医疗诊断支持设备和医疗诊断支持方法

1.一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的特征在于包括：
输入信息获得单元，用于获得与对象病例相关联的医用信息作为已输入信息；
未输入信息获得单元，用于获得通过在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一个信息作为未输入信息；
发生概率获得单元，用于基于已输入信息和各个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；
结果获得单元，用于获得基于已输入信息的第一推断结果以及基于已输入信息和各未输入信息的组合的第二推断结果；
影响程度计算单元，用于基于所述第一推断结果和一个所述第二推断结果来针对各个未输入信息计算对于推断的影响程度；
评价单元，用于通过使用所述发生概率和所述影响程度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未输入信息中选择要呈现的未输入信息。
2.根据权利要求1所述的医疗诊断支持设备，其特征在于，所述选择单元选择所计算出的影响程度最大的未输入信息。
3.根据权利要求2所述的医疗诊断支持设备，其特征在于，所述选择单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。
4.根据权利要求1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。
5.根据权利要求1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推断单元，所述推断单元用于获得所述发生概率。
6.根据权利要求5所述的医疗诊断支持设备，其特征在于，所述推断单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。
7.根据权利要求1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。
8.根据权利要求1所述的医疗诊断支持设备，其特征在于，还包括呈现单元，所述呈现单元用于呈现所述选择单元所选择的未输入信息。
9.一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的特征在于包括以下步骤：
输入信息获得步骤，用于获得与对象病例相关联的医用信息作为已输入信息；
未输入信息获得步骤，用于获得通过在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一个信息作为未输入信息；
发生概率获得步骤，用于基于已输入信息和各个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；
结果获得步骤，用于获得基于已输入信息的第一推断结果以及基于已输入信息和各未输入信息的组合的第二推断结果；
影响程度计算步骤，用于基于所述第一推断结果和一个所述第二推断结果来针对各个未输入信息计算对于推断的影响程度；
评价步骤，用于通过使用所述发生概率和所述影响程度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未输入信息中选择要呈现的未输入信息。

医疗诊断支持设备和医疗诊断支持方法\n技术领域\n[0001] 本发明涉及一种医疗诊断支持设备和医疗诊断支持方法。\n背景技术\n[0002] 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。\n[0003] 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参考信息进行参考。\n[0004] 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结果。\n[0005] 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(当前推断结果)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。\n[0006] 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术。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。\n[0007] 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。\n[0008] 另一方面，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息。\n发明内容\n[0009] 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。\n[0010] 根据本发明的一个实施例，提供一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。\n[0011] 根据本发明的另一实施例，提供一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。\n[0012] 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。\n[0013] 通过以下(参考附图)对典型实施例的说明，本发明的其它特征将变得明显。\n附图说明\n[0014] 图1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；\n[0015] 图2是示出利用软件来实现医疗诊断支持设备的各单元的计算机的基本结构的框图；\n[0016] 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；\n[0017] 图4是示出第一实施例中的呈现信息的示例的图；\n[0018] 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；\n[0019] 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；\n[0020] 图7是示出根据一个实施例的医疗诊断支持方法的处理过程的流程图；以及\n[0021] 图8是示出根据另一实施例的呈现信息的示例的图。\n具体实施方式\n[0022] 以下将参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。\n[0023] 第一实施例\n[0024] 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况。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对象。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。\n[0025] 图1示出根据第一实施例的医疗诊断支持设备的结构。如图1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。\n[0026] 终端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、CD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，该处理通过使输入终端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。\n[0027] 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。\n[0028] 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)以及已从输入终端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\n104、推断单元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。\n[0029] 未输入信息获得单元104通过参考数据库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一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、推断单元108和选择单元112。\n[0030] 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。推断单元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，推断单元108推断肺的异常阴影的诊断名称作为已输入信息推断结果。推断单元108通过使用已输入信息和未输入信息获得单元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(未输入信息推断结果)，作为用作医疗诊断对象的区域的异常(异常候选)。推断单元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。\n[0031] 影响程度计算单元110通过使用推断单元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a1的影响程度b1以及相对于未输入信息a2的影响程度b2。如果影响程度b1(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a1对推断的影响高于未输入信息a2对推断的影响。影响程度计算单元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。\n[0032] 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将选择单元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。\n[0033] 图1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。\n[0034] 图2示出用于通过执行软件来实现图1所示的各单元的功能的计算机的基本结构。\nCPU 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)；外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临时存储呈现单元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处理得到的结果。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。\n[0035] 接着将参考图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。\n[0036] 在以下说明中，假定由Ij(j＝1～n)来表示各解读发现，并且该设备处理n种类型的解读发现I1～In。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“吞入(血管)”表示异常阴影中有无血管的吞入。\n[0037] 在以下说明中，将Ij可采用的状态(离散值)记为Sjk。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S1“1 球状”、S12“分叶状”和S1“3 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Ij可采用的多个状态(离散值)Sjk不是同时存在于一个E中。例如，如果I1采用S11、S12和S13并且I2采用S21、S22、S23和S24，则E＝{S11，S21}表示“形状”和“叶状”的状态并且可以采用这两个状态。然而，E＝{S11，S12}表示一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。这是因为一个解读发现项仅采用一种状态。\n[0038] 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Evm(m＝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Pc(Evm)和IR(Evm)。\n[0039] 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D1、D2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Dr(r＝\n1，2，3)的推断概率记为P(Dr|E)。\n[0040] 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，I“1 形状”为“球状”，I“3 放射状”为“弱”，...，I“n 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＝{I1，I3，...，In}，并且将Nf的状态的集合Ef表示为Ef＝{S11，S33，...，Sn3}。\n[0041] 表1\n[0042]\n[0043] 在步骤S3010中，医疗诊断支持设备100的未输入信息获得单元104获得与通过从能够输入的所有信息中除去已输入信息所获得的信息相关的至少一个集合作为未输入信息。例如，在考虑Nf′＝{I2，I6，I8}的情况下，I2采用S21、S22、S23和S24，I6采用S61和S62，并且I8采用S81、S82和S83。例如，如果要包括在Evm中的元素的数量局限于1个，则未输入信息获得单元104获得4+2+3＝9个未输入信息。可选地，如果要包括的元素的数量为2个，则未输入信息获得单元104获得4×2+4×3+2×3＝26个未输入信息。\n[0044] 在步骤S3020中，医疗诊断支持设备100的未输入信息概率计算单元106针对保持在数据库300中的且与能够输入的项相关联的信息，基于已输入信息和未输入信息之间的关系来获得各未输入信息的发生概率。未输入信息概率计算单元106将所获得的发生概率输出至选择单元112。本实施例使用与已输入信息之间的共现作为发生概率。设F(Ef∪Evm)是包括已输入信息的集合(Ef)和未输入信息的集合(Evm)这两者的病例的频率(共现频率)，并且ALL是数据库300中所存储的病例的总数。在这种情况下，通过使用病例的总数和共现频率的以下等式来定义未输入信息的发生概率Pc(Evm)。\n[0045]\n[0046] 如由等式(1)所示，本实施例中的发生概率随着共现频率的增加而增大。另外，设置F(Ef∪Evm)+1，从而进行调整，以不将该概率设置为0。注意，可以利用如下的一般方法来从数据库300获得共现频率F(Ef∪Evm)，其中该一般方法创建用以对满足具有Ef和Evm这两者的条件的病例的数量进行计数的查询并对数据库300执行该查询。\n[0047] 在步骤S3030中，医疗诊断支持设备100的推断单元108基于步骤S3000中所获得的肺的异常阴影的已输入信息来推断肺的异常阴影的诊断名称(已输入信息推断结果)。另外，推断单元108通过将该已输入信息与步骤S3020中所计算出的各未输入信息进行配对来推断肺的异常阴影的诊断名称(未输入信息推断结果)。推断单元108将所获得的已输入信息推断结果和各未输入信息推断结果输出至影响程度计算单元110。\n[0048] 作为此时的推断技术，可以使用诸如贝叶斯网络、神经网络和支持向量机等的各种现有推断技术的其中一个。本实施例使用贝叶斯网络作为推断技术。该贝叶斯网络是使用条件概率的推断模型。可以获得输入了已输入信息的情况下的各诊断名称的推断概率(病例与各诊断名称相符的概率；还被称为后验概率)。在本实施例中，推断单元108获得异常阴影的类型D1、D2和D3的概率。\n[0049] 在步骤S3040中，医疗诊断支持设备100的影响程度计算单元110通过使用针对各未输入信息的推断结果来计算该未输入信息对推断的影响程度(未输入信息影响程度)。更具体地，影响程度计算单元110使用步骤S3020中所计算出的各未输入信息的发生概率以及步骤S3030中所获得的已输入信息推断结果和各未输入信息推断结果。影响程度计算单元\n110将所获得的未输入信息影响程度输出至选择单元112。\n[0050] 在本实施例中，通过以下等式来定义未输入信息Evm的未输入信息影响程度IR(Evm)。注意，Dmax是使推断概率P(Dr|Ef)最大的Dr。\n[0051] IR(Evm)＝|P(Dmax|Ef∪Evm)-P(Dmax|Ef)|            (2)\n[0052] 如由等式(2)所示，考虑到在输入了已输入信息的情况下展示出最高推断概率的诊断名称，本实施例中的影响程度表示在添加未输入信息的情况下各诊断名称的推断概率的变化程度。\n[0053] 在步骤S3050中，医疗诊断支持设备100的选择单元112基于步骤S3020中所获得的各未输入信息的发生概率以及步骤S3040中所获得的各未输入信息的影响程度来选择呈现未输入信息。更具体地，选择单元112根据以下的等式来获得各未输入信息Evm的评价值W(Evm)，并且选择给出最大值W(Evm)的Evm作为呈现未输入信息。\n[0054] W(Evm)＝Pc(Evm)·IR(Evm)              (3)\n[0055] 如由等式(3)所示，本实施例使用未输入信息的发生概率与影响程度之积作为呈现未输入信息的选择标准。图6示出各未输入信息Evm的发生概率Pc(Evm)、该未输入信息的影响程度IR(Evm)以及该未输入信息的评价值W(Evm)的示例。如图6所示，发生概率Pc(Evm)的最大值是0.602，这与Ev6的{S62：石灰化-无}相对应。影响程度IR(Evm)的最大值是0.274，这与Ev1的{S21：叶状-强}相对应。然而，考虑了Pc(Evm)和IR(Evm)的评价值W(Evm)的最大值是7.14x \n10-2，这与Ev4的{S24：叶状-无]相对应。因此，选择单元112选择Ev4的{S24：叶状-无]作为呈现未输入信息。\n[0056] 在步骤S3060中，呈现单元114将步骤S3000中所获得的与肺的异常阴影有关的信息(已输入信息和代表图像)以及步骤S3030中所获得的已输入信息推断结果显示在监视器\n1005上。呈现单元114还将步骤S3050中所获得的呈现未输入信息显示在监视器1005上。此外，呈现单元114将步骤S3020中所计算出的未输入信息的发生概率以及步骤S3030中所获得的针对未输入信息的未输入信息推断结果显示在监视器1005上。\n[0057] 图4示出利用呈现单元114所呈现的显示在监视器1005上的呈现信息的示例。呈现信息400包括肺的异常阴影的代表图像4000、步骤S3000中所获得的肺的异常阴影的已输入信息4010以及步骤S3030中所推断出的已输入信息推断结果4020。作为已输入信息推断结果4020，监视器1005以饼状图显示该已输入信息推断结果中的原发性肺癌的推断概率\n4021、该已输入信息推断结果中的癌的肺转移的推断概率4022、以及该已输入信息推断结果中的其它的推断概率4023。另外，呈现信息400包括各个诊断名称中的展示出最高推断概率的诊断名称以及该诊断名称的概率4030。\n[0058] 呈现信息400还包括步骤S 3050中所获得的呈现未输入信息4040、步骤S3020中所计算出的未输入信息的发生概率4050以及步骤S3030中所推断出的未输入信息推断结果\n4060。作为未输入信息推断结果4060，监视器1005以饼状图显示该未输入信息推断结果中的原发性肺癌的推断概率4061、该未输入信息推断结果中的癌的肺转移的推断概率4062、以及该未输入信息推断结果中的其它的推断概率4063。呈现信息400还包括各个诊断名称中的展示出最高推断概率的诊断名称以及该诊断名称的概率4070。\n[0059] 用户(医生)可以通过参考以已输入信息作为输入的已输入信息推断结果以及以展示出最高影响程度的未输入信息作为输入的未输入信息推断结果来检查应当优先观察的未输入信息及其影响。当用户(医生)进行诊断时，参考医疗诊断支持设备所呈现的结果将对该诊断提供一些帮助。\n[0060] 根据本实施例的医疗诊断支持设备计算至少一个未输入信息的发生概率，对已输入信息以及已输入信息与各未输入信息的组合进行推断，并呈现基于各发生概率以及使用该推断结果的影响程度的信息。代替推断结果的简单变化，这使得可以考虑到由未输入信息所表示的事件存在于作为已输入信息所获得的区域的图像中的概率来检查要优先观察的信息。另外，由于通过不仅仅依赖于已输入信息推断结果的方法来计算未输入信息的影响程度，因而可以提供如下的机制，其中该机制甚至呈现否定了已输入信息推断结果的信息作为要优先检查的信息。\n[0061] 第二实施例\n[0062] 第一实施例通过使用已输入信息和未输入信息之间的共现频率来获得未输入信息的发生概率。然而，用于获得发生概率的方法不限于此，并且可以使用其它方法。根据第二实施例的医疗诊断支持设备包括用于推断未输入信息的发生概率的第二推断单元。\n[0063] 注意，根据本实施例的医疗诊断支持设备的结构与第一实施例中的图1所示的结构相同。然而，第二实施例与第一实施例的不同之处在于：未输入信息概率计算单元106包括用于接收已输入信息并输出未输入信息的第二推断单元，并且通过使用该第二推断单元来计算发生概率。以下将仅参考与第一实施例不同的部分来说明根据本实施例的医疗诊断支持设备。通过执行软件实现医疗诊断支持设备100的计算机的基本结构与第一实施例中如图2所示的基本结构相同。图7是用于说明医疗诊断支持设备100所进行的整体处理的流程图。\n[0064] 步骤S3000和S3010的处理与第一实施例中的处理相同。\n[0065] 在步骤S7015中，作为未输入信息概率计算单元106所进行的处理，医疗诊断支持设备100构建第二推断单元。在本实施例中，按照如下执行步骤S7015的处理。首先，未输入信息概率计算单元106获得未输入信息Evm中所包括的元素(状态)的解读发现的集合Nv。随后，未输入信息概率计算单元106利用一般方法从数据库300获得包括该集合Nv的所有解读发现作为已输入信息的所有病例。然后，医疗诊断支持设备100构建如下的第二推断单元，其中该第二推断单元根据能够输入的排除了Nv的信息Nv′来推断Nv的状态(即，Evm)的发生概率。假定在步骤S3010中该设备获得Ef＝{S11，S33，...，Sn3]和Nf′＝{I2，I6，I8}。假定在这种情况下，I2采用S21、S22、S23和S24，I6采用S61和S62，I8采用S81、S82和S83，并且Evm中所包括的元素的数量不限于1个。当Evm＝{S21}时，Nv＝{I2}，并且医疗诊断支持设备100从数据库300获得包括在I2中的所有病例。即，与第一实施例不同，第二实施例在无需考虑已输入信息的情况下获得病例。然后，该设备构建如下的第二推断单元，其中该第二推断单元基于所获得的病例，根据除I2以外的解读发现、即(除I2以外的)I1～In，来推断I2的状态(S21、S22、S23和S24)的发生概率。作为第二推断技术，可以使用如同第一实施例的推断技术那样的各种现有推断技术的其中一个。本实施例使用贝叶斯网络作为第二推断技术。\n[0066] 在步骤S7020中，作为未输入信息概率计算单元106所进行的处理(发生概率获得处理)，医疗诊断支持设备100使用步骤S7015中所构建的第二推断单元来获得各未输入信息Evm的发生概率。更具体地，该设备将已输入信息Ef输入至第二推断单元并计算未输入信息Evm的发生概率，由此获得该发生概率。该设备将所获得的发生概率输出至未输入信息获得单元104。在步骤S7022中，医疗诊断支持设备100判断是否获得了所有的未输入信息Evm的发生概率。如果获得了所有的发生概率，则该处理进入步骤S3030。如果没有获得所有的发生概率，则该处理返回至步骤S7015以构建针对新的未输入信息Evm的第二推断单元。在上述情况下，由于该设备获得了9个信息Evm，因此该设备使步骤S7015～S7022的处理重复进行九次。显然，这仅是示例，并且本发明的实施例不限于此。例如，该设备在步骤S7015中可以构建如下的第二推断单元，其中该第二推断单元同时获得S21、S22、S23和S24的发生概率。在这种情况下，该设备将第二推断单元的构建进行了与Nf′的元素数量相对应的次数，并且获得未输入信息Evm的发生概率。在上述情况下，为了获得9个未输入信息Evm的发生概率，该设备可以使步骤S7015～S7022的处理进行三次。\n[0067] 步骤S3030～S3060的处理与第一实施例中的处理相同。\n[0068] 利用上述处理，即使数据库300没有存储具有已输入信息Ef和未输入信息Evm这两者的过去病例，该设备也可以通过构建第二推断单元来计算未输入信息的发生概率。在这种情况下，即使对于未存在于数据库中的未知病例，也可以通过使用存储在该数据库中的其它数据来估计未输入信息的发生概率。该技术在数据库中所存储的已知病例的数量较少时尤其有效。\n[0069] 第三实施例\n[0070] 在第一实施例中，该设备选择作为发生概率与影响程度之积的评价值W最大的未输入信息作为呈现未输入信息。然而，用于选择呈现未输入信息的方法不限于此，并且可以通过使用其它方法来进行选择。根据第三实施例的医疗诊断支持设备通过与第一实施例中的处理不同的处理来选择呈现未输入信息。\n[0071] 注意，根据本实施例的医疗诊断支持设备的结构与第一实施例中如图1所示的结构相同。然而，第三实施例与第一实施例的不同之处在于：将未输入信息概率计算单元106所获得的未输入信息的发生概率输出至未输入信息获得单元104。另外，未输入信息获得单元104和选择单元112所执行的处理不同于第一实施例中的处理。以下将仅参考与第一实施例不同的部分来说明根据本实施例的医疗诊断支持设备。\n[0072] 通过执行软件实现医疗诊断支持设备100的计算机的基本结构与第一实施例中如图2所示的基本结构相同。图5是用于说明医疗诊断支持设备100所进行的整体处理的流程图。\n[0073] 步骤S3000和S3010的处理与第一实施例中的处理相同。将步骤S3010中所获得的未输入信息仅输出至未输入信息概率计算单元106。\n[0074] 在步骤S5020中，医疗诊断支持设备100的未输入信息概率计算单元106通过与第一典型实施例中的处理相同的处理来获得各未输入信息Evm的发生概率。将所获得的发生概率输出至未输入信息获得单元104。\n[0075] 在步骤S5025中，医疗诊断支持设备100使未输入信息获得单元104选择(挑选)发生概率Pc(Evm)等于或大于预定阈值的未输入信息。将所选择的未输入信息输出至推断单元\n108和选择单元112。本实施例仅对步骤S 5025中所选择的(发生概率Pc(Evm)等于或大于预定阈值的)未输入信息执行以下的处理。\n[0076] 步骤S3030和S3040的处理与第一实施例中的处理相同。然而，注意，作为处理对象的未输入信息局限于步骤S5025中所选择的未输入信息。\n[0077] 在步骤S5050中，医疗诊断支持设备100使选择单元112基于步骤S3040中所获得的各未输入信息的影响程度来选择呈现未输入信息。更具体地，该设备选择影响程度IR(Evm)最大的Evm作为呈现未输入信息。换言之，设评价值W(Evm)＝IR(Evm)，因而该设备选择提供了最大评价值W(Evm)的呈现未输入信息。由于该步骤中要处理的未输入信息是步骤S5025中所选择的未输入信息，因此该设备通过步骤S5020～S5050的处理，基于未输入信息的发生概率和影响程度来选择呈现未输入信息。\n[0078] 步骤S3060的处理与第一实施例中的处理相同。上述处理实现了进行如下配置的结构：选择发生概率Pc(Evm)等于或大于预定阈值的未输入信息，然后从这些未输入信息中选择影响程度IR(Evm)最大的未输入信息作为呈现未输入信息。在这种情况下，由于即使发生概率极低的未输入信息所展示的影响程度高，该未输入信息也被排除，因此可以在重视发生概率的情况下进行选择。另外，由于该设备仅对步骤S5025中所选择的未输入信息执行步骤S3030和S3040的处理，因此可以实现高效处理。\n[0079] 第一变形例\n[0080] 在上述各实施例中，医生在步骤S3000中解读医疗诊断支持设备100所显示的医用图像以获得作为已输入信息的解读发现。然而，用于获得已输入信息和未输入信息的方法不限于此。例如，可以使用包括与被检体相关联的过去解读报告和病历以及能够用于进行诊断支持处理的其它各种信息等的医用检查数据作为输入信息(已输入信息/未输入信息)。\n[0081] 第二变形例\n[0082] 在上述各实施例中，在步骤S3040中，当输入了已输入信息时，该设备获得未输入信息相对于推断概率最大的诊断名称的影响程度。然而，可以针对各诊断获得未输入信息的影响程度。该设备可以在步骤S3050和S5050中针对各诊断名称选择提供最大评价值W的呈现未输入信息，并且在步骤S3060中呈现与针对各诊断名称所选择的呈现未输入信息相关联的信息。这样可以向用户呈现如下的未输入信息，其中该未输入信息对作为已输入信息推断结果所获得的诊断名称以外的诊断名称产生影响。在步骤S3040的处理中，该设备可以将影响程度获得为具有正号/负号的值，而无需使用等式(2)中的绝对值。该设备可以在步骤S3050和S5050中，选择分别与展示最大正值的评价值W和展示最大负值(绝对值)的评价值W相对应的各个未输入信息作为呈现未输入信息，并且可以在步骤S3060中呈现与各呈现未输入信息相关联的信息。在图8所示的例子中，该设备获得并显示与最大的正评价值相对应的未输入信息(图6的Ev4)以及与最大的负评价值相对应的未输入信息(图6的Ev5)。这使得可以向用户呈现对已输入信息推断结果具有正面影响以及对该已输入信息推断结果信息具有负面影响的各个未输入信息。\n[0083] 第三变形例\n[0084] 在上述各实施例中，该设备在步骤S3050和S5050中选择一个未输入信息作为呈现未输入信息。然而，该设备可以选择多个未输入信息作为呈现未输入信息。例如，该设备可以选择与等于或大于预定阈值的评价值W相对应的所有未输入信息作为呈现未输入信息。\n这使得可以毫无遗漏地向用户呈现影响大的所有未输入信息。\n[0085] 其它实施例\n[0086] 还可以通过读出并执行记录在存储器装置上的程序以进行上述实施例的功能的系统或设备的计算机(或者CPU或MPU等装置)和通过下面的方法来实现本发明的各方面，其中，系统或设备的计算机例如通过读出并执行记录在存储器装置上的程序以进行上述实施例的功能来进行上述方法的各步骤。由于该原因，例如经由网络或者通过用作存储器装置的各种类型的记录介质(例如，计算机可读介质)将该程序提供给计算机。\n[0087] 尽管已经参考典型实施例说明了本发明，但是应该理解，本发明不限于所公开的典型实施例。所附权利要求书的范围符合最宽的解释，以包含所有这些修改、等同结构和功能。