図面 (/)

技術 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム

出願人 株式会社NTTデータ・アイ
発明者 百瀬公久垣本和則松永央奥山尚志堤田敏夫
出願日 2014年12月9日 (5年6ヶ月経過) 出願番号 2014-248953
公開日 2016年6月20日 (4年0ヶ月経過) 公開番号 2016-106940
状態 特許登録済
技術分野 その他の診断装置 生体の電気現象及び電気的特性の測定・記録
主要キーワード 診断対象データ 学習データ群 分離境界面 三角点 AD領域 低下部分 所属クラスタ AT値
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2016年6月20日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (12)

課題

複数の脳疾患の判定が可能な脳疾患診断支援システムを提供する。

解決手段

脳疾患診断支援システムは、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患を示す疾患情報を付した学習データを複数取得し、取得した複数の学習データを、複数のクラスタ分類する。また、分類した各クラスタにおいて学習データに付された疾患情報に基づいて、学習データを疾患情報ごとに分類する分類器を生成する。そして、被験者の脳波特徴データを取得し、その脳波特徴データが分類されるクラスタを特定し、さらに生成した分類器によって、被験者の脳波特徴データが複数の脳疾患の何れであるかを判定する。

概要

背景

高齢化社会到来に伴い、脳疾患の一つである認知症への対策が求められている。以降については認知症を例として記載する。認知症は、投薬によって病気の進行を遅らせたり、手術によって改善できる場合がある。これら認知症への効果的な対策を行うためには、認知症の早期発見が重要となる。

例えば、特許文献1には、脳波周波数全域において、大脳皮質内のニューロン機能が低下すると、ニューロン活動が不安定になり、この影響が局所的な脳波パワーゆらぎとして現れることを用いて、脳の活動を測定する装置が開示されている。この技術では、被験者の頭部の複数の位置に取り付けたセンサが検出した脳波を所定の周波数帯域ごとに規格化した値(以下、脳波特徴データという)の平均値標準偏差を求め、正常者集団について同様にして求めた脳波特徴データの平均値と比較し、被験者の平均値のZスコアを求める。そして、被験者のZスコアに基づいて、被験者の脳機能低下部分を示すことができる。

また、特許文献1には、同様の方法を用いて、アルツハイマー型認知症患者集団についてのZスコアを算出し、これを当該疾患の特徴を示すテンプレートとして、個々の被験者のZスコアと当該テンプレートとの相関係数を求めることで、その類似性数値的に表示できることが記載されている。

概要

複数の脳疾患の判定が可能な脳疾患診断支援システムを提供する。脳疾患診断支援システムは、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患を示す疾患情報を付した学習データを複数取得し、取得した複数の学習データを、複数のクラスタ分類する。また、分類した各クラスタにおいて学習データに付された疾患情報に基づいて、学習データを疾患情報ごとに分類する分類器を生成する。そして、被験者の脳波特徴データを取得し、その脳波特徴データが分類されるクラスタを特定し、さらに生成した分類器によって、被験者の脳波特徴データが複数の脳疾患の何れであるかを判定する。

目的

この発明は、上述の課題を解決することのできる脳疾患診断支援システム、脳疾患診断支援方法及びプログラムを提供する

効果

実績

技術文献被引用数
2件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する評価モデル算出部と、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う判定部と、を備える脳疾患診断支援システム

請求項2

前記被験者の脳波特徴データに付す前記疾患情報の入力を受け付ける入力部、を更に備え、前記入力部は、前記受け付けた疾患情報を前記被験者の脳波特徴データと対応付けた新たな学習データを記憶部に記憶させ、前記評価モデル算出部は、前記新たな学習データを前記複数の学習データに加え、評価モデルの算出を行う請求項1に記載の脳疾患診断支援システム。

請求項3

前記脳波特徴データには、複数の前記特徴量が含まれ、前記評価モデル算出部は、前記複数の学習データのそれぞれに含まれる脳波特徴データについて、評価モデルの算出に有効な1つ又は複数の特徴量を抽出し、当該抽出した特徴量のみを用いて前記評価モデルを算出する請求項1又は請求項2に記載の脳疾患診断支援システム。

請求項4

前記複数の学習データの疾患情報には、1つ又は複数の種類の脳疾患を示す情報が含まれており、前記評価モデル算出部は、前記複数の学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出し、前記判定部は、前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う請求項1から請求項3の何れか1項に記載の脳疾患診断支援システム。

請求項5

前記評価モデル算出部は、前記複数の脳波特徴データを、前記特徴量に基づくクラスタリングによって複数のグループ分類し、前記判定部は、前記被験者の脳波特徴データが、前記評価モデル算出部の分類したグループのうち、どのグループに分類されるかを判定する請求項1から請求項3の何れか1項に記載の脳疾患診断支援システム。

請求項6

前記複数の学習データの疾患情報には、1つ又は複数の種類の脳疾患を示す情報が含まれており、前記評価モデル算出部は、前記判定部によって前記被験者の脳波特徴データが分類されると判定されたグループに含まれる学習データについて、疾患情報の種類ごとに、それぞれの疾患情報が付された学習データの割合を算出し、前記判定部は、前記割合に基づいて前記被験者の脳波特徴データが示す脳疾患の判定を行う請求項5に記載の脳疾患診断支援システム。

請求項7

前記評価モデル算出部は、前記判定部によって前記被験者の脳波特徴データが分類されると判定されたグループに含まれる学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出し、前記判定部は、前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う請求項5又は請求項6に記載の脳疾患診断支援システム。

請求項8

前記判定部の判定の結果を出力する表示部、をさらに備え、前記判定部は、前記被験者の脳波特徴データが示す脳疾患を判定するとともに、前記被験者の脳波特徴データがその脳疾患であることを示す確率を算出し、前記表示部は、前記確率を出力する請求項1から請求項7の何れか1項に記載の脳疾患診断支援システム。

請求項9

脳疾患診断支援システムが、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出し、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う、脳疾患診断支援方法

請求項10

脳疾患診断支援システムのコンピュータを、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する手段、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う手段、として機能させるためのプログラム

技術分野

0001

本発明は、脳疾患診断支援システム、脳疾患診断支援方法及びプログラムに関する。

背景技術

0002

高齢化社会到来に伴い、脳疾患の一つである認知症への対策が求められている。以降については認知症を例として記載する。認知症は、投薬によって病気の進行を遅らせたり、手術によって改善できる場合がある。これら認知症への効果的な対策を行うためには、認知症の早期発見が重要となる。

