JP2018529134A

JP2018529134A - ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー

Info

Publication number: JP2018529134A
Application number: JP2017559611A
Authority: JP
Inventors: 寛陳
Original assignee: 寛陳
Priority date: 2015-06-02
Filing date: 2016-05-31
Publication date: 2018-10-04
Anticipated expiration: 2036-05-31
Also published as: JP6522161B2; EP3306500A4; US20180137941A1; CN104866727A; EP3306500A1; CN113421652A; IL255856A; US11200982B2; WO2016192612A1; IL255856B; US20220059229A1

Abstract

【課題】ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザーを提供すること。【解決手段】病院の医師又は医学研究員の仕事におけるストレスを効果的に軽減でき、かつ大量の医療或いは医学のデータについて科学的な分析を行うことと共にそのマッチングする分析結果が得られるディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザーであって、そのコアコンテンツは、ディープラーニング内の深層畳み込みニューラルネットワーク（ＤｅｅｐＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ、以下「ＤＣＮＮ」という）を運用してコンピュータ内にモデルを作成する。該モデルは、膨大な医療データを利用してモデルパラメータを選択及び最適化し、「訓練」モデルの自主学習する医師又は医学研究員の病理分析過程を通じて、大量の医療又は医学のデータの処理に力添え、最終的に医師に大量の医療データの正確な判断及び有効な意思決定を支援する。医師又は医学研究員の仕事におけるストレスを大幅に低減し、その仕事能率を高めることができる。医師又は医学研究員の医療或いは医学データに対する大変な分析の仕事量から解放させることができ、従ってより多い精力をその他のより重要な仕事内に傾けられる。【選択図】図１

Description

本発明は、医療又は医学のデータを分析するインテリジェント設備に関し、特に、総合病院或いは医学研究機構が得た大量の医療又は医学のデータを自動集約すると共にそのマッチングする分析結果を与えるインテリジェントアナライザーに関する。

通常、総合病院又は医学研究機構の医師或いは研究員は、毎日大量の作業を完了させなければならない。例えば病院の臨床科の医師は、毎日収集した医療データについて研究、分析及び意思決定を行う必要があり、以下が北京のレベル３甲種総合病院からランダムで抽出した１日に発生した医療データである：
ＣＴスキャンが１１６２部、Ｘ線が１４６１部、ＭＲＩが３２５で、Ｘ線の１部につき２枚の二次元画像が含まれ、ＣＴスキャンの１部につき５０枚の二次元画像が含まれ、ＭＲＩの１部につき１００枚の二次元画像が含まれる。これら検査データは、全て放射線科医がレポートを作成し、また該レベル３甲種総合病院には２０人余りの放射線科医しかいなく、その中に入力が遅い年配の医師及び経験不足の若い医師も含まれる。よって、毎日継続して大量の作業を処理すると、関係の医師或いは研究員の仕事におけるストレスが大きく、体力の低下が速く、仕事能率も低く、更には分析結果の誤り率が高い等の問題が起きやすかった。

中国特許第ＣＮ２０１１１０３７６７３７．Ｘ号

論文Ｂｅｎｇｉｏ−２００９、引用：ＹｏｓｈｕａＢｅｎｇｉｏ，"ＬｅａｒｎｉｎｇＤｅｅｐＡｒｃｈｉｔｅｃｔｕｒｅｓｆｏｒＡＩ"，Ｆｏｕｎｄａｔｉｏｎｓａｎｄｔｒｅｎｄｓ(R)ｉｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ２（１），１−１２７）

本発明が解決しようとする技術的課題は、病院の医師又は医学研究員の仕事におけるストレスを効果的に軽減でき、かつ大量の医療或いは医学のデータについて科学的な分析を行うことと共にそのマッチングする分析結果が得られるディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザーを提供することである。

上記技術的課題を解決するため、本発明が用いる技術的解決策：
本発明のディープラーニングに基づく医療データ分析方法は、
医療訓練データとして届け出た膨大な同種の医療材料データ及び該医療材料データにマッチングする診療データを収集し、入力装置を通じてコンピュータ内に保存するステップ１）と、
前記医療訓練データ内の二次元以上の画像データをテキストデータ内の時間及び空間に伴う変化値と対応のデータと関連付けるステップ２）と、
収集した膨大な医療訓練データ内において、各個体に対応する医療訓練データと前記変化値を１つのデータユニットに集約するステップ３）と、
前記医療訓練データを分割、関連付け又はテキストデータマイニング方法でコンピュータが理解できる構造化データマトリックスとして統合或いはフォーマットし、各データユニット内からデータ特徴を抽出するステップ４）と、
構造化データマトリックスを形成した医療訓練データをコンピュータ内に設けられ、ディープラーニングモデルに対応するストレージモジュール内に導入するステップ５）と、
コンピュータを通じて前記ディープラーニングモデルに対し、ａ．ディープラーニングの基本ワークフレームを設定し、前記医療訓練データをデータ特徴によって入力層と少なくとも１層の隠れ層と出力層とを含むデータモデルを作成し、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含むことと、ｂ．各ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であることと、ｃ．前記パラメータ値Ａ_ｉを初期化し、前記出力層内の各ノードの出力値を対応するノードの診療データ特徴と比較し、各ノードの前記パラメータ値Ａ_ｉを繰り返し修正し、順次繰り返しし、最終的に前記出力層内の各ノードの出力値で生成し、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Ａ_ｉを得たことという最適化法により、最適化演算を行うステップ６）と、
得られた構造化データマトリックスを形成した医学分析対象データを該ディープラーニングモデル内に導入してそのマッチングする病理学的分析を行うステップ７）と、
ディープラーニングモデルから出力装置を通じて前記医学分析対象データにマッチングする病理学的分析結果を出力するステップ８）と、
を含む。

