JP7826066B2 - 医用情報処理装置及び医用情報学習装置 - Google Patents

Description

本明細書及び図面に開示の実施形態は、医用情報処理装置及び医用情報学習装置に関する。

疾患の分類や関係性などを医学知識として体系化してデータベースを構築することで、複雑な疾患の理解、研究仮説の発掘、診療支援等に活用することが期待できる。例えば、医療分野では、疾患の分類体系であるＩＣＤ－１０、医療用語間の意味関係を記述したＳＮＯＭＥＤ－ＣＴ等の医療オントロジが整備されてきている。また、近年では、複数の診療事象間の関係性を表現できるグラフ構造を用いたデータ解析手法が注目されている。

医療オントロジやグラフ構造は、診療事象間の関係性について表現できる一方で、必ずしも同じ構造を用いて、患者間での異なる事象を説明できるとは限らない。

特開２０１８－１７０００４号公報 特開２０１８－０６７３０３号公報

本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、患者間の個人差を可視化することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。

実施形態に係る医用情報処理装置は、取得部、記憶部、算出部及び表示制御部を有する。取得部は、１以上の対象患者の背景因子に関する患者背景情報を取得する。記憶部は、診療事象に対応するノードと当該ノード間の関係性を表すエッジとを有する医療知識グラフを記憶する部であって、前記医療知識グラフのグラフ特徴量は、患者背景情報に特徴付けられた数理モデルにより表現される。算出部は、前記対象患者の患者背景情報と前記数理モデルとに基づいて、前記対象患者に関する前記グラフ特徴量の揺らぎを算出する。表示制御部は、前記グラフ特徴量の前記揺らぎを表示する。

図１は、本実施形態に係る医用情報システムの構成例を示す図である。 図２は、医療知識グラフの概念図である。 図３は、医療知識グラフの具体例を示す図である。 図４は、患者背景と患者グラフとの関係性の概念を示す図である。 図５は、図１に示す医用情報学習装置の構成例を示す図である。 図６は、本実施形態に係る機械学習モデルの入出力を示す図である。 図７は、本実施形態に係る機械学習モデルに関与する要素のうちの揺らぎを有する要素を示す図である。 図８は、揺らぎを表す数理モデルの類型を示す図である。 図９は、図５に示す医用情報学習装置による学習処理の流れを示す図である。 図１０は、図９のステップＳＡ２に係るエッジ特徴量に関する数理モデルの概要を示す図である。 図１１は、図９のステップＳＡ２における、グレンジャー因果推定を用いたエッジ特徴量の決定処理を模式的に示す図である。 図１２は、エッジ特徴量ＤＢの一例を示す図である。 図１３は、図９のステップＳＡ３に係るノード特徴量及び学習パラメータに関する数理モデルの概要を示す図である。 図１４は、図９のステップＳＡ３における、機械学習によるノード特徴量及び学習パラメータに関する数理モデルのパラメータの決定処理を模式的に示す図である。 図１５は、ノード特徴量ＤＢの一例を示す図である。 図１６は、重みパラメータＤＢの一例を示す図である。 図１７は、図１に示す医用情報処理装置の構成例を示す図である。 図１８は、図１７に示す医用情報処理装置による揺らぎ表示処理の流れを示す図である。 図１９は、図１８のステップＳＢ４において表示される揺らぎの表示画面の一例を示す図である。 図２０は、心不全に該当する全ての患者が対象患者に指定された場合の揺らぎの表示画面を示す図である。 図２１は、患者背景因子毎の揺らぎの表示画面を示す図である。 図２２は、治療－反応グラフ及び揺らぎの表示画面を示す図である。 図２３は、応用例１に係るグラフ特徴量の概要を表す図である。 図２４は、応用例２に係るグラフ特徴量の概要を表す図である。 図２５は、応用例２に係る機械学習モデルのネットワーク構成例を示す図である。 図２６は、応用例４に係る患者グラフと空間情報との関係性を模式的に示す図である。 図２７は、応用例４に係る患者グラフネットワークの概念を示す図である。 図２８は、応用例５に係るグラフ特徴量の概要を表す図である。

以下、図面を参照しながら、医用情報処理装置及び医用情報学習装置の実施形態について詳細に説明する。

図１は、本実施形態に係る医用情報システム１００の構成例を示す図である。医用情報システム１００は、診療情報保管装置１、医療知識グラフ保管装置２、医用情報学習装置３及び医用情報処理装置４を有するコンピュータネットワークシステムである。診療情報保管装置１、医療知識グラフ保管装置２、医用情報学習装置３及び医用情報処理装置４は、相互に通信可能にネットワークに接続されている。

診療情報保管装置１は、複数の患者の診療情報等を保管する記憶装置を有するコンピュータである。医療知識グラフ保管装置２は、医療知識グラフ等を保管する記憶装置を有するコンピュータである。医療知識グラフは、複数の患者の診療情報や医療オントロジといった医学的知見に基づいて生成されたグラフ構造で表現される。以下、医療知識グラフは、グラフであることを前提とする。医用情報学習装置３は、医療知識グラフを用いて医学的判断情報を推定する機械学習モデルを訓練するコンピュータである。また、医用情報学習装置３は、医療知識グラフのグラフ特徴量を規定する数理モデルを訓練する。医用情報処理装置４は、患者間のグラフ特徴量等の揺らぎを算出して提示するコンピュータである。

図２は、医療知識グラフ２０の概念図である。医療知識グラフ２０は、医療知識と複数の患者の診療情報とを融合したグラフである。診療情報は、ある患者に対する診療により生成された情報である。診療情報は、診療事象に関する情報（以下、診療事象情報と呼ぶ）と疾患に関する情報（以下、疾患情報と呼ぶ）と患者の背景因子に関する情報（以下、患者背景情報と呼ぶ）に分類される。診療事象の種類は、例えば、症状、所見、治療及び反応の４種のカテゴリに分けられる。症状は、疾患により生じる心身の変化である。具体的には、症状に関する診療事象の種類としては、例えば、むくみや動機、息切れ等がある。所見は、症状に対する医師の判断である。所見は、更に身体所見のカテゴリと検査所見のカテゴリとに分けられてもよい。治療は、症状を治す又は軽快するための医療行為である。治療に関する診療事象の種類としては、例えば、強心薬の投与、ＣＲＴ埋め込み手術等がある。反応は、治療に対応する患者の心身の反応である。反応は、更に治療反応のカテゴリと副作用のカテゴリとに分けられてもよい。反応に関する診療事象の種類としては、例えば、利尿剤の投与に対して、４０ｍＬ／ｈ以上の利尿ありや電解質異常あり等がある。疾患情報は、当該患者が該当する疾患に関する名称又は記号に関する情報である。患者背景情報は、患者の診療事象情報の大部分に広く影響を及ぼしたり、診療事象情報間の関係に対して交互作用項として働いたりする情報である。診療事象情報と患者背景情報とは、時間情報の有無や変化の頻度を基準に割り付けてもよい。典型的には、患者背景情報は、時間情報を有さない情報であるとする。時間情報を有さない患者背景情報の因子である患者背景因子としては、例えば、性別や身長、体重、ＢＭＩ、生活習慣、病歴、手術歴等が挙げられる。

診療情報は、病院情報システム（ＨＩＳ：Hospital Information System）や放射線情報システム（ＲＩＳ：Radiology Information System）、ＰＡＣＳ（Picture Archiving and Communication System）等の種々の病院情報システムにより収集される。診療情報に含まれる各診療事象情報及び疾患情報は当該情報の発生日が関連付けられている。

図２に示すように、医療知識グラフ２０は、複数のノード２１と複数のエッジ２２とにより構築されるグラフである。ノード２１は診療事象に対応する。エッジ２２はノード２１間の関係性を示す。すなわち、エッジ２２は、接続されるノード２１に対応する診療事象間の関係性を示している。診療事象間の関係性とは、診療事象間の因果関係や相関関係を意味する。因果関係は、診療事象間に存在する原因と結果の関係を意味し、相関関係は、因果関係のない関係性を意味する。すなわち、因果関係を表すエッジ２２は有向であり、相関関係を表すエッジ２２は無向である。エッジ２２は、異なるカテゴリに属する診療事象間を結ぶことも可能である。医療知識グラフ２０に用いる診療事象は、診療情報保管装置１に保管されている診療情報から、医療知識や医療オントロジ等に基づいて取捨選択される。ある診療事象と他の診療事象との関係性が医療知識や医療オントロジ等に基づいて解析され、関係性が認められた場合、当該２つの診療事象に対応する２つのノード２１間がエッジ２２で結ばれる。

医療知識グラフ２０は、疾患という診療事象に対応するノードを有しない。対象患者に生じた症状、所見、治療及び反応の一連の診療事象の集合から、ある特定の疾患が抽出される。すなわち、医療知識グラフ２０は、個々の疾患を、症状、所見、治療及び反応の一連の診療事象の関係性の連鎖で表現する。医療知識グラフ２０は、症状、所見、治療及び反応の一連の診療事象の関係性の連鎖を記述する、疾患概念を表すグラフであるともいえる。

図３は、医療知識グラフの具体例を示す図である。図３に示す医療知識グラフは、医療知識グラフに対象患者の診療事象情報を写像したグラフである。対象患者の診療事象情報が写像された医療知識グラフは患者グラフとも呼ばれる。図３に示す医療知識グラフは、一例として、症状カテゴリに属する診療事象に限定した症状グラフを示している。図３に示すように、症状グラフは、症状を表すノードと、症状間の関係性を示すエッジとを含むグラフを表している。ノードの色濃度は、当該診療事象に対する対象患者の該当の程度を表している。このように、医療知識グラフは、対象患者に生じた一連の診療事象の関係性の連鎖を記述しており、この一連の診療事象の関係性の連鎖から、対象患者が罹患している可能性のある疾患等の医学的判断を得ることが可能である。

同一の疾患であっても、診療事象間の関係性の有無又は強弱は個々の患者の背景に応じて異なる。患者背景を考慮せずに当該患者の疾患を推定しても必ずしも適切な結果を得ることはできない。

図４は、患者背景と患者グラフとの関係性の概念を示す図である。図４に示すように、患者背景は、ノードやエッジとは異なり、患者グラフに全体的に影響を及ぼすものである。患者Ａと患者Ｂとで同一の患者グラフが構築された場合であっても、性別や年齢、ＢＭＩ、病歴等の患者背景が異なる場合がある。このように、患者Ａと患者Ｂとで患者グラフが同一であっても、患者背景が異なれば、両患者グラフから異なる医学的判断を導き出せる余地がなければならない。これは、患者グラフが、患者背景というコンテクスト（文脈）に乗ることで、患者グラフのノード及び／又はエッジの一部が修飾されて変異することに相当する。本実施形態に係る医用情報システム１００は、異なる患者背景間での修飾度合いを揺らぎとして提示する。

図５は、本実施形態に係る医用情報学習装置３の構成例を示す図である。図５に示すように、医用情報学習装置３は、処理回路３１、メモリ３２、入力インタフェース３３、通信インタフェース３４及びディスプレイ３５を有する。

処理回路３１は、ＣＰＵ（Central Processing Unit）及びＧＰＵ（Graphics Processing Unit）等のプロセッサを有する。処理回路３１は、学習プログラムを実行することにより、取得機能３１１、学習機能３１２及び表示制御機能３１３等を実現する。なお、各機能３１１～３１３は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能３１１～３１３を実現するものとしても構わない。また、機能３１１～３１３は、それぞれ、学習プログラムを構成するモジュール化されたプログラムであってもよいし、個別のプログラムであってもよい。これらプログラムはメモリ３２に記憶される。

