲＩ画像ファイル群１０４を読み込み、脳の特定部位における灰白質の量を示す灰白質量データ群４０１（図４参照）を算出する。灰白質量データ群４０１は、脳の１１６箇所の部位における灰白質量データの集合体である。
神経線維異方性算出部３０３は、入出力制御部３０１を通じてＭＲＩ画像ファイル群１０４を読み込み、脳の特定部位における白質を構成する神経線維の異方性の指標値を示す神経線維異方性データ群４０２（図４参照）を算出する。神経線維異方性データ群４０２は、脳の４８箇所の部位における白質を構成する神経線維の異方性の指標値の集合体である。
神経線維異方性算出部３０３は、入出力制御部３０１を通じてＭＲＩ画像ファイル群１０４を読み込み、脳の特定部位における白質を構成する神経線維の異方性の指標値を示す神経線維異方性データ群４０２（図４参照）を算出する。神経線維異方性データ群４０２は、脳の４８箇所の部位における白質を構成する神経線維の異方性の指標値の集合体である。
【0027】
但し、本発明の第一の実施形態に係る認知症予測装置１０１は、神経線維異方性データ群４０２を必ずしも必要としない。ＭＲＩ装置１０３は、神経線維異方性データを算出できるため、これによってより精度が良く認知症を推定できる可能性がある。このため、本発明の第一の実施形態に係る認知症予測装置１０１では、神経線維異方性算出部３０３を特に必要としない。したがって、神経線維異方性算出部３０３は、図４では点線で図示されている。
【0028】
なお、ＭＲＩ装置１０３の種類によっては神経線維異方性データ群４０２を取得できない安価な装置も存在する。本発明の第一の実施形態に係る認知症予測装置１０１は、そのような安価なＭＲＩ装置１０３でも実施可能である。
【0029】
図４に示すように、入出力制御部３０１は、灰白質量算出部３０２が算出した灰白質量データ群４０１と、神経線維異方性算出部３０３が算出した神経線維異方性データ群４０２と、被験者１０２の被験者ＩＤ１０５と、ＲＴＣ２０７または操作部２０５等から取得したＭＲＩ撮影日１０６を、全て脳情報テーブル３０４に登録する。
脳情報テーブル３０４は、被験者ＩＤフィールドと、ＭＲＩ撮影日フィールドと、１１６個の灰白質量データフィールドと、４８個の神経線維異方性データフィールドよりなる。
すなわち、入出力制御部３０１は、ＭＲＩ撮影日１０６、灰白質量データ群４０１及び神経線維異方性データ群４０２を、被験者１０２の被験者ＩＤ１０５に紐付けて、脳情報テーブル３０４に登録する。
脳情報テーブル３０４は、被験者ＩＤフィールドと、ＭＲＩ撮影日フィールドと、１１６個の灰白質量データフィールドと、４８個の神経線維異方性データフィールドよりなる。
すなわち、入出力制御部３０１は、ＭＲＩ撮影日１０６、灰白質量データ群４０１及び神経線維異方性データ群４０２を、被験者１０２の被験者ＩＤ１０５に紐付けて、脳情報テーブル３０４に登録する。
【0030】
なお、ＭＲＩ画像ファイル群１０４は貴重な画像データの集合体であるので、これもＭＲＩ撮影日１０６と共に被験者ＩＤ１０５に紐付けられて、大容量の不揮発性ストレージ２０６に記憶される。本発明の実施形態では、ＭＲＩ画像ファイル群１０４は、これ以降の説明では使用しないので、ＭＲＩ画像ファイル群１０４の図示及びその説明は省略する。
【0031】
脳情報テーブル３０４に格納された１１６個の灰白質量データ群４０１と、４８個の神経線維異方性データ群４０２は、入出力制御部３０１を通じてそれぞれ平均値演算部３０５に入力される。
平均値演算部３０５は、１１６個の灰白質量データ群４０１の平均値を算出する。これ以降、灰白質量データ群４０１の平均値をＧＭ－ＢＨＱ（Grey-Matter Brain Healthcare Quotient）と呼ぶ。ＧＭ－ＢＨＱは単一のスカラ値である。
同様に、平均値演算部３０５は、入出力制御部３０１を通じて４８個の神経線維異方性データ群４０２の平均値を算出する。これ以降、神経線維異方性データ群４０２の平均値をＦＡ－ＢＨＱ（fractional anisotropy Brain Healthcare Quotient）と呼ぶ。ＦＡ－ＢＨＱもＧＭ－ＢＨＱと同様、単一のスカラ値である。
但し、本発明の第一の実施形態に係る認知症予測装置１０１は、前述のように神経線維異方性データ群４０２を使用しないので、ＦＡ－ＢＨＱも使用しない。
平均値演算部３０５は、１１６個の灰白質量データ群４０１の平均値を算出する。これ以降、灰白質量データ群４０１の平均値をＧＭ－ＢＨＱ（Grey-Matter Brain Healthcare Quotient）と呼ぶ。ＧＭ－ＢＨＱは単一のスカラ値である。
同様に、平均値演算部３０５は、入出力制御部３０１を通じて４８個の神経線維異方性データ群４０２の平均値を算出する。これ以降、神経線維異方性データ群４０２の平均値をＦＡ－ＢＨＱ（fractional anisotropy Brain Healthcare Quotient）と呼ぶ。ＦＡ－ＢＨＱもＧＭ－ＢＨＱと同様、単一のスカラ値である。
但し、本発明の第一の実施形態に係る認知症予測装置１０１は、前述のように神経線維異方性データ群４０２を使用しないので、ＦＡ－ＢＨＱも使用しない。
【0032】
入出力制御部３０１は、平均値演算部３０５が算出した計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値を、被験者１０２の被験者ＩＤ１０５と、ＭＲＩ撮影日１０６と共に、計測ＢＨＱテーブル３０６に登録する。
計測ＢＨＱテーブル３０６は、被験者ＩＤフィールド、ＭＲＩ撮影日フィールド、計測ＧＭ－ＢＨＱフィールド、及び計測ＦＡ－ＢＨＱフィールドよりなる。すなわち、ＭＲＩ撮影日１０６、計測ＧＭ－ＢＨＱ値、及び計測ＦＡ－ＢＨＱ値は、被験者１０２の被験者ＩＤ１０５に紐付けられて、計測ＢＨＱテーブル３０６に登録される。
計測ＢＨＱテーブル３０６は、被験者ＩＤフィールド、ＭＲＩ撮影日フィールド、計測ＧＭ－ＢＨＱフィールド、及び計測ＦＡ－ＢＨＱフィールドよりなる。すなわち、ＭＲＩ撮影日１０６、計測ＧＭ－ＢＨＱ値、及び計測ＦＡ－ＢＨＱ値は、被験者１０２の被験者ＩＤ１０５に紐付けられて、計測ＢＨＱテーブル３０６に登録される。
【0033】
すなわち、入出力制御部３０１は、ＭＲＩ撮影日１０６と計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値を、被験者の被験者ＩＤに紐付けて、計測ＢＨＱテーブル３０６に登録する。
なお、これ以降、平均値演算部３０５が算出するＧＭ－ＢＨＱを、計測ＧＭ－ＢＨＱ値と呼ぶ。この計測ＧＭ－ＢＨＱ値は、ＭＲＩ装置１０３が出力するＭＲＩ画像ファイル群１０４（脳画像データ）に対する計測に基づくＧＭ－ＢＨＱの値である。
なお、これ以降、平均値演算部３０５が算出するＧＭ－ＢＨＱを、計測ＧＭ－ＢＨＱ値と呼ぶ。この計測ＧＭ－ＢＨＱ値は、ＭＲＩ装置１０３が出力するＭＲＩ画像ファイル群１０４（脳画像データ）に対する計測に基づくＧＭ－ＢＨＱの値である。
【0034】
計測ＢＨＱテーブル３０６に、ある被験者１０２について第一ＭＲＩ撮影日１０６ａのレコードと第二ＭＲＩ撮影日１０６ｂのレコードが揃うと、認知機能予測演算部３０７は、以下に記す演算処理を実行することができる。
まず、認知機能予測演算部３０７は、被験者１０２の計測ＧＭ－ＢＨＱ値の変動を１次関数とみなして、被験者１０２の計測ＧＭ－ＢＨＱ値の傾きを演算する。具体的には、認知機能予測演算部３０７は、第一ＭＲＩ撮影日１０６ａと第二ＭＲＩ撮影日１０６ｂの経過期間と、第一ＭＲＩ撮影日１０６ａにおける計測ＧＭ－ＢＨＱ値から、計測ＧＭ－ＢＨＱ値の傾きを算出する。
まず、認知機能予測演算部３０７は、被験者１０２の計測ＧＭ－ＢＨＱ値の変動を１次関数とみなして、被験者１０２の計測ＧＭ－ＢＨＱ値の傾きを演算する。具体的には、認知機能予測演算部３０７は、第一ＭＲＩ撮影日１０６ａと第二ＭＲＩ撮影日１０６ｂの経過期間と、第一ＭＲＩ撮影日１０６ａにおける計測ＧＭ－ＢＨＱ値から、計測ＧＭ－ＢＨＱ値の傾きを算出する。
【0035】
計測ＧＭ－ＢＨＱ値の傾きをＣ、第一ＭＲＩ撮影日１０６ａをＤ１、第二ＭＲＩ撮影日１０６ｂをＤ２、第一ＭＲＩ撮影日１０６ａの計測ＧＭ－ＢＨＱ値をＧ１、第二ＭＲＩ撮影日１０６ｂの計測ＧＭ－ＢＨＱ値をＧ２とすると、以下の式が成立する。認知機能予測演算部３０７は、以下の式を演算して、計測ＧＭ－ＢＨＱ値の傾きＣを算出する。
Ｃ＝（Ｇ２－Ｇ１）÷（Ｄ２－Ｄ１） （式１）
Ｃ＝（Ｇ２－Ｇ１）÷（Ｄ２－Ｄ１） （式１）
【0036】
人の計測ＧＭ－ＢＨＱ値が低下して認知症に罹患する可能性が高い計測ＧＭ－ＢＨＱ値を認知症ラインとする。認知機能予測演算部３０７は、第二ＭＲＩ撮影日１０６ｂにおける計測ＧＭ－ＢＨＱ値及び被験者１０２の年齢を基準にして、被験者１０２の計測ＧＭ－ＢＨＱ値が認知症ラインに至るまで低下する年齢、すなわち認知症に罹患する可能性が高いと思われる年齢を算出する。この時、認知機能予測演算部３０７は、被験者１０２の第二ＭＲＩ撮影日１０６ｂの時点における年齢を取得するため、被験者マスタ３０８から、被験者１０２の生年月日を読み込み、被験者１０２の第二ＭＲＩ撮影日１０６ｂの時点における年齢を算出する。
【0037】
被験者マスタ３０８は、被験者ＩＤフィールドと、被験者氏名フィールドと、被験者生年月日フィールドと、その他フィールドを有する。認知機能予測演算部３０７は、被験者１０２の被験者ＩＤで被験者マスタ３０８を検索し、ヒットしたレコードの被験者生年月日フィールドから被験者１０２の生年月日を読み取り、被験者１０２の第二ＭＲＩ撮影日１０６ｂの時点における年齢を計算する。
【0038】
被験者が認知症に罹患する可能性が高いと思われる年齢（以下「認知症罹患可能性年齢」）をＹＤ２、認知症ラインの計測ＧＭ－ＢＨＱ値をＧＢ、第二ＭＲＩ撮影日１０６ｂの被験者年齢をＹＰ２とすると、以下の式が成立する。認知機能予測演算部３０７は、以下の式を演算して、認知症罹患可能性年齢ＹＤ２を算出する。
ＹＤ２＝｛（ＧＢ－Ｇ２）÷Ｃ｝＋ＹＰ２ （式２）
ＹＤ２＝｛（ＧＢ－Ｇ２）÷Ｃ｝＋ＹＰ２ （式２）
【0039】
入出力制御部３０１は、認知機能予測演算部３０７が算出した、第一ＭＲＩ撮影日１０６ａの計測ＧＭ－ＢＨＱ値であるＧ１、第二ＭＲＩ撮影日１０６ｂの計測ＧＭ－ＢＨＱ値であるＧ２、第二ＭＲＩ撮影日１０６ｂの被験者年齢ＹＰ２及び認知症罹患可能性年齢ＹＤ２を認知機能予測データ１０７とし、これらの値を基にグラフを作成して、表示部２０４に表示する。また入出力制御部３０１は、作成した認知機能予測データ１０７を不揮発性ストレージ２０６にファイルとして記憶する。
【0040】
図５は、一人のサンプル被験者の脳画像データ（ＭＲＩ画像ファイル群１０４）から算出した計測ＧＭ－ＢＨＱ値と年齢と認知症ラインとの関係を示すグラフである。このグラフは、認知機能予測演算部３０７が算出したＧ１、Ｇ２、ＹＰ２及びＹＤ２よりなる認知機能予測データ１０７を基に、入出力制御部３０１がグラフを作成して、表示部２０４に表示するものでもある。
グラフ中、横軸が年齢で、縦軸が計測ＧＭ－ＢＨＱ値である。このグラフは、発明者が本発明の第一の実施形態に係る認知症予測装置１０１を完成するに至った、多数の被験者１０２の脳画像データを解析した結果である。
