ホーム > 特許ランキング > コニカミノルタ株式会社
(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】2024-07-29
(45)【発行日】2024-08-06
(54)【発明の名称】医療診断支援装置、医療診断支援方法、およびプログラム
(51)【国際特許分類】
G16H 50/20 20180101AFI20240730BHJP
G16H 30/40 20180101ALI20240730BHJP
【ＦＩ】
G16H50/20
G16H30/40
【請求項の数】
12
(21)【出願番号】P 2020104348
(22)【出願日】2020-06-17
(65)【公開番号】P2021196998
(43)【公開日】2021-12-27
【審査請求日】2023-03-29
(73)【特許権者】
【識別番号】000001270
【氏名又は名称】コニカミノルタ株式会社
(74)【代理人】
【識別番号】110001807
【氏名又は名称】弁理士法人磯野国際特許商標事務所
(72)【発明者】
【氏名】清水 亜麻衣
(72)【発明者】
【氏名】角森 昭教
【審査官】早川 学
(56)【参考文献】
【文献】米国特許出願公開第２００４／０１８４６４４（ＵＳ，Ａ１）
【文献】特開２０１８－０８２７６６（ＪＰ，Ａ）
【文献】特開２０１５－０３６８５８（ＪＰ，Ａ）
【文献】国際公開第２０１９／２２０８３３（ＷＯ，Ａ１）
【文献】特開２００７－２８９６５６（ＪＰ，Ａ）
【文献】特開２０１８－１１６５５４（ＪＰ，Ａ）
【文献】MEHRIZI, Rahil et al.，Automatic Health Problem Detection from Gait Videos Using Deep Neural Networks，arXiv，Version 1，Cornell University，2019年06月04日，pp.1-8，[検索日:2024.05.10], Internet<URL:https://arxiv.org/abs/1906.01480v1>
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ１６Ｈ １０／００－８０／００
Ｇ０６Ｑ ５０／２２
Ａ６１Ｂ １／００－９０／９８
(57)【特許請求の範囲】
【請求項1】
対象者の画像であって、少なくとも動画像を含む複数の画像を取得する取得部と、前記取得部により取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出し、前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出する抽出部と、
前記抽出部により抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定する推定部と、
前記推定部により推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させる制御部と、を備え、
前記抽出部および前記推定部の少なくとも一方に、学習済みの識別器を適用する、
医療診断支援装置。
【請求項2】
前記複数の画像の各々は、前記対象者をそれぞれ異なる視点から撮影したものである、請求項１に記載の医療診断支援装置。
【請求項3】
前記推定部は、１つ以上の前記疾患の候補を推定する、請求項１又は２に記載の医療診断支援装置。
【請求項4】
前記推定部は、前記抽出部により抽出された前記互いに異なる特徴に関する情報と前記対象者の受診科情報に基づいて、前記対象者の疾患の候補を推定する、
請求項１から３のうちいずれか１項に記載の医療診断支援装置。
【請求項5】
前記抽出部は、前記複数の画像の各々から、互いに異なる複数の特徴に関する情報を抽出する、
請求項１から４のうちいずれか１項に記載の医療診断支援装置。
【請求項6】
前記学習済みの識別器は、地域、病院、診療科のうち少なくとも何れかごとに設けられる、
請求項１から５のうちいずれか１項に記載の医療診断支援装置。
【請求項7】
各前記複数の画像は、動画または／および静止画を含む、請求項１から６のうちいずれか１項に記載の医療診断支援装置。
【請求項8】
前記対象者の識別情報、動画、及び静止画を互いに関連付けて記憶する記憶部を、更に備える請求項１から７のうちいずれか１項に記載の医療診断支援装置。
【請求項9】
前記静止画は、異なる時刻、または／および異なる場所における、同一の前記対象者の画像である、
請求項７又は８に記載の医療診断支援装置。
【請求項10】
前記出力部は、診察室に設けられた端末により構成される、請求項１から９のうちいずれか１項に記載の医療診断支援装置。
【請求項11】
取得部が、対象者の画像であって、少なくとも動画像を含む複数の画像を取得するステップと、
抽出部が、取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出するステップと、
前記抽出部が、前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出するステップと、
推定部が、抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定するステップと、
制御部が、推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させるステップと、を含み、
前記抽出部および前記推定部の少なくとも一方において、学習済みの識別器により推論させる、
医療診断支援装置が実行する医療診断支援方法。
【請求項12】
コンピュータに、
対象者の画像であって、少なくとも動画像を含む複数の画像を取得する工程、
取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出する工程、
前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出する工程、
抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定する工程、
推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させる工程、
前記抽出および前記推定の少なくとも一方において、学習済みの識別器により推論させる工程、
を実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、医療診断支援装置、医療診断支援方法、およびプログラムに関する。
【背景技術】
【0002】
従来、被験者に自身の歩行状態と膝の状態との関係性を効果的に提示する歩行分析方法に関する技術が提案されている。
【0003】
例えば、公知の歩行分析方法は、歩行中の被験者の腰部の加速度データを取得する取得工程と、母集団から予め測定された歩行サンプルデータと該母集団から予め得られた膝に関する主観的評価スコアのサンプルデータとの統計情報、及び取得工程で取得された腰部の加速度データを用いて、当該被験者の膝に関する主観的評価スコアを推定する推定工程とを含んでいる（例えば、特許文献１）。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１８－０３８７５３号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
特許文献１に記載された技術は、被験者に自身の歩行状態と膝の状態との関係性を効果的に提示する技術である。しかしながら、特許文献１に記載された技術では、被験者の膝に関する主観的評価スコアを推定するものであるため、被験者が罹患した疾患の候補を被験者に予め提示することは、難しい。
【0006】
そこで、本発明は、被験者である患者が罹患した疾患の候補を予め提示するとともに、所見を算出することにより、検査前に患者の状態を把握することができる、医療診断支援装置、医療診断支援方法、およびプログラムを提供することを課題とする。
【課題を解決するための手段】
【0007】
すなわち、本発明の上記課題は、下記の構成により解決される。
（１）対象者の画像であって、少なくとも動画像を含む複数の画像を取得する取得部と、
前記取得部により取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出し、前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出する抽出部と、
