特許 7471094 学習支援装置及び方法

(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】2024-04-11

(45)【発行日】2024-04-19

(54)【発明の名称】学習支援装置及び方法

(51)【国際特許分類】

   G06F 18/22 20230101AFI20240412BHJP

   G06N 3/09 20230101ALI20240412BHJP

   G06N 20/00 20190101ALI20240412BHJP

   G16H 10/60 20180101ALI20240412BHJP

【ＦＩ】

G06F18/22

G06N3/09

G06N20/00 130

G16H10/60

【請求項の数】 9

(21)【出願番号】P 2020013906

(22)【出願日】2020-01-30

(65)【公開番号】P2021120800

(43)【公開日】2021-08-19

【審査請求日】2022-11-25

(73)【特許権者】

【識別番号】594164542

【氏名又は名称】キヤノンメディカルシステムズ株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】中津川 実

(72)【発明者】

【氏名】狩野 佑介

【審査官】渡辺 一帆

(56)【参考文献】

【文献】特開２０１４－２０４９９８（ＪＰ，Ａ）

【文献】特開２０１０－２００８４０（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１７／０２８６６２７（ＵＳ，Ａ１）

【文献】国際公開第２０１９／１８７３７２（ＷＯ，Ａ１）

【文献】野原 康伸 ほか，"Shapley Additive Explanation を用いた機械学習モデルの解釈と医療実データへの応用"，第３８回医療情報学連合大会（第１９回日本医療情報学会学術大会）論文集 ［ＣＤ－ＲＯＭ］，2018年，pp. 770-773

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ １８／２２

Ｇ０６Ｎ ３／０２－ ３／１０

Ｇ０６Ｎ ２０／００－２０／２０

Ｇ１６Ｈ １０／６０－１０／６５

(57)【特許請求の範囲】

【請求項1】

医学的な判断の指標となる医用データの条件と当該条件から導出される医学知識とを関連付けた知識ベースと、被検体に関する医用データの入力に応じて当該医用データの条件から医学的な推論結果を導出するよう機能付けられたモデルとに基づいて、前記医学知識と前記推論結果とのそれぞれの導出に係る前記医用データの条件を当該医用データの種別毎に比較する比較部と、
前記比較部の比較結果を出力する出力部と、
を備える学習支援装置。

【請求項2】

前記比較部は、前記医学知識と前記推論結果とが同一の事象又は関連する事象を表す前記医用データの条件同士を、当該医用データの種別毎に比較する請求項１に記載の学習支援装置。

【請求項3】

前記比較部の比較結果に基づいて、前記モデルの動作を調整する調整部を更に備える請求項１又は２に記載の学習支援装置。

【請求項4】

前記比較部の比較結果に基づいて、前記医学知識と前記推論結果とのそれぞれの導出に係る、前記医用データの条件の乖離度を反映した誤差関数を算出する誤差算出部を更に備え、
前記調整部は、前記誤差算出部が算出した前記誤差関数に基づき、前記モデルのパラメータを調整する請求項３に記載の学習支援装置。

【請求項5】

前記誤差算出部は、前記医学知識と前記推論結果との間における、前記医用データの条件値の差分を前記乖離度として前記誤差関数に反映させる請求項４に記載の学習支援装置。

【請求項6】

前記誤差算出部は、前記医学知識と前記推論結果との間で正負の係数が逆向きとなる前記医用データの個数を前記乖離度として前記誤差関数に反映させる請求項４に記載の学習支援装置。

【請求項7】

前記誤差関数を編集することが可能な編集部を更に備える請求項４～６の何れか一項に記載の学習支援装置。

【請求項8】

前記比較部の比較結果を可視化した画面を表示する可視化部を更に備える請求項１に記載の学習支援装置。

【請求項9】

医学的な判断の指標となる医用データの条件と当該条件から導出される医学知識とを関連付けた知識ベースと、被検体に関する医用データの入力に応じて当該医用データの条件から医学的な推論結果を導出するよう機能付けられたモデルとに基づいて、前記医学知識と前記推論結果とのそれぞれの導出に係る前記医用データの条件を当該医用データの種別毎に比較し、
前記比較の結果を出力する、
ことを含む、コンピュータによって実行される方法。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書等に開示の実施形態は、学習支援装置及び方法に関する。

【背景技術】

【0002】

従来、病院等の医療施設では、医学的な判断の指標となる医用データの条件を規定した診療ガイドライン等の知識ベースを用いて、診断や予後予測が行われている。また、近年では、医療施設内に蓄積された多数の被検体の医用データを用いて機械学習することで、モデル（学習済モデル）を作成することが行われている。

【0003】

上述のモデルでは、被検体から採取された医用データを入力することで、被検体の診断や予後予測を導出することが可能である。しかしながら、作成されるモデルによっては、診断や予後予測の導出に係る医用データの条件が、知識ベースに規定された医用データの条件と相反する可能性がある。

