检查辅助方法、第一检查辅助装置、第二检查辅助装置和存储介质

技术领域

本发明涉及用于辅助医疗检查的检查辅助方法、第一检查辅助装置、第二检查辅助装置和存储介质。

背景技术

感染症是因细菌、病毒或寄生虫等微生物侵入身体引起的。通过鉴定所感染的微生物，可查明感染症，进行治疗或防止感染扩大等应对。

在医院等医疗设施中进行患者的诊断，在存在感染症嫌疑的情况下，由患者采集样本，委托检查机构进行检查。在检查机构进行检查以鉴定样本中所含的微生物。在国际公开第二011/162213号中公开了用于鉴定微生物的检查方法的例子。

发明内容

技术问题

为了准确地鉴定感染微生物，需要进行相符与微生物对应的适当的内容检查。然而，由于用于推断是否感染或感染微生物的种类的事前信息是零碎的或间接的内容，所以往往难以具有充分的置信度进行推断。因此，适当地确定应进行的检查内容并不容易。在检查内容不适当的情况下，会发生检查遗漏、或者进行不必要的检查。

具体而言，在有关感染微生物的临床检查中，大体分为以下两种情形：一种是因怀疑是特定的一种感染，所以就确认是否存在这一种感染；另一种是因感染微生物不明，所以就经过多个缩小范围的步骤鉴定一种或多种微生物。在后一种情形中，由于不存在遍历进行鉴定的检查方法，所以就探索性地摸索鉴定微生物的步骤。其摸索步骤大体分为两个步骤：由医疗机构指定检查项目的步骤；以及由检查机构实施检查，特定具体的微生物名称的步骤。在前一个步骤不适当的情况下，后一个步骤没有意义。另外，只要前一个步骤不学习后一个步骤的结果，就不能指望改善选择适当的检查项目的精度。这样，以往的鉴定微生物的检查没有在各步骤间有效地充分利用信息的安排，故没有效率。

本发明是鉴于这样的情况提出的，其目的在于提供：可有效进行鉴定微生物的检查的检查辅助方法、第一检查辅助装置、第二检查辅助装置和存储介质。更具体而言，提供通过利用机器学习来实现探索性的感染微生物的鉴定步骤的精度提高和效率化的方法。

解决问题的方案

本发明所涉及的检查辅助方法的特征在于，是辅助鉴定患者所感染的微生物的检查的方法，其中，获取包含上述患者的症状的患者信息，向第一学习模型中输入所获取的上述患者信息，所述第一学习模型在输入了上述患者信息的情况下输出应从上述患者采集的样本、应鉴定的目标微生物和表示检查方法的检查项目的候选的推荐度，输出上述样本、上述目标微生物和上述检查项目的候选、以及上述第1学习模型所输出的上述推荐度。

本发明所涉及的检查辅助方法的特征在于，上述第一学习模型包含样本推荐模型，所述样本推荐模型在输入了上述患者信息的情况下输出上述样本的候选的推荐度，向上述样本推荐模型中输入所获取的上述患者信息，输出上述样本的候选和上述样本推荐模型所输出的上述推荐度。

本发明所涉及的检查辅助方法的特征在于，上述第一学习模型包含微生物推荐模型，所述微生物推荐模型在输入了上述患者信息和上述样本的情况下输出上述目标微生物的候选的推荐度，接受上述样本的指定，向上述微生物推荐模型中输入上述患者信息和接受了指定的上述样本，输出上述目标微生物的候选和上述微生物推荐模型所输出的上述推荐度。

本发明所涉及的检查辅助方法的特征在于，上述第一学习模型包含项目推荐模型，所述项目推荐模型在输入了上述患者信息、上述样本和上述目标微生物的情况下输出上述检查项目的候选的推荐度，接受上述样本和上述目标微生物的指定，向上述项目推荐模型中输入上述患者信息和接受了指定的上述样本和上述目标微生物，输出上述检查项目的候选和上述项目推荐模型所输出的上述推荐度。

本发明所涉及的检查辅助方法的特征在于，是辅助鉴定患者所感染的微生物的检查的方法，其中，获取包含上述患者症状的患者信息，获取样本图像，所述样本图像是对从上述患者采集的样本的一部分或所培养的上述样本中的微生物的菌落拍摄得到的，获取包含上述样本的种类的与上述样本图像有关的样本信息，向第二学习模型中输入所获取的上述患者信息、上述样本图像和上述样本信息，所述第二学习模型在输入了上述患者信息、上述样本图像和上述样本信息的情况下输出对上述样本中的微生物推断出的鉴定微生物的候选的可靠度，输出上述鉴定微生物的候选和上述第2学习模型所输出的上述可靠度。

本发明所涉及的检查辅助方法的特征在于，上述第二学习模型包含染色特性判定模型，所述染色特性判定模型在输入了上述样本图像的情况下输出上述样本中的微生物的染色特性的推断结果，向上述染色特性判定模型中输入所获取的上述样本图像，输出上述染色特性判定模型所输出的上述染色特性的推断结果。

本发明所涉及的检查辅助方法的特征在于，上述第二学习模型包含形态判定模型，所述形态判定模型在输入了上述样本图像和上述样本信息的情况下输出上述样本中的微生物的形态的推断结果，向上述形态判定模型中输入所获取的上述样本图像和上述样本信息，输出上述形态判定模型所输出的上述形态的推断结果。

本发明所涉及的检查辅助方法的特征在于，上述第二学习模型包含代谢性判定模型，所述代谢性判定模型在输入了上述患者信息、上述样本图像和上述样本信息的情况下输出上述样本中的微生物的氧代谢性的推断结果，向上述代谢性判定模型中输入所获取的上述患者信息、上述样本图像和上述样本信息，输出上述代谢性判定模型所输出的上述氧代谢性的推断结果。

本发明所涉及的检查辅助方法的特征在于，上述第二学习模型包含微生物判定模型，所述微生物判定模型在输入了上述患者信息、上述样本图像、上述样本信息、上述样本中的微生物的染色特性、上述微生物的形态和上述微生物的氧代谢性的情况下输出上述鉴定微生物的候选的可靠度，向上述微生物判定模型中输入所获取的上述患者信息、上述样本图像和上述样本信息、以及上述染色特性、上述形态和上述氧代谢性，输出上述鉴定微生物的候选和上述微生物判定模型所输出的上述可靠度。

本发明所涉及的检查辅助方法的特征在于，获取培养图像，所述培养图像是对使用上述样本进行了分离培养的培养基拍摄得到的，向第三学习模型中输入所获取的上述培养图像，所述第三学习模型在输入了上述培养图像的情况下从上述培养图像提取微生物的菌落所反映的一个或多个菌落图像，将上述菌落图像分成一个或多个种类，输出所分类的菌落图像，向上述第2学习模型中输入上述患者信息和上述样本信息，并输入上述第3学习模型所输出的上述菌落图像作为上述样本图像，输出上述鉴定微生物的候选和上述第2学习模型所输出的上述可靠度。

本发明所涉及的检查辅助方法的特征在于，将所分类的上述菌落图像作为应从上述培养基采集的微生物的菌落的候选而输出，输出上述菌落的候选的可靠度，接受应从上述培养基采集的微生物菌落的指定。

本发明所涉及的检查辅助方法的特征在于，向第四学习模型中输入各检查方法中的上述鉴定结果，所述第四学习模型在输入了通过包括使用了上述样本图像的检查方法的多个检查方法鉴定上述样本中的微生物得到的鉴定结果的情况下，输出各检查方法中的上述鉴定结果的可信度，输出上述第4学习模型所输出的各检查方法中的上述鉴定结果的可信度。

本发明所涉及的检查辅助方法的特征在于，获取指定了上述检查方法的检查项目，判定所获取的上述检查项目与实际进行的上述检查方法是否一致，输出判定结果。

本发明所涉及的检查辅助方法的特征在于，获取作为上述检查目的的微生物即目标微生物，判定通过包括使用了上述样本图像的检查方法的检查方法鉴定上述样本中的微生物得到的鉴定结果与上述目标微生物是否一致，输出判定结果。

本发明所涉及的检查辅助方法的特征在于：判定通过包括使用了上述样本图像的检查方法的多个检查方法鉴定的上述样本中的微生物的特征彼此是否一致，输出判定结果。

本发明所涉及的第一检查辅助装置的特征在于，是辅助鉴定患者所感染的微生物的检查的第一检查辅助装置，具备：第一获取部，其获取包含上述患者的症状的患者信息；第一学习模型，其在输入了上述患者信息的情况下，输出应从上述患者采集的样本、应鉴定的目标微生物和表示检查方法的检查项目的候选的推荐度；第一输入部，其向上述第一学习模型中输入所获取的上述患者信息；以及第一输出部，其输出上述样本、上述目标微生物和上述检查项目的候选、以及上述第一学习模型所输出的上述推荐度。

本发明所涉及的第二检查辅助装置的特征在于，是辅助鉴定患者所感染的微生物的检查的第二检查辅助装置，具备：第二获取部，其获取包含上述患者的症状的患者信息、样本图像和包含上述样本的种类的与上述样本图像有关的样本信息，所述样本图像是对从上述患者采集的样本的一部分或所培养的上述样本中的微生物菌落拍摄的；第二学习模型，其在输入了上述患者信息、上述样本图像和上述样本信息的情况下输出对上述样本中的微生物推断出的鉴定微生物的候选的可靠度；第二输入部，向上述第二学习模型中输入所获取的上述患者信息、上述样本图像和上述样本信息；以及第二输出部，输出上述鉴定微生物的候选和上述第二学习模型所输出的上述可靠度。

本发明所涉及的存储介质的特征在于，存储有计算机程序，所述计算机程序是用于使计算机执行用于辅助鉴定患者所感染的微生物的检查的处理的程序，该计算机程序使计算机执行下述的处理：获取包含上述患者的症状的患者信息，向第一学习模型中输入所获取的上述患者信息，所述第一学习模型在输入了上述患者信息的情况下输出应从上述患者采集的样本、应鉴定的目标微生物和表示检查方法的检查项目的候选的推荐度，输出上述样本、上述目标微生物和上述检查项目的候选、以及上述第1学习模型所输出的上述推荐度，接受上述样本、上述目标微生物和上述检查项目的指定。

本发明所涉及的存储介质的特征在于，存储有计算机程序，所述计算机程序是用于使计算机执行用于辅助鉴定患者所感染的微生物的检查的处理的程序，该计算机程序使计算机执行下述的处理：获取包含上述患者的症状的患者信息，获取样本图像，所述样本图像是对从上述患者采集的样本的一部分或所培养的上述样本中的微生物菌落拍摄得到的，获取包含上述样本种类的有关上述样本图像的样本信息，向第二学习模型中输入所获取的上述患者信息、上述样本图像和上述样本信息，所述第二学习模型在输入了上述患者信息、上述样本图像和上述样本信息的情况下输出对上述样本中的微生物推断出的鉴定微生物的候选的可靠度，输出上述鉴定微生物的候选和上述第2学习模型所输出的上述可靠度。

本发明所涉及的存储介质的特征在于，存储有计算机程序，所述计算机程序使计算机进一步执行下述处理：输出培养图像，所述培养图像是对使用上述样本进行了分离培养的培养基拍摄得到的，将包含在上述培养图像中且反映上述菌落的菌落图像按种类区分输出，接受应从上述培养基采集的微生物菌落的指定。

