JP2023121815A - 疾患予測システム - Google Patents
疾患予測システム Download PDFInfo
- Publication number
- JP2023121815A JP2023121815A JP2023106415A JP2023106415A JP2023121815A JP 2023121815 A JP2023121815 A JP 2023121815A JP 2023106415 A JP2023106415 A JP 2023106415A JP 2023106415 A JP2023106415 A JP 2023106415A JP 2023121815 A JP2023121815 A JP 2023121815A
- Authority
- JP
- Japan
- Prior art keywords
- information
- disease
- prediction system
- subject
- prediction
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 96
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 230000003054 hormonal effect Effects 0.000 claims abstract description 20
- 239000000126 substance Substances 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 210000002700 urine Anatomy 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 239000008280 blood Substances 0.000 claims abstract description 6
- 210000004369 blood Anatomy 0.000 claims abstract description 6
- 210000000988 bone and bone Anatomy 0.000 claims description 18
- 238000010897 surface acoustic wave method Methods 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 7
- 230000008416 bone turnover Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 208000001132 Osteoporosis Diseases 0.000 description 22
- 238000000034 method Methods 0.000 description 9
- 239000002661 non steroidal estrogen Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 208000010228 Erectile Dysfunction Diseases 0.000 description 6
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 6
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 201000001881 impotence Diseases 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- 208000001076 sarcopenia Diseases 0.000 description 6
- 208000010392 Bone Fractures Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009245 menopause Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 102100032187 Androgen receptor Human genes 0.000 description 4
- 208000036119 Frailty Diseases 0.000 description 4
- MUMGGOZAMZWBJJ-DYKIIFRCSA-N Testostosterone Chemical compound O=C1CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 MUMGGOZAMZWBJJ-DYKIIFRCSA-N 0.000 description 4
- 108010080146 androgen receptors Proteins 0.000 description 4
- 206010003549 asthenia Diseases 0.000 description 4
- 230000004097 bone metabolism Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 201000008482 osteoarthritis Diseases 0.000 description 4
- 208000028169 periodontal disease Diseases 0.000 description 4
- 230000003637 steroidlike Effects 0.000 description 4
- DNXHEGUUPJUMQT-UHFFFAOYSA-N (+)-estrone Natural products OC1=CC=C2C3CCC(C)(C(CC4)=O)C4C3CCC2=C1 DNXHEGUUPJUMQT-UHFFFAOYSA-N 0.000 description 3
- PROQIPRRNZUXQM-UHFFFAOYSA-N (16alpha,17betaOH)-Estra-1,3,5(10)-triene-3,16,17-triol Natural products OC1=CC=C2C3CCC(C)(C(C(O)C4)O)C4C3CCC2=C1 PROQIPRRNZUXQM-UHFFFAOYSA-N 0.000 description 3
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 description 3
- 208000006386 Bone Resorption Diseases 0.000 description 3
- DNXHEGUUPJUMQT-CBZIJGRNSA-N Estrone Chemical compound OC1=CC=C2[C@H]3CC[C@](C)(C(CC4)=O)[C@@H]4[C@@H]3CCC2=C1 DNXHEGUUPJUMQT-CBZIJGRNSA-N 0.000 description 3
- 206010041591 Spinal osteoarthritis Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000024279 bone resorption Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 235000012000 cholesterol Nutrition 0.000 description 3
- 229960005309 estradiol Drugs 0.000 description 3
- 229930182833 estradiol Natural products 0.000 description 3
- PROQIPRRNZUXQM-ZXXIGWHRSA-N estriol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H]([C@H](O)C4)O)[C@@H]4[C@@H]3CCC2=C1 PROQIPRRNZUXQM-ZXXIGWHRSA-N 0.000 description 3
- 229960001348 estriol Drugs 0.000 description 3
