JP2023159199A - データ処理装置、データ処理方法、およびデータ処理プログラム - Google Patents
データ処理装置、データ処理方法、およびデータ処理プログラム Download PDFInfo
- Publication number
- JP2023159199A JP2023159199A JP2023129400A JP2023129400A JP2023159199A JP 2023159199 A JP2023159199 A JP 2023159199A JP 2023129400 A JP2023129400 A JP 2023129400A JP 2023129400 A JP2023129400 A JP 2023129400A JP 2023159199 A JP2023159199 A JP 2023159199A
- Authority
- JP
- Japan
- Prior art keywords
- modulation
- data processing
- processing device
- factor
- unit
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 104
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000004458 analytical method Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims description 104
- 230000009471 action Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 22
- 238000013473 artificial intelligence Methods 0.000 description 18
- 239000003814 drug Substances 0.000 description 15
- 229940079593 drug Drugs 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 14
- 230000004044 response Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 210000002865 immune cell Anatomy 0.000 description 10
- 230000002787 reinforcement Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 229940045513 CTLA4 antagonist Drugs 0.000 description 6
- 102000001326 Chemokine CCL4 Human genes 0.000 description 6
- 108010055165 Chemokine CCL4 Proteins 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 102000008203 CTLA-4 Antigen Human genes 0.000 description 5
- 108010021064 CTLA-4 Antigen Proteins 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013517 stratification Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009169 immunotherapy Methods 0.000 description 2
- 201000001441 melanoma Diseases 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000000092 prognostic biomarker Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
Description
図1は、実施例1にかかるデータ群の分析の一例を示す説明図である。データ処理装置100は、数式立案AI(Artificial Intelligence)101と、識別器102と、を有する。数式立案AI101は、たとえば、数式111,112を立案する強化学習型のCNN(Convolutional Neural Network)である。識別器102は、X軸とY軸とで張られる座標空間110上の座標値を入力し、予測精度を数式立案AI101への報酬として出力するAIである。データ処理装置100のユーザ103は、たとえば、医師や学者、研究者でもよく、データ処理装置100による分析サービスを提供する事業者でもよい。
図2は、データ処理装置100のハードウェア構成例を示すブロック図である。データ処理装置100は、プロセッサ201と、記憶デバイス202と、入力デバイス203と、出力デバイス204と、通信インターフェース(通信IF)205と、画像処理回路207と、を有する。プロセッサ201、記憶デバイス202、入力デバイス203、出力デバイス204、通信IF205および画像処理回路207は、バス206により接続される。
図3は、分析対象DB104の一例を示す説明図である。分析対象DB104は、フィールドとして、患者ID301と、目的変数302と、因子群303と、を有する。同一行における各フィールドの値の組み合わせが、1人の患者の分析対象データセットとなる。
図4は、パターンテーブル208の一例を示す説明図である。パターンテーブル208は、数式111、112を立案し、座標空間110に座標値をプロットするための制御信号の生成に用いられる要素群を規定したテーブルである。パターンテーブル208の内容は、あらかじめ設定される。
図5は、画像処理回路207の回路構成例を示すブロック図である。画像処理回路207は、データメモリ500、X軸変調ユニット510、Y軸変調ユニット520、イメージジェネレータ530、エバリュエータ540、コントローラ550、パターンテーブル208を有する。
