JP2000501869A - ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび生化学診断テストを選択する方法 - Google Patents

Abstract

(57)【要約】 ニューラルネットワークなど、意思決定支援システムを使用して、医療診断テストを開発する方法が提供される。患者のデータまたは情報、一般に患者の病歴または臨床データは、重要な変数または関連する変数を識別するために意思決定支援システムによって分析され、意思決定支援システムは患者データに基づいてトレーニングされる。患者データは、使用できる場合、生化学テストデータ、または結果によって増大して、性能を改善する。得られた意思決定支援システムは、特定の観測値およびテスト結果を評価し、生化学診断テストまたは他の診断テストの開発を案内し、１クールの治療法を評価し、新しい診断テストおよび疾病マーカを識別し、有用な療法を識別し、テスト用の意思決定支援機能を提供するために使用される。テストの開発を案内するために意思決定支援システムをトレーニングする場合に使用される医療診断テスト用の重要な入力変数を識別し、そのようなテストの感度および特異性を改善し、疾病状態の全体的な診断またはその可能性を改善し、かつ選択された療法プロトコルの有効性を評価することを可能にする診断テストを選択する方法が提供される。識別の方法は、統計を使用して結果を決定する分野において適用できる。また、所与の診断テストの有効性を評価する方法も提供される。

Description

【発明の詳細な説明】ニューラルネットワーク関連アプリケーションを使用して医療診断テストおよび 生化学診断テストを撰択する方法 本出願は、１９９６年２月９日出願、Jerome Lapointe および Duane DeSieno の米国特許出願第０８／５９９２７５号「METHOD FOR DEVEL0PING MEDICAL AND BI0CHEMICAL DIAGN0STICTESTS USING NEURAL NETW0RKS」の一部継続出願であり 、かつ１９９６年２月９日出願、Jerome Lapointeおよび Duane DeSienoの米国 仮特許出願第６０／０１１４４９号「METHOD ANDAPPARATUS FOR AIDING IN THE DIAGNOSIS OF ENDOMETRIOSIS USINGA PLURALITY OF PARAMETERS SUITED F0R ANA LYSIS THROUGH ANEURAL NETWORK」の３５Ｕ．Ｓ．Ｃ§１１９（ｅ）による優先 権を主張するものである。 上記の出願および仮出願それぞれの主題は、全体として参照により本発明の一 部となる。 マイクロフィッシュ付録 本明細書に記載のプログラム用のコンピュータプログラムソースコードを含む 二つのコンピュータ付録は、本願の出願と同 時に提出されている。このコンピュータ付録は、３７Ｃ．Ｆ．Ｒ．１．９６（ｂ ）に従ってマイクロフィッシュ付録に変換できる。以下「マイクロフィッシュ付 録」と呼ぶコンピュータ付録は、それぞれ全体として参照により本発明の一部と なる。 したがって、本特許文献の開示の一部は、著作権保護を受ける資料を含む。著 作権所有者は、本特許文献または特許開示のいずれかが特許商標庁特許ファイル またはレコードに記載されたときに、それによるファクシミリ複製に異議はない が、それ以外の場合すべての著作権はどんなものでも留保する。 発明の分野 本発明の主題は、医療診断補助装置の開発のための、予測技術、特に非線形予 測技術の使用に関する。特に、医療診断ツールおよび診断の方法の開発のために 患者病歴情報からの入力を有するニューラルネットワークおよび他のエキスパー トシステムに対して有効なトレーニング技法が提供される。 発明の背景 データ収集、意思決定支援システムおよびニューラルネットワーク いくつかのコンピュータ意思決定支援システムは、情報を分 類し、かつ入力データ中のパターンを識別する能力を有し、大量の変数を有する データセットおよび変数間の複雑な相互作用を評価する場合に特に有用である。 集合的に「データ収集」または「データベース中の知識発見」（本明細書では意 思決定支援システム）と呼ばれるこれらのコンピュータ意思決定システムは、プ ロセッサ、内部デバイスおよび周辺デバイス、メモリデバイスおよび入出力イン タフェースを有する同じ基本ハードウェア構成要素、例えば、パーソナルコンピ ュータ（ＰＣ）を使用する。システム間の区別は、ソフトウェア中で起こり、よ り基本的には、ソフトウェアがそれに基づいているパラダイム中で起こる。意思 決定支援機能を提供するパラダイムは、回帰方法、決定ツリー、判別分析、パタ ーン認識、ベイズの決定理論、およびファジー諭理を含む。より広く使用されて いる意思決定支援コンピュータシステムの一つは人工ニューラルネットワークで ある。 人工ニューラルネットワークまたは「ニューラルネット」は、ニューロンと呼 ばれる個々の処理要素が層中に配列され、連続的な層中の要素間の多数の相互接 続を備える並列情報処理ツールである。処理要素の働きは、処理要素の出力が一 般に非線形 の伝達関数によって決定される生物学神経細胞に近似するようにモデル化される 。ニューラルネットワークの代表的なモデルでは、入力を受け取る要素用の入力 層、出力を発生する一つまたは複数の要素を含む出力層、およびそれらの間の要 素の一つまたは複数の隠れた層中に処理要素が配列される。隠れた層は、非線形 問題をそれによって解決できる手段を与える。処理要素中、要素への入力信号は 、各入力に関連する重み係数に従って算術的に重み付けされる。得られた重み付 けされた合計は、Ｓ字形関数など、選択された非線形伝達関数によって変換され て、各処理要素ごとに、その値が０から１まで変動する出力をもたらす。学習プ ロセスは「トレーニング」と呼ばれ、特定の処理要素が、他の処理要素の出力と 結合したときにニューラルネットワークの出力とトレーニングデータ中に提示さ れた所望の出力との間に生じた誤差を最小限に抑える結果を発生する出力を与え るように、処理要素の重みに対する一連のインタラクティブ調整を必要とする試 行錯誤プロセスである。要素の重みの調整は誤差信号によってトリガされる。ト レーニングデータは、各例がニューラルネットワークに提示されるべき一組の入 力値および関連する一組の所望の出力値を含むいくつかのトレーニ ング例として説明される。 一般的なトレーニング方法は、誤差信号をネットワーク中を逆方向に伝搬させ る逆方向伝搬または「バックプロップ」である。誤差信号は、所与の要素の重み をどのくらい変化させるべきかおよび誤差勾配を決定するために使用される。そ の目的は、平均二乗誤差の大域的最小値に収束することである。収束に向かう経 路、すなわち下り勾配はステップの形でとられる。各ステップは、処理要素の入 力重みの調整である。各ステップのサイズは学習率によって決定される。下り勾 配の傾斜は、収束が達成されたという誤った印象を与え、不正確な結果をもたら す極小値の働きをする谷を有する平坦な領域および急な領域を含む。 バックプロップのいくつかの変形は、前の重み変化値の一部が現在の値に追加 される運動量項を組み込む。これは、運動量をアルゴリズムの軌道の下り勾配中 に追加する。これは、アルゴリズムの軌道が極小値中に「捕獲」されるのを防ぐ 。運動量項を含む一つの逆方向伝搬方法は、運動量率が適応性のある「クイック プロップ」である。クイックプロップ変形は、Fahlman（「Fast Learning Var iations on Back-Propagation: An Empirical Study」、Proceedings on the 1988 Connectionist Models Summer S chool、ピッツバーグ、1988年、D．Touretzky他編、pp.38-51、Morgan Kaufmann 、カリフォルニア州 San Mateo、Lebriere との共著、「The Cascade-Correlati on Learning Architecture」、Advances in Neural Information Processing Sy stems 2（デンバー、1989年）、D.Touretzky 編、pp.524-32、Morgan Kaufmann 、カリフォルニア州 San Mateo参照）によって記載されている。クイックプロ ップアリゴリズムは、CarnegieMellon University の School of Computer Scie nceによって維持される Artificial Intelligence Repository から、公的に入 手でき、インターネットを介してダウンロードできる。クイックプロップでは、 動的運動量率を勾配の傾斜に基づいて計算する。傾斜が直前の重み調整の後の傾 斜よりも小さいが、それと同じ符号を有する場合、重み変化は加速する。加速率 は、傾斜値間の連続的な差の大きさによって決定される。現在の傾斜が前の傾斜 と反対の方向である場合、重み変化は減速する。クイックプロップ方法は、収束 速度を改善し、できる限り急な下り勾配を与え、極小値への収束を防ぐのを助け る。 ニューラルネットワークが十分なトレーニングデータに基づ いてトレーニングされるとき、ニューラルネットワークは、トレーニングデータ の一部でなかった新しい入力データの組用の正確な解決策に対して一般化するこ とができる連想メモリの働きをする。ニューラルネットワークは、完全なデータ がない場合または雑音がある場合でも動作できることが示されている。また、新 しいデータまたはテストデータに対するネットワークの性能はトレーニングデー タに対する性能よりも低くなる傾向にあることが観測されている。テストデータ に対する性能の差は、ネットワークがトレーニングデータから一般化することが できた範囲を示す。しかしながら、ニューラルネットワークは、再トレーニング でき、したがって新しいデータから学習でき、ネットワークの全体的な性能を改 善できる。 したがって、ニューラルネットは、医療診断など、予測を必要とする領域を含 めて、多数の様々な問題に好適となる特性を有する。 ニューラルネットおよび診断 患者を診断および／または治療する場合、医師は、患者の状態、症状、および 適用できる医療診断テストの結果を使用して、患者の疾病状態または状態を識別 する。医師は、症状およびテ スト結果と特定の診断との関連を慎重に決定し、特定の診断を行う際に経験およ び直感に基づく判断を使用しなければならない。医療診断では、医療病歴、物理 的試験、生化学テストを含むいくつかの情報源から情報を統合する必要がある。 試験およびテストおよび質問に対する答えの結果に基づいて、医師は、その人の トレーニング、経験、知識、専門知識を使用して、診断を定形化する。最終的な 診断には、検証または定式化するために後続の外科手順が必要である。したがっ て、診断のプロセスは、意思決定支援、直感、経験の組合せを必要とする。医師 の診断の有効性は、その人の経験および能力に依存する。 医療診断の予測的および直感的性質のために、ニューラルネットワークおよび このプロセスを助ける他のエキスパートシステムを開発する試みがなされている 。医療診断へのニューラルネットワークの適用が報告されている。例えば、ニュ ーラルネットワークは、心臓血管障害の診断を助けるために使用されている（例 えば、Baxt（1991年）「Use of an Artificial Neural Network for the Diagno sis of Myocardial Infarction」、Annalsof Internal Medicine 115:843;Baxt （1992年）「Improving the Accuracy of an Artificial Neural Network Using Multiple Differently Trained Networks」、Neural Computation 4:772;Baxt(1992年)「A nalysis of the clinical variables that drivedecision in anartificial neu ral network trained to identifythe presence of myocardial infarction」、 Annals of Emergency Medicine 21:1439; Baxt(1994年)「Complexity,chaos and humanphysiology: the justification for non-linear neuralcomputatio nal analysis」、Cancer Letters 77:85参照）。他の医療診断用途としては、癌 診断（例えば、Maclin 他（1991年）「Using Neural Networks to Diagnose Can cer」 Journal of Medical Systems 15:11-9; Rogers 他（1994年）「Artificial Neural Networks for Early Detection and Diagnosis of Cancer」Can cer Letters 77:79-83; Wilding 他（1994 年）「 Application of Backpr opogation Neural Networks to Diagnosis of Breast and Ovarian Can cer Cancer Letters77:145-53）,neuromuscular disorders（Pattichis 他（1 995年を参照）「Neural Network Models in EMG Diagnosis」、IEEE Transactio ns on Biomedical Engineering 42:5:486-495参照）および慢性疲労症候群（Sol ms 他（1996年）「A Neural Network Diagnostic Tool for the Chronic F atigue Syndrome」、 International Conference on Neural Networks，Paper No．108を参照）にニュ ーラルネットワークを使用することである。しかしながら、これらの方法は、広 い範囲の状態に対して実際的な診断テストの開発に関連する重大な問題を処理で きず、また入力変数の選択を処理しない。 ＭＹＣＩＮ（Davis他、「Production Systems as a Representation for a Kn owledge-based Consultation Program」、 Artificial Intelligence、1977年 、8:1:15-45）およびその子孫 TEIRESIAS、EMYCIN、PUFF、 CENTAUR、VM、GUIDO N、SACON、ONCOCIN およびROGET を含む知識ベースのエキスパートシステムを含 めて、医療診断に応用できるニューラルネットワーク以外のコンピュータ意思決 定支援方法が報告されている。ＭＹＣＩＮは、いくつかの伝染病を診断し、かつ 抗菌療法を規定する対話式プログラムである。そのような知識ベースのシステム は、実際の知識および規則またはその知識を使用するための他の方法を含む。す べての情報および規則は、ニューラルネットワークの場合と同様に、入力データ に基づいて所望の結果に到達するためにそれ自体の手順を開発するシステム以外 のシステムのメモリ中に事前にプログラムされる。他のコンピュータ診断方法は 、トレー ニングパターンおよびアプリオリ情報からの確率密度関数に基づいてパターンを 分類する信念または因果的確率的ネットワークとも呼ばれるベイズのネットワー クである。乳癌と診断する乳房Ｘ線写真の解釈に使用されるベイズの意思決定シ ステムが報告されている（Roberts 他「MammoNet: A Bayesian Networkdiagnosi ng Breast Cancer」、Midwest rtificial Intelligenceand Cognitive Science Society Conference，イリノイ州 Carbonda1e,1995年４月）and Hypertension（ Blinowska 他（1993年）「Diagnostica - A Bayesian Decision-Aid System - A ppliedto Hypertension Diagnosis」、IEEE Transactionson Biomedical Engine ering 40:230-35）。ベイズの意思決定システムは、線形関係の信頼性および処 理できる入力データ点の数に関して若干制限され、変数間の非線形関係を必要と する意思決定支援にはあまり適さない。ニューラルネットワークの処理要素を使 用してベイズの方法を実施すれば、これらの制限の一部を克服できる（例えば P enny 他（1996年）、「Neural Networks in Clinica1 Medicine」、Medical Dec ision-support、1996年、16:4:386-98参照）。これらの方法は、医師をまねるこ とによって、重要な変数がシステム中に入力される障害を診断するために使用さ れ ている。しかしながら、これらのシステムを使用して、既存の診断手順を改善す ることが重要であろう。 子宮内膜症 子宮内膜症は、子宮状組織が子宮外で成長することである。 これは、約１５〜３０パーセントの生殖年齢女性に影響を及ぼす。子宮内膜症の 原因は未知であるが、後退月経、子宮から腹膜腔中への子宮内膜組織および細胞 （月経堆積物）の退潮に起因しうる。後退月経はたいていの女性またはすべての 女性に起こると考えられるが、なぜある女性が子宮内膜症になり、他の女性は子 宮内膜症にならないのかははっきりしない。 子宮内膜症を有するすべての女性が症状を示すか、またはその疾病を煩うとは 限らない。子宮内膜症の程度または重さは症状に相関しない。重い疾病を有する 女性は完全に無症候性であり、最小の疾病を有する他の女性は耐え難い痛みを受 ける。不妊症、骨盤痛、月経困難症、子宮内膜症の過去の発生など、子宮内膜症 に関連している症状は、しばしば子宮内膜症を有しない女性に起こる。他の場合 には、これらの症状は現れ、女性は子宮内膜症を有する。これらの症状と子宮内 膜症との間の関係は存在すると思われるが、これらのおよび他のファクタとの相 互作用は複雑である。臨床医は、しばしば上記の指示の組合せに基づいて子宮内 膜症を有する優れた候補者であると考えられる患者に対して診断腹腔鏡検査を実 施する。しかしながら、子宮内膜症は、これらの女性のかなりの部分に存在しな い。したがって、子宮内膜症は、医師が情報の複雑な組を使用して、診断を定形 化するために経験に頼らなければならない疾病状態の一例を表す。診断の有効性 は、医師の経験および能力に関係する。 したがって、症状だけから女性が子宮内膜症を有するかどうかを決定すること は不可能であった。医学界内で、子宮内膜症の診断は、手術中に子宮内膜障害を 直接視覚化することによってしか確認されない。多数の医師は、しばしば更なる 制限を加え、子宮内膜バイオプシー組織に関する組織学を使用して、推測される 障害を子宮内膜状（腺およびストロマ）として検証するよう要求している。した がって、子宮内膜症用の非侵襲性診断テストはかなり有用であろう。 したがって、本発明の目的は、子宮内膜症用の非侵襲性診断補助装置を提供す ることである。また、本発明の目的は、子宮内膜症および他の障害および状態の 診断を助ける意思決定支援 システム中で使用すべき重要な変数を選択する方法を提供することである。また 、本発明の目的は、新しい変数を識別すること、疾病用の新しい生化学テストお よびマーカを識別すること、既存の診断方法を改善する新しい診断テストを設計 することである。 発明の概要 疾病、障害、および他の医療状態の診断およびそれを助ける意思決定支援シス テムを使用する方法が提供される。本発明において提供される方法は、患者病歴 データおよび重要な変数の識別を使用して診断テストを開発する方法、重要な選 択される変数を識別する方法、診断テストを設計する方法、診断テストの有用性 を評価する方法、診断テストの臨床的効用を拡大する方法、様々な可能な治療の 結果を予測することによって治療方針を選択する方法を含む。また、子宮内膜症 など診断することが難しい疾病、特定の期間中の出産の可能性など妊娠関連事象 の予測、女性の健康に関連する他のそのような障害を含めて、障害の診断を助け る疾病パラメータまたは変数が提供される。本明細書では女性の障害を例に挙げ るが、本発明の方法は任意の障害または状態に適用できることを理解されたい。 また、ニューラルネットワークトレーニングを使用して、テストの感度および 特異性を改善するためにテストの開発を案内し、疾病状態または医療状態の全体 的な診断またはその潜在能力を改善する診断テストを選択する手段が提供される 。最後に、所与の診断テストの有効性を評価する方法が説明される。 したがって、本発明では、障害または状態の診断を助ける変数または変数の組 を識別する方法が提供される。重要な変数を識別し、選択する方法および診断用 の生成システムでは、患者のデータまたは情報、一般に患者の病歴または臨床デ ータを収集し、このデータに基づく変数を識別する。例えば、データは、各患者 が経験した妊娠の回数に関する各患者ごとの情報を含む。したがって、抽出され た変数は妊娠の回数である。変数を意思決定支援システムによって分析し、ニュ ーラルネットワークによって例証して、重要なまたは関連する変数を識別する。 ニューラルネットワークや他の適応性のある処理システム（「データ収集ツー ル」と総称）など、コンピュータベースの意思決定支援システムを使用して、医 療診断テストを開発する方法が提供される。ニューラルネットワークまたは他の そのようなシステムは、患者のデータおよび症状が既知であるか、ま たは推測されるテスト患者のグループから収集された観測値に基づいてトレーニ ングされる。関連する変数のサブセットまたは複数のサブセットは、ニューラル ネットワークやニューラルネットワークのコンセンサスなど、意思決定支援シス テムまたは複数の意思決定支援システムを使用して識別される。別の組の意思決 定支援システムは、識別されたサブセットに基づいてトレーニングされ、その症 状用のニューラルネットベースのテストなど、コンセンサス意思決定支援システ ムベースのテストを発生する。コンセンサスニューラルネットワークなど、コン センサスシステムを使用すれば、ニューラルネットワークベースのシステムなど 、意思決定支援システムの極小値の負の影響を最小限に抑えられ、それによりシ ステムの確度が改善される。 また、性能を向上または改善するために、使用する患者の数を増やせば患者デ ータを増大させることができる。また、生化学テストデータおよび他のデータを 追加の例の一部として、またはデータを変数選択プロセスの前に追加の変数とし て使用して含めることができる。 得られたシステムは、診断の補助装置として使用される。さらに、システムを 使用するとき、患者データを記憶し、次いで それを使用して、システムをさらにトレーニングし、特定の遺伝的集団に適合す るシステムを開発することができる。追加のデータのシステム中へのこの入力は 、自動的に実施されるか、または手動で実施される。そうすることによって、シ ステムは、連続的に学習し、それらが使用される特定の環境に適合する。得られ たシステムは、診断の他に、疾病または障害の重さの評価、選択された治療プロ トコルの結果の予測を含む多数の用途を有する。このシステムはまた、生化学テ ストデータや他のそのようなデータなど、診断手順中の他のデータの値を評価す るため、および特定の疾病を診断するために有用な新しいテストを識別するため に使用される。 したがってまた、既存の生化学テストを改善する方法、関連する生化学テスト を識別する方法、障害および状態の診断を助ける新しい生化学テストを開発する 方法が提供される。これらの方法では、意思決定支援システムベースのテストの 性能に対する特定のテストまたは潜在的な新しいテストの影響を評価する。テス トからの情報の追加が性能を改善する場合、そのようなテストは診断に関連する 。 本発明において特に重要であり、かつ本発明の方法が容易に 適用できる障害および状態は、子宮内膜症、不妊症、特定の期間中の出産の可能 性など妊娠関連事象の予測、子癇前症を含めて、婦人科学状態および生殖能力に 影響を及ぼす他の状態である。ただし、これらに限定されない。しかしながら、 本発明の方法は任意の障害または状態に適用できることを理解されたい。 これらの方法は、ニューラルネットワークに関して例を挙げて説明するが、エ キスパートシステム、ファジー諭理、決定ツリー、および一般的に非線形である 他の統計的意思決定支援システムなど、他のデータ収集ツールも使用できること を理解されたい。本発明において提供される変数は意思決定支援システムととも に使用するようになされているが、変数を識別した後、重要な変数の知識を備え た人、一般に医師は、それらを使用して、意思決定支援システムがない場合、ま たはあまり複雑でない線形分析システムを使用して診断を助けることができる。 本明細書に示すように、診断を助ける際に今まで重要であることが知られてい なかった変数またはその組合せが識別される。さらに、生化学テストデータを補 足することなく、患者病歴データを使用して、本発明において提供されるニュー ラルネットなど、意思決定支援システムとともに使用したときに障害また は状態を診断するか、または障害または状態の診断を助けることができる。さら に、生化学データを使用した診断または生化学データを使用しない診断の確度は 、侵襲性外科診断手順が不要になるほど十分である。 また、本発明では、診断テストの臨床的効用を識別し、拡大する方法が提供さ れる。特定のテストの結果、今まで注目する障害または状態に関して臨床的効用 があると考えられていなかった特定のテストの結果は、変数と結合され、ニュー ラルネットなど、意思決定支援システムとともに使用される。システムの性能、 障害を正確に診断する能力がテストの結果の追加によって改善された場合、テス トは、臨床的効用または新しい効用を有することになる。 同様に、得られたシステムを使用すれば、薬品または療法の新しい効用を識別 することができ、また特定の薬品および療法の用途を識別することができる。例 えば、このシステムを使用すれば、特定の薬品または療法が有効である患者の副 次集団を選択することができる。したがって、薬品または療法用の指示を拡大す る方法、および新しい薬品および療法を識別する方法が提供される。 特定の実施形態では、ニューラルネットワークを使用して、特定の観測値およ びテスト結果を評価し、生化学診断テストまたは他の診断テストの開発を案内し 、テスト用の意思決定支援機能を提供する。 また、意思決定支援システム中で使用される重要な変数（パラメータ）または その組を識別する方法が提供される。この方法は、本明細書では医療診断に関し て例を挙げて説明するが、重要なパラメータまたは変数を複数の中から選択する 、財務分析など、任意の分野において広く応用できる。 特に、変数の有効な組合せを選択する方法が提供される。この方法は、（１） 一組の「ｎ」個の候補変数および最初は空である一組の「選択された重要な変数 」を与えるステップ、（２）カイ二乗および感度分析に基づいてすべての候補変 数を順位付けするステップ、（３）最も高い「ｍ」個の順位付けされた変数（ｍ は１からｎまで）を一度に取り、重要な変数の現在の組に結合された変数に基づ いてニューラルネットのコンセンサスをトレーニングすることによって各変数を 評価するステップ、（４）ｍ個の変数のうち最もよい変数（最もよい変数とは最 も高い性能を与える変数である）を選択し、それが選択された重 要な変数の性能と比較して性能を改善する場合、それを「選択された重要な変数 」の組に追加し、それを候補組から除去し、ステップ（３）で処理を継続し、そ れ以外の場合、ステップ（５）に進むステップ、（５）候補組のすべての変数を 評価した場合、プロセスを終了し、それ以外の場合、次の最も高い「ｍ」個の順 位付けされた変数を一度に取り、重要な選択された変数の現在の組に結合された 変数に基づいてニューラルネットのコンセンサスをトレーニングすることによっ て各変数を評価し、ステップ（４）を実施するステップを含む。重要な選択され た変数の最終組は、複数、一般に三つから五つよりも多い変数を含む。 特定の実施形態では、感度分析は、（ｋ）観測データセット中の各変数ごとに 平均観測値を決定するステップ、（ｌ）トレーニング例を選択し、意思決定支援 システム中で例を実行して、通常の出力として指定され、記憶される出力値を発 生するステップ、（ｍ）選択されたトレーニング例中の第一の変数を選択し、観 測値を第一の変数の平均観測値と交換し、意思決定支援システム中で修正された 例を順方向モードで実行し、出力を修正された出力として記録するステップ、（ ｎ）通常の出力と修正された出力との差を二乗し、それを各変数ごとに合計とし て 累積するステップ（この合計は各変数ごとに選択された変数合計に指定される） 、（ｏ）例中の各変数ごとにステップ（ｍ）およびステップ（ｎ）を繰り返すス テップ、（ｐ）データセット中の各例ごとにステップ（ｌ）からステップ（ｎ） を繰り返すステップ（選択された変数の各合計は、意思決定支援システム出力の 決定に対する各変数の相対的寄与を表す）を含む。この合計は、意思決定支援シ ステム出力の決定に対するその相対的寄与に従って各変数を順位付けするために 使用される。 本明細書で示すように、ニューラルネットワークなどコンピュータベースの意 思決定支援システムは、最初に重要であると考えられていなかったいくつかの入 力ファクタが結果に影響を及ぼしうることを明らかにする。関連する入力ファク タを明らかにするニューラルネットワークのこの能力により、診断テストの設計 を案内するのにニューラルネットワークを使用することができる。したがって、 診断テストを設計する方法、および診断テストの効用を評価する方法も提供され る。各場合において、テストまたは可能なテストからのデータは、意思決定支援 システムの入力に加えられる。データが入力中に含まれるときに結果が改善され た場合、診断テストは臨床的効用を有する。 今まで特定の障害の診断において重要であることが知られていなかったテストが 識別され、または新しいテストが開発できる。ニューラルネットワークは、スプ リアスデータ点の影響を減じ、かつ代用されうる他のデータ点があればそれを識 別することによって診断テストに耐性を加えることができる。 ネットワークを一組の変数に対してトレーニングし、次いで診断テストデータ または生化学テストデータからの臨床データおよび／または追加の患者情報を入 力データに追加する。ない場合と比較して結果を改善する変数を選択する。した がって、今まで特定の障害を診断する際に重要であることが知られていなかった 特定のテストが関連性を有することが分かる。例えば、血清抗体のウェスタンブ ロット上の特定のスポットの有無を疾病状態に相関させることができる。特定の スポット（すなわち抗原）の同一性に基づいて、新しい診断テストが開発できる 。 疾病の診断を助けるために予測技術を適用する方法、より具体的には疾病子宮 内膜症の診断を助けるために様々な情報源からの入力とともにニューラルネット ワーク技法を使用する方法の一例が提供される。コンピュータシステム中のネッ トワークのコンセンサスに従って動作するニューラルネットワークのト レーニングされた組を使用して、その一部が一般に疾病状態に関連しない、例え ば調査によって得られる特定の臨床的関連を評価する。これは、例示的な疾病状 態子宮内膜症の場合に証明され、子宮内膜症の診断を助けるために使用されるフ ァクタが提供される。ニューラルネットワークトレーニングは、本明細書で臨床 データと呼ぶ、その疾病状態が外科的に検証されていないかなりの数の臨床患者 の医師によって供給される答えと質問との相関に基づいている。 ４０個以上の臨床データファクタの集合から抽出される特定のトレーニングさ れたニューラルネットワーク中の１２個から約１６個の複数のファクタ、具体的 には一組の１４個のファクタが子宮内膜症の一次兆候として識別される。次のパ ラメータの組、すなわち年齢、パリティ（出産回数）、妊娠（妊娠回数）、流産 回数、喫煙（箱／日）、過去の子宮内膜症歴、月経困難症、骨盤痛、異常ｐａｐ ／形成異常症、骨盤手術歴、薬物治療歴、妊娠高血圧症、生殖器いぼ、糖尿病が 重要であると識別された。他の同様のパラメータの組も識別された。これらの変 数のサブセットも子宮内膜症を診断する際に使用できる。 次の三つの変数の組合せのうちの一つ（または複数）を含む、 選択されたパラメータの組の任意のサブセット、特に１４個の変数の組が子宮内 膜症の診断用の意思決定支援システムとともに使用できる。 ａ）出産回数、子宮内膜症歴、骨盤手術歴 ｂ）糖尿病、妊娠高血圧症、喫煙 ｃ）妊娠高血圧症、異常ｐａｐしみ／形成異常症、子宮内膜症歴 ｄ）年齢、喫煙、子宮内膜症歴 ｅ）喫煙、子宮内膜症歴、月経困難症 ｆ）年齢、糖尿病、子宮内膜症歴 ｇ）妊娠高血圧症、出産回数、子宮内膜症歴 ｈ）喫煙、出産回数、子宮内膜症歴 ｉ）妊娠高血圧症、子宮内膜症歴、骨盤手術歴 ｊ）妊娠回数、子宮内膜症歴、骨盤手術歴 ｋ）出産回数、異常ＰＡＰしみ／形成異常症、子宮内膜症歴 ｌ）出産回数、異常ＰＡＰしみ／形成異常症、月経困難症 ｍ）子宮内膜症歴、骨盤手術歴、月経困難症 ｎ）妊娠回数、子宮内膜症歴、月経困難症。 子宮内膜症の診断に変数を使用する診断ソフトウェアおよび 例示的なニューラルネットワークも提供される。このソフトウェアは、臨床的に 有用な子宮内膜症インデックスを生成する。 他の実施形態では、子宮内膜症のテストに使用される診断ニューラルネットワ ークシステムの性能は、ネットワークのトレーニングに使用されるファクタ（本 明細書では生化学テストデータと呼ぶ。これは分析からのテスト、脈拍や血圧な ど、生命徴候などのデータを含む）の一部として関連する生化学テストからの生 化学テスト結果に基づく変数を含めることによって向上する。それによって得ら れる例示的なネットワークは、生化学テストの結果および１４個の臨床パラメー タを含めて、１５個の入力ファクタを使用する増大ニューラルネットワークであ る。８個の増大ニューラルネットワークの重みの組は、８個の臨床データニュー ラルネットワークの重みの組と異なる。例示の生化学テストは、ＥＬＩＳＡ診断 テストフォーマットなど、免疫診断テストフォーマットを使用する。 本明細書で例示した子宮内膜症に適用した方法は、例えば、不妊症、特定の期 間中の出産の可能性など妊娠関連事象の予測、子癇前症など、婦人科学障害およ び女性関連障害を含めたがそれだけには限られない、他の障害用のファクタを識 別するため に同様に適用し、使用できる。したがって、ニューラルネットワークは、疾病状 態を予測し、それらを生化学データに結合する際に重要なファクタの識別に基づ いて疾病状態を予測するようにトレーニングできる。 得られた診断システムは、状態または障害の存在だけでなく、障害の重さを診 断するために、また治療方針を選択する際の補助装置として適しており、使用で きる。 図面の簡単な説明 第１図は、患者病歴ベースの診断テストプロセスを開発するための流れ図であ る。 第２図は、生化学診断テストを開発するための流れ図である。 第３図は、重要な変数を分離するプロセスの流れ図である。 第４図は、変数の分割を含む一つまたは一組のニューラルネットワークをトレ ーニングするプロセスの流れ図である。 第５図は、生化学診断テストを開発するための流れ図である。 第６図は、生化学診断テストの有効性を決定するための流れ図である。 第７図は、複数のニューラルネットワークのコンセンサスネットワーク用に使 用されるフォームの臨床データに基づいてト レーニングされたニューラルネットワークの概略図である。 第８図は、八個のニューラルネットワークのコンセンサス用に使用されるフォ ームのテスト結果データによって増大した臨床データに基づいてトレーニングさ れたニューラルネットワークの第二の実施形態の概略図である。 第９図は、ニューラルネットワークの各ノードの処理要素の概略図である。 第１０図は、ニューラルネットワークの第一または第二の実施形態を使用した 八個のニューラルネットワークのコンセンサスネットワークの概略図である。 第１１図は、診断子宮内膜症インデックス中のユーザインタフェースの例示的 なインタフェーススクリーンの図である。 好ましい実施形態の詳細な説明 定義 別段の定義がない限り、本明細書で使用するすべての技術用語および科学用語 は、一般に本発明がそれに属する技術分野の当業者が理解できるのと同じ意味を 有する。本明細書で参照するすべての特許および文献は、参照により本発明の一 部となる。 本明細書で使用する「データ収集システム」または「データ システム中の知識発見」とも呼ばれる意思決定支援システムは、入力データを分 類するためにデータに基づいてトレーニングされ、次いでトレーニングデータに 基づいて後で意思決定を行うために新しい入力データとともに使用できる任意の システム、一般にコンピュータベースのシステムである。これらのシステムは、 エキスパートシステム、ファジー論理、非線形回帰分析、多変量分析、意思決定 ツリー分類装置、ベイズの信念ネットワーク、および本明細書で例示するニュー ラルネットワークを含む。ただし、これらに限定されない。 本明細書で使用する適応機械学習プロセスは、データを使用して、予測解決策 を生成する任意のシステムである。そのようなプロセスは、エキスパートシステ ム、ニューラルネットワーク、およびファジー論理によって実施されるプロセス である。 本明細書で使用するエキスパートシステムは、そのタスクの知識またはその知 識を使用するための論理的な規則または手順に基づくコンピュータベースの問題 解決および意思決定支援システムである。専門分野の専門家の経験からの知識な らびに論理がコンピュータ中に入力される。 本明細書で使用するニューラルネットワーク、またはニュー ラルネットは、密に相互接続された適応処理要素から構成される並列計算モデル である。ニューラルネットワークでは、処理要素は、入力層、出力層、および少 なくとも一つの隠れた層中に構成される。