- 239000000262 estrogen Substances 0.000 description 3
- 229940011871 estrogen Drugs 0.000 description 3
- 108010038795 estrogen receptors Proteins 0.000 description 3
- 229960003399 estrone Drugs 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000186 progesterone Substances 0.000 description 3
- 229960003387 progesterone Drugs 0.000 description 3
- 108090000468 progesterone receptors Proteins 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 208000005801 spondylosis Diseases 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- NVKAWKQGWWIWPM-ABEVXSGRSA-N 17-β-hydroxy-5-α-Androstan-3-one Chemical compound C1C(=O)CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CC[C@H]21 NVKAWKQGWWIWPM-ABEVXSGRSA-N 0.000 description 2
- 108010022452 Collagen Type I Proteins 0.000 description 2
- 102000012422 Collagen Type I Human genes 0.000 description 2
- 102000004042 Fibroblast Growth Factor-23 Human genes 0.000 description 2
- 108090000569 Fibroblast Growth Factor-23 Proteins 0.000 description 2
- 102000016267 Leptin Human genes 0.000 description 2
- 108010092277 Leptin Proteins 0.000 description 2
- 239000013543 active substance Substances 0.000 description 2
- 239000003098 androgen Substances 0.000 description 2
- 229960003473 androstanolone Drugs 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 108010049937 collagen type I trimeric cross-linked peptide Proteins 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 2
- 102000015694 estrogen receptors Human genes 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 229940039781 leptin Drugs 0.000 description 2
- NRYBAZVQPHGZNS-ZSOCWYAHSA-N leptin Chemical compound O=C([C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CO)NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](N)CC(C)C)CCSC)N1CCC[C@H]1C(=O)NCC(=O)N[C@@H](CS)C(O)=O NRYBAZVQPHGZNS-ZSOCWYAHSA-N 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000011164 ossification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000006041 probiotic Substances 0.000 description 2
- 235000018291 probiotics Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102000003998 progesterone receptors Human genes 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229960003604 testosterone Drugs 0.000 description 2
- 102100031786 Adiponectin Human genes 0.000 description 1
- 108010076365 Adiponectin Proteins 0.000 description 1
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 1
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 1
- 244000063299 Bacillus subtilis Species 0.000 description 1
- 235000014469 Bacillus subtilis Nutrition 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- ZAHDXEIQWWLQQL-IHRRRGAJSA-N Deoxypyridinoline Chemical compound OC(=O)[C@@H](N)CCCC[N+]1=CC(O)=C(C[C@H](N)C([O-])=O)C(CC[C@H](N)C(O)=O)=C1 ZAHDXEIQWWLQQL-IHRRRGAJSA-N 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 102100038595 Estrogen receptor Human genes 0.000 description 1
- 102000012004 Ghrelin Human genes 0.000 description 1
- 101800001586 Ghrelin Proteins 0.000 description 1
- 108010023302 HDL Cholesterol Proteins 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010060800 Hot flush Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 108010028554 LDL Cholesterol Proteins 0.000 description 1
- 208000008930 Low Back Pain Diseases 0.000 description 1
- 208000017657 Menopausal disease Diseases 0.000 description 1
- LOJFGJZQOKTUBR-XAQOOIOESA-N NC(N)=NCCC[C@@H](C(O)=O)NC(=O)CNC(=O)CNC(=O)[C@H](CC(O)=O)NC(=O)[C@@H](NC(=O)[C@@H](NC(=O)[C@H](CCCCN)NC(=O)[C@@H](N)CCC(O)=O)C)CC1=CN=CN1 Chemical compound NC(N)=NCCC[C@@H](C(O)=O)NC(=O)CNC(=O)CNC(=O)[C@H](CC(O)=O)NC(=O)[C@@H](NC(=O)[C@@H](NC(=O)[C@H](CCCCN)NC(=O)[C@@H](N)CCC(O)=O)C)CC1=CN=CN1 LOJFGJZQOKTUBR-XAQOOIOESA-N 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 102000004067 Osteocalcin Human genes 0.000 description 1