グラフ中、横軸が年齢で、縦軸が計測ＧＭ－ＢＨＱ値である。このグラフは、発明者が本発明の第一の実施形態に係る認知症予測装置１０１を完成するに至った、多数の被験者１０２の脳画像データを解析した結果である。
【0041】
本発明に関わる調査は、国の公的研究機関及び国立大学法人（理化学研究所、京都大学、東京大学、島根大学）の倫理委員会によって承認されたものであり、これらの研究機関の規則及びガイドラインに従って実施された。全ての参加者から、参加前に文書による同意を得て行った。
全てのＭＲＩ画像データは、国の公的研究機関及び国立大学法人（理化学研究所、京都大学、東京大学、島根大学）で３２チャンネルのヘッド・アレイ・コイルを用いて、３Ｔシーメンス・スキャナを使用して収集された。
全てのＭＲＩ画像データは、国の公的研究機関及び国立大学法人（理化学研究所、京都大学、東京大学、島根大学）で３２チャンネルのヘッド・アレイ・コイルを用いて、３Ｔシーメンス・スキャナを使用して収集された。
【0042】
発明者は、計測ＧＭ－ＢＨＱ値の基となる灰白質質量データを取得するために、構造ＭＲＩ（ｓＭＲＩ）を用いて、三次元磁化準備高速グラディエント・エコー（ＭＰＲＡＧＥ）画像を取得した。また、発明者は、画像データから灰白質のみをピクセルの濃度範囲を指定することで抽出し、ＤＡＲＴＥＬ（diffeomorphic anatomical registration through exponentiated Lie algebra）による標準化を施した。そして、発明者は、得られた画像に積分による平滑化処理を施した後、被験者１０２の頭蓋内容積で除算をすることで、脳の容積の個人差を打ち消して、最終的な灰白質量データを取得した。
【0043】
図５のグラフを見ると、年齢と計測ＧＭ－ＢＨＱ値は比較的急峻な負の比例関係にあることが判る。計測ＧＭ－ＢＨＱ値の相関係数Ｒは０．６１であった。
図５中、線Ｌ５０１は、計測ＧＭ－ＢＨＱ値の年齢別平均値である。線Ｌ５０２は、計測ＧＭ－ＢＨＱ値の年齢別上限値である。線Ｌ５０３は、計測ＧＭ－ＢＨＱ値の年齢別下限値である。計測ＧＭ－ＢＨＱ値は、４０歳では１０６±７であり、５０歳では１００±７であり、６０歳では９４±８である。
図５中、線Ｌ５０１は、計測ＧＭ－ＢＨＱ値の年齢別平均値である。線Ｌ５０２は、計測ＧＭ－ＢＨＱ値の年齢別上限値である。線Ｌ５０３は、計測ＧＭ－ＢＨＱ値の年齢別下限値である。計測ＧＭ－ＢＨＱ値は、４０歳では１０６±７であり、５０歳では１００±７であり、６０歳では９４±８である。
【0044】
図５のグラフから明らかなように、計測ＧＭ－ＢＨＱ値は、被験者１０２の年齢と有意な相関関係が認められる。また、グラフにはあまり現れていないが、加齢と共に計測ＧＭ－ＢＨＱ値のばらつきが大きくなる傾向がある。
言い換えると、人は加齢と共に脳の灰白質量が減少することが、このグラフから判る。
そして、ＧＭ－ＢＨＱが７８±１０迄減少すると、認知症に罹患する確率が極めて増大することが、発明者の調査により判明した。具体的には、認知症に罹患した被験者１０２のＧＭ－ＢＨＱは７８±１０であり、健常者のＧＭ－ＢＨＱは９６±８であった。しかし、認知症に罹患した被験者１０２の年齢は概ね７６±６歳であり、健常者の年齢は概ね７５±６歳であって、年齢的にはあまり差が出ていないことが分かった。
言い換えると、人は加齢と共に脳の灰白質量が減少することが、このグラフから判る。
そして、ＧＭ－ＢＨＱが７８±１０迄減少すると、認知症に罹患する確率が極めて増大することが、発明者の調査により判明した。具体的には、認知症に罹患した被験者１０２のＧＭ－ＢＨＱは７８±１０であり、健常者のＧＭ－ＢＨＱは９６±８であった。しかし、認知症に罹患した被験者１０２の年齢は概ね７６±６歳であり、健常者の年齢は概ね７５±６歳であって、年齢的にはあまり差が出ていないことが分かった。
【0045】
このＧＭ－ＢＨＱが７８という値が、認知症ラインＬ５０４といえる。
更に、ＧＭ－ＢＨＱの年齢別下限値である線Ｌ５０３と認知症ラインＬ５０４の交わる年齢が、認知症罹患の可能性が生じる平均年齢Ｖ５０６であると考えられる。但し、平均年齢Ｖ５０６はあくまでも平均値であり、当然に個人差は存在する。その個人差を推測する有力な手段の一つが、発明者が見出したＧＭ－ＢＨＱである。
更に、ＧＭ－ＢＨＱの年齢別下限値である線Ｌ５０３と認知症ラインＬ５０４の交わる年齢が、認知症罹患の可能性が生じる平均年齢Ｖ５０６であると考えられる。但し、平均年齢Ｖ５０６はあくまでも平均値であり、当然に個人差は存在する。その個人差を推測する有力な手段の一つが、発明者が見出したＧＭ－ＢＨＱである。
【0046】
図５のグラフは、一人のサンプル被験者の計測ＧＭ－ＢＨＱ値をプロットしている。このサンプル被験者の計測ＧＭ－ＢＨＱ値の計測結果である線Ｌ５０５を見ると、この線Ｌ５０５の傾きを延長すると、概ね６０歳後半で認知症ラインＬ５０４に到達し、認知症に罹患する可能性が高まると推測される。
【0047】
なお、前述のとおり、計測ＧＭ－ＢＨＱ値を計測する期間は、最低３ヶ月、好ましくは半年から１年と記した。そして、計測ＧＭ－ＢＨＱ値を計測する期間は、５年を超えて開き過ぎても、被験者１０２の認知症罹患可能性を正しく推測することが難しくなる。何故ならば、計測ＧＭ－ＢＨＱ値は数ヶ月単位で変動が検出できることから、５年を超えるとその間に生じる計測ＧＭ－ＢＨＱ値の変動状態が平準化されてしまい、被験者１０２の生活環境に起因する計測ＧＭ－ＢＨＱ値の変動要因を推測し辛くなるからである。
【0048】
また、認知症罹患可能性を推測するには、被験者１０２の現在の生活環境から起因する計測ＧＭ－ＢＨＱ値を見るために、最新の計測ＧＭ－ＢＨＱ値から最低３ヶ月、好ましくは半年から１年程度の値を用いて、計測ＧＭ－ＢＨＱ値の傾きを決定することが好ましい。
【0049】
［第一の実施形態：変形例：認知症予測装置１０１］
以上説明した第一の実施形態に係る認知症予測装置１０１は、被験者の計測ＧＭ－ＢＨＱ値の減少傾向を１次関数と見做して、被験者の認知症罹患可能性年齢を推測演算する。このため、この演算方法では、被験者に対するＭＲＩ撮影を２回実施しなければ、被験者の認知症罹患可能性年齢を推測することができない。このことは、第一回目のＭＲＩ撮影の時点では、医師等が被験者に対して、被験者が認知症に罹患する可能性が高い年齢を推測し、認知症罹患可能性年齢を引き伸ばすための生活改善アドバイス等の診療行為を実施することができないことを意味する。
以上説明した第一の実施形態に係る認知症予測装置１０１は、被験者の計測ＧＭ－ＢＨＱ値の減少傾向を１次関数と見做して、被験者の認知症罹患可能性年齢を推測演算する。このため、この演算方法では、被験者に対するＭＲＩ撮影を２回実施しなければ、被験者の認知症罹患可能性年齢を推測することができない。このことは、第一回目のＭＲＩ撮影の時点では、医師等が被験者に対して、被験者が認知症に罹患する可能性が高い年齢を推測し、認知症罹患可能性年齢を引き伸ばすための生活改善アドバイス等の診療行為を実施することができないことを意味する。
【0050】
脳神経外科等の医療現場において、医師が患者または被験者に対し、認知症に罹患する可能性が高い年齢を推測して、認知症罹患可能性年齢を引き伸ばすための生活改善アドバイス等の診療行為を実施する為には、第一回目のＭＲＩ撮影の時点で、患者または被験者の大雑把な認知症罹患可能性年齢を推測できることが望ましい。そこで、第一回目のＭＲＩ撮影の時点では、被験者の計測ＧＭ－ＢＨＱ値の減少傾向を１次関数と見做して、傾きを計測ＧＭ－ＢＨＱ値の減少傾向の平均値に設定する。
【0051】
図５において人の平均的な計測ＧＭ－ＢＨＱ値の減少傾向が示されている。発明者が多くの被験者のデータから算出したところ、－０．５という傾きの平均値が得られた。そこで、この傾きの平均値を、第一回目のＭＲＩ撮影の時点における患者または被験者の大雑把な認知症罹患可能性年齢の算出に利用する。
【0052】
認知症罹患可能性年齢をＹＤ１、認知症ラインの計測ＧＭ－ＢＨＱ値をＧＢ、第一ＭＲＩ撮影日１０６ａの被験者年齢をＹＰ１とすると、以下の式が成立する。認知機能予測演算部３０７は、以下の式において傾きＣに適切な傾きの平均値を代入した上で演算して、第一回目のＭＲＩ撮影における認知症罹患可能性年齢ＹＤ１を算出する。
ＹＤ１＝｛（ＧＢ－Ｇ２）÷Ｃ｝＋ＹＰ１ （式３）
ＹＤ１＝｛（ＧＢ－Ｇ２）÷Ｃ｝＋ＹＰ１ （式３）
【0053】
以上を踏まえて、実際の現場において、医師が被験者１０２の脳をＭＲＩ装置１０３で撮影して、被験者１０２の認知症罹患可能性年齢を報告することを考えると、医師は認知症予測装置１０１を用いて、以下のような手順を踏むこととなる。
（１）医師は、被験者１０２に第一回目のＭＲＩ撮影を実施する。認知症予測装置１０１は、第一回目のＭＲＩ撮影の時点で得られた計測ＧＭ－ＢＨＱ値に基づき、上記の式３を用いて、被験者１０２の認知症罹患可能性年齢を算出する。そして医師は被験者１０２に認知症罹患可能性年齢を報告すると共に、生活習慣の改善を指導する。
（２）被験者１０２は、医師に指導された内容に従い、日々の生活の中で生活習慣の改善を実施する。
（３）半年～１年後、医師は再び、被験者１０２に第二回目のＭＲＩ撮影を実施する。認知症予測装置１０１は、第一回目のＭＲＩ撮影の時点の計測ＧＭ－ＢＨＱ値と、第二回目のＭＲＩ撮影の時点の計測ＧＭ－ＢＨＱ値に基づき、上記の式１及び式２を用いて、被験者１０２の認知症罹患可能性年齢を改めて算出する。そして医師は被験者１０２に認知症罹患可能性年齢を報告すると共に、前回と比べて改善されたか否かも報告する。
（１）医師は、被験者１０２に第一回目のＭＲＩ撮影を実施する。認知症予測装置１０１は、第一回目のＭＲＩ撮影の時点で得られた計測ＧＭ－ＢＨＱ値に基づき、上記の式３を用いて、被験者１０２の認知症罹患可能性年齢を算出する。そして医師は被験者１０２に認知症罹患可能性年齢を報告すると共に、生活習慣の改善を指導する。
（２）被験者１０２は、医師に指導された内容に従い、日々の生活の中で生活習慣の改善を実施する。
（３）半年～１年後、医師は再び、被験者１０２に第二回目のＭＲＩ撮影を実施する。認知症予測装置１０１は、第一回目のＭＲＩ撮影の時点の計測ＧＭ－ＢＨＱ値と、第二回目のＭＲＩ撮影の時点の計測ＧＭ－ＢＨＱ値に基づき、上記の式１及び式２を用いて、被験者１０２の認知症罹患可能性年齢を改めて算出する。そして医師は被験者１０２に認知症罹患可能性年齢を報告すると共に、前回と比べて改善されたか否かも報告する。
【0054】
以上説明したように、本発明の第一の実施形態に係る認知症予測装置１０１は、被験者に対する第一回目のＭＲＩ撮影の時点で認知機能予測演算部３０７が式３を実行することで、平均的な認知症罹患可能性年齢を算出し、被験者に対する第二回目のＭＲＩ撮影の時点で認知機能予測演算部３０７が式１と式２を実行することでより精緻な認知症罹患可能性年齢を算出することができる。
【0055】
