信息处理系统、生物样品处理装置和程序

技术领域

本公开涉及信息处理系统、生物样品处理装置和程序。

背景技术

最近，开发了一种诊断支持系统，其中，通过基于作为病理图像等的医疗图像的学习模型输出诊断估计结果来支持医生的诊断等。

引用列表

专利文献

专利文献1：WO 2020/174863 A

发明内容

技术问题

然而，当使用数字化的医疗图像进行人工智能(AI)的诊断支持时，如果学习的图像的域不同于要用于估计(在下文中，也称为判断)诊断结果的图像的域，则可能不能获得足够的估计准确度(也称为判断系统)。

因此，本公开提出了能够提高估计准确度的信息处理系统、信息处理装置以及信息处理方法。

问题的解决方案

为了解决上述问题，根据本公开的实施方式的信息处理系统包括：获取单元，配置为基于用于生成经学习的模型的学习数据的特征值来获取调整信息，经学习的模型估计患者或受试者的健康状况；处理单元，配置为基于调整信息对待判断的生物样品执行处理；以及估计单元，配置为通过向经学习的模型输入通过处理获取的测量数据来估计诊断结果。

附图说明

图1是示出根据实施方式的诊断支持系统的整体示意性示例的示意图。

图2是示出了模拟过程、在每个模拟过程中使用的设备和药品以及期望由每个模拟过程对数字参数施加的影响的示例的示图。

图3是示出了病理工作流的特定示例的流程图。

图4是示出了根据实施方式的学习数据集和特征参数集的示例的示图。

图5是示出根据实施方式的信息处理系统的示意性配置示例的框图。

图6是示出了根据实施方式的诊断支持系统的示意性配置示例的示图。

图7是示出根据本实施方式的导出装置的配置示例的框图。

图8是示出了根据实施方式的学习模型的学习的示图。

图9是示出根据实施方式的使用经学习的模型估计诊断结果的情况下的操作的示图。

图10是示出根据实施方式的使用预处理模型来执行第一预处理的情况下的操作的示图。

图11是示出根据实施方式的学习模型的再学习的示图。

图12是示出了根据实施方式的用于参数调整的用户界面的示例的示图。

图13是示出根据实施方式的用于参数调整的用户界面的另一示例的示图。

图14是示出根据实施方式的模型管理表的示例的示图。

图15是示出了根据实施方式的用于模型选择的用户界面的示例的示图。

图16是示出了实现根据本公开的技术的计算机的示例的硬件配置图。

具体实施方式

在下文中，将参考附图详细描述本公开的实施方式。另外，在以下的实施方式中，对相同的部分标注相同的附图标记，省略重复的说明。

将根据以下项目顺序描述本公开。

0.介绍

1.实施方式

1.1概述

1.2病理工作流中的模拟过程

1.3学习数据集的示例

1.4信息处理系统的概要

1.5系统配置

1.6导出装置

1.7学习模型的学习

1.8使用学习模型的诊断结果的估计

1.9使用神经网络的预处理

1.10预处理模型的学习(迁移学习)

1.11生成/更新预处理模型的方法

1.11.1学习模型是白盒的情况

1.11.2学习模型是黑盒的情况

1.11.3其他

1.12通过模型选择改进估计准确度

1.13格式统一

1.14用于数字参数调整的用户界面的示例

1.15用于模型选择的用户界面的示例

2.硬件配置

0.介绍

为了提高医疗支持系统的估计准确度，需要使用大量的医疗图像作为学习数据来学习(也称为训练)学习模型。然而，难以在一个医疗设施中收集足够量的医疗信息。因此，可以想到将通过学习大量学习数据而获得的学习模型引入个体医疗设施。然而，由于医疗设备、它的设备特性和测量条件等从一个医疗设施到另一个医疗设施是不同的，所以用于学习学习模型的学习数据的特征和在个体医疗设施中获取的测量数据的特征常常是不同的，即，学习数据的域和测量数据的域常常是不同的。因此，有时难以足够的准确度地估计诊断结果。

为了解决这个问题，在以下实施方式中，在关注于通过诸如切片、染色以及扫描的各种物理处理将诸如病理载玻片的医疗图像数字化的事实的同时，提出了包括转移学习的预处理，其中，对反映为参数的这些处理之间的差异进行校准，从而能够提高估计准确度。

此外，下面的实施方式还提出了用于向用户提供反馈的配置。在该配置中，例如，将由诸如当获取医疗图像时使用的测量装置(类型、型号等)及其设备特性和测量条件(包括环境条件、设定值等)的因素(在下文中，这些因素统称为物理条件)确定的参数分类为可以数字调整的参数和不能数字调整的参数，然后将使得根据该分类改变病理的数字/模拟过程的设置(诸如盖玻片的类型、病理部分的厚度、药物和染色时间)的反馈提供给用户。

此外，以下实施方式还提出了一种配置，用于将能够基于用于学习的图像或其特征确保准确性的特征值的范围可视化，以能够检查经过转换的判断目标图像的特征值是否落入该范围内。在这种情况下，可以提供用于将经过转换的判断目标图像呈现使得人可以检查该图像的装置。

此外，为了应对前所未有的病例，对从最接近该病例的图像的图像组生成的学习模型进行迁移学习的情况下，以下实施方式还提出了使得能够基于病例的图像和候选图像组的各图像之间的特征的近似来选择要进行迁移学习的学习模型的配置。

1.实施方式

1.1概述

在下文中，将描述根据本公开的实施方式的诊断支持系统(信息处理系统、信息处理装置和信息处理方法)的整体概述。图1是示出根据本实施方式的诊断支持系统的整体示意性示例的示意图。

如图1所示，在该实施方式中，例如，通过使用在能够收集用于学习的足够量的医疗信息的医院A中收集的一组学习数据(在下文中称为学习数据集)对AI 2进行学习，AI 2估计用于支持诸如医生或病理学家等用户的诊断的信息。经学习的AI 2被引入其他医院B至E。应注意，医院A可以是例如能够收集大量医疗信息的医疗设施，诸如研究机构和大学医院，并且其他医院B至E可以是例如各种医疗设施，诸如研究机构、大学医院、私人医院、医生办公室和诊所。

在该引入中，在医院A与其他医院B至E中的医疗设备、设备特性、测量条件等不同的情况下，当将使用在医院A中收集到的学习数据集经过学习的AI 2无所改变地引入到其他医院的情况下，有时由于医院A中收集到的学习数据的特征与在其他医院获取到的要判断的测量数据的特征之间的差异，即在学习中使用的学习数据与要判断的测量数据的域之间的差异，难以以足够的准确度估计诊断结果。

由此，在本实施方式中，执行将在另一医院(例如，医院B)中获取的测量数据的特征接近于用于AI 2学习的学习数据集的特征的预处理。要注意的是，学习数据集的特征可以是例如构成学习数据集的学习数据的特征值(在后文中也称为参数)的分布或平均值。

本实施方式示出学习数据和测量数据是通过对从患者获取的组织切片成像而获得的图像数据的情况。在这种情况下，学习数据和测量数据的特征可以是例如学习数据和测量数据的亮度(其可以是色调)、色相、白平衡、伽马值、色表等。然而，注意，虽然不限于此，但是学习数据和测量数据可以是诸如文本数据和波形数据(包括声音数据)的各种数据组或者这些数据组中的两个或更多个的混合数据。例如，在学习数据和测量数据是文本数据的情况下，它们的特征可以是语言类型(日语、英语等)、语法模式(习惯等)、同义词/准同义词的差异等。

