JP7807764B2 - うつ症状判定装置、判定モデル生成装置および学習データ生成方法 - Google Patents

Description

本発明は、うつ症状判定装置、判定モデル生成装置および学習データ生成方法に関し、特に、機械学習した判定モデルによって人のうつ症状を判定する装置、その判定モデルを生成する装置および機械学習に用いる学習データを生成する方法に関するものである。

従来、教師データにより学習した推定モデルによりうつ状態の有無または重症度を推定する技術が知られている（例えば、特許文献１：ＷＯ２０２０／１２２２２７号公報を参照）。この特許文献１には、各被験者の生体データから抽出される複数種類の特徴量を入力ベクトルとし、各被験者についての医師等の専門家によるうつ状態の有無の評価をラベルとする教師データを用いた機械学習により推定モデルを訓練することが開示されている。

また、特許文献１には、医師によるうつ病の診断として、うつ病の一般的な診断指標であるハミルトンうつ病評価尺度（ＨＡＭＤ：Hamilton Depression Scale）を用いること、および、ＨＡＭＤ１７による評価値のカットオフを７点とし、合計スコアが７点を超える場合にうつ病と判断することが示されている。ＨＡＭＤ１７は、医師等の専門家が１７項目の質問をして被験者から得た回答をもとに程度を評価し、各項目について３～５点で付けられるスコアの合計値（以下、ＨＡＭＤスコアという）が０～７点の場合は正常、８～１３点の場合は軽症、１４～１８点の場合は中等症、１９～２２点の場合は重症、２３点以上の場合は最重症のように診断を行うものである。

上記特許文献１に記載の技術では、ＨＡＭＤスコアを推定するように推定モデルを構成することにより、ＨＡＭＤスコアの推定値が７点以下の健常者と８点以上のうつ患者とを判別したり、うつ患者の重症度を推定したりすることが可能である。特許文献１では、推定モデルを用いたうつ状態の有無または重症度の推定結果と、ＨＡＭＤ１７を用いた医師による診断結果との相関が高いことが図４～図６を用いて説明されている。

しかしながら、実際にはうつ症状を有する被験者であっても、ＨＡＭＤスコアが７点以下となる場合もあるが、特許文献１に記載の推定モデルではこのような被験者を健常者と判定してしまう可能性があるという問題があった。ＨＡＭＤ１７を用いた医師による診断結果が７点以下となる被験者のデータに対して健常者のラベルを付けて推定モデルの機械学習が行われるからである。

本発明は、このような問題を解決するために成されたものであり、うつ評価尺度のスコアが高い被験者のみならず、うつ評価尺度のスコアが低い被験者についても、うつ症状を有することを機械学習済みの判定モデルによって判定できるようにすることを目的とする。

上記した課題を解決するために、本発明では、判定対象とする被験者が行った会話の特徴量をもとに算出された特徴ベクトルを機械学習済みの判定モデルに入力することにより、被験者のうつ症状を判定する。判定モデルは、うつ症状に関して所定の抽出条件および除外条件を満たす複数の被験者の特徴ベクトルを学習データとして用いて機械学習されている。ここで、抽出条件は、うつ病と診断されている被験者のうち所定のうつ評価尺度スコアがうつ用閾値以上の被験者、および、躁うつ病ともうつ病とも診断されていない被験者を抽出するという条件であり、除外条件は、躁うつ病と診断されている被験者、および、所定の躁うつ評価尺度スコアが躁うつ用閾値以上の被験者を除外するという条件である。

上記のように構成した本発明によれば、躁うつ病患が一時的にうつ状態となっているときにうつ評価尺度スコアがうつ用閾値以上となる被験者や、躁うつ病患が一時的に躁状態となっているときにうつ評価尺度スコアがうつ用閾値未満となる被験者の特徴ベクトルよる影響を受けずに機械学習された判定モデルによって、判定対象とする被験者のうつ症状を判定することができる。このため、一時的にうつ症状が出ているだけの状態での会話の特徴ではなく、一時的なものではなくその人の特性としてうつ症状を有している状態での会話の特徴をもとに、後者のような会話の特徴を持つ被験者のうつ症状を判定することができるようになる。これにより、うつ評価尺度スコアがうつ用閾値以上の被験者に加え、うつ評価尺度スコアがうつ用閾値未満の被験者についても、その被験者の会話の特徴をもとに、一時的ではないうつ症状を有していることを判定することが可能となる。

本実施形態によるうつ症状判定装置の機能構成例を示すブロック図である。 本実施形態による特徴ベクトル算出部の具体的な機能構成例を示すブロック図である。 本実施形態の指標値ベクトル算出部により算出される文章指標値群を説明するための図である。 本実施形態による判定モデル生成装置の機能構成例を示すブロック図である。 本実施形態による学習対象データ生成装置の機能構成例を示すブロック図である。 本実施形態のうつ症状判定装置を用いてうつ症状の判定を行った結果を示す図である。 本実施形態のうつ症状判定装置を用いてうつ症状の判定を行った結果を示す図である。 本実施形態の判定モデルが注視する特徴量と比較例として生成した判定モデルが注視する特徴量とを示す図である。 本実施形態による学習データ生成装置および判定モデル生成装置の機能構成例を示すブロック図である。

以下、本発明の一実施形態を図面に基づいて説明する。図１は、本実施形態によるうつ症状判定装置１の機能構成例を示すブロック図である。図１に示すように、本実施形態のうつ症状判定装置１は、機能構成として、判定対象データ入力部１１、特徴ベクトル算出部１２およびうつ症状判定部１３を備えている。また、本実施形態のうつ症状判定装置１には、記憶媒体としての判定モデル記憶部１４が接続されている。