取得機能３１１の実現により、処理回路３１は、種々の情報を取得する。例えば、処理回路３１は、複数の患者の背景因子に関する患者背景情報を、診療情報保管装置１から取得する。また、処理回路３１は、医療知識グラフを医療知識グラフ保管装置２から取得する。医療知識グラフは、上記の通り、診療事象に対応するノードと当該ノード間の関係性を表すエッジとを有する。医療知識グラフのグラフ特徴量は、患者背景情報を含む数理モデルにより特徴付けられる。

学習機能３１２の実現により、処理回路３１は、複数の患者の患者背景情報と数理モデルとに基づいて当該数理モデルのパラメータを決定する。また、処理回路３１は、医療知識グラフから医学的判断情報を推定する機械学習モデルの学習パラメータを訓練する。学習パラメータは、患者背景情報を含む数理モデルにより特徴付けられる。処理回路３１は、学習パラメータと共に、複数の患者の患者背景情報と数理モデルとに基づいて当該数理モデルのパラメータを決定する。処理回路３１は、複数の患者の患者背景情報に基づく統計解析又は機械学習により数理モデルのパラメータを決定する。

表示制御機能３１３の実現により、処理回路３１は、種々の情報をディスプレイ３５に表示する。

メモリ３２は、種々の情報を記憶するＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、集積回路記憶装置等の記憶装置である。メモリ３２は、上記記憶装置以外にも、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、フラッシュメモリ等の可搬型記憶媒体や、半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ３２は、医用情報学習装置３にネットワークを介して接続された他のコンピュータ内にあってもよい。例えば、メモリ３２は、医療知識グラフ保管装置２から取得された医療知識グラフを記憶する。また、メモリ３２は、機械学習モデルを記憶する。

入力インタフェース３３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路３１に出力する。具体的には、入力インタフェース３３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の入力機器に接続されている。入力インタフェース３３は、当該入力機器への入力操作に応じた電気信号を処理回路３１へ出力する。また、入力インタフェース３３に接続される入力機器は、ネットワーク等を介して接続された他のコンピュータに設けられた入力機器でも良い。

通信インタフェース３４は、医用情報システム１００に含まれる診療情報保管装置１、医療知識グラフ保管装置２及び医用情報処理装置４等の他のコンピュータとの間で種々の情報を送受信するためのインタフェースである。

ディスプレイ３５は、処理回路３１の表示制御機能３１３に従い種々の情報を表示する。ディスプレイ３５としては、例えば、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、ＣＲＴ（Cathode Ray Tube）ディスプレイ、有機ＥＬディスプレイ（ＯＥＬＤ：Organic Electro Luminescence Display）、プラズマディスプレイ又は他の任意のディスプレイが適宜使用可能である。また、ディスプレイ３５の代わり又はディスプレイ３５と併用して、プロジェクタが設けられてもよい。

次に、学習プログラムに従い処理回路３１により実行される学習処理について説明する。まず、学習処理において使用される機械学習モデルについて説明する。

本実施形態に係る機械学習モデルは、対象患者の診療事象情報が写像された患者グラフから当該対象患者の医学的判断情報を推定するニューラルネットワークである。医学的判断情報は、疾患分類情報、予後予測情報及び重症度分類情報のうちの少なくとも１つの医学的判断に関する情報である。以下の実施例において医学的判断情報は疾患分類情報であるとする。

図６は、本実施形態に係る機械学習モデルの入出力を示す図である。図６に示すように、機械学習モデルは、対象患者の診療事象情報が写像された患者グラフを入力して疾患分類情報を出力するように学習パラメータが訓練されたニューラルネットワークである。機械学習モデルは、グラフ畳込み層６１、読出し層６２及び線形結合層６３を有する。

患者グラフは、対象患者の診療事象情報を医療知識グラフに写像することにより生成される。診療事象情報は、診療事象の種類と当該診療事象の特徴量との組合せを有する情報である。診療事象の特徴量は、例えば、当該診療事象に対象患者が該当する程度、当該診療事象の発生順序、当該診療事象の発生回数及び当該診療事象の発生程度の少なくとも一種を含む。なお、該当の程度は、該当又は非該当の２値が典型的であるが、該当の程度を示す３以上の離散値又は連続値により定義されてもよい。

上記の通り、医療知識グラフは、複数のノードと複数のエッジとにより構築されるグラフである。医療知識グラフは、グラフ特徴量を有している。グラフ特徴量は、ノードの種類、ノードの値、エッジの種類及びエッジの値を含む。ノードの種類は、診療事象の種類又はカテゴリである。ノードの値は、ノードに写像された診療事象の特徴量である。すなわち、ノードの値は、当該診療事象に対象患者が該当する程度、当該診療事象の発生順序、当該診療事象の発生回数及び当該診療事象の発生程度等である。ノードの種類及び値を総称してノード特徴量と呼ぶ。エッジの種類は、因果の方向（有向グラフの場合）、接続している２つのノードの種類の組合せである。エッジの値は、因果・相関の程度である。因果・相関の程度は、有り（有向）又は無し（無向）の２値が典型的であるが、その程度を示す３以上の離散値又は連続値により定義されてもよい。エッジの種類及び値を総称してエッジ特徴量と呼ぶ。患者グラフは、診療事象情報が医療知識グラフに写像されたグラフであるので、グラフ特徴量を有することとなる。

なお、本実施形態において「種類」と「値」とは明確に区別する必要はない。例えば、ノードやエッジの値を閾値に対して比較することにより種類又はカテゴリに分類してもよい。

グラフ畳込み層６１は、畳み込み前の患者グラフを入力して畳み込み後の患者グラフを出力するグラム畳み込みネットワーク（ＧＣＮ：Graph Convolutional Network）である。グラフ畳み込み層６１は、畳み込み前の患者グラフに畳み込み処理を実行し、畳み込み前のグラフ特徴量から畳み込み後のグラフ特徴量を算出する。処理対象ノードの畳み込み後のグラフ特徴量は、処理対象ノードの畳み込み前のグラフ特徴量と、処理対象ノードにエッジを介して接続されたノード（以下、隣接ノードと呼ぶ）の畳み込み前のグラフ特徴量と、グラフ畳み込み層６１の重みパラメータとに基づいて算出される。グラフ畳み込み層６１の重みパラメータは、医用情報学習装置３により訓練される学習パラメータの一例である。

読出し層６２は、畳み込み後の患者グラフ２０Ｂのグラフ特徴量を特徴ベクトル２０Ｃに変換するネットワーク層である。特徴ベクトル２０Ｃは、畳み込み後の患者グラフ２０Ｂに含まれるノードの個数と同数の次元数を有するベクトルである。

線形結合層６３は、特徴ベクトル２０Ｃを疾患分類情報７１に変換するネットワーク層である。線形結合層６３は、多層パーセプトロン（ＭＬＰ：Multilayer Perceptron）とも呼ばれる。線形結合層６３は、クラス分類タスク又は回帰タスクを行う。クラス分類タスクは、該当の疾患の有無を判別する２クラス分類でもよいし、複数の疾患候補の中から１つの疾患を特定する多クラス分類でもよい。同じデータセットに対して複数のラベルを許容するマルチラベル分類でもよい。回帰タスクは、該当の１又は複数の疾患各々に該当する確率を示す数値を出力する。

本実施例において線形結合層６３は、特徴ベクトル２０Ｃを、複数の疾患にそれぞれ対応する複数のクラスに分類する多クラス分類を実行する分類器を有する。多クラス分類においては、特徴ベクトル２０Ｃが各疾患（クラス）に属する確率を出力するソフトマックス関数の演算が実行される。この各疾患に属する確率が疾患分類情報７１として出力される。例えば、図６に示すように、疾患「心不全」に該当している確率、疾患「腎不全」に該当している確率、疾患「ＣＯＰＤ」に該当している確率等が疾患分類情報７１として出力される。疾患分類情報７１のうちの各疾患の該当確率は、畳み込み後の特徴ベクトル２０Ｃと線形結合層６３の重みパラメータとに基づいて算出される。線形結合層６３の重みパラメータは、医用情報学習装置３により訓練される学習パラメータの一例である。

患者間の患者背景が異なることに起因する揺らぎは、図６に示す機械学習モデルを利用した疾患分類情報の推定処理にも現れる。

図７は、本実施形態に係る機械学習モデルに関与する要素のうちの揺らぎを有する要素を示す図である。図７に示すように、揺らぎを有する要素としては、ノードの種類、ノードの値、エッジの種類及びエッジの値を含むグラフ特徴量である。例えば、ノードの種類及び値等のノード特徴量は、診療事象に基づく値であるが、診療事象の発生の有無及び程度等は、現実的には患者背景に影響を受けている。これに起因して、エッジの種類及び値等のエッジ特徴量も、患者背景に影響を受けている。揺らぎを有する他の要素としては、グラフ畳み込み層６１の重みパラメータや線形結合層６３の重みパラメータ等もある。

図８は、揺らぎを表す数理モデルの類型を示す図である。図８に示すように、揺らぎを表す数理モデルは、固定効果モデル、層別化モデル、混合モデル及び関数化モデルがある。固定効果モデルは、個々の患者を区別せず、患者の値を、患者の値＝真値＋誤差で表す。固定効果モデルは、個人差及び群間差を説明することができない。層別化モデルは、１以上の背景因子に関する患者背景情報で層別化した数理モデルである。層別化モデルは、個々の患者を区別し、Ａ患者の値を、Ａ患者の値＝Ａ患者の真値＋誤差で表し、男性患者群（以下、単に男性）の値を、男性の値＝男性の真値＋誤差で表す。なお、「値」は、グラフ特徴量や重みパラメータの値等の揺らぎの生じる値を意味する。層別化モデルは、個人差及び群間差を少し説明することができる。混合モデルは、１以上の背景因子に関する患者背景情報による変量効果に基づく数理モデルである。混合モデルは、階層モデルとも呼ばれる。混合モデルは、Ａ患者の値を、Ａ患者の値＝真値＋Ａ患者の変量効果＋誤差で表し、男性の値を、男性の値＝真値＋男性の変量効果＋誤差で表す。混合モデルは、個人差及び群間差を良く説明することができる。関数化モデルは、１以上の背景因子に関する患者背景情報によって一意に値が定まる関数に基づく数理モデルである。関数化モデルは、Ａ患者の値を、Ａ患者の値＝真値＋Ａ患者のバイアス＋誤差で表す。関数化モデルは、個人差を完全に説明することができる。

次に、学習プログラムに従い処理回路３１により実行される学習処理について説明する。

図９は、学習処理の流れを示す図である。図９に示すように、処理回路３１は、取得機能３１１の実現により、複数の患者各々の患者背景情報及び診療事象情報を取得する（ステップＳＡ１）。

ステップＳＡ１が行われると処理回路３１は、学習機能３１２の実現により、患者背景情報と診療事象情報と数理モデルとに基づく統計解析により、医療知識グラフのエッジ特徴量に関する数理モデルのパラメータを決定する（ステップＳＡ２）。本実施形態に係る数理モデルは、層別化モデル、混合モデル（階層モデル）及び関数化モデルの何れかで表される。

