CN117678032A - γGT推定装置、γGT推定方法以及程序 - Google Patents

Abstract

过去，在γGT的测定中，需要在被测验者的皮肤刺入针等来有创地采集血液，存在对被测验者而言伴随心理上或肉体上的负担这样的课题。根据本发明，基于事前取得的多个被测验者的属性信息、无创的生物体信息以及血液检查的检查数据，通过机器学习来生成γGT推定模型，由此，能根据给定的用户的属性信息以及无创的生物体信息无创地推定γGT。

Description

γGT推定装置、γGT推定方法以及程序

技术领域

本发明涉及γGT推定装置、γGT推定方法以及程序。

背景技术

过去，γGT一般是采集被测验者的血液进行测定。但在该方法中，需要有创地在被测验者的皮肤刺针等，存在对被测验者而言伴随心理上或肉体上的负担这样的课题。在专利文献1中，公开了从被测定对象物(尿、唾液、汗等)无创地测定谷氨酰转肽酶(γ-GTP)的无创性光学的测定装置，但未明示具体的γ-GTP的测定方法、推定精度。此外，需要在采集一定量的被测定对象物(尿、唾液、汗等)后进行测定。

现有技术文献

专利文献

专利文献1：JP特开2004-226277

非专利文献

非专利文献1：Psychology Research and Behavior Management 2011：4 81-86、Summary of the clinical investigations E.S.Teck Complex March，20，2010要旨

非专利文献2：R.N.Chua，Y.W.Hau，C.M.Tiew and W.L.Hau，″Investigation ofAttention Deficit/Hyperactivity Disorder Assessment Using ElectroInterstitial Scan Based on Chronoamperometry Technique，″in IEEE Access，vol.7，pp.144679-144690，2019，doi：10.1109/ACCESS.2019.2938095.

非专利文献3：Maarek A.Electro interstitial scan system：assessment of10 years of research and development.Med Devices(Auckl).2012；5：23-30.doi：10.2147/MDER.S29319

发明内容

发明要解决的课题

本发明的目的在于，为了无创且精度良好地推定γGT，提供γGT推定装置、γGT推定方法以及程序，能除了通过照射特定的波长的光线而得到的脉搏波数据以外，还基于BMI、血压、心电图数据以及生物体阻抗来推定γGT。

用于解决课题的手段

本发明所涉及的γGT推定装置特征在于，具备：信息取得部，其取得给定的用户的属性信息以及无创的生物体信息；推定模型存储部，其存储γGT推定模型；和推定处理部，其使用γGT推定模型，基于给定的用户的属性信息及/或无创的生物体信息来计算给定的用户的γGT推定值。

特征在于，γGT推定装置还具备：训练数据存储部，其存储训练数据集；学习处理部，其基于训练数据集，通过机器学习来生成γGT推定模型。

特征在于，属性信息包含年龄以及性别的任一者或这些的组合，无创的生物体信息包含BMI、血压、脉搏波数据、心电图数据、生物体阻抗或这些的组合。

特征在于，无创的生物体信息还包含氧饱和度(SpO2)。

特征在于，训练数据集包含被测验者的属性信息、无创的生物体信息、以及从血液测定的γGT测定值。

特征在于，γGT推定值的对数与γGT测定值的对数的相关系数为0.6以上。

特征在于，推定处理部取代γGT推定值而计算γGT风险推定值。

特征在于，学习处理部执行：在训练数据集中，基于从血液测定的γGT测定值来附加表示γGT风险的有无的标签，在标签中，在有γGT风险的数与无γGT风险的数量的差为给定的值以上的情况下，增加训练数据集中的样本数据，以使得减小差。

特征在于，学习处理部基于不同的种类的训练数据集，分别通过机器学习来生成第1γGT风险推定模型以及第2γGT风险推定模型，推定处理部使用第1γGT风险推定模型以及第2γGT风险推定模型来计算给定的用户的γGT风险推定值。

特征在于，还具备：生物体信息推定部，其推定生物体信息中所含的BMI、血压、脉搏波数据、心电图数据以及生物体阻抗、氧饱和度当中至少1个以上生物体信息，信息取得部取得由生物体信息推定部推定的生物体信息，作为给定的用户的生物体信息。

特征在于，除了具备γGT推定装置以外，还具备测定无创的生物体信息的生物体信息测定装置，来构成无创γGT推定系统。

本发明中的γGT推定方法特征在于，包含如下步骤：存储包含被测验者的属性信息、无创的生物体信息以及从血液测定的γGT测定值的训练数据集；基于训练数据集，通过机器学习来生成γGT推定模型；使用γGT推定模型，基于给定的用户的属性信息及/或无创的生物体信息来计算给定的用户的γGT推定值。

本发明中的程序特征在于，使计算机执行如下步骤：存储包含被测验者的属性信息、无创的生物体信息以及从血液测定的γGT的训练数据集；基于训练数据集，通过机器学习来生成γGT推定模型；使用γGT推定模型，基于给定的用户的属性信息及/或无创的生物体信息来计算给定的用户的γGT推定值。

发明的效果

根据本发明，能使用无创的生物体信息，通过机器学习，极其精度良好地推定γGT，或推定γGT的风险。

附图说明

图1是表示γGT推定系统的概略结构的框图。

图2是用于说明ESG(电扫描谱图)的图。

图3是γGT推定装置的硬件结构图。

图4是表示基于机器学习的γGT推定模型的生成执行步骤的流程图。

图5是表示γGT推定处理的执行步骤的流程图。

图6是表示基于机器学习的γGT风险推定模型的生成执行步骤的流程图。

图7是γGT风险推定时使用的神经网络(NN)的分层构造。

图8是表示γGT风险推定处理的执行步骤的流程图。

图9是实施例2中的推定结果的ROC_AUC曲线。

图10是实施例3中的推定结果的ROC_AUC曲线。

具体实施方式

以下参考附图来说明实施方式。另外，实施方式是例示，本发明并不限定于下述的结构。

<装置的功能>

参考图1～图8来说明本实施方式所涉及的γGT推定系统1以及γGT推定装置30。图1是表示本实施方式所涉及的γGT推定系统1的概略结构的框图。γGT推定系统1具备终端装置10、生物体信息测定装置20、γGT推定装置30和显示装置39。

在此，所谓“用户”，是为了无创地得到γGT或其风险的推定值而利用γGT推定系统的人。此外，所谓“被测验者”，是指在进行给定的手续和同意的基础上提供年龄、性别等属性信息、无创的生物体信息以及从血液测定的γGT测定值作为在γGT推定系统中利用的训练数据集的人。

终端装置10只要是能输入用户的属性信息(姓名、ID、年龄、性别等)、且能将所输入的信息经过有线或无线的通信网络向γGT推定装置30输出的信息终端，就可以是任何信息终端。例如，能举出包含平板电脑终端、智能手机、可穿戴终端等的便携终端等或PC(Personal Computer，个人计算机)。

生物体信息测定装置20测定用户的无创的生物体信息。在此，所谓无创的生物体信息，用不需要向皮肤内或向身体的开口部插入器具的方法取得的生物体信息。无创的生物体信息能利用市售的身高计、体重计、血压计、脉搏血氧仪、脉搏波计、心电图计、阻抗测定机、电流皮肤测定机等来测定。此外，还能利用能同时测定脉搏波数据、心电图数据以及生物体阻抗的ES-TEC BC-3(Ryobi Systems)。这些装置不给用户带来心理上或肉体上的负担，就能测定无创的生物体数据。

在本发明的实施方式中，无创的生物体信息包含BMI(身体质量指数)、血压、脉搏波数据、心电图数据以及生物体阻抗的任一者或这些的组合，进一步包含氧饱和度(SpO2)。

BMI根据身高h[m]以及体重w[kg]通过下述的计算式算出。

BMI＝w/h2[kg/m2]

血压包含收缩期血压、舒张期血压、脉压以及平均动脉压的任一者或其组合。

在此，脉压通过下述的式计算。

脉压＝收缩期血压-舒张期血压

此外，平均动脉压通过下述的式计算。

平均动脉压＝舒张期血压+脉压×1/3

由脉搏波计、脉搏血氧仪对手指等体的突出的部位从红色LED照射红色光(～660nm)，从IR LED照射近红外光(～905nm)，对该透过光进行光电晶体管测定，由此来测定脉搏波数据。

脉搏波数据包含脉搏、弹性指数、外周血管阻力、加速度脉搏波、b/a、e/a、-d/a、高泽式加速度脉搏波增龄指数、射血分数、LVET、DEI(重拍弹性指数)的任一者或这些的组合。

在此，所谓弹性指数，是用身高除以指尖容积脉搏波中从收缩期的峰值到检测到舒张期的峰值为止的时间而得到的数值。外周血管阻力通过平均动脉压/心输出量×80求取。DEI(重拍弹性指数)是表示舒张期血管的弹性的指标，能由PWV测定装置测定。0.3～0.7为正常，在0.3以下，有高血压或动脉硬化的可能性，在0.7以上，暗示了急性焦虑型神经症的可能性。

加速度脉搏波是指尖容积脉搏波(photoplethysmogram：PTG)的二次微分波(second derivative of photoplethysmogram：SDPTG)。加速度脉搏波由初始阳性波(a波)、初始阴性波(b波)、收缩中期再上升波(c波)、收缩后期再下降波(d波)以及舒张初始阳性波(e波)构成，上述b/a、e/a、-d/a通过各波高的比例来计算。由于伴随增龄能看到b/a的上升以及c/a、d/a、e/a的降低，因此，能通过高泽式加速度脉搏波增龄指数(b-c-d-e)/a来评价血管的增龄。射血分数是在各心跳中从心室送出的血液的比例，与加速度脉搏波增龄指数成正比。LVET是左心室射血时间，是在大动脉瓣解放后左室内的血液向大动脉射血的时间。

心电图数据能通过基于电极的心电图法(ECG)或光电脉搏波法(PPG)测定。

心电图数据包含呼吸数、心跳数、RR间隔、RR间隔的标准偏差、MxDMn比率、低频带的功率谱、高频带的功率谱、心跳数变动指标LF/HF、总功率的任一者或这些的组合。在此，所谓RR间隔，是心电图的从QRS波到下一QRS波的间隔。所谓MxDMn比率，是时间内最长的RR间隔与最短的RR间隔的比，是不规则的心跳的指数。所谓总功率，是2分钟的分钟测定中的频率0～0.4Hz(VLF，LF，HF)的功率谱的总功率的计算值。该值反应交感神经活动占据主要地位的自主神经系统活动整体。

通过用心电图计算功率谱密度，能计算高频的功率谱比例(0.1875～0.50Hz：HF)、低频的功率谱比例(0.05～0.1875Hz：LF)、LF/HF比、超低频带的功率谱比例(0～0.05Hz：VLF)。

生物体的阻抗(电导，conductance)例如能通过在双脚、双手、左右额计6处电极当中2处之间流过微弱的电来进行测定。若在6处的电极中在2处流过电流，就能测定(1)阳极/阴极电导(μS)、(2)阴极/阳极的电导(μS)、(3)上述(1)中测定的电导与上述(2)中测定的电导的差分(ΔSCRA-SCRC)、(4)电导率(μS/m)。此外，还能同时测定肌肉量、体脂肪量、总水分量、相位角、电阻值。此外，还能测定在右手左手间、右额/>左额间通电时的介电常数(μSi)。优选从6处电极利用22模式的通电性来测定生物体的阻抗(电导)。

生物体阻抗包含体脂肪量(kg)、体脂肪量(％)、除脂肪体重、除脂肪率、肌肉量、总水分量(kg)、总水分量(％)、细胞内水分量(％)、心输出量、1额左侧-2左手/SCRA、1额左侧-2左手/ΔSCRC-SCRA、5左手-6左脚/ΔSCRC-SCRA、13左脚-14右脚/SCRA、15右手-16额左侧/ΔSCRC-SCRA、15右手-16额左侧SCRC、15右手-16额左侧SCRA、19右脚-20左手/ΔSCRC-SCRA、ESG2+4+15+17(μS/m)、ESG6+13+19(％)、ESG6+8+19+21(％)、ESG6+8+19+21(μS/m)、ESG9+10(μS/m)、ESG9+10(％)、左脚的电导、R(Q)、相位角、额路径的介电常数、向额路径的电传导度(9)、单手-单手路径的介电常数、从手到手的电传导度(11、12)、1次输出量(心输出量÷心跳数)的任一者或这些的组合。

在此，所谓SCR，是皮肤电导响应(skin conductance response)的略称，所谓ESG，是电扫描谱图的略称。ESG2+4+15+17的“+”是指用添附于身体的哪个电极进行的测定。例如，所谓ESG2+4+15+17，如图2所示那样，是指在从左手向左额通电时的左手、从右手向右额通电时的右手、从右手向左额通电时的右手、从左手向右额通电时的左手测定的电导的平均值。关于这些电导，在非专利文献1中有详细的记载。另外，关于ESG(电扫描谱图)的测定方法，在非专利文献2、3中记载有详细。

“1额左侧-2左手/SCRA”是在过电以使得“1额左侧”成为阴极、“2左手”成为阳极方向时测定的路径的电导(或传导性)，“5左手-6左脚/ΔSCRC-SCRA”是在“5左手”、“6左脚”间通电成阳极-阴极、阴极-阳极时测定的电导的差分。

关于BMI以及血压，能通过身高体重计、血压计测定。

将所测定的无创的生物体信息经过有线或无线的通信网络向γGT推定装置30输出。生物体信息测定装置20可以是放置的测定装置，也可以是可穿戴终端那样能移动的测定装置。

γGT推定装置30具备第1取得部31、第2取得部32、用户数据存储部33、训练数据存储部34、学习处理部35、推定模型存储部36、推定处理部37和推定数据存储部38。第1取得部31通过终端装置10取得用户的属性信息。此外，第2取得部32通过生物体信息测定装置20取得用户的无创的生物体信息。

用户数据存储部33存储由第1取得部31以及第2取得部32取得的用户的属性信息和无创的生物体信息。

训练数据存储部34存储多个由事前取得的多个被测验者的属性信息、无创的生物体信息、通过血液检查得到的γGT等检体检查信息(测定值)构成的训练数据集，作为用于机器学习的训练数据集。另外，检体检查信息可以进一步包含从血液、尿、大便等得到的检查信息。

学习处理部35取得存储于训练数据存储部34的训练数据集，使用训练数据集来作成γGT的推定模型。具体地，将所取得的训练数据集标准化，通过线性回归的机器学习来学习属性信息以及无创的生物体信息与γGT的关系。

推定模型存储部36存储由学习处理部35生成的γGT的推定模型。

无创的生物体信息包含BMI、血压、脉搏波数据、心电图数据以及生物体阻抗的任一者或其组合。进而，根据需要包含氧饱和度(SpO2)。

推定处理部37使用由学习处理部35生成的推定模型，基于给定的用户的属性信息及/或无创的生物体信息来推定用户的γGT。然后，将γGT推定值存储到推定数据存储部38。

显示装置39将γGT推定值和用户的属性信息、无创的生物体信息一起进行显示。另外，这些数据可以显示于用户所保有的终端装置10。

<装置的硬件结构>

图3是γGT推定装置30的硬件结构图。如图3所示那样，γGT推定装置30由具有一个或多个处理器301、存储器302、存贮器303、输入输出端口304和通信端口305的计算机300构成。处理器301通过执行程序来进行与本实施方式所涉及的γGT推定相关的处理。存储器302暂时存储程序以及程序的运算结果。存贮器303存放执行γGT推定装置30的处理的程序。存贮器303只要能由计算机读取即可，例如能利用记录介质(磁盘、光盘等)、随机存取存储器、闪速存储器、只读存储器等种种记录介质。输入输出端口304通过终端装置10以及生物体信息测定装置20来输入信息，或者向显示装置39进行γGT推定值的输出。通信端口305在与未图示的其他计算机等信息终端之间进行数据的收发。通信的方法能利用无线通信、有线通信。另外，γGT推定装置30能通过市售的桌面PC或笔记本PC安装，利用推定模型的γGT的推定值的算出所需的时间是数秒。

另外，在γGT推定装置30的处理器301中，在进行动作时，上述的第1取得部31、第2取得部32、学习处理部35、推定处理部37等发挥功能。

基于包含BMI(身体质量指数)、血压、脉搏波数据、心电图数据以及生物体阻抗等的无创生物体数据，通过机器学习生成γGT值推定模型，由此，不进行血液检查，就能进行γGT的推定。

此外，如下述那样，即使是限定无创生物体数据中所含的各数据的数量的情况，也能进行γGT是否正常的判定。

<基于机器学习的γGT推定模型的生成>

图4是表示基于机器学习的γGT推定模型的生成执行步骤的流程图。

在步骤ST101，学习处理部35进行输入数据的前处理。具体地，学习处理部35将各被测验者的性别的属性信息向One-hot向量变换。此外，学习处理部35将性别以外的属性信息、各被测验者的无创的生物体信息和通过血液检查得到的γGT的检体检查信息通过yeo-johnson变换、boc-box变换等来标准化。

在步骤ST102，学习处理部35进行基于线性回归的机器学习。基于线性回归的机器学习例如能使用在Python的开源机器学习库即Scikit-learn提供的linear regression。此外，学习处理部35也可以根据需要通过主成分分析来压缩维数。

学习处理部35将通过上述的学习处理生成的γGT推定模型存储到推定模型存储部36。

另外，上述的机器学习算法是-例，并不限定于这些。

<利用γGT推定模型的γGT的推定>

图5是表示γGT推定处理的执行步骤的流程图。

在步骤ST201，γGT测定装置30的第1取得部31通过终端装置10取得用户的属性信息。在步骤ST202，γGT测定装置30的第2取得部32取得用户的无创的生物体信息。然后，将用户的属性信息和无创的生物体信息存储到用户数据存储部33。然后，在步骤ST203，使用存放于推定模型存储部36的γGT推定模型，由推定处理部37算出γGT推定值。

在步骤ST204，使所算出的γGT推定值向推定数据存储部38输出，并存储，在步骤ST205，使γGT推定值向显示装置39等外部终端显示。

<实施例(γGT推定)>

以下记载本申请发明的实施例。但本发明并不限定于以下的实施例。

属性信息包含ID、姓名、年龄、性别的任一者或这些的组合，无创的生物体信息包含BMI、血压、脉搏波数据、心电图数据、生物体阻抗以及氧饱和度(SpO2)的任一者或这些的组合。关于成为BMI的算出基准的身高、体重，分别通过身高计以及体重计测量，关于血压，通过血压计测定。此外，关于脉搏波数据、心电图数据、生物体阻抗、氧饱和度(SpO2)，通过ES-TEC BC-3(Ryobi Systems)测定。另外，也可以取代ES-TEC BC-3，组合使用市售的脉搏波计、心电图计、阻抗测定装置、脉搏血氧仪。此外，也可以使用给定的可穿戴终端取得上述的无创的生物体信息。

生物体阻抗(电导)的测定通过在双脚、双手、左右额的计6处的电极当中的2处之间流过微弱的电来进行测定。电压和电流分别设为1.28V、200μA，电导每1秒测定32毫秒期间。在6处的电极中，在2处流过电流，来测定(1)阳极/阴极电导(μS)、(2)阴极/阳极的电导(μS)、(3)上述(1)中测定的电导与上述(2)中测定的电导的差分(ΔSCRA-SCRC)、(4)电传导度(μS/m)。

