JP2020190935A - 機械学習プログラム、機械学習方法および機械学習装置 - Google Patents
機械学習プログラム、機械学習方法および機械学習装置 Download PDFInfo
- Publication number
- JP2020190935A JP2020190935A JP2019096003A JP2019096003A JP2020190935A JP 2020190935 A JP2020190935 A JP 2020190935A JP 2019096003 A JP2019096003 A JP 2019096003A JP 2019096003 A JP2019096003 A JP 2019096003A JP 2020190935 A JP2020190935 A JP 2020190935A
- Authority
- JP
- Japan
- Prior art keywords
- samples
- sample
- machine learning
- value
- clusters
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
Description
[第1の実施の形態]
第1の実施の形態を説明する。
第1の実施の形態の機械学習装置10は、複数のサンプルのうちの少なくとも一部を訓練データとして使用して機械学習を行う。第1の実施の形態の機械学習では、入力を2つのクラスに分類するモデルを生成する。例えば、機械学習装置10は、生体物質に関する特徴量と疾病の有無との間の関係を示す医療診断用モデルを学習する。機械学習装置10を、疾病の有無と相関のある特徴量であるバイオマーカーの探索に使用することもできる。ただし、第1の実施の形態の機械学習方法は、医療分野に限定されず、様々な分野のデータ分析に応用できる。機械学習装置10を、情報処理装置やコンピュータを言うこともできる。機械学習装置10は、クライアント装置でもよいしサーバ装置でもよい。
次に、第2の実施の形態を説明する。
第2の実施の形態の機械学習装置は、機械学習を利用して癌に関するバイオマーカーを探索する。機械学習装置は、クライアント装置でもよいしサーバ装置でもよい。機械学習装置を、コンピュータや情報処理装置と言うこともできる。
機械学習装置100は、CPU101、RAM102、HDD103、画像インタフェース104、入力インタフェース105、媒体リーダ106および通信インタフェース107を有する。機械学習装置100が有するこれらのユニットは、機械学習装置100の内部でバスに接続されている。機械学習装置100は、第1の実施の形態の機械学習装置10に対応する。CPU101は、第1の実施の形態の処理部12に対応する。RAM102またはHDD103は、第1の実施の形態の記憶部11に対応する。
機械学習装置100は、サンプル記憶部121、モデル記憶部122、データ前処理部123、モデル生成部124および疾病判定部125を有する。サンプル記憶部121およびモデル記憶部122は、例えば、RAM102またはHDD103の記憶領域を用いて実現される。データ前処理部123、モデル生成部124および疾病判定部125は、例えば、CPU101が実行するプログラムを用いて実現される。
サンプルテーブル126は、サンプル記憶部121に記憶されている。サンプルテーブル126には、サンプルID、m個の特徴量およびラベルをそれぞれ含む複数のサンプルが登録されている。サンプルテーブル126の1行が1つのサンプルに対応する。サンプルを、データレコードやデータブロックと言うこともある。
図5は、サンプルの分布例を示すグラフである。
サンプルテーブル126に登録された複数のサンプルを、m個の特徴量に対応するm個の軸をもつm次元特徴空間にマッピングすることを考える。第2の実施の形態では、説明を簡単にするため2次元特徴空間を図示している。
ここでは、データ前処理として混合サンプルを除外する場合を考える。
データ前処理部123は、サンプルテーブル126に登録されたサンプルの集合であるサンプルデータ141を、正常サンプルグループ144と癌サンプルグループ145と混合サンプルグループ146とに分類する。
まず、データ前処理部123は、各サンプルの特徴量を規格化する。例えば、データ前処理部123は、遺伝子毎に発現量の数値が一定の数値範囲に分布するように、サンプル間の特徴量の大小関係が保持されるようにしつつ数値変換を行う。また、データ前処理部123は、特徴空間の次元削減を行い、10,000程度の特徴量ベクトルの次元を100程度の次元に圧縮する。次元削減には、例えば、特異値分解(SVD:Singular Value Decomposition)が用いられる。次元削減によれば、特徴空間上でのサンプル間の近さの関係をできる限り保持しつつ特徴空間の次元数を減らすことができる。特徴量の規格化および次元削減は、混合サンプルの抽出のために一時的に行われる数値変換である。
ここでは、データ前処理として混合サンプルを除外する場合を考える。図7では、正常サンプルを丸形のマークで表現し、混合サンプルをひし形のマークで表現し、癌サンプルを三角形のマークで表現している。図7の正常サンプルは、正常ラベルが付与されたサンプルである。図7の混合サンプルは、癌ラベルが付与されたサンプルのうち、正常細胞と癌細胞が混在したサンプルや癌の進行途上のサンプルなど、客観的に混合サンプルと言えるサンプルである。図7の癌サンプルは、癌ラベルが付与されたサンプルのうち、混合サンプル以外のサンプルである。ただし、癌ラベルが付与されたサンプルが混合サンプルであるか否かの客観的情報を、機械学習装置100は入手できない。