0003

例えば、特許文献1には、脳波周波数全域において、大脳皮質内のニューロン機能が低下すると、ニューロン活動が不安定になり、この影響が局所的な脳波パワーゆらぎとして現れることを用いて、脳の活動を測定する装置が開示されている。この技術では、被験者の頭部の複数の位置に取り付けたセンサが検出した脳波を所定の周波数帯域ごとに規格化した値(以下、脳波特徴データという)の平均値標準偏差を求め、正常者集団について同様にして求めた脳波特徴データの平均値と比較し、被験者の平均値のZスコアを求める。そして、被験者のZスコアに基づいて、被験者の脳機能低下部分を示すことができる。

0004

また、特許文献1には、同様の方法を用いて、アルツハイマー型認知症患者集団についてのZスコアを算出し、これを当該疾患の特徴を示すテンプレートとして、個々の被験者のZスコアと当該テンプレートとの相関係数を求めることで、その類似性数値的に表示できることが記載されている。

先行技術

0005

特許第4145344号公報

発明が解決しようとする課題

0006

しかし、特許文献1の方法には、次のような問題点がある。例えば、特許文献1の方法では、Zスコアによって被験者の脳波特徴データと、正常者集団の脳波特徴データ又はアルツハイマー型認知症患者の集団の脳波特徴データとの類似性を判定している。Zスコアによって判定する場合、母集団正規分布に従うことが前提となる。しかし、正常者集団の脳波特徴データやアルツハイマー型認知症患者の集団の脳波特徴データが、正規分布に従う保証はない。従って、Zスコアを用いるためには、母集団のデータが正規分布に従うように、試行錯誤を行いながら適切なデータを抽出しなければならない可能性がある。さらに、脳波は、国際標準で19ヶ所の測定を行うことになっており、また、例えば特許文献1の方法では、さらに2ヶ所を追加した計21ヶ所で測定を行っているが、何れの場合も脳波特徴データは、多次元となり、複数の多次元データの中から正規分布に従うような適切なデータを抽出することには困難さが伴う。

0007

また、被験者の脳波特徴データと、正常者集団の脳波特徴データ又はアルツハイマー型認知症患者の集団の脳波特徴データとの類似性を、脳波特徴データの平均値同士の距離で判定しているが、正常者集団の脳波特徴データの平均値は、必ずしも正常者の脳波特徴データの特性を示す値に収束するとは限らない。同様に、アルツハイマー型認知症患者集団の脳波特徴データの平均値は、必ずしもアルツハイマー型認知症患者の脳波特徴データの特性を示す値に収束するとは限らない。このことを、図11を用いて説明する。説明の便宜上、2つの脳波特徴データを用いる場合を例に説明を行う。縦軸(y1軸)、横軸(y2軸)は、それぞれ脳波特徴データを示している。すると、ある者の脳波特徴データは、2つの脳波特徴データの値を座標値に持つ点で表すことができる。三角で示された点を、正常者(NL)の脳波特徴データとする。丸で示された点をアルツハイマー型認知症患者(AD)と診断された患者の脳波特徴データとする。また、星型で示された点を被験者の脳波特徴データとする。このとき、NLの平均値は、符号31が示す点で表される。ADの平均値は、符号32が示す点で表される。

0008

ここで、被験者の脳波特徴データを、正常者とアルツハイマー患者それぞれの脳波特徴データの平均値に基づいて、正常者、アルツハイマー患者のどちらかに分類することを考える。被験者の脳波特徴データをNL、ADのどちらに分類する方法の一例として、NLの平均値、ADの平均値をそれぞれNL、ADの代表値とし、被験者の脳波特徴データとそれらの代表値との距離を比較し、距離が近い方に被験者の脳波特徴データを分類するものとする。例えば、被験者1の脳波特徴データ(符号33)は、ADの平均値(符号32)に近い。また、被験者4の脳波特徴データ(符号34)は、NLの平均値(符号31)に近い。しかし、被験者1の脳波特徴データ(符号33)の近くには、一つのNLの脳波特徴データ(符号35)が存在する。また、被験者4の脳波特徴データ(符号34)の近くには、一つのADの脳波特徴データ(符号36)が存在する。特許文献1の方法によると、このような場合でも、被験者1(符号33)を、ADと判定し、被験者4(符号34)は、NLと判定する可能性があるが、脳波特徴データの平均値が、ある症状やある活動状態の脳波特徴データの特性を正しく示す代表値であるとは限らない。また、上述のように脳波特徴データは、多次元であり、そのような多次元データの代表値を平均算出で適切に収束させることは困難であるという問題もある。

0009

そこでこの発明は、上述の課題を解決することのできる脳疾患診断支援システム、脳疾患診断支援方法及びプログラムを提供することを目的としている。

課題を解決するための手段

0010

本発明の第1の態様は、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する評価モデル算出部と、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う判定部と、を備える脳疾患診断支援システムである。

0011

本発明の第2の態様における脳疾患診断支援システムは、前記被験者の脳波特徴データに付す前記疾患情報の入力を受け付ける入力部、を更に備え、前記入力部は、前記受け付けた疾患情報を前記被験者の脳波特徴データと対応付けた新たな学習データを記憶部に記憶させ、前記評価モデル算出部は、前記新たな学習データを前記複数の学習データに加え、評価モデルの算出を行う。

0012

本発明の第3の態様における前記脳波特徴データには、複数の前記特徴量が含まれ、前記評価モデル算出部は、前記複数の学習データのそれぞれに含まれる脳波特徴データについて、評価モデルの算出に有効な1つ又は複数の特徴量を抽出し、当該抽出した特徴量のみを用いて前記評価モデルを算出する。

0013

本発明の第4の態様における前記複数の学習データの疾患情報には、1つ又は複数の種類の脳疾患を示す情報が含まれており、前記評価モデル算出部は、前記複数の学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出し、前記判定部は、前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う。

0014

本発明の第5の態様における前記評価モデル算出部は、前記複数の脳波特徴データを、前記特徴量に基づくクラスタリングによって複数のグループに分類し、前記判定部は、前記被験者の脳波特徴データが、前記評価モデル算出部の分類したグループのうち、どのグループに分類されるかを判定する。

0015

本発明の第6の態様における前記複数の学習データの疾患情報には、1つ又は複数の種類の脳疾患を示す情報が含まれており、前記評価モデル算出部は、前記判定部によって前記被験者の脳波特徴データが分類されると判定されたグループに含まれる学習データについて、疾患情報の種類ごとに、それぞれの疾患情報が付された学習データの割合を算出し、前記判定部は、前記割合に基づいて前記被験者の脳波特徴データが示す脳疾患の判定を行う。

0016

本発明の第7の態様における前記評価モデル算出部は、前記判定部によって前記被験者の脳波特徴データが分類されると判定されたグループに含まれる学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出し、前記判定部は、前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う。

0017

本発明の第8の態様における脳疾患症診断支援システムは、前記判定部の判定の結果を出力する表示部、をさらに備え、前記判定部は、前記被験者の脳波特徴データが示す脳疾患を判定するとともに、前記被験者の脳波特徴データがその脳疾患であることを示す確率を算出し、前記表示部は、前記確率を出力する。

0018

本発明の第9の態様は、脳疾患診断支援システムが、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出し、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う、脳疾患診断支援方法である。

0019

本発明の第10の態様は、脳疾患診断支援システムのコンピュータを、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、前記複数の学習データを機械学習することにより、脳疾患の判定を行う評価モデルを算出する手段、被験者の脳波特徴データを取得し、前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う手段、として機能させるためのプログラムである。

発明の効果

0020

本発明によれば、被験者の脳波に基づいて、その被験者が脳疾患を患っているかどうかの判定を、複数の脳疾患について同時に行うことができる。また、脳疾患の判定に用いる評価モデルの作成を自動的に行うことができるので、テンプレート作成の手間を省くことができる。

図面の簡単な説明

0021

本発明に係る第一実施形態における脳疾患診断支援装置ブロック図である。
本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第一の図である。
本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第二の図である。
本発明に係る第一実施形態における脳疾患診断支援装置による評価処理の説明に用いる図である。
本発明に係る第一実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。
本発明に係る第一実施形態における脳波を測定する電極の配置の一例を示す図である。
本発明に係る第一実施形態における脳疾患診断支援装置で用いる特徴量の一例を示す図である。
本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第一の図である。
本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第二の図である。
本発明に係る第二実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。
従来の認知症診断方法を説明する図である。

実施例

0022

<第一実施形態>
以下、本発明の第一実施形態による脳疾患診断支援装置を図1図7を参照して説明する。
図1は、本発明に係る第一実施形態における脳疾患診断支援装置のブロック図である。
この図において、符号10は、脳疾患診断支援装置を表している。脳疾患診断支援装置10は、被験者の脳波に基づいて被験者が認知症を患っている確率を提示するシステムである。脳疾患診断支援装置10は、この機能を実現するプログラムを実行することができる例えばPCやサーバ装置である。
図1が示すように脳疾患診断支援装置10は、脳波特徴データ取得部11、操作受付部12、評価モデル算出部13、判定部14、記憶部15、表示部16、を備えている。

0023

脳波特徴データ取得部11は、被験者の脳波特徴データを取得する。脳波特徴データとは、被験者の脳波からその脳波の特徴量を抽出したデータである。脳波は、例えば、国際10−20法に基づいて被験者の頭部の所定の位置に配置された電極のうち、耳朶に配置された電極とそれ以外の電極との間の電位差の変動を記録したデータである。また、脳波の特徴量とは、例えば、電極を配置した位置ごとに測定した電位における複数の周波数帯それぞれにおける電位の2乗(sNAT)、隣接する周波数帯間でのsNATの比(脳波の滑らかさ)である。また、脳波特徴データ取得部11は、脳波特徴データにその脳波特徴データがどのような脳疾患を持つ者の脳波特徴データであるかを示す疾患情報を付した学習データを取得する。脳疾患の種類には、例えば、正常(脳疾患を持たない)、アルツハイマー型認知症、血管性認知症レビー小体型認知症、鬱、統合失調症などがある。

0024

操作受付部12は、オペレータの脳疾患診断支援装置10への指示操作を受け付ける。指示操作とは、例えば、脳波特徴データの取り込みを指示する操作や、その脳波特徴データの評価を行うことを指示する操作などである。

0025

評価モデル算出部13は、脳波特徴データ取得部11が取得した複数の学習データを機械学習することにより、脳疾患の判定に用いる評価モデルを算出する。例えば、本実施形態では、複数の学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出する。評価モデル算出部13が用いる機械学習は、例えば、SVM(Support Vector Machine)である。境界情報とは、例えば、正常者の脳波特徴データとアルツハイマー型認知症患者の脳波特徴データを分離する分離境界面を示す関数である。

0026

判定部14は、被験者の脳波特徴データを取得し、評価モデル算出部13が算出した評価モデルに基づいて、被験者の脳波特徴データが示す脳疾患の判定を行う。例えば、本実施形態では、学習データに基づいて評価モデル算出部13が算出した境界情報に基づいて、ある被験者の脳波特徴データを評価する。評価とは、例えば、ある被験者の脳波特徴データが、複数の脳疾患のうち、どの脳疾患であるのかを判定したり、その被験者の脳波特徴データが判定した脳疾患であることを示す確率を算出したりすることである。
記憶部15は、複数の被験者の脳波特徴データや、評価モデル算出部13が算出した境界情報など、種々の情報を記憶する。
表示部16は、判定部14の評価結果を、脳疾患診断支援装置10に接続された表示装置に出力する。

0027

図2図3を用いて、本発明に係る第一実施形態における境界情報の算出処理について説明する。
図2は、本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第一の図である。
まず、脳波の特徴量(測定電極位置の脳波周波数別の強さ等)をy個セットにした「脳波特徴データ」(=BF)と、その被験者の疾患状態を示す「疾患情報(Label)」を一組にした「学習データ」をx個準備する。疾患情報は、例えばアルツハイマー型認知症ならAD、正常者であればNLと付する。なお、本実施形態において正常者とは、アルツハイマー型認知症を患っていない者を意味するものとする。
するとx個の被験者の学習データ(LDx)は、例えば、以下のように表される。
LD1=BF{p11,p12,p13・・・・・p1y}、Label"AD"
LD2=BF{p21,p22,p23・・・・・p2y}、Label"NL"


LDx=BF{px1,px2,px3・・・・・pxy}、Label"AD“
説明の便宜上、ここではy=2の場合を例に説明を行う。図2は、複数のアルツハイマー型認知症患者及び正常者の学習データ(y=2)を2次元空間にマッピングした図である。この図において丸点及び三角点のそれぞれは、ある1人の者の学習データを示している。丸点は、アルツハイマー型認知症患者(AD)の学習データである。三角点は、正常者(NL)の学習データである。縦軸の値は、脳波特徴データを構成する第一の脳波の特徴量、横軸の値は、脳波特徴データを構成する第二の脳波の特徴量を示している。例えば、符号21を付した丸点21は、この者の脳波の第一の特徴量が「y1a」、第二の特徴量が「y2a」、疾患情報が「AD」であることを示している。
評価モデル算出部13は、まず予め準備された複数の被験者の学習データを取り込む。

0028

図3は、本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第二の図である。
評価モデル算出部13は、複数の学習データを取り込むと、それぞれの学習データに含まれる脳波特徴データ(BF)を「y(=2)次元のデータ」とみなし、これに機械学習の演算を行うことによって、「ADらしい値」と「NLらしい値」の境界情報を算出する。これは、たとえばサポートベクターマシン(以下、SVM:Support Vector Machine)という機械学習論理によって実現可能である。境界情報は、例えば分離境界面を示す関数として算出される。評価モデル算出部13は、算出した境界情報を記憶部15に書き込んで記憶させる。図3の場合、境界情報は、例えば、境界線22で表される。
評価モデル算出部13が複数の学習データから境界情報を算出し、記憶部15に記録すると、脳疾患診断支援装置10は、疾患情報が付されていない脳波特徴データ(BFx)について、BFxが、AD、NLの何れであるか、また、そのときAD又はNLである確率がどの程度であるかを評価できるようになる。

0029

図4は、本発明に係る第一実施形態における脳疾患診断支援装置による評価処理の説明に用いる図である。
評価モデル算出部13が境界情報を算出すると、オペレータが、診断すべき被験者の脳波特徴データ「BFx」を脳疾患診断支援装置10に投入する。脳波特徴データ取得部11は、脳波特徴データ「BFx」を取得し、判定部14に出力する。判定部14は、評価モデル算出部13が算出した境界情報を記憶部15から読み出し、脳波特徴データ「BFx」が、算出された境界のどちらに分類されるかを判定する。また、判定部14は、脳波特徴データ「BFx」が境界からどのくらい遠いかによって、診断すべき被験者の脳波特徴データがAD又はNLである確率を算出することができる。
図4において、被験者1の脳波特徴データBF1(符号23)の場合、BF1はNL領域に存在し、境界線22から遠いため、判定部14は、BF1はNLの確率が大で、その確率は例えば70%と評価する。また、被験者2の脳波特徴データBF2(符号24)の場合、BF2はNL領域に存在し、境界線22から近いため、判定部14は、BF2はNLである確率が高い(例えば60%など)が、誤識別の可能性ありと評価する。同様に被験者3の脳波特徴データBF3(符号25)の場合、BF3はAD領域に存在し、境界線22から遠いため、判定部14は、BF3はADの可能性が大で、その確率は例えば80%と評価する。同様に被験者4の脳波特徴データBF4(符号26)の場合、BF4はAD領域に存在し、境界線22から近いため、判定部14は、BF4はNLの確率が高い(例えば55%など)が、誤識別の可能性ありと評価する。なお、70%などの確率を表す数値は、例えばSVMの手法で算出することが可能である。

0030

このように本実施形態では、ADとNLの境界情報を求め、その境界情報によってADかNLであるかの評価を行う。その為、従来のように「平均的なAD」、「平均的なNL」を定めることによって、ADやNLの特性をならしてしまう可能性があるという問題を回避することができる。また、機械学習の手法で境界情報を算出することができるので、ノウハウ蓄積により試行錯誤で適切なデータを抽出するような煩わしさが無い。また、本実施形態の脳波特徴データは、国際標準の国際10−20法による電極配置に2ヶ所を追加した、21ヶ所で測定を行っており、さらにそれぞれの位置で測定された値についても複数の周波数特性ごとに分割したデータを用いるため、次元数(y)が増加し、例えば、420次元などにもなるが、SVMなどの機械学習の手法を用いれば、多次元における境界面の関数を算出することができる。なお、本実施形態における電極配置の一例については、後に図6を用いて説明する。

0031

図5は、本発明に係る第一実施形態における脳疾患診断支援装置を用いた脳波特徴データの統計的な評価処理のフローチャートである。
図5を用いて、脳疾患診断支援装置10による境界情報の算出処理、認知症の評価処理について説明を行う。
前提として、脳疾患診断支援装置10に接続された表示装置には、オペレータが操作するためのインタフェース画像が表示されており、インタフェース画像には、「境界情報を算出する」、「診断対象データを評価する」、「ADの疾患情報を付す」、「NLの疾患情報を付す」などのボタンが表示されており、オペレータがこれらのボタンをマウスで押下するなどの操作を行うことにより、脳疾患診断支援装置10に処理の実行を指示することができるものとする。
まず、オペレータが、正常者やアルツハイマー型認知症患者の学習データを脳疾患診断支援装置10に投入する。学習データは、例えば電子ファイル形式で与えられ、1つの電子ファイルには、複数の正常者やアルツハイマー型認知症患者の学習データが含まれている。それぞれの学習データには、「AD」又は「NL」の疾患情報が付されているものとする。また、それぞれの学習データに含まれる特徴データは、例えば420次元のデータである。投入する学習データは、多い程好ましい。脳波特徴データ取得部11は、学習データを取得し(ステップS1)、取得した学習データを記憶部15へ書き込んで記憶させる。

0032

次にオペレータが、「境界情報を算出する」と表示されたボタンを押下すると、操作受付部12が、その操作を受け付け、評価モデル算出部13に境界情報の算出を指示する。評価モデル算出部13は、記憶部15に書き込まれた学習データを読み出して、例えばSVMの手法によって、読み込んだ学習データをADとNLに分ける分離境界面の関数を算出する(ステップS2)。評価モデル算出部13は、分離境界面を示す関数を算出すると、その関数(境界情報)を記憶部15に書き込んで記憶させる。以上が境界情報の算出処理である。

0033

次に新たな被験者の脳波特徴データについて評価処理を行う。まず、オペレータが、診断すべき被験者の脳波特徴データ(診断対象データ)を脳疾患診断支援装置10に投入する。診断対象データは、例えば電子ファイルの形式で与えられる。1つの電子ファイルには、例えば1人の被験者の420次元の脳波特徴データが含まれている。脳波特徴データ取得部11は、診断対象データを取得し(ステップS3)、取得した診断対象データを記憶部15へ書き込んで記憶させる。

0034

次にオペレータが、「診断対象データを評価する」と表示されたボタンを押下すると、操作受付部12が、その操作を受け付け、判定部14に診断対象データの評価を指示する。判定部14は、記憶部15に書き込まれた境界情報を用いて、例えばSVMの手法によって診断対象データが、ADとNLの何れであるか、また、その確率について評価を行う(ステップS4)。なお、確率とは、SVMにおいては、診断対象データの分離境界面からの距離に応じた値(確信度)である。
判定部14は、評価した結果を表示部16へ出力する。表示部16は、被験者の診断対象データの評価結果を表示装置に表示する(ステップS5)。評価結果には、例えば、「診断対象データはNLである可能性が高く、その確率は70%です」といった内容が表示される。

