JP7698898B2

JP7698898B2 - 疾患診断結果判定装置、疾患診断結果判定方法、及びプログラム

Info

Publication number: JP7698898B2
Application number: JP2022555599A
Authority: JP
Inventors: 薫酒谷
Original assignee: University of Tokyo NUC
Current assignee: University of Tokyo NUC
Priority date: 2020-10-09
Filing date: 2021-10-08
Publication date: 2025-06-26
Anticipated expiration: 2041-10-08
Also published as: WO2022075461A1; EP4227956A4; US20230411003A1; EP4227956A1; CN116325016A; KR20230079202A; JPWO2022075461A1

Description

本発明は、疾患診断結果判定装置、疾患診断結果判定方法、及びプログラムに関する。
本願は、２０２０年１０月９日に、日本に出願された特願２０２０－１７１３２９号に基づき優先権を主張し、その内容をここに援用する。

高齢化の進展に伴い認知症患者が急増し社会問題化している。認知症に対する治療、予防は認知障害の早期発見が重要だが、多くの症例では認知症が進行してから診断されている。この原因の一つは、認知障害に対する大規模なスクリーニング検査法が確立していないことである。現在、ＭＭＳＥなどの問診式テストがスクリーニング検査に使用されている。それら問診式テストは、主観的検査法であるためマンツーマンで行う必要がある。そのためそれら問診式テストでは、短時間に大規模なスクリーニングを行うことはできない。ＭＲＩなどの画像検査は認知症の診断能力が高いが、高額な検査法のためスクリーニングには適していない。

従来、認知障害のリスク判定法として、機械学習を用いて、一般血液検査データと年齢に基づいて、認知障害リスクを判定する方法が提案されている（特許文献１、２）。特許文献１、２に記載の認知障害のリスク判定法では、年齢及び一般血液検査の検査結果と、認知機能の問診式テストであるミニメンタルステート検査（ＭＭＳＥ）スコアとの関係が機械学習によって学習されて、年齢及び一般血液検査の検査結果に基づいてＭＭＳＥスコアが判定される。特許文献２では、機械学習として深層学習を用いており、入力層に年齢及び一般血液検査の検査結果が入力され、出力層からはＭＭＳＥスコアが出力される。

特開２０１８－５５３３３号公報特開２０１８－１４９１６８号公報

特許文献１、２に記載の認知障害のリスク判定法では、次の問題点がある。機械学習として深層学習を用いる場合、深層学習に用いられるニューラルネットワークの入力層に入力されるデータの種類（年齢、血液検査データ）及び出力層から出力されるデータの種類（ＭＭＳＥのような問診式テストによる認知機能評価）が限定されており、認知障害の予測精度が低い。ＭＭＳＥのような問診式テストは主観的評価法であり、認知機能の評価が不正確な可能性がある。また、従来の深層学習では、入力層に入力されるデータから出力層から出力されるデータが予測されるプロセスがブラックボックスであり、深層学習を医療に応用する際の障壁となっていた。
疾患の診断結果の判定精度を向上させることができることが求められていた。

本発明は上記の点に鑑みてなされたものであり、疾患の診断結果の判定精度を向上させることができる疾患診断結果判定装置、疾患診断結果判定方法、及びプログラムを提供する。

本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、第１被験者に関する健診データと前記第１被験者に関する脳検査の結果との関係が予め学習された第１学習結果と、第２被験者に関する健診データとに基づいて、前記第２被験者に関する脳検査の結果を判定する脳検査結果判定部と、第３被験者に関する脳検査の結果と前記第３被験者に関する疾患の診断結果との関係が予め学習された第２学習結果と、前記脳検査結果判定部によって判定された前記第２被験者に関する脳検査の結果とに基づいて、前記第２被験者に関する疾患の診断結果を判定する疾患診断結果判定部と、を備える疾患診断結果判定装置である。

また、本発明の一態様は、上記の疾患診断結果判定装置において、前記脳検査の結果は、複数種類の脳検査の結果からなり、前記第１学習結果は、前記複数種類の脳検査それぞれに対応する複数種類の学習結果からなり、前記脳検査結果判定部は、前記複数種類の脳検査それぞれに対応する複数種類の学習結果と、前記第２被験者に関する健診データとに基づいて、前記第２被験者に関する前記複数種類の脳検査の結果をそれぞれ判定する。

また、本発明の一態様は、上記の疾患診断結果判定装置において、前記第２被験者に関する前記複数種類の脳検査のうち一部の脳検査が予め行われて得られた脳検査結果を取得する脳検査結果取得部をさらに備え、前記疾患診断結果判定部は、前記複数種類の脳検査のうち一部について、前記脳検査結果判定部によって判定された前記第２被験者に関する脳検査の結果に代えて、前記脳検査結果取得部によって取得された前記脳検査結果を用いて判定を行う。

また、本発明の一態様は、上記の疾患診断結果判定装置において、前記脳検査結果判定部は、前記第２被験者に関する健診データのうちの一部として複数の第４被験者に関する健診データの統計量を用いて、前記第１学習結果と、前記第２被験者に関する健診データとに基づいて、前記第２被験者に関する脳検査の結果を判定する。

また、本発明の一態様は、上記の疾患診断結果判定装置において、前記疾患診断結果判定部が前記診断結果を判定した後に、当該診断結果を判定するために用いられた前記第２被験者に関する脳検査の結果と当該診断結果との組を出力する脳検査結果出力部をさらに備える。

また、本発明の一態様は、第１被験者に関する健診データと前記第１被験者に関する脳検査の結果との関係が予め学習された第１学習結果と、第２被験者に関する健診データとに基づいて、前記第２被験者に関する脳検査の結果を判定する脳検査結果判定ステップと、第３被験者に関する脳検査の結果と前記第３被験者に関する疾患の診断結果との関係が予め学習された第２学習結果と、前記脳検査結果判定ステップによって判定された前記第２被験者に関する脳検査の結果とに基づいて、前記第２被験者に関する疾患の診断結果を判定する疾患診断結果判定ステップと、を有する疾患診断結果判定方法である。

また、本発明の一態様は、コンピュータに、第１被験者に関する健診データと前記第１被験者に関する脳検査の結果との関係が予め学習された第１学習結果と、第２被験者に関する健診データとに基づいて、前記第２被験者に関する脳検査の結果を判定する脳検査結果判定ステップと、第３被験者に関する脳検査の結果と前記第３被験者に関する疾患の診断結果との関係が予め学習された第２学習結果と、前記脳検査結果判定ステップによって判定された前記第２被験者に関する脳検査の結果とに基づいて、前記第２被験者に関する疾患の診断結果を判定する疾患診断結果判定ステップと、を実行させるためのプログラムである。