- 108090000573 Osteocalcin Proteins 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000005888 Periodontal Pocket Diseases 0.000 description 1
- 102100025803 Progesterone receptor Human genes 0.000 description 1
- 102000019307 Sclerostin Human genes 0.000 description 1
- 108050006698 Sclerostin Proteins 0.000 description 1
- 102000007591 Tartrate-Resistant Acid Phosphatase Human genes 0.000 description 1
- 108010032050 Tartrate-Resistant Acid Phosphatase Proteins 0.000 description 1
- 229930003316 Vitamin D Natural products 0.000 description 1
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 description 1
- 229930003448 Vitamin K Natural products 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 150000005693 branched-chain amino acids Chemical class 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229960005069 calcium Drugs 0.000 description 1
- 235000001465 calcium Nutrition 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000021045 dietary change Nutrition 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 229930003935 flavonoid Natural products 0.000 description 1
- 150000002215 flavonoids Chemical class 0.000 description 1
- 235000017173 flavonoids Nutrition 0.000 description 1
- GNKDKYIHGQKHHM-RJKLHVOGSA-N ghrelin Chemical compound C([C@H](NC(=O)[C@@H](NC(=O)[C@H](CO)NC(=O)CN)COC(=O)CCCCCCC)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1N=CNC=1)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N1[C@@H](CCC1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C1=CC=CC=C1 GNKDKYIHGQKHHM-RJKLHVOGSA-N 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- SHUZOJHMOBOZST-UHFFFAOYSA-N phylloquinone Natural products CC(C)CCCCC(C)CCC(C)CCCC(=CCC1=C(C)C(=O)c2ccccc2C1=O)C SHUZOJHMOBOZST-UHFFFAOYSA-N 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 235000019166 vitamin D Nutrition 0.000 description 1
- 239000011710 vitamin D Substances 0.000 description 1
- 150000003710 vitamin D derivatives Chemical class 0.000 description 1
- 235000019168 vitamin K Nutrition 0.000 description 1
- 239000011712 vitamin K Substances 0.000 description 1
- 150000003721 vitamin K derivatives Chemical class 0.000 description 1
- 229940046008 vitamin d Drugs 0.000 description 1
- 229940046010 vitamin k Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/74—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/02—Analysing fluids
- G01N29/022—Fluid sensors based on microsensors, e.g. quartz crystal-microbalance [QCM], surface acoustic wave [SAW] devices, tuning forks, cantilevers, flexural plate wave [FPW] devices
-
- 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
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/10—Musculoskeletal or connective tissue disorders
- G01N2800/108—Osteoporosis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/493—Physical analysis of biological material of liquid biological material urine
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Hematology (AREA)
- Theoretical Computer Science (AREA)
- Urology & Nephrology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Cell Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Endocrinology (AREA)
- Biotechnology (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Microbiology (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】疾患の将来の発症の予測をする。【解決手段】対象者に関する入力情報をニューラルネットワークに入力して前記対象者の将来の疾患の発症を予測する予測部を備え、前記入力情報は、少なくとも画像を含む第1情報および前記対象者のホルモン様作用物質に関する第2情報を有し、前記第2情報は、前記対象者の血中または尿中のホルモン様作用物質の測定値を含み、前記ニューラルネットワークは、前記第1情報と同種の第1学習用情報および前記第2情報と同種の第2学習用情報を学習用データとし、前記疾患の診断結果を教師データとして機械学習により生成される。【選択図】図1
Description
本開示は、疾患予測システムに関する。
特許文献1には、疾患の1つである骨粗しょう症の診断支援装置が記載されている。
将来の疾患のリスクなどを把握するために、これらの疾患の将来の発症の予測をすることが求められている。
本発明の一実施形態に係る疾患予測システムは、対象者に関する入力情報をニューラルネットワークに入力して前記対象者の将来の疾患の発症を予測する予測部を備え、前記入力情報は、少なくとも前記対象者を撮影した画像を含む第1情報および前記対象者のホルモン様作用物質に関する第2情報を有し、前記第2情報は、前記対象者の血中または尿中のホルモン様作用物質の測定値を含み、前記ニューラルネットワークは、前記第1情報と同種の第1学習用情報および前記第2情報と同種の第2学習用情報を学習用データとし、前記疾患の診断結果を教師データとして機械学習により生成される。
本開示の疾患予測システム1は、例えば、中高齢者の疾患の発症を予測することができる。中高齢者の疾患とは、例えば、骨粗しょう症、変形性関節症、脊椎症、骨折、サルコペニア、フレイル、更年期障害、ED(Erectile Dysfunction)、歯周病などである。
なお、以下において、特に記載のない場合には、疾患として骨粗しょう症を例に説明する。
図1に、本開示の疾患予測システム1の構成の概念を示す。
本開示の疾患予測システム1は、端末装置2と、予測装置3と、を有している。端末装置2は、疾患の診断に使用される対象者のデータを取得するものである。予測装置3は、端末装置2で取得されたデータに基づき、将来の疾患の発症を予測することができる。
端末装置2は、上記の通り、データを取得することができる。端末装置2で取得されたデータは、入力情報Iとして、予測装置3に入力される。なお、入力情報Iは、疾患の診断に使用される対象者のデータ(第1情報I1)の他に、対象者のホルモン様作用物質に関する情報(第2情報I2)を有している。そして、端末装置2は、第1情報I1を取得する第1端末装置21と、第2情報を取得する第2端末装置22とを、有している。
第1端末装置21は、例えば疾患予測システム1が骨粗しょう症の診断に使用される場合、例えば単純X線撮影装置または骨量測定装置などであればよい。また、この場合、第1情報I1は、例えば単純X線画像などの医用画像を有している場合がある。
第2端末装置22は、第1端末装置21が取得する第1情報I1に関連する疾患に影響を与える第2情報I2を取得することができる。第2情報I2は、例えば、ホルモン様作用物質の有無、または濃度の情報であればよい。第2情報I2は、例えば対象者の血中または尿中のホルモン様作用物質の測定値であればよい。具体的には、第2情報I2は、第1情報I1が骨粗しょう症に関連する場合、非ステロイド性エストロゲンの有無を示すデータなどであればよい。なお、第2端末装置22は、例えば、SAW(Surface Acoustic Wave)センサを用いた検査装置などであればよい。
端末装置2は、入力情報Iを取得した後に、予測装置3に入力情報Iを転送してもよい。例えば、対象者の単純X線画像を取得する場合、端末装置2(第1端末装置21)は、例えばレントゲン室に設置されて、対象者のレントゲン写真を撮影する。そして、端末装置2から予測装置3に画像データを転送し、予測装置3を介して、疾患の将来の発症を予測することができる。
なお、端末装置2は、入力情報Iを予測装置3に直接転送しなくてもよい。この場合、例えば端末装置2で取得された入力情報Iが、記憶媒体に記憶されて、記憶媒体を介して、予測装置3に入力情報Iが入力されてもよい。
第2端末装置22は、第2入力情報I2を取得した後に、予測装置3に第2入力情報I2を転送してもよい。例えば、SAWセンサを用いた検査装置が、対象者の血中または尿中のホルモン様作用物質の濃度の情報を転送する場合、濃度の数値としての情報を転送してもよいし、濃度に換算する前の一次データの情報を転送してもよい。一次データは、例えば、センサによる検出信号の位相変化、振幅変化、周波数変化などに関する情報であればよい。
図2に、本実施形態に係る予測装置3の構成の概念を示す。
予測装置3は、予測装置3に入力される入力情報Iから、対象者の疾患の将来の発症を予測することができる。例えば、疾患予測システム1が骨粗しょう症を予想する場合、予測装置3では、端末装置2で取得した医用画像を含む入力情報Iから、対象者の将来の骨粗しょう症の発症を予測して、予測した予測結果Oを出力することができる。
予測装置3は、入力部31と、制御部34、出力部33、記憶部35と、を有している。入力部31、出力部33、制御部34および記憶部35とは、例えば、バス60で互いに電気的に接続している。入力部31は、端末装置2から入力情報Iが入力されるものである。制御部34は、制御プログラムを実行することによって、後述する予測部32に基づき、入力情報Iに基づいて、疾患の発症を予測することができる。出力部33は、予測部32の予測した予測結果Oを出力することができる。記憶部35は、制御プログラムおよび、制御に必要な種々のデータ、パラメータ等が記憶されている。
本開示の予測装置3は、複数の電子部品および回路を有している。言い換えれば、予測装置3は、複数の電子部品および回路によって、予測装置3を構成する各構成部材を形成することができる。複数の電子部品は、例えば、トランジスタまたはダイオードなどの能動素子、あるいはコンデンサなどの受動素子であればよく、従来周知の方法によって、形成されていればよい。
入力部31は、上記の通り、入力情報Iが入力される。入力部31は、端末装置2で取得した入力情報Iが端末装置2から直接入力されるように、通信部を有していてもよい。また、入力部31は、入力情報Iまたは他の情報を入力可能な入力装置を備えていてもよい。入力装置は、例えば、キーボード、タッチパネル、またはマウスなどであればよい。
制御部34は、予測装置3の他の構成要素を制御することによって、予測装置3の動作を統括的に管理することが可能である。制御部34は制御装置あるいは制御回路とも言える。制御部34は、以下にさらに詳細に述べられるように、種々の機能を実行するための制御及び処理能力を提供するために、少なくとも1つのプロセッサを含む。
1つの実施形態において、プロセッサは、例えば、関連するメモリに記憶された指示を実行することによって1以上のデータ計算手続又は処理を実行するように構成された1以上の回路又はユニットを含む。他の実施形態において、プロセッサは、1以上のデータ計算手続き又は処理を実行するように構成されたファームウェア(例えば、ディスクリートロジックコンポーネント)であってもよい。
種々の実施形態によれば、プロセッサは、1以上のプロセッサ、コントローラ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路(ASIC)、デジタル信号処理装置、プログラマブルロジックデバイス、フィールドプログラマブルゲートアレイ、またはこれらのデバイス若しくは構成の任意の組み合わせ、または他の既知のデバイス及び構成の組み合わせを含み、以下に説明される機能を実行してもよい。本例では、制御部34は、例えばCPU(Central Processing Unit)を備えている。
記憶部35は、ROM(Read Only Memory)及びRAM(Random Access Memory)などの、制御部34のCPUが読み取り可能な非一時的な記録媒体を含む。記憶部35には、予測装置3を制御するための制御プログラムが記憶されている。制御部34の各種機能は、制御部34のCPUが記憶部35内の制御プログラムを実行することによって実現される。制御プログラムは、コンピュータ装置1を予測装置3として機能させるための予測プログラムであるとも言える。
本例では、制御部34が記憶部35内の制御プログラムを実行することによって、制御部34には、予測結果Oを推定可能な予測部32が形成される。予測部32は、例えば、ニューラルネットワークを備える。制御プログラムは、コンピュータ装置1をニューラルネットワーク(予測部32)として機能させるためのプログラムであるとも言える。ニューラルネットワークの構成例については後で詳細に説明する。
記憶部35には、制御プログラム以外にも、ニューラルネットワークに関する学習済みパラメータ、推定用データ(以下、「入力情報」ともいう)、学習用データ及び教師用データが記憶されている。学習用データ及び教師用データは、ニューラルネットワークを学習させる際に使用されるデータである。学習済みパラメータ及び推定用データは、学習済みのニューラルネットワークが疾患の発症を推定する場合に使用するデータである。