0035

診断者医師)は、表示部16が表示した評価結果や、他に問診検査などを行った結果を用いて総合的に被験者がアルツハイマー型認知症であるかどうかを診断する。脳疾患診断支援装置10によれば、脳波特徴データから見たアルツハイマー型認知症である確率を医師に提示することができるので、医師による、患者がアルツハイマー型認知症であるか否かの診断を支援することができる。判定部14による評価に要する時間は、数分程度であって、予め被験者の脳波特徴データを用意しておけば、医師は脳疾患診断支援装置10による評価結果を速やかに得ることができる。また、脳波の計測装置は、MRIなど認知症の診断に用いられる他の医療装置よりも安価で、また、脳波の取得は、安全で繰り返し取得しても被験者の健康に与える問題が少ない。従って脳波による認知症などの脳疾患の診断を支援する本実施形態の脳疾患診断支援装置10は、比較的小規模医療機関でも導入しやすく、脳疾患診断支援装置10を含む診断支援システムを導入することで、の医療機関でも、社会的な問題になっているアルツハイマー型認知症を比較的容易に診断できるようになる。また、アルツハイマー型認知症の場合、他人から認知症と判断できる前に脳波に影響が出ることがわかっており、本実施形態の脳疾患診断支援装置10を用いることにより、症状が出る前にアルツハイマー型認知症となる確率を知ることができるので、アルツハイマー型認知症の早期診断、早期対策にも役立てることができる。また、他人から見て認知症のような症状を発症しているが、それが本当に認知症なのか、あるいは老人性の鬱など認知症以外の症状なのか問診だけでは判断できない場合も多く、脳疾患診断支援装置10は、見分けにくい症状を発症している患者のアルツハイマー型認知症の診断を支援する情報を提供する。

0036

次に、医師が診断した脳波特徴データを学習データとして取り込んで、境界情報を再算出する処理を行う。医師が、診断対象データに対して診断を行うと、オペレータは、その診断結果を脳疾患診断支援装置10に入力する。例えば、診断結果がADの場合、オペレータは、「ADの疾患情報を付す」ボタンを押下し、診断結果がNLの場合、オペレータは、「NLの疾患情報を付す」ボタンを押下する。
すると、脳波特徴データ取得部11は、そのボタン押下操作を受け付け(ステップS6)、押下されたボタンが示す疾患情報(ADかNLか)と診断対象データとを対応付けて記憶部15に書き込む。これにより、被験者の診断対象データに疾患情報が付されたことになり、新たな学習データが1件増えることになる。次に、オペレータは、「境界情報を生成する」と表示されたボタンを押下する。すると、評価モデル算出部13は、ステップS1で記憶部15に書き込まれた学習データに新たな学習データ1件を加えて、ステップS2の境界情報を生成する処理を再度行う。評価モデル算出部13は、新たに算出した境界情報を記憶部15に書き込んで記憶させる。所与の学習データに被験者の学習データを加えることで、学習データの数を増加させる。これにより、評価モデル算出部13の算出する境界情報の精度・信頼性を高めることができる。

0037

なお、表示部16は、ステップS1において取得した学習データの選択画面を表示し、医師の指示等により、オペレータが学習データを選択できるようにしてもよい。脳波特徴データは、電極の配置位置のわずかな差や、頭部への装着加減によって異なる挙動を示す可能性がある。例えば、自施設で測定した脳波特徴データに基づいて本実施形態による評価を行うと望ましい結果が得られるが、全国的収集した脳波特徴データを用いて評価を行うと好ましい結果が得られない可能性がある。そのような場合に、基準とする学習データを選択できるようにし、診断に役立つ学習データ群だけを選択することで、医師は、脳疾患診断支援装置10をより有効に認知症の診断に役立てるようにすることができる。

0038

また、選択する学習データのパターンを記憶部15に登録することできるようにしてもよい。例えば、同じアルツハイマー型認知症でもいくつかのパターンが存在するようなことを医師が経験的に把握したような場合に、それぞれのパターンを検出するのに適した学習データ群を抽出してそれぞれ別のパターンとして登録し、それら異なるパターンを切り替えて学習データとして用いることで、1人の被験者の診断対象データをさまざまな観点から評価することが可能となり、医師は、より正確にアルツハイマー型認知症の診断を行うことができるようになる。

0039

また、使用する脳波特徴データについても、例えば420次元の特徴量から任意の特徴量を選択できるようにし、脳波特徴データに含まれる全ての特徴量を用いるだけではなく、次に図6で例示する一部の特徴量だけを用いて境界情報算出処理や評価処理を行うようにしてもよい。また、一連の処理に用いる特徴データのパターンを登録できるようにし、それらのパターンを切り替えて境界情報算出処理などを行うことができるようにしてもよい。これにより、同じ学習データ群を用いて評価する場合であっても、さまざまな観点から評価を行うことができ、医師によるより細やかな診断を支援することができる。
また、分離境界面の関数を算出するステップS2において、主成分分析やRandomForestなどの手法を用いて、ADとNLを分離するのに有効な特徴量を動的に抽出し、抽出した特徴量のみを用いて分離境界面の関数を算出するようにしてもよい。

0040

次に、アルツハイマー型認知症の識別に有効と考えられる特徴量の一例について説明する。
図6は、本発明に係る第一実施形態における脳波を測定する電極の配置の一例を示す図である。
図6のA1,A2、Fp1、Fp2、Fpz、F7、F3、Fz、F4、F8、T3、C3、Cz、C4、T4、T5、P3、Pz、P4、T6、O1、Oz、O2、は被験者の頭部に配置する電極の配置位置である。A1,A2は、基準電極のため、実際にはFp1〜O2の21ヶ所の脳波が得られることになる。これらの電極から得られる脳波の4.68Hz〜20.28Hzをフーリエ変換にて1.58Hz刻みに11個に分解する。また、各周波数の電位を規格化した値を2乗する。これをsNATとする。また、隣接する周波数についてsNATの比を求め、これをvNATとする。ここで、sNATについては、最後の周波数(20.28Hz)を除いた10個の値を用いるとすると、各電極に対して10個のsNATと10個のvNATが得られる。電極の数が21個なので全体で21×10×10=420次元の特徴量を得ることができる。なお、規格化とは、個人間のばらつきを抑えるために、被験者の例えば安静状態における脳波データと測定した脳波データとの差分値を計算することである。また、sNATやvNATは、脳波特徴データを構成する特徴量の一例である。特徴量は、各電極位置で測定して得られる脳波データに基づいた他の物理量であってもよい。