根据本实施方式的预处理可以包括调整(也称为校正)所获取的测量数据的特征的处理(以下称为第一预处理)以及在获取测量数据的处理(在本说明书中也称为模拟过程)中调整/改变测量条件等的处理(以下称为第二预处理)。

第一预处理是针对在所谓的迁移学习中被称为问题的域自适应的处理。在第一预处理中，数字化的测量数据的特征被直接调整，以便接近于AI 2学习所使用的学习数据的特征。该调整可自动或手动执行。在手动调整的情况下，例如，可以向用户提供诸如对照玻片的用户界面，以便调整诸如亮度(其可以是色调)、色相、白平衡、伽马值和色表的特征值(下文中也称为数字参数)。在这种情况下，该用户界面可以在将测量数据输入到经学习的AI 2的阶段被提供给用户，或者可以在获取测量数据时提供给用户。换言之，用于调整数字参数的用户界面可以被提供给基于测量数据执行判断的判断装置，或者可以被提供给获取测量数据的测量装置。

注意，数字参数可以是通过数字处理可以调整的各种特征值，诸如亮度(其可以是色调)、色相、白平衡、伽马值和色表。另外，在图像数据被用作学习数据的本实施方式中，数字参数可以具有与上述学习数据和测量数据的特征相同的含义。

另一方面，在第二预处理中，指定针对获取测量数据时所推荐的物理条件(以下称为模拟参数)，使得通过测量获取的测量数据的特征与用于AI 2学习的学习数据的特征近似。例如，经由病理系统20的显示装置24将指定的模拟参数呈现给用户。例如，用户根据如此呈现的模拟参数来调整/改变测量条件等。这使得可以将测量数据的域近似于在测量阶段(即，在模拟处理中)的学习数据集的域，并且因此可以便于将经历使用在医院A中收集的学习数据集的学习的AI 2的学习迁移到医院B至E。

模拟参数可以包括在获取学习数据或测量数据时在模拟过程中用户手动调整的各种参数以及例如不能通过数字处理调整的各种参数。例如，在测量对象是被染色的组织切片的情况下，各种参数包括组织切片的类型、厚度等、从块切下组织切片的切片器的类型、型号、制造商等、用于染色的染色标记的类型、制造商、染色浓度、染色时间等、用于染色的染色机的类型、型号、制造商等、封装组织切片的盖玻片的材料、厚度等、拍摄图像的照相机(也称为扫描仪)的模型、制造商、伽马值、压缩率等、激发光源的类型、制造商、输出瓦特数等。此外，在本实施方式中，模拟参数可以包括诸如在获取测量数据时的温度、湿度和照度等的信息以及诸如获取测量数据的技术人员和医生的信息作为参数。

1.2病理工作流中的模拟过程

这里，图2示出了汇总了在测量对象是组织切片的情况下病理工作流中的模拟过程的示例、在每个模拟过程中使用的设备和药品的示例以及期望由每个模拟过程施加在数字参数上的影响的示例的表格。

如图2所示，模拟过程的示例包括“固定”、“脱水至包埋”、“切片”、“染色”、“封装”以及“成像”。

在“固定”中，例如，将生物块浸入福尔马林溶液中以进行化学处理以保护生物样品免于由于自溶或衰变而降解。该过程可间接影响通过对生物样品成像而获得的图像的色相。

在“脱水至包埋”中，使用例如诸如乙醇或丙酮的水溶液对固定的生物块进行脱水。然后，使用包埋剂，如树脂和石蜡，包埋脱水的生物块。该过程可间接影响通过对生物样品成像而获得的图像的色相。

在“切片”中，例如，使用切片机等从包埋的生物块切下薄切片。切割的薄切片的厚度可以直接影响通过对生物样品成像获得的图像的亮度。另外，也可以间接影响图像的色相和颜色。

在“染色”中，使用一种试剂对切割的薄切片进行染色。用于染色的染色剂、染色浓度和染色时间可影响通过对生物样品成像而获得的图像的色相。

在“封装”中，例如，将染色的薄切片放置在载玻片上并且盖片(盖玻片或覆盖膜)覆盖这个薄切片，从而制备薄切片的样本。另外，由盖片覆盖的薄切片样本通过预定的干燥处理进行干燥。在该过程中使用的密封剂、干燥时间、盖片的材料和厚度等可影响通过对生物样品成像而获得的图像的亮度、色相和颜色。

在“成像”中，对干燥的薄切片样本进行成像。在该过程中，诸如聚焦位置、成像倍率和成像区域的参数可影响通过对生物样品成像而获得的图像的亮度、色相和颜色。

接下来，将通过具体示例描述包括上述模拟过程的病理工作流程。图3是示出了病理工作流的具体示例的流程图。

如图3所示，在病理工作流中，例如，首先准备包埋块(步骤S101)。具体地，用疏水性包埋剂如石蜡包埋待观察的生物样品，即，用该包埋剂覆盖并固定生物样品的外周。

随后，制备薄切片(步骤S102)。具体地，通过使用薄切片制备装置，从其中包埋生物样品的包埋块制备具有大约3μm至5μm的厚度的超薄切片。

接着，制备薄切片样本(步骤S103)。具体地，例如，将通过薄切片制备装置制备的薄切片放置在载玻片的上表面上以制备用于物理和化学实验、显微镜观察等的薄切片样本。

接着，执行薄切片样本的染色和用盖片覆盖染色的薄切片的处理(步骤S104)。可以使用诸如负染色法和云母薄片法的各种染色法对薄切片样本进行染色。另外，从染色到用盖片覆盖的过程可以通过一系列自动操作来完成。

接着，在预定干燥处理之后，对染色的薄切片样本成像(步骤S105)。在成像中，例如，薄切片样本可以以低分辨率和高分辨率成像。例如，整个薄切片样本以低分辨率成像，并且从通过该成像获得的低分辨率图像指定存在于样本中的薄切片的区域。然后，在高分辨率成像中，薄切片的区域被划分成一个或多个区域，并且每个划分的区域以高分辨率成像。应注意，通过高分辨率成像获取的高分辨率图像可包括在拼接时用作余量的叠加区域。

接着，将获取的高分辨率图像拼接一起，以生成整个薄切片的高分辨率图像(WSI(Whole Slide Image))，然后，逐步降低生成的WSI的分辨率，以生成各层的图像数据，由此生成分辨率分级变化的分级细化映射(步骤S106)。此后，该操作结束。

1.3学习数据集的示例

用于AI 2学习的学习数据可以与指示其特征的信息(例如，上述数字参数和/或模拟参数，这种信息在下文中被称为特征参数)链接。特征参数可以是所谓的元数据，并且可以根据需要提供给医院B至E。但是，在未向医院B至E提供特征参数的情况下、或者在学习时未生成特征参数的情况下，也可以在医院B至E中根据经学习的AI 2和/或学习数据生成用于将特征参数本身或测量数据的特征近似于学习数据的特征的转换公式。注意，例如，可以通过分析学习数据本身来生成特征参数。同时，例如，可以基于对每个数字参数改变的学习数据的实际判断结果生成转换公式。

