JP2006172461A - 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
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 Download PDFInfo
- Publication number
- JP2006172461A JP2006172461A JP2005357564A JP2005357564A JP2006172461A JP 2006172461 A JP2006172461 A JP 2006172461A JP 2005357564 A JP2005357564 A JP 2005357564A JP 2005357564 A JP2005357564 A JP 2005357564A JP 2006172461 A JP2006172461 A JP 2006172461A
- Authority
- JP
- Japan
- Prior art keywords
- variables
- variable
- data
- training
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
【解決手段】第一の組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、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し、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、評価を継続する。
【選択図】図1
Description
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。
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。
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。
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。
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。
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。
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。
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。
本発明の方法を例示するために、図1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。
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。
図3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。
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。
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(図3、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)。
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。
図4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)。no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。20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。
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。
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。
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。
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。
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。
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
――――――――――――――――――――――――――――――――――――
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。
――――――――――――――――――――――――――――――――――――
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。
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。
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。
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120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。
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。
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
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
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。
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。
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。
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。
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
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pat06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pat07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。adzcrf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。
ウェスタンブロットデータの事前処理および入力.
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。
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。
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。
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
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。
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.
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。
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。
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。
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。
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。
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。
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。
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
――――――――――――――――――――――――――――――
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
――――――――――――――――――――――――――――――
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。
患者病歴およびELISAデータを組み合わせる.
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。
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。
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。
実行2:(ELISA2)および元の14個の変数
実行3:元の14個の変数
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%
――――――――――――――――――――――――――――――――――――
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。
患者病歴Stage/AFS Scoreトレーニング.
上記の例で開発した方法を使用して、疾病のstageまたはAFS Score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。
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、Score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score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。stage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。
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。
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。
患者病歴Adhesionsトレーニング.
