JP2009536386A - 分類学習のための測定データの変換 - Google Patents
分類学習のための測定データの変換 Download PDFInfo
- Publication number
- JP2009536386A JP2009536386A JP2009508554A JP2009508554A JP2009536386A JP 2009536386 A JP2009536386 A JP 2009536386A JP 2009508554 A JP2009508554 A JP 2009508554A JP 2009508554 A JP2009508554 A JP 2009508554A JP 2009536386 A JP2009536386 A JP 2009536386A
- Authority
- JP
- Japan
- Prior art keywords
- data
- conversion
- transformation
- parameterized
- subsystem
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Character Discrimination (AREA)
- Complex Calculations (AREA)
Abstract
本願発明のシステム、装置及び方法は、元の測定データを変換するための実効的かつ効率の良いやり方を提供する。これにより、信頼できない範囲の全般的な変換の感度を下げつつ、他のあらゆる箇所では感度をほぼ変えない又は上げることができる。
本願発明が従来技術の問題を克服するのは、追加のガウス変換を提供することによってである。この追加のガウス変換は、変換の幅を、使用するアプリケーションのための所望の幅に調整できるパラメーターを含む。更に、本願発明は、現在の分子診断技法の実効性と効率を取り巻く様々な問題に有利に取り組む。即ち、本願発明により、様々な改善が可能となる。例えば疾患の検出、疾患の治療、及び疾患の監視である。従って、本願発明は、実時間で、より高速で、より感度が高く、人手を削減でき、かつ、従ってより費用対効果に優れる、分子診断ソリューションのための絶え間ない要求に取り組むのに好適である。
本願発明が従来技術の問題を克服するのは、追加のガウス変換を提供することによってである。この追加のガウス変換は、変換の幅を、使用するアプリケーションのための所望の幅に調整できるパラメーターを含む。更に、本願発明は、現在の分子診断技法の実効性と効率を取り巻く様々な問題に有利に取り組む。即ち、本願発明により、様々な改善が可能となる。例えば疾患の検出、疾患の治療、及び疾患の監視である。従って、本願発明は、実時間で、より高速で、より感度が高く、人手を削減でき、かつ、従ってより費用対効果に優れる、分子診断ソリューションのための絶え間ない要求に取り組むのに好適である。
Description
本願発明は、元の測定データを変換して、信頼できない範囲の全般的な感度を下げつつ、所望の範囲のデータの感度を上げるための、システム、装置、及び方法に関する。
本願開示は、2005年6月16日に、「分類学習のための測定データの変換」という名称で仮出願した、米国特許仮出願番号第60/691,131号に関する。
測定データは、あるパターン分類学習方法で用いるには、あまり適さない分布を有することがある。ダイナミックレンジが大きすぎる又は小さすぎるためである。例えば、ガラスのスライドに1本鎖DNAを多数配置したマイクロアレイを考える。検体でこのようなスライドを浸すと、検体中に存在するRNAが選択的に1本鎖DNAに結合することになる。これはしばしばコントロールと比較して行われる。コントロールでは、異なる型の蛍光分子に対する結合を用いて、コントロールとターゲットを区分する。光の色と光度を次に読み取り、どのようにターゲットが発現しているかを測定する。ここで実験データは第1の色と第2の色の光度の比の対数である。
典型的な実験では、1つの型のマイクロアレイのデータから読み取ったデータを、試験組織とコントロール組織における遺伝子発現レベルの比の対数として符号化する。結果の値の数値域は非常に大きいこともあるが、典型的には、より狭い範囲(例えば+2〜−2)に収まることになる。
一般的なパターン識別学習の方法に複層パーセプトロン(MLP)がある。これをフィードフォワードニューラルネットワークと呼ぶこともある。この機械は入力データが[0,1]の範囲の数値である必要がある。従って、マイクロアレイのデータをMLPに入力するためには、元のデータを、この入力データ範囲の要求に合うように変換しなければならない。