本発明によれば、疾患の診断結果の判定精度を向上させることができる。

本発明の実施形態に係る疾患診断結果判定装置の構成の一例を示す図である。本発明の実施形態に係る機械学習に用いられるニューラルネットワークの構成の一例を示す図である。本発明の実施形態に係る疾患診断結果判定装置による判定工程の一例を示す図である。本発明の実施形態の変形例１に係る疾患診断結果判定装置の構成の一例を示す図である。本発明の実施形態の変形例１に係る疾患診断結果判定装置による判定工程の一例を示す図である。本発明の実施形態の変形例２に係る疾患診断結果判定装置の構成の一例を示す図である。本発明の実施形態の変形例２に係る疾患診断結果判定装置による判定工程の一例を示す図である。本発明の実施形態に係る次世代型の予防医療モデルの一例を示す図である。本発明の実施形態に係る健康未来予測チャートの一例を示す図である。本発明の実施例に係る本実施例に係るＧＭ－ＢＨＱの実測値（正解ラベル）と予測値との相関関係の一例を示す図である。本発明の実施例に係る血液検査データに含まれる項目についての予測結果に対する重要度の一例を示す図である。

（実施形態）
以下、図面を参照しながら本発明の実施形態について詳しく説明する。図１は、本実施形態に係る疾患診断結果判定装置１の構成の一例を示す図である。疾患診断結果判定装置１は、健診データが入力されると、第１の機械学習と、第２の機械学習とに基づいて認知障害の診断結果を判定する。本実施形態では、第１の機械学習、及び第２の機械学習は一例として深層学習である。疾患診断結果判定装置１では、医療上の診断プロセスに類似したいわば２段階式の深層学習が用いられる。第１の機械学習では、全身性障害と脳障害の関係性に基づいて、健診データから脳検査法（ミニメンタルステート検査（ＭＭＳＥ：ＭｉｎｉＭｅｎｔａｌＳｔａｔｅＥｘａｍｉｎａｔｉｏｎ）など認知テスト、ＭＲＩ（ＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅＩｍａｇｉｎｇ）画像診断など）の結果を予測する。次に第２の機械学習では、医師が脳検査法の結果から統合的に認知症の診断を行うように、認知障害のリスクの判定を行う。

疾患診断結果判定装置１は、第１学習結果取得部２と、健診データ取得部３と、脳検査結果判定部４と、第２学習結果取得部５と、疾患診断結果判定部６とを備える。疾患診断結果判定装置１は、一例として、パーソナルコンピュータ（ＰｅｒｓｏｎａｌＣｏｍｐｕｔｅｒ：ＰＣ）である。なお、疾患診断結果判定装置１、１ａ、１ｂは、スマートフォンなどの携帯端末装置であってもよい。

第１学習結果取得部２は、第１学習結果供給部７から供給される第１学習結果Ｌ１を取得する。第１学習結果Ｌ１とは、第１被験者Ｐ１に関する健診データと、当該第１被験者Ｐ１に関する脳検査の結果との関係が第１の機械学習によって予め学習された結果である。第１の機械学習とは、一例として、深層学習である。第１学習結果Ｌ１は、当該深層学習に用いられるニューラルネットワークのパラメータ（重み、及びバイアス）である。

本実施形態では、脳検査の結果は、複数種類の脳検査の結果からなる。第１学習結果Ｌ１は、複数種類の脳検査それぞれに対応する１種類以上の学習結果からなる。複数種類の学習結果を、脳検査学習結果ＬＢ－ｉ（ｉ＝１、２、・・・、ｎ：ｎは脳検査の種類の数）という。脳検査の結果とは、例えば、ＭＭＳＥなどの認知機能に関する問診式テストの結果、画像診断（ＭＲＩ、ＣＴ、ＰＥＴなど）に関する指標（ＶＳＲＡＤによる指標、ＢＨＱ（ＢｒａｉｎＨｅａｌｔｈｃａｒｅＱｕｏｔｉｅｎｔ）など）、病巣所見（脳梗塞、脳委縮など）、認知症バイオマーカ（アミロイドβなど）などのうちいずれか１以上である。

本実施形態では、脳検査の結果は、一例として、ＭＭＳＥのスコア、大脳灰白質の容積を示す指標であるＧＭ－ＢＨＱ（ＧｒｅｙＭａｔｔｅｒＢｒａｉｎＨｅａｌｔｈｃａｒｅＱｕｏｔｉｅｎｔ）、及び、大脳白質の神経線維の統合度を異方性比率として表す指標であるＦＡ－ＢＨＱ（ＦｒａｃｔｉｏｎａｌＡｎｉｓｏｔｒｏｐｙＢｒａｉｎＨｅａｌｔｈｃａｒｅＱｕｏｔｉｎｅｔ）の３つである。脳検査学習結果ＬＢ－１は、ＭＭＳＥのスコアに対応する学習結果である。脳検査学習結果ＬＢ－２は、ＧＭ－ＢＨＱに対応する学習結果である。脳検査学習結果ＬＢ－３は、ＦＡ－ＢＨＱに対応する学習結果である。

第１被験者Ｐ１に関する健診データを、教師健診データともいう。また、第１被験者Ｐ１に関する脳検査の結果を、教師脳検査結果ともいう。第１被験者Ｐ１は、教師健診データ、及び教師脳検査結果を収集するための被験者である。第１被験者Ｐ１は、機械学習による判定精度を高めるためには所定の数以上の被験者であることが好ましいが、１以上の被験者であればよい。

健診データは、特定健診など各種健診（健康診断）の検査項目であればいずれであってもよい。また、健診データは、ヘルスケアモニタリング機器や体組成計で計測されるデータなど、各種医療機関でなく被験者が個人で取得可能なデータであってもよい。健診データには、例えば、年齢、一般血液検査の結果、身体機能（身長、体重、腹囲、ＢＭＩ、血圧、脈拍などのうちいずれか１以上）の測定結果、既往歴（服薬歴、喫煙習慣のうちいずれか１以上）、家族歴、自他覚症状（理学的所見、神経学的所見などのうちいずれか１以上）を示す情報、生理機能（心電図、脳波、聴覚検査、平衡覚検査、視覚検査、味覚検査などのうちいずれか１以上）の検査結果、心理機能（知能指数、状態特性不安度などのうちいずれか１以上）の検査結果、その他生体情報（眼底検査、消化器系検査、歯科検査、音声言語、行動解析などのうちいずれか１以上）、東洋医学的所見（舌診、脈診、触診などのうちいずれか１以上）を示す情報などのうちいずれか１以上が含まれる。

健診データ取得部３は、健診データ供給部９から供給される健診データＭＣを取得する。健診データＭＣとは、第２被験者Ｐ２に関する健診データである。第２被験者Ｐ２は、疾患診断結果判定装置１によって疾患診断結果が判定される対象となる被験者である。第２被験者Ｐ２に関する健診データに含まれるデータの項目と、上述した第１被験者Ｐ１に関する健診データに含まれるデータの項目とは一致している。例えば、第１被験者Ｐ１に関する健診データが、第１被験者Ｐ１に関する年齢、一般血液検査の結果、及び脳波の検査結果の組である場合、第２被験者Ｐ２に関する健診データは、第２被験者Ｐ２に関する年齢、一般血液検査の結果、及び脳波の検査結果の組である。