此外，测定肌肉量、体脂肪量、总水分量、相位角、电阻值，还测定在右手左手间、右额/>左额间通电时的介电常数(μSi)。

通过ES-TEC BC-3，对各被测验者进行2分钟的脉搏波数据、心电图数据、生物体阻抗以及氧饱和度(SpO2)的测定。在进行测定时，在被测验者的左手食指装备具备心电图、脉搏波计以及脉搏血氧仪的功能的设备，在额装备2个电极，在坐在椅子的状态下将双手双脚置于电极板上。

<学习模型1>

在学习模型1中，如图4所示那样，进行基于线性回归的机器学习。

这时，作为属性信息以及无创的生物体数据，选择、使用下述所示的数据。(A)属性信息·性别、年龄(B)无创的生物体数据·体重、循环血液量·血压…平均动脉压、舒张期血压·脉搏波数据…弹性指数、射血分数·生物体阻抗…除脂肪体重(kg)、体脂肪量(kg)、肌肉量(％)、总水分量(kg)、心输出量、1额左侧-2左手/SCRA、ESG2+4+15+17(μS/m)、ESG6+8+19+21(μS/m)、EGS9+10(μS/m)、向额路径的电传导度、从手到手的电传导度·心电图数据…心跳数、RR间隔的标准偏差、LF/HF，在此，ESG9+10是在图2所示的部位测定的阻抗的平均值。[μS/m]是实测平均值的单位，[％]是将实测平均值标度变换成能进行通常测量的范围内的值。

此外，在无创的生物体数据中，还包含根据将心输出量除以心跳数而得到的1次输出量、SpO2以及心输出量计算出的氧输送量。

<实施例1>

在实施例1中，使用总计被测验者712名的(1)属性信息、(2)由身高体重计、血压计以及ES-TEC BC-3测定的无创的生物体信息以及(3)通过与无创的生物体信息测定同日进行的血液检查得到的γGT的训练数据集，经过上述学习模型1的机器学习，生成γGT推定模型。另外，在机器学习中，使用将通过液检查得到的γGT的测定值变换成对数的值。

然后，通过计算与通过血液检查得到的γGT的测定值的对数的相关系数来判定γGT推定模型的推定精度。

其结果，成为γGT推定值与实际的γGT的误差的平均：5.64、标准偏差：46.49、标准误差：3.48。γGT的实测值的对数与预测的γGT的对数的相关系数是0.61。此外，无相关检验的结果p值不足0.001，在通过本推定模型推定的γGT值与通过血液检查得到的γGT值之间有相关关系。

如上述那样，基于包含BMI(身体质量指数)、血压、脉搏波数据、心电图数据以及生物体阻抗等的无创生物体数据，通过机器学习生成γGT推定模型，由此，不进行血液检查，就能进行γGT的推定。

此外，如下述所示那样，即使是限定无创生物体数据中所含的各数据的数量的情况，也能进行“γGT风险”、即γGT的值是否正常的判定。

<基于机器学习的γGT风险推定模型的生成>

根据本发明，还能取代γGT推定值，计算γGT风险推定值。

图6是表示基于机器学习的γGT风险推定模型的生成执行步骤的流程图。

在步骤ST301，学习处理部35进行输入数据的前处理。具体地，学习处理部35对于通过血液检查得到的γGT的测定值，将γGT50U/L以下变换成0(无风险)，将51U/L以上变换成1(有风险)。此外，在被分类成0的人数与被分类成1的人数偏离而不均衡的情况下，学习处理部35可以对学习数据运用SMOTE(Chawla，NV.et a1.2002)，人工地生成训练样本。即，在输入数据(训练数据集)中，基于通过血液检查得到的γGT的测定值来附加表示γGT风险的有无的标签(例如上述的0或1)，在该标签，在有γGT风险(标签：1)的数量与无γGT风险(标签：0)的数量的差为给定的值以上的情况下，增加(生成)训练数据集中的样本数据，以使得减小该差。

在步骤ST302，学习处理部35并行地进行基于图6所示的神经网络、随机森林、逻辑回归的机器学习。

在步骤ST303，学习处理部35对基于逻辑回归、神经网络(NN)以及随机森林的机器学习的学习结果进一步进行集成学习(投票)。

图7是作为γGT风险推定模型而使用的神经网络(NN)的构造。D是检查项目的数量。长方形表示进行数据的变换的层群，圆角长方形表示输入输出数据。D是检查项目的数量。神经网络(NN)的构造经由4个层群(Compile A1、Compile A2、CompileA3、CompileA4、Compile B1)按照D维、96维、64维、64维、64维、1维的顺序来变换数据。

此外，Compile A1、A2、A3、A4包含进行全连接处理的全连接层“Linear”、进行ReLU处理的“ReLU”层，层群Compile B1包含进行全连接处理的全连接层“Linear”以及进行最佳化处理的“Adam”层。层群Compile A1的全连接层的输入单元相当于输入层，层群CompileB1的输出单元相当于输出层，位于它们之间的单元相当于中间层(隐藏层)。在中间层包含将一部分输入值抑制在0来防止过学习的Dropout层以及按学习时的每个迷你批(minibatch)进行标准化的BN(Batch Normalization，批标准化)层。

在基于逻辑回归的机器学习中，例如能使用在Python的开源机器学习库即Scikit-learn提供的逻辑回归(Logistic Regression)。此外，根据需要，也可以通过主成分分析来压缩维数。将通过血液检查得到的γGT风险和通过机器学习推定的γGT风险进行比较，调整逻辑回归的各参数(C、正则化方法、max_iter、solber)，以使得f1评分成为最大。在此，所谓C，是决定正则化的强度的折衷参数，值越大，则正则化强度越弱。所谓正则化方法，是指L1正则化或L2正则化，对其进行选择。max_iter是反复学习的最大次数。在solber中，选择将交叉熵误差最小化的收敛方法(例如L-BFGS法、牛顿CG法、liblinear、sag以及saga)。另外，在下述的实施例2、3中选择liblinear法。

在基于随机森林的机器学习中，例如能使用在Python的开源机器学习库即Scikit-learn提供的随机森林分类器(Random Forest Classifier)。将通过血液检查得到的γGT风险和通过机器学习推定的γGT风险比较，调整随机森林分类器的各参数(max_depth、max_features、n_estimators)，以使得f1评分成为最大。在此，所谓max_depth，是决策树的深度，所谓max_features，指定各个树的随机性。所谓n_estimators，是所构建的决策树的数量。其中，max_depth为无None或1～7，subsample为0.3～0.7，max_features选择“auto”、“sqrt”、“log”当中的最优者，n_estimator在10～1000的范围内进行调整。

学习处理部35将通过上述的学习处理生成的γGT风险推定模型存储在推定模型存储部36。

另外，上述的机器学习算法是一例，并不限定于这些。

<利用γGT风险推定模型的γGT风险的推定>

如图8所示那样，在步骤ST401，γGT风险推定装置30的第1取得部31通过终端装置10取得用户的属性信息。在步骤ST402，γGT风险推定装置30的第2取得部32取得用户的无创的生物体信息。然后，将用户的属性信息和无创的生物体信息存储到用户数据存储部33。然后，在步骤ST403，使用存放于推定模型存储部36的γGT风险推定模型，由推定处理部37算出属于等级0(无风险)或等级1(有风险)的概率、即γGT风险推定值。在步骤ST404，将所算出的γGT风险推定值存储到推定数据存储部38，在步骤ST405，将γGT风险推定值向显示装置39等外部终端输出，进行显示。

<实施例(γGT风险推定)>

以下记载γGT风险推定的实施例。但本发明中的γGT风险推定的方式并不限定于以下的实施例。

在属性信息中包含ID、姓名、年龄、性别，在无创的生物体信息中包含BMI、血压、脉搏波数据、心电图数据、生物体阻抗以及氧饱和度(SpO2)。关于成为BMI的算出基准的身高、体重，分别通过身高计以及体重计测量，关于血压，通过血压计测定。此外，关于脉搏波数据、心电图数据、生物体阻抗、氧饱和度(SpO2)，通过ES-TEC BC-3(Ryobi Systems)测定。另外，也可以取代ES-TEC BC-3而组合使用市售的脉搏波计、心电图计、阻抗测定装置、脉搏血氧仪。此外，可以使用给定的可穿戴终端来取得上述的无创的生物体信息。

生物体阻抗(电导)的测定通过在双脚、双手、左右额的计6处的电极当中2处间流过微弱的电来进行测定。电压和电流分别设为1.28V、200μA，电导每1秒测定32毫秒。在6处的电极中在2处流过电流，测定(1)阳极/阴极电导(μS)、(2)阴极/阳极的电导(μS)、(3)上述(1)中测定的电导与上述(2)中测定的电导的差分(ΔSCRA-SCRC)、(4)电导率(μS/m)。

此外，测定肌肉量、体脂肪量、总水分量、相位角以及电阻值，还测定在右手左手间、右额/>左额间通电时的介电常数(μSi)。

由ES-TEC BC-3对各被测试者进行脉搏波数据、心电图数据、生物体阻抗以及氧饱和度(SpO2)的测定2分钟。在测定时，在对被测试者的左手食指装备具备心电图、脉搏波计以及脉搏血氧仪的功能的设备，在额装备2个电极，在坐在椅子的状态下将双手双脚置于电极板上。

<学习模型2>

在学习模型2中，如图6所示那样，与基于神经网络的机器学习并行地进行基于逻辑回归以及随机森林的机器学习，对这些学习结果进行基于投票的集成学习，由此作成γGT风险推定模型。这时，作为无创的生物体数据，选择、使用下述所示的数据。(A)属性信息-年龄(B)无创的生物体数据-体重、BMI、循环血液量·血压…收缩期血压、舒张期血压·脉搏波数据…弹性指数·心电图数据…呼吸数、心跳数、MxDMn比率·生物体阻抗…总水分量(kg)、ESG2+4+15+17(μS/m)、单手-单手路径的介电常数

