特許 7613725 診断支援装置、コンピュータプログラムおよびガス拡散能推定方法

(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】2025-01-06

(45)【発行日】2025-01-15

(54)【発明の名称】診断支援装置、コンピュータプログラムおよびガス拡散能推定方法

(51)【国際特許分類】

   G16H 50/20 20180101AFI20250107BHJP

【ＦＩ】

G16H50/20

【請求項の数】 7

(21)【出願番号】P 2021016004

(22)【出願日】2021-02-03

(65)【公開番号】P2022119043

(43)【公開日】2022-08-16

【審査請求日】2024-01-17

(73)【特許権者】

【識別番号】504139662

【氏名又は名称】国立大学法人東海国立大学機構

(74)【代理人】

【識別番号】100105924

【弁理士】

【氏名又は名称】森下 賢樹

(72)【発明者】

【氏名】佐藤 和秀

(72)【発明者】

【氏名】深津 紀暁

(72)【発明者】

【氏名】安井 裕智

【審査官】酒井 恭信

(56)【参考文献】

【文献】特表２０１６－５２６４６６（ＪＰ，Ａ）

【文献】国際公開第２０１５／００５９５８（ＷＯ，Ａ１）

【文献】米国特許出願公開第２０１６／０１０６３４１（ＵＳ，Ａ１）

【文献】中国特許出願公開第１０５７２２４６０（ＣＮ，Ａ）

【文献】特開２０１４－１００５７３（ＪＰ，Ａ）

【文献】特開２０１８－１９４４６３（ＪＰ，Ａ）

【文献】特開２０１８－１６６９６１（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１６Ｈ １０／００ － ８０／００

(57)【特許請求の範囲】

【請求項1】

スパイログラムである第１の呼吸機能検査と、ガス拡散能検査である第２の呼吸機能検査とを受けた複数の被験者について、前記複数の被験者の前記第１の呼吸機能検査の結果と、前記複数の被験者の前記第２の呼吸機能検査の結果であるガス拡散能の値とをもとに機械学習により構築されたモデルであって、入力された前記第１の呼吸機能検査の結果に対応する前記ガス拡散能の値を出力するモデルを記憶した記憶部にアクセス可能な診断支援装置であって、
或る被験者の前記第１の呼吸機能検査の結果を受け付ける受付部と、
前記第１の呼吸機能検査の結果を前記モデルに入力して、前記モデルから出力された前記ガス拡散能の値を取得する取得部と、
取得された前記ガス拡散能の値に関する情報を出力する出力部と、
を備え、
前記モデルは、前記複数の被験者の呼吸器に関する画像検査で得られた画像のデータにさらに基づいて構築されたものであって、入力された前記第１の呼吸機能検査の結果と、前記画像検査で得られた画像のデータとに対応する前記ガス拡散能の値を出力するものであり、
前記受付部は、前記或る被験者の呼吸器に関する画像検査で得られた画像のデータをさらに受け付け、
前記取得部は、前記画像のデータを前記モデルにさらに入力して、前記モデルから出力された前記ガス拡散能の値を取得する、
診断支援装置。

【請求項2】

前記第１の呼吸機能検査の結果は、複数項目のデータを含み、
前記第１の呼吸機能検査の結果における各項目のデータの平均値と標準偏差を標準化する第１処理部をさらに備える、
請求項１に記載の診断支援装置。

【請求項3】

前記画像のデータを標準化する第２処理部をさらに備える、
請求項１または２に記載の診断支援装置。

【請求項4】

前記モデルは、前記第２の呼吸機能検査の結果であるガス拡散能の値の自然対数に基づいて構築されたモデルである、
請求項１から３のいずれかに記載の診断支援装置。

【請求項5】

前記モデルは、ニューラルネットワークである、
請求項１から４のいずれかに記載の診断支援装置。

【請求項6】

スパイログラムである第１の呼吸機能検査と、ガス拡散能検査である第２の呼吸機能検査とを受けた複数の被験者について、前記複数の被験者の前記第１の呼吸機能検査の結果と、前記複数の被験者の前記第２の呼吸機能検査の結果であるガス拡散能の値とをもとに機械学習により構築されたモデルであって、入力された前記第１の呼吸機能検査の結果に対応する前記ガス拡散能の値を出力するモデルを記憶した記憶部にアクセス可能なコンピュータに、
或る被験者の前記第１の呼吸機能検査の結果を受け付ける機能と、
前記第１の呼吸機能検査の結果を前記モデルに入力して、前記モデルから出力された前記ガス拡散能の値を取得する機能と、
取得された前記ガス拡散能の値に関する情報を出力する機能と、
を実現させ、
前記モデルは、前記複数の被験者の呼吸器に関する画像検査で得られた画像のデータにさらに基づいて構築されたものであって、入力された前記第１の呼吸機能検査の結果と、前記画像検査で得られた画像のデータとに対応する前記ガス拡散能の値を出力するものであり、
前記受け付ける機能は、前記或る被験者の呼吸器に関する画像検査で得られた画像のデータをさらに受け付け、
前記取得する機能は、前記画像のデータを前記モデルにさらに入力して、前記モデルから出力された前記ガス拡散能の値を取得する、
コンピュータプログラム。