以上説明した認知症予測装置１０１は、被験者の計測ＧＭ－ＢＨＱ値の変化を１次関数と見做して、認知症罹患可能性年齢を算出した。周知のように、任意の事象における値が３個以上得られると、関数フィッティング（曲線近似）が可能になる。計測ＧＭ－ＢＨＱ値も同様であり、被験者から計測する計測ＧＭ－ＢＨＱ値が３個以上得られると、曲線近似を用いて、１次関数より高度な認知症罹患可能性年齢の推測演算をしてもよい。関数フィッティングの例としては、加重平均、シグモイド関数、重回帰分析等、様々な手法が考えられる。
【0056】
［第二の実施形態：被験者１０２の生活環境アンケート結果に基づいてＧＭ－ＢＨＱを推定することで、認知症罹患可能性を算出する認知症予測装置６０１］
本発明の第一の実施形態に係る認知症予測装置１０１は、被験者の脳をＭＲＩ装置１０３で撮影し、得られたＭＲＩ画像ファイル群１０４を用いて計測ＧＭ－ＢＨＱ値を算出する。そして認知症予測装置１０１は、計測ＧＭ－ＢＨＱ値とその傾きから、被験者の認知症予測演算を行う。
本発明の第一の実施形態に係る認知症予測装置１０１は、被験者の脳をＭＲＩ装置１０３で撮影し、得られたＭＲＩ画像ファイル群１０４を用いて計測ＧＭ－ＢＨＱ値を算出する。そして認知症予測装置１０１は、計測ＧＭ－ＢＨＱ値とその傾きから、被験者の認知症予測演算を行う。
【0057】
しかし、ＭＲＩ装置１０３の運用費用は高額であり、気軽に実施できるものではない。
一方、発明者によるこれまでの研究により、被験者の計測ＧＭ－ＢＨＱ値及びＦＡ－ＢＨＱ値と、被験者の心身の健康状態は高い相関関係を有することが判明している。そこで、発明者は、被験者の心身の健康状態を分析するために、「生活環境アンケート」を作成し、被験者に回答して貰うことにした。このアンケート回答から、被験者のＧＭ－ＢＨＱ値及びＦＡ－ＢＨＱ値を推定することが可能であることが分かった。アンケート回答からＧＭ－ＢＨＱ値を推定できるということは、ＭＲＩ装置１０３を使わなくても、被験者の認知症罹患可能性を推定することが可能であることを意味する。
一方、発明者によるこれまでの研究により、被験者の計測ＧＭ－ＢＨＱ値及びＦＡ－ＢＨＱ値と、被験者の心身の健康状態は高い相関関係を有することが判明している。そこで、発明者は、被験者の心身の健康状態を分析するために、「生活環境アンケート」を作成し、被験者に回答して貰うことにした。このアンケート回答から、被験者のＧＭ－ＢＨＱ値及びＦＡ－ＢＨＱ値を推定することが可能であることが分かった。アンケート回答からＧＭ－ＢＨＱ値を推定できるということは、ＭＲＩ装置１０３を使わなくても、被験者の認知症罹患可能性を推定することが可能であることを意味する。
【0058】
これより説明する本発明の第二の実施形態に係る認知症予測装置６０１は、学習フェーズにおいて、第一被験者６０２の脳をＭＲＩ装置１０３で撮影して取得する計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値と、生活環境アンケート結果を教師あり学習アルゴリズムにて学習する。その後、認知症予測装置６０１は推定フェーズにおいて、第二被験者に生活環境アンケート結果を所定期間空けて回答して貰う。そして認知症予測装置６０１は、それら回答から教師あり学習アルゴリズムにて推定して、推定ＧＭ－ＢＨＱ値を取得する。そして、推定ＧＭ－ＢＨＱ値に基づいて認知症罹患可能性を計算する。
【0059】
図６Ａは、本発明の第二の実施形態に係る認知症予測装置６０１における、学習フェーズを示す概略図である。
図６Ｂは、本発明の第二の実施形態に係る認知症予測装置６０１における、推定フェーズを示す概略図である。
図６Ｂは、本発明の第二の実施形態に係る認知症予測装置６０１における、推定フェーズを示す概略図である。
【0060】
まず、ＭＲＩ装置１０３は、ＭＲＩ撮影日１０６に第一被験者６０２の脳を撮影して、ＭＲＩ画像ファイル群１０４を出力する。
認知症予測装置６０１は、第一被験者６０２のＭＲＩ画像ファイル群１０４と、生活環境アンケート結果６０３を取り込み、学習処理を行う。その結果、近似関数パラメータ６０４が生成され、または更新される。
認知症予測装置６０１は、大容量の不揮発性ストレージ２０６と、所定の演算能力を備えるパソコンあるいはサーバである。
認知症予測装置６０１は、第一被験者６０２のＭＲＩ画像ファイル群１０４と、生活環境アンケート結果６０３を取り込み、学習処理を行う。その結果、近似関数パラメータ６０４が生成され、または更新される。
認知症予測装置６０１は、大容量の不揮発性ストレージ２０６と、所定の演算能力を備えるパソコンあるいはサーバである。
【0061】
認知症予測装置６０１には、第一被験者６０２の脳をＭＲＩ装置１０３で撮影して得たＭＲＩ画像ファイル群１０４が入力され、データベースとして蓄積される。ＭＲＩ画像ファイル群１０４は、全ての第一被験者６０２を一意に識別する被験者ＩＤによって紐付けされる。特に、ＭＲＩ画像ファイル群１０４を保存するために、認知症予測装置６０１には大容量の不揮発性ストレージ２０６が必要になる。
【0062】
ＭＲＩ画像ファイル群１０４は、ＭＲＩ装置１０３が第一被験者６０２の脳を撮影した複数の画像ファイルである。これら画像ファイルは、第一被験者６０２の脳を仮想的に輪切り状態にて撮影した画像ファイルであり、第一被験者６０２の頭頂部から首に至る迄、複数枚得られる。認知症予測装置６０１は、この、複数枚の画像ファイルを用いて、第一被験者６０２の脳を三次元空間的に解析する。
【0063】
本発明の第二の実施形態に係る認知症予測装置６０１は、本発明の第一の実施形態に係る認知症予測装置１０１と同様に、第一被験者６０２の脳をＭＲＩ装置１０３で撮像したＭＲＩ画像ファイル群１０４に基づいて、特許文献２に開示される、二種類の脳情報の平均値である計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値を算出する。
【0064】
そしてＭＲＩ撮影日１０６と同日（殆どの場合、ＭＲＩ撮影の待ち時間）に、図示しない認知症予測装置６０１の操作者あるいは補助者は、第一被験者６０２に対し、生活環境アンケート（図１０参照）を実施する。そして、図示しない操作者は、認知症予測装置６０１に、第一被験者６０２におけるアンケートの回答内容である生活環境アンケート結果６０３を、全ての項目毎にデータとして入力する。
【0065】
図示しない操作者は、複数の第一被験者６０２に対し、上述のＭＲＩ撮影と生活環境アンケートを実施し、得られたそれらデータ群を認知症予測装置６０１に入力して蓄積する。そして、図示しない操作者は、認知症予測装置６０１に対して学習処理を実行すると、認知症予測装置６０１は、近似関数パラメータ６０４を生成または更新する。すると、認知症予測装置６０１は、近似関数パラメータ６０４を用いて、生活環境アンケートの回答内容を読み込むと、当該生活環境アンケートの回答者のＧＭ－ＢＨＱ及びＦＡ－ＢＨＱを推定する。この機能が、次の図６Ｂで説明する、認知症予測装置６０１の推定フェーズである。
【0066】
図６Ｂは、本発明の第二の実施形態に係る認知症予測装置６０１の、推定フェーズを示す概略図である。
図６Ａの時点とは異なる第二被験者６０５は、第一アンケート受付日６０６において、図示しない操作者あるいは補助者の指示に従い、第一回目の生活環境アンケートに回答し、第一日程生活環境アンケート結果６０７を作成する。
次に、第一アンケート受付日６０６から所定の期間が経過したら、第二被験者６０５は第二アンケート受付日６０８において、図示しない操作者あるいは補助者の指示に従い、第二回目の生活環境アンケートに回答し、第二日程生活環境アンケート結果６０９を作成する。
図６Ａの時点とは異なる第二被験者６０５は、第一アンケート受付日６０６において、図示しない操作者あるいは補助者の指示に従い、第一回目の生活環境アンケートに回答し、第一日程生活環境アンケート結果６０７を作成する。
次に、第一アンケート受付日６０６から所定の期間が経過したら、第二被験者６０５は第二アンケート受付日６０８において、図示しない操作者あるいは補助者の指示に従い、第二回目の生活環境アンケートに回答し、第二日程生活環境アンケート結果６０９を作成する。
【0067】
図示しない操作者は、認知症予測装置６０１に、第二被験者６０５の、第一アンケート受付日６０６における第一日程生活環境アンケート結果６０７と、第二アンケート受付日６０８における第二日程生活環境アンケート結果６０９を入力する。そして図示しない操作者は、認知症予測装置６０１を操作して、近似関数パラメータ６０４を用いて推定処理を行わせる。その結果、認知症予測装置６０１は、第二被験者６０５の第一日程生活環境アンケート結果６０７に対応する第一の推定ＢＨＱと、第二日程生活環境アンケート結果６０９に対応する第二の推定ＢＨＱを出力する。
【0068】
第一の推定ＢＨＱは、第二被験者６０５の第一日程生活環境アンケート結果６０７に基づく第一推定ＧＭ－ＢＨＱ値と、第一推定ＦＡ－ＢＨＱ値の組である。
第二の推定ＢＨＱは、第二被験者６０５の第二日程生活環境アンケート結果６０９に基づく第二推定ＧＭ－ＢＨＱ値と、第二推定ＦＡ－ＢＨＱ値の組である。
第二の推定ＢＨＱは、第二被験者６０５の第二日程生活環境アンケート結果６０９に基づく第二推定ＧＭ－ＢＨＱ値と、第二推定ＦＡ－ＢＨＱ値の組である。
【0069】
認知症予測装置６０１は、この推定演算処理で得られた第一推定ＧＭ－ＢＨＱ値と第二推定ＧＭ－ＢＨＱ値に基づいて、認知症予測演算処理を実行する。
認知症予測装置６０１は、被験者１０２の、第一アンケート受付日６０６における第一推定ＧＭ－ＢＨＱ値と、第二アンケート受付日６０８における第二推定ＧＭ－ＢＨＱ値を用いて、推定ＧＭ－ＢＨＱ値の傾きを算出する。そして認知症予測装置６０１は、推定ＧＭ－ＢＨＱ値の変化から、被験者１０２が何年後に、認知症に罹患するのかを示す可能性を示す、認知機能予測データ６１０を算出する。最終的に、認知症予測装置６０１は、算出した認知機能予測データ６１０を不揮発性ストレージ２０６に記憶する他、表示部２０４に表示する。
認知症予測装置６０１は、被験者１０２の、第一アンケート受付日６０６における第一推定ＧＭ－ＢＨＱ値と、第二アンケート受付日６０８における第二推定ＧＭ－ＢＨＱ値を用いて、推定ＧＭ－ＢＨＱ値の傾きを算出する。そして認知症予測装置６０１は、推定ＧＭ－ＢＨＱ値の変化から、被験者１０２が何年後に、認知症に罹患するのかを示す可能性を示す、認知機能予測データ６１０を算出する。最終的に、認知症予測装置６０１は、算出した認知機能予測データ６１０を不揮発性ストレージ２０６に記憶する他、表示部２０４に表示する。
【0070】
第一被験者６０２は、認知症予測装置６０１の学習フェーズにおいて、学習用データを提供するための被験者である。このため、第一被験者６０２は、ＭＲＩ装置１０３にてＭＲＩ撮影が行われると共に、アンケートに回答して生活環境アンケート結果６０３を作成する。そして、認知症予測装置６０１は公知の学習アルゴリズムの中から最適な教師有り学習を選択し、実行する。このため、認知症予測装置６０１は、推定精度を高めるために多人数の第一被験者６０２が必要である。認知症予測装置６０１は、多数の第一被験者６０２の学習データに基づいて推定演算処理を実現する。