図１０は、エッジ特徴量に関する数理モデルの概要を示す図である。図１０に示すように、エッジ特徴量ｅ_ｉは、下記（１）式の通り、患者背景情報Ｚを説明変数とする数理モデルｆにより一般化される。患者背景情報Ｚは、患者背景因子Ｚ_１、Ｚ_２、…を有する。個々の患者背景因子は、例えば、年齢や性別、ＢＭＩ等である。

e_i＝f（Ｚ₁,Ｚ₂,…) （１）

ここで、数理モデルｆは、関数化モデルで表すものとする。この場合、数理モデルｆは、患者背景情報に依存しない固定効果項と患者背景因子によって特徴付けられる変量効果項との組合せからなる。

エッジ特徴量に関する数理モデルのパラメータを決定するための統計解析手法としては、分散分析、グレンジャー（Granger）因果推定又は因果効果推定が用いられる。一例として、グレンジャー因果推定によるモデルパラメータの決定方法について説明する。

図１１は、グレンジャー因果推定を用いたエッジ特徴量の決定処理を模式的に示す図である。図１１に示すように、診療事象ｘから診療事象ｙへの因果は、有向グラフにおける診療事象ｘから診療事象ｙへのエッジで表すことができる。ここでは、診療事象ｘから診療事象ｙへのエッジのエッジ特徴量、例えば、エッジの有無の決定を想定する。診療事象ｘから診療事象ｙへの因果は、患者背景因子ｚの影響を受けているものと仮定する。なお、診療事象ｘ及びｙは、「むくみ」や「息切れ」等の具体的な診療事象の種類に置き換えられる。

現在の診療事象ｙの発生確率は、過去の診療事象ｘの発生確率と過去の診療事象ｙの発生確率とに基づいて決定される。より詳細には、図１１及び下記（２）式の通り、現在の診療事象ｙの発生確率λ_ｙ（ｔ）は、誤差項μと過去の診療事象ｘの発生確率を表す第２項と過去の診療事象ｙの発生確率を表す第３項との和に基づいて決定される。ｔ_ｉは、診療事象であり、ｉは診療事象のインデックスを表す。第２項のＥｘは、診療事象ｘの集合（標本空間）を表す。ｔ_ｉ∈Ｅｘは個々の診療事象ｘの発生時刻を意味する。第３項のＥｙは、診療事象ｙの集合（標本空間）を表す。ｔ_ｉ∈Ｅｙは個々の診療事象ｙの発生時刻を意味する。φ（ｔ－ｔ_ｉ）は、過去ｔ－ｔ_ｉにおける診療事象の発生確率を表す。即ち第２項は過去の診療事象ｘの発生確率を表し、第３項は過去の診療事象ｙの発生確率を表す。

関数化モデルの場合、第２項の係数α_ｘは、下記（３）式の様に表される、患者背景因子を変数とするパラメータである。より詳細には、係数α_ｘは、個々の患者背景因子及び重みＷ_ｘの積と、バイアスｂ_ｘとの和（Ｗ_ｘＺ＋ｂ_ｘ）との関数σにより表される。患者背景情報に依存しない固定効果項はｂ_ｘであり、患者背景因子によって特徴付けられる変量効果項はＷ_ｘである。係数α_ｘがゼロ相当である場合、診療事象ｘから診療事象ｙへの因果が無いことを示す。重みＷ_ｘとバイアスｂ_ｘとはモデルパラメータの一例である。第３項の係数α_ｙも、係数α_ｘと同様に患者背景因子を考慮して表現してもよいし、患者背景因子を考慮しないで表現してもよい。係数α_ｘは、診療事象ｘから診療事象ｙへのエッジのエッジ特徴量の一例である。係数α_ｙは、診療事象ｙから診療事象ｘへのエッジのエッジ特徴量の一例である。

α_ｘ＝σ（Ｗ_ｘＺ＋ｂ_ｘ） （３）

処理回路３１は、複数の患者の診療事象情報に基づいて、診療事象ｘと診療事象ｙとを結ぶエッジについてグレンジャー因果性検定を行い、当該エッジのエッジ特徴量を表す数理モデルのモデルパラメータである重みＷ_ｘ及びバイアスｂ_ｘを決定する。一例として、Ｆ検定を用いてグレンジャー因果性が検定される。例えば、まず、（２）式に第２項を入れた場合と入れない場合とで、現在の診療事象ｙの発生確率λ_ｙ（ｔ）を推定する。次に両者の発生確率λ_ｙ（ｔ）の推定誤差の統計的差異をＦ検定に基づいて決定する。統計的差異に応じて係数α_ｘに含まれる重みＷ_ｘ及びバイアスｂ_ｘが決定される。統計的差異がない場合、係数α_ｘは、ゼロに設定される。診療事象ｘと診療事象ｙとの組合せを、複数の患者の診療事象情報に含まれる複数の診療事象の中から順次組み換えて、全ての組合せについてグレンジャー因果性が決定される。これにより、医療知識グラフに含まれる全てのエッジについて、エッジ特徴量に関する数理モデルのモデルパラメータが決定される。なお、診療事象ｘと診療事象ｙとの間にグレンジャー因果性が存在しないと判断された場合、診療事象ｘと診療事象ｙとの間にエッジは存在せず、従って、エッジ特徴量はゼロであり、モデルパラメータである重みＷ_ｘ及びバイアスｂ_ｘもゼロに決定される。

処理回路３１は、エッジ番号毎にエッジ特徴量と当該エッジ特徴量に関する数理モデルのモデルパラメータとを関連付ける。例えば、処理回路３１は、エッジ毎にエッジ特徴量と当該エッジ特徴量に関する数理モデルのモデルパラメータとを関連付けたＬＵＴ（Look Up Table）等のデータベースを作成する。以下、当該データベースをエッジ特徴量ＤＢと呼ぶことにする。

図１２は、エッジ特徴量ＤＢの一例を示す図である。図１２に示すように、エッジ特徴量ＤＢは、エッジ番号、エッジ特徴量及びモデルパラメータを互いに検索可能に関連付けて記録している。例えば、エッジ番号「１」には、エッジ特徴量「ｅ１」とモデルパラメータ「Ｗ_ｘ１」「ｂ_ｘ１」とが関連付けられている。なお、層別化モデルにおいては、モデルパラメータは、患者背景因子毎に決定される。エッジ特徴量ＤＢは、医療知識グラフ保管装置２に保管される。

なお、（３）式は、線形結合層６３が１層の線形ニューラルネットワークであることを前提して設計されているが、多層の線形ニューラルネットワークを前提として設計されてもよいし、畳み込みニューラルネットワーク（ＣＮＮ）や再帰型ニューラルネットワーク（ＲＮＮ）等の他のニューラルネットワークを前提として設計されてもよい。

上記の実施例において、数理モデルは関数化モデルであるとした。しかしながら、本実施形態に係る数理モデルは混合モデルでもよい。混合モデルは、関数化モデルと同様、患者背景情報に依存しない固定効果項と患者背景因子によって特徴付けられる変量効果項との組合せからなる。混合モデルの場合、係数α_ｘを、患者背景情報を考慮した一般化線形混合モデルや階層ベイズモデルを用いて推定すればよい。また、数理モデルは層別化モデルでもよい。層別化モデルの場合、患者背景情報で層別化した患者群（例えば、男性群や女性群）それぞれでグレンジャー因果性検定を行い、各患者群で別々の係数α_ｘを算出すればよい。なお、この場合の係数α_ｘは、重みＷ_ｘ及びバイアスｂ_ｘを含む関数ではなく、一般的なものが用いられればよい。

ステップＳＡ２が行われると処理回路３１は、学習機能３１２の実現により、患者背景情報と診療事象情報と数理モデルとに基づく機械学習により、ノード特徴量及び学習パラメータに関する数理モデルのパラメータを決定する（ステップＳＡ３）。

図１３は、ノード特徴量及び学習パラメータに関する数理モデルの概要を示す図である。図１３に示すように、医療知識グラフ２０Ｂに含まれるノードのノード特徴量ｖ_ｉは、下記（４）式の通り、患者背景情報Ｚを変数とする数理モデルｇにより表される。患者背景情報Ｚは、患者背景因子Ｚ_１、Ｚ_２、…を有する。

ｖ_i＝ｇ（Ｚ₁,Ｚ₂,…) （４）

以下、数理モデルｇは、関数化モデルで表すものとする。この場合、数理モデルｇは、患者背景情報に依存しない固定効果項と患者背景因子によって特徴付けられる変量効果項との組合せからなる。

図１３に示すように、線形結合層６３の学習パラメータｗ_ｉは、下記（５）式の通り、患者背景情報Ｚを変数とする数理モデルｈにより表される。患者背景情報Ｚは、患者背景因子Ｚ_１、Ｚ_２、…を有する。

ｗ_i＝ｈ（Ｚ₁,Ｚ₂,…) （５）

以下、数理モデルｈは、関数化モデルで表すものとする。この場合、数理モデルｈは、下記（６）式の通り、患者背景情報に依存しない固定効果項βと患者背景因子によって特徴付けられる変量効果項ｈ´との組合せからなる。下記（７）式の通り、変量効果項ｈ´の期待値はゼロである。

ｈ（Ｚ₁,Ｚ₂,…)＝β＋ｈ´（Ｚ₁,Ｚ₂,…) （６）
Ｅ（ｈ´）＝０ （７）

ノード特徴量及び学習パラメータに関する数理モデルのパラメータを決定するために機械学習が用いられる。具体的には、図６に示す機械学習モデルの学習パラメータの訓練時において、ノード特徴量及び学習パラメータに関する数理モデルのパラメータも決定される。以下、当該機械学習について説明する。

図１４は、機械学習によるノード特徴量及び学習パラメータに関する数理モデルのパラメータの決定処理を模式的に示す図である。図１４に示すように、機械学習モデル６０は、患者グラフ２０Ａを入力して疾患ラベルｙを出力するように学習パラメータが訓練される。機械学習モデル６０は、グラフ畳み込み層６１、読出し層６２及び線形結合層６３を有する。グラフ畳み込み層６１は、畳み込み前の患者グラフ２０Ａを入力して畳み込み後の患者グラフ２０Ｂを出力する。

患者グラフ２０Ｂに含まれる各ノードのノード特徴量は、患者背景情報の影響を受ける。例えば、ノード番号「ｉ」のノード特徴量ｖ_ｉは、患者背景情報Ｚの影響を受けている。ノード特徴量ｖ_ｉは、下記（８）式に示す数理モデルで表される。（８）式に示すように、ノード特徴量ｖ_ｉは、係数（α_ｖＺ＋β_ｖ）と初期的なノード特徴量ｘ_ｉとの積と、バイアスｂ_ｖとの和で表される。患者背景情報Ｚに依存しない固定効果項はβ_ｖであり、患者背景情報Ｚによって特徴付けられる変量効果項はα_ｖである。なお、重みα_ｖ、バイアスβ_ｖ及びバイアスｂ_ｖはノード毎に決定される。

ｖ_ｉ＝（α_ｖＺ＋β_ｖ）ｘ_ｉ＋ｂ_ｖ （８）

読出し層６２は、畳み込み後の患者グラフ２０Ｂのグラフ特徴量を特徴ベクトル２０Ｃに変換する。特徴ベクトル２０Ｃの複数の要素と患者グラフ２０Ｂに含まれる複数のノードとは一対一対応している。例えば、図１４に示すように、患者グラフ２０Ｂに含まれる１番目のノードのノード特徴量ｖ_１は、特徴ベクトル２０Ｃの１番目の要素に割り当てられる。