前記パラメータ値Ａ_ｉを最適化する方法は、教師なしの学習方法である。

前記教師なし学習方法は、雑音除去自己符号化器或いは制限付きボルツマンマシンを用いて自主学習を行う。

前記パラメータ値Ａ_ｉを最適化する方法は、教師ありの学習方法である。

前記数学的方程式は、パラメータ数学的方程式或いは非パラメータ数学的方程式であり、パラメータ数学的方程式が線形モデル、ニューロンモデル或いは畳み込み演算とすることができ、非パラメータ数学的方程式が極値計算方程式とすることができる。数学モデルの設定方式は下式で表される。

式中、ｙは、前記出力層内の診療データ特徴であり、次元がＭ_ｎであり、Ｘが訓練材料データであり、次元がＭ_０であり、ｆ_１〜ｆ_ｎが設定した各層の演算方程式であり、各層方程式ｆ_ｉの次元はＭ_ｉ−１→Ｍ_ｉであり、第１層ｆ_１の場合、次元がＭ_０のＸを次元がＭ_１の出力Ｚ_１に変換し、Ｚ_１は第２層方程式ｆ_２の入力となり、以後も同様にし、各層モデルｆ_ｉはマッチングのパラメータ組Ａ_ｉを有する。

前記医療材料データは、臨床及び医療技術の段階における医師が患者の診断、検査及び治療過程に対して行った関連情報の記録を含み；前記診断データは、臨床及び医療技術の段階における医師が患者の初診判断、退院結果、疾病治療効果に対して行った関連情報の記録及び医師が作成したテキスト診察データと追跡調査データを含む。

前記データ特徴は、医療訓練データの時空間における変化値とデータ自体の各種数理統計値とを含む。例えば時間に伴って変化し、データのアップ或いはダウン傾向である。

前記医学分析対象データ及びそのマッチングする分析結果が関わる構造化データを前記ディープラーニングモデル内にフィードバックして新しい訓練データが形成される。

本発明のディープラーニングに基づいて医療データに対し分析を行うインテリジェントアナライザーは、医療訓練データ及び医学分析対象データをコンピュータ内に導入する入力装置と、前記医療訓練データ及び医学分析対象データを分けて保存又は集中保存するストレージモジュールと、ストレージモジュール内の医療訓練データを呼び出して自主学習を行うディープラーニングモデルモジュールと、前記医学分析対象データとマッチングする病理学的分析結果をエクスポートする出力装置とＣＰＵ及び／或いはＧＰＵのプロセッサとを包括し、
前記医療訓練データは、医療材料データとそのマッチングする診療データとを含み；
前記医療訓練データ及び医学分析対象データは、コンピュータが理解できる構造化データマトリックスであり；
前記自主学習は、線形モデルとニューロンモデルと畳み込み演算及び／或いは最大値を求める演算を含むパラメータ数学的方程式を用い；
前記入力装置は、病院、医学機構に設置されるコンピュータと、該コンピュータとリンクする各種医療検査装置及び病理分析装置とを含み；
前記出力装置は、病院、医学機構内に設置されると共に前記入力装置とリンクする定置型コンピュータの出力ターミナル及びモバイルスマートターミナルを含む。

本発明のインテリジェントアナライザーは、インターネット、イーサネット(登録商標)と接続でき、光ファイバー接続、ＷＩＦＩ接続或いはＧＰＲＳモジュール接続を含むネットワーク接続モジュールを更に設ける。

本発明に係る方法及びそのインテリジェントアナライザーのコアコンテンツは、ディープラーニング内の深層畳み込みニューラルネットワーク（英名：ＤｅｅｐＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ、以下、「ＤＣＮＮ」という）を運用してコンピュータ内にモデルを作成する。該モデルは、膨大な医療データを利用してモデルパラメータを選択及び最適化し、「訓練」モデルの自主学習する医師又は医学研究員の病理分析過程を通じて、大量の医療又は医学のデータの処理に力添え、最終的に医師に大量の医療データの正確な判断及び有効な意思決定を支援する。本発明は、医師又は医学研究員の仕事におけるストレスを大幅に低減し、その仕事能率を高めることができる。本発明は、医師又は医学研究員の医療或いは医学データに対する大変な分析の仕事量から解放させることができ、従ってより多い精力をその他のより重要な仕事内に傾ける。

本発明に係るインテリジェントアナライザーの動作ブロック図脳のＭＲＩで生成した画像データ画像データ内のターゲットを削除した後の画像データ図形データをベースにしたＤＮＮ基本数学的構造を示す模式図畳み込みブロック演算を示す模式図多層パーセプトロンの論理演算を示す模式図雑音除去自己符号化器の動作フローを示す模式図

図１に示すように、本発明のディープラーニングに基づく医療データ分析方法は膨大な医療データを利用してモデルパラメータを選択及び最適化し、「訓練」モデルの自主学習する医師又は医学研究員の病理分析過程を通じて、大量の医療又は医学のデータの処理に力添え、最終的に医師に大量の医療データの正確な判断及び有効な意思決定を支援する。