本发明所涉及的存储介质的特征在于，存储有计算机程序，所述计算机程序使计算机进一步执行下述处理：一并输出用于鉴定上述样本中的微生物的多个检查方法、上述各检查方法的鉴定结果和上述各鉴定结果的可信度。

本发明所涉及的存储介质的特征在于，存储有计算机程序，所述计算机程序使计算机进一步执行下述处理：判定是否存在上述检查的委托内容和上述检查的结果的分歧，输出所判定的分歧的是否存在。

在本发明的一个方式中，第一检查辅助装置辅助医生等操作者确定检查内容以委托检查。利用第一学习模型，由患者信息生成样本、目标微生物和检查项目的候选的推荐度。由于会提示与患者信息相符的样本、目标微生物和检查项目的候选的推荐度，所以操作者能够容易能够易于在确认样本、目标微生物和检查项目的候选的推荐度后，适当地选择和确定样本、目标微生物和包含检查项目在内的检查内容。

在本发明的一个方式中，第一学习模型包含样本推荐模型，利用样本推荐模型，从患者信息获取样本的候选的推荐度。例如，获取应采集样本的采集部位的候选的推荐度。由于可获取与患者信息相符的样本的候选的推荐度，所以操作者在确认样本的候选的推荐度后，能够容易地确定适当的样本。

在本发明的一个方式中，第一学习模型包含微生物推荐模型，利用微生物推荐模型，从患者信息和样本获取目标微生物的候选的推荐度。由于可获取与患者信息和样本相符的目标微生物的候选的推荐度，所以操作者在确认目标微生物的候选的推荐度后，能够容易地确定适当的目标微生物。

本发明的一个方式中，第一学习模型包含项目推荐模型，利用项目推荐模型，从患者信息、样本和目标微生物获取检查项目的候选的推荐度。由于可获取与患者信息、样本和目标微生物相符的检查项目的候选的推荐度，所以操作者在确认检查项目的候选的推荐度后，能够容易地确定适当的检查项目。

在本发明的一个方式中，第二检查辅助装置辅助临床检查工程师等操作者进行检查。利用第二学习模型，从患者信息、样本图像和样本信息生成对样本中的微生物推断出的鉴定微生物的候选的可靠度。由于可获取与患者信息、样本图像和样本信息相符的鉴定微生物的候选的可靠度，因此操作者能够容易地进行在确认鉴定微生物的候选的可靠度后，适当地确定鉴定微生物。

在本发明的一个方式中，第二学习模型包含染色特性判定模型，利用染色特性判定模型，从样本图像得到样本中的微生物的染色特性的推断结果。根据样本图像获取对革兰氏染色呈阳性等的微生物的染色特性的推断结果。

在本发明的一个方式中，第二学习模型包含形态判定模型，利用形态判定模型，从样本图像和样本信息获取样本中的微生物的形态的推断结果。根据样本图像和样本信息获取杆菌或球菌等微生物形态的推断结果。

在本发明的一个方式中，第二学习模型包含代谢性判定模型，利用代谢性判定模型，从患者信息、样本图像和样本信息获取样本中的微生物的氧代谢性的推断结果。根据患者信息、样本图像和样本信息，获取需氧性等微生物的氧代谢性的推断结果。

在本发明的一个方式中，第二学习模型包含微生物判定模型，利用微生物判定模型，从患者信息、样本图像、样本信息、样本中的微生物的染色特性、微生物的形态和微生物的氧代谢性获取鉴定微生物的候选的可靠度。由于可获取与患者信息、样本图像、样本信息、样本中的微生物的染色特性、微生物的形态和微生物的氧代谢性相符的鉴定微生物的候选的可靠度，因此操作者能够容易地进行在确认鉴定微生物的候选的可靠度后，适当地确定鉴定微生物。

在本发明的一个方式中，利用第三学习模型从培养图像获取按微生物种类分类的菌落图像，利用第二学习模型从菌落图像获取鉴定微生物的候选的可靠度。从培养图像能够容易地获取按微生物种类分类的菌落图像。另外，由于可获取与菌落图像相符的鉴定微生物的候选的可靠度，因此操作者能够容易地进行在确认鉴定微生物的候选的可靠度后，适当地确定鉴定微生物。

在本发明的一个方式中，将所分类的菌落图像作为应从培养基采集的微生物的菌落的候选而输出，输出候选的可靠度，利用菌落图像指定应采集微生物的菌落。按微生物的种类输出菌落图像，使得操作者按微生物的种类指定菌落变得容易。

在本发明的一个方式中，根据第四学习模型，从通过多个检查方法鉴定样本中的微生物得到的鉴定结果获取各鉴定结果的可信度。检查方法、鉴定结果和鉴定结果的可信度一并显示。按检查方法获取鉴定结果的可信度，操作者能够参考可信度来评价检查结果。

在本发明的一个方式中，判定所委托的指定检查方法的检查项目与实际进行的检查方法是否一致，输出判定结果。调查是否存在检查的失误和遗漏。

在本发明的一个方式中，判定目标微生物与鉴定微生物是否一致，输出判定结果。调查在检查委托的时间点调查通过检查应鉴定的微生物与检查的结果鉴定的微生物之间是否存在分歧。

在本发明的一个方式中，判定通过多个检查方法鉴定的微生物的特征彼此是否一致，输出判定结果。调查通过多个检查方法得到的鉴定结果之间是否存在分歧。

发明效果

在本发明中，起到鉴定微生物的检查的效率化、减少检查失误、抑制不需要的检查的费用、缩短检查期间等优异的效果。

附图说明

图1是示出用于进行医疗检查的顺序的概念图。

图2是示出检查辅助系统的构成的示意图。

图3是示出第一检查辅助装置的功能构成例的框图。

图4是示出检查代码表的内容例的概念图。

图5是示出患者数据库的内容例的概念图。

图6是说明检查内容推荐模型的功能的说明图。

图7是示出第一监督数据库的内容例的概念图。

图8是示出第一检查辅助装置所执行的处理的顺序的流程图。

图9是示出用于辅助确定检查内容的辅助图像的例子的示意图。

图10是示出患者背景栏的例子的示意图。

图11是示出采集部位、样本材料栏的例子的示意图。

图12是示出目标微生物栏的例子的示意图。

图13是示出检查项目栏的例子的示意图。

图14是示出下订栏的例子的示意图。

图15是示出检查机构的操作者所进行的检查的顺序的概念图。

图16是示出第二检查辅助装置的功能构成例的框图。

图17是说明微生物推断模型的功能的说明图。

图18是示出第二监督数据库的内容例的概念图。

图19是示出培养图像的例子的示意图。

图20是说明菌落分类模型的功能的说明图。

图21是示出菌落图像的分类结果的例子的示意图。

图22是示出第三监督数据库的内容例的概念图。

图23是示出第二检查辅助装置所执行的处理的顺序的流程图。

图24是示出第二检查辅助装置所执行的处理的顺序的流程图。

图25是示出检查辅助图像的例子的示意图。

图26是示出镜检栏的例子的示意图。

图27是示出培养栏的例子的示意图。

图28是示出质量分析栏和基因检查栏的例子的示意图。

图29是示出综合栏的例子的示意图。

图30是示出验证栏的例子的示意图。

附图标记说明

100检查辅助系统

1第一检查辅助装置

2第二检查辅助装置

10、20存储介质

11、21运算部

13、23存储部

131、231计算机程序

3通信网络

41检查内容推荐模型(第一学习模型)

411样本推荐模型

412微生物推荐模型

413项目推荐模型

42微生物推断模型(第二学习模型)

421染色特性判定模型

422形态判定模型

423代谢性判定模型

424微生物判定模型

43菌落分类模型(第三学习模型)

44微生物综合判定模型(第四学习模型)

具体实施方式

以下，根据显示其实施方式的附图来具体说明本发明。

图1是示出用于进行医疗检查的顺序的概念图。在医院或诊所等医疗机构进行患者的诊断。诊断的结果，在具有感染症嫌疑的情况下，确定鉴定成为所怀疑的感染症的病原的微生物的检查的内容。接着，从患者采集样本。由医疗机构委托检查机构进行检查，由医疗机构向检查机构递送样本，使其按照所确定的检查内容进行检查。检查机构是医疗机构的外部机构、或者是位于进行诊断的医疗机构内部的检查部门。在检查机构按照检查委托对样本进行检查。接着，对检查结果进行评价，向医疗机构报告检查结果。本公开的检查辅助方法辅助感染症的病原微生物的鉴定。更具体而言，辅助作为限定应鉴定的微生物的种类的步骤的医疗机构中的确定检查内容和作为从所限定的微生物的种类中确定具体的微生物名称的步骤的检查机构中的检查。

图2是示出检查辅助系统100的构成的示意图。检查辅助系统100是用于执行检查辅助方法的系统。在医疗机构设有第一检查辅助装置1，在检查机构设有第二检查辅助装置2。第一检查辅助装置1和第二检查辅助装置2通过互联网等通信网络3连接。第一检查辅助装置1进行辅助医疗机构的确定检查内容的处理。第二检查辅助装置2进行辅助检查机构的检查的处理。此外，第一检查辅助装置1和第二检查辅助装置2彼此可以不连接。

首先，对第一检查辅助装置1和辅助利用了第一检查辅助装置1的确定检查内容的处理进行说明。在医疗机构确定的检查内容中，包括应通过检查鉴定的微生物、应从患者采集的样本的内容、以及显示具体的检查方法的检查项目。微生物包括细菌、立克次氏体、病毒和寄生虫。以下，将应通过检查鉴定的微生物称为目标微生物。目标微生物是指怀疑患者被其感染、并希望通过检查确认患者被感染以确定诊断的微生物。目标微生物例如涉及“结核菌”或“沙门氏菌”等细菌、“蛔虫”等寄生虫、或“流感病毒”等病毒等多方面。还存在“耐甲氧西林金黄色葡萄球菌(Methicillin-Resistant Staphylococcus Aureus：MRSA)”等具备耐药性的微生物为目标微生物的情形。

在本实施方式中，应从患者采集的样本的内容用在患者身体内采集样本的部位即采集部位和显示样本种类的样本材料表示。采集部位例如是指“口腔、呼吸道、呼吸器官”、“肠道、肝胆道、腹部”或“皮肤、软组织”等医生进行检查的脏器。样本材料例如是指“痰液”、“咽喉粘膜”、“便”、“胆汁”等由患者采集且可用作样本的材料。

检查项目例如显示“涂片镜检”、“培养鉴定”、“活菌数定量”、“质量分析”、“药物敏感性检查”或“基因检查”等用于鉴定微生物的检查的种类。质量分析的一个例子为TOF－MS(飞行时间质谱：Time of Flight Mass Spectrometry)。基因检查的一个例子为PCR(聚合酶链式反应：Polymerase Chain Reaction)。样本中的微生物是组合各种检查项目在多个方面进行评价。由此，提高微生物鉴定的可靠度。在根据检查结果担保某一定程度的可靠度的情况下、或未得到矛盾的检查结果的情况下，微生物得到“鉴定”(确定)。

图3是示出第一检查辅助装置1的功能构成例的框图。第一检查辅助装置1使用个人计算机或服务器装置等的计算机来构成。第一检查辅助装置1具备：运算部11、存储随着运算产生的临时性数据的存储器12、硬盘等非挥发性存储部13、由光盘等存储介质10读取信息的驱动部14。运算部11例如使用中央处理单元(Central Processing Unit：CPU)、图形处理单元(Graphics Processing Unit：GPU)或多核CPU来构成。另外，运算部11可使用量子计算机来构成。存储器12例如可以是随机存取存储器(Random Access Memory：RAM)。

