特許 7510124 診断支援装置、学習モデル生成装置、診断支援方法、及びプログラム

(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】2024-06-25

(45)【発行日】2024-07-03

(54)【発明の名称】診断支援装置、学習モデル生成装置、診断支援方法、及びプログラム

(51)【国際特許分類】

   G16H 50/20 20180101AFI20240626BHJP

   G06F 40/279 20200101ALI20240626BHJP

   G16H 50/50 20180101ALI20240626BHJP

【ＦＩ】

G16H50/20

G06F40/279

G16H50/50

【請求項の数】 10

(21)【出願番号】P 2020100986

(22)【出願日】2020-06-10

(65)【公開番号】P2021196701

(43)【公開日】2021-12-27

【審査請求日】2023-05-10

(73)【特許権者】

【識別番号】000232092

【氏名又は名称】ＮＥＣソリューションイノベータ株式会社

(73)【特許権者】

【識別番号】504179255

【氏名又は名称】国立大学法人 東京医科歯科大学

(74)【代理人】

【識別番号】110002044

【氏名又は名称】弁理士法人ブライタス

(72)【発明者】

【氏名】小戸 司

(72)【発明者】

【氏名】武田 英之

(72)【発明者】

【氏名】今井 耕輔

(72)【発明者】

【氏名】遠藤 明史

(72)【発明者】

【氏名】森尾 友宏

【審査官】松尾 真人

(56)【参考文献】

【文献】中国特許出願公開第１１１１２８３９１（ＣＮ，Ａ）

【文献】特開２０１７－０２７５１０（ＪＰ，Ａ）

【文献】特開２００９－２３８１１５（ＪＰ，Ａ）

【文献】特開２０１７－２０１４３７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１６Ｈ １０／００－８０／００

Ｇ０６Ｆ ４０／２０－４０／５８

(57)【特許請求の範囲】

【請求項1】

診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理部と、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理部と、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成部と、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定部と、
患者から取得した訓練データを用いて、前記学習モデルを生成する、学習モデル生成部と、
を備え、
前記テキスト処理部は、前記訓練データの取得先となった患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成し、
前記言語処理部は、前記訓練データの取得先となった患者毎に、当該患者の前記所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成し、
前記特徴ベクトル生成部は、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出し、前記単語列毎に、当該単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、前記患者毎に、抽出した前記特徴と算出した前記指標とを用いて、特徴ベクトルを生成し、
前記学習モデル生成部は、前記患者毎に生成された前記特徴ベクトルと、前記訓練データの取得先となった患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を前記訓練データとして、機械学習を行って、前記学習モデルを生成する、
ことを特徴とする診断支援装置。

【請求項2】

請求項１に記載の診断支援装置であって、
前記言語処理部が、前記言語処理として、前記所見データ及び前記検査テキストデータから、これらを構成する単語を抽出し、抽出した前記単語に対して、同義とみなす単語を定義する同義辞書及び単語が属するグループを定義する意味汎用化辞書を用いて、グルーピングを行い、更に、抽出した前記単語に前記グループを示すラベルを付与して、前記単語列を生成し、
前記特徴ベクトル生成部が、グループが同一の複数の単語については同一の単語として、前記単語の特徴を抽出する、
ことを特徴とする診断支援装置。

【請求項3】

請求項１に記載の診断支援装置であって、
前記特徴ベクトル生成部が、前記単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出し、抽出した各素性を用いて、前記特徴ベクトルを生成する、
ことを特徴とする診断支援装置。

【請求項4】

患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理部と、
前記患者毎に、当該患者に対する医師の所見を示す言葉を含む所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成する、言語処理部と、
前記患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成部と、
前記患者毎に生成された前記特徴ベクトルと、前記患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を訓練データとして、機械学習を行って、学習モデルを生成する、学習モデル生成部と、
を備え、
前記特徴ベクトル生成部が、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出し、前記単語列毎に、当該単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、前記患者毎に、抽出した前記特徴と算出した前記指標とを用いて、前記特徴ベクトルを生成する、
ことを特徴とする学習モデル生成装置。

【請求項5】

コンピュータが実行する方法であって、
診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理ステップと、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理ステップと、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成ステップと、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定ステップと、
患者から取得した訓練データを用いて、前記学習モデルを生成する、学習モデル生成ステップと、
を有し、
前記テキスト処理ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成し、
前記言語処理ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の前記所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成し、
前記特徴ベクトル生成ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出し、前記単語列毎に、当該単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、前記患者毎に、抽出した前記特徴と算出した前記指標とを用いて、前記特徴ベクトルを生成し、
前記学習モデル生成ステップにおいて、前記患者毎に生成された前記特徴ベクトルと、前記訓練データの取得先となった患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を前記訓練データとして、機械学習を行って、前記学習モデルを生成する、
ことを特徴とする診断支援方法。

【請求項6】

請求項５に記載の診断支援方法であって、
前記言語処理ステップにおいて、前記言語処理として、前記所見データ及び前記検査テキストデータから、これらを構成する単語を抽出し、抽出した前記単語に対して、同義とみなす単語を定義する同義辞書及び単語が属するグループを定義する意味汎用化辞書を用いて、グルーピングを行い、更に、抽出した前記単語に前記グループを示すラベルを付与して、前記単語列を生成し、
前記特徴ベクトル生成ステップにおいて、グループが同一の複数の単語については同一の単語として、前記単語の特徴を抽出する、
ことを特徴とする診断支援方法。

【請求項7】

請求項５に記載の診断支援方法であって、
前記特徴ベクトル生成ステップにおいて、前記単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出し、抽出した各素性を用いて、前記特徴ベクトルを生成する、
ことを特徴とする診断支援方法。

【請求項8】

コンピュータに、
診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理ステップと、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理ステップと、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成ステップと、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定ステップと、
患者から取得した訓練データを用いて、前記学習モデルを生成する、学習モデル生成ステップと、
を実行させ、
前記テキスト処理ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成し、
前記言語処理ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の前記所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成し、
前記特徴ベクトル生成ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出し、前記単語列毎に、当該単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、前記患者毎に、抽出した前記特徴と算出した前記指標とを用いて、前記特徴ベクトルを生成し、
前記学習モデル生成ステップにおいて、前記患者毎に生成された前記特徴ベクトルと、前記訓練データの取得先となった患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を前記訓練データとして、機械学習を行って、前記学習モデルを生成する、
プログラム。