上記機能ブロック１１～１３は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えば、上記機能ブロック１１～１３は、ＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成されたマイクロコンピュータの制御により、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記憶媒体に記憶されたプログラムが動作することによって実現される。ＣＰＵに代えてまたは加えてＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）またはＤＳＰなどを用いてもよい。

判定対象データ入力部１１は、うつ症状の判定対象とするｍ人（ｍは１以上の任意の整数）の被験者が行った会話の内容をそれぞれ表したｍ個の会話データを判定対象データとして入力する。本実施形態では会話データの一例として、会話の内容を表した文章の文字データを判定対象データとして入力する。

例えば、判定対象データ入力部１１は、うつ症状が未知の被験者と医師との間で行われた一連の会話の音声データを文字データに置換し、その中から被験者の発話部分の文字データを抜き出して判定対象データとして入力する。

被験者と医師との間の会話は、例えば、５～１０分程度の問診形式で行う。すなわち、医師が被験者に対して質問し、被験者がその質問に対して答えるといった形式の会話を繰り返し行う。そのときの会話をマイクより入力して録音し、人手による書き起こしまたは自動音声認識技術を用いて会話の音声データを文字データに置換する。

ここで、被験者と医師との間で複数回のやり取りが行われる場合、一連の会話の中に被験者および医師による発話部分が複数含まれることになる。本実施形態では一例として、この複数の発話部分の文字データをまとめて１つの文章として取り扱う。すなわち、一人の被験者の１回の会話（一連の対話）に対して、一般的に句点で区切られる１つの文（センテンス）を２つ以上含んだものを１つの文章として定義する。これは、判定対象データ入力部１１がｍ人の被験者の判定対象データを入力する場合、ｍ個の文章を入力することを意味する。

特徴ベクトル算出部１２は、判定対象データ入力部１１により入力された会話データの特徴量を算出してベクトル化することにより、特徴ベクトルを求める。会話データの一例として会話の内容を表した文章（文字データ）を用いる場合、特徴ベクトル算出部１２は、当該文章の特徴量を算出してベクトル化する。ベクトル化のための演算内容は任意であるが、例えば図２に示す方法により特徴ベクトルを算出することが可能である。

図２は、特徴ベクトル算出部１２の具体的な機能構成例を示すブロック図である。図２に示すように、特徴ベクトル算出部１２は、機能構成として、単語抽出部１２１、ベクトル算出部１２２および指標値ベクトル算出部１２３を備えている。ベクトル算出部１２２は、より具体的な機能構成として、文章ベクトル算出部１２２ａおよび単語ベクトル算出部１２２ｂを備えている。

単語抽出部１２１は、判定対象データ入力部１１により判定対象データとして入力されたｍ個の文章を解析し、当該ｍ個の文章からｎ個（ｎは２以上の任意の整数）の単語を抽出する。文章の解析方法としては、例えば、公知の形態素解析を用いることが可能である。ここで、単語抽出部１２１は、形態素解析によって分割される全ての品詞の形態素を単語として抽出するようにしてもよいし、特定の品詞の形態素のみを単語として抽出するようにしてもよい。

なお、ｍ個の文章の中には、同じ単語が複数含まれていることがある。この場合、単語抽出部１２１は、同じ単語を複数個抽出することはせず、１つのみ抽出する。すなわち、単語抽出部１２１が抽出するｎ個の単語とは、ｎ種類の単語という意味である。ここで、単語抽出部１２１は、ｍ個の文章から同じ単語が抽出される頻度を計測し、出現頻度が大きい方からｎ個（ｎ種類）の単語、あるいは出現頻度が閾値以上であるｎ個（ｎ種類）の単語を抽出するようにしてもよい。

ベクトル算出部１２２は、ｍ個の文章およびｎ個の単語から、ｍ個の文章ベクトルおよびｎ個の単語ベクトルを算出する。ここで、文章ベクトル算出部１２２ａは、単語抽出部１２１による解析対象とされたｍ個の文章をそれぞれ所定のルールに従ってｑ次元（ｑは２以上の任意の整数）にベクトル化することにより、ｑ個の軸成分から成るｍ個の文章ベクトルを算出する。また、単語ベクトル算出部１２２ｂは、単語抽出部１２１により抽出されたｎ個の単語をそれぞれ所定のルールに従ってｑ次元にベクトル化することにより、ｑ個の軸成分から成るｎ個の単語ベクトルを算出する。

本実施形態では、一例として、以下のようにして文章ベクトルおよび単語ベクトルを算出する。今、ｍ個の文章とｎ個の単語とから成る集合Ｓ＝＜ｄ∈Ｄ，ｗ∈Ｗ＞を考える。ここで、各文章ｄ_ｉ（ｉ＝１，２，・・・，ｍ）および各単語ｗ_ｊ（ｊ＝１，２，・・・，ｎ）に対してそれぞれ文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→（以下では、記号“→”はベクトルであることを指すものとする）を関連付ける。そして、任意の単語ｗ_ｊと任意の文章ｄ_ｉに対して、次の式(1)に示す確率Ｐ（ｗ_ｊ｜ｄ_ｉ）を計算する。