これに対し、第二被験者６０５は、認知症予測装置６０１の推定フェーズにおいて、アンケートの内容からＢＨＱ値を推定し、更に認知症に罹患する可能性を演算するための対象被験者である。
これに対し、第二被験者６０５は、認知症予測装置６０１の推定フェーズにおいて、アンケートの内容からＢＨＱ値を推定し、更に認知症に罹患する可能性を演算するための対象被験者である。
【0071】
認知症予測装置６０１は、予め学習フェーズにて、認知症予測装置６０１自身に多数の第一被験者６０２の計測ＧＭ－ＢＨＱ値と生活環境アンケート結果６０３を学習させることで、近似関数パラメータ６０４を生成・更新する。
そして、認知症予測装置６０１は、ＭＲＩ装置１０３を用いて被験者の脳を撮影しないで、推定フェーズにて、被験者に生活環境アンケートを回答して貰い、その回答を用いてＧＭ－ＢＨＱ値を推定する。これにより、認知症予測装置６０１は、第一の実施形態に係る認知症予測装置１０１と同様の、認知機能予測データ６１０を演算して出力することができる。
因みに、図６Ｂは、第一の実施形態における図１に対応している。
そして、認知症予測装置６０１は、ＭＲＩ装置１０３を用いて被験者の脳を撮影しないで、推定フェーズにて、被験者に生活環境アンケートを回答して貰い、その回答を用いてＧＭ－ＢＨＱ値を推定する。これにより、認知症予測装置６０１は、第一の実施形態に係る認知症予測装置１０１と同様の、認知機能予測データ６１０を演算して出力することができる。
因みに、図６Ｂは、第一の実施形態における図１に対応している。
【0072】
［第二の実施形態：認知症予測装置６０１：ソフトウェア機能］
本発明の第二の実施形態に係る認知症予測装置６０１のハードウェア構成は、本発明の第一の実施形態に係る認知症予測装置１０１のハードウェア構成と同一である。すなわち、認知症予測装置６０１のハードウェア構成は、図２と同一であるので、図示及び説明を省略する。
図７は、認知症予測装置６０１のソフトウェア機能の全体構成を示すブロック図である。なお、図７に示すブロック図の、図３と同一の機能ブロックについては、同一の符号を付して説明を省略する。
本発明の第二の実施形態に係る認知症予測装置６０１のハードウェア構成は、本発明の第一の実施形態に係る認知症予測装置１０１のハードウェア構成と同一である。すなわち、認知症予測装置６０１のハードウェア構成は、図２と同一であるので、図示及び説明を省略する。
図７は、認知症予測装置６０１のソフトウェア機能の全体構成を示すブロック図である。なお、図７に示すブロック図の、図３と同一の機能ブロックについては、同一の符号を付して説明を省略する。
【0073】
入出力制御部７０１には、ＭＲＩ画像ファイル群７０２とアンケート回答群７０３が入力される。アンケート回答群７０３は、生活環境アンケート結果６０３、第一日程生活環境アンケート結果６０７及び第二日程生活環境アンケート結果６０９を含む。入力の手段としては、操作部２０５やシリアルポート２０９等、様々な入力装置が利用可能である。
入出力制御部７０１は、データ処理及び演算機能として、灰白質量算出部３０２、神経線維異方性算出部３０３、学習演算処理部７０４、推定演算処理部７０５、平均値演算部３０５、及び認知機能予測演算部３０７とのデータの授受が可能になっている。
入出力制御部７０１は、被験者マスタ７０６、脳情報テーブル３０４、計測ＢＨＱテーブル７０７、近似関数パラメータ６０４、アンケートテーブル７０８、及び推定ＢＨＱテーブル７０９への読み書きを可能としている。
入出力制御部７０１は、データ処理及び演算機能として、灰白質量算出部３０２、神経線維異方性算出部３０３、学習演算処理部７０４、推定演算処理部７０５、平均値演算部３０５、及び認知機能予測演算部３０７とのデータの授受が可能になっている。
入出力制御部７０１は、被験者マスタ７０６、脳情報テーブル３０４、計測ＢＨＱテーブル７０７、近似関数パラメータ６０４、アンケートテーブル７０８、及び推定ＢＨＱテーブル７０９への読み書きを可能としている。
【0074】
図８は、各種テーブルのフィールド構成を示す表である。
被験者マスタ７０６は、被験者ＩＤフィールド、被験者氏名フィールド、性別フィールド、及び生年月日フィールドを有する。
被験者ＩＤフィールドには、被験者を一意に識別する被験者ＩＤが格納される。
性別フィールドには、被験者の性別を示す性別フラグが格納される。
生年月日フィールドには、被験者の生年月日が格納される。
被験者の年齢は、生年月日フィールドの値から算出される。
なお、被験者マスタ７０６は、第一被験者６０２及び第二被験者６０５を区別することなくレコードに登録し、管理する。
被験者マスタ７０６は、被験者ＩＤフィールド、被験者氏名フィールド、性別フィールド、及び生年月日フィールドを有する。
被験者ＩＤフィールドには、被験者を一意に識別する被験者ＩＤが格納される。
性別フィールドには、被験者の性別を示す性別フラグが格納される。
生年月日フィールドには、被験者の生年月日が格納される。
被験者の年齢は、生年月日フィールドの値から算出される。
なお、被験者マスタ７０６は、第一被験者６０２及び第二被験者６０５を区別することなくレコードに登録し、管理する。
【0075】
被験者マスタ７０６は、本発明の第一の実施形態に係る認知症予測装置１０１における被験者マスタ３０８とは異なり、性別フィールドが存在する点で異なっている。なお、被験者の性別は、後述する学習演算処理部７０４における学習処理において、学習演算処理部７０４に入力される特徴ベクトルとして重要な要素（次元）である。
【0076】
特許文献２に開示したＧＭ－ＢＨＱ及びＦＡ－ＢＨＱは、被験者の国籍、居住地等と性別によって大きく相違する傾向が見受けられる。
一般的に、脳の灰白質量や神経線維異方性は、加齢と共に減少する傾向がある。そして、ＧＭ－ＢＨＱ及びＦＡ－ＢＨＱの偏りは、性別でも大きく異なる。
一般的に、脳の灰白質量や神経線維異方性は、加齢と共に減少する傾向がある。そして、ＧＭ－ＢＨＱ及びＦＡ－ＢＨＱの偏りは、性別でも大きく異なる。
【0077】
脳情報テーブル３０４は、被験者ＩＤフィールド、灰白質量データ群フィールド、神経線維異方性データ群フィールド、及びＭＲＩ撮影日フィールドを有する。
被験者ＩＤフィールドは、被験者マスタ７０６の同名フィールドと同じである。
灰白質量データ群フィールドには、灰白質量算出部３０２がＭＲＩ画像ファイル群１０４から算出した、被験者の灰白質量データ群が格納される。
神経線維異方性データ群フィールドには、神経線維異方性算出部３０３がＭＲＩ画像ファイル群１０４から算出した、被験者の神経線維異方性データ群が格納される。
ＭＲＩ撮影日フィールドには、被験者がＭＲＩにて撮影された日（ＭＲＩ撮影日）が格納される。
被験者ＩＤフィールドは、被験者マスタ７０６の同名フィールドと同じである。
灰白質量データ群フィールドには、灰白質量算出部３０２がＭＲＩ画像ファイル群１０４から算出した、被験者の灰白質量データ群が格納される。
神経線維異方性データ群フィールドには、神経線維異方性算出部３０３がＭＲＩ画像ファイル群１０４から算出した、被験者の神経線維異方性データ群が格納される。
ＭＲＩ撮影日フィールドには、被験者がＭＲＩにて撮影された日（ＭＲＩ撮影日）が格納される。
【0078】
計測ＢＨＱテーブル７０７は、被験者ＩＤフィールド、ＭＲＩ撮影日フィールド、計測ＧＭ－ＢＨＱフィールド、及び計測ＦＡ－ＢＨＱフィールドを有する。
被験者ＩＤフィールドは、被験者マスタ７０６の同名フィールドと同じである。
ＭＲＩ撮影日フィールドは、脳情報テーブル３０４の同名フィールドと同じである。
計測ＧＭ－ＢＨＱフィールドには、灰白質量算出部３０２によって算出された、ＭＲＩ撮影日フィールドに格納されているＭＲＩ撮影日における、被験者の計測ＧＭ－ＢＨＱ値が格納される。
計測ＦＡ－ＢＨＱフィールドには、神経線維異方性算出部３０３によって算出された、ＭＲＩ撮影日フィールドに格納されているＭＲＩ撮影日における、被験者の計測ＦＡ－ＢＨＱ値が格納される。
被験者ＩＤフィールドは、被験者マスタ７０６の同名フィールドと同じである。
ＭＲＩ撮影日フィールドは、脳情報テーブル３０４の同名フィールドと同じである。
計測ＧＭ－ＢＨＱフィールドには、灰白質量算出部３０２によって算出された、ＭＲＩ撮影日フィールドに格納されているＭＲＩ撮影日における、被験者の計測ＧＭ－ＢＨＱ値が格納される。
計測ＦＡ－ＢＨＱフィールドには、神経線維異方性算出部３０３によって算出された、ＭＲＩ撮影日フィールドに格納されているＭＲＩ撮影日における、被験者の計測ＦＡ－ＢＨＱ値が格納される。
【0079】
近似関数パラメータ６０４は、学習演算処理部７０４によって生成、更新され、推定演算処理部７０５によって参照される、教師あり学習アルゴリズムに基づく近似関数を形成するためのパラメータである。殆どの場合、近似関数パラメータ６０４は、教師あり学習アルゴリズムを実現する演算式の係数をなす行列データである。
【0080】
アンケートテーブル７０８は、被験者ＩＤフィールド、アンケート受付日フィールド、アンケート項目フィールド、及びアンケート値フィールドを有する。
被験者ＩＤフィールドは、被験者マスタ７０６の同名フィールドと同じである。
アンケート受付日フィールドには、被験者が生活環境アンケートを回答した日であるアンケート受付日が格納される。
アンケート項目フィールドには、アンケートの項目を一意に識別する項目ＩＤが格納される。
アンケート値フィールドには、項目ＩＤに該当するアンケートの項目における、被験者の回答内容を示す値が格納される。
アンケートの項目は、例えば２択～９択で構成される。
被験者ＩＤフィールドは、被験者マスタ７０６の同名フィールドと同じである。
アンケート受付日フィールドには、被験者が生活環境アンケートを回答した日であるアンケート受付日が格納される。
アンケート項目フィールドには、アンケートの項目を一意に識別する項目ＩＤが格納される。
アンケート値フィールドには、項目ＩＤに該当するアンケートの項目における、被験者の回答内容を示す値が格納される。
アンケートの項目は、例えば２択～９択で構成される。
【0081】
推定ＢＨＱテーブル７０９は、被験者ＩＤフィールド、アンケート受付日フィールド、推定ＧＭ－ＢＨＱフィールド、及び推定ＦＡ－ＢＨＱフィールドを有する。
被験者ＩＤフィールドは、被験者マスタ７０６の同名フィールドと同じである。
アンケート受付日フィールドは、アンケートテーブル７０８の同名フィールドと同じである。
推定ＧＭ－ＢＨＱフィールドには、推定演算処理部７０５によって推定された、アンケート受付日フィールドに格納されているアンケート受付日における、被験者の推定ＧＭ－ＢＨＱ値が格納される。
推定ＦＡ－ＢＨＱフィールドには、推定演算処理部７０５によって算出された、アンケート受付日フィールドに格納されているアンケート受付日における、被験者の推定ＦＡ－ＢＨＱ値が格納される。
被験者ＩＤフィールドは、被験者マスタ７０６の同名フィールドと同じである。
アンケート受付日フィールドは、アンケートテーブル７０８の同名フィールドと同じである。
推定ＧＭ－ＢＨＱフィールドには、推定演算処理部７０５によって推定された、アンケート受付日フィールドに格納されているアンケート受付日における、被験者の推定ＧＭ－ＢＨＱ値が格納される。