<学习模型3>

在学习模型3中，如图6所示那样，进行基于逻辑回归的机器学习。这时，作为无创的生物体数据，选择、使用下述所示的数据。(A)属性信息·性别、年龄(B)无创的生物体数据·BMI·血压…收缩期血压、脉压·脉搏波数据…外周血管阻力、脉搏·心电图数据…呼吸数、心跳数·生物体阻抗…肌肉量(％)、15右手-16额左侧/SCRA、ESG2+4+15+17(μS/m)、ESG6+8+19+21(μS/m)、EGS9+10(μS/m)、ESG9+10(％)、R(Ω)

此外，在无创的生物体数据中还包含通过脉压/脉搏的数据SpO2以及心输出量而计算出的氧输送量。

<实施例2>

在实施例2中，使用被测验者321名的(1)属性信息、(2)通过身高体重计、血压计以及ES-TEC BC-3测定的无创的生物体信息以及(3)通过与无创的生物体信息测定同日进行的血液检查得到的γGT的训练数据集，经过上述学习模型2的机器学习，来生成γGT风险推定模型。

然后，对于γGT风险推定模型的推定精度，通过ROC_AUC曲线来评价推定结果。其结果，ROC_AUC示出0.87，超过能进行极其良好的分类的0.8。将实施例2的推定结果的ROC-AUC曲线在图9示出。

<实施例3>

在实施例3中，使用总计被测验者712名的(1)属性信息、(2)通过身高体重计、血压计以及ES-TEC BC-3测定的无创的生物体信息以及(3)通过与无创的生物体信息测定同日进行的血液检查得到的γGT的训练数据集，经过上述学习模型3的机器学习，来生成γGT风险推定模型。

然后，关于γGT风险推定模型的推定精度，通过ROC_AUC曲线来评价推定结果。其结果，ROC_AUC示出0.77，超过表示能进行良好的分类的0.7。将实施例3的推定结果的ROC_AUC曲线在图10示出。

(变形例)

在上述的实施方式中，说明了使用学习模型2或学习模型3推定γGT风险的示例，但也可以使用多个学习模型来推定γGT风险。

由此，比起使用1个学习模型推定γGT风险，能更高精度地进行推定。

此外，在上述的实施方式以及实施例中，由于能看到若使用BMI作为学习模型的数据集就提升推定精度的事例，因此，可以在γGT风险推定装置中设置推定该BMI的功能部。

BMI一般不由可穿戴终端等取得，根据用户所输入的身高、体重求取，通过推定该BMI，仅取得生物体信息就能取得上述的γGT风险，因此，对用户而言便利性提升。

BMI的推定方法并没有特别限定，例如，BMI已知与用户的腹部的(给定的位置的)倾斜度有相关。为此，例如，可以在用户的腹部设置给定的加速度传感器(或者使具备加速度传感器的腕带型的可穿戴终端等碰到腹部)，基于从该加速度传感器输出的数据求取腹部的倾斜度，来推定BMI。

此外，与上述同样，关于脉搏波数据、氧饱和度，可以使用具备脉搏波传感器或中氧浓度传感器的腕带型的可穿戴终端等来推定。

此外，与上述同样，关于血压，也可以使用腕带型的可穿戴终端等来推定。由于已知有通过心跳经过动脉送来的脉搏波的速度与血压的相关，因此，可以使用测定通过该心跳经过动脉送来的脉搏波的速度的给定的传感器来推定血压。

此外，与上述同样，关于心电图数据，也可以使用腕带型的可穿戴终端等来推定。例如，能基于从设于腕带型的可穿戴终端的与显示面相反侧的面的电极和设于显示面侧的电极得到的数据来推定心电图数据。具体地，可以根据通过装备腕带型的可穿戴终端的手(例如左手)的手腕与设于上述相反侧面的电极相接、与进行该装备的手相反侧的手(例如右手)指尖与设于上述显示面侧的电极相接而得到的数据，来推定心电图数据。

此外，与上述同样，关于生物体阻抗，也可以使用具备各种电极的腕带型的可穿戴终端等来推定生物体阻抗。例如，可以使用腕带型的可穿戴终端等，基于从胸部和手腕得到的生物体信息来推定生物体阻抗。

另外，可以将能在可穿戴终端取得的生物体信息和上述的推定对象的生物体信息(BMI、血压、脉搏波数据、心电图数据、以及生物体阻抗、氧饱和度当中至少1个以上生物体信息)作为示教数据，使用用种种机器学习算法生成的分类器，来推定上述的推定对象的生物体信息。

另外，在该情况下，上述的第2取得部可以取得所推定的生物体信息。

(其他)

此外，例如，上述的一系列处理能通过硬件执行，还能通过软件执行。换言之，上述的功能结构只是例示，并没有特别限定。即，在信息处理系统中具备能将上述的一系列处理作为整体执行的功能即足够，为了实现该功能使用怎样的功能块并不特别限定于上述的示例。此外，功能块所存在的位置也并不特别限定于图1，可以是任意的。例如，可以将服务器的功能块移交到其他终端、装置等。反之，也可以将其他终端、装置的功能块移交到服务器等。此外，一个功能块可以由硬件单体构成，可以由软件单体构成，也可以由它们的组合构成。