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。
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。
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。
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。
この例は本明細書で提供するプロセスの再現性を示す。
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。
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。
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pat07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。
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。
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。
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。
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
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。
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。
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.
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。
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。
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
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。
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
――――――――――――――――――――――――――――――
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。
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。
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
――――――――――――――――――――――――――――――――――――
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AFS02
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
――――――――――――――――――――――――――――――――――――
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。endo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。
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。
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。
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pat07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。
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。
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。TrainDosTM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。
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。
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。
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.
図7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(図10)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95〜108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。
――――――――――――――――――――――――――――――
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
――――――――――――――――――――――――――――――
Claims (22)
- コンピュータシステムにおいて、患者の医学的状態の有無または重さの診断を援助するための状態特異的生化学テストを開発する方法であって、
(a)医学的状態が知られている一群の被験患者から生化学テストを用いて取得されたテスト結果を収集するステップと、
(b)上記一群の被験患者に関する観測結果と、生化学テストのデータとを収集するステップと、
(c)観測値を有する候補変数のセットに観測結果及びテスト結果を分類し、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、
(d)上記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上記観測データセットを分類することにより、上記候補変数の第一セットから、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を含み、これにより上記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み、
(e)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、
(f)ステップ(e)で識別された変数を示すマーカーまたはデータを測定または検出することにより、ステップ(e)で識別された変数のうちの一つまたは複数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み、これにより上記設計または選択された生化学テストは状態特異的テストである方法。 - 上記意思決定支援システムはニューラルネットワークを含むか、または複数のニューラルネットワークの線形結合を含む請求項1記載の方法。
- 上記ステップ(f)で設計又は選択された生化学テストは、疾病、障害または他の医学的状態の有無または重さを、あるいは疾病、障害または他の医学的状態に対する所定の治療単位に係る治療の有効性を評価する請求項1記載の方法。
- 上記ステップ(f)で設計又は選択された生化学テストは、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項1記載の方法。
- 上記意思決定支援システムはニューラルネットワークを含む請求項1記載の方法。
- 上記選択された重要な変数の第一サブセットは、上記意思決定支援システムまたはそのコンセンサスに対して実施される感度分析を使用して識別される請求項1記載の方法。
- (g)患者から取得された追加の観測結果を収集してそれらを候補変数のセットに分類し、次いで上記分類された候補変数のセットを上記ステップ(b)における上記候補変数の第一セットに追加するステップと、
(h)上記ステップ(c)乃至(f)を繰り返すステップとをさらに含む請求項1記載の方法。 - 上記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は、
(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、それぞれの候補変数を、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)上記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、上記最良の候補変数は、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、上記選択された重要な変数のセットにこれを追加して上記候補変数のセットからこれを除去し、ステップ(ii)の評価を継続する一方、上記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
を含む請求項1記載の方法。 - 上記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は、
(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、それぞれの候補変数を、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)上記m個の候補変数のうちで、上記意思決定支援システムの最高の性能を与える最良の変数を選択し、上記最良の変数が、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、上記選択された重要な変数のセットにこれを追加して上記候補変数のセットからこれを除去し、ステップ(iii)の評価を継続する一方、上記最良の変数が、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)上記候補変数の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、上記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候補変数を一度に一つとり、それぞれの候補変数を、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、上記ステップ(iv)を実施することにより継続するステップと
を含む請求項1記載の方法。 - 上記候補変数は生化学テストデータを含む請求項8または9記載の方法。
- 上記順位付けは、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項9記載の方法。
- 上記順位付けは、統計分析を含むプロセスに基づいている請求項9記載の方法。
- 上記順位付けは、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項9記載の方法。