推定ＦＡ－ＢＨＱフィールドには、推定演算処理部７０５によって算出された、アンケート受付日フィールドに格納されているアンケート受付日における、被験者の推定ＦＡ－ＢＨＱ値が格納される。
【0082】
すなわち、推定ＢＨＱテーブル７０９は、被験者が生活環境アンケート結果を回答した日であるアンケート受付日と、被験者を一意に識別する被験者ＩＤと、推定ＧＭ－ＢＨＱ値とを紐付けて登録する機能を有する。
【0083】
学習フェーズにおける被験者と推定フェーズにおける被験者は、異なる被験者として扱われる。
学習フェーズにおける被験者は、計測ＢＨＱテーブル７０７のレコードを有する。そして、計測ＢＨＱテーブル７０７のＭＲＩ撮影日フィールドの値であるＭＲＩ撮影日は、アンケートテーブル７０８のアンケート受付日フィールドの値であるアンケート受付日と等しい。
これに対し、推定フェーズにおける被験者は、計測ＢＨＱテーブル７０７のレコードを有しない。
学習フェーズにおける被験者は、計測ＢＨＱテーブル７０７のレコードを有する。そして、計測ＢＨＱテーブル７０７のＭＲＩ撮影日フィールドの値であるＭＲＩ撮影日は、アンケートテーブル７０８のアンケート受付日フィールドの値であるアンケート受付日と等しい。
これに対し、推定フェーズにおける被験者は、計測ＢＨＱテーブル７０７のレコードを有しない。
【0084】
図９は、認知症予測装置６０１が計測ＢＨＱテーブル７０７に計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値を登録する処理手順を示すブロック図である。このブロック図は認知症予測装置６０１が実行する学習フェーズの前処理を示す図である。
【0085】
入出力制御部７０１は、ＭＲＩ装置１０３からネットワークあるいはＵＳＢメモリ等を経由してＭＲＩ画像ファイル群１０４を受信する。また、入出力制御部７０１は、操作部２０５または図示しないバーコードリーダ等の所定の入力手段から被験者ＩＤ１０５の入力を受け付ける。更に、入出力制御部７０１は、ＲＴＣ２０７から現在日時情報を受け取る。
なお、後述する脳情報テーブル３０４及び計測ＢＨＱテーブル７０７において必要な項目はＭＲＩ撮影日１０６であるので、日付さえ合っていれば、図示しない操作者が手入力にて操作部２０５から入出力制御部７０１へＭＲＩ撮影日１０６を入力してもよい。
なお、後述する脳情報テーブル３０４及び計測ＢＨＱテーブル７０７において必要な項目はＭＲＩ撮影日１０６であるので、日付さえ合っていれば、図示しない操作者が手入力にて操作部２０５から入出力制御部７０１へＭＲＩ撮影日１０６を入力してもよい。
【0086】
灰白質量算出部３０２は、入出力制御部７０１を通じてＭＲＩ画像ファイル群１０４を読み込み、脳の特定部位における灰白質の量を示す灰白質量データ群４０１を算出する。灰白質量データ群４０１は、脳の１１６箇所の部位における灰白質量データの集合体である。
神経線維異方性算出部３０３は、入出力制御部７０１を通じてＭＲＩ画像ファイル群１０４を読み込み、脳の特定部位における白質を構成する神経線維の異方性の指標値を示す神経線維異方性データ群４０２を算出する。神経線維異方性データ群４０２は、脳の４８箇所の部位における白質を構成する神経線維の異方性の指標値の集合体である。
神経線維異方性算出部３０３は、入出力制御部７０１を通じてＭＲＩ画像ファイル群１０４を読み込み、脳の特定部位における白質を構成する神経線維の異方性の指標値を示す神経線維異方性データ群４０２を算出する。神経線維異方性データ群４０２は、脳の４８箇所の部位における白質を構成する神経線維の異方性の指標値の集合体である。
【0087】
入出力制御部７０１は、灰白質量算出部３０２が算出した灰白質量データ群４０１と、神経線維異方性算出部３０３が算出した神経線維異方性データ群４０２を、第一被験者６０２の被験者ＩＤ１０５と、ＲＴＣ２０７または操作部２０５等から取得したＭＲＩ撮影日１０６に紐付けて、脳情報テーブル３０４に登録する。
【0088】
脳情報テーブル３０４に格納された１１６個の灰白質量データ群４０１と、４８個の神経線維異方性データ群４０２は、入出力制御部７０１を通じてそれぞれ平均値演算部３０５に入力される。
平均値演算部３０５は、１１６個の灰白質量データ群４０１の平均値である計測ＧＭ－ＢＨＱ値を算出する。
同様に平均値演算部３０５は、入出力制御部７０１を通じて４８個の神経線維異方性データ群４０２の平均値である計測ＦＡ－ＢＨＱ値を算出する。
平均値演算部３０５は、１１６個の灰白質量データ群４０１の平均値である計測ＧＭ－ＢＨＱ値を算出する。
同様に平均値演算部３０５は、入出力制御部７０１を通じて４８個の神経線維異方性データ群４０２の平均値である計測ＦＡ－ＢＨＱ値を算出する。
【0089】
入出力制御部７０１は、平均値演算部３０５が算出した計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値を、第一被験者６０２の被験者ＩＤ１０５と、ＭＲＩ撮影日１０６に紐付けて、計測ＢＨＱテーブル７０７に登録する。
【0090】
【0091】
図１０は、アンケートの一例を示す図である。
アンケートには、被験者の基礎情報、被験者の心理テストに関する質問群、被験者の認知テストに関する質問群等が、それぞれ設けられている。
被験者の基礎情報には、生年月日、性別、身長、体重、体脂肪率等の項目が設けられている。
これ以外の、被験者の心理テストや認知テスト等に関するアンケートの項目は、それぞれ例えば２個～９個程度の範囲で任意に選定される。
アンケートそのものはデータに汎用性を持たせるために、上記の心理テストや認知テスト以外に、被験者の健康、運動、対話、食事、学習等の項目についても質問が設けられているが、認知症予測装置６０１では心理テストや認知テスト等の項目を特徴ベクトルとして採用する。
アンケートには、被験者の基礎情報、被験者の心理テストに関する質問群、被験者の認知テストに関する質問群等が、それぞれ設けられている。
被験者の基礎情報には、生年月日、性別、身長、体重、体脂肪率等の項目が設けられている。
これ以外の、被験者の心理テストや認知テスト等に関するアンケートの項目は、それぞれ例えば２個～９個程度の範囲で任意に選定される。
アンケートそのものはデータに汎用性を持たせるために、上記の心理テストや認知テスト以外に、被験者の健康、運動、対話、食事、学習等の項目についても質問が設けられているが、認知症予測装置６０１では心理テストや認知テスト等の項目を特徴ベクトルとして採用する。
【0092】
なお、被験者の基礎情報として、年に１回以上実施される定期健診の診断結果をアンケートに含めることもできる。特に、
・WBC（白血球）、RBC（赤血球）、Hb（ヘモグロビン）、Ht%（ヘマトクリット）、PLT（血小板）、Fibrinogen（フィブリノゲン）、PF4（Platelet factor 4：血小板第４因子）等の血液情報一般、
・TP（総蛋白）、アルブミン、A/G比、T-Bil（total billirubins：総ビリルビン）、GOT（グルタミン酸オキサロ酢酸トランスアミナーゼ）、GPT（グルタミン酸ピルビン酸トランスアミナーゼ）、γ-GTP（γグルタミルトランスペプチダーゼ）、ALP（アルカリホスファターゼ）、HBV（Ｂ型肝炎ウイルス）、HCV（Ｃ型肝炎ウイルス）等の肝機能情報、
・TC（total cholesterol：総コレステロール）、TG（Triglyceride：トリアシルグリセロール、トリグリセリド、中性脂肪）、HDL（High Density Lipoprotein cholesterol：高比重リポ蛋白質コレステロール、善玉コレステロール）、LDL（Low Density Lipoprotein cholesterol：低比重リポ蛋白質コレステロール、悪玉コレステロール）、LDL計算値、Lpa（Lysophosphatidic acid：リゾホスファチジン酸）、糖、GLU（glucose：グルコース）、A1c（Hemoglobin A1c：ヘモグロビンA1c）等の脂質・糖尿病関連情報、
・蛋白、潜血、BUN（尿素窒素）、Cr（creatinine：クレアチニン）、Na（ナトリウムイオン）等の尿検査による腎臓膵臓機能情報
などは、被験者の健康状態を客観的かつ詳細に示す情報となるので、生活環境アンケート結果６０３に含める情報として極めて有用である。
・WBC（白血球）、RBC（赤血球）、Hb（ヘモグロビン）、Ht%（ヘマトクリット）、PLT（血小板）、Fibrinogen（フィブリノゲン）、PF4（Platelet factor 4：血小板第４因子）等の血液情報一般、
・TP（総蛋白）、アルブミン、A/G比、T-Bil（total billirubins：総ビリルビン）、GOT（グルタミン酸オキサロ酢酸トランスアミナーゼ）、GPT（グルタミン酸ピルビン酸トランスアミナーゼ）、γ-GTP（γグルタミルトランスペプチダーゼ）、ALP（アルカリホスファターゼ）、HBV（Ｂ型肝炎ウイルス）、HCV（Ｃ型肝炎ウイルス）等の肝機能情報、
・TC（total cholesterol：総コレステロール）、TG（Triglyceride：トリアシルグリセロール、トリグリセリド、中性脂肪）、HDL（High Density Lipoprotein cholesterol：高比重リポ蛋白質コレステロール、善玉コレステロール）、LDL（Low Density Lipoprotein cholesterol：低比重リポ蛋白質コレステロール、悪玉コレステロール）、LDL計算値、Lpa（Lysophosphatidic acid：リゾホスファチジン酸）、糖、GLU（glucose：グルコース）、A1c（Hemoglobin A1c：ヘモグロビンA1c）等の脂質・糖尿病関連情報、
・蛋白、潜血、BUN（尿素窒素）、Cr（creatinine：クレアチニン）、Na（ナトリウムイオン）等の尿検査による腎臓膵臓機能情報
などは、被験者の健康状態を客観的かつ詳細に示す情報となるので、生活環境アンケート結果６０３に含める情報として極めて有用である。
【0093】
図１１は、認知症予測装置６０１の学習フェーズにおける全体の動作の流れを示すフローチャートである。
処理を開始すると（Ｓ１１０１）、まず、図示しない操作者は、ＭＲＩ装置１０３を用いて第一被験者６０２をＭＲＩ撮影する。そして、図示しない操作者は、ＭＲＩ装置１０３から第一被験者６０２のＭＲＩ画像ファイル群１０４を取得する（Ｓ１１０２）。ＭＲＩ画像ファイル群１０４は、認知症予測装置６０１に入力される。
処理を開始すると（Ｓ１１０１）、まず、図示しない操作者は、ＭＲＩ装置１０３を用いて第一被験者６０２をＭＲＩ撮影する。そして、図示しない操作者は、ＭＲＩ装置１０３から第一被験者６０２のＭＲＩ画像ファイル群１０４を取得する（Ｓ１１０２）。ＭＲＩ画像ファイル群１０４は、認知症予測装置６０１に入力される。
【0094】
次に、認知症予測装置６０１は、灰白質量算出部３０２、神経線維異方性算出部３０３及び平均値演算部３０５を用いて、第一被験者６０２のＭＲＩ画像ファイル群１０４から、計測ＧＭ－ＢＨＱ値と計測ＦＡ－ＢＨＱ値を演算し、計測ＢＨＱテーブル７０７に記憶する。