运算部11将存储介质10中存储的计算机程序131读取到驱动部14，将所读取的计算机程序131存储在存储部13。运算部11按照计算机程序131执行第一检查辅助装置1所需的处理。此外，计算机程序131可从第一检查辅助装置1的外部下载。这种情况下，第一检查辅助装置1可不具备驱动部14。

另外，第一检查辅助装置1具备：接受来自医生等操作者的操作的操作部15、显示图像的显示部16和通信部17。操作部15通过接受来自操作者的操作而接受文本等信息。操作部15例如是键盘或指示设备。显示部16例如是液晶显示器或EL显示器(电致发光显示器，Electroluminescent Display)。通信部17与通信网络3连接，通过通信网络3与第一检查辅助装置1的外部的装置进行通信。第一检查辅助装置1可由多台计算机构成。例如，第一检查辅助装置1包含至少具有操作部15和显示部16的平板或智能手机等终端装置和至少具有存储部13的服务器装置而构成。医生等操作者操作终端装置。在终端装置与服务器装置之间进行处理所需的通信。服务器装置可设置在医疗机构内，服务器装置的一部分或全部也可设置在医疗机构外。

存储部13存储有将检查内容和检查代码建立关联并存储的检查代码表132。检查代码是表示检查内容的代码。图4是示出检查代码表132的内容例的概念图。在图4所示的例子中，存储有作为检查内容的检查项目、采集部位和样本材料的内容。与检查内容建立关联，使检查代码得以关联。检查代码例如可使用日本临床检查医学会制定的临床检查项目分类代码第10版(JLAC10)。还可使用医疗机构或检查机构独自制定的所谓的本地代码。通过使用检查代码，能够指定检查内容。

另外，存储部13存储有患者数据库133，所述患者数据库133存储了多名患者的包括表示患者症状的信息的有关患者的患者信息。图5是示出患者数据库133的内容例的概念图。患者信息包括患者的年龄和性别等个人信息。患者信息包括通过诊断判明的患者的症状。患者数据库133中存储有用于识别各个患者的患者ID(识别码，Identifier)。与患者ID建立关联，存储有患者信息。患者ID例如是病例ID。

在图5所示的例子中，患者数据库133包含临床症状、背景区域。临床症状、背景区域有对应于“恶心”、“呕吐”和“腹泻”等各种症状的子区域。在各子区域存储有关于各患者的各种症状的有无。临床症状、背景区域可存储有显示症状的严重程度的指标。在诊断日区域存储有进行诊断的日期。在年龄区域存储有患者在诊断日的年龄。性别区域存储有患者的性别。

患者信息可包含患者的过往病史。在图5所示的例子中，患者数据库133包含过往病史区域，患者的过往病史存储在过往病史区域。过往病史区域具有与按各种病名分配的“A001”和“A022”等病名代码对应的子区域。病名代码可使用例如世界医疗机构制定的ICD(International Classification of Diseases：国际疾病分类)－10、或厚生劳动省制定的伤病名代码等。还可使用医疗机构或检查机构制定的所谓的本地代码。特别是在使用像ICD那样结合代码的位数进行细分的意思分类代码的情况下，通过缩短代码的位数(例如，在总共五位中使用前两位)，可调整信息的粒度。由此，在过去的事例中包含发生频率少的ICD代码的情况下，即使是若直接进行机器学习则形成稀疏的分布数据而难以进行有意义的分析的情况下，也可机械性地汇总成通用的代码，能够进行有意义的机器学习。在各子区域存储有各患者罹患与各病名代码对应的疾病的时期。过往病史区域的“－”是指不存在患者罹患该疾病的病历。

患者数据库133可存储在第一检查辅助装置1外的存储装置中。例如，患者数据库133可存储在电子病例系统、排序系统和细菌检查系统等医院信息系统(HIS：HospitalInformation System)所包含的存储装置中。存储装置与通信网络3连接，患者数据库133可根据需要通过通信网络3从存储装置下载到第一检查辅助装置1。

第一检查辅助装置1还具备检查内容推荐模型41，其是用于辅助确定检查内容的学习模型。检查内容推荐模型41对应于第一学习模型。

检查内容推荐模型41以在输入了包含表示患者症状的信息的有关患者的患者信息的情况下，输出候选检查内容的推荐度的方式进行学习。检查内容推荐模型41通过由运算部11按照计算机程序131执行信息处理来实现。存储部13存储实现检查内容推荐模型41所需的数据。另外，检查内容推荐模型41可使用硬件来构成。例如，检查内容推荐模型41可包含处理器和存储必需的程序和数据的存储器来构成。另外，检查内容推荐模型41可使用量子计算机来实现。另外，检查内容推荐模型41可通过使用了第一检查辅助装置1外的计算机的云计算来实现。

检查内容推荐模型41包含样本推荐模型411、微生物推荐模型412和项目推荐模型413。样本推荐模型411、微生物推荐模型412和项目推荐模型413均为学习模型。样本推荐模型411以在输入了患者信息的情况下输出应从患者采集的样本的候选的推荐度的形式进行学习。微生物推荐模型412以在输入了患者信息和样本的情况下输出应通过检查鉴定的目标微生物的候选的推荐度的方式进行学习。项目推荐模型413以在输入了患者信息、样本和目标微生物的情况下输出检查项目的候选的推荐度的方式进行学习。在本实施方式中，推荐度能够使用对于通过学习模型推断的结果(样本、目标微生物或检查项目等)的置信度。此外，在对应于过去频繁实施的检查内容的结果的情况下，推荐度能够用相当于该结果的流行病学信息的、表示过去的选择频率的数值代替。

图6是说明检查内容推荐模型41的功能的说明图。样本推荐模型411是输入与一名患者有关的患者信息，输出应从患者采集的样本的候选的推荐度。在本实施方式中，样本推荐模型411输出表示采集样本的采集部位的候选的推荐度的数值作为样本的候选的推荐度。例如，样本推荐模型411输出表示预先制定的多个采集部位的候选各自所对应的推荐度的数值。表示推荐度的数值例如是百分率。

样本推荐模型411根据存储有多个以患者信息为说明变量、以采集部位和样本材料为目标变量的数据组的监督数据，采用L1正规化逻辑回归等线性模型或随机森林或神经网络(Neural Network：NN)等非线性模型的任意的监督式机器学习方法来创建。此外，在说明变量包含多个缺失值的情况下，优选采用由缺失值得到的预测精度不易受影响的鲁棒性机器学习方法。例如，随机森林等使用了决策树的方法特别适合。

此外，机器学习方法的输入输出为数值，说明变量和目标变量使用表示量的连续变量，或者转换成表示类别等的离散变量来使用。在将类别信息转换成离散变量时，采用单纯地将自然数的编号按照规则库1对1分配或者分散表现(Embedding：嵌入)等现有方法。在采用分散表现的情况下，转换后的数据不是标量而是向量，将其用于机器学习方法的输入输出。

作为机器学习方法，例如在采用NN的情况下，在监督数据中的输入数据被输入到输入层的情况下，调整中间层的参数，使由输出层输出的数据与监督数据中的输出数据一致。更详细而言，例如可采用以由输出层输出的数据与监督数据中的输出数据的误差作为目标函数、并将其最小化的现有的分析方法。其他学习模型也可采用同样的方法制作。此外，第一检查辅助装置1可使用规则库的程序等代替样本推荐模型411来判定样本的候选。

微生物推荐模型412是输入患者信息和样本，输出目标微生物的候选的推荐度。在本实施方式中，微生物推荐模型412输入采集部位和显示由采集部位采集的样本种类的样本材料作为样本。另外，微生物推荐模型412输出表示推荐度的数值作为目标微生物的候选的推荐度。例如，预先制定多个目标微生物的候选，微生物推荐模型412分别输出表示与候选对应的推荐度的数值。表示推荐度的数值例如是百分率。

此外，在患者信息等输入数据与过去高频率出现的输入数据为同一内容的情况下，可使用该输入数据所对应的微生物的出现频率作为推荐度。但是，在输入数据不正确的情况下、或者输入数据的粒度不完全一致的情况下，无法获取适当的出现频率、即适当的推荐度。因此，更通用的是，在使用微生物推荐模型412调整输入数据的粒度后，利用机器学习计算相对于预测结果的概率(预测概率)，从而可算出更适当的推荐度。推荐度并不限于概率等以数值表示的推荐度，还可以是对应于数值范围的像A、B、C这样的类别、或者通过表示类别的文字颜色或背景颜色表现的数值。

微生物推荐模型412根据存储有多个以患者信息、采集部位及样本材料作为说明变量、以目标微生物作为目标变量的数据组的监督数据，利用L1正规化逻辑回归等线性模型、或者随机森林或NN等非线性模型的任意的监督式机器学习方法来创建。机器学习方法的输入输出为数值，说明变量和目标变量使用表示量的连续变量，或者转换成表示类别或位次的离散变量来使用。此外，第一检查辅助装置1可使用规则库的程序等代替微生物推荐模型412来判定目标微生物的候选。此外，在说明变量包含多个缺失值的情况下，优选根据缺失值得到的预测精度不易受影响的鲁棒性机器学习方法。例如，随机森林等使用了决策树的方法特别适合。

项目推荐模型413是输入患者信息、样本和目标微生物，输出检查项目的候选的推荐度。在本实施方式中，项目推荐模型413输入表示样本的采集部位和样本材料。另外，项目推荐模型413输出表示推荐度的数值作为检查项目的候选的推荐度。例如，项目推荐模型413输出预先制定的多个检查项目的候选各自所对应的表示推荐度的数值。表示推荐度的数值例如是百分率。

项目推荐模型413根据存储有多个以患者信息、采集部位及样本材料和目标微生物作为说明变量、以检查项目作为目标变量的数据组的监督数据，采用L1正规化逻辑回归或NN等任意的监督式机器学习方法来创建。机器学习方法的输入输出为数值，说明变量和目标变量使用表示量的连续变量，或者转换成表示类别或位次的离散变量来使用。此外，第一检查辅助装置1可使用规则库的程序等代替项目推荐模型413来判定检查项目。另外，在说明变量包含多个缺失值的情况下，优选通过缺失值得到的预测精度不易受影响的鲁棒性机器学习方法。例如随机森林等使用了决策树的方法特别适合。检查内容推荐模型41通过样本推荐模型411、微生物推荐模型412和项目推荐模型413的运行，输入患者信息，输出样本、目标微生物和检查项目的候选的推荐度。

另外，存储部13存储包含用于学习检查内容推荐模型41的监督数据的第一监督数据库134。图7是示出第一监督数据库134的内容例的概念图。在图7所示的例子中，第一监督数据库134包含患者信息区域、采集部位、样本材料区域、目标微生物区域和检查项目区域。患者信息区域存储着与患者数据库133同样的内容。

采集部位、样本材料区域有对应于“中枢神经系统”和“目、耳、鼻”等身体各部位的子区域。例如，“中枢神经系统”子区域有对应于“髄液”和“脑脓肿”等可从中枢神经系统采集的样本材料的子区域。各子区域存储着是否需要采集样本材料所显示的种类的样本。

目标微生物区域具有对应于“沙门氏菌”和“肠炎弧菌”等各种微生物的子区域。各子区域存储着各微生物是否符合目标微生物。目标微生物区域可具有除细菌以外还有关立克次氏体、病毒和寄生虫等其他微生物的子区域。