【請求項9】

請求項８に記載のプログラムであって、
前記言語処理ステップにおいて、前記言語処理として、前記所見データ及び前記検査テキストデータから、これらを構成する単語を抽出し、抽出した前記単語に対して、同義とみなす単語を定義する同義辞書及び単語が属するグループを定義する意味汎用化辞書を用いて、グルーピングを行い、更に、抽出した前記単語に前記グループを示すラベルを付与して、前記単語列を生成し、
前記特徴ベクトル生成ステップにおいて、グループが同一の複数の単語については同一の単語として、前記単語の特徴を抽出する、
ことを特徴とするプログラム。

【請求項10】

請求項８に記載のプログラムであって、
前記特徴ベクトル生成ステップにおいて、前記単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出し、抽出した各素性を用いて、前記特徴ベクトルを生成する、
ことを特徴とするプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、医療診断を支援するための、診断支援装置及び診断支援方法に関し、更には、これらを実現するためのプログラムに関する。また、本発明は、診断支援装置で用いる学習モデルを生成するための、学習モデル生成装置に関する。

【背景技術】

【0002】

近年、人工知能（ＡＩ：Artificial Intelligence）の急激な発展により、ＡＩを利用した医療診断が期待されている。このようなＡＩを利用した医療診断のうち、代表的なものとしては、生体の画像を用いた医療診断が知られている。例えば、特許文献１は、生体の病理画像を教師データとして機械学習を行い、得られた機械学習モデルを用いて、生体の画像による医療診断を行うシステムを開示している。

【0003】

また、医療診断は、画像を用いて行われるものに限られず、医師の所見、及び各種検査の結果に基づいて行われるものもある。例えば、原発性免疫不全症（ＰＩＤ：Primary immunodeficiency）は、遺伝子の異常により、細菌及びウィルス等の病原体から体を守る免疫系に、生まれつき異常を示す病気の総称である。ＰＩＤの早期診断は、医師による問診と検査結果から行うことができる。

【0004】

但し、実際のところ、ＰＩＤについては、患者、医師に周知されている状況とは言えず、早期発見の機会を逃した患者が多く存在する。このため、ＡＩを利用した医療診断は、このような、患者、医師に周知されていない病気の診断に対して特に期待されている。

【先行技術文献】

【特許文献】

【0005】

【文献】特許第６５０３５３５号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

ところで、上述したように、画像を用いない場合の病気の診断では、所見を示す文章（テキストデータ）と、各種検査から得られた数値データとを、両方合わせて参照して、診断結果を導き出している。このため、ＡＩを利用した医療診断でも、両方のデータを入力として用いる必要がある。

【0007】

しかしながら、従来からの機械学習では、訓練データとして、テキストデータのみ、又は数値データのみを用いることはできるが、両方を一緒に用いることは困難である。このため、ＰＩＤの診断のような、テキストデータと数値データとの両方を用いる診断において、ＡＩを用いて行うことは困難である。

【0008】

本発明の目的の一例は、上記問題を解消し、所見と検査結果とによる医療診断において、機械学習による支援を行い得る、診断支援装置、診断支援方法、プログラム、更には、診断支援で用いる学習モデルを生成する、学習モデル生成装置を提供することにある。

【課題を解決するための手段】

【0009】

上記目的を達成するため、本発明の一側面における診断支援装置は、
診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理部と、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理部と、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成部と、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定部と、
を備えている、ことを特徴とする。

【0010】

上記目的を達成するため、本発明の一側面における学習モデル生成装置は、
患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理部と、
前記患者毎に、当該患者に対する医師の所見を示す言葉を含む所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成する、言語処理部と、
前記患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成部と、
前記患者毎に生成された前記特徴ベクトルと、前記患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を訓練データとして、機械学習を行って、学習モデルを生成する、学習モデル生成部と、
を備えている、
ことを特徴とする。

【0011】

また、上記目的を達成するため、本発明の一側面における診断支援方法は、
診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理ステップと、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理ステップと、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成ステップと、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定ステップと、
を有している、
ことを特徴とする。

【0012】

更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータに、
診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理ステップと、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理ステップと、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成ステップと、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定ステップと、
を実行させる、ことを特徴とする。

【発明の効果】

【0013】

以上のように本発明によれば、所見と検査結果とによる医療診断において、機械学習による支援を行うことができる。

【図面の簡単な説明】

【0014】

【図1】図１は、実施の形態１における診断支援装置の概略構成を示すブロック図である。

【図2】図２は、実施の形態１における診断支援装置の構成をより具体的に示すブロック図である。

【図3】図３は、実施の形態１における診断支援装置の学習モード時での動作を示すフロー図である。

【図4】図４は、実施の形態１における診断支援装置の診断モード時での動作を示すフロー図である。

【図5】図５は、実施の形態１において訓練データとなる所見データ及び検査データの一例を示す図である。

【図6】図６は、実施の形態１において生成された検査テキストデータの一例を示す図である。

【図7】図７は、実施の形態１における言語処理によって抽出された単語と特定された品詞との一例を示す図である。

【図8】図８は、実施の形態１における言語処理によって行われたグルーピングの一例を示す図である。

【図9】図９は、実施の形態１における言語処理によって不要な単語が除外された単語列の一例を示す図である。

【図10】図１０は、実施の形態１で用いられる、ストップワード辞書、同義辞書、意味汎用化辞書の一例を示す図である。

【図11】図１１は、図９に示した単語列について計算した重みの一例を示す図である。

【図12】図１２（ａ）は、実施の形態１において生成された特徴ベクトルの一例を示す図であり、図１２（ｂ）は、実施の形態１において作成される特徴ベクトルの構成を示す図である。