予測部32は、入力部31に入力された入力情報Iから対象者の将来の疾患の発症を予測することができる。予測部32は、AI(Artificial Intelligence)を有している。本開示のAIは、例えば、ニューラルネットワークであればよい。
また、予測部32は、予め学習処理されている。すなわち、学習用データおよび教師用データを用いて、予測部32に機械学習を適用することによって、予測部32は、入力情報Iから予測結果Oを算出することができる。なお、学習用データまたは教師用データは、予測装置3に入力する入力情報Iと、予測装置3から出力する予測結果Oに対応したデータであればよい。
図3、4は、本開示の予測部32の構成の概念を示す。
予測部32は、第1ニューラルネットワーク321と、第2ニューラルネットワーク322を有している。第1ニューラルネットワーク321は、時系列情報を扱うことに適したニューラルネットワークであればよい。例えば、第1ニューラルネットワーク321は、CNN(Convolutional Neural Network)およびLSTM(Long short-term memory)を組み合わせたConvLSTMネットワークなどであればよい。第2ニューラルネットワーク322は、例えば、CNNで構成された畳み込みネットワークなどであればよい。
図3は、本開示の第1ニューラルネットワーク321の構成の概念を示す。図4は、第2ニューラルネットワーク322の構成の概念を示す。
第1ニューラルネットワーク321は、エンコード部Eと、デコード部Dとを有している。エンコード部Eは、入力情報Iの時間変化および位置情報の特徴量を抽出することができる。デコード部Dは、エンコード部Eで抽出した特徴量、入力情報Iの時間変化および初期値に基づいて、新たな特徴量を算出することができる。
エンコード部Eは、複数のConvLSTM層(Convolutional Long short-term memory)E1を有している。デコード部Dは、複数のConvLSTM層(Convolutional Long short-term memory)D1を有している。なお、複数のConvLSTM層E1は、それぞれ学習する内容が異なっていてもよい。複数のConvLSTM層D1は、それぞれ学習する内容が異なっていてもよい。例えば、あるConvLTSM層では1画素1画素の変化といった細かな内容を、別のConvLSTM層では全体像の変化といった大まかな内容を学習してもよい。
第2ニューラルネットワーク322は、変換部Cを有している。変換部Cは、デコード部Dで算出された特徴量を骨量に変換することができる。変換部Cは、複数の畳み込み層C1と、複数のプーリング層C2と、全結合層C3と、を有している。全結合層C3は、出力部33の前段に位置しており、複数の畳み込み層C1と複数のプーリング層C2とが交互に配置されている。
なお、予測部32の学習時、学習用データは、予測部32のエンコード部Eに入力され、教師用データは、予測部32の変換部Cから出力される出力データと比較される。
出力部33は、予測結果Oを表示することができる。出力部33は、例えば、液晶表示ディスプレイあるいは有機ELディスプレイである。出力部33は、文字、記号、図形などの各種情報を表示することが可能である。出力部33は、例えば、数字または画像などを表示することができる。
<入力情報、学習用データおよび教師用データの一例>
入力情報Iは、前記疾患の診断に使用される対象者の第1情報I1を有している。第1情報I1は、例えば対象者の検査結果や医用画像であればよい。具体的には、例えば疾患予測システム1が骨粗しょう症を予測する場合には、対象者の骨量、骨代謝マーカー、胸部、腰部もしくは大腿骨近位部のレントゲン画像、CT像などであればよい。
入力情報Iは、前記疾患の診断に使用される対象者の第1情報I1を有している。第1情報I1は、例えば対象者の検査結果や医用画像であればよい。具体的には、例えば疾患予測システム1が骨粗しょう症を予測する場合には、対象者の骨量、骨代謝マーカー、胸部、腰部もしくは大腿骨近位部のレントゲン画像、CT像などであればよい。
なお、骨粗しょう症の場合、第1情報I1は、具体的には、対象者の骨が写る単純X線像の画像データを有している。また、撮影する骨は、主に、生物由来の皮質骨および海綿骨であるが、対象とする骨に、リン酸カルシウムを主成分とする人工骨、あるいは再生医療等によって人工的に製造された再生骨が含まれてもよい。
また、入力情報Iは、第1情報I1に関連する疾患に影響を与える、ホルモン様作用物質に関する第2情報を有していてもよい。第2情報I2は、例えば、ホルモン様作用物質の有無、または濃度の情報であればよい。第2情報I2は、例えば、第1情報I1が骨粗しょう症に関連するデータである場合は、骨粗しょう症に影響を与えるホルモン様作用物質に関する情報であればよい。具体的には、線維芽細胞増殖因子23(FGF23)、レプチン、インスリン、スクレロスチンなどの少なくとも1種類の濃度情報などであればよい。さらに、対象者が女性であれば、エストロン、エストラジオール、エストリオールなどのステロイド性エストロゲン、非ステロイド性エストロゲン、プロゲステロン、あるいはエストロゲン受容体などの少なくとも1種類の濃度情報などであればよい。対象者が男性であれば、テストステロン、ジヒドロテストステロンなどのアンドロゲン、あるいはアンドロゲン受容体などの少なくとも1種類の濃度情報などであればよい。
第2情報I2は、例えば、第1情報I1がサルコペニアに関連するデータである場合は、サルコペニアに影響を与えるホルモン様作用物質に関する情報であればよい。具体的には、グレリン、レプチン、アディポネクチンなどの少なくとも1種類の濃度情報などであればよい。加えて、対象者が女性であれば、エストロン、エストラジオール、エストリオールなどのステロイド性エストロゲン、非ステロイド性エストロゲン、プロゲステロン、あるいはエストロゲン受容体などの少なくとも1種類の濃度情報などであればよい。対象者が男性であれば、テストステロン、ジヒドロテストステロンなどのアンドロゲン、あるいはアンドロゲン受容体などの少なくとも1種類の濃度情報などであればよい。
なお、疾患予測システム1が変形性関節症、脊椎症を予測する場合は、第1情報I1は、患部のレントゲン画像であればよい。また、骨折を予測する場合は、第1情報I1は、骨量、骨代謝マーカー、骨折歴、レントゲン画像であればよい。また、サルコペニアを予測する場合は、第1情報I1は、下腿のレントゲン画像、筋肉量、握力、歩行速度であればよい。また、フレイルを予測する場合は、第1情報I1は、握力、歩行速度、活動量、口腔機能、倦怠感、社会性に関する情報であればよい。また、更年期障害を予測する場合は、第1情報I1は、顔のほてり、汗のかきやすさ、顔や手足の冷え、息切れ・動悸、寝付き・眠りの深さ、イライラ度合、憂うつ度合、頭痛・めまい・吐き気、疲れやすさ、肩こり・腰痛・手足の痛みの有無であればよい。また、EDを予測する場合は、第1情報I1は、性交の成功度や満足度に関する情報であればよい。また、歯周病を予測する場合は、第1情報I1は、レントゲン画像、CT像、歯周ポケット深さ、アタッチメントレベル、口腔衛生状態などの情報であればよい。
学習用データは、第1入力情報I1と同種の第1学習用情報を有している。例えば、第1入力情報I1が単純X線像であれば、学習用データも単純X線像を有していればよい。さらには、第1入力情報I1が骨量の場合、学習用データも骨量を有していればよい。
学習用データは、時間変化を考慮されている。すなわち、学習用データは、同一人を検査した時間軸の異なる一連のデータであってもよい。また、学習用データは、他人のデータ群であってもよい。また、学習用データが画像データである場合、画像データは、同一人、同一部位を撮影した時間軸の異なる一連のデータであってもよい。その結果、学習処理が行われた予測部32は、将来の疾患の発症を予測することができる。
また、学習用データは、第2入力情報I2と同種の第2学習用情報を有している。すなわち、学習用データは、対象者のホルモン様作用物質に関する情報である。また、第2学習用情報は、第1学習用情報の取得時または取得前後の所定期間の情報であってもよい。例えば、対象者が女性であれば、第2入力情報I2は、エストロン、エストラジオール、エストリオールなどのステロイド性エストロゲン、非ステロイド性エストロゲン、プロゲステロン、あるいはエストロゲン受容体などの少なくとも1種類の濃度情報であればよい。