【請求項7】

スパイログラムである第１の呼吸機能検査と、ガス拡散能検査である第２の呼吸機能検査とを受けた複数の被験者について、前記複数の被験者の前記第１の呼吸機能検査の結果と、前記複数の被験者の前記第２の呼吸機能検査の結果であるガス拡散能の値とをもとに機械学習により構築されたモデルであって、入力された前記第１の呼吸機能検査の結果に対応する前記ガス拡散能の値を出力するモデルを記憶した記憶部にアクセス可能なコンピュータが、
或る被験者の前記第１の呼吸機能検査の結果を受け付けるステップと、
前記第１の呼吸機能検査の結果を前記モデルに入力して、前記モデルから出力された前記ガス拡散能の値を取得するステップと、
取得した前記ガス拡散能の値に関する情報を出力するステップと、
を実行し、
前記モデルは、前記複数の被験者の呼吸器に関する画像検査で得られた画像のデータにさらに基づいて構築されたものであって、入力された前記第１の呼吸機能検査の結果と、前記画像検査で得られた画像のデータとに対応する前記ガス拡散能の値を出力するものであり、
前記受け付けるステップは、前記或る被験者の呼吸器に関する画像検査で得られた画像のデータをさらに受け付け、
前記取得するステップは、前記画像のデータを前記モデルにさらに入力して、前記モデルから出力された前記ガス拡散能の値を取得する、
ガス拡散能推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、データ処理技術に関し、特に診断支援装置、コンピュータプログラムおよびガス拡散能推定方法に関する。

【背景技術】

【0002】

基本的な呼吸機能検査としてスパイログラムが知られている。スパイログラムは、深呼吸した被験者の吸気量と呼気量を測定し、被験者の呼吸の能力を調べる検査である。一方、呼吸器疾患を精度よく識別し、また病状を正しく評価するために、精密呼吸機能検査が行われることがある。精密呼吸機能検査ではガス拡散能が測定される。

【先行技術文献】

【特許文献】

【0003】

【文献】特表２０１６－５２６４６６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

精密呼吸機能検査は、比較的大型の専用設備が必要であり、検査時間が長く（約１時間）、被験者の負担も大きく、感染症リスクも高いため、頻繁に行うことが難しい。そのため、呼吸器内科以外の医師や開業医から専門医への紹介が遅れてしまうという問題があり、呼吸器内科においても病状進行の把握が遅れてしまうという問題があった。

【0005】

本開示はこうした状況に鑑みてなされたものであり、１つの目的は、精密呼吸機能検査を要さずに被験者のガス拡散能を推定する技術を提供することにある。

【課題を解決するための手段】

【0006】

上記課題を解決するために、本開示のある態様の診断支援装置は、相対的に実施が容易な第１の呼吸機能検査と、相対的に実施が困難な第２の呼吸機能検査とを受けた複数の被験者について、複数の被験者の第１の呼吸機能検査の結果と、複数の被験者の第２の呼吸機能検査の結果であるガス拡散能とをもとに機械学習により構築されたモデルであって、入力された第１の呼吸機能検査の結果に対応するガス拡散能の値を出力するモデルを記憶する記憶部にアクセス可能な診断支援装置であって、或る被験者の第１の呼吸機能検査の結果を受け付ける受付部と、第１の呼吸機能検査の結果をモデルに入力して、モデルから出力されたガス拡散能の値を取得する取得部と、取得されたガス拡散能の値に関する情報を出力する出力部とを備える。

【0007】

本開示の別の態様は、ガス拡散能推定方法である。この方法は、相対的に実施が容易な第１の呼吸機能検査と、相対的に実施が困難な第２の呼吸機能検査とを受けた複数の被験者について、複数の被験者の第１の呼吸機能検査の結果と、複数の被験者の第２の呼吸機能検査の結果であるガス拡散能とをもとに機械学習により構築されたモデルであって、入力された第１の呼吸機能検査の結果に対応するガス拡散能の値を出力するモデルを記憶する記憶部にアクセス可能なコンピュータが、或る被験者の第１の呼吸機能検査の結果を受け付けるステップと、第１の呼吸機能検査の結果をモデルに入力して、モデルから出力されたガス拡散能の値を取得するステップと、取得したガス拡散能の値に関する情報を出力するステップとを実行する。

【0008】

なお、以上の構成要素の任意の組合せ、本開示の表現を、システム、コンピュータプログラム、コンピュータプログラムを格納した記録媒体などの間で変換したものもまた、本開示の態様として有効である。