通常医療データのインテリジェントな分析システムは、医療技術の非常に重要な分野である。例えば医療画像データ面において、大部分の研究分野は肺部ＣＴ肺結節の分析で、主に画像分割（ｓｅｇｍｅｎｔａｔｉｏｎ）及び検出（ｄｅｔｅｃｔｉｏｎ）という２大技術モジュール分ける。画像分割の主な目的は、肺部の重要部位、例えば気管、肺葉、血管等のインテリジェントな分割を行い、３Ｄ画像方式を通じてモデリングして展示することで、臨床医及び画像診断医がもっとよく肺部構造を分析すると共に術前準備を行うことに力を添える。画像分割は、現在すでに非常に成熟な技術及びアルゴリズムがあるが、主に例えば伝統的なｃａｓｃａｄｅモデルアルゴリズムに使用され、インテリジェントアナライザーの用途を十分に発揮できない。次に、図形分割向け分析システムは、医療データ処理中の非常に小さい部に向けるだけで、医師への価値も限度がある。

ＤｅｅｐＬｅａｒｎｉｎｇディープラーニングは、現在人工知能分野で公認された革命的な技術であり、画像認識、音声認識等の分野において従来のアプリケーション方法を覆し、非常に多くの技術革新のアプリケーションをもたらし、例えばグーグルの画像内容分析、グーグルのセルフドライビングカー、ＧｏｏｇｌｅＢｏｏｋ、ＧｏｏｇｌｅＢｒａｉｎ等である。

ただし、現在医療データ分析分野において、大部分の方法はやはり非常に伝統的なＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ等の分類方法を使用し、現在人工知能分野の最先端技術を代表できない。例えば同種の機能の特許文献１内に使用するのは、ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ方法で、機械学習分野の以前１９９５〜２００５年に最も幅広く応用された方法で、現在すでに人工知能分野の最先端方法を代表できない。

２Ｄ及び３Ｄの画像認識アルゴリズムにおいて、現在最先端は、ＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋ（ＤＮＮ）ディープニューラルネットワークアルゴリズム（非特許文献１参照）と公認され、膨大な訓練データを有する分野、例えば手書き文字認識、交通信号認識において、更に人為的認識の精度を超えた。

本発明は、最先端のディープラーニングアルゴリズムを医療データ分析内に応用し、膨大なデータに合わせてモデリングを行い、医療データ分析システムを構築する。医師の仕事におけるストレスを大幅に低減し、医師の仕事能率をアップする。

主にプレトレーニング（ｐｒｅ−ｔｒａｉｎｉｎｇ）とファインチューニング（ｆｉｎｅ−ｔｕｎｉｎｇ）とを含む。

プレトレーニングは、主に医療訓練データを使用して最も医療分析過程を表す数式を探し出す。モデル応用モジュールは、インテリジェントアナライザーシステム中の主な応用モジュールであり、医学分析対象データをプレトレーニング中に入力して該モジュールから前記医学分析対象データとマッチングする病理学的分析結果を自動出力する。

以下、本発明について詳細な説明を行う。

本発明の方法としては、次のステップを含む。

一、医療訓練データとして届け出た膨大な同種の医療材料データ及び該医療材料データにマッチングする診療データを収集し、入力装置を通じてコンピュータ内に保存する。

医療訓練の目的は、コンピュータに医療材料データ内から対応する診療分析データを自動計算させることである。

例えば、臨床面（外科、内科等）：
前記医療材料データは、医師から記入・入力された例えば現病歴、既往歴、身体検査、実験室及び機器検査、入院後の治療過程等の記録といった患者情報を含む。
前記診療データ（別名目標データ）は、医師が患者の入院初診及び出院結果、疾病治療効果等を行う記録を含む。

臨床の例：
患者を診察し、患者の年齢、性別、体重、現病歴、既往歴、身体検査等の関連情報を入力し、分析データを統合して該患者に疾病種類の分析、受診助言及び治療予定プランを提供する。例えば、６５歳の男性患者、咳、胸の圧迫感、最近体重減少、長期喫煙歴、過去検査を受けていないこと等といった１名の患者の関連情報を入力する。

医療技術面（病理科、検査科、放射線科、核医学科等）
前記医療材料データは、オリジナル画像データ、病理種類、疾病に関する検査データ、病変部位、転移の有無又は多発等を含む。
前記診療データは、医師から記入されたテキスト診察データ、追跡調査データを含む。

医療技術の例：
放射線科：異なる身体部位、異なる画像検査手段のオリジナル画像データに対する分析訓練を通じて、インテリジェントアナライザーに病変について認識、分析機能を持たせ、また次の診療助言を出す。例えば肺部の単発肺結節のＣＴ知能化診断は、インテリジェントアナライザーが極め短い時間内に全てのオリジナル画像を検索して病変部位、大きさ、内部密度、辺縁状態、画像内その他の部位の正常の有無等のデータを判断できる。

二、前記医療訓練データ内の二次元以上の画像データをテキストデータ内の時間及び空間に伴う変化値と対応のデータと関連付ける。或いは同一事例の医療材料データと診療データを相互に関連付ける。

三、収集した膨大な医療訓練データ内において、各個体に対応する医療訓練データと前記変化値を１つのデータユニットに集約する。
すなわち、ある人又はあるシリーズの症例と関連する医療訓練データ及び前記変化値を１つのデータユニットに集約する。

四、前記医療訓練データを分割、関連付け又はテキストデータマイニング方法でコンピュータが理解できる構造化データマトリックスとして統合或いはフォーマットし、各データユニット内からデータ特徴を抽出する。

前記データ特徴は、医療訓練データの時空間における変化値とデータ自体の各種数理統計値とを含む。

データ特徴は、医療訓練データが時間の変化に伴い、例えばデータのアップ或いはダウン傾向であり；空間の変化、例えば画像データの中の１つの画素から次の画素までの関係であることが挙げられる。データ特徴は、データ自体の各種数理統計値を更に含み、例えば個体データと他の個体データの比較値である。これらデータ特徴は、ベクター、マトリックス或いはシーケンスの形式でコンピュータが理解する構造にフォーマットする。データ特徴の的収集も、画像処理或いは初期データ統計処理を含む。画像処理において、医療診療データに関連する画像内容を分割するのは、画像データ特徴を見つけ出す第一歩である。文書処理において、ＴＦ−ＩＤＦ（ｔｅｒｍｆｒｅｑｕｅｎｃｙ−ｉｎｖｅｒｓｅｄｏｃｕｍｅｎｔｆｒｅｑｕｅｎｃｙ）は、定量的情報の検索及びテキストマイニングの方式であり、応用されることもよい。以上の初期画像テキスト処理は、コンピュータのデータ特徴に対する収集が非常に楽になる。

五、構造化データマトリックスを形成した医療訓練データをコンピュータ内に設けられ、ディープラーニングモデルに対応するストレージモジュール内に導入する。

六、コンピュータを通じて前記ディープラーニングモデルに対し、最適化演算を行、その最適化法は次の通りとする。
１、ディープラーニングの基本ワークフレームを設定し、前記医療訓練データをデータ特徴によって入力層と少なくとも１層の隠れ層と出力層とを含むデータモデルを作成し、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含み；
２、ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であり；
３、前記パラメータ値Ａ_ｉを初期化し、前記出力層内の各ノードの出力値を対応するノードの診療データ特徴と比較し、各ノードの前記パラメータ値Ａ_ｉを繰り返し修正し、順次繰り返しし、最終的に前記出力層内の各ノードの出力値で生成し、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Ａ_ｉを得；
前記パラメータ値Ａ_ｉを最適化する方法は、教師なしの学習方法及び教師あり学習方法である。

例えば、論理方程式の表現形式は、下式で表される。

例えば、線形方程の表現形式は、下式で表される。

式中、ｘ_ｍは、方程式の入力値であり、ｙが方程式の出力値であり、ａ_ｍが方程式の基本パラメータである。

ディープラーニングモデルのパラメータＡ_１〜Ａ_ｎを初期化し、随時にモデルパラメータ、モデルの深さ等を設定でき、何らかの方法で初期化パラメータモデルを選択してもよい。

＜演算方法の解釈＞
演算の中核は、教師あり学習アルゴリズムのディープラーニングであり、これが過去５〜１０年人工知能及び機械学習分野の革命的な技術である。本発明のＤＮＮアルゴリズムの基礎上において病変スキャン時の時空間的な変化を独創的に加入し、病変組織の三次元空間における結像法則を十分考慮し、認識確率を高め；同時にモデルは、医師の人為的な判断要因を導入でき、単純な知能の判断要因と医師の専門的な判断を結合して総合的なモデリングを行って病変確率を計算する。

本発明が人工知能技術に属し、データ演算の最終目的は、モデルが医療画像において病変を認識し、確率を出すと共にラベリングし、医師の診療作業をサポートできるよう「訓練」することである。よって、モデル構築の過程中、膨大なデータは教材に相当し、モデルワークフレームはアルゴリズムが具体的な情報に対し抽象的な要約を行う具体的な流れであるため、インテリジェント演算過程中、膨大なデータ及びインテリジェントアルゴリズムは必要不可欠である。

各々次に紹介する：
＜１．医療訓練データ＞
ａ）客観的に存在する自然データ：すなわち、病院が実際の業務中で形成した自然診療データであり、訓練データは実際の運用シナリオで生成した診療データに近ければ近いほど、訓練効果が益々良くなる。データを教材とするのも対応の要求がある。２種のデータソース（すなわち、医療材料データ及び診療データ）は、本発明の実現にとって必要不可欠であり、まずオリジナル医療データを必要とされ、一般的に医療機器から結像した後のデータ形式は非常に多く、例えば．ｎｉｉ．ｇｚ，．ｄｃｍ等の形式であり、全ての形式が訓練モデルに入る前に多次元マトリックスデータ情報として表されることができる。例えばＭＲＩ（英名：ＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅＩｍａｇｉｎｇ、和名：核磁気共鳴画像）の図形は、三次元マトリックス（グレースケール）、すなわち、二次元グレースケールインデックスと一次元横断面とすることができ；或いは者四次元マトリックス（ｒｇｂ）とし、すなわち、二次元インデックスカラーに３種インデックスカラーをプラスし、最後に一次元横断面をプラスする。いかなる医療データは、均しく抽象的にそのようなマトリックスに簡略化できる。そのようなマトリックスは、モデル読み取りのオリジナルデータソースを構成する。図２、図３に示すのは、脳のＭＲＩで生成した画像データであり、仮にシステムは１枚のＭＲＩスライスを画素５１２×５１２の図として生成し、一回の脳走査が２００枚のスライス面である場合、一回グレースケールの脳走査データソースは５１２×５１２×２００＝５２，４２８，８００次元のデータ行に集約できる。モデルとって、５２，４２８，８００個の数字中に該脳走査の全ての理解及び概括された情報をカバーする。

教師なし学習部分にとってそのような医療オリジナルマトリックスは、モデリングの基本データである。教師あり学習部分にとって、図形とマッチングする分析目標を必要とする。最も簡単な二元分析情報は、例えば病変組織の測定である（少し複雑な情報は、病変の確率である）。その後より複雑な医学情報、例えば病変種類、治療効果、病変部位等の情報を取り入れることができる。更なる複雑な病変発展予測システムにとって、患者の身体検査の過去時系列データデータにマッチングしてアルゴリズムに医学現象の発展法則を学習させる。