【先行技術文献】

【特許文献】

【0004】

【文献】米国特許第７８０５３８５号明細書

【発明の概要】

【発明が解決しようとする課題】

【0005】

本明細書等に開示の実施形態が解決しようとする課題の一つは、知識ベースの条件に適合するモデルの作成を支援することである。ただし、本明細書等に開示の実施形態により解決される課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を、本願明細書に開示の実施形態が解決する他の課題として位置づけることもできる。

【課題を解決するための手段】

【0006】

実施形態に係る学習支援装置は、比較部と、出力部とを備える。比較部は、医学的な判断の指標となる医用データの条件と当該条件から導出される医学知識とを関連付けた知識ベースと、被検体に関する医用データの入力に応じて当該医用データの条件から医学的な推論結果を導出するよう機能付けられたモデルとに基づいて、前記医学知識と前記診断結果とのそれぞれの導出に係る前記医用データの条件を当該医用データの種別毎に比較する。出力部は、前記比較部の比較結果を出力する。

【図面の簡単な説明】

【0007】

【図1】図１は、実施形態に係る学習支援システムの構成例を示す図である。

【図2】図２は、実施形態に係る学習支援装置の機能構成の一例を示す図である。

【図3】図３は、実施形態に係る生体パラメータの比較結果の一例を模式的に示す図である。

【図4】図４は、実施形態の学習支援装置が行う処理の一例を示すフローチャートである。

【図5】図５は、変形例１に係る学習支援装置の機能構成の一例を示す図である。

【図6】図６は、変形例１の可視化機能が表示する画面の一例を示す図である。

【図7】図７は、変形例１の可視化機能が表示する画面の一例を示す図である。

【発明を実施するための形態】

【0008】

以下、図面を参照しながら、学習支援装置及び方法の実施形態について説明する。

【0009】

図１は、実施形態に係る学習支援システムの構成例を示すブロック図である。図１に示すように、学習支援システム１は、学習支援装置１０と、知識ベース記憶装置２０と、診療データ記憶装置３０とを備える。学習支援装置１０、知識ベース記憶装置２０、及び診療データ記憶装置３０は、例えば病院等の医療施設に設置され、ネットワークＮ１を介して互いに通信可能に接続される。

【0010】

なお、ネットワークを介して接続可能であれば、学習支援装置１０、知識ベース記憶装置２０、及び診療データ記憶装置３０が設置される場所は任意に変更可能である。例えば、学習支援装置１０及び知識ベース記憶装置２０は、診療データ記憶装置３０が設置される医療施設とは異なる場所（例えばデータセンタ等）に設置されてもよい。

【0011】

知識ベース記憶装置２０は、知識ベース２１を記憶する記憶装置である。知識ベース記憶装置２０は、例えば、ＤＢ（Ｄａｔａｂａｓｅ）サーバ等のコンピュータ機器によって実現され、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等の記憶回路に知識ベース２１を記憶する。

【0012】

知識ベース２１は、医学論文や診療ガイドライン等で規定された、病気の診断・治療・予後予測等の医学的な判断の指標（根拠）となる医用データの条件を定めたデータである。例えば、知識ベース記憶装置２０は、知識ベース２１として、指標となる生体パラメータの条件と、当該条件から導出される医学的なリスクや、病名、予後予測等の医学知識とを関連付けて記憶する。ここで、生体パラメータは、例えば心拍数や血圧等、各種検査によって得られる医用データや、年齢や性別や人種などの患者属性、家族構成などの社会的属性に対応する。また、生体パラメータの条件は、指標として使用される生体パラメータの種別と、当該生体パラメータの条件値との組を意味する。例えば、条件値は、心拍数や血圧等、各種検査によって得られる医用データの値を意味する。条件値は、閾値や数値範囲等を定量的に表したものであってもよいし、増加・減少等の経時的な変化の傾向を定性的に表したものであってもよい。

【0013】

診療データ記憶装置３０は、診療データ３１を記憶する記憶装置である。診療データ記憶装置３０は、例えば、ＤＢサーバ等のコンピュータ機器によって実現され、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等の記憶回路に診療データ３１を記憶する。

【0014】

診療データ３１は、被検体に対して実施された検査結果等を記録したデータ群である。例えば、診療データ記憶装置３０は、被検体の各々を識別する患者ＩＤに関連付けて、その被検体に対して実施された各種検査の検査結果を記録した診療データを時系列順に記憶する。つまり、診療データは、被検体から採取された各種の生体パラメータ（医用データ）を含んでいる。

【0015】

なお、本実施形態では、診療データ記憶装置３０は、後述するモデルＭ１の生成に使用する診療データ３１（以下、学習用データともいう）と、モデルＭ１の検証に使用する診療データ３１（以下、検証用データともいう）とを記憶する。この場合、学習用データは、各被検体の診療データとともに、当該診療データから導出された医師等の医療従事者の診断結果を教師データとして含んでもよい。