脳検査結果判定部４は、第１学習結果Ｌ１と、健診データＭＣとに基づいて、脳検査結果判定結果Ｂを判定する。脳検査結果判定結果Ｂとは、第２被験者Ｐ２に関する脳検査の結果である。
上述したように第１学習結果Ｌ１は、第１の機械学習に基づく学習結果であるため、脳検査結果判定部４は、第１の機械学習に基づいて判定を行う。

ここで脳検査結果判定部４は、複数種類の脳検査それぞれに対応する複数種類の学習結果である脳検査学習結果ＬＢ－ｉと、健診データＭＣとに基づいて、第２被験者Ｐ２に関する複数種類の脳検査の結果をそれぞれ判定する。脳検査結果判定結果Ｂは、複数種類の脳検査それぞれに対応して、複数の脳検査結果判定結果Ｂ－ｉ（ｉ＝１、２、・・・、ｎ：ｎは脳検査の種類の数）が含まれる。本実施形態では、脳検査結果判定結果Ｂは、ＭＭＳＥのスコアの判定結果である脳検査結果判定結果Ｂ－１、ＧＭ－ＢＨＱの判定結果である脳検査結果判定結果Ｂ－２、ＦＡ－ＢＨＱの判定結果である脳検査結果判定結果Ｂ－３からなる。

第２学習結果取得部５は、第２学習結果供給部８から供給される第２学習結果Ｌ２を取得する。第２学習結果Ｌ２とは、第３被験者Ｐ３に関する脳検査の結果と第３被験者Ｐ３に関する疾患の診断結果との関係が第２の機械学習によって予め学習された結果である。第２の機械学習とは、一例として、深層学習である。第２学習結果Ｌ２は、当該深層学習に用いられるニューラルネットワークのパラメータ（重み、及びバイアス）である。

第３被験者Ｐ３に関する脳検査の結果を、教師脳検査結果ともいう。また、第３被験者Ｐ３に関する疾患の診断結果を、教師疾患診断結果ともいう。第３被験者Ｐ３は、教師脳検査結果、及び教師疾患診断結果を収集するための被験者である。第３被験者Ｐ３は、機械学習による判定精度を高めるためには所定の数以上の被験者であることが好ましいが、１以上の被験者であればよい。教師疾患診断結果は、専門医が第３被験者Ｐ３に関する脳検査の結果から診断した疾患の診断結果（認知障害）である。疾患の診断結果は、一例として、「正常」、「軽度認知障害（ＭＣＩ：ＭｉｌｄＣｏｇｎｉｔｉｖｅＩｍｐａｉｒｍｅｎｔ）」、「認知症」のいずれかのクラスに分類される。

疾患診断結果判定部６は、第２学習結果Ｌ２と、脳検査結果判定部４によって判定された脳検査結果判定結果Ｂとに基づいて、疾患診断結果Ｄを判定する。疾患診断結果Ｄとは、第２被験者Ｐ２に関する疾患の診断結果である。
上述したように第２学習結果Ｌ２は、第２の機械学習に基づく学習結果であるため、疾患診断結果判定部６は、第２の機械学習に基づいて判定を行う。

第１学習結果供給部７は、第１学習結果Ｌ１を疾患診断結果判定装置１に供給する。第２学習結果供給部８は、第２学習結果Ｌ２を疾患診断結果判定装置１に供給する。健診データ供給部９は、健診データＭＣを疾患診断結果判定装置１に供給する。第１学習結果供給部７、第２学習結果供給部８、及び健診データ供給部９はそれぞれ、例えば、キーボードやタブレット、スキャナなどのヒューマンインタフェイス装置であってもよいし、サーバなどの情報記憶装置であってもよいし、スマートフォンなどの携帯端末装置であってもよい。

なお、健診データ、ＭＲＩなどの脳検査結果、及び専門医の診断がセットになった症例が医療機関から多数集められて、第１被験者Ｐ１に関する教師健診データ及び教師脳検査結果、第３被験者Ｐ３に関する教師脳検査結果及び教師疾患診断結果として用いられる。

提示部１０は、例えばディスプレイやプリンタであり、疾患診断結果判定装置１に備えられる疾患診断結果判定部６から出力される疾患診断結果Ｄを、表示や印字などの提示手段により提示する。
なお、提示部１０は、ネットワークサーバなどの記憶装置であってもよい。この場合には、提示部１０は、疾患診断結果判定部６から供給される疾患診断結果Ｄを記憶し、記憶した疾患診断結果Ｄを他の装置に供給する。

図２は、本実施形態に係る機械学習に用いられるニューラルネットワークの構成の一例を示す図である。第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３は、それぞれ第１の機械学習に用いられる深層学習のニューラルネットワークである。第１の機械学習は、第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３が並列に用いられて実行される。第２ニューラルネットワークＮ２は、第２の機械学習に用いられる深層学習のニューラルネットワークである。疾患診断結果判定装置１では、機械学習が第１の機械学習と第２の機械学習との２段階に分かれて実行される。第２の機械学習は、第１の機械学習の出力結果が入力として用いられて実行される。つまり、第１の機械学習と第２の機械学習とは直列に実行される。

深層学習は、多層ニューラルネットワーク（隠れ層の数が２以上であるニューラルネットワーク）を用いた機械学習の手法である。第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、第１ニューラルネットワークＮ１－３、及び第２ニューラルネットワークＮ２は、それぞれフィードフォワードネットワークと呼ばれるニューラルネットワークである。フィードフォワードネットワークとは、情報が入力層から出力層へと一方向に伝搬するニューラルネットワークのことである。

第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３は、それぞれ入力層に健診データＭＣが入力されると、出力層からそれぞれ脳検査結果判定結果Ｂを出力する。本実施形態では、第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３それぞれの構成は、出力層に備えられるユニットの数以外は共通である。第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３では、一例として、それぞれ隠れ層の数が２層、及び各隠れ層のユニット数は４００個である。なお、隠れ層の数、及び各隠れ層のユニット数は、第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３相互間において異なっていてもよい。

第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３それぞれの入力層に備えられるユニットの数は、健診データＭＣに含まれるデータの種類の数、及びそれらのデータの表現に応じて決まっている。なお、健診データＭＣに含まれるデータは、種類に応じて数値、またはクラス分類されたクラスの値として表現される。

第１ニューラルネットワークＮ１－１のパラメータ（重み、バイアス）は、脳検査学習結果ＬＢ－１に基づいて学習が実行されて決定されている。第１ニューラルネットワークＮ１－１は、入力層に健診データＭＣが入力されると、出力層からＭＭＳＥのスコアを出力する。第１ニューラルネットワークＮ１－２の出力層は、ＭＭＳＥのスコアの表現に応じた個数のユニットを備える。ＭＭＳＥのスコアは、例えば、０から３０までの数によって表される。これに応じて第１ニューラルネットワークＮ１－１の出力層は、３１個のユニットを備える。