【発明の効果】

【0009】

本開示によれば、精密呼吸機能検査を要さずに被験者のガス拡散能を推定する技術を提供することができる。

【図面の簡単な説明】

【0010】

【図1】第１実施例の診断支援システムの構成を示す図である。

【図2】図２（ａ）と図２（ｂ）は、被験者の基本データに対する前処理の例を示す図である。

【図3】図３（ａ）と図３（ｂ）は、被験者の精密呼吸機能検査の結果に対する前処理の例を示す図である。

【図4】第１実施例の病態指標導出モデルのネットワーク構成を示す図である。

【図5】被験者のレントゲン画像に対する前処理の例を示す図である。

【図6】被験者のレントゲン画像に対する前処理の例を示す図である。

【図7】第２実施例の病態指標導出モデルのネットワーク構成を示す図である。

【図8】図８（ａ）と図８（ｂ）は、病態指標導出モデルの推定結果を示す図である。

【発明を実施するための形態】

【0011】

実施例では、呼吸器疾患に対する診断を支援する情報処理システムである診断支援システムを提案する。実施例の診断支援システムでは、被験者の基本的な呼吸機能検査（以下「基本呼吸機能検査」とも呼ぶ。）の結果をもとに、精密呼吸機能検査の結果である被験者のガス拡散能を推定する。基本呼吸機能検査は、相対的に実施が容易な呼吸機能検査と言え、スパイログラムとも呼ばれる。精密呼吸機能検査は、相対的に実施が困難な呼吸機能検査と言える。ガス拡散能は、「肺拡散能」、「ＤＬＣＯ」とも呼ばれ、肺胞から肺胞上皮および毛細血管内皮を介して赤血球へガスを運搬する能力である。実施例では、ガス拡散能の指標値として、ガスの運搬割合を示すＤＬＣＯ％を用いる。ＤＬＣＯ％が大きいほどガス拡散能は良好と判断される。

【0012】

＜第１実施例＞
図１は、第１実施例の診断支援システム１０の構成を示す。診断支援システム１０は、モデル生成装置１２、診断支援装置１４、ユーザ装置１６を備える。これらの各装置は、１つの筐体に格納されていてもよく、また、ＬＡＮ・ＷＡＮ・インターネット等の通信網を介して、互いにデータを送受信可能に接続されていてもよい。

【0013】

モデル生成装置１２は、複数の被験者に対する基本呼吸機能検査の結果と、それら複数の被験者に対する精密呼吸機能検査の結果得られたガス拡散能（ＤＬＣＯ％）の値とをもとに、入力された基本呼吸機能検査の結果に対応するガス拡散能（ＤＬＣＯ％）の値を出力するモデル（以下「病態指標導出モデル」とも呼ぶ。）を機械学習により生成する情報処理装置（言い換えればコンピュータ）である。病態指標導出モデルは、数理モデルであってもよく、実施例ではニューラルネットワークである。

【0014】

診断支援装置１４は、モデル生成装置１２により生成された病態指標導出モデルを使用して、被験者の基本呼吸機能検査の結果に対応するガス拡散能（ＤＬＣＯ％）を推定し、ガス拡散能（ＤＬＣＯ％）に関する情報を出力する情報処理装置である。ユーザ装置１６は、被験者の基本呼吸機能検査の結果を診断支援装置１４へ入力し、診断支援装置１４から出力されたＤＬＣＯ（ＤＬＣＯ％）に関する情報を表示装置に表示させる情報処理装置である。ユーザ装置１６は、医師や臨床検査技師等の医療従事者により操作されるＰＣ、タブレット端末、スマートフォンであってもよい。

【0015】

図１のモデル生成装置１２について詳細に説明する。
図１は、モデル生成装置１２の機能ブロックを示すブロック図を含む。本明細書のブロック図で示す各ブロックは、ハードウェア的には、コンピュータのプロセッサ、ＣＰＵ、メモリをはじめとする素子や電子回路、機械装置で実現でき、ソフトウェア的にはコンピュータプログラム等によって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろなかたちで実現できることは、当業者には理解されるところである。

【0016】

モデル生成装置１２は、検査情報記憶部２０、読込部２２、前処理部２４、モデル生成部２６、モデル出力部２８を備える。これら複数の機能ブロックのうち少なくとも一部の機能ブロックの機能が実装されたコンピュータプログラム（例えばモデル生成プログラム）は、非一時的な所定の記録媒体に格納され、その記録媒体を介してモデル生成装置１２のストレージにインストールされてもよい。または、モデル生成プログラムは、ネットワークを介してダウンロードされ、モデル生成装置１２のストレージにインストールされてもよい。モデル生成装置１２のＣＰＵは、モデル生成プログラムをメインメモリに読み出して実行することにより、図１に示す複数の機能ブロックの機能を発揮してもよい。

【0017】

検査情報記憶部２０は、基本呼吸機能検査と精密呼吸機能検査の両方を受けた複数の被験者について、各被験者の基本データと精密呼吸機能検査の結果（実施例ではＤＬＣＯ％）とを対応付けて記憶する。基本データは、身体情報を示す４項目のデータ（身長、体重、年齢、性別）を含む。基本データはさらに、基本呼吸機能検査の結果として得られた１９項目のデータを含む。

【0018】

基本呼吸機能検査の結果である１９項目のデータは、ＶＣ（肺活量、単位Ｌ（リットル））、ＴＶ（１回換気量、単位Ｌ）、ＥＲＶ（予備呼気量、単位Ｌ）、ＩＲＶ（予備吸気量、単位Ｌ）、ＩＣ（最大吸気量、単位Ｌ）、ＦＲＣ（機能的残気量、単位Ｌ）、ＲＶ（残気量、単位Ｌ）、ＴＬＣ（全肺気量、単位Ｌ）、ＲＶ／ＴＬＣ（残気率、単位％）、ＦＶＣ（努力性肺活量、単位Ｌ）、ＦＥＶ１．０（１秒量、単位Ｌ）、ＦＥＶ１．０％（Ｇ）（Ｇａｅｎｌｓｅｒの１秒率、単位％）、ＦＥＶ１．０％（Ｔ）（Ｔｉｆｆｅｎａｅｕの１秒率、単位％）、ＭＭＥＦ（最大呼気流量比、単位Ｌ／秒）、ＡＴ（変曲点（嫌気性閾値）、単位％）、ＰＥＦ（最大呼気流量、単位Ｌ／秒）、Ｖ５０（５０％呼気速度、単位Ｌ／秒）、Ｖ２５（２５％呼気速度、単位Ｌ／秒）、Ｖ２５／身長（単位Ｌ／秒／メートル）を含む。