【0016】

学習支援装置１０は、知識ベース記憶装置２０及び診療データ記憶装置３０に記憶されたデータに基づいて、病気の診断・治療効果の判定・予後予測等の医学的な推論結果を導出することが可能なモデルＭ１の生成に係る処理を実行する。

【0017】

例えば、学習支援装置１０は、診療データ記憶装置３０に記憶された学習用データを用いてモデルＭ１を生成するための処理を実行する。また、学習支援装置１０は、知識ベース記憶装置２０の知識ベース２１に規定された生体パラメータの条件に基づき、モデルＭ１の動作を調整するための処理を実行する。学習支援装置１０は、例えば、ワークステーション等のコンピュータ機器によって実現される。

【0018】

図１に示すように、学習支援装置１０は、入力インターフェース１０１と、ディスプレイ１０２と、記憶回路１０３と、処理回路１１０とを有する。入力インターフェース１０１、ディスプレイ１０２、記憶回路１０３、及び処理回路１１０は、互いに接続される。

【0019】

入力インターフェース１０１は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１１０に出力する。例えば、入力インターフェース１０１は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。

【0020】

なお、入力インターフェース１０１は、学習支援装置１０本体と無線通信可能なタブレット端末等で構成されることとしても構わない。また、入力インターフェース１０１は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、学習支援装置１０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路１１０へ出力する電気信号の処理回路も入力インターフェース１０１の例に含まれる。

【0021】

ディスプレイ１０２は、各種の情報を表示する。例えば、ディスプレイ１０２は、処理回路１１０による制御の下、処理回路１１０による処理結果を表示する。また、ディスプレイ１０２は、入力インターフェース１０１を介して操作者から各種指示や各種設定等を受け付けるためのＧＵＩ（Graphical User Interface）を表示する。例えば、ディスプレイ１０２は、液晶ディスプレイやＣＲＴ（Cathode Ray Tube）ディスプレイである。ディスプレイ１０２は、デスクトップ型でもよいし、学習支援装置１０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

【0022】

記憶回路１０３は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、記憶回路１０３は、学習支援装置１０に含まれる回路がその機能を実現するためのプログラムを記憶する。また、例えば、記憶回路１０３は、知識ベース記憶装置２０や診療データ記憶装置３０から取得した各種データを記憶する。また、例えば、記憶回路１０３は、モデルＭ１を記憶する。

【0023】

処理回路１１０は、学習支援装置１０の処理全体を制御する。例えば、処理回路１１０は、図２に示すように、学習機能１１１と、比較機能１１２と、誤差算出機能１１３とを実行する。ここで、学習機能１１１は、調整部の一例である。比較機能１１２は、比較部及び出力部の一例である。誤差算出機能１１３は、誤差算出部の一例である。なお、図２は、学習支援装置１０の機能構成の一例を示す図である。

【0024】

例えば、学習機能１１１、比較機能１１２、及び誤差算出機能１１３が実行する各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１０３に記録されている。処理回路１１０は、各プログラムを記憶回路１０３から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路１１０は、図２の処理回路１１０内に示された各機能を有することとなる。

【0025】

学習機能１１１は、診療データ記憶装置３０に記憶された学習用データを用いて、上述したモデルＭ１を生成する。具体的には、学習機能１１１は、各被検体の診療データ３１と、当該診療データ３１に対する医師の判断結果（例えば、病気の診断・治療効果の判定・予後予測等の医学的な判断結果）とを用いて、ロジスティック回帰、ニューラルネットワーク、ディープラーニング等のアルゴリズムに基づく機械学習を行う。そして、学習機能１１１は、ＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）、ＦＮＮ（Feedforward Neural Network：順伝搬型ニューラルネットワーク）等のネットワークで構成される学習済モデルを生成し、生成した学習済モデルをモデルＭ１として記憶回路１０３に記憶させる。

【0026】

モデルＭ１は、診断対象となる被検体の診療データの入力に応じて、病気の診断・治療効果の判定・予後予測等の医学的な推論結果を導出するよう機能付けられる。具体的には、学習機能１１１は、診療データに含まれた生体パラメータの条件と、教師データとなる医療従事者の診断結果との関係を学習させることで、診療データに含まれた生体パラメータの条件から病気の診断・治療効果の判定・予後予測等の推論結果を出力するよう機能付けられたモデルＭ１を生成する。

【0027】

上述のモデルＭ１は、例えば複数の関数が合成されたパラメータ付き合成関数で表される。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。

【0028】

例えば、モデルＭ１がＦＮＮで生成される場合、パラメータ付き合成関数は、重み付行列を用いた各層間の線形関係、各層における活性化関数を用いた非線形関係（又は線形関係）、及びバイアスの組み合わせとして定義される。活性化関数は、ロジスティックシグモイド関数（ロジスティック関数）、双曲線正接関数、正規化線形関数、線形写像、恒等写像、マックスアウト関数等、目的に応じて種々の関数を選択することができる。