第１ニューラルネットワークＮ１－２は、脳検査学習結果ＬＢ－２に基づいて学習が実行されて決定されている。第１ニューラルネットワークＮ１－２は、入力層に健診データＭＣが入力されると、出力層からＧＭ－ＢＨＱを出力する。第１ニューラルネットワークＮ１－２の出力層は、ＧＭ－ＢＨＱの表現に応じた個数のユニットを備える。

第１ニューラルネットワークＮ１－３は、脳検査学習結果ＬＢ－３に基づいて学習が実行されて決定されている。第１ニューラルネットワークＮ１－３は、入力層に健診データＭＣが入力されると、出力層からＦＡ－ＢＨＱを出力する。第１ニューラルネットワークＮ１－３の出力層は、ＦＡ－ＢＨＱの表現に応じた個数のユニットを備える。
なお、ＧＭ－ＢＨＱ、ＦＡ－ＢＨＱのそれぞれの値は年齢に対応した値である。ＧＭ－ＢＨＱ、ＦＡ－ＢＨＱのそれぞれの値は、年齢とともに減少する傾向があり、各年齢についての平均値は１００となる。ＧＭ－ＢＨＱ、ＦＡ－ＢＨＱのそれぞれの値は、各年齢に対応する値より低い場合は脳の健康度が低いことを示す。出力層から出力されるＧＭ－ＢＨＱ、ＦＡ－ＢＨＱの値はそれぞれ、第２被験者Ｐ２の年齢に対応する値として表現される。

第２ニューラルネットワークＮ２のパラメータ（重み、バイアス）は、第２学習結果Ｌ２に基づいて学習が実行されて決定されている。第２ニューラルネットワークＮ２は、入力層に脳検査結果判定結果Ｂが入力されると、出力層から疾患診断結果Ｄを出力する。

第２ニューラルネットワークＮ２の入力層には、第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３それぞれの出力層からの出力がそのまま入力される。したがって、第２ニューラルネットワークＮ２の入力層に備えられるユニットの数と、第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３それぞれの入力層に備えられるユニットの数の合計とは等しい。

第２ニューラルネットワークＮ２の出力層は、疾患診断結果Ｄの表現に応じた個数のユニットを備える。上述したように本実施形態では、疾患診断結果Ｄは、３つのクラスに分類されて表現されるため、第２ニューラルネットワークＮ２の出力層は、３個のユニットを備える。
第２ニューラルネットワークＮ２では、一例として、それぞれ隠れ層の数が２層、及び各隠れ層のユニット数は４００個である。第２ニューラルネットワークＮ２の隠れ層の構成は、第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３それぞれの隠れ層の構成と共通であっても、異なっていてもよい。

本実施形態では、教師健診データの種類及び値は、脳検査学習結果ＬＢ－ｉ相互間において共通である。つまり、本実施形態では、脳検査学習結果ＬＢ－ｉは、脳検査学習結果ＬＢ－ｉ相互間において共通の教師健診データが用いられて生成される。

なお、脳検査学習結果ＬＢ－ｉは、脳検査学習結果ＬＢ－ｉ相互間において異なる教師健診データが用いられてそれぞれ生成されてよい。例えば、脳検査学習結果ＬＢ－ｉ相互間において異なる教師健診データの値が用いられて第１の機械学習が実行されて脳検査学習結果ＬＢ－ｉがそれぞれ生成されてもよい。また、脳検査学習結果ＬＢ－ｉ相互間において、教師健診データの種類または種類の数が異なっていてもよい。また、脳検査学習結果ＬＢ－ｉ相互間において、教師健診データと教師脳検査結果との組の数が異なっていてもよい。

例えば、ＭＭＳＥのスコアに対応する脳検査学習結果ＬＢ－１では、教師健診データとして年齢、一般血液検査の結果が用いられ、２００個のデータが用いられてよい。ＧＭ－ＢＨＱに対応する脳検査学習結果ＬＢ－２では、教師健診データとして身長、服薬歴、心電図が用いられ、１２００個のデータが用いられてよい。ＦＡ－ＢＨＱに対応する脳検査学習結果ＬＢ－３では、教師健診データとして体重、腹囲、喫煙習慣、味覚検査が用いられ５００個のデータが用いられてよい。

脳検査学習結果ＬＢ－ｉ相互間において、教師健診データの種類または種類の数が異なる場合、第１ニューラルネットワークＮ１－１、第１ニューラルネットワークＮ１－２、及び第１ニューラルネットワークＮ１－３それぞれの入力層に備えられるユニットの数は、教師健診データの種類または種類の数に応じて異なる。

図３は、本実施形態に係る疾患診断結果判定装置１による判定工程の一例を示す図である。
ステップＳ１０：第１学習結果取得部２は、第１学習結果供給部７から供給される第１学習結果Ｌ１を取得する。第１学習結果取得部２は、取得した第１学習結果Ｌ１を脳検査結果判定部４に供給する。

ステップＳ２０：健診データ取得部３は、健診データ供給部９から供給される健診データＭＣを取得する。健診データ取得部３は、取得した健診データＭＣを脳検査結果判定部４に供給する。

ステップＳ３０：脳検査結果判定部４は、第１学習結果取得部２が取得した第１学習結果Ｌ１と、健診データ取得部３が取得した健診データＭＣとに基づいて、脳検査結果判定結果Ｂを判定する。脳検査結果判定部４は、判定した脳検査結果判定結果Ｂを疾患診断結果判定部６に供給する。

ステップＳ４０：第２学習結果取得部５は、第２学習結果供給部８から供給される第２学習結果Ｌ２を取得する。第２学習結果取得部５は、取得した第２学習結果Ｌ２を疾患診断結果判定部６に供給する。

ステップＳ５０：第２学習結果取得部５は、脳検査結果判定部４が判定した脳検査結果判定結果Ｂを取得する。

ステップＳ６０：疾患診断結果判定部６は、第２学習結果取得部５によって取得された第２学習結果Ｌ２と、脳検査結果判定部４によって判定された脳検査結果判定結果Ｂとに基づいて、疾患診断結果Ｄを判定する。
ステップＳ７０：疾患診断結果判定部６は、判定した疾患診断結果Ｄを提示部１０に出力する。
以上で、疾患診断結果判定装置１は、判定工程を終了する。

なお、脳検査結果判定部４は、健診データＭＣのうち一部が取得できない場合、複数の第４被験者Ｐ４に関する健診データの統計量を用いて判定を行ってもよい。つまり、健診データＭＣのうち一部が取得できない場合には、脳検査結果判定部４は、健診データＭＣのうちの一部として複数の第４被験者Ｐ４に関する健診データの統計量を用いて、第１学習結果Ｌ１と、健診データＭＣとに基づいて、脳検査結果判定結果Ｂを判定してもよい。健診データの統計量とは、例えば、平均値、中央値などである。第４被験者Ｐ４とは、健診データＭＣのうち一部が欠損している場合に、健診データＭＣを補間する健診データを提供するための被験者である。