図8は、バイオマーカー探索の手順例を示すフローチャートである。
(S10)データ前処理部123は、サンプル記憶部121に記憶されたサンプルテーブル126の複数のサンプルに対して前処理を行い、前処理済みの訓練データをモデル生成部124に提供する。データ前処理の詳細は後述する。
(S16)疾病判定部125は、モデル記憶部122からモデルを読み出し、ステップS15で受け付けたバイオマーカーの値をモデルに入力する。疾病判定部125は、モデルから、癌の有無または癌の尤度を示す判定結果を取得する。疾病判定部125は、モデルによる判定結果を表示装置111に表示する。
データ前処理は、前述のステップS10で実行される。
(S20)データ前処理部123は、サンプルテーブル126の複数のサンプルについて特徴量ベクトルを規格化する。例えば、データ前処理部123は、遺伝子毎に発現量の分布が所定の数値範囲になるように数値変換を行う。また、データ前処理部123は、特異値分解により特徴空間の次元数を削減する。例えば、データ前処理部123は、10,000程度の特徴量の個数を100程度に削減する。
(S23)データ前処理部123は、ステップS21で生成されたクラスタのうち、中心ベクトルがステップS22の平均ベクトルに近い方からクラスタを1つ選択する。
(S26)データ前処理部123は、サンプル毎に、正常クラスタに分類されたクラスタへの帰属比率πを合計して正常度λとして算出する。
(S28)データ前処理部123は、サンプルテーブル126の複数のサンプルの中からステップS27で推定した混合サンプルを除外し、除外されずに残ったサンプルから形成される訓練データを生成する。または、データ前処理部123は、サンプルテーブル126の複数のサンプルに対して、ステップS27で算出された正常度λに応じた重みを付与する。正常度λが0.5に近いほど重みが小さくなり、正常度λが0.5から遠いほど重みが大きくなる。ステップS27で推定した混合サンプルには、小さい重みが付与されることになる。データ前処理部123は、サンプルテーブル126の全てのサンプルを含み、各サンプルに重みが付与された訓練データを生成する。そして、データ前処理部123は、訓練データをモデル生成部124に提供する。
11 記憶部
12 処理部
13a,13b,13c,13d クラスタ
14 統合クラスタ
Claims (10)
- コンピュータに、
第1の値および第2の値の一方を示すラベルと特徴量とをそれぞれ含む複数のサンプルを、前記特徴量に応じて3個以上のクラスタに分類し、
前記複数のサンプルのうち前記ラベルが前記第1の値を示すサンプルの個数の情報に基づいて、前記3個以上のクラスタのうちの一部のクラスタを統合した統合クラスタを生成し、
前記統合クラスタと前記3個以上のクラスタのうちの残りのクラスタとへの前記複数のサンプルの分類結果に基づいて、前記複数のサンプルそれぞれについて、前記第1の値または前記第2の値に対する確度を算出し、
前記複数のサンプルのうち前記確度が所定条件を満たさないサンプルを、前記確度が前記所定条件を満たすサンプルよりも優先的に用いて、機械学習を実行する、
処理を実行させる機械学習プログラム。 - 前記所定条件は、前記確度の最大値および最小値の何れも含まず、前記最大値と前記最小値の間の中点を含む所定の数値範囲に、前記確度が含まれることである、
請求項1記載の機械学習プログラム。 - 前記機械学習では、前記複数のサンプルの中から前記確度が前記所定条件を満たすサンプルを除外する、
請求項1記載の機械学習プログラム。 - 前記機械学習では、前記確度が前記所定条件を満たすサンプルに、前記確度が前記所定条件を満たさないサンプルよりも小さい重みを付与する、
請求項1記載の機械学習プログラム。 - 前記機械学習では、前記特徴量と前記ラベルとの間の関係を示すモデルを生成し、
前記コンピュータに更に、ある特徴量を受け付け、前記モデルを用いて、前記受け付けた特徴量に対して前記第1の値および前記第2の値の一方を判定する処理を実行させる、
請求項1記載の機械学習プログラム。 - 前記統合クラスタの生成では、前記ラベルが前記第1の値を示すサンプルのうち所定割合以上のサンプルが、前記統合クラスタに属するように、前記3個以上のクラスタの中から前記一部のクラスタを選択する、
請求項1記載の機械学習プログラム。 - 前記3個以上のクラスタへの分類では、前記複数のサンプルそれぞれについて、前記3個以上のクラスタそれぞれに属する確率を算出し、
前記確度の算出では、前記3個以上のクラスタに対する前記確率のうち前記一部のクラスタに対する前記確率の合計を、前記第1の値に対する前記確度として算出する、
請求項1記載の機械学習プログラム。 - 前記特徴量は、生体物質から測定された測定値を含み、
前記第1の値は、疾病なしを表し、前記第2の値は、疾病ありを表し、
前記機械学習では、前記確度が前記所定条件を満たすサンプルを、疾病なしの生体物質と疾病ありの生体物質の混合物から測定された測定値を示す混合サンプルと推定する、
請求項1記載の機械学習プログラム。 - コンピュータが、
第1の値および第2の値の一方を示すラベルと特徴量とをそれぞれ含む複数のサンプルを、前記特徴量に応じて3個以上のクラスタに分類し、
前記複数のサンプルのうち前記ラベルが前記第1の値を示すサンプルの個数の情報に基づいて、前記3個以上のクラスタのうちの一部のクラスタを統合した統合クラスタを生成し、
前記統合クラスタと前記3個以上のクラスタのうちの残りのクラスタとへの前記複数のサンプルの分類結果に基づいて、前記複数のサンプルそれぞれについて、前記第1の値または前記第2の値に対する確度を算出し、
前記複数のサンプルのうち前記確度が所定条件を満たさないサンプルを、前記確度が前記所定条件を満たすサンプルよりも優先的に用いて、機械学習を実行する、
機械学習方法。 - 第1の値および第2の値の一方を示すラベルと特徴量とをそれぞれ含む複数のサンプルを記憶する記憶部と、
前記複数のサンプルを前記特徴量に応じて3個以上のクラスタに分類し、前記複数のサンプルのうち前記ラベルが前記第1の値を示すサンプルの個数の情報に基づいて、前記3個以上のクラスタのうちの一部のクラスタを統合した統合クラスタを生成し、前記統合クラスタと前記3個以上のクラスタのうちの残りのクラスタとへの前記複数のサンプルの分類結果に基づいて、前記複数のサンプルそれぞれについて、前記第1の値または前記第2の値に対する確度を算出し、前記複数のサンプルのうち前記確度が所定条件を満たさないサンプルを、前記確度が前記所定条件を満たすサンプルよりも優先的に用いて、機械学習を実行する処理部と、
を有する機械学習装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019096003A JP7197795B2 (ja) | 2019-05-22 | 2019-05-22 | 機械学習プログラム、機械学習方法および機械学習装置 |
US16/875,036 US11450436B2 (en) | 2019-05-22 | 2020-05-15 | Method and apparatus for machine learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019096003A JP7197795B2 (ja) | 2019-05-22 | 2019-05-22 | 機械学習プログラム、機械学習方法および機械学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020190935A true JP2020190935A (ja) | 2020-11-26 |
JP7197795B2 JP7197795B2 (ja) | 2022-12-28 |
Family
ID=73453742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019096003A Active JP7197795B2 (ja) | 2019-05-22 | 2019-05-22 | 機械学習プログラム、機械学習方法および機械学習装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11450436B2 (ja) |
JP (1) | JP7197795B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913402A (zh) * | 2022-07-18 | 2022-08-16 | 深圳比特微电子科技有限公司 | 一种深度学习模型的融合方法、装置 |
WO2023181319A1 (ja) * | 2022-03-25 | 2023-09-28 | 三菱電機株式会社 | 情報処理装置 |
WO2024024587A1 (ja) * | 2022-07-26 | 2024-02-01 | 富士フイルム株式会社 | 画像処理装置、画像処理装置の作動方法、および画像処理装置の作動プログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007020897A1 (ja) * | 2005-08-17 | 2007-02-22 | Matsushita Electric Industrial Co., Ltd. | 映像シーン分類装置および映像シーン分類方法 |
JP2008059080A (ja) * | 2006-08-29 | 2008-03-13 | Matsushita Electric Works Ltd | 信号識別装置の学習データの選択方法 |
WO2010119615A1 (ja) * | 2009-04-15 | 2010-10-21 | 日本電気株式会社 | 学習データ生成装置、及び固有表現抽出システム |
JP2017167834A (ja) * | 2016-03-16 | 2017-09-21 | セコム株式会社 | 学習データ選択装置 |
JP2018155522A (ja) * | 2017-03-16 | 2018-10-04 | 株式会社島津製作所 | データ解析装置 |
JP2018530803A (ja) * | 2015-07-14 | 2018-10-18 | サイオス テクノロジー コーポレーションSios Technology Corporation | コンピュータ環境における根本原因分析および修復のために機械学習原理を活用する装置および方法 |
US20180307741A1 (en) * | 2017-04-25 | 2018-10-25 | Intel Corporation | Filtering training data for simpler rbf models |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7957350B2 (en) | 2008-07-18 | 2011-06-07 | Telefonaktiebolaget L M Ericsson (Publ) | Access network selection |
MX2011004589A (es) | 2008-10-31 | 2011-05-25 | Abbott Lab | Metodos para ensamblar paneles de lineas de celulas de cancer para uso para probar la eficiencia de una o mas composiciones farmaceuticas. |
US11727301B2 (en) * | 2017-07-21 | 2023-08-15 | Sap Se | Exploiting local inter-task relationships in adaptive multi-task learning |
-
2019
- 2019-05-22 JP JP2019096003A patent/JP7197795B2/ja active Active
-
2020
- 2020-05-15 US US16/875,036 patent/US11450436B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007020897A1 (ja) * | 2005-08-17 | 2007-02-22 | Matsushita Electric Industrial Co., Ltd. | 映像シーン分類装置および映像シーン分類方法 |
JP2008059080A (ja) * | 2006-08-29 | 2008-03-13 | Matsushita Electric Works Ltd | 信号識別装置の学習データの選択方法 |
WO2010119615A1 (ja) * | 2009-04-15 | 2010-10-21 | 日本電気株式会社 | 学習データ生成装置、及び固有表現抽出システム |
JP2018530803A (ja) * | 2015-07-14 | 2018-10-18 | サイオス テクノロジー コーポレーションSios Technology Corporation | コンピュータ環境における根本原因分析および修復のために機械学習原理を活用する装置および方法 |
JP2017167834A (ja) * | 2016-03-16 | 2017-09-21 | セコム株式会社 | 学習データ選択装置 |
JP2018155522A (ja) * | 2017-03-16 | 2018-10-04 | 株式会社島津製作所 | データ解析装置 |
US20180307741A1 (en) * | 2017-04-25 | 2018-10-25 | Intel Corporation | Filtering training data for simpler rbf models |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023181319A1 (ja) * | 2022-03-25 | 2023-09-28 | 三菱電機株式会社 | 情報処理装置 |
JP7466815B2 (ja) | 2022-03-25 | 2024-04-12 | 三菱電機株式会社 | 情報処理装置 |
CN114913402A (zh) * | 2022-07-18 | 2022-08-16 | 深圳比特微电子科技有限公司 | 一种深度学习模型的融合方法、装置 |
CN114913402B (zh) * | 2022-07-18 | 2022-10-18 | 深圳比特微电子科技有限公司 | 一种深度学习模型的融合方法、装置 |
WO2024024587A1 (ja) * | 2022-07-26 | 2024-02-01 | 富士フイルム株式会社 | 画像処理装置、画像処理装置の作動方法、および画像処理装置の作動プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7197795B2 (ja) | 2022-12-28 |
US20200373012A1 (en) | 2020-11-26 |
US11450436B2 (en) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6063447B2 (ja) | 細胞におけるバイオマーカーの発現のクラスターによる解析 | |
KR20200077852A (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
US11450436B2 (en) | Method and apparatus for machine learning | |
US9940383B2 (en) | Method, an arrangement and a computer program product for analysing a biological or medical sample | |
US20220327693A1 (en) | System and Method for Prediction of Disease Progression of Pulmonary Fibrosis Using Medical Images | |
Cao et al. | ROC curves for the statistical analysis of microarray data | |
WO2021161901A1 (ja) | 特徴量選択方法、特徴量選択プログラム、マルチクラス分類方法、マルチクラス分類プログラム、特徴量選択装置、マルチクラス分類装置、及び特徴量セット | |
CN112561869B (zh) | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 | |
Yan et al. | Radiomics analysis using stability selection supervised component analysis for right-censored survival data | |
CA2885634C (en) | Device for detecting a dynamical network biomarker, method for detecting same, and program for detecting same | |
Kumar et al. | Integrating Diverse Omics Data Using Graph Convolutional Networks: Advancing Comprehensive Analysis and Classification in Colorectal Cancer | |
AU2021102593A4 (en) | A Method for Detection of a Disease | |
Manikandan et al. | Hybrid computational intelligence for healthcare and disease diagnosis | |
Gupta et al. | Keeping up with innovation: A predictive framework for modeling healthcare data with evolving clinical interventions | |
US20090006055A1 (en) | Automated Reduction of Biomarkers | |
Zhang et al. | Radio-iBAG: Radiomics-based integrative Bayesian analysis of multiplatform genomic data | |
Silva et al. | On the way for the best imaging features from CT images to predict EGFR Mutation Status in Lung Cancer | |
Khosravi et al. | Biopsy-free prediction of prostate cancer aggressiveness using deep learning and radiology imaging | |
EP4369354A1 (en) | Method and apparatus for analyzing pathological slide images | |
WO2023136297A1 (ja) | 情報処理システム、情報処理装置、情報処理方法、及びプログラム | |
Oh et al. | Deepbiogen: Generalizing predictions to unseen sequencing profiles via visual data augmentation | |
El-Sherbiny et al. | Visual Analytics for the Integrated Exploration and Sensemaking of Cancer Cohort Radiogenomics and Clinical Information | |
KR20230172386A (ko) | 바이오마커를 분석하는 방법 및 장치 | |
Ajil et al. | Enhancing the Healthcare by an Automated Detection Method for PCOS Using Supervised Machine Learning Algorithm | |
Buri et al. | Early-Stage Prediction of Breast Cancer Using Suggested Machine Learning Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220208 |
|
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: 20221115 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221128 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7197795 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |