JP2017504087A - コンピュータ化された臨床診断支援のための階層的自己学習システム - Google Patents

Abstract

個々のコンピュータ診断支援（ＣＤＳ）システムは、「グローバル」ＣＤＳシステムに結合される。各ＣＤＳシステムは、同じ学習システム又は同じ学習システム技術を使用する。各ＣＤＳシステムからの訓練症例及びテスト症例が、グローバルＣＤＳシステムに提供され、グローバルＣＤＳシステムは、訓練症例を使用して、訓練症例に基づいた学習システムパラメータを生成する。個々のＣＤＳシステムのどのＣＤＳシステムよりも多くの訓練症例を有することにより、グローバルＣＤＳシステムによって提供されるパラメータは、個々のＣＤＳシステムのどのＣＤＳシステムよりも高品質の診断出力を提供する。グローバルＣＤＳシステムにおける学習システムパラメータは、個々のＣＤＳシステムの学習システムのパラメータを更新するために、各ＣＤＳシステムに提供される。グローバルＣＤＳシステムは更に、具現化された学習システムの構造を改良及び／又は調整することもできる。

Description

本発明は、医療診断の分野に関し、特に、階層的に配置される複数の診断システムを含むコンピュータベースの自己学習システムに関する。

臨床診断支援（ＣＤＳ）システムは、一般に、診断処理において、医療従事者を支援するように使用される。ＣＤＳシステムは、医者のオフィス、クリニック、ヘルスセンター等に配置されてよい。システムのユーザは、患者の生命兆候、検査室検査結果、観測、経歴、家族歴等といった患者に関する入力データをＣＤＳシステムに提供し、ＣＤＳシステムは、このデータが、特定の病状と又は一組の病状と一致しているかどうかを決定することを試みる。この決定は、医療従事者に、２値、イエス／ノー決定、一組の可能性値等として提示される。

多くのＣＤＳシステムは、各診断の精度に関するフィードバックを受信することによって、又は、一組の例示的な症例を使用して「訓練」されることによって、その診断精度を向上させる自己学習、又は、「マシン学習」システムとして具現化される。つまり、「正しい」診断が、入力データに加えて提供され、システムは、正しい診断を踏まえて、データを処理し、これにより、別の患者について、同様の一組の入力データが提供されると、正しい診断を提供する可能性が増加する。「正しい」診断があることによって、その性能を評価する及び／又は学習システムが実際の臨床応用における使用に十分にロバストであるかどうかを決定するために、当該学習システムをテストすることも可能にする。

学習システムは、ニューラルネットワーク、トランスダクティブ（transductive）及びベイジアン推論、デシジョンツリー学習等を含む様々なマシン学習技術のうちの何れかを用いて具現化されてよい。これらの技術のそれぞれにおいて、学習システムは、訓練又はフィードバック段階中に、学習処理に関連付けられる一組のパラメータを調整する処理と、これらのパラメータを入力データに適用して、診断結果を生成する処理とを含む。例えばニューラルネットワークは、各入力部に、互いに及び出力部に結合される複数の内部ノードを含む。パラメータは、出力部において出力値を提供するように所与の一組の入力値がネットワークを伝播される方法を規定する各ノードと当該ノード間の各接続とに関連付けられる。訓練段階中、パラメータは、決定された出力値と既知の「正しい」出力値との差分が減少されるように、当該差分に基づいて調整されて、これにより、後続の一組の入力データに適用されたときに、既知の「正しい」出力を生成する可能性が増加される。

学習システムを訓練するために必要な例示的症例数は、使用される技術、入力データと出力との固有の相関関係、訓練症例間の分散等に依存する。ロバストな訓練可能なシステムでは、学習システムの診断精度は、訓練症例数が増加するにつれて上がる。しかし、特定の医師、クリニック又は医療センターが提供可能である症例数は、特に、既知の「正しい」診断で、ＣＤＳシステムを訓練し、テストするために使用される場合は、通常、比較的少ない。

更に、「正しい」診断の決定は、ＣＤＳシステムのユーザの診断スキルによって異なり、幾つかの実施形態では、特定のＣＤＳシステムは、ユーザの誤った診断を単に強めるために訓練されてしまうことがある。

コンピュータ診断システム（ＣＤＳ）の特定のユーザ／訓練者にあまり依存しない当該ＣＤＳを提供することが有利である。

この課題に対処するために、本発明の一実施形態において、個々のコンピュータ診断支援（ＣＤＳ）システムは、「グローバル」ＣＤＳシステムに結合される。各ＣＤＳシステムは、同じ学習システム又は同じ学習システム技術を使用する。各ＣＤＳシステムからの訓練症例及びテスト症例が、グローバルＣＤＳシステムに、定期的又は非定期的に、提供され、グローバルＣＤＳシステムは、様々な個々のＣＤＳシステムからの訓練症例を使用して、訓練症例に基づいた学習システムパラメータを生成する。個々のＣＤＳシステムのどのＣＤＳシステムよりも多くの訓練症例を有することにより、グローバルＣＤＳシステムによって提供されるパラメータは、個々のＣＤＳシステムのどのＣＤＳシステムよりも高品質の診断出力を提供する。テストによって、グローバルＣＤＳシステムの精度又はロバスト性における向上が分かると、グローバルＣＤＳシステムにおける学習システムパラメータは、個々のＣＤＳシステムの学習システムのパラメータを更新するために、各ＣＤＳシステムに提供される。グローバルＣＤＳシステムは更に、具現化された学習システムの構造を改良及び／又は調整して、これらの学習システムの精度、ロバスト性及び／又は効率を更に向上させることもできる。