【0029】

重み付行列、及びバイアスは、多層化ネットワークの動きを定義するパラメータ（以下、モデルパラメータともいう）となる。パラメータ付き合成関数は、モデルパラメータをどのように選ぶかで、関数としての形を変える。多層化ネットワークでは、構成するモデルパラメータを適切に設定することで、出力層から好ましい結果を出力することが可能な関数を定義することができる。

【0030】

モデルパラメータは、学習用データと誤差関数とを用いた学習を実行することで設定される。ここで、誤差関数は、生体パラメータを入力した多層化ネットワークからの出力と教師データとの近さを表す関数である。誤差関数の代表例としては、二乗誤差関数、最尤度推定関数、交差エントロピー関数等が挙げられる。誤差関数として選択する関数は、多層化ネットワークが取り扱う問題（例えば、回帰問題、二値問題、多クラス分類問題等）に依存する。モデルパラメータは、モデルＭ１の生成過程において、例えば誤差関数を極小にする値が決定される。

【0031】

比較機能１１２は、知識ベース記憶装置２０に記憶された知識ベース２１と、記憶回路１０３に記憶されたモデルＭ１とに基づいて、知識ベース２１により導出される医学知識と、モデルＭ１により導出される推論結果とのそれぞれの導出に係る生体パラメータの条件値を当該生体パラメータの種別毎に比較する。

【0032】

具体的には、比較機能１１２は、知識ベース２１により導出される医学知識と、モデルＭ１により導出される推論結果とが同一の事象又は関連する事象を表す生体パラメータの条件同士を、生体パラメータの種別毎に比較する。

【0033】

例えば、知識ベース２１により導出される医学知識と、モデルＭ１により導出される推論結果とが共に心不全の兆候を表す場合、比較機能１１２は、これらの医学知識と推論結果とが同一の事象を導出すると判断する。この場合、比較機能１１２は、「心不全」を導出する医学知識及び推論結果に係る生体パラメータの条件同士を、生体パラメータの種別毎に比較する。また、例えば、知識ベース２１により導出される医学知識が心筋症の兆候を表し、モデルＭ１により導出される推論結果が心不全の兆候を表すような場合、比較機能１１２は、これらの医学知識と推論結果とが関連する事象を導出すると判断する。この場合、比較機能１１２は、関連する事象を導出する医学知識及び推論結果に係る生体パラメータの条件同士を、生体パラメータの種別毎に比較する。

【0034】

より具体的には、比較機能１１２は、知識ベース２１に規定された医学知識に基づき、当該医学知識と同一又は関連する事象を表した推論結果の導出に係る生体パラメータの条件（生体パラメータの種別とその条件値）をモデルＭ１から取得する。そして、比較機能１１２は、モデルＭ１から取得した生体パラメータの条件値と、知識ベース２１に規定された生体パラメータの条件値とを生体パラメータの種別毎に比較し、その比較結果を誤差算出機能１１３に出力する。

【0035】

なお、同一又は関連する事象と判断する判断基準は特に問わず、任意に設定することが可能である。また、入力インターフェース１０１を介した手動操作により、比較の対象となる医学知識と推論結果との組が指示されてもよい。

【0036】

また、モデルＭ１から生体パラメータの条件値を取得する方法は特に問わず、種々の方法を用いることが可能である。例えば、比較機能１１２は、特徴量の重要度計測等の公知技術を用いることで、推論結果の導出に寄与した生体パラメータの種別とその条件値とをモデルＭ１から取得してもよい。また、生体パラメータの種別毎に推論結果の導出に寄与した寄与度を重要度として計測し、閾値等を定めることで寄与度の高い生体パラメータの種別を選定してもよい。

【0037】

また、比較機能１１２がモデルＭ１から取得する生体パラメータの条件値は定量的な数値に限らず、定性的なものであってもよい。例えば、比較機能１１２は、生体パラメータの経時的な変化の傾向（増加、低下等）を条件値として取得してもよい。なお、モデルＭ１から取得する条件値の形式は、知識ベース２１に規定された対応する生体パラメータ種別の条件値の形式と一致させることが好ましい。

【0038】

誤差算出機能１１３は、比較機能１１２の比較結果に基づいて、知識ベース２１とモデルＭ１との間における、生体パラメータの条件の乖離度を算出する。

【0039】

具体的には、誤差算出機能１１３は、比較対象となった両条件値の差分や、プラス・マイナスの係数の相違性に基づいて、生体パラメータの種別毎に乖離の有無を判定する。そして、誤差算出機能１１３は、乖離ありと判定した生体パラメータの個数や条件値に基づきペナルティ付き誤差を算出する。

【0040】

ここで、図３を参照して、誤差算出機能１１３の動作について説明する。図３は、生体パラメータの比較結果の一例を模式的に示す図である。

【0041】

図３では、知識ベース２１及びモデルＭ１から取得された心不全の兆候予測に係る生体パラメータの条件を示している。具体的には、図３では、知識ベース２１とモデルＭ１とで共通する生体パラメータの種別として、心拍数、呼吸数、尿量等の１５項目を挙げている。また、図３では、知識ベース２１における生体パラメータの条件値として経時的な増減傾向を取得した例を示している。また、図３では、モデルＭ１の係数の正負を取得した例を示している。