線形結合層６３は、特徴ベクトル２０Ｃを疾患ラベルｙに変換する。例えば、線形結合層６３は、特徴ベクトル２０Ｃに含まれる複数の要素のノード特徴量に基づくソフトマックス演算を施して複数の疾患クラス各々の疾患該当確率を表す疾患情報を算出する。図１４は、ある疾患クラスｙのソフトマックス演算を図示している。この際、各ノード特徴量ｖに、各要素と疾患クラスｙとの組合せに応じて定められる重みパラメータｗが乗じられる。重みパラメータｗは、患者背景情報の影響を受ける。例えば、要素番号（ノード番号）「ｉ」の重みパラメータｗ_ｉは、患者背景情報の影響を受けている。重みパラメータｗ_ｉは、下記（９）式に示す数理モデルで表される。（９）式に示すように、重みパラメータｗ_ｉは、係数（α_ｗＺ＋β_ｗ）とノード特徴量ｖ_ｉとの積と、バイアスｂ_ｗとの和で表される。患者背景情報Ｚに依存しない固定効果項はβ_ｗであり、患者背景情報Ｚによって特徴付けられる変量効果項はα_ｗである。なお、重みα_ｗ、バイアスβ_ｗ及びバイアスｂ_ｗはノード毎に決定される。

ｗ_ｉ＝（α_ｗＺ＋β_ｗ）ｖ_ｉ＋ｂ_ｗ （９）

処理回路３１は、医療知識グラフに診療事象情報を写像して患者グラフを生成する。処理回路３１は、患者グラフを入力サンプルとし、疾患情報を教示サンプルとする教師有り学習に基づいて、機械学習モデルの学習パラメータを訓練する。処理回路３１は損失関数を計算する。損失関数は、患者グラフをグラフ畳み込み層、読出し層及び線形結合層に対して順次に伝播することにより算出される疾患分類情報と、教示サンプルである疾患情報との誤差を評価する関数である。処理回路３１は、任意の最適化法に従い損失関数が最小化するように機械学習モデルの学習パラメータを更新する。最適化法は、確率的勾配降下法やＡｄａｍ（adaptive moment estimation）等の任意の方法が用いられればよい。

処理回路３１は、停止条件を充足するか否かを判定する。停止条件は、例えば、学習パラメータの更新回数が所定回数に到達したことや学習パラメータの更新量が閾値未満であること等に設定されるとよい。処理回路３１は、停止条件が充足されるまで、入力サンプルと教示サンプルとの組合せを変更しながら、学習パラメータの更新と損失関数の計算とを繰り返す。そして停止条件が充足されると処理回路３１は、現在の更新回数での学習パラメータを最終的な学習パラメータに設定する。これにより学習が終了する。

訓練される学習パラメータは、グラフ畳み込み層６１の重みパラメータの他、ノード特徴量ｖ_ｉ及び重みパラメータｗ_ｉを含む。重みパラメータｗ_ｉは、（９）式の通り、係数（α_ｗＺ＋β_ｗ）とノード特徴量ｖ_ｉとの積と、バイアスｂ_ｗとの和で表されるので、重みパラメータｗ_ｉとノード特徴量ｖ_ｉとから、係数（α_ｗＺ＋β_ｗ）とバイアスｂ_ｗとを決定することが可能である。また、係数（α_ｗＺ＋β_ｗ）と患者背景情報Ｚとからパラメータα_ｗとパラメータβ_ｗとを決定することが可能である。ノード特徴量ｖ_ｉは、（８）式の通り、係数（α_ｖＺ＋β_ｖ）と初期的なノード特徴量ｘ_ｉとの積と、バイアスｂ_ｖとの和で表されるので、初期的なノード特徴量ｘ_ｉとノード特徴量ｖ_ｉとから、係数（α_ｖＺ＋β_ｖ）とバイアスｂ_ｖとを決定することが可能になる。また、係数（α_ｖＺ＋β_ｖ）と患者背景情報Ｚとからパラメータα_ｖとパラメータβ_ｖとを決定することが可能である。

処理回路３１は、ノード毎にノード特徴量と当該ノード特徴量に関する数理モデルのモデルパラメータとを関連付ける。例えば、処理回路３１は、ノード毎にノード特徴量とノード特徴量に関する数理モデルのモデルパラメータとを関連付けたＬＵＴ等のデータベースを作成する。以下、当該データベースをノード特徴量ＤＢと呼ぶことにする。

図１５は、ノード特徴量ＤＢの一例を示す図である。図１５に示すように、ノード特徴量ＤＢは、ノード番号、ノード特徴量及びモデルパラメータを互いに検索可能に関連付けて記録している。例えば、ノード番号「１」には、ノード特徴量「ｖ１」とノード特徴量の数理モデルに関するモデルパラメータ「α_ｖ１」「β_ｖ１」「ｂ_ｖ１」とが関連付けられている。ノード特徴量ＤＢは、医療知識グラフ保管装置２に保管される。

同様に、処理回路３１は、重みパラメータ毎に重みパラメータと当該重みパラメータに関する数理モデルのモデルパラメータとを関連付ける。例えば、処理回路３１は、重みパラメータ番号毎に重みパラメータと重みパラメータに関する数理モデルのモデルパラメータとを関連付けたＬＵＴ等のデータベースを作成する。以下、当該データベースを重みパラメータＤＢと呼ぶことにする。

図１６は、重みパラメータＤＢの一例を示す図である。図１６に示すように、重みパラメータＤＢは、重みパラメータ番号、重みパラメータ及びモデルパラメータを互いに検索可能に関連付けて記録している。例えば、重みパラメータ番号「１」には、重みパラメータ「ｗ１」と重みパラメータに関するモデルパラメータ「α_ｗ１」「β_ｗ１」「ｂ_ｗ１」とが関連付けられている。重みパラメータＤＢは、医療知識グラフ保管装置２に保管される。

なお、（８）式及び（９）式は、線形結合層６３が１層の線形ニューラルネットワークであることを前提して設計されているが、多層の線形ニューラルネットワークを前提として設計されてもよいし、畳み込みニューラルネットワーク（ＣＮＮ）や再帰型ニューラルネットワーク（ＲＮＮ）等の他のニューラルネットワークを前提として設計されてもよい。

上記の実施例において、数理モデルは関数化モデルであるとした。しかしながら、本実施形態に係る数理モデルは混合モデルでもよい。混合モデルは、関数化モデルと同様、患者背景情報に依存しない固定効果項と患者背景情報によって特徴付けられる変量効果項との組合せからなる。混合モデルの場合、重みα_ｖや重みα_ｗを、患者背景情報を考慮した一般化線形混合モデルや階層ベイズモデルを用いて推定すればよい。また、数理モデルは層別化モデルでもよい。層別化モデルの場合、患者背景情報で層別化した患者群（例えば、男性群や女性群）それぞれでグレンジャー因果性検定を行い、各患者群で別々の重みα_ｖや重みα_ｗを算出すればよい。なお、この場合の重みα_ｖや重みα_ｗは、（３）式のような重みＷ_ｘ及びバイアスｂ_ｘを含む関数ではなく、一般的なものが用いられればよい。

ステップＳＡ３が行われると処理回路３１は、学習機能３１２の実現により、医療知識グラフと学習済みモデルとを出力する（ステップＳＡ４）。ステップＳＡ４において処理回路３１は、エッジ特徴量に関する数理モデルのモデルパラメータとグラフ特徴量に関する数理モデルのモデルパラメータとが割り当てられた医療知識グラフを出力する。なお、エッジ特徴量を患者に依らずに固定する場合、更にエッジ特徴量が割り当てられた医療知識グラフが出力されてもよい。また、処理回路３１は、重みパラメータと当該重みパラメータに関する数理モデルのモデルパラメータとが割り当てられた機械学習モデルを出力する。出力された医療知識グラフと機械学習モデルとは、医療知識グラフ保管装置２に保管される。

ステップＳＡ４が行われると学習処理が終了する。

なお、上記の学習処理は一例であり、種々の変形が可能である。例えば、ステップＳＡ２とステップＳＡ３とは順番が逆でもよいし、並行して行われてもよい。また、ステップＳＡ３においてノード特徴量に関する数理モデルのパラメータと学習パラメータに関する数理モデルのパラメータとは教師有り学習に基づいて決定されるものとしたが、階層ベイズモデルに基づいて決定されてもよい。

上記の説明の通り、医用情報学習装置３は、処理回路３１とメモリ３２とを有する。処理回路３１は、複数の患者の背景因子に関する患者背景情報を取得する。メモリ３２は、診療事象に対応するノードと当該ノード間の関係性を表すエッジとを有する医療知識グラフを記憶する。医療知識グラフのグラフ特徴量は、患者背景情報を含む数理モデルにより特徴付けられる。処理回路３１は、複数の患者の患者背景情報と数理モデルとに基づいて当該数理モデルのモデルパラメータを決定する。

上記の構成によれば、医療知識グラフのグラフ特徴量を、患者背景情報を使用した数理モデルで定義することが可能になる。これにより医療知識グラフのグラフ特徴量に、患者間の患者背景の違いに起因する揺らぎ成分を持たせることが可能になる。

次に、本実施形態に係る医用情報処理装置４について説明する。

図１７は、医用情報処理装置４の構成例を示す図である。図１７に示すように、医用情報処理装置４は、処理回路４１、メモリ４２、入力インタフェース４３、通信インタフェース４４及びディスプレイ４５を有する。

処理回路４１は、ＣＰＵ及びＧＰＵ等のプロセッサを有する。処理回路４１は、揺らぎを表示するため医用情報処理プログラムを実行することにより、取得機能４１１、推定機能４１２、揺らぎ算出機能４１３、可視化グラフ生成機能４１４、選択機能４１５及び表示制御機能４１６等を実現する。なお、各機能４１１～４１６は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能４１１～４１６を実現するものとしても構わない。また、機能４１１～４１６は、それぞれ、医用情報処理プログラムを構成するモジュール化されたプログラムであってもよいし、個別のプログラムであってもよい。これらプログラムはメモリ４２に記憶される。

取得機能４１１の実現により、処理回路４１は、種々の情報を取得する。例えば、処理回路４１は、表示対象の１以上の患者（以下、対象患者）に関する患者背景情報を診療情報保管装置１から取得する。また、処理回路４１は、医療知識グラフやエッジ特徴量ＤＢ、ノード特徴量ＤＢ及び重みパラメータＤＢを取得する。

推定機能４１２の実現により、処理回路４１は、医用情報学習装置３により生成された学習済みモデルを使用して、患者グラフから医学的判断情報を推定する。

揺らぎ算出機能４１３の実現により、処理回路４１は、対象患者の患者背景情報と数理モデルとに基づいて、対象患者に関するグラフ特徴量及び／又は学習パラメータの揺らぎを算出する。グラフ特徴量及び学習パラメータは、モデルパラメータを変数とする数理モデルにより表される。モデルパラメータは、医用情報学習装置３により患者背景情報に基づいて決定されている。

可視化グラフ生成機能４１４の実現により、処理回路４１は、表示対象の患者に関する医療知識グラフを可視化した可視化グラフを生成する。可視化グラフのグラフ及び／又はエッジは、グラフ特徴量の揺らぎに応じた表示形態を有する。

選択機能４１５の実現により、処理回路４１は、揺らぎの表示にあたり、患者や診療事象カテゴリ、疾患等の種々の表示対象を選択する。処理回路４１は、入力インタフェース４３を介したユーザの指示に従い表示対象を選択する。

表示制御機能４１６の実現により、処理回路４１は、種々の情報をディスプレイ４５に表示する。例えば、処理回路４１は、グラフ特徴量及び／又は学習パラメータの揺らぎ等を表示する。

メモリ４２は、種々の情報を記憶するＲＯＭやＲＡＭ、ＨＤＤ、ＳＳＤ、集積回路記憶装置等の記憶装置である。メモリ４２は、上記記憶装置以外にも、ＣＤ、ＤＶＤ、フラッシュメモリ等の可搬型記憶媒体や、半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ４２は、医用情報処理装置４にネットワークを介して接続された他のコンピュータ内にあってもよい。例えば、メモリ４２は、医療知識グラフ保管装置２から取得した医療知識グラフやエッジ特徴量ＤＢ、ノード特徴量ＤＢ及び重みパラメータＤＢを記憶する。

入力インタフェース４３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路４１に出力する。具体的には、入力インタフェース４３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の入力機器に接続されている。入力インタフェース４３は、当該入力機器への入力操作に応じた電気信号を処理回路４１へ出力する。また、入力インタフェース４３に接続される入力機器は、ネットワーク等を介して接続された他のコンピュータに設けられた入力機器でもよい。

通信インタフェース４４は、医用情報システム１００に含まれる診療情報保管装置１、医療知識グラフ保管装置２及び医用情報学習装置３等の他のコンピュータとの間で種々の情報を送受信するためのインタフェースである。

ディスプレイ４５は、処理回路４１の表示制御機能４１４に従い種々の情報を表示する。ディスプレイ４５としては、例えば、液晶ディスプレイ、ＣＲＴディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ又は他の任意のディスプレイが適宜使用可能である。また、ディスプレイ４５の代わり又はディスプレイ４５と併用して、プロジェクタが設けられてもよい。

次に、医用情報表示プログラムに従い処理回路４１により実行される揺らぎ表示処理について説明する。

図１８は、揺らぎ表示処理の流れを示す図である。図１８に示すように、処理回路４１は、選択機能４１５の実現により、表示対象の１以上の患者（以下、対象患者）を選択する（ステップＳＢ１）。例えば、ステップＳＢ１においては、ディスプレイ４５に対象患者の選択画面が表示され、ユーザによる入力インタフェース４３を介した指示に従い１以上の対象患者が選択される。本実施例において１人の患者が表示対象に選択されたものとする。なお、医療知識グラフやエッジ特徴量ＤＢ、ノード特徴量ＤＢ及び重みパラメータＤＢが医療知識グラフ保管装置２から取得されてもよい。処理回路４１は、必要に応じて、エッジ特徴量ＤＢ、ノード特徴量ＤＢ及び重みパラメータＤＢからエッジ特徴量、ノード特徴量、重みパラメータ及びモデルパラメータを適宜読み出すものとする。

後述するように、対象患者として、特定の疾患に該当する患者が選択されてもよい。例えば、心不全に該当する患者のリストが表示され、リストの中から特定の患者が対象患者として選択されてもよい。

ステップＳＢ１が行われると処理回路４１は、取得機能４１１の実現により、ステップＳＢ１において選択された対象患者の患者背景情報を取得する（ステップＳＢ２）。ステップＳＢ２において処理回路４１は、対象患者の患者背景情報を、診療情報保管装置１から取得する。

ステップＳＢ２が行われると処理回路４１は、揺らぎ算出機能４１３の実現により、ステップＳＢ２において取得された患者背景情報に基づいて、グラフ特徴量及び／又は学習パラメータの揺らぎを算出する（ステップＳＢ３）。

グラフ特徴量の揺らぎは、グラフ特徴量の患者背景情報に対する相関度合いを意味する。患者背景情報間の違いに依らずグラフ特徴量が一定の値をとる場合、グラフ特徴量の揺らぎは小さい。反対に、患者背景情報間の違いに応じてグラフ特徴量が大きく変動する場合、グラフ特徴量の揺らぎは大きい。対象患者が１人の場合、当該対象患者のグラフ特徴量の揺らぎは、患者背景情報の異なる複数時点でのグラフ特徴量に基づいて定義できる。対象患者が複数人の場合、当該複数人のグラフ特徴量の揺らぎは、患者背景情報の異なる複数人且つ複数時点でのグラフ特徴量に基づいて定義できる。学習パラメータの揺らぎについても同様である。

以下、具体的に揺らぎの算出方法について説明する。典型的には、処理回路４１は、複数の対象患者各々について、患者背景情報とグラフ特徴量の数理モデルとに基づいて当該対象患者のグラフ特徴量を算出し、これら複数の対象患者に亘るグラフ特徴量のばらつきの指標を、グラフ特徴量の揺らぎとして算出する。グラフ特徴量の数理モデルは、医用情報学習装置３によりモデルパラメータが決定されている数理モデルが使用される。ばらつきの指標として、標準偏差や分散等が算出されるとよい。対象患者としては、統計的母集団に属する患者が選択される。統計的母集団としては、全患者や特定疾患に罹患している患者、男性患者、女性患者、特定年齢層の患者等の調査対象に応じて任意に設定可能である。重みパラメータについても同様に揺らぎを算出可能である。重みパラメータの数理モデルは、医用情報学習装置３によりモデルパラメータが決定されている数理モデルが使用される。

ノードやエッジ毎にグラフ特徴量の値の取り得る範囲が異なる場合が想定されるので、処理回路４１は、揺らぎを正規化してもよい。例えば、心不全患者のみの揺らぎを表示する場合、全ての対象患者のうちの心不全患者のグラフ特徴量のばらつきを算出し、「心不全患者のグラフ特徴量のばらつき」を「全患者のグラフ特徴量のばらつき」で除することにより、正規化することが可能である。重みパラメータについても同様に揺らぎを正規化することが可能である。

ノード特徴量については、（８）式の数理モデル（ｖ_ｉ＝（α_ｖＺ＋β_ｖ）ｘ_ｉ＋ｂ_ｖ）で定義されるノード特徴量ｖ_ｉの揺らぎを計算してもよいし、係数（α_ｖＺ＋β_ｖ）のみの揺らぎを計算してもよい。前者の場合、ノード特徴量そのものの揺らぎを計算することができるが、ノード特徴量の値ｘ_ｉやｖ_ｉが患者間でばらついている場合は、患者背景因子起因でない揺らぎも考慮されるおそれがあり、後者に比べ解釈が難しくなるおそれがある。後者の場合、患者背景因子に起因する、ノード特徴量への写像の揺らぎを得ることができる。前者の揺らぎを計算するか、後者の揺らぎを計算するかは、ユーザにより任意に選択可能である。重みパラメータについても同様に、（９）式の数理モデル（ｗ_ｉ＝（α_ｗＺ＋β_ｗ）ｖ_ｉ＋ｂ_ｗ）で定義される重みパラメータｗの揺らぎを計算してもよいし、係数（α_ｗＺ＋β_ｗ）のみの揺らぎを計算してもよい。エッジ特徴量については、（３）式の数理モデル（α_ｘ＝σ（Ｗ_ｘＺ＋ｂ_ｘ））で定義されるエッジ特徴量α_ｘの揺らぎが計算される。

対象患者が1人の場合、処理回路４１は、複数の時点の患者背景情報各々について、当該患者背景情報とグラフ特徴量の数理モデルとに基づいて当該対象患者のグラフ特徴量を算出し、これら複数の時点に亘るグラフ特徴量のばらつきの指標を、グラフ特徴量の揺らぎとして算出する。ばらつきの指標として、標準偏差や分散等が算出されるとよい。重みパラメータについても同様に揺らぎを算出可能である。また、対象患者1人の場合、処理回路４１は、統計的母集団について算出されたグラフ特徴量又は重みパラメータのばらつきに対する、対象患者のグラフ特徴量又は重みパラメータの偏差値を、揺らぎとして計算してもよい。

ステップＳＢ３が行われると処理回路４１は、表示制御機能４１６の実現により、ステップＳＢ３において算出された揺らぎを表示する（ステップＳＢ４）。揺らぎは、ディスプレイ４５に表示される。

図１９は、揺らぎの表示画面Ｉ１の一例を示す図である。図１９に示すように、表示画面Ｉ１は、医療知識グラフ８１の表示欄Ｉ１１、患者の選択欄Ｉ１２、疾患の選択欄Ｉ１３及び診療事象カテゴリの選択欄Ｉ１４を有する。

選択欄Ｉ１２には患者の識別子（以下、患者識別子と呼ぶ）が表示される。患者識別子は、患者ＩＤや患者名等が用いられる。選択欄Ｉ１２に表示された患者識別子は入力インタフェース３３等を介して操作者により選択可能である。選択された患者識別子は強調されるとよい。例えば、図１９では、患者識別子「００００３」が強調されている。なお、患者識別子は、一個又は複数個を選択可能である。

選択欄Ｉ１３には、対象疾患の識別子（以下、疾患識別子と呼ぶ）が表示される。疾患識別子は、疾患の名称や記号等が用いられる。選択欄Ｉ１３に表示された疾患識別子は入力インタフェース３３等を介して操作者により選択可能である。選択された疾患識別子は強調されるとよい。例えば、図１９では、疾患識別子「心不全」が強調されている。疾患識別子が選択された場合、当該疾患識別子に対応する疾患に該当する患者の患者識別子が選択欄Ｉ１２に表示される。疾患識別子と患者識別子とは、診療情報保管装置１等において互いに紐付けて管理されている。なお、診療事象カテゴリは、一個のカテゴリが選択されてもよいし、複数個のカテゴリが選択されてもよい。なお、疾患識別子は、一個又は複数個を選択可能である。

選択欄Ｉ１４には、表示対象の診療事象カテゴリの一覧が表示される。表示される診療事象カテゴリは、当該診療事象カテゴリの名称や記号でもよいし、当該診療事象カテゴリに関する患者グラフの模擬画像や縮小画像でもよい。選択された診療事象カテゴリは強調されるとよい。例えば、図１９では、診療事象カテゴリ「症状」にチェックマークが付されている。なお、診療事象カテゴリは、一個又は複数個を選択可能である。

表示欄Ｉ１１には、対象患者の医療知識グラフを可視化した可視化グラフ８１が表示される。可視化グラフ８１は、診療事象に対応するノード８２とノード８２間を接続するエッジ８３とを有する。ノード８２には、対応する診療事象の名称又は記号が付して表示される。

可視化グラフ８１は、例えば、以下の手順で表示される。まず、処理回路４１は、選択欄Ｉ１４において選択された診療事象カテゴリを特定する。選択欄Ｉ１４において診療事象カテゴリが選択されていない場合又は可視化グラフ８１を初期的に表示する場合、選択された診療事象カテゴリとして全ての診療事象カテゴリを特定する。次に、処理回路４１は、特定された診療事象カテゴリに属するノード及び当該ノード間を結ぶエッジからなるグラフ（以下、部分グラフと呼ぶ）を、医療知識グラフから抽出する。例えば、図１９においては、選択欄Ｉ１４において症状カテゴリが選択されているので、症状カテゴリに属するノード及び当該ノード間を結ぶエッジからなる部分グラフが医療知識グラフから抽出される。

そして処理回路４１は、部分グラフを可視化した可視化グラフ８１を表示し、ノード８２をノード特徴量の揺らぎに応じた表示形態で表示し、エッジ８３をエッジ特徴量の揺らぎに応じた表示形態で表示する。例えば、図１９においては、揺らぎの程度が大きいほどノード８２の輪郭のぼかし具合が大きくなるように表示される。また、揺らぎの程度が大きいほどエッジ８３を表す直線のぼかし具合が大きくなるように表示される。なお、ノード８２又はエッジ８３の何れか一方のみ揺らぎが表示されてもよい。

揺らぎの程度の把握を促進するため、エッジを表す直線のぼかし具合を段階的に示すオブジェクトＩ１５とノードの輪郭のぼかし具合を段階的に示すオブジェクトＩ１６とが表示画面Ｉ１の任意の箇所に表示されるとよい。

このように、ノード特徴量の揺らぎをノード８２に可視化し、エッジ特徴量の揺らぎをエッジ８３に可視化することにより、対象患者の患者背景情報間の揺らぎの程度を把握することが可能になる。また、揺らぎが各ノード８２及びエッジ８３について表示されるので、各ノード８２及びエッジ８３について揺らぎを確認することができる。

図１９に示すように、表示画面Ｉ１には、医学的判断情報の揺らぎの表示欄Ｉ１７が設けられるとよい。表示欄Ｉ１７には、対象患者について算出された医学的判断情報の揺らぎが表示される。例えば、医学的判断情報の揺らぎとして、疾患分類情報の一例である疾患該当確率の揺らぎが表示される。疾患該当確率の揺らぎとしては、例えば、図１９に示すように、「７０％±２０％」のように表示される。７０％が疾患該当確率の中央値に対応し、±２０％が揺らぎに対応する。なお、疾患該当確率の揺らぎの表示方法は上記方法に限定されず、「５０％－９０％」のように疾患該当確率の取り得る範囲が表示されてもよい。

疾患該当確率の揺らぎは、重みパラメータの揺らぎに基づいて算出可能である。厳密には、疾患該当確率の揺らぎは、重みパラメータの揺らぎのみからではなく、ノード特徴量及びエッジ特徴量の揺らぎにも依存する。

具体的には、以下のように疾患該当確率の揺らぎが算出される。まず、処理回路４１は、複数の対象患者各々について、当該対象患者の患者背景情報と当該対象患者の患者グラフと機械学習モデルとに基づいて疾患該当確率を算出し、これら複数の対象患者に亘る疾患該当確率のばらつきの指標を、疾患該当確率の揺らぎとして算出する。患者グラフは、医用情報学習装置３によりモデルパラメータが決定されている数理モデルにより定義されるグラフ特徴量が割り当てられた医療知識モデルに、当該対象患者の診療事象情報を写像することにより生成される。機械学習モデルの線形結合層には、医用情報学習装置３によりモデルパラメータが決定されている数理モデルにより定義される重みパラメータｗ_ｉが割り当てられている。ばらつきの指標として、標準偏差や分散等が算出されるとよい。

なお、揺らぎに応じた表示形態に加え、グラフ特徴量に応じた表示形態を加えてノード８２及びエッジ８３が表示されてもよい。この場合、処理回路４１は、ノード８２にノード特徴量を、エッジ８３にエッジ特徴量を割り当てる。ノード特徴量が該当又は非該当等の単一次元のスカラー値で規定される場合、処理回路４１、当該スカラー値をノードに割り当てる。ノード特徴量が、発生回数、発生順序及び発生程度等の複数次元のベクトルで規定される場合、処理回路４１は、当該ベクトルを集約してスカラー値に変換し、当該スカラー値をノード８２に割り当てる。例えば、ノード特徴量が大きいほどノード８２の表示色が濃くなるように表示される。

同様に、エッジ特徴量が有り又は無し等の単一次元のスカラー値で規定される場合、処理回路３１は、当該スカラー値をエッジに割り当てる。エッジ特徴量が複数次元のベクトルで規定される場合、処理回路３１は、当該ベクトルを集約してスカラー値に変換し、当該スカラー値をエッジ８３に割り当てる。そして処理回路４１は、割り当てられたノードに応じた表示形態でノード８２を表示し、割り当てられたエッジに応じた表示形態でエッジ８３を表示する。例えば、エッジ特徴量が大きいほどエッジ８３が太くなるように表示される。

なお、グラフ特徴量の揺らぎの表示方法は上記のみに限定されない。例えば、ノード特徴量の揺らぎは、当該揺らぎの程度を表す数値又はカテゴリが当該ノードに付して表示され、エッジ特徴量の揺らぎは、当該揺らぎの程度を表す数値又はカテゴリが当該エッジに付して表示されてもよい。また、ノード特徴量及びエッジ特徴量の揺らぎを表す数値又はカテゴリが、ノード番号及びエッジ番号と共に一覧で表示されてもよい。

学習パラメータの揺らぎが表示画面Ｉ１に表示されてもよい。学習パラメータの揺らぎは、例えば、学習済みモデルにより推定された疾患分類情報に影響するので、対象患者の疾患分類情報と共に表示されるとよい。例えば、揺らぎの程度を表す数値又はカテゴリが表示されるよい。

ステップＳＢ４が行われると揺らぎ表示処理が終了する。

なお、上記の揺らぎ表示処理は一例であり、種々の変形が可能である。

一例として、上記の実施例において対象患者は１人であるとしたが、対象患者は複数人でもよい。以下、変形例１として、心不全に該当する全ての患者が対象患者に指定された場合の揺らぎの表示例について説明する。

図２０は、心不全に該当する全ての患者が対象患者に指定された場合の揺らぎの表示画面Ｉ２を示す図である。図２０に示すように、表示欄Ｉ１１には、心不全に該当する全ての患者に関する医療知識グラフ８１が表示される。各ノード８２は、心不全に該当する全ての患者に関するノード特徴量の揺らぎに応じたぼやけ具合で表示され、各エッジ８３は、心不全に該当する全ての患者に関するエッジ特徴量の揺らぎに応じたぼやけ具合で表示される。

変形例１によれば、特定の疾患に該当する全ての患者に関するグラフ特徴量の揺らぎを表示することにより、患者間での揺らぎを確認することが可能になる。

他の例として、患者背景因子毎に揺らぎが表示されてもよい。以下、変形例２として、患者背景因子毎の揺らぎの表示例について説明する。なお、患者背景因子毎の揺らぎの表示は、数理モデルが層別化モデルや混合モデルである場合等、患者背景因子毎にモデルパラメータを決定されている場合に実施可能である。

図２１は、患者背景因子毎の揺らぎの表示画面Ｉ３を示す図である。図２１に示すように、表示画面Ｉ３には、患者背景因子を選択するためのＧＵＩボタンが表示される。例えば、図２１の場合、患者背景因子「年齢」を選択するための年齢ボタン、患者背景因子「性別」を選択するための性別ボタン、患者背景因子「ＢＭＩ」を選択するためのＢＭＩボタンが表示欄Ｉ１１に表示されている。これらＧＵＩボタンは、ユーザにより入力インタフェース４３を介して選択可能に表示される。

任意のＧＵＩボタンが選択された場合、処理回路４１は、選択されたＧＵＩボタンに対応する患者背景因子により強く揺らいでいるノードやエッジを強調して表示する。当該ノードやエッジは、例えば、以下の方法により強調表示される。まず、処理回路４１は、選択されたＧＵＩボタンに対応する患者背景因子を着目因子として特定する。処理回路４１は、各ノードやエッジのモデルパラメータのうちの着目因子に関連するモデルパラメータを特定する。例えば、モデルパラメータとしては、特定された患者背景因子の係数である（８）式の重みα_ｖや（９）式の重みα_ｗが特定される。処理回路４１は、特定されたモデルパラメータが閾値以上の値を有する場合、当該モデルパラメータに係るノードやエッジが、着目因子により強く揺らいでいるノードやエッジとして、強調される。他の方法として、処理回路４１は、着目因子以外の患者背景因子の値を固定し、着目因子の値を大きく変えて、計算されるノードやエッジの揺らぎを強調してもよい。

例えば、図２１に示すように、興味のある患者背景因子としてＢＭＩが選択された場合、可視化グラフ８１のうちの、ＢＭＩにより強く揺らいでいるノード８２やエッジ８３が強調して表示される。他のノード８２及びエッジ８３は、強く揺らいでいるノード８２やエッジ８３に比して薄く表示される。これにより、興味のある患者背景因子に関連するノードやエッジの揺らぎのみを可視化することが可能である。

変形例２によれば、ユーザが興味のある患者背景因子に限定した揺らぎを表示することができる。ユーザは、個別の患者背景因子の揺らぎを確認することが可能になる。

他の例として、２以上の診療事象カテゴリが選択されてもよい。以下、変形例３として、治療カテゴリ及び反応カテゴリが選択されたときの揺らぎの表示例について説明する。治療カテゴリ及び反応カテゴリに関する可視化グラフを治療－反応グラフと呼ぶ。治療－反応グラフと共に揺らぎが表示される。

図２２は、治療－反応グラフ及び揺らぎの表示画面Ｉ３を示す図である。図２２に示すように、表示対象の診療事象カテゴリとして治療及び反応が選択されている。また、対象患者として、心不全に該当する患者「００００１」、患者「００００２」及び患者「００００３」が選択されている。この場合、患者「００００１」、患者「００００２」及び患者「００００３」に、治療事象と反応事象との関係性を示す医療知識グラフを可視化した可視化グラフである治療－反応グラフが表示欄Ｉ１１に表示される。例えば、利尿剤の投与を表す治療事象「利尿剤」のノードと、利尿が４０ｍＬ／ｈ以上を表す反応（より詳細には、治療反応）事象「利尿４０ｍＬ／ｈ以上」のノードと、尿に電解質異常が発生したことを表す反応（より詳細には、副作用）事象「電解質異常」のノードとが、エッジを介して接続されている。

各エッジには、エッジ特徴量の揺らぎの程度を表す数値が付されている。例えば、患者「００００１」の治療－反応グラフには、治療事象「利尿剤」から「利尿４０ｍＬ／ｈ以上」へのエッジには、エッジの相関又は因果の程度として数値「９０％」が表示され、治療事象「利尿剤」から「電解質異常」へのエッジには、エッジの相関又は因果の程度として数値「５％」が表示される。なお、図２２に示すように、患者間において相関又は因果の程度が異なることは、揺らぎが生じていることを意味する。エッジの相関又は因果の程度は、数値で表す方法のみに限定されず、図２２に示すように、エッジの太さ等の形態で表してもよい。

変形例３によれば、治療－反応グラフと合わせて揺らぎを表示することが可能である。治療－反応グラフを表示することにより、治療効果予測を行うことができるが、この際に、エッジ特徴量等の揺らぎを表示することにより、患者間の治療効果の揺らぎを評価することも可能である。

上記の説明の通り、本実施形態に係る医用情報処理装置４は、処理回路４１とメモリ４２とを有する。処理回路４１は、１以上の対象患者の背景因子に関する患者背景情報を取得する。メモリ４２は、診療事象に対応するノードと当該ノード間の関係性を表すエッジとを有する医療知識グラフを記憶する。医療知識グラフのグラフ特徴量は、患者背景情報に特徴付けられた数理モデルにより表現される。処理回路４１は、対象患者の患者背景情報と数理モデルとに基づいて、対象患者に関するグラフ特徴量の揺らぎを算出する。処理回路４１は、グラフ特徴量の揺らぎを表示する。

上記の構成によれば、患者背景情報間のグラフ特徴量の揺らぎを表示することが可能になる。揺らぎは、患者等への疾患を説明するときに表示すると有用である。例えば、同じ疾患でも特定の症状の出る人、出ない人がいることが理解したり、同じ疾患でも治療効果が大きい人、小さい人がいることが理解したりすることができる。また、揺らぎは、研究仮説を発掘するときに表示しても有用である。例えば、新しいサブタイプ分類の候補を知ることがしたり、研究デザインの適格基準を把握したりすることもできる。また、揺らぎは、病名候補推定や治療反応予測、予後予測を行うときに表示しても有用である。例えば、個人差を考慮した推定を行うことができる。