本発明は、添付図面を参照して、更に詳細に、また、例として説明される。

図１Ａは、従来技術の臨床診断支援システムに関連付けられる例示的な動作を示す。 図１Ｂは、従来技術の臨床診断支援システムに関連付けられる例示的な動作を示す。 図１Ｃは、従来技術の臨床診断支援システムに関連付けられる例示的な動作を示す。 図１Ｄは、従来技術の臨床診断支援システムに関連付けられる例示的な動作を示す。 図２は、グローバル臨床診断支援（ＣＤＳ）システムがローカルＣＤＳシステムと通信する、臨床診断支援システムの例示的なネットワークを示す。 図３Ａは、例示的なグローバル臨床診断支援システムを示す。 図３Ｂは、例示的なローカル臨床診断支援システムを示す。 図４は、臨床診断支援システムのネットワークにおける通信の例示的なフロー図を示す。

図面全体を通して、同じ参照符号は、同様の又は対応する特徴又は機能を示す。図面は、例示を目的として含まれており、発明の範囲を限定することを意図していない。

以下の説明において、限定ではなく例示を目的として、本発明の概念の十分な理解を提供するために、特定のアーキテクチャ、インターフェース、技術等といった具体的な詳細が記載される。しかし、本発明は、これらの具体的な詳細から離れる他の実施形態においても実施可能であることは、当業者には明らかであろう。同様に、本説明の本文も、図面に例示される実施形態に向けられたものであり、請求項に明示的に含まれる限界を超える請求項に係る発明を制限することを意図していない。単純さ及び明確さのために、周知のデバイス、回路及び方法の詳細な説明は、不必要な詳細で、本発明の説明を曖昧としないために、省略される。

図１Ａ乃至図１Ｄは、従来技術の臨床診断支援（ＣＤＳ）システム１５０に関連付けられる例示的な動作を説明する。

図１Ａは、ＣＤＳシステム１５０内の学習システムの例示的な訓練を示す。複数の訓練データ１１０が、ＣＤＳシステム１５０に提供される。この訓練データ１１０は、（実際又は仮想の）患者に関連付けられる複数の入力データを含み、例えば患者の生命兆候、検査室検査結果、観察、症状等だけでなく、性別、年齢、民族的背景、家族歴等といった背景情報を含んでもよい。幾つかの実施形態では、提供される入力データのセットは、診断対象である特定の疾病又は疾患に固有である。例えば家族歴は、遺伝的であることが分かっている疾病については提供されるが、他の疾病には提供されない。入力データ１１０は、収集された「生データ」に直接的に相当しないが、そのような生データを前処理した結果であってよい。例えば、生データにおける２つの要素間の比率は、しばしば、要素の各値よりもよい診断値を有することが知られており、この比率が、入力データとして提供されてよい。

ＣＤＳシステム１５０は、入力データと一致した１つ以上の疾病又は疾患の特定、及び／又は、入力データと一致しない１つ以上の疾病又は疾患の特定を提供するために、特定の疾病若しくは疾患、又は、一組の疾病若しくは疾患に対処する。ＣＤＳシステム１５０は、入力データを受信し、診断出力を提供する学習システムを含む。ＣＤＳシステム１５０の品質又は精度は、提供された診断出力が正しいかどうか、及び／又は、出力が正しい度合いに基づいて評価される。

診断出力の「正しさ」は、診断出力を、既知の「正しい」診断又は「正しい」と仮定される診断と比較することによって決定される。「正しい」診断とは、同じ入力データを検討した後に、医療従事者によって、又は、患者の状態における後続の変化によって、提供される診断である。例えば診断出力が、患者は特定の疾病の初期段階を経験している可能性が高いというものである場合、患者が最終的に当該疾病の後期段階を経験する場合、当該診断出力は、正しかったと決定される。当該患者が、当該疾病の後期段階を発現しない場合、当該診断出力は、正しくなかったと決定される。

ＣＤＳシステム１５０の精度を向上させるために、図１Ａに示される「学習モード」中に、それに対して「正しい」診断が利用可能である入力データのセットが、ＣＤＳシステム１５０内の学習システムに提供される。入力データと「正しい」診断との両方が、学習システムに提供され、当該学習システムは、この入力データ及び「正しい」診断を処理して、ＣＤＳシステム１５０からの診断出力が「正しい」診断と一致する可能性を増加させる。

上記されたように、学習システムは、入力データの各要素、又は、入力データの要素のセットによって診断出力が影響を受ける態様を決定するパラメータ１２０によって特徴付けられる。説明及び理解し易くするために、各隣接層のノード間の接続を有する単一出力ノードの複数層を含むニューラルネットワークを使用する学習システムの実例が使用される。入力データは、第１の層に接続され、診断出力は、最後の層において生成される。各ノードは、「バイアス」又は「閾値」パラメータを有し、ノード間の各接続は、「重み」パラメータを有する。各ノードの出力は、次の層における各ノードへの各接続の重みによって、当該ノードの出力を乗算することによって、次の層のノードへと伝播される。各ノードは、当該ノードの出力を生成するために、ノードへの入力とノードのバイアスとを組み合わせる伝達関数を含む。一般に、シグモイド関数が、各ノードにおける伝達関数として使用される。

この例示的な実施形態では、各出力のノードの出力値は、当該出力の上記された既知の「正しい」値又は「正しい」と仮定される値と比較され、誤差値が生成される。ノード及び接続のパラメータ（バイアス及び重み）は、各入力及び介在するノードが出力値、また、対応して、誤差値に与えた影響を決定する。これらのパラメータは、各パラメータに対する誤差の差又は勾配と、「学習率」とに基づいて調整される。マルチ出力学習システムでは、パラメータは、（「平均平方誤差」といった）最小複合誤差を提供するように調整される。

学習率は、パラメータの修正がどれだけ大きいかを決定する。これにより、入力データの各セットの、パラメータの前の値によって決められる学習マシンの現在の状態への影響が決められる。低学習率では、学習システムを適切に訓練するには、多数の入力データセットを必要とし、高学習率では、必要とする入力データセットは少なくてよいが、急変をもたらすことがあり、適切な精度を達成できないことがある。