【0019】

読込部２２は、検査情報記憶部２０に記憶された複数の被験者の基本データと、精密呼吸機能検査の結果（ＤＬＣＯ％）を読み込む。前処理部２４は、読込部２２により読み込まれた基本データに対する前処理と、精密呼吸機能検査の結果（ＤＬＣＯ％）に対する前処理を実行する。

【0020】

具体的には、前処理部２４は、複数の被験者の２３項目の基本データ（４項目の身体情報＋１９項目の基本呼吸機能検査の結果）について、各項目のデータの平均値と標準偏差を標準化し、標準化した結果を学習データとして得る。具体的には、前処理部２４は、各項目のデータの平均値が０、標準偏差が１となるように、各項目のデータの値を変換する。

【0021】

図２（ａ）と図２（ｂ）は、被験者の基本データに対する前処理の例を示す。図２（ａ）は、オリジナルの基本データの分布の例を示す。図２（ａ）の横軸は、データの値（例えば基本呼吸機能検査での測定値）であり、図２（ａ）の縦軸は、データ数（度数）である。図２（ｂ）は、前処理後のデータの分布を示す。図２（ｂ）の横軸は偏差であり、図２（ｂ）の縦軸はデータ数（度数）である。基本データの各項目のデータの平均値と標準偏差を標準化することにより、項目ごとのデータの格差を是正し、病態指標導出モデルの推定精度を高めることができる。

【0022】

また、前処理部２４は、精密呼吸機能検査の結果であるガス拡散能（ＤＬＣＯ％）の値の自然対数を学習データとして得る。図３（ａ）と図３（ｂ）は、被験者の精密呼吸機能検査の結果であるガス拡散能（ＤＬＣＯ％）に対する前処理の例を示す。図３（ａ）は、オリジナルのガス拡散能の分布の例を示す。図３（ａ）の横軸は、ガス拡散能（ＤＬＣＯ％）の値（精密呼吸機能検査での測定値）であり、図３（ａ）の縦軸は、データ数（度数）である。図３（ｂ）は、前処理後のデータの分布を示す。図３（ｂ）の横軸は、ガス拡散能（ＤＬＣＯ％）の値（精密呼吸機能検査での測定値）の自然対数であり、図３（ｂ）の縦軸は、データ数（度数）である。前処理により、ガス拡散能の分布が正規分布に近づくため、病態指標導出モデルの推定精度を高めることができる。

【0023】

図１に戻り、モデル生成部２６は、複数の被験者それぞれの基本データ（前処理後の基本データ）と、上記複数の被験者それぞれのガス拡散能（前処理後のガス拡散能の値）とをもとに、機械学習により病態指標導出モデルを生成する。第１実施例では、モデル生成部２６は、病態指標導出モデルとして、入力された基本データ（前処理後の基本データ）をもとに当該基本データに対応するガス拡散能（ＤＬＣＯ％）を出力するニューラルネットワークを構築する。

【0024】

図４は、第１実施例の病態指標導出モデルのネットワーク構成を示す。第１実施例の病態指標導出モデルは、入力層、全結合層、バッチ正規化層、アクティベーション層、ドロップアウト層を含む１０層のニューラルネットワークである。図４の入力層４０は、前処理後の２３項目の基本データの入力を受け付ける。次の全結合層では、入力された２３項目の基本データに対応する２３個のニューロンが、１０２４個のニューロンに全結合される。最後のアクティベーション層４２は、出力層とも言え、１つのＤＬＣＯ％の指標値を出力する。病態指標導出モデルに配置された複数のアクティベーション層のうち最後以外のアクティベーション層で用いる活性化関数は「ｒｅｌｕ」であり、最後のアクティベーション層４２で用いる活性化関数は「ｌｉｎｅａｒ」である。ドロップアウト層のドロップアウト率は０．５である。

【0025】

モデル生成部２６は、Ｋｅｒａｓ等の公知のライブラリまたはフレームワークを使用して病態指標導出モデル（ニューラルネットワーク）を生成してもよい。病態指標導出モデルのネットワーク構成、ニューロン間の重みやバイアス、活性化関数の種類、ドロップアウト率は、開発者の知見、検証データやテストデータを用いた実験等により適切なものが設定または選択されてもよい。

【0026】

図１に戻り、モデル出力部２８は、モデル生成部２６が生成した病態指標導出モデルのデータを診断支援装置１４へ送信し、診断支援装置１４のモデル記憶部３０に病態指標導出モデルのデータを記憶させる。

【0027】

次に、図１の診断支援装置１４について詳細に説明する。
診断支援装置１４は、モデル記憶部３０、検査情報受付部３２、前処理部３４、ＤＬＣＯ取得部３６、診断支援情報出力部３８を備える。これら複数の機能ブロックのうち少なくとも一部の機能ブロックの機能が実装されたコンピュータプログラム（例えば診断支援プログラム）は、非一時的な所定の記録媒体に格納され、その記録媒体を介して診断支援装置１４のストレージにインストールされてもよい。または、診断支援プログラムは、ネットワークを介してダウンロードされ、診断支援装置１４のストレージにインストールされてもよい。診断支援装置１４のＣＰＵは、診断支援プログラムをメインメモリに読み出して実行することにより、図１に示す複数の機能ブロックの機能を発揮してもよい。