图4是示出了根据本实施方式的学习数据集和特征参数集的示例的示图。如图4所示，学习数据集例如包含作为学习数据的诊断图像(染色图像G1、G2、…)和作为正确数据的待诊断的病变区域(正确区域图像R1、R2、…)的组合(相当于学习用数据)的集合。例如，可以向每个诊断图像分配用于唯一地标识诊断图像的数据ID。

此外，添加到学习数据集中的特征参数集包括模拟参数集和数字参数集。模拟参数集可包括例如作为与组织切片相关的参数的组织厚度、作为与染色相关的参数的染色标记的制造商、染色浓度和染色时间、作为与组织切片的封装相关的参数的盖玻片厚度等。同时，数字参数可以包括例如伽马值和图像压缩率作为与成像相关的参数等。然而，本发明不限于这些，并且可以进行各种修改，包括上述各种参数。进一步，每个参数可以与学习数据集中的每个学习数据相关联。

1.4信息处理系统的概要

接下来，将通过示例描述根据本实施方式的信息处理系统的示意性配置。图5为示出根据本实施方式的信息处理系统100的示意性配置示例的框图。如图5所示，信息处理系统100包括：获取单元102；处理单元103；估计单元104；学习单元107；以及显示单元106。

获取单元102配置为基于用于生成经学习的模型105的学习数据109的特征值获取调整信息，经学习的模型105估计患者或受试者的健康状况。

处理单元103配置为基于由获取单元102获取的调整信息对待判断的生物样品101执行预定处理。

估计单元104包括经学习的模型105，并配置为将处理单元103获取的测量数据输入到经学习的模型105(例如图1中的AI 2)以估计诊断结果。

学习单元107配置为使用学习数据109对学习模型108进行训练(学习)，以生成用于根据测量数据估计诊断结果的经学习的模型105。

显示单元106配置为将由估计单元104估计的诊断结果呈现给诸如医生或病理学家的用户。

1.5系统配置

接下来，将描述在将图5所示的信息处理系统100引入医疗站点等时使用的具体系统配置示例。图6是示出了根据本实施方式的诊断支持系统(信息处理系统、信息处理装置)的配置示例的框图。应注意，该描述示出了从病理系统10获取用于训练AI 2(对应于稍后描述的学习模型)的学习数据集并且将使用学习数据集训练的经学习的AI 2(对应于稍后描述的经学习的模型55)提供给病理系统20的情况。然而，虽然并不局限于此，但是可以适当地修改学习数据集，例如，可以从诸如病理系统10和20的多个病理系统收集学习数据集。

图6是示出了根据本实施方式的诊断支持系统的示意性配置示例的示图。如图6所示，诊断支持系统1包括：病理系统10；病理系统20；医疗信息系统30；以及导出装置40。

(病理系统10/20)

病理系统10是主要由病理学家使用的系统，并且例如可以对应于图1中的医院A。如图6所示，病理系统10包括：测量装置11；服务器12；显示控制装置13；以及显示装置14。

测量装置11可以是例如一个或多个医疗装置和信息处理装置，其获取从患者采集的患部的图像数据和组织切片的图像数据等，诸如数字病理成像(DPI)扫描仪、计算机断层扫描(CT)/磁共振成像(MRI)/正电子发射断层扫描(PET)、显微镜和内窥镜。注意，在该示例中，图像数据可以是例如患者的染色图像和从患者收集的组织切片等。在本说明书中，图像数据可以是例如染色图像。

例如，在病理系统10中，服务器12配置为向诸如医生和病理学家的用户提供诊断支持，并且保持和管理通过测量装置11获取的图像数据。注意，由测量装置11获取的图像数据可以存储在例如包括在服务器12中或连接至服务器的存储单元等中。

显示控制装置13配置为从用户接受浏览诸如电子病历、诊断结果、患者的估计诊断结果等各种信息的请求并向服务器12发送接受的浏览请求。显示控制装置13配置为然后控制显示装置14显示响应于浏览请求从服务器12接收的各种信息。

显示装置14具有使用例如液晶、电致发光(EL)、阴极射线管(CRT)等的屏幕。显示装置14可以与4K或8K兼容，并且可以由多个显示装置形成。显示装置14可以与例如图5所示的配置中的显示单元106对应，并且配置为根据由显示控制装置13执行的控制，向用户显示各种信息。

病理系统20是在不同于病理系统10的医院中采用的系统，并且例如可以对应于图1中的医院B至E。例如，如在病理系统10中，病理系统20可包括：测量装置21；服务器22；显示控制装置23；以及显示装置24。在这种情况下，包括在病理系统20中的单元可以与病理系统10的单元相同，并且因此将省去它们的描述。

(医疗信息系统30)

医疗信息系统30是所谓的电子病历系统，并且配置为保存和管理诸如当前或过去由医生、病理学家等对患者执行的诊断结果(在下文中也称为诊断数据)的信息。诊断数据是学习数据中的正确数据，并且例如可以是图4中的待诊断的病变区域(正确区域图像R1、R2、…)。应注意，诊断数据可包括例如将诊断数据与图像数据链接的识别信息(例如，数据ID)。此外，诊断数据可以包括用于识别患者的信息、患者疾病信息、患者病史、用于诊断的检查信息、处方药等。

(导出装置40)

例如，导出装置40配置为获取在病理系统10的服务器12中每天累积的图像数据。另外，导出装置40配置为获取医疗信息系统30中每天累积的诊断数据。导出装置40配置为从收集的图像数据和诊断数据生成学习数据集，并且使用生成的学习数据集作为教师数据来训练学习模型，从而基于图像数据生成用于估计患者的诊断结果的经学习的模型。

注意，包括在诊断支持系统1中的病理系统的数量可以是三个或更多个。在这种情况下，导出装置40可以收集在每个病理系统中累积的测量信息，从收集的图像数据和诊断数据生成学习数据集，并且训练学习模型。而且，在上述示例中，医疗信息系统30可被结合在病理系统10和/或20中。在这种情况下，所收集的图像数据和诊断数据可以被存储在服务器12和/或22中。

此外，根据本实施方式的导出装置40可以通过布置在网络上的服务器、云服务器等实现，或者可以通过布置在病理系统10/20中的服务器12/22实现。可替换地，导出装置40可以以其部分以分布式方式布置在经由网络构造的系统上的方式实现，例如，以导出装置的一部分由布置在网络上的服务器、云服务器等实现并且其余部分由病理系统10/20的服务器12/22实现的方式实现。

1.6导出装置

接下来，将描述根据本实施方式的导出装置40的配置示例。图7是示出根据本实施方式的导出装置的配置示例的框图。如图7所示，导出装置40包括：通信单元41；存储单元42；以及控制单元43。

通信单元41由例如网络接口卡(NIC)等实现。通信单元41以有线或无线方式连接至网络(未示出)，并且配置为经由网络将信息传输至病理系统10、病理系统20、医疗信息系统30等以及从病理系统10、病理系统20、医疗信息系统30等接收信息。稍后将描述的控制单元43配置为经由通信单元41将信息传输至这些装置和从这些装置接收信息。

存储单元42例如由随机存取存储器(RAM)、闪存等半导体存储元件、诸如硬盘、光盘等存储设备来实现。存储单元42存储由控制单元43生成的经学习的模型55。经学习的模型55在后面叙述。