この所望の変換を行うことができる関数にシグモイド関数(例えばarctan関数)がある。シグモイド関数は、非常に大きな(又は小さな)測定値でも、要求の値域[0,1]に常に写像することになると保証できる。しかし、その代償として、大きな値同士の間の差異が、きわめて小さくなってしまうことがある。これを、大きな値の範囲で「感度が落ちる」と呼ぶ。普通は、適切なパラメーターを選んでシグモイド関数に渡せば、典型的に必要な範囲の感度を、ほぼ線型にできる。ほぼ線型な範囲の傾きが45度より大きい場合は、感度が上がることになり、45度より小さい場合は、感度が下がることになる。ぴったり45度の場合には感度は変わらない。
しかし、問題はまだ起こりうる。前述の例では、変換するデータの感度が最大となるのは(即ち、変換するシグモイド関数が最大の微分係数を持つことになるのは)ゼロの近辺である。ゼロの近辺とは、測定値の比が1.0に近い範囲であり、残念なことに信頼性が最も低い。この範囲の変換の感度を非常に低くして、小さな差異が、学習機械に大きな影響を与えることが無いようにすることが望まれる。そこは信頼できない範囲だからである。
本願発明のシステム、装置及び方法は、元のデータを変換するための実効的かつ効率の良いやり方を提供する。これにより、信頼できない範囲の全般的な変換の感度を下げつつ、他のあらゆる箇所では感度をほぼ変えない又は上げることができる。
本願発明が従来技術の少なくとも前述の問題を克服するのは、追加のガウス変換を提供することによってである。この追加のガウス変換は、変換の幅を、使用するアプリケーションのための所望の幅に調整できるパラメーターを含む。更に、本願発明は、現在の分子診断技法の実効性と効率を取り巻く様々な問題に有利に取り組む。即ち、本願発明により、様々な改善が可能となる。例えば疾患の検出(時間と正確性の双方で)、疾患の治療(明確で個人化される)、及び疾患の監視(迅速で高精度)である。従って、本願発明は、実時間で、より高速で、より感度が高く、人手を削減でき、かつ、従ってより費用対効果に優れる、分子診断ソリューションのための絶え間ない要求に取り組むのに好適である。これは従来の技法を置き換える又は補完するのに適している。
本願発明に付随する追加的な利点(例えば、大量のデータでも、処理することができること及び/又は効率的に管理できること)は、後述の詳細な記載から明らかになる。とりわけこの際に添付の図面を参照する。図面は、本願開示の主題事項に関する当業者が、本願開示の説明例をよりよく理解することを助けるために参照する。
当業者は、後述の記載が提供されているのは、説明のためであり、限定のためではないと、理解する必要がある。当業者は、本発明の精神の内部及び添付の特許請求の範囲の内部で多くの変形があると理解する。公知の機能及び操作に関する不要な詳細を本記載から省くことがある。これにより本願発明の記載を簡明にする。
測定データにおいて、測定値の分散は変換を推奨することがある。例えば、測定値の集合が強く非対称であれば、対数、平方根、又は他の指数(−1〜+1の間)を適用してもよい。測定値の集合が強く尖っているが、それほど非対称ではない場合は、arctan変換を用いて、極端な値の影響を減らす。しかし、arctan関数を用いると、ゼロで傾きが最大になってしまうので、本願のガウス変換を用いてこれを修復する。即ち、本願発明のシステム、装置及び方法は、信頼できない範囲の変換の感度を下げつつ、他のあらゆる箇所ではデータをほぼ変えないでおく、データを変換するやり方を提供する。元のデータを変える第2の変換を追加することにより、信頼できない範囲の全般的な変換の感度を下げつつ、他のあらゆる箇所では感度をほぼ変えない又は上げることができる。
好適な実施例では、追加のガウス変換を提供する。これは固有のパラメーター(以下p1という。)を持つ。このp1により、ガウス変換の幅を、アプリケーションのための所望の幅に調整できる。図1を参照すると、幅パラメーターp1を変えた結果を示す。プラトー101近辺の拡大を図2に示す。プラトー101により、中央(ゼロ)近辺の入力データ値の感度を大幅に下げる。また、p1(プラトーの幅)を変えることにより、データの標本集合からの値の間の望まれない差異を大幅に減らすことができる。
入力データをニューラルネット(又は他のパターン識別方法)に与えるための、ガウス変換とシグモイド変換を合成した変換の好適な実施例をC言語による次の計算機プログラムに示す。当業者には明らかである通り、どちらか片方の変換だけが必要で、もう片方が不要なのであれば、そのような変換を得ることは容易である。
/*
ニューラルネットの入力用に,光度の比のスケールから[0―1]の区間に写像する.シグモイドを使って,起こりうるいかなる極端な入力値でも値域に納めつつ,「期待」の範囲の入力値については一応きれいに線型にする.ゼロ近辺では,光度の比は信頼できないから,ガウス変換もする.