なお、学習用データは、入力情報Iと同様に、端末装置2を使用して取得してもよい。第1学習用情報であれば、例えば、単純X線撮影装置などの第1端末装置21を使用して取得すればよい。また、第2学習用情報であれば、例えば、SAW(Surface Acoustic Wave)センサなどの第2端末装置22を使用して取得すればよい。学習用データは、例えば非ステロイド性エストロゲンの濃度であれば、上述のように、第2端末装置22を使用して取得することができる。
教師用データは、学習用データに対応した、疾患の診断結果を含む。例えば骨粗しょう症を予測する場合には、教師用データは、複数の学習用画像データのそれぞれに対応した、骨量の実測値または骨粗しょう症の診断結果である。骨量の実測値または骨粗しょう症の診断結果は、学習用画像データが撮影された時期とほぼ同じ時期に評価されていればよい。
教師用データは、例えば骨量の場合には、例えば、DEXA(Dual-Energy X-ray Absorptiometry)法または超音波法などによって測定されていればよい。
<ニューラルネットワークの学習例>
予測部32は、入力情報Iから予測結果Oを算出可能なように、学習用データと教師用データを用いた機械学習によって最適化される。すなわち、制御部34は、機械学習によって最適化された近似式(予測部32)に基づいて入力情報Iから予測結果Oを算出するが、入力部31に入力された学習用データから演算されて出力部33から出力された疑似予測結果と教師用データとの差が小さくなるように、予測部32内のパラメータを調整することによって、機械学習される。その結果、予測部32は、入力情報Iに対して学習済みパラメータに基づく演算を行なって予測結果Oを出力することができる。
予測部32は、入力情報Iから予測結果Oを算出可能なように、学習用データと教師用データを用いた機械学習によって最適化される。すなわち、制御部34は、機械学習によって最適化された近似式(予測部32)に基づいて入力情報Iから予測結果Oを算出するが、入力部31に入力された学習用データから演算されて出力部33から出力された疑似予測結果と教師用データとの差が小さくなるように、予測部32内のパラメータを調整することによって、機械学習される。その結果、予測部32は、入力情報Iに対して学習済みパラメータに基づく演算を行なって予測結果Oを出力することができる。
パラメータの調整方法としては、例えば、誤差逆伝播法が採用される。パラメータには、例えば、エンコード部E、デコード部D、変換部Cで使用されるパラメータが含まれる。具体的には、パラメータには、エンコード部Eとデコード部DのConvLSTM層と、変換部Cの畳み込み層および全結合層で使用される重み付け係数とが含まれる。
以上のように、疾患予測システム1では、入力情報Iから予測結果Oを出力することによって、疾患の発症を予測することができる。
ここで、例えば、従来の骨粗しょう症診断支援装置は、皮質骨に関する特徴量を用いて骨粗しょう症を判定することが開示されている。しかしながら、従来の骨粗しょう症診断支援装置は、現状での骨粗しょう症を診断するものであって、将来の発症の可能性を示すものではなかった。
これに対して、本発明に係る疾患予測システム1は、入力情報Iから前記対象者の将来の疾患の発症を予測することができる。したがって、データ取得時の入力情報Iから、データ取得後にどのようにその疾患が推移するのか、予測することができる。そして、本発明に係る疾患予測システム1では、入力情報Iとしてホルモン様作用物質に関する情報(第2情報)も有している。例えば、ホルモン様作用物質の有無などによって疾患の推移の仕方は変わることから、第2情報を入力することによって、より将来予測の精度を向上させることができる。
疾患予測システム1の予測結果Oは、入力情報Iの取得日よりも未来の予測であればよい。例えば、疾患予測システム1は、入力情報Iの取得日からら3ヶ月後から50年後、より好ましくは、6ヶ月後から10年後までの予測を行なえばよい。
予測結果Oは、将来の数値として出力されてもよい。例えば、骨量を予測する場合、予測結果Oは、例えば、YAM(Young Adult Mean)、TスコアおよびZスコアの少なくとも1種類によって表される数値であればよい。
なお、変形性関節症または脊椎症を予測する場合は、予測結果Oは、KL(Kellgren-Lawrence)グレード分類などであってもよい。また、骨折、サルコペニア、フレイル、更年期障害、ED、歯周病を予測する場合は、予測結果Oは、発症の有無であってもよい。発症の有無は、予測結果によって出力された数値をもとに、予め定められた閾値によって判別してもよい。
予測結果Oは、疾患の将来の発症確率を出力してもよい。発症確率は、例えば、特定の期日の発症確率を出力してもよい。この場合、「1年後の疾患の確率が10%」のように出力されればよい。また、発症する期日はいつか、などを出力してもよい。この場合、例えば、「7年後に骨粗しょう症を発症する可能性があります」のように出力されればよい。
予測結果Oは、経年変化を出力してもよい。例えば、1年後の発症確率、5年後の発症確率、10年後の発症確率など、時間軸に対する予測結果Oの推移を出力してもよい。
疾患予測システム1は、1種類の第1情報I1から、複数の疾患の発症を予測する予測結果Oを出力してもよい。この場合、例えば、第1情報I1として尿中の非ステロイド性エストロゲンの濃度を入力することによって、骨粗しょう症と更年期障害という疾患の発症を同時に予測することができる。
また、疾患予測システム1は、1種類の第1情報I1と1種類の第2情報I2から、複数の疾患の発症を予測する予測結果Oを出力してもよい。この場合、例えば、1種類の第1情報I1としてレントゲン画像を入力し、1種類の第2情報I2として尿中の非ステロイド性エストロゲンの濃度を入力することによって、例えば、骨粗しょう症と変形性関節症という複数の疾患の発症を同時に予測することができる。
入力情報Iは、対象者の個体データを有する第3情報I3を有していてもよい。第3情報I3は、対象者の健康状態に関する情報であればよい。なお個体データは、例えば、年齢情報、性別情報、身長情報、体重情報、収縮期血圧、総コレステロール、中性脂肪、悪玉コレステロール(LDL-C、中性脂肪)、善玉コレステロール(HDL-コレステロール)、インスリン抵抗性指数(HOMA-R指数)、血糖値、閉経の有無、精子数などに関する情報のいずれか1種類または複数種類を含んでいればよい。
なお、この場合、学習用データとして、第3情報I3と同種の第3学習用情報を学習させてもよい。また、第3学習用情報は、第1学習用情報の取得時または、取得前後の所定期間の情報であってもよい。
また第3情報I3は、生活習慣情報を有していてもよい。生活習慣情報は、食事習慣、飲酒習慣、喫煙習慣、あるいは、歩行速度または歩数などの運動習慣などに関する情報のいずれか1種類または複数種類を含んでいればよい。
入力情報Iは、対象者への介入に関する第4情報I4を有していてもよい。第4情報I4は、対象者の生活習慣などの変更予定(未来)に関する情報であればよい。第4情報I4は、例えば、食生活の変更、生活習慣の変更、体重の変更、理学療法、薬物療法または服用予定のサプリメントに関する情報のいずれか1種類または複数種類を含んでいればよい。
なお、この場合、学習用データとして、第4情報I4と同種の第4学習用情報を学習させてもよい。また、第4学習用情報は、第1学習用情報の取得時または、取得前後の所定期間の情報であってもよい。
また第4情報I4として、服用予定のサプリメントに関する情報を入力する場合、サプリメントに関する情報として、カルシウム、ビタミンD、ビタミンK、分岐鎖アミノ酸、フラボノイドまたはプロバイオティクスの服用に関する情報のいずれか1種類または複数種類を含んでいればよい。プロバイオティクスは、例えば、枯草菌C-3102株などであればよい。
疾患予測システム1において、予測結果Oは、第4情報I4を除く入力情報Iから選択される入力情報Iに基づく第1結果と、第4情報I4および少なくとも第1入力情報I1を含む入力情報Iに基づく第2結果とを出力してもよい。
疾患予測システム1において、将来の予測である予測結果Oはだけではなく、現状の診断結果を出力してもよい。その結果、経時の疾患の変化を比較することができる。
入力情報Iは、被検者の骨代謝マーカー情報を有した第5入力情報I5を有していてもよい。骨代謝情報とは、例えば、骨吸収能力または骨形成能力であればよい。これらは、例えば、骨吸収マーカーであるI型コラーゲン架橋N-テロペプチド(NTX)、I型コラーゲン架橋C-テロペプチド(CTX)、酒石酸抵抗性酸ホスファターゼ(TRACP-5b)、デオキシピリジノリン(DPD)、骨形成マーカーである骨型アルカリホスファターゼ(BAP)、I型コラーゲン架橋N-プロペプチド(P1NP)、骨関連マトリックスマーカーである低カルボキシル化オステオカルシン(ucOC)の少なくとも1種によって、測定可能である。骨吸収マーカーは、血清または尿を検体として測定されてもよい。
なお、この場合、学習用データとして、第5情報I5と同種の第5学習用情報を学習させてもよい。また、第5学習用情報は、第1学習用情報の取得時または、取得前後の所定期間の情報であってもよい。
疾患予測システム1は、第5入力情報I5を取得する第3端末装置を有していてもよい。また、第2端末装置22を使用して、第2入力情報I2とともに第5入力情報I5を同時に測定してもよい。例えば、対象者の1つの尿検体から、骨代謝マーカーのDPDと、ホルモン様作用物質の非ステロイド性エストロゲンの濃度を同時に測定してもよい。また、第2端末装置22は、第1入力情報I1の1つである骨代謝マーカーと第2入力情報I2のホルモン様作用物質のうち、複数を同時に測定してもよい。具体的には、対象者の1つの尿検体から、骨代謝マーカーのDPDおよびCTXと、ホルモン様作用物質のステロイド性エストロゲンおよび非ステロイド性エストロゲンの濃度を同時に測定してもよい。
<その他の実施形態>
図5は、本開示の線形回帰モデルを用いた予測部32aの構成の概念を示す。
図5は、本開示の線形回帰モデルを用いた予測部32aの構成の概念を示す。
予測部32は、上記の実施形態では、予測部32としてニューラルネットワークを使用する例を説明したが、予測部32は、入力情報を説明変数とし、予測用パラメータを説明変数の係数とし、予測結果を目標変数とする線形回帰モデルであってもよい。予測用パラメータは、学習用データおよび教師用データを用いて、最小二乗法により最適化されていてもよい。すなわち、学習用データを説明変数ベクトル、教師用データを目標変数ベクトルとして、誤差の二乗和が最小となるような説明変数係数ベクトルを決定してもよい。
線形回帰モデルを用いた予測部32aは、入力情報を説明変数X1、X2・・・Xkに入力することで、予測結果Yを算出する。予測用パラメータである説明変数の係数θ1、θ2・・・θkは、例えば、学習用データおよび教師用データを用いて、最小二乗法により予め最適化されていればよい。
線形回帰モデルを用いた予測部32aでは、例えば、骨粗しょう症、骨折、サルコペニア、フレイル、更年期障害、ED(Erectile Dysfunction)または歯周病などの疾患を、簡易に予測することができる。
なお、本発明は上述の実施形態の例に限定されるものではなく、その内容に矛盾をきたさない限り、種々の変形を含むものである。また、本発明に係る各実施形態は、適宜、組合せ可能である。
例えば、上記の例では、予測部32としてニューラルネットワークを使用した場合、ConvLSTMネットワークを適用した例を説明したが、本発明はこれに限られない。例えば、予測部32は、RNN(Recurrent Neural Network)やGAN(Generative Adversarial Network)を用いてもよい。また、予測部32は、複数のニューラルネットワークを組み合わせてもよい。具体的には、ConvLSTMネットワークと畳み込みニューラルネットワークを組わせた複合的なニューラルネットワークでもよい。
また、上記の例では、予測部32として、ニューラルネットワークを有している例と、線形回帰モデルを有している例をそれぞれ記載したが、本発明では、疾患予測システム1の予測装置3は、異なる予測部を複数有していてもよい。例えば、線形回帰モデルを用いた予測部32aとConvLSTMニューラルネットワークを用いた予測32bを同時に有していてもよい。
この場合、疾患予測システム1において、予測部32aは、第1予測結果O1を出力するものである。さらに、予測部32bは、第2予測結果O2として、第2の予測結果を出力するものである。その結果、予測結果Oとして、第1の予測結果と第2の予測結果を比較することができる。
疾患予測システム1は、予測結果Oとして、第1の予測結果および第2の予測結果に基づいた第3の予測結果を出力してもよい。その結果、例えば、第2の予測結果に基づいて第1の予測結果を修正した結果(第3の予測結果)を、予測結果Oとすることができる。
〔その他の態様〕
本開示の一態様の疾患予測システムは、疾患の診断に使用される対象者の第1情報および前記対象者のホルモン様作用物質に関する第2情報を有した入力情報が入力される入力部と、前記入力部に入力された前記入力情報から前記対象者の将来の前記疾患の発症を予測する制御部と、を備える。
本開示の一態様の疾患予測システムは、疾患の診断に使用される対象者の第1情報および前記対象者のホルモン様作用物質に関する第2情報を有した入力情報が入力される入力部と、前記入力部に入力された前記入力情報から前記対象者の将来の前記疾患の発症を予測する制御部と、を備える。
1 疾患予測システム
2 端末装置
21 第1端末装置
22 第2端末装置
3 予測装置
31 入力部
32 予測部
32a 予測部
32b 予測部
33 出力部
34 制御部
35 記憶部
O 予測結果
I 入力情報
2 端末装置
21 第1端末装置
22 第2端末装置
3 予測装置
31 入力部
32 予測部
32a 予測部
32b 予測部
33 出力部
34 制御部
35 記憶部
O 予測結果
I 入力情報
Claims (22)
- 対象者に関する入力情報をニューラルネットワークに入力して前記対象者の将来の疾患の発症を予測する予測部を備え、
前記入力情報は、少なくとも前記対象者を撮影した画像を含む第1情報および前記対象者のホルモン様作用物質に関する第2情報を有し、
前記第2情報は、前記対象者の血中または尿中のホルモン様作用物質の測定値を含み、
前記ニューラルネットワークは、前記第1情報と同種の第1学習用情報および前記第2情報と同種の第2学習用情報を学習用データとし、前記疾患の診断結果を教師データとして機械学習により生成される、疾患予測システム。 - 前記予測部は、前記疾患のうち2種類以上の疾患の発症を予測する、請求項1に記載の疾患予測システム。
- 前記第2情報は、SAW(Surface Acoustic Wave)センサを用いて測定される、請求項1または2に記載の疾患予測システム。
- 前記第2学習用情報は、SAW(Surface Acoustic Wave)センサを用いて取得される、請求項1~3のいずれか1項に記載の疾患予測システム。
- 前記画像は、単純X線画像である、請求項1~4のいずれか1項に記載の疾患予測システム。
- 前記第2情報は、ホルモン様作用物質の有無、または濃度の情報である、請求項1~5のいずれか1項に記載の疾患予測システム。
- 前記学習用データは、同一人を検査した時間軸の異なる一連のデータである、請求項1~6のいずれか1項に記載の疾患予測システム。
- 前記第1学習用情報は、同一部位を撮影した時間軸の異なる一連のデータである、請求項1~7のいずれか1項に記載の疾患予測システム。
- 前記学習用データは、他人のデータ群である、請求項1~8のいずれか1項に記載の疾患予測システム。
- 前記教師データは、骨量である、請求項1~9のいずれか1項に記載の疾患予測システム。
- 前記予測部は、YAM(Young Adult Mean)、TスコアおよびZスコアの少なくとも1種類によって表される数値を予測結果として出力する、請求項1~10のいずれか1項に記載の疾患予測システム。
- 前記予測部は、KL(Kellgren-Lawrence)グレード分類を予測結果として出力する、請求項1~10のいずれか1項に記載の疾患予測システム。
- 前記予測部は、前記疾患の将来の発症確率を予測結果として出力する、請求項1~10のいずれか1項に記載の疾患予測システム。
- 前記予測部は、複数の前記疾患の発症を同時に予測する、請求項1~13のいずれか1項に記載の疾患予測システム。
- 前記予測部が予測した予測結果を出力する出力部をさらに備える、請求項1~14のいずれか1項に記載の疾患予測システム。
- 前記予測部は、経年変化を出力する、請求項1~15のいずれか1項に記載の疾患予測システム。
- 前記入力情報は、前記対象者の健康状態に関する第3情報を含む、請求項1~16のいずれか1項に記載の疾患予測システム。
- 前記第3情報は、年齢情報、性別情報、身長情報および体重情報のうち少なくとも1つを含む、請求項17に記載の疾患予測システム。
- 前記入力情報は、前記対象者への介入に関する第4情報を含む、請求項1~18のいずれか1項に記載の疾患予測システム。