適切なニューラルネットワークは、当 業者に知られている（例えば、米国特許第５２５１６２６号、第５４７３５３７ 号および第５３３１５５０号、Baxt(1991年)「Use of an Artificial Neural Ne twork for the Diagnosis of Myocardial Infarction」、Annals of Internal M edicine 115:843;Baxt（1992年）「Improving the Accuracy of an Artificial Neural Network Using Multiple Differently Trained Networks」、Neural Com putation 4:772;Baxt(1992年)「Analysis of the clinicalvariables that driv e decision in an artificial neuralnetwork trained to identify the presen ce of myocardialinfarction」、Annals of Emergency Medicine 21:1439; Baxt （1994 年 ）「Complexity, chaos and human physiology: the justification for non-linear neural computationalanalysis」、Cancer Letters 77:85 参照）。 本明細書で使用するパーセプトロンまたは人工ニューロンとも呼ばれる処理要 素は、複数の入力からの入力データを伝達関 数に従って単一の二進出力中にマップする計算ユニットである。各処理要素は、 その入力で受信された信号を掛けられて、重み付けされた入力値を発生する各入 力に対応する入力重みを有する。処理要素は、各入力の重み付けされた入力値を 合計して、重み付けされた合計を発生し、次いでこれが伝達関数によって定義さ れたしきい値と比較される。 本明細書で使用するしきい値関数または活性化関数とも呼ばれる伝達関数は、 二つの別個のカテゴリを定義する曲線を生成する数学的関数である。伝達関数は 、線形であるが、ニューラルネットワーク中で使用されるとき、より一般的には 、二次関数、多項式関数、またはＳ字形関数を含めて非線形である。 本明細書で使用する逆方向伝搬は、ターゲット出力と実際の出力との間の誤差 を訂正するためのニューラルネットワーク用のトレーニング方法である。誤差信 号はニューラルネットワークの処理層中にフィードバックされて、処理要素の重 みの変化により実際の出力がターゲット出力により近づく。 本明細書で使用するクイックプロップは、Fahlmanが提案し、開発し、報告し た逆方向伝搬方法である（「Fast Learning Variations on Back-Propagation: An Empirical Study」、 Proceedings on the 1988 Connectionist Models Summer School,Pittsburgh，1 988，D．Touretzky 他編，pp．38-51，Morgan Kaufmann，カリフォルニア州 San Mateo; Lebriereとの共著、「The Cascade-Correlation Learning Architectur e」、Advancesin Neural Information Processing Systems 2, (Denver, 1989), D．Touretzky 編，pp．524-32．Morgan Kaufmann，カリフォルニア州 San Mateo ）。 本明細書で使用する診断は、疾病、障害または他の医療状態の存在、不在、重 さまたは治療方法を評価する予測プロセスである。本明細書では、診断はまた、 治療から得られた結果を決定する予測プロセスを含む。 本明細書で使用する生化学テストデータは、免疫学的検定法、生物学的検定法 、クロマトグラフィ、モニタおよびイメージャからのデータ、測定値を含む（た だしこれらに限定されない）任意の分析方法の結果であり、また、脈拍、体温、 血圧、例えば、ＥＫＧ、ＥＣＧ、ＥＥＧ、バイオリズムモニタの結果、および他 のそのような情報など、生命徴候および身体機能に関するデータを含む。分析は 、例えば、分析物、血清マーカ、抗体、およびサンプル中の患者から得られる他 のそのような材料を評 価できる。 本明細書で使用する患者病歴データは、質問表などによって、患者から得られ たデータであるが、一般に本明細書で使用する生化学テストデータを含まない。 ただし、そのようなデータが病歴データである限りは、所望の解決策は、障害の 診断を生成できる数または結果を生成する。 本明細書で使用するトレーニング例は、単一の診断用の観測データ、一般に一 人の患者に関する観測データを含む。 本明細書で使用する患者病歴データから識別されたパラメータは、本明細書で は観測ファクタまたは値または変数と呼ぶ。例えば、患者データは、個々の患者 の喫煙習慣に関する情報を含む。それに関連する変数は喫煙である。 本明細書で使用する分割手段は、８０％など、データの一部を選択し、それを ニューラルネットをトレーニングするために使用し、残りの部分をテストデータ として使用することを意味する。したがって、ネットワークは、データの一部以 外に基づいてトレーニングされる。このプロセスは、その場合繰り返され、第二 のネットワークをトレーニングできる。このプロセスは、すべての区分がテスト データおよびトレーニングデータと して使用されるまで繰り返される。 本明細書で使用する使用できるデータを複数のサブセット中に分割することに よるトレーニングの方法は、一般にトレーニングの「ホールドアウト方法」と呼 ばれる。ホールドアウト方法は、ネットワークトレーニングに使用できるデータ が制限されるときに特に有用である。 本明細書で使用するトレーニングは、入力データを使用して、意思決定支援シ ステムを生成するプロセスである。特に、ニューラルネットに関して、トレーニ ングは、特定の処理要素が、他の処理要素の出力と結合されたときに、ニューラ ルネットの出力とトレーニングデータ中に提示された所望の出力との間の生じた 誤差を最小限に抑える結果を発生する出力を与える処理要素の重みに対する一連 のインタラクティブ調整を行う試行錯誤プロセスである。 本明細書で使用する変数選択プロセスは、予測結果をもたらす変数の組合せを 任意の使用できる組から選択する系統的方法である。選択は、追加の変数の追加 が結果を改善しないようにサブセットの予測性能を最大にすることによって実施 される。本明細書において提供される好ましい方法では、可能なすべて の組合せを考慮せずに変数が選択できる。 本明細書で使用する候補変数は、意思決定支援システムとともに使用できる財 務記録など診断実施形態または他の記録用のテスト患者のグループから収集され た観測値から選択された項目である。候補変数は、患者データなどのデータを収 集し、観測値を一組の変数として分類することによって得られる。 本明細書で使用する重要な選択された変数は、手元のタスクのネットワーク性 能を高める変数である。使用できるすべての変数を含めることは、最適なニュー ラルネットワークをもたらさない。いくつかの変数がネットワークトレーニング 中に含まれるとき、ネットワーク性能は低下する。関連するパラメータのみを使 用してトレーニングされるネットワークは、ネットワーク性能の向上をもたらす 。これらの変数はまた、本明細書において関連する変数のサブセットとも呼ばれ る。 本明細書で使用する順位付けは、変数を選択の順序でリストするプロセスであ る。順位付けは、任意でよく、または整理されることが好ましい。整理は、例え ば、診断などタスクに対して変数を重要度順に順位付けする統計分析によるか、 意思決定支援システムベースの分析によって実施される。順位付けはま た、例えば、専門家か、規則ベースのシステムか、またはこれらの方法の任意の 組合せによって実施できる。 本明細書で使用するニューラルネットワークのコンセンサスは、各出力の重み が任意に決定されるか、または等しい値に設定される複数のニューラルネットワ ークからの出力の線形組合せである。 本明細書で使用するグリーディアルゴリズムは、所与のデータセットからの点 を含めるか、除くかどうかを決定することによってデータセットを最適化する方 法である。このセットは、要素がない状態から始まり、部分解決策があるとすれ ば、目的を最も改善する他の値が選択される近視最適化によって残りの要素の実 現可能なセットから要素を連続的に選択する。 本明細書で使用するジェネティックアルゴリズムは、トレーニングサイクル中 に実行され、かつ所望のターゲットに到達する際にそれらの性能に従って順位付 けされるランダムに生成されるニューラルネットワークの初期分布から始まる方 法である。十分に実行しないネットワークはその分布から除去され、より適切な ネットワークは、親ネットワークの所望の特性を保持する子孫へのクロスオーバ プロセス用に保持され、選択される。 本明細書で使用するシステムの性能は、結果が特定の結果をより正確に子測ま たは決定したときに改善される、またはより高くなると言われる。また、システ ムの性能は、一般により多くのトレーニング例を使用したときによりよくなるこ とを理解されたい。したがって、本発明のシステムは、それらが使用されるとき に時間ととも向上し、より多くの患者データが蓄積され、次いでトレーニングデ ータとしてシステムに追加される。 本明細書で使用する感度＝ＴＰ／（ＴＰ＋ＦＮ）、特異性はＴＮ／（ＴＮ＋Ｆ Ｐ）である。ただし、ＴＰ＝真の正、ＴＮ＝真の負、ＦＰ＝偽の正、ＦＮ＝偽の 負である。臨床感度は、テストが疾病を有する患者をどのくらいよく検出するか を測定する。臨床特異性は、テストが疾病を有しない患者をどのくらいよく正確 に識別するかを測定する。 本明細書で使用する正予測値（ＰＰＶ）はＴＰ／（ＴＰ＋ＦＰ）である。負予 測値（ＮＰＶ）はＴＮ／（ＴＮ＋ＦＮ）である。正予測値は、正テストを有する 患者が実際に疾病を有する可能性である。負予測値は、負テスト結果を有する患 者が疾病を有しない可能性である。 本明細書で使用するファジー論理は、正確に記述できないシ ステムを処理する手法である。メンバシップ関数（データセット中のメンバシッ プ）はファジー諭理システム中では二進ではない。代わりにメンバシップ関数は 分数値をとる。したがって、要素は、セットのメンバシップの係数が異なる場合 にもかかわらず、矛盾する二つのセット中に同時に含まれうる。したがって、こ のタイプの手法は、ｙｅｓまたは答えがない質問に答えるために有用である。し たがって、このタイプの論理は、答えがしばしば一つの程度である患者病歴質問 票からの返答を分類するのに適している。 １．一般的考察および一般的方法 患者病歴および／または生化学情報など観測値を分析するニューラルネットワ ークをトレーニングするためにいくつかの技法が使用できることが決定されてい る。使用できるデータおよび分析すべき問題の特性に応じて、様々なニューラル ネットワークトレーニング技法が使用できる。例えば、大量のトレーニング入力 が使用できる場合、冗長トレーニング情報をなくす方法が採用される。 本明細書に示すように、ニューラルネットワークはまた、最初に重要であると 考えられていなかったいくつかの入力ファク タが結果に影響を及ぼすことを明らかにし、かつ多分重要なファクタが結果決定 因ではないことを明らかにする。関連する入力ファクタおよび関連しない入カフ ァクタを明らかにするニューラルネットワークの能力は、診断テストの設計を案 内する際にニューラルネットワークを使用することを可能にする。本明細書に示 すように、ニューラルネットワーク、および他のそのようなデータ収集ツールは 、診断における貴重な進歩であり、診断テストの感度および特異性を高める機会 を与える。本明細書に示すように、極小値の現象のために不十分な確度の答えの 可能性を回避するよう注意しなければならない。本発明の方法は、この問題を回 避するか、または少なくともそれを最小限に抑える手段を提供する。 開発診断手順、特に患者情報にのみまたは一部に基づく診断テストを開発する 場合、いくつかの問題が解決される。例えば、一般に、トレーニングデータが使 用できる限られた数の患者が存在するので限られた量のデータが存在する。これ を解決するために、以下で説明するように、患者情報は、ネットワークをトレー ニングするときに分割される。また、一般に、使用できるデータに関連して使用 するために使用できる多数の入力観測 ファクタが存在し、したがって観測値を順位付けし、選択する方法が開発された 。 また、一般に、使用できる患者データ中に多数の二進（真／偽）入力ファクタ が存在するが、これらのファクタは、一般に性質がまばら（使用できる患者デー タ中の二進入力ファクタの一部の場合においてのみ正または負である値）である 。また、診断中の正のファクタと負のファクタとの間に高度のオーバラップが存 在する。 上記その他の特性は、診断テストを開発するために使用される手順および方法 の選択に影響を及ぼす。これらの問題は、本発明において処理され、解決される 。 ２．患者病歴診断テストの開発 診断テスト 患者病歴データのみに基づく診断の方法が提供される。本明細書で証明するよ うに、患者病歴情報のみに依存するが、診断を助ける意思決定支援システムを提 供することができる。したがって、得られたシステムは、生化学テストデータの 予測能力を改善すること、新しい疾病マーカを識別すること、生化学テストを開 発すること、今まで特定の障害を予測すると考えられ ていなかったテストを識別するために使用できる。 これらの方法はまた、選択された治療方法の結果を予測することによって適切 な治療方法を選択し、療法後の状態を予測するために使用できる。トレーニング 用の入力変数は、例えば、選択された治療および結果を含めて、診断および他の 使用できるデータを示す電子的患者記録から得られる。得られた意思決定支援シ ステムは、その場合、例えば、異なる治療に応答し、かつ特定の治療の結果を予 測する異なるクラスに女性を分類するために使用できるすべてのデータとともに 使用される。これにより、治療またはプロトコルの選択が成功する確率を最も高 くすることができる。 同様に、これらのシステムは、薬品または療法の新しい効用を識別するために 使用でき、また特定の薬品および療法の用途を識別するために使用できる。例え ば、これらのシステムは、特定の薬品または療法が有効である患者の副次集団を 選択するために使用できる。したがって、薬品または療法の支持を拡大する方法 および新しい薬品および療法を識別する方法が提供される。 患者データの収集、変数の生成、および概要 本発明の方法を例示するために、第１図に、患者病歴ベースの診断テスト方法 を開発する流れ図を示す。このプロセスは、患者病歴データの収集から始まる（ ステップＡ）。患者病歴データまたは観測値は、患者質問票、臨床結果、場合に よっては診断テスト結果、患者医療記録から得られ、コンピュータ読取り可能な 形でコンピュータ上で動作するシステムに供給される。デジタルコンピュータで は、患者病歴データは、（真／偽など）二進値と定量（連続的な）値の二つの形 態の一組の変数に分類される。二進値変数は、「たばこを吸いますか」という質 問に対する答えを含むこともある。定量値変数は、「一日に何箱たばこを吸いま すか」という質問に対する答えであることもある。メンバシップ関数など他の値 も入力手段として有用である。 患者病歴データはまた、診断すべき医療状態の存在、不在、または重さを示す と考えられるターゲットまたは所望の結果変数を含む。この所望の結果情報は、 ニューラルネットワークトレーニング用に有用である。トレーニングデータ中に 含めるべきデータの選択は、診断すべき医療状態の存在、重さまたは不在の知識 または仮定を使用して行われる。本明細書に示すように、診断はまた、進行の評 価および／または療法治療の有効性 を含む。 定義でき、したがって生成できる変数の数は扱いにくい。二進変数は、一般に 、正（または負の）応答の数がしばしば応答の全体的な数の一部であるのでまば らである。したがって、代表的なトレーニングデータ環境中で使用できる多数の 変数および少数の患者が存在する場合、診断にとって重要な変数のサブセットを 使用できる変数から分離するステップがとられる（ステップＢ）。使用できる変 数の中からの変数のサブセットの特定の選択は、ニューラルネットワークの診断 性能に影響を及ぼす。 本明細書で概説した方法は、一般に医師などトレーニングされた専門家によっ て選択された変数のサブセットと比較して感度および信頼性が同等であるか、ま たは優れている変数のサブセットをつくり出すことが分かっている。いくつかの 例では、変数は、順位または関連性の順に優先権が与えられるか、または配置さ れる。 その後、診断手順で使用すべき最後のニューラルネットワークをトレーニング する（ステップＣ）。好ましい実施形態では、ネットワークのコンセンサス（す なわち複数のネットワーク） をトレーニングする。得られたネットワークは、完成した患者病歴診断テスト（ ステップＤ）用の意思決定支援機能を形成する。 重要な変数を分離する方法 重要な変数を分離する方法が本発明において提供される。この方法によれば、 変数の可能なすべての組合せを比較することによって有効な変数の組を選択する ことができる。重要な変数は、意思決定支援システム用の入力として使用される 。 重要な変数または関連する変数の分離−変数の順位付け 第３図に、診断テスト中の重要な変数または関連する変数を分離する方法の流 れ図を示す（ステップＥ）。そのような方法は、一般に、潜在的に関連する情報 が与えられているデジタルコンピュータシステムを使用して実施される。この手 順では、独立した二つの方法を使用して変数を重要度の順に順位付けし、次いで 順位の最上部から使用できる変数のサブセットを選択する。上記のように、当業 者は、カイ二乗または感度分析の代わりに他の順位付け方法を使用することがで きる。また、ｘをＮ（候補変数の総数）まで設定した場合、順位付けは任意であ る。 このシステムは、以下で説明するように、使用できるデータ に基づいて複数のニューラルネットワークをトレーニングし（ステップＩ）、次 いですべてのトレーニングされたネットワーク上で感度分析を生成して、各入力 変数が診断を実施するためにネットワーク中でどの程度まで使用されたかを決定 する（ステップＪ）。各入力変数のコンセンサス感度分析は、各トレーニングさ れたネットワークごとに個々の感度分析結果を平均化することによって決定され る。感度に基づいて、患者病歴情報から得られた各変数ごとの順位を決定する（ ステップＫ）。 変数の順位付け 好ましい実施形態では、変数は、カイ二乗分析など統計分析および／または感 度分析など意思決定支援システムベースの分析を使用して順位付けされる。例示 の実施形態では、感度分析およびカイ二乗分析を使用して、変数を順位付けする 。限定しないが、回帰分析、判別分析、および当業者に知られている他の方法を 含めて、他の統計方法および／または意思決定支援システムベースの方法も使用 できる。順位付けされた変数は、ネットワークをトレーニングするために使用で き、また本発明において与えられる変数選択の方法中で使用できることが好まし い。 この方法では、各入力を変更し、出力の対応する変化を測定する感度分析を使 用する（また Modai 他（1993 年 ）「Clinical Decisions for Psychiatric In patients and Their Evaluationby Trained Neural Networks」、Methods of In formation in Medicine 32:396-99; Wilding 他（1994 年 ）「Application of Backpropogation Neural Networks to Diagnosis of Breast and Ovarian Cance r」、Cancer Letters 77:145-53; Ruck 他（1990年）「Feature Selection in F eed-Forward Neural Networks」Neural Network Co puting 20:40-48; Utans 他 （1993 年 ）「Selecting Neural Network Architectures Viathe Prediction R isk: Application to Corporate Bond Rating Prediction」、Proceedings of the First International Conference on Artificial Intelligence Ap plications on Wall Street.Washington,D.C.，IEEE Computer Society Pres s．pp．35-41;Penny他（1996 年 ）「Neural Networks in Clinical Medicine」 、Medical Decision-support 4:386-398参照）。そのような方法は、今まで本明 細書で説明するように、重要な変数を選択するために使用されていなかった。例 えば、感度分析を使用して、重要な変数を選択するためにではなく、変数間の関 係を決定す る統計手法を開発することが報告されている（Baxt 他 （1995年 ）「Bootstrap ping Confidence Intervals for Clinical Input Variable Effects in a Netw ork Trained to Identify thePresence of Myocardial Infarction」、Neural C omputation7:624-38参照）。そのような感度分析は、本明細書で説明するように 診断の補助手段として重要な変数の選択の一部として使用できる。 第３図のステップＫに感度分析の概要を示す。各ネットワークまたは複数のト レーニングされたニューラルネットワーク（ネットワークＮ₁からＮ_n）は、各ト レーニング例Ｓ_x（出力が知られているか、または推測される入力データグルー プ。少なくとも二つのトレーニング例が存在しなければならない）ごとに順方向 モードで実行される。ただし、「ｘ」はトレーニング例の数である。各トレーニ ング例Ｓ_xの各ネットワークＮ₁〜Ｎ_nの出力は、記録される、すなわちメモリ中 に記憶される。すべてのトレーニング例中の各入力変数の平均値を含む新しいト レーニング例が定義される。一度に一つ、各元の各トレーニング例Ｓ_x値の各入 力変数がその対応する平均値Ｖ_1(avg)からＶ_y(avg)と交換される。ただし、「ｙ 」は変数の数である。 修正されたトレーニング例Ｓ_x’は、複数のネットワーク中で再び実行され、各 変数の各ネットワークごとに修正された出力を発生する。元のトレーニング例Ｓ_x からの出力と各入力変数の修正された出力との間の差は、各入力変数に対応す る個々の合計を得るために二乗され、合計される（累計される）。説明するため に、例えば、それぞれ１５個の変数Ｖ₁〜Ｖ₁₅を有する別々の１０個のニューラ ルネットワークＮ₁〜Ｎ₁₀および異なる５個のトレーニング例Ｓ₁〜Ｓ₅の場合、 ５個のトレーニング例の各トレーニング例は、１０個のネットワークを介して実 行され、合計５０個の出力を発生する。各トレーニング例から変数Ｖ₁をとり、 平均値Ｖ_1(avg)を計算する。この平均化された値Ｖ_1(avg)は、５個のトレーニン グ例の各トレーニング例中に代用され、修正されたトレーニング例Ｓ₁’〜Ｓ₅’ を生成し、それらは、再び１０個のネットワーク中で実行される。５０個の修正 された出力値がネットワークＮ₁〜Ｎ₁₀および５個のトレーニング例によって生 成される。修正は、平均値変数Ｖ_1(avg)を使用した結果である。５０個の元の出 力値および修正された出力値それそれの間の差を計算する、すなわちネットワー クＮ₆中のトレーニングＳ₄からの元の出力ＯＵＴ（Ｓ₄ Ｎ₆）を、ネットワークＮ₆中のトレーニング例Ｓ₄からの修正された出力ＯＵＴ （Ｓ₄’Ｎ₆）から引く。この差値を二乗する［ＯＵＴ（Ｓ₄’Ｎ₆）−ＯＵＴ（Ｓ₄ Ｎ₆）］² _V1。この値を、変数Ｖ₁がその平均値Ｖ_1(avg)と代用された反復に対 してネットワークとトレーニング例のすべての組合せについて二乗された差値と 合計する。すなわち 次に、このプロセスを変数＃２について繰り返し、ネットワークとトレーニング 例の各組合せごとに元の出力と修正された出力との間の差を求め、二乗し、次い で差を合計する。このプロセスを、１５個のすべての変数が終了するまで各変数 ごとに繰り返す。 次いで、すべての変数が単一の生じた出力に等しく寄与した場合に正規化され た値が１．０になるように生じた各合計を正規化する。前の例の後、各変数ごと に合計二乗差を合計して、すべての変数について全合計二乗差を得る。各変数の 値を全合計二乗差で割り、各変数からの寄与を正規化する。この情報から、各変 数の正規化された値を重要度の順に順位付けすることができる。より高い相対的 な数は、対応する変数が出力により 大きい影響を及ぼすことを示す。入力変数の感度分析を使用して、どの変数がネ ットワーク出力を発生するに最大の役目を果たしたかを示す。 本発明では、コンセンサスネットワークを使用して、感度分析を実施すること は変数選択プロセスを改善することが分かっている。例えば、二つの変数が高度 に相関する場合、データに基づいてトレーニングされた単一のニューラルネット ワークがその二つの変数の一方のみを使用して、診断をつくり出すこともある。 変数が高度に相関する場合、両方の変数を含めることによって得られるものはほ とんどなく、どちらの変数を含めるべきかの選択は、トレーニング中のネットワ ークの初期開始条件に依存する。単一のネットワークを使用する感度分析は、一 方のみ、または他方のみが重要であることを示すこともある。それそれ異なる初 期条件を使用してトレーニングされる複数のネットワークのコンセンサスから得 られる感度分析は、高度に相関した両方の変数が重要であることを明らかにする ことがある。感度分析を一組のニューラルネットワークにわたって平均化するこ とによって、初期条件の影響を最小限に抑えるコンセンサスが形成される。 カイ二乗分割表 まばらな二進データを処理する場合、所与の変数に対する正の応答は、診断中 の条件に高度に相関することもあるが、トレーニングデータ中で発生することは ごくまれであるので、ニューラルネットワーク感度分析によって示される変数の 重要度が非常に低くなることもある。これらの発生を捕らえるために、カイ二乗 分割表が二次順位付けプロセスとして使用される。テーブルの各セルが二つの変 数の組合せに対して観測された周波数である二進変数に対する２×２分割表カイ 二乗テストを実施する（第３図、ステップＦ）。（経験的に決定されることもあ る）最適なしきい値を使用して、連続的な変数に対して２×２分割表カイ二乗テ ストを実施する（ステップＧ）。カイ二乗分析に基づいた二進変数および連続的 な変数を順位付けする（ステップＨ）。 二進変数に対して動作する標準のカイ二乗２×２分割表（ステップＦ）を使用 して、特定の二進入力変数と（トレーニングデータを既知の単一出力結果と比較 することによって決定された）所望の出力との間の関係の重要度を決定する。小 さいカイ二乗値を有する変数は、一般に所望の出力に関連しない。 連続的な値を有する変数の場合、連続的な変数をしきい値と比較することによ って２×２分割表を構成できる（ステップＧ）。しきい値は、経験的に修正され 、できる限り大きいカイ二乗値をもたらす。 次いで、連続的な変数のカイ二乗値と二進変数のカイ二乗値とを共通の順位付 けのために結合できる（ステップＨ）。次いで、カイ二乗順位付けされた変数を 感度分析順位付けされた変数と結合する第二のレベルの順位付けを実施できる（ ステップＬ）。順位付けのこの結合により、出力に大きく関連し、かつまばらな 変数（すなわち、ごく一部の場合正または負である値）を重要な変数の組の中に 含めることができる。さもなければ、そのような非線形システム中の重要な情報 が容易に見落とされる可能性がある。 順位付けされた変数の中からの重要な変数の選択 上記のように、重要な変数は、識別された変数の中から選択される。選択は、 第二のレベルの順位付けプロセスが呼び出されたときに変数を順位付けした後で 実施されることが好ましい。意思決定支援システム中で使用される重要な変数（ パラメータ）またはその組を識別する方法も提供される。この方法は、 本明細書では医療診断を例に挙げて説明するが、重要なパラメータまたは変数を 複数の中から選択する統計ベースの予測を行う財務分析や他の試みなど任意の分 野において広く応用できる。 特に、変数の有効な組合せを選択する方法が提供される。一組の「ｎ」個の候 補変数および最初空である一組の「選択された重要な変数」を与えるステップ（ １）、および上述のように、カイ二乗および感度分析に基づいてすべての候補変 数を順位付けするステップ（２）の後、この方法は、一度に最大「ｍ」個（ｍは １からｎまで）の順位付けされた変数をとり、重要な変数の現在の組と結合され た変数に基づいてニューラルネットのコンセンサスをトレーニングすることによ って各変数を評価するステップ（３）、ｍ個の変数のうち最もよい変数を選択し （最もよい変数とは性能を最も改善する変数である）、それが性能を改善する場 合、それを「選択された重要な変数」セットに追加し、それを候補セットから除 去し、ステップ（３）での処理を継続し、それ以外の場合、ステップ（５）に進 むことによって継続するステップ（４）、候補セット上のすべての変数が評価さ れていれば、プロセスが終了し、それ以外の場合、一度に次に最も大きい「ｍ」 個の順位付けされた変数をとり、重要な 選択された変数の現在の組と結合された変数に基づいてニューラルネットのコン センサスをトレーニングし、ステップ（４）を実施することによって各変数を評 価するステップ（５）を含む。 特に、第二のレベルの順位付けプロセス（ステップＬ）は、感度分析（ステッ プＫ）からの最も高い順位付けされた変数を重要な変数の組に追加すること（ス テップＨ）によって開始する。あるいは、第二のレベルの順位付けプロセスは、 空の組から開始し、次いで順位付けの二つの組の各組から上部のいくつか（ｘ個 ）の変数をテストすることによって開始する。この第二のレベルの順位付けプロ セスでは、使用できるデータからの変数の現在選択されている区分またはサブセ ットに対してネットワークトレーニング手順（ステップＩ）を使用して、一組の ニユーラルネットワークをトレーニングする。順位付けプロセスは、「重要な」 変数の現在の組（一般に最初空である）ならびに順位付け中または順位付けのた めにテスト中の現在の変数を使用し、またグリーディアルゴリズムを使用して、 前に識別された重要な変数に基づいて入力組を近視的に最適化することによって 入力変数の組を最適化して、出力を最も改善する残り の変数を識別するするネットワークトレーニング手順である。 このトレーニングプロセスを第４図に示す。ニューラルネットワークによって 使用される入力の数は、所望の出力、すなわちトレーニングデータの既知のター ゲット出力に大きく貢献しないことが分かる入力を排除することによって制御さ れる。米国カリフォルニア州 La Jolla Logical Designs Consulting 社の Wind ows^TM用の ThinksPro^TMニューラルネットワーク（またはTrainDos^TMＤＯＳバー ジョン）や、当業者が開発できるそのような他のプログラムなど、業務用コンピ ュータプログラムは、入力を変更し、ネットワークをトレーニングするために使 用できる。 米国オレゴン州ビーバートンの California Scientific Software 社、Nevada Adaptive Solutionsから販売されているBrainmaker^tm、米国ペンシルバニア州 ピッツバーグのNeuralWare 社から販売されている Neural Network Utility/2^tm 、および米国メリーランド州のフレデリックの Ward Systems Group 社から販売 されている NeuroShell^tmおよびNeuroWindows^tmを含めて、いくつかの他の市販 のニューラルネットワークコンピュータプログラムを使用して、上記の動作の いずれかを実施できる。変数選択およびネットワーク最適化の機能を提供する他 のタイプのデータ収集ツール、すなわち意思決定支援システムも設計でき、また 他の市販のシステムも使用できる。例えば、米国ワシントン州レドモンドの Bio Comp Systems 社から販売されている NeuroGenetic Optimizer^TM、およびシンガ ポール共和国の New Wave Intelligent Business Systems（ＮＩＢ５）社から販 売されている Neuro Forecaster/GENETICAは、自然選択に基づいてモデル化され た遺伝アルゴリズムを使用して、ネットワーク分布中の十分に実行しないノード をなくし、かつ最適化されたネットワークを「成長」させるために最もよく実行 する速度を子孫ノードに送り、かつ結果に大きく貢献しない入力変数をなくす。 遺伝アルゴリズムに基づくネットワークは、変異を使用して、極小値中での捕獲 を回避し、またクロスオーバプロセスを使用して、新しい構造を分布中に導入す る。 データ中の知識発見（ＫＤＤ）は、変数中に存在する重要な関係を識別するた めに設計された他のデータ収集ツール、意思決定支援システムであり、多数の可 能な関係が存在する場合に有用である。米国マサチューセッツ州べッドフォード の Thinking Machines 社から販売されている Darwin^tm、米国カリフォルニア州マ ウンテンビューの Silicon Graphics 社から販売されている Mineset^tm、米国カ リフォルニア州サンフランシスコの Ultragem Data Mining 社のEikoplex^tmを含 めて、いくつかのＫＤＤシステムが販売されている。（Eikoplex^tmは心臓病の存 在の確率を決定する分類規則を与えるために使用されている）。他のシステムも 当業者によって開発されうる。 順位付け手順を継続して、例えば、ｘを２に設定した場合、二つの順位付け組 の各組からの上部の二つの変数をプロセスによってテストし（第３図、ステップ Ｌ、Ｓ）、テスト結果が改善を示すかどうかを確かめるために結果を検査する（ ステップＴ）。改善が存在する場合、単一の最も性能のよい変数を「重要な」変 数の組に追加し、次いでその変数を他のテスト（ステップＳ）のために二つの順 位から除去する（第３図、ステップＵ）。改善が存在しない場合、改善が見つか るまで、または二つの組からのすべての変数がテストされるまで各組からの次の ｘ個の変数についてプロセスを繰り返す。このプロセスは、ソースセットが空で ある、すなわちすべての関連する変数または重要な変数が最後のネットワーク中 に含まれるまで、またはテ ストすべき組の中の残りのすべての変数が重要な変数の現在のリストの性能以下 であることが分かるまで繰り返される。この除去プロセスは、重要な変数の組を 決定するためにテストしなければならない使用できる変数のサブセットの数を大 いに減らす。最悪の場合でも、１０個の使用できる変数では、プロセスは、ｘ＝ ２の場合３４個のサブセットのみ、ｘ＝１の場合１０２４個の可能な組合せの１ ９個のサブセットのみをテストする。したがって、１００個の使用できる変数が 存在する場合、３９４個のサブセットのみがｘ＝２の場合テストされる。したが って、最もよいテスト性能を有するネットワークからの変数を使用のために識別 する（第３図、ステップＶ）。 次いで、診断を実施するようにネットワークの最後の組をトレーニングする（ 第４図、ステップＭ、Ｎ、Ｑ、Ｒ）。一般に、いくつかの最後のニューラルネッ トワークが診断を実施するようにトレーニングされる。ニューラルネットワーク のこの組は、エンドユーザに供給できる製品の基礎となりうる。異なる初期条件 （初期重み）が所与のネットワークに対して異なる出力を発生しうるので、コン センサスを求めることが有用である。（異なる初期重みは、誤差が極小値中に捕 獲されるのを回避するた めに使用される）。コンセンサスは、トレーニングされたネットワークの各ネッ トワークの出力を平均化することによって形成され、これは次いで診断テストの 単一出力になる。 ネットワークのコンセンサスをトレーニングする 第４図に、ニューラルネットワークのコンセンサスをトレーニングする手順を 示す。まず、現在のトレーニングサイクルが最後のトレーニングステップである かどうかを決定する（ステップＭ）。ｙｅｓの場合、すべての使用できるデータ をトレーニングデータセット中に入れる（すなわちＰ＝１）（ステップＮ）。ｎ ｏの場合、使用できるデータをＰ個の等しいサイズの区分に分割し、データを各 区分ごとにランダムに選択する（ステップＯ）。例示の実施形態では、例えば、 ５個の区分、例えば、Ｐ₁〜Ｐ₅を使用できるトレーニングデータのフルセットか ら生成する。次いで、二つの構成に取りかかる（ステップＰ）。まず、一つまた は複数の区分をテストファイルにコピーし、残りの区分をトレーニングファイル にコピーする。５個の区分の例示の実施形態を継続し、全データセットの２０％ を表す区分のーつ、例えば、Ｐ₁をテストフアイルにコピーする。残りの４個の ファイルＰ₂〜Ｐ₄をトレーニングデータとして識別す る。トレーニング区分を使用して、Ｎ個のニューラルネットワークのグループを トレーニングする。各ネツトワークは異なる開始重みを有する（ステップＱ）。 したがって、例示の実施形態では、２０個の異なる乱数種を使用してランダムに 選択された開始重みを有する２０個のネットワーク（Ｎ＝２０）が存在する。２ ０個のネットワークの各ネットワークごとにトレーニングを完了した後、２０個 のすべてのネットワークの出力値を平均化して、トレーニングされたネットワー クのテストデータの平均性能を与える。次いで、トレーニングされたネットワー クを介してテストファイル（区分Ｐ₁）中のデータを実行して、トレーニングさ れたネットワークの性能の推定値を与える。