ｂ）形成したアナログデータをシミュレートする：そのようなデータは、コンピュータを通じて自ら加工又はシミュレートして成り、アナログデータをモデリングの訓練データとする。

そのようなモデルの最も典型的な例は、マイクロソフトのＸｂｏｘＫｉｎｅｃｔシステムであり、開発段階において手の姿勢認識モデルの基本データは、全て３Ｄモデリングが完了された。

本発明において、アナログデータはオリジナル医療データに基づいて変形、歪み及びノイズ重畳を通じて構築した新しいデータとして理解されることができる。アナログデータを使用する原因は２層があり、つまり第一、変形後データを加入すると、医療データ中の中核変化法則をより一層安定的に認識することをアルゴリズムに教えることに有利となり；第二、一般的にＤＮＮモデルは、数百万以上のパラメータを求め、データ量が有限な状態において非常に過剰適合の現象が生じやすく、すなわち、モデルが病歴データを過学習したことで、適切に中核変化法則について帰納及び抽象的な集約を行うことができない。アナログの変形データを加入すると、訓練過程中へのノイズ加入に相当し、アルゴリズムにもっとよくノイズと有効な情報を区分するよう強制し、過剰適合問題の解決に役に立つ。

＜２．機械学習アルゴリズムモデル＞
機械学習アルゴリズムモデルが本発明の帰納及び情報に対して抽象的な要約を行う基本数学的ワークフレームであり、主な目的は、パターン識別過程をコンピュータに理解されることができる数学的構造で表現することである。訓練の過程は、モデル中のパラメータを見積もり、パラメータ見積もりが完了した後モデルは本発明に係る方法の中核部分となる。目的の異なる機械学習アルゴリズムに基づいて、教師あり学習及び教師なし学習という２種類に帰納できる。本発明は２種類のアルゴリズムをカバーする。

ａ）教師あり学習：教師あり学習アルゴリズムは、人為的に設立したモデルがターゲットを見つける法則である。前に述べたように、オリジナル図形マトリックスデータ以外に、教師あり学習アルゴリズムはマッチングする分析結果データ（例えば前記診療データ）を必要とする。

本発明は、主に以下の教師あり学習アルゴリズムを含む。

＜ｉ．ディープニューラルネットワーク（ＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋ）＞
このアルゴリズムの基本的な原理は、人間の脳の認識過程を真似する。ＤＮＮアルゴリズムの入力は、オリジナル医療データ及び医師の歴史的な分析結果であり、最終的に分析過程を自動完成できる。ＤＮＮの抽象的な概括は、下式で表される。

式中、ｘは、オリジナル医療マトリックスデータであり、ｙがインテリジェントシステムの分析結果であり、ＤＮＮが方程式ｆのｘ〜ｙの数学マッピング表現形式である。

異なる教師あり学習は、ｆに対して異なる仮定があり、ＤＮＮアルゴリズムは人間の脳のニューロン構造を真似してモデリングを行い、図形データをベースとするＤＮＮ基本数学的構造は、図４に示す通りとする。

（注：これは、我々の上記ＤＮＮモデルのうちの１つのアプローチのみであり、第１層が畳み込み層で、第２層が最大プール層であり、このようなサイクルする）ＤＮＮの構造は、左側の図形オリジナルデータから最も右側の分析結果まで多層に分けることができ、各層で異なる数学演算を完了する。モデルは計多層ニューロン構造がある。第１層は、医療データについて複数のパラレル内積演算を完成する。第１層において最も常用するアルゴリズムは、畳み込みであり、畳み込みアルゴリズムが入力した１シリーズの値上において１つの新しい方程式を移動し、従ってこの新しい方程式と原シリーズデータの内積を出力する。例えば、３Ｄ医療図形において、アルゴリズムは複数の畳み込みブロックを構築し、各畳み込みブロックが１つの三次元マトリックスである。畳み込みブロックのｘ及びｙ軸は、１つの画像の空間変化における方程式をカバーし、畳み込みブロックのｚ軸が画像の空間変化における方程式をカバーする。各畳み込みブロックマトリックスは、データ次元自体の移動によって３Ｄ図形の各次元の値と畳み込みブロックの内積を計算し、内積演算で得られた数値がデータ次元と畳み込みブロックと間の類似度であることが理解されることができ、データ中の各部分から出力した内積値は、次の層のニューロンの入力値となる。直観的形象の角度から言うと、パラレルの畳み込みマトリックスは特定形状に相当し、畳み込みマトリックス外内計算がデータにおいて異なる領域が特定形状と相似するかどうかを判断する。

図５を参照すると、ＤＮＮモデルの二つ目の常用層は、プーリング演算（英名：ＭａｘＰｏｏｌｉｎｇ、以下、「ＭＰ演算」という）の層とする。ＭＰ演算過程は、次元情報をより大きい範囲のブロックとして合成し、各ブロック内でＭａｘ（最大値を求める）演算を行う。ＭＰ演算は、主に網膜視神経のネットワーク中のニューロン活性化の特性を真似する。一定の範囲内の情報ワークフレームにおいて、最も活性化した情報ユニットのみを保留して次の層に入る。図形の角度から言うと、ＭＰ演算は、演算結果がデータ自体の旋回により変更させることはない。演算の角度から言うと、ＭＰ演算は次元削減処理に相当し、第１層のニューロン演算と結合して、ＭＰ演算が第１層の畳み込みブロック類似度が比較的低い領域情報を除去し、各領域内の無効情報の含有量を低下する。

ＤＮＮの構造は、往々にして畳み込み層とプーリング層により結合して繰り返して診療に関連するデータ特徴を抽出する。直観的に言うと、例えば図４において中間層アルゴリズムは、第１層と第２層で構成された非線形要素を使用し、以後も同様にする。これをもってより一層抽象化されるワークフレーム要素を構築する。本発の方法を通じて無数層のニューロンを構築できる。

理論から言うと、モデルは大量のデータを得て訓練を行うことができる前提下で、畳み込み層とプーリング層の組み合わせの繰り返しは多ければ多いほど良くなる。人間の脳の働きメカニズムは、また完全に理解されていないが、すでに人間の脳は階層が非常に深いニューロン構造に属することを知っている。よって、階層が深ければ深いほどニューロンモデルの電力が強くなる。階層が深ければ深いほどニューロン構造のパラメータは多くなり、訓練及びパラメータの見積もりが益々困難になり、容易に導関数の消滅及び過剰適合の問題が起きる。

ＤＮＮは、数回の畳み込み演算及びＭＰ層演算後、残った情報が最後の多層パーセプトロン（Ｍｕｌｔｉ−Ｌａｙｅｒ−Ｐｅｒｃｅｐｔｒｏｎ、ＭＬＰ）内に入る。該パーセプトロンの基本構造は、２層の論理回帰演算で、異なる抽象的なグラフィック要素が最終評価結果の貢献に対し行った付け値に相当し、ＭＬＰ演算の最終的な出力値がモデルの医療分析結果である。図６に示すように、パーセプトロンは、一般的に１つ隠れ感覚層で、各ユニットの変数が上位層の全ての変数と完全に相互接続し、各層が論理演算を行うことで、次の層の数値を導出・求める。

ｂ）教師なし学習：ニューラルネットワークの概念は、何年も前にすでに存在しているが、使用可能なデータ量、プロセッサの演算能力に限られ、導関数の消滅問題が非常に著しくなり、実際の問題の解決に用いられることができない。完全なモデル訓練過程において、モデルの出力予測値と実績値の間の誤差は、モデルパラメータ最適化の基礎を構成し、階層が深すぎるニューラルネットワーク構造がパラメータ最適化情報を最下層のネットワーク内に逆推定できず、すなわち、表層情報を階層ごとにディープネットワーク構造内に伝達できず、モデル訓練に非常に大きな困難をもたらした。特に、医療データ分析分野において、医療データ量は、往々にして非常に大きく、完全な最適化サーチの実施が非現実的なことで、演算難易度が高い問題は別の分野に比べると更に著しくなる。本発明は、教師なし学習を通じてモデル内のパラメータに対して初期最適化を行い、モデル最適化過程中パラメータの初期条件を非常に有利になり、モデル最適化過程をより速やかに局所極小値を見つけ出させることができる。

効果が最も良好な２種の教師なし学習方法は、雑音除去自己符号化器（ＤｅｎｏｉｓｉｎｇＡｕｔｏｅｎｃｏｄｅｒｓ、ｄＡＥ）以及び制限付きボルツマンマシン（ＲｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅ、ＲＢＭ）である。

＜ｉ．雑音除去自己符号化器（以下、「ｄＡＥ」という）＞
雑音除去自己符号化器の原理は、あるデータ変数の有効な隠れた変数を見つけることである。図７に示すように、完全に雑音除去自己符号化器の動作原理を呈露し、オリジナル医療データに基づいてｘを入力し、雑音除去自己符号化器が隠れた要素を表すｙ及びパラメータＷを見つけて新しいデータｚをマッピングする。雑音除去自己符号化器の最終目的は、パラメータＷを見つけ出してｚとｘの間の差別を最小化させ、言い換えると、限られる情報内における最も完全にデータ変数情報を表すことができるパラメータを見つけ出すことである。これらパラメータは、モデル範囲内最大量のオリジナルデータをカバーする情報と見なすことができる。雑音除去自己符号化器は、簡単な符号化器の動作原理上において人為的に大量雑音を導入し、直観的に言うと、大量雑音を通じてモデルにより価値のある潜在的な法則を見つけるよう強制し、雑音中の無効法則の影響を受けない。最終的に訓練したパラメータは、教師あり学習の最初パラメータ初期値となり、モデルの第一歩のために良好な起点を見つけ出すことに相当し、訓練を受けるモデルパラメータ最適化の速度を大幅に加速する。

＜ｉｉ．制限付きボルツマンマシン（以下、「ＲＢＭ」という）＞
制限付きボルツマンマシンが果たす役割は、ｄＡＥと非常に類似し、均しく教師なし学習中のパラメータ最適化ステップのために準備する。ｄＡＥと非常に類似し、ＲＢＭも最も既存データ変数の要因方向性を見つけて後期教師あり学習の初期パラメータとすることである。ただし、ｄＡＥと異なり、ＲＢＭはエネルギー確率生成式モデルを使用し、ｄＡＥのように決定性数式を使用することはない。演算による求解の視点から見ると、ｄＡＥが少し複雑である。ただし、その確率生成モデルの本質は、イベント確率性に重点を置くモデリングシナリオにとって、より適用される。我々のモデリング過程について、更に過剰適合現象の発生を低下するため、ＲＢＭ及びｄＡＥの２種教師なし学習は、統合した学習過程中に使用される。

データ最適化の更なる改善は、損失方程式又は目標方程式を確立し、損失方程式により教師あり学習のデータモデルパラメータ最適化を行う。損失方程式は、訓練データ中のディープラーニングモデルから出力される分析結果と実際の目標変数との間の差に設定できれば、演算中、損失方程の変化に応じて最適化法によりモデル内のパラメータ値を調整する。例えば、医療画像の心血管断面積測定という応用例において、損失方程はモデルから生成される測定値と実績値との間の差（例えば分散）に設定されることでき、勾配降下（ｇｒａｄｉｅｎｔｄｅｓｃｅｎｔ）のパラメータ最適化法を通じて各サイクル中にパラメータ値を移動し、パラメータ最適化サイクルが特定条件に適合した後パラメータ最適化過程（設定サイクルとサイクル前の損失方程の値が特定閾値より小さくか、或いはサイクル数がある数を超えると、最適化演算を停止）を停止して最適値を保留する。

目標方程式の最適化過程は、下式を通じて表現できる。

式中、ｇ（ｘ、Ａ）は、基本ディープラーニングの分析出力であり、Ｙが分析目標の実績値であり、Ｌ［Ｙ；ｇ（Ｘ；Ａ）］が主にディープラーニングの分析出力と実績値との間の差により生じるコストを計算するために用いられる。
よく見られるのは、下式である。

Ｒ（Ａ）は、主に正則化表現式であり、主な働きがモデルの過剰適合を避けることに用いられる。
最もよく見られる正則化表現式は、下式であるが、ユーザーは随意に選択された正則化表現式も使用できる。

パラメータ最適化の方法は、随意に選択でき、最もよく見られるのが勾配降下法で、ステップ数式が下式で表される。

ｊラウンドにおいてパラメータを目標方程式の微分反対方向へ移動する。繰り返し数ラウンド移動した後、特定停止条件を満たす状態下で移動を停止する。

データ最適化の更なる改善は、データ雑音増加方法であり、人為的にモデル及びデータのために雑音を増加してモデルを安定すると共にデータモデルの過剰適合と戦うことができ、例えば医療画像インテリジェントアナライザーにおいて、オリジナルデータに対し変形及び歪みを行うことで、モデルに雑音以外の有効な情報を認識するよう強制できる。

データ最適化の更なる改善は、テストサンプルの分割であり、訓練データを更にてテストサンプルに分割し、残余の訓練データを利用してモデルを確立し、テストサンプルを通じてモデルの有効性をテストすると、結果に基づいて自動又は手動にディープラーニングモデルのコアワークフレームを調整できる。

七、得られた構造化データマトリックスを形成した医学分析対象データを該ディープラーニングモデル内に導入してそのマッチングする病理学的分析を行う。

八、ディープラーニングモデルから出力装置を通じて前記医学分析対象データにマッチングする病理学的分析結果を出力する。

九、前記医学分析対象データ及びそのマッチングする分析結果が関わる構造化データを前記ディープラーニングモデル内にフィードバックして新しい訓練データを形成し、該ディープラーニングモデルを更に最適化する。

本発明のディープラーニングに基づいて医療データに対し分析を行うインテリジェントアナライザーは、医療訓練データ及び医学分析対象データをコンピュータ内に導入する入力装置と、前記医療訓練データ及び医学分析対象データを分けて保存又は集中保存するストレージモジュールと、ストレージモジュール内の医療訓練データを呼び出して自主学習を行うディープラーニングモデルモジュールと、前記医学分析対象データとマッチングする病理学的分析結果をエクスポートする出力装置とＣＰＵ及び／或いはＧＰＵのプロセッサとを包括し、
前記医療訓練データは、医療材料データとそのマッチングする診療データとを含み；
前記医療訓練データ及び医学分析対象データは、コンピュータが理解できる構造化データマトリックスであり；
前記自主学習は、線形モデルとニューロンモデルと畳み込み演算及び／或いは最大値を求める演算を含むパラメータ数学的方程式を用い；
前記入力装置は、病院、医学機構に設置されるコンピュータと、該コンピュータとリンクする各種医療検査装置及び病理分析装置とを含み；例えばコンピュータ、超音波装置、Ｘ射線、同期心電計、生化学分析装置、免疫分析装置、ファイバースコープ、ＭＲＩ、ＣＴドップラ診断装置、血圧計、体重計等である。
前記出力装置は、病院、医学機構内に設置されると共に前記入力装置とリンクする定置型コンピュータの出力ターミナル及びモバイルスマートターミナルを含む。例えばコンピュータ、医療機器ターミナル、携帯電話ターミナル等である。

病院又は医学機構の共用資源を実現するため、本発明に係るインテリジェントアナライザー上にインターネット、イーサネット(登録商標)と接続する光ファイバー接続、ＷＩＦＩ接続或いはＧＰＲＳモジュール接続を含むネットワーク接続モジュールを取り付けることができる。

本発明に係るインテリジェントアナライザーは、訓練で得られたディープラーニングモデルを実際の中に応用すると、完全な統合システムとなる。新しい医療データ（すなわち、前記分析対象医療データ）生成後モデルパラメータと結合すると、分析予測値を得る。実際の応用過程中、インテリジェントアナライザーは、分析プロセスにおいて１つの追加のプラグインとなる。応用シナリオの違いによって医療機器中の追加のプラグインとなることができ、常用ＰＡＣＳ（和名：画像保存通信システム）システム或いは者ＨＩＳ（和名：病院情報）システム中の挿入したインターフェースとなることもよく、インターネットインターフェースを通じて生成した分析レポートをその他のシステム内に導入してもよい。

Claims

ディープラーニングに基づく医療データ分析方法であって、
医療訓練データとして届け出た膨大な同種の医療材料データ及び該医療材料データにマッチングする診療データを収集し、入力装置を通じてコンピュータ内に保存するステップ１）と、
前記医療訓練データ内の二次元以上の画像データをテキストデータ内の時間及び空間に伴う変化値と対応のデータと関連付けるステップ２）と、
収集した膨大な医療訓練データ内において、各個体に対応する医療訓練データと前記変化値を１つのデータユニットに集約するステップ３）と、
前記医療訓練データを分割、関連付け又はテキストデータマイニング方法でコンピュータが理解できる構造化データマトリックスとして統合或いはフォーマットし、各データユニット内からデータ特徴を抽出するステップ４）と、
構造化データマトリックスを形成した医療訓練データをコンピュータ内に設けられ、ディープラーニングモデルに対応するストレージモジュール内に導入するステップ５）と、
コンピュータを通じて前記ディープラーニングモデルに対し、ａ．ディープラーニングの基本ワークフレームを設定し、前記医療訓練データをデータ特徴によって入力層と少なくとも１層の隠れ層と出力層とを含むデータモデルを作成し、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含むことと、ｂ．各ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であることと、ｃ．前記パラメータ値Ａ_ｉを初期化し、前記出力層内の各ノードの出力値を対応するノードの診療データ特徴と比較し、各ノードの前記パラメータ値Ａ_ｉを繰り返し修正し、順次繰り返しし、最終的に前記出力層内の各ノードの出力値で生成し、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Ａ_ｉを得たことという最適化法により、最適化演算を行うステップ６）と、
得られた構造化データマトリックスを形成した医学分析対象データを該ディープラーニングモデル内に導入してそのマッチングする病理学的分析を行うステップ７）と、
ディープラーニングモデルから出力装置を通じて前記医学分析対象データにマッチングする病理学的分析結果を出力するステップ８）と、を含む
ことを特徴とする方法。
前記パラメータ値Ａ_ｉを最適化する方法は、教師なしの学習方法である
請求項１に記載の方法。
前記教師なし学習方法は、雑音除去自己符号化器或いは制限付きボルツマンマシンを用いて自主学習を行う
請求項１に記載の方法。
前記パラメータ値Ａ_ｉを最適化する方法は、教師ありの学習方法である
請求項１に記載の方法。
前記数学的方程式は、パラメータ数学的方程式或いは非パラメータ数学的方程式であり、パラメータ数学的方程式が線形モデル、ニューロンモデル或いは畳み込み演算とすることができ、非パラメータ数学的方程式が極値計算方程式とすることができ、数学モデルの設定方式は下式で表され、

式中、ｙは、前記出力層内の診療データ特徴であり、次元がＭ_ｎであり、Ｘが訓練材料データであり、次元がＭ_０であり、ｆ_１〜ｆ_ｎが設定した各層の演算方程式であり、各層方程式ｆ_ｉの次元はＭ_ｉ−１→Ｍ_ｉであり、第１層ｆ_１の場合、次元がＭ_０のＸを次元がＭ_１の出力Ｚ_１に変換し、Ｚ_１は第２層方程式ｆ_２の入力となり、以後も同様にし、各層モデルｆ_ｉはマッチングのパラメータ組Ａ_ｉを有する
請求項１ないし４のいずれかに記載の方法。
前記医療材料データは、臨床及び医療技術の段階における医師が患者の診断、検査及び治療過程に対して行った関連情報の記録を含み；前記診断データは、臨床及び医療技術の段階における医師が患者の初診判断、退院結果、疾病治療効果に対して行った関連情報の記録及び医師が作成したテキスト診察データと追跡調査データを含む
請求項１に記載の方法。
前記データ特徴は、医療訓練データの時空間における変化値とデータ自体の各種数理統計値とを含み、例えば時間に伴って変化し、データのアップ或いはダウン傾向である
請求項１に記載の方法。
前記医学分析対象データ及びそのマッチングする分析結果が関わる構造化データを前記ディープラーニングモデル内にフィードバックして新しい訓練データが形成される
請求項１に記載の方法。
ディープラーニングに基づいて医療データに対し分析を行うインテリジェントアナライザーであって、医療訓練データ及び医学分析対象データをコンピュータ内に導入する入力装置と、前記医療訓練データ及び医学分析対象データを分けて保存又は集中保存するストレージモジュールと、ストレージモジュール内の医療訓練データを呼び出して自主学習を行うディープラーニングモデルモジュールと、前記医学分析対象データとマッチングする病理学的分析結果をエクスポートする出力装置とＣＰＵ及び／或いはＧＰＵのプロセッサとを包括し、
前記医療訓練データは、医療材料データとそのマッチングする診療データとを含み；
前記医療訓練データ及び医学分析対象データは、コンピュータが理解できる構造化データマトリックスであり；
前記自主学習は、線形モデルとニューロンモデルと畳み込み演算及び／或いは最大値を求める演算を含むパラメータ数学的方程式を用い；
前記入力装置は、病院、医学機構に設置されるコンピュータと、該コンピュータとリンクする各種医療検査装置及び病理分析装置とを含み；
前記出力装置は、病院、医学機構内に設置されると共に前記入力装置とリンクする定置型コンピュータの出力ターミナル及びモバイルスマートターミナルを含む
ことを特徴とするディープラーニングに基づいて医療データに対し分析を行うインテリジェントアナライザー。
インターネット、イーサネット(登録商標)と接続でき、光ファイバー接続、ＷＩＦＩ接続或いはＧＰＲＳモジュール接続を含むネットワーク接続モジュールを更に設ける
請求項９に記載のディープラーニングに基づいて医療データに対し分析を行うインテリジェントアナライザー。