前記抽出部により抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定する推定部と、
前記推定部により推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させる制御部と、を備え、
前記抽出部および前記推定部の少なくとも一方に、学習済みの識別器を適用する、
医療診断支援装置。
（１）対象者の画像であって、少なくとも動画像を含む複数の画像を取得する取得部と、
前記取得部により取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出し、前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出する抽出部と、
前記抽出部により抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定する推定部と、
前記推定部により推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させる制御部と、を備え、
前記抽出部および前記推定部の少なくとも一方に、学習済みの識別器を適用する、
医療診断支援装置。
【0008】
（２）前記複数の画像の各々は、前記対象者をそれぞれ異なる視点から撮影したものである、
（１）に記載の医療診断支援装置。
（１）に記載の医療診断支援装置。
【0009】
（３）前記推定部は、１つ以上の前記疾患の候補を推定する、
（１）又は（２）に記載の医療診断支援装置。
（１）又は（２）に記載の医療診断支援装置。
【0010】
（４）前記推定部は、
前記抽出部により抽出された前記互いに異なる特徴に関する情報と前記対象者の受診科情報に基づいて、前記対象者の疾患の候補を推定する、
（１）から（３）のうちいずれか１つに記載の医療診断支援装置。
前記抽出部により抽出された前記互いに異なる特徴に関する情報と前記対象者の受診科情報に基づいて、前記対象者の疾患の候補を推定する、
（１）から（３）のうちいずれか１つに記載の医療診断支援装置。
【0011】
（５）前記抽出部は、
前記複数の画像の各々から、互いに異なる複数の特徴に関する情報を抽出する、
（１）から（４）のうちいずれか１つに記載の医療診断支援装置。
前記複数の画像の各々から、互いに異なる複数の特徴に関する情報を抽出する、
（１）から（４）のうちいずれか１つに記載の医療診断支援装置。
【0012】
（６）前記学習済みの識別器は、
地域、病院、診療科のうち少なくとも何れかごとに設けられる、
（１）から（５）のうちいずれか１つに記載の医療診断支援装置。
地域、病院、診療科のうち少なくとも何れかごとに設けられる、
（１）から（５）のうちいずれか１つに記載の医療診断支援装置。
【0013】
（７）各前記複数の画像は、動画または／および静止画を含む、
（１）から（６）のうちいずれか１つに記載の医療診断支援装置。
（１）から（６）のうちいずれか１つに記載の医療診断支援装置。
【0014】
（８）前記対象者の識別情報、動画、及び静止画を互いに関連付けて記憶する記憶部を、
更に備える（１）から（７）のうちいずれか１つに記載の医療診断支援装置。
更に備える（１）から（７）のうちいずれか１つに記載の医療診断支援装置。
【0015】
（９）前記静止画は、
異なる時刻、または／および異なる場所における、同一の前記対象者の画像である、
（７）又は（８）に記載の医療診断支援装置。
異なる時刻、または／および異なる場所における、同一の前記対象者の画像である、
（７）又は（８）に記載の医療診断支援装置。
【0016】
（１０）前記出力部は、診察室に設けられた端末により構成される、
（１）から（９）のうちいずれか１つに記載の医療診断支援装置。
（１）から（９）のうちいずれか１つに記載の医療診断支援装置。
【0019】
（１１） 取得部が、対象者の画像であって、少なくとも動画像を含む複数の画像を取得するステップと、
抽出部が、取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出するステップと、
前記抽出部が、前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出するステップと、
推定部が、抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定するステップと、
制御部が、推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させるステップと、を含み、
前記抽出部および前記推定部の少なくとも一方において、学習済みの識別器により推論させる、
医療診断支援装置が実行する医療診断支援方法。
抽出部が、取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出するステップと、
前記抽出部が、前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出するステップと、
推定部が、抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定するステップと、
制御部が、推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させるステップと、を含み、
前記抽出部および前記推定部の少なくとも一方において、学習済みの識別器により推論させる、
医療診断支援装置が実行する医療診断支援方法。
【0021】
（１２）コンピュータに、
対象者の画像であって、少なくとも動画像を含む複数の画像を取得する工程、
取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出する工程、
前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出する工程、
抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定する工程、
推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させる工程、
前記抽出および前記推定の少なくとも一方において、学習済みの識別器により推論させる工程、
ことを実行させるためのプログラム。
対象者の画像であって、少なくとも動画像を含む複数の画像を取得する工程、
取得された前記複数の画像の各々から、互いに異なる特徴に関する情報を抽出する工程、
前記対象者の受診科情報に基づいて、前記互いに異なる特徴に関する情報を、更に抽出する工程、
抽出された前記互いに異なる特徴に関する情報から、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を推定する工程、
推定された、前記対象者の疾患の候補と、前記疾患の確度又は重篤度を出力部に出力させる工程、
前記抽出および前記推定の少なくとも一方において、学習済みの識別器により推論させる工程、
ことを実行させるためのプログラム。
【発明の効果】
【0023】
本発明によれば、被験者である患者の疾患の候補を予め提示するとともに、所見を算出することにより、検査前に患者の状態を把握することができる。
【0024】
これにより、問診後の必要な検査の絞り込みや、疾患の特定を補助することができるとともに、適切な検査を早期に実施することができ、疾患の早期発見・早期治療を実現することができる。
【図面の簡単な説明】
【0025】
【図1A】第１の実施形態に係る医療診断支援装置の構成例を説明する図である。
【図1B】第１の実施形態に係る医療診断支援装置のＣＰＵの機能を示したブロック図である。
【図2】第１の実施形態に係る医療診断支援装置が実行する疾患候補推定処理を示したフローチャートである。
【図3】特徴情報抽出処理を示したフローチャートである。
【図4】ＣＰＵが、抽出部において、複数の画像の各々から、学習済みモデルを用いて、互いに異なる特徴に関する情報を抽出する概念を示した説明図である。
【図5】ＣＰＵが、推定部において、抽出部により抽出された互いに異なる特徴に関する情報から、学習済みモデルを用いて、対象者の疾患の候補と、疾患の確度又は重篤度を推定する概念を示した説明図である。
【図6】ＣＰＵが、表示部の表示画面に、対象者の疾患の候補と、疾患の確度及び重篤度の推定結果を表示させた表示画面例である。