なお、本実施形態では、一例として、疾患が認知障害である場合の一例について説明したが、これに限られない。疾患として、認知障害の他にうつ病などの脳疾患の診断結果が判定されてもよい。また、疾患診断結果判定装置１は、脳疾患以外の疾患の診断結果の判定を行ってもよい。

以上に説明したように、本実施形態に係る疾患診断結果判定装置１は、脳検査結果判定部４と、疾患診断結果判定部６とを備える。
脳検査結果判定部４は、第１被験者Ｐ１に関する健診データと第１被験者Ｐ１に関する脳検査の結果との関係が予め学習された第１学習結果Ｌ１と、第２被験者Ｐ２に関する健診データＭＣとに基づいて、第２被験者Ｐ２に関する脳検査の結果（本実施形態において、脳検査結果判定結果Ｂ）を判定する。
疾患診断結果判定部６は、第３被験者Ｐ３に関する脳検査の結果と第３被験者Ｐ３に関する疾患の診断結果との関係が予め学習された第２学習結果Ｌ２と、脳検査結果判定部４によって判定された第２被験者Ｐ２に関する脳検査の結果（本実施形態において、脳検査結果判定結果Ｂ）とに基づいて、第２被験者Ｐ２に関する疾患の診断結果（本実施形態において、疾患診断結果Ｄ）を判定する。

この構成により、本実施形態に係る疾患診断結果判定装置１は、健診データＭＣから脳検査の結果を判定し、判定した脳検査の結果からさらに疾患の診断結果を判定できるため、疾患の診断結果の判定精度を向上させることができる。

ここで疾患診断結果判定装置１では、健診データＭＣに含まれる項目は、特定健診など各種健診の検査項目であればいずれであってもよいため、年齢、血液データなど限定された項目のみに基づいて判定を行う場合に比べて、疾患の診断結果の判定精度を向上させることができる。
疾患診断結果判定装置１では、健診データＭＣから判定される脳検査の結果において脳検査の種類はいずれであってもよいため、ＭＲＩ画像に関する指標などの解剖学的かつ客観的な脳についての指標を用いることができ、脳検査の結果を問診式テスト（ＭＭＳＥなど）のスコアなど主観的評価法に基づく指標のみを用いる場合に比べて、疾患の診断結果の判定精度を向上させることができる。
疾患診断結果判定装置１では、健診データＭＣから判脳検査の結果を判定した後に、医師が脳検査法の結果から統合的に認知症の診断を行うように、当該脳検査の結果から疾患の診断結果を判定できる。そのため、機械学習（深層学習）による判定過程が専門医の診断に類似したものとなり、機械学習（深層学習）によって疾患の診断結果が判定されるプロセスを可視化できる。

また、疾患診断結果判定装置１では、健診データを使用する為、認知症リスクとなっている全身性代謝障害が第２被験者Ｐ２個人ごとに特定できるので、オーダーメイドの生活習慣改善プログラム（食事運動療法など）を提供できる利点がある。このため、疾患診断結果判定装置１では、効率的な認知症予防が可能となり、また疾患診断結果判定装置１を用いることによって生活改善に対するインセンティブの向上が期待される。

疾患診断結果判定装置１では、定期的に実施される健診を活用し、深層学習などの機械学習により認知症などの疾患の発症リスクを高精度で判定することを目的としている。従来の方法では、深層学習を用いて、年齢と血液データとを入力層に使用し、問診式テスト（ＭＭＳＥ）のスコアを出力層から出力させて認知障害を予測していた。従来の方法では、入力層や出力層の項目が限られており、また出力層からスコアが出力される問診式テストは主観的検査法のため、認知障害の予測精度に問題があった。さらに、深層学習の入力層から出力層への予測プロセスがブラックボックス化されており、深層学習を医療に応用する際の障壁となっていた。

また、本実施形態に係る疾患診断結果判定装置１では、脳検査の結果は、複数種類の脳検査の結果からなる。第１学習結果Ｌ１は、複数種類の脳検査それぞれに対応する複数種類の学習結果（本実施形態において、脳検査学習結果ＬＢ－１、脳検査学習結果ＬＢ－２、脳検査学習結果ＬＢ－３）からなる。脳検査結果判定部４は、複数種類の脳検査それぞれに対応する複数種類の学習結果（本実施形態において、脳検査学習結果ＬＢ－１、脳検査学習結果ＬＢ－２、脳検査学習結果ＬＢ－３）と、第２被験者Ｐ２に関する健診データＭＣとに基づいて、第２被験者Ｐ２に関する複数種類の脳検査の結果をそれぞれ判定する
この構成により、本実施形態に係る疾患診断結果判定装置１は、複数種類の脳検査の結果を判定に用いることができるため、１種類の脳検査の結果を用いる場合に比べて疾患の診断結果の判定精度を向上させることができる。

また、本実施形態に係る疾患診断結果判定装置１では、脳検査結果判定部４は、第２被験者Ｐ２に関する健診データＭＣのうちの一部として複数の第４被験者Ｐ４に関する健診データの統計量を用いて、第１学習結果Ｌ１と、第２被験者Ｐ２に関する健診データＭＣとに基づいて、第２被験者Ｐ２に関する脳検査の結果（本実施形態において、脳検査結果判定結果Ｂ）を判定する。
この構成により、本実施形態に係る疾患診断結果判定装置１は、第２被験者Ｐ２に関する健診データＭＣの一部が取得できない場合であっても、当該健診データＭＣの一部を複数の第４被験者Ｐ４に関する健診データの統計量によって代用できるため、第２被験者Ｐ２に関する健診データＭＣの一部が取得できない場合であっても疾患の診断結果を判定できる。

以下では、本実施形態の変形例について説明する。
（変形例１）
変形例１では、第２被験者Ｐ２に関する複数種類の脳検査のうち一部の脳検査が予め行われて得られた結果が取得可能な場合、当該脳検査の結果については、第１の機械学習による脳検査結果判定結果に代えて、実際の脳検査が予め行われた結果を用いて疾患診断結果を判定する場合について説明する。

図４は、本変形例に係る疾患診断結果判定装置１ａの構成の一例を示す図である。本変形理恵に係る疾患診断結果判定装置１ａ（図４）と上述した実施形態に係る疾患診断結果判定装置１（図１）とを比較すると、疾患診断結果判定部６ａ、脳検査結果取得部１１ａ、及び脳検査結果供給部１２ａが異なる。上述した実施形態と同一の構成については同一の符号を付して、同一の構成及び動作についてはその説明を省略する。