检查项目区域有对应于“涂片镜检”、“培养鉴定(需氧性)”、“质量分析”和“PCR”等各种检查项目的子区域。各区域存储着是否需要进行各种检查。第一监督数据库134根据过去检查机构所接受的检查委托、过去医疗机构所发行的检查委托或过去进行的检查的结果来创建。

通过根据第一监督数据库134中存储的监督数据进行监督式机器学习，生成检查内容推荐模型41。例如，通过根据患者信息区域和采集部位、样本材料区域进行机器学习，生成样本推荐模型411。通过根据患者信息区域、采集部位、样本材料区域和目标微生物区域进行机器学习，生成微生物推荐模型412。通过根据患者信息区域、采集部位、样本材料区域、目标微生物区域和检查项目区域进行机器学习，生成项目推荐模型413。此外，第一监督数据库134可存储在存储部13中。例如，第一监督数据库134可存储在第一检查辅助装置1外的存储装置中，还可在第一检查辅助装置1外进行检查内容推荐模型41的学习。

第一检查辅助装置1进行辅助在医疗机构医生等操作者确定检查内容的处理。图8是示出第一检查辅助装置1执行的处理的顺序的流程图。以下，将步骤简称为S。运算部11按照计算机程序131执行以下处理。运算部11根据通过医生等操作者操作操作部15而发出的处理开始的指示，在显示部16显示用于辅助确定检查内容的辅助图像(S101)。

图9是示出用于辅助确定检查内容的辅助图像的例子的示意图。辅助图像中包含用于显示有关患者的患者信息、并接受患者信息的输入的患者背景栏51。另外，辅助图像中还包含：用于显示表示样本的采集部位的候选和样本材料、并接受采集部位和样本材料的指定的采集部位、样本材料栏52；以及用于显示目标微生物的候选、并接受目标微生物的指定的目标微生物栏53。辅助图像中还包含：用于表示检查项目的候选、并接受检查项目的指定的检查项目栏54；以及用于表示检查代码、并接受检查委托的下订的指示的下订栏55。

接下来，运算部11通过由操作者操作操作部15而接受检查目的(S102)。检查目的为鉴定怀疑患者感染的病原微生物、或确认患者是否感染了特定的微生物。病原微生物是指被怀疑通过让患者感染而成为患者的症状的病因的微生物。运算部11判定检查目的是否是鉴定病原微生物(S103)。

在检查目的为鉴定病原微生物的情况下(S103：YES)，运算部11获取一名患者的患者信息(S104)。例如，运算部11通过操作者操作操作部15并接受患者ID，从患者数据库133读出与接受的患者ID建立关联的患者信息，从而获取患者信息。运算部11还可以通过由操作者操作操作部15，获取患者信息的至少一部分。还可以通过从第一检查辅助装置1外的存储装置下载必要的信息，获取患者信息。S104的处理对应于第一获取部。运算部11在显示部16显示包含显示所获取的患者信息的患者背景栏51的辅助图像。

图10是示出患者背景栏51的例子的示意图。患者背景栏51包括基本信息栏511、过往病史栏512、临床症状栏513和检查目的栏514。基本信息栏511显示姓名、年龄和性别等有关患者的基本信息。例如，根据操作者的操作，在基本信息栏511显示患者ID，从而输入患者ID。过往病史栏512显示患者的过往病史。临床症状栏513显示患者的症状。通过诊断判明的患者的症状还可以通过操作者的操作显示在临床症状栏513而输入。检查目的栏514表示检查目的。例如，检查目的栏514包含鉴定病原微生物、确认是否感染、或对应于其他目的的复选框，通过操作者的操作选择任一个复选框，从而输入检查目的。

接下来，运算部11向样本推荐模型411中输入患者信息(S105)。在S105中，运算部11利用规则库等方法将患者信息转换成数值，将对应于患者信息的数值输入样本推荐模型411中。样本推荐模型411根据患者信息的输入来输出样本的候选的推荐度。样本推荐模型411输出多个采集部位的候选的各个推荐度作为样本的候选的推荐度。

运算部11输出采集部位的候选、样本推荐模型411所输出的推荐度、可从采集部位采集的样本材料的候选(S106)。在S106中，运算部11在显示部16显示包含显示采集部位的候选和样本材料的采集部位、样本材料栏52的辅助图像。接下来，运算部11利用辅助图像，通过由操作者操作操作部15，接受采集部位和样本材料(S107)。

图11是示出采集部位、样本材料栏52的例子的示意图。采集部位、样本材料栏52包含部位推荐栏521和材料选择栏522。运算部11在部位推荐栏521显示多个采集部位的候选和样本推荐模型411所输出的关于各采集部位的候选的推荐度。图11显示表示“肠道、肝胆道、腹部”的推荐度的数值为99％的例子。关于表示推荐度的数值大于规定阈值的项目，运算部11在推荐列显示黑矩形。部位推荐栏521包含与各采集部位的候选建立了对应的复选框排列而成的确定列。医生或接受了医生的指示的医疗从业人员等操作者参照所显示的各采集部位的推荐度，在明确不脱离医疗相关指南、医疗机构的运用方针或学术见解等的判断依据后，通过自己的判断确定采集部位。操作者操作操作部15，选择任一个复选框，从而选择对应于复选框的采集部位。运算部11用黑矩形显示接受了选择的复选框。图11显示选择了“肠道、肝胆道、腹部”的例子。运算部11通过接受任一个采集部位的选择而接受采集部位。

材料选择栏522显示可从各采集部位采集的样本材料的候选。样本材料的候选事先与采集部位建立关联。与采集部位建立了关联的样本材料的候选存储在计算机程序131中、或者存储在存储部13所存储的数据中。运算部11将可由所选择的采集部位采集的样本材料所对应的复选框设定成可接受操作者的选择的状态。在图11所示的例子中选择了“肠道、肝胆道、腹部”，所以对应于“便”、“胆汁”和“腹水”的复选框为可选择的状态。

操作者参照采集部位、样本材料栏52中显示的信息，同时考虑到患者的症状和样本采集时的侵袭性等，通过自己的判断确定样本材料。操作者操作操作部15，选择任一个复选框，从而选择复选框所对应的样本材料。在选择材料选择栏522中未显示的其他样本材料的情况下，操作者操作操作部15，选择“其他”的复选框，将样本材料名称输入相邻的括弧内。还可以在选择了“其他”的复选框的情况下，运算部11显示对话框，显示追加的选择项。运算部11通过接受任一个样本材料的选择而接受样本材料。接受的采集部位和样本材料表示应采集的样本。利用样本推荐模型411，输出与患者信息相符的采集部位的推荐度，因此操作者在确认所输出的候选的推荐度后，能够有效且适当地确定采集部位和由该采集部位采集的样本材料。

此外，样本推荐模型411可以是不仅输出采集部位的候选的推荐度、还输出样本材料的候选的推荐度的形态。例如，样本推荐模型411还可以输出采集部位和样本材料的组合的候选的推荐度，或者，还可以输出独立于采集部位的样本材料的候选的推荐度。在该形态下，材料选择栏522显示样本材料的候选和候选的推荐度。

接下来，运算部11向微生物推荐模型412中输入患者信息、以及所接受的采集部位和样本材料(S108)。在S108中，运算部11利用规则库等方法将患者信息、采集部位和样本材料转换成数值，向微生物推荐模型412中输入对应于患者信息、采集部位和样本材料的数值。微生物推荐模型412根据患者信息、采集部位和样本材料的输入来输出目标微生物的候选的推荐度。

运算部11输出目标微生物的候选和微生物推荐模型412所输出的推荐度(S109)。在S109中，运算部11在显示部16显示包含显示目标微生物的候选和该候选的推荐度的目标微生物栏53的辅助图像。

图12是示出目标微生物栏53的例子的示意图。运算部11在目标微生物栏53显示目标微生物的候选的名称和微生物推荐模型412输出的关于各候选的推荐度。在图12所示的例子中，显示“沙门氏菌”和“肠炎弧菌”作为目标微生物的候选，表示“沙门氏菌”的推荐度的数值为52％，表示“肠炎弧菌”的推荐度的数值为50％。

接下来，运算部11利用辅助图像，通过由操作者操作操作部15而接受目标微生物(S110)。如图12所示，目标微生物栏53包含与各目标微生物的候选建立了对应的复选框并排而成的确定列。操作者参照所显示的各目标微生物的候选的推荐度，通过自己的判断确定目标微生物。操作者操作操作部15，选择任一个复选框，从而选择对应于复选框的目标微生物。运算部11用黑矩形显示接受了选择的复选框。图12显示选择了“沙门氏菌”和“肠炎弧菌”的例子。运算部11通过接受任一个目标微生物的选择而接受目标微生物。

目标微生物栏53显示药物敏感性列。操作者判断是否需要对选择过的各目标微生物进行药物敏感性试验，在判断为必要的情况下选择药物敏感性列的复选框。目标微生物栏53显示用于个别追加其他目标微生物的个别追加按钮和用于一并追加多个目标微生物的一并追加按钮。在通过操作者的操作指定了任一个按钮的情况下，运算部11可显示对话框，以显示目标微生物的追加选择项。利用微生物推荐模型412得到与患者信息、采集部位和样本材料相符的目标微生物的候选的推荐度，因此操作者在确认目标微生物的候选的推荐度后，可有效且适当地确定目标微生物。

接下来，运算部11向项目推荐模型413中输入患者信息、采集部位、样本材料和所接受的目标微生物(S111)。在S111中，运算部11利用规则库等方法将患者信息、采集部位、样本材料和目标微生物转换成数值，向项目推荐模型413中输入对应于患者信息、采集部位、样本材料和目标微生物的数值。S105、S108和S111的处理对应于第一输入部。项目推荐模型413根据患者信息、采集部位、样本材料和目标微生物的输入来输出检查项目的候选的推荐度。

运算部11输出检查项目的候选和项目推荐模型413所输出的推荐度(S112)。在S112中，运算部11在显示部16显示包含表示检查项目的候选和该候选的推荐度的检查项目栏54的辅助图像。S106、S109和S112的处理对应于第一输出部。

图13是示出检查项目栏54的例子的示意图。运算部11在检查项目栏54表示检查项目的候选的名称和项目推荐模型413输出的关于各候选的推荐度。在图13所示的例子中，显示“涂片镜检”、需氧性“培养鉴定”、厌氧性“培养鉴定”、“活菌数定量”、“特殊检查”和“敏感性检查”作为检查项目的候选。另外，表示“涂片镜检”、需氧性“培养鉴定”、厌氧性“培养鉴定”、“活菌数定量”、“特殊检查”和“敏感性检查”的各推荐度的数值为10％、100％、5％、5％、1％和99％。关于数值大于规定阈值的项目，运算部11在推荐列显示黑矩形。

在S112结束后、或者在检查目的不是鉴定病原微生物的情况下(S103：NO)，运算部11利用辅助图像，通过由操作者操作操作部15而接受检查项目(S113)。如图13所示，检查项目栏54包含与各检查项目的候选建立了对应的复选框并排而得到的确定列。操作者参照所显示的各检查项目的推荐度，在明确了不脱离医疗相关指南、医疗机构的运用方针或学术见解等判断依据后，通过自己的判断确定检查项目。操作者操作操作部15，选择任一个复选框，从而选择对应于复选框的检查项目。运算部11用黑矩形显示接受了选择的复选框。图13显示选择了需氧性“培养鉴定”、厌氧性“培养鉴定”和“敏感性检查”的例子。运算部11通过接受任一个检查项目的选择而接受检查项目。

在选择检查项目栏54未显示的检查项目的情况下，操作者选择配置在检查项目栏54的下部的“追加”按钮。运算部11显示对话框，以提示追加的选择项。操作者能够利用追加的选择项来选择追加的检查项目。利用项目推荐模型413获取与患者信息、采集部位、样本材料和目标微生物相符的检查项目的候选的推荐度，因此操作者在确认了检查项目的候选的推荐度后，能够适当地确定检查项目。

接下来，运算部11特定符合所接受的检查项目的检查代码，输出特定的检查代码(S114)。在S114中，运算部11由存储在存储部13中的检查代码表132读出与所接受的检查项目建立关联而存储的检查代码，从而特定检查代码。另外，运算部11在显示部16显示包含显示特定的检查代码的下订栏55的辅助图像。

图14是示出下订栏55的例子的示意图。下订栏55包含下订候选栏551和订单履历栏552。下订候选栏551显示所确定的检查项目、采集部位、样本材料、检查代码和目标微生物等的备注。下订候选栏551显示各检查项目的确认用的复选框。下订候选栏551设有下订按钮553。另外，关于检查项目、采集部位、样本材料、检查代码和备注分别显示选择按钮554。

医生等操作者确认下订候选栏551，在具有不需要的项目的情况下，通过操作操作部15，选择复选框以去掉复选。在具有想要追加的项目的情况下，操作者选择任一个选择按钮554。在接受了选择按钮554的选择的情况下，运算部11在显示部16显示对话框，通过由操作者存在操作部15来接受追加项目的输入。

接下来，运算部11接受检查委托的下订的指示(S115)。在S115中，操作者操作操作部15，选择下订按钮553，从而由运算部11接受检查委托的下订的指示。接下来，运算部11向检查机构发送检查委托(S116)。在S116中，运算部11例如在通信部17经由通信网络3向检查机构所管理的接受用计算机发送检查委托。例如，向第二检查辅助装置2发送检查委托。第一检查辅助装置1通过以上操作结束辅助确定检查内容的处理。

由患者采集通过S101～S116确定的样本。即，由所确定的采集部位采集所确定的样本材料。由医疗机构向检查机构递送样本，在检查机构按照检查委托进行检查。

检查内容推荐模型41包含有样本推荐模型411、微生物推荐模型412和项目推荐模型413的构成是一个例子，检查内容推荐模型41的构成可以是其他构成。例如，检查内容推荐模型41可以是输入患者信息、并一次输出采集部位、样本材料、目标微生物和检查项目的候选的推荐度的形态。第一检查辅助装置1可进行下述处理以代替S105～S113的处理：向检查内容推荐模型41中输入患者信息，一次输出采集部位、样本材料、目标微生物和检查项目的候选的推荐度，接受采集部位、样本材料、目标微生物和检查项目。

在检查机构进行检查作业的工程师等操作者可利用计算机阅览与图9例示的辅助图像同样的图像。例如，操作者可使用第二检查辅助装置2阅览图像。此外，在保护患者的个人信息的情况下，在由第一检查辅助装置1发送检查委托时，将患者的姓名和患者ID等所有个人信息掩盖、匿名化或假名化。

检查机构的操作者通过阅览与辅助图像同样的图像，可掌握包括有检查理由的检查的背景和目的。在用于鉴定微生物的检查中，例如镜检用样品的调整、钓菌时菌落的选择和培养条件的选择等需要操作者的个别判断的操作较多。通过根据与辅助图像同样的图像掌握检查的背景和目的，操作者能够根据医疗机构的需要，在无遗漏且不会浪费地实施适合患者症状的检查，并报告其检查结果。

如上所述，在本实施方式中，第一检查辅助装置1显示图9所例示的辅助图像，辅助医生等操作者确定检查内容来委托检查。第一检查辅助装置1使用检查内容推荐模型41从患者信息生成样本、目标微生物和检查项目的候选的推荐度。由于可获取与患者信息相符的样本、目标微生物和检查项目的候选的推荐度，因此操作者能够容易地进行在确认样本、目标微生物和检查项目的候选的推荐度后适当地确定包含样本、目标微生物和检查项目在内的检查内容。因此，可实现鉴定微生物的检查的效率化。

接下来，对第二检查辅助装置2和辅助利用了第二检查辅助装置的检查机构的检查的处理进行说明。在检查机构进行用于鉴定由医疗机构采集的样本中所含的微生物的检查。图15是表示检查机构的操作者进行的检查的顺序的概念图。操作者接受检查委托，领取样本。操作者根据检查委托判断是否对样本进行镜检。例如，在检查委托中包含“涂片镜检”作为检查项目的情况下，操作者判断为进行镜检。在判断为进行镜检的情况下，操作者进行镜检。例如，在检查委托中包含“涂片镜检”作为检查项目的情况下，操作者执行涂片镜检。在镜检中，操作者对样本中的微生物进行革兰氏染色或抗酸菌染色等染色，在显微镜下观察样本，拍摄一部分样本创建镜检图像。通过镜检，操作者还可进行微生物的推断。

镜检结束后、或者在判断为不进行镜检的情况下，操作者判断是否进行样本中所含的微生物的分离培养。例如，在检查委托中包含“培养鉴定”作为检查项目的情况下，操作者判断为进行分离培养。例如，操作者在根据镜检结果判断为样本中所含的微生物没有被分离的情况下，判断为进行分离培养。另外，在样本中所含的微生物的量过少的情况下，操作者可判断为进行分离培养。

在判断为进行分离培养的情况下，操作者进行分离培养。在分离培养中，在培养基上涂布一部分样本，进行微生物的培养。一个或多个微生物的菌落在培养后的培养基上生长。另外，操作者对培养后的微生物进行染色，在显微镜下观察培养后的培养基，拍摄培养后的培养基，创建培养图像。在培养图像中，包含微生物的菌落所反映的一个或多个菌落图像。

培养图像通过二值化或划分等图像处理、或者将过去的典型菌落图像用包围盒(Bounding Box)圈入的坐标数据和菌落图像作为监督数据通过Faster RCNN(Regionswith Convolutional Neural Network)、SSD(Single Shot Multibox Detector)、或YOLO(You Only Look Once)等深层学习法进行学习的物体检测，可分割成个别的菌落图像。分割的各菌落图像通过VGG16等现有的卷积神经网络模型提取图像特征量。根据这些图像特征量，通过利用k－均值聚类等非监督学习，将各菌落图像按照每种微生物进行分类。关于所分类的各微生物的特征量，以特征量空间的中心坐标、例如具有与马氏距离(Mahalanobis distance)的平均值的距离最近的特征量的菌落作为代表菌落，作为钓菌对象。另外，在为了提高微生物的推断精度而增加钓菌对象的情况下，不仅以代表菌落、还以具有位于距上述特征量空间的边界近的位置的特征量的菌落作为边界菌落，作为钓菌对象。在用于特定边界菌落的特征量的分类中，通过使用混合正态分布模型等，可算出各菌落的分类的可靠度作为概率。可靠度并不限于概率等用数值表示的可靠度，还可以是通过对应于数值范的A、B、C这样的类别、或表示类别的文字颜色、背景颜色、记号、或显示菌落位置的框线的颜色来表现的可靠度。

操作者利用上述方法等现有的方法将菌落图像按微生物的种类进行分类。操作者根据分类后的菌落图像，参考菌落分类的可靠度，从代表菌落或边界菌落中选择应采集的微生物的菌落。操作者还可根据菌落图像进行微生物的推断。接下来，操作者进行钓菌、即由特定的菌落采集微生物。此外，“钓菌”虽然是微生物为细菌的情况下的术语，但即使样本中所含的微生物为细菌以外的真菌等微生物，操作者也同样地进行分离培养，由菌落采集微生物。

在钓菌结束后、或判断为不进行分离培养的情况下，操作者进行各种检查以鉴定样本中所含的微生物。在检查中，使用一部分样本或通过钓菌采集的微生物作为样品。操作者按照检查委托中所含的检查项目进行各种检查。操作者可进行判断为必要的检查。另外，操作者在根据进行检查的结果无法鉴定微生物的情况下，可重复进行检查、或者进行追加检查。

在用于鉴定微生物的检查结束后，操作者判断是否对微生物进行药物敏感性检查。例如，在检查委托中包含“药物敏感性检查”作为检查项目的情况下，操作者判断为进行药物敏感性检查。在判断为进行药物敏感性检查的情况下，操作者对微生物进行药物敏感性检查。在药物敏感性检查结束后、或者在判断为不进行药物敏感性检查的情况下，操作者对检查结果进行评价。

第二检查辅助装置2是用于辅助检查作业的装置。图16是显示第二检查辅助装置2的功能构成例的框图。第二检查辅助装置使用个人计算机或服务器装置等的计算机来构成。第二检查辅助装置2具备运算部21、存储器22、硬盘等非挥发性存储部23和由光盘等存储介质20读取信息的驱动部24。运算部21例如使用CPU、GPU或多核CPU来构成。另外，运算部21可使用量子计算机来构成。存储器22例如是RAM。

样本信息包括显示样本种类的样本材料、染色条件和观察倍率等。形态判定模型422输出相对于推断微生物形态的结果的可靠度作为微生物形态的概率值。

形态判定模型422根据存储有多个以样本图像和样本信息作为说明变量、以通过操作者判定的微生物形态(即，球菌或杆菌、或者其他的螺旋菌或弧菌等)作为目标变量的数据组的监督数据，采用任意的机器学习方法来创建。通过卷积层和池化层对样本图像反复进行处理，可提取图像特征量。通过将该图像特征量与图像以外的特征量结合形成一个特征量向量，用作监督式机器学习的说明变量。此外，第二检查辅助装置2可使用规则库的程序等代替形态判定模型422来判定微生物的形态。另外，在说明变量包含多个缺失值的情况下，优选通过缺失值得到的预测精度不易受影响的鲁棒性机器学习方法。例如，随机森林等使用了决策树的方法特别适合。

代谢性判定模型423是输入样本图像、样本信息和患者信息，输出微生物为需氧性的概率和其为厌氧性的概率作为推断样本中的微生物的氧代谢性的结果。代谢性判定模型423根据存储有多个以样本图像、样本信息和患者信息作为说明变量、以通过操作者判定的氧代谢性(即，需氧性或厌氧性的信息)作为目标变量的数据组的监督数据，采用任意的机器学习方法来创建。通过卷积层和池化层对样本图像反复进行处理，可提取图像特征量。通过将该图像特征量与图像以外的特征量结合形成一个特征量向量，用作监督式机器学习的说明变量。此外，第二检查辅助装置2可使用规则库的程序等代替代谢性判定模型423来判定微生物的氧代谢性。

微生物判定模型424是输入患者信息、样本图像、样本信息、微生物的染色特性、微生物的形态和微生物的氧代谢性，输出样本中的微生物为特定微生物的概率作为鉴定微生物的候选的可靠度。输入的染色特性包含在染色特性判定模型421的输出中概率最高的染色特性。输入的微生物的形态包含在形态判定模型422的输出中概率最高的形态。输入的氧代谢性包含在代谢性判定模型423的输出中概率最高的氧代谢性。此外，样本中有可能包含多个微生物，因此微生物判定模型424所输出的概率值的总和无需是1。

微生物判定模型424根据存储有多个以样本图像、样本信息和患者信息作为说明变量、以样本图像中的微生物的特性(染色特性、形态、氧代谢性)和种类作为目标变量的数据组的监督数据，采用任意的监督式机器学习方法来创建。通过卷积层和池化层对样本图像反复进行处理，可提取图像特征量。通过将该图像特征量和图像以外的特征量结合形成一个特征量向量，用作监督式机器学习的说明变量。