*/
/* ds1_transform
入力:
xは変換する倍精度浮動小数点値.
p1はガウス変換の幅のパラメーター.
p2はシグモイド関数の上限のパラメーター.
p3はシグモイド関数の伸張のパラメーター.
出力:
xを変換した後の倍精度浮動小数点値.
値域をゼロより小さくしたいのであれば,別のパラメーターを追加するのは簡単.
*/
double ds1_transform (double x, double p1, double p2, double p3)
{
double gauss;
double sigmoid;
double distorted_x;
/* xのガウス変換 */
gauss=exp(-x*x/p1);
distorted_x=x-(x*gauss);
/* シグモイド */
sigmoid=p2/(1.0+exp(-p3*distorted_x));
return(sigmoid);
}
本願発明の合成した変換を、ソフトウェアモジュール及びファームウェアモジュールのうち、少なくとも1つのモジュールとして、分析装置に組み込むことができる。このモジュールは、p1、p2、p3のパラメーターの値及び元の入力値を受け取り、変換した値を返す。次の主プログラムに、そのような実施例の振る舞いを示す。ここで主プログラムはp1、p2、p3の入力を利用者から受け取り、範囲[−20,20]上の0.1刻みで増える入力データに対して、本願発明による変換の後の値を印字出力する。実際は、現実の標本データが入力となり、本願発明の合成により変換される。
/*
mainはp1,p2,p3の値をコマンド行から受け取り,−20〜+20の範囲の0.1刻みの400個の値を変換して印字出力する.
*/
int main(int argc, char *argv[])
{
int i,j;
double x,p1,p2,p3;
int n_points;
double inc;
double transformed_x;
if(argc<4)
{
fprintf(stderr,"使い方:mapping2 p1 p2 p3\n");
fprintf(stderr,"p1はガウス変換の幅のパラメーター\n");
fprintf(stderr,"p2はシグモイド関数の上限のパラメーター\n");
fprintf(stderr,"p3はシグモイド関数の伸張のパラメーター\n");
exit(1);
}
else
{
p1=atof(argv[1]);
p2=atof(argv[2]);
p3=atof(argv[3]);
}
n_points=400;
inc=0.1;
x=(double)-n_points/2.0;
x*=inc;
for(i=0;i<n_points;i++)
{
x+=inc;
transformed_x=ds1_transform(x,p1,p2,p3);
printf("%1f %1f\n",x,transformed_x);
}
}
図3を参照すると、ここでp2を用いて、変換結果の上限を変えている。すなわち、変換の結果は0とp2の間の値となる。図4を参照すると、p3を用いて、S字曲線の傾きを変えている。S字曲線の上下の尾の部分を、中央に寄せたり左右に離したりすることにより、大部分のデータがあると期待される数値の範囲をカバーする。p1をp3に対して変えることにより、どの外れ値を取り込むかを決定することができ、取り込んだ値の間の差異を拡大するか縮小するか、するとしたらどの程度か、を決定することができる。
/*
ニューラルネットの入力用に,光度の比のスケールから[0―1]の区間に写像する.シグモイドを使って,起こりうるいかなる極端な入力値でも値域に納めつつ,「期待」の範囲の入力値については一応きれいに線型にする.ゼロ近辺では,光度の比は信頼できないから,ガウス変換もする.
*/
/* ds1_transform
入力:
xは変換する倍精度浮動小数点値.
p1はガウス変換の幅のパラメーター.
p2はシグモイド関数の上限のパラメーター.
p3はシグモイド関数の伸張のパラメーター.
出力:
xを変換した後の倍精度浮動小数点値.
値域をゼロより小さくしたいのであれば,別のパラメーターを追加するのは簡単.
*/
double ds1_transform (double x, double p1, double p2, double p3)
{
double gauss;
double sigmoid;
double distorted_x;
/* xのガウス変換 */
gauss=exp(-x*x/p1);
distorted_x=x-(x*gauss);
/* シグモイド */
sigmoid=p2/(1.0+exp(-p3*distorted_x));
return(sigmoid);
}
本願発明の合成した変換を、ソフトウェアモジュール及びファームウェアモジュールのうち、少なくとも1つのモジュールとして、分析装置に組み込むことができる。このモジュールは、p1、p2、p3のパラメーターの値及び元の入力値を受け取り、変換した値を返す。次の主プログラムに、そのような実施例の振る舞いを示す。ここで主プログラムはp1、p2、p3の入力を利用者から受け取り、範囲[−20,20]上の0.1刻みで増える入力データに対して、本願発明による変換の後の値を印字出力する。実際は、現実の標本データが入力となり、本願発明の合成により変換される。
/*
mainはp1,p2,p3の値をコマンド行から受け取り,−20〜+20の範囲の0.1刻みの400個の値を変換して印字出力する.
*/
int main(int argc, char *argv[])
{
int i,j;
double x,p1,p2,p3;
int n_points;
double inc;
double transformed_x;
if(argc<4)
{
fprintf(stderr,"使い方:mapping2 p1 p2 p3\n");
fprintf(stderr,"p1はガウス変換の幅のパラメーター\n");
fprintf(stderr,"p2はシグモイド関数の上限のパラメーター\n");
fprintf(stderr,"p3はシグモイド関数の伸張のパラメーター\n");
exit(1);
}
else
{
p1=atof(argv[1]);
p2=atof(argv[2]);
p3=atof(argv[3]);
}
n_points=400;
inc=0.1;
x=(double)-n_points/2.0;
x*=inc;
for(i=0;i<n_points;i++)
{
x+=inc;
transformed_x=ds1_transform(x,p1,p2,p3);
printf("%1f %1f\n",x,transformed_x);
}
}
図3を参照すると、ここでp2を用いて、変換結果の上限を変えている。すなわち、変換の結果は0とp2の間の値となる。図4を参照すると、p3を用いて、S字曲線の傾きを変えている。S字曲線の上下の尾の部分を、中央に寄せたり左右に離したりすることにより、大部分のデータがあると期待される数値の範囲をカバーする。p1をp3に対して変えることにより、どの外れ値を取り込むかを決定することができ、取り込んだ値の間の差異を拡大するか縮小するか、するとしたらどの程度か、を決定することができる。
次に図5を参照すると、本願発明により変更した分析装置500の好適な実施例を示す。501は測定データの入力である。測定データの入力501は、p1、p2、p3のパラメーター504と、許容値及び決定規則505とを含む。許容値及び決定規則505は例えば停止基準を含む。停止基準は、変換の後のデータが、既定の特性を有するように、p1、p2、p3を変える処理を制御する。測定データの入力501は、パラメーター504、許容値及び決定規則505、並びに変換の後の出力データ507と共に、記憶装置510に格納される(506)。好適な実施例においては、利用者は、変換の後のデータ分析処理モジュール503と対話するために、変換の後のデータを入力として(509)これを分析し、それに基づいた入力を提供する(508)。
これで本願開示の分析装置のある好適な観点を特定した。従って当業者には、かかる装置を様々な既知の及び/又は未知の医療診断又は測定技法と共に効果的に利用してもよいことが容易に明らかになる。例えば、本願開示の装置は、とりわけ、疾患の特定、測定及び/又は治療と共に用いるのに好適である。同様に好適なのは(例えば遺伝子発現データによる)生体状態の特性解析である。例えば、特許文献1〜特許文献3を参照。これらの特許を本願によって本願の部分として明示的に参照により援用する。これは更なる説明のためである。
米国特許番号第6,964,850号
米国特許番号第6,960,439号
米国特許番号第6,692,916号
図6は、図5の本願発明により変更した分析装置500を少なくとも1つ含む、分析システム600を示す。分析システム600は、測定値収集下位システム601を用いて測定データを収集する。測定データは、パラメーター、許容値及び決定規則と共に、測定データの入力501となる。測定データの入力501を分析装置500である測定値変換下位システム(本願発明によって変更している)が使用する。これにより変換の後のデータ入力509を計算する。このシステムは、自動許容値試験及び利用者による制御下位システム604のうち、少なくとも1つを含むことができる。自動許容値試験は既定の要求による、p1、p2、p3へのいかなる変更をも決定する。利用者による制御下位システム604は、変換の後のデータ入力509を利用者が繰り返し評価することに基づき、p1、p2、p3を決定することを制御する。この評価の繰り返しは、利用者による制御下位システム604により利用者が分析に基づき入力する(508)p1、p2、p3の値508から生ずる。
利用者は、変換の後のデータそれ自体に基づき決定を行うこともできるが、よりありうるのは、変換の後のデータが直接、測定値分析算法下位システム603に行き、その出力を用いて決定を行うことである。原始的な分析は、変換の後のデータの分布を計算して表示するだけかもしれない。しかし、よりありうるのは、パターン発見方法のアプリケーションを用いて、有用性又は合理性の何らかの基準によって、発見したパターンを検査することである。
記憶装置/永続するデータベース510は、短期及び長期の格納装置である。ここに含まれるのは、測定値変換下位システム500が行う測定値の変換のための、入力、出力、及び中間結果である。分析システム600は更に測定値分析算法下位システム603を含む。測定値分析算法下位システム603は記憶装置/永続するデータベース510に接続する。記憶装置/永続するデータベース510が保持し利用可能にするのは、パラメーター、許容値及び決定規則、元の測定データ、並びに、本願発明の装置及び方法を用いた、元の測定データの変換の結果の、長期的な履歴である。
これで本願開示の分析システムのある好適な観点を特定した。従って当業者には、かかるシステムを様々な既知の及び/又は未知の医療診断又は測定技法と共に効果的に利用してもよいことが容易に明らかになる。例えば、本願開示の装置と同様に、本願開示のシステムも、とりわけ、疾患の特定、測定及び/又は治療と共に用いるのに好適でありうる。同様に好適でありうるのは(例えば遺伝子発現データによる)生体状態の特性解析である。
