特許 7658429 情報処理装置、情報処理方法、医療映像識別装置及びプログラム

(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】2025-03-31

(45)【発行日】2025-04-08

(54)【発明の名称】情報処理装置、情報処理方法、医療映像識別装置及びプログラム

(51)【国際特許分類】

   G06F 16/906 20190101AFI20250401BHJP

   G16H 30/00 20180101ALI20250401BHJP

   G16H 50/20 20180101ALI20250401BHJP

【ＦＩ】

G06F16/906

G16H30/00

G16H50/20

【請求項の数】 16

(21)【出願番号】P 2023526731

(86)(22)【出願日】2021-06-09

(86)【国際出願番号】 JP2021021954

(87)【国際公開番号】W WO2022259429

(87)【国際公開日】2022-12-15

【審査請求日】2023-12-01

(73)【特許権者】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】100103894

【弁理士】

【氏名又は名称】家入 健

(72)【発明者】

【氏名】渡邉 和浩

(72)【発明者】

【氏名】海老原 章記

(72)【発明者】

【氏名】宮川 大輝

【審査官】甲斐 哲雄

(56)【参考文献】

【文献】特開２０１０－１７０２８０（ＪＰ，Ａ）

【文献】国際公開第２０２０／１９４４９７（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ １６／００－１６／９５８

Ｇ１６Ｈ １０／００－８０／００

(57)【特許請求の範囲】

【請求項1】

系列データに含まれる複数の要素を逐次的に取得する取得手段と、
前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出する第１算出手段と、
前記複数の要素の各々の前記指標の重要度を示す重みを算出する第２算出手段と、
前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出する第３算出手段と、
前記統合指標に基づいて、前記系列データをいずれかのクラスに分類する分類手段と、
を備える情報処理装置。

【請求項2】

前記第２算出手段は、前記複数の要素の各々の前記指標の重要度を示す重みを、前記第１算出手段によって算出された、当該重みに対応する前記指標を含む１以上の前記指標、を用いて算出する、
請求項１に記載の情報処理装置。

【請求項3】

前記第２算出手段は、前記複数の要素の各々の前記指標の重要度を示す重みを、前記第１算出手段によって算出された、当該重みに対応する前記指標を含む２以上の前記指標、を用いて算出する、
請求項１又は２に記載の情報処理装置。

【請求項4】

前記指標は、前記複数の要素の各々が前記複数のクラスのうちのあるクラスに属することの尤もらしさを示す尤度比を含む、
請求項１乃至３の何れか一項に記載の情報処理装置。

【請求項5】

前記統合指標は、前記系列データが前記複数のクラスのうちのあるクラスに属することの尤もらしさを示す統合スコアを含む、
請求項１乃至４の何れか一項に記載の情報処理装置。

【請求項6】

前記分類手段は、前記統合スコアが所定の閾値を超えているクラスが存在する場合に、前記系列データを前記統合スコアが前記閾値を超えているクラスに分類する、
請求項５に記載の情報処理装置。

【請求項7】

前記統合スコアが所定の閾値を超えているクラスが存在しない場合に、前記分類手段は、前記系列データをいずれかのクラスにも分類せず、前記取得手段は、更に要素を取得する、
請求項５又は６に記載の情報処理装置。

【請求項8】

前記分類手段は、前記統合スコアが所定の閾値を超えているクラスが存在せず、かつ、前記取得手段によって取得された要素の数が所定値よりも多い場合に、前記統合スコアに基づいて前記系列データをいずれかのクラスに分類する、
請求項５乃至７の何れか一項に記載の情報処理装置。

【請求項9】

前記第１算出手段は、
前記取得手段によって過去に取得された前記要素を少なくとも記憶する第１記憶手段と、
前記取得手段によって前記系列データの要素が新たに取得されたときに、前記新たに取得された要素と、前記第１記憶手段に記憶されている過去に取得された前記要素と、に基づいて、前記新たに取得された要素に対する前記指標を算出する指標算出手段と、
を備える、
請求項１乃至８の何れか一項に記載の情報処理装置。

【請求項10】

前記第２算出手段は、
前記第１算出手段によって過去に算出された前記指標を記憶する第２記憶手段と、
前記第１算出手段によって新たに算出された前記指標と、前記第２記憶手段に記憶されている過去に算出された前記指標と、を使用することにより、使用された複数の前記指標の各々に対する前記重みを算出する重み算出手段と、
を備える、
請求項９に記載の情報処理装置。

【請求項11】

前記第３算出手段は、
前記第１算出手段によって新たに算出された前記指標と、前記第２記憶手段に記憶されている過去に算出された前記指標と、前記重み算出手段によって算出された、前記新たに算出された指標及び前記過去に算出された指標の各々に対する重みと、に基づいて、前記統合指標を算出する統合指標算出手段と、
を備える、
請求項１０に記載の情報処理装置。

【請求項12】

前記系列データは、時系列データである、
請求項１乃至１１のいずれか１項に記載の情報処理装置。

【請求項13】

対象者の医療情報を取得する医療情報取得手段と、
請求項１乃至１２のいずれか１項に記載の情報処理装置と、
を備え、
前記情報処理装置は、前記医療情報を前記要素として含む前記系列データをいずれかのクラスに分類する、
医療映像識別装置。

【請求項14】

前記情報処理装置は、前記系列データを前記医療情報の癌化部位の有無を示すいずれかのクラスに分類する、
請求項１３に記載の医療映像識別装置。

【請求項15】

コンピュータが、
系列データに含まれる複数の要素を逐次的に取得し、
前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出し、
前記複数の要素の各々の前記指標の重要度を示す重みを算出し、
前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出し、
前記統合指標に基づいて、前記系列データをいずれかのクラスに分類する、
情報処理方法。

【請求項16】

系列データに含まれる複数の要素を逐次的に取得する処理と、
前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出する処理と、
前記複数の要素の各々の前記指標の重要度を示す重みを算出する処理と、
前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出する処理と、
前記統合指標に基づいて、前記系列データをいずれかのクラスに分類する処理と、
をコンピュータに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、情報処理装置、情報処理方法、医療映像識別装置、及び、プログラムが格納された非一時的なコンピュータ可読媒体に関する。

【背景技術】

【0002】

特許文献１乃至４には、逐次確率比検定(Sequential Probability Ratio Test; SPRT)を用いた情報処理技術が開示されている。ＳＰＲＴは、逐次的に入力される系列データがあらかじめ定められた複数のクラスのうちのいずれに属するかを判定する手法の一種である。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００９－２４５３１４号公報

【文献】特開２００８－２９９５８９号公報

【文献】特表２００１－５２３８２４号公報

【文献】国際公開第２０２０／１９４４９７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１乃至４に開示されているようなＳＰＲＴに用いられる数学公式においては、判別のための重要度が、入力された系列データのすべての要素において等しいものとして扱われていたため、系列データの性質によっては十分な精度が得られない場合があった。

