医用信息处理系统、医用信息处理方法以及存储介质与流程

1.本说明书以及附图中公开的实施方式涉及医用信息处理系统、医用信息处理方法以及存储介质。本技术基于2021年8月11日向日本提交的特愿2021-131303号以及2022年7月29日向日本提交的特愿2022-122133号并主张优先权，将其内容援用于此。


背景技术：

2.患者针对问诊的回答是对于推断该患者的状态来说很重要的信息，但也是由于患者自身的感受性、心情而波动的情况较多的不稳定的信息。当前，医护人员吸收并理解了该波动而有助于诊疗。另一方面，正在研究使用ai(artificial intelligence)使诊疗自动化。但是，患者针对问诊的回答的不稳定性有时会对使用了ai的诊疗造成不好的影响。
3.专利文献1：日本特表2006-511880号公报


技术实现要素：

4.本说明书以及附图中公开的实施方式要解决的课题在于，能够不受针对问诊的回答的不稳定性影响而对患者进行诊疗。但是，通过本说明书以及附图中公开的实施方式要解决的课题并不限于上述课题。也能够将与后述的实施方式所示的各构成带来的各效果对应的课题定位为其他课题。
5.实施方式的医用信息处理系统具有取得部、推断部以及输出控制部。上述取得部取得表示针对诊疗对象者的医学的检查结果的检查数据、以及表示针对上述诊疗对象者的问诊的回答结果的回答数据。上述推断部通过对第1模型输入上述诊疗对象者的上述检查数据，来推断与上述诊疗对象者的诊疗相关的信息。上述第1模型是基于第1训练数据集进行了学习的模型，该第1训练数据集将与学习对象者的诊疗相关的信息作为正解的标签而与上述学习对象者的上述检查数据建立对应。进而，上述推断部通过对第2模型输入上述诊疗对象者的上述检查数据以及上述回答数据，来推断与上述诊疗对象者的诊疗相关的信息。上述第2模型是基于第2训练数据集进行了学习的模型，该第2训练数据集将与上述学习对象者的诊疗相关的信息作为正解的标签而与上述学习对象者的上述检查数据以及上述回答数据建立对应。上述输出控制部经由输出部输出表示利用上述第1模型推断出的与上述诊疗相关的信息的第1推断结果、以及表示利用上述第2模型推断出的与上述诊疗相关的信息的第2推断结果。
附图说明
6.图1是表示第1实施方式的医用信息处理系统的构成例的图。
7.图2是表示第1实施方式的用户界面的构成例的图。
8.图3是表示第1实施方式的医用信息处理装置的构成例的图。
9.图4是表示第1实施方式的处理电路的一系列处理的流程的流程图。
10.图5是用于说明回答数据的图。
11.图6是表示第1模型的一例的图。
12.图7是表示第2模型的一例的图。
13.图8是表示显示器的画面的一例的图。
14.图9是表示对推断结果进行比较的情况的图。
15.图10是表示显示器的画面的其他例子的图。
16.图11是示意性地表示回答数据的加权的图。
17.图12是表示显示器的画面的其他例子的图。
18.符号的说明
19.1：医用信息处理系统；10：用户界面；11：通信界面；12：输入界面；13：输出界面；14：存储器；20：处理电路；21：取得功能；22：输出控制功能；23：通信控制功能；100：医用信息处理装置；111：通信界面；112：输入界面；113：输出界面；114：存储器；120：处理电路；121：取得功能；122：推断功能；123：判定功能；124：输出控制功能；125：通信控制功能。
具体实施方式
20.以下，参照附图对实施方式的医用信息处理系统、医用信息处理方法以及存储介质进行说明。
21.(第1实施方式)
22.[医用信息处理系统的构成]
[0023]
图1是表示第1实施方式的医用信息处理系统1的构成例的图。医用信息处理系统1例如具备用户界面10以及医用信息处理装置100。用户界面10以及医用信息处理装置100经由通信网络nw能够通信地连接。
[0024]
通信网络nw可以是利用了电气通信技术的信息通信网整体。例如，通信网络nw除了包括医院主干lan(local area network)等无线/有线lan、因特网之外，还包括电话通信线路网、光纤通信网络、电缆通信网络以及卫星通信网络等。
[0025]
用户界面10供患者、医护人员利用。例如，用户界面10是触摸界面、声音用户界面，更具体而言是个人计算机、平板终端、便携式电话等终端装置。医护人员典型为医生，但也可以是护士、其他与诊疗相关的人员。例如，患者将自身针对问诊的回答向用户界面10进行触摸输入或者声音输入。医护人员也可以对患者进行口头问诊，从该患者听取回答，并将该听取结果输入到用户界面10。
[0026]
在本实施方式中，“诊疗”不仅包括手术、给药这样的治疗，还包括到治疗为止或者治疗之后的诊察、其他所有的医疗行为。
[0027]
用户界面10将由患者、医护人员输入的信息经由通信网络nw向医用信息处理装置100发送信息，或者从医用信息处理装置100接收信息。
[0028]
医用信息处理装置100经由通信网络nw从用户界面10接收信息，并对该接收到的信息进行处理。然后，医用信息处理装置100经由通信网络nw将处理后的信息发送到用户界面10。医用信息处理装置100也可以将处理后的信息在发送到用户界面10的基础上或者取而代之发送到设置在医院内的医护人员的专用终端。
[0029]
医用信息处理装置100可以是单一的装置，也可以是经由通信网络nw连接的多个装置相互协作地动作的系统。即，医用信息处理装置100也可以通过分布计算系统、云计算
系统中包括的多个计算机(处理器)来实现。医用信息处理装置100不一定需要是与用户界面10不同的分体的装置，也可以是与用户界面10成为一体的装置。
[0030]
[终端装置的构成]
[0031]
图2是表示第1实施方式的用户界面10的构成例的图。用户界面10例如具备通信界面11、输入界面12、输出界面13、存储器14以及处理电路20。
[0032]
通信界面11经由通信网络nw与医用信息处理装置100等进行通信。通信界面11例如包括nic(network interface card)、无线通信用的天线等。
[0033]
输入界面12接受来自操作者(例如患者)的各种输入操作，并将接受到的输入操作转换成电信号而输出到处理电路20。例如，输入界面12包括鼠标、键盘、轨迹球、开关、按钮、操纵杆、触摸面板等。输入界面12例如也可以是麦克风等接受声音输入的用户界面。在输入界面12是触摸面板的情况下，输入界面12也可以兼具后述的输出界面13所包括的显示器13a的显示功能。
[0034]
在本说明书中，输入界面12并不仅限于具备鼠标、键盘等物理的操作部件。例如，从与装置分体设置的外部的输入设备接收与输入操作对应的电信号并将该电信号输出到控制电路的电信号的处理电路也包含在输入界面12的例子中。
[0035]
输出界面13例如具备显示器13a以及扬声器13b等。
[0036]
显示器13a显示各种信息。例如，显示器13a显示由处理电路20生成的图像、用于接受来自操作者的各种输入操作的gui(graphical user interface)等。例如，显示器13a是lcd(liquid crystal display)、crt(cathode ray tube)显示器、有机el(electro luminescence)显示器等。
[0037]
扬声器13b将从处理电路20输入的信息作为声音输出。
[0038]
存储器14例如由ram(random access memory)、闪存器等半导体存储元件、硬盘、光盘来实现。这些非暂时性存储介质也可以通过nas(network attached storage)、外部存储服务器装置这样的经由通信网络nw连接的其他存储装置来实现。存储器14也可以包括rom(read only memory)、寄存器等非暂时性存储介质。
[0039]
处理电路20例如具备取得功能21、输出控制功能22以及通信控制功能23。处理电路20例如通过硬件处理器(计算机)执行存储于存储器14(存储电路)的程序来实现这些功能。
[0040]
处理电路20中的硬件处理器例如是指cpu(central processing unit)、gpu(graphics processing unit)、面向特定用途的集成电路(application specific integrated circuit；asic)、可编程逻辑器件(例如，简单可编程逻辑器件(simple programmable logic device；spld)或者复杂可编程逻辑器件(complex programmable logic device；cpld)、现场可编程门阵列(field programmable gate array；fpga))等电路(circuitry)。也可以代替在存储器14中存储程序而构成为在硬件处理器的电路内直接编入程序。在该情况下，硬件处理器通过读出并执行编入在电路内的程序来实现功能。上述程序可以预先保存于存储器14，也可以保存于dvd、cd-rom等非暂时性存储介质，并通过将非暂时性存储介质安装于用户界面10的驱动装置(未图示)而从非暂时性存储介质安装到存储器14。硬件处理器并不限定于构成为单一的电路，也可以组合多个独立的电路而构成为一个硬件处理器并实现各功能。此外，也可以将多个构成要素综合于一个硬件处理器而
实现各功能。
[0041]
取得功能21经由输入界面12取得输入信息，或者经由通信界面11从医用信息处理装置100取得信息。
[0042]
输出控制功能22使显示器13a显示由取得功能21取得的信息，或者从扬声器13b输出由取得功能21取得的信息。
[0043]
通信控制功能23将输入到输入界面12的信息经由通信界面11向医用信息处理装置100发送。
[0044]
[医用信息处理装置的构成]
[0045]
图3是表示第1实施方式的医用信息处理装置100的构成例的图。医用信息处理装置100例如具备通信界面111、输入界面112、输出界面113、存储器114以及处理电路120。
[0046]
通信界面111经由通信网络nw与用户界面10等进行通信。通信界面111例如包括nic等。通信界面111是“输出部”的一例。
[0047]
输入界面112接受来自操作者的各种输入操作，并将接受到的输入操作转换成电信号而输出到处理电路120。例如，输入界面112包括鼠标、键盘、轨迹球、开关、按钮、操纵杆、触摸面板等。输入界面112例如也可以是麦克风等接受声音输入的用户界面。在输入界面112是触摸面板的情况下，输入界面112也可以兼具后述的输出界面113所包括的显示器113a的显示功能。
[0048]
在本说明书中，输入界面112并不仅限于具备鼠标、键盘等物理操作部件。例如，从与装置分体设置的外部的输入设备接收与输入操作对应的电信号并将该电信号输出到控制电路的电信号的处理电路也包含在输入界面112的例子中。
[0049]
输出界面113例如具备显示器113a以及扬声器113b等。输出界面113是“输出部”的其他例子。
[0050]
显示器113a显示各种信息。例如，显示器113a显示由处理电路120生成的图像、用于接受来自操作者的各种输入操作的gui等。例如，显示器113a是lcd、crt显示器、有机el显示器等。
[0051]
扬声器113b将从处理电路120输入的信息作为声音输出。
[0052]
存储器114例如由ram、闪存器等半导体存储元件、硬盘、光盘来实现。这些非暂时性存储介质也可以由nas、外部存储服务器装置这样的经由通信网络nw连接的其他存储装置来实现。存储器114也可以包括rom、寄存器等非暂时性存储介质。
[0053]
存储器114除了保存由硬件处理器执行的程序之外，还保存模型信息。模型信息是定义了第1模型mdl1以及第2模型mdl2的信息(程序或者数据结构)。第1模型mdl1以及第2模型mdl2例如也可以通过cnn(convolutional neural network：卷积神经网络)等dnn(deep neural network(s)：深度神经网络)来实施。第1模型mdl1以及第2模型mdl2并不限定于dnn，也可以由支持向量机、决策树、朴素贝叶斯分类器、随机森林这样的其他模型来实施。对于第1模型mdl1以及第2模型mdl2的详细情况将后述。
[0054]
在第1模型mdl1以及第2模型mdl2由dnn实施的情况下，在模型信息中例如包含构成该dnn的输入层、一个以上的隐藏层(中间层)、输出层的各个层中包含的单元相互如何结合这样的结合信息、对在结合的单元之间输入输出的数据赋予的结合系数是几个这样的权重信息等。结合信息例如包含指定各层中包括的单元数、各单元的结合目的地的单元的种
类的信息、实现各单元的激活函数、设置在隐藏层的单元之间的门等信息。实现单元的激活函数例如也可以是relu(rectified linear unit：修正线性单元)函数、elu(exponential linear units：指数线性单元)函数、裁剪函数、s形函数、阶跃函数、高阶正切函数、恒等函数等。门例如根据由激活函数返回的值(例如1或者0)，使在单元之间传递的数据选择性地通过或者对其进行加权。结合系数例如包含如下的权重：在神经网络的隐藏层中，在从某个层的单元向更深层的单元输出数据时，对输出数据赋予的权重。结合系数也可以包含各层的固有的偏置成分等。
[0055]
处理电路120例如具备取得功能121、推断功能122、判定功能123、输出控制功能124、以及通信控制功能125。取得功能121是“取得部”的一例，推断功能122是“推断部”的一例，判定功能123是“判定部”的一例。输出控制功能124是“输出控制部”的一例，通信控制功能125是“输出控制部”的其他例子。
[0056]
处理电路120例如通过硬件处理器(计算机)执行存储器114(存储电路)中存储的程序来实现这些功能。
[0057]
处理电路120中的硬件处理器例如是指cpu、gpu、专用集成电路、可编程逻辑器件(例如，简单可编程逻辑器件或者复杂可编程逻辑器件、现场可编程门阵列)等电路(circuitry)。也可以代替使存储器114存储程序而构成为在硬件处理器的电路内直接编入程序。在该情况下，硬件处理器通过读出并执行编入到电路内的程序来实现功能。上述程序可以预先保存在存储器114中，也可以保存于dvd、cd-rom等非暂时性存储介质，并通过将非暂时性存储介质安装于医用信息处理装置100的驱动装置(未图示)而从非暂时性存储介质安装到存储器114。硬件处理器并不限于构成为单一的电路，也可以组合多个独立的电路而构成为一个硬件处理器并实现各功能。也可以将多个构成要素综合于一个硬件处理器而实现各功能。
[0058]
[医用信息处理装置的处理流程]
[0059]
以下，按照流程图对医用信息处理装置100的处理电路120进行的一系列处理进行说明。图4是表示第1实施方式的处理电路120的一系列处理的流程的流程图。
[0060]
首先，取得功能121经由通信界面111从用户界面10取得作为诊疗对象的患者(以下，称为诊疗对象者)针对问诊的回答数据，并且从检查设备取得诊疗对象者的检查数据(步骤s100)。
[0061]
检查设备是对患者进行医学检查的设备，例如是x射线ct(computed tomography)装置、mri(magnetic resonance imaging：磁共振成像)装置、乳房摄影装置、声波图像诊断装置、核医学诊断装置、体液分析装置、测量生命体征的设备等。检查数据是由上述各种检查设备对诊疗对象者的生体信息进行测量而得到的定量的数字数据。另一方面，回答数据是包含诊疗对象者的主观的定性的数字数据。即，取得功能121取得与诊疗对象者相关的定量数据和定性数据。
[0062]
图5是用于说明回答数据的图。例如，在诊疗对象者到医疗机构就诊时，被要求在图中那样的问诊单中填入当前的身心状态、病例、有无过敏这样的必要事项(图中r1)。问诊单可以显示在用户界面10的显示器13a上，也可以印刷在纸上而分发给患者。在患者向纸的问诊表中填入了回答的情况下，医疗机构的医护人员可以将填入内容输入到用户界面10。此时，也可以利用ocr(optical character recognition/reader)。问诊单的提问内容可以
从用户界面10的扬声器113b作为声音输出，也可以由医疗机构的医护人员口头朗读。在患者朝向用户界面10发声回答的情况下，用户界面10也可以经由麦克风取得患者发声的回答。取而代之或者在此基础上，医护人员也可以听取由患者发声的回答。当医护人员从患者听取到回答时，也可以将该听取结果输入到用户界面10。也可以不需要如问诊单那样预先决定提问事项，而由医护人员在诊察的定时自由地决定问诊内容。针对问诊的回答在医学上被称作主诉。因此，回答数据也可以换称为主诉数据。
[0063]
返回到图4的流程图的说明。当由取得功能121取得针对问诊的回答数据以及检查数据时，推断功能122对由保存于存储器141的模型信息定义的第1模型mdl1输入由取得功能121取得的诊疗对象者的检查数据(步骤s102)。
[0064]
图6是表示第1模型mdl1的一例的图。第1模型mdl1是将数据集用作训练数据而进行了学习的机器学习模型，该数据集将与学习对象者的诊疗相关的信息作为正解的标签(也称作目标)而与该学习对象者的检查数据建立对应。换言之，第1模型mdl1是以当被输入学习对象者的检查数据时、输出与该学习对象者的诊疗相关的信息的方式进行了学习的机器学习模型。学习对象者也可以是过去作为诊疗对象的患者。即，学习对象者可以是与诊疗对象者相同的人员，也可以是不同的人员。
[0065]
与诊疗相关的信息例如是将学习对象者接受检查的时间点作为起算点、与在该起算点之后应当采取的诊疗相关的信息。与诊疗相关的信息典型为推断在起算点患者已经患有的疾病或者将来患有的可能性较高的疾病的信息，但并不限定于此。例如，与诊疗相关的信息也可以包含推断或者决定检查的名称、种类、处方药名、治疗方针、患者是否回家、患者病室种类、其他工作人员有无帮助等的信息。即，与诊疗相关的信息可以包含通过问诊判断出的将来的所有事项。在以下的说明中，作为一例，与诊疗相关的信息是“疾病的推断”。
[0066]
在与诊疗相关的信息是“疾病的推断”的情况下，用于对第1模型mdl1进行学习的训练数据，是将学习对象者已经患有的疾病或者将来患有的可能性较高的疾病作为正解的标签而与该学习对象者的检查数据建立对应的数据集。
[0067]
如图所示，使用这样的训练数据进行了学习的第1模型mdl1为，当被输入某个患者的检查数据时，作为推断结果而输出该患者的疾病(“与诊疗相关的信息”的一例)。第1模型mdl1的推断结果例如由多维的向量、张量表示。向量或者张量作为要素值而包含是疾病的合理性(概率)。例如，假设作为诊疗对象者可能患有的疾病，存在a疾病、b疾病、c疾病的合计3种。在该情况下，当将a疾病的概率设为e1、b疾病的概率设为e2、c疾病的概率设为e3时，向量或者张量能够表示为(e1、e2、e3)。
[0068]
返回到图4的流程图的说明。接着，推断功能122从输入了诊疗对象者的检查数据的第1模型mdl1取得疾病的推断结果(步骤s104)。该推断结果包含推断为诊疗对象者已经患有的疾病或者推断为诊疗对象者将来患有的疾病。
[0069]
另一方面，当由取得功能121取得针对问诊的回答数据以及检查数据时，推断功能122对由保存于存储器141的模型信息定义的第2模型mdl2输入由取得功能121取得的诊疗对象者的回答数据以及检查数据(步骤s106)。
[0070]
图7是表示第2模型mdl2的一例的图。第2模型mdl2是将数据集用作训练数据进行了学习的机器学习模型，该数据集将与学习对象者的诊疗相关的信息作为正解的标签而与该学习对象者的回答数据以及检查数据建立对应。换言之，第2模型mdl2是以当被输入学习
对象者的回答数据以及检查数据时、输出与该学习对象者的诊疗相关的信息的方式进行了学习得到的机器学习模型。
[0071]
此处的与诊疗相关的信息例如是将学习对象者接受检查的时间点或者学习对象者回答了问诊的时间点作为起算点，与在该起算点之后应当采取的诊疗相关的信息。如上所述，与诊疗相关的信息典型为推断在起算点患者已经患有的疾病或者推断将来患有的可能性较高的疾病的信息，但并不限定于此，也可以包含通过问诊判断的将来的所有事项。在以下的说明中，作为一例，与诊疗相关的信息也是“疾病的推断”。
[0072]
在与诊疗相关的信息是“疾病的推断”的情况下，用于对第2模型mdl2进行学习的训练数据成为将学习对象者已经患有的疾病或者将来患有的可能性较高的疾病作为正解的标签而与该学习对象者的回答数据以及检查数据建立对应的数据集。
[0073]
如图所示，使用这样的训练数据进行了学习的第2模型mdl2为，当被输入某个患者的回答数据以及检查数据时，作为推断结果而输出该患者的疾病。与第1模型mdl1的推断结果相同，第2模型mdl2的推断结果也可以由多维的向量、张量表示。
[0074]
返回图4的流程图的说明。接着，推断功能122从输入了诊疗对象者的回答数据以及检查数据的第2模型mdl2取得疾病的推断结果(步骤s108)。此处的推断结果中也包含推断为诊疗对象者已经患有的疾病或者推断为诊疗对象者将来患有的疾病。
[0075]
接着，输出控制功能124经由输出界面113输出表示利用第1模型mdl1推断出的诊疗对象者的疾病的第1推断结果、以及表示利用第2模型mdl2推断出的诊疗对象者的疾病的第2推断结果(步骤s110)。由此，本流程图的处理结束。
[0076]
图8是表示显示器113a的画面的一例的图。如图所示，例如，输出控制功能124也可以使显示器113a并排显示第1推断结果和第2推断结果。在图示的例子中，示出未利用问诊的回答数据而仅利用检查数据推断出的疾病(即第1推断结果)为“a疾病”的情况，并示出利用问诊的回答数据以及检查数据的双方推断出的疾病(即第2推断结果)为“b疾病”的情况。通过进行这种显示，在利用某个患者的回答数据的情况下，能够提醒医护人员注意该回答数据的不稳定性可能会对疾病的推断结果产生影响。其结果，医护人员能够持有在患者的主诉中是否含有波动那样的不稳定性这样的怀疑，因此与第1推断结果以及第2推断结果相同的情况相比，能够更慎重地对患者进行诊断。
[0077]
通信控制功能125也可以经由通信界面111向用户界面10发送第1推断结果以及第2推断结果。用户界面10的输出控制功能22也可以为，当通信界面11从医用信息处理装置100接收到第1推断结果以及第2推断结果时，使输出界面13的显示器13a将这些推断结果作为图像显示，或者使扬声器13b将这些推断结果作为声音输出。
[0078]
根据以上说明的第1实施方式，医用信息处理装置100的处理电路120取得诊疗对象者的检查数据以及问诊的回答数据。处理电路120通过对预先学习的第1模型mdl1输入诊疗对象者的检查数据，由此推断与诊疗对象者的诊疗相关的信息。例如，处理电路120作为与诊疗相关的信息，可以推断诊疗对象者的疾病。
[0079]
处理电路120通过对预先学习的第2模型mdl2输入诊疗对象者的检查数据以及回答数据，由此推断与诊疗对象者的诊疗相关的信息。例如，处理电路120作为与诊疗相关的信息，可以推断诊疗对象者的疾病。
[0080]
然后，处理电路120经由输出界面113输出表示利用第1模型mdl1推断出的与诊疗
相关的信息(例如诊疗对象者的疾病)的第1推断结果、以及表示利用第2模型mdl2推断出的与诊疗相关的信息(例如诊疗对象者的疾病)的第2推断结果。由此，医护人员能够不受针对问诊的回答的不稳定性影响而对患者进行诊疗。
[0081]
(第2实施方式)
[0082]
以下，对第2实施方式进行说明。在第2实施方式中，在对第1推断结果与第2推断结果是否一致进行判定这一点上与第1实施方式不同。以下，以与第1实施方式的不同点为中心进行说明，对于与第1实施方式共同的点则省略说明。在第2实施方式的说明中，对于与第1实施方式相同的部分标注相同的符号进行说明。
[0083]
第2实施方式的判定功能123为，将表示利用第1模型mdl1推断出的与诊疗相关的信息(例如诊疗对象者的疾病)的第1推断结果与表示利用第2模型mdl2推断出的与诊疗相关的信息(例如诊疗对象者的疾病)的第2推断结果进行比较，并判定这些推断结果是否一致。
[0084]
图9是表示对推断结果进行比较的情况的图。例如，判定功能123将第1推断结果与第2推断结果进行比较，并计算这些推断结果的相似度。例如，判定功能123可以计算出表示第1推断结果的向量/张量与表示第2推断结果的向量/张量之间的余弦相似度。然后，判定功能123在计算出的相似度为阈值以上的情况下，判定为第1推断结果与第2推断结果一致，在相似度小于阈值的情况下，判定为第1推断结果与第2推断结果不一致。
[0085]
第2实施方式的输出控制功能124为，在由判定功能123判定为第1推断结果与第2推断结果不一致的情况下，经由输出界面113输出警报ar，以便将这些推断结果不一致的情况通知给医护人员。
[0086]
图10是表示显示器113a的画面的其他例子的图。例如，输出控制功能124为，在使显示器113a并排显示第1推断结果与第2推断结果时，在这些推断结果不一致的情况下，也可以一并显示警报ar。输出控制功能124也可以经由扬声器113b输出警报声。
[0087]
根据以上说明的第2实施方式，处理电路120将第1推断结果与第2推断结果进行比较，并判定第1推断结果与第2推断结果是否一致。处理电路120在判定为第1推断结果与第2推断结果不一致时，经由输出界面113输出警报ar。由此，能够更强烈地提醒医护人员注意回答数据的不稳定性会对疾病的推断结果产生影响的情况。
[0088]
(第3实施方式)
[0089]
以下，对第3实施方式进行说明。在第3实施方式中，与上述实施方式的不同点在于，在通过对预先学习的第2模型mdl2输入诊疗对象者的检查数据以及回答数据，由此推断与诊疗对象者的诊疗相关的信息时，对回答数据进行加权。以下，以与第1实施方式以及第2实施方式的不同点为中心进行说明，对于与第1实施方式以及第2实施方式共同的点则省略说明。在第3实施方式的说明中，对于与第1实施方式或者第2实施方式相同的部分标注相同的符号进行说明。
[0090]
图11是示意性地表示回答数据的加权的图。第3实施方式的推断功能122为，在对预先学习的第2模型mdl2输入诊疗对象者的回答数据时，对该回答数据进行加权。例如，推断功能122在0.0～1.0的范围内决定权重系数，并将该权重系数与回答数据相乘之后输入到第2模型mdl2。由此，能够根据权重系数来变更回答数据对第2推断结果产生帮助的程度。权重系数越小(越接近0.0)，越能够期待第2推断结果接近第1推断结果。即，越能够期待第1
推断结果与第2推断结果的相似度变高。
[0091]
推断功能122反复进行一边变更权重系数一边将回答数据输入到第2模型mdl2的情况。由此，针对每个权重系数得到第2推断结果。
[0092]
第3实施方式的判定功能123为，将针对每个权重系数得到的多个第2推断结果相互进行比较，并判定第2推断结果彼此是否相互一致。
[0093]
第3实施方式的输出控制功能124为，例如使显示器113a并排显示针对每个权重系数得到的多个第2推断结果。输出控制功能124为，在由判定功能123判定为第2推断结果彼此相互不一致的情况下，也可以使显示器113a显示警报ar。
[0094]
图12是表示显示器113a的画面的其他例子的图。如图所示，输出控制功能124可以针对每个权重系数使显示器113a并排显示由第2模型mdl2推断出的疾病。在图示的例子中，示出在权重系数为0.2和0.4时为“a疾病”这样的结果，但在权重系数为0.6和0.8时为“b疾病”这样的结果。在这种情况下，作为诊疗对象者可能患有的疾病，“a疾病”和“b疾病”被列举为候选。因而，输出控制功能124也可以使显示器113a显示“a疾病”和“b疾病”这两种候选。
[0095]
根据以上说明的第3实施方式，处理电路120在通过对预先学习的第2模型mdl2输入诊疗对象者的检查数据以及回答数据来推断与诊疗对象者的诊疗相关的信息时，对回答数据进行加权。处理电路120反复进行一边变更权重系数一边推断与诊疗相关的信息。处理电路120将对利用第2模型mdl2反复推断出的与诊疗相关的信息的每个进行表示的第2推断结果彼此进行比较，并判定多个第2推断结果是否相互一致。然后，处理电路120针对每个权重系数输出第2推断结果。由此，例如，在即使变更权重系数、第2推断结果也不发生变化的情况下，能够判断为诊疗对象者的回答数据对与诊疗相关的信息的推断结果不产生影响。即，利用诊疗对象者的回答数据也能够高精度地推断出与诊疗相关的信息。
[0096]
(第4实施方式)
[0097]
以下，对第4实施方式进行说明。在第4实施方式中，与上述实施方式的不同点在于，基于诊疗对象者的年龄、从诊疗对象者患有疾病起经过的期间(发病期间)、诊疗对象者对问诊的回答经验等，决定回答数据的权重系数。以下，以与第1至第3实施方式的不同点为中心进行说明，对于与第1至第3实施方式共同的点则省略说明。在第4实施方式的说明中，对于与第1至第3实施方式相同的部分标注相同的符号进行说明。
[0098]
与第3实施方式同样，第4实施方式的推断功能122在对预先学习的第2模型mdl2输入诊疗对象者的回答数据时，对该回答数据进行加权。此时，第4实施方式的推断功能122基于诊疗对象者的年龄、从诊疗对象者患有疾病起经过的期间(发病期间)、诊疗对象者对问诊的回答经验等，决定回答数据的权重系数。
[0099]
例如，与成人相比，儿童、老人在问诊的回答中更容易产生波动。因此，第4实施方式的推断功能122可以为，诊疗对象者与某个基准年龄(例如18岁)相比越年轻，则越减小回答数据的权重系数。同样，推断功能122可以为，诊疗对象者与某个基准年龄(例如65岁)相比越年高，则越减小回答数据的权重系数。
[0100]
患有疾病不久的患者与并非如此的患者相比，在问诊的回答中更容易产生波动。因而，第4实施方式的推断功能122可以为，从诊疗对象者患有疾病起经过的期间越短(患有疾病后越短)，则越减小回答数据的权重系数。
[0101]
在初诊时首次回答问诊的患者与已经接受过多次诊察且回答问诊的经验丰富的患者相比，在问诊的回答中更容易产生波动。因而，第4实施方式的推断功能122可以为，诊疗对象者回答问诊的经验越少，则越减小回答数据的权重系数。
[0102]
由此，能够从学习完毕的模型mdl的输出结果中排除由于诊疗对象者的年龄、发病期间、回答经验等而引起的回答的波动的影响。其结果，医护人员能够在进一步考虑了学习完毕的模型mdl的不确定性的同时对患者进行诊疗。
[0103]
(第5实施方式)
[0104]
以下，对第5实施方式进行说明。在第5实施方式中，与上述实施方式的不同点在于，按照诊疗对象者的年龄而准备多个机器学习模型，或者按照诊疗对象者的发病期间而准备多个机器学习模型，或者按照诊疗对象者对问诊的回答经验而准备多个机器学习模型。以下，以与第1至第4实施方式的不同点为中心进行说明，对于与第1至第4实施方式共同的点则省略说明。在第5实施方式的说明中，对于与第1至第4实施方式相同的部分标注相同的符号进行说明。
[0105]
例如，处理电路120可以为，通过使用将与儿童的诊疗相关的信息(例如疾患)作为正解的标签而与18岁以下的该儿童的检查数据建立对应的训练数据来生成儿童用的第1模型mdl1，或者通过使用将与儿童的诊疗相关的信息(例如疾患)作为正解的标签而与18岁以下的该儿童的回答数据以及检查数据建立对应的训练数据来生成儿童用的第2模型mdl2。
[0106]
同样，处理电路120可以为，通过使用将与成人的诊疗相关的信息(例如疾患)作为正解的标签而与18岁到65岁的该成人的检查数据建立对应的训练数据来生成成人用的第1模型mdl1，或者通过使用将与成人的诊疗相关的信息(例如疾患)作为正解的标签而与18岁到65岁的该成人的回答数据以及检查数据建立对应的训练数据来生成成人用的第2模型mdl2。
[0107]
处理电路120可以为，通过使用将与老人的诊疗相关的信息(例如疾患)作为正解的标签而与65岁以上的该老人的检查数据建立对应的训练数据来生成老人用的第1模型mdl1，或者通过使用将与老人的诊疗相关的信息(例如疾患)作为正解的标签而与65岁以上的该老人的回答数据以及检查数据建立对应的训练数据来生成老人用的第2模型mdl2。由此，能够从学习完毕的模型mdl的不确定性中排除与年龄相应的回答的波动的影响。
[0108]
第5实施方式的处理电路120例如可以为，通过使用将与患者的诊疗相关的信息(例如疾患)作为正解的标签而与发病期间不满1年的该患者的检查数据建立对应的训练数据来生成专门针对发病期间不满1年的患者的第1模型mdl1，或者通过使用将与患者的诊疗相关的信息(例如疾患)作为正解的标签而与发病期间不满1年的该患者的回答数据以及检查数据建立对应的训练数据来生成专门针对发病期间不满1年的患者的第2模型mdl2。
[0109]
处理电路120例如可以为，通过使用将与患者的诊疗相关的信息(例如疾患)作为正解的标签而与发病期间为1年以上的该患者的检查数据建立对应的训练数据来生成专门针对发病期间为1年以上的患者的第1模型mdl1，或者通过使用将与患者的诊疗相关的信息(例如疾患)作为正解的标签而与发病期间为1年以上的该患者的回答数据以及检查数据建立对应的训练数据来生成专门针对发病期间为1年以上的患者的第2模型mdl2。由此，能够从学习完毕的模型mdl的不确定性中排除与发病期间相应的回答的波动的影响。
[0110]
第5实施方式的处理电路120例如可以为，通过将与初诊患者的诊疗相关的信息
(例如疾患)作为正解的标签而与初诊且问诊的回答经验为0的该患者的检查数据建立对应的训练数据来生成专门针对初诊患者的第1模型mdl1，或者通过使用将与初诊患者的诊疗相关的信息(例如疾患)作为正解的标签而与该初诊患者的回答数据以及检查数据建立对应的训练数据来生成专门针对初诊患者的第2模型mdl2。
[0111]
第5实施方式的处理电路120例如可以为，通过使用将与患者的诊疗相关的信息(例如疾患)作为正解的标签而与第2次以后的诊察且问诊的回答经验为1以上的该患者的检查数据建立对应的训练数据来生成专门针对面对第2次以后的诊察的患者的第1模型mdl1，或者通过使用将与患者的诊疗相关的信息(例如疾患)作为正解的标签而与第2次以后的诊察且问诊的回答经验为1以上的该患者的回答数据以及检查数据建立对应的训练数据来生成专门针对面对第2次以后的诊察的患者的第2模型mdl2。由此，能够从学习完毕的模型mdl的不确定性中排除与问诊的经验相应的回答的波动的影响。
[0112]
(其他实施方式)
[0113]
以下，对其他实施方式进行说明。在上述实施方式中，对第1模型mdl1与第2模型mdl2是互不相同的模型的情况进行了说明，但并不限定于此，也可以是相同的模型。第1模型mdl1与第2模型mdl2也可以是一部分参数(dnn的权重、偏置成分等)不同、剩余参数共同的模型。
[0114]
在上述实施方式中，对用户界面10与医用信息处理装置100是互不相同的装置的情况进行了说明，但并不限定于此。例如，用户界面10与医用信息处理装置100也可以是成为一体的一个装置。例如，用户界面10的处理电路20也可以在具备取得功能21、输出控制功能22以及通信控制功能23的基础上，还具备医用信息处理装置100的处理电路120所具备的推断功能122以及判定功能123。在该情况下，用户界面10能够独立(离线)地进行上述各种流程图的处理。
[0115]
如在上述实施方式中说明的那样，由第1模型mdl1以及第2模型mdl2输出的与诊疗相关的信息，典型为推断患者的疾病的信息，但并不限定于此，也可以包含检查的名称、种类、处方药名、治疗方针、患者是否回家、患者病房种类、其他工作人员有无帮助这样的通过问诊判断出的将来的所有事项。
[0116]
根据以上说明的至少一个实施方式，医用信息处理装置100的处理电路120取得诊疗对象者的检查数据以及问诊的回答数据。处理电路120通过对预先学习的第1模型mdl1输入诊疗对象者的检查数据，由此推断与诊疗对象者的诊疗相关的信息。例如，处理电路120推断诊疗对象者的疾病。处理电路120通过对预先学习的第2模型mdl2输入诊疗对象者的检查数据以及回答数据，由此推断与诊疗对象者的诊疗相关的信息。例如，处理电路120推断诊疗对象者的疾病。然后，处理电路120经由输出界面113输出表示利用第1模型mdl1推断出的与诊疗相关的信息(例如诊疗对象者的疾病)的第1推断结果、以及表示利用第2模型mdl2推断出的与诊疗相关的信息(例如诊疗对象者的疾病)的第2推断结果。由此，医护人员能够不受针对问诊的回答的不稳定性影响而对患者进行诊疗。
[0117]
对本发明的几个实施方式进行了说明，但这些实施方式是作为例子而提示的，并不意图对发明的范围进行限定。这些实施方式能够以其他各种方式加以实施，在不脱离发明的主旨的范围内能够进行各种省略、置换、变更。这些实施方式及其变形包含于发明的范围及主旨中，并且包含于专利请求范围所记载的发明和与其等同的范围中。
[0118]
关于以上的实施方式，作为发明的一个方面以及选择性的特征而公开以下的附记。
[0119]
(附记1)
[0120]
一种医用信息处理系统，具备：
[0121]
取得部，取得表示针对诊疗对象者的医学的检查结果的检查数据、以及表示针对上述诊疗对象者的问诊的回答结果的回答数据；
[0122]
推断部，通过对第1模型输入上述诊疗对象者的上述检查数据，由此推断与上述诊疗对象者的诊疗相关的信息，并且通过对第2模型输入上述诊疗对象者的上述检查数据以及上述回答数据，由此推断与上述诊疗对象者的诊疗相关的信息，上述第1模型基于将与学习对象者的诊疗相关的信息作为正解的标签而与上述学习对象者的上述检查数据建立对应的第1训练数据集进行了学习，上述第2模型基于将与上述学习对象者的诊疗相关的信息作为正解的标签而与上述学习对象者的上述检查数据以及上述回答数据建立对应的第2训练数据集进行了学习；以及
[0123]
输出控制部，经由输出部输出表示利用上述第1模型推断出的与上述诊疗相关的信息的第1推断结果、以及表示利用上述第2模型推断出的与上述诊疗相关的信息的第2推断结果。
[0124]
(附记2)
[0125]
上述输出部可以包括显示部。上述输出控制部可以使上述显示部并排显示上述第1推断结果和上述第2推断结果。
[0126]
(附记3)
[0127]
上述医用信息处理系统可以进一步具备判定部，该判定部将上述第1推断结果与上述第2推断结果进行比较，并判定上述第1推断结果与上述第2推断结果是否一致。
[0128]
(附记4)
[0129]
上述推断部可以计算出上述第1推断结果与上述第2推断结果的相似度。进而，上述判定部可以在上述相似度为阈值以上的情况下，判定为上述第1推断结果与上述第2推断结果一致，在上述相似度小于上述阈值的情况下，判定为上述第1推断结果与上述第2推断结果不一致。
[0130]
(附记5)
[0131]
在判定为上述第1推断结果与上述第2推断结果不一致的情况下，上述输出控制部可以经由上述输出部输出警报。
[0132]
(附记6)
[0133]
上述推断部可以在对上述第2模型输入上述诊疗对象者的上述回答数据时，对上述诊疗对象者的上述回答数据进行加权。进而，上述推断部可以通过将上述诊疗对象者的上述加权后的上述回答数据和上述检查数据输入到上述第2模型，由此推断与上述诊疗对象者的诊疗相关的信息。
[0134]
(附记7)
[0135]
上述推断部可以反复进行一边变更权重系数一边推断与上述诊疗相关的信息。上述判定部可以通过将对利用上述第2模型反复推断出的多个与上述诊疗相关的信息的每个进行表示的上述第2推断结果彼此进行比较，由此判定多个上述第2推断结果是否相互一
致。
[0136]
(附记8)
[0137]
上述输出控制部可以经由上述输出部针对每个上述权重系数输出上述第2推断结果。
[0138]
(附记9)
[0139]
在与上述诊疗相关的信息中可以包含推断患者的疾病的情况。
[0140]
(附记10)
[0141]
一种医用信息处理方法，使用计算机，包括：
[0142]
取得表示针对诊疗对象者的医学检查结果的检查数据、以及表示针对上述诊疗对象者的问诊的回答结果的回答数据；
[0143]
通过对第1模型输入上述诊疗对象者的上述检查数据，由此推断与上述诊疗对象者的诊疗相关的信息，上述第1模型基于将与学习对象者的诊疗相关的信息作为正解的标签而与上述学习对象者的上述检查数据建立对应的第1训练数据集进行了学习；
[0144]
通过对第2模型输入上述诊疗对象者的上述检查数据以及上述回答数据，由此推断与上述诊疗对象者的诊疗相关的信息，上述第2模型基于将与上述学习对象者的诊疗相关的信息作为正解的标签而与上述学习对象者的上述检查数据以及上述回答数据建立对应的第2训练数据集进行了学习；以及
[0145]
经由输出部输出表示利用上述第1模型推断出的与上述诊疗相关的信息的第1推断结果、以及表示利用上述第2模型推断出的与上述诊疗相关的信息的第2推断结果。
[0146]
(附记11)
[0147]
一种存储介质，存储有用于使计算机执行的程序，该程序包括：
[0148]
取得表示针对诊疗对象者的医学检查结果的检查数据、以及表示针对上述诊疗对象者的问诊的回答结果的回答数据；
[0149]
通过对第1模型输入上述诊疗对象者的上述检查数据，由此推断与上述诊疗对象者的诊疗相关的信息，上述第1模型基于将与学习对象者的诊疗相关的信息作为正解的标签而与上述学习对象者的上述检查数据建立对应的第1训练数据集进行了学习；
[0150]
通过对第2模型输入上述诊疗对象者的上述检查数据以及上述回答数据，由此推断与上述诊疗对象者的诊疗相关的信息，上述第2模型基于将与上述学习对象者的诊疗相关的信息作为正解的标签而与上述学习对象者的上述检查数据以及上述回答数据建立对应的第2训练数据集进行了学习；以及
[0151]
经由输出部输出表示利用上述第1模型推断出的与上述诊疗相关的信息的第1推断结果、以及表示利用上述第2模型推断出的与上述诊疗相关的信息的第2推断结果。