【0028】

モデル記憶部３０は、モデル生成装置１２から提供された病態指標導出モデルのデータを記憶する。変形例として、モデル生成装置１２が、病態指標導出モデルを記憶する記憶部を備え、診断支援装置１４は、通信網を介して、モデル生成装置１２に記憶された病態指標導出モデルを参照してもよい。すなわち、診断支援装置１４は、病態指標導出モデルを記憶する記憶部にアクセス可能であればよく、言い換えれば、ローカルまたはリモートの記憶部に記憶された病態指標導出モデルを参照可能な構成であればよい。

【0029】

検査情報受付部３２は、ユーザ装置１６から送信された、ガス拡散能（ＤＬＣＯ％）の推定対象となる被験者（以下「対象被験者」とも呼ぶ。）の基本データ（身体情報および基本呼吸機能検査の結果である２３項目のデータ）を受け付ける。対象被験者は、典型的には、病態指標導出モデルの生成に用いた基本データおよびガス拡散能の提供元である被験者とは異なる。また、対象被験者は、典型的には、精密呼吸機能検査を行うことなく、基本呼吸機能検査の結果からガス拡散能の推定値を得ようとする被験者である。

【0030】

前処理部３４は、モデル生成装置１２の前処理部２４に対応する。前処理部３４は、第１処理部として、病態指標導出モデルへのデータ入力の前処理として、検査情報受付部３２により受け付けられた２３項目の基本データについて各項目のデータの平均値と標準偏差を標準化する。例えば、前処理部３４は、対象被験者の基本データと、他の被験者の基本データとを母集団として、基本データの各項目のデータの平均値が０、標準偏差が１となるように、対象被験者の基本データの各項目の値を変換する。他の被験者の基本データは、例えば、診断支援装置１４に入力された対象被験者以外の被験者の基本データであってもよく、病態指標導出モデル作成時に用いられた被験者の基本データであってもよい。

【0031】

ＤＬＣＯ取得部３６は、モデル記憶部３０に記憶された病態指標導出モデルに対して、前処理部３４により標準化された基本データを入力する。ＤＬＣＯ取得部３６は、病態指標導出モデルから出力された、上記入力した基本データに対応するガス拡散能の指標値を取得する。病態指標導出モデルから出力されるガス拡散能の推定値は、ガス拡散能（ＤＬＣＯ％）の自然対数になる。そのため、ＤＬＣＯ取得部３６は、病態指標導出モデルから出力されたガス拡散能の指標値をもとに、ｅ（ネイピア数）を底、指標値を指数として冪乗することにより元のスケールに戻す。ＤＬＣＯ取得部３６は、ｅを底、指標値を指数として冪乗した結果を、被験者のガス拡散能の推定値として診断支援情報出力部３８に渡す。

【0032】

診断支援情報出力部３８は、ＤＬＣＯ取得部３６から出力されたガス拡散能（ＤＬＣＯ％）の推定値に関する診断支援情報を外部装置（実施例では基本データ入力元であるユーザ装置１６）へ出力する。診断支援情報は、ガス拡散能（ＤＬＣＯ％）の推定値そのものを含んでもよい。また、診断支援情報は、ガス拡散能（ＤＬＣＯ％）の基準値を含んでもよく、ガス拡散能（ＤＬＣＯ％）の推定値と基準値との比較結果を示す情報を含んでもよい。

【0033】

変形例として、診断支援情報出力部３８は、診断支援装置１４ローカルの記憶装置（不図示）に診断支援情報を格納してもよい。または、診断支援情報出力部３８は、通信網を介して、リモートの記憶装置（不図示）に診断支援情報を格納してもよい。これらの記憶装置に格納された診断支援情報は、ユーザ装置１６からの要求に応じて、ユーザ装置１６に提供されてもよい。また、診断支援装置１４が表示装置（不図示）を備え、または表示装置と接続される場合、診断支援情報出力部３８は、診断支援情報をその表示装置に表示させてもよい。

【0034】

以上の構成による診断支援システム１０の動作を以下説明する。
まず、病態指標導出モデルの生成に関する動作を説明する。モデル生成装置１２の読込部２２は、検査情報記憶部２０に記憶された複数の被験者の基本データと精密呼吸機能検査の結果（ＤＬＣＯ％）を読み込む。モデル生成装置１２の前処理部２４は、複数の被験者の基本データの各項目の値を標準化し、また、複数の被験者のＤＬＣＯ％の自然対数を取得する。

【0035】

モデル生成装置１２のモデル生成部２６は、複数の被験者に対応する複数の組であって、標準化された基本データとＤＬＣＯ％の自然対数との複数の組を識別する。モデル生成部２６は、それら複数組のデータに基づく機械学習を実行して、各被験者の基本データに対応（整合）するＤＬＣＯ％の指標値を出力するようにニューロン間の重みとバイアスを決定することで病態指標導出モデル（ニューラルネットワーク）を生成する。モデル生成装置１２のモデル出力部２８は、病態指標導出モデルのデータを診断支援装置１４へ送信し、病態指標導出モデルのデータを診断支援装置１４に記憶させる。