例如，可以通过使用随机存取存储器(RAM)等作为工作区域使中央处理单元(CPU)或微处理单元(MPU)执行存储在导出装置40中的程序(诊断支持程序的示例)来实现控制单元43。然而，控制单元43可由诸如专用集成电路(ASIC)和现场可编程门阵列(FPGA)的集成电路执行。

如图7所示，控制单元43包括：图像数据获取单元51；诊断数据获取单元52；学习单元53；导出单元54；预处理单元56以及评价单元57，并配置为实现或执行下述信息处理的功能和动作。要注意的是，控制单元43的内部配置不限于图7所示的配置，并且可为其他配置，只要该配置用于进行稍后描述的信息处理即可。

例如，图像数据获取单元51配置为例如经由通信单元41从服务器12获取由学习单元53进行学习模型的训练所使用的图像数据。此图像数据可以与包括在模拟过程中记录的模拟参数集和通过分析图像数据获得的数字参数的特征参数集相关联。另外，图像数据获取单元51例如配置为经由通信单元41从服务器22获取导出单元54执行诊断结果的估计(判断)所使用的图像数据(对应于图1的测量数据)。所获取的测量数据可以根据需要累积在存储单元42等中。注意，在以下的说明中，在区分学习模型的训练所使用的图像数据和诊断结果的估计(判断)所使用的图像数据的情况下，将前者称为学习图像数据，将后者称为测量数据。

例如，诊断数据获取单元52配置为经由通信单元41从服务器12或医疗信息系统30获取诊断数据，该诊断数据是学习单元53进行学习模型的训练所使用的学习数据中的一种。所获取的诊断数据可以根据需要累积在存储单元42等中。

学习单元53能够与例如图5所示的配置中的学习单元107对应，并且配置为通过将由图像数据获取单元51获取的每条学习图像数据与由诊断数据获取单元52获取的每条诊断数据链接来生成用于训练学习模型的教师数据集，并且使用生成的学习数据集训练学习模型。这样训练的经学习的模型55例如存储在存储单元42中，并且根据需要适当地读取。

要注意的是，由学习单元53训练学习模型的方法可基于任何算法。例如，学习单元53可以使用各种学习算法来生成经学习的模型55，诸如深度学习、支持向量机、聚类和增强性学习，它们是使用多层神经网络(深度神经网络)的机器学习方法。

例如，导出单元54可以对应于图5所示的配置中的估计单元104，并且配置为当经由服务器12/22从用户请求对特定患者的诊断结果的估计时，获取指定的患者的测量数据并且将测量数据输入到经学习的模型55，从而使经学习的模型55估计诊断结果。这样估计的诊断结果例如被发送到服务器12/22，并且在显示控制装置13/23的控制下显示在显示装置14/24上。

预处理单元56可对应于例如图5中所说明的配置中的获取单元102和处理单元103，且配置为执行上述第一和第二预处理。例如，在第一预处理中，预处理单元56对从病理系统20获取的测量数据执行预处理，以使测量数据的特征接近于学习数据集中的学习图像数据的特征。这里提到的特征可以是数字参数。例如，预处理单元56对测量数据的各数字参数(诸如，测量数据的亮度(可以是色调)、色相、白平衡、伽马值、色表)进行调整，使得测量数据的数字参数落入针对整体学习图像数据中对应的数字参数的分布所设定的目标范围内。或者，预处理单元56对测量数据的各数字参数进行调整，使得测量数据的各数字参数近似于整体学习图像数据中对应的数字参数分布中的中值(或平均值)、质心值等。注意，目标范围可以是用于实现目标估计准确度的各数字参数的范围，并且例如可以是由导出单元54(即经学习的模型55)导出的估计结果的可靠性(例如得分)等于或大于预设值的范围、或者预期其等于或大于该值的范围。

另一方面，在第二预处理中，预处理单元56生成关于用户在测量阶段物理上调整/改变的模拟参数的信息(以下称为推荐信息)以使测量数据的各数字参数接近于学习图像数据的对应的数字参数，并将该生成的推荐信息发送到服务器22。发送的推荐信息例如在显示控制装置23的控制下显示在显示装置24上。根据在显示装置24上显示的推荐信息，用户调整/改变模拟参数(诸如组织切片的类型、厚度等、用于染色的标记的类型、制造商、染色浓度、染色时间等、封装组织切片的盖玻片的类型、厚度等、用于成像的照相机的型号、制造商、伽马值、压缩率等、激发光源的类型、制造商、输出瓦特数等、测量时的温度、湿度、照度等、以及执行测量的技师和医生)，从而使得可以获取具有与学习图像数据的特征接近的特征的用于判断的测量信息。这里提到的特征可以是数字参数。

评价单元57配置为计算例如由导出单元54导出的诊断结果的可靠性(例如，分数)并且评价经学习的模型55。注意，由评价单元57算出的可靠性可用于如上所述那样由预处理单元56对测量数据的数字参数进行的自动调整和/或向用户提供的推荐信息的生成等。

此外，评价单元57可以对发生错误的测量数据(例如，诊断结果的可靠性低于预设阈值的测量数据)执行因素分析以识别对诊断结果的估计产生不利影响的因素(本说明书中的数字参数)。例如，通过基于作为正确数据的诊断结果和所导出的估计结果的可靠性将测量数据分类，并且使用因素分析计算哪个数字参数对该分类中的结果的估计做出了强烈贡献，可以识别具有不利影响的因素。

响应于此，预处理单元56可调整识别为具有不利影响的数字参数。然后，导出单元54可以使用进行了参数调整的测量数据再次估计诊断结果。

可以自动或手动地调整被识别为具有不利影响的数字参数。在自动调整的情况下，例如，可以如下方式进行调整：识别发生错误的测量数据，并且在该测量数据的数字参数中，调整具有不利影响的数字参数以落入目标范围内或者接近中值等。

1.7学习模型的学习

接下来，将描述控制单元43中的学习模型的学习。图8是示出根据本实施方式的学习模型的学习的示图。如图8所示，在学习模型的学习中，例如，通过学习单元53读取存储在存储单元42中的学习之前的学习模型。另外，在包括由图像数据获取单元51获取的学习图像数据和由诊断数据获取单元52获取的诊断数据的学习数据集中，学习图像数据(在本说明书中，染色图像)被输入到学习单元53。结果，从学习单元53输出通过学习模型导出的诊断结果(在本说明中，病变区域图像)。

从学习单元53输出的诊断结果被输入到评价单元57。将学习数据集中的诊断数据(正确数据，在本说明书中，正确的区域图像)输入至评价单元57。评价单元57根据输入的诊断结果(估计结果)和诊断数据(正确数据)评价学习模型的估计准确度，并且基于该评价结果更新学习模型的超参数。通过重复这样的操作预定次数或直到获得期望的估计准确度，生成由学习数据集训练的经学习的模型55。

1.8使用经学习的模型的诊断结果的估计

接下来，将描述使用如上所述生成的经学习的模型55估计诊断结果的情况。图9是示出根据本实施方式的使用经学习的模型来估计诊断结果的情况下的操作的示图。

如图9所示，在使用经学习的模型进行诊断结果的估计中，预处理单元56根据从源提供的特征参数集中的数字参数的统计信息以及与在目的地收集的一个或多个测量数据有关的数字参数或其统计信息，执行使学习图像数据的特征接近于一个或多个测量数据的特征的第一预处理，从源(例如医院A)引入经学习的模型55，经学习的模型被引入至目的地(例如医院B至E)。在以下描述中，与学习数据集相链接的特征参数集被称为学习特征参数集，并且与一个或多个测量数据相链接的特征参数或特征参数集被称为测量特征参数或测量特征参数集。

在这种情况下，例如，与学习数据集相链接的学习特征参数集被输入到预处理单元56。预处理单元56可以基于输入的学习特征参数集来计算学习特征参数集中的数字参数的统计信息(例如，方差值、中值(或平均值)、质心值等)。然而，例如，在医院A中计算学习特征参数集的统计信息的情况下(见图1)，可以将医院A保存的统计信息输入到预处理单元56，而不是学习特征参数集。

另外，将测量数据的数字参数输入到预处理单元56。然而，代替数字参数，可以输入测量数据本身。在这种情况下，预处理单元56根据所输入的测量数据来计算各数字参数的值。另外，在存在多个要判断的测量数据以及根据整体多个测量数据估计诊断结果的情况下，也可以将与多个测量数据有关的各数字参数的统计信息(例如方差值、中值(或者平均值)、质心值等)输入到预处理单元56。可替换地，可以将多个测量数据本身或每个测量数据的数字参数输入到预处理单元56。在该情况下，预处理单元56可以根据输入到预处理单元的多个测量数据或者其数字参数来计算各数字参数的统计信息(例如方差值、中值(或者平均值)、质心值等)。

预处理单元56根据学习特征参数集中的数字参数的统计信息和与一个或多个测量数据相关的数字参数或其统计信息，生成用于调整一个或多个测量数据的每个数字参数的转换公式，使得一个或多个测量数据的数字参数落入针对学习特征参数集中的数字参数的分布所设定的目标范围内，或者使得一个或多个测量数据的数字参数近似于学习特征参数集中的数字参数的分布的中值(或平均值)、质心值等。对于该转换公式，例如，可使用诸如简单行列式的各种公式。可替代地，转换公式可以是例如简单地用学习特征参数集中的数字参数的分布的中值(或平均值)或质心值来替换每个测量数据的每个数字参数的转换公式。

一旦以这种方式生成转换公式，预处理单元56使用所生成的转换公式调整一个或多个输入的测量数据(染色图像)的各数字参数。结果，调整一个或多个测量数据的各数字参数以便接近于学习数据集中的学习图像数据的数字参数。然后，预处理单元56将经过了参数调整的测量数据输出到导出单元54。

经过了参数调整并输入到导出单元54的测量数据被输入到从存储单元42读取的经学习的模型55。由此，由于导出单元54基于测量数据来估计诊断结果(病变区域图像)，在测量数据中每个数字参数被调整为接近于学习数据集中的学习图像数据的数字参数，因此可以获得更高可靠性的诊断结果。

1.9使用神经网络的预处理

使用图9的描述说明了预处理单元56根据学习特征参数集中的每个数字参数的统计信息和与一个或多个测量数据相关的数字参数或其统计信息来生成转换公式的情况。然而，根据本实施方式的预处理(第一预处理)不限于使用转换公式调整数字参数的方法。例如，可以使用神经网络(下文称为预处理模型)执行第一预处理，所述神经网络接受学习特征参数集中的每个数字参数或其统计信息以及与一个或多个测量数据相关的数字参数或其统计信息的输入。作为预处理模型，可以使用将图像数据用作输入的各种学习模型，各种学习模型输出图像数据。

图10是示出根据本实施方式的使用预处理模型来执行第一预处理的情况下的操作的示图。如图10中所示，在该示例中，新提供了用于生成预处理模型的预处理估计单元58。

例如，与学习数据集相链接的学习特征参数集被输入到预处理估计单元58。预处理估计单元58可以基于输入的学习特征参数集来计算学习特征参数集中的数字参数的统计信息(例如，方差值、中值(或平均值)、质心值等)。然而，例如，在医院A中计算学习特征参数集的统计信息的情况下(见图1)，医院A保存的学习特征参数集的统计信息代替学习特征参数集可被输入到预处理估计单元58。

另外，将测量数据的数字参数输入到预处理估计单元58。然而，代替数字参数，可以输入测量数据本身。在这种情况下，预处理估计单元58根据所输入的测量数据来计算各数字参数的值。注意，在存在多个要判断的测量数据并且根据多个测量数据一并估计诊断结果的情况下，可以将与多个测量数据有关的各数字参数的统计信息(例如方差值、中值(或者平均值)、质心值等)输入到预处理估计单元58。可替换地，可以将多个测量数据本身或每个测量数据的数字参数输入到预处理估计单元58。在该情况下，预处理估计单元58可以基于输入到预处理估计单元的多个测量数据或其数字参数来计算各数字参数的统计信息(例如，方差值、中值(或平均值)、质心值等)。

当接收到学习特征参数集中的每个数字参数的统计信息和与一个或多个测量数据相关的数字参数或其统计信息的输入时，预处理估计单元58基于所输入的信息生成指示预处理模型中的神经元之间的连接强度的权重参数w。因此，预处理模型被调整成使得每个数字参数或与一个或多个测量数据相关的其统计信息接近于学习特征参数集中的数字参数的统计信息。注意，权重参数w的生成方法，即前处理模型的生成/更新方法，在后面叙述。

由预处理估计单元58调整后的预处理模型由预处理单元56读取。预处理单元56将所输入的一个或多个测量数据(染色图像)输入到预处理模型，由此调整一个或多个测量数据(染色图像)的各数字参数。结果，调整一个或多个测量数据的每个数字参数以便接近于学习数据集中的学习图像数据的数字参数。然后，预处理单元56将进行了参数调整的测量数据输出到导出单元54。

1.10预处理模型的学习(迁移学习)

另一方面，在医院B至E等的经学习的模型55的引入目的地累积了一定量的诊断测量数据的情况下，通过使用在该引入目的地累积的测量数据再学习(迁移学习)预处理模型，能够提高导出单元54的估计准确度。图11是示出根据本实施方式的学习模型的再学习的示图。应注意，图11示出了其中图10用作其基本的情况。另外，在图11中，作为迁移学习数据集示出了多个累积测量数据和针对各测量数据的诊断中所表示的诊断数据(在本例中为正确的区域图像)的组合，作为用于迁移学习的图像数据示出了各诊断的测量数据。

如图11所示，在使用在引入目的地累积的用于迁移学习的图像数据来学习预处理模型的情况下，从导出单元54输出的诊断结果输入到评价单元57，该评价单元具有与使用图10说明的配置相同的配置。注意，评价单元57还接收针对每个图像数据的诊断中指示的诊断数据(在该示例中，正确区域图像)的输入以用于迁移学习。

例如，评价单元57根据输入的诊断结果和诊断数据(正确的区域图像)来评价经学习的模型55的估计准确度，根据该评价结果来更新包含在预处理单元56中的预处理模型。结果，由于能够优化预处理，使得提高导出单元54的估计准确度，因此，能够提高导出单元54的估计准确度。

1.11生成/更新预处理模型的方法

这里，可以根据经学习的模型55的架构来优化预处理模型的生成/更新。然而，生成/更新方法根据经学习的模型55是白盒还是黑盒，即，经学习的模型55内部的计算处理是否是已知的而不同。注意，预处理模型的生成/更新可以由评价单元57执行，或者可以由预处理单元56执行。

1.11.1经学习的模型是白盒的情况

例如，在经学习的模型55是白盒的情况下，即在经学习的模型55内的计算处理被准确地知道的情况下，可以基于使用损失函数计算出的经学习的模型55的估计准确度的不良度(也称为损失)来优化预处理模型。

对于估计准确度的不良度，例如在按每个像素识别组织或病变的情况下，可以使用按每个像素的识别损失(交叉熵损失)的平均值。另外，在检测出特定的病变区域的情况下，能够将检测出的病变区域与正确的区域之间的位置偏差误差用作估计准确度的不良度。

为了优化预处理模型，优选地调整每个权重参数w，以便不偏离从学习特征参数集的统计信息获得的预处理模型太多。这使得能够考虑到学习特征参数集的统计信息在适当的范围内获取预处理模型作为学习结果，并且避免对过度适配于用于在引入目的地的迁移学习的少量图像数据的诊断结果的估计。例如，假设损失是L并且从学习特征参数集中估计的权重参数是w'，在学习中被最小化的目标函数可以由以下公式(1)表示。

L+|w-w′|

注意，在准确地知道经学习的模型55内的计算处理的情况下，能够计算目标函数的梯度，并且，因此能够与正常的神经网络的学习类似地进行预处理模型的学习。例如，通过使用计算出的梯度，通过随机梯度下降法迭代地更新预处理模型的权重参数w，可以学习以使损失最小化。

1.11.2学习模型是黑盒的情况

另一方面，例如，当经学习的模型55是黑盒时，即，当经学习的模型55内部的计算处理未知时，可以通过搜索提高经学习的模型55的估计准确度的预处理模型的权重参数w来优化预处理模型。

在搜索权重参数w时，例如，可以在距从学习特征参数集中估计的权重参数w'不大于一定距离的范围内搜索提高经学习的模型55的估计准确度的权重参数w。对于该搜索，例如，可以使用通常用于优化黑盒函数的方法，诸如贝叶斯优化或遗传算法(进化计算)。

1.11.3其他

注意，在预处理模型的生成/更新中，例如，在存在对诊断结果的估计具有低贡献的数字参数的情况下，可以省略针对该数字参数的第一预处理(参数值的调整)。

此外，在上面的描述中，已经说明了在权重参数w不太远离根据学习特征参数集的统计信息估计的预处理模型的限制下通过生成/更新预处理模型的权重参数w来有效地执行迁移学习的情况，但是本发明不限于此。例如，可以进行各种改变，包括这样的改变，即，使得测量数据(染色图像)的每个数字参数的分布根据学习特征参数集的统计信息来估计，并且使预处理模型的权重参数w经过学习，使得已经经过第一预处理的测量数据的数字参数不偏离估计的分布。

1.12通过模型选择对估计准确度的改进

同时，例如，在存在多个经学习的模型55并且经学习的模型已经在不同的域(即，不同的学习数据集)中经历学习的情况下，可以从多个经学习的模型55中选择适于由病理系统20获取的测量数据的学习模型。该选择可以手动地或自动地执行。在自动选择的情况下，例如，在没有经学习的模型已经经过使用与要推断的疾病相同类型的疾病的学习的情况下，预处理单元56可使用具有最接近从要推断的疾病获取的测量数据的特征的特征的学习数据集来自动选择多个经学习的模型55中已经经过学习的学习模型。在这种情况下，学习单元53可用相同种类的疾病示例再学习选择的经学习的模型。如上所述，通过自动选择在具有接近特征的域中进行了学习的经学习的模型55，能够提高针对具有少量情况的情况的估计准确度。

另外，例如，在存在多个预处理模型，并且针对各预处理模型设定不同的权重参数w的情况下，也可以选择更适于待判断的测量数据的预处理模型，即经学习的模型55的估计准确度提高的预处理模型。该选择可以手动地或自动地执行。例如，在自动选择的情况下，预处理单元56或预处理估计单元58可以使用这些预处理模型对测量数据执行第一预处理，并且根据对诊断结果的评价，选择更适当的预处理模型，在将通过第一预处理获得的参数调整后的测量数据输入到经学习的模型55中时获得该诊断结果。

1.13格式统一

有时，根据学习模型限制可用作输入的数据的格式。例如，使用图像数据作为输入的卷积神经网络(CNN)的最深度学习架构使用正方形图像作为输入图像。由此，当输入正方形图像以外的图像时，生成将输入图像数据改变为正方形图像数据的处理。另外，在所获取的数字参数与模拟参数因医疗设施不同而不同的情况下，存在预处理中的调整对象不一致，因此无法适当地进行预处理的情形。

例如，当在引入源(例如，医院A)和引入目的地(例如，医院B至E)中获取的图像数据的大小彼此不同的情况下，预处理单元56或预处理估计单元58将在引入目的地获取的图像数据的大小转换为适于经学习的模型55的大小。另外，例如，在引入源(例如，医院A)和引入目的地(例如，医院B至E)中获取的数字参数彼此不同的情况下，预处理单元56或预处理估计单元58可以根据在引入目的地收集的数字参数或测量数据来生成必要的数字参数。注意，关于模拟参数，例如，可以预先对引入源(例如医院A)和引入目的地(例如医院B至E)提示要管理的模拟参数。

1.14用于数字参数调整的用户界面的示例

接着，以一些示例，描述将在由预处理单元56执行的第一预处理中用户手动调整数字参数的情况下向用户提供用于参数调整的用户界面。应注意，例如，基于从预处理单元56传输至病理系统20的信息，服务器22可经由显示控制装置23将用于参数调整的用户界面显示在显示装置24上。

图12是示出了根据本实施方式的用于参数调整的用户界面的示例的示图。应注意，图12示出了在调整用于判断的测量信息的数字参数的一个参数#1(例如，亮度(或色调)、色相、白平衡、伽马值、色表等中的一个)时提供给用户的用户界面的示例。

如图12中所示，在用于参数调整的用户界面中，例如，显示表示用于学习的整个测量信息的参数#1的分布D1的图示。在该图示中，水平轴可指示参数#1的值，垂直轴可指示用于学习的测量信息中的每个值的出现频率。然而，本发明不限于此，并且垂直轴可以不同地改变，例如，垂直轴可以是在利用参数#1的每个值进行估计时得出的诊断结果的准确率(例如，可靠性)。此外，该图示可以指示可以获得期望的准确率的参数#1的值范围R11和/或用于学习的整个测量信息的参数#1的分布的中值(或平均值)C1。

对于该图示，在用于参数调整的界面中，显示滑条110，该滑条110指示作为调整对象的用于判断的测量信息的参数#1的值。例如，滑条110能够沿水平轴移动，并且在初始状态下将用于判断的测量信息的参数#1的当前值表示为调整对象。例如，当用户利用诸如键盘、鼠标、触摸面板等输入装置滑动了滑条110时，预处理单元56调整作为调整对象的用于判断的测量信息的参数#1的值，以使该值成为滑动后的滑条110所示的参数#1的调整值。因此，用户能够通过移动滑条110使得用于判断的测量信息的参数#1的值位于范围R11内或者接近于中值C1，来调整作为调整对象的用于判断的测量信息的参数#1的值，从而获得期望的准确率或者提高准确率。

另一方面，图13是示出了根据本实施方式的用于参数调整的用户界面的另一个示例的示图。应注意，图13示出了当调整用于判断的测量信息的数字参数的两个参数#1和#2(例如，亮度(或色调)、色相、白平衡、伽马值、色表等中的两个)时提供给用户的用户界面的示例。

如图13所示，在用于参数调整的用户界面的另一示例中，例如显示表示用于学习的整体测量信息的各测量信息的参数#1、#2的二维分布D2的图示。在该图示中，水平轴可指示参数#1的值，并且垂直轴可指示参数#2的值。此外，该图示可以表示能够获得具有期望的准确率的参数#1和#2的组合的范围R12和/或用于学习的整个测量信息的参数#1和#2的分布的质心值C2。

对于该图示，在用于参数调整的界面中，显示表示作为调整对象的用于判断的测量信息的参数#1、#2的值的标出点120。例如，标出点120可在由垂直轴和水平轴表示的二维坐标系中移动，并且在初始状态下，表示作为调整对象的用于判断的测量信息的参数#1和#2的当前值。例如，当用户利用诸如键盘、鼠标、或触摸面板等输入装置使标出点120移动时，预处理单元56调整作为调整对象的用于判断的测量信息的参数#1和#2的值，以使该值成为移动后的标出点120所示的参数#1和#2的值。因此，用户能够通过移动标出点120，使得值位于范围R12内或者接近于质心值C2，来调整作为调整对象的用于判断的测量信息的参数#1和#2的值，以获得期望的准确率或者提高准确率。注意，要组合的参数#1和#2可以是彼此相关的数字参数，或者可以是不具有相关性的数字参数。

注意，上述描述说明了使用用于参数调整的界面手动调整用于判断的各测量信息的数字参数、即各图像数据的情况。但是，本发明不限于此，并且可以利用用于参数调整的界面统一调整用于判断的多个测量信息整体的数字参数。在这种情况下，图12所示的滑条110或图13所示的标出点120可以是用于判断的多个测量信息整体的参数#1或参数#1和#2的平均值、中值、质心值等。另外，可以以使用于判断的多个测量信息整体的数字参数的分布的扩展(例如，方差值、半峰全宽等)变小的方式，调整使用滑条110或标出点120调整后的用于判断的各测量信息的各数字参数。

1.15用于模型选择的用户界面的示例

接下来，将以示例的方式描述在存在多个经学习的模型55/预处理模型的情况下使得用户手动从多个经学习的模型55/预处理模型中选择期望的模型的用户界面(下文中称为用于模型选择的用户界面)。另外，在以下的说明中，例示了手动选择预处理模型的配置，但是手动选择经学习的模型55的配置可以具有相同的配置。

图14是示出根据本实施方式的模型管理表的示例的示图。图15是示出了根据本实施方式的用于模型选择的用户界面的示例的示图。

如图14所示，在存在要读入到预处理单元56中的多个候选的预处理模型(预处理模型a、b、...)的情况下，预处理单元56或预处理估计单元58可以生成模型管理表，该模型管理表管理对在各预处理模型a、b、...用于执行第一预处理时评价单元57对从经学习的模型55输出的诊断结果的评价结果。注意，评价结果可以是例如附加到过去的诊断中用于迁移学习的图像数据的正确回答标签(对应于正确回答标签(正确回答区域图像))和在引入目的地由经学习的模型55估计的估计标签(诊断结果)之间的匹配面积率、附加正确回答标签的区域和附加估计标签的区域之间的匹配率、附加到除了附加正确回答标签的区域之外的区域的估计标签的数量(假阳性情况的数量)等。

如上所述在模型管理表管理的评价结果可以与各预处理模型a、b、…的诊断结果一起经由用于模型选择的用户界面呈现给用户，如图15所示。另外，在用于模型选择的用户界面中，可以针对预处理模型a、b、...中的每个呈现用于估计诊断结果的测量数据(染色图像)和通过经学习的模型55导出的诊断结果(与病变区域图像对应的估计标签)。注意，在图15中，用实线包围的区域表示附接于过去的诊断中用于转移学习的图像数据的正解标签(对应于正解标签(正解区域图像))，用虚线包围的区域表示在引入目的地估计的估计标签(诊断结果)。另外，用于模型选择的用户界面可以在预处理单元56或预处理估计单元58中生成并显示在显示装置24上，或者可以在从预处理单元56或预处理估计单元58接收到必要的信息的服务器22或显示控制装置23中生成并显示在显示装置24上。

在使用用于模型选择的用户界面来选择预处理模型的过程中，用户可以参考例如在用于模型选择的用户界面上显示的每个预处理模型的诊断结果和评价结果来选择所显示的图像或文本中的任一个。响应于该选择的输入，预处理单元56或预处理估计单元58读出所选择的预处理模型，或者使预处理单元56读出所选择的预处理模型。由此，预处理单元56使用由用户指定的预处理模型来执行第一预处理。

2.硬件配置

根据上述实施方式和变形例的服务器12/22、显示控制装置13/23、医疗信息系统30、导出装置40等例如能够通过具有图16所示的配置的计算机1000来实现。图16是示出实现服务器12/22、显示控制装置13/23、医疗信息系统30、导出装置40等的功能的计算机1000的示例的硬件配置图。计算机1000包括CPU 1100、RAM 1200、只读存储器(ROM)1300、硬盘驱动器(HDD)1400、通信接口1500和输入/输出接口1600。计算机1000的这些单元通过总线1050彼此连接。

CPU 1100基于存储在ROM 1300或HDD 1400中的程序来操作，并且控制每个单元。例如，CPU 1100在RAM 1200上展开存储在ROM 1300或HDD 1400中的程序，并且执行与各种程序相对应的处理。

ROM 1300存储诸如当计算机1000被激活时由CPU 1100执行的基本输入输出系统(BIOS)的启动程序、依赖于计算机1000的硬件的程序等。

HDD 1400是非瞬时地记录由CPU 1100执行的程序、由该程序使用的数据等的计算机可读记录介质。具体地，HDD 1400是记录用于执行根据本公开的各操作的程序的记录介质，用于执行根据本公开的各操作的程序作为程序数据1450的示例。

通信接口1500是用于计算机1000连接到外部网络1550(例如，互联网)的接口。例如，CPU 1100经由通信接口1500从另一设备接收数据或者向另一设备发送由CPU 1100生成的数据。

输入/输出接口1600具有包括上述I/F单元18的配置，并且是用于连接输入/输出装置1650和计算机1000的接口。例如，CPU 1100经由输入/输出接口1600从诸如键盘和鼠标的输入装置接收数据。此外，CPU 1100经由输入/输出接口1600将数据传输至诸如显示器、扬声器、以及打印机的输出装置。此外，输入/输出接口1600可以用作读取记录在预定记录介质(介质)中的程序等的介质接口。例如，介质是诸如数字通用盘(DVD)或相变可重写盘(PD)的光学记录介质、诸如磁光盘(MO)的磁光记录介质、磁带介质、磁记录介质、半导体存储器等。

例如，在计算机1000用作根据上述实施方式的服务器12/22、显示控制装置13/23、医疗信息系统30、导出装置40等的情况下，计算机1000的CPU 1100执行加载到RAM 1200上的程序，以实现服务器12/22、显示控制装置13/23、医疗信息系统30、导出装置40等的功能。此外，HDD 1400存储根据本公开的程序等。注意，CPU 1100从HDD 1400读取程序数据1450并执行程序数据，但是作为另一示例，可以经由外部网络1550从另一设备获取这些程序。

[其他]

在上述实施方式中描述的处理中，可以手动执行被描述为自动执行的全部或部分处理，或者可以通过已知方法自动执行被描述为手动执行的全部或部分处理。此外，除非另外指明，否则可以任意改变上述文档和附图中所示的处理过程

此外，在附图中示出的每个装置的每个部件在功能上是概念性的，并且不必如在附图中示出的那样物理地配置。换言之，每个装置的分布和集成的具体形式不限于示出的形式，并且装置的全部或一部分可以根据各种负载、使用条件等在功能上或物理上分布和集成在任意单元中。

另外，在不与处理内容冲突的范围内，能够适当地组合上述实施方式和变形例。

应注意，在本说明书中描述的效果仅是示例并且不受限制，并且可以提供其他效果。

应注意，本技术还可具有以下配置。

(1)一种信息处理系统，包括：

获取单元，配置为基于学习数据的特征值来获取调整信息，所述学习数据用于生成经学习的模型，所述经学习的模型估计患者或受试者的健康状况；

处理单元，配置为基于所述调整信息对待判断的生物样品执行处理；以及

估计单元，配置为通过将所述处理所获取的测量数据输入至所述经学习的模型来估计诊断结果。

(2)根据(1)所述的信息处理系统，其中，

使用包括多个学习数据的学习数据集生成所述经学习的模型，

所述获取单元基于关于包括在所述学习数据集中的多个学习数据的特征值的统计信息获取所述调整信息，以及

所述处理单元的所述处理是基于所述调整信息调整所述测量数据的特征值。

(3)根据(2)所述的信息处理系统，其中，

所述处理单元调整所述测量数据的所述特征值，使得调整后的所述测量数据的所述特征值落入针对关于所述多个学习数据的所述特征值的所述统计信息设定的预定范围内。

(4)根据(3)所述的信息处理系统，其中，

所述预定范围是其中从所述经学习的模型输出的估计结果的可靠性等于或大于预设值的范围或预期所述可靠性等于或大于所述值的范围。

(5)根据(2)所述的信息处理系统，其中，

所述处理单元调整所述测量数据的所述特征值，使得调整后的所述测量数据的所述特征值接近于关于所述多个学习数据的所述特征值的所述统计信息的中值、平均值或质心值。

(6)根据(2)至(5)中任一项所述的信息处理系统，其中

所述处理单元根据关于所述多个学习数据的所述特征值的所述统计信息和所述测量数据的所述特征值，生成用于转换所述测量数据的所述特征值以使得所述测量数据的所述特征值接近于所述多个学习数据的所述特征值的转换公式，并且使用所述转换公式调整所述测量数据的所述特征值。

(7)根据(2)至(5)中任一项所述的信息处理系统，其中

所述处理单元输出使用以图像数据作为输入的神经网络被调整为使得所述测量数据的所述特征值接近于所述多个学习数据的所述特征值的所述测量数据，以及

所述估计单元通过将调整后的所述测量数据输入至所述经学习的模型来估计诊断结果。

(8)根据(7)所述的信息处理系统，进一步包括：

预处理估计单元，配置为基于关于所述多个学习数据的所述特征值的所述统计信息来调整所述神经网络的权重参数。

(9)根据(8)所述的信息处理系统，进一步包括：

评价单元，配置为评价通过所述经学习的模型估计的所述诊断结果并且基于所述评价调整所述神经网络的所述权重参数。

(10)根据(9)所述的信息处理系统，进一步包括：

评价单元，配置为评价通过所述经学习的模型估计的所述诊断结果，其中

所述处理单元基于所述评价单元对使用所述多个神经网络时分别从所述经学习的模型输出的每个所述诊断结果所输出的评价，选择彼此不同的多个所述神经网络中的一个。

(11)根据(9)所述的信息处理系统，其中，

所述处理单元基于用户在用户界面中选择的神经网络选择多个所述神经网络中的一个，所述用户界面呈现由所述评价单元对使用所述多个神经网络时分别从学习所述模型输出的每个所述诊断结果所输出的所述评价。

(12)根据(9)至(11)中任一项所述的信息处理系统，其中

所述评价单元从所述测量数据的所述特征值中识别不利地影响所述经学习的模型对所述诊断结果的估计的特征值，并且

所述处理单元进一步调整由评价单元指定的特征值。

(13)根据(2)所述的信息处理系统，其中，

所述处理单元调整所述测量数据的所述特征值，使得所述测量数据的所述特征值成为由用户在用户界面中输入的所述测量数据的所述特征值的调整值，所述用户界面呈现关于所述多个学习数据的所述特征值的所述统计信息和所述测量数据的所述特征值之间的关系。

(14)根据(1)至(13)中任一项所述的信息处理系统，其中

所述处理单元从已经经历使用不同的学习数据的学习的多个所述经学习的模型中选择已经经历使用具有接近所述测量数据的特征值的特征值的学习数据的学习的经学习的模型。

(15)根据(1)至(14)中任一项所述的信息处理系统，其中

所述学习数据和所述测量数据是图像数据，并且

所述特征值包括亮度、色相、白平衡、伽马值和色图中的至少一个。

(16)根据(1)至(15)中任一项所述的信息处理系统，进一步包括：

显示单元，配置为将信息呈现给用户，其中

特征值包括在获取学习数据时的物理条件，

所述处理单元指定将所述测量数据的特征值接近于所述学习数据的特征值所推荐的获取测量数据时的物理条件，以及

所述显示单元将由所述处理单元指定的所述物理条件呈现给所述用户。

(17)根据(16)所述的信息处理系统，其中

所述物理条件是在获取所述学习数据或所述测量数据的过程中用户手动调整的参数。

(18)根据(1)至(17)中任一项所述的信息处理系统，其中

所述学习数据和所述测量数据是医疗图像。

(19)一种程序，用于使计算机用作：

获取单元，配置为获取用于生成经学习的模型的学习数据的特征值，所述经学习的模型估计患者或受试者的健康状况；以及

输出单元，配置为基于关于待判断的生物样品的测量数据的特征值和所述学习数据的特征值之间的比较结果来输出处理单元的调整信息。

(20)一种生物样品处理装置，包括：

获取单元，配置为基于学习数据的特征值来获取调整信息，学习数据用于生成估计患者或受试者的健康状况的经学习的模型；以及

处理单元，配置为基于所述调整信息对待判断的生物样品执行处理。

(21)一种程序，用于使计算机用作：

获取单元，配置为获取关于基于用于生成估计患者或受试者的健康状况的经学习的模型的学习数据的特征值而被处理的生物样品的测量数据；以及

估计单元，配置为通过将所述测量数据输入至所述经学习的模型来估计诊断结果。

参考标号列表

1 诊断支持系统

2 AI

10、20 病理系统

11、21 测量装置

12、22 服务器

13、23 显示控制装置

14、24 显示装置

30 医疗信息系统

40 导出装置

41 通信单元

42 存储单元

43 控制单元

51 图像数据获取单元

52 诊断数据获取单元

53 学习单元

54 导出单元

55 经学习的模型

56 预处理单元

57 评价单元

58 预处理估计单元

100 信息处理系统

101 生物样品

102 获取单元

103 处理单元

104 估计单元

105 经学习的模型

106 显示单元

107 学习单元

108 经学习的模型

109 学习数据