疾患診断結果判定装置１ａは、第１学習結果取得部２と、健診データ取得部３と、脳検査結果判定部４と、第２学習結果取得部５と、疾患診断結果判定部６ａと、脳検査結果取得部１１ａとを備える。
脳検査結果取得部１１ａは、脳検査結果供給部１２ａから供給される脳検査結果Ｅを取得する。脳検査結果Ｅとは、第２被験者Ｐ２に関する複数種類の脳検査のうち一部の脳検査が予め行われて得られた結果である。

疾患診断結果判定部６ａは、複数種類の脳検査のうち一部について、脳検査結果判定部４によって判定された脳検査結果判定結果Ｂに代えて、脳検査結果取得部１１ａによって取得された脳検査結果Ｅを用いて判定を行う。

脳検査結果供給部１２ａは、脳検査結果Ｅを疾患診断結果判定装置１ａに供給する。脳検査結果供給部１２ａは、例えば、キーボードやタブレット、スキャナなどのヒューマンインタフェイス装置であってもよいし、サーバなどの情報記憶装置であってもよい。

図５は、本実施形態に係る疾患診断結果判定装置１ａによる判定工程の一例を示す図である。なお、ステップＳ１１０からステップＳ１４０、ステップＳ１６０、及びステップＳ１８０の各処理は、図３におけるステップＳ１０からステップＳ４０、ステップＳ５０、及びステップＳ７０の各処理と同様であるため、説明を省略する。

ステップＳ１５０：脳検査結果取得部１１ａは、脳検査結果供給部１２ａから供給される脳検査結果Ｅを取得する。脳検査結果取得部１１ａは、取得した脳検査結果Ｅを疾患診断結果判定部６ａに供給する。脳検査結果Ｅは、例えば、複数種類の脳検査のうちＦＡ－ＢＨＱである。

ステップＳ１７０：疾患診断結果判定部６は、第２学習結果取得部５によって取得された第２学習結果Ｌ２と、脳検査結果判定部４によって判定された脳検査結果判定結果Ｂと、脳検査結果取得部１１ａによって取得された脳検査結果Ｅとに基づいて、疾患診断結果Ｄを判定する。ここで疾患診断結果判定部６ａは、複数種類の脳検査のうち一部について、脳検査結果判定部４によって判定された脳検査結果判定結果Ｂに代えて、脳検査結果取得部１１ａによって取得された脳検査結果Ｅを用いて判定を行う。

疾患診断結果判定部６は、例えば、脳検査結果判定部４によって判定された脳検査結果判定結果ＢのうちＭＭＳＥのスコアと、ＧＭ－ＢＨＱと、脳検査結果取得部１１ａによって取得されたＦＡ－ＢＨＱとを用いて疾患診断結果Ｄについて判定を行う。なお、脳検査結果判定結果Ｂのうち脳検査結果取得部１１ａによって取得される脳検査結果Ｅに対応する脳検査結果については、脳検査結果判定部４による判定が省略されてよい。

以上に説明したように、本変形例に係る疾患診断結果判定装置１ａでは、脳検査結果取得部１１ａを備える。脳検査結果取得部１１ａは、第２被験者Ｐ２に関する複数種類の脳検査のうち一部の脳検査が予め行われて得られた脳検査結果Ｅを取得する。疾患診断結果判定部６は、複数種類の脳検査のうち一部について、脳検査結果判定部４によって判定された第２被験者Ｐ２に関する脳検査の結果（本実施形態において、脳検査結果判定結果Ｂ）に代えて、脳検査結果取得部１１ａによって取得された脳検査結果Ｅを用いて判定を行う。
この構成により、本変形例に係る疾患診断結果判定装置１ａは、脳検査が予め行われて得られた脳検査結果が取得できる場合には、当該脳検査結果を判定に用いることができるため、実際の脳検査結果を用いて疾患の診断結果の判定精度を向上させることができる。
することができる。

上述したように、疾患診断結果判定装置１ａでは、ＭＲＩ画像の撮影などの脳検査を実際に行うことなく、健診データＭＣを用いて判定を行うことができる。一方、例えば、第１の機械学習において脳検査結果判定結果Ｂが脳検査の結果が良好でないことを示す場合、リスクの高い被験者だけに絞って該当する脳検査を実施して、当該脳検査の結果を判定に用いて判定精度を向上させてもよい。

（変形例２）
疾患診断結果判定装置による疾患診断結果がどのような過程を経て判定された結果であるのかを確認したい場合がある。変形例２では、疾患診断結果を判定するために用いられた脳検査結果判定結果を確認したい場合に、当該脳検査結果判定結果が提示される場合について説明する。

図６は、本変形例に係る疾患診断結果判定装置１ｂの構成の一例を示す図である。本変形理恵に係る疾患診断結果判定装置１ｂ（図６）と上述した実施形態に係る疾患診断結果判定装置１（図１）とを比較すると、脳検査結果出力部１３ｂ、及び提示部１０ｂが異なる。上述した実施形態と同一の構成については同一の符号を付して、同一の構成及び動作についてはその説明を省略する。

疾患診断結果判定装置１ｂは、第１学習結果取得部２と、健診データ取得部３と、脳検査結果判定部４と、第２学習結果取得部５と、疾患診断結果判定部６と、脳検査結果出力部１３ｂとを備える。
脳検査結果出力部１３ｂは、疾患診断結果判定部６が疾患診断結果Ｄを判定した後に判定プロセス情報Ｒを出力する。判定プロセス情報Ｒとは、当該疾患診断結果Ｄを判定するために用いられた第２被験者Ｐ２に関する脳検査の結果と当該疾患診断結果Ｄとの組である。

提示部１０ｂは、脳検査結果出力部１３ｂから出力される判定プロセス情報Ｒを、表示や印字などの提示手段により提示する。

図７は、本実施形態に係る疾患診断結果判定装置１ｂによる判定工程の一例を示す図である。なお、ステップＳ２１０からステップＳ２７０の各処理は、図３におけるステップＳ１０からステップＳ７０の各処理と同様であるため、説明を省略する。

ステップＳ２８０：脳検査結果出力部１３ｂは、判定プロセス情報Ｒを提示部１０ｂに出力する。ここで脳検査結果出力部１３ｂは、ステップ２７０において疾患診断結果判定部６が疾患診断結果Ｄを判定した後に判定プロセス情報Ｒを出力する。

以上に説明したように、本変形例に係る疾患診断結果判定装置１ｂでは、脳検査結果出力部１３ｂを備える。脳検査結果出力部１３ｂは、疾患診断結果判定部６が疾患の診断結果（本実施形態において、疾患診断結果Ｄ）を判定した後に、当該診断結果（本実施形態において、疾患診断結果Ｄ）を判定するために用いられた第２被験者Ｐ２に関する脳検査の結果（本実施形態において、脳検査結果判定結果Ｂ）と、当該診断結果（本実施形態において、疾患診断結果Ｄ）との組を出力する
この構成により、本変形例に係る疾患診断結果判定装置１ｂでは、疾患の診断結果を判定するのに用いられた脳検査の結果を確認できるため、判定のプロセスを確認することができる。上述したように、従来、深層学習の入力層から出力層への予測プロセスがブラックボックス化されており、深層学習を医療に応用する際の障壁となっていた。疾患診断結果判定装置１ｂでは、深層学習法の入力層から出力層が推定されるプロセスを可視化できる。