【0005】

本開示は、このような課題を解決するためになされたものであり、精度良く系列データの分類を行うことが可能な情報処理装置、情報処理方法、医療映像識別装置、及び、プログラムが格納された非一時的なコンピュータ可読媒体を提供することを目的とする。

【課題を解決するための手段】

【0006】

本開示にかかる情報処理装置は、系列データに含まれる複数の要素を逐次的に取得する取得手段と、前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出する第１算出手段と、前記複数の要素の各々の前記指標の重要度を示す重みを算出する第２算出手段と、前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出する第３算出手段と、前記統合指標に基づいて、前記系列データをいずれかのクラスに分類する分類手段と、を備える。

【0007】

本開示にかかる情報処理方法は、系列データに含まれる複数の要素を逐次的に取得するステップと、前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出するステップと、前記複数の要素の各々の前記指標の重要度を示す重みを算出するステップと、前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出するステップと、前記統合指標に基づいて、前記系列データをいずれかのクラスに分類するステップと、を備える。

【0008】

本開示にかかる非一時的なコンピュータ可読媒体には、コンピュータに、系列データに含まれる複数の要素を逐次的に取得するステップと、前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出するステップと、前記複数の要素の各々の前記指標の重要度を示す重みを算出するステップと、前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出するステップと、前記統合指標に基づいて、前記系列データをいずれかのクラスに分類するステップと、を備える情報処理方法を実行させるためのプログラムが格納されている。

【発明の効果】

【0009】

本開示により、精度良く系列データの分類を行うことが可能な情報処理装置、情報処理方法、医療映像識別装置、及び、プログラムが格納された非一時的なコンピュータ可読媒体を提供することができる。

【図面の簡単な説明】

【0010】

【図1】第１実施形態に係る系列データ分類システムの全体構成を示す模式図である。

【図2】第１実施形態に係る系列データ分類システムに設けられた情報処理装置の機能ブロック図である。

【図3】第１実施形態に係る情報処理装置により行われる分類処理の一例を示すフローチャートである。

【図4】第２実施形態に係る情報処理装置の適用例である医療映像識別装置の機能ブロック図である。

【図5】第３実施形態に係る情報処理装置の機能ブロック図である。

【発明を実施するための形態】

【0011】

以下、図面を参照して、本発明の例示的な実施形態を説明する。図面において同様の要素又は対応する要素には同一の符号を付し、その説明を省略又は簡略化することがある。

【0012】

＜第１実施形態＞
本実施形態に係る系列データ分類システムについて説明する。本実施形態の系列データ分類システムは、系列データに含まれる複数の要素を逐次的に取得して解析することにより、系列データをあらかじめ定められた複数のクラスのうちのいずれかに分類するためのシステムである。

【0013】

ここで系列データとは、複数の要素に分解可能なデータ列を意味する。系列データは時系列データであってもよく、非時系列データであってもよい。時系列データの具体例としては、動画データ、音声データ等が挙げられる。非時系列データの具体例としては、複数の箇所からサンプルした植生データ、製品の複数箇所の検査データ、生体認証用の複数の生体データ等が挙げられる。系列データが動画データである場合には、系列データに含まれる複数の要素とは、動画を構成する複数の画像（フレーム）であり得る。系列データが製品の複数箇所の検査データである場合には、系列データに含まれる複数の要素とは、製品の各箇所の検査データであり得る。なお、本実施形態の分類処理が適用可能な系列データ及び要素はこれらに限られるものではない。

【0014】

系列データが製品の複数箇所の検査データである場合、本実施形態の系列データ分類システムによる分類されるクラスとは、例えば、製品が良品であることを示す第１クラス及び製品が不良品であることを示す第２クラスであり得る。系列データが医療データを構成する複数の画像（フレーム）である場合、本実施形態の系列データ分類システムによる分類されるクラスとは、例えば、画像に癌化部位が含まれることを示す第１クラス及び癌化部位が含まれないことを示す第２クラスであり得る。なお、クラスの数は３以上であってもよい。

【0015】

図１は、本実施形態に係る系列データ分類システムの全体構成を示す模式図である。図１は、系列データ分類システムに含まれるハードウェアの構成を示している。系列データ分類システムは、情報処理装置１００と、データ取得装置２０１と、入力装置２０２と、表示装置２０３とを備える。

【0016】

情報処理装置１００は、携帯電話機、スマートフォン、デスクトップＰＣ（Personal Computer）、ラップトップＰＣ、サーバ等のコンピュータである。情報処理装置１００は、プロセッサ１０１、メモリ１０２、ストレージ１０３、入出力Ｉ／Ｆ（Interface）１０４及び通信Ｉ／Ｆ１０５を備える。情報処理装置１００の各部は、バス、配線、駆動装置等を介して相互に接続されており、制御信号及びデータを相互に送受信することができる。

【0017】

プロセッサ１０１は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置である。メモリ１０２は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等の揮発性又は不揮発性の記憶媒体である。ストレージ１０３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカード等の不揮発性の記憶媒体である。

【0018】

メモリ１０２又はストレージ１０３は、情報処理装置１００の情報処理機能を実現するためのプログラムを記憶している。プロセッサ１０１は、上述のプログラムを実行する際、プログラムをメモリ１０２上に読み出してから実行してもよく、メモリ１０２上に読み出さずに実行してもよい。

【0019】

また、上述のプログラムは、様々な種類の非一時的なコンピュータ可読媒体を用いて格納され、情報処理装置１００に供給され得る。非一時的なコンピュータ可読媒体とは、様々な種類の形態の記憶媒体を含む。非一時的なコンピュータ可読媒体は、例えば、磁気記憶媒体、光磁気記憶媒体、光記憶媒体及び半導体メモリを含む。

【0020】

磁気記憶媒体の例としては、フレキシブルディスク、磁気テープ、ハードディスクドライブ等が挙げられる。光磁気記憶媒体の例としては、光磁気ディスクが挙げられる。光記憶媒体の例としては、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ－Ｒ(Compact Disc Recordable)、ＣＤ－Ｒ／Ｗ(Compact Disc Rewritable)が挙げられる。 半導体メモリの例としては、マスクＲＯＭ、ＰＲＯＭ(Programmable ROM)、ＥＰＲＯＭ(Erasable PROM)、フラッシュＲＯＭ、ＲＡＭが挙げられる。

【0021】

また、プログラムは、様々な種類の一時的なコンピュータ可読媒体によって情報処理装置１００に供給されてもよい。一時的なコンピュータ可読媒体は、例えば、電気信号、光信号及び電磁波を含む。一時的なコンピュータ可読媒体は、電線、光ファイバ等の有線通信路又は無線通信路を介してプログラムを情報処理装置１００に供給され得る。