0041

図7は、本発明に係る第一実施形態における脳疾患診断支援装置で用いる特徴量の一例を示す図である。
図7の表に記載した各値は、上述の420次元の特徴量のうち、本実施形態の評価方法を行った結果、評価に有効であることが判明した特徴量である。
図7の表に記載した特徴量は、RandomForestアルゴリズムによって得られた識別に有効な特徴量の一例である。例えば、図7に記載の36次元の特徴量だけを用いて、本実施形態のアルツハイマー型認知症の評価処理を行うと、420次元の特徴量の全てを用いる場合と比較して、良好な結果が得られることがわかった。
なお、図7に記載した各値におけるピリオドの前の記号は、図6の電極の位置を示しており、ピリオドの後の数値は、sNAT又はvNATの値を示している。具体的には、1〜9が低周波数から順番にsNAT値を示し、10〜19が低周波数から順番にvNAT値を示している。例えば、「C3.4」は、「C3」電極における低周波数から4番目のsNAT値を示し、「O1.17」は、「O1」電極における低周波数から7番目のvNAT値を示している。

0042

また、上記の説明ではアルツハイマー型認知症の診断支援を例に説明を行ったが、他の認知症、及び、鬱や統合失調症などの脳疾患症状に対しても、本実施形態の方法を適用してもよい。つまり、ある脳疾患を示す疾患情報を付した学習データと、その脳疾患を患っていない人の学習データをあらかじめ用意しておき、評価モデル算出部13が、その脳疾患とそれ以外を分離する境界情報を算出し、判定部14が、被験者の脳波特徴データがその脳疾患であるかどうかや、その確率を算出するようにすることも可能である。

0043

<第二実施形態>
以下、本発明の第二実施形態による脳疾患診断支援装置を図8図10を参照して説明する。
第一実施形態は、アルツハイマー型認知症かそれ以外かの疾患情報が付された学習データを用いてアルツハイマー型認知症か否かを評価する評価方法であった。第二実施形態では、被験者の脳波特徴データを類似するグループに分類する処理を行う。これにより、学習データに複数の認知症や認知症に類似する症状を持つ人の脳波の特徴データが混在している場合の評価精度を向上させることができる。
本実施形態における評価モデル算出部13aは、さまざまな脳波特徴データを類似するグループごとに分類したクラスタを生成するクラスタリングを実行する機能を有している。また、判定部14aは、被験者の脳波特徴データが、評価モデル算出部13aが生成したクラスタのうち、どのクラスタに所属するかを判定する処理を行う。
さらに、評価モデル算出部13aは、判定部14aが被験者の脳波特徴データの分類先であると判定したクラスタにおける、ADの疾患情報が付された脳波特徴データが占める割合を算出する。他の構成は、第一実施形態と同様である。

0044

図8図9を用いて、本発明に係る第二実施形態における評価処理について説明する。
図8は、本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第一の図である。
図8(a)は、記憶部15に書き込まれた学習データを図2図3と同様に2次元上にマッピングした図である。学習データには、AD、NLの他、他の認知症を示す疾患情報が付されていてもよい。次に、評価モデル算出部13aが、複数の学習データを機械学習(クラスタリング)によって、類似するグループ(クラスタ)毎に分類する。クラスタリングの手法としては、例えば、スペクトラルクラスタリングを用いることが可能である。

0045

図8(b)は、評価モデル算出部13aが、学習データをクラスタリングした結果を示している。この図の場合、学習データが、符号37が示すクラスタ37と、符号38が示すクラスタ38と、符号39が示すクラスタ39と、に分類されたことを示している。破線45aは、クラスタ37に分類される学習データとクラスタ38に分類される学習データとを隔てる境界線である。破線45bは、クラスタ37に分類される学習データとクラスタ39に分類される学習データとを隔てる境界線である。破線45cは、クラスタ38に分類される学習データとクラスタ39に分類される学習データとを隔てる境界線である。ここで、評価モデル算出部13aは、各クラスタに含まれている学習データに付された疾患情報を参照し、クラスタ毎に各疾患情報が付された学習データの占める割合を算出する。例えばクラスタ37に10個の学習データが分類されたとして、その10個のうち、ADの疾患情報が付された学習データが4個、NLの疾患情報が付された学習データが3個、レビー小体型認知症の疾患情報が付された学習データが2個、血管性認知症の疾患情報が付された学習データが1個であるとすると、評価モデル算出部13aは、クラスタ37に占めるADの割合(AD率)=40%、NLの割合(NL率)=30%、レビー小体型認知症の割合=20%、血管性認知症の割合=10%を算出する。

0046

図8(c)は、オペレータが、診断すべき被験者の脳波特徴データ(符号40)を脳疾患診断支援装置10に投入した状態を示している。被験者の脳波特徴データ40が投入されると、脳波特徴データ取得部11は、被験者の脳波特徴データを取得し、判定部14aに出力する。判定部14aは、脳波特徴データ40がクラスタ37〜39のうち、どのクラスタに所属するかを、例えばk−近傍法などのクラスタリング手法を用いて判定する。
図8(d)は、判定部14aが所属クラスタの判定を行った結果を示している。判定部14は、判定が完了すると、評価モデル算出部13aが算出した所属先のAD率の値を取得し、その値によって、被験者の脳波特徴データがADであることを示す確率を評価する。例えば、この例の場合、判定部14aは、被験者の脳波特徴データがADであることを示す確率は、40%であると評価する。

0047

この方法によれば、学習データに付された疾患情報に依存せず、脳波特徴データの類似性によって被験者の脳波特徴データを分類し、その被験者がADである確率を評価することができる。これにより、例えば第一実施形態の評価方法ではNLと判定された場合であっても、上記の方法でAD率が40%と評価されれば、例えば、将来的にその被験者がアルツハイマー型認知症を患う可能性を考える場合の参考とすることができる。また、他の認知症の疾患情報が付された学習データの存在率を同時に表示することで、ADだけでなく、他の認知症を発症する可能性の参考とすることもできる。