【0036】

モデル生成装置１２の検査情報記憶部２０に記憶される被験者の検査情報（基本データおよびＤＬＣＯ％）は、随時更新されてよい。例えば、ユーザ装置１６は、新たな検査情報をモデル生成装置１２の検査情報記憶部２０に随時格納してもよい。モデル生成装置１２のモデル生成部２６は、更新された検査情報をもとに、それまでの病態指標導出モデルとはニューロン間の重みまたはバイアスが異なる新たな病態指標導出モデルを生成してもよい。モデル出力部２８は、新たな病態指標導出モデルを診断支援装置１４へ送信して、診断支援装置１４のモデル記憶部３０に記憶された病態指標導出モデルを更新してもよい。このように、病態指標導出モデルの更新が繰り返し実行されてもよい。

【0037】

次に、病態指標導出モデルを利用した被験者のガス拡散能推定に関する動作を説明する。
ユーザ装置１６は、医療従事者等の操作に応じて、ガス拡散能を推定すべき対象被験者の基本データを診断支援装置１４へ送信する。対象被験者の基本データは、所定の検査装置（例えばスパイロメータ）により測定された基本呼吸機能検査の結果と、身体情報とを含む２３項目のデータである。診断支援装置１４は、診断支援サービスのＡＰＩ（Ｗｅｂサービス等）を外部装置に公開してもよい。ユーザ装置１６は、被験者の基本データを引数としてそのＡＰＩをコールすることにより、診断支援装置１４に診断支援サービス（具体的には下記の処理）を実行させてもよい。

【0038】

診断支援装置１４の検査情報受付部３２は、ユーザ装置１６から送信された対象被験者の基本データ（２３項目）を受け付ける。診断支援装置１４の前処理部３４は、対象被験者の基本データの各項目の値を標準化する。診断支援装置１４のＤＬＣＯ取得部３６は、対象被験者の基本データ（２３項目）の標準化後の値を病態指標導出モデルに入力し、入力値に対応するＤＬＣＯ％の指標値を病態指標導出モデルから取得する。ＤＬＣＯ取得部３６は、病態指標導出モデルから取得したＤＬＣＯ％の指標値をもとに、ｅを底、指標値を指数として冪乗することで、対象被験者のＤＬＣＯ％の推定値を得る。診断支援装置１４の診断支援情報出力部３８は、対象被験者のＤＬＣＯ％の推定値に関する診断支援情報をユーザ装置１６に提供して表示させる。

【0039】

第１実施例の診断支援システム１０によると、実施が容易でない精密呼吸機能検査を要さずに、被験者の基本的な呼吸機能検査の結果から被験者のガス拡散能を推定することができる。これにより、肺疾患が疑われる被験者の負担を低減しつつ、迅速な疾患の識別と病状の評価を支援することができる。

【0040】

＜第２実施例＞
本開示の第２実施例について、第１実施例と相違する点を中心に説明し、共通する点の説明を省略する。第２実施例の特徴は、第１実施例の特徴および変形例の特徴と任意の組合せが可能であることはもちろんである。第２実施例の構成要素のうち第１実施例の構成要素と同一または対応する構成要素には適宜、同一の符号を付して説明する。

【0041】

第２実施例の診断支援システム１０の構成は、第１実施例の診断支援システム１０の構成と同様である。また、第２実施例のモデル生成装置１２が備える機能ブロックは、第１実施例のモデル生成装置１２が備える機能ブロックと同様であり、第２実施例の診断支援装置１４が備える機能ブロックも、第１実施例の診断支援装置１４が備える機能ブロックと同様である。

【0042】

第２実施例における病態指標導出モデルは、第１実施例における病態指標導出モデルと異なり、複数の被験者の基本的な呼吸機能検査の結果と、上記複数の被験者の呼吸器に関する画像検査で得られた画像データと、上記複数の被験者の精密呼吸機能検査の結果であるガス拡散能とをもとに機械学習により構築されたモデルである。また、第２実施例における病態指標導出モデルは、入力された基本的な呼吸機能検査の結果と、呼吸器の画像データとに対応するガス拡散能の値を出力するものである。

【0043】

図１を参照して、第２実施例の診断支援システム１０の構成（主に第１実施例との差分）を説明する。モデル生成装置１２の検査情報記憶部２０は、複数の被験者の基本データと精密呼吸機能検査の結果（ＤＬＣＯ％）とを対応付けて記憶する。第２実施例の基本データは、身体情報を示す４項目のデータと、基本呼吸機能検査の結果として得られた１９項目のデータと、被験者の呼吸器に関する画像検査（第２実施例ではＸ線撮影検査）で得られた画像データ（以下「レントゲン画像」とも呼ぶ。）を含む。

【0044】

モデル生成装置１２の前処理部２４は、第１実施例の前処理に加えて、レントゲン画像に対する前処理を実行する。前処理部２４は、複数の被験者の複数のレントゲン画像を標準化する。図５は、被験者のレントゲン画像に対する前処理の例を示す。図５のオリジナル画像５０は、前処理前のレントゲン画像である。オリジナル画像５０は、２２０８×２２０８ピクセルであり、各ピクセル値は０～２５５の範囲の値である。前処理部２４は、ライブラリＯｐｅｎＣＶのｒｅｓｉｚｅ関数を用いて、オリジナル画像５０を、２２１×２２１ピクセルの変換後画像５２に変換する。また、前処理部２４は、変換後画像５２の各ピクセル値を２５５で除算することで、各ピクセル値を０～１の範囲の値に変換する。