【0022】

入出力Ｉ／Ｆ１０４は、ＵＳＢ（Universal Serial Bus）、ＤＶＩ（Digital Visual Interface）等の規格に基づく周辺機器との通信を行うための通信インターフェースである。入出力Ｉ／Ｆ１０４は、データ取得装置２０１、入力装置２０２及び表示装置２０３に対して有線又は無線により通信接続を行うことができる。これにより、情報処理装置１００は、データ取得装置２０１、入力装置２０２及び表示装置２０３に対してデータ及び制御信号の送受信を行うことができる。

【0023】

通信Ｉ／Ｆ１０５は、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ（登録商標）、４Ｇ等の規格に基づく通信インターフェースである。通信Ｉ／Ｆ１０５は、外部の装置に対して有線又は無線により通信接続を行うことができる。これにより、情報処理装置１００は、外部の装置に対してデータの送受信を行うことができる。

【0024】

データ取得装置２０１は、系列データを取得するための装置である。例えば、系列データが製品の検査データである場合には、データ取得装置２０１は、工場等に設けられた検査装置であり得る。例えば、系列データが生体認証用の生体データである場合には、データ取得装置２０１は、デジタルカメラ、マイクロホン、指紋採取用スキャナ等の生体情報取得用の装置であり得る。例えば、系列データが病変検知用の医療データである場合には、データ取得装置２０１は、内視鏡システム、MRI(Magnetic Resonance Imaging)システム、CT(Computed Tomography)システム等の医療情報取得用の装置であり得る。データ取得装置２０１がセンサ等のアナログ信号を取得する装置を含んでいる場合には、データ取得装置２０１は、アナログ信号をデジタルデータに変換するＡＤ変換（Analog-to-Digital Conversion）装置を含み得る。データ取得装置２０１による取得された系列データは、情報処理装置１００に入力される。

【0025】

入力装置２０２は、ユーザによる情報処理装置１００の操作を受け付けるためのユーザインターフェースである。入力装置２０２の例としては、キーボード、マウス、トラックボール、タッチセンサ、ペンタブレット、ボタン等が挙げられる。表示装置２０３は、プロセッサ１０１により処理された描画データに基づく画面を表示する装置である。表示装置２０３の例としては、ＬＣＤ（Liquid Crystal Display）、ＣＲＴ(Cathode Ray Tube)ディスプレイ、ＯＬＥＤ（Organic Light Emitting Diode）ディスプレイ等が挙げられる。入力装置２０２及び表示装置２０３は、タッチパネルとして一体に形成されていてもよい。

【0026】

なお、図１に示されているハードウェア構成は例示であり、これら以外の装置が追加されていてもよく、一部の装置が設けられていなくてもよい。また、一部の装置が同様の機能を有する別の装置に置換されていてもよい。更に、本実施形態の一部の機能がネットワークを介して他の装置により提供されてもよく、本実施形態の機能が複数の装置に分散されて実現されるものであってもよい。例えば、ストレージ１０３は、情報処理装置１００の外部のクラウドストレージに置換されていてもよい。また、系列データの取得が系列データ分類システムとは別のシステムで行われる場合には、データ取得装置２０１は省略され得る。あるいは、データ取得装置２０１、入力装置２０２又は表示装置２０３が情報処理装置１００内に設けられていてもよい。このように、図１に示されているハードウェア構成は適宜変更可能である。

【0027】

図２は、本実施形態に係る情報処理装置１００の機能ブロック図である。情報処理装置１００は、取得部１１０、第１算出部１２０、第２算出部１３０、第３算出部１４０及び分類部１５０を備える。第１算出部１２０は、指標算出部１２１及び第１記憶部１２２を備える。第２算出部１３０は、重み算出部１３１及び第２記憶部１３２を備える。第３算出部１４０は、統合指標算出部１４１及び第３記憶部１４２を備える。

【0028】

プロセッサ１０１は、メモリ１０２又はストレージ１０３等に記憶されたプログラムを実行することにより、取得部１１０、指標算出部１２１、重み算出部１３１、統合指標算出部１４１及び分類部１５０の機能を実現する。また、プロセッサ１０１は、当該プログラムに基づいてストレージ１０３を制御することにより第１記憶部１２２、第２記憶部１３２及び第３記憶部１４２の機能を実現する。これらの各部で行われる具体的な処理については後述する。

【0029】

図３は、本実施形態に係る情報処理装置１００により行われる分類処理の一例を示すフローチャートである。図３に示されている分類処理は、入力された系列データをあらかじめ定められた複数のクラスのうちのいずれかに分類する処理である。図３の分類処理は、複数の要素を含む系列データから１つずつ要素を取得して統合指標を順次算出するループ処理（ステップＳ１０１からステップＳ１０７）を含む。このループ処理は、統合指標に基づいて系列データの分類先のクラスが確定するまで繰り返し行われる。

【0030】

図３の処理は、例えば、入力装置２０２に対して所定のユーザ操作があったときに開始されるものであり得る。しかしながら、処理の開始タイミングはこれに限られるものではない。例えば、図３の処理は、データ取得装置２０１から系列データが入力されたときに実行されるものであってもよい。また、データ取得装置２０１が監視カメラである場合のように系列データが連続的に入力されている場合には、図３の処理は、所定の時間間隔ごとに繰り返し実行されるものであってもよい。

【0031】

ステップＳ１０１において、取得部１１０は、系列データのうちの１つの要素を取得する。このときの取得処理は、データ取得装置２０１からデータを直接取得するものであってもよく、あらかじめデータ取得装置２０１から取得されストレージ１０３等に記憶されているデータを読み出すものであってもよい。その後、ステップＳ１０２に処理を進める。

【0032】

ステップＳ１０２において、指標算出部１２１は、第１記憶部１２２を参照し、過去データの有無を判断する。過去データとは、過去に取得された要素、及び、当該要素を含む過去に取得された１つ以上の要素に対する指標算出部１２１による処理結果（指標、例えば尤度比）などである。

【0033】

例えば、ステップＳ１０２において、過去データが存在しない場合（ステップＳ１０２のＮＯ）には、ステップＳ１０３に処理を進める。ステップＳ１０３において、指標算出部１２１は、系列データの最初の要素を考慮して、入力された要素が複数のクラスのいずれに属することが妥当であるかを示す指標を算出する。第１算出部１２０は、算出した指標を第２算出部１３０に出力するとともに、必要に応じて処理結果を第１記憶部１２２に記憶させる。ここで、指標とは、例えば、ある要素が複数のクラスのうちのあるクラスに属することの尤もらしさを示す尤度比であり得る。あるいは、指標は尤度比を変数として含む関数であってもよい。以下の説明では、指標は尤度比であるものとする。なお、ステップＳ１０３において算出された尤度比は、統合スコアとして用いられる。その後、ステップＳ１０８に処理を進める。ステップＳ１０８の処理については後述する。