この性能は、一般に予測の二乗平均 誤差または誤分類率として決定される。各ネットワークの個々の性能推定値を平 均化することによって最終性能推定値を生成し、完成したコンセンサスネットワ ークをつくり出す（ステップＲ）。使用できるデータを複数のサブセットに分割 することによるトレーニングのこの方法は、一般にトレーニングの「ホールドア ウト方法」と呼ばれる。ホールドアウト方法は、ネットワークトレーニングに使 用できるデータが制限されるときに特に有用である。 テストセット性能は、テストセット性能を最大にするネットワークパラメータ を識別する様々な実験を実施することによって経験的に最大化できる。実験のこ の組中で修正できるパラメータは、１）隠れた処理要素の数、２）入力に加えら れる雑音の量、３）誤差許容度の量、４）学習アルゴリズムの選択、５）重み減 衰の量、６）変数の数を含む。可能なすべての組合せの完全な探索は、一般に、 必要とされる処理時間の量のために実際的でない。したがって、テストネットワ ークは、ＴｈｉｎｋｓＰｒｏ^TMやユーザが開発したプログラムなど、コンピュー タプログラムを介して経験的に選択されるトレーニングパラメータを使用してト レーニングされるか、または注目する分野で働いている他者によって生成された 既存のテスト結果の結果からトレーニングされる。「最もよい」構成が決定され た後、ネットワークの最終組を完成したデータセットに基づいてトレーニングで きる。 ３．生化学診断テストの開発 変数を分離する同様の技法を使用して、生化学診断テストを構築または検証す ることができ、また生化学診断テストデータを患者病歴診断テストと組み合わせ て、医療診断の信頼性を高 めることができる。 選択された生化学テストは、患者および／または患者の症状に関連して有用な 診断情報がそこから得られる任意のテストを含む。このテストは、機器ベースで あるか、または非機器ベースであり、また生物学試料、患者兆候、患者状態、お よび／またはこれらのファクタの変化の分析を含む。いくつかの分析方法のいず れも使用でき、免疫学的検定法、生物学的検定法、クロマトグラフィ、モニタお よびイメージャを含む。ただし、これらに限定されない。この分析は、分析物、 血清マーカ、抗体、およびサンプル中の患者から得られるものなどを評価できる 。さらに、患者に関する情報がテストに関連して供給できる。そのような情報は 、年齢、体重、血圧、遺伝的履歴、および他のそのようなパラメータまたは変数 を含む。ただし、これらに限定されない。 この実施形態において開発された例示の生化学テストは、Ｅｎｚｙｍｅ Ｌｉ ｎｋｅｄ Ｉｍｍｕｎｏｓｏｒｂｅｎｔ ＡｓｓａｙまたはＥＬＩＳＡテストな ど、標準化されたテストフォーマットを使用するが、本明細書で与えられる情報 は、他の生化学テストまたは診断テストの開発に適用でき、ＥＬＩＳＡ テストの開発に限定されない（例えばＥＬＩＳＡテストの説明については、Atas si他編、「Molecular Immunology:A Textbook」、Marcel Dekker Inc.，New Yor k and Basel 1984参照）。ＥＬＩＳＡテストの開発にとって重要な情報は、抗体 プロファイルを特徴付け、かつ抗体の特性を抽出するために蛋白質に対する抗体 の反応度を決定するテストフォーマットであるウェスタンブロットテスト中に得 られる。 ウェスタンブロットは、例えば、混合物中の特定の抗原をポリアクリルアミド ゲル上で分離させ、ニトロセルロース上ににじませ、ラベル付けされた抗体をプ ローブとして検出することによって、これらの抗原を識別するために使用される 技法である。（例えばウェスタンブロットについては、Stitesおよび Terr編、 「Basic and Clinical Immunology」、Seventh Edition、Appleton and Large 1 991を参照）。しかしながら、ウェスタンブロットテストを診断ツールとして使 用することは時々望ましくない。代わりに、診断に関連する情報を含む分子量の 範囲を事前に識別し、次いでこの情報を同等のＥＬＩＳＡテスト中に「コード化 」できる。 この例では、有効な生化学診断テストの開発は、疾病症状が 既知であるか、または推測される患者のウェスタンブロットデータの使用可能度 に依存する。第５図を参照すると、ウェスタンブロットデータをソースとして使 用し（ステップＷ）、ウェスタンブロットデータを処理する場合の第一のステッ プは、ニューラルネットワークによって使用されるウェスタンブロットデータを 事前処理することである（ステップＸ）。画像は、コンピュータを使用して、ス プライン補間および画像正規化を実施することによってデジタル化され、固定の 寸法のトレーニング記録に変換される。多数のウェスタンブロットテストからの データを使用するために画像中の情報のみに基づいて画像を所与のゲル上で整合 する必要がある。ニューラルネットワークの各入力は、特定の分子量または分子 量の範囲を正確に表す必要がある。通常、生成される各ゲルは、較正用に標準画 像を含む。含まれる蛋白質は、既知の分子量のものであり、したがって標準画像 はまた、同じウェスタンブロット中に含まれる画像の整合に使用できる。例えば 、標準曲線を使用して、同じウェスタンブロット上の他の画像の分子量範囲を推 定し、それによりニトロセルロースストリップを整合することができる。 画像を整合する方法は立方スプライン補間である。これは、 標準によって表されたデータ点で滑らかな遷移を保証する方法である。外挿によ る起こりうる性能問題を回避するために、外挿が線形になるように終端条件を設 定する。コンピュータの整合ステップは、ウェスタンブロットの出力上の所与の バンドに対して分子量の推定値の変動を最小限に抑える。 次いで、最も暗いバンドが１．０の倍率変更された密度を有し、かつ最も明る いバンドが０．０に倍率変更されるように密度を倍率変更することによって画像 の密度を正規化するために得られた走査画像を処理する。次いで、この画像を処 理して、以下で説明するように最初にトレーニングされなければならないニュー ラルネットワークへの入力になる数の固定の長さのベクトルにする。 トレーニング例は、ウェスタンブロットデータの処理から生成された結果をト レーニングする上述のプロセスと同じプロセスで作成される（ステップＹ）。開 始重みに対する依存度、相互依存変数中の冗長度、ネットワークを過剰トレーニ ングすることから生じる減感の認識された問題を最小限に抑えるために、前に論 じた分割方法によるデータに基づいて一組のニューラルネットワーク（コンセン サス）をトレーニングすることが有用 である。 処理されたウェスタンブロットデータに対するトレーニング実行の感度分析か ら、大いに寄与する分子量（ＭＷ）の領域を決定し、識別できる（ステップＡＡ ）。分離ステップの一部として、入力と所望の出力との間の相関の符号が同じで ある限り、隣接する領域中の入力を「ビン」中に結合することが好ましい。この プロセスは、ウェスタンブロットによってつくり出された代表的な１００プラス 入力、および他の入力を、約２０個未満の入力のはるかにより操作可能な数まで 減らす。 特定の実施形態では、分子量の複数の範囲は、診断中の条件を示す所望の出力 に相関することが分かる。相関は、正または負である。減少した入力表示は、ウ ェスタンブロットトレーニング中に発見されたピークの各ピークを中心としたガ ウス領域を使用して生成される。標準偏差は、ガウスの値が領域の縁部で０．５ 以下であるように決定される。 特定の実施形態では、ニューラルネットワーク入力を生成する基本操作は、計 算のために分子量のログを使用して、ガウス画像とウェスタンブロット画像との 間で畳み込みを実施することである。 データは、上述のように、ホールドアウト方法を使用してテストできる。例え ば、５個の区分を使用し、各区分中、データの８０％をトレーニング用に使用し 、データの２０％をテスト用に使用することもある。データは、各区分が各ゲル からの例を有する可能性があるようにシャッフルされる。 診断にとって重要な分子量領域を識別した後（ステップＡＡ）、分子量の選択 された一つまたは複数の領域の一つまたは複数のテストを構築する（ステップＡ Ｂ）。ＥＬＩＳＡ生化学テストは一例である。診断にとって重要であると識別さ れた分子量の選択された一つまたは複数の領域は、その場合、物理的に識別され 、ＥＬＩＳＡ生化学テストの構成要素として使用される。同じ相関符号の領域は 単一のＥＬＩＳＡテスト中に結合されても結合されなくてもよいが、異なる相関 符号の領域は、単一のテスト中に結合されてはならない。そのような生化学テス トの値は、その場合、生化学テスト結果を既知のまたは推測される医療状態と比 較することによって決定される。 この例では、生化学診断テストの開発は、第２図に示されるプロセス中で患者 データと生化学データを結合することによって向上する。これらの条件下では、 患者病歴診断テストは生化 学診断テストの基礎である。本明細書で説明するように、重要な変数として識別 された変数は、診断にとって重要な分子量領域を識別するために使用すべき一組 のニューラルネットワークをトレーニングするためにウェスタンブロットデータ から得られたデータと結合される。 第２図を参照すると、ウェスタンブロットデータをソースとして使用し（ステ ップＷ）、上述のようにニューラルネットワークが使用するために事前処理する （ステップＸ）。患者病歴データからの重要な変数およびウェスタンブロットデ ータの処理から生成された結果を結合し、結合されたデータを使用してトレーニ ングする（ステップＹ）上述のプロセスと同様のプロセス中でトレーニング例を 作成する。並行して、ネットワークを上述のように患者病歴データに基づいてト レーニングする（ステップＺ）。 開始重み、相互依存変数間の冗長度、およびネットワークを過剰トレーニング することによって生じる減感に対する依存度の認識された問題を最小限に抑える ために、分割方法によってデータに基づいて一組のニューラルネットワーク（コ ンセンサスセット）をトレーニングすることが好ましいことが分かった。 患者病歴データのみに基づくトレーニング実行の感度分析から、上述のように、 大きく寄与する分子量の領域を決定し、識別できる（ステップＡＡ）。分離プロ セス中の他のステップとして、その後、ウェスタンブロットデータ用の重要なビ ンを分離するために結合された患者病歴およびビン情報を入力として使用して、 一組のネットワークをトレーニングする。「重要なビン」は、患者病歴情報の寄 与を考慮する診断に関連する分子量の重要な領域を表す。これらのビンは、診断 の所望の出力と正または負に相関する。 診断にとって重要な分子量領域を識別した後（ステップＡＡ）、選択された領 域または複数の領域用の一つまたは複数のテストを作成し、上述のように確認す る（ステップＡＢ）。次いで、設計されたＥＬＩＳＡテストを生成し、使用して 、データベース中の各患者ごとにＥＬＩＳＡデータを生成する（ステップＡＣ） 。ＥＬＩＳＡデータおよび重要な患者病歴データを入力として使用して、上述の 分割手法を使用して一組のネットワークをトレーニングする（ステップＡＥ）。 分割手法を使用すれば、生化学テストの下限の推定値が得られる。一組のネット ワーク、すなわち供給できる製品として使用すべきネットワ ークの最終トレーニング（ステップＡＥ）は、トレーニングデータの一部として すべての使用できるデータを使用して行われる。必要な場合、新しいデータを使 用して、診断テストの性能を確認できる（ステップＡＦ）。すべてのトレーニン グデータの性能は、生化学テストの性能推定値の上限になる。ネットワークのコ ンセンサスは、意図された診断テスト出力（ＡＧ）を表す。このニューラルネッ トワークの最後の組は、その場合診断に使用できる。 ４．ニューラルネットワーク性能の改善 ニューラルネットワークを例に挙げて説明した意思決定支援システム、および 本発明において提供される方法の重要な特徴は、性能を改善する能力である。上 記で概説したトレーニング方法は、より多くの情報が使用できるようになるにつ れて繰り返される。動作中、すべての入力変数および出力変数は、記録され、将 来のトレーニングセッション中にトレーニングデータを増大させる。このように して、診断ニューラルネットワークは、個々の母集団および母集団特性のゆるや かな変化に適合できる。 トレーニングニューラルネットワークが、ユーザが所要の情 報を入力し、かつニューラルネットワークスコアをユーザに出力することを可能 にする装置中に含まれる場合、使用中の性能を改善するプロセスが自動化される 。各エントリおよび対応する出力は、メモリ中に保持される。ネットワークを再 トレーニングするステップは装置中にコード化できるので、ネットワークは、母 集団に固有のデータを使用してどんなときでも再トレーニングできる。 ５．診断テスト治療方法の有効性を評価する方法 一般に、診断テストの有効性または有用性は、診断テスト結果が分かっている かまたは推測される患者医療状態と比較することによって決定される。診断テス トは、診断テスト結果と患者医療状態との間に良好な相関がある場合に有効であ ると考えられる。診断テスト結果と患者医療状態との間の相関がよければよいほ ど、診断テストの有効性に置かれる評価は高くなる。そのような相関がない場合 、診断テストは、あまり有効でないと考えられる。本発明において提供されるシ ステムは、そのテストに対応する変数が重要な選択された変数であるかどうかを 決定することによって生化学テストの有効性を評価する手段を提供する。システ ムの性能を改善するデータをもたらすテスト が識別される。 診断テスト結果と患者医療状態との間の相関と無関係に、診断テストの有効性 をそれにより決定できる方法（第６図）について以下で説明する。同様の方法を 使用して、特定の治療の有効性を評価できる。 一実施形態では、この方法は、患者データのみに基づいてトレーニングされた 患者病歴診断ニューラルネットワークの性能を、患者病歴データとＥＬＩＳＡデ ータなど生化学テストデータとの結合に基づいてトレーニングされた結合ニュー ラルネットワークの性能と比較する。患者病歴データを使用して、すべて上述の ように、診断用の重要な変数を分離し（ステップＡＨ）、最後のニューラルネッ トワークをトレーニングする（ステップＡＪ）。並行して、その患者データが分 かっているすべての患者またはサブセットについて生化学テスト結果を与え（ス テップＡＫ）、すべて上述のように、まず診断用の重要な変数を分離し（ステッ プＡＬ）、その後最後のニューラルネットワークをトレーニングすること（ステ ップＡＭ）によって診断ニューラルネットワークを結合した患者データおよび生 化学データに基づいてトレーニングする。 次いで、ステップＡＮで、ステップＡＪから得られた患者病歴診断ニューラル ネットワークの性能を、ステップＡＭから得られた結合した診断ニューラルネッ トワークの性能と比較する。診断ニューラルネットワークの性能はいくつの手段 ででも測定できる。一例では、各診断ニューラルネットワーク出力と患者の分か っているまたは推測される医療状態との間の相関を比較する。その場合、性能を この相関の関数として測定できる。性能を測定する多数の他の方法がある。この 例では、ステップＡＪから得られたものに勝るステップＡＭから得られた結合し た診断ニューラルネットワークの性能の向上を生化学テストの有効性の尺度とし て使用する。 そのテスト結果と分かっているまたは推測される医療状態との間の十分な相関 を欠いているこの例の生化学テスト、および一般の診断テストは、通常、効用が 限られると考えられる。そのようなテストは、上述の方法によっていくつかの用 途を有することが示され、したがってさもなければ有益でないと考えられるかも しれないそのテストの有効性が高くなる。本明細書で説明した方法には、診断テ ストの有用性を評価する手段を提供すること、かつまた診断テストの有効性を高 める手段を提供す ることの二つの目的に適う。 ６．診断用の変数の識別および診断テストの開発へのこれらの方法の応用 本発明において提供される方法およびネットワークは、例えば、重要な変数を 識別し、既存の生化学テストを改善し、新しいテストを開発し、療法経過を評価 し、新しい疾病マーカを識別する手段を提供する。これらの利点を例示するため に、提供される方法は、特定の期間中の陣痛および出産の可能性など、子宮内膜 症および妊娠関連事象に適用されている。 子宮内膜症 本明細書に記載の方法は、子宮内膜症の診断用の非侵襲性方法を開発する手段 を提供している。さらに、本発明の方法は、子宮内膜症を示すデータを与える生 化学テストを開発し、また新しい生化学テストを識別し、開発する手段を提供す る。 意思決定支援システムの変数選択および使用の方法は、子宮内膜症に適用され ている。意思決定支援システム、この例では、ニューラルネットワークのコンセ ンサスは、子宮内膜症の診断用に開発されている。「例」で詳述するこの開発の 過程で、患者病歴データ、すなわち質問表フォーマットによって患者から 得られるデータのみを利用する子宮内膜症の診断を助けることができるニューラ ルネットワークを開発できることが分かった。生化学テストデータを使用して、 特定のネットワークの性能を高めることができることが分かったが、診断ツール としてのその価値にとっては重要でなかった。変数選択プロトコルおよびニュー ラルネットは、子宮内膜症を診断する手段を提供する意思決定支援システム中に 入力できる変数の組を選択する手段を提供する。識別された変数の一部は、従来 子宮内膜症に関連していた変数を含むが、他の変数はそうではない。さらに、上 記のように、子宮内膜症に関連する骨盤痛や月経困難症などの変数は、診断が可 能なようにそれに線形的に相関しない。 例示的な意思決定支援システムについて例中で説明する。例えば、本明細書で ｐａｔ０７で示される一つのニューラルネットについて例１４で説明する。ｐａ ｔ０７ネットワーク出力と子宮内膜症を有する確率との比較は正の相関をもたら す（表１参照）。ｐａｔ０７ネットワークは、女性のｐａｔ０７スコアに基づい て子宮内膜症を有する女性の可能性を予測できる。例えば、女性が０．６のｐａ ｔ０７スコアを有する場合、彼女は子宮内膜症を有する９０％の確率を有する。 ｐａｔ０７スコア が０．４の場合、彼女は子宮内膜症を有する確率が１０％である。データベース に適用したときのｐａｔ０７出力のダイナミックレンジは、約０．３から約０． ７であった。理論上、出力値は、０から１まで変動しうるが、０．３以下の値ま たは０．７以上の値は観測されなかった。ｐａｔ０７ネットワークを使用して、 ８００人以上の女性を評価し、その性能は次のように要約できる。 ｐａｔ０７ネットワークスコアは、子宮内膜症を有する可能性と解釈され、女 性が子宮内膜症を有すると診断されるかどうかではない。可能性は、各スコアグ ループ中で発見される子宮内膜症の相対発生率に基づく。例えば、０．６または それ以上のｐａｔ０７ネットワークスコアを有する女性のグループでは、これら の女性の９０％が子宮内膜症を有し、これらの女性の１０％が子宮内膜症を有し ない。この可能性は、不妊症科にいる 女性の人口に関連する。ｐａｔ０７ネットワークを含むソフトウェアプログラム が開発されている。 ａｄｅｚａｃｒｆ．ｅｘｅと呼ばれる一つのプログラムは、ユーザが女性のｐ ａｔ０７ネットワークスコアを得ることを可能にする単一のスクリーンウィンド ウインタフェースを提供する。ユーザは、１４個のすべての変数の値を入力し、 すべてのキーストロークの後でｐａｔ０７ネットワークスコアを計算する。ａｄ ｚｃｒｆ２．ｅｘｅと呼ばれる他のプログラムは、ａｄｅｚａｃｒｆ．ｅｘｅと ほとんど厳密に同じであるが、一つの追加の入力、すなわちＥＬＩＳＡテストの 値を入力できる。このプログラムおよびネットワークは、診断テストの臨床的効 用を拡大する方法の具体的な例である。ＥＬＩＳＡテスト結果は子宮内膜症に相 関しなかった。それだけではＥＬＩＳＡテストは臨床的効用を有しない。他の入 力パラメータとして、ＥＬＩＳＡテストは、ネットワーク分析用の入力としてＥ ＬＩＳＡ結果を組み込むことがＥＬＩＳＡテストの臨床効用を拡大するように、 ネットワーク性能を改善した。ａｄｚｃｒｆ２．ｅｘｅと呼ばれる（本明細書の 付録ＩＩに記載されている）他のプログラムは、ユーザが女性のｐａｔ０７ネッ トワークスコアを得 ることを可能にする多重スクリーンウィンドウインタフェースを提供する。多重 データエントリスクリーンは、すべての患者病歴データを入力し、ｐａｔ０７用 の入力として必要とされるパラメータだけは入力しないようにユーザを案内する 。ユーザがすべてのデータを入力し、正確なものと認めた後で、ｐａｔ０７スコ アを計算する。このプログラムはまた、＊．ｆｄｂファイル中に入力されたデー タを保管し、データをインポートし、インポートされたデータ上のｐａｔ０７ス コアを計算し、データをエクスポートすることができる。ユーザは、前に入力し たデータを編集することができる。上記の三つのプログラムはすべて、子宮内膜 症用の診断ソフトウェアの具体的な例として役立つ。 第１１図に、診断ソフトウェア中で使用される例示的なインタフェーススクリ ーンを示す。ＭｉｃｒｏＳｏｆｔ Ｗｉｎｄｏｗｓ^TMタイプのディスプレイとし て提供されるディスプレイ１１００は、子宮内膜症の診断用に決定された重要な 変数の各変数ごとに数値を入力するためのテンプレートを提供する。テストを実 施するためのデータの入力は、従来のキーボードのみを使用するか、またはコン ピュータマウス、トラックボール またはジョイスティックと組み合わせて実施される。本明細書では、マウスとキ ーボードの組合せを使用する。各テキストボックス１１０１〜１１０６は、重要 な変数、すなわち年齢（ボックス１１０１）、妊娠回数（ボックス１１０２）、 出産回数（ボックス１１０３）、流産回数（ボックス１１０４）、一日当たり吸 うたばこの箱数（ボックス１１０５）、ＥＬＩＳＡテスト結果（ボックス１１０ ６）を表す数値を入力するためのものである。対象患者の年齢を入力するために 、ユーザは、スクリーン上のポインタがボックス１１０１中に入るようにマウス を動かし、次いでその位置でクリックする。キーボードを使用して、患者の年齢 を表す数を入力する。選択されたボックスでポイントし、クリックすることによ って残りのボックスにアクセスする。 ボックス１１０７〜１１１５は、データが二進、すなわち「ｙｅｓ」か「ｎｏ 」である重要な選択された変数である。ボックスおよび変数は次のように相関す る。 ボックス 変数 １１０７ 子宮内膜症の過去病歴 １１０８ 月経困難症 １１０９ 妊娠中の高血圧症 １１１０ 骨盤痛 １１１１ 異常ＰＡＰ／形成異常症 １１１２ 骨盤手術歴 １１１３ 薬物治療歴 １１１４ 生殖器いぼ １１１５ 糖尿病 これらの変数の任意の変数に対する「ｙｅｓ」は、対応するボックスをポイン トし、マウスボタンをクリックして、ボックス中の「Ｘ」を示すことによって表 示できる。 ネットワークは、すべてのキーストロークの後でデータを自動的に処理し、し たがってテンプレート１１００中へのすべての入力の後でテキストボックス１１ １８〜１１２０中に表示される出力値中に変化が現れる。「Ｅｎｄｏ」とラベル 付けされたテキストボックス１１１８は、子宮内膜症の存在に対してコンセンサ スネットワーク出力を与える。「Ｎｏ Ｅｎｄｏ」とラベル付けされたテキスト ボックス１１１９は、子宮内膜症の不在に対してコンセンサスネットワーク出力 を与える。テキストボックス１１２０は、患者が子宮内膜症を有するかどうかを 示す相対的スコアを与える。テキストボックス１１２０中のスコアは、医師が結 果を解釈することをより容易にするボックス１１１８および１１１９から得られ た人工的な数であることに留意されたい。上記のように、２５までの正の範囲中 のこのボックス中の値は、子宮内膜症を有することを示し、−２５までの負の範 囲の値は、子宮内膜症を有しないことを示す。選択された変換は、医師がｐａｔ ０７出力をより容易に解釈することを可能にする。 例で説明したように、ｐａｔ０７は、子宮内膜症を予測する唯一のネットワー クではない。ｐａｔ０８からｐａｔ２３ａで示される他のネットワークが開発さ れている。これらも子宮内膜症を予測する。これらのすべてのネットワークは、 まったく同様に動作し、容易にｐａｔ０７の代わりに使用できる。したがって、 ｐａｔ０７を開発するために使用した方法に従って、他の同様に機能するニュー ラルネットが開発でき、開発されている。ｐａｔ０８およびｐａｔ０９は、ｐａ ｔ０７に最も類似している。これらのネットワークは、上記で概説したプロトコ ルに従って開発され、ｐａｔ０７の開発用に使用されるものと同じ組から重要な 変数を選択することができた。 変数の初期重み付けは、変数選択手順の結果に対しては影響を及ぼすが、最後 の診断結果中ではそうではないことが分かった。ｐａｔ０８およびｐａｔ０９は 、ｐａｔ０７と同じ患者データのデータベースを使用して、疾病関連パラメータ を導出した。ｐａｔ１０からｐａｔ２３ａは、元々いくつかのパラメータ、すな わち子宮内膜症歴、骨盤手術歴、月経困難症歴、骨盤痛の重要度を明らかにする ために設計されたトレーニング実行であった。これらを開発するために、変数選 択プロセスから変数を差し引くことによってその変数の重要度を評価した。変数 選択プロセスおよび最後のコンセンサスネットワークをトレーニングすることで 、ネットワーク性能は著しく低下しないことが分かった。 したがって、特定の変数または変数の組は子宮内膜症を予測する場合に重要で あると考えられていたが、そのような変数がない場合にトレーニングされるネッ トワークは、子宮内膜症を予測する著しく低下した能力を有しない。これらの結 果は、（１）変数選択およびコンセンサスネットワークトレーニング用の方法の 有効性、および（２）一般にネットワークの適合性を証明する。一つのデータタ イプがない場合、ネットワークは、 その情報を引き出すべき他の変数を見つけた。一つの変数がない場合、ネットワ ークは、異なる変数をその所定の位置で選択し、性能を維持した。 子宮内膜症を有する疑いがある患者は、一般に疾病を診断するために診断手術 を受けなければならない。患者病歴情報および任意選択でウェスタンブロットデ ータなど生化学テストデータを使用して、この障害を確実に診断する能力は、手 術の非常に望ましい代替手段を与える。本発明の方法および識別された変数はそ れを行う手段を与える。 子宮内膜症の疾病の診断に関連するデータが収集されている。このデータは、 患者病歴データ、ウェスタンブロットデータ、ＥＬＩＳＡデータを含む。「例」 に示される本発明の方法の適用は、患者病歴データのみが子宮内膜症を予測でき ることを証明した。 変数選択プロトコルの性能を評価し、１４個の変数ネットワーク（ｐａｔ０７ ）が１４個の変数の可能なすべての組合せと比較して（性能に関して）順位付け されることを確認するために、ネットワークを変数の可能なすべての組合せ（１ ６，３８４の組合せ）に基づいてトレーニングした。また、変数選択プ ロトコルを１４個の変数の組に適用した。１４個の変数の中から、５個の変数を 選択した。これらは、妊娠高血圧症、出産回数、異常ＰＡＰ／形成異常症、子宮 内膜症歴、および骨盤手術歴である。この組合せを１６，３８４の可能な組合せ から６８番目に最もよく実行する組合せとして順位付けし（９９．６百分位数） 、それにより変数選択プロトコルの有効性を証明した。また、１４個のすべての 変数を含む組合せを１６，３８４の可能な組合せから７１８番目に順位付けした （９５．６百分位数）。 これらの結果はまた、１４個の変数のサブセットが有用であることを示す。特 に、３個の変数の次の組合せの一つ（または複数）のパラメータの選択された組 の任意のサブセット、特に１４個の変数の組が子宮内膜症の診断用に意思決定支 援システムとともに使用できる。 ａ）出産回数、子宮内膜症歴、骨盤手術歴 ｂ）糖尿病、妊娠高血圧症、喫煙 ｃ）妊娠高血圧症、異常ｐａｐしみ／形成異常症、子宮内膜症歴 ｄ）年齢、喫煙、子宮内膜症歴 ｅ）喫煙、子宮内膜症歴、月経困難症 ｆ）年齢、糖尿病、子宮内膜症歴 ｇ）妊娠高血圧症、出産回数、子宮内膜症歴 ｈ）喫煙、出産回数、子宮内膜症歴 ｉ）妊娠高血圧症、子宮内膜症歴、骨盤手術歴 ｊ）妊娠回数、子宮内膜症歴、骨盤手術歴 ｋ）出産回数、異常ＰＡＰしみ／形成異常症、子宮内膜症歴 ｌ）出産回数、異常ＰＡＰしみ／形成異常症、月経困難症 ｍ）子宮内膜症歴、骨盤手術歴、月経困難症 ｎ）妊娠回数、子宮内膜症歴、月経困難症。 例で示すように、列挙した１４個の変数と同じ働きをする重要な選択された変 数の他の組が得られる。他のより小さいそのサブセットも識別できる。 特定の期間中の出産の可能性など、妊娠関連事象の予測 本発明の方法は、任意の障害または状態に適用でき、特に診断テストが適切に 相関し得るか、または生化学テストまたは好都合な生化学テストが使用できない 状態に適している。例えば、本発明の方法は、特定の期間中の出産の可能性など 、妊娠関連事象の予測に適用されている。 間近に迫った出産の決定は、例えば、３４週までに生まれた 幼児の新生児残存者を増やすために重要である。妊娠の週２０後に妊娠患者から の膣腔または子宮頸管からの分泌サンプル中の胎児のフィブロネクチンの存在は 、３４週前の陣痛および出産の危険に関連する。妊娠の週２０後に妊娠患者から の膣腔または子宮頸管からの分泌サンプル中の胎児のフィブロネクチンをスクリ ーニングする方法および装置が販売されている（米国特許第５５１６７０２号、 第５４６８６１９号、第５２８１５２２号、および第５０９６８３０号参照。ま た、米国特許第５２３６８４６号、第５２２３４４０号、および第５１８５２７ ０号参照）。 これらの分泌物中の胎児のフィブロネクチンの存在と、３４週前の陣痛および 出産との相関は完全ではない。著しい偽正率および偽負率が存在する。したがっ て、３４週前の陣痛および出産の可能性を評価する方法の必要に対処し、使用で きるテストの予想可能度を改善するために、本発明の方法は、いくつかの妊娠関 連事象の可能性を評価する意思決定支援システムの開発に適用されている。特に 、懐胎の３４週前（または後）の出産を予測するニューラルネットが開発された 。本明細書で説明した開発されたニューラルネットワークおよび他の意思決定支 援システムは、偽正の数を少なくすることによって胎児のフィブロネクチン（ｆ ＦＮ）の性能を改善できる。例１３に示される結果は、本発明の方法を使用すれ ば、予測性能が改善されるので既存のテストの診断効用が改善できることを証明 する。 上述のように、これらの方法を使用して、前に疾病、状態または障害に関連す ると考えられていなかったテストを識別し、新しいテストを設計し、新しい疾病 マーカを識別することができる。 次の例は、説明のためにのみ記載し、本発明の範囲を限定するものではない。 例１ 患者病歴データの関連変数についての評価 この例は、候補変数の選択を説明する。 要件 患者病歴を評価して、どの変数が診断に関連するかを決定する。この例は、診 断で使用する各変数についての感度分析を実施することによって実施される。こ の分析の実施には二つの方法を使用することができる。第一の方法は、全ての情 報についてネットワークをトレーニングし、各入力がネットワーク出力 に及ぼす影響をネットワークの重みから決定する方法である。第二の方法は、変 数を含んでトレーニングしたネットワーク、および変数を排除してトレーニング した第二のネットワークの、二つのネットワークの性能を比較する方法である。 このトレーニングは、関連すると考えられる変数のそれぞれについて実施するこ とになる。性能に寄与しないものは排除されることになる。こうした操作は、ネ ットワークへの入力のディメンションを低下させるために実施する。限られた量 のデータでトレーニングする場合には、入力のディメンションが低いことにより 、ネットワークの一般化能力が高まることになる。 データの分析 この例で使用するデータは、５１０件の患者病歴を含んでいた。各記録は１２ ０個のテキストおよび数字フィールドを含む。これらのフィールドのうち４５個 は、手術前に知られており、常に情報を含むものとして識別された。これらのフ ィールドは、ネットワークの分析およびトレーニングに利用できる基本的な変数 として使用した。この例で使用した変数の概要は以下の通りである。使用した方法 変数の重要性を決定する、最も一般的に使用される方法は、全ての変数を含む データについてニューラルネットワークをト レーニングする方法である。トレーニングしたネットワークを基礎として使用し て、ネットワークおよびトレーニングデータについて感度分析を実施する。各ト レーニング例では、ネットワークは順方向モードに実行される（トレーニングな し）。ネットワーク出力を記録した。各入力変数について、ネットワークは、変 数をそのトレーニング例にわたるその変数の平均値で置換して、再実行される。 出力値の差を二乗して累積する。各トレーニング例についてこのプロセスを繰り 返す。次いでその結果生じた合計を正規化し、正規化した値の合計が変数の数と 等しくなるようにする。このように、全ての変数が等しく出力に寄与する場合に は、それらの正規化値は１．０になるはずである。次いで正規化値を重要性の順 に順位付けすることができる。 上記の手法にはいくつかの問題がある。第一に、これは発見されたニューラル ネットワークの解決策に依存する。異なるネットワークの開始重みを使用すれば 、異なる順位付けが発見される可能性がある。第二に、二つの変数の相関性が高 い場合には、そのいずれを使用しても十分な情報を含むことになる。ネットワー クトレーニング実行に依存して、ただ一つの変数しか 重要であると識別することはできない。第三の問題は、トレーニングしすぎたネ ットワークが、変数の真の重要性を曲解する可能性があることである。 上記の問題の影響を最小限に抑えるために、いくつかのネットワークをデータ についてトレーニングした。できる限り最良のテストセットの性能を生み出すよ うにトレーニングプロセスを洗練し、ネットワークが入力と所望の出力との間の 基礎関係を学習しているようにした。このプロセスの終了までに、ネットワーク の良好なセットが利用可能になり、また最後にトレーニングしたネットワークに ついてのトレーニング構成も確立されることになる。トレーニングした各ネット ワークについて感度分析を実施し、正規化値を平均した。この例では、トレーニ ング実行は、ホールドアウト方法を使用して利用可能なデータの五つの区分につ いてトレーニングした１５個のネットワークを含んでいた。 変数の順位付けが確立された後で、テスト実行を行い、変数の排除がテストセ ットの性能に及ぼす影響を決定した。寄与の小さい変数を排除すると、テストセ ットの性能が低下する。トレーニングデータが限られていることによって過剰ト レーニン グが問題になる場合には、変数を排除することによってテストセットの性能を実 際に改善することができる。処理時間を節約するために、順位付けに基づくテス トでは変数のグループを排除することもできる。 結果 順位付けまたは変数は以下の通りとなり、これらはｐａｔ０５の実行でトレー ニングされたネットワークについて報告される。 ０１．３５．薬物治療歴 ０２．３３．Ｅｎｄｏの過去の病歴 ０３．１１．出産回数 ０４．３７．骨盤痛 ０５．４０．月経困難症 ０６．３４．骨盤手術歴 ０７．１． 年齢（ｐｒｅｐｒｏｃ） ０８．１３．不妊症歴 ０９．８． 箱／日 １０．３６．現在の外因性ホルモン １１．４２．不妊症 １２．１８．誘発ホルモン １３．１５．無排卵 １４．１４．排卵 １５．４３．付属器の塊／肥厚症 １６．４５．その他の症状 １７．３０．異常ＰＡＰ／形成異常症 １８．２６．子宮外妊娠 １９．１９．ヘルペス ２０．３９．月経異常 ２１．１２．流産回数 ２２．４１．性交疼痛症 ２３．２４．子宮／卵管異常 ２４．３１．婦人癌 ２５．３２．その他の病歴 ２６．１０．妊娠回数 ２７．２８．卵巣嚢胞 ２８．２５．フィブロイド ２９．２２．膣感染 ３０．１６．未知 ３１．２７．機能性子宮出血 ３２．３８．異常な痛み ３３．５． 妊娠過形成 ３４．９． 薬物使用 ３５．２０．生殖器いぼ ３６．３． 妊娠ＤＭ ３７．４． 高血圧症 ３８．２１．その他のＳＴＤ ３９．２３．ＰＩＤ ４０．４４．未決定 ４１．２． 糖尿病 ４２．１７．乏排卵 ４３．６． 自己免疫疾患 ４４．２９．多嚢胞性卵巣症候群 ４５．７． 移植 変数のサブセットをテストし、１４個の変数の最後のセットを使用してｐａｔ ０７のネットワークをトレーニングした（例１３および１４参照）。上記の上位 １４個にはないいくつかの変数も使用した。これによりテストセットの性能が改 善された。 ｐａｔ０７のネットワークについての順位付けは以下の通りである。 ０１．１０．Ｅｎｄｏの過去の病歴 ０２．６． 出産回数 ０３．１４．月経困難症 ０４．１． 年齢（ｐｒｅｐｒｏｃ） ０５．１３．骨盤痛 ０６．１１．骨盤手術歴 ０７．４． 箱／日 ０８．１２．薬物治療歴 ０９．５． 妊娠回数 １０．７． 流産回数 １１．９． 異常ＰＡＰ／形成異常症 １２．３． 妊娠過形成 １３．８． 生殖器いぼ １４．２． 糖尿病 結論 この例で識別された変数のセットは、テストおよび情報に基づいて妥当である と考えられる。 例２ 患者病歴データについてのネットワークのトレーニング この例は、上記の１４個の変数を使用して、様々なパラメータを設定および最 適化する方法を明らかにする。 要件 上記の例が完了すると、減少した患者病歴についてネットワークのセットをト レーニングし、それらの性能を記録する。実験を実行し、ネットワークのトレー ニングに最良の構成およびパラメータを決定した。性能の分析を実施して偽の正 および偽の負の数を決定し、所与の患者のサブセットを信頼性高く診断すること ができるかどうかを調べた。データが限られているので、推定した性能は、残り のデータについてのテストおよびトレーニングのためにデータベースの小さな部 分（２５％）を除外することによって決定した。ネットワークの一つで全てのデ ータをテストデータとして使用するまで、この方法を繰り返した。次いでテスト データについての組み合わせた結果が性能の推定となる。最後のネットワークは 、利用可能な全てのデータをトレーニングデータとして使用してトレーニングし た。 使用した方法 少ないトレーニング例を扱う場合には、ネットワーク構成およびパラメータ設 定の決定に便利なテスト情報を提供するためには、ホールドアウト方法が有効で ある。処理時間を大幅に増加させることなくトレーニングに利用できるデータを 最大限にするために、提案された２５％ではなく、２０％のホールドアウトを使 用した。これにより四つではなく五つのデータ区分が生じ、データの８０％が各 区分のトレーニング用となった。 ランダム開始重みの影響を最小限に抑えるために、複数のネットワークを全ト レーニング実行でトレーニングした。こうした実行では、三つのネットワークを 、データの五つの区分のそれぞれで、それぞれ異なるランダム開始からトレーニ ングした。ネットワークの出力を平均して、単一のネットワークから得られるよ り低い分散を有するコンセンサス結果を形成する。 いくつかの実験を実施し、テストセットの性能を最大限にするネットワークの パラメータを発見した。このプロセスで修正したパラメータは以下の通りである 。 １．隠れた処理要素の数 ２．入力に追加された雑音の量 ３．誤差許容度の量 ４．使用する学習アルゴリズム ５．使用する重み減衰の量 ６．使用する入力変数の数 ４５個の変数の可能な全ての組合せを完全に探索することは、テストに必要と されるＣＰＵ時間の量により容易ではない。テストネットワークは、この領域で 重要であると当業者に知られているパラメータに基づいて、また以前のテストの 結果に基づいて選択したパラメータでトレーニングした。その他の変数のセット も適当である。また、本明細書の別の部分に示すように、選択した１４個の変数 全ての組合せをテストした。最良の構成が決定された後で、５１０人の患者の完 全なデータセットについて、最後のセットのネットワークをトレーニングした。 最後のセットのネットワークでは、八つのネットワークのコンセンサスを作成し 、最終的な統計値を生成した。 結果 最終的ホールドアウトトレーニングの実行は、１４個の変数を有するｐａｔ０ ６であった。テストデータについての性能は６８．２３％であった。全トレーニ ング実行は、ｐａｔ０６と 同じネットワーク構成を有するｐａｔ０７であった。トレーニングデータについ ての性能は７２．９％であった。最後のトレーニング実行についての統計値を、 ネットワーク出力値のカットオフの使用に基づいて生成した。ネットワーク出力 がカットオフ以下である場合には、この例は考慮されていない。以下の表はｐａ ｔ０７中の八つのネットワークのコンセンサスについての結果の概要である。ａ ｄｚｃｒｆと呼ばれるテストプログラムを生成して、この最後のトレーニングを 明らかにした。 ＰＰＶ＝正の予測値、ＮＰＶ＝負の予測値 例３ ウェスタンブロットデータの事前処理および入力 要件 最初に論理設計に送られた、患者についてのウェスタンブロットからの抗原デ ータは、ピーク分子量およびそれらが関連す る強度のみについての情報を提供した。このデータ、およびこのデータが取られ た元の画像の分析は、より多くの情報をニューラルネットワークに提供すること ができるようにデジタル化された元の画像を使用することができることを示す。 二つの実験について元の画像を検査すると、画像データを事前処理は、画像中の 特定の分子量の位置の可変性を低下させる。この事前処理では、標準画像に適し た多項式を使用して、修正した画像を生成することになる。画像の事前処理は、 画像の背景レベルおよびコントラストを正規化するステップも含むことになる。 事前処理が完了した後で、画像データをそのままで使用する、またはピーク分 子量を抽出することができる。得られた画像から、ニューラルネットワークへの 入力が生成されることになる。通常の画像は約１０００ピクセルの長さであるの で、入力数を減少させる方法が調査されることになる。画像が、全てまたは減少 したディメンション（解像度）の画像を使用して直接ネットワーク入力にコード 化されるので、ニューラルネットワークは、監視学習でトレーニングされ、疾病 の決定に関係する分子量の範囲の決定を補助することになる。この例は、ネット ワークへの入力中で画像を全体として使用することを焦点とする。 使用した方法 相関技術を使用して、ウェスタンブロットの画像についての同様の特徴を突き 合わせて、相関プロットを生成した。これらのプロットから、サンプルを正確に 整合するには、二つのサンプルの相関プロットについての突合せの変動が大きす ぎると結論付けられた。ネットワークの各入力は分子量値を正確に表現する必要 があるので、標準画像からの情報のみを画像の整合に使用することに決定した。 標準画像について二次適合を実施し、相対移動性情報を分子量に翻訳する手段 を生成する。相対移動性の曲線を分子量の対数に対してプロットし、ＲＳＱＲ値 を検査した後で、二次適合はこの翻訳を実施するのに十分に正確ではなかったと 結論付けられた。二次適合を使用して標準分子について計算した分子量は、ゲル ごとに様々である。 相対移動性の分子量への翻訳を改善するためにいくつかの方法を試みた。三次 スプライン補間法を選択した。この方法は、データ点でのなめらかな移行を保証 し、迅速に計算される。唯一重要なのは、標準がカバーする区間の外側にある相 対移動性の値について、この方法がどのように実施されるかということ である。終了条件が適当に設定されていれば、補外法の問題は回避されるものと 考えられる。これが選択した方法である。 スプライン補間法を使用して、画像を一定寸法のトレーニング記録に変換した 。この時点で、画像強度の正規化を考慮しなければならない。二つの選択肢が考 えられる。第一は、正規化を実施しないことである。第二は、画像にわたる最大 値が１．０にセットされ、最小値が０．０にセットされるように画像を処理する ことである。各選択肢についてネットワークをトレーニングし、その結果を比較 した。入力に雑音が追加されなければ、事前処理した画像ネットワークは９７％ のトレーニング例性能を有し、事前処理しなかった場合の性能は７９％であった 。雑音が追加された場合には、二つの選択肢は同様の結果を与えた。さらなるト レーニング実行のために事前処理した画像を使用することを選択した。この選択 により、ウェスタンブロット法を使用して達成することができる許容度の範囲内 で、所与のネットワーク入力が特定の分子量と一貫して関連付けられることが保 証された。 上記の選択を使用して、一連の八つのニューラルネットワークをトレーニング し、Ｅｎｄｏ存在変数の予測に基づく様々な 分子量の重要性についての情報を提供した。相関の方向の分析を可能にするため に、単一の隠れた処理要素のみをトレーニングに使用した。各ネットワークにつ いて感度分析を実施し、得られたコンセンサスをＥｘｃｅｌを使用してプロット した。 次いでネットワークの重みを平均し、各重みについてのコンセンサス値を生成 した。隠れた要素から出力への相互接続の重みは正にも負にもなるので、これら の重みは全ての出力接続が同じ符号を有するように変形した。次いで重みを平均 し、その結果をＥｘｃｅｌを使用してプロットした。 結果 ネットワーク入力への画像整合およびＭａｘ／Ｍｉｎ画像事前処理のために三 次スプライン補間法を使用して、ウェスタンブロットデータの分析を実施した。 ウェスタンブロット法による、画像の整合の確度において一定量の変動性が期待 できる場合には、この手法は、多項式適合が最初に使用した、より良好な結果を 与えるものと考えられる。 最終的コンセンサスネットワークについての感度分析および重みのプロットは 、疾病の予測および診断を補助することができるウェスタンブロットの領域があ ることを示した。ネットワ ークの重みに見られる、正および負の相関の領域の幅もまた、示された結果が有 意であることを示す。ピークが非常に狭い場合には、ピークは、過剰トレーニン グと同様のトレーニングプロセスの人為結果であり、学習される基礎プロセスを 形成しないものと結論付けなければならない。重要であると考えられる領域は以 下の通りである。 正の相関 31503.98 - 34452.12 62548.87 - 65735.97 84279.36 - 89458.49 負の相関 19165.9 - 20142.47 50263.36 - 53352.14 67725.77 - 78614.77 正および負のピークはいくつか存在するが、これらが、二つのＥＬＩＳＡテス トに含まれる可能性が最も高いと考えられる。一方のテストは正の領域を焦点と し、もう一方は負の領域を焦点とする。次いで得られた二つの値を、ニューラル ネットワークへの入力として患者病歴データと組み合わせることができる。 結論 ニューラルネットワークは、ウェスタンブロットに基づいて疾病の存在と相関 する領域を発見することができた。 例４ ウェスタンブロットデータについての一定入力寸法の調査 要件 事前処理した画像から抽出したピーク分子量を使用して、患者についてのウェ スタンブロットデータの変化する寸法を、ニューラルネットワークについての一 定の寸法に換算する方法を調査した。この手法は、ネットワーク入力が全画像手 法より大幅に少なくなるので望ましい。基本的な問題は、相互に関係する可能性 のある分子量の変数がテストで生じることである。例およびこの例の結果を比較 すると、分子量のパターンが存在すること、またはそれらの分子量が関連がない かどうかが示される。分子量データにはいくらか変動性があるので、ニューラル ネットワークについて分類を実施しても、このデータを処理する手法はファジー メンバシップ関数と同様である。 追加要件 ウェスタンブロットデータから一部分が識別される。これら の部分の積は再生可能であるので、この情報の使用の有効性は、ウェスタンブロ ット画像データを処理して、これらの部分の分子量に対応するｂｉｎｓにするこ とにより決定される。 使用した方法 例４の結果から、分子量のいくつかの範囲が疾病と相関があるものと決定され る。例５に見られる各ピークに集中するガウス領域を使用することにより、減少 した入力表現が生成された。ガウスの値が領域の縁部で０．５以下になるように ガウスの標準偏差を決定した。ニューラルネットワーク入力を生成するために実 施した基本操作は、ガウスとウェスタンブロット画像との間のたたみ込みである 。計算は全て、分子量の対数を使用して実施した。 別々のソフトウェアプログラムが生成された。このプログラムは、正規化した 画像についての分子量および強度に対するたたみ込みを実施した。ネットワーク 入力の計算のパラメータは、ｂｉｎｐｒｏｃプログラム中の表に含まれる。ｂｉ ｎｐｒｏｃでは、平均および標準偏差はこの表に記憶される。表の値が変更され るときに、プログラムは再コンパイルされる。プログラムは、Ｅｘｃｅｌを使用 して匹敵するウェスタンブロット画像 にガウスをプロットすることができる出力ファイルを生成するテストモードを有 する。領域のプロットはドキュメンテーションに含まれる。 ３６個の小部分を処理する際には、小部分の位置をｂｉｎｐｒｏｃの表の値に 翻訳するようにｂｉｎｐｒｏｃ．ｃを再度修正した。この修正したプログラムを ｆｐｒｏｃ．ｄと呼ぶ。その目的は、分子量値を標準に基づいて正規化するのに 必要なスプライン補間を実施することである。ｂｉｎｐｒｏｃからｂｉｎｐｒｏ ｃ２．ｃを生成し、平均偏差表および標準偏差表を、供給されたファイル中の小 部分の終点に対応するｍｉｎ．表およびｍａｘ．表で置き換えた。 上記プログラムから生成された任意のデータファイルをテストするために、デ ータの８０％をトレーニング用に、残りの２０％をテスト用に使用して、ホール ドアウト方法を使用した。ウェスタンブロットデータからトレーニングデータが 生成された後で、乱数列および患者のＩＤ列をＥｘｃｅｌのスプレッドシートに 追加した。次いで乱数列上でデータをソートした。これにより実際にデータがシ ャッフルされる。このようにして、各区分が各ゲルからの例を有する可能性が高 い。これらの割合 で、五つの別々のトレーニングおよびテストファイルが、組み合わせたテストセ ットの結果からネットワークの性能を推定することができるように生成される。 ＴｈｉｎｋｓＰｒｏ^TMを使用して、入力を排除することにより、ネットワーク が使用する入力の数を変化させることができる。排除された入力は、トレーニン グ中にネットワークに提示されない。ガイドとして感度分析を使用して、重要で ない入力を除去する。入力スペースのディメンションを減少させることは、トレ ーニング例の数が少ないときにはさらに重要になる。この方法は、患者病歴トレ ーニング実行中の変数を除去する際に使用したものと同じである。現在では、こ のプロセスは手動で行う。 結果 例５では、全てのデータについてトレーニングされたネットワークを使用して 、分類プロセスに重要な分子量の範囲を決定した。この例では、ホールドアウト 方法を使用して、テストセットの性能を推定することができるようにネットワー クをトレーニングした。第一のテストセットは、例５で識別された領域に基づい ている。第二のテストセットは、四つのｉｓｈｇｅｌ ファイル中で識別された小部分を使用して作成された。 例５で見られた上位六つの領域に基づく最初のコンセンサス実行の性能は低い （５０％）。生成された入力データの分析により、入力データの生成に使用され た領域は、画像データから重要な情報を捕捉するには狭すぎることが示された。 領域の幅を広げ、上位六つではなく、例５からの上位１０個の領域を含めた。幅 を広げた１０個の領域についてのテストはわずかに良好な性能を示した。感度分 析を使用して、１０個の領域のうち三つを除去し、完全なテストを実行した。幅 を広げた１０個の領域のうち六つについての性能は、５４．５％に向上した。 ネットワークへの入力数がさらに減少するにつれて、テストセットの性能（ホ ールドアウト方法で推定）は高まり続ける。６６３９２．６５から７８６１４． ７４の範囲の分子量を有するただ一つの領域しか使用しない場合に最高の性能が 達成された。ホールドアウト方法を使用した、テストデータについての性能の推 定値は５８．５％であった。 このプロセスを、識別された小部分に基づく３６個の領域を開始として使用し て再度適用した。３６個の小部分には大量の重複が存在した。上位七つの小部分 を、感度分析を使用して３ ６個から決定した。小部分のサブセットを使用して、５８％という同様の性能が 達成された。 結論 テストでは非常に高い結果は生じなかった。このことの主な理由は、この例で 利用できるトレーニングデータの量が限られていたことである可能性が高い。以 前の例から得られた結果は、トレーニングサンプル中の患者数が減少するにつれ て妥当性データについての性能も低下したことを示した。この関係を以下の表に 示す。 患者数が減少しても、Ｅｌｉｓａ変数を含む場合にはＥｌｉｓａ／患者病歴デー タについてより良好な結果が達成された。このことはＥＬＩＳＡ変数の価値を示 す。 いくつかの領域を、疾病の分類に重要であると決定できることは明らかである 。大幅に異なる領域のセットが同様の結果を生じ、ウェスタンブロットデータ中 に、疾病の存在を示すパタ ーンが存在する可能性があることを示す。患者のデータベースが少ない場合には 、これらのパターンを分離することはより困難になる。 ウェスタンブロットデータ用のデータベースのサイズの増加により、このデー タについてトレーニングしたネットワークの性能が改善されることになることは 明らかである。ウェスタンブロットデータを患者病歴データと組み合わせると、 ネットワークの入力寸法が増加することになる。入力寸法が増加すると、通常は 一般化を保証するためにより多くのトレーニング例が必要となる。 例５ ウェスタンブロットデータを使用するトレーニングネットワーク この例の目的は、ウェスタンブロットデータのみを使用して診断についての性 能推定を決定するようにネットワークのセットをトレーニングすることである。 実験を実行し、ネットワークのトレーニングのための最良の構成およびパラメー タを決定した。上記の例２に記載した方法を、この性能推定に使用する。最後の ネットワークは、利用可能な全てのデータをトレーニングデータとして使用して トレーニングした。このトレーニング したネットワークの出力（抗原指標）は、組み合わされたデータフェーズ中で生 成されたネットワークへの入力として使用した。 使用した方法 いくつかの方法を使用して、利用可能なトレーニングデータについての最もよ く実施される入力のセットを発見した。以前の例から、感度分析を使用すると、 各入力変数の重要性の識別において良好な結果が生じることが分かった。その数 のネットワークは、感度分析によって手動で決定された変数の組合せについてト レーニングした。 自動化手順を準備する際に、変数の２×２分割表カイ二乗分析を使用して、変 数の重要性の代替の順位付けを提供した。入力は連続的であるので、各入力につ いてしきい値を使用して、分割表に必要な情報を生成した。カイ二乗値は、しき い値の設定に依存して変化する。変数の順位付けに使用するしきい値は、カイ二 乗統計値を最大にするように選択した。 自動化手順の開発中に行われるトレーニング実行は、これらの順位付けから選 択される。トレーニング実行が行われた時点で、自動化手順は定形化されていな い。全体の処理時間を節約 するために、トレーニングデータのただ一つの区分しか使用しない。次いでトレ ーニングおよびテストデータの第一区分中で良好に実施された変数の組合せを、 残りの区分について試した。 本文献で提案する最良の入力のセットを発見する一つの方法は、遺伝アルゴリ ズムを使用して、最もよく実施される入力のセットを決定するものである。ジェ ネティックアルゴリズムは、通常は、良好な解答に収束するには数千回も反復す る必要がある。ウェスタンブロットデータの処理では、これは、トレーニング例 のサイズが小さい場合でも大量のコンピュータ時間に相当することになる。１０ 個の変数について、全ての組合せを枚挙するには１０２４回のトレーニング実行 が必要となる。ジェネティックアルゴリズムの代替の方法を試みた。この代替の 方法では、選択した入力のセットに基づいてテストセットのＲＭＳ誤差を予測す るように、ニューラルネットワークをトレーニングした。この実験で使用したト レーニング例は、ウェスタンブロットデータの第一区分についてのトレーニング 実行の結果である。次いで全ての組合せで予測ネットワークをテストし、予測さ れた最小の組合せを決定する。次いで入力の組合せを使用して、ウェスタンブロ ットデータについてネットワークをト レーニングする。この方法およびジェネティックアルゴリズム手法の主な欠点は 、非常に有効であることが分かっている感度分析情報が、このプロセスにおいて 無視されることである。 結果 ウェスタンブロットデータ中の１０個の変数（ｂｉｎｓ）についての基本的順 位付けは、２００個の例の全データベースについてトレーニングした八つのネッ トワークのコンセンサスに基づく。その結果は以下の通りである。 7 : 1.182073 9 : 1.055611 3 : 1.053245 8 : 1.039028 6 : 1.027239 10 : 1.023135 4 : 0.978769 5 : 0.952821 2 : 0.899936 1 : 0.788143 カイ二乗分析に基づく１０個の変数の順位付けは以下の通りである。 3 : 4.380517 9 : 3.751625 7 : 3.372731 2 : 3.058437 6 : 3.022164 5 : 2.787982 10 : 1.614931 4 : 1.225725 1 : 0.975502 8 : 0.711958 ウェスタンブロットデータの分析中に、トレーニングデータの一つまたは複数 の第一区分についていくつかのネットワークをトレーニングした。テストの結果 は以下のように順位付けられ、変数がトレーニング実行に含まれることを示す。 変数（）は予測ネットワークトレーニングプロセスによって生成された組合せを示す 上記のテスト実行を参照すると、順位付け中のより重要な変数が下位のテスト セット誤差に寄与すること、および含まれる変数が多くなると、テストセットの 結果が低くなることは明らかである。このことは、高性能ニューラルネットワー クの開発における、変数の最良のサブセットを選択することの重要性を示す。 いくつかの組合せの変数を使用して、トレーニングデータの全ての区分につい てネットワークをトレーニングした。これらの実行の結果を以下に示す。 変数 時間セットの性能 3 57.5％ 3， 9 53.5％ 3， 7，9 53.0％ 4， 6，9， 10 57.0％ 変数の両方の順位付けは３、７、および９が重要であると示すので、十分なト レーニングデータが存在する場合には、この組合せが５７．５％を超える可能性 が高い。この組合せについてのトレーニング例の性能は６３．９％であり、これ は発生した過剰トレーニングのレベルを示す。上記に示した第一区分ネ ットワークのいくつかは、テスト性能を予測するようにトレーニングしたニュー ラルネットワークによって選択された変数の組合せを有する。これらのネットワ ークは最後の列の番号によって示される。この番号は、テストが実行されるシー ケンスを示す。番号のない組合せは、順位付けから手動で選択した。このプロセ スを継続すれば、予測ネットワークは最終的に最良の組合せを発見するはずであ る。テストセットの性能に影響を及ぼす可能性のあるファクタは数多く存在する ので、テストセットの結果には多くの「雑音」が存在する可能性が高い。この方 法をより良好に働かせるために、予測されたテストセットの誤差についてトレー ニング値を生成するためにコンセンサス手法が必要になることがある。この問題 はコンセンサス手法を使用する際にも見られる。 結論 変数の感度および分割表順位付けを使用するプロセスは、ニューラルネットワ ークの性能を最大限にするように変数のセットを選ぶための有効かつ効率的な技 術である。両方の順位付けの下での上位三つの変数は同じであり、これはこれら の方法が良好に実施されることを示す。この方法は、ウェスタンブロッ トデータを処理することは明らかであるが、任意形態のデータについてよく作用 し、これを患者病歴データにも適用可能な汎用ニューラルネットワーク技術にす る。 上記の結果は、データが多ければ性能レベルが向上することを示す。感度分析 は、変数の相対値の変動がほとんどないことを示す。ほとんどの変数は解答に寄 与する。完全ウェスタンブロット画像についてトレーニングしたニューラルネッ トワークの重みの分析に基づいてｂｉｎｓが選択されるので、このことが期待さ れる。しかし、全てまたはほとんどの変数を使用することにより、ニューラルネ ットワークは急速に過剰トレーニング状態となる。これは、トレーニング例にデ ータを追加することによって回避することができる。 ニューラルネットワークに案内されて変数を選択するテストは、順位付け手法 より有効性が低いことが分かった。順位付け手法が最も有効であることは明らか であるが、ニューラルネットワーク案内手法でも最終的には最良の変数のセット を発見することができる。これは遺伝アルゴリズムより直接的な手法であるので 、同様のデータについて、ジェネティックアルゴリズムより良好に実施される可 能性が高い。この方法の主な欠点は、 探索の補助に感度分析情報を使用しないことである。 例６ 患者病歴およびＥＬＩＳＡデータを組み合わせる 要件 上記の例で開発した処理を使用して、患者病歴データおよびＥＬＩＳＡデータ の組合せについてネットワークのセットをトレーニングする。抗原の全セットの 使用に基づいてＥＬＩＳＡテストから生成される指標を使用して、この情報を患 者病歴データと組み合わせることによって達成される性能の改善を決定すること になる。 追加要件 上記要件に加えて、複数のＥＬＩＳＡからのデータ、ＥＬＩＳＡ１００および ＥＬＩＳＡ２００データとＥＬＩＳＡ２データとの間の比較、ならびに変数の相 互関係の分析を実施し、元のＥＬＩＳＡテストが関係する変数を決定する助けと した。 使用した方法 ＥＬＩＳＡテストの結果を含めることによって達成される診断テストの性能の 改善を決定するために、例２で説明したホールドアウト方法を使用していくつか のトレーニングを行った。 各区分中でデータの８０％がトレーニングに使用され、残りの２０％がテストに 使用されるように、データの区分を作成した。 ランダム開始重みの影響を最小限に抑えるために、いくつかのネットワークは 全トレーニング実行でトレーニングする。こうした実行では、三つのネットワー クは、それぞれ異なるランダム開始からの、データの五つの区分のそれぞれでト レーニングした。ネットワークの出力を平均し、単一のネットワークから得られ るより低い変動を有するコンセンサス結果を形成した。全ての形態のＥＬＩＳＡ データを利用することができる患者数は３２５であるので、元の１４個の変数で の新しいトレーニング実行を行い、ＥＬＩＳＡデータが疾病の診断に与える影響 を比較する正確な平均を提供した。ＥＬＩＳＡ２データの分析は、そのテストの ための広範囲の値を示した。ＥＬＩＳＡ２のＥＬＩＳＡ１００データに対する関 係を示すプロットは、ＥＬＩＳＡ２データの対数の方が未処理値より良好である 可能性があることを示す。 比較トレーニング実行は以下のように構成される。 実行１：ＥＬＩＳＡ１００、ＥＬＩＳＡ２００、対数（ＥＬＩＳＡ２）および元 の１４個の変数 実行２：（ＥＬＩＳＡ２）および元の１４個の変数 実行３：元の１４個の変数 これらの比較実行を行った後で、ネットワークの最後のセットを３２５人の患 者の完全なデータセットについてトレーニングした。ネットワークの最後のセッ トでは、八つのネットワークのコンセンサスを作成し、最終的な統計値を生成し た。最後の実行の統計値は、トレーニングデータについてのみ報告され、真の性 能の上限を表す。最後のホールドアウト実行の結果は、性能についての可能な下 限を表す。 トレーニングデータから、診断に利用できないものも含めた６５個の変数のそ れぞれは、３２５個のトレーニング例の中のトレーニング例に組み込まれる。Ｔ ｒａｉｎＤｏｓトレーニングプログラムは、ネットワークの生成を自動化し、変 数間の関係を提供するように修正した。６５個のネットワークのそれぞれでは、 一つの変数が残りの６４個によって予測される。予測を行う際の各変数の重要性 を示すために、各ネットワークについて感度分析を実施した。 結果 三つの比較実行についてのコンセンサス結果は以下の通りで ある。 実行１：全てのＥＬＩＳＡ変数（ＣＲＦＥ：１） 66.46％ 実行２：ＥＬＩＳＡ２の対数（ＣＲＦＥＬ２） 66.77％ 実行３：ＥＬＩＳＡ変数なし（ＣＲＦＥＬ０） 62.76％ 実行１および実行２を比較すると、ＥＬＩＳＡ１００およびＥＬＩＳＡ２００の データをＥＬＩＳＡ２データに追加したことの影響がないことが分かる。したが って、ＥＬＩＳＡ１００およびＥＬＩＳＡ２００の変数は除去することができる 。 実行２および実行３を比較すると、ＥＬＩＳＡテストに基づく入力によって、 疾病の診断が改善されたことが分かる。 実行３をｐａｔ０６と比較すると、テストの性能が５.４７％低下することが 分かる。これは単にトレーニングに利用できる患者数の減少によるものである。 このことは、５００を超えるトレーニングデータの増加は、テストデータについ てのニューラルネットワークの性能に対して相当な影響を有する可能性が高いこ とも意味する。 これらの結果に基づいて、最後のネットワークをトレーニングした。八つのネ ットワークは３２５人の患者についてトレーニングした。このトレーニングデー タについての性能は７２． ３１％であった。これはｐａｔ０７実行と同様の結果であるが、ＥＬＩＳＡ２デ ータによる改善が利用可能なトレーニングデータの量が減少したことによって相 殺されていることは明らかである。 感度分析の結果は、１５個の変数の中で７番目に順位付けされたＥＬＩＳＡ２ の変数を使用したことを示す。 八つのトレーニングしたネットワークの対数ファイルから、隠れた処理要素出 力のプロットを作成した。所望の出力をプロット上に示すことができるように平 均を求めた。八つのネットワークを比較することにより、それぞれが異なる方法 でタスクを実施することが明らかとなる。データ点のいくつかのクラスタ化が、 いくつかのプロットに見られる。これは一貫して起こるわけではないので、結諭 を導き出すことはできない。 ネットワーク出力値のカットオフの使用に基づいて、最後のトレーニング実行 について統計値を生成した。ネットワーク出力がカットオフ以下である場合には 、この例は考慮していない。 以下の表はＣＲＦＬＥ２中の八つのネットワークのコンセンサスについての結果 の概要である。 一般に、これらの結果はｐａｔ０７についての結果より良好である。 この最後のトレーニングのデモとして、ａｄｚｃｒｆ２．ｅｘｅ（付録ＩＩ参 照）と呼ばれるテストプログラムを生成した。このプログラムにより、ＥＬＩＳ Ａフィールド中の値入力に基づくｐａｔ０７およびＣＲＦＥＬ２の実行が可能に なる。このフィールド中の値が０であると、ｐａｔ０７が使用される。 変数の関係の分析を実施した。この関係の分析に基づいて、Ｅｎｄｏ存在を寄 与ファクタとして示す変数を、予測Ｅｎｄｏ中で使用する変数と比較した。二つ のネットワーク（ＰＡＴＶＡＲＳＡおよびＰＡＴＶＡＲＳ３）のトレーニングの 結果は、Ｅｎｄｏの場合には、相関を使用した場合のように関係が対称的ではな いことを示す。結果を要約するために、ＣＲＦＶＡＲＳＡ．ＸＬＳを感度分析の 結果から構築した。これらの結果は、 関係の非線形特性を示す。変数の重要性は、トレーニング実行中のその他の変数 の影響を受ける。このことは、この分析の利便性を高めるために重要でない変数 を自動的に除去する手段が必要になることもあることを意味する。 変数の関係（ＣＲＦＶＡＲ００からＣＲＦＶＡＲ６４）の分析は、ほとんどの 場合に、ＥＬＩＳＡ２テストの対数の方が未処理のＥＬＩＳＡ２値より高い有効 性を有することを示す。特に、予測するＥｎｄｏ存在およびＡＦＳ Ｓｔａｇｅ の両方について上位に順位付けされた対数値ではそのようになる。 結論 ＥＬＩＳＡ２テストは、ニューラルネットワークの予測能力を追加する。ＥＬ ＩＳＡ２テストにより、元のＥＬＩＳＡテストは不要となる。この結果に基づい て、ウェスタンブロットデータの処理の結果は、ニューラルネットワークの診断 テストの能力をさらに改善することになる可能性が高い。 トレーニングデータの増加の影響は、実行３とｐａｔ０６の比較において明ら かに見られる。この性能の差は、トレーニングデータの増加によってニューラル ネットワークの性能が大幅に向上したことを意味する。この比較から、データを 二倍にす れば性能は１０から１５％向上することになることは明らかである。データを８ 倍から１０倍にすれば、性能は７５から８０％向上する可能性がある。 例７ 患者病歴Ｓｔａｇｅ／ＡＦＳ Ｓｃｏｒｅトレーニング 要件 上記の例で開発した方法を使用して、疾病のｓｔａｇｅまたはＡＦＳ Ｓｃｏ ｒｅのいずれかについての関連のある変数を識別する。使用するターゲット出力 変数の選択は、重要な患者病歴変数のフェーズ１リストを使用するトレーニング 実行からのテストセットの性能の比較によって決定される。重要な変数のリスト を選択した後で、５１０個の患者データベースについて八つのニューラルネット ワークのコンセンサスをトレーニングすることになる。 使用した方法 Ｓｔａｇｅに望ましい出力およびＡＦＳ ｓｃｏｒｅに望ましい出力について 、トレーニング例を構築した。Ｓｔａｇｅ情報の欠落した患者が７人、Ｓｃｏｒ ｅ情報が欠落した患者が２８人存在した。ｓｔａｇｅ変数については、データが 欠落して いる場合には平均値２．０９を使用した。ｓｃｏｒｅについては、欠落データは 、ｓｔａｇｅ変数の値に依存する値で置換した。ｓｔａｇｅ１では、ｓｃｏｒｅ として３を使用した。ｓｔａｇｅ２では、１０．５を使用した。ｓｔａｇｅ３で は２８を使用し、ｓｔａｇｅ４では値５５を使用した。ｓｔａｇｅおよびｓｃｏ ｒｅは、所望の出力が０．０から１．０の範囲となるように再処理した。ｓｔａ ｇｅは線形に翻訳した。ｓｃｏｒｅについては二つの方法を使用した。第一の方 法は１２．５で割ったｓｃｏｒｅの平方根である。第二の方法は、ｓｃｏｒｅ＋ １の対数を１５０の対数で割った数である。 ホールドアウト方法を使用して、ｓｔａｇｅ、ｓｃｏｒｅの平方根、およびｓ ｃｏｒｅの対数についてネットワークをトレーニングした。これらのネットワー クは、４５個の変数を使用してトレーニングした。その結果を比較して、どの変 数および処理を、この例の残りに使用するかを決定した。ｓｃｏｒｅの対数を選 択した。 この時点で、重要な変数のセットを分離する手順が開始された。八つのネット ワークを全トレーニング例についてトレーニングし、コンセンサス感度分析を生 成して変数の第一の順位付 けを生み出した。次いでカイ二乗分割表を生成し、変数の第二の順位付けを生み 出した。重要な変数を分離する手順は手動で開始するが、時間がかかりすぎるこ とが分かった。この手順は、コンピュータプログラムとして実施し、約一週間コ ンピュータ上で実行した。 変数選択の結果から、八つ１組のネットワークを全トレーニング例についてト レーニングした。コンセンサス結果を分析し、Ｅｎｄｏ存在の結果と比較した。 結果 ４５個全ての変数の感度分析により以下の変数の順位付けが与えられた。 カイ二乗分析から、以下の変数の順位付けが与えられた。 変数選択手順中に選択した変数は以下の通りであり、これは最後の感度分析から の順位付けを示す。 ｓｃｏｒｅネットワークとＥｎｄｏ存在ネットワークとの比較は、所望のｓｃｏ ｒｅ出力にしきい値を与え、Ｅｎｄｏ存在の比較を生み出すことによって実施す ることができる。ｓｃｏｒｅおよびｐａｔ０７のネットワークについての結果を 以下に示す。 結論 この例で識別した変数のセットは妥当であると考えられる。 自動化変数選択方法は適当に機能すると考えられる。変数の選択は、感度分析 によって良好に予測される。 疾病を予測する方法は二つあるので、Ｅｎｄｏ存在ネットワークおよびＳｃｏ ｒｅネットワークを組み合わせて、予測の信頼性を向上させることができる。 例８ 患者病歴Ａｄｈｅｓｉｏｎｓトレーニング 要件 例７で概説した方法を使用して、Ａｄｈｅｓｉｏｎｓターゲット出力変数につ いての関連変数を識別する。このターゲット出力変数は、重要な患者病歴変数の フェーズ１リストを使用して実行されることになる。これにより、新しい出力を 、フェーズ１中で使用されるＥｎｄｏ存在ターゲット変数と比較することも可能 になる。重要な変数のリストを選択した後で、５１０個の患者データベースにつ いて八つのニューラルネットワークのコンセンサスをトレーニングすることにな る。 使用した方法 ａｄｈｅｓｉｏｎｓ変数についてのトレーニングデータは、例７の場合と同様 に生成した。ａｄｈｅｓｉｏｎｓ変数は、Ｅｎｄｏ存在の場合に使用したのと同 様の方法で二つの出力変数を生成した。この時点で、重要な変数のセットを分離 する手順が開始された。八つ１組のネットワークを全トレーニング例についてト レーニングし、コンセンサス感度分析を生成して変数の第一の順位付けを生み出 した。次いでカイ二乗分割表を生成 し、変数の第二の順位付けを生み出した。重要な変数を分離する手順は手動で開 始するが、時間がかかりすぎることが分かった。この手順は、コンピュータプロ グラムとして実施し、完了するまでに約一週間コンピュータ上で実行した。 変数選択の結果から、八つ１組のネットワークを全トレーニング例についてト レーニングした。コンセンサス結果を分析し、Ｅｎｄｏ存在の結果と比較した。 結果 ４５個全ての変数の感度分析により以下の変数の順位付けが与えられた。 カイ二乗分析により以下の変数の順位付けが与えられた。 変数選択手順中に選択した変数は以下の通りであり、これは最後の感度分析か らの順位付けを示す。 ＳｃｏｒｅネットワークとＥｎｄｏ存在ネットワークとの比較は、所望のｓｃ ｏｒｅ出力にしきい値を与え、Ｅｎｄｏ存在の比較を生み出すことによって実施 することができる。ｓｃｏｒｅおよびｐａｔ０７のネットワークについての結果 を以下に示す。 結論 この例で識別した変数のセットは妥当であると考えられる。自動化変数選択方 法は適当に機能すると考えられる。変数の選択は、感度分析によって良好に予測 される。 例９ この例は本明細書で提供するプロセスの再現性を示す。 使用した方法 ＡｄｈｅｓｉｏｎｓおよびＳｃｏｒｅについての重要な変数の選択に使用した ソフトウェアは、Ｅｎｄｏ存在の所望の出力を処理するように修正した。このソ フトウェアは、各特定テストについて再コンパイルする必要なく、一般的な場合 に実行することができるようにさらに修正した。 Ａｄｈｅｓｉｏｎおよびｓｃｏｒｅについての実行と同様に、Ｅｎｄｏ存在変 数について実行を行った。これは、変数選択プロセス中に四つのネットワークの コンセンサスを使用することを含む。トレーニングデータはトレーニングプロセ ス中に五つの区分に分割し、テストする変数の現在のセットをそれぞれ評価する 、総数で２０個のネットワークを生成した。 異なる乱数シードを有する実行の結果は、コンセンサス中のネットワーク数を 増加させる必要があることを示した。 １０個のネットワークのコンセンサスをプロセス中に使用して、二つの追加変 数選択実行を行った。この場合には、総数で５０個のネットワークが変数の単一 の組合せを評価するように トレーニングされる。二つの別々の実行を、ランダム開始シードのみを変更して 、同様に行った。 こうした最後の二つの変数選択実行から、八つ１組のネットワークは、各変数 セット（ｐａｔ０８、ｐａｔ０９）についてトレーニングされ、新しいデータ（ 元の５１０個の記録データベースには含まれない）についてそれらの性能を評価 することを可能にする。これらのネットワークの性能についての統計値は、それ らを元のｐａｔ０７のコンセンサスネットと比較することができるように生成さ れる。 結果 異なる乱数シードを使用するそれぞれの場合で、変数選択プロセスは、重要な 変数の様々なセットを発見した。コンセンサス中のネットワーク数が１０まで増 加すると、異なる実行中で共通の変数が増加する。 ｐａｔ０７について使用した元の１４個の変数の多くは、１０コンセンサスネ ットを使用する変数選択実行において重要であると確認された。選択した変数に ついて行った最後の実行は、ｐａｔ０８およびｐａｔ０９と呼ばれる。 ｐａｔ０８およびｐａｔ０９コンセンサスネットワーク中で 使用した変数を、それらの感度分析の順位付けとともに以下に示す。 結論 変数選択プロセスは良好に働き、ｐａｔ０７ネットと同様またはそれ以上に働 く二つの代替のネットワークを生み出した。この結論の理由は、トレーニングデ ータのみについて生成した性能統計値が、ｐａｔ０８およびｐａｔ０９よりｐａ ｔ０７の方がわずかに良好に現れるためである。