【図7】第１の実施形態に係る医療診断支援装置の抽出部において使用される学習済みモデルの学習方法の処理を示したフローチャートである。
【図8】第１の実施形態に係る医療診断支援装置の抽出部において使用される学習済みモデルの学習方法の概念を示した説明図である。
【図9】第１の実施形態に係る医療診断支援装置の推定部において使用される学習済みモデルの学習方法の処理を示したフローチャートである。
【図10】第１の実施形態に係る医療診断支援装置の推定部において使用される学習済みモデルの学習方法の概念を示した説明図である。
【図11A】第２の実施形態に係る画像処理装置のＣＰＵの機能を示したブロック図である。
【図11B】第２の実施形態に係る医療診断支援装置の疾患候補推定処理を示したフローチャートである。
【図12】対象者の疾患の候補、確度、及び重篤度の推定と特定の処理を示したフローチャートである。
【図13】ＣＰＵが、推定部において、複数の画像の各々から、学習済みモデルを用いて、対象者の疾患の候補、確度、重篤度を推定する概念を示した説明図である。
【図14】ＣＰＵが、特定部において、推定情報（対象者の疾患の候補、確度、重篤度）から特定情報（対象者の疾患の候補、確度、重篤度）を特定する概念を示した説明図である。
【図15】第２の実施形態に係る医療診断支援装置の推定部において使用される学習済みモデルの学習方法の処理を示したフローチャートである。
【図16】第２の実施形態に係る医療診断支援装置の推定部において使用される学習済みモデルの学習方法の概念を示した説明図である。
【発明を実施するための形態】
【0026】
以下に、本発明を実施するための形態について詳細に説明する。なお、以下に説明する実施の形態は、本発明を実現するための一例であり、本発明が適用される装置の構成や各種条件によって適宜修正又は変更されるべきものであり、本発明は以下の実施の形態に限定されるものではない。また、後述する各実施形態の一部を適宜組み合わせて構成してもよい。なお、同一の部材については同一の符号を付し、説明を適宜省略する。
【0027】
＜第１の実施形態＞
［画像処理装置全体の構成］
図１Ａは、第１の実施形態に係る医療診断支援装置１００の構成例を説明する図である。第１の実施形態に係る医療診断支援装置１００は、ＣＰＵ１０１、画像取得部１０２、学習済みモデル１０３、出力部１０４、表示部１０５、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０６、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０７、外部記憶装置１０８、及び情報取得部１１０を備えて構成されている。外部記憶装置１０８は、疾患特定プログラム１０９（１０９Ａ，１０９Ｂ）を含んで構成されている。
［画像処理装置全体の構成］
図１Ａは、第１の実施形態に係る医療診断支援装置１００の構成例を説明する図である。第１の実施形態に係る医療診断支援装置１００は、ＣＰＵ１０１、画像取得部１０２、学習済みモデル１０３、出力部１０４、表示部１０５、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０６、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０７、外部記憶装置１０８、及び情報取得部１１０を備えて構成されている。外部記憶装置１０８は、疾患特定プログラム１０９（１０９Ａ，１０９Ｂ）を含んで構成されている。
【0028】
図１Ａに示されるように、ＣＰＵ１０１は、医療診断支援装置１００の全体を統括して制御する演算処理装置である。ＣＰＵ１０１は、ＲＯＭ１０６や外部記憶装置１０８に格納されたプログラムを実行することにより、各種の制御を行う。ＣＰＵ１０１は、例えば、外部記憶装置１０８に格納された疾患特定プログラム１０９Ａを実行することにより、図１Ｂに示す、取得部１１１、抽出部１１２、推定部１１３、及び制御部１１４を実現する。
【0029】
図１Ｂは、第１の実施形態に係る医療診断支援装置１００のＣＰＵ１０１の機能を示したブロック図である。
【0030】
取得部１１１は、対象者の画像であって、少なくとも動画像を含む複数の画像を取得する機能を有している。なお、取得部１１１は、後述する画像取得部１０２から、対象者の画像であって、少なくとも動画像を含む複数の画像を取得する。なお、複数の画像には、動画または／および静止画を含むものとする。また、対象者とは、患者又は被験者のことをいう。
【0031】
抽出部１１２は、取得部１１１により取得された複数の画像の各々から、互いに異なる特徴に関する情報を抽出する機能を有している。抽出部１１２は、例えば、複数の画像の各々から、互いに異なる複数の特徴に関する情報を抽出する。
【0032】
推定部１１３は、抽出部１１２により抽出された互いに異なる特徴に関する情報から、対象者の疾患の候補と、疾患の確度又は重篤度を推定する機能を有している。推定部１１３は、１つ以上の疾患の候補を推定する。なお、確度には、確信度が含まれる。また、重篤度には、重症度が含まれる。また、推定部１１３は、対象者の受診科情報に基づいて、対象者の疾患の候補を推定することができる。ここで、受診科情報とは、病院における診療科のうち対象者が受診している診療科の情報のことであり、受診科情報には、例えば、診察履歴や処置や手術の履歴などが含まれる。
【0033】
制御部１１４は、推定部１１３により推定された、対象者の疾患の候補と、疾患の確度又は重篤度を出力部１０４に出力させる機能を有している。
【0034】
なお、第１の実施形態では、ＣＰＵ１０１は、医療診断支援装置１００の全体を統括して制御しているが、医療診断支援装置１００の全体を制御する代わりに、例えば、複数のハードウェアが処理を分担することにより、医療診断支援装置１００の全体を制御してもよい。
【0035】
画像取得部１０２は、対象者の画像であって、少なくとも動画像を含む複数の画像を取得する。画像取得部１０２は、例えば、待合室や受付場所などに設置されたカメラで撮影した画像（静止画）、待合室から診察室への移動をカメラで撮影した画像（動画）、又は、待合室における様子を撮像した画像（動画）を取得する。なお、複数の画像には、動画または／および静止画を含むものとする。画像取得部１０２は、取得した複数の画像をＣＰＵ１０１の取得部１１１に送出する。
【0036】
学習済みモデル１０３は、事前学習済みの識別器を含んで構成され、各種パラメータを記憶し、保存する。学習済みモデル１０３は、ＣＰＵ１０１の抽出部１１２及び推定部１１３の少なくとも一方に適用される。学習済みモデル１０３は、任意の学習モデルを適用するこができ、例えば、地域、病院、診療科のうち少なくとも何れかごとに異なる学習モデルが設けられる。また、例えば、学習済みモデル１０３以外により推論する場合は、画像処理又は人間による主観評価方法により推論してもよい。なお、学習済みモデル１０３の詳細については、後述する。
【0037】
出力部１０４は、ＣＰＵ１０１の制御部１１４により、対象者の疾患の候補と、疾患の確度又は重篤度を出力する。出力部１０４は、例えば、医師や看護師などが使用する、診察室に設けられた端末により構成される。
【0038】
表示部１０５は、出力部１０４により、疾患の候補と、疾患の確度又は重篤度を表示する。表示部１０５は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、プリンタ等の表示デバイス、又は、表示するためのソフトウエア（ビューワ）で構成される。
【0039】
ＲＯＭ１０６は、例えば、医療診断支援装置１００を制御する制御プログラムを格納する。
ＲＡＭ１０７は、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）により構成され、ＣＰＵ１０１が制御プログラムや疾患特定プログラム１０９（１０９Ａ，１０９Ｂ）を実行するために必要なデータや画像データを一時的に記憶するワーキングメモリとして機能する。
ＲＡＭ１０７は、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）により構成され、ＣＰＵ１０１が制御プログラムや疾患特定プログラム１０９（１０９Ａ，１０９Ｂ）を実行するために必要なデータや画像データを一時的に記憶するワーキングメモリとして機能する。
【0040】
外部記憶装置１０８は、例えば、ハードディスクドライブ（ＨＤＤ：Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）により構成され、対象者の識別情報、動画、及び静止画を互いに関連付けて記憶する。
