JP2023146142A - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】ユーザの疾病の発症リスクの予測を多角的に支援する。【解決手段】情報処理装置は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得し、該ユーザ特徴に基づいて、該複数のユーザ間の社会的関係性を示す関係性グラフを作成し、該複数のユーザのうち、対象ユーザを設定し、該関係性グラフと該対象ユーザのユーザ特徴に基づいて、該対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する。【選択図】図８Ｂ

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、疾病の発症リスクを予測する技術に関する。

近年、インターネットといったネットワークを利用して、所定の疾病の発症リスクを有するユーザに対して当該疾病に関するサービスを提供する技術が開発されている。例えば、特許文献１には、所定の疾病の発症リスクを有するユーザ（リスクユーザ）のネットワーク上における行動を示す行動情報を取得し、当該行動情報に関連する行動情報を有する他のユーザ（対象ユーザ）に対して、当該所定の疾病に関連する情報を提供する技術が開示されている。

特開２０１９－１５３２２２号公報

特許文献１によれば、リスクユーザと対象ユーザの行動に関する情報に基づいて、当該対象ユーザが当該リスクユーザと同じ疾病の発症リスクを有すると推定され、該対象ユーザへ当該疾病に関連する情報が提供される。しかしながら、当該行動に関する情報は、当該リスクユーザと当該対象ユーザとの間の局所的な情報に過ぎず、より多角的な情報に基づき疾病の発症リスクを予測するという点で改善の余地がある。

本発明は上記課題に鑑みてなされたものであり、ユーザと他の複数のユーザとの網羅的な関係性に基づいて、ユーザの疾病の発症リスクの予測をより多角的に支援するための技術を提供することを目的とする。

上記課題を解決するために、本発明による情報処理装置の一態様は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得手段と、前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成手段と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定手段と、前記関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測手段と、を有する。

前記予測手段は、前記対象ユーザのユーザ特徴を入力し、前記対象のユーザについての前記疾病リスクを出力するように構成された機械学習モデルを用いて、前記対象のユーザについての前記疾病リスクを予測しうる。

前記機械学習モデルを学習させる学習手段を更に有し、前記学習手段は、前記関係性グラフから得られた疾病特徴を用いて、前記機械学習モデルを学習させうる。

前記関係性グラフから得られた疾病特徴は、前記複数のユーザのそれぞれについて、前記１つ以上の所定の疾病の罹患の有無を示す情報を含みうる。

前記関係性グラフでは、各ユーザは各ユーザノードで表され、前記作成手段は、前記事実特徴に基づいて各ノードをリンクで接続しうる。

前記作成手段は、同じ事実特徴を有するユーザノードのペアを明示的なリンクで接続し、当該明示的なリンクで接続された複数のユーザノードのペアに基づいて、前記明示的なリンクで接続されていないノードのペアを暗示的なリンクで接続しうる。

前記作成手段は、前記接続されたペアの親密度を、当該ペアで共有される１つ以上の事実特徴に基づいて決定しうる。

前記疾病リスクは、前記１つ以上の所定の疾病それぞれについて、１を最大の可能性として、０～１の数値で表されうる。

上記課題を解決するために、本発明による情報処理方法の一態様は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得工程と、前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成工程と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定工程と、前記関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測工程と、を有する。

上記課題を解決するために、本発明によるプログラムの一態様は、情報処理コンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得処理と、前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成処理と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定処理と、前記関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測処理と、と、を含む処理を実行させるためのものである。

本発明によれば、ユーザの疾病の発症リスクの予測をより多角的に支援することが可能となる。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。

図１は、情報処理システムの構成例を示す。 図２は、実施形態による情報処理装置１０の機能構成例を示す。 図３は、関係性グラフの作成処理のフローチャートを示す。 図４Ａは、明示的リンクを説明するための図である。 図４Ｂは、明示的リンクを説明するための図である。 図４Ｃは、明示的リンクを説明するための図である。 図４Ｄは、暗示的リンクを説明するための図である。 図５Ａは、リンク間の関係性の推論処理を説明するための図である。 図５Ｂは、ペアをクラスタへグループ化する処理の一例のフローチャートを示す。 図６Ａは、ユーザペアに対する関係性の親密度に基づくスコア（親密度スコア）の概念図を示す。 図６Ｂは、スコア予測モデル１１２の概略アーキテクチャを示す。 図７は、関係性グラフの概念図を示す。 図８Ａは、疾病リスク予測モデル１１１の学習段階を説明するための図である。 図８Ｂは、対象ユーザについての疾病リスクの予測段階を説明するための図である。 図９は、情報処理装置１０とユーザ装置１１のハードウェア構成例を示す。 図１０は、情報処理装置１０により実行される処理のフローチャートを示す。

以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。

［情報処理装置の機能構成］
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。

ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。

ユーザ装置１１は、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービス（インターネット関連サービス）にログインして、サービスを利用することができる。当該ウェブサービスは、インターネットを介して提供される、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。ユーザ装置１１は、このようなウェブサービスを利用することにより、ユーザ装置１１のユーザに関する情報を情報処理装置１０に伝達することができる。

例えば、ユーザ装置１１は、ユーザ装置１１のＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）アドレスや、ユーザの住所やユーザの氏名といった、ユーザ装置やユーザに関する特徴の情報を、情報処理装置１０へ伝達することができる。
また、ユーザ装置１１は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星（不図示）から受信される信号等に基づいて測位計算を行い、当該計算により得られた情報を、ユーザ装置１１の位置情報として生成し、情報処理装置１０へ伝達することができる。
情報処理装置１０は、ユーザ装置１１から各種情報を取得し、当該情報に基づいて、ユーザ間の社会的関係性を示す関係性グラフネットワーク（以下、関係性グラフ）を作成する。そして情報処理装置１０は、任意のユーザに対する任意の疾病の発症リスク（以下、疾病リスク）を、当該作成した関係性グラフを用いて予測する。

［情報処理装置１０の機能構成］
本実施形態による情報処理装置１０は、まず、ユーザ装置１１－１～１１－Ｎから各種情報を取得し、ユーザ１～Ｎ間の社会的関係性を示す関係性グラフを作成する。そして、情報処理装置１０は、ユーザ１～Ｎのうちの対象のユーザを特定する。情報処理装置１０は、作成した社会的グラフが有する特徴を学習済みの機械学習モデルに適用することにより、当該対象のユーザの疾病リスクを予測する。

図２は、本実施形態による情報処理装置１０の機能構成の一例を示す。
図２に示す情報処理装置１０は、ユーザ特徴取得部１０１、グラフ作成部１０２、対象ユーザ特徴設定部１０３、予測部１０４、学習部１０５、出力部１０６、学習モデル記憶部１１０、およびユーザ特徴記憶部１２０を備える。学習モデル記憶部１１０は、疾病リスク予測モデル１１１およびスコア予測モデル１１２を記憶している。当該各種学習モデルについては後述する。また、ユーザ特徴記憶部１２０はユーザ特徴１２１を記憶している。

ユーザ特徴取得部１０１は、ユーザ装置１１－１～１１－Ｎのそれぞれから、当該ユーザ装置やユーザについての事実特徴（事実情報）（以下、ユーザ特徴）を取得する。ユーザ特徴は、当該ユーザ装置やユーザから実際に、または、客観的に得られる、事実に基づく特徴（情報）である。ユーザ特徴取得部１０１は例えば、ユーザ装置１１から直接ユーザ特徴を取得することができる。また、ユーザ特徴取得部１０１は、ユーザ装置１１のユーザにより所定のウェブサービスに登録された情報として、ユーザ特徴を取得することができる。

ユーザ特徴は、ユーザ装置のＩＰアドレス、ユーザの住所やユーザの氏名、ユーザが保持するクレジットカードの番号、ユーザのデモグラフィック情報（性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性）等を含む。また、ユーザ特徴は、健康診断データと毎日の健康データといった、ユーザの健康に関する特徴を含む。当該健康に関する特徴は、例えば、身長と体重、睡眠時間、食生活情報（摂取カロリー等）、血液型、血圧、既往症を含み、例えば、ウェブサービスの一つである健康関連サービスに登録されたデータにより取得可能である。

また、ユーザ特徴は、所定のウェブサービス利用時における登録番号や登録名を含んでもよい。また、ユーザ特徴は、通話履歴、所定のウェブサービス利用時における商品のユーザの住所以外の配送先住所、所定のウェブサービス利用時の利用状況、利用履歴、検索履歴、サービスの利用により貯めることが可能なポイントに関する情報を含んでもよい。このように、ユーザ特徴は、ユーザ装置またはユーザ自身に関連する情報や、通信を介した所定のサービス利用に関する情報を含む、あらゆる情報を含むことができる。
ユーザ特徴取得部１０１は、取得したユーザ特徴を、ユーザ特徴１２１としてユーザ特徴１２０に記憶させる。