在通过软件执行一系列处理的情况下，构成该软件的程序从网络、记录介质安装到计算机等。计算机可以是装入专用的硬件的计算机。此外，计算机可以是能通过安装各种程序来执行各种功能的计算机，例如除了服务器以外，还可以是通用的智能手机、个人计算机。

包含这样的程序的记录介质不仅由为了对用户等提供程序而与装置主体分开分发的未图示的可移动介质构成，还由以预先装入装置主体的状态提供给用户等的记录介质等构成。程序由于能经由网络发布，因此，记录介质可以是搭载于与网络连接或能连接的计算机或能访问的记录介质。

另外，在本说明书中，记述了记录于记录介质的程序的步骤当然包含按照该顺序在时间序列上进行的处理，但不一定非要在时间序列上进行处理，还包含并列或个别执行的处理。此外，在本说明书中，系统的用语是指由多个装置、多个手段等构成的整体的装置。

附图标记的说明

1 γGT推定系统

10 终端装置

20 生物体信息测定装置

30 γGT推定装置

31 第1取得部

32 第2取得部

33 用户数据存储部

34 训练数据存储部

35 学习处理部

36 推定模型存储部

37 推定处理部

38 推定数据存储部

39 显示装置

300 计算机

301 处理器

302 存储器

303 存贮器

304 输入输出端口

305 通信端口

Claims (13)

1.一种γGT推定装置，其特征在于，具备：

信息取得部，其取得给定的用户的属性信息以及无创的生物体信息；

推定模型存储部，其存储γGT推定模型；和

推定处理部，其使用所述γGT推定模型，基于所述给定的用户的属性信息及/或无创的生物体信息来计算所述给定的用户的γGT推定值。

2.根据权利要求1所述的γGT推定装置，其特征在于，

所述属性信息包含年龄以及性别的任一者或这些的组合，

所述无创的生物体信息包含BMI、血压、脉搏波数据、心电图数据、以及生物体阻抗的任一者或这些的组合。

3.根据权利要求1或2所述的γGT推定装置，其特征在于，

所述γGT推定装置还具备：

训练数据存储部，其存储训练数据集；和

学习处理部，其基于所述训练数据集，通过机器学习来生成所述γGT推定模型。

4.根据权利要求3所述的γGT推定装置，其特征在于，

所述训练数据集包含被测验者的属性信息、无创的生物体信息以及从血液测定的γGT测定值。

5.根据权利要求4所述的γGT推定装置，其特征在于，

所述无创的生物体信息还包含氧饱和度即SpO2。

6.根据权利要求4或5所述的γGT推定装置，其特征在于，

所述γGT推定值的对数与所述γGT测定值的对数的相关系数为0.6以上。

7.根据权利要求3～6中任一项所述的γGT推定装置，其特征在于，

所述训练数据集包含被测验者的无创的生物体信息以及从血液测定的γGT测定值，

所述推定处理部取代所述γGT推定值而计算γGT风险推定值。

8.根据权利要求7所述的γGT推定装置，其特征在于，

所述学习处理部执行：

在所述训练数据集中，基于从血液测定的γGT测定值来附加表示所述γGT风险的有无的标签，

在所述标签中，在有所述γGT风险的数量与无所述γGT风险的数量的差为给定的值以上的情况下，增加所述训练数据集中的样本数据，以使得减小所述差。

9.根据权利要求7所述的γGT推定装置，其特征在于，

所述学习处理部基于不同的种类的训练数据集，分别通过机器学习来生成第1γGT风险推定模型以及第2γGT风险推定模型，

所述推定处理部使用所述第1γGT风险推定模型以及所述第2γGT风险推定模型，来计算所述给定的用户的γGT风险推定值。

10.根据权利要求1～8中任一项所述的γGT推定装置，其特征在于，

所述γGT推定装置还具备：

生物体信息推定部，其推定所述生物体信息中所含的BMI、血压、脉搏波数据、心电图数据以及生物体阻抗、氧饱和度当中至少1个以上生物体信息，

所述信息取得部取得由所述生物体信息推定部推定的生物体信息，作为所述给定的用户的生物体信息。

11.一种无创γGT推定系统，其特征在于，具备：

权利要求1～10中任一项所述γGT推定装置；和

生物体信息测定装置，其测定无创的生物体信息。

12.一种γGT推定方法，其特征在于，包括如下步骤：

存储包含被测验者的属性信息、无创的生物体信息以及从血液测定的γGT测定值的训练数据集；

基于所述训练数据集，通过机器学习来生成γGT推定模型；和

使用所述γGT推定模型，基于给定的用户的属性信息及/或无创的生物体信息来计算所述给定的用户的γGT推定值。

13.一种程序，其特征在于，使计算机执行如下步骤：

存储包含被测验者的属性信息、无创的生物体信息以及从血液测定的γGT测定值的训练数据集；

基于所述训练数据集，通过机器学习来生成γGT推定模型；和

使用所述γGT推定模型，基于给定的用户的属性信息及/或无创的生物体信息来计算所述给定的用户的γGT推定值。