如此操作，微生物推断模型42是输入样本图像、样本信息和患者信息，输出微生物的

运算部21将存储介质20中存储的计算机程序231读取到驱动部24，将所读取的计算机程序231存储在存储部23。运算部21按照计算机程序231执行第二检查辅助装置2所需的处理。此外，计算机程序231可从第二检查辅助装置2的外部下载。这种情况下，第二检查辅助装置2可不具备驱动部24。

另外，第二检查辅助装置2具备：接受来自工程师等操作者的操作的操作部25、显示图像的显示部26和通信部27。操作部25通过接受来自操作者的操作，接受文本等信息。操作部25例如是键盘或指示设备。显示部26例如是液晶显示器或EL显示器。通信部27与通信网络3连接，通过通信网络3与第二检查辅助装置2的外部的装置进行通信。第二检查辅助装置2可由多台计算机构成。例如，第二检查辅助装置2包含：至少具有操作部25和显示部26的平板或智能手机等终端装置和至少具有存储部23的服务器装置而构成。工程师等操作者操作终端装置。在终端装置与服务器装置之间进行处理所需的通信。服务器装置可设置在检查机构内，服务器装置的一部分或全部也可设置在检查机构外。

存储部23存储表示来自医疗机构的检查委托的内容的委托数据232。例如，运算部21可根据委托数据232，在显示部26显示与图9例示的辅助图像同样的图像。委托数据232可存储在第二检查辅助装置2外的存储装置中。存储装置与通信网络3连接，委托数据232可根据需要通过通信网络3从存储装置下载到第二检查辅助装置2。

另外，存储部23可存储由检查机构进行的检查的结果。例如，存储部23可存储镜检图像或培养图像。检查结果还可存储在第二检查辅助装置2外的存储装置中。

第二检查辅助装置2还具备：用于辅助检查机构的检查的学习模型即微生物推断模型42、菌落分类模型43和微生物综合判定模型44。微生物推断模型42对应于第二学习模型，菌落分类模型43对应于第三学习模型，微生物综合判定模型44对应于第四学习模型。微生物推断模型42以在输入了有关检查对象的患者的患者信息、对一部分样本或所培养的样本中的微生物菌落拍摄得到的样本图像、以及有关样本图像的样本信息的情况下输出推断样本中的微生物而得到的鉴定微生物的候选的可靠度的方式进行学习。样本信息包含样本的种类。菌落分类模型43以在输入了对使用样本进行分离培养拍摄得到的培养基的培养图像的情况下由培养图像提取微生物的菌落所反映的菌落图像、并将菌落图像分成一个或多个种类、再输出菌落图像的分类结果的形式进行学习。微生物综合判定模型44以在输入了通过多个检查方法鉴定样本中的微生物而得到的鉴定结果的情况下输出各检查方法中的鉴定结果的可信度的方式进行学习。

微生物推断模型42、菌落分类模型43和微生物综合判定模型44通过按照计算机程序231由运算部21执行信息处理来实现。存储部23存储实现微生物推断模型42、菌落分类模型43和微生物综合判定模型44而需要的数据。另外，微生物推断模型42、菌落分类模型43和微生物综合判定模型44可使用硬件来构成。例如，微生物推断模型42、菌落分类模型43和微生物综合判定模型44可包含处理器和存储必要的程序和数据的存储器而构成。另外，微生物推断模型42、菌落分类模型43和微生物综合判定模型44可使用量子计算机来实现。另外，微生物推断模型42、菌落分类模型43和微生物综合判定模型44可通过使用了第二检查辅助装置2外的计算机的云计算来实现。

微生物推断模型42包含染色特性判定模型421、形态判定模型422、代谢性判定模型423和微生物判定模型424。染色特性判定模型421、形态判定模型422、代谢性判定模型423和微生物判定模型424均为学习模型。染色特性判定模型421以在输入了样本图像的情况下输出样本中的微生物的染色特性的方式进行学习。形态判定模型422以在输入了样本图像和样本信息的情况下输出样本中的微生物的形态的方式进行学习。代谢性判定模型423以在输入了患者信息、样本图像和样本信息的情况下输出样本中的微生物的氧代谢性的方式进行学习。微生物判定模型424以在输入了患者信息、样本图像、样本信息、样本中的微生物的染色特性、微生物的形态和微生物的氧代谢性的情况下输出鉴定微生物的候选的可靠度的方式进行学习。

图17是说明微生物推断模型42的功能的说明图。染色特性判定模型421是输入样本图像，输出推断样本图像所反映的微生物的染色特性的结果。样本图像是指进行样本镜检时拍摄一部分样本而得到的镜检图像、或拍摄在分离培养时培养的微生物的菌落而得到的菌落图像。操作者对样本中的微生物进行革兰氏染色或抗酸菌染色等适当的染色，之后输入所拍摄的样本图像。染色特性判定模型421输出染色特性的概率作为推断染色特性的结果。

染色特性判定模型421根据存储有多个以染色后得到的样本图像作为说明变量、以通过工程师等操作者判定的革兰氏染色特性(即，对革兰氏染色呈阳性或阴性的信息)作为目标变量的数据组的监督数据，利用L1正规化逻辑回归等线性模型、或随机森林或CNN(Convolutional Neural Network)等非线性模型的任意的监督式机器学习方法创建。具体而言，以样本图像作为输入，通过省略图示的卷积层(convolutional layer)和池化层(pooling layer)反复进行处理，从而提取图像特征量，使用该图像特征量作为监督式机器学习的说明变量。此外，第二检查辅助装置2可使用规则库的程序等代替染色特性判定模型421来判定染色特性。

形态判定模型422是输入样本图像和样本信息，输出推断样本中的微生物形态的结果。染色特性的推断结果、微生物形态的推断结果、微生物的氧代谢性的推断结果和鉴定微生物的候选的可靠度。即，微生物推断模型42输出微生物具有特定的染色特性的概率、微生物为特定形态的概率、微生物为需氧性的概率、微生物为厌氧性的概率和样本中的微生物为特定微生物的概率。

存储部23存储包含用于学习微生物推断模型42的监督数据的第二监督数据库233。图18是示出第二监督数据库233的内容例的概念图。在图18所示的例子中，第二监督数据库233具有样本图像区域、样本信息区域、患者信息区域和判定结果区域。样本信息区域具有采集部位区域、样本材料区域、染色区域和观察倍率区域等。患者信息区域具有年龄区域、性别区域和目标微生物区域等。判定结果区域具有鉴定微生物区域、染色特性区域、形态区域和氧代谢性区域。

样本图像区域存储有样本图像。样本图像为镜检图像或菌落图像。采集部位区域存储有采集样本的采集部位。样本材料区域存储有样本的种类。染色区域存储有在创建样本图像时进行的染色的种类。观察倍率区域存储有创建样本图像时使用的显微镜的观察倍率。样本信息区域还可具有存储显微镜的种类等有关样本的各种条件的子区域。

年龄区域存储有患者在样本采集日的年龄。性别区域存储有患者的性别。目标微生物区域存储有检查委托中所含的目标微生物。患者信息区域可具有过往病史区域、临床症状区域等存储有关患者的各种信息的子区域。

鉴定微生物区域存储有通过各种检查鉴定的鉴定微生物。染色特性区域存储有鉴定微生物为革兰氏阴性或为革兰氏阳性等的染色特性。形态区域存储有鉴定微生物的形态。氧代谢性区域存储有鉴定微生物为需氧性或为厌氧性。各区域存储的信息彼此建立关联。第二监督数据库233根据过去进行的检查的结果来创建。

通过根据第二监督数据库233中存储的监督数据进行监督式机器学习，生成微生物推断模型42。例如，通过根据样本图像区域和染色特性区域进行机器学习，生成染色特性判定模型421。通过根据样本图像区域、样本信息区域和形态区域进行机器学习，生成形态判定模型422。通过根据样本图像区域、样本信息区域、患者信息区域和氧代谢性区域进行机器学习，生成代谢性判定模型423。通过根据样本图像区域、样本信息区域、患者信息区域、染色特性区域、形态区域、氧代谢性区域和鉴定微生物区域进行机器学习，生成微生物判定模型424。

此外，第二监督数据库233还可不存储在存储部23中。例如，第二监督数据库233还可存储在第二检查辅助装置2外的存储装置中，可在第二检查辅助装置2外进行微生物推断模型42的学习。另外，微生物推断模型42包含染色特性判定模型421、形态判定模型422、代谢性判定模型423和微生物判定模型424的构成是一个例子，微生物推断模型42的构成可以是其他构成。

菌落分类模型43是输入培养图像，输出菌落图像的分类结果。图19是示出培养图像的例子的示意图。培养图像反映所培养的微生物的菌落。图19示出分别存在多个多种微生物的菌落的例子。

图20是说明菌落分类模型43的功能的说明图。菌落分类模型43包含区域提取部431、特征量提取部432和分类部433。区域提取部431例如通过二值化等进行划分的图像处理，有效地创建监督图像数据，采用对其进行监督式机器学习的Faster R-CNN、SSD、YOLO或U－net等任意的区域提取方法，从培养图像提取拍摄有1个菌落的区域的候选。此外，通过使用基于面积和长宽比等的规则库的提取器对提取的区域候选缩小范围，可削减菌落分类模型43的计算量。

特征量提取部432例如采用自编码器、变分自编码器(Variational Autoencoder：VAE)、条件变分自编码器(Conditional Variational Autoencoder：CVAE)、CNN、尺度不变特征转换(Scale Invariant Feature Transform：SIFT)、加速稳健特征(Speeded UpRobust Features：SURF)或方向梯度直方图(Histogram of Oriented Gradients：HOG)等任意的图像特征量提取方法，提取各个区域候选的特征量。通过反复进行利用区域提取部431进行的区域候选的提取和利用特征量提取部432进行的特征量的提取，由培养图像生成多个区域候选与特征量的组。区域提取部431所提取的区域是微生物的菌落所反映的菌落图像。

分类部433例如采用k－means(k均值)法等任意的聚类方法，对通过区域提取部431提取的菌落图像的图像特征量进行聚类。在培养基中形成有多种微生物菌落的情况下，菌落的外观根据微生物的种类而不同。因此，通过进行聚类，在特征量空间将菌落图像按微生物的种类进行分类。

图21是显示菌落图像的分类结果的例子的示意图。在图21所示的例子中，在培养基上总计形成七个菌落，提取七个菌落图像。特征量空间中的七个菌落图像分为包含四个菌落图像的聚类A和包含三个菌落图像的聚类B。图21显示各菌落图像所属的聚类名称。以特征量空间中距各聚类的中心最近且代表聚类的特征量的菌落图像作为各聚类的代表。在图21中，将作为各聚类的代表的菌落图像用粗框圈起来进行显示。

如此，菌落分类模型43通过非监督机器学习由培养图像提取菌落图像，可将菌落图像分类。菌落分类模型43输出由培养图像提取的菌落图像、各菌落图像的特征量、各菌落图像所属的聚类和作为各聚类的代表的菌落图像作为菌落图像的分类结果。菌落图像可用作输入到微生物推断模型42中的样本图像。菌落分类模型43根据图像特征量将菌落图像分类，不进行形成了菌落的微生物的推断。关于已分类的各菌落图像的微生物的鉴定通过微生物推断模型42来进行。即使是微生物为新种的情形或微生物发生了变异的情形等难以鉴定微生物的情形，也可通过菌落分类模型43进行菌落图像的分类。另外，菌落图像的分类结果可用于选择进行钓菌的菌落。