- 上記順位付けは、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項9記載の方法。
- 上記感度分析は、
(i)上記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かつ記憶される出力値を生成するステップと、
(iii)上記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、修正した例を上記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)上記通常の出力と上記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とを含み、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、
(v)上記例の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とを含み、選択された変数の各合計は、上記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請求項11または14記載の方法。 - (vii)上記変数を、上記意思決定支援システム出力の決定に対するそれらの変数の相対的寄与に従って順位付けするステップをさらに含む請求項15記載の方法。
- 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は、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、上記以前に未使用の観測データのセットは、その医学的状態が知られている患者から取得された観測結果から収集される請求項1記載の方法。
- 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は、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は上記複数のトレーニング用データ区分を使用して実行され、上記テスト用データ区分は、上記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項1記載の方法。
- 上記第二意思決定支援システムは、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項18記載の方法。
- 上記最終的な性能推定値は、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項19記載の方法。
- 上記観測値は、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得られる請求項1記載の方法。
- 上記医学的状態は、妊娠に関係する状態または子宮内膜症である請求項1記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US1144996P | 1996-02-09 | 1996-02-09 | |
US59927596A | 1996-02-09 | 1996-02-09 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003141050A Division JP3782792B2 (ja) | 1996-02-09 | 2003-05-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006172461A true JP2006172461A (ja) | 2006-06-29 |
JP4168187B2 JP4168187B2 (ja) | 2008-10-22 |
Family
ID=26682401
Family Applications (6)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP52872997A Expired - Fee Related JP3480940B2 (ja) | 1996-02-09 | 1997-02-07 | 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 |
JP2003141050A Expired - Lifetime JP3782792B2 (ja) | 1996-02-09 | 2003-05-19 | 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 |
JP2005134396A Expired - Fee Related JP4139822B2 (ja) | 1996-02-09 | 2005-05-02 | 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 |
JP2005357564A Expired - Fee Related JP4168187B2 (ja) | 1996-02-09 | 2005-12-12 | 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 |
JP2007235531A Pending JP2008065836A (ja) | 1996-02-09 | 2007-09-11 | 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 |
JP2008000723A Pending JP2008136874A (ja) | 1996-02-09 | 2008-01-07 | 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 |
Family Applications Before (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP52872997A Expired - Fee Related JP3480940B2 (ja) | 1996-02-09 | 1997-02-07 | 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 |
JP2003141050A Expired - Lifetime JP3782792B2 (ja) | 1996-02-09 | 2003-05-19 | 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 |
JP2005134396A Expired - Fee Related JP4139822B2 (ja) | 1996-02-09 | 2005-05-02 | 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 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007235531A Pending JP2008065836A (ja) | 1996-02-09 | 2007-09-11 | 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 |
JP2008000723A Pending JP2008136874A (ja) | 1996-02-09 | 2008-01-07 | 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 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP0879449A2 (ja) |
JP (6) | JP3480940B2 (ja) |
AU (1) | AU2316297A (ja) |
CA (1) | CA2244913A1 (ja) |
WO (1) | WO1997029447A2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102043376B1 (ko) * | 2018-08-16 | 2019-11-11 | 한국과학기술연구원 | 심층 신경망 알고리즘을 이용하는 실시간 스트레스 분석 방법 |
WO2022190891A1 (ja) * | 2021-03-11 | 2022-09-15 | ソニーグループ株式会社 | 情報処理システム及び情報処理方法 |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6678669B2 (en) | 1996-02-09 | 2004-01-13 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
US6622036B1 (en) * | 2000-02-09 | 2003-09-16 | Cns Response | Method for classifying and treating physiologic brain imbalances using quantitative EEG |
US6609120B1 (en) | 1998-03-05 | 2003-08-19 | American Management Systems, Inc. | Decision management system which automatically searches for strategy components in a strategy |
US6601034B1 (en) | 1998-03-05 | 2003-07-29 | American Management Systems, Inc. | Decision management system which is cross-function, cross-industry and cross-platform |
US8364578B1 (en) | 1998-03-05 | 2013-01-29 | Cgi Technologies And Solutions Inc. | Simultaneous customer/account strategy execution in a decision management system |
US6546545B1 (en) | 1998-03-05 | 2003-04-08 | American Management Systems, Inc. | Versioning in a rules based decision management system |
US6081786A (en) * | 1998-04-03 | 2000-06-27 | Triangle Pharmaceuticals, Inc. | Systems, methods and computer program products for guiding the selection of therapeutic treatment regimens |
WO2000007131A1 (en) * | 1998-07-30 | 2000-02-10 | Arcturus Engineering, Inc. | Medical diagnostic and treatment information system and method |