図7は、図5の装置のための流れを有する図6のシステムのための処理の流れの好適な実施例である。図5の装置は図6のシステムに含まれている。工程701で、利用者はp1、p2、p3のパラメーター並びに許容値及び決定規則を入力し、これらが記憶装置/データベース510に格納される。測定したデータの値は工程702の入力となる。このデータは記憶装置/データベース510に格納される。このデータは測定値収集下位システム601が収集したデータである。工程703で、測定値変換下位システム500は、測定データを本願発明を用いて変換する。利用者による制御下位システム604は、完全に手動の調整から、完全に自動の調整まで、様々でありうる。利用者による制御下位システム604は、工程704で、変換の後の値を確認する。利用者による制御下位システム604に照らして、変換の後の値が、許容値内でない及び決定規則を満足しない場合、工程705で、利用者が指示する通り又は自動で、パラメーター並びに許容値及び決定規則のいかなるものも調整する。その後、工程703に戻る。工程704で、利用者による制御下位システム604に照らして、変換の後の値が良ければ、変換の後の値を工程707で出力し、記憶装置/データベース510に格納する。その後、測定値分析算法下位システム603が、前述の通り、記憶装置/データベース510から変換の後のデータを読み出し、分析し、記憶装置/データベース510に分析結果を格納する(706)。
本願発明の好適な実施例を説明し記載した。当業者は、本願に記載したシステム、装置、アーキテクチャー及び方法は、例示的なものであり、本願開示の真の範囲から離脱することなく、種々の変化及び変更を行ってもよく、要素をその均等物で置換してもよいことを理解することになる。加えて、特定の状況に本願発明の教示を適用するために、本願発明の中心範囲から離脱することなく、多くの変更を行ってもよい。従って、本願発明は、本願発明を実施するための最良の形態及び実施例に開示されている特定の実施例に限定されるものではないということを意図している。本願発明は添付の特許請求の範囲に含まれる全ての実施例を含むことを意図している。
Claims (20)
- 所与の分類学習型の学習機械に入力するために受入可能範囲[L,U]に測定データを変換する方法であって:
前記受入可能範囲[L,U]への少なくとも1つの既定のパラメーター化変換をを用いて、パラメーター化変換を合成する工程、ここで前記合成した前記パラメーター化変換は、信頼できないデータの感度を上げられた領域の、感度を下げ、従って、信頼できないこと及び望まれないことについての既定の基準を満たす差異が、前記学習機械に影響を与えない;
前記測定データの集合を、前記受入可能範囲[L,U]に、前記合成した前記パラメーター化変換を用いて、変換する工程;並びに
前記変換の後のデータが、既定の基準と既定の停止基準との群から選択した条件を満たすかどうかを試験する工程;ここで前記条件を満たさない場合、前記条件が満たされるまで:
前記合成した前記パラメーター化変換の、少なくとも1つのパラメーターを調整する工程;及び
変換する前記工程及び試験する前記工程を実行する工程;
を繰り返し実行し、前記条件を満たす場合:
前記変換の後の前記データを出力する工程を実行する;
を含む方法、ここで前記受入可能範囲[L,U]においてLは下限値でありUは上限値である。 - 前記少なくとも1つの既定のパラメーター化変換は:
transformed_x=xである恒等変換;並びに
パラメーターp2及びp3を有し:
p2=シグモイドの上限;
p3=シグモイドの伸張;及び
transformed_x=p2/(1−exp(−p3*x));
であるシグモイド変換;
を含む群から選択される、請求項1の方法、ここでxは前記測定データであり、transformed_xは前記少なくとも1つの既定のパラメーター化変換による変換の後のデータである。 - 合成する前記工程は、第1にパラメーター化ガウス変換を実行する工程を更に含む、請求項2の方法、ここで前記パラメーター化ガウス変換はパラメーターp1及びガウス変換の結果distorted_xを有し:
p1=ガウス変換の幅;及び
distorted_x=x−(x*exp(−x*x/p1));
である。 - 前記分類学習型は複層パーセプトロン(MLP)であり、前記受入可能範囲[L,U]は[0,1]である、請求項3の方法。
- 所与の分類学習型の学習機械に入力するために測定データを変換する装置であって:
前記測定データを分析し;
前記分析に基づき、少なくとも1つの既定のパラメーターを有する、少なくとも1つの既定のパラメーター化変換をを用いて、パラメーター化変換を合成し;及び
前記測定データを、前記合成した前記パラメーター化変換を用いて、前記分類学習型の前記学習機械の受入可能範囲[L,U]へ変換する;
合成変換モジュール;
前記合成変換モジュールに結合し、前記既定のパラメーター、変換すべき前記測定データ、及び前記変換の結果の出力データを格納するための、記憶装置;並びに
前記変換の後のデータが既定の充足基準を満たすかどうかを決定し、停止条件と前記既定の充足基準とを含む群のうちの1つの条件が合致するまで、前記既定のパラメーターを調整し、前記測定データを前記調整後のパラメーターを用いて前記合成変換モジュールで再変換する、変換後データ処理モジュール、ここで前記変換の後のデータの入力は、少なくとも1つの前記変換の結果の出力データであり、前記記憶装置に格納されている;
を含む装置。 - 前記少なくとも1つの既定のパラメーター化変換は:
transformed_x=xである恒等変換;並びに
