专利名称：医疗诊断支持设备和医疗诊断支持方法
技术领域：
本发明涉及ー种医疗诊断支持设备和医疗诊断支持方法。
背景技术：
在医疗领域中，医生将通过拍摄患者所获得的医用图像显示在监视器上，对所显示的医用图像进行解读，并且观察病变部的状态及其时间变化。用于生成这种医用图像的设备例如包括X射线CT (计算机断层成像)设备、MRI(磁共振成像)设备以及超声波设备。利用这些医用图像所进行的各诊断(影像诊断)可被分成如下步骤从医用图像发现异常阴影等并获得该阴影的特征的步骤以及进行鉴别诊断以识别该阴影的步骤。传统上，已研发了如下的医疗诊断支持设备，其中为了支持医生所进行的鉴别诊断，该医疗诊断支持设备通过使用异常阴影的特征(解读发现)作为输入信息来推断该阴 影的识别结果并呈现该结果信息。例如，已提出了如下的设备，其中该设备计算胸部X射线CT图像中的给定阴影是恶性肿瘤的概率以及该阴影是良性肿瘤的概率并呈现该结果信息。通常，以下是将这种设备应用于实际临床现场的情况下的适当过程。首先，医生进行鉴别诊断。然后，该医生将从医疗诊断支持设备输出的推断结果作为參考信息进行參考。这种情况下的问题在于如果存在多个没有输入的信息，则该设备所作出的推断的精度较低。因此，已尝试通过使设备选择推断所需的未输入信息并提示医生添加该信息来获得更加可靠的推断結果。例如，日本专利3226400已公开了如下的技术根据设备基于已输入的信息(已输入信息)所获得的推断结果(当前推断結果)以及将未输入信息添加至已输入信息时所获得的推断结果来选择和呈现要关注的未输入信息。该技术被设计成计算各未输入信息对当前推断结果的影响程度并且呈现影响程度高的未输入信息。这使得可以呈现对该设备基于已输入信息所获得的推断结果产生极大影响的未输入信息。另外，日本特公平7-117972公开了通过使用当前推断结果来呈现假设信息的技木。该技术使用知识数据库来呈现根据当前推断结果所推断出的假设症状。这使得可以呈现与当前推断结果的关联性强的未输入信息。然而，根据日本专利3226400，仅根据未输入信息对该设备基于已输入信息所获得的推断结果是否产生极大影响的标准来选择要关注的未输入信息。由于该原因，该技术可能将存在的可能性较低的信息(所见)作为要关注的未输入信息而呈现。另ー方面，日本特公平7-117972所公开的技术仅呈现与当前推断结果的关联性强的未输入信息，而并未考虑与已输入信息的关联性。由于该原因，该技术呈现与已输入信息的关联性弱的信息，或者并不呈现与已输入信息的关联性强但对当前推断结果不利的信
ο
发明内容
一个实施例被配置为选择和呈现存在的可能性高的未输入信息中的医生应当优先检查的未输入信息。根据本发明的一个实施例，提供ー种医疗诊断支持设备，用于提供对医疗诊断进行支持的信息，所述医疗诊断支持设备包括推断単元，用于获得基于已输入信息和各个未输入信息的组合进行推断所得的推断結果；评价单元，用于通过使用所述推断単元所获得的针对已输入信息的推断结果以及所述推断単元所获得的针对各个未输入信息的推断结果来评价各个未输入信息；以及选择单元，用于基于所述评价単元所获得的评价来从各个未输入信息中选择要呈现的未输入信息。根据本发明的另ー实施例，提供ー种医疗诊断支持方法，用于提供对医疗诊断进行支持的信息，所述医疗诊断支持方法包括以下步骤推断步骤，用于获得基于已输入信息和各个未输入信息的组合进行推断所得的推断结果；评价步骤，用于通过使用针对已输入信息的推断结果以及针对各个未输入信息的推断结果来评价各个未输入信息；以及选择步骤，用于基于所述评价来从各个未输入信息中选择要呈现的未输入信息。
这样，可以选择和呈现存在的可能性高的未输入信息中的医生应当优先检查的未输入信息。通过以下(參考附图)对典型实施例的说明，本发明的其它特征将变得明显。
图I是示出根据第一实施例的医疗诊断支持设备的功能结构的框图；图2是示出利用软件来实现医疗诊断支持设备的各単元的计算机的基本结构的框图；图3是示出根据第一实施例的医疗诊断支持方法的处理过程的流程图；图4是示出第一实施例中的呈现信息的示例的图；图5是示出根据第三实施例的医疗诊断支持方法的处理过程的流程图；图6是示出各未输入信息的发生概率、影响程度和评价值的示例的图；图7是示出根据ー个实施例的医疗诊断支持方法的处理过程的流程图；以及图8是示出根据另ー实施例的呈现信息的示例的图。
具体实施例方式以下将參考附图来说明根据实施例的医疗诊断支持设备和医疗诊断支持方法。第一实施例根据第一实施例的医疗诊断支持设备获得与作为对象的病例(对象病例)相关联的医用信息作为已输入信息，并进行与该对象病例相关联的诊断支持。注意，以下是该设备支持肺的异常阴影的影像诊断的情況。该医疗诊断支持设备至少获得与肺的异常阴影相关联的解读发现作为已输入信息，进行与该异常阴影的异常类型(诊断名称)有关的推断，并基于该推断结果来呈现诊断支持信息。注意，作为推断对象的区域不局限于肺，并且可以将其它区域设置为对象。另外，推断对象不局限于异常的类型，并且与良性/恶性有关的推断可以作为推断対象。诊断名称以及可以输入的解读发现等仅是用来说明医疗诊断支持设备所进行的处理中的步骤的示例。图I示出根据第一实施例的医疗诊断支持设备的结构。如图I所示，根据本实施例的医疗诊断支持设备100连接至输入终端200和数据库300。終端200可以从服务器(未示出)获得与肺的异常阴影相关联的对象病例的数据(例如，医用图像和电子病历的信息)。可选地，可以将诸如FDD、HDD、⑶驱动器、DVD驱动器、MO驱动器和ZIP驱动器等的外部存储装置连接至该设备以从这些驱动器中获得对象病例的数据。然后，该设备将经由输入终端200所输入的对象病例的数据以允许用户(医生)进行解读的形式显示在显示装置上。用户(医生)对显示在该显示装置上的对象病例的数据进行解读，并利用输入终端200输入该解读结果作为解读发现。输入终端200获得用户(医生)所输入的解读发现作为已输入信息(已输入的医用信息)。在本实施例中，用户(医生)通过使用鼠标和键盘来输入对显示装置上所显示的医用图像的解读发现。注意，该处理通过使输入終端200具有如下的功能来实现，其中该功能允许用户通过使用例如基于模板形式的解读发现输入支持方法、利用GUI来选择信息。输入终端200根据来自用户(医生)的请求，将与作为对象病例的肺的异常阴影有关的解读发现(已输入信息)以及伴 随数据(代表图像等)经由诸如LAN等的网络发送至医疗诊断支持设备100。数据库300针对作为诊断对象的各区域存储过去所输入的已输入信息。数据库300例如存储与肺的异常阴影相关联的过去病例的已输入信息。使用数据库300可以获得所存储的已输入信息的总数、针对作为诊断对象的区域能够输入的所有医用信息项、这些项的发生频率以及这些项之间的共现频率(co-occurrence frequency)等。将保持在数据库300中的信息经由诸如LAN等的网络发送至医疗诊断支持设备100。医疗诊断支持设备100包括以下所述的构成元件。医用信息获得单元102获得伴随数据(代表图像等)以及已从输入終端200输入至医疗诊断支持设备100的与作为医疗诊断对象的区域有关的医用信息(已输入信息)。例如，在作为医疗诊断对象的区域是肺的情况下，医用信息获得单元102获得与作为对象病例的肺的异常阴影有关的解读发现(已输入信息)以及伴随数据。然后，医用信息获得单元102将已输入信息输出至未输入信息获得单元104、推断単元108和呈现单元114。另外，医用信息获得单元102将所获得的医用信息以及伴随数据(代表图像等)输出至呈现单元114。未输入信息获得单元104通过參考数据库300，可以获得针对医疗诊断用的对象区域(例如，肺)能够输入的医用信息(解读发现)的所有项。未输入信息获得单元104获得通过在从数据库300获得的能够输入的医用信息的所有项中除去已输入信息所获得的至少ー个信息作为未输入信息。未输入信息获得单元104将所获得的未输入信息输出至未输入信息概率计算单元106、推断単元108和选择单元112。未输入信息概率计算单元106基于已输入信息和未输入信息之间的关系来计算由各未输入信息所表示的事件存在于作为医疗诊断对象的区域内的概率(发生概率)。未输入信息概率计算单元106针对与数据库300所保持的能够输入的项有关的信息来计算各未输入信息的发生概率。后面将说明用于计算发生概率的方法。未输入信息概率计算单元106将所计算出的发生概率输出至选择单元112和呈现单元114。推断単元108基于医用信息获得单元102所获得的肺的异常阴影的已输入信息，通过使用预定推断技术来推断作为医疗诊断对象的区域的异常(异常候选)。例如，推断単元108推断肺的异常阴影的诊断名称作为已输入信息推断結果。推断単元108通过使用已输入信息和未输入信息获得単元104所获得的各未输入信息的组合来推断肺的异常阴影的诊断名称(未输入信息推断結果)，作为用作医疗诊断对象的区域的异常(异常候选)。推断単元108将作为推断结果的已输入信息推断结果和未输入信息推断结果输出至影响程度计算单元110和呈现单元114。影响程度计算单元110通过使用推断単元108所获得的已输入信息推断结果以及各未输入信息推断结果来计算各未输入信息相对于推断的影响程度(未输入信息影响程度)。在这种情况下，影响程度(未输入信息影响程度)是表示医生应当对各未输入信息进行优先检查的程度的值。影响程度计算单元110计算各未输入信息的影响程度。例如，影响程度计算单元110计算相对于未输入信息al的影响程度bl以及相对于未输入信息a2的影响程度b2。如果影响程度bl (第一影响程度) 高于影响程度b2(第二影响程度)，则可以判断为未输入信息al对推断的影响高于未输入信息a2对推断的影响。影响程度计算単元110将所计算出的影响程度(未输入信息影响程度)输出至选择单元112。选择单元112基于未输入信息概率计算单元106所计算出的各未输入信息的发生概率以及影响程度计算单元110所获得的各未输入信息的影响程度来从未输入信息中选择呈现未输入信息。然后，选择单元112将所选择的呈现未输入信息输出至呈现单元114。呈现单元114将选择単元112所选择的呈现未输入信息呈现(显示)到显示装置。这使得可以高效地呈现医生要优先检查的未输入信息。图I所示的医疗诊断支持设备100的各个单元的功能结构中的至少一部分可以作为独立装置来实现。另外，医疗诊断支持设备100的各单元的功能结构可以由软件来实现。图2示出用于通过执行软件来实现图I所示的各単元的功能的计算机的基本结构。CPU 1001控制各构成元件的操作。主存储器1002存储CPU 1001所执行的控制程序，并且提供CPU 1001执行程序时的工作区域。磁盘1003存储如下内容操作系统(OS);夕卜围装置用的装置驱动程序；以及包括用于执行(后面要说明的)处理的程序的各种类型的应用程序软件。显示存储器1004临时存储呈现単元114所生成的显示数据。监视器1005例如是CRT监视器或液晶监视器，并且基于来自显示存储器1004的数据来显示图像和文本等。监视器1005(显示装置)还显示由呈现单元114处理得到的結果。用户分别使用鼠标1006和键盘1007来进行诸如指示输入以及字符等的输入等的输入操作。各个构成元件经由公用总线1008可通信地相互连接。接着将參考图3的流程图来说明医疗诊断支持设备100所进行的整体处理。通过使CPU 1001执行存储在主存储器1002中的且实现各单元的功能的程序来实现本实施例。在以下说明中，假定由Ijj = I η)来表示各解读发现，并且该设备处理η种类型的解读发现I1 Ιη。例如，I1的“形状”表示异常阴影的形状，并且I2的“叶状”表示异常阴影的叶状程度。另外，In的“呑入(血管)”表示异常阴影中有无血管的吞入。在以下说明中，将Ij可采用的状态(离散值)记为も,。k的范围采用依赖于Ij的各种值。例如，在解读发现I1的“形状”中，k为3，即采用S11 “球状”、S12 “分叶状”和S13 “不规则”这三种状态。在以下说明中，将Ij的集合记为N，并且将Sjk的集合记为E。然而，假定L可采用的多个状态(离散值)Sjk不是同时存在于ー个E中。例如，如果I1采用Sn、S12和S13并且I2采用S21、S22、S23和S24，则E = {Sn，S2J表示“形状”和“叶状”的状态并且可以采用这两个状态。然而，E = {Sn，S1J表示ー个解读发现的两种不同状态(“球状，，和“分叶状”)，并且无法采用这两种状态。这是因为ー个解读发现项仅采用ー种状态。
在这种情况下，将与已输入信息相对应的解读发现项的集合记为Nf，并且将Nf的状态的集合记为Ef。该集合Ef与已输入信息相对应。将除已输入信息以外的解读发现的集合记为Nf',并且将包括Nf'的状态作为元素的集合记为EvmOn = 1,2,——)。在这种情况下，Evm与未输入信息相对应。另外，将未输入信息Evm的发生概率以及未输入信息Evm对推断的影响程度分别记为PJEvm)和IR(Evm)。另外，通过使用符号“D”来表示诊断名称。在本实施例中，诊断名称采用分别记为DpD2和D3的原发性肺癌、癌的肺转移和其它这三个值。另外，将输入E时的诊断名称DJr=1,2,3)的推断概率记为P (D」E)。在步骤S3000中，医疗诊断支持设备100的医用信息获得单元102获得输入至医疗诊断支持设备100的与肺的异常阴影有关的已输入信息以及伴随数据。假定在步骤S3000中医疗诊断支持设备100所获得的解读发现信息中，I1 “形状”为“球状”，I3 “放射状”为“弱”，...，In “吞入(血管)”为“无”。在这种情况下，将已输入信息的解读发 现的
集合Nf表示为Nf = U1, I3,, Ij ,并且将Nf的状态的集合Ef表示为Ef = {Sn, S33,...,Sn3K复权利要求
1.ー种医疗诊断支持设备，用于提供对医疗诊断进行支持的信息，所述医疗诊断支持设备包括 推断単元，用于获得基于已输入信息和各个未输入信息的组合进行推断所得的推断结果; 评价单元，用于通过使用所述推断単元所 获得的针对已输入信息的推断结果以及所述推断単元所获得的针对各个未输入信息的推断结果来评价各个未输入信息；以及 选择单元，用于基于所述评价単元所获得的评价来从各个未输入信息中选择要呈现的未输入信息。
2.根据权利要求I所述的医疗诊断支持设备，其特征在于，还包括 发生概率获得单兀，用于基于已输入信息和未输入信息之间的关系来获得各个未输入信息的发生概率；以及 影响程度计算单元，用于通过使用所述推断単元所获得的针对已输入信息的推断结果以及所述推断単元所获得的针对各个未输入信息的推断结果来计算各个未输入信息的影响程度。
3.根据权利要求2所述的医疗诊断支持设备，其特征在于，所述选择単元选择所计算出的影响程度最大的未输入信息。
4.根据权利要求3所述的医疗诊断支持设备，其特征在于，所述选择単元选择所计算出的影响程度为正且绝对值最大的未输入信息以及所计算出的影响程度为负且绝对值最大的未输入信息。
5.根据权利要求2所述的医疗诊断支持设备，其特征在于，所述发生概率获得単元根据已输入信息和各个未输入信息之间的共现频率来获得所述发生概率。
6.根据权利要求2所述的医疗诊断支持设备，其特征在于，所述发生概率获得单元还包括第二推断単元，所述第二推断単元用于获得所述发生概率。
7.根据权利要求6所述的医疗诊断支持设备，其特征在干，所述第二推断単元基于至少部分包括与诊断对象有关的已输入信息的过去诊断结果，来获得针对所述诊断对象输入各个未输入信息的概率，作为所述发生概率。
8.根据权利要求2所述的医疗诊断支持设备，其特征在于，所述影响程度计算单元计算所述发生概率不小于阈值的未输入信息的影响程度。
9.根据权利要求I所述的医疗诊断支持设备，其特征在于，还包括呈现单元，所述呈现単元用于呈现所述选择単元所选择的未输入信息的至少一部分。
10.ー种医疗诊断支持方法，用于提供对医疗诊断进行支持的信息，所述医疗诊断支持方法包括以下步骤 推断步骤，用于获得基于已输入信息和各个未输入信息的组合进行推断所得的推断结果; 评价步骤，用于通过使用针对已输入信息的推断结果以及针对各个未输入信息的推断结果来评价各个未输入信息；以及 选择步骤，用于基于所述评价来从各个未输入信息中选择要呈现的未输入信息。
全文摘要
本发明涉及一种医疗诊断支持设备和医疗诊断支持方法。所述医疗诊断支持设备用于提供对医疗诊断进行支持的信息，其包括推断单元，用于获得基于已输入信息和各个未输入信息的组合进行推断所得的推断结果；评价单元，用于通过使用所述推断单元所获得的针对已输入信息的推断结果以及所述推断单元所获得的针对各个未输入信息的推断结果来评价各个未输入信息；以及选择单元，用于基于所述评价单元所获得的评价来从各个未输入信息中选择要呈现的未输入信息。
文档编号G06F19/00GK102722633SQ20121008860
公开日2012年10月10日 申请日期2012年3月28日 优先权日2011年3月28日
发明者川岸将实 申请人:佳能株式会社