変数選択プロセスはテストセッ トの性能に基づいて慎重に変数を選ぶので、関連するネットワークが過剰トレー ニングになっている可能性は低い。ネットワークが過剰トレーニング状態になる 場合の典型的な特徴は、トレーニング例の性能が向上し、テストセットの性能が 低下することである。したがってｐａｔ０７の性能の方が高いと、わずかに過剰 トレーニングの結果となる可能性がある。 変数選択プロセスは明らかに、同じトレーニングデータについての二つの代替 の選択を生み出したが、二つの選択の性能は非常に類似していると考えられる。 これは二つの実行についての最後の変数選択のテストセットの性能に基づいてい る。二つの変数の相対的な性能が近い場合には、ランダムファクタがそれらの相 対的な順位付けに影響を及ぼす可能性があることが明らかになった。変数選択実 行中のランダムファクタは、ランダ ム開始点と、トレーニング中に入力に付加された雑音の使用とを含む。ランダム 雑音は、より良好な一般化（翻訳：テストセットの性能）を補助することが分か っている。コンセンサス中のネットワーク数が増加するにつれて、ランダム影響 の度合いは低下する。 高品質のネットワークを生み出す変数のセットの決定は、変数選択プロセスに よって扱われるものと考えられる。うまく働く変数のより多くの組合せが枚挙さ れるにつれて、特定の変数または変数の組合せが、良好な性能には不可欠である ことが明らかになる。 例１０ 子宮内膜症の過去の病歴および骨盤手術歴の排除の診断性能に対する評価 この例の目的は、患者の子宮内膜症を有する危険性を評価する際の「子宮内膜 症の過去の病歴」変数および「過去の骨盤手術歴」変数の重要性を決定し、その 結論を予測する際の任意の所与の変数の重要性を測定する代替の手段（感度分析 とは異なる）を提供することである。 タスク： １．「子宮内膜症の過去の病歴」を除いて変数選択プロセスを適用する。 ２．変数選択プロセスについて様々なランダムシード変数を使用して、タスク（ １）を繰り返す。 ３．上記のタスク（１）および（２）で識別した「子宮内膜症関連変数」の両セ ットについて、コンセンサスネットワークトレーニングプロセスを完了する。 ４．子宮内膜症データベースから「過去の骨盤手術歴」変数を除いて、上記タス ク（１）、（２）、および（３）を繰り返す。 ５．子宮内膜症データベースから「子宮内膜症の過去の病歴」変数および「過去 の骨盤手術歴」変数の両方を除いて、上記タスク（１）、（２）、および（３） を繰り返す。 使用した方法 例９で開発した変数選択ソフトウェアを基本として使用して、例１０のそれぞ れについての結果を生成した。このソフトウェアは、例１０の要件に基づいて考 慮から排除されることになる変数をユーザが識別することができるように修正し た。このソフトウェアは、除去した変数の影響をより容易に理解すること ができるように、テストする変数のセットのそれぞれについての分類性能を報告 することができるようにも修正した。 行った各変数選択実行について、変数選択プロセスのパラメータは以下のよう に設定した。 区分数： 5 コンセンサスネットワーク： 10 トレーニング例サイズ： 510 パス数： 999 変数選択プロセス中のデータベース変数の順序付けは、感度分析およびカイ二 乗分析に基づいている。この順序付けは、ｐａｔ０８およびｐａｔ０９で使用し たものと同様である。 この例のためにトレーニングしたネットワークは、以下のように識別される（ 二つのネットは異なるランダムシードを有する）。 Ｅｎｄｏの過去の病歴を除去：pat10、pat11 過去の骨盤手術歴を除去： pat12、pat13 両変数を除去： pat14、pat15 変数およびランダムシードの各組合せについて変数選択プロセスが完了した後 で、八つ１組のネットワークを、識別された 選択した変数を使用してトレーニングした。これらのネットワークのそれぞれは 、完全な５１０個の記録データベースについてトレーニングされる。これらのト レーニング実行から、出力のコンセンサスがＥｘｃｅｌのスプレッドシート中で 生成され、各ネットワークの性能を評価することができる。 結果 ネットワークのコンセンサスの通常の性能を、５の区分でホールドアウト方法 を使用して推定した。ｐａｔ０８およびｐａｔ０９の場合のように、全ての変数 が利用可能である場合には、分類性能は６５．２３％と推定された。 子宮内膜症の過去の病歴の変数が考慮から除去される場合（ｐａｔ１０および ｐａｔ１１）には、性能は６２．４７％と推定された。これは２．７６％の低下 に相当する。 過去の骨盤手術歴の変数が考慮から除去される場合（ｐａｔ１２およびｐａｔ １３）には、性能は６４．５２％と推定された。これは０．７２％のみの低下に 相当する。 両変数が考慮から除去される場合（ｐａｔ１４およびｐａｔ１５）には、性能 は６２．４３％と推定された。これは２．８０％の低下に相当する。これは子宮 内膜症の過去の病歴を除去 した場合よりわずかに悪いだけであり、変数が独立である（相関がない）という 想定に基づくその他の結果と矛盾しないと考えられる。 結論 利用可能であればニューラルネットワークで骨盤手術歴を使用するが、この変 数を除去した影響は最小限であった。ニューラルネットワークは、その他の情報 を使用することによってこの変数の除去を補償することができるものと考えられ る。 子宮内膜症の過去の病歴の除去は有意である。この変数は、いかなる感度分析 でも常にリストの最上位にある。その除去は、全ての変数が利用可能であるとき には平均を超えて約２．７６％の性能低下を引き起こした。平均性能が６５．２ ３％と推定され、５０％は偶然に達成することができるものとすると、これは１ ８．１２％の有効低下に相当する。 両変数が除去された場合には、どのような有意な性能低下も現れず、これはこ れら二つの変数の間に相互作用がないことを示す。変数を除去し、変数選択プロ セスを実行するこのプロセスは、所与の変数の真の値を決定する良好な手法であ ると考えられる。診断に重要だが高度に相関する変数は二つ存在し、一 方のみを除去しても、ネットワークがもう一方を使用することによってこれを補 償するので、ほとんど影響がないことに留意されたい。それらの値が明らかにな るのは、両方を除去したときのみである。 例１１ 骨盤痛および月経困難症の除去の診断性能に対する評価 要件 目的： １．患者の子宮内膜症を有する危険性を評価する際の「骨盤痛」変数および「月 経困難症」変数の重要性を決定すること。 ２．その結論を予測する際の任意の所与の変数の重要性を測定する別々の機構（ 感度分析とは異なる）を提供すること。 タスク： １．本明細書に記載の変数選択プロセスを適用する。 ２．変数選択プロセスについて様々なランダムシード変数を使用して、タスク（ １）を繰り返す。 ３．上記のタスク（１）および（２）で識別した「子宮内膜症関連変数」の両セ ットについて、コンセンサスネットワークトレーニングプロセスを完了する。 ４．子宮内膜症データベースから「月経困難症」変数を除いて、上記タスク（１ ）、（２）、および（３）を繰り返す。 ５．子宮内膜症データベースから「骨盤痛」変数および「月経困難症」変数の両 方を除いて、上記タスク（１）、（２）、および（３）を繰り返す。 使用した方法 例９で開発した変数選択ソフトウェアを基本として使用して、これらのタスク のそれぞれについての結果を生成した。 行った各変数選択実行について、変数選択プロセスのパラメータは以下のよう に設定した。 区分数： 5 コンセンサスネットワーク： 10 トレーニング例サイズ： 510 パス数： 999 変数選択プロセス中のデータベース変数の順序付けは、感度分析およびカイ二 乗分析に基づいている。この順序付けは、ｐａｔ０８およびｐａｔ０９で使用し たものと同様である。このタスクのためにトレーニングしたネットワークは、以 下のように識別される（二つのネットは異なるランダムシードを有す る）。 骨盤痛を除去： pat16、pat17、pat17A 月経困難症を除去： pat18、pat19 両変数を除去： pat20、pat21 四つの変数（EXs.11および12） ：pat22、pat23、pat23A 変数およびランダムシードの各組合せについて変数選択プロセスが完了した後 で、八つ１組のネットワークを、識別された選択した変数を使用してトレーニン グした。これらのネットワークのそれぞれは、完全な５１０個の記録データベー スについてトレーニングされる。これらのトレーニング実行から、出力のコンセ ンサスがＥｘｃｅｌのスプレッドシート中で生成され、各ネットワークの性能を 評価することができる。 結果 ネットワークのコンセンサスの通常の性能を、５の区分でホールドアウト方法 を使用して推定した。ｐａｔ０８およびｐａｔ０９の場合のように、全ての変数 が利用可能である場合には、分類性能は６５．２３％と推定された。 骨盤痛の変数が考慮から除去される場合（ｐａｔ１６およびｐａｔ１７）には 、性能は６１．０３％と推定された。これは ４．２０％の低下に相当する。 月経困難症の変数が考慮から除去される場合（ｐａｔ１８およびｐａｔ１９） には、性能は６３．４４％と推定された。これは１．７９％のみの低下に相当す る。 両変数が考慮から除去される場合（ｐａｔ２０およびｐａｔ２１）には、性能 は６１．２２％と推定された。これは４．００％の低下に相当する。これは骨盤 痛のみを除去した場合より良好である。これは骨盤痛についての性能低下が誇張 されることを意味する。骨盤痛を含まずに最もよく実施されるネットワークは、 ６２．２９％の性能を有し、これは２．９４％の低下を与える。両方とも除去し たときに性能が与えられる場合には、これはより妥当な推定となる。 結論 四つの変数をテストして、重要性の順序で変数を順位付けすると以下の通りと なる。 骨盤痛 2.94から4.20％の低下 ｅｎｄｏの過去の病歴 2.76％の低下 月経困難症 1.79％の低下 過去の骨盤手術歴 0.72％の低下 変数を除去し、変数選択プロセスを実行するこのプロセスは、所与の変数の値 を決定する良好な手法である。診断に重要だが高度に相関する変数は二つ存在し 、一方のみを除去しても、ネットワークがもう一方を使用することによってこれ を補償するので、ほとんど影響がないことに留意されたい。それらの真の値が明 らかになるのは、両方を除去したときのみである。 例１２ 軽度および重度の子宮内膜症を区別するようにニューラルネットワークをトレー ニングする 目的： １．最小限／軽度の子宮内膜症と中程度／重度の子宮内膜症とを区別するネット ワークのコンセンサスをトレーニングすること。 タスク： １．ネットワークを以下のようにＡＦＳ ｓｃｏｒｅにトレーニングする。 正＝Ｅｎｄｏ Ｓｔａｇｅ ＩＩＩまたはＩＶ 負＝Ｅｎｄｏなし、Ｅｎｄｏ Ｓｔａｇｅ ＩまたはＩＩ ２．子宮内膜症データベースのニューラルネットワークを使用 する医療および生化学テストを開発する方法に記載の変数選択プロセスを適用す る。 ３．変数選択プロセスに対して様々なランダムシード変数を使用して、タスク（ ２）を繰り返す。 ４．進行する前に上記（２）および（３）で選択した変数を比較する。選択した 変数のセットが大幅に異なる場合には、様々なランダムシード重みを使用してタ スク（２）を繰り返す。 ５．上記（２）および（３）で選択した変数について最後のコンセンサスネット ワークをトレーニングする。 ６．Ｅｎｄｏが患者に存在した子宮内膜症データベースのサブセットのみを使用 して、ステップ（２）から（５）を繰り返す。 使用した方法 例１０で開発し、例１１で修正した変数選択ソフトウェアを基本として使用し て、この例のタスクのそれぞれについての結果を生成した。 行った各変数選択実行について、変数選択プロセスのパラメータは以下のよう に設定した。 区分数： 5 コンセンサスネットワーク： 20 トレーニング例サイズ： 510(ステップ(6)では290) パス数： 999 変数選択プロセス中のデータベース変数の順序付けは、例１で説明した新しい ターゲット出力について特に実行される感度分析およびカイ二乗分析に基づいて いる。この例のためにトレーニングしたネットワークは、以下のように識別され る（二つのネットは異なるランダムシードを有する）。 全データベースについてトレーニングしたネット：ＡＦＳ０１およびＡＦＳ ０２ Ｅｎｄｏ存在サブセットについてトレーニングしたネット：ＡＦＳＥＰ１お よびＡＦＳＥＰ２ 変数およびランダムシードの各組合せについて変数選択プロセスが完了した後 で、八つ１組のネットワークを、識別された選択した変数を使用してトレーニン グした。これらのＡＦＳ０１およびＡＦＳ０２変数についてのネットワークのそ れぞれは、完全な５１０個の記録データベースについてトレーニングされる。Ａ ＦＳＥＰ１およびＡＦＳＥＰ２変数についてのネットワ ークのそれぞれは、ｅｎｄｏ存在変数が正である２９１個の記録についてトレー ニングされる。これらのトレーニング実行から、出力のコンセンサスがＥｘｃｅ ｌのスプレッドシート中で生成され、各ネットワークの性能を評価することがで きる。 結果 減少したサブセット実行中で発見された変数のカウントは、全トレーニング例 についての実行の場合より少ない。ネットワークのコンセンサスの通常の性能は 、５の区分のホールドアウト方法を使用して推定された。全トレーニング例を使 用するＡＦＳ実行についての通常の分類性能は７７．２２５４９％であった。ｅ ｎｄｏ存在サブセットについての通常の分類性能は６３．００８６２１％であっ た。全ての例が負として分類される場合には、全トレーニング例についての性能 は７８．８２％、サブセットについては６５．２９％になるはずである。正およ び負の分類のためのカットオフ値を変更することにより、これらの数字によって 提示されるより良好な性能を達成することができる。 結論 全トレーニング例およびｅｎｄｏ存在例のサブセットについ ての変数選択実行の結果は、重要な変数の決定ではトレーニング例のサイズが重 要であることを示す。トレーニング例のサイズが大きくなるにつれて、より多く の変数が重要と考えられることになることは明らかである。この結果は、トレー ニングデータが多くなれば、変数選択プロセス、および診断テストの構築に使用 するコンセンサスネットワークの全体的な性能が改善されることを示すものと解 釈することもできる。 例１３ 変数選択、妊娠に関係する事象を予測するニューラルネットの開発、および胎 児フィブロネクチンのテストの性能の改善 データは、米国特許第５４６８６１９号に記載のアッセイの臨床試験に含まれ る７００人を超える被験患者から収集した。変数選択は、胎児フィブロネクチン （ｆＦＮ）テストデータなしで実施した。ＥＧＡ１からＥＧＡ４で示される最後 のネットワークは、以下の表に示す変数でトレーニングされる。 ＥＧＡ１からＥＧＡ４は、変数選択に使用されるニューラルネットワークを表 す。ＥＧＡ１では、変数選択プロトコルは、入力層に八つの入力、隠れた層に三 つの処理要素、および出力層に一つの出力を有するネットワークアーキテクチャ で実施さ れる。ＥＧＡ２は、入力層の入力が九つであることを除けばＥＧＡ１と同様であ る。ＥＧＡ３は、入力層に七つの入力、隠れた層に三つの処理要素、および出力 層に一つの出力を有する。ＥＧＡ４は、ＥＧＡ１の入力層の入力が八つであるこ とを除けば、ＥＧＡ１と同様である。 選択した変数は以下の通りである。 ＥＧＡ＝推定在胎齢 最終的なコンセンサスネットワークの性能 ＥＧＡ＝推定在胎齢（３４週未満）；ＴＰ＝真の正；ＴＮ＝真の負；ＦＰ＝偽の 正；ＦＮ＝偽の負；ＳＮ＝感度；ＳＰ＝特異性；ＰＰＶ＝正の予測値；ＮＰＶ＝ 負の予測値；ＯＲ＝オッズ比（正しい総数／正しい回答の総数）；ｆＦＮ＝ｆＦ ＮについてのＥＬＩＳＡアッセイからの結果 この結果は、七つの患者変数およびｆＦＮ ＥＬＩＳＡアッセイを含み、３４ 週未満での分娩を予測するニューラルネットであるネットワークＥＧＡ４が、ｆ ＦＮ ＥＬＩＳＡアッセイよりはるかに少ない偽の正を有することを示す。さら に、偽の正の数は５０％低下した。ｆＦＮテストをニューラルネットに組み込む ことで、ｆＦＮ ＥＬＩＳＡアッセイの性能が向上した。全てのニューラルネッ トは、単独のｆＦＮテストより良好に実施された。したがって、本明細書の方法 は、妊娠に関係する事象を予測するために使用することができるニューラルネッ トおよびその他の意思決定支援システムを開発するために使用することができる 。 例１４ ｐａｔ０７変数の特定のサブセットについてコンセンサスニューラルネットワー クをトレーニングする この例は、ｐａｔ０７変数のｐａｔ０７性能への寄与を測量し、最小数のｐａ ｔ０７変数を使用して子宮内膜症ネットワークを開発するように設計されたタス クの結果を示す。 タスク： １．以下のｐａｔ０７変数の組合せを使用して最後のコンセンサスネットワーク をトレーニングする。 ａ．全１４個からＥｎｄｏ歴を引く（総数１３個の変数） ｂ．全１４個から骨盤痛を引く（総数１３個の変数） ｃ．全１４個から月経困難症を引く（総数１３個の変数） ｄ．全１４個から骨盤手術を引く（総数１３個の変数） ２．ｐａｔ０７変数のその他の組合せを使用して最後のコンセンサスネットワー クをトレーニングする。 ａ．Ｅｎｄｏ歴、骨盤痛、および月経困難症 ｂ．Ｅｎｄｏ歴、骨盤痛、月経困難症、および骨盤手術歴 ３．上記結果から示されるｐａｔ０７変数のその他の組合せを使用して最後のコ ンセンサスネットワークをトレーニングする。 使用した方法 元の患者データベースを使用して、評価すべき変数の各組合せについてトレー ニング例が生成された。これらのトレーニング例は、所与のコンセンサス実行に 必要な変数のみを含む。ＴｒａｉｎＤｏｓ^TMをバッチモードで使用して、評価す べき変数の各組合せについて八つのニューラルネットワークのセットをトレーニ ングした。ネットワークは、ｐａｔ０７トレーニング実行と同様のパラメータを 使用してトレーニングした。唯一の相違は、各ネットワークについての乱数シー ドの設定である。各ネットワークは、全５１０個の記録データベースについてト レーニングされた。これらのトレーニング実行から、出力のコンセンサスがＥｘ ｃｅｌのスプレッドシート中で生成され、各ネットワークの性能を評価すること ができる。 結果 これらの実行は最後のトレーニング実行であるので、変数を除去した影響は見 られるが、ホールドアウト方法によって達成することができるほど明白な指示は 与えない。 結論 所与の変数のセットの寄与を決定することを目的とする全トレーニング例につ いての変数選択実行の結果は、変数選択プロセスで使用した評価方法ほど良好な 方法ではない。５の区分、および２０個のネットコンセンサスでの評価用の「ホ ールドアウト」方法は、変数を比較するための大幅に良好な統計値を与える。 例１５ ニューラルネットワーク（ｐａｔ０７）を介した分析に適した複数のパラメータ を使用する、子宮内膜症の診断を補助する方法および装置 第７図は、複数のニューラルネットワークのコンセンサスネットワーク（第１ ０図）で使用される形態の臨床データについてトレーニングされた一タイプのニ ューラルネットワーク１０の一実施形態を示す概略図である。この構造は、デジ タルコンピュータで処理される重み値およびデータとともにデジタル形式で記憶 される。この第一タイプニューラルネットワーク１０は、三つの層、すなわち入 力層１２、隠れた層１４、および出力層１６を含む。入力層１２は、平均および 標準偏差値を生成 して、入力層に入力される臨床ファクタに重み付けする正規化装置（図示せず） をそれぞれ備える１４個の入力プリプロセッサ１７〜３０を有する。平均および 標準偏差値は、ネットワークトレーニングデータに固有である。入力層のプリプ ロセッサ１７〜３０はそれぞれ、経路５１〜６４、および６５〜７８を介して、 隠れた層１４の第一および第二処理要素４８、５０に結合され、隠れた層の処理 要素４８、５０がそれぞれ、各入力プリプロセッサ１７〜３０から値または信号 を受けるようになっている。各経路は、トレーニングデータについてのトレーニ ングの結果に基づく固有の重みを備える。固有の重み８０〜９３および９５〜１ ０８は出力と非線形に関係し、各ネットワーク構造およびトレーニングデータの 初期値について固有である。重みの最終値は、ネットワークトレ−ニングに割り 当てられた初期化値に基づく。トレーニングの結果生じる重みの組合せは、重み で表現されるその記述が所望の解決策を生成する機能的装置、またはより詳細に は子宮内膜症の診断の暫定的指標を含む。 本明細書で提供する子宮内膜症テストでは、ニューラルネットワークをトレー ニングするために使用される、出力がそれに基づくファクタは、疾病の過去の病 歴、出産回数、月経困難症、 年齢、骨盤痛、骨盤手術歴、一日あたりの喫煙量、薬物治療歴、妊娠回数、流産 回数、異常ＰＡＰ／形成異常症、妊娠高血圧症、生殖器いぼ、糖尿病である。こ れら１４個のファクタは、４０を超える臨床ファクタの元のセットの中で、最も 影響力のある（最大感度の）セットであると決定されている。（影響力のあるフ ァクタのその他のセットも導かれている。上記の各例を参照）。 隠れた層は、経路１６４および１７９を介して処理要素４８および５０に提供 されるバイアス重み９４、１１９によってバイアスされる。出力層１６は、二つ の出力処理要素１２０、１２２を含む。出力層１６は、隠れた層の処理要素４８ 、５０の両方から、経路１２３、１２４、および１２５、１２６を介して入力を 受ける。出力層の処理要素１２０、１２２は、重み１１０、１１２、および１１ ４、１１６によって重み付けされる。出力層１６は、経路１２９および１３１を 介して処理要素１２０および１２２に提供されるバイアス重み１２８、１３０に よってバイアスされる。 子宮内膜症の有無または重さの暫定的指標は、二つの処理要素１２０、１２２ からの値ＡおよびＢの出力対である。これら の値は常に０から１の間の正である。一方の指標は、子宮内膜症が存在すること を示す。もう一方の指標は、子宮内膜症が存在しないことを示す。出力対Ａ、Ｂ は一般に有効な疾病の指標を与えるが、トレーニングしたニューラルネットワー クのコンセンサスネットワークはより信頼性の高いインデックスを提供する。 第１０図を参照すると、最後の指標対Ｃ、Ｄは、複数、詳細には八つの、トレ ーニングされたニューラルネットワーク１０Ａから１０Ｈ（第１０図）からの暫 定的指標対のコンセンサスの分析に基づいている。各暫定的指標対Ａ、Ｂは、経 路１３３〜１４０および１４１〜１４８を介して二つのコンセンサスプロセッサ １５０、１５２の一方に供給される。第一コンセンサスプロセッサ１５０は全て の正の指標を処理する。第二コンセンサスプロセッサ１５２は全ての負の指標を 処理する。各コンセンサスプロセッサ１５０、１５２は平均化装置である、すな わち同様の暫定的指標対Ａ、Ｂの集合の、平均などの一次結合を単に形成する。 その結果の信頼性指標対は所望の結果であり、入力は被験患者についての臨床フ ァクタのセットである。 第９図は、代表的なプロセッサ要素１２０を示す。同様のプ ロセッサ４８および５０は、さらに多くの入力要素を有し、プロセッサ要素１２ ２はほぼ同一である。代表的なプロセッサ要素１２０は、各入力経路（ここでは 全体として要素ごとに１５、１６、または３の番号を付け、プロセッサ要素１２ ０の一部分として示す）上に複数の重み乗算器１１０、１１４、１２８を含む。 重み乗算器からの重み付けされた値は、加算器１５６に結合される。加算器１５ ６の出力は、Ｓ字型伝達関数やアークタンジェント伝達関数などの活性化関数１ ５８に結合される。プロセッサ要素は、専用ハードウェアとして、またはソフト ウェア機能中で実施することができる。 感度分析を実施して、臨床ファクタの相対的な重要性を決定することができる 。感度分析は、デジタルコンピュータ上で以下のように実施される。トレーニン グしたニューラルネットワークを、各トレーニング例（真の出力が知られている 、または推測される入力データ群）について順方向モード（トレーニングなし） で実行する。次いで各トレーニング例についてのネットワークの出力を記録する 。その後、各入力変数を全トレーニング例にわたる入力変数の平均値で置き換え て、ネットワークを再実行する。次いで各出力の値の差を二乗して合計（累積） し、個別の合計を得る。 この感度分析プロセスは、各トレーニング例について実施する。次いで全ての 変数が単一の結果出力に等しく寄与する場合に正規化値が１．０となるように、 各結果合計を従来のプロセスに従って正規化する。この情報から、正規化値を重 要性の順序で順位付けすることができる。 臨床データの分析では、このニューラルネットワークシステムについてのファ クタの感度の順序は、疾病の過去の病歴、出産回数、月経困難症、年齢、骨盤痛 、骨盤手術歴、一日あたりの喫煙量、薬物治療歴、妊娠回数、流産回数、異常Ｐ ＡＰ／形成異常症、妊娠高血圧症、生殖器いぼ、糖尿病であると決定された。 特定のニューラルネットワークシステムがトレーニングされ、有効な診断ツー ルであることが分かった。第７図および第１０図に示すニューラルネットワーク システムは以下のように記述される。 ０．バイアス １．年齢 ２．糖尿病 ３．妊娠高血圧症 ４．一日あたりの喫煙量 ５．妊娠回数 ６．出産回数 ７．流産回数 ８．生殖器いぼ ９．異常ＰＡＰ／形成異常症 １０．子宮内膜症の病歴 １１．骨盤手術歴 １２．薬物治療歴 １３．骨盤痛 １４．月経困難症 という、感度の順序ではなく識別の順序になっている重みは、八つの第一タイプ のニューラルネットワーク１０それぞれについて以下のようになっている。 第一ニューラルネットワークＡ第一ニューラルネットワークＢ第一ニューラルネットワークＣ第一ニューラルネットワークＤ第一ニューラルネットワークＥ第一ニューラルネットワークＦ第一ニューラルネットワークＧ第一ニューラルネットワークＨ第一タイプのニューラルネットワークについての正規化した観測値 さらに、本明細書で提供するように、ＥＬＩＳＡ形式テストによるテストなど の生化学テストの結果を使用して、トレーニングした増加されたニューラルネッ トワークシステムを生成し、感度および特異性の比較的高い信頼性レベルを生み 出すことができる。こうした第二タイプのニューラルネットワークを第８図に示 す。入力層１２のノード３１と、一対の重み１０９および１１１が追加されてい ることを除けば、番号は第７図と同様 である。ただし、ネットワーク中の全ての重みは、追加の生化学結果でトレーニ ングすると変化する。正確な重みセットは、特定の生化学テストトレーニング例 に依存する。 本明細書で提供されるトレーニングシステムを使用することができる。代替の トレーニング技術を使用することもできる（例えば、Baxtによる「Use of an Art ificial Neural Network for the Diagnosis of Myocardial Infarction」、Anna ls of Internal Medicine 115，p.843（1991 年 12 月 １ 日);「Improving the Accuracy of an Artificia1 Neural Network Using Multiple Differently Tra ined Networks」、Neural Computation 4,p.772(1992 年)を参照のこと）。 テスト結果を評価する際には、高ｓｃｏｒｅは疾病が存在することに相関し、 低ｓｃｏｒｅは疾病が存在しないことに相関し、極端なｓｃｏｒｅは信頼性を高 めるが、中程度のｓｃｏｒｅは信頼性を低下させることに留意した。子宮内膜症 が存在することは、０．６以上の出力によって示され、それが存在しないことは ０．４以下によって示される。高い相対ｓｃｏｒｅが、疾病の高い相対重さと相 関することにも留意した。本明細書の方法は、疾病状態の有無または重さを確立 するためにそれ以上 の手順、しばしば手術を必要とする患者数を最小限に抑える。 当業者には修正形態が明らかであるので、本発明は添付の特許請求の範囲によ ってのみ制限されるものとする。

【手続補正書】特許法第１８４条の８第１項 【提出日】１９９８年５月６日（１９９８．５．６） 【補正内容】 請求の範囲 １．（ａ）第一の組のｎ個の候補変数および最初は空である第二の組の選択され た重要な変数を与えるステップと、 （ｂ）候補変数を一度に一つずつ取り、選択された重要な変数の現在の組に結 合された変数に基づいて意思決定支援システムをトレーニングすることによって 各変数を評価するステップと、 （ｃ）候補変数のうち、意思決定支援システムの最も高い性能を与える変数で ある最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ（ｂ）での評価を継続するステップを含んでお り、 結果が特定の帰結をより正確に予測ないし判定している場合に、システムの性 能が改善されたといい、 最もよい候補変数が性能を改善しない場合、プロセスを終了する変数選択のた めの方法。 ２．ステップ（ａ）において、候補変数が患者から得られ、か つ病歴データおよび／または生化学データを含む請求の範囲第１項に記載の方法 。 ３．請求の範囲第１項に記載の方法に従って一組の重要な選択された変数を選択 するステップと、 診断用のテストを生成するために重要な選択された変数の選択された最後の組 を使用して、意思決定支援システムをトレーニングするステップとを含む医学的 状態、疾病または障害の診断の方法。 ４．診断の方法が、医学的状態または障害が存在する可能性を評価し、特定の状 態が将来現れるか、または生じる可能性を評価し、または１クールの治療法を選 択するか、または治療の有効性を決定する請求の範囲第３項に記載の方法。 ５．状態が妊娠関連状態または子宮内膜症である請求の範囲第４項に記載の方法 。 ６．診断の方法が、医学的状態の存在、不在または重さを評価するか、または治 療単位の生じる可能性のある結果を決定する請求の範囲第３項に記載の方法。 ７．請求の範囲第１項に記載の方法に従って一組の重要な選択された変数を選択 するステップと、 生化学テストのみよりも有効なテストを生成するために重要な選択された変数 および生化学テストデータの選択された最後の組を使用して、意思決定支援シス テムをトレーニングするステップとを含む診断生化学テストの有効性を改善する 方法。 ８．（ａ）請求の範囲第１項に記載の方法に従って一組の重要な選択された変数 を選択するステップと、 （ｂ）一組の生化学テストデータを識別し、生化学テストデータの組の各要素 に結合された重要な選択された変数の選択された最後の組を使用して、意思決定 支援システムをトレーニングし、得られたシステムの性能を評価するステップと 、 （ｃ）生化学テストデータの組の各要素に関してすべての要素がトレーニング 中に使用されるまでトレーニングおよび評価を繰り返すステップと、 （ｄ）最も性能がよいシステムをもたらす生化学データの組の要素を選択する ステップとを含む障害または状態の診断を助ける生化学テストを識別する方法。 ９．（ａ）第一の組のｎ個の候補変数および最初は空である第二の組の選択され た重要な変数を与えるステップと （ｂ）すべての候補変数を任意に、または順序立って順位付 けするステップと、 （ｃ）最も大きいｍ個の順位付けされた変数を一度に一つずつとり、ただしｍ は１からｎまでであり、選択された重要な変数の現在の組と結合された変数に基 づいて意思決定支援システムをトレーニングすることによって各変数を評価する ステップと、 （ｄ）ｍ個の変数のうち、意思決定支援システムの最も高い性能を与える変数 である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と比 較して性能を改善する場合、それを選択された重要な変数の組に追加し、それを 候補の組から除去し、ステップ（ｃ）での処理を継続し、変数が選択された重要 な変数の性能と比較して性能を改善しない場合、ステップ（ｅ）での評価を継続 するステップと、 （ｅ）候補組のすべての変数が評価されているかどうかを決定し、それらが評 価されている場合、プロセスが終了し、選択された重要な変数の組が完成した組 になり、それ以外の場合、引き続き次に最も大きいｍ個の順位付けされた変数を 一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に基づ いて意思決定支援システムをトレーニングし、ステッ プ（ｄ）を実施することによって各変数を評価するステップとを含む変数選択の ための方法。 １０．候補変数が生化学テストデータを含む請求の範囲第３項または第９項に記 載の方法。 １１．順位付けが、感度分析または他の意思決定支援システムベースの分析を含 む分析に基づく請求の範囲第９項に記載の方法。 １２．順位付けが、統計分析を含むプロセスに基づく請求の範囲第９項に記載の 方法。 １３．順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第９項に記載の方法。 １４．順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第９項に 記載の方法。 １５．感度分析が、 （ｉ）観測データセット中の各変数ごとに平均観測値を決定するステップと、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される 出力値を発生するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 （ｖ）例中の各変数ごとにステップ（ｉｉｉ）およびステップ（ｉｖ）を繰り 返すステップと、 （ｖｉ）データセット中の各例ごとにステップ（ｉｉ）〜（ｖ）を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第１１項または第 １４項に記載の方法。 １６．意思決定支援システムがニューラルネットワークのコンセンサスを含む請 求の範囲第１項または第９項に記載の方法。 １７．ｎ個の候補変数の組および選択された重要な変数の組がそれぞれコンピュ ータ中に記憶されるコンピュータ支援方法で ある請求の範囲第１項または第９項に記載の方法。 １８．状態用の意思決定支援システムベースのテストをつくり出すために選択さ れた重要な変数の完成した組に基づく最後の意思決定支援システムをトレーニン グするステップをさらに含む請求の範囲第３項に記載の方法。 １９．状態が婦人科学状態である請求の範囲第３項に記載の方法。 ２０．状態が、不妊症、妊娠関連事象、および子癇前症の中から選択される請求 の範囲第１９項に記載の方法。 ２１．（ａ）その人の医学的状態が既知であるテスト患者のグループから観測結 果を収集するステップと、 （ｂ）観測結果を、観測値を有する一組の候補変数に分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するステップと、 （ｃ）請求の範囲第１項または第９項に記載の方法を用いて、コンピュータシ ステム中にプログラムされた第一の意思決定支援システムを使用して、選択され た重要な変数のサブセットが実質上医学的状態を示す候補変数を含むように観測 データセットを分類することによって候補変数の組から選択された重要な 変数のサブセットを選択するステップと、 （ｄ）選択された重要な変数のサブセットに対応する観測データを使用して、 第二の意思決定支援システムベースのシステムが状態、疾病または障害用の意思 決定支援ベースの診断テストを構成するように第二の意思決定支援システムをト レーニングするステップとを含む、コンピュータシステムにおいて患者の医学的 状態、疾病または障害を診断するのを助ける意思決定支援システムベースのテス トを開発する方法。 ２２．テスト患者のグループから観測結果を収集した後、および第二の意思決定 支援ベースのシステムをトレーニングする前に、 その人の状態が既知であるか、または推測されるテスト患者の少なくとも一部 から生化学テストのテスト結果を収集し、それらを一組の候補変数に分類し、次 いでこれらを第一の組の候補変数に追加するステップと、次いで ステップ（ｃ）および（ｄ）を繰り返すステップとをさらに含む請求の範囲第 ２１項に記載の方法。 ２３．選択された重要な変数の最後のサブセットで終わる一つ又は複数の生化学 テストデータ変数を識別し、それにより識別 された一つ又は複数の生化学テストデータ変数が疾病、障害または状態のインジ ケータとして役立つステップをさらに含む請求の範囲第２２項に記載の方法。 ２４．テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは治療単位を評価する請求の範囲第２１項から第２３項のいずれか一項に記載 の方法。 ２５．テストが選択された治療から得られた結果を決定するのを助ける請求の範 囲第２１項から第２３項のいずれか一項に記載の方法。 ２６．意思決定支援システムがニューラルネットワークを含み、かつ最後の組が ニューラルネットワークのコンセンサスを構成する請求の範囲第２１項から第２ ３項のいずれか一項に記載の方法。 ２７．選択した重要な変数の第一のサブセットが、意思決定支援ベースのシステ ムまたはそのコンセンサス上で実施される感度分析を使用して識別される請求の 範囲第２１項から第２３項のいずれか一項に記載の方法。 ２８．第一の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第２１項から第２３項のい ずれか一項に記載の方法。 ２９．第二の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第２１項から第２３項のいずれか一項に記載の方法。 ３０．一つまたは複数の識別した生化学テストデータ変数についての診断生化学 テストを開発するステップをさらに含む、請求の範囲第２３項に記載の方法。 ３１．追加の観測結果を患者から収集し、それらを、その後で第一セットの候補 変数に追加する候補変数のセットに分類するステップと、 （ｆ）ステップ（ｃ）および（ｄ）を繰り返すステップとをさらに含む、請求 の範囲第２１項から第２３項のいずれか一項に記載の方法。 ３２．請求の範囲第２３項の方法を実行するステップと、 選択された重要な変数である生化学データ変数を識別するステップと、 そこから変数が得られる生化学データまたは疾病マーカを検出するテストを開 発するステップとを含む、新しい生化学テストを開発する、または新しい疾病マ ーカを識別する方法。 ３３．コンピュータシステムにおいて、 （ａ）医学的状態が知られている一群の被験患者から観測結果を収集するステ ップと、 （ｂ）観測値を有する候補変数のセットに観測結果を分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するステップと、 （ｃ）コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数のサ ブセットを候補変数のセットから選択するステップと、 （ｄ）選択された重要な変数のサブセットに対応する観測データを使用して、 第二意思決定支援システムをトレーニングするステップと、 （ｅ）分析下の診断テストの結果を収集する、あるいは同じグループの被験患 者から治療後または治療中に観測結果を収集するステップと、 （ｆ）観測値を有する候補変数の第二セットに観測結果を分類し、それらをス テップ（ｂ）からの観測結果と組合せ、観測 値を観測データセットとしてコンピュータ中に記憶するステップとするステップ と、 （ｇ）コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数の第 二サブセットを選択するステップと、 （ｈ）ステップ（ｇ）からの選択された重要な変数のサブセットに対応する観 測データを使用して、第三意思決定支援システムをトレーニングするステップと 、 （ｉ）第二および第三システムの性能を比較し、それにより、医学的状態の有 無または重さの診断を補助する、あるいは治療単位の有効性または疾病、障害、 もしくは状態の治療における特定の治療方法の有効性を評価するための診断テス トの有効性の評価を識別するステップと を含む、医学的状態の有無または重さの診断を補助する、あるいは１クールの治 療法または患者の特定の治療の有効性を評価するために、診断テストの有効性を 分析する方法。 ３４．診断の補助における診断テストの有効性を評価する、請求の範囲第３３項 に記載の方法。 ３５．疾病、障害、またはその他の医学的状態の有無、重さ、または１クールの 治療法を評価する、あるいは選択された治療方法から得られた結果の判定を補助 する、請求の範囲第３３項に記載の方法。 ３６．意思決定支援システムがニューラルネットワークを含み、最後のセットが ニューラルネットワークのコンセンサスを構成する、請求の範囲第３３項に記載 の方法。 ３７．選択された重要な変数の第一サブセットが、意思決定支援ベースシステム またはそのコンセンサス上で実施される感度分析を使用して識別される、請求の 範囲第３３項に記載の方法。 ３８．第一意思決定支援システムが少なくとも一つのニューラルネットワークを 含む、請求の範囲第３３項に記載の方法。 ３９．第二意思決定支援システムが少なくとも一つのニューラルネットワークを 含む、請求の範囲第３３項に記載の方法。 ４０．第三意思決定支援システムが少なくとも一つのニューラルネットワークを 含む、請求の範囲第３３項に記載の方法。 ４１．第二および／または第三意思決定支援システムをトレーニングするステッ プが、以前に未使用の観測データのセットを、トレーニング後に第二意思決定支 援システムを介して実行して、 医学的状態の指標についての性能推定値を提供する妥当性検査ステップを含み、 以前に未使用の観測データのセットが、その医学的状態が知られている患者から 収集される、請求の範囲第３３項に記載の方法。 ４２．第二および／または第三意思決定支援システムをトレーニングするステッ プが、観測データセットを、少なくとも一つのテスト用データ区分および複数の トレーニング用データ区分を含む複数の区分に分割するステップを含み、第二意 思決定支援システムが複数のトレーニング用データ区分を使用して実行され、テ スト用データ区分が、トレーニング用データ区分が実行された後で第二意思決定 支援システムについての最終的な性能推定値を提供するために使用される、請求 の範囲第３３項に記載の方法。 ４３．各意思決定支援システムが、固有の開始重みのセットおよび性能レーティ ング値をそれぞれ有する複数のニューラルネットワークを含む、請求の範囲第４ ２項に記載の方法。 ４４．追加の観測結果を患者から収集し、それらを、その後ステップ（ｂ）で第 一セットの候補変数に追加する候補変数のセットに分類するステップと、 （ｊ）ステップ（ｃ）〜（ｉ）を繰り返すステップとをさらに含む、請求の範 囲第３３項に記載の方法。 ４５．コンピュータシステムにおいて、 （ａ）医学的状態が知られている、または推測される一群の被験患者から生化 学テストのテスト結果を収集するステップと、 （ｂ）観測値を有する候補変数のセットに観測結果を分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するステップと、 （ｃ）コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数のサ ブセットを、候補変数を含む変数のセットから選択し、これにより選択された重 要な変数のサブセットは医学的状態を実質上示す候補変数を含むステップと、 （ｄ）生化学データに対応する選択された重要な変数のセット中で、それらの 一つまたは複数の変数を識別するステップと、 （ｅ）識別した一つまたは複数の変数に対応するデータを評価する生化学テス トを設計または選択するステップと を含む、患者の医学的状態の有無または重さの診断を補助する ために、状態特異的生化学テストを開発する方法。 ４６．意思決定支援システムがニューラルネットワークまたはそのコンセンサス を含む、請求の範囲第４５項に記載の方法。 ４７．テストが、疾病、障害、または他の医学的状態の有無、重さ、または１ク ールの治療法を評価する請求の範囲第４５項に記載の方法。 ４８．テストが選択した治療方法から生じる結果の判定を補助する請求の範囲第 ４５項に記載の方法。 ４９．意思決定支援システムがニューラルネットワークを含み、最後のセットが ニューラルネットワークのコンセンサスを構成する、請求の範囲第４５項に記載 の方法。 ５０．選択された重要な変数の第一サブセットが、意思決定支援ベースシステム またはそのコンセンサス上で実施される感度分析を使用して識別される、請求の 範囲第４５項に記載の方法。 ５１．第一意思決定支援システムが少なくとも一つのニューラルネットワークを 含む、請求の範囲第４５項に記載の方法。 ５２．（ｆ）追加の観測結果を患者から収集し、それらを、その後で第一セット の候補変数に追加する候補変数のセットに分類するステップと、 （ｇ）ステップ（ｃ）および（ｄ）を繰り返すステップとをさらに含む、請求 の範囲第４５項に記載の方法。 ５３．選択された重要な変数のサブセットを選択するステップが、 （ｉ）ｎ個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 （ｉｉ）一度に一つの候補変数をとり、それぞれを、選択された重要な変数の 現在のセットと組み合わされた変数について意思決定支援システムをトレーニン グすることによって評価するステップと、 （ｉｉｉ）意思決定支援システムの最高の性能を与える最良の候補変数を選択 し、最良の候補変数が、選択された重要な変数の性能と比較して性能を向上させ る場合には、選択された重要な変数のセットにこれを追加し、候補セットからこ れを除去し、ステップ（ｉｉ）の評価を継続し、最良の候補変数が性能を向上さ せない場合には、プロセスを完了するステップと を含む、請求の範囲第３３項または第４５項に記載の方法。 ５４．選択された重要な変数のサブセットを選択するステップが、 （ｉ）ｎ個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 （ｉｉ）全ての候補変数を、任意にまたは順序付けて順位付けするステップと 、 （ｉｉｉ）ｍを１からｎとして上からｍ番目までに順位付けされた候補変数を 一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組み合わ された変数について意思決定支援システムをトレーニングすることによって評価 するステップと、 （ｉｖ）意思決定支援システムの最高の性能を与える最良のｍ個の候補変数を 選択し、最良の候補変数が、選択された重要な変数の性能と比較して性能を向上 させる場合には、選択された重要な変数のセットにこれを追加し、候補セットか らこれを除去し、ステップ（ｉｉｉ）の評価を継続し、変数が、選択された重要 な変数の性能と比較して性能を向上させない場合には、ステップ（ｖ）で評価を 継続するステップと、 （ｖ）候補セット上の全ての変数が評価されたかどうかを判定し、それらが評 価されている場合には、プロセスを完了し、選択された重要な変数のセットが完 了セットとなり、そうでな い場合には、次の上からｍ番目までに順位付けされた変数を一度に一つとり、そ れぞれを、選択された重要な変数の現在のセットと組み合わされた変数について 意思決定支援システムをトレーニングすることによって評価し、ステップ（ｉｖ ）を実施することにより継続するステップと を含む、請求の範囲第３３項または第４５項に記載の方法。 ５５．候補変数が生化学テストデータを含む、請求の範囲第２１項、第２２項、 第５３項または第５４項に記載の方法。 ５６．順位付けが、感度分析またはその他の意思決定支援システムベースの分析 を含む分析に基づいている、請求の範囲第２１項または第５４項に記載の方法。 ５７．順位付けが、統計分析を含むプロセスに基づいている、請求の範囲第２１ 項または第５４項に記載の方法。 ５８．順位付けが、カイ二乗、回帰分析、または判別分析を含むプロセスに基づ いている、請求の範囲第２１項または第５４項に記載の方法。 ５９．順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される、請求の範囲第２１ 項または第５４項に記載の 方法。 ６０．感度分析が、 （ｉ）観測データセット中の各変数について平均観測値を決定するステップと 、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 （ｉｉｉ）選択したトレーニング例中の第一変数を選択し、観測値を第一変数 の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モードで 実行し、その出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指定さ れるステップと、 （ｖ）例中の各変数についてステップ（ｉｉｉ）および（ｉｖ）を繰り返すス テップと、 （ｖｉ）データセット中の各例についてステップ（ｉｉ）〜（ｖ）を繰り返す ステップであって選択された変数の各合計は、意思決定支援システム出力の決定 に対する各変数の相対的寄与 を表すステップと を含む、請求の範囲第５６項または第５９項に記載の方法。 ６１．（ｖｉｉ）それらの意思決定支援システム出力の決定に対する相対的寄与 に従って変数を順位付けするステップをさらに含む、請求の範囲第６０項に記載 の方法。 ６２．第二意思決定支援システムをトレーニングするステップが、以前に未使用 の観測データのセットを、トレーニング後に第二意思決定支援システムを介して 実行して、医学的状態の指標についての性能推定値を提供する妥当性検査ステッ プを含み、以前に未使用の観測データのセットが、その医学的状態が知られてい る患者から収集される、請求の範囲第２１項から第２３項、第３３項または第４ ５項に記載の方法。 ６３．第二意思決定支援システムをトレーニングするステップが、観測データセ ットを、少なくとも一つのテスト用データ区分および複数のトレーニング用デー タ区分を含む複数の区分に分割するステップを含み、第二意思決定支援システム が複数のトレーニング用データ区分を使用して実行され、テスト用データ区分が 、トレーニング用データ区分が実行された後で第二意思決定支援システムについ ての最終的な性能推定値を提供する ために使用される、請求の範囲第２１項から第２３項、第３３項、第４５項に記 載の方法。 ６４．第二意思決定支援システムが、固有の開始重みのセットおよび性能レーテ ィング値をそれぞれ有する複数のニューラルネットワークを含む、請求の範囲第 ６３項に記載の方法。 ６５．最終的な性能推定値が、複数のニューラルネットワークについての性能レ ーティング値を平均することによって生成される、請求の範囲第６４項または第 ４３項に記載の方法。 ６６．患者病歴データの結果および／または生化学テスト結果から観測値が得ら れる、請求の範囲第２１項から第２３項、第３３項、第４５項に記載の方法。 ６７．状態が、妊娠に関係する状態または子宮内膜症である、請求の範囲第２１ 項から第２３項、第３３項、第４５項に記載の方法。 ６８．障害が子宮内膜症であり、候補変数が、 （ｉ）過去の子宮内膜症歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術 歴、一日あたりの喫煙量、薬物治療歴、妊娠回数、出産回数、異常ＰＡＰ／形成 異常症、妊娠高血圧症、生殖器いぼ、および糖尿病、または （ｉｉ）年齢、経産回数、妊娠回数、出産回数、一日あたりの喫煙量、過去の 子宮内膜症歴、月経困難症、骨盤痛、異常ＰＡＰ、骨盤手術歴、薬物治療歴、妊 娠高血圧症、生殖器いぼ、および糖尿病 から選択した少なくとも四つの変数を含む、請求の範囲第２１項に記載の方法。 ６９．意思決定支援システムがニューラルネットワークまたはニューラルネット ワークのコンセンサスを含む、請求の範囲第６８項に記載の方法。 ７０．少なくとも五つの変数が選択される、請求の範囲第６８項に記載の方法。 ７１．変数のサブセットを評価することによって子宮内膜症を診断するようにト レーニングされた意思決定支援システムを使用するステップを含む、子宮内膜症 の診断を補助する方法であって、前記変数が、 過去の子宮内膜症歴、出産回数、月経困難症、年齢（ｐｒｅｐｒｏｃ）、骨盤 痛、骨盤手術歴、喫煙量（箱／日）、薬物治療歴、妊娠回数、出産回数、異常Ｐ ＡＰスミア／形成異常症、妊娠高血圧症、生殖器いぼ、および糖尿病のうち少な くとも三 つを入力として含み、値が各変数に割り当てられ、意思決定支援システムに入力 される方法。 ７２．これらの変数の選択したサブセットが、 ａ）出産回数、子宮内膜症歴、骨盤手術歴 ｂ）糖尿病、妊娠高血圧症、喫煙 ｃ）妊娠高血圧症、異常ｐａｐスミア／形成異常症、子宮内膜症歴 ｄ）年齢、喫煙、子宮内膜症歴 ｅ）喫煙、子宮内膜症歴、月経困難症 ｆ）年齢、糖尿病、子宮内膜症歴 ｇ）妊娠高血圧症、出産回数、子宮内膜症歴 ｈ）喫煙、出産回数、子宮内膜症歴 ｉ）妊娠高血圧症、子宮内膜症歴、骨盤手術歴 ｊ）妊娠回数、子宮内膜症歴、骨盤手術歴 ｋ）出産回数、異常ＰＡＰスミア／形成異常症、子宮内膜症歴 ｌ）出産回数、異常ＰＡＰスミア／形成異常症、月経困難症 ｍ）子宮内膜症歴、骨盤手術歴、月経困難症 ｎ）妊娠回数、子宮内膜症歴、月経困難症 の三つの変数の組合せのセットを一つまたは複数含む、請求の範囲第７１項に記 載の方法。 ７３．意思決定支援システムがニューラルネットワークである請求の範囲第７２ 項に記載の方法。 ７４．コンピュータシステムにおいて、患者の子宮内膜症の有無または重さの診 断を補助する方法であって、 （ａ）（ｉ）過去の子宮内膜症歴、出産回数、月経困難症、年齢、骨盤痛、骨 盤手術歴、一日あたりの喫煙量、薬物治療歴、妊娠回数、流産回数、異常ＰＡＰ ／形成異常症、妊娠高血圧症、生殖器いぼ、および糖尿病、または （ｉｉ）年齢、経産回数、妊娠回数、流産回数、一日あたりの喫煙量、過去の 子宮内膜症歴、月経困難症、骨盤痛、異常ＰＡＰ、骨盤手術歴、薬物治療歴、妊 娠高血圧症、生殖器いぼ、および糖尿病 から選択された少なくとも四つのファクタを含む特定の臨床データファクタの有 無を反映する観測値を収集し、観測した臨床データファクタをコンピュータシス テムの記憶手段に記憶するステップと、 （ｂ）観測値を、メモリ手段から特定のファクタのサンプル についてトレーニングした第一意思決定支援システムに適用するステップと、そ の後、 （ｃ）子宮内膜症の診断のための意思決定プロセスを改善するための定量的で 客観的な補助手段である出力値を、第一意思決定支援システムから抽出するステ ップと を含む方法。 ７５．意思決定支援システムがニューラルネットワークを含む、請求の範囲第７ ４項に記載の方法。 ７６．少なくとも五つのファクタが選択される、請求の範囲第７４項に記載の方 法。 ７７．ｂ１）観測値を、前記メモリ手段からトレーニングごとに異なる開始重み を有する特定のファクタのサンプルについてそれぞれトレーニングした複数の第 一意思決定支援システムに適用するステップと、 ｃ１）前記第一ニューラルネットワークのそれぞれについての出力値対を、第 一意思決定支援システムから抽出するステップと ｄ）前記出力値対の前記第一対の一次結合を形成し、前記出力値対の前記第二 対の一次結合を形成し、前記の定量的で客観 的な補助手段である信頼性インデックス対を得るステップとをさらに含む、請求 の範囲第７４項に記載の方法。 ７８．第一意思決定支援システムが、入力層、隠れた層、および出力層を含む三 層ネットワークを含むニューラルネットワークであり、入力層が１４個の入力ノ ードと、第一および第二の隠れた層のノードと、隠れた層の各ノードに対する隠 れた層のバイアスと、出力層中の第一および第二出力層ノードと、各出力層ノー ドに対する出力層バイアスとを有する、請求の範囲第７７項に記載の方法。 ７９．第一の意思決定支援システムがニューラルネットワークであり、複数の第 一のトレーニングされたニューラルネットワークの各々が、入力層、隠れた層お よび出力層を含んでいる三層ネットワークを含んでいる請求の範囲第７７項に記 載の方法。 ８０．第一の意思決定支援システムがニューラルネットワークであり、各々が入 力層、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入力 層が十四の入力ノード、第一および第二の隠れた層のノードおよび各隠れた層の ノードに対する隠れた層のバイアスおよび出力層における第一および第二の出力 層ノードおよび各出力層ノードに対する出力層バイア スを有しており、 ０．バイアス １．年齢 ２．糖尿病 ３．妊娠高血圧症 ４．喫煙（箱／日） ５．妊娠回数 ６．出産回数 ７．流産回数 ８．生殖器いぼ ９．異常ＰＡＰ／形成異常症 １０．子宮内膜症歴 １１．骨盤手術歴 １２．薬物治療歴 １３．骨盤痛 １４．月経困難症 という識別の順序で重みが八つの第一のニューラルネットワークの各々について 、 第一のニューラルネットワークＡ 第一の隠れた層のノードにおける要素を処理するには： 0.15 -1.19 -0.76 3.01 1.81 1.87 3.56 -0.48 1.33 -1.96 -4.45 1.36 -1.61 -1.97 -0.91 第二の隠れた層のノードにおける要素を処理するには： 0.77 2.25 -2.30 -1.48 -0.85 0.27 -1.70 -0.47 0.84 -6.19 0.50 -0.95 0.40 2.38 1.86 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： -0.12 -0.44 0.66 第二の出力層のノードにおける要素を処理するには： 0.12 0.44 -0.65 第一のニューラルネットワークＢ 第一の隠れた層のノードにおける要素を処理するには： -0.16 -3.30 0.85 1.00 0.99 -0.81 1.57 -1.40 0.46 1.16 -0.80 -0.01 -1.19 -1.10 -2.29 第二の隠れた層のノードにおける要素を処理するには： -1.62 0.79 0.45 2.14 3.82 3.93 3.96 2.27 -0.54 1.51 -4.76 2.83 0.74 -0.43 -0.17 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.70 -0.69 -0.65 第二の出力層のノードにおける要素を処理するには： -0.70 0.69 0.65 第一のニューラルネットワークＣ 第一の隠れた層のノードにおける要素を処理するには： 0.94 1.43 0.29 1.17 2.11 -1.16 1.033 -0.68 -0.88 0.31 -1.74 1.62 -1.49 -1.05 -0.41 第二の隠れた層のノードにおける要素を処理するには： 0.77 3.31 -1.48 -0.83 0.60 -2.09 -1.39 -0.40 -0.19 -0.89 1.36 0.59 -1.11 0.26 1.04 出力層の重み（０バイアス、第一の隠れた層の重み、第二の 隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.10 -0.90 0.87 第二の出力層のノードにおける要素を処理するには： -0.10 0.90 -0.87 第一のニューラルネットワークＤ 第一の隠れた層のノードにおける要素を処理するには： 1.08 1.27 -0.89 -1.00 -1.74 -0.40 -1.38 1.26 1.06 0.66 0.71 -0.57 0.67 1.89 -0.90 第二の隠れた層のノードにおける要素を処理するには： -0.03 -0.58 -0.46 -0.94 0.73 0.10 0.55 -0.79 -0.098 -1.36 1.01 0.00 -0.38 -0.49 1.57 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： -1.43 1.39 1.28 第二の出力層のノードにおける要素を処理するには： 1.30 -1.28 -1.17 第一のニューラルネットワークＥ 第一の隠れた層のノードにおける要素を処理するには： 0.14 -2.12 8.36 1.02 1.79 0.31 2.87 0.84 -1.24 -1.75 -2.98 1.72 -1.22 -2.47 -1.14 第二の隠れた層のノードにおける要素を処理するには： -3.93 -1.07 1.16 1.39 1.01 -1.08 2.33 0.76 -0.51 -0.31 -1.92 0.59 0.06 -0.76 -1.44 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.46 -0.52 -0.80 第二の出力層のノードにおける要素を処理するには： -0.46 0.51 0.82 第一のニューラルネットワークＦ 第一の隠れた層のノードにおける要素を処理するには： -1.19 -2.93 1.19 6.85 1.08 0.66 1.65 -0.28 -1.63 -1.15 -0.79 0.43 -0.13 -3.10 -2.27 第二の隠れた層のノードにおける要素を処理するには： 0.82 0.19 0.72 0.83 0.59 0.07 1.06 0.51 1.04 1.47 -1.97 0.97 -0.91 -0.15 0.09 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.68 -0.67 -0.58 第二の出力層のノードにおける要素を処理するには： -0.68 0.67 0.58 第一のニューラルネットワークＧ 第一の隠れた層のノードにおける要素を処理するには： -1.18 -2.55 0.48 -1.40 1.11 -0.28 2.33 0.33 -1.92 0.99 -1.41 0.68 -0.28 -1.65 -0.79 第二の隠れた層のノードにおける要素を処理するには： 1.07 1.11 0.52 1.41 0.55 -0.48 -0.23 0.44 -1.23 0.77 -2.96 1.39 -0.28 -0.64 -2.38 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.69 -0.70 -0.50 第二の出力層のノードにおける要素を処理するには： -0.69 0.70 0.50 第一のニューラルネットワークＨ 第一の隠れた層のノードにおける要素を処理するには： 15.74 -0.76 -0.91 -1.13 -0.75 -0.66 -0.83 1.03 0.75 -0.48 -0.47 2.01 -0.02 0.25 1.11 第二の隠れた層のノードにおける要素を処理するには： -2.48 -2.49 0.99 1.97 2.41 1.51 1.01 -0.26 -0.76 2.00 -5.03 1.77 -0.77 -2.29 -2.01 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.02 0.41 -0.84 第二の出力層のノードにおける要素を処理するには： -0.75 0.34 0.85 のようになっている請求の範囲第７７項に記載の方法。 ８１．第一のニューラルネットワークの各々に対する正規化された観察値が識別 の順序での平均および標準偏差が、 -0.00 1.00 0.01 0.08 0.01 0.09 0.16 0.37 1.09 1.39 0.55 0.94 0.54 0.93 0.01 0.10 0.03 0.17 0.23 0.42 0.65 0.48 0.39 0.49 0.19 0.39 0.72 0.45 である請求の範囲第８０項に記載の方法。 ８２．患者における子宮内膜症の有無または重さの診断を補助する、コンピュー タシステムにおける方法において、 （ａ）指定されたファクタの有無を反映する観察値を収集し、観察ファクタを コンピュータシステムの記憶手段に記憶するステップであって、指定されたファ クタが過去の病歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術歴、一日の 喫煙量、薬物治療歴、妊娠回数、流産回数、異常ＰＡＰ／形成異常症、妊娠高血 圧症、生殖器いぼ、および糖尿病を含んでいるステップと、 （ｂ）子宮内膜症に関する生化学テストについて患者から結果を取得し、メモ リ手段に記憶するステップと、 （ｃ）メモリ手段からの観察値および関連する生化学テスト結果を、指定され たファクタおよびテスト結果のサンプルについてトレーニングされた第二のニュ ーラルネットワークに適用するステップと、 （ｄ）第二のトレーニングされたニューラルネットワークから、子宮内膜症の 診断の暫定的な指標である出力値対を抽出す るステップと を備えている方法。 ８３．（ｃ１）メモリ手段からの観察値および関連する生化学テスト結果を複数 の第二のニューラルネットワークに適用するステップであって、第一のニューラ ルネットワークの各々が指定されたファクタのサンプルについてトレーニングさ れており、各トレーニングの開始重みがランダムに初期化されるステップと、 （ｄ１）第一のトレーニングされたニューラルネットワークの各々から、第一 のニューラルネットワークの各々に対する出力値対を抽出するステップと、 （ｅ）出力値対の第一のものの線形の組合せを形成し、出力値対の第二のもの の線形の組合せを形成して、子宮内膜症の診断に関する最終的な指標である信頼 度インデックス対を得るステップと をさらに含んでいる請求の範囲第８２項に記載の方法。 ８４．第一のトレーニングされたニューラルネットワークが入力層、隠れた層お よび出力層を含んでいる三層ネットワークを含んでおり、入力層が十四の入力ノ ード、第一および第二の隠 れた層のノード、各隠れた層のノードに対する隠れた層のバイアス、出力層の第 一および第二の出力層ノード、および各出力層ノードに対する出力層バイアスを 有している請求の範囲第８２項に記載の方法。 ８５．複数の第二のトレーニングされたニューラルネットワークの各々が入力層 、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入力層が 十四の入力ノード、第一および第二の隠れた層のノードおよび各隠れた層のノー ドに対する隠れた層のバイアスおよび出力層における第一および第二の出力層ノ ードおよび各出力層ノードに対する出力層バイアスを有しており、 重みが ０．バイアス １．年齢 ２．糖尿病 ３．妊娠高血圧症 ４．喫煙（箱／日） ５．妊娠回数 ６．出産回数 ７．流産回数 ８．生殖器いぼ ９．異常ＰＡＰ／形成異常症 １０．子宮内膜症歴 １１．骨盤手術歴 １２．薬物治療歴 １３．骨盤痛 １４．月経困難症 １５．生化学テスト結果 という識別の順序である 請求の範囲第８３項に記載の方法。 ８６．患者における子宮内膜症の有無または重さの診断を補助する、コンピュー タシステムにおけるニューラルネットワークシステムおいて、 複数の第一のトレーニングされたニューラルネットワークであって、各々が入 力層、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入力 層が十四の入力ノード、第一および第二の隠れた層のノード、各隠れた層のノー ドに対する隠れた層のバイアス、出力層の第一および第二の出力層ノー ド、および各出力層ノードに対する出力層バイアスを有しており、各々が子宮内 膜症の診断の暫定的な指標を生成する複数の第一のトレーニングされたニューラ ルネットワークと、 臨床データファクタの観察された値の入力手段と、 過去の病歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術歴、一日の喫煙 量、薬物治療歴、妊娠回数、流産回数、異常ＰＡＰ／形成異常症、妊娠高血圧症 、生殖器いぼ、および糖尿病を含んでいる臨床データファクタの観察された値に 対するコンピュータシステムの記憶手段と、 子宮内膜症の診断に関する意思決定プロセスを強化する定量的で客観的な補助 手段であるコンセンサスを出力層ノードから構築する手段と を備えているニューラルネットワークシステム。 ８７．メモリ手段からの観察値を複数の第一のニューラルネットワークに対して 正規化する入力正規化装置であって、第一の二ューラルネットワークの各々が指 定されたファクタのサンプルについてトレーニングされており、各トレーニング の開始重みがランダムに初期化される入力正規化装置をさらに含んでいる 請求の範囲第８６項に記載のニューラルネットワークシステム。 ８８．コンセンサス構築装置が子宮内膜症の診断に関するコンセンサスおよび最 終的な指標である信頼度インデックス対を得るための出力値対の第一のもの、お よび出力値対の第二のものの線形組合せ装置を含んでいる請求の範囲第８６項に 記載のニューラルネットワークシステム。 ８９．識別の順序が、 ０．バイアス １．年齢 ２．糖尿病 ３．妊娠高血圧症 ４．喫煙（箱／日） ５．妊娠回数 ６．出産回数 ７．流産回数 ８．生殖器いぼ ９．異常ＰＡＰ／形成異常症 １０．子宮内膜症歴 １１．骨盤手術歴 １２．薬物治療歴 １３．骨盤痛 １４．月経困難症 という順序で重みが八つの第一のニューラルネットワークの各々について、 第一のニューラルネットワークＡ 第一の隠れた層のノードにおける要素を処理するには： 0.15 -1.19 -0.76 3.01 1.81 1.87 3.56 -0.48 1.33 -1.96 -4.45 1.36 -1.61 -1.97 -0.91 第二の隠れた層のノードにおける要素を処理するには： 0.77 2.25 -2.30 -1.48 -0.85 0.27 -1.70 -0.47 0.84 -6.19 0.50 -0.95 0.40 2.38 1.86 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： -0.12 -0.44 0.66 第二の出力層のノードにおける要素を処理するには： 0.12 0.44 -0.65 第一のニューラルネットワークＢ 第一の隠れた層のノードにおける要素を処理するには： -0.16 -3.29 0.85 1.00 0.99 -0.81 1.57 -1.40 0.46 1.16 -0.80 -0.01 -1.19 -1.10 -2.29 第二の隠れた層のノードにおける要素を処理するには： -1.62 0.79 0.45 2.14 3.82 3.93 3.96 2.27 -0.54 1.51 -4.76 2.83 0.74 -0.43 -0.17 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.70 -0.69 -0.65 第二の出力層のノードにおける要素を処理するには： -0.70 0.69 0.65 第一のニューラルネットワークＣ 第一の隠れた層のノードにおける要素を処理するには： 0.94 1.43 0.29 1.17 2.11 -1.16 1.03 -0.68 -0.88 0.31 -1.74 1.62 -1.49 -1.05 -0.41 第二の隠れた層のノードにおける要素を処理するには： 0.77 3.31 -1.48 -0.83 0.60 -2.09 -1.39 -0.40 -0.19 -0.89 1.36 0.59 -1.11 0.26 1.04 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.10 -0.90 0.87 第二の出力層のノードにおける要素を処理するには： -0.10 0.90 -0.87 第一のニューラルネットワークＤ 第一の隠れた層のノードにおける要素を処理するには： 1.08 1.27 -0.89 -1.00 -1.74 -0.40 -1.38 1.26 1.06 0.66 0.71 -0.57 0.67 1.89 -0.90 第二の隠れた層のノードにおける要素を処理するには： -0.03 -0.58 -0.46 -0.94 0.73 0.10 0.55 -0.79 -0.10 -1.36 1.01 0.00 -0.38 -0.49 1.57 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： -1.43 1.39 1.28 第二の出力層のノードにおける要素を処理するには： 1.30 -1.28 -1.17 第一のニューラルネットワークＥ 第一の隠れた層のノードにおける要素を処理するには： 0.14 -2.12 8.36 1.02 1.79 0.31 2.87 0.84 -1.24 -1.75 -2.98 1.72 -1.22 -2.47 -1.14 第二の隠れた層のノードにおける要素を処理するには： -3.93 -1.07 1.16 1.39 1.01 -1.08 2.33 0.76 -0.51 -0.31 -1.92 0.59 0.06 -0.76 -1.44 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.46 -0.52 -0.80 第二の出力層のノードにおける要素を処理するには： -0.46 0.51 0.82 第一のニューラルネットワークＦ 第一の隠れた層のノードにおける要素を処理するには： -1.19 -2.93 1.19 6.85 1.08 0.66 1.65 -0.28 -1.63 -1.15 -0.79 0.43 -0.13 -3.10 -2.27 第二の隠れた層のノードにおける要素を処理するには： 0.82 0.19 0.72 0.83 0.59 0.07 1.06 0.51 1.04 1.47 -1.97 0.97 -0.91 -0.15 0.09 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.68 -0.67 -0.58 第二の出力層のノードにおける要素を処理するには： -0.68 0.67 0.58 第一のニューラルネットワークＧ 第一の隠れた層のノードにおける要素を処理するには： -1.18 -2.55 0.48 -1.40 1.11 -0.28 2.33 0.33 -1.92 0.99 -1.41 0.68 -0.28 -1.65 -0.79 第二の隠れた層のノードにおける要素を処理するには： 1.08 1.11 0.52 1.41 0.55 -0.48 -0.23 0.44 -1.23 0.77 -2.96 1.39 -0.28 -0.64 -2.38 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.69 -0.70 -0.50 第二の出力層のノードにおける要素を処理するには： -0.69 0.70 0.50 第一のニューラルネットワークＨ 第一の隠れた層のノードにおける要素を処理するには： 15.74 -0.76 -0.91 -1.13 -0.75 -0.66 -0.83 1.03 0.75 -0.48 -0.47 2.01 -0.02 0.25 1.11 第二の隠れた層のノードにおける要素を処理するには： -2.48 -2.49 0.99 1.97 2.41 1.51 1.01 -0.26 -0.76 2.00 -5.03 1.77 -0.77 -2.29 -2.01 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.017 0.41 -0.84 第二の出力層のノードにおける要素を処理するには： -0.75 0.34 0.85 のようになっている請求の範囲第８６項に記載のニューラルネットワークシステ ム。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，Ｌ Ｕ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ， ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＫＥ，ＬＳ，ＭＷ，ＳＤ，Ｓ Ｚ，ＵＧ)，ＵＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ ，ＲＵ，ＴＪ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ， ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，Ｇ Ｅ，ＨＵ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ， ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，Ｐ Ｌ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＳ，ＵＺ， ＶＮ

Claims (1)

1. 【特許請求の範囲】 １．（ａ）第一の組のｎ個の候補変数および最初は空である第二の組の選択され た重要な変数を与えるステップと、 （ｂ）候補変数を一度に一つずつ取り、選択された重要な変数の現在の組に結 合された変数に基づいて意思決定支援システムをトレーニングすることによって 各変数を評価するステップと、 （ｃ）候補変数のうち、意思決定支援システムの最も高い性能を与える変数で ある最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ（ｂ）での評価を継続し、最もよい候補変数が 性能を改善しない場合、プロセスを終了するステップとを含む変数選択のための 方法。 ２．ステップ（ａ）に対して、候補変数が患者から得られ、かつ病歴データおよ び／または生化学データを含む請求の範囲第１項に記載の方法。 ３．請求の範囲第１項に記載の方法に従って一組の重要な選択 された変数を選択するステップと、 診断用のテストを生成するために重要な選択された変数の選択された最後の組 を使用して、意思決定支援システムをトレーニングするステップとを含む診断の 方法。 ４．診断の方法が、医学的状態または障害が存在する可能性を評価し、特定の状 態が将来現れるか、または生じる可能性を評価し、１クールの治療法を選択する か、または治療の有効性を決定する請求の範囲第３項に記載の方法。 ５．状態が妊娠関連状態または子宮内膜症である請求の範囲第４項に記載の方法 。 ６．診断の方法が、医学的状態の存在、不在または重さを評価するか、または１ クールの治療法となる可能性のある結果を決定する請求の範囲第３項に記載の方 法。 ７．請求の範囲第１項に記載の方法に従って一組の重要な選択された変数を選択 するステップと、 生化学テストのみよりも有効なテストを生成するために重要な選択された変数 および生化学テストデータの選択された最後の組を使用して、意思決定支援シス テムをトレーニングするステップとを含む診断生化学テストの有効性を改善する 方法。 ８．（ａ）請求の範囲第１項に記載の方法に従って一組の重要な選択された変数 を選択するステップと、 （ｂ）一組の生化学テストデータを識別し、生化学テストデータの組の各要素 に結合された重要な選択された変数の選択された最後の組を使用して、意思決定 支援システムをトレーニングし、得られたシステムの性能を評価するステップと 、 （ｃ）生化学テストデータの組の各要素に関してすべての要素がトレーニング 中に使用されるまでトレーニングおよび評価を繰り返すステップと、 （ｄ）最も性能のよいシステムをもたらす生化学データの組の要素を選択する ステップとを含む障害または状態の診断を助ける生化学テストを識別する方法。 ９．（ａ）第一の組のｎ個の候補変数および最初は空である第二の組の選択され た重要な変数を与えるステップと （ｂ）すべての候補変数を任意に、または順序立って順位付けするステップと 、 （ｃ）最も大きいｍ個の順位付けされた変数を一度に一つずつとり（ｍは１か らｎまで）、選択された重要な変数の現在の組と結合された変数に基づいて意思 決定支援システムをトレー ニングすることによって各変数を評価するステップと、 （ｄ）ｍ個の変数のうち、意思決定支援システムの最も高い性能を与える変数 である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と比 較して性能を改善する場合、それを選択された重要な変数の組に追加し、それを 候補組から除去し、ステップ（ｃ）での処理を継続し、変数が選択された重要な 変数の性能と比較して性能を改善しない場合、ステップ（ｅ）での評価を継続す るステップと、 （ｅ）候補組上のすべての変数が評価されているかどうかを決定し、それらが 評価されている場合、プロセスが終了し、選択された重要な変数の組が完成した 組になり、それ以外の場合、引き続き次に最も大きいｍ個の順位付けされた変数 を一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に基 づいて意思決定支援システムをトレーニングし、ステップ（ｄ）を実施すること によって各変数を評価するステップとを含む変数選択のための方法。 １０．候補変数が生化学テストデータを含む請求の範囲第９項に記載の方法。 １１．順位付けが、感度分析または他の意思決定支援システム ベースの分析を含む分析に基づく請求の範囲第９項に記載の方法。 １２．順位付けが、統計分析を含むプロセスに基づく請求の範囲第９項に記載の 方法。 １３．順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第９項に記載の方法。 １４．順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第９項に 記載の方法。 １５．感度分析が、 （ｉ）観測データセット中の各変数ごとに平均観測値を決定するステップと、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 （ｖ）例中の各変数ごとにステップ（ｉｉｉ）およびステップ（ｉｖ）を繰り 返すステップと、 （ｖｉ）データセット中の各例ごとにステップ（ｉｉ）〜（ｖ）を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第１０項に記載の 方法。 １６．意思決定支援システムがニューラルネットワークのコンセンサスを含む請 求の範囲第１項に記載の方法。 １７．意思決定支援システムがニューラルネットワークのコンセンサスを含む請 求の範囲第９項に記載の方法。 １８．ｎ個の候補変数の組および選択された重要な変数の組がそれそれコンピュ ータ中に記憶されるコンピュータ支援方法である請求の範囲第１項に記載の方法 。 １９．ｎ個の候補変数の組および選択された重要な変数の組がそれぞれコンピュ ータ中に記憶されるコンピュータ支援方法である請求の範囲第９項に記載の方法 。 ２０．状態用の意思決定支援システムベースのテストをつくり出すために選択さ れた重要な変数の完成した組に基づく最後の意思決定支援システムをトレーニン グするステップをさらに含む請求の範囲第９項に記載の方法。 ２１．状態用の意思決定支援システムベースのテストをつくり出すために選択さ れた重要な変数の完成した組に基づく最後の意思決定支援システムをトレーニン グするステップをさらに含む請求の範囲第３項に記載の方法。 ２２．状態が婦人科学状態である請求の範囲第３項に記載の方法。 ２３．状態が、不妊症、妊娠関連事象、および子癇前症の中から選択される請求 の範囲第２２項に記載の方法。 ２４．（ａ）その医学的状態が既知であるテスト患者のグループから観測結果を 収集するステップと、 （ｂ）観測結果を、観測値を有する一組の候補変数に分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するステップと、 （ｃ）コンピュータシステム中にプログラムされた第一の意思決定支援システ ムを使用して、選択された重要な変数のサブ セットが実質上医学的状態を示す候補変数を含むように観測データセットを分類 することによって候補変数の組から選択された重要な変数のサブセットを選択す るステップと、 （ｄ）選択された重要な変数のサブセットに対応する観測データを使用して、 第二の意思決定支援システムベースのシステムが状態、疾病または障害用の意思 決定支援ベースの診断テストを構成するように第二の意思決定支援システムをト レーニングするステップとを含むコンピュータシステムにおいて患者の医学的状 態、疾病または障害を診断するのを助ける意思決定支援システムベースのテスト を開発する方法。 ２５．第一の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第２４項に記載の方法。 ２６．第二の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第２４項に記載の方法。 ２７．選択された重要な変数のサブセットを選択するステップが、 （ｉ）第一の組のｎ個の候補変数および最初は空である第二の組の選択された 重要な変数を与えるステップと、 （ｉｉ）候補変数を一度に一つずつ取り、選択された重要な 変数の現在の組に結合された変数に基づいて意思決定支援システムをトレーニン グすることによって各変数を評価するステップと、 （ｉｉｉ）候補変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性 能と比較して性能を改善する場合、それを選択された重要な変数の組に追加し、 それを候補の組から除去し、ステップ（ｉｉ）での評価を継続し、最もよい候補 変数が性能を改善しない場合、プロセスを終了するステップとを含む請求の範囲 第２４項に記載の方法。 ２８．選択された重要な変数のサブセットを選択するステップが、 （ｉ）第一の組のｎ個の候補変数および最初空である第二の組の選択された重 要な変数を与えるステップと、 （ｉｉ）すべての候補変数を順序不同か、または順序立って順位付けするステ ップと、 （ｉｉｉ）最も大きいｍ個の順位付けされた変数を一度に一つずつとり（ｍは １からｎまで）、選択された重要な変数の現在の組と結合された変数に基づいて 意思決定支援システムをト レーニングすることによって各変数を評価するステップと、 （ｉｖ）ｍ個の変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ（ｉｉｉ）での処理を継続し、変数が選択され た重要な変数の性能と比較して性能を改善しない場合、ステップ（ｖ）での評価 を継続するステップと、 （ｖ）候補の組上のすべての変数が評価されているかどうかを決定し、それら が評価されている場合、プロセスが終了し、選択された重要な変数の組が完成し た組になり、それ以外の場合、引き続き次に最も大きいｍ個の順位付けされた変 数を一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に 基づいて意思決定支援システムをトレーニングし、ステップ（ｉｖ）を実施する ことによって各変数を評価するステップとを含む請求の範囲第２４項に記載の方 法。 ２９．候補変数が生化学テストデータを含む請求の範囲第２８項に記載の方法。 ３０．順位付けが、感度分析または他の意思決定支援システム ベースの分析を含む分析に基づく請求の範囲第２８項に記載の方法。 ３１．順位付けが、統計分析を含むプロセスに基づく請求の範囲第２８項に記載 の方法。 ３２．順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第２８項に記載の方法。 ３３．順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第２８項 に記載の方法。 ３４．感度分析が、 （ｉ）観測データセット中の各変数ごとに平均観測値を決定するステップと、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正された出力との差を二乗し、それを合計として累積 する（各変数ごとの合計は各変数ごとに選択された変数合計に指定される）ステ ップと、 （ｖ）例中の各変数ごとにステップ（ｉｉｉ）およびステップ（ｉｖ）を繰り 返すステップと、 （ｖｉ）データセット中の各例ごとにステップ（ｉｉ）〜（ｖ）を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第２８項に記載の 方法。 ３５．感度分析が、 （ｉ）観測データセット中の各変数ごとに平均観測値を決定するステップと、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 （ｖ）例中の各変数ごとにステップ（ｉｉｉ）およびステップ（ｉｖ）を繰り 返すステップと、 （ｖｉ）データセット中の各例ごとにステップ（ｉｉ）〜（ｖ）を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第３４項に記載の 方法。 ３６．（ｖｉ）意思決定支援システム出力の決定に対するそれらの相対的寄与に 従って変数を順位付けするステップをさらに含む請求の範囲第３５項に記載の方 法。 ３７．第二の意思決定支援システムをトレーニングするステップが、医学的状態 を示す性能推定値を与えるためにトレーニング後に第二の意思決定支援システム を介して観測データの前に使用されていない組を実行する確認ステップを含み、 観測データの前に使用されていない組がその人の医学的状態が既知である患者か ら収集される請求の範囲第２４項に記載の方法。 ３８．第二の意思決定支援システムをトレーニングするステッ プが、観測データセットを、少なくとも一つのテストデータ区分と複数のトレー ニングデータ区分とを含む複数の区分に分割するステップを含み、第二の意思決 定支援システムが複数のトレーニングデータ区分を使用して実行され、テストデ ータ区分が、トレーニングデータ区分が実行された後で第二の意思決定支援シス テム用の最後の性能推定値を与えるために使用される請求の範囲第２４項に記載 の方法。 ３９．第二の意思決定支援システムが、それぞれ開始重みの唯一の組を有し、か つ性能レーティング値を有する複数のニューラルネットワークを含む請求の範囲 第３８項に記載の方法。 ４０．最後の性能推定値が複数のニューラルネットワークの性能レーティング値 を平均化することによって生成される請求の範囲第３９項に記載の方法。 ４１．観測値が患者病歴データ結果および／または生化学テスト結果から得られ る請求の範囲第２４項に記載の方法。 ４２．状態が妊娠関連状態または子宮内膜症である請求の範囲第２４項に記載の 方法。 ４３．（ｅ）患者から追加の観測結果を収集し、それらを一組の候補変数に分類 し、次いでこれらを第一の組の候補変数に追 加するステップと、 （ｆ）ステップ（ｃ）およびステップ（ｄ）を繰り返すステップとをさらに含 む請求の範囲第２４項に記載の方法。 ４４．候補変数が生化学テストデータを含む請求の範囲第３項に記載の方法。 ４５．テスト患者のグループから観測結果を収集した後、および第二の意思決定 支援ベースのシステムをトレーニングする前に、 その人の状態が既知であるか、または推測されるテスト患者の少なくとも一部 から生化学テストのテスト結果を収集し、それらを一組の候補変数に分類し、次 いでこれらを第一の組の候補変数に追加するステップと、次いで ステップ（ｃ）および（ｄ）を繰り返すステップとをさらに含む請求の範囲第 ２４項に記載の方法。 ４６．テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは１クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第４５項に記載の方法。 ４７．テストが、疾病、障害、または他の医学的状態の存在、 不在または重さまたは１クルーの治療法を評価するか、または選択された治療か ら得られた結果を決定するのを助ける請求の範囲第４５項に記載の方法。 ４８.意思決定支援システムがニューラルネットワークを含み、かつ最後の組が ニューラルネットワークのコンセンサスを構成する請求の範囲第４５項に記載の 方法。 ４９．関連する変数の第一のサブセットが、意思決定支援ベースのシステムまた はそのコンセンサス上で実施される感度分析を使用して識別される請求の範囲第 ４５項に記載の方法。 ５０．第一の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第４５項に記載の方法。 ５１．第二の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第４５項に記載の方法。 ５２．選択された重要な変数のサブセットを選択するステップが、 （ｉ）第一の組のｎ個の候補変数および最初は空である第二の組の選択された 重要な変数を与えるステップと、 （ｉｉ）候補変数を一度に一つずつ取り、選択された重要な変数の現在の組に 結合された変数に基づいて意思決定支援シス テムをトレーニングすることによって各変数を評価するステップと、 （ｉｉｉ）候補変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性 能と比較して性能を改善する場合、それを選択された重要な変数の組に追加し、 それを候補組から除去し、ステップ（ｉｉ）での評価を継続し、最もよい候補変 数が性能を改善しない場合、プロセスを終了するステップとを含む請求の範囲第 ４５項に記載の方法。 ５３．選択された重要な変数のサブセットを選択するステップが、 （ｉ）第一の組のｎ個の候補変数および最初空である第二の組の選択された重 要な変数を与えるステップと、 （ｉｉ）すべての候補変数を任意に、または順序立てて順位付けするステップ と、 （ｉｉｉ）最も大きいｍ個の順位付けされた変数を一度に一つずつとり（ｍは １からｎまで）、選択された重要な変数の現在の組と結合された変数に基づいて 意思決定支援システムをトレーニングすることによって各変数を評価するステッ プと、 （ｉｖ）ｍ個の変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ（ｉｉｉ）での評価を継続し、変数が選択され た重要な変数の性能と比較して性能を改善しない場合、ステップ（ｖ）での評価 を継続するステップと、 （ｖ）候補組上のすべての変数が評価されているかどうかを決定し、それらが 評価されている場合、プロセスが終了し、選択された重要な変数の組が完成した 組になり、それ以外の場合、引き続き次に最も大きいｍ個の順位付けされた変数 を一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に基 づいて意思決定支援システムをトレーニングし、ステップ（ｉｖ）を実施するこ とによって各変数を評価するステップとを含む請求の範囲第４５項に記載の方法 。 ５４．候補変数が生化学テストデータを含む請求の範囲第５３項に記載の方法。 ５５．順位付けが、感度分析または他の意思決定支援システムベースの分析を含 む分析に基づく請求の範囲第５３項に記載の 方法。 ５６．順位付けが、統計分析を含むプロセスに基づく請求の範囲第５３項に記載 の方法。 ５７．順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第５３項に記載の方法。 ５８．順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第５４項 に記載の方法。 ５９．感度分析が、 （ｉ）観測データセット中の各変数ごとに平均観測値を決定するステップと、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正された出力との差を二乗し、それ を合計として累積するステップであって各変数ごとの合計は各変数ごとに選択さ れた変数合計に指定されるステップと、 （ｖ）例中の各変数ごとにステップ（ｉｉｉ）およびステップ（ｉｖ）を繰り 返すステップと、 （ｖｉ）データセット中の各例ごとにステップ（ｉｉ）〜（ｖ）を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第５４項に記載の 方法。 ６０．感度分析が、 （ｉ）観測データセット中の各変数ごとに平均観測値を決定するステップと、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正された出力との差を二乗し、それ を合計として累積するステップであって各変数ごとの合計は各変数ごとに選択さ れた変数合計に指定されるステップと、 （ｖ）例中の各変数ごとにステップ（ｉｉｉ）およびステップ（ｉｖ）を繰り 返すステップと、 （ｖｉ）データセット中の各例ごとにステップ（ｉｉ）〜（ｖ）を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第５９項に記載の 方法。 ６１．（ｖｉ）意思決定支援システム出力の決定に対するそれらの相対的寄与に 従って変数を順位付けするステップをさらに含む請求の範囲第６０項に記載の方 法。 ６２．第二の意思決定支援システムをトレーニングするステップが、医学的状態 を示す性能推定値を与えるためにトレーニング後に第二の意思決定支援システム を介して観測データの前に使用されていない組を実行する確認ステップを含み、 観測データの前に使用されていない組がその人の医学的状態が既知である患者か ら収集される請求の範囲第４５項に記載の方法。 ６３．第二の意思決定支援システムをトレーニングするステップが、観測データ セットを、少なくとも一つのテストデータ区 分と複数のトレーニングデータ区分とを含む複数の区分に分割するステップを含 み、第二の意思決定支援システムが複数のトレーニングデータ区分を使用して実 行され、テストデータ区分が、トレーニングデータ区分が実行された後で第二の 意思決定支援システム用の最後の性能推定値を与えるために使用される請求の範 囲第４５項に記載の方法。 ６４．第二の意思決定支援システムが、それぞれ開始重みの唯一の組を有し、か つ性能レーティング値を有する複数のニューラルネットワークを含む請求の範囲 第６３項に記載の方法。 ６５．最後の性能推知値か複数のニューラルネットワークの性能レーティング値 を平均化することによって生成される請求の範囲第６４項に記載の方法。 ６６．観測値が患者病歴データ結果および／または生化学テスト結果から得られ る請求の範囲第４５項に記載の方法。 ６７．状態が妊娠関連状態または子宮内膜症である請求の範囲第４５項に記載の 方法。 ６８．（ｅ）患者から追加の観測結果を収集し、それらを一組の候補変数に分類 し、次いでこれらを第一の組の候補変数に追加するステップと、 （ｆ）ステップ（ｃ）およびステップ（ｄ）を繰り返すステップとをさらに含 む請求の範囲第４５項に記載の方法。 ６９．テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは１クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第２４項に記載の方法。 ７０．テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは１クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第２４項に記載の方法。 ７１．選択された重要な変数の最後のサブセットで終わる１つ又は複数の生化学 テストデータ変数を識別し、それにより識別された１つ又は複数の生化学テスト データ変数が疾病、障害または状態のインジケータとして役立つステップをさら に含む請求の範囲第４５項に記載の方法。 ７２．テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは１クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第７１項に記載の方法。 ７３．テストが、疾病、障害、または他の医学的状態の存在、不在または重さま たは１クルーの治療法を評価するか、または選択された治療から得られた結果を 決定するのを助ける請求の範囲第７１項に記載の方法。 ７４.意思決定支援システムがニューラルネットワークを含み、かつ最後の組が ニューラルネットワークのコンセンサスを構成する請求の範囲第７１項に記載の 方法。 ７５．関連する変数の第一のサブセットが、意思決定支援ベースのシステムまた はそのコンセンサス上で実施される感度分析を使用して識別される請求の範囲第 ７１項に記載の方法。 ７６．第一の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第７１項に記載の方法。 ７７．第二の意思決定支援システムが少なくとも一つのニューラルネットワーク を含む請求の範囲第７１項に記載の方法。 ７８．選択された重要な変数のサブセットを選択するステップが、 （ｉ）第一の組のｎ個の候補変数および最初空である第二の組の選択された重 要な変数を与えるステップと、 （ｉｉ）候補変数を一度に一つずつ取り、選択された重要な 変数の現在の組に結合された変数に基づいて意思決定支援システムをトレーニン グすることによって各変数を評価するステップと、 （ｉｉｉ）候補変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい候補変数が選択された重要な変数の性 能と比較して性能を改善する場合、それを選択された重要な変数の組に追加し、 それを候補の組から除去し、ステップ（ｉｉ）での評価を継続し、最もよい候補 変数が性能を改善しない場合、プロセスを終了するステップとを含む請求の範囲 第７１項に記載の方法。 ７９．選択された重要な変数のサブセットを選択するステップが、 （ｉ）第一の組のｎ個の候補変数および最初は空である第二の組の選択された 重要な変数を与えるステップと、 （ｉｉ）すべての候補変数を任意に、または順序立てて順位付けするステップ と、 （ｉｉｉ）最も大きいｍ個の順位付けされた変数を一度に一つずつとり（ｍは １からｎまで）、選択された重要な変数の現在の組と結合された変数に基づいて 意思決定支援システムをト レーニングすることによって各変数を評価するステップと、 （ｉｖ）ｍ個の変数のうち、意思決定支援システムの最も高い性能を与える変 数である最もよい変数を選択し、最もよい変数が選択された重要な変数の性能と 比較して性能を改善する場合、それを選択された重要な変数の組に追加し、それ を候補の組から除去し、ステップ（ｉｉｉ）での評価を継続し、変数が選択され た重要な変数の性能と比較して性能を改善しない場合、ステップ（ｖ）での評価 を継続するステップと、 （ｖ）候補の組のすべての変数が評価されているかどうかを決定し、それらが 評価されている場合、プロセスが終了し、選択された重要な変数の組が完成した 組になり、それ以外の場合、引き続き次に最も大きいｍ個の順位付けされた変数 を一度に一つずつとり、重要な選択された変数の現在の組と結合された変数に基 づいて意思決定支援システムをトレーニングし、ステップ（ｉｖ）を実施するこ とによって各変数を評価するステップとを含む請求の範囲第７１項に記載の方法 。 ８０．候補変数が生化学テストデータを含む請求の範囲第７９項に記載の方法。 ８１．順位付けが、感度分析または他の意思決定支援システム ベースの分析を含む分析に基づく請求の範囲第７９項に記載の方法。 ８２．順位付けが、統計分析を含むプロセスに基づく請求の範囲第７９項に記載 の方法。 ８３．順位付けが、カイ二乗、回帰分析または判別分析を含むプロセスに基づく 請求の範囲第７９項に記載の方法。 ８４．順位付けが、エキスパート、ルールベースのシステム、感度分析またはそ の組合せによる評価を使用するプロセスによって決定される請求の範囲第７９項 に記載の方法。 ８５．感度分析が、 （ｉ）観測データセット中の各変数ごとに平均観測値を決定するステップと、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 （ｖ）例中の各変数ごとにステップ（ｉｉｉ）およびステップ（ｉｖ）を繰り 返すステップと、 （ｖｉ）データセット中の各例ごとにステップ（ｉｉ）〜（ｖ）を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第８０項に記載の 方法。 ８６．感度分析が、 （ｉ）観測データセット中の各変数ごとに平均観測値を決定するステップと、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介して例を実行し て、通常の出力として指定され、記憶される出力値を発生するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一の変数を選択し、観測値を第一 の変数の平均観測値と交換し、修正された例を意思決定支援システム中で順方向 モードで実行し、出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正された出力との差を二乗し、それを合計として累積 するステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指 定されるステップと、 （ｖ）例中の各変数ごとにステップ（ｉｉｉ）およびステップ（ｉｖ）を繰り 返すステップ、 （ｖｉ）データセット中の各例ごとにステップ（ｉｉ）〜（ｖ）を繰り返すス テップであって選択された変数の各合計は、意思決定支援システム出力の決定に 対する各変数の相対的寄与を表すステップとを含む請求の範囲第８５項に記載の 方法。 ８７．（ｖｉ）意思決定支援システム出力の決定に対するそれらの相対的寄与に 従って変数を順位付けするステップをさらに含む請求の範囲第８６項に記載の方 法。 ８８．第二意思決定支援システムをトレーニングするステップが、以前に未使用 の観測データのセットを、トレーニング後に第二意思決定支援システムを介して 実行して、医学的状態の指標についての性能推定を提供する妥当性検査ステップ を含み、以前に未使用の観測データのセットが、その医学的状態が知られている 患者から収集される、請求の範囲第７１項に記載の方法。 ８９．第二意思決定支援システムをトレーニングするステップが、観測データセ ットを、少なくとも一つのテスト用データ区分および複数のトレーニング用デー タ区分を含む複数の区分に分割するステップを含み、第二意思決定支援システム が複数のトレーニング用データ区分を使用して実行され、テスト用データ区分が 、トレーニング用データ区分が実行された後で第二意思決定支援システムについ ての最終的な性能推定値を提供するために使用される、請求の範囲第７１項に記 載の方法。 ９０．第二意思決定支援システムが、固有の開始重みのセットおよび性能レーテ ィング値をそれぞれ有する複数のニューラルネットワークを含む、請求の範囲第 ８９項に記載の方法。 ９１．最終的な性能推定値が、複数のニューラルネットワークについての性能レ ーティング値を平均することによって生成される、請求の範囲第９０項に記載の 方法。 ９２．患者病歴データの結果および／または生化学テスト結果から観測値が得ら れる、請求の範囲第７１項に記載の方法。 ９３．状態が、妊娠に関係する状態または子宮内膜症である、請求の範囲第７１ 項に記載の方法。 ９４．（ｅ）追加の観測結果を患者から収集し、それらを、そ の後で第一セットの候補変数に追加する候補変数のセットに分類するステップと 、 （ｆ）ステップ（ｃ）および（ｄ）を繰り返すステップとをさらに含む、請求 の範囲第７１項に記載の方法。 ９５．一つまたは複数の識別した生化学テストデータ変数についての診断生化学 テストを開発するステップをさらに含む、請求の範囲第７１項に記載の方法。 ９６．請求の範囲第７１項の方法を実行するステップと、 選択された重要な変数である生化学データ変数を識別するステップと、 そこから変数が得られる生化学データまたは疾病マーカを検出するテストを開 発するステップとを含む、新しい生化学テストを開発する、または新しい疾病マ ーカを識別する方法。 ９７．コンピュータシステムにおいて、 （ａ）医学的状態が知られている一群の被験患者から観測結果を収集するステ ップと、 （ｂ）観測値を有する候補変数のセットに観測結果を分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するス テップと、 （ｃ）コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数のサ ブセットを候補変数のセットから選択するステップと、 （ｄ）選択された重要な変数のサブセットに対応する観測データを使用して、 第二意思決定支援システムをトレーニングするステップと、 （ｅ）分析下の診断テストの結果を収集する、あるいは同じグループの被験患 者から治療後または治療中に観測結果を収集するステップと、 （ｆ）観測値を有する候補変数の第二セットに観測結果を分類し、それらをス テップ（ｂ）からの観測結果と組合せ、観測値を観測データセットとしてコンピ ュータ中に記憶するステップとするステップと、 （ｇ）コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数の第 二サブセットを選択するステップと、 （ｈ）ステップ（ｇ）からの選択された重要な変数のサブセットに対応する観 測データを使用して、第三意思決定支援システムをトレーニングするステップと 、 （ｉ）第二および第三システムの性能を比較し、それにより、医学的状態の有 無または重さの診断を補助する、あるいは治療単位の有効性または疾病、障害、 もしくは状態の治療における特定の治療方法の有効性を評価するための診断テス トの有効性の評価を識別するステップと を含む、医学的状態の有無または重さの診断を補助する、あるいは治療単位また は患者の特定の治療の有効性を評価するために、診断テストの有効性を分析する 方法。 ９８．診断の補助における診断テストの有効性を評価する、請求の範囲第９７項 に記載の方法。 ９９．疾病、障害、またはその他の医学的状態の有無、重さ、または治療単位を 評価する、あるいは選択された治療方法から得られた結果の判定を補助する、請 求の範囲第９７項に記載の方法。 １００．意思決定支援システムがニューラルネットワークを含み、最後のセット がニューラルネットワークのコンセンサスを 構成する、請求の範囲第９７項に記載の方法。 １０１．関連変数の第一サブセットが、意思決定支援ベースシステムまたはその コンセンサス上で実施される感度分析を使用して識別される、請求の範囲第９７ 項に記載の方法。 １０２．第一意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第９７項に記載の方法。 １０３．第二意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第９７項に記載の方法。 １０４．第三意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第９７項に記載の方法。 １０５．選択された重要な変数のサブセットを選択するステップが、 （ｉ）ｎ個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 （ｉｉ）一度に一つの候補変数をとり、それぞれを、選択された重要な変数の 現在のセットと組み合わされた変数について意思決定支援システムをトレーニン グすることによって評価するステップと、 （ｉｉｉ）意思決定支援システムの最高の性能を与える最良 の候補変数を選択し、最良の候補変数が、選択された重要な変数の性能と比較し て性能を向上させる場合には、選択された重要な変数のセットにこれを追加し、 候補セットからこれを除去し、ステップ（ｉｉ）の評価を継続し、最良の候補変 数が性能を向上させない場合には、プロセスを完了するステップと を含む、請求の範囲第９７項に記載の方法。 １０６．選択された重要な変数のサブセットを選択するステップが、 （ｉ）ｎ個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 （ｉｉ）全ての候補変数を、任意にまたは順序付けて順位付けするステップと 、 （ｉｉｉ）ｍを１からｎとして上からｍ番目までに順位付けされた候補変数を 一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組み合わ された変数について意思決定支援システムをトレーニングすることによって評価 するステップと、 （ｉｖ）意思決定支援システムの最高の性能を与える最良のｍ個の候補変数を 選択し、最良の候補変数が、選択された重要 な変数の性能と比較して性能を向上させる場合には、選択された重要な変数のセ ットにこれを追加し、候補セットからこれを除去し、ステップ（ｉｉｉ）の評価 を継続し、変数が、選択された重要な変数の性能と比較して性能を向上させない 場合には、ステップ（ｖ）で評価を継続するステップと、 （ｖ）候補セット上の全ての変数が評価されたかどうかを判定し、それらが評 価されている場合には、プロセスを完了し、選択された重要な変数のセットが完 了セットとなり、そうでない場合には、次の上からｍ番目までに順位付けされた 変数を一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組 み合わされた変数について意思決定支援システムをトレーニングすることによっ て評価し、ステップ（ｉｖ）を実施することにより継続するステップと を含む、請求の範囲第９７項に記載の方法。 １０７．順位付けが、感度分析またはその他の意思決定支援システムベースの分 析を含む分析に基づいている、請求の範囲第１０６項に記載の方法。 １０８．順位付けが、統計分析を含むプロセスに基づいている、請求の範囲第１ ０６項に記載の方法。 １０９．順位付けが、カイ二乗、回帰分析、または判別分析を含むプロセスに基 づいている、請求の範囲第１０６項に記載の方法。 １１０．順位付けが、エキスパート、ルールベースのシステム、感度分析または その組合せによる評価を使用するプロセスによって決定される、請求の範囲第１ ０７項に記載の方法。 １１１．感度分析が、 （ｉ）観測データセット中の各変数について平均観測値を決定するステップと 、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 （ｉｉｉ）選択されたトレーニング例中の第一変数を選択し、観測値を第一変 数の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モード で実行し、その出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指定さ れるステップと、 （ｖ）例中の各変数についてステップ（ｉｉｉ）および（ｉｖ）を繰り返すス テップと、 （ｖｉ）データセット中の各例についてステップ（ｉｉ）〜（ｖ）を繰り返す ステップであって選択された変数の各合計は、意思決定支援システム出力の決定 に対する各変数の相対的寄与を表すステップと を含む、請求の範囲第１０７項に記載の方法。 １１２．