【0034】

それに対し、ステップＳ１０２において、過去データが存在する場合（ステップＳ１０２のＹＥＳ）には、ステップＳ１０４に処理を進める。ステップＳ１０４において、指標算出部１２１は、第１記憶部１２２に記憶されている過去データを読み出す。なお、第１記憶部１２２は、指標算出部１２１によって処理が行われるごとに処理結果及び入力された要素を記憶する。この記憶処理は、過去に記憶された情報に新たな情報を上書きするものであってもよく、過去に記憶された情報を残しつつ新たな情報を追加するものであってもよい。その後、ステップＳ１０５に処理を進める。

【0035】

ステップＳ１０５において、指標算出部１２１は、系列データに含まれる複数の要素のうちの２以上の要素を考慮して、入力された要素が複数のクラスのいずれに属することが妥当であるかを示す指標（尤度比）を算出する。２以上の要素とは、新たに取得された要素と、過去データに含まれている過去に処理された要素とを含む。第１算出部１２０は、算出した指標を第２算出部１３０に出力するとともに、必要に応じて処理結果を第１記憶部１２２に記憶させる。

【0036】

なお、指標算出部１２１は、系列データから入力された要素から特徴を抽出する。このとき、指標算出部１２１は、過去データが存在しない場合は入力された要素を考慮して特徴抽出を行い、過去データが存在する場合は入力された要素と過去データとの関連性を考慮して特徴抽出を行う。特徴抽出の具体的な手法としては、例えば、畳み込みニューラルネットワーク（Convolutional Neural Network; CNN）を用いることができるがこれに限られるものでない。また、過去データを記憶し、現在の入力データとの関係性を算出する具体的な手法としては、例えば、ＬＳＴＭ（Long Short Term Memory）を用いることができるがこれに限られるものでない。

【0037】

尤度比の具体例を説明する。系列データを構成するＮ（Ｎは１以上の整数）個の要素を、ｘ_１，・・・，ｘ_Ｎとし、複数のクラスをＣ_１，Ｃ_２とする。すなわち、本例では、簡略化のため、クラスの数が２である２クラス分類であるものとする。

【0038】

ここで、過去データが存在しない場合（ステップＳ１０２のＮＯ）等では、要素ｘ_ｉ（ここでは、ｉは１～Ｎの任意の整数）がクラスＣ_１に属する確率をｐ（ｘ_ｉ｜Ｃ_１）と表記し、また、要素ｘ_ｉがクラスＣ_２に属する確率をｐ（ｘ_ｉ｜Ｃ_２）と表記する。このとき、これらの尤度比は、以下の式（１）で表される。

【0039】

【数1】

【0040】

式（１）の尤度比は、要素ｘ_ｉがクラスＣ_１に属する確率と要素ｘ_ｉがクラスＣ_２に属する確率との尤もらしさの比を示している。例えば、尤度比が１を超えている場合には、ｐ（ｘ_ｉ｜Ｃ_１）＞ｐ（ｘ_ｉ｜Ｃ_２）であるため、要素ｘ_ｉはクラスＣ_２よりもクラスＣ_１に分類する方が妥当である。このように、式（１）の尤度比は、入力された要素がクラスＣ_１とクラスＣ_２のいずれに属することが妥当であるかを示す指標として機能する。

【0041】

また、指標算出部１２１は、過去データが存在する場合（ステップＳ１０２のＹＥＳ）等では、上述のように複数の要素、すなわち、入力された要素と過去データとの関連性を考慮して算出することができる。このとき、例えば、２つの要素ｘ_ｉ，ｘ_ｊ（ｉ，ｊは１～Ｎの任意の整数、但しｉ≦ｊ）を考慮して算出された尤度比は、以下の式（２）のように表記されるものとする。

【0042】

【数2】

【0043】

ステップＳ１０５の処理の後、ステップＳ１０６に処理を進める。ステップＳ１０６において、重み算出部１３１は、第１記憶部１２２から過去に算出された尤度比を読み出す。重み算出部１３１は、指標算出部１２１によって今回計算された尤度比と、過去に算出された尤度比と、を使用して、今回計算された尤度比と、過去に算出された尤度比の各々に対応する重みを算出する。第２記憶部１３２は、重み算出部１３１によって算出された重みを記憶する。ここでの「重み」は今回計算された尤度比と、過去に算出された尤度比とが、新たに算出される統合指標に与える影響度を調整するための値であり、新たに取得された要素の信頼度に応じて算出される。「信頼度」は、尤度比の算出に係る信頼性の度合いであり、例えば適切な尤度比が算出される要素の信頼度は高くなり、適切でない尤度比が算出される要素の信頼度は低くなる。

【0044】

ここで、重みとは、例えば、系列データを構成する要素のうち、要素ｘ_ｉから要素ｘ_ｊまでの要素を考慮して計算した、入力データが各クラスに属する確率を要素とするベクトルＶ_ｉｊと、系列データを構成する要素のうち、要素ｘ_ｉから要素ｘ_Ｎまでの要素を考慮して計算した、入力データが各クラスに属する確率を要素とするベクトルＶ_ｉＮとの内積Ｖ_ｉｊ・Ｖ_ｉＮであり得る。なお、ｉ，ｊは何れも１～Ｎの任意の整数である。但し、ｉ≦ｊである。以下の説明では、重みは、前記内積によって求められるものとする。

【0045】

なお、前記重みの算出は前記内積によって求められる場合に限られない。例えば、第３記憶部１４２から過去に算出された統合指標を読み出し、前記重みの算出に使用してもよい。その後、ステップＳ１０７に処理を進める。

【0046】

ステップＳ１０７において、統合指標算出部１４１は、指標算出部１２１によって今回計算された尤度比と、過去に算出された尤度比と、重み算出部１３１によって今回計算された重みとを統合して新たな統合指標を算出する。

【0047】

統合指標とは、系列データの全体が複数のクラスのいずれに属することが妥当であるかを示すものである。過去の統合指標とは、本処理が系列データのｊ番目の要素に対する処理である場合には、ｊ番目よりも前の要素に対して統合指標算出部１４１で算出された統合指標を意味する。過去の尤度比とは、本処理が系列データのｊ番目の要素に対する処理である場合には、ｊ番目よりも前の要素に対して指標算出部１２１で算出された尤度比を意味する。なお、第３記憶部１４２は、統合指標算出部１４１によって処理が行われるごとに統合指標を記憶する。この記憶処理は、過去に記憶された統合指標に新たな統合指標を上書きすることにより統合指標の値を更新するものであってもよく、過去に記憶された統合指標を残したまま新たな統合指標を追加するものであってもよい。