具体的にはまず、入出力制御部７０１は、入力されたＭＲＩ画像ファイル群１０４を灰白質量算出部３０２及び神経線維異方性算出部３０３に読み込ませる。そして入出力制御部７０１は、灰白質量算出部３０２が出力した灰白質量データ群４０１と、神経線維異方性算出部３０３が出力した神経線維異方性データ群４０２を、被験者ＩＤ１０５及びＭＲＩ撮影日１０６に紐付けて脳情報テーブル３０４に登録する。
具体的にはまず、入出力制御部７０１は、入力されたＭＲＩ画像ファイル群１０４を灰白質量算出部３０２及び神経線維異方性算出部３０３に読み込ませる。そして入出力制御部７０１は、灰白質量算出部３０２が出力した灰白質量データ群４０１と、神経線維異方性算出部３０３が出力した神経線維異方性データ群４０２を、被験者ＩＤ１０５及びＭＲＩ撮影日１０６に紐付けて脳情報テーブル３０４に登録する。
【0095】
そして入出力制御部７０１は、脳情報テーブル３０４に登録された灰白質量データ群４０１と神経線維異方性データ群４０２を平均値演算部３０５に入力する。平均値演算部３０５は、被験者の計測ＧＭ－ＢＨＱ値と計測ＦＡ－ＢＨＱ値を算出する。入出力制御部７０１は、計測ＧＭ－ＢＨＱ値と計測ＦＡ－ＢＨＱ値を、被験者ＩＤ１０５及びＭＲＩ撮影日１０６に紐付けて計測ＢＨＱテーブル７０７に記憶する。（Ｓ１１０３）。このステップＳ１１０２及びＳ１１０３は、先に図９にて説明した動作に該当する。
【0096】
次に、図示しない操作者は、入出力制御部７０１を通じて第一被験者６０２の生活環境アンケート結果６０３をデータ化し、アンケートテーブル７０８に記憶する（Ｓ１１０４）。
入出力制御部７０１は、第一被験者６０２の生活環境アンケート結果６０３に記載されたアンケート内容等を特徴ベクトルとして、第一被験者６０２の計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値を教師データとして、学習演算処理部７０４に与える。学習演算処理部７０４は、入出力制御部７０１から与えられた特徴ベクトル及び教師データに基づいて学習処理を実行する。学習演算処理部７０４は学習処理を実行した結果、近似関数パラメータ６０４を生成、または更新する（Ｓ１１０５）。
こうして、認知症予測装置６０１は一連の処理を終了する（Ｓ１１０６）。
入出力制御部７０１は、第一被験者６０２の生活環境アンケート結果６０３に記載されたアンケート内容等を特徴ベクトルとして、第一被験者６０２の計測ＧＭ－ＢＨＱ値及び計測ＦＡ－ＢＨＱ値を教師データとして、学習演算処理部７０４に与える。学習演算処理部７０４は、入出力制御部７０１から与えられた特徴ベクトル及び教師データに基づいて学習処理を実行する。学習演算処理部７０４は学習処理を実行した結果、近似関数パラメータ６０４を生成、または更新する（Ｓ１１０５）。
こうして、認知症予測装置６０１は一連の処理を終了する（Ｓ１１０６）。
【0097】
図１２は、学習演算処理部７０４のデータ処理の詳細を示すブロック図である。すなわち、図１２は、図１１のステップＳ１１０５に相当する処理を示している。なお、図１２及び図１３において、各々の機能ブロック同士におけるデータのやり取り、及び各種テーブルにおける検索には、入出力制御部７０１が介在している。
アンケートテーブル７０８には、単一の被験者ＩＤ１０５に対して複数のアンケート受付日のレコードが存在し得る。
そこで、入出力制御部７０１は、図示しない操作者によって指定された第一被験者６０２の被験者ＩＤ１０５でアンケートテーブル７０８を検索して、アンケートテーブル７０８のレコードのうち、最新のアンケート受付日を有するレコードを特定する。
アンケートテーブル７０８には、単一の被験者ＩＤ１０５に対して複数のアンケート受付日のレコードが存在し得る。
そこで、入出力制御部７０１は、図示しない操作者によって指定された第一被験者６０２の被験者ＩＤ１０５でアンケートテーブル７０８を検索して、アンケートテーブル７０８のレコードのうち、最新のアンケート受付日を有するレコードを特定する。
【0098】
同様に、計測ＢＨＱテーブル７０７には、単一の被験者ＩＤ１０５に対して複数のＭＲＩ撮影日１０６のレコードが存在し得る。そこで、入出力制御部７０１は、図示しない操作者によって指定された第一被験者６０２の被験者ＩＤ１０５で計測ＢＨＱテーブル７０７を検索して、計測ＢＨＱテーブル７０７のレコードのうち、最新のＭＲＩ撮影日１０６を有するレコードを特定する。
そして、第一被験者６０２のアンケート受付日は、計測ＢＨＱテーブル７０７のＭＲＩ撮影日１０６と等しいので、アンケートテーブル７０８と計測ＢＨＱテーブル７０７は、被験者マスタ７０６から特定された第一被験者６０２の被験者ＩＤ１０５とアンケート受付日＝ＭＲＩ撮影日１０６で紐付けられている。
そして、第一被験者６０２のアンケート受付日は、計測ＢＨＱテーブル７０７のＭＲＩ撮影日１０６と等しいので、アンケートテーブル７０８と計測ＢＨＱテーブル７０７は、被験者マスタ７０６から特定された第一被験者６０２の被験者ＩＤ１０５とアンケート受付日＝ＭＲＩ撮影日１０６で紐付けられている。
【0099】
入出力制御部７０１は、被験者マスタ７０６を第一被験者６０２の被験者ＩＤ１０５で検索して取得した第一被験者６０２の年齢、性別他と、アンケートテーブル７０８から取得した、最新のアンケート受付日における第一被験者６０２の各回答項目を、学習演算処理部７０４に特徴ベクトルとして入力する。
また、入出力制御部７０１は、計測ＢＨＱテーブル７０７から取得した、最新のＭＲＩ撮影日１０６における第一被験者６０２の計測ＧＭ－ＢＨＱ値と計測ＦＡ－ＢＨＱ値を、学習演算処理部７０４に教師データとして入力する。
学習演算処理部７０４は、例えばＳＶＭ（Support Vector Machine）等を用いる教師あり学習アルゴリズムを利用して、学習演算処理を実行し、近似関数パラメータ６０４を生成または更新する。
また、入出力制御部７０１は、計測ＢＨＱテーブル７０７から取得した、最新のＭＲＩ撮影日１０６における第一被験者６０２の計測ＧＭ－ＢＨＱ値と計測ＦＡ－ＢＨＱ値を、学習演算処理部７０４に教師データとして入力する。
学習演算処理部７０４は、例えばＳＶＭ（Support Vector Machine）等を用いる教師あり学習アルゴリズムを利用して、学習演算処理を実行し、近似関数パラメータ６０４を生成または更新する。
【0100】
図１３は、推定演算処理部７０５のデータ処理の詳細を示すブロック図である。
まず、入出力制御部７０１は、図示しない操作者の入力操作を受けて、評価対象とする第二被験者６０５の被験者ＩＤ１０５を特定する。
アンケートテーブル７０８には、単一の被験者ＩＤ１０５に対して複数のアンケート受付日のレコードが存在し得る。そこで、入出力制御部７０１は、図示しない操作者によって指定された第二被験者６０５の被験者ＩＤ１０５でアンケートテーブル７０８を検索する。そして、入出力制御部７０１は、アンケートテーブル７０８のレコードのうち、最新のアンケート受付日を有するレコードと、最新のアンケート受付日の直前のアンケート受付日を有するレコードを特定する。
入出力制御部７０１は、第一アンケート受付日６０６を第二被験者６０５の最新のアンケート受付日の直前のアンケート受付日とする。
入出力制御部７０１は、第二アンケート受付日６０８を第二被験者６０５の最新のアンケート受付日とする。
まず、入出力制御部７０１は、図示しない操作者の入力操作を受けて、評価対象とする第二被験者６０５の被験者ＩＤ１０５を特定する。
アンケートテーブル７０８には、単一の被験者ＩＤ１０５に対して複数のアンケート受付日のレコードが存在し得る。そこで、入出力制御部７０１は、図示しない操作者によって指定された第二被験者６０５の被験者ＩＤ１０５でアンケートテーブル７０８を検索する。そして、入出力制御部７０１は、アンケートテーブル７０８のレコードのうち、最新のアンケート受付日を有するレコードと、最新のアンケート受付日の直前のアンケート受付日を有するレコードを特定する。
入出力制御部７０１は、第一アンケート受付日６０６を第二被験者６０５の最新のアンケート受付日の直前のアンケート受付日とする。
入出力制御部７０１は、第二アンケート受付日６０８を第二被験者６０５の最新のアンケート受付日とする。
【0101】
入出力制御部７０１は、被験者マスタ７０６を第二被験者６０５の被験者ＩＤ１０５で検索して取得した第二被験者６０５の年齢、性別他と、アンケートテーブル７０８から取得した、第一アンケート受付日６０６における第二被験者６０５の各回答項目を、推定演算処理部７０５に特徴ベクトルとして入力する。
推定演算処理部７０５は、近似関数パラメータ６０４を参照する教師あり学習アルゴリズムを利用して、推定演算処理を実行し、入力された特徴ベクトルに対応する第一推定ＢＨＱとして、第一の推定ＧＭ－ＢＨＱ値及び第一の推定ＦＡ－ＢＨＱ値を出力する。
推定演算処理部７０５は、近似関数パラメータ６０４を参照する教師あり学習アルゴリズムを利用して、推定演算処理を実行し、入力された特徴ベクトルに対応する第一推定ＢＨＱとして、第一の推定ＧＭ－ＢＨＱ値及び第一の推定ＦＡ－ＢＨＱ値を出力する。
【0102】
同様に、入出力制御部７０１は、被験者マスタ７０６を第二被験者６０５の被験者ＩＤ１０５で検索して取得した第二被験者６０５の年齢、性別他と、アンケートテーブル７０８から取得した、第二アンケート受付日６０８における第二被験者６０５の各回答項目を、推定演算処理部７０５に特徴ベクトルとして入力する。
推定演算処理部７０５は、近似関数パラメータ６０４を参照する教師あり学習アルゴリズムを利用して、推定演算処理を実行し、入力された特徴ベクトルに対応する第二推定ＢＨＱとして、第二の推定ＧＭ－ＢＨＱ値及び第二の推定ＦＡ－ＢＨＱ値を出力する。
推定演算処理部７０５は、近似関数パラメータ６０４を参照する教師あり学習アルゴリズムを利用して、推定演算処理を実行し、入力された特徴ベクトルに対応する第二推定ＢＨＱとして、第二の推定ＧＭ－ＢＨＱ値及び第二の推定ＦＡ－ＢＨＱ値を出力する。
【0103】
すなわち、推定演算処理部７０５は、第二被験者６０５の健康状態に関するアンケートの回答である生活環境アンケート結果（第一日程生活環境アンケート結果６０７及び／または第二日程生活環境アンケート結果６０９）が入力されると、第二被験者６０５の脳の灰白質量の平均値を算出した値の推定値である推定ＧＭ－ＢＨＱ値（第一推定ＧＭ－ＢＨＱ値及び／または第二推定ＧＭ－ＢＨＱ値）を出力する。
【0104】
入出力制御部７０１は、以上の、第二被験者６０５の被験者ＩＤ１０５、第一アンケート受付日６０６及び第一推定ＢＨＱ、第二アンケート受付日６０８及び第二推定ＢＨＱを、推定ＢＨＱテーブル７０９に記憶する。
【0105】
入出力制御部７０１は、推定ＢＨＱテーブル７０９に記憶された第一の推定ＧＭ－ＢＨＱ値、第二の推定ＧＭ－ＢＨＱ値、第一アンケート受付日６０６及び第二アンケート受付日６０８と、被験者マスタ７０６に記憶された第二被験者６０５の生年月日を、認知機能予測演算部３０７に入力する。
【0106】