US6708155B1 (en) | 1999-07-07 | 2004-03-16 | American Management Systems, Inc. | Decision management system with automated strategy optimization |
EP1352356B1 (en) * | 2000-06-08 | 2009-10-14 | Virco Bvba | Method for predicting therapeutic agent resistance using neural networks |
AU6378501A (en) * | 2000-06-09 | 2001-12-17 | Medimage Aps | A fail-sure computer aided method for anticoagulant treatment |
AU2001285476A1 (en) * | 2000-09-06 | 2002-03-22 | Cellomics, Inc. | Method and system for obtaining knowledge based recommendations |
US6920439B1 (en) * | 2000-10-10 | 2005-07-19 | Hrl Laboratories, Llc | Method and apparatus for incorporating decision making into classifiers |
US6988088B1 (en) * | 2000-10-17 | 2006-01-17 | Recare, Inc. | Systems and methods for adaptive medical decision support |
US7315784B2 (en) | 2001-02-15 | 2008-01-01 | Siemens Aktiengesellschaft | Network for evaluating data obtained in a biochip measurement device |
US20020155587A1 (en) | 2001-04-20 | 2002-10-24 | Sequenom, Inc. | System and method for testing a biological sample |
US7840421B2 (en) | 2002-07-31 | 2010-11-23 | Otto Carl Gerntholtz | Infectious disease surveillance system |
US20040103001A1 (en) * | 2002-11-26 | 2004-05-27 | Mazar Scott Thomas | System and method for automatic diagnosis of patient health |
US7529394B2 (en) | 2003-06-27 | 2009-05-05 | Siemens Medical Solutions Usa, Inc. | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system |
EP1691665A4 (en) * | 2003-12-02 | 2009-10-28 | Shraga Rottem | ARTIFICIAL INTELLIGENCE AND DEVICE FOR THE DIAGNOSIS, SCREENING, PREVENTION AND TREATMENT OF MATERNOFETAL STATES |
US20090083768A1 (en) * | 2007-09-20 | 2009-03-26 | Hatalkar Atul N | Context platform framework for aggregation, analysis and use of contextual information |
JP5944899B2 (ja) | 2010-08-13 | 2016-07-05 | レスピラトリー・モーシヨン・インコーポレイテツド | 呼吸の量、運動、および変化を測定することによる呼吸変動モニタリングのための装置 |
WO2016040725A1 (en) * | 2014-09-11 | 2016-03-17 | Berg Llc | Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data |
JP6481335B2 (ja) * | 2014-11-06 | 2019-03-13 | 日本電気株式会社 | 情報処理システム、情報処理装置、情報処理方法および情報処理プログラム |
CN113421652A (zh) * | 2015-06-02 | 2021-09-21 | 推想医疗科技股份有限公司 | 对医疗数据进行分析的方法、训练模型的方法及分析仪 |
JP6280997B1 (ja) * | 2016-10-31 | 2018-02-14 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
JP2019101902A (ja) * | 2017-12-06 | 2019-06-24 | 株式会社グルーヴノーツ | データ処理装置、データ処理方法及びデータ処理プログラム |
JP2021519479A (ja) * | 2018-03-19 | 2021-08-10 | アンブリー ジェネティクス コーポレーションAmbry Genetics Corporation | 遺伝子検査とゲノム検査を識別するための人工知能と機械学習プラットフォーム |
KR102166441B1 (ko) * | 2018-10-02 | 2020-10-16 | 재단법인대구경북과학기술원 | 병변 검출 장치 및 제어 방법 |
WO2020158717A1 (ja) | 2019-01-31 | 2020-08-06 | 富士フイルム株式会社 | 学習済みモデル、学習方法、及びプログラム、並びに医用情報取得装置、方法、及びプログラム |
WO2020189235A1 (ja) * | 2019-03-20 | 2020-09-24 | 国立大学法人大阪大学 | 学習済みモデル、制御装置、摩擦攪拌接合システム、ニューラルネットワークシステム、及び学習済みモデルの生成方法 |
CN110164549A (zh) * | 2019-05-20 | 2019-08-23 | 南通奕霖智慧医学科技有限公司 | 一种基于神经网络分类器的儿科分诊方法及系统 |
KR102187344B1 (ko) * | 2019-09-03 | 2020-12-04 | 메디사피엔스 주식회사 | 결정 트리를 이용한 반려동물 진단 방법 및 장치 |
WO2021061401A1 (en) * | 2019-09-27 | 2021-04-01 | D5Ai Llc | Selective training of deep learning modules |
KR20230027810A (ko) * | 2021-08-20 | 2023-02-28 | 가톨릭대학교 산학협력단 | 예후 예측 장치, 방법 및 기록매체 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04332548A (ja) * | 1990-08-28 | 1992-11-19 | Arch Dev Corp | ニューラル・ネットワークを用いた鑑別診断支援方法 |
JPH05176932A (ja) * | 1991-12-27 | 1993-07-20 | Toa Medical Electronics Co Ltd | 脳梗塞の診断方法 |
JPH05277119A (ja) * | 1992-03-31 | 1993-10-26 | Nuclear Fuel Ind Ltd | 癌診断装置 |
JPH07155295A (ja) * | 1993-12-06 | 1995-06-20 | Fujitsu Ltd | 診断装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2161655A1 (en) * | 1993-04-30 | 1994-11-10 | James David Keeler | Method and apparatus for determining the sensitivity of inputs to a neural network on output parameters |
-
1997
- 1997-02-07 WO PCT/US1997/002104 patent/WO1997029447A2/en not_active Application Discontinuation
- 1997-02-07 EP EP97915835A patent/EP0879449A2/en not_active Withdrawn
- 1997-02-07 CA CA002244913A patent/CA2244913A1/en not_active Abandoned
- 1997-02-07 JP JP52872997A patent/JP3480940B2/ja not_active Expired - Fee Related
- 1997-02-07 AU AU23162/97A patent/AU2316297A/en not_active Abandoned
-
2003
- 2003-05-19 JP JP2003141050A patent/JP3782792B2/ja not_active Expired - Lifetime
-
2005
- 2005-05-02 JP JP2005134396A patent/JP4139822B2/ja not_active Expired - Fee Related
- 2005-12-12 JP JP2005357564A patent/JP4168187B2/ja not_active Expired - Fee Related
-
2007
- 2007-09-11 JP JP2007235531A patent/JP2008065836A/ja active Pending
-
2008
- 2008-01-07 JP JP2008000723A patent/JP2008136874A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04332548A (ja) * | 1990-08-28 | 1992-11-19 | Arch Dev Corp | ニューラル・ネットワークを用いた鑑別診断支援方法 |
JPH05176932A (ja) * | 1991-12-27 | 1993-07-20 | Toa Medical Electronics Co Ltd | 脳梗塞の診断方法 |
JPH05277119A (ja) * | 1992-03-31 | 1993-10-26 | Nuclear Fuel Ind Ltd | 癌診断装置 |