【0048】

統合指標は、例えば、過去の尤度比を含む算出されたすべての尤度比に、各々の尤度比に対応する重みを乗じた値の和であり得る。以下の説明では、前記の各々の尤度比に対応する重みを乗じた値の和を統合スコアと呼ぶ。あるいは、統合指標は統合スコアを変数として含む関数であってもよい。以下の説明では、統合指標は統合スコアであるものとする。

【0049】

クラスの数が２である場合について、統合スコアの具体例を説明する。統合スコアの算出時点において、Ｎ個の要素が入力されている場合、このＮ個の要素は、ｘ_１，・・・，ｘ_Ｎと表される。ここで、系列データのｉ番目の要素から、Ｎ番目の要素までの要素を含むデータ全体がクラスＣ_１に属する確率をｐ（ｘ_ｉ，・・・，ｘ_Ｎ｜Ｃ_１）と表記する。また、系列データのｉ番目の要素から、Ｎ番目の要素までの要素を含むデータ全体がクラスＣ_２に属する確率をｐ（ｘ_ｉ，・・・，ｘ_Ｎ｜Ｃ_２）と表記する。なお、１≦ｉ≦Ｎであり、ｉ＝Ｎのとき、Ｎ番目の要素のみが含まれるデータがクラスＣ_１に属する確率はｐ（ｘ_Ｎ｜Ｃ_１）およびＮ番目の要素のみが含まれるデータがクラスＣ_２に属する確率はｐ（ｘ_Ｎ｜Ｃ_２）である。このとき、これらの尤度比は以下の式（３）で表される。

【0050】

【数3】

【0051】

従来のＳＰＲＴのように、系列データの１番目の要素から、Ｎ番目の要素までを含む尤度比のみを統合スコアとして使用する場合には、統合スコアは、以下の式（４）で表される。

【0052】

【数4】

【0053】

しかしながら、上述したように本実施形態では、過去の尤度比を含む算出されたすべての尤度比を各々の重要度を考慮して統合スコアを計算する。したがって、式（４）のように一つの尤度比のみを統合スコアとすること代わりに、過去の尤度比を含む算出されたすべての尤度比の数に応じて異なる計算式により統合スコアの計算が行われる。

【0054】

例えば、系列データのＮ番目の要素まで入力された場合、以下の式（５）を用いて統合スコアを算出することができる。なお、ｉは１以上Ｎ以下の整数であり、ｊはｉ以上Ｎ以下の整数である。また、ｉ＝ｊのとき、ｉ番目の要素のみが含まれるデータがクラスＣ_１に属する確率はｐ（ｘ_ｉ｜Ｃ_１）およびｉ番目の要素のみが含まれるデータがクラスＣ_２に属する確率はｐ（ｘ_ｉ｜Ｃ_２）である。また、ｗ_ｉｊは重み算出部１３１によって算出される、各尤度比の重要度を示す重みである。

【0055】

【数5】

【0056】

重みの具体例を説明する。系列データを構成する要素のうち、１番目からＮ番目の要素ｘ_１，・・・，ｘ_Ｎまで入力されたとし、複数のクラスをＣ_１，Ｃ_２とする。すなわち、本例では、簡略化のため、クラスの数が２である２クラス分類であるものとする。ここで、要素ｘ_ｉから要素ｘ_ｊまでの要素が含まれる系列データがクラスＣ_１に属する確率をｐ（ｘ_{ｉ， ．．． ，}ｘ_ｊ｜Ｃ_１）と表記する。また、要素ｘ_ｉから要素ｘ_ｊまでの要素が含まれる系列データがクラスＣ_２に属する確率をｐ（ｘ_{ｉ， ．．． ，}ｘ_ｊ｜Ｃ_２）と表記する。なお、ｉは１以上Ｎ以下の整数であり、ｊはｉ以上Ｎ以下の整数である。また、ｉ＝ｊのとき、ｉ番目の要素のみが含まれるデータがクラスＣ_１に属する確率はｐ（ｘ_ｉ｜Ｃ_１）およびｉ番目の要素のみが含まれるデータがクラスＣ_２に属する確率はｐ（ｘ_ｉ｜Ｃ_２）であるものとする。ｐ（ｘ_{ｉ， ．．． ，}ｘ_ｊ｜Ｃ_１）およびｐ（ｘ_{ｉ， ．．． ，}ｘ_ｊ｜Ｃ_２）を要素とするベクトルをＶ_ｉｊとしたとき、前記式（５）における重みｗ_ｉｊはＶ_ｉｊとＶ_ｉＮの内積Ｖ_ｉｊ・Ｖ_ｉＮとなる。これにより、前記系列データのｉ番目の要素からｊ番目の要素を考慮した場合の尤度比に対応する重みは、前記系列データのｉ番目の要素から最新の要素であるＮ番目要素までを考慮した場合と、前記系列データのｉ番目の要素からｊ番目の要素を考慮した場合の分類結果が類似しているほど大きくなる。これにより、過去に取得した系列データに、異なるクラスのデータなどの判別に不適切なデータが混入していた場合でも、判別に不適切なデータを考慮して計算された尤度比が前記統合スコアに与える影響を小さくすることができ、判別精度を向上させることができる。

【0057】

なお、重みの算出方法は上述のものに限られない。例えば、系列データの最新の要素ｘ_Ｎのみを考慮した確率ｐ（ｘ_Ｎ｜Ｃ_１）およびｐ（ｘ_Ｎ｜Ｃ_２）を要素とするベクトルをＶ_Ｎとし、ｐ（ｘ_{ｉ， ．．． ，}ｘ_ｊ｜Ｃ_１）およびｐ（ｘ_{ｉ， ．．． ，}ｘ_ｊ｜Ｃ_２）を要素とするベクトルＶ_ｉｊと前記Ｖ_Ｎとの内積を前記式（５）における重みｗ_ｉｊとして使用することもできる。この場合、系列データの最新の要素ｘ_Ｎが最も重要視された重み付けとなる。また、別の例としては、前記ベクトルＶ_ｉｊと、ｐ（ｘ_{ｉ， ．．． ，}ｘ_ｊ－１｜Ｃ_１）およびｐ（ｘ_{ｉ， ．．． ，}ｘ_ｊ－１｜Ｃ_２）を要素とするベクトルＶ_ｉｊ－１との差Ｖ_ｉｊ －Ｖ_ｉｊ－１を計算し、Ｖ_ｉｊ －Ｖ_ｉｊ－１の絶対値を前記式（５）における重みｗ_ｉｊとして使用することもできる。この場合、新たに入力された系列データが、１時刻前の系列データと比較して大きく変化した場合のデータを重要視する重み付けとなる。なお、重みの算出方法はこれらに限られるものではない。

【0058】

計算可能な重みすべてを計算したのち、重みを正規化する処理をいれてもよい。正規化の手法として、例えば、Softmax関数を使用する方法がある。

【0059】

なお、式（５）に示されている尤度比には、ステップＳ１０３においてあらかじめ指標算出部１２１により算出された尤度比を用いることができる。

【0060】

式（５）では、クラスＣ_１とクラスＣ_２との尤度比を算出する２クラス分類の場合の例を示しているが、クラスの数は３以上であってもよい。例えば、クラスの数がＭ個である場合には、Ｍ個のクラスのうちのａ番目のクラスとａ番目以外のすべてのクラスとの間の統合スコアを算出できるように式（５）を拡張したものを用いることができる。そのような拡張の例としては、以下の式（６）のようにａ番目以外のすべてのクラスのうちの最大尤度を用いるものが挙げられる。なお、式（６）において、ｍ番目（ｍは１～Ｍの任意の整数）のクラスをＣ_ｍとし、ａは１～Ｍの任意の整数、ｂは１～Ｍのａ以外の整数すべてを取りうる。

【0061】

【数6】

【0062】

また、別の例としては、以下の式（７）のように、ａ番目以外のすべてのクラスの尤度の和を用いるものが挙げられる。なお、式（７）において、ｍ番目（ｍは１～Ｍの任意の整数）のクラスをＣ_ｍとし、ａは１～Ｍの任意の整数、ｂは１～Ｍのａ以外の整数すべてを取りうる。なお、クラスの数が３以上である場合における統合スコアの算出方法はこれらに限られるものではない。

【数7】

【0063】

式（５）から式（７）では入力された系列データの１番目の要素からＮ番目の要素まですべてを使用する場合について例示しているが、考慮する要素数は任意でよい。例えば、使用する最大要素数Ｐをあらかじめ設定しておき、入力された系列データの要素数がＰを超えた場合には系列データの後半Ｐ個のみを考慮するようにしてもよい。これにより、計算負荷が大きくなりすぎることを防ぐことができる。

【0064】

なお、統合指標の算出方法は上述のものに限られない。例えば、ＬＳＴＭ又は深層ニューラルネットワークを用いた方法により統合指標を算出してもよい。

【0065】

ステップＳ１０７の処理の後、ステップＳ１０８に処理を進める。ステップＳ１０８において、分類部１５０は、第３算出部１４０で算出された統合指標に基づいて系列データをいずれかのクラスに分類可能か否かを判定する。統合指標が統合スコアである場合には、分類部１５０は、例えば、統合スコアが所定の閾値を超えているクラスが存在するか否かに基づいてクラスの分類可否を判定する。分類可能でない場合（ステップＳ１０８のＮＯ）には、処理はステップＳ１０１に移行し、取得部１１０は次の要素を取得する。分類可能である場合（ステップＳ１０８のＹＥＳ）には、処理はステップＳ１０９に移行する。

【0066】

ステップＳ１０９において、分類部１５０は、統合指標に基づいて系列データをいずれかのクラスに分類する。例えば、統合指標が統合スコアである場合には、系列データは、統合スコアが所定の閾値を超えているクラスに属するものとして分類される。

【0067】

ステップＳ１０８とステップＳ１０９の処理について具体例を挙げてより詳細に説明する。本例の分類処理は、クラスＣ_１又はクラスＣ_２への２クラス分類であるものとし、クラスＣ_１とクラスＣ_２の判定に用いる閾値をそれぞれＴ_１、Ｔ_２とする。また、統合スコアをＬ、とする。

【0068】

この場合、Ｌ＞Ｔ_１である場合には、分類部１５０は、系列データをクラスＣ_１に分類し、本処理は終了する。Ｌ＞Ｔ_２である場合には、分類部１５０は、系列データをクラスＣ_２に分類し、本処理は終了する。Ｌ≦Ｔ_１かつＬ≦Ｔ_２である場合には、分類部１５０は、分類可能でないと判定し、取得部１１０は次の要素を取得する。

【0069】

なお、クラスの数が３以上のＭ個である場合には、上述と同様にＭ個の閾値を準備しておき、Ｍ個の統合スコアのそれぞれに対して対応する閾値との大小関係を判定することにより同様の分類処理が行われ得る。このとき、分類部１５０は、統合スコアが最初に閾値を超えたクラスに系列データを分類する。統合スコアがいずれの閾値も超えない場合には、分類部１５０は、分類可能でないと判定し、取得部１１０は次の要素を取得する。

【0070】

上述の分類手法は例示であり、これに限られない。例えば、ステップＳ１０７、Ｓ１０８において入力された要素数が所定値（最大要素数）よりも多い場合には、統合スコアが閾値を超えているクラスが存在しなくても系列データを強制的にいずれかのクラスに分類して処理を終了するように手順を変形してもよい。これにより、計算時間が長くなりすぎることを防ぐことができる。この例では、いずれかのクラスに確実に分類されるように判定基準を相互排他的なものとすることが望ましい。

【0071】

相互排他的な判定基準の具体例を説明する。２クラス分類の場合には、要素数が最大要素数を超えた場合には、統合スコアＬの値が０以上であるか否かにより系列データを２つのクラスのいずれかに分類するという手法を用いることができる。また、Ｍクラス分類の場合には、各クラスに対応する総合尤度比のうち、値が最大であるクラスに系列データを分類するという手法を用いることができる。

【0072】

以上のように、本実施形態によれば、系列データの複数の要素と、各要素の重要度が考慮された統合指標を用いて系列データの分類が行われる。これにより、系列データの性質が考慮された系列データの相関長に応じた分類が行われ得るため、精度良く系列データの分類を行うことができる情報処理装置１００が提供される。

【0073】

＜第２実施形態＞
本実施形態では、第１実施形態の情報処理装置１００の適用例の１つとして、医療映像識別装置３００を説明する。以下では主として第１実施形態との相違点について説明するものとし、共通部分については説明を省略又は簡略化する。

【0074】

図４は、第２実施形態に係る医療映像識別装置３００の機能ブロック図である。医療映像識別装置３００は、分類装置３０１、医療情報取得部３０２及び医療情報記憶部３０３を備える。医療映像識別装置３００は、図１に示した情報処理装置１００と同様にコンピュータを含んで構成され得る。そのため、医療映像識別装置３００のハードウェア構成の説明は省略する。

【0075】

医療映像識別装置３００は、例えば、内視鏡画像、CT画像、MRI画像等の医療情報から癌を検知する装置である。医療映像識別装置３００は、医療情報を取得するための装置（内視鏡システム等）を備え、スタンドアローンで動作するものであってもよく、癌検知システム内の他の装置から医療情報を取得して癌検知を行うものであってもよい。また、医療映像識別装置３００は互いに通信接続された複数の装置により構成されていてもよい。