パラメーターp2及びp3を有し:
p2=シグモイドの上限;
p3=シグモイドの伸張;及び
transformed_x=p2/(1−exp(−p3*x));
であるシグモイド変換;
を含む群から選択される、請求項5の装置、ここでxは前記測定データであり、transformed_xは前記少なくとも1つの既定のパラメーター化変換による変換の後のデータである。 - 前記合成変換モジュールは、第1にパラメーター化ガウス変換を実行するように更に構成される、請求項6の装置、ここで前記パラメーター化ガウス変換はパラメーターp1及びガウス変換の結果distorted_xを有し:
p1=ガウス変換の幅;及び
distorted_x=x−(x*exp(−x*x/p1));
である。 - 前記分類学習型は複層パーセプトロン(MLP)であり、前記受入可能範囲[L,U]は[0,1]である、請求項7の装置。
- 所与の分類学習型の学習機械に入力するために測定データを変換するシステムであって:
前記測定データを収集し出力するための測定値収集下位システム;
測定値変換下位システム及び測定値分析算法下位システムを含む測定値分析下位システム、ここで前記測定値分析下位システムは、前記測定値収集下位システムの出力である前記測定データを受け取るように構成され、受け取った前記測定データを記憶装置/データベースに格納し、受け取った前記測定データを、前記測定値変換下位システムを用いて、前記学習機械の入力として受入可能範囲[L,U]へ変換し、前記変換の後のデータを前記測定値分析算法下位システムを用いて分析し、前記変換の後のデータと前記変換の後のデータの前記分析の結果とを、前記記憶装置/データベースに格納する;
を含むシステム。 - 前記測定値変換下位システムは、少なくとも1つの設定可能なパラメーターを有する少なくとも1つの合成したパラメーター化変換を用いるように更に構成され、かつ、利用者による制御下位システムを更に含む、請求項9のシステム、ここで利用者は前記利用者による制御下位システムを用いて前記測定値分析算法下位システムを利用し、それにより前記変換の後のデータの品質を判断し、前記少なくとも1つの設定可能なパラメーターに既定の値を設定することにより、前記測定データを変換又は再変換するように前記測定値変換下位システムに指示する。
- 前記少なくとも1つの合成したパラメーター化変換は:
transformed_x=xである恒等変換;並びに
パラメーターp2及びp3を有し:
p2=シグモイドの上限;
p3=シグモイドの伸張;及び
transformed_x=p2/(1−exp(−p3*x));
であるシグモイド変換;
を含む群から選択される、請求項10のシステム、ここでxは前記測定データであり、transformed_xは前記少なくとも1つの合成したパラメーター化変換による変換の後のデータである。 - 前記少なくとも1つの合成したパラメーター化変換は、第1のパラメーター化ガウス変換を含む、請求項11のシステム、ここで前記パラメーター化ガウス変換はパラメーターp1及びガウス変換の結果distorted_xを有し:
p1=ガウス変換の幅;及び
distorted_x=x−(x*exp(−x*x/p1));
である。 - 前記分類学習型は複層パーセプトロン(MLP)であり、前記受入可能範囲[L,U]は[0,1]である、請求項12のシステム。
- 診断データを収集する工程;及び
前記収集した前記診断データをデータ処理手段によって処理する工程;
を含む分子診断方法、ここで前記データ処理手段は前記診断データを変換するための変換手段を含み、前記変換手段により、信頼できない範囲では前記変換の感度を下げ、他の範囲では前記変換の感度を変更しない又は上げる。 - 請求項14の方法の少なくとも部分を実行するための計算機プログラム可能媒体。
- 測定入力データを少なくとも受け取るための入力手段;
データの変換を行うための変換手段を少なくとも含む処理手段、ここで前記変換手段により、信頼できない範囲では前記変換の感度を下げ、他の範囲では前記変換の感度を変更しない又は上げる;及び
前記変換の後のデータを少なくとも出力するための出力手段;
を含む分子診断装置。 - 利用者による制御手段を更に含む、請求項16の装置。
- データの変換を行うための前記変換手段は、第1の手段及び第2の手段を少なくとも含む、請求項16の装置、ここで前記第1の手段は、少なくとも、前記測定入力データを分析すること及びパラメーター化変換を合成することのためのものであり、前記第2の手段は、少なくとも、前記変換の後のデータが基準と一致しているかを判断すること及び少なくとも1つの前記基準が満たされるまで前記測定入力データを再変換することのためのものである。
- 請求項18の機能の少なくとも部分を達成するための計算機プログラム可能媒体。
- 診断データを少なくとも収集し出力するためのデータ収集下位システム;
少なくとも:
入力データを分析し;
前記入力データを変換し、ここで信頼できない範囲では前記変換の感度を下げ、他の範囲では前記変換の感度を変更しない又は上げるようにし;及び
前記変換の後のデータを出力する;
ためのデータ処理下位システム;並びに
利用者が、少なくとも前記データ収集下位システム及び/又は前記データ処理下位システムと、相互作用することを、少なくとも可能にするための、制御下位システム;
を含む分子診断システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US74690506P | 2006-05-10 | 2006-05-10 | |