【0042】

ここで、例えば、生体パラメータ「心拍数」に着目すると、知識ベース２１及びモデルＭ１の何れも増加（＋）傾向にあると、心不全の兆候が予測されることが分かる。この場合、誤差算出機能１１３は、パラメータ「心拍数」について「乖離なし」と判断する。一方、パラメータ「呼吸数」に着目すると、知識ベース２１とモデルＭ１とで増減傾向の係数が逆向きの関係にあることが分かる。この場合、誤差算出機能１１３は、パラメータ「呼吸数」について「乖離あり」と判断する。

【0043】

また、誤差算出機能１１３は、比較機能１１２の比較結果の中に「乖離あり」と判断した生体パラメータが存在する場合、知識ベース２１とモデルＭ１との間における、生体パラメータの条件の乖離の程度（以下、乖離度ともいう）を反映したペナルティ付き誤差関数Ｌ’を下記式（１）に基づいて算出する。なお、ペナルティ付き誤差は、ペナルティ付き誤差関数Ｌ’の出力値に対応する。

【0044】

Ｌ’＝Ｌ＋λ×Ｒ …（１）

【0045】

上記式（１）において、「Ｌ」はモデルＭ１の初期生成時に設定された誤差関数を意味する。「λ」はモデルＭ１のハイパーパラメータであり、任意の定数が設定される。「Ｒ」は誤差算出機能１１３の判定結果に応じて定まる項（以下、Ｒ項という）である。なお、λとＲ項とによってペナルティ項が形成される。

【0046】

Ｒ項は、例えば、モデルＭ１を構成する各層のノードへの入力値における重み係数を成分とした多項式によって表される。具体的には、Ｒ項は、乖離度が大きいほど、ペナルティ付き誤差関数Ｌ’が大きく作用するよう設定される。

【0047】

例えば、Ｒ項は、誤差算出機能１１３が乖離ありと判断した生体パラメータの個数に基づき、当該個数が大きくなるほど、ペナルティ付き誤差関数Ｌ’が大きく作用するよう設定される。かかるペナルティ付き誤差関数Ｌ’を用いて、Ｌ’を最小にするようにモデルＭ１を修正し、モデルＭ１の動作を調整することで、モデルＭ１が推論結果の導出に使用する生体パラメータの条件を、知識ベース２１に規定された生体パラメータの条件に効率的に近付けることができる。

【0048】

なお、図３では、正負の係数が逆向きの関係にある生体パラメータを乖離ありと判断したが、判断方法はこれに限らないものとする。例えば、医用データの条件値が定量的に表される場合、誤差算出機能１１３は、条件値間の差分が閾値を上回った生体パラメータを乖離ありと判断してもよい。また、この場合、Ｒ項は、誤差算出機能１１３が乖離ありと判断した条件値間の差分に基づき、当該差分が大きくなるほど、ペナルティ付き誤差関数Ｌ’が大きく作用するよう設定される。

【0049】

例えば、Ｒ項は、条件値間の差分の自乗和の値に基づき、当該値が大きくなるほど、ペナルティ付き誤差関数Ｌ’が大きく作用するよう設定してもよい。かかるペナルティ付き誤差関数Ｌ’を用いてモデルＭ１を調整することで、モデルＭ１が推論結果の導出に使用する生体パラメータの条件を、知識ベース２１に規定された生体パラメータの条件に効率的に近付けることができる。

【0050】

また、図３の例では、生体パラメータの種別毎に乖離の有無を判定する形態を説明したが、複数種別の生体パラメータをグルーピングし、当該グループの単位で乖離の有無を判定してもよい。例えば、心臓病等の病気では、複数の生体パラメータが有意な関係を有する場合がある。この場合、誤差算出機能１１３は、有意な関係にある複数の生体パラメータを同一グループにグルーピングし、知識ベース２１とモデルＭ１とで、グループ内の条件値の何れか又は全てが相違する場合に乖離ありと判定する。

【0051】

これにより、誤差算出機能１１３は、知識ベース２１とモデルＭ１との間において、複数の生体パラメータの条件の乖離度を、当該生体パラメータのグループ単位で判定することができる。したがって、誤差算出機能１１３は、例えば有意な関係を有する生体パラメータ等、複数の生体パラメータの関係性に基づき、乖離の有無を判定することができる。

【0052】

また、図３の例では、知識ベース２１とモデルＭ１とで同種の生体パラメータを比較する形態を説明したが、モデルＭ１から取得される生体パラメータの種別と知識ベース２１に規定された生体パラメータの種別とが一致しない場合も想定される。例えば、モデルＭ１の推論に寄与した生体パラメータの種別数が、知識ベース２１に規定された生体パラメータの種別数を上回る場合、モデルＭ１は、知識ベース２１に規定された種別以外の他の種別の生体パラメータも用いて推論結果を導出することになる。

【0053】

このような場合、誤差算出機能１１３は、他の種別の生体パラメータの寄与度を低下させるようＲ項を設定したペナルティ付き誤差関数Ｌ’を算出してもよい。これにより、誤差算出機能１１３は、モデルＭ１が推論に用いる生体パラメータの条件を、知識ベース２１に規定された生体パラメータの条件に近づけることができる。

【0054】

学習機能１１１は、比較機能１１２の判定結果に基づいて、モデルＭ１の動作を調整する。より具体的には、学習機能１１１は、誤差算出機能１１３が算出したペナルティ付き誤差関数Ｌ’に基づき、ペナルティ付き誤差関数Ｌ’の出力値であるペナルティ付き誤差が小さくなる方向にモデルＭ１のモデルパラメータを調整する。例えば、学習機能１１１は、ペナルティ付き誤差関数Ｌ’に基づき、誤差逆伝播法等によりモデルＭ１のモデルパラメータにフィードバックを与えることで、ペナルティ付き誤差が小さくなる方向にモデルＭ１のモデルパラメータを調整する。

【0055】

学習機能１１１は、多数の検証用データを用いて繰り返し学習することによって、知識ベース２１とモデルＭ１との間における、生体パラメータの条件の乖離を最小化するモデルパラメータを得ることができる。このようにして、学習機能１１１は、知識ベース２１の条件に適合したモデルＭ１を生成する。

【0056】

次に、図４を参照して、学習支援装置１０が行う処理について説明する。図４は、学習支援装置１０が行う処理の一例を示すフローチャートである。なお、本処理の前提として、学習用データに基づき生成されたモデルＭ１が記憶回路１０３に記憶されているものとする。

【0057】

まず、学習機能１１１は、モデルＭ１に対し検証用データ（診療データ３１）を入力する（ステップＳ１１）。診療データの入力により、モデルＭ１は、検証用データに含まれた生体パラメータの条件に基づき、病気の診断・治療効果の判定、予後予測等の推論結果を導出する。

【0058】

比較機能１１２は、知識ベース２１を参照し、モデルＭ１の推論結果が、知識ベース２１に規定された医学知識に一致又は関連するか否かを判定する（ステップＳ１２）。ここで、一致も関連もしないと判定した場合（ステップＳ１２；Ｎｏ）、比較機能１１２は、ステップＳ１１に処理を戻す。

【0059】

一方、推論結果が一致又は関連すると判定した場合（ステップＳ１２；Ｙｅｓ）、比較機能１１２は、当該推論結果の推論に寄与した生体パラメータの条件をモデルＭ１から取得する（ステップＳ１３）。また、比較機能１１２は、知識ベース２１の該当するエントリから、医学知識の導出に係る生体パラメータの条件を取得する（ステップＳ１４）。

【0060】

比較機能１１２は、ステップＳ１３及びステップＳ１４で取得した生体パラメータの条件値を同種の生体パラメータ毎に比較し、その比較結果を誤差算出機能１１３に出力する（ステップＳ１５）。

【0061】

続いて、誤差算出機能１１３は、ステップＳ１５の比較結果に基づいて、ペナルティ付き誤差関数Ｌ’を算出する（ステップＳ１６）。そして、学習機能１１１は、ステップＳ１６で算出されたペナルティ付き誤差関数Ｌ’のペナルティ付き誤差が小さくなる方向にモデルＭ１のモデルパラメータを調整し（ステップＳ１７）、ステップＳ１１に戻る。

【0062】

このように、学習支援装置１０は、知識ベース２１とモデルＭ１とに基づいて、医学知識と推論結果とのそれぞれの導出に係る医用データの条件を生体パラメータの種別毎に比較し、その比較結果を出力する。そして、学習支援装置１０は、医学知識と推論結果との導出に係る、生体パラメータの条件の乖離度を表したペナルティ付き誤差関数Ｌ’を算出し、ペナルティ付き誤差が小さくなる方向にモデルＭ１のモデルパラメータを調整する。

【0063】

これにより、学習支援装置１０は、知識ベース２１とモデルＭ１との間の、生体パラメータの条件の乖離を小さくしたモデルＭ１を得ることができる。したがって、学習支援装置１０は、知識ベース２１の条件に適合するモデルＭ１の作成を支援することができる。

【0064】

なお、上述した実施形態は、学習支援装置１０が有する構成又は機能の一部を変更することで、適宜に変形して実施することも可能である。そこで、以下では、上述した実施形態に係るいくつかの変形例を他の実施形態として説明する。なお、以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。また、以下で説明する変形例は、個別に実施されてもよいし、適宜組み合わせて実施されてもよい。

【0065】

（変形例１）
図５は、本変形例に係る処理回路１１０の機能構成の一例を示す図である。図５に示すように、処理回路１１０は、図２で説明した各機能を備えるとともに、可視化機能１１４と編集機能１１５とを新たに備える。ここで、可視化機能１１４は、出力部及び可視化部の一例である。編集機能１１５は、編集部の一例である。なお、本変形例の比較機能１１２は、生体パラメータの比較結果を誤差算出機能１１３及び可視化機能１１４に出力する。