JPH07155295A (ja) * | 1993-12-06 | 1995-06-20 | Fujitsu Ltd | 診断装置 |
Non-Patent Citations (2)
Title |
---|
AP ENGELBRECHT ET.AL.: "Determining the Significance of Input Parameters Using Sensitivity Analysis", PROCEEDINGS OF INTERNATIONAL WORKSHOP ON ARTIFICIAL NEURAL NETWORKS, JPN7008000883, June 1995 (1995-06-01), pages 382 - 388, XP019186944, ISSN: 0000972834 * |
廣瀬 昶 HISASHI HIROSE: "子牛の病気診断へのニューラルネットワークの適用 Application of Neural Networks to Diagnosis of Calf", FUJITSU VOL.44 NO.6, vol. 第44巻, JPN6008004824, 10 November 1993 (1993-11-10), JP, ISSN: 0000972833 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102043376B1 (ko) * | 2018-08-16 | 2019-11-11 | 한국과학기술연구원 | 심층 신경망 알고리즘을 이용하는 실시간 스트레스 분석 방법 |
US11317840B2 (en) | 2018-08-16 | 2022-05-03 | Korea Institute Of Science And Technology | Method for real time analyzing stress using deep neural network algorithm |
WO2022190891A1 (ja) * | 2021-03-11 | 2022-09-15 | ソニーグループ株式会社 | 情報処理システム及び情報処理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2008136874A (ja) | 2008-06-19 |
WO1997029447A2 (en) | 1997-08-14 |
WO1997029447A3 (en) | 1998-05-07 |
JP3480940B2 (ja) | 2003-12-22 |
JP3782792B2 (ja) | 2006-06-07 |
JP4139822B2 (ja) | 2008-08-27 |
EP0879449A2 (en) | 1998-11-25 |
JP2004041713A (ja) | 2004-02-12 |
CA2244913A1 (en) | 1997-08-14 |
JP2008065836A (ja) | 2008-03-21 |
JP4168187B2 (ja) | 2008-10-22 |
JP2000501869A (ja) | 2000-02-15 |
AU2316297A (en) | 1997-08-28 |
JP2005319301A (ja) | 2005-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4168187B2 (ja) | 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 | |
US6556977B1 (en) | Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions | |
AU717449B2 (en) | Computer assisted methods for diagnosing diseases | |
US6248063B1 (en) | Computer assisted methods for diagnosing diseases | |
Aruna et al. | An investigation of neuro-fuzzy systems in psychosomatic disorders | |
Islam et al. | Machine learning to predict pregnancy outcomes: a systematic review, synthesizing framework and future research agenda | |
Song et al. | An interpretable knowledge-based decision support system and its applications in pregnancy diagnosis | |
Chinnasamy et al. | Machine learning based cardiovascular disease prediction | |
RU2754723C1 (ru) | Способ анализа медицинских данных с помощью нейронной сети LogNNet | |
Singh | Prediction of Thyroid Disease using Deep Learning Techniques | |
ALOTAIBI et al. | EARLY PREDICTION OF GESTATIONAL DIABETES USING MACHINE LEARNING TECHNIQUES | |
Van Calster et al. | An application of methods for the probabilistic three-class classification of pregnancies of unknown location | |
Yulhendri et al. | Correlated Naïve Bayes Algorithm to Determine Healing Rate of Hepatitis Patients | |
Zou et al. | An intelligent adverse delivery outcomes prediction model based on the fusion of multiple obstetric clinical data | |
Bhatia | Deep Learning-Based Approach for Thyroid Dysfunction Prediction | |
Kiranmai et al. | A comprehensive and systematic literature review of computational intelligence algorithms to diagnose and predict female infertility | |
Mozannar et al. | Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and Human-AI Collaboration | |
Flynn et al. | Assessing diagnostic technologies | |
Muller et al. | Logistic regression model as classifier for early detection of gestational diabetes mellitus | |
Eberhard et al. | Deep Survival Analysis for Interpretable Time-Varying Prediction of Preeclampsia Risk | |
Park et al. | Original Research Article Study on prediction and diagnosis AI model of frequent chronic diseases based on health checkup big data | |
Sosnowski et al. | Interactive, Personalized Decision Support in Analyzing Women’s Menstrual Disorders | |
Owusu-Adjei et al. | Machine Learning Modeling of Disease Treatment Default: A Comparative Analysis of Classification Models | |
Vairavel et al. | Data Analytics on Unpredictable Pregnancy Data Records Using Ensemble Neuro-Fuzzy Techniques. | |
Neto | Heart disease prediction: An advanced machine learning study under a heterogeneous context |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070410 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20070710 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20070713 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20070809 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20070814 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070906 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080507 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080701 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20080711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080717 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110815 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110815 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120815 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130815 Year of fee payment: 5 |
|
LAPS | Cancellation because of no payment of annual fees |