図6は、図5に示したコントローラ550の構成例を示すブロック図である。コントローラ550は、ネットワークユニット600と、リプレイメモリ620と、学習パラメータ更新ユニット630と、を有する。ネットワークユニット600は、Q*ネットワーク601と、Qネットワーク602と、ランダムユニット603とを有する。
図7は、制御信号a(t)の一例を示す説明図である。制御信号a(t)は、制御ID401と、行動701と、を有する。行動701は、X軸変調ユニット510およびY軸変調ユニット520による因子または変調方法の選択を示す。制御ID401で指定された各モジュール513~518,523~528は、行動701にしたがって因子または変調方法を選択する。たとえば、制御ID401が「513」であるマルチプレクサ513は、因子x1として免疫細胞「CD4+」を選択する。したがって、マルチプレクサ513は、データメモリ500内の分析対象DB104からCD4+の列の細胞数(372、…、128、12)を読み出す。
図8は、データ処理装置100の出力デバイス204に表示される入出力画面の一例を示す説明図である。入出力画面800は、ロードボタン810と、開始ボタン820と、因子数入力領域830と、単項演算子入力領域840と、多項演算子入力領域850と、目標尺度入力領域860と、画像表示領域870と、数式表示領域880と、を含む。
図9は、X軸変調ユニット510、Y軸変調ユニット520、およびイメージジェネレータ530による画像データ生成処理の詳細な処理手順例を示すフローチャートである。まず、X軸変調ユニット510内のX軸データロードモジュール511,512が処理を実行する(ステップS901)。具体的には、たとえば、X軸データロードモジュール511に内蔵されたマルチプレクサ513は、コントローラ550からの制御信号a(t)により、データメモリ500に格納された因子群303の中から1つの因子x1を選択する。
図10は、分析支援処理手順例を示すフローチャートである。なお、処理開始前において、図8の入出力画面800のロードボタン810の押下により分析対象DB104のエントリがデータメモリ500にロードされているものとする。
データ処理装置100は、初期化を実行する(ステップS1001)。具体的には、たとえば、データ処理装置100は、計算ステップmをm=1に設定する。また、データ処理装置100は、Q*ネットワーク601の学習パラメータθ*をランダムな重みで初期化する。また、データ処理装置100は、Qネットワーク602の学習パラメータθをランダムな重みで初期化する。
データ処理装置100は、コントローラ550を初期化する(ステップS1002)。具体的には、たとえば、データ処理装置100は、タイプステップtをt=1に設定する。コントローラ550はパターンテーブル208の要素を用いて、制御信号a(t)をランダムに設定する。
つぎに、データ処理装置100は、図9に示した、タイムステップtにおける画像データ生成処理(以下、画像データI(t)生成処理)をサブルーチンとして実行する(ステップS1003)。画像データI(t)生成処理(ステップS1003)は、制御信号a(t)をX軸変調ユニット510およびY軸変調ユニット520に与えることにより、イメージジェネレータ530から画像データI(t)を生成する。
コントローラ550は、ステップS1002で生成されたタイムステップtの制御信号a(t)を更新する(ステップS1004)。具体的には、たとえば、ランダムユニット603は、乱数値を出力する。コントローラ550は、ランダムユニット603が出力した乱数値がe(たとえば、e=0.5)以上であれば、パターンテーブル208からランダムに1つの要素を選択し、選択した要素で制御信号a(t)を更新する。
図11は、一次元配列z(t)の一例を示す説明図である。一次元配列z(t)は、パターンテーブル208の450個の要素群に対応する450個の数値の配列である。数値の大きさは、その要素の選択価値を示す。配列番号は、各数値の配列位置を示し、パターンテーブル208の全要素の配列に対応する。たとえば、配列番号1~100が、制御ID401:513の要素番号1~100に対応する。配列番号101~200が、制御ID401:514の要素番号1~100に対応する。
図10に戻り、エバリュエータ540は、タイムステップtの統計量r(t)の計算を実行する(ステップS1005)。具体的には、たとえば、エバリュエータ540は、X軸変調ユニット510およびY軸変調ユニット520から出力された信号x´、y´と、データメモリ500からロードした目的変数302の種類と、に基づいて、統計量r(t)を計算する。
つぎに、データ処理装置100は、図9に示した、タイムステップt+1における画像データ生成処理(以下、画像データI(t+1)生成処理)をサブルーチンとして実行する(ステップS1006)。画像データI(t+1)生成処理(ステップS1006)は、ステップS1004で更新された制御信号a(t)またはステップS1008:Yesでつぎのタイムステップt+1に更新されたタイムステップtでステップS1004により更新された制御信号a(t)を、X軸変調ユニット510およびY軸変調ユニット520に与えることにより、イメージジェネレータ530から画像データI(t+1)を生成する。
つぎに、ネットワークユニット600は、統計量r(t)、制御信号a(t)、画像データI(t)、画像データI(t+1)、および停止信号K(t)を1組のデータとしたデータパックD(t)を、リプレイメモリ620に保存する(ステップS1007)。
そして、K(t)=0、でかつ、タイムステップtが所定の回数T未満であれば(ステップS1008:Yes)、画像データI(t)の生成を継続することになるため、t=t+1としてタイムステップtを更新し、ステップS1004に戻る。一方、K(t)=1またはタイムステップtが所定の回数T以上であれば(ステップS1008:No)、ステップS1009に移行する。実施例1では、T=100とする。
学習パラメータ更新ユニット630は、リプレイメモリ620からランダムにJ個のデータパックD(1),…,D(j),…,D(J)(j=1,…,J)(以下、データパック群Ds)をロードし、下記式(1)により教師信号y(j)を更新する(ステップS1009)。なお、実施例1ではJの上限を100とする。
