検査画像情報を取り入れた医師国家試験自動解答プログラムの構築

(1)

医療情報学会・人工知能学会 AIM 合同研究会資料 SIG-AIMED-002-06

検査画像情報を取り入れた医師国家試験自動解答プログラムの

構築

Development of a question-answering program for the medical

licensing examination with clinical images

川村健史

1

_{伊藤詩乃}

1

_{榊原康文}

1∗

Kenji Kawamura

1

_{Shino Ito}

1

_{Yasubumi Sakakibara}

1 1

_{慶應義塾大学}

1

_{Keio University}

Abstract: _{In our previous study, toward a final goal to construct a medical diagnostic support} system, we developed a question-answering program that automatically answers the medical li-censing examination as its pilot study. In this study, we extend the question-answering program to dealing with the clinical images.

1 はじめに

私たちはこれまで，病名診断支援システムの構築を最終目標として，そのパイロット研究として，医師国家試験を自動解答するプログラムの構築を行ってきた [1]．医師国家試験 [2] の問題文は電子カルテの記述と類似しており，医療の現場で用いられる病歴報告に近いものである．その中でも問題文として患者の症状や検査結果が与えられ，医学的な知識と診断能力を問うために，選択肢の中から適切な病名を解答する形式のもの（臨床実地問題）がある．先行研究 [1] において，このタイプの問題を解答することで，医療現場における患者情報からの病名診断システムの土台を築いた. しかし，先行研究では臨床問題内に検査画像が含まれているものに関しては解析の対象外としていた．現場の医療情報には，検査画像が存在しているものが多く，そのため，検査画像を含む臨床問題にも対応することは必須の課題である．本研究では，医師国家試験の画像から情報を読み取り，医師国家試験の臨床問題のうち画像があるものを自動解答するプログラムの構築を目的とした．

2 方法

2.1 問題解答プログラムの構成

問題解答プログラムの概要を以下に示す． ∗_{連絡先：慶應義塾大学理工学部生命情報学科} 〒 223-8522 横浜市港北区日吉 3-14-1 E-mail: [email protected] ၥ㢟ᩥ䛛䜙䛾⑕≧ ⏬ീゎᯒ 䝥䝻䜾䝷䝮 ၥ㢟ᩥ ၥ㢟⏬ീ ẚ ㍑ ⏬ീ䛜䜒䛴 ⑕≧ ゎ⟅ ⏬ീ䜰䝜䝔䞊䝅䝵䞁䝕䞊䝍䝧䞊䝇 ၥ㢟 ⏬ീ ⏬ീ䜰䝜䝔䞊䝅䝵䞁䝕䞊䝍䝧䞊䝇䝹䞊䝹䝧䞊䝇 ၥ㢟ᩥ⏝ 䝹䞊䝹 ⏬ീ⏝ 䝹䞊䝹䝇䝁䜰ィ⟬ 図 1: 自動解答プログラムの構成図 1 に示した通り，まず，検査画像とその画像に対する注釈（所見など）を結合したものを多数集めた画像アノテーションデータベースと，各病名に対して症状や検査画像に注釈された所見との関係をまとめたルールベースを作成した．次に，医師国家試験の問題画像とデータベース中の画像を比較し，類似画像を検索した．そして，類似画像がもつ注釈と問題文から得られた症状をルールベースと照らし合わせ，それらの症状をもつ病名にスコアを加えた．最終的に，スコアが最も高い病名を解答とした．以下に，詳細を述べる．問題中に示された画像と類似比較を行うために，検査画像とその画像にアノテーション情報を付けたものを多数集めたデータベースを構築した（図 2）．検査画像は，インターネット上に公開されているもの [3, 4] を利用した．医師国家試験問題では，問題文中において画像を参 06-1

(2)

\ñw°ûªÌîå âèæ æAme[V f[^x[X âèæÌÇó æA iÞj \ñw°ûªÌîå iAme[Vj ð æB iAme[Vj . . . 図 2: 画像アノテーションデータベース照させる際に部位名と画像種類名が明記されている．そのため，本研究では，収集した検査画像を各部位・各画像種類ごとに区別し，類似比較を行う際に，問題文中に明記された部位や画像種類に限定して画像データベース内を検索することで，精度良く効率的に類似比較を行えるようにした．画像アノテーションデータベースにおいて類似している画像を検索し，その類似画像のアノテーション情報を画像がもつ症状として出力する画像解析プログラムを構築した．類似画像比較には，ORB アルゴリズム（Oriented FAST and Rotated BRIEF）[5] を用いた．