- 前記予測部は、前記第4情報を除く入力情報に基づく第1結果と、前記第4情報を含む入力情報に基づく第2結果と、を予測する、請求項19に記載の疾患予測システム。
- 前記入力情報は、前記対象者の骨代謝マーカー情報を有した第5情報を含む、請求項1~20のいずれか1項に記載の疾患予測システム。
- 前記対象者の現状の診断結果を合せて出力する、請求項1~21のいずれか1項に記載の疾患予測システム。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018241064 | 2018-12-25 | ||
JP2018241064 | 2018-12-25 | ||
PCT/JP2019/050611 WO2020138085A1 (ja) | 2018-12-25 | 2019-12-24 | 疾患予測システム |
JP2020563306A JPWO2020138085A1 (ja) | 2018-12-25 | 2019-12-24 | 疾患予測システム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020563306A Division JPWO2020138085A1 (ja) | 2018-12-25 | 2019-12-24 | 疾患予測システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023121815A true JP2023121815A (ja) | 2023-08-31 |
Family
ID=71126433
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020563306A Pending JPWO2020138085A1 (ja) | 2018-12-25 | 2019-12-24 | 疾患予測システム |
JP2023106415A Pending JP2023121815A (ja) | 2018-12-25 | 2023-06-28 | 疾患予測システム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020563306A Pending JPWO2020138085A1 (ja) | 2018-12-25 | 2019-12-24 | 疾患予測システム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220082574A1 (ja) |
EP (1) | EP3903666A4 (ja) |
JP (2) | JPWO2020138085A1 (ja) |
WO (1) | WO2020138085A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6830298B1 (ja) * | 2020-04-30 | 2021-02-17 | 株式会社Jdsc | 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 |
US11076824B1 (en) * | 2020-08-07 | 2021-08-03 | Shenzhen Keya Medical Technology Corporation | Method and system for diagnosis of COVID-19 using artificial intelligence |
US20240119587A1 (en) * | 2021-01-20 | 2024-04-11 | Kyocera Corporation | Prediction system, control method, and control program |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2641315A1 (en) * | 2006-02-06 | 2007-08-16 | Tethys Bioscience, Inc. | Osteoporosis associated markers and methods of use thereof |
JP2008036068A (ja) | 2006-08-04 | 2008-02-21 | Hiroshima Univ | 骨粗鬆症診断支援装置および方法、骨粗鬆症診断支援プログラム、骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体、骨粗鬆症診断支援用lsi |
WO2009083020A1 (en) * | 2007-12-28 | 2009-07-09 | F. Hoffmann-La Roche Ag | Assessment of physiological conditions |
JP6861481B2 (ja) * | 2016-07-06 | 2021-04-21 | オムロンヘルスケア株式会社 | リスク分析システム及びリスク分析方法 |
JP2018044877A (ja) * | 2016-09-15 | 2018-03-22 | 学校法人慶應義塾 | 被験者における骨密度低下の発症又は進行を予測する方法 |
JP2018124702A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社教育ソフトウェア | 病因分析装置および疾病予測装置 |
US10622102B2 (en) * | 2017-02-24 | 2020-04-14 | Siemens Healthcare Gmbh | Personalized assessment of bone health |
-
2019
- 2019-12-24 EP EP19905160.8A patent/EP3903666A4/en active Pending
- 2019-12-24 JP JP2020563306A patent/JPWO2020138085A1/ja active Pending
- 2019-12-24 WO PCT/JP2019/050611 patent/WO2020138085A1/ja unknown
- 2019-12-24 US US17/418,174 patent/US20220082574A1/en active Pending
-
2023
- 2023-06-28 JP JP2023106415A patent/JP2023121815A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2020138085A1 (ja) | 2020-07-02 |
US20220082574A1 (en) | 2022-03-17 |
EP3903666A4 (en) | 2022-09-21 |
EP3903666A1 (en) | 2021-11-03 |
JPWO2020138085A1 (ja) | 2021-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023121815A (ja) | 疾患予測システム | |
JP7260886B2 (ja) | 推定装置及び推定方法 | |
Gallagher et al. | Appendicular skeletal muscle mass: effects of age, gender, and ethnicity | |
JP2019200788A (ja) | 将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム | |
Reeves | Augmenting functional adaptation: Does obesity have a systemic effect on bone strength properties in humans? | |
Duraivelu et al. | Improving early detection of Osteoporosis by bone densitometry functionalities using convolutional neural network–the systematic future for Para Athletes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230628 |