グラフ作成部１０２は、ユーザ特徴取得部１０１により取得された各種ユーザ特徴を用いて、関係性グラフを作成する。関係性グラフについては後述する。

対象ユーザ特徴設定部１０３は、疾病リスク予測の対象のユーザ（以下、対象ユーザ）の設定を行う。対象ユーザは、操作者が入力部（図９の入力部９５）による入力操作により設定されてもよいし、予めシステムにおいて設定されていてもよいし、記憶部（図９のＲＯＭ９２やＲＡＭ９３）に格納されている任意のプログラムによって設定されてもよい。さらに、対象ユーザ特徴設定部１０３は、当該対象ユーザのユーザ特徴を、ユーザ特徴１２１から取得して予測部１０４に設定する。

予測部１０４は、対象ユーザ特徴設定部１０３により設定された対象ユーザについての１つ以上の所定の疾病の発症（罹患）リスクを示す疾病リスクを予測する。本実施形態では、学習部１０５により学習済みの疾病リスク予測モデル１１１を用いて、当該対象ユーザについての疾病リスクを予測する。当該疾病リスクの予測処理については後述する。

学習部１０５は、疾病リスク予測モデル１１１とスコア予測モデル１１２を学習（トレーニング）させ、学習済みの疾病リスク予測モデル１１１とスコア予測モデル１１２を、学習モデル記憶部１１０に格納する。各学習モデルの学習処理については後述する。

出力部１０６は、予測部１０４により予測された、対象ユーザについての疾病リスクの予測結果を出力する。出力部１０６は、当該疾病リスクに関する情報を生成して出力してもよい。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図９の通信Ｉ／Ｆ９７）を介した外部装置への出力であってもよいし、表示部（図９の表示部９６）への表示であってもよい。

［関係性グラフの作成手順］
次に、本実施形態による関係性グラフの作成手順について説明する。なお、以下の説明においてユーザＡ～Ｅは、説明のために参照するユーザであり、ユーザ装置１１のユーザでありうる。また、関係性グラフは、図４Ａ～図４Ｄにおいて丸で囲まれた各ユーザノードの接続で構成され、以下の説明では、当該ユーザノードを単にユーザと称する。図３に、本実施形態によるグラフ作成部１０２により実行される関係性グラフの作成処理のフローチャートを示す。以下、図３の処理の各工程について説明する。

＜Ｓ３１：リンクの作成＞
Ｓ３１では、グラフ作成部１０２は、複数のユーザ間のリンクを予測して作成する。
リンクの作成処理について、図４Ａ～図４Ｄを参照して説明する。図４Ａ～図４Ｃは、明示的リンクを説明するための図であり、図４Ｄは、暗示的リンクを説明するための図である。明示的リンクとは、２ユーザ間（ユーザペア）の明示的な共通の特徴により作成されるリンクである。暗示的リンクとは、ユーザペアの明示的な共通の特徴の存在は不明確であるものの、すでに作成されている明示的リンクを利用して、間接的な関係として作成されるリンクである。このように、ユーザ間のリンクは、明示的リンクと暗示的リンクで識別される。

図４Ａに、ユーザのユーザ装置のＩＰアドレスを共通な特徴として用いて明示的リンクを作成する例を示す。図４Ａは、ユーザＡ～Ｃが利用可能なウェブサービスとして、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３、およびカード管理システム４４が存在する例を示す。図４Ａ～図４Ｃでは、これら４つのウェブサービスが示されているが、ウェブサービスの数は特定の数に限定されない。

オンラインモール４１は、オンラインで（インターネットを使用して）利用可能なショッピングモールである。オンラインモール４１は、例えば、ファッション、書籍、食品、コンサートチケット、不動産といった多種多様な商品やサービスを提供することができる。
ゴルフ場予約サービス４２は、オンラインでゴルフ場に関するサービスを提供するウェブサイトで運営され、例えばゴルフ場の検索および予約やレッスン情報を提供することができる。
旅行関連予約サービス４３は、オンラインで利用可能な各種旅行サービスを提供するウェブサイトで運営される。旅行関連予約サービス４３は、例えば、ホテルやトラベルツアーの予約、航空券やレンタカーの予約、観光情報、ホテル、ホテル周辺の情報を提供することができる。
カード管理システム４４は、所定のカード管理会社により発行および管理されるクレジットカードに関するサービスを提供するウェブサイトで運営される。カード管理システム４４は、オンラインモール４１、ゴルフ場予約サービス４２、および旅行関連予約サービス４３の少なくともいずれかと関連して、サービスを提供してもよい。

図４Ａの例では、ユーザＡ～Ｃはそれぞれ、同じＩＰアドレス（＝１９８．４５．６６．ｘｘ）を用いて、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３を利用している。ＩＰアドレスの情報は、ユーザ特徴取得部１０１により取得されうる。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４５に示すように、同じＩＰアドレスの特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。

図４Ｂに、ユーザの住所の特徴を共通な特徴として用いて明示的リンクを作成する例を示す。図４Ｂは、図４Ａと同様に、ユーザＡ～Ｃが利用可能なウェブサービスとして、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３、およびカード管理システム４４が存在する例を示す。ここで、ユーザＡ～ユーザＣはそれぞれ、同じの住所（配送先住所）を登録して、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３を利用している。住所の情報は、ユーザ特徴取得部１０１により取得されうる。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４６に示すように、同じ住所の特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。

図４Ｃに、ユーザが使用するクレジットカード番号の特徴を共通な特徴として用いて明示的リンクを作成する例を示す。図４Ｂは、図４Ａと同様に、ユーザＡ～Ｃが利用可能なウェブサービスとして、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３、およびカード管理システム４４が存在する例を示す。ここで、ユーザＡ～ユーザＣはそれぞれ、同じのクレジットカードを登録して、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３を利用している。クレジットカードの番号を含む情報は、ユーザ特徴取得部１０１により取得されうる。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４７に示すように、同じカードの特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。

図４Ｄに、ユーザ間に暗示的リンクを作成する例を示す。図４Ｄの例では、ユーザＡに対して、ユーザＣ、ユーザＤ、ユーザＥが明示的リンクで接続され、ユーザＢに対して、ユーザＣ、ユーザＤ、ユーザＥが明示的リンクで接続されている。このようなリンク特徴（リンク間の関係を示す特徴）を、共通の特徴空間へ埋め込み、各ユーザ（各ノード）間で暗黙的に関係性が構築されるとして推論されたリンクが、暗示的リンクとして作成（確立）される。図４Ｄの例では、ユーザＡとユーザＢは、明示的リンクで接続されていないが、共通の特徴空間で関係性を有すると推論された結果、暗示的リンクＬ２が作成されている。なお、グラフ作成部１０２は、明示的リンクで接続されたノード（ユーザ）で構成されるユーザ間関係グラフの学習（表現学習、関係学習、埋込学習、知識グラフ埋め込み）を行うことで、ユーザ間の暗示的リンクを予測し作成する。このとき、グラフ作成部１０２は、既知の埋め込みモデルまたはその拡張に適宜、基づき、当該学習を行ってよい。

＜Ｓ３２：リンク間の関係性の推論＞
Ｓ３２では、グラフ作成部１０２は、Ｓ３１で予測および作成されたリンク間の関係性を推論する。リンク間の関係性の推論処理について、図５Ａと図５Ｂを参照して説明する。図５Ａは、リンク間の関係性の推論処理を説明するための図であり、明示的リンクで接続されたユーザＡとユーザＢ間のリンクの関係性を推論する例を示す。

グラフ作成部１０２は、Ｓ３１で作成されたリンクで接続されたユーザのペアをデータポイントとして扱い、ユーザ特徴取得部１０１により取得された各種情報を用いて、当該ペア（データポイント）を、共通のタイプを表すクラスタにグループ化する。当該各種情報は、ＩＰアドレス、住所、クレジットカード、年齢、性別、友人といった情報でありうる。また、各クラスタは、配偶者、親子、近所の人、同じ世帯、同僚、友達、同性別きょうだい、異性別きょうだい等の関係を持つクラスタでありうる。図５Ａの例では、ユーザのペアをバツ印で示し、当該ペアがグループ化されうるクラスタとして、親子クラスタ５１、配偶者クラスタ５２、同性別きょうだいクラスタ５３、友人クラスタ５４、同僚クラスタを示す。なお、図５Ａでは５つのクラスタを示すが、クラスタの数は特定の数に限定されない。

例えば、グラフ作成部１０２は、ユーザＡとユーザＢが、同じ名字、年齢差が１０歳未満、逆の性別、同じ住所、という特徴５０を有する（共有する）場合、グラフ作成部１０２は、ユーザＡとユーザＢのペアを、夫と妻（配偶者）の関係を表すクラスタ（配偶者クラスタ５２）にグループ化することができる。