【0076】

医療映像識別装置３００は、例えば、癌検査用の検査装置であり得る。あるいは、医療映像識別装置３００は、動脈瘤検査用の検査装置であり得る。

【0077】

医療情報取得部３０２は、医療情報を取得する装置であり、例えば動画を撮影可能な内視鏡システムであり得る。なお、医療情報の識別において、医療情報取得部３０２で取得された画像等から照合用の特徴量を抽出する場合がある。この特徴量抽出処理は、分類装置３０１内で行われてもよく、医療情報取得部３０２内で医療情報取得時に行われてもよく、その他の装置により行われてもよい。本明細書において、医療情報取得部３０２で取得された画像等そのものと、これから抽出された特徴量とをまとめて医療情報と表記することがある。

【0078】

医療情報記憶部３０３は、医療情報等の分類装置３０１での処理に必要な情報を記憶する。分類装置３０１には、第１実施形態の情報処理装置１００が用いられる。分類装置３０１は、医療情報を要素とする系列データを第１実施形態で述べた系列データとして取得する。分類装置３０１は、医療情報記憶部３０３に記憶された情報を参照しつつ、この系列データをあらかじめ定められた複数のクラスのうちのいずれかに分類する。ここで、複数のクラスとは、例えば、癌の有無を示すクラスであり得る。言い換えると、複数のクラスは、例えば、入力された系列データに癌化部位が存在することを示すクラス及び入力された系列データに癌化部位が存在しないことを示すクラスを含み得る。

【0079】

本実施形態の医療映像識別装置３００は、精度良く系列データの分類を行うことができる分類装置３０１を備える。これにより、より適切に癌検知を行い得る医療映像識別装置３００が提供される。

【0080】

本実施形態の医療映像識別装置３００において、系列データの分類精度が高いという第１実施形態の情報処理装置１００の特徴がより活かされる例の１つとして、癌検知の例を説明する。内視鏡映像等の医療映像から癌を検知する手法として、映像に含まれる画像（フレーム）ごとに癌が含まれる確信度を機械学習で計算し、入力された1つの画像に対応する確信度、または、事前に決定された固定長の枚数に対応する確信度の重み付き和を分類用のスコアとし、分類用スコアが事前に設定した閾値を超えた場合に前記画像に癌化部位が含まれていると判定する手法がある。本実施形態の分類装置３０１において、系列データとして医療映像から一部を抽出した時系列画像を入力し、画像の輝度値を特徴量として、系列データの癌化部位の有無を示すクラス分類を行うことにより癌検知が可能である。

【0081】

本実施形態の分類装置３０１において実際に内視鏡映像から癌検知を行う具体例を以下に示す。本具体例では、内視鏡映像のある時点でのデータを系列データの１番目の要素とし、そこから最大Ｎフレーム先までの要素を１つの系列データとみなし、本系列データが癌化部位か非癌化部位かを分類するものとする。なお、Ｎは１以上の整数である。

【0082】

まず、ステップＳ１０１において医療情報取得部３０２または医療情報記憶部３０３から内視鏡映像に含まれる１フレームを読み出す。

【0083】

次にステップＳ１０２において、系列データの過去の要素が存在するか確認を行う。

【0084】

過去の要素が存在しない場合、ステップＳ１０３へと進み、入力された系列データの要素のみを考慮して尤度比を計算し統合スコアとする。

【0085】

過去の要素が存在した場合、ステップＳ１０４へと進み、過去の要素を読み出し、ステップＳ１０４からステップＳ１０７の手順で過去データを考慮した尤度比と尤度比に対応した重みを計算し、統合スコアを算出する。

【0086】

ステップＳ１０８において、前記統合スコアをクラス判別のための閾値と比較し、前記統合スコアが癌化部位と判別するための閾値を超えていた場合は、ステップＳ１０９において系列データを癌化部位の映像と分類する。また、前記統合スコアが非癌化部位と判別するための閾値を超えていた場合は、ステップＳ１０９において系列データを非癌化部位の映像と分類する。上述の統合スコアがいずれのクラスの閾値も超えていなかった場合はステップＳ１０１に処理を戻し、医療情報取得部３０２または医療情報記憶部３０３から新たに内視鏡映像に含まれる１フレームを取得する。

【0087】

この手法では、入力される系列データには、判別が容易な癌化部位、判別が困難な癌化部位、癌化していない部位が含まれ、また、癌の大きさが医療映像ごとに異なる場合が多い。判別が容易な癌化部位とは、例えば、瘤状に隆起した癌化部位である。判別が困難な癌化部位とは、例えば、隆起、陥没が見られない平坦な癌化部位である。判別が困難な癌化部位に対しては、複数枚の画像を使用して検知を行うことが効果的である。また、系列データを長くとると、系列データに癌化部位と非癌化部位が混在する場合がある。系列データ内に異なるクラスに分類されるべきデータが混在することで検知精度が悪化することを防ぐため、系列データの要素のうち、現在取得した要素とは異なるクラスに分類されるべき要素が含まれる系列データから算出された尤度比の重要度が小さくなるように重みを設定し、前記尤度比が分類のための統合スコアに与える影響を小さくすることが効果的である。そのため、癌検知の分類を行う場合においては、１以上の系列データの要素を、要素ごとの重要度を考慮しながら使用する第１実施形態の情報処理装置１００の分類処理を用いることが効果的である。

【0088】

上述の実施形態において説明した装置又はシステムは以下の第３実施形態のようにも構成することができる。

【0089】

＜第３実施形態＞
図５は、第３実施形態に係る情報処理装置４００の機能ブロック図である。情報処理装置４００は、取得部４１０、第１算出部４２０、第２算出部４３０、第３算出部４４０、及び分類部４５０を備える。取得部４１０は、系列データに含まれる複数の要素を逐次的に取得する。第１算出部４２０は、複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、複数の要素のうちの２以上の要素を考慮して算出する。第２算出部４３０は、複数の要素の各々の指標の重要度を示す重みを算出する。第３算出部４４０は、複数の要素のそれぞれの指標を対応する前記重みで重み付けしたうえで統合して、系列データが複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出する。分類部４５０は、統合指標に基づいて、系列データをいずれかのクラスに分類する。

【0090】

本実施形態によれば、精度良く系列データの分類を行うことができる情報処理装置４００が提供される。

【0091】

＜その他の実施形態＞
本発明は、上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲において適宜変更可能である。例えば、いずれかの実施形態の一部の構成を他の実施形態に追加した例や、他の実施形態の一部の構成と置換した例も、本発明の実施形態である。

【0092】

上述の実施形態の機能を実現するように該実施形態の構成を動作させるプログラムを記憶媒体に記録させ、記憶媒体に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記憶媒体も各実施形態の範囲に含まれる。また、上述のプログラムが記録された記憶媒体だけでなく、そのプログラム自体も各実施形態に含まれる。また、上述の実施形態に含まれる１又は２以上の構成要素は、各構成要素の機能を実現するように構成されたＡＳＩＣ(Application Specific Integrated Circuit)、ＦＰＧＡ(Field Programmable Gate Array)等の回路であってもよい。