0048

図9は、本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第二の図である。
図9(a)〜図9(d)は、図8で説明したクラスタリングによる評価方法と第一実施形態による評価方法とを組み合わせた方法である。この方法を用いる場合、評価モデル算出部13aは、本実施形態の機能に加え、第一実施形態の境界情報を算出する機能を併せて有しているものとする。また、判定部14aは、第一実施形態と同様に、その境界情報に基づいて、被験者の脳波特徴データを評価する機能を有していているものとする。
学習データをスペクトラルクラスタリング等の手法によってクラスタリングし、被験者の脳波特徴データの所属クラスタをk−近傍法などによって判定することは、図8で説明した評価方法と同様である。
図9の処理においては、図9(b)において、学習データのクラスタリングが完了すると、各クラスタ37〜39におけるAD率などを求める代わりに、各クラスタにおけるAD、非ADを分離する境界情報を算出する。境界情報は、第一実施形態と同様に、評価モデル算出部13aが、ADの疾患情報が付された学習データと、それ以外の学習データとを用いて、SVMなどの手法により算出する。

0049

また、図9(d)において、被験者のデータが、例えばクラスタ37に所属すると判定されたとすると、次に判定部14aは、評価モデル算出部13aが算出したクラスタ37における境界情報を記憶部15から読み出して、SVMなどの手法によって、被験者の脳波特徴データがADであるか否かを判定する。図8では、被験者の脳波データの評価結果として、AD率などを表示したが、図9の場合、表示部16は、SVMによって算出される被験者の脳波特徴データがADである確率(確信度)を表示する。

0050

この方法によれば、例えば、クラスタ37、クラスタ38、クラスタ39の何れにおいても例えばAD率が50%であるような学習データが存在した場合であっても、被験者の脳波特徴データの評価精度を向上できる可能性がある。例えば、クラスタ37、クラスタ38、クラスタ39の何れにおいても例えばAD率が50%であるような学習データでは、ADと特徴づけられる脳波特徴データのパターンが3種類存在する可能性がある。その様子を図9(d)に示した。例えば、図9(d)の符号41〜43が示す破線で囲まれた領域に存在する学習データにADの疾患情報が付されているとする。破線41〜43のそれぞれは、各クラスタ37〜39における境界情報である。このとき第一実施形態のように全学習データを対象に境界情報を算出すると、算出した境界情報が適切ではなく、識別精度が低下する可能性がある。適切な境界情報とは、SVMにおけるマージンが最大となるような境界である。図9の方法のように、予め脳波特徴データが類似するクラスタに分類して、その中で境界情報を算出すれば、より適切な境界情報を算出できる可能性があり、評価精度の向上が期待できる。

0051

図10は、本発明に係る第二実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。
まず、オペレータが、正常者やさまざまな患者の学習データを脳疾患診断支援装置10に投入する。学習データは、例えば電子ファイルの形式で与えられ、1つの電子ファイルには、さまざまな疾患情報が付された学習データが含まれている。さまざまな疾患情報とは、例えば、認知症ではないが認知症と間違えやすい症状、アルツハイマー型認知症、レビー小体型認知症、血管性認知症、などである。また、アルツハイマー型認知症患者の学習データについても、重度の患者、軽度の患者、投薬治療中の患者、投薬治療中ではない患者、などの学習データが含まれていてもよい。脳波特徴データ取得部11は、学習データを取得し(ステップS11)、取得した学習データを記憶部15へ書き込んで記憶させる。
次に、オペレータが、診断すべき被験者の診断対象データを脳疾患診断支援装置10に投入する。脳波特徴データ取得部11は、診断対象データを取得し(ステップS12)、取得した診断対象データを記憶部15へ書き込んで記憶させる。このとき、脳波特徴データ取得部11は、診断対象データをステップS11で取得した学習データと区別して記録する。

0052

次にオペレータが、「診断対象データを評価する」と表示されたボタンを押下すると、操作受付部12が、その操作を受け付け、評価モデル算出部13aにクラスタの生成(クラスタリング)を指示する。クラスタとは、複数の被験者の脳波特徴データを、脳波特徴データに含まれる特徴量の類似度に基づいてグループ化したものである。評価モデル算出部13aは、記憶部15に書き込まれたステップS11で取り込んだ学習データを読み出して、例えばスペクトラルクラスタリングなどの機械学習で用いられるクラスタリング手法によって、読み出したデータから所定の数のクラスタを生成する(ステップS13)。なお、生成するクラスタの数は、オペレータが設定し、予め記憶部15が記憶しているものとする。各クラスタには、類似する脳波特徴データを持つ学習データが分類され、1つのクラスタには、正常者、アルツハイマー型認知症患者、レビー小体型認知症患者などさまざまな疾患情報に対応する学習データが含まれる可能性がある。

0053

次に、評価モデル算出部13aは、ステップS13において、図8を用いて説明したように、各クラスタにおいて、そのクラスタに含まれる学習データに付された疾患情報の種類ごとの割合を算出する。評価モデル算出部13aは、算出したAD率などの疾患情報ごとの割合をクラスタごとに記憶部15に書き込んで記憶させる。あるいは、評価モデル算出部13aは、図9を用いて説明したように例えばアルツハイマー型認知症患者の疾患情報が付された脳波特徴データと、それ以外の疾患情報が付された脳波特徴データとを分離する境界情報を算出する(ステップS14)。境界情報の算出は、例えば、SVMの手法を用いる。ここで、境界情報の算出には、例えば、420次元のデータ全てを用いてもよいし、420次元の特徴量のうち、ADを識別するのに有効な特徴量だけを用いて境界情報を算出してもよい。なお、有効な特徴量を示す情報は記憶部15が記憶しているものとする。あるいは、後述するように、学習データ群に応じた評価に有効な特徴量をその都度、算出するようにしてもよい。ADの識別に有効な特徴量の一例としては、図7で示したものがある。また、評価モデル算出部13aは、算出したクラスタごとの境界情報をクラスタの識別情報と対応付けて記憶部15に書き込んで記憶させる。なお、評価モデル算出部13aは、疾患情報ごとの割合の算出と、境界情報の算出との両方を行ってもよい。次に、評価モデル算出部13aは、判定部14aに診断対象データの評価を指示する。

0054

次に、判定部14aは、診断対象データがどのクラスタに所属するかをk−近傍法などの手法によって判定する(ステップS15)。
次に判定部14aは、診断対象データが、ADである確率について評価を行う(ステップS16)。例えば、評価モデル算出部13aがAD率を算出した場合、判定部14aは、診断対象データが分類されると判定したクラスタに対応するAD率を記憶部15から読み出して、診断対象データがADであることを示す確率は、記憶部15から読み出したAD率であると評価する。あるいは、評価モデル算出部13aが境界情報を算出した場合、判定部14aは、診断対象データが分類されると判定したクラスタに対応する境界情報を記憶部15から読み出して、診断対象データが、ADとNLの何れであるか、また、その確率(確信度)について評価を行う。