なお、上述した実施形態においては、脳検査の結果が複数種類の脳検査の結果からなる場合の一例について説明したが、これに限られない。脳検査の結果は、１種類（例えば、ＭＭＳＥの結果のみ）であってもよい。

なお、上述した実施形態においては、第１の機械学習及び第２の機械学習が深層学習である場合の一例について説明したが、これに限られない。第１の機械学習、及び第２の機械学習は、教師あり学習であれば他の機械学習が用いられてもよい。第１の機械学習と、第２の機械学習とにおいて互いに異なる種類の機械学習が用いられてもよい。

なお、上述した実施形態においては、疾患診断結果判定装置１が第１学習結果Ｌ１、及び第２学習結果Ｌ２を外部（第１学習結果供給部７、及び第２学習結果供給部８）から取得する場合の一例について説明したが、これに限られない。疾患診断結果判定装置１は、第１の機械学習、または第２の機械学習のうちいずれか、または両方を実行してもよい。疾患診断結果判定装置１は、第１学習部または第２学習部のうちいずれか、または両方を備えてもよい。当該第１学習部は、第１の機械学習を実行し、第１学習結果Ｌ１を第１学習結果取得部２に供給する。当該第２学習部は、第２の機械学習を実行し、第２学習結果Ｌ２を第２学習結果取得部５に供給する。

なお、上述した実施形態においては、疾患診断結果判定装置１、１ａ、１ｂが脳検査結果判定部４と疾患診断結果判定部６とを備え、疾患診断結果判定装置１、１ａ、１ｂが第１の機械学習と第２の機械学習とを実行する場合の一例について説明したが、これに限られない。第１の機械学習と第２の機械学習とがそれぞれ別の判定装置によって実行されてもよい。その場合、例えば、第１の機械学習を実行する判定装置は、第１学習結果取得部２と、健診データ取得部３と、脳検査結果判定部４とを備える。またその場合、第２の機械学習を実行する判定装置は、第２学習結果取得部５と、疾患診断結果判定部６とを備え、第１の機械学習を実行する判定装置から脳検査結果判定結果を取得して疾患診断結果を判定する。

ここで図８は、本実施形態に係る次世代型の予防医療モデルの一例を示す図である。従来の医療モデルでは病気に罹ってから医療機関を受診し治療（保険診療）を受けていた。これに対して、上述した実施形態に係る疾患診断結果判定装置１、１ａ、１ｂを用いることによって、被験者が健康な状態で毎年受ける健診データに基づいて疾患診断結果を判定できるため、被験者は健康な状態で当該疾患診断結果を参考にして生活習慣を改善することができる。これによって、疾病を予防できるので、健康寿命が延伸し、医療費も削減できる。

図９は、本実施形態に係る健康未来予測チャートの一例を示す図である。健康未来予測チャートとは、上述した実施形態に係る疾患診断結果判定装置１、１ａ、１ｂによる疾患診断結果に基づく疾病リスクを時間軸に対してプロットしたものである。この時間軸が示す時間は、健診データが取得された時点での時間である。
上述した実施形態に係る疾患診断結果判定装置１、１ａ、１ｂにおいて、深層学習に用いられるニューラルネットワークの出力層に対応する疾患診断結果の種類を変えることにより、様々な疾患を健診データから予測可能となる。さらに、健診データを長期間、継続的に取得し、取得した健診データを学習させることにより、各種疾患の疾病リスクの予測が可能となる。疾病リスクは生活習慣の介入により毎年変化するので、健康未来予測チャートによって生活介入効果の視覚化が可能となり、当該介入に対するインセンティブを上げることができる。

（実施例１）
次に上述した変形例２の実施例について説明する。本変形例では、図２に示したようなフィードフォワード型の深層学習のニューラルネットワークを用いた。本変形例では、入力層に入力される健診データＭＣとして血液検査データと年齢とを用いた。本変形例では、第１ニューラルネットワークの出力層から出力される脳検査結果判定結果ＢとしてＭＲＩによるＧＭ－ＢＨＱを用いた。１７９９例からなる脳ドックデータを用いて第１ニューラルネットワークによって学習を行った。交差検証により予測精度を検証した。

上述した脳ドックデータは、年齢と、血液検査データと、ＧＭ－ＢＨＱとの組を含む。当該脳ドックデータは、平均年齢６２．０±１３．１歳の１７９９名の脳ドック患者に関する脳ドックによる検査結果を示すデータである。大脳灰白質（ＧＭ）のＢＨＱであるＧＭ－ＢＨＱを脳の萎縮の程度を示す脳萎縮指標とした。ＧＭ－ＢＨＱは、３Ｔ－ＭＲ装置による撮像結果に基づいて測定された。

健診データＭＣとして用いた血液検査データは、以下の２６項目からなる。つまり、当該血液検査データは、総タンパク質（ＴＰ）、アルブミン、Ａ／Ｇ比、総ビリルビン、ＧＯＴ、ＧＰＴ、γ－ＧＴＰ、ＡＬＰ、ＷＢＣ、ＲＢＣ、Ｈｂ、Ｈｔ、ＰＬＴ、ＨＣＶ、総コレステロール、中性脂肪、ＨＤＬコレステロール、ＬＤＬコレステロール、ＬＤＬコレステロール計算値、血糖、ＨｂＡ１ｃ、Ｆｉｂｒｉｎｏｇｅｎ、尿素窒素（ＢＵＮ）、クレアチン（Ｃｒ）、尿酸、及びアミラーゼの２６項目からなる。

図１０は、本実施例に係るＧＭ－ＢＨＱの実測値（正解ラベル）と予測値との相関関係の一例を示す図である。なお、ＧＭ－ＢＨＱの実測値（正解ラベル）と予測値とは、変形例２において説明した疾患診断結果判定装置１ｂ（図６）が備える脳検査結果出力部１３ｂが出力する判定プロセス情報Ｒに相当する。

図１０（Ａ）は、入力層に入力される健診データＭＣに年齢を含めた場合の相関関係を示す。ＧＭ－ＢＨＱの実測値（正解ラベル）は、上述した１７９９例からなる脳ドックデータに含まれるＧＭ－ＢＨＱの値である。ＧＭ－ＢＨＱの予測値は、当該脳ドックデータを用いて学習を行った第１ニューラルネットワークに、健診データＭＣを入力して出力させたＧＭ－ＢＨＱの値である。