認知機能予測演算部３０７は、第一の実施形態と全く同じ処理を行う。具体的には、認知機能予測演算部３０７は、第二被験者６０５の推定ＧＭ－ＢＨＱ値の変動を１次関数とみなして、第二被験者６０５の推定ＧＭ－ＢＨＱ値の傾きを演算する。
まず、第一アンケート受付日６０６及び第二アンケート受付日６０８の経過期間と、第一アンケート受付日６０６における第一の推定ＧＭ－ＢＨＱ値から、推定ＧＭ－ＢＨＱ値の傾きを算出する。
まず、第一アンケート受付日６０６及び第二アンケート受付日６０８の経過期間と、第一アンケート受付日６０６における第一の推定ＧＭ－ＢＨＱ値から、推定ＧＭ－ＢＨＱ値の傾きを算出する。
【0107】
ＧＭ－ＢＨＱの傾きをＣ、第一アンケート受付日６０６をＤ１、第二アンケート受付日６０８をＤ２、第一アンケート受付日６０６における第一の推定ＧＭ－ＢＨＱ値をＧ１、第二アンケート受付日６０８における第二の推定ＧＭ－ＢＨＱ値をＧ２とすると、以下の式が成立する。
Ｃ＝（Ｇ２－Ｇ１）÷（Ｄ２－Ｄ１） （式４）
Ｃ＝（Ｇ２－Ｇ１）÷（Ｄ２－Ｄ１） （式４）
【0108】
次に、認知機能予測演算部３０７は、第二アンケート受付日６０８における第二の推定ＧＭ－ＢＨＱ値及び第二被験者６０５の年齢を基準にして、ＧＭ－ＢＨＱが低下して認知症に罹患する値を認知症ラインとして、第二被験者６０５が認知症に罹患する可能性が高いと思われる年齢を算出する。この時、認知機能予測演算部３０７は、第二被験者６０５の第二アンケート受付日６０８の時点における年齢を取得するため、被験者マスタ７０６から、第二被験者６０５の生年月日を読み込み、第二被験者６０５の第二アンケート受付日６０８の時点における年齢を算出する。
すなわち、認知機能予測演算部３０７は、第二被験者６０５の被験者ＩＤ１０５で被験者マスタ７０６を検索し、ヒットしたレコードの生年月日フィールドから第二被験者６０５の生年月日を読み取り、第二被験者６０５の第二アンケート受付日６０８の時点における年齢を計算する。
すなわち、認知機能予測演算部３０７は、第二被験者６０５の被験者ＩＤ１０５で被験者マスタ７０６を検索し、ヒットしたレコードの生年月日フィールドから第二被験者６０５の生年月日を読み取り、第二被験者６０５の第二アンケート受付日６０８の時点における年齢を計算する。
【0109】
認知症罹患可能性年齢をＹＤ２、認知症ラインのＧＭ－ＢＨＱをＧＢ、第二アンケート受付日６０８における第二被験者６０５の被験者年齢をＹＰ２とすると、以下の式が成立する。
ＹＤ２＝｛（ＧＢ－Ｇ２）÷Ｃ｝＋ＹＰ２ （式５）
入出力制御部７０１は、認知機能予測演算部３０７が算出した上記式の演算値を認知機能予測データ６１０とし、これを基にグラフを作成して、表示部２０４に表示する。また入出力制御部７０１は、作成した認知機能予測データ６１０を不揮発性ストレージ２０６にファイルとして記憶する。
ＹＤ２＝｛（ＧＢ－Ｇ２）÷Ｃ｝＋ＹＰ２ （式５）
入出力制御部７０１は、認知機能予測演算部３０７が算出した上記式の演算値を認知機能予測データ６１０とし、これを基にグラフを作成して、表示部２０４に表示する。また入出力制御部７０１は、作成した認知機能予測データ６１０を不揮発性ストレージ２０６にファイルとして記憶する。
【0110】
すなわち、認知機能予測演算部３０７は、同一の被験者について第一アンケート受付日と、第一アンケート受付日から所定の期間を経過した第二アンケート受付日に係るレコードが存在することを前提に、被験者の推定ＧＭ－ＢＨＱ値が認知症ラインに到達する年齢を演算する機能を有する。
【0111】
なお、学習演算処理部７０４と推定演算処理部７０５で用いる教師あり学習アルゴリズムは、ＳＶＭに限らない。
推定演算処理部７０５に推定ＧＭ－ＢＨＱ値及び推定ＦＡ－ＢＨＱ値を連続値として出力させたい場合には、回帰アルゴリズムに属するサポートベクタ回帰（support vector regression, SVR）の他、リッジ回帰（Ridge Regression, RR）、ランダムフォレスト回帰（random forest regression）、ニューラルネットワーク等を適用可能である。
推定演算処理部７０５に推定ＧＭ－ＢＨＱ値及び推定ＦＡ－ＢＨＱ値を連続値として出力させたい場合には、回帰アルゴリズムに属するサポートベクタ回帰（support vector regression, SVR）の他、リッジ回帰（Ridge Regression, RR）、ランダムフォレスト回帰（random forest regression）、ニューラルネットワーク等を適用可能である。
【0112】
一方で、認知症予測装置６０１から得られる認知症罹患可能性の数値を、やや荒い精度の値として取得することを考えるならば、推定演算処理部７０５は、推定ＧＭ－ＢＨＱ値及び推定ＦＡ－ＢＨＱ値を連続値として出力せずに、複数個のクラスタとして推定することが考えられる。例えば、推定演算処理部７０５は、推定ＧＭ－ＢＨＱ値を９５未満、９５～１００、１００～１０５、１０５より大きい等の、４つのクラスタに分類する機能を有するものとする。
【0113】
このような場合、推定ＧＭ－ＢＨＱ値及び推定ＦＡ－ＢＨＱ値をクラスタとして捉え、分類アルゴリズムに属するサポートベクタ分類（support vector classification, SVC）の他、リッジ分類（Ridge classification）、ランダムフォレスト分類（random forest classification）、ナイーブベイズ分類（naive bayes classification）、ニューラルネットワーク等を適用可能である。
【0114】
本発明の第二の実施形態に係る認知症予測装置６０１においても、本発明の第一の実施形態に係る認知症予測装置１０１と同様に、第一回目の生活環境アンケートの時点で人の平均的な計測ＧＭ－ＢＨＱ値の減少傾向を用いて、被験者の認知症罹患可能性年齢の推定演算が可能である。
【0115】
認知症罹患可能性年齢をＹＤ１、認知症ラインのＧＭ－ＢＨＱをＧＢ、第一アンケート受付日６０６における第二被験者６０５の被験者年齢をＹＰ１とすると、以下の式が成立する。認知機能予測演算部３０７は、以下の式において傾きＣに適切な傾きの平均値を代入した上で演算して、第一回目の生活環境アンケートにおける認知症罹患可能性年齢ＹＤ１を算出する。
ＹＤ１＝｛（ＧＢ－Ｇ２）÷Ｃ｝＋ＹＰ１ （式６）
ＹＤ１＝｛（ＧＢ－Ｇ２）÷Ｃ｝＋ＹＰ１ （式６）
【0116】
以上を踏まえて、実際の現場において、医師が第二被験者６０５に生活環境アンケートを実施して、第二被験者６０５の認知症罹患可能性年齢を報告することを考えると、医師は認知症予測装置６０１を用いて、以下のような手順を踏むこととなる。
（１）医師は、第二被験者６０５に第一回目の生活環境アンケートを実施する。認知症予測装置６０１は、第一回目の生活環境アンケート結果から得られた推定ＧＭ－ＢＨＱ値に基づき、上記の式６を用いて、第二被験者６０５の認知症罹患可能性年齢を算出する。そして医師は第二被験者６０５に認知症罹患可能性年齢を報告すると共に、生活習慣の改善を指導する。
（２）第二被験者６０５は、医師に指導された内容に従い、日々の生活の中で生活習慣の改善を実施する。
（３）半年～１年後、医師は再び、第二被験者６０５に第二回目の生活環境アンケートを実施する。認知症予測装置６０１は、第一回目の生活環境アンケートの時点の推定ＧＭ－ＢＨＱ値と、第二回目の生活環境アンケートの時点の推定ＧＭ－ＢＨＱ値に基づき、上記の式４及び式５を用いて、第二被験者６０５の認知症罹患可能性年齢を改めて算出する。そして医師は第二被験者６０５に認知症罹患可能性年齢を報告すると共に、前回と比べて改善されたか否かも報告する。
（１）医師は、第二被験者６０５に第一回目の生活環境アンケートを実施する。認知症予測装置６０１は、第一回目の生活環境アンケート結果から得られた推定ＧＭ－ＢＨＱ値に基づき、上記の式６を用いて、第二被験者６０５の認知症罹患可能性年齢を算出する。そして医師は第二被験者６０５に認知症罹患可能性年齢を報告すると共に、生活習慣の改善を指導する。
（２）第二被験者６０５は、医師に指導された内容に従い、日々の生活の中で生活習慣の改善を実施する。
（３）半年～１年後、医師は再び、第二被験者６０５に第二回目の生活環境アンケートを実施する。認知症予測装置６０１は、第一回目の生活環境アンケートの時点の推定ＧＭ－ＢＨＱ値と、第二回目の生活環境アンケートの時点の推定ＧＭ－ＢＨＱ値に基づき、上記の式４及び式５を用いて、第二被験者６０５の認知症罹患可能性年齢を改めて算出する。そして医師は第二被験者６０５に認知症罹患可能性年齢を報告すると共に、前回と比べて改善されたか否かも報告する。
【0117】
以上説明したように、本発明の第二の実施形態に係る認知症予測装置６０１は、被験者に対する第一回目の生活環境アンケート実施の時点で認知機能予測演算部３０７が式６を実行することで、平均的な認知症罹患可能性年齢を算出し、被験者に対する第二回目の生活環境アンケート実施の時点で認知機能予測演算部３０７が式４と式５を実行することでより精緻な認知症罹患可能性年齢を算出することができる。
【0118】
以上説明した認知症予測装置６０１は、被験者の推定ＧＭ－ＢＨＱ値の変化を１次関数と見做して、認知症罹患可能性年齢を算出した。周知のように、任意の事象における値が３個以上得られると、関数フィッティング（曲線近似）が可能になる。推定ＧＭ－ＢＨＱ値も同様であり、被験者の生活環境アンケート結果から推定する推定ＧＭ－ＢＨＱ値が３個以上得られると、曲線近似を用いて、１次関数より高度な認知症罹患可能性年齢の推測演算をしてもよい。関数フィッティングの例としては、加重平均、シグモイド関数、重回帰分析等、様々な手法が考えられる。
【0119】
第一の実施形態に係る認知症予測装置１０１は、ＭＲＩ装置１０３が出力する被験者１０２のＭＲＩ画像ファイル群１０４に基づく計測ＧＭ－ＢＨＱ値と、被験者１０２の年齢に基づいて、被験者１０２の認知症罹患可能性年齢を演算した。
第二の実施形態に係る認知症予測装置６０１は、第二被験者６０５の生活環境アンケート結果に基づく推定ＧＭ－ＢＨＱ値と、第二被験者６０５の年齢に基づいて、第二被験者６０５の認知症罹患可能性年齢を演算した。
第二の実施形態に係る認知症予測装置６０１は、第二被験者６０５の生活環境アンケート結果に基づく推定ＧＭ－ＢＨＱ値と、第二被験者６０５の年齢に基づいて、第二被験者６０５の認知症罹患可能性年齢を演算した。
【0120】
認知症予測装置１０１が演算し出力する計測ＧＭ－ＢＨＱ値と、認知症予測装置６０１が演算し出力する推定ＧＭ－ＢＨＱ値とは、演算の手法が異なるものの、被験者の脳の灰白質量の平均値に相当する値であるＧＭ－ＢＨＱ値である点は共通する。計測ＧＭ－ＢＨＱ値は被験者のＭＲＩ画像ファイル群１０４から演算する計測値であり、推定ＧＭ－ＢＨＱ値は被験者の生活環境アンケート結果から推定する推定値である、という違いはあるものの、得られる値の意味は同じである。
【0121】
そして、認知症予測装置１０１と認知症予測装置６０１は、被験者のＧＭ－ＢＨＱ値と被験者の年齢に基づいて、被験者の認知症罹患可能性年齢を演算する手順も共通する。式１と式４、式２と式５、式３と式６は全く同じである。よって、認知症予測装置１０１と認知症予測装置６０１では、認知機能予測演算部３０７の演算機能は全く同じである。