【0045】

図６も、被験者のレントゲン画像に対する前処理の例を示す。図６のオリジナル画像５４も、前処理前のレントゲン画像である。オリジナル画像５４は、２６８８×２２０８ピクセルであり、各ピクセル値は０～２５５の範囲の値である。前処理部２４は、オリジナル画像５４の左端および右端の２４０ピクセルの領域を削除し、オリジナル画像５４の残りの領域を、２２１×２２１ピクセルの変換後画像５２に変換する。また、前処理部２４は、変換後画像５２の各ピクセル値を２５５で除算することで、各ピクセル値を０～１の範囲の値に変換する。

【0046】

図６のオリジナル画像５６も、前処理前のレントゲン画像である。オリジナル画像５６は、２２０８×２６８８ピクセルであり、各ピクセル値は０～２５５の範囲の値である。前処理部２４は、オリジナル画像５４の下端４８０ピクセルの領域を削除し、オリジナル画像５４の残りの領域を、２２１×２２１ピクセルの変換後画像５２に変換する。また、前処理部２４は、変換後画像５２の各ピクセル値を２５５で除算することで、各ピクセル値を０～１の範囲の値に変換する。

【0047】

図１に戻り、モデル生成装置１２のモデル生成部２６は、複数の被験者それぞれの前処理後の基本データと、上記複数の被験者それぞれの前処理後のガス拡散能の値とをもとに、機械学習により病態指標導出モデル（ニューラルネットワーク）を生成する。前処理後の基本データは、前処理後のレントゲン画像のデータを含む。

【0048】

図７は、第２実施例の病態指標導出モデルのネットワーク構成を示す。第２実施例の病態指標導出モデルは、入力層、２Ｄ畳み込み層、全結合層、バッチ正規化層、最大プーリング層、アクティベーション層、連結層、ドロップアウト層、フラット化層を含む５４層のニューラルネットワークである。第２実施例の病態指標導出モデルは、複数個の入力層（入力層６０、入力層６４）を備えるマルチ入力モデルとも言える。

【0049】

第１の入力層である入力層６０は、２２１×２２１ピクセルの変換後画像５２のデータの入力を受け付ける。アクティベーション層６２は、１次元６４個のデータを出力する。入力層６０とアクティベーション層６２の間には、畳み込み処理を行う２Ｄ畳み込み層が複数個設けられ、また、２次元配列を１次元配列に変換するフラット化層が設けられる。

【0050】

第２の入力層である入力層６４は、前処理後の２３項目の基本データ（身体情報および基本呼吸機能検査の結果）の入力を受け付ける。連結層６６では、アクティベーション層６２からの出力データと、入力層６４からの出力データとが連結される。最後のアクティベーション層６８は、出力層とも言え、１つのＤＬＣＯ％の指標値を出力する。病態指標導出モデルに配置された複数のアクティベーション層のうち最後以外のアクティベーション層で用いる活性化関数は「ｒｅｌｕ」であり、最後のアクティベーション層６８で用いる活性化関数は「ｌｉｎｅａｒ」である。ドロップアウト層のドロップアウト率は０．５である。

【0051】

図１に戻り、診断支援装置１４の検査情報受付部３２は、ユーザ装置１６から送信された、対象被験者の基本データ（身体情報、基本呼吸機能検査の結果およびレントゲン画像）を受け付ける。診断支援装置１４の前処理部３４は、第１処理部として、第１実施例の前処理を実行し、それに加えて、第２処理部として、対象被験者のレントゲン画像に対する前処理を実行する。具体的には、前処理部３４は、第２処理部として、モデル生成装置１２の前処理部２４と同様に、対象被験者のレントゲン画像のデータ（サイズおよびピクセル値範囲）を標準化する。

【0052】

診断支援装置１４のＤＬＣＯ取得部３６は、モデル記憶部３０に記憶された病態指標導出モデル（図７のマルチ入力モデル）に対して、前処理部３４により標準化された基本データ（身体情報、基本呼吸機能検査の結果およびレントゲン画像）を入力する。ＤＬＣＯ取得部３６は、病態指標導出モデルから出力された、上記入力した基本データに対応するＤＬＣＯ％の指標値を取得する。

【0053】

第２実施例の病態指標導出モデルの生成に関する動作は、第１実施例の病態指標導出モデルの生成に関する動作と同様である。以下、第２実施例の病態指標導出モデルを利用した被験者のガス拡散能推定に関する動作を説明する。

【0054】

ユーザ装置１６は、医療従事者等の操作に応じて、ガス拡散能を推定すべき対象被験者の基本データを診断支援装置１４へ送信する。対象被験者の基本データは、所定の検査装置（例えばスパイロメータ）により測定された基本呼吸機能検査の結果と、身体情報と、被験者の呼吸器が映るレントゲン画像とを含む。診断支援装置１４の検査情報受付部３２は、ユーザ装置１６から送信された対象被験者の基本データを受け付ける。