【0041】
情報取得部１１０は、対象者の受診科情報を取得する。情報取得部１１０は、例えば、対象者である患者情報や患者生体情報の入力を受け、受診科情報を取得する。情報取得部１１０は、例えば、ユーザからの各種操作を受け付ける、キーボード、マウス、各種スイッチ、ボタン、タッチパネル等の操作部材から構成される。
【0042】
【0043】
図２は、第１の実施形態に係る医療診断支援装置１００が実行する疾患候補推定処理を示したフローチャートである。
【0044】
まず、医療診断支援装置１００のＣＰＵ１０１は、取得部１１１において、対象者の画像であって、少なくとも動画像を含む複数の画像を取得する（ステップＳ００１）。この場合、ＣＰＵ１０１は、画像取得部１０２から複数の画像を取得する。
【0045】
次に、医療診断支援装置１００のＣＰＵ１０１は、抽出部１１２において、取得部１１１により取得された複数の画像の各々から、互いに異なる特徴に関する情報を抽出する（ステップＳ００３）。
【0046】
この場合、ＣＰＵ１０１は、特徴情報抽出処理を実行し（ステップＳ００３）、互いに異なる特徴に関する情報を抽出する。ここで、図３に示すフローチャートを用いて、医療診断支援装置１００のＣＰＵ１０１が実行する特徴情報抽出処理について、説明する。
【0047】
図３は、特徴情報抽出処理を示したフローチャートである。
ＣＰＵ１０１は、待合室や受付場所などに設置されたカメラで撮影した画像や、待合室から診察室への移動経路（例えば、廊下）に設置されたカメラで撮影した画像から対象者を検出すると、このフローチャートを開始する。
ＣＰＵ１０１は、待合室や受付場所などに設置されたカメラで撮影した画像や、待合室から診察室への移動経路（例えば、廊下）に設置されたカメラで撮影した画像から対象者を検出すると、このフローチャートを開始する。
【0048】
ＣＰＵ１０１は、複数の画像の各々から、画像を取得した場所と動画と静止画の何れであるかを判定する（ステップＳ１０１）。ＣＰＵ１０１は、例えば、取得した画像が、待合室や受付場所などに設置されたカメラなどにより、対象者が静止画として撮像された画像の場合、その撮像された待合室での静止画から顔画像を抽出する（ステップＳ１０３）。
【0049】
ここで、ＣＰＵ１０１は、対象者の画像が取得された場所と動画と静止画の何れかを判定する。ＣＰＵ１０１は、、例えば、待合室での静止画、待合室から診察室への移動の動画、および待合室における動画のうち何れであるかを判定する。
【0050】
また、撮像された画像が静止画の場合、異なる時刻、または／および異なる場所における、同一の対象者の画像（顔画像）を取得する。
【0051】
そして、ＣＰＵ１０１は、取得した顔画像から対象者の顔色を算出する（ステップＳ１０５）。この場合、ＣＰＵ１０１は、例えば、対象者である患者の顔画像の黒み度、青み度などを算出する。つまり、ＣＰＵ１０１は、待合室に設置されたカメラで撮影した静止画により、対象者の安静時の顔画像の色味の特徴を抽出する。
【0052】
一方、ＣＰＵ１０１は、取得した画像が、待合室から診察室への移動する動画の場合（ステップＳ１０１）、その動画の中から人物を抽出する（ステップＳ１０７）。そして、ＣＰＵ１０１は、トラッキングにより移動量（歩行距離）を算出し（ステップＳ１０９）、待合室を立った時間と診察室前に立った時間とから、対象者の歩行時間を算出する（ステップＳ１１１）。そして、ＣＰＵ１０１は、歩行距離と歩行時間から、対象者の歩行速度（移動速度）を算出する（ステップＳ１１３）。つまり、ＣＰＵ１０１は、待合室から診察室への移動経路に設置されたカメラで撮影した動画により、対象者の歩行速度の特徴を抽出する。
【0053】
他方、ＣＰＵ１０１は、取得した画像が、待合室における動画の場合（ステップＳ１０１）、その動画の中から人物の肩を抽出する（ステップＳ１１５）。そして、ＣＰＵ１０１は、対象者の息の吸い始め、息の吐き出し終わりのタイミング（呼吸タイミング）を抽出する（ステップＳ１１７）。そして、ＣＰＵ１０１は、対象者の呼吸速度を算出する（ステップＳ１１９）。この場合、ＣＰＵ１０１は、対象者の安静時の呼吸速度として、１分あたりの呼吸タイミングを何回繰り返したかを算出する。つまり、ＣＰＵ１０１は、待合室に設置されたカメラで撮影した動画により、対象者の安静時の呼吸速度の特徴を抽出する。
【0054】
このように、ＣＰＵ１０１は、抽出部１１２において、対象者をそれぞれ異なる視点から撮影した複数の画像の各々から、互いに異なる特徴に関する情報を抽出する。なお、ＣＰＵ１０１は、抽出部１１２において、対象者をそれぞれ異なる視点から撮影した複数の画像の各々から、互いに異なる複数の特徴に関する情報を抽出してもよい。
【0055】
図４は、ＣＰＵ１０１が、抽出部１１２において、複数の画像の各々から、学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）を用いて、互いに異なる特徴に関する情報を抽出（算出）する概念を示した説明図である。
【0056】
図４に示すように、ＣＰＵ１０１は、抽出部１１２において、静止画ＳＩと診療科に関する情報（診療科情報）とに学習済みモデル１０３aを適用して、顔色情報ＥＩ１を抽出する。同様に、ＣＰＵ１０１は、抽出部１１２において、動画ＭＩ１と診療科情報とに学習済みモデル１０３ｂを適用して、移動速度ＥＩ２を抽出する。同様に、ＣＰＵ１０１は、抽出部１１２において、動画ＭＩ２と診療科情報とに学習済みモデル１０３ｃを適用して、呼吸速度ＥＩ３を抽出する。
【0057】
なお、抽出部１１２は、診療科情報を適用することにより、診療科ごとに必要な特徴（例えば、固有な特徴）を絞る（抽出する）ことができる。このため、ＣＰＵ１０１は、例えば、診療科ごとに学習済みモデル１０３を切り替えてもよく、また、地域や病院ごとに固有の学習済みモデル１０３を適用してもよい。
【0058】
【0059】
ＣＰＵ１０１は、算出（抽出）された、顔色情報ＥＩ１、移動速度ＥＩ２、及び呼吸速度ＥＩ３（互いに異なる特徴に関する情報）を抽出結果として外部記憶装置１０８に保存する(ステップＳ００５)。
【0060】
次に、ＣＰＵ１０１は、抽出部１１２により抽出された互いに異なる特徴に関する情報から、対象者の複数の疾患の候補を推定する（ステップＳ００７）。この場合、ＣＰＵ１０１は、推定部１１３において、１つ以上の疾患の候補を推定する。ＣＰＵ１０１は、対象者の受診科情報に基づいて、対象者の疾患の候補を推定することができる。なお、受診科情報は、任意の構成要素であり、ＣＰＵ１０１は、推定部１１３において疾患の候補を推定する際、受診科情報以外の情報により推定してもよい。例えば、流行性のある疾患について、流行している地域情報に基づいて、対象者の疾患の候補を推定してもよい。
【0061】
また、ＣＰＵ１０１は、抽出部１１２により抽出された互いに異なる特徴に関する情報から、疾患の確度又は重篤度を推定する（ステップＳ００９）。
【0062】
図５は、ＣＰＵ１０１が、推定部１１３において、抽出部１１２により抽出された互いに異なる特徴に関する情報から、学習済みモデル１０３ｄを用いて、対象者の疾患の候補と、疾患の確度又は重篤度を推定する概念を示した説明図である。
【0063】
図５に示すように、ＣＰＵ１０１は、推定部１１３において、顔色情報ＥＩ１、移動速度ＥＩ２、及び呼吸速度ＥＩ３（互いに異なる特徴に関する情報）から、学習済みモデル１０３ｄを適用して、対象者の疾患の候補と、疾患の確度又は重篤度を推定する。具体的には、ＣＰＵ１０１は、顔色情報ＥＩ１、移動速度ＥＩ２、及び呼吸速度ＥＩ３から、１．ＣＯＰＤ（慢性閉塞性肺疾患）の確度が９０％、重篤度が５と、２．肺線維症の確度が８５％、重篤度が４と、３．喘息の確度が５０％、重篤度が４と、推定する。
【0064】
図２のフローチャートに戻り、ＣＰＵ１０１は、対象者の疾患の候補と、疾患の確度又は重篤度の推定結果を表示部１０５に表示させ（ステップＳ０１１）、疾患候補推定処理を終了する。
【0065】
図６は、ＣＰＵ１０１が、表示部１０５の表示画面ＤＳに、対象者の疾患の候補と、疾患の確度及び重篤度の推定結果を表示させた表示画面例である。
【0066】
図６に示すように、表示部１０５の表示画面ＤＳには、１．ＣＯＰＤ（慢性閉塞性肺疾患）の確度が９０％、重篤度が５と、２．肺線維症の確度が９５％、重篤度が４と、３．喘息の確度が５０％、重篤度が４と、表示されている。