つぎに、学習パラメータ更新ユニット630は、学習計算を実行する(ステップS1010)。具体的には、たとえば、勾配算出ユニット631は、下記式(2)を用いて学習パラメータθについて勾配gを出力し、勾配gを学習パラメータθに加算することで学習パラメータθを更新する。
つぎに、データ処理装置100は、統計量r(t)が目標値入力領域862に入力した目標値を下回り、かつ、計算ステップmが所定の回数M未満であれば(ステップS1011:Yes)、データ処理装置100による分析を継続するため、ステップS302に戻り、計算ステップmをm=m+1として更新する。実施例1では、M=100万回とする。
つぎに、データ処理装置100は、データメモリ500から、データパック群Dsのうち、統計量r(k)が目標値以上となったタイムステップkのデータパックD(k)を記憶デバイス202に保存する(ステップS1012)。統計量r(k)が目標値以上となったタイムステップkのデータパックD(k)が存在しない場合、データパックD(k)を記憶デバイス202に保存しない。また、データ処理装置100は、統計量r(k)が目標値以上となったタイムステップkのデータパックD(k)が存在しない場合、データパック群Dsのうち、統計量r(k)が最大となるタイムステップkのデータパックD(k)を記憶デバイス202に保存してもよい。
つぎに、データ処理装置100は、分析結果を表示する(ステップS1013)。具体的には、たとえば、データ処理装置100は、記憶デバイス202に保存されたデータパックD(k)をロードし、データパックD(k)内の制御信号a(k)を用いてX軸変調ユニット510およびY軸変調ユニット520に数式立案を実行させ、立案した数式111,112を数式表示領域880に表示する。
図12は、実施例2にかかる分析対象DB104の一例を示す説明図である。分析対象DB1200は、目的変数302に替え、フィールドとして量的変数である目的変数1202を有する。目的変数1202には、値として、各患者の腫瘍の大きさ(長軸)がmm単位で格納されている。
図13は、実施例2にかかるデータ処理装置100の出力デバイス204に表示される入出力画面の一例を示す説明図である。目的変数302が量的変数であるため、入出力画面1300において、統計量入力領域861には、統計量rとして、決定係数(r2)や平均2乗誤差が選択可能である。また、目標値入力領域862には、統計量入力領域861に入力された統計量の目標値として、目標精度が入力可能である(図8では、例として「0.90」)。
102 識別器
104、1200 分析対象DB
110 座標空間
111 X軸の数式
112 Y軸の数式
113 識別境界線
201 プロセッサ
202 記憶デバイス
204 出力デバイス
207 画像処理回路
208 パターンテーブル
302 目的変数
303 因子
304 変調方法
500 データメモリ
510 X軸変調ユニット
511、512 Y軸データロードモジュール
513、514 マルチプレクサ
515,516,518 モジュレータ
517 マルチオペレータ
520 Y軸変調ユニット
521、522 Y軸データロードモジュール
523、524 マルチプレクサ
525,526,528 モジュレータ
527 マルチオペレータ
530 イメージジェネレータ
540 エバリュエータ
550 コントローラ
600 ネットワークユニット
601 Q*ネットワーク
602 Qネットワーク
630 学習パラメータ更新ユニット
631 勾配算出ユニット
800、1300 入出力画面
1301 回帰直線
a 制御信号
I 画像データ
Claims (15)
- 分析対象ごとに因子と目的変数とを有する分析対象データ群を記憶する記憶部と、
前記分析対象ごとに、第1因子を変調し第1変調結果を出力する第1変調部と、
前記分析対象ごとに、第2因子を変調し第2変調結果を出力する第2変調部と、
前記第1因子に対応する第1軸と、前記第2因子に対応する第2軸と、により規定される座標空間に、前記分析対象ごとに、前記第1変調部からの第1変調結果および前記第2変調部からの第2変調結果である座標点を付与し、かつ、前記座標点に対応する前記分析対象の目的変数に関する情報を前記座標点に付与した第1画像データを生成する生成部と、
を有することを特徴とするデータ処理装置。 - 請求項1に記載のデータ処理装置であって、
前記記憶部は、前記因子の種類と前記因子の変調方法の種類とのうち少なくとも一方の要素の種類を含むパターン情報を記憶し、
前記パターン情報を用いて、前記第1変調部が第1要素を選択し、かつ、前記第2変調部が第2要素を選択する制御信号を生成し、前記制御信号に基づいて前記第1変調部および前記第2変調部を制御する制御部、
を有することを特徴とするデータ処理装置。 - 請求項2に記載のデータ処理装置であって、
前記パターン情報は、前記因子の種類を含み、
前記制御部は、前記パターン情報を用いて、前記第1変調部が第1因子を選択し、かつ、前記第2変調部が第2因子を選択する制御信号を生成し、前記制御信号に基づいて前記第1変調部および前記第2変調部を制御する、
ことを特徴とするデータ処理装置。 - 請求項2に記載のデータ処理装置であって、
前記パターン情報は、前記変調方法の種類を含み、
前記制御部は、前記パターン情報を用いて、前記第1変調部が第1変調方法を選択し、かつ、前記第2変調部が第2変調方法を選択する制御信号を生成し、前記制御信号に基づいて前記第1変調部および前記第2変調部を制御する、
ことを特徴とするデータ処理装置。 - 請求項2に記載のデータ処理装置であって、
前記パターン情報は、前記因子の種類と前記因子の変調方法の種類とを含み、
前記制御部は、前記パターン情報を用いて、前記第1変調部が第1因子または第1変調方法の少なくとも一方の要素を選択し、かつ、前記第2変調部が第2因子または第2変調方法の少なくとも一方の要素を選択する制御信号を生成し、前記制御信号に基づいて前記第1変調部および前記第2変調部を制御する、
ことを特徴とするデータ処理装置。 - 請求項2に記載のデータ処理装置であって、
前記制御部は、前記パターン情報を参照して前記制御信号の一部の要素を更新して、更新後の制御信号により前記第1変調部および前記第2変調部を制御し、
前記生成部は、前記制御部によって前記更新後の制御信号に基づいて前記第1変調部および前記第2変調部が制御されたことにより、第2画像データを生成する、
ことを特徴とするデータ処理装置。 - 請求項6に記載のデータ処理装置であって、