なお、この確率Ｐ（ｗ_ｊ｜ｄ_ｉ）は、例えば、文章や文書をパラグラフ・ベクトルにより評価することについて記述した論文「“Distributed Representations of Sentences and Documents”by Quoc Le and Tomas Mikolov, Google Inc, Proceedings of the 31st International Conference on Machine Learning Held in Bejing, China on 22-24 June 2014」に開示されている確率ｐに倣って算出することが可能な値である。この論文には、例えば、“the”、“cat”、“sat”という３つの単語があるときに、４つ目の単語として“on”を予測するとあり、その予測確率ｐの算出式が掲載されている。当該論文に記載されている確率ｐ（wt｜wt-k,・・・,wt+k）は、複数の単語wt-k,・・・,wt+kから別の１つの単語wtを予測したときの正解確率である。

これに対し、本実施形態で用いる式(1)に示される確率Ｐ（ｗ_ｊ｜ｄ_ｉ）は、ｍ個の文章のうち一の文章ｄ_ｉから、ｎ個の単語のうち一の単語ｗ_ｊが予想される正解確率を表している。１つの文章ｄ_ｉから１つの単語ｗ_ｊを予測するというのは、具体的には、ある文章ｄ_ｉが出現したときに、その中に単語ｗ_ｊが含まれる可能性を予測するということである。

式(1)では、ｅを底とし、単語ベクトルｗ→と文章ベクトルｄ→との内積値を指数とする指数関数値を用いる。そして、予測対象とする文章ｄ_ｉと単語ｗ_ｊとの組み合わせから計算される指数関数値と、文章ｄ_ｉとｎ個の単語ｗ_ｋ（ｋ＝１，２，・・・，ｎ）との各組み合わせから計算されるｎ個の指数関数値の合計値との比率を、一の文章ｄ_ｉから一の単語ｗ_ｊが予想される正解確率として計算している。

ここで、単語ベクトルｗ_ｊ→と文章ベクトルｄ_ｉ→との内積値は、単語ベクトルｗ_ｊ→を文章ベクトルｄ_ｉ→の方向に投影した場合のスカラ値、つまり、単語ベクトルｗ_ｊ→が有している文章ベクトルｄ_ｉ→の方向の成分値とも言える。これは、単語ｗ_ｊが文章ｄ_ｉに寄与している程度を表していると考えることができる。したがって、このような内積を利用して計算される指数関数値を用いて、ｎ個の単語ｗ_ｋ（ｋ＝１，２，・・・，ｎ）について計算される指数関数値の合計に対する、１つの単語ｗ_ｊについて計算される指数関数値の比率を求めることは、１つの文章ｄ_ｉからｎ個の単語のうち１つの単語ｗ_ｊが予想される正解確率を求めることに相当する。

なお、式(1)は、ｄ_ｉとｗ_ｊについて対称なので、ｎ個の単語のうち一の単語ｗ_ｊから、ｍ個の文章のうち一の文章ｄ_ｉが予想される確率Ｐ（ｄ_ｉ｜ｗ_ｊ）を計算してもよい。１つの単語ｗ_ｊから１つの文章ｄ_ｉを予測するというのは、ある単語ｗ_ｊが出現したときに、それが文章ｄ_ｉの中に含まれる可能性を予測するということである。この場合、文章ベクトルｄ_ｉ→と単語ベクトルｗ_ｊ→との内積値は、文章ベクトルｄ_ｉ→を単語ベクトルｗ_ｊ→の方向に投影した場合のスカラ値、つまり、文章ベクトルｄ_ｉ→が有している単語ベクトルｗ_ｊ→の方向の成分値とも言える。これは、文章ｄ_ｉが単語ｗ_ｊに寄与している程度を表していると考えることができる。

なお、ここでは、単語ベクトルｗ→と文章ベクトルｄ→との内積値を指数とする指数関数値を用いる計算例を示したが、指数関数値を用いることを必須とするものではない。単語ベクトルｗ→と文章ベクトルｄ→との内積値を利用した計算式であればよく、例えば、内積値そのもの（ただし、内積値が常に正の値となるようにするための所定の演算（例えば、内積値＋１）を行うことを含む）の比率により確率を求めるようにしてもよい。

次に、ベクトル算出部１２２は、次の式(2)に示すように、上記式(1)により算出される確率Ｐ（ｗ_ｊ｜ｄ_ｉ）を全ての集合Ｓについて合計した値Ｌを最大化するような文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→を算出する。すなわち、文章ベクトル算出部１２２ａおよび単語ベクトル算出部１２２ｂは、上記式(1)により算出される確率Ｐ（ｗ_ｊ｜ｄ_ｉ）を、ｍ個の文章とｎ個の単語との全ての組み合わせについて算出し、それらを合計した値を目標変数Ｌとして、当該目標変数Ｌを最大化する文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→を算出する。

ｍ個の文章とｎ個の単語との全ての組み合わせについて算出した確率Ｐ（ｗ_ｊ｜ｄ_ｉ）の合計値Ｌを最大化するというのは、ある文章ｄ_ｉ（ｉ＝１，２，・・・，ｍ）からある単語ｗ_ｊ（ｊ＝１，２，・・・，ｎ）が予想される正解確率を最大化するということである。つまり、ベクトル算出部１２２は、この正解確率が最大化するような文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→を算出するものと言える。

上述したように、本実施形態では、ベクトル算出部１２２は、ｍ個の文章ｄ_ｉをそれぞれｑ次元にベクトル化することにより、ｑ個の軸成分から成るｍ個の文章ベクトルｄ_ｉ→を算出するとともに、ｎ個の単語をそれぞれｑ次元にベクトル化することにより、ｑ個の軸成分から成るｎ個の単語ベクトルｗ_ｊ→を算出する。これは、ｑ個の軸方向を可変として、上述の目標変数Ｌが最大化するような文章ベクトルｄ_ｉ→および単語ベクトルｗ_ｊ→を算出することに相当する。

指標値ベクトル算出部１２３は、ベクトル算出部１２２により算出されたｍ個の文章ベクトルｄ_ｉ→とｎ個の単語ベクトルｗ_ｊ→との内積をそれぞれとることにより、ｍ個の文章ｄ_ｉおよびｎ個の単語ｗ_ｊ間の関係性を反映したｍ×ｎ個の関係性指標値を算出する。本実施形態では、指標値ベクトル算出部１２３は、次の式(3)に示すように、ｍ個の文章ベクトルｄ_ｉ→の各ｑ個の軸成分（ｄ₁₁～ｄ_mq）を各要素とする文章行列Ｄと、ｎ個の単語ベクトルｗ_ｊ→の各ｑ個の軸成分（ｗ₁₁～ｗ_nq）を各要素とする単語行列Ｗとの積をとることにより、ｍ×ｎ個の関係性指標値を各要素とする指標値行列ＤＷを算出する。ここで、Ｗ^ｔは単語行列の転置行列である。

このようにして算出された指標値行列ＤＷの各要素ｄｗ_ij（ｉ＝１，２，・・・，ｍ、ｊ＝１，２，・・・，ｎ）は、どの単語がどの文章に対してどの程度寄与しているのかを表したものと言える。例えば、１行２列の要素ｄｗ₁₂は、単語ｗ₂が文章ｄ₁に対してどの程度寄与しているのかを表した値である。これにより、指標値行列ＤＷの各行は文章の類似性を評価するものとして用いることが可能であり、各列は単語の類似性を評価するものとして用いることが可能である。

指標値ベクトル算出部１２３は、式(3)のように算出した指標値行列ＤＷ（ｍ×ｎ個の関係性指標値）を用いて、１つの文章ｄ_ｉについてｎ個の関係性指標値ｄｗ_ij（ｊ＝１，２，・・・，ｎ）から成る文章指標値群を指標値ベクトルとして特定する。そして、この特定した文章ｄ_ｉの指標値ベクトルを文章ｄ_ｉの特徴ベクトル、つまり被験者ｉの会話データの特徴ベクトルとして出力する。

図３は、文章指標値群（指標値ベクトル）を説明するための図である。図３に示すように、文章指標値群とは、例えば１つ目の文章ｄ_１の場合、指標値行列ＤＷの１行目に含まれるｎ個の関係性指標値ｄｗ₁₁～ｄｗ_1nがこれに該当する。同様に、２つ目の文章ｄ_２の場合、指標値行列ＤＷの２行目に含まれるｎ個の関係性指標値ｄｗ₂₁～ｄｗ_2nがこれに該当する。以下、ｍ個目の文章ｄ_ｍに関する文章指標値群（ｎ個の関係性指標値ｄｗ_m1～ｄｗ_mn）まで同様である。

なお、ここでは図３に示したように、指標値行列ＤＷにおける各列の文章指標値群により特徴ベクトルを構成する例について説明したが、これに限定されない。例えば、文章ベクトル算出部１２２ａにより算出される文章ベクトルを特徴ベクトルとして用いるようにしてもよい。

図１に戻って説明する。うつ症状判定部１３は、特徴ベクトル算出部１２により算出された特徴ベクトルを、判定モデル記憶部１４に記憶されている機械学習済みの判定モデルに入力することにより、被験者のうつ症状を判定する。この判定モデルは、判定対象の被験者がうつ患者であるか健常者であるかの２値を分類するモデルであり、特徴ベクトルを入力とし、うつ症状の有無を示す評価値を出力とするモデルである。

この判定モデルは、例えば勾配ブースティングの一手法であるＸＧＢｏｏｓｔなどのアンサンブル学習によって生成することが可能である。なお、判定モデルの形態はこれに限定されない。例えば、決定木、回帰木、ランダムフォレストなどの他の木モデルを用いてもよい。あるいは、ニューラルネットワークモデルやクラスタリングモデルなどを用いてもよい。

本実施形態の判定モデルは、うつ症状に関して所定の抽出条件および除外条件を満たす複数の被験者の特徴ベクトルを学習データとして用いて機械学習されている。抽出条件は、医師によりうつ病と診断されている被験者のうち所定のうつ評価尺度スコアがうつ用閾値以上の被験者、および、躁うつ病ともうつ病とも診断されていない被験者を抽出するという条件である。除外条件は、医師により躁うつ病と診断されている被験者、および、所定の躁うつ評価尺度スコアが躁うつ用閾値以上の被験者を除外するという条件である。

本実施形態において、うつ評価尺度の一例としてハミルトンうつ病評価尺度（ＨＡＭＤ１７）を用いる。上述したように、一般的にＨＡＭＤ１７では、ＨＡＭＤスコアが７点以下の場合は健常者、８点以上の場合はうつ患者（軽症、中等症、重症、最重症を含む）と診断される。本実施形態ではこれに倣い、抽出条件のうつ用閾値を８点とし、ＨＡＭＤスコアが８点以上の被験者と、躁うつ病ともうつ病とも診断されていない被験者とを抽出する。

また、本実施形態において、躁うつ評価尺度の一例としてヤング躁病評価尺度（ＹＭＲＳ：Young Mania Rating Scale）を用いる。ＹＭＲＳは、気分高揚や活動増加などを含む１１項目で構成されている臨床面接に基づく評価尺度である。本実施形態では、除外条件の躁うつ用閾値を８点とし、項目ごとに付けられるスコアの合計値（以下、ＹＭＲＳスコアという）が８点以上の被験者と、医師により躁うつ病と診断されている被験者とを除外して学習データを構成する。

本実施形態において、判定モデルは、上述の抽出条件および除外条件を満たす被験者のうち、うつ病と診断されている被験者を正例、うつ病と診断されていない被験者を負例として、各被験者の会話データから算出された特徴ベクトルを用いて機械学習されている。

図４は、本実施形態による判定モデル生成装置２の機能構成例を示すブロック図である。図４に示すように、本実施形態の判定モデル生成装置２は、機能構成として、学習対象データ入力部２１、特徴ベクトル算出部２２および判定モデル生成部２３を備えている。また、本実施形態の判定モデル生成装置２には、記憶媒体としての判定モデル記憶部２４および学習対象データ記憶部２５が接続されている。

上記機能ブロック２１～２３は、ハードウェア、ＤＳＰ、ソフトウェアの何れによっても構成することが可能である。例えば、上記機能ブロック２１～２３は、ＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成されたマイクロコンピュータの制御により、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記憶媒体に記憶されたプログラムが動作することによって実現される。ＣＰＵに代えてまたは加えてＧＰＵ、ＦＰＧＡ、ＡＳＩＣまたはＤＳＰなどを用いてもよい。

学習対象データ入力部２１は、うつ症状に関して所定の抽出条件および除外条件を満たす複数の被験者（以下、条件該当被験者という）が行った会話の内容をそれぞれ表した複数の会話データを学習対象データとして入力する。本実施形態では会話データの一例として、会話の内容を表した文章の文字データを学習対象データとして入力する。

学習対象データ入力部２１が複数の被験者の会話データを文章として入力するための処理内容は、図１に示した判定対象データ入力部１１と同様である。判定対象データ入力部１１との相違は、学習対象データ入力部２１が条件該当被験者に関する会話データを学習対象データとして入力する点である。

例えば、学習対象データ記憶部２５には、条件該当被験者の会話データ（会話の音声データでもよいし、それを文章化した文字データでもよい）が記憶されている。学習対象データ入力部２１は、学習対象データ記憶部２５から条件該当被験者の会話データを読み出すことによって、学習対象データを入力する。ここで、学習対象データ記憶部２５に音声データが記憶されている場合、学習対象データ入力部２１は、学習対象データ記憶部２５から読み出した会話の音声データを文字データに置換し、これを学習対象データとする。

この例において、学習対象データ記憶部２５に記憶される学習対象データは、例えば図５に示すように、学習対象データ生成部３１の機能を備えた学習対象データ生成装置３により生成される。図５に示す例において、会話データ記憶部３２には、条件該当被験者の会話データの他に、所定の抽出条件および除外条件を満たさない被験者（以下、条件非該当被験者という）の会話データ（会話の音声データでもよいし、それを文章化した文字データでもよい）が記憶されている。また、会話データ記憶部３２には、所定の抽出条件および除外条件を満たすか否かを判定するために必要な情報が会話データに関連付けて記憶されている。条件を満たすか否かを判定するために必要な情報は、被験者が医師によりうつ病または躁うつ病と診断されているか否かを示す情報、被験者のＨＡＭＤスコアおよびＹＭＲＳスコアである。ＨＡＭＤスコアおよびＹＭＲＳスコアは、会話データの録音時に評価を実施して得たものである。

学習対象データ生成部３１は、会話データ記憶部３２において会話データに関連付けて記憶されている情報に基づいて、条件該当被験者の会話データを会話データ記憶部３２から抽出することによって学習対象データを生成し、生成した学習対象データを学習対象データ記憶部２５に記憶させる。ここで、学習対象データ生成部３１は、抽出した条件該当被験者の会話データのうち、うつ病と診断されている被験者の会話データに対して正例のラベルを付与する一方、うつ病と診断されていない被験者の会話データに対して負例のラベルを付与する。

なお、会話データ記憶部３２に記憶されている会話データが音声データの場合、学習対象データ生成部３１は、会話データ記憶部３２から読み出した音声データを学習対象データとして学習対象データ記憶部２５に記憶させてもよいし、会話データ記憶部３２から読み出した音声データを文字データに置換し、当該文字データを学習対象データとして学習対象データ記憶部２５に記憶させてもよい。

なお、学習対象データの生成方法はこれに限定されない。例えば、所定の抽出条件および除外条件を満たす被験者のみを対象として会話の録音を行い、それにより得られる会話データを学習対象データとして学習対象データ記憶部２５に記憶させるようにしてもよい。

また、学習対象データ生成部３１の機能を学習対象データ入力部２１が備えるようにしてもよい。この場合、学習対象データ入力部２１は、学習対象データを生成する機能と入力する機能とを兼ね備える。すなわち、学習対象データ入力部２１は、会話データ記憶部３２に記憶されている複数の被験者の会話データの中から、条件該当被験者の会話データを抽出する（入力する）ことによって学習対象データを生成する。

図４に戻り、特徴ベクトル算出部２２は、学習対象データ入力部２１により入力された複数の会話データの特徴量を算出してベクトル化することにより、特徴ベクトルを求める。会話データの一例として会話の内容を表した文章（文字データ）を用いる場合、特徴ベクトル算出部２２は、当該文章の特徴量を算出してベクトル化する。ベクトル化のための処理内容は、図１に示した特徴ベクトル算出部１２と同様である。この特徴ベクトル算出部２２により算出された特徴ベクトルが、判定モデルを機械学習する際の学習データとして使われる。

なお、特許請求の範囲の学習データ生成方法は、学習対象データ生成部３１、学習対象データ入力部２１および特徴ベクトル算出部２２の処理により実現される。すなわち、学習対象データ生成部３１、学習対象データ入力部２１および特徴ベクトル算出部２２により学習データ生成部が構成される。

判定モデル生成部２３は、特徴ベクトル算出部２２により算出された特徴ベクトルを学習データとして用いて機械学習を行うことにより、特徴ベクトルをもとに被験者のうつ症状を判定するための判定モデルを生成する。上述したように、本実施形態では、条件該当被験者の会話データをもとに生成された学習対象データから算出された特徴ベクトルを学習データとして用いて機械学習を行う。

ここで、判定モデル生成部２３は、条件該当被験者の会話データのうち、正例のラベルが付された会話データ（うつ病と診断されている被験者の会話データ）から生成された特徴ベクトルを正例、負例のラベルが付された会話データ（うつ病と診断されていない被験者の会話データ）から生成された特徴ベクトルを負例として機械学習を行う。

そして、判定モデル生成部２３は、機械学習により生成した判定モデルを判定モデル記憶部２４に記憶させる。この判定モデル記憶部２４に記憶された判定モデルが、図１に示した判定モデル記憶部１４に記憶される。なお、図４に示す判定モデル記憶部２４は、図１に示した判定モデル記憶部１４と同じものとしてもよい。

以上ではうつ症状判定装置１と判定モデル生成装置２と別構成とする例について説明したが、一部を共用するようにしてもよい。例えば、特徴ベクトル算出部１２，２２は共用することが可能である。

以上のように、本実施形態では、ＹＭＲＳスコアが８点以上の被験者と、医師により躁うつ病と診断されている被験者とを除外して学習データを構成し、このように構成した学習データを用いて判定モデルの機械学習を行うようにしている。このような学習データにより機械学習される判定モデルは、躁うつ病患が一時的にうつ状態となっているときにＨＡＭＤスコアが８点以上となる被験者や、躁うつ病患が一時的に躁状態となっているときにＨＡＭＤスコアが８点未満となる被験者の会話データよる影響を受けずに機械学習された判定モデルと言える。

本実施形態では、このように構成された判定モデルによって、判定対象とする被験者のうつ症状を判定する。このため、一時的にうつ症状が出ているだけの状態での会話の特徴ではなく、一時的なものではなくその人の特性としてうつ症状を有している状態での会話の特徴をもとに、後者のような会話の特徴を持つ被験者のうつ症状を判定することができるようになる。これにより、ＨＡＭＤスコアが８点以上の被験者に限定する抽出条件によって学習データを生成しているにもかかわらず、ＨＡＭＤスコアが８点以上の被験者に加え、ＨＡＭＤスコアが８点未満の被験者についても、その被験者の会話の特徴をもとに、一時的ではないうつ症状を有していることを判定することが可能となる。

一般的に、うつ症状に関しての不安は２種類あると言われている。その１つは特性不安（Trait）、もう１つが状態不安（State）である。特性不安は、その人の性格などに由来し、不安になりやすい傾向を持つ性質のことを指し、時々の状況によってあまり変わるものではない。一方、状態不安とは、特定の時点や場面、出来事、対象物に対して抱く一時的な不安反応のことを指す。本実施形態の判定モデルによれば、特に特性不安（Trait）に起因するうつ症状の有無を判定するのに有効である。

なお、上記実施形態では、躁うつ病と診断されている被験者、および、所定の躁うつ評価尺度スコアが躁うつ用閾値以上の被験者の２つを除外条件とする例について説明したが、うつ評価尺度スコアがうつ用閾値よりも大きい第２うつ用閾値以上の被験者を除外条件更に加えてもよい。例えば、ＨＡＭＤスコアが１９点以上の被験者（重症以上のうつ患者）を除外するという条件を更に加えてもよい。

発明者らが確認したところ、ＨＡＭＤスコアが１９点以上の被験者の会話データから算出される特徴ベクトルは、ＨＡＭＤスコアが１８点以下の被験者の会話データから算出される特徴ベクトルとは大きく異なっている。そこで、ＨＡＭＤスコアが１９点以上の被験者の会話データを除外して学習データを生成し、これに基づいて判定モデルの機械学習を行ったところ、ＨＡＭＤスコアが１８点以下の被験者に対するうつ症状の判定精度が向上したことが確認された。

図６は、本実施形態のうつ症状判定装置１を用いて、ＨＡＭＤスコアが８点以上のうつ患者の会話データおよび健常者の会話データを判定対象としてうつ症状の判定を行った結果を示す図である。ここでは、ＨＡＭＤスコアが１９点以上の被験者を除外するという条件を加えて生成した学習データに基づいて機械学習した判定モデルにより判定を行った結果を示している（以下に示す図７、図８も同様である）。図６に示す通り、真陰性（ＴＮ）および真陽性（ＴＰ）の数に比べて偽陰性（ＦＮ）および偽陽性（ＦＰ）の数は非常に少なく、正解率は９０％、再現率は８９．２５％、適合率は９２．２２％となっている。

図７は、本実施形態のうつ症状判定装置１を用いて、ＨＡＭＤスコアが７点以下のうつ患者の会話データおよび健常者の会話データを判定対象としてうつ症状の判定を行った結果を示す図である。図７に示す通り、真陰性（ＴＮ）および真陽性（ＴＰ）の数に比べて偽陰性（ＦＮ）および偽陽性（ＦＰ）の数は非常に少なく、正解率は８８．５２％、再現率は９６．４３％、適合率は８７．３８％となっている。このように、ＨＡＭＤスコアが７点以下のうつ患者についても、うつ症状を精度高く判定できている。

ここで、ＨＡＭＤスコアが７点以下のうつ患者についてもうつ症状を精度高く判定できていることを確認するために、上述した抽出条件および除外条件を満たす被験者による会話の特徴ベクトルを用いて機械学習した判定モデルに対する比較例として、「ＨＡＭＤスコアが８点以上」という抽出条件を「ＨＡＭＤスコアが７点以下」に代えて抽出した被験者の特徴ベクトルを学習データとする機械学習によって判定モデルを生成した。このように、ＨＡＭＤスコアが７点以下の被験者の特徴ベクトルを正例として判定モデルを機械学習すれば、ＨＡＭＤスコアが７点以下の被験者のうつ症状を精度高く判定することが可能な判定モデルが生成される。

図８は、本実施形態の判定モデルが注視する特徴量（左側の図８（ａ））と、比較例として生成した判定モデルが注視する特徴量（右側の図８（ｂ））とを示す図である。ここで示す特徴量は、特徴ベクトル算出部１２により算出された特徴ベクトルの要素である。図８は、特徴ベクトルのどの要素がうつ症状の判定にどのような影響を与えたかを示す指標値として、公知のＳｈａｐ値を算出した結果を示している。

図８（ａ）と図８（ｂ）とを比較すれば分かるように、本実施形態の判定モデルがうつ症状を判定する際に注視する特徴量は、比較例の判定モデルがうつ症状を判定する際に注視する特徴量の多くと共通している（共通する特徴量に下線を付している）。このＳｈａｐ値の算出結果から、本実施形態の判定モデル生成装置２により生成した判定モデルにおいても、ＨＡＭＤスコアが７点以下のうつ患者のうつ症状を精度高く判定できることが推認可能である。

なお、上記実施形態では、一人の被験者の１回の会話に含まれる複数の発話部分の文字データをまとめて１つの文章として定義する例について説明したが、複数の発話部分の文字データを複数の文章として取り扱うようにしてもよい。この場合、判定モデルは、一人の被験者について複数の特徴ベクトルを入力してうつ症状を判定するモデルとして生成される。

また、上記実施形態では、会話データの一例として、会話の内容を表した文章を用い、図３に示した文章指標値群を特徴ベクトルとして用いる例について説明したが、特徴ベクトルはこれに限定されない。すなわち、被験者により行われた会話の内容または音声の特徴を表した複数の特徴量を要素とするベクトルであればよい。例えば、会話音声から複数種類の音響的特徴（ポーズ期間・ピッチ・エネルギー測定値などの韻律特徴、基本周波数・フォルマント周波数・平均ヒルベルト包絡線などの音声表音的特徴、各種のケプストラム係数など）を抽出して特徴ベクトルを生成するようにしてもよい。

また、上記実施形態では、上述したように、抽出条件のうつ用閾値としてＨＡＭＤスコアの８点（軽症と判断される最低値）を用いる例について説明したが、これに限定されない。例えば、ＨＡＭＤスコアの１４点（中等症と判断される最低値）を用いてもよい。また、上記実施形態では、除外条件の躁うつ用閾値としてＹＭＲＳスコアの８点を用いる例について説明したが、これに限定されない。

また、上記実施形態では、うつ評価尺度の一例としてハミルトンうつ病評価尺度（ＨＡＭＤ１７）を用い、躁うつ評価尺度の一例としてヤング躁病評価尺度（ＹＭＲＳ）を用いる例について説明したが、これに限定されない。例えば、ＨＡＭＤ１７に代えて、ハミルトン不安尺度（ＨＡＭＡ：Hamilton Anxiety Scale）、うつ病評価尺度（ＣＰＲＧ－Ｄ：CPRG Depression Rating Scale）、うつ病症候学評価尺度（ＩＤＳ：Inventoy of Depressive Symptomatology）などを用いてもよい。また、ＹＭＲＳに代えて、双極性うつ病評価尺度（ＢＤＲＳ：Bipolar Depression Rating Scale）、ＣＰＲＧ躁病評価尺度（ＣＰＲＧ－Ｍ：CPRG Mania Rating Scale）、躁病診断重症度尺度（ＭＡＤＳ：Manic Diagnostic and Severity Scale）などを用いてもよい。

また、上記実施形態では、うつ症状判定装置１が特徴ベクトル算出部１２を備える例について説明したが、これに限定されない。例えば、うつ症状判定装置１とは別の装置に特徴ベクトル算出部１２を備え、当該別の装置で生成された特徴ベクトルをうつ症状判定装置１が入力する構成としてもよい。

同様に、判定モデル生成装置２とは別の装置に特徴ベクトル算出部２２を備え、当該別の装置で生成された特徴ベクトルを判定モデル生成装置２が入力する構成としてもよい。例えば、図９に示すように、図９（ａ）に示す学習データ生成装置４と、図９（ｂ）に示す判定モデル生成装置２’とを備える構成とすることが可能である。