0055

評価を行うと、判定部14aは、評価結果を表示部16へ出力する。表示部16は、被験者の診断対象データの評価結果を表示装置に表示する(ステップS17)。例えば、表示部16は、診断の根拠となった脳波の測定部位、周波数帯、診断対象データが所属するクラスタの識別情報、診断対象データがADを示す確率などを表示する。ADを示す確率とは、上述のAD率や確信度である。また、判定部14aは、ステップS16の評価の際に、パターンマッチング等の手法によって被験者の脳波特徴データと最も類似する学習データに含まれる脳波特徴データを抽出し、表示部16は、判定部14aが抽出した脳波特徴データとそのデータに付された疾患情報を表示するようにしてもよい。

0056

医師は、表示部16が表示した情報や、その他の検査情報などを基に被験者の症状を診断する。例えば、被験者の脳波特徴データと最も類似する脳波特徴データやその脳波特徴データに付された疾患情報が表示され、その疾患情報がレビー小体認知症である場合、医師は、被験者の脳波特徴データがレビー小体認知症患者の脳波特徴データに類似していることを診断の参考にすることができる。また、被験者の脳波特徴データが分類されるクラスタに含まれるアルツハイマー型以外の認知症の割合が表示されれば、医師は、例えば、被験者がアルツハイマー型以外の認知症を発症する可能性を考えるときの参考にすることができる。

0057

なお、図10処理フローの変形例として次のような処理としてもよい。まず、ステップS14において、AD率などを算出し、ステップS16の評価において、そのAD率が例えば90%であるような場合は、被験者の脳波特徴データはADであるとみなし、その評価結果を表示部16が出力して処理フローを終了する。また、AD率が例えば50%であるような場合は、さらなる評価処理が必要と判断し、さらにADと非ADとを分離する境界情報を算出し、被験者の脳波特徴データをSVMなどによって評価する。
また、ステップS13において、生成するクラスタの数を変化させて、ステップS13以降の処理を繰り返し行うようにしてもよい。

0058

認知症にも複数の種類がある。代表的なものは、アルツハイマー型認知症、レビー小体型認知症、血管性認知症などである。これらの認知症の種類は、他人から見ただけでは分からないことも多い。また、同じ認知症でも種類が違えば、治療方法も異なってくるので、正確にどのような種類の認知症であるかを診断することが重要である。そこで、脳波特徴データを用いて複数種類の認知症であるかを知ろうとする場合、例えば手作業で各認知症のテンプレートを選択し、選択したテンプレートと被験者の脳波特徴データとを比較して判定することが考えられるが、各認知症に対応する脳波特徴データが均一な特徴を有するとは限らず、手作業でテンプレートを作成するのは困難である。本実施形態によれば、さまざまな種類の認知症患者の脳波特徴データを用いてクラスタリングを行うことで、煩雑な作業を行うことなく、被験者がどの種類の認知症であるかを判定したり、複数の認知症についてそれぞれの認知症を患っている確率を算出したりすることができる。また、同じ種類の認知症患者であっても、重度、軽度、投薬中などさまざまな状態にある患者の脳波特徴データを用意しておくと、患者が認知症を患っている場合、その症状は軽度か、重度かなどの情報を表示することもできる。

0059

なお、本実施形態においても、ステップS11で取得した学習データから、ステップS12以降の処理で用いる学習データを選択できるようにしてもよい。
また、ステップS13のクラスタリングで使用する脳波特徴データについては、全ての特徴量を用いてもよいし、一部の特徴量だけを用いるようにしてもよい。例えば、クラスタを生成するステップS14において、例えば420次元全ての特徴量を用いるとうまくクラスタリングできないような場合に、主成分分析やRandomForestなどの手法を用いて、クラスタリングに有効な特徴量を動的に抽出し、抽出した特徴量のみを用いてクラスタを生成するようにしてもよい。さらに、診断対象データを評価するステップS16においてSVMによって境界情報を算出する場合、第一実施形態と同様、分離に有効な特徴量をRandomForest等によって抽出し、境界情報を算出してもよい。このようにすることでクラスタごとに固有の有効な特徴量を用いることができ、評価精度を高めることができる。
これら使用する学習データや特徴量を変化させることで、さまざまな観点から診断対象データを評価することができる。

0060

なお、本実施形態においてもアルツハイマー型認知症の診断支援を例に説明を行ったが、他の認知症、及び、鬱や統合失調症などの脳疾患症状に対しても、本実施形態を適用することが可能である。また、その場合、さまざまな脳疾患の疾患情報が付された学習データを用いることで、複数の脳疾患に対してそれらの脳疾患のうち1つ又は複数を患っている確率を同時に算出することができる。

0061

なお、上述した脳疾患診断支援装置10における各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムを脳疾患診断支援装置10のコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク光磁気ディスクCD−ROM、DVD−ROM、半導体メモリ等をいう。また、このコンピュータプログラム通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。

0062

また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル差分プログラム)であってもよい。
また、脳疾患診断支援装置10は、1台のコンピュータで構成されていても良いし、通信可能に接続された複数のコンピュータで構成されていてもよい。

0063

その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。例えば、計算負荷の高い評価モデル算出部13を、機能別に分割し、SVM用の評価モデル算出部13bと、クラスタ生成用の評価モデル算出部13cに分割して、それぞれを異なるPC等に搭載した構成としてもよい。脳疾患診断支援装置10は、脳疾患診断支援システムの一例である。操作受付部12は、入力部の一例である。

0064

10・・・脳疾患診断支援装置
11・・・脳波特徴データ取得部
12・・・操作受付部
13・・・評価モデル算出部
14・・・判定部
15・・・記憶部
16・・・表示部

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • テルモ株式会社の「 検査器具」が 公開されました。( 2020/04/02)

    【課題】簡単な構成で操作性に優れ、例えば胃食道逆流の検査を正確かつ迅速に行うことができる検査器具を提供すること。【解決手段】検査器具1は、胃の内容物Q1と反応する成分が担持された担持体2と、担持体2を... 詳細

  • いすゞ自動車株式会社の「 体調診断システム及び運転状態診断方法」が 公開されました。( 2020/04/02)

    【課題】運転中の運転者が癲癇強直発作を発症したことを、速やかに診断することができる体調診断システム及び運転状態診断方法を提供する。【解決手段】乗り物10に搭載されて、操舵装置11を操作する運転者の体調... 詳細

  • 沖電気工業株式会社の「 皮下構造計測装置」が 公開されました。( 2020/04/02)

    【課題】皮下の構造を再現性よく高精度に測定することができる皮下構造計測装置を提供する。【解決手段】プローブ光を生成するプローブ光生成手段とプローブ光の戻り光を受光する受光手段とを含んで構成される計測部... 詳細

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