すべての訓練データが処理された後、学習システムは、図１Ｂに示されるように、精度についてテストされる。入力データの多数のセット１１２及び対応する「正しい」診断が、ＣＤＳシステム１５０に提供され、ＣＤＳシステム１５０内の学習システムは、図１Ａの訓練段階中に生成された学習システムパラメータ１２０を使用する。

テストデータ１１２は、学習システムを訓練するために使用された訓練データ１１０のサブセットを含んでいてもよいし、訓練データ１１０とは関係なくてもよい。しかし、この場合、学習システムパラメータ１２０は、入力データの各セットの「正しい」診断に基づいて調整されるのではなく、出力診断が、「正しい」診断と比較されて、各出力診断の精度尺度が提供される。各出力診断の精度尺度は、これらのパラメータ１２０を有するＣＤＳシステム１５０の品質に関連付けられる１つ以上の精度統計値を提供するように、組み合わされてもよい。これらの統計値及び他の決定は、精度評価レポート１３０に提示される。このような精度評価１３０に基づいて、ユーザは、決定された学習システムパラメータ１２０を有するＣＤＳシステム１５０が、臨床環境における使用に適しているかどうかを決定することができる。

図１Ｃは、新しい患者の入力データ１１５又は既存患者の更新された入力データの診断を行うために使用される、決定された学習システムパラメータ１２０を有する例示的なＣＤＳシステム１５０を示す。この構成では、ＣＤＳシステムは、図１Ｂのテスト段階と同様に動作し、入力データ１１５及びＣＤＳシステム内の学習システムの現在のパラメータ１２０に基づいて、診断出力１４０を提供する。

診断出力１４０は、処方箋を提供する、更なる検査を要求する等のために、医療従事者によって使用される。しかし、上記されたように、この診断出力１４０の精度は、訓練データ１１０のセット数と、訓練データ１１０の各セットについて「正しい」と想定される診断の品質とに大きく依存する。

図１Ｄに示されるように、訓練データのセット数は、既存の入力データのセットについて、「正しい」診断を決定することによって増加することができる。この「正しい」診断は、例えば入力データ１１５を、ＣＤＳシステム１５０によって対処されている特定の疾病又は疾患の分野における診断専門家といった「評価者」１８０に提供することによって得られる。上記されたように、「正しい」診断は、患者の症状の後続の変化によって決定されてもよい。特定の入力データのセットについて、「正しい」診断が決定できると、当該入力データと「正しい」診断とが、新しい訓練データ１１０’のセットを提供するために使用される。

しかし、新しい訓練データの作成は、依然として、ＣＤＳシステム１５０に提供された症例の数、これらの症例の「正しい」診断の利用可能性、及び、これらの利用可能な診断の品質／精度に制限されている。

図２は、グローバルＣＤＳシステム２５０ＧがローカルＣＤＳサイト２００Ａ乃至２００ＤにおけるＣＤＳシステム２５０Ａ乃至２５０Ｄと通信する臨床診断支援システムの例示的なネットワークを示す。このネットワークは、任意の特定のＣＤＳサイト２００Ａ乃至２００Ｄにおいて従来から利用可能であるパラメータ値よりもよりロバストで正確な訓練システムパラメータ値のセットを提供することを目的としている。

この例示的な実施形態では、ＣＤＳシステム２５０Ａ乃至２５０Ｄ、２５０Ｇはいずれも、同様の学習システムを使用するので、学習システムパラメータ１２０Ａ乃至１２０Ｄ、２２０は、互いに互換性があるか、又は、この互換性を提供するように変換可能である。参照及び理解し易くするために、以下において、これらのシステム２５０Ａ乃至２５０Ｄ、２５０Ｇのそれぞれにおける学習システムは、同一であると仮定される。

上記されたように、単一のＣＤＳサイト２００Ａ乃至２００Ｄは、限られた量の訓練データを有し、各ＣＤＳシステム２５０Ａ乃至２５０Ｄを訓練するために使用される「正しい」診断の品質は、各サイト２００Ａ乃至２００Ｄによって異なる。本発明の一態様によれば、グローバルＣＤＳシステム２５０Ｇは、各サイト２００Ａ乃至２００Ｄから、訓練データを受信し、これにより、個別のＣＤＳシステム２５０Ａ乃至２５０Ｄの何れかがアクセスできる訓練データよりも多くの訓練データが蓄積される。この大量の訓練データは、訓練データにおける任意の特定の誤りのある「正しい」診断の影響を最小限にすることもできる。

グローバルＣＤＳシステム２５０Ｇは、ローカルＣＤＳシステム２５０Ａ乃至２５０Ｄからのローカル訓練データ１１０Ａ乃至１１０Ｄを受信し、このデータを、グローバル訓練データ２１０として記憶する。ローカル訓練データ１１０Ａ乃至１１０Ｄを得るために、様々な技術のうちのどの技術を使用してもよい。ローカルＣＤＳシステム２５０Ａ乃至２５０Ｄは、グローバルＣＤＳシステム２５０Ｇに、定期的に又は非定期的に連絡して、任意の新しい訓練データをアップロードするか、及び／又は、グローバルＣＤＳシステム２５０Ｇが、各ローカルＣＤＳシステム２５０Ａ乃至２５０Ｄに、定期的に又は非定期的に連絡して、任意の新しい訓練データのアップロードを要求してもよい。訓練データ１１０Ａ乃至１１０Ｄを用いてグローバル訓練データ２１０をポピュレートするために、他の技術が使用されてもよい。上記されたように、ＣＤＳシステム２５０Ａ乃至２５０Ｄ、２５０Ｇが同一ではない場合、グローバルＣＤＳシステム２５０Ｇは、必要に応じて、互換性を提供するように、受信した訓練データを前処理してもよい。同様に、ローカルＣＤＳシステム２５０Ａ乃至２５０Ｄが、例えば患者データにおける要素の比率を提供するように、患者データを前処理する場合、当該前処理は、グローバルＣＤＳシステム２５０Ｇにおいても行われる。

新しい訓練データ２１０を受信すると、グローバルＣＤＳシステム２５０Ｇは、この新しい訓練データ２１０を使用して、グローバルＣＤＳシステム２５０Ｇ内の学習システムを更に訓練して、新しいグローバル学習システムパラメータ２２０のセットを生成する。任意選択的に、グローバルＣＤＳシステム２５０Ｇの操作者は、グローバル学習システムパラメータ２２０に変更が適用される前に、受信した新しい訓練データを「事前スクリーニング」してもよい。例えば操作者は、新しい訓練データを、グローバルＣＤＳシステム２５０Ｇに、学習モードではなく、診断モードにおいて適用して、ＣＤＳシステム２５０Ｇの診断出力を、新しい訓練データ２１０において提供された「正しい」診断と比較してもよい。当該診断出力と「正しい」診断との間に、著しい差分がある場合、新しい訓練データ２１０は、医療従事者に提供され、受信した訓練データにおける「正しい」診断が、対応する入力データに一致しているかどうかが評価される。この事前スクリーニングは、各ＣＤＳシステム２５０Ａ乃至２５０Ｄからの診断に関連付けられる仮定される品質及び／又は信頼性に基づいて、受信されるすべての訓練データ、又は、選択されたＣＤＳシステムから受信される訓練データに適用される。

グローバル学習システムパラメータ２２０を作成又は変更するために訓練データを処理した後、これらのパラメータ２２０を有するグローバルＣＤＳシステム２５０Ｇは、上記精度評価及び／又は精度統計値を提供するためにテストされる。テストが、許容可能なレベルの精度及び／又は信頼性を示す場合、これらのパラメータ２２０を、ローカルＣＤＳサイト２００Ａ乃至２００Ｄが利用できるようにする。

推定上、これらの更新されたパラメータ２２０は、追加の訓練データを使用して生成されるので、更新されたパラメータ２２０を使用するＣＤＳシステム２５０Ｇの精度及び／又は信頼性は、更新前のパラメータを使用するＣＤＳシステム２５０Ｇの精度及び／又は信頼性よりも優れていることが期待される。任意選択的に、グローバルＣＤＳシステム２５０Ｇの操作者は、更新されたパラメータが、前のパラメータほどうまく機能しないと決定されると、これらの更新されたパラメータを提供しないこともある。テストの結果は、適用される特定のテストデータのセットと他の偶然要因とに依存するので、更新されたパラメータの性能に関するこの決定は、観察された差分が、これらの新しい学習システムパラメータ２２０のリリースを保留するのに十分に「著しい」かどうかを決定するための１つ以上の統計的テストを使用することを含む。

新しい学習システムパラメータ２２０は、様々な技術の何れかを使用して、ローカルＣＤＳサイト２００Ａ乃至２００Ｄにダウンロードされてもよい。グローバルＣＤＳシステム２５０Ｇは、各サイト２００Ａ乃至２００Ｄに、新しいパラメータ２２０が利用であることを通知し、各サイト２００Ａ乃至２００Ｄからのダウンロードの要求を待つことができる。或いは、グローバルＣＤＳシステム２５０Ｇは、新しいパラメータ２２０を、すべてのサイト２００Ａ乃至２００Ｄに、例えば電子メールへの添付ファイルとして、「ブロードキャスト」してもよい。

各サイト２００Ａ乃至２００Ｄは、そのローカル学習システムパラメータ１２０Ａ乃至１２０Ｄを、新しいパラメータ２２０に基づいて更新するオプションを有し、当該更新は、自動的に行われても、又は、ローカルテストの後に行われてもよい。この更新は、ローカルパラメータ１２０の更新されたパラメータ２２０との直接的な置換であってもよいし、ローカルＣＤＳシステムとグローバルシステムとが異なる場合に応じて、何らかの前処理を含んでもよい。参照し易くするために、ここでは、「パラメータを更新」及び「パラメータを置換」との用語は、パラメータの１つ以上に対する変更と定義される。

サイト２００は、その独自のテストデータを、前のパラメータ１２０を有するそのシステム２５０に適用し、次に、新しいパラメータ２２０で前のパラメータ１２０を置換する前に、新しいパラメータ２２０を有するシステム２５０に適用する。上記されたように、推論上、新しいパラメータ２２０は、ローカルパラメータ１２０よりも高い品質及び／又は信頼性を提供するが、パラメータ２２０が、当該高い品質及び／又は信頼性を提供しないと決定される場合、サイト２００の操作者は、パラメータ１２０の新しいパラメータ２２０による更新を、あまり良くない性能の原因が決定されるまで、延期する。

上記されたように、所与のパラメータ１２０、２２０のセットによって提供される品質及び／又は信頼性は、訓練データにおいて提供される「正しい」診断の精度に依存する。同様に、ローカルテストデータを使用するテストの結果は、テストデータにおける「正しい」診断の精度に依存する。新しいパラメータ２２０が、ローカルパラメータ１２０に劣る性能を示す場合、パラメータ２２０が、ローカルテストデータに適用された場合に、ローカルパラメータ１２０よりも真に劣っているか、又は、テストデータにおいて提供される診断が、パラメータ２２０を決定するために使用されたグローバル訓練データ２１０における診断よりも劣っている。ローカルサイト２００の操作者は、これらのシナリオのうちのどちらがサイト２００においてあるのか解決できるまで、パラメータ１２０の新しいパラメータ２２０による更新を延期する。

一般的には、所与のサイトにおいて利用可能である訓練症例数を著しく超える訓練症例数に基づいているグローバルパラメータ２２０は、ローカルパラメータ１２０よりも優れ、各サイト２００Ａ乃至２００Ｄは、そのローカルパラメータ１２０Ａ乃至１２０Ｄを、パラメータ２２０のコピーで更新する。その後、グローバルパラメータ２２０は、時間の経過に伴ってグローバルＣＤＳシステム２５０Ｇに提供される訓練症例の数が増加して、更新されるので、更新された学習システムパラメータ２２０が、各サイトにおけるローカル学習システムパラメータ１２０Ａ乃至１２０Ｄとしてのパラメータ２２０の先のコピーを置換する。

各ローカルＣＤＳサイト２００Ａ乃至２００Ｄは、互いに独立していてよく、また、他のサイトの識別さえも知らなくてよい。グローバルＣＤＳシステム２５０Ｇは、ローカルＣＤＳシステム２５０Ａ乃至２５０Ｄのベンダーによって、ネットワーキング及びパラメータ更新機能が提供されてよい。当該機能は、これらのＣＤＳシステム２５０を競合ＣＤＳシステムから区別する特徴として提供される。

つまり、例えばＣＤＳシステム２５０の購入者には、そのローカル訓練データ１１０Ａ乃至１１０ＤをグローバルＣＤＳシステム２５０Ｇに提供することと引き換えに、グローバルＣＤＳシステム２５０Ｇから学習システムパラメータ２２０を受信する機会が提供される。グローバルＣＤＳシステム２５０Ｇに提供されるローカル訓練データ１１０Ａ乃至１１０Ｄは、特定の患者の識別情報を含む必要はないため、患者のプライバシーは保証される。他のセキュリティ手段が使用されてもよい。

図３Ａ及び図３Ｂは、それぞれ、例示的なグローバルＣＤＳシステム及びローカルＣＤＳシステムを示す。

図３Ａの例示的なグローバルＣＤＳシステムは、学習システム３２０と、メモリ３３０と、ネットワークインターフェース３４０と、学習システム３２０及びネットワークインターフェース３４０の動作を制御するプロセッサ３５０とを含む。

上記されたように、複数のローカルＣＤＳシステムに対してデータを送受信できる任意の通信デバイスであってよいネットワークインターフェース３４０は、複数のローカルＣＤＳシステムのそれぞれから訓練データ１１０を受信し、当該データ１１０を、共有グローバル訓練データ２１０として、メモリ３３０に記憶する。メモリ３３０は更に、グローバル学習システムパラメータ２２０も含む。これらのパラメータは、学習システム３２０が、患者に対応する所与の入力データのセットに対応する診断出力３２５を提供できるようにする構造パラメータ及び動作パラメータを含む。この患者は、実際の人であっても、１つの特定の疾病を有する仮想の人といった仮想の人であってもよい。この仮想の人は、当該仮想の人が有する可能性のある仮定された入力データを有する。このような仮想患者は、各仮想患者の仮想入力データを処理し、結果としてもたらされる診断３２５を、各仮想患者の特定の疾病と比較することによって、学習システムパラメータを初期化するために使用される。仮想患者の処理は更に、医学生の教育ツールとして使用されてもよい。

ニューラルネットワークベースの学習システムの例では、構造パラメータは、ネットワークの構造（入力部の数、出力部の数、隠れ層の数、各層におけるノードの数、ノード間の接続等）、入力データの要素のネットワークの特定の入力部への割当て、ネットワークの特定の出力部の出力診断データへの割当て等である。動作パラメータは、各ノードに関連付けられる上記バイアス、及び、ノード間の各接続に関連付けられる重みであってよい。

パラメータ２２０を初期化するために、プロセッサ３５０は、モード制御３５５を介して、学習システム３２０を学習モードに設定し、当該学習システムに、訓練データ（入力データ＋「正しい」診断）２１０のセットを連続して提供する。訓練データ２１０の各セットが学習システム３２０によって処理されるにつれて、学習システム３２０は、その決定された診断を、「正しい」診断と比較し、パラメータ２２０を調整して、後続の繰り返しにおいて、決定された診断が「正しい」診断により合う可能性を増加させる。幾つかの学習システムにおいて、訓練データ２１０のセットのグループは、パラメータ２２０が調整される前に処理されてもよい。

訓練データ２１０の各セットを処理するために必要な時間に応じて、学習処理は、現在、利用可能な訓練データ２１０がすべて処理されるまで、継続するか、又は、学習処理は、所与の基準が満足された後、「中断」されて、すべての訓練データ２１０が処理される前に、パラメータ２２０のテスト及びローカルＣＤＳサイトへの潜在的なリリースが可能にされてもよい。

初期訓練が完了した（又は中断された）後、プロセッサは、学習システムを、非学習モードに設定する。非学習モードでは、パラメータ２２０は固定されたままである一方で、入力データの各セットが、学習システムによって処理され、これらのパラメータ２２０を使用して、診断３２５が生成される。この非学習モード中、プロセッサ３５０は、患者入力データと、当該入力データに対応する「正しい」診断とを含むテストデータ３１０を、学習システム３２０に提供し、当該学習システム３２０から、対応する出力診断を受信する。このテストデータ３１０は、訓練データ２１０のサブセットであっても、学習システムを訓練するために使用されていないデータ３１０であってもよい。

プロセッサは更に、訓練データ２１０から「正しい」診断３１５を受信し、これらの２つの診断３１５、３２５を比較して、これらの診断３１５、３２５間の差分を決定する。プロセッサ３５０は、テストデータのセットに対して、当該差分を評価し、精度レポート３５８を提供する。グローバルＣＤＳシステムの操作者が、報告された精度が十分であると決定すると、当該操作者は、プロセッサ３５０に、パラメータ２１０を、ローカルＣＤＳシステムへの分布のためにネットワークインターフェース３４０に提供するように指示する。そうではない場合、パラメータ２１０は、更なる訓練データが処理されるまでリリースされないか、又は、不正確さの原因が決定される。

幾つかの実施形態では、テスト及び精度評価は、プロセッサ３５０によって、自立的に行われる。プロセッサ３５０は、決定された精度尺度が所定の閾値に達するかどうかに基づいて、新しいパラメータ２１０を、分布のためにネットワークインターフェースに提供する。

図３Ｂの例示的なローカルＣＤＳシステムも、学習システム３２０と、メモリ３３０と、ネットワークインターフェース３４０と、学習システム３２０及びネットワークインターフェース３４０の動作を制御するプロセッサ３６０とを含む。図３ＢのローカルＣＤＳシステムのコンポーネントの幾つかは、図３ＡのグローバルＣＤＳシステムのコンポーネントと同じ参照符号を有するが、当業者であれば、これらの同じ参照符号を有するコンポーネントは、互いに同一である必要はなく、同様の機能を行えばよいことは理解できよう。図３Ｂのプロセッサ３６０は、図３Ａのプロセッサ３５０とは違う参照符号で特定されて、それぞれ、異なる制御機能を行うことが示されている。

ネットワークインターフェース３４０が、グローバルＣＤＳシステムから、パラメータ２２０を受信すると、プロセッサ３６０は、これらの更新されたパラメータ２２０に基づいて、現在のローカル訓練システムパラメータ１２０を更新する。

上記されたように、プロセッサ３６０は、ローカルパラメータ１２０がこれらのパラメータ２２０によって置換される前に、ローカルテストデータ３１２を使用して、更新されたパラメータ２２０をテストし、性能が劣る原因が決定されるまで、パラメータ２２０の設定を延期してもよい。

更新されたパラメータ２２０は、今度は、ローカルパラメータ１２０となり、プロセッサ３６０は、学習システム３２０を非学習モードにし、これらのパラメータ１２０への変更を阻止する。この非学習モード中、これらの更新されたローカルパラメータ１２０を使用して新しい患者データ（新しい患者又は既存患者の新しいデータ）３７０を処理して、診断出力３２５を提供するように、ローカルＣＤＳシステムが使用される。プロセッサ３６０は、この診断出力３２５を使用して、１つ以上の診断レポート３６８を作成する。

次に、「正しい」診断が、所与の新しい患者データ３７０のセットに関連付けられていることが発見されると、この診断は、患者の入力データに追加されて、新しい訓練及び／又はテストデータが形成される。任意選択的に、プロセッサ３６０は、学習システム３２０を、学習モードにして、この訓練データを処理し、当該訓練データに基づいて、ローカルパラメータ１２０を更新してもよい。或いは、プロセッサ３６０は、単に、この新しい訓練データをグローバルＣＤＳシステムに提供し、グローバルＣＤＳシステムからのパラメータ２２０の次の更新を受信するまで待機していてもよい。

上で詳細に説明されたように、プロセッサ３６０は、定期的に又は非定期的に、ネットワークインターフェース３４０に、グローバル学習システム３２０の後続の訓練のためのグローバルＣＤＳシステムへの送信のために、メモリ３３０から新しい訓練データ１１０を取り出すように指示する。この送信は、訓練データの新しいセットが作成される度に、又は、訓練データの所与の数の新しいセットが作成されると起きてよい。送信は、スケジュールに基づいて、グローバルＣＤＳシステムからの要求に基づいて、又は、ローカルＣＤＳシステムの操作者からのコマンドに基づいて起きてもよい。この送信を開始する他の契機は、当業者には明らかであろう。

グローバルＣＤＳシステムは、ローカルＣＤＳシステムから、新しい訓練データ１１０を受信し、処理する際に、この新しい訓練データ１１０の一部又は全部を使用して、グローバル学習システムパラメータ２２０を更新し、これらの新しいパラメータ２２０を、ローカルＣＤＳシステムに提供し、上記処理の繰り返しを開始する。

図４は、臨床診断支援システムのネットワーク間の通信の例示的なフロー図を示す。

ステップ４１０において、ローカルＣＤＳシステムは、患者データのセットを収集し、ステップ４２０において、「正しい」診断を決定できるセットに対して、訓練データが作成される。ステップ４１０〜４２０のループによって示されるように、これは、通常、時間の経過に伴い継続される処理である。任意選択的に、この訓練データは、ローカルＣＤＳシステムを訓練するために使用されてもよい。

ステップ４３０において、ローカル訓練データが、グローバルＣＤＳシステムに通信される。グローバルＣＤＳシステムは、この訓練データの一部又は全部（訓練データの一部は、グローバルＣＤＳシステムをテストするために使用されてもよい）を使用して、グローバルＣＤＳシステムを訓練し、ステップ４４０において、この訓練データに基づいて、グローバル学習システムパラメータのセットが決定される。任意選択的に、ステップ４４５において、これらのパラメータを用いるグローバルＣＤＳシステムの性能が、テストデータを用いて評価される。

ステップ４５０において、決定されたグローバル学習システムパラメータが、ローカルＣＤＳシステムに提供され、ステップ４６０において、ローカル学習システムパラメータが更新される。ステップ４５５において、ローカルＣＤＳシステムは、そのローカルパラメータを置換する前に、これらのグローバルパラメータを用いて、そのＣＤＳシステムの性能を任意選択的に評価してもよい。

その後、ステップ４８０において、新しい患者データが、ローカルＣＤＳシステムによって、グローバルＣＤＳシステムからの更新されたパラメータを使用して処理される。「正しい」診断が、新しい患者データのセットに対して提供可能である場合、ローカルＣＤＳシステムは、ステップ４９０において、新しい訓練データを作成し、ステップ４３０において、それを、グローバルＣＤＳシステムに提出する。ステップ４３０〜４９０のループによって示されるように、この訓練データ及び学習システムパラメータの更新は、時間の経過と共に継続する。

複数のローカルＣＤＳシステムからローカル訓練データを受信するグローバルＣＤＳシステムを提供することによって、各ＣＤＳシステムにおける専門家システムの品質及び信頼性が、大幅に増加することが期待でき、また、品質及び信頼性におけるこの大幅な増加は、ローカルＣＤＳシステムへの負担が最小限で提供される。

更に、グローバルＣＤＳシステムは、「正しい」診断を伴う大量の患者データへのアクセスがあるため、グローバルＣＤＳシステムは、ローカルＣＤＳシステムの診断能力を更に向上させる可能性のある他の分析を行うこともできる。例えば患者データのセットのどの要素が、適切な診断を提供するのに最も効果的であるのか、及び／又は、入力データの（比率の形成といった）前処理がより良い診断を提供するのかどうかを確認することはしばしば困難である。グローバルＣＤＳシステムは、これらの問題等に対処するために、提供された訓練データに分析を適用してもよい。

例えばグローバルＣＤＳシステムは、訓練データを、様々な構成の学習システムの性能を比較する遺伝的アルゴリズム処理に適用してもよい。各構成は、学習システムへの入力として使用される異なる要素のセットを使用する。様々な要素のセットは、前の設定において、うまく機能した要素を組み合わせる遺伝的アルゴリズムによって生成されてもよい。

新しい学習システム構成が、ローカルＣＤＳシステムにおける現在の学習システム構成よりも優れていることが分かると、この新しいシステム構成が、それ以降の使用のために、ローカルＣＤＳシステムに提供される。

本発明は図面及び上記記載において詳細に例示且つ説明されたが、このような例示及び説明は、例示的と見なされるべきであって限定的ではない。本発明は、開示された実施形態に限定されない。

例えばグローバルＣＤＳシステムもローカルＣＤＳシステムとして動作し、当該ＣＤＳシステムが上で詳細に説明された「グローバル」ＣＤＳシステムとして動作する場合に使用される患者データ及び診断のプールに、患者データと、それに付随する「正しい」診断とを提供する実施形態において、本発明を動作させることも可能である。

開示された実施形態の他の変形は、請求に係る発明を実施する際に、図面、開示内容、添付の請求項を検討することにより、当業者により理解及び達成されうる。請求項において、「含む」との用語は、他の要素又はステップを排除するものではなく、また、「ａ」又は「ａｎ」との不定冠詞は、複数形を排除するものではない。単一のプロセッサ又は他のユニットが、請求項に記載される幾つかのアイテムの機能を果たしてもよい。特定の手段が相互に異なる従属請求項に記載されるという単なる事実が、これらの手段の組み合わせを有利に用いることができないことを示すものではない。コンピュータプログラムは、他のハードウェアと共に又は他のハードウェアの一部として供給される光学記憶媒体又は固体媒体といった適切な媒体上に記憶される及び／又は分散配置されるが、インターネット又は他の有線若しくは無線通信システムを介した形態といった他の形態で分配されてもよい。請求項における任意の参照符号は、範囲を限定するものと解釈するべきではない。

Claims (19)

1. 臨床診断支援（ＣＤＳ）ネットワークであって、
   患者データを受信し、ローカル学習システムのローカル学習システムパラメータに基づいて、対応する診断出力を提供する前記ローカル学習システムをそれぞれ含む複数のローカル臨床診断支援システムと、
   前記複数のローカル臨床診断支援システムから、患者データと、対応する「正しい」診断とを含む訓練データを受信し、前記訓練データを、グローバル学習システムに適用し、前記グローバル学習システムの出力診断と、前記対応する「正しい」診断との比較に基づいて、グローバル学習システムパラメータを生成し、前記グローバル学習システムパラメータを、前記複数のローカル臨床診断支援システムに提供する前記グローバル学習システムを含むグローバル臨床診断支援システムと、
   を含み、
   前記複数のローカル臨床診断支援システムのうちの１つ以上は、前記グローバル学習システムパラメータに基づいて、前記ローカル学習システムパラメータを更新し、更新された前記ローカル学習システムパラメータに基づいて、後続の診断出力を提供する、ネットワーク。
2. 前記ローカル学習システム及び前記グローバル学習システムは、ニューラルネットワークを含み、前記グローバル学習システムパラメータ及び前記ローカル学習システムパラメータは、前記ニューラルネットワークの各ノードに関連付けられるバイアスと、前記ノード間の各接続に関連付けられる重みとを含む、請求項１に記載のネットワーク。
3. 前記複数のローカル臨床診断支援システムのうちの少なくとも１つのローカル臨床診断支援システムは、前記グローバル学習システムパラメータを使用する前記ローカル学習システムに適用されるテストデータに基づいて、前記ローカル学習システムパラメータを更新するかどうかを決定し、前記テストデータは、複数の患者データのセットと、対応する「正しい」診断とを含み、前記ローカル学習システムパラメータを更新するかどうかの前記決定は、前記ローカル学習システムの各診断出力と、前記対応する「正しい」診断との比較に基づいている、請求項１に記載のネットワーク。
4. 前記グローバル臨床診断支援システムは、前記複数のローカル臨床診断支援システムから受信され、前記グローバル学習システムパラメータを使用する前記グローバル学習システムに適用されるテストデータに基づいて、前記グローバル学習システムパラメータを、前記複数のローカル臨床診断支援システムに提供するかどうかを決定し、前記テストデータは、複数の患者データのセットと、対応する「正しい」診断とを含み、前記グローバル学習システムパラメータを提供するかどうかの前記決定は、前記グローバル学習システムの各診断出力と、前記対応する「正しい」診断との比較に基づいている、請求項１に記載のネットワーク。
5. 前記グローバル学習システム及び前記ローカル学習システムは、前記患者データを処理するための特定の構造を含み、前記グローバル臨床診断支援システムは更に、前記訓練データを処理し、代替構造を有する学習システムの診断出力と、前記訓練データに関連付けられる前記「正しい」診断との比較に基づいて、前記特定の構造よりも優れている前記代替構造を特定し、前記代替構造を、前記複数のローカル臨床診断支援システムに提供する、請求項１に記載のネットワーク。
6. グローバル臨床診断支援（ＣＤＳ）システムであって、
   複数のローカル臨床診断支援システムから、複数の患者データのセットと、対応する「正しい」診断とを含むローカル訓練データを受信するネットワークインターフェースと、
   前記複数のローカル臨床診断支援システムからの前記ローカル訓練データの一部又は全部を処理し、学習システムの各診断出力と、前記対応する「正しい」診断との比較に基づいて、学習システムパラメータを提供する、前記学習システムと、
   前記学習システム及び前記ネットワークインターフェースを制御し、前記ネットワークインターフェースを介して、前記学習システムパラメータを、前記複数のローカル臨床診断支援システムに提供するプロセッサと、
   を含む、システム。
7. 前記学習システムは、ニューラルネットワークを含み、前記学習システムパラメータは、前記ニューラルネットワークの各ノードに関連付けられるバイアスと、前記ノード間の各接続に関連付けられる重みとを含む、請求項６に記載のシステム。
8. 前記プロセッサは、前記複数のローカル臨床診断支援システムから受信され、前記学習システムパラメータを使用する前記学習システムに適用されるテストデータに基づいて、前記学習システムパラメータを、前記複数のローカル臨床診断支援システムに提供するかどうかを決定し、前記テストデータは、複数の患者データのセットと、対応する「正しい」診断とを含み、前記学習システムパラメータを提供するかどうかの前記決定は、前記学習システムの各診断出力と、前記対応する「正しい」診断との比較に基づいている、請求項６に記載のシステム。
9. 前記学習システムは、前記患者データを処理するための特定の構造を含み、前記学習システムは更に、前記訓練データを処理し、代替構造を有する学習システムの診断出力と、前記訓練データに関連付けられる前記「正しい」診断との比較に基づいて、前記特定の構造よりも優れている前記代替構造を特定し、前記代替構造を、前記複数のローカル臨床診断支援システムに提供する、請求項６に記載のシステム。
10. ローカル臨床診断支援（ＣＤＳ）システムであって、
    患者データを処理し、ローカル学習システムパラメータに基づいて、前記患者データの各セットについて診断出力を提供する学習システムと、
    グローバル臨床診断支援システムに、複数の前記患者データのセットと、対応する「正しい」診断とを含むローカル訓練データを提供し、前記グローバル臨床診断支援システムから、提供した前記ローカル訓練データに少なくとも部分的に基づいているグローバル学習システムパラメータを受信するネットワークインターフェースと、
    前記学習システム及び前記ネットワークインターフェースを制御し、受信した前記グローバル学習システムパラメータに基づいて、前記ローカル学習システムパラメータを更新するプロセッサと、
    を含む、システム。
11. 前記学習システムは、ニューラルネットワークを含み、前記ローカル学習システムパラメータ及び前記グローバル学習システムパラメータは、前記ニューラルネットワークの各ノードに関連付けられるバイアスと、前記ノード間の各接続に関連付けられる重みとを含む、請求項１０に記載のシステム。
12. 前記プロセッサは、前記グローバル学習システムパラメータを使用する前記学習システムに適用されるテストデータに基づいて、前記ローカル学習システムパラメータを更新するかどうかを決定し、前記テストデータは、複数の前記患者データのセットと、対応する「正しい」診断とを含み、前記ローカル学習システムパラメータを更新するかどうかの前記決定は、前記ローカル学習システムの各診断出力と、前記対応する「正しい」診断との比較に基づいている、請求項１０に記載のシステム。
13. 複数のローカル臨床診断支援（ＣＤＳ）システムから、複数の患者データのセットと、対応する「正しい」診断とを含む訓練データを受信するステップと、
    学習システムの診断出力と、前記対応する「正しい」診断との比較に基づいて、グローバル学習システムパラメータを生成するように、前記訓練データを前記学習システムに適用するステップと、
    前記グローバル学習システムパラメータを、前記複数のローカル臨床診断支援システムに提供するステップと、
    を含む、方法。
14. 前記学習システムは、ニューラルネットワークを含み、前記グローバル学習システムパラメータは、前記ニューラルネットワークの各ノードに関連付けられるバイアスと、前記ノード間の各接続に関連付けられる重みとを含む、請求項１３に記載の方法。
15. テストデータを、前記学習システムに適用するステップと、
    前記学習システムからの診断出力と、前記テストデータに関連付けられる「正しい」診断との比較に基づいて、前記グローバル学習システムパラメータを、前記複数のローカル臨床診断支援システムに提供するかどうかを決定するステップと、
    を含む、請求項１３に記載の方法。
16. 前記学習システムは、前記患者データを処理するための特定の構造を含み、前記方法は更に、
    代替構造を有する学習システムの診断出力と、前記訓練データに関連付けられる前記「正しい」診断との比較に基づいて、前記特定の構造よりも優れている前記代替構造を特定するように、前記訓練データを処理するステップと、
    前記代替構造を、前記複数のローカル臨床診断支援システムに提供するステップと、
    を含む、請求項１３に記載の方法。
17. 複数の患者データのセットと、対応する「正しい」診断とを含むローカル訓練データを、グローバル臨床診断支援（ＣＤＳ）システムに提供するステップと、
    前記グローバル臨床診断支援システムから、提供された前記ローカル訓練データに少なくとも部分的に基づいているグローバル学習システムパラメータを受信するステップと、
    新しい患者データと、前記グローバル学習システムパラメータとに基づいて診断出力を提供するように、前記新しい患者データを、ローカル学習システムに適用するステップと、
    を含む、方法。
18. 前記ローカル学習システムは、ニューラルネットワークを含み、前記グローバル学習システムパラメータは、前記ニューラルネットワークの各ノードに関連付けられるバイアスと、前記ノード間の各接続に関連付けられる重みとを含む、請求項１７に記載の方法。
19. テストデータを、前記ローカル学習システムに適用するステップと、
    前記グローバル学習システムパラメータを使用する前記ローカル学習システムからの診断出力と、前記テストデータに関連付けられる「正しい」診断との比較に基づいて、前記ローカル学習システムパラメータを更新するステップと、
    を含む、請求項１７に記載の方法。