【図13】図１３は、実施の形態１で生成される学習モデルの一例を示す図である。

【図14】図１４は、実施の形態１における判定処理の一例を示す図である。

【図15】図１５は、実施の形態２における学習モデル生成装置の構成を示すブロック図である。

【図16】図１６は、実施の形態１における診断支援装置又は実施の形態２における学習モデル生成装置を実現するコンピュータの一例を示すブロック図である。

【発明を実施するための形態】

【0015】

（実施の形態１）
以下、実施の形態１において、診断支援装置、診断支援方法、及びプログラムの一例について、図１～図１４を参照しながら説明する。

【0016】

［装置構成］
最初に、実施の形態１における診断支援装置の概略構成について図１を用いて説明する。図１は、実施の形態１における診断支援装置の概略構成を示すブロック図である。

【0017】

図１に示す、実施の形態１における診断支援装置１０は、医師の所見と検査結果とによる医療診断を支援するための装置である。図１に示すように、診断支援装置１０は、テキスト処理部１１と、言語処理部１２と、特徴ベクトル生成部１３と、判定部１４とを備えている。

【0018】

テキスト処理部１１は、診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する。言語処理部１２は、診断対象となる患者の所見データ及び検査テキストデータに対して、言語処理を行って、診断対象となる患者の状態を表現する単語列を生成する。ここで、所見データとは、診断対象となる患者に対する医師の所見を示す言葉を含むデータである。

【0019】

特徴ベクトル生成部１３は、診断対象となる患者の状態を表現する単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する。判定部１４は、患者の状態と特定の病気との関係が機械学習された学習モデルに、特徴ベクトル生成部１３が生成した特徴ベクトルを入力して、診断対象となる患者が特定の病気に羅患している可能性を判定する。

【0020】

以上のように実施の形態１では、まず、診断対象となる患者の検査結果が単語に変換され、その後、変換された単語と医師の所見とが、学習モデルに入力されて、患者が特定の病気に羅患している可能性が判定される。このため、実施の形態１では、所見と検査結果とによる医療診断において、機械学習による支援が可能となる。

【0021】

続いて、図２を用いて、実施の形態１における診断支援装置の構成及び機能について具体的に説明する。図２は、実施の形態１における診断支援装置の構成をより具体的に示すブロック図である。

【0022】

図２に示すように、実施の形態１では、診断支援装置１０は、上述した、テキスト処理部１１、言語処理部１２、特徴ベクトル生成部１３、及び判定部１４に加えて、データ取得部１５と、出力部１６と、学習モデル生成部１７と、データ格納部２０とを備えている。

【0023】

データ取得部１５は、医師等の端末装置３０から、患者の所見データ２１、患者の検査結果を示す検査データ２２を取得し、取得した所見データ２１及び検査データ２２をデータ格納部２０に出力する。データ格納部２０は、出力されてきた所見データ２１及び検査データ２２を格納する。出力部１６は、判定部１４による判定の結果を、端末装置３０に出力する。

【0024】

学習モデル生成部１７は、患者から取得した訓練データを用いて、判定部１４が使用する学習モデルを生成する。このため、実施の形態１では、診断支援装置１０は、学習モデル生成部１７による学習モデル２３の生成が行われる「学習モード」と、判定部１４による患者の特定の病気についての判定が行われる「診断モード」との２つのモードで動作する。テキスト処理部１１、言語処理部１２、特徴ベクトル生成部１３、データ取得部１５及び出力部１６は、いずれのモードにおいても動作を行う。以下、モード毎に各部を説明する。

【0025】

学習モード：
まず、学習モードについて説明する。学習モードでは、まず、データ取得部１５が、端末装置３０から、訓練データの元となる各患者の所見データと、各患者の検査結果を示す検査データと取得し、取得した所見データ及び検査データをデータ格納部２０に出力する。データ格納部２０は、出力されてきた各患者の所見データ及び検査データを格納する。また、学習モードで取得される所見データ２１及び検査データ２２には、患者が特定の病気であるかどうかを示すラベルが付与されている。

【0026】

また、テキスト処理部１１は、データ格納部２０に格納されている各患者の検査データ２２を取得する。そして、テキスト処理部１１は、訓練データの取得先となった患者毎に、検査データ２２に基づき、各患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する。

【0027】

言語処理部１２は、データ格納部２０に格納されている各患者の所見データ２１を取得する。そして、言語処理部１２は、訓練データの取得先となった患者毎に、各患者の所見データ２１、及び各患者の検査テキストデータに対して、言語処理を行って、各患者の状態を表現する単語列を生成する。

【0028】

具体的には、言語処理部１２は、所見データ２１及び検査テキストデータから、これらを構成する単語を抽出する。また、言語処理部１２は、抽出した各単語に対して、同義辞書２４及び意味汎用化辞書２５を用いて、グルーピングを行い、更に、各単語にグループを示すラベルを付与して、単語列を生成する。つまり、言語処理部１２は、系列ラベリングを実行して、単語列を生成する。また、言語処理部１２は、生成した単語列の中から、ストップワード辞書２６を用いて、不要な単語を除外する。

【0029】

同義辞書２４は、同義とみなす単語を定義する辞書である。意味汎用化辞書２５は、単語が属するグループを定義する辞書である。ストップワード辞書２６は、学習モデルの構築及び診断において不要となる単語を定義する辞書である。同義辞書２４、意味汎用化辞書２５、及びストップワード辞書２６、は、実施の形態１では、データ格納部２０に予め格納されている。

【0030】

特徴ベクトル生成部１３は、訓練データの取得先となった患者毎に、言語処理部１２が生成した単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成する。また、特徴ベクトル生成部１３は、グループが同一の複数の単語については同一の単語として、その特徴を抽出する。

【0031】

具体的には、特徴ベクトル生成部１３は、単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出し、抽出した各素性を用いて、特徴ベクトルを生成する。

【0032】

更に、特徴ベクトル生成部１３は、訓練データの取得先となった患者毎に、言語処理部１２が生成した単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出することもできる。この場合、特徴ベクトル生成部１３は、単語列毎に、算出した重みを用いて、各単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、訓練データの取得先となった患者毎に、抽出した特徴と算出した指標とを用いて、特徴ベクトルを生成する。

【0033】

学習モデル生成部１７は、訓練データの取得先となった患者毎に生成された特徴ベクトルと、訓練データの取得先となった患者毎に付与された、各患者が特定の病気であるかどうかを示すラベルと、を訓練データとして、機械学習を行って、学習モデル２３を生成する。利用可能な機械学習の手法としては、例えば、サポートベクトルマシンが挙げられる。なお、実施の形態１において、機械学習の手法は特に限定されるものではない。機械学習の手法としては、例えば、深層学習が用いられても良い。