【0122】
第一の実施形態に係る認知症予測装置１０１において、計測ＧＭ－ＢＨＱ値は灰白質量算出部３０２及び平均値演算部３０５によって演算される。被験者１０２の脳画像データから複数の灰白質量データを得る灰白質量算出部３０２と、複数の灰白質量データの平均値を算出した値である計測ＧＭ－ＢＨＱ値を出力する平均値演算部３０５は、計測ＧＭ－ＢＨＱ値を演算する。
第二の実施形態に係る認知症予測装置６０１において、推定ＧＭ－ＢＨＱ値は推定演算処理部７０５によって演算される。推定演算処理部７０５は、第二被験者６０５の健康状態に関するアンケートの回答である生活環境アンケート結果が入力されると、第二被験者６０５の脳の灰白質量の平均値を算出した値の推定値である推定ＧＭ－ＢＨＱ値を演算する。
認知症予測装置１０１の灰白質量算出部３０２及び平均値演算部３０５と、認知症予測装置６０１の推定演算処理部７０５は、被験者の脳の灰白質量の平均値に相当する値であるＧＭ－ＢＨＱ値を演算するＧＭ－ＢＨＱ値演算処理部という上位概念に含めることができる。
第二の実施形態に係る認知症予測装置６０１において、推定ＧＭ－ＢＨＱ値は推定演算処理部７０５によって演算される。推定演算処理部７０５は、第二被験者６０５の健康状態に関するアンケートの回答である生活環境アンケート結果が入力されると、第二被験者６０５の脳の灰白質量の平均値を算出した値の推定値である推定ＧＭ－ＢＨＱ値を演算する。
認知症予測装置１０１の灰白質量算出部３０２及び平均値演算部３０５と、認知症予測装置６０１の推定演算処理部７０５は、被験者の脳の灰白質量の平均値に相当する値であるＧＭ－ＢＨＱ値を演算するＧＭ－ＢＨＱ値演算処理部という上位概念に含めることができる。
【0123】
第一の実施形態に係る認知症予測装置１０１において、計測ＢＨＱテーブル３０６は、被験者１０２の脳画像データの撮影日を格納するＭＲＩ撮影日フィールドと、被験者１０２を一意に識別する被験者ＩＤを格納する被験者ＩＤフィールドと、計測ＧＭ－ＢＨＱ値を格納する計測ＧＭ－ＢＨＱフィールドを有する。すなわち、計測ＢＨＱテーブル３０６は、被験者１０２の脳画像データの撮影日と、被験者１０２を一意に識別する被験者ＩＤと、計測ＧＭ－ＢＨＱ値とを紐付けて登録する。
第二の実施形態に係る認知症予測装置６０１において、推定ＢＨＱテーブル７０９は、第二被験者６０５が生活環境アンケートを回答した日であるアンケート受付日を格納するアンケート受付日フィールドと、第二被験者６０５を一意に識別する被験者ＩＤを格納する被験者ＩＤフィールドと、推定演算処理部７０５によって推定された、アンケート受付日フィールドに格納されているアンケート受付日における、第二被験者６０５の推定ＧＭ－ＢＨＱ値を格納する推定ＧＭ－ＢＨＱフィールドを有する。すなわち、推定ＢＨＱテーブルは、第二被験者６０５のアンケート受付日と、第二被験者６０５を一意に識別する被験者ＩＤと、推定ＧＭ－ＢＨＱ値とを紐付けて登録する。
計測ＢＨＱテーブル３０６のＭＲＩ撮影日フィールドに格納されるＭＲＩ撮影日と、推定ＢＨＱテーブル７０９のアンケート受付日フィールドに格納されるアンケート受付日は、ＧＭ－ＢＨＱ値演算処理部が被験者のＧＭ－ＢＨＱ値を演算出力した日であるＧＭ－ＢＨＱ値登録日という上位概念に含めることができる。
計測ＢＨＱテーブル３０６の計測ＧＭ－ＢＨＱフィールドに格納される計測ＧＭ－ＢＨＱ値と、推定ＢＨＱテーブル７０９の推定ＧＭ－ＢＨＱフィールドに格納される推定ＧＭ－ＢＨＱ値は、上述のように、被験者の脳の灰白質量の平均値に相当する値であるＧＭ－ＢＨＱ値という上位概念に含まれる。
したがって、計測ＢＨＱテーブル３０６と推定ＢＨＱテーブル７０９は、ＧＭ－ＢＨＱ値演算処理部が被験者のＧＭ－ＢＨＱ値を演算出力した日であるＧＭ－ＢＨＱ値登録日と、被験者を一意に識別する被験者ＩＤと、ＧＭ－ＢＨＱ値とを紐付けて登録するＢＨＱテーブルという上位概念に含めることができる。
第二の実施形態に係る認知症予測装置６０１において、推定ＢＨＱテーブル７０９は、第二被験者６０５が生活環境アンケートを回答した日であるアンケート受付日を格納するアンケート受付日フィールドと、第二被験者６０５を一意に識別する被験者ＩＤを格納する被験者ＩＤフィールドと、推定演算処理部７０５によって推定された、アンケート受付日フィールドに格納されているアンケート受付日における、第二被験者６０５の推定ＧＭ－ＢＨＱ値を格納する推定ＧＭ－ＢＨＱフィールドを有する。すなわち、推定ＢＨＱテーブルは、第二被験者６０５のアンケート受付日と、第二被験者６０５を一意に識別する被験者ＩＤと、推定ＧＭ－ＢＨＱ値とを紐付けて登録する。
計測ＢＨＱテーブル３０６のＭＲＩ撮影日フィールドに格納されるＭＲＩ撮影日と、推定ＢＨＱテーブル７０９のアンケート受付日フィールドに格納されるアンケート受付日は、ＧＭ－ＢＨＱ値演算処理部が被験者のＧＭ－ＢＨＱ値を演算出力した日であるＧＭ－ＢＨＱ値登録日という上位概念に含めることができる。
計測ＢＨＱテーブル３０６の計測ＧＭ－ＢＨＱフィールドに格納される計測ＧＭ－ＢＨＱ値と、推定ＢＨＱテーブル７０９の推定ＧＭ－ＢＨＱフィールドに格納される推定ＧＭ－ＢＨＱ値は、上述のように、被験者の脳の灰白質量の平均値に相当する値であるＧＭ－ＢＨＱ値という上位概念に含まれる。
したがって、計測ＢＨＱテーブル３０６と推定ＢＨＱテーブル７０９は、ＧＭ－ＢＨＱ値演算処理部が被験者のＧＭ－ＢＨＱ値を演算出力した日であるＧＭ－ＢＨＱ値登録日と、被験者を一意に識別する被験者ＩＤと、ＧＭ－ＢＨＱ値とを紐付けて登録するＢＨＱテーブルという上位概念に含めることができる。
【0124】
本発明の実施形態では、認知症予測装置を説明した。
第一の実施形態に係る認知症予測装置１０１は、第一ＭＲＩ撮影日１０６ａにＭＲＩ装置１０３で被験者１０２の脳を撮影し、被験者１０２の脳を撮像した第一ＭＲＩ画像ファイル群１０４ａから１１６個の灰白質量データを取得する。そして、認知症予測装置１０１は、灰白質量データの平均値を算出した第一の計測ＧＭ－ＢＨＱ値を算出する。この時点で認知症予測装置１０１は、平均的な計測ＧＭ－ＢＨＱ値の減少傾向に基づき、被験者１０２の計測ＧＭ－ＢＨＱ値が認知症ラインに到達する年齢、すなわち認知症罹患可能性年齢を算出することができる。
第一の実施形態に係る認知症予測装置１０１は、第一ＭＲＩ撮影日１０６ａにＭＲＩ装置１０３で被験者１０２の脳を撮影し、被験者１０２の脳を撮像した第一ＭＲＩ画像ファイル群１０４ａから１１６個の灰白質量データを取得する。そして、認知症予測装置１０１は、灰白質量データの平均値を算出した第一の計測ＧＭ－ＢＨＱ値を算出する。この時点で認知症予測装置１０１は、平均的な計測ＧＭ－ＢＨＱ値の減少傾向に基づき、被験者１０２の計測ＧＭ－ＢＨＱ値が認知症ラインに到達する年齢、すなわち認知症罹患可能性年齢を算出することができる。
【0125】
その後、認知症予測装置１０１は、第一ＭＲＩ撮影日１０６ａから最低１ヶ月、好ましくは３ヶ月から半年を経過した第二ＭＲＩ撮影日１０６ｂにＭＲＩ装置１０３で被験者１０２の脳を撮影する。そして、認知症予測装置１０１は、被験者１０２の脳を撮像した第二ＭＲＩ画像ファイル群１０４ｂから、１１６個の灰白質量データを取得する。また、認知症予測装置１０１は、灰白質量データの平均値を算出した第二の計測ＧＭ－ＢＨＱ値を算出する。
更に、認知症予測装置１０１は、第一の計測ＧＭ－ＢＨＱ値と第二の計測ＧＭ－ＢＨＱ値から傾きを算出し、被験者１０２の認知症罹患可能性年齢を算出することができる。
更に、認知症予測装置１０１は、第一の計測ＧＭ－ＢＨＱ値と第二の計測ＧＭ－ＢＨＱ値から傾きを算出し、被験者１０２の認知症罹患可能性年齢を算出することができる。
【0126】
第二の実施形態に係る認知症予測装置６０１は、教師あり学習アルゴリズムを利用する。
認知症予測装置６０１は、第一アンケート受付日６０６において第二被験者６０５の第一日程生活環境アンケート結果６０７から第二被験者６０５のＧＭ－ＢＨＱを推定し、第一の推定ＧＭ－ＢＨＱ値を得る。この時点で認知症予測装置６０１は、平均的なＧＭ－ＢＨＱの減少傾向に基づく認知症罹患可能性年齢を算出することができる。
また、認知症予測装置６０１は、第二アンケート受付日６０８において第二被験者６０５の第二日程生活環境アンケート結果６０９から第二被験者６０５のＧＭ－ＢＨＱを推定し、第二の推定ＧＭ－ＢＨＱ値を得る。
そして、認知症予測装置６０１は、第一の推定ＧＭ－ＢＨＱ値と第二の推定ＧＭ－ＢＨＱ値から傾きを算出し、第二被験者６０５の認知症罹患可能性年齢を算出することができる。
認知症予測装置６０１は、第一アンケート受付日６０６において第二被験者６０５の第一日程生活環境アンケート結果６０７から第二被験者６０５のＧＭ－ＢＨＱを推定し、第一の推定ＧＭ－ＢＨＱ値を得る。この時点で認知症予測装置６０１は、平均的なＧＭ－ＢＨＱの減少傾向に基づく認知症罹患可能性年齢を算出することができる。
また、認知症予測装置６０１は、第二アンケート受付日６０８において第二被験者６０５の第二日程生活環境アンケート結果６０９から第二被験者６０５のＧＭ－ＢＨＱを推定し、第二の推定ＧＭ－ＢＨＱ値を得る。
そして、認知症予測装置６０１は、第一の推定ＧＭ－ＢＨＱ値と第二の推定ＧＭ－ＢＨＱ値から傾きを算出し、第二被験者６０５の認知症罹患可能性年齢を算出することができる。
【0127】
以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、請求の範囲に記載した本発明の要旨を逸脱しない限りにおいて、他の変形例、応用例を含む。
【符号の説明】
【0128】
１０１…認知症予測装置、１０２…被験者、１０３…ＭＲＩ装置、１０４…ＭＲＩ画像ファイル群、１０４ａ…第一ＭＲＩ画像ファイル群、１０４ｂ…第二ＭＲＩ画像ファイル群、１０５…被験者ＩＤ、１０６…ＭＲＩ撮影日、１０６ａ…第一ＭＲＩ撮影日、１０６ｂ…第二ＭＲＩ撮影日、１０７…認知機能予測データ、２０１…ＣＰＵ、２０２…ＲＯＭ、２０３…ＲＡＭ、２０４…表示部、２０５…操作部、２０６…不揮発性ストレージ、２０７…ＲＴＣ、２０８…バス、２０９…シリアルポート、２１０…ＮＩＣ、３０１…入出力制御部、３０２…灰白質量算出部、３０３…神経線維異方性算出部、３０４…脳情報テーブル、３０５…平均値演算部、３０６…ＢＨＱテーブル、３０７…認知機能予測演算部、３０８…被験者マスタ、４０１…灰白質量データ群、４０２…神経線維異方性データ群、６０１…認知症予測装置、６０２…第一被験者、６０３…生活環境アンケート結果、６０４…近似関数パラメータ、６０５…第二被験者、６０６…第一アンケート受付日、６０７…第一日程生活環境アンケート結果、６０８…第二アンケート受付日、６０９…第二日程生活環境アンケート結果、６１０…認知機能予測データ、７０１…入出力制御部、７０３…アンケート回答群、７０４…学習演算処理部、７０５…推定演算処理部、７０６…被験者マスタ、７０７…計測ＢＨＱテーブル、７０８…アンケートテーブル、７０９…推定ＢＨＱテーブル
【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】