図５Ｂに、グラフ作成部１０２により実行される、ペアをクラスタへグループ化する処理の一例のフローチャートを示す。
Ｓ５１の開始時点で、グループ化の対象のペアについて、同じ住所と同じ名字の特徴を有するものとする。Ｓ５２では、グラフ作成部１０２は、当該対象のペアについて、同じ性別の特徴を有するか否かを判定する。当該対象のペアが同じ性別の特徴を有する場合（Ｓ５２でＹｅｓ）、Ｓ５３においてグラフ作成部１０２は、当該対象のペアについて、年齢の差が所定の閾値（＝Ｘ値）以下か否かを判定する。当該対象のペアの年齢の差がＸ値より大きい場合（Ｓ５３でＮｏ）、グラフ作成部１０２は、当該対象のペアを親子クラスタ５１へグループ化する。年齢の差がＸ値以下の場合（Ｓ５３でＹｅｓ）、グラフ作成部１０２は、当該対象のペアを同性別きょうだいクラスタ５３へグループ化する。また、当該対象のペアが同じ性別の特徴を有さない場合（Ｓ５２でＮｏ）、Ｓ５４においてグラフ作成部１０２は、当該対象のペアの年齢の差が所定の閾値（＝Ｙ値）以下か否かを判定する。年齢の差がＹ値より大きい場合（Ｓ５４でＮｏ）、グラフ作成部１０２は、当該対象のペアを親子クラスタ５１へグループ化する。年齢の差がＹ値以下の場合（Ｓ５４でＹｅｓ）、グラフ作成部１０２は、当該対象のペアを配偶者クラスタ５２へグループ化する。

＜Ｓ３３：関係性の親密度に基づくスコア割り当て＞
Ｓ３３では、グラフ作成部１０２は、Ｓ３２で推論されたペアに対する関係性の親密度に基づくスコアを予測し、当該スコアを当該ペアに割り当てる。本実施形態において、スコアは、０～１の間の数値であるが、スコアが取りうる数値に特定の限定はない。図６Ａに、ユーザペアに対する関係性の親密度に基づくスコア（以下、親密度スコア）の概念図を示す。

図６Ａの例では、明示的リンクで接続されたユーザＡとユーザＢが有する（共有する）特徴によって、当該ユーザペア間の関係性の親密度が変化する。図６Ａの上部では、ユーザＡとユーザＢが、同性別きょうだい、同じ住所、１２００回の通話履歴、５０回のギフトのやり取り、という特徴６０を有する場合、当該ユーザペア間の関係性の親密度（すなわち、親密度スコア）は高くなる。一方、図６Ａの下部では、ユーザＡとユーザＢが、同性別きょうだい、異なる住所、３０回の通話履歴、２回のギフトのやり取り、というという特徴６１を有する場合、当該ユーザペア間の関係性の親密度（すなわち、親密度スコア）は低くなる。このように、図６Ａの例のように、同性別きょうだいであるユーザＡとユーザＢであっても、当該ユーザのペアで共有される他の特徴により、当該ペアの関係性の親密度は異なるものとなる。関係性の親密度の高いペアは、互いの社会的距離が近く、高い影響を有することが観察される。一方、関係性の親密度の低いペアは、互いの社会的距離が遠く、近しい関係にないことが観察される。

本実施形態では、ユーザペアに対する親密度スコアを、スコア予測モデル１１２を用いて予測する。図６Ｂに、スコア予測モデル１１２の概略アーキテクチャを示す。スコア予測モデル１１２は、ユーザペアの特徴６３を入力として、当該特徴６３に対する親密度スコア６４を予測する学習モデルである。

スコア予測モデル１１２は例えば、弱教師付き学習（Ｗｅａｋ Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）を行う学習モデルであり、例えば、畳み込みニューラルネットワーク（ＣＮＮ）による学習モデルである。本実施形態では、スコア予測モデル１１２は、図６Ａに示したような、ユーザペアに対する複数の特徴に対して付された親密度スコア（０～１）を教師データとして学習された学習モデルとする。例えば、学習段階では、教師データとしては、図６Ａの特徴６０に設定された１に近い親密度スコアと、特徴６１に設定された０に近い親密度スコアといった組み合わせデータが使用される。当該学習処理は学習部１０８により実施される。なお、スコア予測モデル１１２は、ユーザペアの関係性の種別毎に異なってよく、一の関係性の種別に応じてトレーニングされた学習モデルであってよい。

なお、本実施形態では、ユーザペアに対する親密度スコアを、スコア予測モデル１１２を用いて予測したが、グラフ作成部１０２は、他の手法により、当該スコアを予測するように構成されてもよい。

以上の処理により、複数のユーザ間で明示的リンクまたは暗示的リンクが形成され、各リンク間では親密度スコアが割り当てられ、関係性グラフが作成される。関係性グラフの概念図を図７に示す。各ユーザ７１～７３それぞれは複数の特徴を有し、ユーザのペアに対しては上記のように予測された親密度スコアが割り当てられる。

［疾病リスクの予測処理］
次に、本実施形態による疾病リスクの予測処理について説明する。本実施形態では、予測部１０４が、学習済みの疾病リスク予測モデル１１１を用いて、対象のユーザに対する疾病リスクを予測する。図８Ａに、疾病リスク予測モデル１１１の学習段階を説明するための図を示す。疾病リスク予測モデル１１１は、グラフ作成部１０２により作成された関係性グラフに基づく特徴８１を入力として、各ユーザについて１つ以上の所定の疾病の発症（罹患）リスク（疾病リスク８２）を予測して出力する学習モデルである。疾病リスク予測モデル１１１は、例えば、畳み込みニューラルネットワーク（ＣＮＮ）による学習モデルである。

学習段階では、学習部１０５は、まず、疾病リスク予測モデル１１１への入力データである特徴８１を、グラフ作成部１０２により作成された関係性グラフに基づいて準備する。
学習部１０５は、当該関係性グラフに基づいて、任意のユーザと、当該ユーザが実際に罹患していた（または、罹患している。以下同様。）所定の疾病（例えば、糖尿病）とのペアを識別し、当該ペアに正（ポジティブ）フラグを付与する。ユーザが複数の疾病に罹患していた場合は、当該ユーザと当該疾病のペアそれぞれについて、正フラグが付与される。当該所定の疾病の有無（疾病の罹患の有無）は、ユーザ特徴１２１に含まれる各ユーザの既往症等から判断することができる。さらに学習部１０５は、当該関係性グラフに基づいて、当該所定の疾病に罹患していないユーザと、任意に設定した情報とのペアを識別し、当該ペアに負（ネガティブ）フラグを付与する。学習部１０５は、正フラグを付与したペアをポジティブデータポイントとして定義し、負フラグを付与したペアをネガティブデータポイントとして定義する。なお、正フラグと負フラグは、両者が識別可能であれば、どのような値や情報であってもよい。学習部１０５は、当該関係性グラフから、このようなフラグの付与により、複数のユーザのそれぞれについての疾病特徴を取得することができる。当該疾病特徴は、１つ以上の所定の疾病の罹患の有無を示す情報を含む。

続いて、学習部１０５は、各ユーザの個人特徴（例えば、デモグラフィック情報、体重、既往歴）、ユーザペア間の特徴（例えば、上述の親密度スコアや、ペア間で共有される１つ以上の特徴）を、疾病リスク予測モデル１１１の入力データ（特徴８１）として定義する。なお、上述の疾病特徴は、当該各ユーザの個人特徴または当該ユーザペア間の特徴に付与される（もしくは、含まれる）。

学習部１０５はこのように準備した入力データ（特徴８１）を用いて、各ユーザについて、１つ以上の所定の疾病の発症（罹患）リスク（疾病リスク８２）を出力するように、疾病リスク予測モデル１１１を学習させる。本実施形態において、疾病リスクは、各疾病が発症する可能性（例えば、０～１の数値。１が最大可能性を示す。）で表される。各ユーザの既往症は時間と共に変化するものであるから、グラフ作成部１０２が関係性グラフを更新する毎に、学習部１０５は疾病リスク予測モデル１１１を学習させうる。

予測段階では、予測部１０４は、対象ユーザについての疾病リスクを予測する。図８Ｂに、対象ユーザについての疾病リスクの予測段階を説明するための図を示す。予測部１０４は、対象ユーザ特徴設定部１０３により設定された対象ユーザのユーザ特徴８３を、学習済みの疾病リスク予測モデル１１１に入力して、当該対象ユーザについての疾病リスク８４を予測する。疾病リスク８４は、１つ以上の所定の疾病についての発症リスクを示す。ユーザ特徴８３は、ユーザ特徴記憶部１２０に格納されているユーザ特徴１２１のうち、関係性グラフにおいて対象ユーザを特定できる情報であればよく、例えば、対象ユーザの住所や氏名、デモグラフィック情報等でありうる。

前述のように、本実施形態では、疾病リスクは、各疾病に対して０～１の数値で表される。予測部１０４は、疾病リスク予測モデル１１１から出力された、ある疾病に対する疾病リスク８４が、所定の閾値より高い場合、当該疾病の発症リスクが高いと判定することができる。当該所定の閾値は例えば、０．７である。

このように、予測部１０４は、関係性グラフに基づいて学習された疾病リスク予測モデル１１１に基づいて、対象ユーザの疾病リスクを予測する。これにより、例えば、血縁（親子等）に起因する遺伝子疾患の発症リスクを精度よく予測することが可能となる。さらに、同居する家族や、同じ会社に勤める同僚といった、物理的に近い環境で生活する人の間で感染しうる感染症の発症リスクも、精度良く予測することが可能となる。

［情報処理装置１０のハードウェア構成］
図９は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図９を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。

図９に示すように、情報処理装置１０は、ＣＰＵ９１と、ＲＯＭ９２と、ＲＡＭ９３と、ＨＤＤ９４と、入力部９５と、表示部９６と、通信Ｉ／Ｆ９７と、システムバス９８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）９１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス９８を介して、各構成部（９２～９７）を制御する。

ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）９２は、ＣＰＵ９１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）９４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９３は、揮発性メモリであり、ＣＰＵ９１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ９１は、処理の実行に際してＲＯＭ９２から必要なプログラム等をＲＡＭ９３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０とユーザ特徴記憶部１２０は、ＲＡＭ９３で構成されうる。

ＨＤＤ９４は、例えば、ＣＰＵ９１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ９４には、例えば、ＣＰＵ９１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部９５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部９６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部８６は、入力部９５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。

通信Ｉ／Ｆ９７は、情報処理装置１０と外部装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ９７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ９７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ８７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。

図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ９１がプログラムを実行することで実現することができる。ただし、図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ９１の制御に基づいて動作する。

［ユーザ装置１１のハードウェア構成］
図１に示すユーザ装置１１のハードウェア構成は、図９と同様でありうる。すなわち、ユーザ装置１０は、ＣＰＵ９１と、ＲＯＭ９２と、ＲＡＭ９３と、ＨＤＤ９４と、入力部９５と、表示部９６と、通信Ｉ／Ｆ９７と、システムバス９８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部９６に表示し、ＧＵＩ（入力部９５と表示部９６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。

＜処理の流れ＞
図１０に、本実施形態による情報処理装置１０により実行される処理のフローチャートを示す。図９に示す処理は、情報処理装置１０のＣＰＵ９１がＲＯＭ９２等に格納されたプログラムをＲＡＭ９３にロードして実行することによって実現されうる。図１０の説明のために、図１に示した情報処理システムを参照する。学習部１０５により学習済みの、疾病リスク予測モデル１１１およびスコア予測モデル１１２は、学習モデル記憶部１１０に格納されているものとする。

Ｓ１０１において、ユーザ特徴取得部１０１は、ユーザ装置１１－１～１１－Ｎから、各ユーザのユーザ特徴を取得し、ユーザ特徴１２１としてユーザ特徴記憶部１２０に格納する。Ｓ１０１の処理は、過去の一定の期間におけるユーザ特徴の取得（収集）処理であってもよい。

Ｓ１０２において、グラフ作成部１０２は、ユーザ特徴取得部１０１により取得された各種ユーザ特徴を用いて、ユーザ１～Ｎについての関係性グラフを作成する。関係性グラフの作成手順は、上述の通りである。

Ｓ１０３において、対象ユーザ特徴設定部１０３は、ユーザ１～Ｎの中から、疾病リスク予測の対象のユーザ（対象ユーザ）の設定を行う。前述のように、当該対象ユーザは、操作者が入力部９５による入力操作により設定されてもよいし、予めシステムにおいて設定されていてもよいし、ＲＯＭ９２やＲＡＭ９３に格納されている任意のプログラムによって設定されてもよい。さらに、Ｓ１０３において、対象ユーザ特徴設定部１０３は、当該対象ユーザのユーザ特徴を、ユーザ特徴１２１から取得して予測部１０４に設定する。

Ｓ１０４において、予測部１０４は、Ｓ１０３で設定された、当該対象ユーザのユーザ特徴を、疾病リスク予測モデル１１１に入力し、当該対象ユーザについての１つ以上の所定の疾病の発症（罹患）リスクを示す疾病リスクを予測する。

Ｓ１０５において、出力部１０６は、Ｓ１０４で予測された当該対象ユーザについての疾病リスクの予測結果を出力する。出力部１０６は、予測結果に関する情報を生成して、外部装置（不図示）へ出力してもよい。

例えば、本実施形態のように、疾病リスクが０～１の数値で表され、第１の閾値を０．１、第２の閾値を０．３、第３の閾値を０．７とし、出力部１０６は、当該閾値に従って、低レベルから高レベルの情報を生成して出力してもよい。例えば、第１の疾病の疾病リスクが０．２の場合は、当該疾病リスクは当該第１の閾値～当該第２の閾値に存在し、低いものの、０ではないため、出力部１０６は、当該第１の疾病に対する注意喚起を示す情報を生成して出力してもよい。また、第２の疾病の疾病リスクが０．５の場合は、当該疾病リスクは当該第２の閾値から第３の閾値に存在し、当該第２の疾病の疾病リスクがやや高いため、出力部１０６は、当該第２の疾病の発症可能性ありを示す情報を生成して出力してもよい。また、第３の疾病の疾病リスクが０．８の場合は、当該疾病リスクは当該第３の閾値以上であり、当該第３の疾病の疾病リスクがかなり高いため、出力部１０６は、当該第３の疾病リスクの発症リスクが高いことを示す情報を生成して出力してもよい。

このように、情報処理装置１０は、複数のユーザのユーザ特徴から、ユーザ間の社会的関係性を示す関係性グラフネットワーク（関係性グラフ）を作成し、当該関係性グラフに基づいて、対象ユーザについての疾病リスクを予測する。対象ユーザ（任意のユーザ）に対して、可能性のある疾病の発症リスクの予測をより多角的に支援することが可能となる。

なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置及び方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及びこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。

１～Ｎ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ：ユーザ装置、１０１：ユーザ特徴取得部、１０２：グラフ作成部、１０３：対象ユーザ特徴設定部、１０４：予測部、１０５：学習部、１０６：出力部、１１０：学習モデル記憶部、１１１：疾病リスク予測モデル、１１２：スコア予測モデル、１２０：ユーザ特徴記憶部、１２１：ユーザ特徴

上記課題を解決するために、本発明による情報処理装置の一態様は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得手段と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定手段と、前記複数のユーザ間の社会的関係性を示す関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測手段と、を有する。

前記関係性グラフにおいて、各ユーザは各ユーザノードで表され、前記各ユーザノードは、前記事実特徴に基づいてリンクで接続されうる。

前記関係性グラフにおいて、同じ事実特徴を有するユーザノードのペアが明示的なリンクで接続され、当該明示的なリンクで接続された複数のユーザノードのペアに基づいて、前記明示的なリンクで接続されていないユーザノードのペアが暗示的なリンクで接続されうる。

前記関係性グラフは、前記接続されたユーザノードのペアで共有される１つ以上の事実特徴に基づいて当該ペアに割り当てられた親密度を有しうる。

上記課題を解決するために、本発明による情報処理方法の一態様は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得工程と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定工程と、前記複数のユーザ間の社会的関係性を示す関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測工程と、を有する。

上記課題を解決するために、本発明によるプログラムの一態様は、情報処理コンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得処理と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定処理と、前記複数のユーザ間の社会的関係性を示す関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測処理と、と、を含む処理を実行させるためのものである。

Claims (10)

1. 複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得手段と、
   前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成手段と、
   前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定手段と、
   前記関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測手段と、
   を有することを特徴とする情報処理装置。
2. 前記予測手段は、前記対象ユーザのユーザ特徴を入力し、前記対象のユーザについての前記疾病リスクを出力するように構成された機械学習モデルを用いて、前記対象のユーザについての前記疾病リスクを予測することを特徴とする請求項１に記載の情報処理装置。
3. 前記機械学習モデルを学習させる学習手段を更に有し、前記学習手段は、前記関係性グラフから得られた疾病特徴を用いて、前記機械学習モデルを学習させることを特徴とする請求項２に記載の情報処理装置。
4. 前記関係性グラフから得られた疾病特徴は、前記複数のユーザのそれぞれについて、前記１つ以上の所定の疾病の罹患の有無を示す情報を含むことを特徴とする請求項３に記載の情報処理装置。
5. 前記関係性グラフでは、各ユーザは各ユーザノードで表され、前記作成手段は、前記事実特徴に基づいて各ノードをリンクで接続することを特徴とする請求項１から４のいずれか１項に記載の情報処理装置。
6. 前記作成手段は、同じ事実特徴を有するユーザノードのペアを明示的なリンクで接続し、当該明示的なリンクで接続された複数のユーザノードのペアに基づいて、前記明示的なリンクで接続されていないノードのペアを暗示的なリンクで接続することを特徴とする請求項５に記載の情報処理装置。
7. 前記作成手段は、前記接続されたペアの親密度を、当該ペアで共有される１つ以上の事実特徴に基づいて決定することを特徴とする請求項５または６に記載の情報処理装置。
8. 前記疾病リスクは、前記１つ以上の所定の疾病それぞれについて、１を最大の可能性として、０～１の数値で表されることを特徴とする請求項１から７のいずれか１項に記載の情報処理装置。
9. 複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得工程と、
   前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成工程と、
   前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定工程と、
   前記関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測工程と、
   を有することを特徴とする情報処理方法。
10. 情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
    複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得処理と、
    前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成処理と、
    前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定処理と、
    前記関係性グラフと前記対象ユーザのユーザ特徴に基づいて、前記対象ユーザについて１つ以上の所定の疾病の発症リスクを示す疾病リスクを予測する予測処理と、と、を含む処理を実行させるためのものである、
    情報処理プログラム。

Images