【0034】

診断モード：
続いて、診断モードについて説明する。診断モードでは、まず、データ取得部１５が、端末装置３０から、診断対象となる患者の所見データ２１と、診断対象となる患者の検査データ２２と取得し、取得した所見データ２１及び検査データ２２をデータ格納部２０に出力する。

【0035】

また、テキスト処理部１１は、データ格納部２０に格納されている患者の検査データ２２を取得する。そして、テキスト処理部１１は、検査データ２２に基づき、診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する。

【0036】

言語処理部１２は、データ格納部２０に格納されている患者の所見データ２１を取得する。そして、言語処理部１２は、診断対象となる患者の所見データ２１及び検査テキストデータに対して、言語処理を行って、診断対象となる患者の状態を表現する単語列を生成する。具体的には、診断モードにおいても、言語処理部１２は、言語処理として、所見データ及び検査テキストデータから単語を抽出し、系列ラベリングを実行して、単語列を生成する。

【0037】

特徴ベクトル生成部１３は、診断対象となった患者について生成された単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成する。具体的には、特徴ベクトル生成部１３は、診断モードにおいても、単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性、を抽出し、抽出した各素性を用いて、特徴ベクトルを生成する。

【0038】

判定部１４は、学習モデル生成部１７によって生成された学習モデル２３に、特徴ベクトル生成部１３が素性を抽出して生成した特徴ベクトルを入力して、診断対象となる患者が特定の病気に羅患している可能性を判定する。

【0039】

［装置動作］
次に、実施の形態１における診断支援装置１０の動作について、モード毎に図３及び図４を用いて説明する。以下の説明においては、適宜図１及び図２を参照する。また、実施の形態１では、診断支援装置１０を動作させることによって、診断支援方法が実施される。よって、実施の形態１における診断支援方法の説明は、以下の診断支援装置１０の動作説明に代える。

【0040】

学習モード：
最初に図３を用いて、学習モード時における診断支援装置１０の動作について説明する。図３は、実施の形態１における診断支援装置の学習モード時での動作を示すフロー図である。

【0041】

図３に示すように、最初に、データ取得部１５が、端末装置３０から、訓練データの元となる各患者の所見データ２１と、各患者の検査結果を示す検査データ２２と取得する（ステップＡ１）。

【0042】

また、ステップＡ１では、データ取得部１５は、取得した所見データ２１及び検査データ２２をデータ格納部２０に出力する。データ格納部２０は、出力されてきた各患者の所見データ及び検査データを格納する。

【0043】

次に、テキスト処理部１１は、訓練データの取得先となった患者毎に、ステップＡ１で取得された各患者の検査データ２２に基づいて、各患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する（ステップＡ２）。

【0044】

次に、言語処理部１２は、訓練データの取得先となった患者毎に、ステップＡ１で取得された各患者の所見データ２１、及びステップＡ２で生成された各患者の検査テキストデータに対して、言語処理を行って、各患者の状態を表現する単語列を生成する（ステップＡ３）。

【0045】

次に、特徴ベクトル生成部１３は、訓練データの取得先となった患者毎に、ステップＡ３で生成された単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成する（ステップＡ４）。

【0046】

具体的には、ステップＡ４では、特徴ベクトル生成部１３は、単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出する。

【0047】

更に、ステップＡ４では、特徴ベクトル生成部１３は、単語列間の含意関係を特徴ベクトルに加えるため、訓練データの取得先となった患者毎に、単語列に含まれる単語それぞれについて重みを算出し、算出した重みを用いて、単語列毎に、各単語列が他の単語列に含意されているかどうかを示す指標を算出する。そして、特徴ベクトル生成部１３は、訓練データの取得先となった患者毎に、抽出した特徴と算出した指標とを用いて、特徴ベクトルを生成する。

【0048】

次に、学習モデル生成部１７は、ステップＡ４において訓練データの取得先となった患者毎に生成された特徴ベクトルと、訓練データの取得先となった患者毎に付与された、各患者が特定の病気であるかどうかを示すラベルと、を訓練データとして、機械学習を実行する（ステップＡ５）。ステップＡ５の実行により、患者の状態と特定の病気との関係が機械学習された学習モデル２３が生成される。生成された学習モデル２３は、データ格納部２０に格納される。

【0049】

診断モード：
続いて、図４を用いて、診断モード時における診断支援装置１０の動作について説明する。図４は、実施の形態１における診断支援装置の診断モード時での動作を示すフロー図である。

【0050】

図４に示すように、最初に、データ取得部１５が、端末装置３０から、診断対象となる患者の所見データ２１と、診断対象となる患者の検査データ２２とを取得する（ステップＢ１）。

【0051】

また、ステップＢ１でも、データ取得部１５は、取得した所見データ２１及び検査データ２２をデータ格納部２０に出力する。データ格納部２０は、出力されてきた各患者の所見データ２１及び検査データ２２を格納する。

【0052】

次に、テキスト処理部１１は、ステップＢ１で取得された各患者の検査データ２２に基づいて、診断対象となる患者毎の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する（ステップＢ２）。

【0053】

次に、言語処理部１２は、訓練データの取得先となった患者毎に、ステップＢ１で取得された各患者の所見データ２１、及びステップＢ２で生成された各患者の検査テキストデータに対して、言語処理を行って、各患者の状態を表現する単語列を生成する（ステップＢ３）。

【0054】

次に、特徴ベクトル生成部１３は、訓練データの取得先となった患者毎に、ステップＢ３で生成された単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成する（ステップＢ４）。

【0055】

具体的には、ステップＢ４では、特徴ベクトル生成部１３は、単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出し、抽出した各素性を用いて、特徴ベクトルを生成する。

【0056】

次に、判定部１４は、図３に示したステップＡ１～Ａ５によって生成された学習モデル２３に、ステップＢ４で生成された特徴ベクトルを入力して、診断対象となる患者が特定の病気に羅患している可能性を判定する（ステップＢ５）。

【0057】

その後、出力部１６は、ステップＢ５における判定部１４による判定の結果を、端末装置３０に出力する（ステップＢ６）。

【0058】

［具体例］
続いて、図５～図１４を用いて、実施の形態１における診断支援装置１０の具体例について、モード毎に、図３及び図４に示した各ステップに沿って説明する。また、以下の具体例では、判定の対象となる病気が、原発性免疫不全症（ＰＩＤ）であるとする。

【0059】

［具体例：学習モード］
ステップＡ１では、データ取得部１５は、例えば、図５に示す患者毎の所見データ及び検査データを取得する。図５は、実施の形態１において訓練データとなる所見データ及び検査データの一例を示す図である。

【0060】

図５の例では、所見データ及び検査データには、ラベルとして、疾患の欄に「ＰＩＤ」又は「健常者」が付与されている。また、図５の例において、検査データは、３つの検査項目「ＮＥＵＴＲＯＰＨＩＬ（好中球）」、「ＩｇＧ（免疫ガンマグロブリンＧ）」、及び「ＣＤ３（Ｔ細胞）」で構成されている。「ＮＥＵＴＲＯＰＨＩＬ（好中球）」は、血液検査の一種であり、単位は「１０^２／μＬ」である。「ＩｇＧ（免疫ガンマグロブリンＧ）」は抗体検査の一種であり、単位は「ｍｇ／ｄＬ」である。「ＣＤ３（Ｔ細胞）」は、ＦＡＣＳ検査の一種であり、単位は「リンパ球中の割合％」である。

【0061】

ステップＡ２では、テキスト処理部１１は、例えば、図６に示すように、予め設定された変換ルールに基づいて、検査データを構成する各検査項目の数値を、それを表現する単語に変換して、検査テキストデータを生成する。図６は、実施の形態１において生成された検査テキストデータの一例を示す図である。図６においては、所見データも示されている。また、図６の例では、検査データは、上段の形式に変更された後、更に、下段の形式へと変更される。

【0062】

図６の例では、変換ルールは、検査項目毎に年齢に応じて設定されており、数値を、その大きさに応じて「異常」又は「変換」に変換するルールである。例えば、図５において患者Ａの「ＮＥＵＴＲＯＰＨＩＬ」、「ＩｇＧ」、及び「ＣＤ３」の数値は、それぞれ、３００、８５０、７７であったが、これらは、図６に示すように、（ＮＥＵＴ）異常、（ＩｇＧ）正常、（ＣＤ３）正常に変換される。

【0063】

ステップＡ３では、言語処理部１２は、まず、図７に示すように、所見データ２１及び検査テキストデータに対して言語解析を行って、これらを構成する単語を抽出し、更に、その品詞を特定する。図７は、実施の形態１における言語処理によって抽出された単語と特定された品詞との一例を示す図である。

【0064】

続いて、言語処理部１２は、図８に示すように、抽出した特定の品詞の単語と検査テキストデータに含まれる単語とに対して、同義辞書２４及び意味汎用化辞書２５を用いて、グルーピングを行い、各単語にグループを示すラベルを付与して、単語列を生成する。図８は、実施の形態１における言語処理によって行われたグルーピングの一例を示す図である。

【0065】

その後、言語処理部１２は、図９に示すように、生成した単語列の中から、ストップワード辞書２６を用いて、機械学習において不要となる単語を除外する。図９は、実施の形態１における言語処理によって不要な単語が除外された単語列の一例を示す図である。図１０は、実施の形態１で用いられる、ストップワード辞書、同義辞書、意味汎用化辞書の一例を示す図である。

【0066】

ステップＡ４では、まず、特徴ベクトル生成部１３は、単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出する。

【0067】

更に、ステップＡ４では、特徴ベクトル生成部１３は、単語列間の含意関係を特徴ベクトルに加えるため、訓練データの取得先となった患者毎に、単語列に含まれる単語それぞれについて重みを算出する。

【0068】

具体的には、特徴ベクトル生成部１３は、各単語について、例えば、下記の数１を用いて単語出現頻度（ＴＦ：Term Frequency）を求め、下記の数２を用いて逆文書頻度（ＩＤＦ：InverseDocument Frequency）を求める。そして、特徴ベクトル生成部１３は、求めたＴＦ及びＩＤＦを数３に適用して、重みを算出する。

【0069】

【数1】

【0070】

【数2】

【0071】

【数3】

【0072】

また、上記数１～数３において、各パラメータの意味は下記の通りである。
ｗ_ｊ ：単語
ｄ_ｉ ：文書（文字列）
ｆｒｅｑ（ｗ_ｊ，ｄ_ｉ）：文書ｄ_ｉ中の単語ｗ_ｊの出現回数
Ｎｏｔ（ｄ_ｉ） ：文書ｄ_ｉ中の単語の種類の数数
Ｎ_ＤＯＣ ：文書集合中の全文書数
ＤＦ（ｗ_ｊ） ：文書集合中の単語ｗ_ｊの出現回数

【0073】

ここで、図９に示した単語列（患者Ａ）を構成する単語「炎症Ｇ＿肺炎」を例に挙げて、重みを計算する。この場合、ｆｒｅｑ（「炎症Ｇ＿肺炎」：単語，患者Ａ）＝１、Ｎｏｔ（患者Ａ）＝６、Ｎ_ＤＯＣ＝３、ＤＦ（「炎症Ｇ＿肺炎」）＝２となるので、ＴＦ＝ｌｏｇ２／ｌｏｇ７＝０．３５６、ＩＤＦ＝ｌｏｇ（３／３）＋１＝１となるので、重み＝ＴＤ・ＩＤＦ＝０．３５６×１＝０．３５６となる。

【0074】

更に、特徴ベクトル生成部１３は、算出した重みを用いて、単語列毎に、各単語列が他の単語列に含意されているかどうかを示す指標を算出する。具体的には、特徴ベクトル生成部１３は、下記の数４を用いて、単語列毎の指標を算出する。また、下記の数４では、ｎ番目の単語列がｍ番目の単語列に含有されているかどうかを示す指標ｎが算出されている。

【数4】

【0075】

例えば、患者Ａについての単語列と、患者Ｂについての単語列とについて、図１１に示すように、各単語の重みが算出されているとする。図１１は、図９に示した単語列について計算した重みの一例を示す図である。

【0076】

図１１の例では、患者Ｂについての単語列の指標は、患者Ｂについての単語列を構成する各単語の重みの合計値が、５．０＋０．５＋０．５＋１．０＋１．０＝８となり、患者Ａについての単語列を構成する各単語の重みの合計値が、１．５＋５．０＋３．０＋４．０＋１．０＋２．５＝１７となる。従って、患者Ｂについて単語列の患者Ａについての単語列に対する指標は、０．４７となる。患者Ｂについて単語列の指標は、他の患者の単語列に対しても行われる。

【0077】

そして、特徴ベクトル生成部１３は、図１２（ａ）に示すように、訓練データの取得先となった患者毎に、単語列を構成する単語それぞれについて、抽出した特徴と算出した指標とを用いて、特徴ベクトルを生成する。また、図１２（ｂ）に示すように、特徴ベクトルは、素性を抽出して得られた特徴と含意関係を表す指標とで構成されている。図１２（ａ）は、実施の形態１において生成された特徴ベクトルの一例を示す図であり、図１２（ｂ）は、実施の形態１において作成される特徴ベクトルの構成を示す図である。

【0078】

ステップＡ５では、学習モデル生成部１７は、図１３に示すように、患者毎に生成された特徴ベクトルと、訓練データの取得先となった患者毎に付与された、各患者が特定の病気であるかどうかを示すラベルと、を訓練データとして、機械学習を実行する。これにより、例えば、図１３に示す学習モデルが構築される。図１３は、実施の形態１で生成される学習モデルの一例を示す図である。図１３の例では、機械学習により、各素性（単語）の重要度（重み）が計算されている。

【0079】

［具体例：診断モード］
ステップＢ１では、データ取得部１５は、診断対象となる患者の所見データ及び検査データを取得する。取得される所見データ及び検査データは、図５に準じたものとなる。

【0080】

ステップＢ２では、テキスト処理部１１は、ステップＡ２と同様にして、予め設定された変換ルールに基づいて、検査データを構成する各検査項目の数値、それを表現する単語に変換して、検査テキストデータを生成する。ステップＢ２で生成される検査テキストデータは、図６に準じたものとなる（但し、ラベル（疾患）は除く）。

【0081】

ステップＢ３では、言語処理部１２は、診断対象となり患者の所見データ及び検査テキストデータに対して言語解析を行って、これらを構成する単語を抽出し、更に、その品詞を特定する。

【0082】

続いて、ステップＢ３では、言語処理部１２は、抽出した特定の品詞の単語と検査テキストデータに含まれる単語とに対して、同義辞書２４及び意味汎用化辞書２５を用いて、グルーピングを行い、各単語にグループを示すラベルを付与して、単語列を生成する。

【0083】

その後、ステップＢ３では、言語処理部１２は、生成した単語列の中から、ストップワード辞書２６を用いて、機械学習において不要となる単語を除外する。ステップＢ３で生成される単語列は、図９に示したものに準じたものとなる（但し、ラベル（疾患）は除く）。

【0084】

ステップＢ４では、特徴ベクトル生成部１３は、ステップＢ３で生成した単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出する。そして、特徴ベクトル生成部１３は、抽出した各素子のみを用いて、特徴ベクトルを生成する（図１４参照）。

【0085】

ステップＢ５では、判定部１４は、図１４に示すように、ステップＡ５で作成された学習モデル２３に、ステップＢ４で生成された特徴ベクトルを入力して、診断対象となる患者がＰＩＤに羅患している可能性を判定する。図１４は、実施の形態１における判定処理の一例を示す図である。図１４の例では、患者ＣがＰＩＤの可能性があると判定されている。

【0086】

その後、ステップＢ６において、出力部１６が、ステップＢ５における判定部１４による判定の結果を、端末装置３０に出力する。これにより、端末装置３０の画面上に、判定結果が表示される。医師は、画面に表示された結果を参照して、最終的な判断を行うことができる。

【0087】

［実施の形態１による効果］
以上のように、実施の形態１では、診断対象となる患者の検査結果が単語に変換され、その後、変換された単語と医師の所見とを用いて、入力データ（特徴ベクトル）が作成され、これが学習モデルに入力されて、患者が特定の病気に羅患しているかどうかが判定される。実施の形態１によれば、所見（テキスト）と検査結果（数値）とによる医療診断において、機械学習による支援が可能となる。

【0088】

［プログラム］
実施の形態１におけるプログラムとしては、例えば、コンピュータに、図３に示すステップＡ１～Ａ５、図４に示すステップＢ１～Ｂ６を実行させるプログラムが挙げられる。このプログラムをコンピュータにインストールし、実行することによって、実施の形態１における診断支援装置１０と診断支援方法とを実現することができる。この場合、コンピュータのプロセッサは、テキスト処理部１１、言語処理部１２、特徴ベクトル生成部１３、判定部１４、データ取得部１５、出力部１６、及び学習モデル生成部１７として機能し、処理を行なう。

【0089】

また、実施の形態１では、データ格納部２０は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現されていても良いし、別のコンピュータの記憶装置によって実現されていても良い。

【0090】

また、コンピュータとしては、汎用のＰＣの他に、スマートフォン、タブレット型端末装置が挙げられる。更に、コンピュータは、医師等の端末装置３０であっても良く、この場合は、診断支援装置１０は、端末装置３０のオペレーティングシステム上に構築されることになる。

【0091】

また、実施の形態１におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、テキスト処理部１１、言語処理部１２、特徴ベクトル生成部１３、判定部１４、データ取得部１５、出力部１６、及び学習モデル生成部１７のいずれかとして機能しても良い。

【0092】

（実施の形態２）
次に、実施の形態２において、学習モデル生成装置、学習モデル生成方法、及びプログラムについて、図１５を参照しながら説明する。図１５は、実施の形態２における学習モデル生成装置の構成を示すブロック図である。

【0093】

図１５に示すように、実施の形態２における学習モデル生成装置４０は、テキスト処理部１１と、言語処理部１２と、特徴ベクトル生成部１３と、データ取得部１５と、出力部１６と、学習モデル生成部１７と、データ格納部２０とを備えている。

【0094】

つまり、実施の形態２において、学習モデル生成装置４０は、判定部１４を備えていない点を除き、図２に示した実施の形態１における診断支援装置１０と同様の構成を備えている。学習モデル生成装置４０は、診断支援装置１０における学習モードでの処理のみを行う装置であり、学習モデル２３の生成のみを目的としている。

【0095】

実施の形態２において、テキスト処理部１１、言語処理部１２、特徴ベクトル生成部１３、データ取得部１５、出力部１６、学習モデル生成部１７、及びデータ格納部２０は、実施の形態１において説明した「学習モード」での処理を実行する。

【0096】

また、実施の形態２では、学習モデル生成装置４０は、図３に示したステップＡ１～Ａ５を実行する。これにより、実施の形態２における学習モデル生成方法は実施される。更に、実施の形態２におけるプログラムとしては、例えば、コンピュータに、図３に示すステップＡ１～Ａ５を実行させるプログラムが挙げられる。

【0097】

このプログラムをコンピュータにインストールし、実行することによって、実施の形態２における学習モデル生成装置４０と学習モデル生成方法とを実現することができる。この場合、コンピュータのプロセッサは、テキスト処理部１１、言語処理部１２、特徴ベクトル生成部１３、判定部１４、データ取得部１５、出力部１６、及び学習モデル生成部１７として機能し、処理を行なう。

【0098】

また、実施の形態２では、データ格納部２０は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって実現されていても良いし、別のコンピュータの記憶装置によって実現されていても良い。

【0099】

また、実施の形態２においても、コンピュータとしては、汎用のＰＣの他に、スマートフォン、タブレット型端末装置が挙げられる。更に、コンピュータは、医師等の端末装置３０であっても良く、この場合は、診断支援装置１０は、端末装置３０のオペレーティングシステム上に構築されることになる。

【0100】

また、実施の形態２におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、テキスト処理部１１、言語処理部１２、特徴ベクトル生成部１３、判定部１４、データ取得部１５、出力部１６、及び学習モデル生成部１７のいずれかとして機能しても良い。

【0101】

［実施の形態２による効果］
実施の形態２によって、学習モデルを生成すれば、診断対象となる患者の検査結果から得られた単語と医師の所見とを用いて、患者が特定の病気に羅患しているかどうかを判定することができる。実施の形態２によれば、所見（テキスト）と検査結果（数値）とによる医療診断において、機械学習による支援が可能となる。

【0102】

［物理構成］
ここで、実施の形態１及び２におけるプログラムを実行することによって、診断支援装置又は学習モデル生成装置を実現するコンピュータについて図１６を用いて説明する。図１６は、実施の形態１における診断支援装置又は実施の形態２における学習モデル生成装置を実現するコンピュータの一例を示すブロック図である。

【0103】

図１６に示すように、コンピュータ１１０は、ＣＰＵ（CentralProcessing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。

【0104】

また、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-ProgrammableGate Array）を備えていても良い。この態様では、ＧＰＵ又はＦＰＧＡが、実施の形態におけるプログラムを実行することができる。

【0105】

ＣＰＵ１１１は、記憶装置１１３に格納された、コード群で構成された実施の形態におけるプログラムをメインメモリ１１２に展開し、各コードを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。

【0106】

また、実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。

【0107】

また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。

【0108】

データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。

【0109】

また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ－ＲＯＭ（Compact DiskRead Only Memory）などの光学記録媒体が挙げられる。

【0110】

なお、実施の形態１における診断支援装置１０及び実施の形態２における学習モデル生成装置４０は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、実施の形態１における診断支援装置１０及び実施の形態２における学習モデル生成装置４０は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。

【0111】

上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記１７）によって表現することができるが、以下の記載に限定されるものではない。

【0112】

（付記１）
診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理部と、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理部と、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成部と、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定部と、
を備えている、
ことを特徴とする診断支援装置。

【0113】

（付記２）
付記１に記載の診断支援装置であって、
患者から取得した訓練データを用いて、前記学習モデルを生成する、学習モデル生成部を備え、
前記テキスト処理部は、前記訓練データの取得先となった患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、
前記言語処理部は、前記訓練データの取得先となった患者毎に、当該患者の前記所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成し、
前記特徴ベクトル生成部は、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成し、
前記学習モデル生成部は、前記患者毎に生成された前記特徴ベクトルと、前記訓練データの取得先となった患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を前記訓練データとして、機械学習を行って、前記学習モデルを生成する、
ことを特徴とする診断支援装置。

【0114】

（付記３）
付記２に記載の診断支援装置であって、
前記特徴ベクトル生成部が、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出し、前記単語列毎に、当該単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、前記患者毎に、抽出した前記特徴と算出した前記指標とを用いて、前記特徴ベクトルを生成する、
ことを特徴とする診断支援装置。

【0115】

（付記４）
付記１～３のいずれかに記載の診断支援装置であって、
前記言語処理部が、前記言語処理として、前記所見データ及び前記検査テキストデータから、これらを構成する単語を抽出し、抽出した前記単語に対して、同義とみなす単語を定義する同義辞書及び単語が属するグループを定義する意味汎用化辞書を用いて、グルーピングを行い、更に、抽出した前記単語に前記グループを示すラベルを付与して、前記単語列を生成し、
前記特徴ベクトル生成部が、グループが同一の複数の単語については同一の単語として、前記単語の特徴を抽出する、
ことを特徴とする診断支援装置。

【0116】

（付記５）
付記１～４のいずれかに記載の診断支援装置であって、
前記特徴ベクトル生成部が、前記単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出し、抽出した各素性を用いて、前記特徴ベクトルを生成する、
ことを特徴とする診断支援装置。

【0117】

（付記６）
患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理部と、
前記患者毎に、当該患者に対する医師の所見を示す言葉を含む所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成する、言語処理部と、
前記患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成部と、
前記患者毎に生成された前記特徴ベクトルと、前記患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を訓練データとして、機械学習を行って、学習モデルを生成する、学習モデル生成部と、
を備えている、
ことを特徴とする学習モデル生成装置。

【0118】

（付記７）
付記６に記載の学習モデル生成装置であって、
前記特徴ベクトル生成部が、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出し、前記単語列毎に、当該単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、前記患者毎に、抽出した前記特徴と算出した前記指標とを用いて、前記特徴ベクトルを生成する、
ことを特徴とする学習モデル生成装置。

【0119】

（付記８）
診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理ステップと、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理ステップと、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成ステップと、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定ステップと、
を有している、
ことを特徴とする診断支援方法。

【0120】

（付記９）
付記８に記載の診断支援方法であって、
患者から取得した訓練データを用いて、前記学習モデルを生成する、学習モデル生成ステップを更に有し、
前記テキスト処理ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、
前記言語処理ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の前記所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成し、
前記特徴ベクトル生成ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成し、
前記学習モデル生成ステップにおいて、前記患者毎に生成された前記特徴ベクトルと、前記訓練データの取得先となった患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を前記訓練データとして、機械学習を行って、前記学習モデルを生成する、
ことを特徴とする診断支援方法。

【0121】

（付記１０）
付記９に記載の診断支援方法であって、
前記特徴ベクトル生成ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出し、前記単語列毎に、当該単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、前記患者毎に、抽出した前記特徴と算出した前記指標とを用いて、前記特徴ベクトルを生成する、
ことを特徴とする診断支援方法。

【0122】

（付記１１）
付記８～１０のいずれかに記載の診断支援方法であって、
前記言語処理ステップにおいて、前記言語処理として、前記所見データ及び前記検査テキストデータから、これらを構成する単語を抽出し、抽出した前記単語に対して、同義とみなす単語を定義する同義辞書及び単語が属するグループを定義する意味汎用化辞書を用いて、グルーピングを行い、更に、抽出した前記単語に前記グループを示すラベルを付与して、前記単語列を生成し、
前記特徴ベクトル生成ステップにおいて、グループが同一の複数の単語については同一の単語として、前記単語の特徴を抽出する、
ことを特徴とする診断支援方法。

【0123】

（付記１２）
付記８～１１のいずれかに記載の診断支援方法であって、
前記特徴ベクトル生成ステップにおいて、前記単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出し、抽出した各素性を用いて、前記特徴ベクトルを生成する、
ことを特徴とする診断支援方法。

【0124】

（付記１３）
コンピュータに、
診断対象となる患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、テキスト処理ステップと、
前記診断対象となる患者に対する医師の所見を示す言葉を含む所見データ、及び前記診断対象となる患者の前記検査テキストデータに対して、言語処理を行って、前記患者の状態を表現する単語列を生成する、言語処理ステップと、
前記診断対象となる患者の状態を表現する前記単語列に含まれる単語毎に、その特徴を抽出して、特徴ベクトルを生成する、特徴ベクトル生成ステップと、
患者の状態と特定の病気との関係が機械学習された学習モデルに、生成された前記特徴ベクトルを入力して、前記診断対象となる患者が前記特定の病気に羅患している可能性を判定する、判定ステップと、
を実行させる、プログラム。

【0125】

（付記１４）
付記１３に記載のプログラムであって、
前記コンピュータに、
患者から取得した訓練データを用いて、前記学習モデルを生成する、学習モデル生成ステップを更に実行させ、
前記テキスト処理ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の検査結果における数値を、それを表現する単語に変換して、検査テキストデータを生成する、
前記言語処理ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の前記所見データ、及び当該患者の前記検査テキストデータに対して、言語処理を行って、当該患者の状態を表現する単語列を生成し、
前記特徴ベクトル生成ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その特徴を抽出して、特徴ベクトルを生成し、
前記学習モデル生成ステップにおいて、前記患者毎に生成された前記特徴ベクトルと、前記訓練データの取得先となった患者毎に付与された、当該患者が特定の病気であるかどうかを示すラベルと、を前記訓練データとして、機械学習を行って、前記学習モデルを生成する、
ことを特徴とするプログラム。

【0126】

（付記１５）
付記１４に記載のプログラムであって、
前記特徴ベクトル生成ステップにおいて、前記訓練データの取得先となった患者毎に、当該患者の状態を表現する前記単語列に含まれる単語それぞれについて、その出現回数に基づいて重みを算出し、前記単語列毎に、当該単語列が他の単語列に含意されているかどうかを示す指標を算出し、そして、前記患者毎に、抽出した前記特徴と算出した前記指標とを用いて、前記特徴ベクトルを生成する、
ことを特徴とするプログラム。

【0127】

（付記１６）
付記１３～１５のいずれかに記載のプログラムであって、
前記言語処理ステップにおいて、前記言語処理として、前記所見データ及び前記検査テキストデータから、これらを構成する単語を抽出し、抽出した前記単語に対して、同義とみなす単語を定義する同義辞書及び単語が属するグループを定義する意味汎用化辞書を用いて、グルーピングを行い、更に、抽出した前記単語に前記グループを示すラベルを付与して、前記単語列を生成し、
前記特徴ベクトル生成ステップにおいて、グループが同一の複数の単語については同一の単語として、前記単語の特徴を抽出する、
ことを特徴とするプログラム。

【0128】

（付記１７）
付記１３～１６のいずれかに記載のプログラムであって、
前記特徴ベクトル生成ステップにおいて、前記単語列に含まれる単語毎に、その特徴として、Ｎ－ｇｒａｍ素性、係り受け素性、共起素性、付加スパン素性、文書メタ属性素性、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ素性、周辺文脈素性、述語項素性、及びダミー素性を抽出し、抽出した各素性を用いて、前記特徴ベクトルを生成する、
ことを特徴とするプログラム。

【産業上の利用可能性】

【0129】

以上のように本発明によれば、所見と検査結果とによる医療診断において、機械学習による支援を行うことができる。本発明は、医療診断を行うシステムにおいて有用である。

【符号の説明】

【0130】

１０ 診断支援装置
１１ テキスト処理部
１２ 言語処理部
１３ 特徴ベクトル生成部
１４ 判定部
１５ データ取得部
１６ 出力部
１７ 学習モデル生成部
２０ データ格納部
２１ 所見データ
２２ 検査データ
２３ 学習モデル
２４ 同義辞書
２５ 意味汎用化辞書
２６ ストップワード辞書
３０ 端末装置
４０ 学習モデル生成装置
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス

【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】

【図14】

【図15】

【図16】