前記制御部は、前記第1画像データを第1状態、前記制御信号に含まれる第1要素群を第1行動とし、第1学習パラメータに基づいて前記第1状態において前記第1行動を取った場合の前記パターン情報内の各要素の価値を出力する第1行動価値関数を有し、前記パターン情報内の各要素の価値のうち前記第1行動価値関数から出力された特定の価値に対応する前記制御信号内の要素を、前記パターン情報内の前記特定の価値に対応する特定の要素に更新し、更新後の制御信号に基づいて前記第1変調部および前記第2変調部を制御する、
ことを特徴とするデータ処理装置。 - 請求項7に記載のデータ処理装置であって、
前記特定の価値は、前記パターン情報内の各要素の価値の中で最大値を示す価値である、
ことを特徴とするデータ処理装置。 - 請求項7に記載のデータ処理装置であって、
前記第1変調結果、前記第2変調結果、および前記目的変数に関する情報に基づいて、前記目的変数を評価する評価部を有し、
前記制御部は、入力画像データを第2状態、前記更新後の制御信号に含まれる第2要素群を第2行動とし、第2学習パラメータに基づいて前記第2状態において前記第2行動を取った場合の前記パターン情報内の各要素の価値を出力する第2行動価値関数を有し、前記第2行動価値関数に前記第2画像データが入力された場合の出力結果に、前記評価部による評価結果を報酬として加算することにより前記第1行動の価値を教師データとして算出し、前記教師データと、前記第2行動価値関数に前記第1画像データが入力された場合の出力結果と、に基づいて、前記第2学習パラメータを更新し、更新後の第2学習パラメータにより前記第1学習パラメータを更新する、
ことを特徴とするデータ処理装置。 - 請求項1に記載のデータ処理装置であって、
前記第1変調結果、前記第2変調結果、および前記目的変数に関する情報に基づいて、前記目的変数を評価する評価部と、
前記評価部による評価結果が目標値以上である場合、前記第1画像データを表示可能に出力する出力部と、
を有することを特徴とするデータ処理装置。 - 請求項10に記載のデータ処理装置であって、
前記目的変数は、前記分析対象データ群を分類する情報であり、
前記生成部は、前記座標点を前記目的変数で識別する識別境界線を生成し、
前記出力部は、前記識別境界線を前記第1画像データに表示可能に出力する、
ことを特徴とするデータ処理装置。 - 請求項11に記載のデータ処理装置であって、
前記因子は、生体情報であり、前記目的変数は、薬効を示す情報である、
ことを特徴とするデータ処理装置。 - 請求項11に記載のデータ処理装置であって、
前記目的変数は、量的変数であり、
前記生成部は、前記座標点と前記目的変数とに基づく回帰直線を生成し、
前記出力部は、前記回帰直線を前記第1画像データに表示可能に出力する、
ことを特徴とするデータ処理装置。 - 分析対象ごとに因子と目的変数とを有する分析対象データ群を記憶する記憶部にアクセス可能なデータ処理装置が実行するデータ処理方法であって、
前記データ処理装置は、
前記分析対象ごとに、第1因子を変調し第1変調結果を出力する第1変調処理と、
前記分析対象ごとに、第2因子を変調し第2変調結果を出力する第2変調処理と、
前記第1因子に対応する第1軸と、前記第2因子に対応する第2軸と、により規定される座標空間に、前記分析対象ごとに、前記第1変調処理による第1変調結果および前記第2変調処理による第2変調結果である座標点を付与し、かつ、前記座標点に対応する前記分析対象の目的変数に関する情報を前記座標点に付与した画像データを生成する生成処理と、
を実行することを特徴とするデータ処理方法。 - 分析対象ごとに因子と目的変数とを有する分析対象データ群を記憶する記憶部にアクセス可能なプロセッサに、
前記分析対象ごとに、第1因子を変調し第1変調結果を出力する第1変調処理と、
前記分析対象ごとに、第2因子を変調し第2変調結果を出力する第2変調処理と、
前記第1因子に対応する第1軸と、前記第2因子に対応する第2軸と、により規定される座標空間に、前記分析対象ごとに、前記第1変調処理による第1変調結果および前記第2変調処理による第2変調結果である座標点を付与し、かつ、前記座標点に対応する前記分析対象の目的変数に関する情報を前記座標点に付与した画像データを生成する生成処理と、
を実行させることを特徴とするデータ処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023129400A JP7536154B2 (ja) | 2019-09-10 | 2023-08-08 | データ処理装置、データ処理方法、およびデータ処理プログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019164352A JP7330827B2 (ja) | 2019-09-10 | 2019-09-10 | データ処理装置、データ処理方法、およびデータ処理プログラム |
JP2023129400A JP7536154B2 (ja) | 2019-09-10 | 2023-08-08 | データ処理装置、データ処理方法、およびデータ処理プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019164352A Division JP7330827B2 (ja) | 2019-09-10 | 2019-09-10 | データ処理装置、データ処理方法、およびデータ処理プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2023159199A true JP2023159199A (ja) | 2023-10-31 |
JP2023159199A5 JP2023159199A5 (ja) | 2024-04-03 |
JP7536154B2 JP7536154B2 (ja) | 2024-08-19 |
Family
ID=72322312
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019164352A Active JP7330827B2 (ja) | 2019-09-10 | 2019-09-10 | データ処理装置、データ処理方法、およびデータ処理プログラム |