問題文からの症状抽出には，先行研究の手法 [1] を用いた．各病名に対して，症状や検査画像におけるアノテーション情報との関係を表にまとめたルールベースを構築した．各症状や画像アノテーション情報をもつすべての病名にスコアとして 1 を加算し，持たない病名には 0 を加算した．問題画像から画像解析プログラムによって出力された画像がもつ症状と問題文から得られた症状をルールベースと照らし合わせ，選択肢の病名について該当する症状のスコアを足し合わせる．そして，最もスコアの高い病名を解答として出力した．

2.2 解答対象

平成 26 年に行われた第 108 回医師国家試験の臨床実地問題のうち，検査画像を含む 17 題について解答を行った．具体的には，平成 26 年に行われた第 108 回の医師国家試験問題のうち，以下の条件に当てはまる問題を用いた．（1）問題文において患者の症状・検査結果などが示され，選択肢の中から適切な病名を解答する問題．（2）検査画像が示されている問題．このような条件に当てはまる問題は全部で 28 問存在したが，この中で 11 題は画像データベースを構築する上でデータ不足のために対象外とした．

3 結果

解答結果を表 1 にまとめる．ここで，(a) は「解答を 1病名選択し，正答した」，(b) は「解答を複数病名選択し，その中に正答があった」，(c) は「誤った解答のみを選択した」，(d) は「解答を選択できなかった」，を表す．表 1: 第 108 回医師国家試験問題解答結果．問題文と画像を問題文のみ用いて解答用いて解答 (a) 9題 5題 (b) 4題 1題 (c) 4題 10題 (d) 0題 1題プログラムが複数解答した中に正答が含まれている場合，解答が複数解答のなかからランダムに一つ出力されると考え，その割合を加算した．すなわち，表 1(b) に関しては，半分の確率で正答すると考えることとする．プログラムの正答率は下記のようになった： 9 + 4 ∗ 1 2 17 ∗ 100 = 64.7% この問題を問題文のみを用いて解答したときの正答率は 32.4%となったため，問題文に検査画像を加えて解析して解答することで正答率が上昇したと言える．一方で，実際の医師国家試験では，臨床問題の合格基準は 10 年間の平均で 66.6%となっており，これにはわずかに届かない結果となった．複数解答や不正解となった問題においては，問題画像からの症状を正しく得られなかったものが多かった．本プログラムで用いた類似画像検索アルゴリズムのパラメータには調整可能なものが 4 つあり，それらを最適化することで精度上昇が見込まれる．また，検査画像データの収集不足によるスコアの誤りが起きてしまった問題もあった．例えば，アレルギー性肉芽腫性血管炎の画像を集める際に，「すりガラス陰影」や「浸潤影」を示す画像を収集することができず，スコアを付けることができなかった．さらに，本プログラムで構築した病名判定ルールでは，症状の有る無しに対して，単純に 1 と 0 のスコアを付けている．固定しているスコアの値を，その病名に特徴的な症状は高く，一般的な症状は低くして差別化することで，複数解答の問題点を解決できると考えられる． 06-2

(3)

4 おわりに

医師国家試験問題のうち，検査画像を含む臨床実地問題の自動解答プログラムを構築した．第 108 回医師国家試験問題について解答を行った．問題文の症状に問題画像から得られる症状を追加することで正解率が上昇した．今後の課題として，スコアの最適化により正答率の上昇が見込まれるものが複数あげられた．また，データベース中の検査画像をより多く収集することで正確なスコアがつき，正答率が上昇すると考えられる.

参考文献

[1] 伊藤詩乃, 田中佑岳, 狩野芳伸, 榊原康文: 医師国家試験を自動解答するプログラムの構築, 人工知能学会論文誌・論文特集「人工知能学会創立 30 周年記念論文特集」, in press, 2016. [2] 厚生労働省: 第 108 回医師国家試験の問題および正答について, (http://www.mhlw.go.jp/seisakunitsuite/bunya/ kenkou iryou/iryou/topics/tp140512-01.html). [3] 日本病理学会 (Japanese Society of Pathology)

教育委員会: 病理コア画像,

(http://pathology.or.jp/corepictures2010/index.html). [4] 国立がん研究センター情報委員会: がん診療画像

レファレンスデータベース,

(http://cir.ncc.go.jp/jp/index.html).

[5] Edward, R., et al.: Faster and better: A machine learning approach to corner detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.32, 1, 105-119, 2008.

検査画像情報を取り入れた医師国家試験自動解答プログラムの構築