図９（ａ）に示すように、学習データ生成装置４は、機能構成として、学習対象データ生成部３１および特徴ベクトル算出部２２を備える。これらの機能は、図４および図５に示したものと同じである。特徴ベクトル算出部２２は、算出した特徴ベクトルを学習データとして学習データ記憶部４１に記憶させる。この場合、学習対象データ生成部３１および特徴ベクトル算出部２２により学習データ生成部が構成される。

図９（ｂ）に示すように、判定モデル生成装置２’は、機能構成として、学習データ入力部４２および判定モデル生成部２３を備える。判定モデル生成部２３の機能は、図４に示したものと同じである。学習データ入力部４２は、学習データ記憶部４１に記憶されている学習データ（特徴ベクトル）を入力する。判定モデル生成部２３は、学習データ入力部４２により入力された学習データを用いて機械学習を行うことによって判定モデルを生成する。

その他、上記実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これ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、本発明はその要旨、また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。

１ うつ症状判定装置
２，２’ 判定モデル生成装置
３ 学習対象データ生成装置
４ 学習データ生成装置
１１ 判定対象データ入力部
１２ 特徴ベクトル算出部
１３ うつ症状判定部
１４ 判定モデル記憶部
２１ 学習対象データ入力部
２２ 特徴ベクトル算出部
２３ 判定モデル生成部
２４ 判定モデル記憶部
２５ 学習対象データ記憶部
３１ 学習対象データ生成部
３２ 会話データ記憶部
４１ 学習データ記憶部
４２ 学習データ入力部
１２１ 単語抽出部
１２２ ベクトル算出部
１２２ａ 文章ベクトル算出部
１２２ｂ 単語ベクトル算出部
１２３ 指標値ベクトル算出部

Claims (8)

1. 判定対象とする被験者が行った会話の特徴量をもとに算出された特徴ベクトルを機械学習済みの判定モデルに入力することにより、上記被験者のうつ症状を判定するうつ症状判定部を備え、
   上記判定モデルは、うつ症状に関して所定の抽出条件および除外条件を満たす複数の被験者の上記特徴ベクトルを学習データとして用いて機械学習されており、
   上記抽出条件は、うつ病と診断されている被験者のうち所定のうつ評価尺度スコアがうつ用閾値以上の被験者、および、躁うつ病ともうつ病とも診断されていない被験者を抽出するという条件であり、
   上記除外条件は、躁うつ病と診断されている被験者、および、所定の躁うつ評価尺度スコアが躁うつ用閾値以上の被験者を除外するという条件である
   ことを特徴とするうつ症状判定装置。
2. 上記除外条件は、上記うつ評価尺度スコアが上記うつ用閾値よりも大きい第２うつ用閾値以上の被験者を更に除外するという条件であることを特徴とする請求項１に記載のうつ症状判定装置。
3. うつ症状に関して所定の抽出条件および除外条件を満たす複数の被験者が行った会話の特徴量をもとに算出された特徴ベクトルを用いて機械学習を行うことにより、上記特徴ベクトルをもとに上記被験者のうつ症状を判定するための判定モデルを生成する判定モデル生成部を備え、
   上記抽出条件は、うつ病と診断されている被験者のうち所定のうつ評価尺度スコアがうつ用閾値以上の被験者、および、躁うつ病ともうつ病とも診断されていない被験者を抽出するという条件であり、
   上記除外条件は、躁うつ病と診断されている被験者、および、所定の躁うつ評価尺度スコアが躁うつ用閾値以上の被験者を除外するという条件である
   ことを特徴とする判定モデル生成装置。
4. 上記除外条件は、上記うつ評価尺度スコアが上記うつ用閾値よりも大きい第２うつ用閾値以上の被験者を更に除外するという条件であることを特徴とする請求項３に記載の判定モデル生成装置。
5. 上記判定モデル生成部は、上記抽出条件および上記除外条件を満たす被験者のうち、うつ病と診断されている被験者を正例、うつ病と診断されていない被験者を負例として、各被験者の上記特徴ベクトルを用いて機械学習を行うことを特徴とする請求項３または４に記載の判定モデル生成装置。
6. 被験者のうつ症状を判定する判定モデルを機械学習する際に用いる学習データを生成する方法であって、
   コンピュータの学習データ生成部が、上記うつ症状に関して設定された所定の抽出条件および除外条件を満たす複数の被験者が行った会話の内容をそれぞれ表した複数の会話データを抽出して上記学習データを生成するステップを有し、
   上記抽出条件は、うつ病と診断されている被験者のうち所定のうつ評価尺度スコアがうつ用閾値以上の被験者、および、躁うつ病ともうつ病とも診断されていない被験者を抽出するという条件であり、
   上記除外条件は、躁うつ病と診断されている被験者、および、所定の躁うつ評価尺度スコアが躁うつ用閾値以上の被験者を除外するという条件である
   ことを特徴とする学習データ生成方法。
7. 上記除外条件は、上記うつ評価尺度スコアが上記うつ用閾値よりも大きい第２うつ用閾値以上の被験者を更に除外するという条件であることを特徴とする請求項６に記載の学習データ生成方法。
8. 上記学習データは、上記抽出条件および上記除外条件を満たす被験者のうち、うつ病と診断されている被験者に対して正例のラベルを付与し、うつ病と診断されていない被験者に対して負例のラベルを付与して成ることを特徴とする請求項６または７に記載の学習データ生成方法。