JP2023129400A Active JP7536154B2 (ja) | 2019-09-10 | 2023-08-08 | データ処理装置、データ処理方法、およびデータ処理プログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019164352A Active JP7330827B2 (ja) | 2019-09-10 | 2019-09-10 | データ処理装置、データ処理方法、およびデータ処理プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210074428A1 (ja) |
EP (1) | EP3792931A1 (ja) |
JP (2) | JP7330827B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023080481A (ja) | 2021-11-30 | 2023-06-09 | 株式会社日立製作所 | データ処理装置、データ処理方法、およびデータ処理プログラム |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997044752A1 (en) * | 1996-05-22 | 1997-11-27 | Medical Science Systems, Inc. | Pharmaceutical process system for creating and analyzing information |
CA2768552A1 (en) * | 2009-07-31 | 2011-02-03 | President And Fellows Of Harvard College | Programming of cells for tolerogenic therapies |
US9771619B2 (en) * | 2010-10-28 | 2017-09-26 | City Of Hope | 4-miRNA signature for predicting clear cell renal cell carcinoma metastasis and prognosis |
JP2013072788A (ja) * | 2011-09-28 | 2013-04-22 | Hitachi High-Technologies Corp | 基板表面欠陥検査方法および検査装置 |
US20140017174A1 (en) * | 2011-11-30 | 2014-01-16 | Raja Atreya | Methods and compositions for determining responsiveness to treatment with a tnf-alpha inhibitor |
EP2933067B1 (en) | 2014-04-17 | 2019-09-18 | Softbank Robotics Europe | Method of performing multi-modal dialogue between a humanoid robot and user, computer program product and humanoid robot for implementing said method |
KR20160010157A (ko) * | 2014-07-18 | 2016-01-27 | 삼성전자주식회사 | 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법 |
US9965030B2 (en) * | 2014-07-31 | 2018-05-08 | Samsung Electronics Co., Ltd. | Wearable glasses and method of displaying image via the wearable glasses |
KR102018006B1 (ko) * | 2017-06-02 | 2019-09-04 | 이종균 | 대장 직장암 환자와 정상인의 말초혈액 내 면역세포의 분포 차이를 이용하여 면역력을 평가하고 암 발병 유무에 대한 정보를 제공하는 방법 및 이를 이용한 진단키트 |
US20190284640A1 (en) * | 2018-03-15 | 2019-09-19 | Vanderbilt University | Methods and Systems for Predicting Response to Immunotherapies for Treatment of Cancer |
WO2019239553A1 (ja) | 2018-06-14 | 2019-12-19 | 三菱電機株式会社 | 機械学習装置、補正パラメータ調整装置および機械学習方法 |
-
2019
- 2019-09-10 JP JP2019164352A patent/JP7330827B2/ja active Active
-
2020
- 2020-08-31 US US17/006,961 patent/US20210074428A1/en active Pending
- 2020-09-01 EP EP20193762.0A patent/EP3792931A1/en active Pending
-
2023
- 2023-08-08 JP JP2023129400A patent/JP7536154B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
EP3792931A1 (en) | 2021-03-17 |
JP2021043626A (ja) | 2021-03-18 |
JP7536154B2 (ja) | 2024-08-19 |
US20210074428A1 (en) | 2021-03-11 |
JP7330827B2 (ja) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rowe et al. | Artificial intelligence for personalized preventive adolescent healthcare | |
Roberts et al. | Conceptualizing a model: a report of the ISPOR-SMDM modeling good research practices task force–2 | |