【0067】
なお、表示画面ＤＳに表示される疾患の候補は、推定された疾患の候補の全てを表示してもよく、また、例えば、疾患の確度が５０％以上の疾患の候補を表示するようにしてもよい。本実施の形態では、一例として、疾患の確度が５０％以上の疾患の候補を表示している。
【0068】
このように、医療診断支援装置１００のＣＰＵ１０１は、被験者である患者（対象者）の疾患の候補を予め提示するとともに、所見を算出することにより、医師や看護師である医療従事者などは、検査前に患者の状態を把握することができる。
【0069】
次に、抽出部１１２において使用される学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）について、説明する。
【0070】
［学習済みモデルの生成］
抽出部１１２において使用される学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）は、予め準備した画像情報を入力とし、出力を各目的に応じた抽出結果（例えば、顔色算出用の場合は、顔領域画像）とした多数（例えば数千から十数万組）のデータセットを学習サンプルデータとして用い、これにより機械学習する。学習器（不図示）としては、ＣＰＵおよびＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のプロセッサを用いたスタンドアロンの高性能コンピュータ、又はクラウドコンピュータを用いることができる。
抽出部１１２において使用される学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）は、予め準備した画像情報を入力とし、出力を各目的に応じた抽出結果（例えば、顔色算出用の場合は、顔領域画像）とした多数（例えば数千から十数万組）のデータセットを学習サンプルデータとして用い、これにより機械学習する。学習器（不図示）としては、ＣＰＵおよびＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のプロセッサを用いたスタンドアロンの高性能コンピュータ、又はクラウドコンピュータを用いることができる。
【0071】
学習器（不図示）は、パーセプトロンを組み合わせて構成したニューラルネットワークを用いた学習方法について、フローチャートを用いて説明するが、本実施形態はこれに限定されるものではなく、教師あり学習であれば、種種の手法を取り得る。例えば、学習器（不図示）には、ランダムフォレスト、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ブースティング（Ｂｏｏｓｔｉｎｇ）、ベイジアン（Ｂｓｙｓｉａｎ）、ネットワーク線形判別法、及び非線形判別法等を適用することができる。
【0072】
［学習済みモデルの学習方法］
図７は、第１の実施形態に係る医療診断支援装置１００の抽出部１１２において使用される学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）の学習方法の処理を示したフローチャートである。
図７は、第１の実施形態に係る医療診断支援装置１００の抽出部１１２において使用される学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）の学習方法の処理を示したフローチャートである。
【0073】
学習器（不図示）は、教師データである学習サンプルデータを読み込む。例えば、最初であれば１組目（画像情報、疾患の候補、確度、重篤度）の学習サンプルデータを読み込み、ｉ回目であれば、ｉ組目の学習サンプルデータを読み込む（ステップＳ２０１）。
【0074】
学習器（不図示）は、読み込んだ学習サンプルデータのうち、入力データ（画像情報）をニューラルネットワークに入力する（ステップＳ２０３）。
【0075】
学習器（不図示）は、ニューラルネットワークの推定結果、即ち、推定された目的に応じた結果（例えば、顔色算出用の場合は、顔領域画像）を、教師データと比較する（ステップＳ２０５）。
【0076】
学習器（不図示）は、比較結果からパラメータを調整する（ステップＳ２０７）。例えば、学習器（不図示）は、バックプロパゲーション（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ：誤差逆伝搬法）という処理を行うことにより、比較結果の誤差が小さくなるように、パラメータを調整し、更新する。
【0077】
学習器（不図示）は、１～ｉ組目まで全データの全処理が完了した場合（ステップＳ２０９のＹＥＳ）、ステップＳ２１１に進む。一方、全データの全処理が完了していない場合（ステップＳ２０９のＮＯ）、学習器（不図示）は、ステップ２０１に戻り、次の学習サンプルデータを読み込み、ステップＳ２０１以下の処理を繰り返す。
【0078】
学習器（不図示）は、ステップＳ２０７までの処理で構築された学習済みモデルを記憶し（ステップＳ２１１）、処理を終了する。このように、学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）は、学習サンプルデータにより機械学習する。
【0079】
これにより、第１の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、抽出部１１２に、学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）を適用することができる。
【0080】
図８は、第１の実施形態に係る医療診断支援装置１００の抽出部１１２において使用される学習済みモデル１０３（学習済みモデル１０３ａ～１０３ｃ）の学習方法の概念を示した説明図である。図８では、１種類の画像（動画）から、１つ以上の特徴を抽出（算出）している。また、各特徴は、他の種類の画像から得られる特徴とは、異なるようになっている。
【0081】
図８に示すように、学習済みモデル１０３ａは、例えば、静止画ＳＩから、対象者の顔色の情報として、赤み、青み、黄色み、白み、黒みなどを抽出し、評価する。具体的には、学習済みモデル１０３ａは、赤みは「０．２０」、青みは「０２５」、黄色みは「０」、白みは「０．１０」、黒みは「０．７５」と、静止画ＳＩから抽出する。なお、各評価値は、「０」から「１」の間で、正規化されている。
【0082】
これにより、学習済みモデル１０３ａは、静止画ＳＩの対象者の顔色は、例えば、黒みがかっているなどと評価することができる。
【0083】
また、学習済みモデル１０３ｂは、動画ＭＩ１から、待合室を立った時間と診察室前に立った時間とから、対象者の歩行時間を抽出する。そして、学習済みモデル１０３ｂは、歩行距離と歩行時間から、対象者の歩行速度（移動速度）を抽出する。具体的には、学習済みモデル１０３ｂは、待合室から診察室までの対象者の歩行速度は、０．３［ｍ／ｓ］、対象者の歩行距離は、４．０［ｍ］と抽出する。
【0084】
これにより、学習済みモデル１０３ｂは、例えば、動画ＭＩ１の対象者は、０．８［ｍ／ｓ］以下であることから、対象者の歩行速度が遅いと評価することができる。
【0085】
また、学習済みモデル１０３ｃは、動画ＭＩ２から、対象者の息切れ度合い（待合室での呼吸度合い）を抽出する。呼吸度合いとは、１分間に呼吸を何回繰り返すかを示す、呼吸速度である。具体的には、学習済みモデル１０３ｃは、対象者の息切れ度合いを４０［回／ｍｉｎ］と抽出する。
【0086】
これにより、学習済みモデル１０３ｃは、例えば、動画ＭＩ２の対象者は、呼吸速度が大きい、又は呼吸速度が速いと評価することができる。ここで、学習済みモデル１０３ｃは、例えば、１分間に呼吸の回数が１２～２０回を正常と評価し、２５回以上の場合は頻呼吸と評価する。また、呼吸の回数が１分間に４０回以上の場合については、ＣＯＰＤと評価してもよい。
【0087】
なお、息切れの表現は、特に限定されるものではなく、例えば、十分に息が吸えない、息が十分に吐けない、息が詰まるなど、息切れ度合いにより適切な表現で評価することができる。
【0088】
次に、推定部１１３使用される学習済みモデル１０３（学習済みモデル１０３ｄ）について、説明する。
【0089】
［学習済みモデルの生成］
推定部１１３において使用される学習済みモデル１０３（学習済みモデル１０３ｄ）は、予め準備した各特徴に対する数値データを入力とし、出力を疾患（疾患の候補、確度、重篤度）とした多数（例えば数千から十数万組）のデータセットを学習サンプルデータとして用い、これにより機械学習する。学習器（不図示）としては、ＣＰＵおよびＧＰＵのプロセッサを用いたスタンドアロンの高性能コンピュータ、又はクラウドコンピュータを用いることができる。
推定部１１３において使用される学習済みモデル１０３（学習済みモデル１０３ｄ）は、予め準備した各特徴に対する数値データを入力とし、出力を疾患（疾患の候補、確度、重篤度）とした多数（例えば数千から十数万組）のデータセットを学習サンプルデータとして用い、これにより機械学習する。学習器（不図示）としては、ＣＰＵおよびＧＰＵのプロセッサを用いたスタンドアロンの高性能コンピュータ、又はクラウドコンピュータを用いることができる。
【0090】
学習器（不図示）は、パーセプトロンを組み合わせて構成したニューラルネットワークを用いた学習方法について、フローチャートを用いて説明するが、本実施形態はこれに限定されるものではなく、教師あり学習であれば、種種の手法を取り得る。例えば、学習器（不図示）には、ランダムフォレスト、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ブースティング（Ｂｏｏｓｔｉｎｇ）、ベイジアン（Ｂｓｙｓｉａｎ）、ネットワーク線形判別法、及び非線形判別法等を適用することができる。
【0091】
［学習済みモデルの学習方法］
図９は、第１の実施形態に係る医療診断支援装置１００の推定部１１３において使用される学習済みモデル１０３（学習済みモデル１０３ｄ）の学習方法の処理を示したフローチャートである。図９に示すフローチャートにおいて、図７に示すフローチャートと同一の処理については同一の符号を付し、説明を適宜、省略する。
図９は、第１の実施形態に係る医療診断支援装置１００の推定部１１３において使用される学習済みモデル１０３（学習済みモデル１０３ｄ）の学習方法の処理を示したフローチャートである。図９に示すフローチャートにおいて、図７に示すフローチャートと同一の処理については同一の符号を付し、説明を適宜、省略する。
【0092】
【0093】
学習器（不図示）は、教師データである学習サンプルデータを読み込む。例えば、最初であれば１組目（各特徴に対する数値データ（特徴データ）、疾患の候補、確度、重篤度）の学習サンプルデータを読み込み、ｉ回目であれば、ｉ組目の学習サンプルデータを読み込む（ステップＳ３０１）。
【0094】
学習器（不図示）は、読み込んだ学習サンプルデータのうち、入力データ（各特徴に対する数値データ（特徴データ））をニューラルネットワークに入力する（ステップＳ３０３）。
【0095】
学習器（不図示）は、ニューラルネットワークの推定結果、即ち、推定された疾患の候補、確度、重篤度を、教師データと比較する（ステップＳ３０５）。
【0096】
以降の処理は、図７のフローチャートと同様であり、学習器（不図示）は、ステップＳ２０７までの処理で構築された学習済みモデルを記憶し（ステップＳ２１１）、処理を終了する。このように、学習済みモデル１０３（学習済みモデル１０３ｄ）は、学習サンプルデータにより機械学習する。
【0097】
これにより、第１の実施形態に係る医療診断支援装置１００のＣＰＵ１０１は、推定部１１３に、学習済みモデル１０３（学習済みモデル１０３ｄ）を適用することができる。
【0098】
図１０は、第１の実施形態に係る医療診断支援装置１００の推定部１１３において使用される学習済みモデル１０３（学習済みモデル１０３ｄ）の学習方法の概念を示した説明図である。図１０では、得られた各特徴から、疾患と重篤度との対応を学習させ、疾患の確度と重篤度を推定する。
【0099】
図１０に示すように、学習済みモデル１０３ｄは、得られた各特徴から、予め学習させた識別器により、疾患と重篤度との対応を学習する。学習済みモデル１０３ｄは、例えば、「顔色の赤み」、「顔色の青み」、「顔色の黄色み」、「顔色の白み」、「顔色の黒み」、「歩行速度［ｍ／ｓ］」、「歩行距離［ｍ］」、及び「呼吸速度［回／ｍｉｎ］」などから、予め学習させた識別器により、ＣＯＰＤの確度と重篤度、肺線維症の確度と重篤度、喘息の確度と重篤度などを推定する。
【0100】
具体的には、識別器は、予め所定の入力データに対して、正解データとして、ＣＯＰＤの確度が「１」、重篤度が「５」、肺線維症の確度が「１」、重篤度が「４」、喘息の確度が「０．４」、重篤度が「３」などと学習済みである。なお、確度は、正規化された０～１の値であり、重篤度は、５段階で評価された値とする。
【0101】
学習済みモデル１０３ｄは、特徴データとして、顔色の赤みが「０．２０」、顔色の青みが「０．２５」、顔色の黄色みが「０」、顔色の白みが「０．１」、顔色の黒みが「０．７５」、歩行速度［ｍ／ｓ］が「０．３」、歩行距離［ｍ］が「４．０」、及び呼吸速度［回／ｍｉｎ］が「４０」などを取得する。
【0102】
これにより、学習済みモデル１０３ｄは、例えば、ＣＯＰＤの確度が「０．９」、重篤度が「５」、肺線維症の確度が「０．８５」、重篤度が「４」、喘息の確度が「０．５」、重篤度が「４」などと推定することができる。
【0103】
以上説明したように、第１の実施形態における医療診断支援装置１００のＣＰＵ１０１は、取得部１１１、抽出部１１２、推定部１１３、及び制御部１１４を備えて構成されている。医療診断支援装置１００のＣＰＵ１０１は、抽出部１１２において、取得部１１１により取得された複数の画像の各々から、互いに異なる特徴に関する情報を抽出し、推定部１１３において、抽出された互いに異なる特徴に関する情報から、対象者の疾患の候補と、疾患の確度又は重篤度を推定する。
【0104】
これにより、第１の実施形態における医療診断支援装置１００は、被験者である患者の疾患の候補、確度又は重篤度を予め提示することにより、検査前に患者の状態を把握することができる。
【0105】
また、第１の実施形態における医療診断支援装置１００は、問診後の必要な検査の絞り込みや、疾患の特定を補助することができるとともに、適切な検査を早期に実施することができるので、疾患の早期発見・早期治療を実現することができる。
【0106】
次に、第２の実施形態に係る医療診断支援装置１００について、説明する。
【0107】
＜第２の実施形態＞
［画像処理装置全体の構成］
第２の実施形態に係る医療診断支援装置１００は、図１Ａと同様の構成を備えているが、ＣＰＵ１０１の代わりにＣＰＵ１０１ａを備えて構成されている。ＣＰＵ１０１ａは、第１の実施形態のＣＰＵ１０１と同様に、医療診断支援装置１００の全体を統括して制御する演算処理装置である。
［画像処理装置全体の構成］
第２の実施形態に係る医療診断支援装置１００は、図１Ａと同様の構成を備えているが、ＣＰＵ１０１の代わりにＣＰＵ１０１ａを備えて構成されている。ＣＰＵ１０１ａは、第１の実施形態のＣＰＵ１０１と同様に、医療診断支援装置１００の全体を統括して制御する演算処理装置である。
【0108】
ＣＰＵ１０１ａは、ＲＯＭ１０６や外部記憶装置１０８に格納されたプログラムを実行することにより、各種の制御を行う。ＣＰＵ１０１ａは、例えば、外部記憶装置１０８に格納された疾患特定プログラム１０９Ｂを実行することにより、図１１Ａに示す、取得部１１１、推定部１１３ａ、特定部１１５、及び制御部１１４を実現する。
【0109】
図１１Ａは、第２の実施形態に係る医療診断支援装置１００のＣＰＵ１０１ａの機能を示したブロック図である。なお、図１Ｂに示す第１の実施形態に係る医療診断支援装置１００のＣＰＵ１０１と同一の構成要素には同一の符号を付し、説明を適宜、省略する。
【0110】
取得部１１１は、対象者の画像であって、少なくとも動画像を含む複数の画像を取得する機能を有している。複数の画像には、動画または／および静止画とを含むものとする。
【0111】
推定部１１３ａは、取得部１１１により取得された複数の画像の各々から、学習済みモデル１０３（学習済みの識別器）を用いて、対象者の疾患の候補と、疾患の確度又は重篤度を推定する機能を有している。推定部１１３ａは、１つ以上の疾患の候補を推定する。また、推定部１１３ａは、取得部１１１により取得された複数の画像の各々に加えて、対象者の受診科情報に基づいて、対象者の疾患の候補を推定することができる。
【0112】
特定部１１５は、推定部１１３ａにより推定された、対象者の疾患の候補、疾患の確度又は重篤度から、対象者の疾患の候補、疾患の確度又は重篤度を特定する機能を有している。
【0113】
制御部１１４は、特定部１１５により特定された、疾患の候補、疾患の確度又は重篤度を出力部１０４に出力させる機能を有している。
【0114】
学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）は、事前学習済みの識別器を含んで構成され、各種パラメータを記憶し、保存する。学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）は、任意の学習モデルを適用するこができ、例えば、地域、病院、診療科のうち少なくとも何れかごとに異なる学習モデルが設けられる。なお、学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）の詳細については、後述する。
【0115】
なお、第２の実施形態では、ＣＰＵ１０１ａは、医療診断支援装置１００の全体を統括して制御しているが、医療診断支援装置１００の全体を制御する代わりに、例えば、複数のハードウェアが処理を分担することにより、医療診断支援装置１００の全体を制御してもよい。
【0116】
［医療診断支援装置の処理］
次に、上記構成からなる医療診断支援装置１００が実行する疾患候補推定処理について、図１１Ａを参照しながら、フローチャートを用いて説明する。
次に、上記構成からなる医療診断支援装置１００が実行する疾患候補推定処理について、図１１Ａを参照しながら、フローチャートを用いて説明する。
【0117】
【0118】
まず、医療診断支援装置１００のＣＰＵ１０１ａは、取得部１１１において、対象者の画像であって、少なくとも動画像を含む複数の画像を取得する（ステップＳ００１）。この場合、ＣＰＵ１０１は、画像取得部１０２から複数の画像を取得する。なお、複数の画像には、動画または／および静止画を含むものとする。
【0119】
医療診断支援装置１００のＣＰＵ１０１ａは、推定部１１３ａにおいて、「疾患の候補、確度、及び重篤度の推定と特定」（ステップＳ４０１）を実行する。ここで、図１２に示すフローチャートを用いて、医療診断支援装置１００のＣＰＵ１０１ａが実行する「疾患の候補、確度、及び重篤度の推定と特定」の処理について、説明する。
【0120】
図１２は、「疾患の候補、確度、及び重篤度の推定と特定の処理」を示したフローチャートである。ＣＰＵ１０１ａは、推定部１１３aにおいて、複数の画像のうち、対象者の静止画から、疾患の候補、確度、及び重篤度を推定する（ステップＳ５０１）。推定部１１３ａは、１つ以上の疾患の候補を推定する。推定部１１３ａは、対象者の受診科情報に基づいて、対象者の疾患の候補を推定することができる。なお、受診科情報は、任意の構成要素である。静止画は、異なる時刻、または／および異なる場所における、同一の対象者の画像を含むものとする。
【0121】
また、ＣＰＵ１０１ａは、推定部１１３ａにおいて、複数の画像のうち、対象者の動画（例えば、動画１）から、疾患の候補、確度、及び重篤度を推定する（ステップＳ５０３）。この場合、推定部１１３ａは、同様に、１つ以上の疾患の候補を推定する。推定部１１３ａは、対象者の受診科情報に基づいて、対象者の疾患の候補を推定することができる。なお、受診科情報は、任意の構成要素である。
【0122】
また、ＣＰＵ１０１ａは、推定部１１３ａにおいて、複数の画像のうち、対象者の動画（例えば、動画２）から、疾患の候補、確度、及び重篤度を推定する（ステップＳ５０５）。この場合、推定部１１３ａは、同様に、１つ以上の疾患の候補を推定する。推定部１１３ａは、対象者の受診科情報に基づいて、対象者の疾患の候補を推定することができる。なお、受診科情報は、任意の構成要素である。
【0123】
図１３は、ＣＰＵ１０１ａが、推定部１１３ａにおいて、複数の画像の各々から、学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）を用いて、疾患の候補、確度、及び重篤度を推定する概念を示した説明図である。
【0124】
図１３に示すように、ＣＰＵ１０１ａは、推定部１１３ａにおいて、対象者の静止画ＳＩと診療科に関する情報（診療科情報）とに学習済みモデル１０３ｅを適用して、疾患の候補を、「ＣＯＰＤ」、「肺線維症」、「風邪」と推定する（推定情報ＩＦ１）。この場合、推定部１１３ａは、推定情報ＩＦ１として、ＣＯＰＤの確度が「９０％」、重篤度が「５」と推定し、肺線維症の確度が「８５％」、重篤度が「５」と推定し、風邪の確度が「１０％」、重篤度が「１」と推定する。
【0125】
また、ＣＰＵ１０１ａは、推定部１１３ａにおいて、対象者の動画（動画１）ＭＩ１と診療科情報とに学習済みモデル１０３ｆを適用して、疾患の候補を、「ＣＯＰＤ」、「肺線維症」、「風邪」と推定する（推定情報ＩＦ２）。この場合、推定部１１３ａは、推定情報ＩＦ２として、ＣＯＰＤの確度が「９０％」、重篤度が「５」と推定し、肺線維症の確度が「８５％」、重篤度が「４」と推定し、風邪の確度が「１０％」、重篤度が「１」と推定する。
【0126】
また、ＣＰＵ１０１ａは、推定部１１３ａにおいて、対象者の動画（動画２）ＭＩ２と診療科情報とに学習済みモデル１０３ｇを適用して、疾患の候補を、「ＣＯＰＤ」、「肺線維症」、「喘息」と推定する（推定情報ＩＦ３）。この場合、推定部１１３ａは、推定情報ＩＦ３として、ＣＯＰＤの確度が「９０％」、重篤度が「５」と推定し、肺線維症の確度が「８５％」、重篤度が「４」と推定し、喘息の確度が「８０％」、重篤度が「４」と推定する。
【0127】
図１２のフローチャートに戻り、ＣＰＵ１０１ａは、特定部１１５において、推定部１１３ａにより推定された、対象者の疾患の候補、疾患の確度、又は重篤度から、対象者の疾患の候補、疾患の確度、又は重篤度を特定する（ステップＳ５０７）。この場合、特定部１１５は、対象者の疾患の候補、疾患の確度、又は重篤度を正規化する。
【0128】
図１４は、ＣＰＵ１０１ａが、特定部１１５において、対象者の推定情報（疾患の候補、確度、及び重篤度）ＩＦ１～ＩＦ３から対象者の特定情報（疾患の候補、確度、及び重篤度）ＩＦ４を特定する概念を示した説明図である。
【0129】
図１４に示すように、対象者の推定情報ＩＦ１では、ＣＯＰＤの確度が「９０％」、重篤度が「５」と推定され、肺線維症の確度が「８５％」、重篤度が「５」と推定され、風邪の確度が「１０％」、重篤度が「１」と推定されている。対象者の推定情報ＩＦ２では、ＣＯＰＤの確度が「９０％」、重篤度が「５」と推定され、肺線維症の確度が「８５％」、重篤度が「４」と推定され、風邪の確度が「１０％」、重篤度が「１」と推定されている。対象者の推定情報ＩＦ３では、ＣＯＰＤの確度が「９０％」、重篤度が「５」と推定され、肺線維症の確度が「８５％」、重篤度が「４」と推定され、喘息の確度が「８０％」、重篤度が「４」と推定されている。
【0130】
ＣＰＵ１０１ａは、特定部１１５において、対象者の推定情報ＩＦ１～ＩＦ３から、対象者の疾患の候補を、「ＣＯＰＤ」、「肺線維症」、「喘息」、「風邪」と特定し、ＣＯＰＤの確度が「９０％」、重篤度が「５」と特定し、肺線維症の確度が「８５％」、重篤度が「４」と特定し、喘息の確度が「２７％」、重篤度が「４」と特定し、風邪の確度が「６％」、重篤度が「１」と特定している。
【0131】
ここで、図１４に示した各疾患の候補の確度を算出する際、ＣＰＵ１０１ａは、例えば、対象者の推定情報ＩＦ１～ＩＦ３における平均値を算出する。具体的には、対象者の推定情報ＩＦ１～ＩＦ３において、推定された確度を出現回数で除算して平均値を算出する。なお、推定情報ＩＦ１~ＩＦ３において確度が推定されていない場合は、「０」として計算する。
【0132】
例えば、対象者のＣＯＰＤの確度は、（０．９＋０．９＋０．９）／３により、０．９（９０％）と算出される。対象者の肺線維症の確度は、（０．８５＋０．８５＋０．８５）／３により、０．８５（８５％）と算出される。対象者の喘息の確度は、（０．８／３）により、０．２７（２７％）と算出される。対象者の風邪の確度は、（０．１＋０．１）／３により、０．０６（６％）と算出される。これらの疾患の候補、確度、及び重篤度を対象者の特定情報ＩＦ４とする。
【0133】
図１２のフローチャートに戻り、ＣＰＵ１０１ａは、疾患の候補、確度、及び重篤度の特定をすると（ステップＳ５０７）、「疾患の候補、確度、及び重篤度の推定と特定」の処理を終了し、図１１Ｂのフローチャートに戻る。
【0134】
ＣＰＵ１０１ａは、特定した対象者の特定情報ＩＦ４の内容を特定結果として表示部１０５に表示し（ステップＳ００９）、疾患候補推定処理の処理を終了する。
【0135】
このように、医療診断支援装置１００のＣＰＵ１０１ａは、被験者である患者の疾患の候補、確度、又は重篤度を予め提示することができるので、医師や看護師である医療従事者などは、検査前に患者の状態を把握することができる。
【0136】
次に、抽出部１１２において使用される学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）について、説明する。
【0137】
［学習済みモデルの生成］
推定部１１３ａにおいて使用される学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）は、予め準備した画像情報を入力とし、出力を各目的に応じた抽出結果（疾患の候補、確度、重篤度）とした多数（例えば数千から十数万組）のデータセットを学習サンプルデータとして用い、これにより機械学習する。学習器（不図示）としては、ＣＰＵおよびＧＰＵのプロセッサを用いたスタンドアロンの高性能コンピュータ、又はクラウドコンピュータを用いることができる。
推定部１１３ａにおいて使用される学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）は、予め準備した画像情報を入力とし、出力を各目的に応じた抽出結果（疾患の候補、確度、重篤度）とした多数（例えば数千から十数万組）のデータセットを学習サンプルデータとして用い、これにより機械学習する。学習器（不図示）としては、ＣＰＵおよびＧＰＵのプロセッサを用いたスタンドアロンの高性能コンピュータ、又はクラウドコンピュータを用いることができる。
【0138】
学習器（不図示）は、パーセプトロンを組み合わせて構成したニューラルネットワークを用いた学習方法について、フローチャートを用いて説明するが、本実施形態はこれに限定されるものではなく、教師あり学習であれば、種種の手法を取り得る。例えば、学習器（不図示）には、ランダムフォレスト、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ブースティング（Ｂｏｏｓｔｉｎｇ）、ベイジアン（Ｂｓｙｓｉａｎ）、ネットワーク線形判別法、及び非線形判別法等を適用することができる。
【0139】
［学習済みモデルの学習方法］
図１５は、第２の実施形態に係る医療診断支援装置１００の推定部１１３ａにおいて使用される学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）の学習方法の処理を示したフローチャートである。なお、図７及び図９のフローチャートと同一の処理には同一の符号を付し、説明を適宜、省略する。
図１５は、第２の実施形態に係る医療診断支援装置１００の推定部１１３ａにおいて使用される学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）の学習方法の処理を示したフローチャートである。なお、図７及び図９のフローチャートと同一の処理には同一の符号を付し、説明を適宜、省略する。
【0140】
学習器（不図示）は、教師データである学習サンプルデータを読み込む。例えば、最初であれば１組目（画像情報、疾患の候補、確度、重篤度）の学習サンプルデータを読み込み、ｉ回目であれば、ｉ組目の学習サンプルデータを読み込む（ステップＳ６０１）。
【0141】
学習器（不図示）は、読み込んだ学習サンプルデータのうち、入力データ（画像情報）をニューラルネットワークに入力する（ステップＳ６０３）。
【0142】
学習器（不図示）は、ニューラルネットワークの推定結果、即ち、推定された目的に応じた結果（疾患の候補、確度、重篤度）を、教師データと比較する（ステップＳ６０５）。
【0143】
学習器（不図示）は、比較結果からパラメータを調整する（ステップＳ２０７）。例えば、学習器（不図示）は、バックプロパゲーション（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ：誤差逆伝搬法）という処理を行うことにより、比較結果の誤差が小さくなるように、パラメータを調整し、更新する。
【0144】
学習器（不図示）は、１～ｉ組目まで全データの全処理が完了した場合（ステップＳ２０９のＹＥＳ）、ステップＳ２１１に進む。一方、全データの全処理が完了していない場合（ステップＳ２０９のＮＯ）、学習器（不図示）は、ステップ６０１に戻り、次の学習サンプルデータを読み込み、ステップＳ６０１以下の処理を繰り返す。
【0145】
学習器（不図示）は、ステップＳ２０７までの処理で構築された学習済みモデルを記憶し（ステップＳ２１１）、処理を終了する。このように、学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）は、学習サンプルデータにより機械学習する。
【0146】
これにより、第２の実施形態に係る医療診断支援装置１００のＣＰＵ１０１aは、推定部１１３ａに、学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）を適用することができる。
【0147】
図１６は、第２の実施形態に係る医療診断支援装置１００の推定部１１３ａにおいて使用される学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）の学習方法の概念を示した説明図である。図１６では、複数の画像の各々から、１つ以上の特徴を抽出（算出）して、疾患の候補、確度、及び重篤度を学習することを示している。
【0148】
図１６に示すように、学習済みモデル１０３ｅは、例えば、対象者の静止画ＳＩから、ＣＯＰＤの確度が「１」、重篤度が「５」、肺線維症の確度が「１」、重篤度が「５」、かぜ症候群が「０．１」、重篤度が「３」、喘息の確度が「０」、重篤度が「０」などと推定する。また、学習済みモデル１０３ｆは、例えば、対象者の動画（動画１）ＭＩ１から、ＣＯＰＤの確度が「１」、重篤度が「５」、肺線維症の確度が「１」、重篤度が「５」、かぜ症候群が「０．１」、重篤度が「４」、喘息の確度が「０」、重篤度が「０」などと推定する。また、学習済みモデル１０３ｇは、例えば、対象者の動画（動画２）ＭＩ２から、ＣＯＰＤの確度が「１」、重篤度が「５」、肺線維症の確度が「１」、重篤度が「５」、かぜ症候群が「０」、重篤度が「０」、喘息の確度が「０．８」、重篤度が「３」などと推定する。
【0149】
以上説明したように、第２の実施形態における医療診断支援装置１００のＣＰＵ１０１ａは、取得部１１１、推定部１１３ａ、特定部１１５、及び制御部１１４を備えて構成されている。医療診断支援装置１００のＣＰＵ１０１ａは、推定部１１３ａにおいて、複数の画像の各々から、学習済みモデル１０３（学習済みモデル１０３ｅ～１０３ｇ）を用いて、対象者の疾患の候補と、疾患の確度又は重篤度を推定し、特定部１１５において、推定部１１３ａにより推定された、対象者の疾患の候補、疾患の確度又は重篤度から、対象者の疾患の候補、疾患の確度又は重篤度を特定する。
【0150】
これにより、第２の実施形態における医療診断支援装置１００は、被験者である患者の疾患の候補、確度又は重篤度を予め提示することにより、検査前に患者の状態を把握することができる。
【0151】
また、第２の実施形態における医療診断支援装置１００は、問診後の必要な検査の絞り込みや、疾患の特定を補助することができるとともに、適切な検査を早期に実施することができるので、疾患の早期発見・早期治療を実現することができる。
【符号の説明】
【0152】
１００ 医療診断支援装置
１０１，１０１ａ ＣＰＵ
１０２ 画像取得部
１０３，１０３ａ，１０３ｂ，１０３ｃ，１０３ｄ 学習済みモデル
１０３ｅ，１０３ｆ，１０３ｇ 学習済みモデル
１０４ 出力部
１０５ 表示部
１０６ ＲＯＭ
１０７ ＲＡＭ
１０８ 外部記憶装置
１０９ 疾患特定プログラム
１１０ 情報取得部
１１１ 取得部
１１２ 抽出部
１１３，１１３ａ 推定部
１１４ 制御部
１１５ 特定部
１０１，１０１ａ ＣＰＵ
１０２ 画像取得部
１０３，１０３ａ，１０３ｂ，１０３ｃ，１０３ｄ 学習済みモデル
１０３ｅ，１０３ｆ，１０３ｇ 学習済みモデル
１０４ 出力部
１０５ 表示部
１０６ ＲＯＭ
１０７ ＲＡＭ
１０８ 外部記憶装置
１０９ 疾患特定プログラム
１１０ 情報取得部
１１１ 取得部
１１２ 抽出部
１１３，１１３ａ 推定部
１１４ 制御部
１１５ 特定部
【図1A】
【図1B】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11A】
【図11B】
【図12】
【図13】
【図14】
【図15】
【図16】