【0066】

可視化機能１１４は、学習機能１１１、比較機能１１２及び誤差算出機能１１３の処理結果や処理の状態を可視化した画面をディスプレイ１０２に表示（出力）させる。

【0067】

例えば、可視化機能１１４は、比較機能１１２の比較結果を可視化した画面をディスプレイ１０２に表示させる。一例として、可視化機能１１４は、図６に示すように、図３で説明した比較結果を表す画面Ｇ１をディスプレイ１０２に表示させる。ここで、図６は、可視化機能１１４が表示する画面Ｇ１の一例を示す図である。

【0068】

また、可視化機能１１４は、誤差算出機能１１３の判定結果を用いることで、乖離ありと判定された生体パラメータを強調表示させてもよい。図６では、可視化機能１１４は、乖離ありと判定された生体パラメータ（呼吸数）のエントリＧ１１を強調表示させた例を示している。

【0069】

これにより、学習支援装置１０のオペレータは、可視化機能１１４によって表示された画面Ｇ１を見ることで、知識ベース２１とモデルＭ１との間における、生体パラメータの条件の違いを容易に確認することができる。したがって、学習支援装置１０は、知識ベース２１の条件に適合するモデルＭ１の作成を支援することができる。

【0070】

また、可視化機能１１４は、誤差算出機能１１３が算出したペナルティ付き誤差関数Ｌ’を可視化し、ディスプレイ１０２に表示させる。例えば、可視化機能１１４は、編集機能１１５によって編集可能な状態でペナルティ付き誤差関数Ｌ’を表示させる。これにより、学習支援装置１０のオペレータは、誤差算出機能１１３が算出したペナルティ付き誤差関数Ｌ’の内容を容易に確認することができる。したがって、学習支援装置１０は、モデルＭ１の作成に係る利便性の向上を図ることができ、知識ベース２１の条件に適合するモデルＭ１の作成を支援することができる。

【0071】

編集機能１１５は、学習機能１１１、比較機能１１２及び誤差算出機能１１３の処理結果や処理の状態に対する編集操作を、入力インターフェース１０１を介して受け付ける。

【0072】

例えば、編集機能１１５は、ディスプレイ１０２に表示された誤差算出機能１１３の判定結果に対する編集操作を受け付ける。一例として、編集機能１１５は、判定結果を表す画面に基づき、ペナルティ項（Ｒ項）に組み込む又はペナルティ項から除外する生体パラメータを指示する操作を受け付ける。この場合、誤差算出機能１１３は、可視化機能１１４を介して、指示された生体パラメータをペナルティ項に組み込む処理、又はペナルティ項から除外する処理を実行する。これにより、学習支援装置１０は、学習支援装置１０のオペレータに対し、ペナルティ付き誤差関数Ｌ’の編集操作を提供することができるため、知識ベース２１の条件に適合するモデルＭ１の作成を支援することができる。

【0073】

また、例えば、編集機能１１５は、ディスプレイ１０２に表示されたペナルティ付き誤差関数Ｌ’に対する編集操作を受け付ける。一例として、編集機能１１５は、ペナルティ付き誤差関数Ｌ’のハイパーパラメータ「λ」に対する編集操作を受け付ける。この場合、誤差算出機能１１３は、可視化機能１１４を介して、ハイパーパラメータの値を変更する処理を実行する。これにより、学習支援装置１０は、学習支援装置１０のオペレータに対し、ペナルティ付き誤差関数Ｌ’の編集操作を提供することができるため、知識ベース２１の条件に適合するモデルＭ１の作成を支援することができる。

【0074】

なお、図６では、編集機能１１５が受け付けた編集操作が、可視化機能１１４を介して誤差算出機能１１３に伝達される構成例としたが、これに限らず、編集機能１１５が受け付けた編集操作が、誤差算出機能１１３に直接伝達される構成としてもよい。

【0075】

また、ペナルティ付き誤差関数Ｌ’が編集された場合、学習機能１１１は、編集後のペナルティ付き誤差関数Ｌ’に基づいたモデルＭ１を一つ生成する形態としてもよいし、編集前後のペナルティ付き誤差関数Ｌ’に基づくモデルＭ１を個別に生成する形態としてもよい。後者の場合、学習機能１１１は、編集前後のペナルティ付き誤差関数Ｌ’に基づくモデルＭ１を個別に生成し、世代の異なるモデルＭ１として記憶回路１０３に記憶する。さらに、世代毎にモデルＭ１を保持する場合、学習機能１１１、比較機能１１２、誤差算出機能１１３及び可視化機能１１４は、以下の処理を行ってもよい。

【0076】

まず、学習機能１１１は、検証用データを用いることで、モデルＭ１の推論結果と教師データとの一致率（正答率）をモデルＭ１の世代毎に算出する。また、比較機能１１２及び誤差算出機能１１３は、モデルＭ１の推論に寄与する生体パラメータの条件と、知識ベース２１に規定された生体パラメータの条件との乖離率（又は合致率）を、モデルＭ１の世代毎に算出する。ここで、乖離率の算出方法は特に問わず、例えば、知識ベース２１とモデルＭ１とから取得された生体パラメータのうち、誤差ありと判断された生体パラメータが占める割合を乖離率として算出してもよい。

【0077】

そして、可視化機能１１４は、学習機能１１１、比較機能１１２及び誤差算出機能１１３によって算出された各世代のモデルＭ１に関する情報を比較可能な状態でディスプレイ１０２に表示させる。例えば、可視化機能１１４は、図７に示すように、モデルＭ１の世代毎に、そのモデルＭ１の正当率と知識ベース２１との乖離率とを表した画面Ｇ２をディスプレイ１０２に表示させる。

【0078】

図７は、可視化機能１１４が表示する画面Ｇ２の一例を示す図である。図７では、３世代分のモデルＭ１の正答率及び乖離率を表示した例を示している。ここで、第１世代が、誤差算出機能１１３によって自動設定されたペナルティ付き誤差関数Ｌ’に基づくモデルＭ１を意味する。また、第２世代が、第１世代のペナルティ付き誤差関数Ｌ’を編集した後のモデルＭ１に対応し、第３世代が、第２世代のペナルティ付き誤差関数Ｌ’を更に編集した後のモデルＭ１に対応する。

【0079】

図７において、例えば乖離率に着目すると、第２世代のモデルＭ１が、知識ベース２１との合致率が最も高いことが分かる。また、例えば正当率に着目すると、第３世代のモデルＭ１が、正当率が最も高いことが分かる。このように、可視化機能１１４が提供する画面Ｇ２により、学習支援装置１０のオペレータは、各世代のモデルＭ１が有する能力（評価値）を容易に比較することができる。これにより、学習支援装置１０は、オペレータに対し、ペナルティ付き誤差関数Ｌ’の編集前後のモデルＭ１の状態を提示することができるため、知識ベース２１の条件に適合するモデルＭ１の作成を支援することができる。

【0080】

（変形例２）
上述の実施形態では、知識ベース記憶装置２０が知識ベース２１を保持する形態を説明したが、学習支援装置１０が知識ベース２１を保持してもよい。また、上述の実施形態では、診療データ記憶装置３０が診療データ３１を保持する形態を説明したが、学習支援装置１０が診療データ３１を保持してもよい。

【0081】

また、上述の実施形態では、学習支援装置１０がモデルＭ１を生成し、当該モデルＭ１を記憶回路１０３に保持する形態を説明したが、この形態に限定されるものではない。例えば、モデルＭ１は、学習支援装置１０以外の外部装置で生成されたものであってもよいし、学習支援装置１０がアクセス可能な外部装置に保持されていてもよい。

【0082】

なお、上述した実施形態では、学習支援装置１０が備える機能構成を、処理回路１１０によって実現する場合の例を説明したが、実施形態はこれに限られない。例えば、本明細書における機能構成は、ハードウェアのみ、又は、ハードウェアとソフトウェアとの混合によって同機能を実現するものであっても構わない。

【0083】

また、上述した説明で用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサが例えばＣＰＵである場合、プロセッサは記憶回路１０３に保存されたプログラムを読み出し実行することで機能を実現する。一方、プロセッサが例えばＡＳＩＣである場合、記憶回路１０３にプログラムを保存する代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。更に、各図における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

【0084】

ここで、プロセッサによって実行されるプログラムは、ＲＯＭ（Read Only Memory）や記憶回路等に予め組み込まれて提供される。なお、このプログラムは、これらの装置にインストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disk）－ＲＯＭ、ＦＤ（Flexible Disk）、ＣＤ－Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記憶媒体に記録されて提供されてもよい。また、このプログラムは、インターネット等のネットワークに接続されたコンピュータ上に格納され、ネットワーク経由でダウンロードされることにより提供又は配布されてもよい。例えば、このプログラムは、上述した各機能部を含むモジュールで構成される。実際のハードウェアとしては、ＣＰＵが、ＲＯＭ等の記憶媒体からプログラムを読み出して実行することにより、各モジュールが主記憶装置上にロードされて、主記憶装置上に生成される。

【0085】

以上説明した少なくとも１つの実施形態によれば、知識ベースの条件に適合するモデルの作成を支援することができる。

【0086】

いくつかの実施形態（変形例）を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

【符号の説明】

【0087】

１ 学習支援システム
１０ 学習支援装置
２０ 知識ベース記憶装置
２１ 知識ベース
３０ 診療データ記憶装置
３１ 診療データ
１１１ 学習機能
１１２ 比較機能
１１３ 誤差算出機能
１１４ 可視化機能
１１５ 編集機能
Ｍ１ モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】