【0055】

診断支援装置１４の前処理部３４は、対象被験者の基本データの各項目の値を標準化し、例えば、対象被験者のレントゲン画像のサイズと値範囲を標準化する。診断支援装置１４のＤＬＣＯ取得部３６は、対象被験者の標準化後の基本データを病態指標導出モデル（マルチ入力モデル）に入力し、入力値に対応するＤＬＣＯ％の指標値を病態指標導出モデルから取得する。ＤＬＣＯ取得部３６は、病態指標導出モデルから取得したＤＬＣＯ％の指標値をもとに、ｅを底、指標値を指数として冪乗することで、対象被験者のＤＬＣＯ％の推定値を得る。診断支援装置１４の診断支援情報出力部３８は、対象被験者のＤＬＣＯ％の推定値に関する診断支援情報をユーザ装置１６に提供して表示させる。

【0056】

第２実施例の診断支援システム１０も、第１実施例の診断支援システム１０と同様の効果を奏する。また、第２実施例の診断支援システム１０では、病態指標導出モデルへの入力信号に、被験者のレントゲン画像のデータを加えることで、被験者のガス拡散能の推定精度を高めやすくなる。また、レントゲン画像の態様（サイズや輝度、コントラスト比等）は医療機関や技師によって異なり得るが、前処理においてレントゲン画像を標準化することにより、様々な態様のレントゲン画像が入力された場合であっても、被験者のガス拡散能の推定精度の低下を抑制することができる。

【0057】

第１実施例および第２実施例の病態指標導出モデルによる推定結果を説明する。
本発明者は、Ａ病院の患者２１８例のうち１２４例のデータを、病態指標導出モデルを構築するための訓練データ（言い換えれば学習データ）として使用し、６２例のデータを、病態指標導出モデルを検証するための検証データとして使用し、３２例のデータを、病態指標導出モデルに対するテストデータとして使用した。各患者のデータは、各患者の基本データ（身体情報、基本呼吸機能検査の結果およびレントゲン画像）と、精密呼吸機能検査の結果（ＤＬＣＯ％）とを含む。

【0058】

図８（ａ）は、検証データを用いた場合の病態指標導出モデルの推定結果を示し、図８（ｂ）は、テストデータを用いた場合の病態指標導出モデルの推定結果を示す。図８（ａ）と図８（ｂ）に示すように、検証データを用いた場合とテストデータを用いた場合のいずれにおいても、第２実施例の病態指標導出モデル（図７のマルチ入力モデル）の方が平均絶対誤差と相関係数の両方でより良い結果となった。また、第１実施例の病態指標導出モデル（図４の値入力モデル）についても、精密呼吸機能検査の結果（ＤＬＣＯ％）の推定に有用な精度であることが確認された。なお、今後、学習データとするレントゲン画像の枚数や態様を拡張することにより、第２実施例の病態指標導出モデル（マルチ入力モデル）の推定精度は一層向上すると考えられる。

【0059】

以上、本開示を第１実施例と第２実施例をもとに説明した。これらの実施例は例示であり、実施例に記載の各構成要素や各処理プロセスの組合せにいろいろな変形例が可能であること、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。以下、変形例を示す。

【0060】

第１変形例を説明する。第１実施例および第２実施例では、病態指標導出モデルが出力するデータは、ＤＬＣＯ％としたが、ＤＬＣＯの値であってもよい。

【0061】

第２変形例を説明する。第１実施例または第２実施例の診断支援装置１４の機能は、基本呼吸機能検査を実行する専用装置（例えばスパイロメータ）に組み込まれてもよい。本変形例の呼吸機能検査装置は、（１）病態指標導出モデルを記憶してもよい。また、（２）被験者の身体情報（もしくは身体情報とレントゲン画像）の入力を受け付けてもよい。さらにまた、（３）基本呼吸機能検査を行うとともに、その検査結果と被験者の身体情報（またはさらにレントゲン画像）をもとに、被験者のガス拡散能を推定してもよい。さらにまた、（４）基本呼吸機能検査の結果とともに、ガス拡散能（ＤＬＣＯの値またはＤＬＣＯ％）を出力してもよい。この変形例によると、第１実施例または第２実施例の診断支援装置１４の機能を備える呼吸機能検査装置（例えばスパイロメータ）を実現できる。

【0062】

第３変形例を説明する。第１実施例および第２実施例では、病態指標導出モデルをニューラルネットワークにより実現したが、変形例として、他の機械学習の手法により病態指標導出モデルとしての数理モデルまたは関数を構築してもよい。例えば、モデル生成装置１２のモデル生成部２６は、入力された被験者の基本データからガス拡散能の値（または値範囲）を推定するサポートベクターマシンの病態指標導出モデルを生成してもよい。別の例として、モデル生成部２６は、被験者の基本データを説明変数とし、ガス拡散能の値（または値範囲）を目的変数とする重回帰分析を実行して、入力された基本データをもとにガス拡散能を推定する回帰式を病態指標導出モデルとして生成してもよい。

【0063】

上述した実施例および変形例の任意の組み合わせもまた本発明の実施の形態として有用である。組み合わせによって生じる新たな実施の形態は、組み合わされる実施例および変形例それぞれの効果をあわせもつ。また、請求項に記載の各構成要件が果たすべき機能は、実施例および変形例において示された各構成要素の単体もしくはそれらの連携によって実現されることも当業者には理解されるところである。

【符号の説明】

【0064】

１０ 診断支援システム、 １２ モデル生成装置、 １４ 診断支援装置、 １６ ユーザ装置、 ３０ モデル記憶部、 ３２ 検査情報受付部、 ３４ 前処理部、 ３６ ＤＬＣＯ取得部、 ３８ 診断支援情報出力部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】