此外，菌落分类模型43包含区域提取部431、特征量提取部432和分类部433的构成是一个例子，菌落分类模型43的构成可以是其他构成。菌落分类模型43可采用RCNN、FastRCNN、Faster RCNN、SSD或YOLO等任意的物体检测算法。

微生物综合判定模型44输入通过多个检查方法得到的微生物的鉴定结果，输出通过各检查方法得到的鉴定结果的可信度。微生物综合判定模型44根据存储有多个以通过多个检查方法得到的微生物的鉴定结果作为说明变量、以通过工程师等操作者判断鉴定结果的可靠度的结果作为目标变量的数据组的监督数据，采用L1正规化逻辑回归或NN等任意的监督式机器学习方法来创建。此外，第二检查辅助装置2可使用规则库的程序等代替微生物综合判定模型44来判定鉴定结果的可信度。

存储部23存储包含用于学习微生物综合判定模型44的监督数据的第三监督数据库234。图22是显示第三监督数据库234的内容例的概念图。在图22所示的例子中，第三监督数据库234具有鉴定结果区域和可靠度区域。各区域所存储的信息彼此建立了关联。在鉴定结果区域存储有通过各检查方法鉴定微生物而得到的结果。鉴定结果区域具有涂片镜检区域、培养鉴定区域、TOF－MS区域等分别对应于多个检查方法的子区域。

在可靠度区域存储有由工程师等操作者判断基于各检查方法的鉴定结果的可靠度而得到的结果。可靠度区域具有涂片镜检区域、培养鉴定区域、TOF－MS区域等对应于鉴定结果区域的各子区域的子区域。第三监督数据库234具有关于判断可靠度的一系列检查的一个记录。

在鉴定结果区域所含的涂片镜检区域存储有通过涂片镜检鉴定的微生物的种类。在培养鉴定区域存储有通过培养鉴定而鉴定的微生物的种类。在TOF－MS区域存储有通过TOF－MS鉴定的微生物的种类。机器学习方法的输入输出为数值，说明变量在转换成数值后输入到微生物综合判定模型44中。因此，在通过各种检查方法鉴定的微生物符合表示特定微生物的类别变量的情况下、或者为特定微生物的情况下用1的虚拟变量等数值来表现，不是这样的情况下用0的虚拟变量等数值来表现。

此外，有时会通过一种检查鉴定多个微生物。图22示出在一个TOF－MS区域存储有鉴定两个微生物的结果的例子。对于这样的多个微生物的组合，也要分配由表示各微生物的有无的虚拟变量构成的热向量等固有数值。即，在图22中为方便起见示出了记载有两个微生物的例子，但在第三监督数据库234内存储有一个数值。

可靠度区域所含的涂片镜检区域存储有是否判断为涂片镜检的结果具有可靠度。培养鉴定区域存储有是否判断为培养鉴定的结果具有可靠度。TOF－MS区域存储有是否判断为TOF－MS的结果具有可靠度。图22所示的例子中，在可靠度区域“1”是指判断为具有可靠度、“0”是指判断为不具有可靠度、“－”是指未实施检查。第三监督数据库234根据过去进行的检查的结果来创建。

通过根据第三监督数据库234中存储的监督数据进行监督式机器学习，生成微生物综合判定模型44。此外，第三监督数据库234还可不存储在存储部23。例如，第三监督数据库234还可存储在第二检查辅助装置2外的存储装置中，可在第二检查辅助装置2外进行微生物综合判定模型44的学习。

第二检查辅助装置2进行用于辅助检查作业和检查结果的评价的处理。图23和24是示出第二检查辅助装置2执行的处理的顺序的流程图。运算部21按照计算机程序231执行以下处理。运算部21根据工程师等操作者操作操作部25而得到的处理开始的指示，在显示部26显示用于辅助检查作业和检查结果的评价的检查辅助图像(S201)。在S201中，运算部21通过操作者的操作接受患者ID等用于识别检查对象的患者的信息，显示有关患者的检查辅助图像。

图25是示出检查辅助图像的例子的示意图。检查辅助图像包括：用于显示各种检查的结果的个别检查栏61、用于综合显示通过多个检查方法得到的结果的综合栏66、用于显示验证检查结果而得到的结果的验证栏67。在图25所示的例子中，个别检查栏61包括：用于显示涂片镜检的检查结果的镜检栏62、用于显示培养鉴定的检查结果的培养栏63。另外，个别检查栏61包括：用于显示TOF－MS的检查结果的质量分析栏64、用于显示基因检查的检查结果的基因检查栏65。

接下来，运算部21判定是否具有镜检图像(S202)。例如，在由操作者进行患者样本镜检，将镜检图像存储在存储部23的情况下，运算部21判断为具有镜检图像。另外，例如在与通信网络3连接的第二检查辅助装置2外的存储装置中存储着有关患者的镜检图像的情况下，运算部21判断为具有镜检图像。另外，例如在向通信部27输入镜检图像的情况下，运算部21判断为具有镜检图像。

在具有镜检图像的情况下(S202：YES)，运算部21获取有关患者的镜检图像、样本信息和患者信息(S203)。例如，运算部21从存储部23读出镜检图像，或者通过通信网络3从第二检查辅助装置2外的存储装置读出镜检图像。样本信息与镜检图像建立关联后存储，运算部21获取与镜检图像建立了关联的样本信息。运算部21可从委托数据232读出一部分样本信息。另外，运算部21从委托数据232读出患者信息。S203的处理对应于第二获取部。

接下来，运算部21向微生物推断模型42中输入镜检图像、样本信息和患者信息(S204)。在S204中，运算部21通过规则库等方法将样本信息和患者信息转换成数值，向微生物推断模型42中输入对应于样本信息和患者信息的数值。微生物推断模型42根据镜检图像、样本信息和患者信息的输入，输出微生物的染色特性的推断结果、微生物形态的推断结果、微生物的氧代谢性的推断结果和鉴定微生物的候选的可靠度。S204的处理对应于第二输入部。

运算部21输出基于镜检图像的微生物的推断结果(S205)。在S205中，运算部21在显示部26显示包含镜检栏62的检查辅助图像，所述镜检栏62显示镜检图像、并显示微生物的染色特性的推断结果、微生物形态的推断结果、微生物的氧代谢性的推断结果、鉴定微生物的候选和鉴定微生物的候选的可靠度。S205的处理对应于第二输出部。

图26是示出镜检栏62的例子的示意图。运算部21在镜检栏62显示镜检图像。另外，运算部21在镜检栏62显示微生物推断模型42输出的微生物的染色特性、形态和氧代谢性的推断结果、以及鉴定微生物的候选和该候选的可靠度。图26显示推断为样本中所含的微生物为革兰氏阳性需氧性球菌、且其为葡萄球菌的概率为95％的例子。在镜检图像的上侧用数字“1”、“2”、“3”显示镜检图像的切换按钮。操作者操作操作部25来操作切换按钮，从而能够切换拍摄同一样本而得到的多个镜检图像并进行观察。

接下来，运算部21利用检查辅助图像，通过操作者操作操作部25接受鉴定微生物(S206)。如图26所示，镜检栏62包含：与各鉴定微生物的候选建立了对应的复选框并排而得到的确定列。操作者参照所显示的微生物的染色特性、形态和氧代谢性的推断结果和鉴定微生物的概率，在明确了不脱离医疗相关指南、医疗机构的运用方针、学术见解等判断依据后，通过自己的判断选择鉴定微生物。操作者操作操作部25，选择任一个复选框，从而选择对应于复选框的鉴定微生物。运算部21用黑矩形显示接受了选择的复选框。图26示出鉴定微生物为“葡萄球菌”的例子。如此操作，确定通过镜检鉴定的鉴定微生物。利用微生物推断模型42输出与患者信息、样本图像和样本信息相符的鉴定微生物的候选的可靠度，因此操作者在确认所输出的候选的可靠度后，能够适当地确定鉴定微生物。

在S206结束后、或者在没有镜检图像的情况下(S202：NO)，运算部21判定是否具有培养图像(S207)。例如，通过操作者对患者的样本进行微生物的分离培养，在培养图像存储在存储部23中的情况下，运算部21判断为具有培养图像。另外，例如在与通信网络3连接的第二检查辅助装置2外的存储装置中存储着有关患者的培养图像的情况下，运算部21判定为具有培养图像。另外，例如在向通信部27输入培养图像的情况下，运算部21判定为具有培养图像。

在具有培养图像的情况下(S207：YES)，运算部21获取有关患者的培养图像、样本信息和患者信息(S208)。例如，运算部21从存储部23读出培养图像，或者通过通信网络3从第二检查辅助装置2外的存储装置读出培养图像。样本信息与培养图像建立关联后存储，运算部21获取与培养图像建立了关联的样本信息。运算部21可从委托数据232读出一部分样本信息。另外，运算部21从委托数据232读出患者信息。

接下来，运算部21向菌落分类模型43中输入培养图像(S209)。菌落分类模型43根据培养图像的输入来输出菌落图像的分类结果。接下来，运算部21输出菌落图像的分类结果(S210)。在S210中，运算部21获取菌落分类模型43所输出的一个或多个菌落图像。另外，运算部21在显示部26显示包含培养栏63的检查辅助图像，所述培养栏63显示培养图像、并显示培养图像所含的菌落图像的分类结果。S208和S210的处理对应于第二获取部。

图27是示出培养栏63的例子的示意图。运算部21在培养栏63显示培养图像。培养图像中的微生物的菌落所反映的区域用圆圈包围，用圆圈包围的区域是各自的菌落图像。另外，菌落图像根据微生物的种类进行区别显示。在图27所示的例子中，分为区域较大的种类和区域较小的种类，并显示两种菌落图像。运算部21将包围菌落图像的线的形状或颜色按种类进行变更，从而可按微生物的种类显示菌落图像。如此，利用菌落分类模型43，能够容易地从培养图像获得按微生物的种类分类的菌落图像。

在图27所示的例子中，在培养图像的上侧用数字“1”、“2”、“3”显示培养图像的切换按钮。操作者通过操作操作部25来操作切换按钮，能够切换由同一样本进行培养后拍摄的多个培养图像并进行观察。

接下来，运算部21向微生物推断模型42中输入关于各菌落图像的由菌落分类模型43输出的菌落图像、样本信息和患者信息(S211)。在S211中，运算部21通过规则库等方法将样本信息和患者信息转换成数值，向微生物推断模型42中输入对应于样本信息和患者信息的数值。微生物推断模型42根据菌落图像、样本信息和患者信息的输入，输出关于各菌落图像的微生物的染色特性的推断结果、微生物形态的推断结果、微生物的氧代谢性的推断结果和鉴定微生物的候选的可靠度。此外，在S211中，操作者通过利用检查辅助图像操作操作部25，选择所显示的培养图像中包含的一个或多个菌落图像，运算部21还可向微生物推断模型42中输入所选择的菌落图像。S211的处理对应于第二输入部。

运算部21输出关于各菌落图像的基于菌落图像的微生物的推断结果(S212)。在S212中，运算部21在显示部26显示包含培养栏63的检查辅助图像，所述培养栏63显示菌落图像、并显示关于各菌落图像的鉴定微生物的候选。运算部21在培养栏63显示关于各菌落图像的由微生物推断模型42输出的鉴定微生物的候选的可靠度。S212的处理对应于第二输出部。图27所示的培养栏63包含显示鉴定微生物的候选的名称的种类列。各菌落图像与种类列所含的鉴定微生物的候选的名称建立关联后显示。图27所示的培养栏63包含以概率(百分率)表示鉴定微生物的候选的可靠度的推荐列。推荐列中所含的可靠度进一步与各菌落图像建立关联后显示，所述各菌落图像已与鉴定微生物的候选的名称建立了关联。

图27中显示推断为培养图像中包含“沙门氏菌”的菌落图像和“肠球菌”的菌落图像的状态。在操作者选择了微生物名称右侧所显示的复选框的情况下，运算部21将反映所选择的微生物菌落的菌落图像从概率高的方向起用圆仅包围规定的数来显示。即，通过由操作者使用操作部25操作复选框，运算部21将标记由操作者指定的微生物构成的菌落图像并显示在显示部26。

在图27所示的例子中，表示用粗线的圆、细线的圆和虚线的圆圈起来的各菌落图像为反映“沙门氏菌”的菌落的图像的可靠度的概率分为为95％、88％和75％。即，运算部21根据由微生物推断模型42输出的概率，将菌落图像作上记号显示在显示部26。此外，记号并不限于包围菌落图像的圆。例如，可使用箭头状的指针或多边形的框等任意形式的记号。此外，运算部21也可显示关于各菌落图像的微生物的染色特性、形态和氧代谢性的推断结果。

接下来，运算部21利用检查辅助图像，通过由操作者操作操作部25，接受鉴定微生物(S213)。如图27所示，培养栏63中包含与各鉴定微生物的候选建立了对应的复选框并排而形成的确定列。操作者参照所显示的鉴定微生物的候选的可靠度，通过自己的判断选择鉴定微生物。操作者操作操作部25，选择任一个复选框，从而选择对应于复选框的鉴定微生物。运算部21用黑矩形显示接受了选择的复选框。图27显示鉴定微生物为“沙门氏菌”的例子。如此操作，确定通过分离培养鉴定的鉴定微生物。利用微生物推断模型42输出与菌落图像相符的鉴定微生物的候选的可靠度，因此操作者在确认了所输出的候选的可靠度后，能够适当地确定鉴定微生物。

接下来，运算部21判定是否进行钓菌(S214)。例如，运算部21在显示部26显示用于促进是否进行钓菌的选择的消息，通过由操作者操作操作部25，接受是否进行钓菌的选择。在接受了进行钓菌的选择的情况下，运算部21判定为进行钓菌。在进行钓菌的情况下(S214：YES)，运算部21接受应从分离培养后的培养基采集微生物的菌落的指定(S215)。

在图27所示的例子中，在推断为“沙门氏菌”的微生物的菌落图像所属的聚类中，距特征量空间的中心最近且代表聚类的代表菌落图像用粗线的圆圈起来。另外，距特征量空间的中心坐标最远的边界菌落用虚线的圆圈起来，代表菌落与边界菌落的中间的菌落用细线的圆圈起来。

在存在多个推断为同一微生物菌落的菌落的情况下，希望优先选择对应于代表菌落图像的菌落进行钓菌。在由同一微生物的多个菌落进行钓菌的情况下，希望在对应于代表菌落图像的菌落之后优先选择对应于边界菌落的菌落。通过使用如图27所示的培养图像，操作者可适当地选择进行钓菌的菌落。

操作者通过操作操作部25进行双击等操作，选择菌落图像。作为应从培养基采集微生物的菌落，指定了对应于所选择的菌落图像的菌落。运算部21在所选择的菌落图像中重叠显示选择标记631。由于菌落图像是按微生物的种类进行显示的，所以操作者按微生物的种类指定菌落会变得容易。

运算部21在未图示的自动钓菌装置中进行钓菌控制，执行从指定的菌落采集微生物的钓菌(S216)。例如，自动钓菌装置与通信网络3连接，或者与第二检查辅助装置2连接。例如，在S216中，运算部21根据所选择的菌落图像在培养图像中的位置，特定所指定的菌落在培养基中的位置，将特定的位置发送给自动钓菌装置，自动钓菌装置采集位于特定的位置的微生物。所采集的微生物在检查中用作样品。

S216结束后，在无培养图像的情况下(S207：NO)、或未进行钓菌的情况下(S214：NO)，运算部21获取除镜检和培养鉴定以外的其他检查的检查结果(S217)。例如，其他的检查结果存储在存储部23中，运算部21从存储部23读出有关患者的其他检查结果。运算部21还可通过通信网络3从第二检查辅助装置2外的存储装置读出其他检查结果。

运算部21输出其他检查结果(S218)。在S218中，运算部21在显示部26显示包含其他检查结果的检查辅助图像。作为其他检查结果，显示通过其他检查鉴定的鉴定微生物的候选和该候选的可靠度。在图25所示的例子中，个别检查栏61包括质量分析栏64和基因检查栏65。

图28是示出质量分析栏64和基因检查栏65的例子的示意图。质量分析栏64显示利用TOF－MS分析样本而得到的结果。在图28所示的例子中，样本中所含的微生物为“沙门氏菌”的可靠度(概率)为95％，其为“葡萄球菌”的可靠度为95％。基因检查栏65显示采用PCR分析样本而得到的结果。运算部21可使用检查辅助图像进一步显示其他检查的检查结果。

接下来，运算部21利用检查辅助图像，通过由操作者操作操作部25，接受鉴定微生物(S219)。如图28所示，质量分析栏64包含与各鉴定微生物的候选建立了对应的复选框并排而形成的确定列。操作者参照所显示的鉴定微生物的概率，通过自己的判断选择鉴定微生物。操作者操作操作部25，选择任一个复选框，从而选择对应于复选框的鉴定微生物。运算部21用黑矩形显示接受了选择的复选框。图28显示鉴定微生物为“沙门氏菌”和“葡萄球菌”的例子。如此操作，确定通过其他检查鉴定的鉴定微生物。即使是进一步显示其他检查的检查结果的情形，也进行同样的操作，进行鉴定微生物的受理。

接下来，运算部21根据多个检查方法的检查结果判定是否进行综合地进行判定的综合判定(S220)。例如，在必要的检查全部完毕的情况下，运算部21判定为进行综合判定。在不进行综合判定的情况下(S220：NO)，运算部21结束用于辅助检查作业和检查结果的评价的处理。

在进行综合判定的情况下(S220：YES)，运算部21向微生物综合判定模型44中输入通过多个检查方法得到的微生物的鉴定结果(S221)。微生物综合判定模型44根据微生物的鉴定结果的输入，以概率输出各检查方法的鉴定结果的可信度。运算部21输出各检查方法的鉴定结果的可信度(S222)。在S222中，运算部21在显示部26显示包含综合栏66的检查辅助图像，所述综合栏66显示关于多个检查方法的各自的鉴定微生物、并显示鉴定结果的可信度。

图29是显示综合栏66的例子的示意图。综合栏66一览显示通过多个检查方法鉴定的鉴定微生物。综合栏66所含的推荐列的数字显示通过作为鉴定方法而显示的各检查方法鉴定微生物的结果的可信度。按检查方法得到鉴定结果的可信度，操作者可参考可信度来评价检查结果。综合栏66包含药物敏感性试验的结果。此外，通过由确认了综合栏66中显示的内容的操作者操作操作部25，还可选择应报告的检查结果。

接下来，运算部21判定是否存在：在多个检查结果和检查委托之间存在分歧的异常(S223)。在S223中，运算部21将多个检查结果与委托数据232所表示的检查委托的内容进行比较，判定彼此是否存在分歧。接下来，运算部21根据S223中的判定结果，输出异常检测、微生物的名称不一致和微生物的特征不一致的结果(S224)。在S224中，运算部21在显示部26显示包含验证栏67的检查辅助图像，所述验证栏67显示异常检测、微生物的名称不一致和微生物的特征不一致的结果。

图30是显示验证栏67的例子的示意图。验证栏67包含异常检测栏671、名称不一致栏672和特征不一致栏673。异常检测栏671显示是否存在对比了检查结果和检查委托的异常。例如，在检查委托中所含的检查项目与实际进行的检查内容存在分歧的情况下显示为“+”，以显示存在异常。另外，例如在检查委托中所含的患者信息与检查结果存在分歧的情况下、或者在检查委托中所含的目标微生物的名称与鉴定微生物的名称存在分歧的情况下显示为“+”，以显示存在异常。

在名称不一致栏672中表示检查委托中所含的目标微生物与鉴定微生物之间的名称是否不一致。在图30所示的例子中，目标微生物为“沙门氏菌”和“肠炎弧菌”，鉴定微生物为“沙门氏菌”和“葡萄球菌”，目标微生物与鉴定微生物不完全一致。在目标微生物与鉴定微生物的名称不一致的情况下显示为“+”，以显示名称不一致。

在特征不一致栏673中显示通过镜检得到的微生物的特征与通过观察分离培养的微生物而得到的微生物的特征之间是否存在不一致。例如，显示在通过使用了镜检图像的处理得到的微生物的特征与通过使用了培养图像的处理得到的微生物的特征之间是否存在不一致。在图30所示的例子中，革兰氏染色的特性与微生物的形态不一致。在微生物的特征不一致的情况下显示为“+”，以显示特征不一致。

接下来，运算部21接受关于异常的确认(S225)。操作者研究是否存在验证栏67中显示的异常和异常的内容，判断是否存在问题。在存在问题的情况下，进行重新检查的实施等作业。在判断为没有问题的情况下，操作者操作操作部25，输入验证栏67所显示的检查标记。通过输入检查标记，运算部21接受关于异常的确认。综合采用多个检查方法实施的检查结果进行验证，从而能够检测检查的失误和遗漏等麻烦的可能性。

接下来，运算部21向医疗机构发送由检查机构进行的有关患者的检查结果(S226)。在S226中，运算部21例如在通信部27经由通信网络3将检查结果发送给由医疗机构管理的计算机。例如，检查结果被发送给第一检查辅助装置1。第二检查辅助装置2在此之前结束用于辅助检查作业和检查结果的评价的处理。

如上所述，在本实施方式中，第二检查辅助装置2辅助以下内容：显示图25中例示的检查辅助图像，工程师等操作者进行检查，评价检查结果。第二检查辅助装置2使用微生物推断模型42，从患者信息、样本图像和样本信息生成推断样本中的微生物而得到的鉴定微生物的候选和该候选的可靠度。由于可获取与患者信息、样本图像和样本信息相符的鉴定微生物的候选和候选的可靠度，因此操作者能够容易地进行在确认鉴定微生物的候选和候选的可靠度后，适当地确定鉴定微生物。因此，不会过度依赖操作者的个人技能，能够以稳定的品质进行用于鉴定微生物的检查。因此，可实现鉴定微生物的检查的效率化。

此外，在本实施方式中，虽然示出了用采集部位和样本材料表示样本内容的例子，但样本内容可仅用采集部位来表示，也可仅用样本材料来表示。另外，在本实施方式中，虽然主要示出了微生物为细菌的例子，但关于病毒等细菌以外的微生物，也可进行同样的处理。另外，在本实施方式中，虽然示出了分别存在一个医疗机构和一个检查机构的例子，但医疗机构或检查机构可以是多个。例如，存在多个医疗机构，多个第一检查辅助装置1与通信网络连接，检查机构可从多个医疗机构接受检查委托。

本发明并不限于上述实施方式的内容，在权利要求所示的范围内可进行各种变更。即，本发明的技术范围还包括：将在权利要求所示的范围内进行适当变更而得到的技术手段组合得到的实施方式。