【0093】

該記憶媒体としては例えばフロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ(Compact Disk)－ＲＯＭ、磁気テープ、不揮発性メモリカード、ＲＯＭを用いることができる。また該記憶媒体に記録されたプログラム単体で処理を実行しているものに限らず、他のソフトウェア、拡張ボードの機能と共同して、ＯＳ(Operating System)上で動作して処理を実行するものも各実施形態の範疇に含まれる。

【0094】

上述の各実施形態の機能により実現されるサービスは、ＳａａＳ(Software as a Service)の形態でユーザに対して提供することもできる。

【0095】

なお、上述の実施形態は、いずれも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、又はその主要な特徴から逸脱することなく、様々な形で実施することができる。

【0096】

また、上述の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

【0097】

（付記１）
系列データに含まれる複数の要素を逐次的に取得する取得手段と、
前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出する第１算出手段と、
前記複数の要素の各々の前記指標の重要度を示す重みを算出する第２算出手段と、
前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出する第３算出手段と、
前記統合指標に基づいて、前記系列データをいずれかのクラスに分類する分類手段と、
を備える情報処理装置。

【0098】

（付記２）
前記第２算出手段は、前記複数の要素の各々の前記指標の重要度を示す重みを、前記第１算出手段によって算出された、当該重みに対応する前記指標を含む１以上の前記指標、を用いて算出する、
付記１に記載の情報処理装置。

【0099】

（付記３）
前記第２算出手段は、前記複数の要素の各々の前記指標の重要度を示す重みを、前記第１算出手段によって算出された、当該重みに対応する前記指標を含む２以上の前記指標、を用いて算出する、
付記１又は２に記載の情報処理装置。

【0100】

（付記４）
前記指標は、前記複数の要素の各々が前記複数のクラスのうちのあるクラスに属することの尤もらしさを示す尤度比を含む、
付記１乃至３の何れか一項に記載の情報処理装置。

【0101】

（付記５）
前記統合指標は、前記系列データが前記複数のクラスのうちのあるクラスに属することの尤もらしさを示す統合スコアを含む、
付記１乃至４の何れか一項に記載の情報処理装置。

【0102】

（付記６）
前記分類手段は、前記統合スコアが所定の閾値を超えているクラスが存在する場合に、前記系列データを前記統合スコアが前記閾値を超えているクラスに分類する、
付記５に記載の情報処理装置。

【0103】

（付記７）
前記統合スコアが所定の閾値を超えているクラスが存在しない場合に、前記分類手段は、前記系列データをいずれかのクラスにも分類せず、前記取得手段は、更に要素を取得する、
付記５又は６に記載の情報処理装置。

【0104】

（付記８）
前記分類手段は、前記統合スコアが所定の閾値を超えているクラスが存在せず、かつ、前記取得手段によって取得された要素の数が所定値よりも多い場合に、前記統合スコアに基づいて前記系列データをいずれかのクラスに分類する、
付記５乃至７の何れか一項に記載の情報処理装置。

【0105】

（付記９）
前記第１算出手段は、
前記取得手段によって過去に取得された前記要素を少なくとも記憶する第１記憶手段と、
前記取得手段によって前記系列データの要素が新たに取得されたときに、前記新たに取得された要素と、前記第１記憶手段に記憶されている過去に取得された前記要素と、に基づいて、前記新たに取得された要素に対する前記指標を算出する指標算出手段と、
を備える、
付記１乃至８の何れか一項に記載の情報処理装置。

【0106】

（付記１０）
前記第２算出手段は、
前記第１算出手段によって過去に算出された前記指標を記憶する第２記憶手段と、
前記第１算出手段によって新たに算出された前記指標と、前記第２記憶手段に記憶されている過去に算出された前記指標と、を使用することにより、使用された複数の前記指標の各々に対する前記重みを算出する重み算出手段と、
を備える、
付記９に記載の情報処理装置。

【0107】

（付記１１）
前記第３算出手段は、
前記第１算出手段によって新たに算出された前記指標と、前記第２記憶手段に記憶されている過去に算出された前記指標と、前記重み算出手段によって算出された、前記新たに算出された指標及び前記過去に算出された指標の各々に対する重みと、に基づいて、前記統合指標を算出する統合指標算出手段と、
を備える、
付記１０に記載の情報処理装置。

【0108】

（付記１２）
前記系列データは、時系列データである、
付記１乃至１１のいずれか１項に記載の情報処理装置。

【0109】

（付記１３）
対象者の医療情報を取得する医療情報取得手段と、
付記１乃至１２のいずれか１項に記載の情報処理装置と、
を備え、
前記情報処理装置は、前記医療情報を前記要素として含む前記系列データをいずれかのクラスに分類する、
医療映像識別装置。

【0110】

（付記１４）
前記情報処理装置は、前記系列データを前記医療情報の癌化部位の有無を示すいずれかのクラスに分類する、
付記１３に記載の医療映像識別装置。

【0111】

（付記１５）
系列データに含まれる複数の要素を逐次的に取得するステップと、
前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出するステップと、
前記複数の要素の各々の前記指標の重要度を示す重みを算出するステップと、
前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出するステップと、
前記統合指標に基づいて、前記系列データをいずれかのクラスに分類するステップと、
を備える情報処理方法。

【0112】

（付記１６）
コンピュータに、
系列データに含まれる複数の要素を逐次的に取得するステップと、
前記複数の要素の各々について、複数のクラスのいずれに属することが妥当であるかを示す指標を、前記複数の要素のうちの２以上の要素に基づいて算出するステップと、
前記複数の要素の各々の前記指標の重要度を示す重みを算出するステップと、
前記複数の要素のそれぞれの前記指標を対応する前記重みで重み付けしたうえで統合して、前記系列データが前記複数のクラスのいずれに属することが妥当であるかを示す統合指標を算出するステップと、
前記統合指標に基づいて、前記系列データをいずれかのクラスに分類するステップと、
を備える情報処理方法を実行させるためのプログラムが格納された非一時的なコンピュータ可読媒体。

【0113】

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

【符号の説明】

【0114】

１００、４００ 情報処理装置
１０１ プロセッサ
１０２ メモリ
１０３ ストレージ
１０４ 入出力Ｉ／Ｆ
１０５ 通信Ｉ／Ｆ
１１０、４１０ 取得部
１２０、４２０ 第１算出部
１２１ 指標算出部
１２２ 第１記憶部
１３０、４３０ 第２算出部
１３１ 重み算出部
１３２ 第２記憶部
１４０、４４０ 第３算出部
１４１ 統合指標算出部
１４２ 第３記憶部
１５０、４５０ 分類部
２０１ データ取得装置
２０２ 入力装置
２０３ 表示装置
３００ 医療映像識別装置
３０１ 分類装置
３０２ 医療情報取得部
３０３ 医療情報記憶部

【図1】

【図2】

【図3】

【図4】

【図5】