PCT/IB2007/051283 WO2007129233A2 (en) | 2006-05-10 | 2007-04-10 | Transforming measurement data for classification learning |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009536386A true JP2009536386A (ja) | 2009-10-08 |
Family
ID=38668154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009508554A Pending JP2009536386A (ja) | 2006-05-10 | 2007-04-10 | 分類学習のための測定データの変換 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20090208096A1 (ja) |
EP (1) | EP2021988A2 (ja) |
JP (1) | JP2009536386A (ja) |
CN (1) | CN101438304A (ja) |
RU (1) | RU2008148569A (ja) |
WO (1) | WO2007129233A2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090316982A1 (en) * | 2005-06-16 | 2009-12-24 | Koninklijke Philips Electronics, N.V. | Transforming measurement data for classification learning |
US11176475B1 (en) | 2014-03-11 | 2021-11-16 | Applied Underwriters, Inc. | Artificial intelligence system for training a classifier |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3081043B2 (ja) * | 1991-12-27 | 2000-08-28 | シスメックス株式会社 | 脳梗塞の診断方法 |
AU1837495A (en) * | 1994-10-13 | 1996-05-06 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
JP3645023B2 (ja) * | 1996-01-09 | 2005-05-11 | 富士写真フイルム株式会社 | 試料分析方法、検量線の作成方法及びそれを用いる分析装置 |
US6692916B2 (en) * | 1999-06-28 | 2004-02-17 | Source Precision Medicine, Inc. | Systems and methods for characterizing a biological condition or agent using precision gene expression profiles |
US6960439B2 (en) * | 1999-06-28 | 2005-11-01 | Source Precision Medicine, Inc. | Identification, monitoring and treatment of disease and characterization of biological condition using gene expression profiles |
JP5236856B2 (ja) * | 2001-11-09 | 2013-07-17 | ライフ テクノロジーズ コーポレーション | 遺伝子発現プロファイルを用いる病気の同定、観測及び治療及び生物学的状態の同定 |
DE10201804C1 (de) * | 2002-01-18 | 2003-10-09 | Perceptron Gmbh | Verfahren und System zum Vergleichen von Messdaten |
US7373403B2 (en) * | 2002-08-22 | 2008-05-13 | Agilent Technologies, Inc. | Method and apparatus for displaying measurement data from heterogeneous measurement sources |
EP1828961A2 (en) * | 2004-12-17 | 2007-09-05 | Koninklijke Philips Electronics N.V. | Method and apparatus for automatically developing a high performance classifier for producing medically meaningful descriptors in medical diagnosis imaging |
RU2475849C2 (ru) * | 2007-07-13 | 2013-02-20 | Конинклейке Филипс Электроникс Н.В. | Система содействия принятию решений для острых функциональных заболеваний |
-
2007
- 2007-04-10 WO PCT/IB2007/051283 patent/WO2007129233A2/en active Application Filing
- 2007-04-10 EP EP07735450A patent/EP2021988A2/en not_active Withdrawn
- 2007-04-10 CN CNA2007800166912A patent/CN101438304A/zh active Pending
- 2007-04-10 US US12/299,828 patent/US20090208096A1/en not_active Abandoned
- 2007-04-10 RU RU2008148569/09A patent/RU2008148569A/ru not_active Application Discontinuation
- 2007-04-10 JP JP2009508554A patent/JP2009536386A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
RU2008148569A (ru) | 2010-06-20 |
WO2007129233A3 (en) | 2008-06-19 |
CN101438304A (zh) | 2009-05-20 |
WO2007129233A2 (en) | 2007-11-15 |
US20090208096A1 (en) | 2009-08-20 |
EP2021988A2 (en) | 2009-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9128055B2 (en) | Information processing apparatus, information processing method, program, and method of correcting intensity of fluorescence spectrum | |
EP1922695B1 (en) | Method of, and apparatus and computer software for, performing image processing | |
WO2005008254A1 (ja) | 臨床検査分析装置、臨床検査分析方法およびその方法をコンピュータに実行させるプログラム | |
RU2517286C2 (ru) | Классификация данных выборок | |
CN111103325B (zh) | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 | |
Venerito et al. | A convolutional neural network with transfer learning for automatic discrimination between low and high-grade synovitis: a pilot study | |
WO2009146036A2 (en) | Quantification of differences between measured values and statistical validation based on the differences | |
JP5637373B2 (ja) | 画像の分類方法、外観検査方法および外観検査装置 | |
CN114729397B (zh) | 随机乳化数字绝对定量分析方法及装置 | |
Pantic et al. | Gray level co-occurrence matrix and wavelet analyses reveal discrete changes in proximal tubule cell nuclei after mild acute kidney injury | |
CN115394426A (zh) | 基于迁移学习的青少年IgA肾病的预测分析系统 | |
Ferrer‐Font et al. | Ensuring full spectrum flow cytometry data quality for high‐dimensional data analysis | |
JP2009536386A (ja) | 分類学習のための測定データの変換 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN114038507A (zh) | 预测方法、预测模型的训练方法及相关装置 | |
CN114092935A (zh) | 一种基于卷积神经网络的纺织品纤维识别方法 | |
Liu et al. | Sample hardness based gradient loss for long-tailed cervical cell detection | |
CN117216558A (zh) | 一种煤质分析模型训练方法、装置、电子设备和存储介质 | |
CN111627493A (zh) | 一种激酶抑制剂的选择性预测方法和计算设备 | |
CN115171790A (zh) | 质谱的数据序列在质量评估中的分析方法、装置和存储介质 | |
EP2834624A1 (en) | A method for measuring performance of a spectroscopy system | |
JP2008546996A (ja) | 分類学習のための測定データの変換 | |
KR20210059325A (ko) | 딥러닝을 이용한 암의 예후 예측 모델 | |
CN117007825B (zh) | 一种全自动凝血测试仪的试剂自动识别与定位系统及方法 | |
KR102629904B1 (ko) | 머신러닝과 이미지 프로세싱을 이용한 진단 키트 영상의 위치 및 색상 보정 장치 및 방법 |