感度分析が、 （ｉ）観測データセット中の各変数について平均観測値を決定するステップと 、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 （ｉｉｉ）選択したトレーニング例中の第一変数を選択し、観測値を第一変数 の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モードで 実行し、その出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数 ごとに選択された変数合計に指定されるステップと、 （ｖ）例中の各変数についてステップ（ｉｉｉ）および（ｉｖ）を繰り返すス テップと、 （ｖｉ）データセット中の各例についてステップ（ｉｉ）〜（ｖ）を繰り返す ステップであって選択された変数の各合計は、意思決定支援システム出力の決定 に対する各変数の相対的寄与を表すステップと を含む、請求の範囲第１１１項に記載の方法。 １１３．（ｖｉ）それらの意思決定支援システム出力の決定に対する相対的寄与 に従って変数を順位付けするステップ をさらに含む、請求の範囲第１１２項に記載の方法。 １１４．第二および／または第三意思決定支援システムをトレーニングするステ ップが、以前に未使用の観測データのセットを、トレーニング後に第二意思決定 支援システムを介して実行して、医学的状態の指標についての性能推定値を提供 する妥当性検査ステップを含み、以前に未使用の観測データのセットが、その医 学的状態が知られている患者から収集される、請求の範囲第９７項に記載の方法 。 １１５．第二および／または第三意思決定支援システムをトレ ーニングするステップが、観測データセットを、少なくとも一つのテスト用デー タ区分および複数のトレーニング用データ区分を含む複数の区分に分割するステ ップを含み、第二意思決定支援システムが複数のトレーニング用データ区分を使 用して実行され、テスト用データ区分が、トレーニング用データ区分が実行され た後で第二意思決定支援システムについての最終的な性能推定値を提供するため に使用される、請求の範囲第９７項に記載の方法。 １１６．各意思決定支援システムが、固有の開始重みのセットおよび性能レーテ ィング値をそれぞれ有する複数のニューラルネットワークを含む、請求の範囲第 １１５項に記載の方法。 １１７．最終的な性能推定が、複数のニューラルネットワークについての性能レ ーティング値を平均することによって生成される、請求の範囲第１１６項に記載 の方法。 １１８．患者病歴データの結果および／または生化学テスト結果から観測値が得 られる、請求の範囲第９７項に記載の方法。 １１９．状態が、妊娠に関係する状態または子宮内膜症である、請求の範囲第９ ７項に記載の方法。 １２０．追加の観測結果を患者から収集し、それらを、その後 ステップ（ｂ）で第一セットの候補変数に追加する候補変数のセットに分類する ステップと、 （ｊ）ステップ（ｃ）〜（ｉ）を繰り返すステップとをさらに含む、請求の範 囲第９７項に記載の方法。 １２１．コンピュータシステムにおいて、 （ａ）医学的状態が知られている、または推測される一群の被験患者から生化 学テストのテスト結果を収集するステップと、 （ｂ）観測値を有する候補変数のセットに観測結果を分類し、観測値を観測デ ータセットとしてコンピュータ中に記憶するステップと、 （ｃ）コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数のサ ブセットを、候補変数を含む変数のセットから選択するステップであってこれに より選択された重要な変数のサブセットは医学的状態を実質上示す候補変数を含 むステップと、 （ｄ）生化学データに対応する選択された重要な変数のセット中で、それらの 一つまたは複数の変数を識別するステップと、 （ｅ）識別した一つまたは複数の変数に対応するデータを評 価する生化学テストを設計または選択するステップと を含む、患者の医学的状態の有無または重さの診断を補助するために、状態特異 的生化学テストを開発する方法。 １２２．意思決定支援システムがニューラルネットワークまたはそのコンセンサ スを含む、請求の範囲第１２１項に記載の方法。 １２３．テストが、疾病、障害、または他の医学的状態の有無、重さ、または１ クルーの治療法を評価する、あるいは選択した治療方法から生じる転帰の判定を 補助する、請求の範囲第１２１項に記載の方法。 １２４．テストが、疾病、障害、または他の医学的状態の有無、重さ、または１ クルーの治療法を評価する、あるいは選択した治療方法から生じる結果の判定を 補助する、請求の範囲第１２１項に記載の方法。 １２５．意思決定支援システムがニューラルネットワークを含み、最後のセット がニューラルネットワークのコンセンサスを構成する、請求の範囲第１２１項に 記載の方法。 １２６．関連変数の第一サブセットが、意思決定支援ベースシステムまたはその コンセンサス上で実施される感度分析を使用 して識別される、請求の範囲第１２１項に記載の方法。 １２７．第一意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第１２１項に記載の方法。 １２８．第二意思決定支援システムが少なくとも一つのニューラルネットワーク を含む、請求の範囲第１２１項に記載の方法。 １２９．選択された重要な変数のサブセットを選択するステップが、 （ｉ）ｎ個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 （ｉｉ）一度に一つの候補変数をとり、それぞれを、選択された重要な変数の 現在のセットと組み合わされた変数について意思決定支援システムをトレーニン グすることによって評価するステップと、 （ｉｉｉ）意思決定支援システムの最高の性能を与える最良の候補変数を選択 し、最良の候補変数が、選択された重要な変数の性能と比較して性能を向上させ る場合には、選択された重要な変数のセットにこれを追加し、候補セットからこ れを除去し、ステップ（ｉｉ）の評価を継続し、最良の候補変数が性能を向上さ せない場合には、プロセスを完了するステップと を含む、請求の範囲第１２１項に記載の方法。 １３０．選択された重要な変数のサブセットを選択するステップが、 （ｉ）ｎ個の候補変数の第一セット、および最初は空である選択された重要な 変数の第二セットを提供するステップと、 （ｉｉ）全ての候補変数を、任意にまたは順序付けて順位付けするステップと 、 （ｉｉｉ）ｍを１からｎとして上からｍ番目までに順位付けされた候補変数を 一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組み合わ された変数について意思決定支援システムをトレーニングすることによって評価 するステップと、 （ｉｖ）意思決定支援システムの最高の性能を与える最良のｍ個の候補変数を 選択し、最良の候補変数が、選択された重要な変数の性能と比較して性能を向上 させる場合には、選択された重要な変数のセットにこれを追加し、候補セットか らこれを除去し、ステップ（ｉｉｉ）の評価を継続し、変数が、選択された重要 な変数の性能と比較して性能を向上させない場合には、ステップ（ｖ）で評価を 継続するステップと、 （ｖ）候補セット上の全ての変数が評価されたかどうかを判定し、それらが評 価されている場合には、プロセスを完了し、選択された重要な変数のセットが完 了セットとなり、そうでない場合には、次の上からｍ番目までに順位付けされた 変数を一度に一つとり、それぞれを、選択された重要な変数の現在のセットと組 み合わされた変数について意思決定支援システムをトレーニングすることによっ て評価し、ステップ（ｉｖ）を実施することにより継続するステップと を含む、請求の範囲第１２１項に記載の方法。 １３１．候補変数が生化学テストデータを含む、請求の範囲第１３０項に記載の 方法。 １３２．順位付けが、感度分析またはその他の意思決定支援システムベースの分 析を含む分析に基づいている、請求の範囲第１３０項に記載の方法。 １３３．順位付けが、統計分析を含むプロセスに基づいている、請求の範囲第１ ３０項に記載の方法。 １３４．順位付けが、カイ二乗、回帰分析、または判別分析を含むプロセスに基 づいている、請求の範囲第１３０項に記載の方法。 １３５．順位付けが、エキスパート、ルールベースのシステム、感度分析または その組合せによる評価を使用するプロセスによって決定される、請求の範囲第１ ３１項に記載の方法。 １３６．感度分析が、 （ｉ）観測データセット中の各変数について平均観測値を決定するステップと 、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 （ｉｉｉ）選択したトレーニング例中の第一変数を選択し、観測値を第一変数 の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モードで 実行し、その出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指定さ れるステップと、 （ｖ）例中の各変数についてステップ（ｉｉｉ）および（ｉｖ）を繰り返すス テップと、 （ｖｉ）データセット中の各例についてステップ（ｉｉ）〜 （ｖ）を繰り返すステップであって選択された変数の各合計は、意思決定支援シ ステム出力の決定に対する各変数の相対的寄与を表すステップと を含む、請求の範囲第１３１項に記載の方法。 １３７．感度分析が、 （ｉ）観測データセット中の各変数について平均観測値を決定するステップと 、 （ｉｉ）トレーニング例を選択し、意思決定支援システムを介してこの例を実 行して、通常の出力として指定され、記憶される出力値を生成するステップと、 （ｉｉｉ）選択したトレーニング例中の第一変数を選択し、観測値を第一変数 の平均観測値で置換し、修正した例を意思決定支援システム中で順方向モードで 実行し、その出力を修正された出力として記録するステップと、 （ｉｖ）通常の出力と修正した出力の差を二乗し、これを合計として累積する ステップであって各変数ごとの合計は各変数ごとに選択された変数合計に指定さ れるステップと、 （ｖ）例中の各変数についてステップ（ｉｉｉ）および（ｉｖ）を繰り返すス テップと、 （ｖｉ）データセット中の各例についてステップ（ｉｉ）〜（ｖ）を繰り返す ステップであって選択された変数の各合計は、意思決定支援システム出力の決定 に対する各変数の相対的寄与を表すステップと を含む、請求の範囲第１３６項に記載の方法。 １３８．（ｖｉ）それらの意思決定支援システム出力の決定に対する相対的寄与 に従って変数を順位付けするステップ をさらに含む、請求の範囲第１３７項に記載の方法。 １３９．第二意思決定支援システムをトレーニングするステップが、以前に未使 用の観測データのセットを、トレーニング後に第二意思決定支援システムを介し て実行して、医学的状態の指標についての性能推定値を提供する妥当性検査ステ ップを含み、以前に未使用の観測データのセットが、その医学的状態が知られて いる患者から収集される、請求の範囲第１２１項に記載の方法。 １４０．第二意思決定支援システムをトレーニングするステップが、観測データ セットを、少なくとも一つのテスト用データ区分および複数のトレーニング用デ ータ区分を含む複数の区分に分割するステップを含み、第二意思決定支援システ ムが複数 のトレーニング用データ区分を使用して実行され、テスト用データ区分が、トレ ーニング用データ区分が実行された後で第二意思決定支援システムについての最 終的な性能推定値を提供するために使用される、請求の範囲第１２１項に記載の 方法。 １４１．第二意思決定支援システムが、固有の開始重みのセットおよび性能レー ティング値をそれぞれ有する複数のニューラルネットワークを含む、請求の範囲 第１４０項に記載の方法。 １４２．最終的な性能推定値が、複数のニューラルネットワークについての性能 レーティング値を平均することによって生成される、請求の範囲第１４１項に記 載の方法。 １４３．患者病歴データの結果および／または生化学テスト結果から観測値が得 られる、請求の範囲第１２１項に記載の方法。 １４４．状態が、妊娠に関係する状態または子宮内膜症である、請求の範囲第１ ２１項に記載の方法。 １４５．（ｅ）追加の観測結果を患者から収集し、それらを、その後で第一セッ トの候補変数に追加する候補変数のセットに分類するステップと、 （ｆ）ステップ（ｃ）および（ｄ）を繰り返すステップとをさらに含む、請求 の範囲第１２１項に記載の方法。 １４６．子宮内膜症を診断するようにトレーニングされた意思決定支援システム を使用して、以下の変数、 ０１．１０．Ｅｎｄｏの過去の病歴 ０２．６．出産回数 ０３．１４．月経困難症 ０４．１．年齢（ｐｒｅｐｒｏｃ） ０５．１３．骨盤痛 ０６．１１．骨盤手術歴 ０７．４．喫煙（箱／日） ０８．１２．薬物治療歴 ０９．５．妊娠回数 １０．７．流産回数 １１．９．異常ＰＡＰスミア／形成異常症 １２．３．妊娠高血圧症 １３．８．生殖器いぼ １４．２．糖尿病 のうち少なくとも三つを含むサブセットを評価するステップを含む、子宮内膜症 を診断する方法。 １４７．これらの変数の選択したサブセットが、以下の（ａ） から（ｍ）に示す三つの変数の組合せのセット ａ）出産回数、子宮内膜症歴、骨盤手術歴 ｂ）糖尿病、妊娠高血圧症、喫煙 ｃ）妊娠高血圧症、異常ｐａｐスミア／形成異常症、子宮内膜症歴 ｄ）年齢、喫煙、子宮内膜症歴 ｅ）喫煙、子宮内膜症歴、月経困難症 ｆ）年齢、糖尿病、子宮内膜症歴 ｇ）妊娠高血圧症、出産回数、子宮内膜症歴 ｈ）喫煙、出産回数、子宮内膜症歴 ｉ）妊娠高血圧症、子宮内膜症歴、骨盤手術歴 ｊ）妊娠回数、子宮内膜症歴、骨盤手術歴 ｋ）出産回数、異常ＰＡＰスミア／形成異常症、子宮内膜症歴 ｌ）出産回数、異常ＰＡＰスミア／形成異常症、月経困難症 ｍ）子宮内膜症歴、骨盤手術歴、月経困難症、及び ｎ）妊娠回数、子宮内膜症歴、月経困難症 を一つまたは複数含む、請求の範囲第１４６項に記載の方法。 １４８．意思決定支援システムがニューラルネットワークであ り、 （ｃ）コンピュータシステム中にプログラムされた第一意思決定支援システム を使用して観測データセットを分類することにより、選択された重要な変数のサ ブセットを、候補変数のセットから選択するステップであってこれにより選択さ れた重要な変数のサブセットは医学的状態を実質上示す候補変数を含むステップ と、 （ｄ）選択した重要な変数のサブセットに対応する観測データを使用して第二 意思決定支援システムをトレーニングするステップであってこれにより第二意思 決定支援システムベースのシステムは、状態、疾病、または障害のための意思決 定支援ベースの診断テストを構成するステップと を含む、請求の範囲第１４７項に記載の方法。 １４９．障害が子宮内膜症であり、候補変数が、 （ｉ）過去の子宮内膜症歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術 歴、一日あたりの喫煙量、薬物治療歴、妊娠回数、流産回数、異常ＰＡＰ／形成 異常症、妊娠高血圧症、生殖器いぼ、および糖尿病、または （ｉｉ）年齢、経産回数、妊娠、流産回数、一日あたりの喫 煙量、過去の子宮内膜症歴、月経困難症、骨盤痛、異常ＰＡＰ、骨盤手術歴、薬 物治療歴、妊娠高血圧症、生殖器いぼ、および糖尿病 から選択した少なくとも四つの変数を含む、請求の範囲第２４項に記載の方法。 １５０．意思決定支援システムがニューラルネットワークまたはニューラルネッ トワークのコンセンサスを含む、請求の範囲第１４９項に記載の方法。 １５１．少なくとも五つの変数が選択される、請求の範囲第１４９項に記載の方 法。 １５２．コンピュータシステムにおいて、患者の子宮内膜症の有無または重さの 診断を補助する方法であって、 （ａ）（ｉ）過去の子宮内膜症歴、出産回数、月経困難症、年齢、骨盤痛、骨 盤手術歴、一日あたりの喫煙量、薬物治療歴、妊娠回数、流産回数、異常ＰＡＰ ／形成異常症、妊娠高血圧症、生殖器いぼ、および糖尿病、または （ｉｉ）年齢、経産回数、妊娠回数、流産回数、一日あたりの喫煙量、過去の 子宮内膜症歴、月経困難症、骨盤痛、異常ＰＡＰ、骨盤手術歴、薬物治療歴、妊 娠高血圧症、生殖器いぼ、 および糖尿病 から選択された少なくとも四つのファクタを含む特定の臨床データファクタの有 無を反映する観測値を収集し、観測した臨床データファクタをコンピュータシス テムの記憶手段に記憶するステップと、 （ｂ）観測値を、メモリ手段から特定のファクタのサンプルについてトレーニ ングした第一意思決定支援システムに適用するステップと、その後、 （ｃ）子宮内膜症の診断のための意思決定プロセスを改善するための定量的で 客観的な補助手段である出力値を、第一意思決定支援システムから抽出するステ ップとを含む方法。 １５３．意思決定支援システムがニューラルネットワークを含む、請求の範囲第 １５２項に記載の方法。 １５４．少なくとも五つのファクタが選択される、請求の範囲第１５２項に記載 の方法。 １５５．ｂ１）観測値を、前記メモリ手段からトレーニングごとに異なる開始重 みを有する特定のファクタのサンプルについてそれぞれトレーニングした複数の 第一意思決定支援システム に適用するステップと、 ｃ１）前記第一ニューラルネットワークのそれぞれについての出力値対を、第 一意思決定支援システムから抽出するステップと ｄ）前記出力値対の前記第一対の一次結合を形成し、前記出力値対の前記第二 対の一次結合を形成し、前記の定量的で客観的な補助手段である信頼性インデッ クス対を得るステップとをさらに含む、請求の範囲第１５２項に記載の方法。 １５６．第一意思決定支援システムが、入力層、隠れた層、および出力層を含む 三層ネットワークを含むニューラルネットワークであり、入力層が１４個の入力 ノードと、第一および第二の隠れた層のノードと、隠れた層の各ノードに対する 隠れた層のバイアスと、出力層中の第一および第二出力層ノードと、各出力層ノ ードに対する出力層バイアスとを有する、請求の範囲第１５５項に記載の方法。 １５７．第一の意思決定支援システムがニューラルネットワークであり、複数の 第一のトレーニングされたニューラルネットワークの各々が、入力層、隠れた層 および出力層を含んでいる三層ネットワークを含んでいる請求の範囲第１５５項 に記載の 方法。 １５８．第一の意思決定支援システムがニューラルネットワークであり、各々が 入力層、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入 力層が十四の入力ノード、第一および第二の隠れた層のノードおよび各隠れた層 のノードに対する隠れた層のバイアスおよび出力層における第一および第二の出 力層ノードおよび各出力層ノードに対する出力層バイアスを有しており、 ０．バイアス １．年齢 ２．糖尿病 ３．妊娠高血圧症 ４．喫煙（箱／日） ５．妊娠回数 ６．出産回数 ７．流産回数 ８．生殖器いぼ ９．異常ＰＡＰ／形成異常症 １０．子宮内膜症歴 １１．骨盤手術歴 １２．薬物治療歴 １３．骨盤痛 １４．月経困難症 という識別の順序で重みが八つの第一のニューラルネットワークの各々について 、 第一のニューラルネットワークＡ 第一の隠れた層のノードにおける要素を処理するには： 0.15 -1.19 -0.76 3.01 1.81 1.87 3.56 -0.48 1.33 -1.96 -4.45 1.36 -1.61 -1.97 -0.91 第二の隠れた層のノードにおける要素を処理するには： 0.77 2.25 -2.30 -1.48 -0.85 0.27 -1.70 -0.47 0.84 -6.19 0.50 -0.95 0.40 2.38 1.86 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： -0.12 -0.44 0.66 第二の出力層のノードにおける要素を処理するには： 0.12 0.44 -0.65 第一のニューラルネットワークＢ 第一の隠れた層のノードにおける要素を処理するには： -0.16 -3.30 0.85 1.00 0.99 -0.81 1.57 -1.40 0.46 1.16 -0.80 -0.01 -1.19 -1.10 -2.29 第二の隠れた層のノードにおける要素を処理するには： -1.62 0.79 0.45 2.14 3.82 3.93 3.96 2.27 -0.54 1.51 -4.76 2.83 0.74 -0.43 -0.17 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.70 -0.69 -0.65 第二の出力層のノードにおける要素を処理するには： -0.70 0.69 0.65 第一のニューラルネットワークＣ 第一の隠れた層のノードにおける要素を処理するには： 0.94 1.43 0.29 1.17 2.11 -1.16 1.033 -0.68 -0.88 0.31 -1.74 1.62 -1.49 -1.05 -0.41 第二の隠れた層のノードにおける要素を処理するには： 0.77 3.31 -1.48 -0.83 0.60 -2.09 -1.39 -0.40 -0.19 -0.89 1.36 0.59 -1.11 0.26 1.04 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.10 -0.09 0.87 第二の出力層のノードにおける要素を処理するには： -0.10 0.90 -0.87 第一のニューラルネットワークＤ 第一の隠れた層のノードにおける要素を処理するには： 1.08 1.27 -0.89 -1.00 -1.74 -0.40 -1.38 1.26 1.06 0.66 0.71 -0.57 0.67 1.89 -0.90 第二の隠れた層のノードにおける要素を処理するには： -0.03 -0.58 -0.46 -0.94 0.73 0.10 0.55 -0.79 -0.098 -1.36 1.01 0.00 -0.38 -0.49 1.57 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： -1.43 1.39 1.28 第二の出力層のノードにおける要素を処理するには： 1.30 -1.28 -1.17 第一のニューラルネットワークＥ 第一の隠れた層のノードにおける要素を処理するには： 0.14 -2.12 8.36 1.02 1.79 0.31 2.87 0.84 -1.24 -1.75 -2.98 1.72 -1.22 -2.47 -1.14 第二の隠れた層のノードにおける要素を処理するには： -3.93 -1.07 1.16 1.39 1.01 -1.08 2.33 0.76 -0.51 -0.31 -1.92 0.59 0.06 -0.76 -1.44 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.46 -0.52 -0.80 第二の出力層のノードにおける要素を処理するには： -0.46 0.51 0.82 第一のニューラルネットワークＦ 第一の隠れた層のノードにおける要素を処理するには： -1.19 -2.93 1.19 6.85 1.08 0.66 1.65 -0.28 -1.63 -1.15 -0.79 0.43 -0.13 -3.10 -2.27 第二の隠れた層のノードにおける要素を処理するには： 0.82 0.19 0.72 0.83 0.59 0.07 1.06 0.51 1.04 1.47 -1.97 0.97 -0.91 -0.15 0.09 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.68 -0.67 -0.58 第二の出力層のノードにおける要素を処理するには： -0.68 0.67 0.58 第一のニューラルネットワークＧ 第一の隠れた層のノードにおける要素を処理するには： -1.18 -2.55 0.48 -1.40 1.11 -0.28 2.33 0.33 -1.92 0.99 -1.41 0.68 -0.28 -1.65 -0.79 第二の隠れた層のノードにおける要素を処理するには： 1.07 1.11 0.52 1.41 0.55 -0.48 -0.23 0.44 -1.23 0.77 -2.96 1.39 -0.28 -0.64 -2.38 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.69 -0.70 -0.50 第二の出力層のノードにおける要素を処理するには： -0.69 0.70 0.50 第一のニューラルネットワークＨ 第一の隠れた層のノードにおける要素を処理するには： 15.74 -0.76 -0.91 -1.13 -0.75 -0.66 -0.83 1.03 0.75 -0.48 -0.47 2.01 -0.02 0.25 1.11 第二の隠れた層のノードにおける要素を処理するには： -2.48 -2.49 0.99 1.97 2.41 1.51 1.01 -0.26 -0.76 2.00 -5.03 1.77 -0.77 -2.29 -2.01 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.02 0.41 -0.84 第二の出力層のノードにおける要素を処理するには： -0.75 0.34 0.85 のようになっている請求の範囲第１５５項に記載の方法。 １５９．第一のニューラルネットワークの各々に対する正規化された観察値が識 別の順序で -0.00 1.00 0.01 0.08 0.01 0.09 0.16 0.37 1.09 1.39 0.55 0.94 0.54 0.93 0.01 0.10 0.03 0.17 0.23 0.42 0.65 0.48 0.39 0.49 0.19 0.39 0.72 0.45 の平均および標準を有している請求の範囲第１５８項に記載の方法。 １６０．患者における子宮内膜症の有無または重さの診断を補助する、コンピュ ータシステムにおける方法において、 （ａ）指定されたファクタの有無を反映する観察値を収集し、観察ファクタを コンピュータシステムの記憶手段に記憶するステップであって、指定されたファ クタが過去の病歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術歴、一日の 喫煙量、薬物治療歴、妊娠回数、流産回数、異常ＰＡＰ／形成異常症、妊娠高血 圧症、生殖器いぼ、および糖尿病を含んでいるステップと、 （ｂ）子宮内膜症に関する生化学テストについて患者から結果を取得し、メモ リ手段に記憶するステップと、 （ｃ）メモリ手段からの観察値および関連する生化学テスト結果を、指定され たファクタおよびテスト結果のサンプルについてトレーニングされた第二のニュ ーラルネットワークに適用するステップと、 （ｄ）第二のトレーニングされたニューラルネットワークから、子宮内膜症の 診断の暫定的な指標である出力値対を抽出するステップと を備えている方法。 １６１．（ｃ１）メモリ手段からの観察値および関連する生化学テスト結果を複 数の第二のニューラルネットワークに適用するステップであって、第一のニュー ラルネットワークの各々が指定されたファクタのサンプルについてトレーニング されており、各トレーニングの開始重みがランダムに初期化されるステップと、 （ｄ１）第一のトレーニングされたニューラルネットワークの各々から、第一 のニューラルネットワークの各々に対する出力値対を抽出するステップと、 （ｅ）出力値対の第一のものの線形の組合せを形成し、出力値対の第二のもの の線形の組合せを形成して、子宮内膜症の診断に関する最終的な指標である信頼 度インデックス対を得るステップと をさらに含んでいる請求の範囲第１６０項に記載の方法。 １６２．第一のトレーニングされたニューラルネットワークが入力層、隠れた層 および出力層を含んでいる三層ネットワークを含んでおり、入力層が十四の入力 ノード、第一および第二の隠れた層のノード、各隠れた層のノードに対する隠れ た層のバイアス、出力層の第一および第二の出力層ノード、および各出力層ノー ドに対する出力層バイアスを有している請求の範囲第１６０項に記載の方法。 １６３．複数の第二のトレーニングされたニューラルネットワークの各々が入力 層、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入力層 が十四の入力ノード、第一および第二の隠れた層のノードおよび各隠れた層のノ ードに対する隠れた層のバイアスおよび出力層における第一および第二の出力層 ノードおよび各出力層ノードに対する出力層バイアスを有しており、 重みが ０．バイアス １．年齢 ２．糖尿病 ３．妊娠高血圧症 ４．喫煙（箱／日） ５．妊娠回数 ６．出産回数 ７．流産回数 ８．生殖器いぼ ９．異常ＰＡＰ／形成異常症 １０．子宮内膜症歴 １１．骨盤手術歴 １２．薬物治療歴 １３．骨盤痛 １４．月経困難症 １５．生化学テスト結果 という識別の順序である 請求の範囲第１６１項に記載の方法。 １６４．患者における子宮内膜症の有無または重さの診断を補助する、コンピュ ータシステムにおけるニューラルネットワークシステムおいて、 複数の第一のトレーニングされたニューラルネットワークであって、各々が入 力層、隠れた層および出力層を含んでいる三層ネットワークを含んでおり、入力 層が十四の入力ノード、第一および第二の隠れた層のノード、各隠れた層のノー ドに対する隠れた層のバイアス、出力層の第一および第二の出力層ノード、およ び各出力層ノードに対する出力層バイアスを有しており、各々が子宮内膜症の診 断の暫定的な指標を生成する複数の第一のトレーニングされたニューラルネット ワークと、 臨床データファクタの観察された値の入力手段と、 過去の病歴、出産回数、月経困難症、年齢、骨盤痛、骨盤手術歴、一日の喫煙 量、薬物治療歴、妊娠回数、流産回数、異常ＰＡＰ／形成異常症、妊娠高血圧症 、生殖器いぼ、および糖尿病を含んでいる臨床データファクタの観察された値に 対するコンピュータシステムの記憶手段と、 子宮内膜症の診断に関する意思決定プロセスを強化する定量的で客観的な補助 手段であるコンセンサスを出力層ノードから 構築する手段と を備えているニューラルネットワークシステム。 １６５．メモリ手段からの観察値を複数の第一のニューラルネットワークに対し て正規化する入力正規化装置であって、第一のニューラルネットワークの各々が 指定されたファクタのサンプルについてトレーニングされており、各トレーニン グの開始重みがランダムに初期化される入力正規化装置をさらに含んでいる 請求の範囲第１６４項に記載のニューラルネットワークシステム。 １６６．コンセンサス構築装置が子宮内膜症の診断に関するコンセンサスおよび 最終的な指標である信頼度インデックス対を得るための出力値対の第一のもの、 および出力値対の第二のものの線形組合せ装置を含んでいる請求の範囲第１６４ 項に記載のニューラルネットワークシステム。 １６７．識別の順序が、 ０．バイアス １．年齢 ２．糖尿病 ３．妊娠高血圧症 ４．喫煙（箱／日） ５．妊娠回数 ６．出産回数 ７．流産回数 ８．生殖器いぼ ９．異常ＰＡＰ／形成異常症 １０．子宮内膜症歴 １１．骨盤手術歴 １２．薬物治療歴 １３．骨盤痛 １４．月経困難症 という順序で、重みが八つの第一のニューラルネットワークの各々について 第一のニューラルネットワークＡ 第一の隠れた層のノードにおける要素を処理するには： 0.15 -1.19 -0.76 3.01 1.81 1.87 3.56 -0.48 1.33 -1.96 -4.45 1.36 -1.61 -1.97 -0.91 第二の隠れた層のノードにおける要素を処理するには： 0.77 2.25 -2.30 -1.48 -0.85 0.27 -1.70 -0.47 0.84 -6.19 0.50 -0.95 0.40 2.38 1.86 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： -0.12 -0.44 0.66 第二の出力層のノードにおける要素を処理するには： 0.12 0.44 -0.65 第一のニューラルネットワークＢ 第一の隠れた層のノードにおける要素を処理するには： -0.16 -3.29 0.85 1.00 0.99 -0.81 1.57 -1.40 0.46 1.16 -0.80 -0.01 -1.19 -1.10 -2.29 第二の隠れた層のノードにおける要素を処理するには： -1.62 0.79 0.45 2.14 3.82 3.93 3.96 2.27 -0.54 1.51 -4.76 2.83 0.74 -0.43 -0.17 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.70 -0.69 -0.65 第二の出力層のノードにおける要素を処理するには： -0.70 0.69 0.65 第一のニューラルネットワークＣ 第一の隠れた層のノードにおける要素を処理するには： 0.94 1.43 0.29 1.17 2.11 -1.16 1.03 -0.68 -0.88 0.31 -1.74 1.62 -1.49 -1.05 -0.41 第二の隠れた層のノードにおける要素を処理するには： 0.77 3.31 -1.48 -0.83 0.60 -2.09 -1.39 -0.40 -0.19 -0.89 1.36 0.59 -1.11 0.26 1.04 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.10 -0.90 0.87 第二の出力層のノードにおける要素を処理するには： -0.10 0.90 -0.87 第一のニューラルネットワークＤ 第一の隠れた層のノードにおける要素を処理するには： 1.08 1.27 -0.89 -1.00 -1.74 -0.40 -1.38 1.26 1.06 0.66 0.71 -0.57 0.67 1.89 -0.90 第二の隠れた層のノードにおける要素を処理するには： -0.03 -0.58 -0.46 -0.94 0.73 0.10 0.55 -0.79 -0.10 -1.36 1.01 0.00 -0.38 -0.49 1.57 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： -1.43 1.39 1.28 第二の出力層のノードにおける要素を処理するには： 1.30 -1.28 -1.17 第一のニューラルネットワークＥ 第一の隠れた層のノードにおける要素を処理するには： 0.14 -2.12 8.36 1.02 1.79 0.31 2.87 0.84 -1.24 -1.75 -2.98 1.72 -1.22 -2.47 -1.14 第二の隠れた層のノードにおける要素を処理するには： -3.93 -1.07 1.16 1.39 1.01 -1.08 2.33 0.76 -0.51 -0.31 -1.92 0.59 0.06 -0.76 -1.44 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.46 -0.52 -0.80 第二の出力層のノードにおける要素を処理するには： -0.46 0.51 0.82 第一のニューラルネットワークＦ 第一の隠れた層のノードにおける要素を処理するには： -1.19 -2.93 1.19 6.85 1.08 0.66 1.65 -0.28 -1.63 -1.15 -0.79 0.43 -0.13 -3.10 -2.27 第二の隠れた層のノードにおける要素を処理するには： 0.82 0.19 0.72 0.83 0.59 0.07 1.06 0.51 1.04 1.47 -1.97 0.97 -0.91 -0.15 0.09 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.68 -0.67 -0.58 第二の出力層のノードにおける要素を処理するには： -0.68 0.67 0.58 第一のニューラルネットワークＧ 第一の隠れた層のノードにおける要素を処理するには： -1.18 -2.55 0.48 -1.40 1.11 -0.28 2.33 0.33 -1.92 0.99 -1.41 0.68 -0.28 -1.65 -0.79 第二の隠れた層のノードにおける要素を処理するには： 1.08 1.11 0.52 1.41 0.55 -0.48 -0.23 0.44 -1.23 0.77 -2.96 1.39 -0.28 -0.64 -2.38 出力層の重み（０バイアス、第一の隠れた層の重み、第二の 隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.69 -0.70 -0.50 第二の出力層のノードにおける要素を処理するには： -0.69 0.70 0.50 第一のニューラルネットワークＨ 第一の隠れた層のノードにおける要素を処理するには： 15.74 -0.76 -0.91 -1.13 -0.75 -0.66 -0.83 1.03 0.75 -0.48 -0.47 2.01 -0.02 0.25 1.11 第二の隠れた層のノードにおける要素を処理するには： -2.48 -2.49 0.99 1.97 2.41 1.51 1.01 -0.26 -0.76 2.00 -5.03 1.77 -0.77 -2.29 -2.01 出力層の重み（０バイアス、第一の隠れた層の重み、第二の隠れた層の重み） 第一の出力層のノードにおける要素を処理するには： 0.017 0.41 -0.84 第二の出力層のノードにおける要素を処理するには： -0.75 0.34 0.85 のようになっている請求の範囲第１６４項に記載のニューラルネットワークシス テム。 １６８．第一のニューラルネットワークの各々に対する正規化された観察値が識 別の順序で -0.00 1.00 0.01 0.08 0.01 0.09 0.16 0.37 1.09 1.39 0.55 0.94 0.54 0.93 0.01 0.10 0.03 0.17 0.23 0.42 0.65 0.48 0.39 0.49 0.19 0.39 0.72 0.45 の平均および標準偏差を有している請求の範囲第１６７項に記載のシステム。 １６９．生化学的結果の記憶手段をさらに含んでおり、複数のネットワークが生 化学テスト結果を含むようにトレーニングされている請求の範囲第１６４項に記 載のシステム。