また、グラフ特徴量の揺らぎを医療知識グラフのノードやエッジに可視化することにより、診療事象間の関係性について、共通的な概念や解釈性を維持したまま、患者の個人差を可視化することができる。

以下、本実施形態に係る医用情報システム１００の種々の応用例について説明する。以下の応用例は、上記の種々の実施例に適宜適用可能である。

（応用例１）
図２３は、応用例１に係るグラフ特徴量の概要を表す図である。図２３に示すように、患者グラフ２０Ａの各ノードには、グラフ特徴量として、該当／非該当特徴量、時間的特徴量及び／又は場所的特徴量等の診療事象情報が割り当てられる。該当／非該当特徴量は、当該ノードに対応する診療事象に該当する度合い又は該当しない度合いを表す情報である。時間的特徴量は、診療事象が発生した時間に関する情報である。具体的には、時間的特徴量は、診療事象の発生日時や発生順序、発生回数等である。場所的特徴量は、診療事象が発生した場所に関する情報である。具体的には、場所的情報は、診療事象の発生位置や発生場所等である。発生位置は、診療事象が発生した地点を表すＧＰＳ（Global Positioning System）等のセンサ情報である。発生場所は、診療事象が診断された医療機関、診療科、自宅又は病院の住所や名称である。

上記の通り、処理回路４１は、揺らぎ算出機能４１３の実現により、対象患者の患者背景情報と数理モデルとに基づいて、対象患者に関するグラフ特徴量の揺らぎを算出する。該当／非該当特徴量、時間的特徴量及び場所的特徴量各々は、（８）式の数理モデルで数式化される。該当／非該当特徴量、時間的特徴量及び場所的特徴量各々の揺らぎは、例えば、複数患者間の当該特徴量のばらつき指標として算出されればよい。処理回路４１は、可視化グラフ生成機能４１４の実現により、各特徴量の揺らぎに応じた表示形態を有する可視化グラフを生成する。揺らぎの表示対象の特徴量は、該当／非該当特徴量、時間的特徴量及び場所的特徴量の中から任意に選択可能である。処理回路４１は、表示制御機能４１６の実現により、生成された可視化グラフを、揺らぎに応じた表示形態で表示する。

処理回路４１は、該当／非該当特徴量、時間的特徴量及び場所的特徴量の総合的な揺らぎを算出してもよい。一例として、処理回路４１は、該当／非該当特徴量、時間的特徴量及び場所的特徴量各々の揺らぎを算出し、各特徴量の揺らぎの統計値（平均値や最小値、最大値など）を、総合的な揺らぎとして算出するとよい。

（応用例２）
図２４は、応用例２に係るグラフ特徴量の概要を表す図である。図２４に示すように、患者グラフ２０Ａの各ノードには、グラフ特徴量として、互いに発生時刻の異なる複数の診療事象情報から構成される時系列の診療事象情報が割り当てられている。診療事象情報は、時間に応じて値が変化する。例えば、診療事象の該当又は非該当は時間に応じて変化する。診療事象情報にはメタ情報として発生時間情報が割り当てられている。発生時間情報は、当該診療事象情報のタイムスタンプであり、例えば、当該診療事象の診断日時や記録日時等が割り当てられる。例えば、図２４に示すように、各ノードには、時間ｔの診療事象情報、時間ｔ＋１の診療事象情報、時間ｔ＋２の診療事象情報がグラフ特徴量として割り当てられている。

応用例２に係る処理回路４１は、時系列のグラフ特徴量に基づいてグラフ特徴量の揺らぎを算出する。

図２５は、応用例２に係る機械学習モデル６０Ａのネットワーク構成例を示す図である。図２５に示すように、機械学習モデル６０Ａは、グラフ畳み込み層６１、読出層６２及びＲＮＮ（再帰型ニューラルネットワーク：Recurrent Neural Network）層６４を有する。ＲＮＮ層６４は、時系列のグラフ特徴量２０Ｃから疾患分類情報７１を出力する。

図２５に示すように、時間ｔのグラフ特徴量が割り当てられた患者グラフ２０Ａ０、時間ｔ＋１のグラフ特徴量が割り当てられた患者グラフ２０Ａ１及び時間ｔ＋２のグラフ特徴量が割り当てられた患者グラフ２０Ａ２が処理対象であるとする。処理回路３１は、患者グラフ２０Ａ０、患者グラフ２０Ａ１及び患者グラフ２０Ａ２をグラフ畳み込み層６１に入力して、患者グラフ２０Ａ０に対応する畳み込み後の患者グラフ、患者グラフ２０Ａ１に対応する畳み込み後の患者グラフ及び患者グラフ２０Ａ２に対応する畳み込み後の患者グラフを出力し、各畳み込み後の患者グラフを読出し層６２に入力して時間ｔの特徴ベクトル２０Ｃ０、時間ｔ＋１の特徴ベクトル２０Ｃ１、時間ｔ＋２の特徴ベクトル２０Ｃ２を出力する。特徴ベクトル２０Ｃ０は時間ｔのグラフ特徴量のベクトル表現であり、特徴ベクトル２０Ｃ１は時間ｔ＋１のグラフ特徴量のベクトル表現であり、特徴ベクトル２０Ｃ２は時間ｔ＋２のグラフ特徴量のベクトル表現である。

図２５に示すように、処理回路３１は、特徴ベクトル２０Ｃ０、特徴ベクトル２０Ｃ１及び特徴ベクトル２０Ｃ２をＲＮＮ層６４に入力して単一の疾患分類情報７１を出力する。ＲＮＮ層６４を利用することにより、系列的な複数の時刻の診療事象情報を利用して種々の疾患の該当確率を得ることが可能になる。ＲＮＮ層６４の重みパラメータは、患者背景情報の影響を受ける。ＲＮＮ層６４の重みパラメータｗ_ｉは、（９）式に類似して、係数、ノード特徴量及びバイアスを要素とする数理モデルで表すことが可能である。

応用例２においては、揺らぎの成分に患者背景の時間的変化が組み込まれる。応用例２に係る患者背景情報は、互いに発生時刻の異なる複数の患者背景情報から構成される時系列の患者背景情報が割り当てられている。各患者背景情報は、年齢や性別、ＢＭＩ、病歴等の患者背景因子を有している。上記の通り、機械学習モデルに関与する要素のうちの揺らぎを有する要素としては、ノード特徴量とエッジ特徴量とがある。

応用例２に係るノード特徴量の算出例について説明する。上記図１４や（８）式に示す通り、ノード特徴量ｖ_ｉは、係数（α_ｖＺ＋β_ｖ）と初期的なノード特徴量ｘ_ｉとの積と、バイアスｂ_ｖとの和で表される。応用例２においては、（８）式の患者背景情報Ｚを、下記（１０）式に示す患者背景情報Ｚ´に置き換えることにより、ノード特徴量ｖ_ｉを算出することが可能である。

Ｚ´＝ＲＮＮ（Ｚ［ｔ］） （１０）

（１０）式に示すＲＮＮ（Ｚ［ｔ］）の具体的なアルゴリズムとしては、エルマンネットワークやジョーダンネットワーク、ＬＳＴＭ（long short-term memory）、ＧＲＵ（gated recurrent unit）等、種々のアルゴリズムが適用可能である。

（９）式により表されるＲＮＮ層６４の重みパラメータｗ_ｉについても、（９）式の患者背景情報Ｚを、（１０）式に示す患者背景情報Ｚ´に置き換えることにより算出することが可能である。

応用例２に係るエッジ特徴量の算出例について以下に説明する。上記図１１、（２）及び（３）式に例示する通り、処理回路３１は、複数の患者の診療事象情報に基づいて、診療事象ｘと診療事象ｙとを結ぶエッジについてグレンジャー因果性検定を行い、当該エッジのエッジ特徴量を表す数理モデルのモデルパラメータである重みＷ_ｘ及びバイアスｂ_ｘを決定し、重みＷ_ｘ及びバイアスｂ_ｘに基づいてエッジ特徴量である係数α_ｘを決定する。応用例２においては、（３）式の患者背景情報Ｚを、上記（１０）式に示す患者背景情報Ｚ´に置き換えることにより、重みＷ_ｘ及びバイアスｂ_ｘを決定することが可能である。

（応用例３）
応用例２においては各ノードに時系列のグラフ特徴量が割り当てられるものとした。応用例３においては患者グラフ自体が時系列で変化する。

応用例３に係る医用情報学習装置３の処理回路３１は、一旦学習済みモデルを生成した後においても、発生時刻の異なる学習サンプル（診療情報）を継続的に取得する。上記の通り、学習サンプルは、すなわち、診療事象情報及び疾患情報の組合せである。処理回路３１は、取得された複数の診療情報に基づいて、定期又は不定期に機械学習モデルの学習パラメータ及び数理モデルのモデルパラメータを継続学習（Continuous Learning）する。継続学習により発生時刻の異なる時系列の学習済みモデルが生成されることとなる。なお、学習パラメータは、隣接行列及び／又は機械学習モデルの学習パラメータを含む。各時点の学習済みモデルに各時点の畳み込み前の患者グラフを適用し、各時点の畳み込み後の患者グラフが生成される。これにより、各ノードのグラフ特徴量及びノード間の接続関係が時系列で変化する時系列の患者グラフを生成することが可能である。

時系列の学習済みモデルを構成する各発生時刻の学習済みモデルは、当該時刻までに取得された学習サンプルに基づいて、上記図９に示す処理手順に従い訓練される。この際、隣接行列Ａ及び／又は重みパラメータＷの更新の前後において患者グラフの特性が大きく変わることを抑制するために、下記（１１）及び（１２）式に示すように、損失関数に正則化項が設けられてもよい。（１１）式は、隣接行列Ａの更新に係る正規化項Ｌ_ｒｅｇであり、処理基準時刻の隣接行列Ａと他の時刻の隣接行列Ａ´との間のカルバックライブラー情報量により表される。（１２）式は、重みパラメータＷ^（ｌ）の更新に係る正規化項Ｌ_ｒｅｇであり、処理基準時刻の重みパラメータＷ^（ｌ）と他の時刻の重みパラメータＷ´^（ｌ）との間のカルバックライブラー情報量により表される。

（応用例４）
上記の幾つかの実施例においては、患者グラフの各ノードに、グラフ特徴量として、場所的特徴量等の空間情報が割り当てられるものとした。応用例４においては患者グラフ自体に空間の概念が追加される。

図２６は、応用例４に係る患者グラフと空間情報との関係性を模式的に示す図である。図２６に示すように、各患者グラフに、当該患者グラフの対象患者に関する空間情報が割り当てられる。空間情報は、その要素として、場所的情報と生物学的情報とを含む。場所的情報は、対象患者の現在位置を表すＧＰＳ等のセンサ情報であってもよいし、対象患者が受診する医療機関、対象患者の自宅住所、対象患者が入院している病室等の位置でもよい。生物学的情報は、対象患者の血縁関係や病歴、遺伝子配列情報等を含む。患者グラフに空間情報を埋め込むことにより、空間情報の関係の有無又は程度に従い複数の患者グラフが配置されたネットワーク（以下、患者グラフネットワーク）を構成することが可能である。

図２７は、患者グラフネットワーク２００の概念を示す図である。図２７に示すように、患者グラフネットワーク２００は、空間情報の関係の有無又は程度に従い連結された複数の患者グラフにより構成される。図２７は、４個の患者グラフ２０１，２０２，２０３，２０４を例示しているが、患者グラフの個数は２個以上であれば特に限定されない。

互いにエッジで接続された患者グラフ同士（例えば、患者グラフ２０１と患者グラフ２０２）は互いに空間情報の関係性を有することを意味する。反対に、エッジで接続されていない患者グラフ同士（例えば、患者グラフ２０１と患者グラフ２０４）は互いに空間情報の関係性を有しないことを意味する。また、エッジで接続された患者グラフ同士の距離は、空間情報の関係性の程度を表している。処理回路３１は、空間情報の関係性の程度を、場所的情報については、例えば、両者の自宅住所や病室間の距離に基づいて評価することが可能である。処理回路３１は、生物学的情報については、両者の親等数、病歴の医学的関係性、遺伝子配列の一致率に基づいて評価することが可能である。処理回路３１は、空間情報の関係性の有無を、上記方法により評価された程度と閾値との比較に基づいて判定することが可能である。エッジは、空間情報の上記要素の総合評価に基づいて形成されてもよいし、上記要素毎に形成されてもよい。

患者グラフに空間情報を割り当てることにより、対象患者の患者グラフに空間情報が近接する患者グラフを容易に検索することが可能である。一例として、処理回路３１は、対象患者の患者グラフにエッジで接続された患者グラフを、対象患者に空間情報が近接する患者の患者グラフとして、抽出することが可能である。

なお、空間情報は、場所的情報と生物学的情報との双方を含むことに限定されず、場所的情報と生物学的情報との何れか一方のみを含んでもよい。

（応用例５）
応用例５は、応用例４に係る空間情報を利用するものである。応用例５に係る医用情報処理装置３の処理回路３１は、対象患者とは異なる患者の患者グラフのグラフ特徴量を、対象患者の患者グラフに畳み込む。

図２８は、応用例５に係るグラフ特徴量の概要を表す図である。図２８に示すように、患者グラフ２０Ｂの各ノードには、グラフ特徴量として、該当／非該当特徴量、時間的特徴量、場所的特徴量及び／又は空間的近接患者特徴量等の診療事象情報が割り当てられる。該当／非該当特徴量、時間的特徴量及び場所的特徴量は、応用例１で説明した通りである。空間的近接患者特徴量は、対象患者に空間情報が近接している他の患者の診療事象情報である。例えば、診療事象「頭痛」のノードには、対象患者の該当／非該当特徴量、時間的特徴量及び場所的特徴量の他、対象患者の父親及び／又は母親の該当／非該当特徴量、時間的特徴量及び場所的特徴量が割り当てられることとなる。

応用例５に係る処理回路３１は、応用例５に係る診療事象情報を医療知識グラフに写像して対象患者の患者グラフ２０Ａを生成する。応用例５に係る診療事象情報は、診療事象毎に該当／非該当特徴量、時間的特徴量、場所的特徴量及び空間的近接患者特徴量を含んでいる。該当／非該当特徴量、時間的特徴量及び場所的特徴量は、対象患者の診療事象情報である。空間的近接患者特徴量は、対象患者に空間情報が近接する他の患者の診療事象情報である。すなわち、応用例５に係る処理回路３１は、対象患者の診療事象情報と他の患者の診療事象情報とを各ノードのノード特徴量として当該ノードに写像する。写像により、各ノードに該当／非該当特徴量、時間的特徴量、場所的特徴量及び空間的近接患者特徴量が割り当てられた患者グラフ２０Ｂが生成される。

その後、処理回路３１は、該当／非該当特徴量、時間的特徴量、場所的特徴量及び空間的近接患者特徴量が割り当てられたノードを有する患者グラフを、機械学習モデル６０に適用して、疾患分類情報等の医学的判断情報を推定する。応用例５によれば、各診療事象の該当／非該当特徴量、時間的特徴量、場所的特徴量及び空間的近接患者特徴量を考慮して医学的判断情報を推定することが可能になる。これにより対象患者だけでなく、対象患者に空間情報が近接する患者の診療情報（グラフ特徴量）を考慮した医学的判断情報を推定することが可能である。なお、各ノードには該当／非該当特徴量、時間的特徴量、場所的特徴量及び空間的近接患者特徴量の全て割り当てられている必要はなく、空間的近接患者特徴量と、該当／非該当特徴量、時間的特徴量及び場所的特徴量のうちの何れか２種又は１種とが割り当てられてもよい。

（応用例６）
上記の幾つかの実施例において処理回路３１は、患者グラフに基づく可視化グラフの表示について、症状、身体所見、検査所見、治療、治療反応及び副作用を含む全ての診療事象カテゴリのうちの一部カテゴリに属するノード及びエッジのみ含む部分患者グラフに基づく可視化グラフを表示するものとした。しかしながら、処理回路３１は、図２に示すように、全ての診療事象カテゴリに亘る患者グラフ全体に基づく可視化グラフを表示してもよい。この際、処理回路３１は、各カテゴリを色等の視覚効果により識別可能に可視化グラフを表示してもよい。これにより、患者グラフ全体を俯瞰することが可能になる。

以上説明した少なくとも１つの実施形態によれば、患者間の個人差を可視化することができる。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ））、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現しても良い。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１、図５及び図１７における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ 診療情報保管装置
２ 医療知識グラフ保管装置
３ 医用情報学習装置
４ 医用情報処理装置
３１ 処理回路
３２ メモリ
３３ 入力インタフェース
３４ 通信インタフェース
３５ ディスプレイ
４１ 処理回路
４２ メモリ
４３ 入力インタフェース
４４ 通信インタフェース
４５ ディスプレイ
１００ 医用情報システム

Claims (22)

1. １以上の対象患者の背景因子に関する患者背景情報を取得する取得部と、
   診療事象に対応するノードと当該ノード間の関係性を表すエッジとを有する医療知識グラフを記憶する部であって、前記医療知識グラフのグラフ特徴量は、患者背景情報に特徴付けられた数理モデルにより表現される、記憶部と、
   前記対象患者の患者背景情報と前記数理モデルとに基づいて、前記対象患者に関する前記グラフ特徴量の揺らぎを算出する算出部と、
   前記グラフ特徴量の前記揺らぎを表示する表示制御部と、
   を具備する医用情報処理装置。
2. 前記グラフ特徴量は、ノードの種類、ノードの値、エッジの種類及び／又はエッジの値を有する、請求項１記載の医用情報処理装置。
3. 前記表示制御部は、前記医療知識グラフを可視化した可視化グラフを表示し、前記可視化グラフに含まれるノード及び／又はエッジを前記揺らぎに対応する表示形態で表示する、請求項２記載の医用情報処理装置。
4. 前記患者背景情報のうちの表示対象の背景因子を選択する選択部を更に備え、
   前記表示制御部は、選択された前記表示対象の背景因子に関する前記グラフ特徴量の前記揺らぎを表示する、
   請求項１記載の医用情報処理装置。
5. 前記診療事象は、症状、検査、治療、治療反応及び副作用のうちの少なくとも１つのカテゴリに属する事象を含む、請求項１記載の医用情報処理装置。
6. 前記診療事象の表示対象のカテゴリを選択する選択部を更に備え、
   前記表示制御部は、前記医療知識グラフから、表示対象のカテゴリに属するノード及び当該ノード間を結ぶエッジを含む部分グラフを抽出し、前記部分グラフを可視化した可視化グラフを表示し、前記可視化グラフに含まれるノード及び／又はエッジを前記揺らぎに応じた表示形態で表示する、
   請求項１記載の医用情報処理装置。
7. 前記医療知識グラフの前記グラフ特徴量は、モデルパラメータを変数とする前記数理モデルにより表され、
   前記モデルパラメータは、前記患者背景情報に基づいて決定される、
   請求項１記載の医用情報処理装置。
8. 前記医療知識グラフは、複数の患者の診療情報又は医療オントロジに基づいて生成されたグラフである、請求項１記載の医用情報処理装置。
9. 前記記憶部は、前記医療知識グラフから医学的判断情報を推定する機械学習モデルを更に記憶し、前記機械学習モデルの学習パラメータは、前記患者背景情報に特徴づけられた前記数理モデルにより表現され、
   前記算出部は、前記対象患者の前記患者背景情報と前記数理モデルとに基づいて、前記対象患者に関する前記学習パラメータの揺らぎを算出し、
   前記表示制御部は、前記学習パラメータの前記揺らぎを表示する、
   請求項１記載の医用情報処理装置。
10. 前記患者背景情報は、互いに発生時刻の異なる時系列の患者背景情報であり、
    前記算出部は、前記対象患者の前記時系列の患者背景情報と前記数理モデルとに基づいて、前記対象患者に関する前記グラフ特徴量の前記揺らぎを算出する、
    請求項１記載の医用情報処理装置。
11. 複数の患者の背景因子に関する患者背景情報を取得する取得部と、
    診療事象に対応するノードと当該ノード間の関係性を表すエッジとを有する医療知識グラフとを記憶する部であって、前記医療知識グラフのグラフ特徴量は、患者背景情報を含む数理モデルにより特徴付けられる、記憶部と、
    複数の患者の患者背景情報と前記数理モデルとに基づいて前記数理モデルのモデルパラメータを決定する学習部と、
    を具備する医用情報学習装置。
12. 前記数理モデルは、患者背景情報で層別化した層別化モデル、患者背景情報による変量効果を有する混合モデル、又は患者背景情報によって一意に値が定まる関数である、請求項１１記載の医用情報学習装置。
13. 前記数理モデルは、患者背景情報に依存しない項と患者背景情報によって特徴付けられる項とを有する、請求項１１記載の医用情報学習装置。
14. 前記モデルパラメータは、前記複数の患者の患者背景情報に基づく統計解析又は機械学習により決定される、請求項１１記載の医用情報学習装置。
15. 前記グラフ特徴量は、エッジの種類及び／又はエッジの値であり、
    前記モデルパラメータは、分散分析、グレンジャー因果推定又は因果効果推定に基づいて決定される、
    請求項１１記載の医用情報学習装置。
16. 前記モデルパラメータは、階層ベイズモデル又は教師有り学習に基づいて決定される、請求項１１記載の医用情報学習装置。
17. 前記記憶部は、前記医療知識グラフから医学的判断情報を推定する機械学習モデルを更に記憶し、前記機械学習モデルの学習パラメータは、前記患者背景情報に特徴づけられた前記数理モデルにより表現され、
    前記学習部は、前記複数の患者の前記患者背景情報と前記数理モデルとに基づいて、前記学習パラメータを決定する、
    請求項１１記載の医用情報学習装置。
18. 前記機械学習モデルは、前記医療知識グラフの前記グラフ特徴量から医学的判断情報を推定する線形結合層を有し、
    前記学習パラメータは、前記線形結合層の重みパラメータである、
    請求項１７記載の医用情報学習装置。
19. 前記患者背景情報は、時間情報を有さない情報である、請求項１１記載の医用情報学習装置。
20. 前記医療知識グラフは、複数の患者の診療情報又は医療オントロジに基づいて生成されたグラフである、請求項１１記載の医用情報学習装置。
21. 前記診療事象は、症状、検査、治療、治療反応及び副作用のうちの少なくとも１つのカテゴリに属する事象を含む、請求項１１記載の医用情報学習装置。
22. 前記患者背景情報は、時系列の患者背景情報であり、
    前記学習部は、複数の患者の時系列の患者背景情報と前記数理モデルとに基づいて、前記モデルパラメータを決定する、
    請求項１１記載の医用情報学習装置。