図１０（Ａ）に示す相関関係に対する相関係数は０．７０、かつｐ値は０．００１未満となり、実測値と予測値との間には有意の正相関が認められた。比較のために、図１０（Ｂ）に、当該健診データＭＣに年齢を含めなかった場合の相関関係を示す。図１０（Ｂ）に示す相関関係に対する相関係数は０．５８、かつｐ値は０．００１未満となり、健診データＭＣに年齢を含めなかった場合であっても、実測値と予測値との間には有意の正相関が認められた。

また、健診データＭＣに用いた血液検査データに含まれる２６項目について予測結果に対する重要度を算出した。図１１に重要度を、上位の１０項目について示す。予測結果に対する重要度は年齢の項目が最も高く、次いで尿素窒素の項目が高かった。

以上の結果は、深層学習（フィードフォワードネットワークを用いたディープニューラルネットワーク）を用いることにより、一般血液検査データから認知機能変化だけでなく、脳の構造的変化（脳萎縮）を予測できることを示しており、実施形態における疾患診断結果判定装置１、１ａ、１ｂによる２段階式の深層学習を認知症の診断に応用できることを示している。また、以上の結果は、脳の解剖学的構造が全身性代謝障害と密接に関連していることを示唆している。一般血液検査データに基づく脳の構造的変化と認知機能を、２段階式の深層学習によって予測することは、認知症のスクリーニング検査として応用できる可能性がある。

なお、上述した実施形態における疾患診断結果判定装置１、１ａ、１ｂの一部、例えば、脳検査結果判定部４、疾患診断結果判定部６、脳検査結果取得部１１ａ、及び脳検査結果出力部１３ｂをコンピュータで実現するようにしてもよい。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、疾患診断結果判定装置１、１ａ、１ｂに内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、上述した実施形態における疾患診断結果判定装置１、１ａ、１ｂの一部、または全部を、ＬＳＩ（ＬａｒｇｅＳｃａｌｅＩｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現してもよい。疾患診断結果判定装置１、１ａ、１ｂの各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。

以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。

本発明では、第１の機械学習と第２の機械学習とを用いるが、それぞれの機械学習（深層学習）のアルゴリズムは既存のアルゴリズム（フィードフォワードニューラルネットワークなど）を使用するので、アルゴリズム自体の開発は必要ない。また、日本脳ドック学会と連携することにより、健診データ、ＭＲＩなどの脳検査結果、及び専門医の診断がセットになった症例を多数集めることは困難ではない。
本発明を用いることによって、健診データを用いた認知症などの疾患の安価な大規模なスクリーニング検査が可能となる。本発明では健診データのみを使用する為、採血の必要がなく、スポーツジムなど非医療施設で利用したり、スマートフォンを使用したりするなど日常生活の中で認知症などの疾患のリスクを判定できる利点がある。
このような利点を生かし、本発明を最近発売されている認知症保険に組み合わせることにより、認知症の早期発見が可能となる。さらに、特定健診・特定保健指導（４０～７５歳未満の保険加入・扶養者対象）と組み合わせることにより、市町村から国レベルで認知症の発症を抑制したり、遅らせたりすることが可能になり、社会問題化している認知症対策にイノベーションを起こすものと考えられる。

１、１ａ、１ｂ…疾患診断結果判定装置、４…脳検査結果判定部、６…疾患診断結果判定部、Ｌ１…第１学習結果、Ｌ２…第２学習結果、ＭＣ…健診データ、Ｂ…脳検査結果判定結果、Ｄ…疾患診断結果

Claims

第１被験者に関する健診データと前記第１被験者に関する脳検査の結果との関係が予め学習された第１学習結果と、第２被験者に関する健診データとに基づいて、前記第２被験者に関する脳検査の結果を判定する脳検査結果判定部と、
第３被験者に関する脳検査の結果と前記第３被験者に関する疾患の診断結果との関係が予め学習された第２学習結果と、前記脳検査結果判定部によって判定された前記第２被験者に関する脳検査の結果とに基づいて、前記第２被験者に関する疾患の診断結果を判定する疾患診断結果判定部と、
を備える疾患診断結果判定装置。
前記脳検査の結果は、複数種類の脳検査の結果からなり、
前記第１学習結果は、前記複数種類の脳検査それぞれに対応する複数種類の学習結果からなり、
前記脳検査結果判定部は、前記複数種類の脳検査それぞれに対応する複数種類の学習結果と、前記第２被験者に関する健診データとに基づいて、前記第２被験者に関する前記複数種類の脳検査の結果をそれぞれ判定する
請求項１に記載の疾患診断結果判定装置。
前記第２被験者に関する前記複数種類の脳検査のうち一部の脳検査が予め行われて得られた脳検査結果を取得する脳検査結果取得部をさらに備え、
前記疾患診断結果判定部は、前記複数種類の脳検査のうち一部について、前記脳検査結果判定部によって判定された前記第２被験者に関する脳検査の結果に代えて、前記脳検査結果取得部によって取得された前記脳検査結果を用いて判定を行う
請求項２に記載の疾患診断結果判定装置。
前記脳検査結果判定部は、前記第２被験者に関する健診データのうちの一部として複数の第４被験者に関する健診データの統計量を用いて、前記第１学習結果と、前記第２被験者に関する健診データとに基づいて、前記第２被験者に関する脳検査の結果を判定する
請求項１から請求項３のいずれか一項に記載の疾患診断結果判定装置。
前記疾患診断結果判定部が前記診断結果を判定した後に、当該診断結果を判定するために用いられた前記第２被験者に関する脳検査の結果と当該診断結果との組を出力する脳検査結果出力部
をさらに備える請求項１から請求項４のいずれか一項に記載の疾患診断結果判定装置。
コンピュータにおいて実行される疾患診断結果判定方法であって、
前記コンピュータが、第１被験者に関する健診データと前記第１被験者に関する脳検査の結果との関係が予め学習された第１学習結果と、第２被験者に関する健診データとに基づいて、前記第２被験者に関する脳検査の結果を判定する脳検査結果判定ステップと、
前記コンピュータが、第３被験者に関する脳検査の結果と前記第３被験者に関する疾患の診断結果との関係が予め学習された第２学習結果と、前記脳検査結果判定ステップによって判定された前記第２被験者に関する脳検査の結果とに基づいて、前記第２被験者に関する疾患の診断結果を判定する疾患診断結果判定ステップと、
を有する疾患診断結果判定方法。
コンピュータに、
第１被験者に関する健診データと前記第１被験者に関する脳検査の結果との関係が予め学習された第１学習結果と、第２被験者に関する健診データとに基づいて、前記第２被験者に関する脳検査の結果を判定する脳検査結果判定ステップと、
第３被験者に関する脳検査の結果と前記第３被験者に関する疾患の診断結果との関係が予め学習された第２学習結果と、前記脳検査結果判定ステップによって判定された前記第２被験者に関する脳検査の結果とに基づいて、前記第２被験者に関する疾患の診断結果を判定する疾患診断結果判定ステップと、
を実行させるためのプログラム。