JP2022519678A (ja) | マルチモーダル画像化及びアンサンブル機械学習モデルを使用する自動化された標的及び組織のセグメンテーションのための方法及び装置 | |
US20170068789A1 (en) | Evidence-based clinical decision system | |
JP7536154B2 (ja) | データ処理装置、データ処理方法、およびデータ処理プログラム | |
US11429899B2 (en) | Data model processing in machine learning using a reduced set of features | |
Cullell-Dalmau et al. | Convolutional neural network for skin lesion classification: understanding the fundamentals through hands-on learning | |
Kalli | Human Factors Engineering in Medical Device Software Design: Enhancing Usability and Patient Safety | |
Kubassova et al. | History, current status, and future directions of artificial intelligence | |
KR20220057821A (ko) | 인공지능 기반 약물 반응성 예측 장치 및 방법 | |
Thiele et al. | Motivation for using data-driven algorithms in research: A review of machine learning solutions for image analysis of micrographs in neuroscience | |
Sethanan et al. | Computer-aided diagnosis using embedded ensemble deep learning for multiclass drug-resistant tuberculosis classification | |
JP2020042645A (ja) | 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム | |
US10839936B2 (en) | Evidence boosting in rational drug design and indication expansion by leveraging disease association | |
Sosa-Espadas et al. | IREX: Iterative Refinement and Explanation of classification models for tabular datasets | |
KR20200022595A (ko) | 뉴럴 네트워크를 이용하여 화학 구조를 생성하는 장치 및 방법 | |
JP2023143190A (ja) | 信号処理装置、信号処理方法および信号処理プログラム | |
Kadry et al. | Res-Unet based blood vessel segmentation and cardio vascular disease prediction using chronological chef-based optimization algorithm based deep residual network from retinal fundus images | |
EP4187457A1 (en) | Data processing apparatus, data processing method and data processing program | |
EP4386767A1 (en) | Characteristics of patient influencing disease progession | |
CA3207165A1 (en) | Quantifying and visualizing changes over time to health and wellness | |
US11289203B2 (en) | Customized aggregate scoring using machine learning | |
Mahesh et al. | GAI in healthcare system: Transforming research in medicine and care for patients | |
US11854675B1 (en) | Machine learning extraction of clinical variable values for subjects from clinical record data | |
US11915807B1 (en) | Machine learning extraction of clinical variable values for subjects from clinical record data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230808 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240326 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240624 |
|
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: 20240709 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240806 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7536154 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |