JP2025535536A - エクソソームｓｅｒｓ信号を用いた人工知能基盤の精神疾患診断システム及びその方法 - Google Patents

エクソソームｓｅｒｓ信号を用いた人工知能基盤の精神疾患診断システム及びその方法

Info

Publication number
JP2025535536A
JP2025535536A JP2025525169A JP2025525169A JP2025535536A JP 2025535536 A JP2025535536 A JP 2025535536A JP 2025525169 A JP2025525169 A JP 2025525169A JP 2025525169 A JP2025525169 A JP 2025525169A JP 2025535536 A JP2025535536 A JP 2025535536A
Authority
JP
Japan
Prior art keywords
mental illness
signal
exosome
sers
acquired
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
Application number
JP2025525169A
Other languages
English (en)
Inventor
ヒョンク シン
ヨンホ チョイ
ビュンジュー ハン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea University Research and Business Foundation
Exopert Corp
Original Assignee
Korea University Research and Business Foundation
Exopert Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Korea University Research and Business Foundation, Exopert Corp filed Critical Korea University Research and Business Foundation
Publication of JP2025535536A publication Critical patent/JP2025535536A/ja
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Linguistics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Hospice & Palliative Care (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)

Abstract

本発明は、エクソソームＳＥＲＳ信号を用いた人工知能基盤の精神疾患診断システム及びその方法に関するものである。本発明によれば、エクソソームＳＥＲＳ信号を用いた人工知能基盤の精神疾患診断システムは、正常者から獲得したエクソソームを用いて獲得した第１信号マップと精神疾患患者から獲得したエクソソームを用いて獲得した第２信号マップとを精神疾患診断アルゴリズムに入力して、精神疾患診断アルゴリズムをして入力される信号マップに含まれたエクソソームＳＥＲＳ信号をそれぞれ０または１に分類するように学習させる第１学習部；測定対象者から獲得したエクソソームを複数個のドットアレイを含むチップ上に落とした後、チップから複数個のエクソソームＳＥＲＳ信号を含む信号マップを獲得する信号獲得部；そして、獲得した信号マップを学習済の精神疾患診断アルゴリズムに入力して、信号マップに含まれたエクソソームＳＥＲＳ信号のそれぞれに対して０または１の信号値を獲得し、獲得した信号値の平均を用いて測定対象者を正常または精神疾患と診断する診断部；を含む。

Description

本発明は、エクソソームＳＥＲＳ信号を用いた人工知能基盤の精神疾患診断システム及びその方法に係り、より詳細に説明すれば、特定のマーカーではないエクソソームの全体にわたったＳＥＲＳ信号マップを検出し、該検出されたＳＥＲＳ信号マップを用いて学習された人工知能アルゴリズムを通じて精神疾患を診断及び分類する精神疾患診断システム及びその方法に関する。
精神疾患は、事故、感情及び行動の障害を伴い、当該障害が日常生活に顕著な苦痛及び妨害を誘発する場合、精神疾患または精神健康障害と診断する。
精神疾患の効果は、長期間持続するか、一時的に表われ、ほぼ５０％に該当する大人のほとんどの人生のある瞬間に精神疾患を経験する。精神的障害を招く疾病の第１の原因は、うつ病であって、非常に平凡な疾患であることにも拘らず、精神疾患を有したヒトの約２０％のみが専門的な助けを受けている。
一般的に、精神疾患は、正常な行動とは常に鮮明に区分されるが、特定の性格特性を有しているものと人格障害を有しているものとを区分することは非常に難しい。
したがって、精神疾患の診断に対する客観性を確保するために、従来、米国精神医学協会（Ａｍｅｒｉｃａｎ Ｐｓｙｃｈｉａｔｒｉｃ Ａｓｓｏｃｉａｔｉｏｎ）から出版される精神疾患の診断及び統計便覧（Ｄｉａｇｎｏｓｔｉｃ ａｎｄ Ｓｔａｔｉｓｔｉｃａｌ Ｍａｎｕａｌ ｏｆ Ｍｅｎｔａｌ Ｄｉｓｏｒｄｅｒｓ、ＤＳＭ）に提示された基準に精神疾患を診断している。
しかし、精神疾患の診断及び統計便覧（ＤＳＭ）は、臨床症状を集めたものに過ぎず、実験室の評価（映像医学、血液検査、神経生理検査など）によって検証されていない。したがって、最近、臨床医学的経験だけではなく、検証済の精神診断分類体系についての研究が活発に進められている。
本発明の背景となる技術は、特開第２０２１－１１２１６７号（２０２１．０８．０５．公開）に開示されている。
このように、本発明によれば、特定のマーカーではないエクソソームの全体にわたったＳＥＲＳ信号マップを検出し、該検出されたＳＥＲＳ信号マップを用いて学習された人工知能アルゴリズムを通じて精神疾患を診断及び分類する精神疾患診断システム及びその方法を提供することである。
このような技術的課題を果たすための本発明の実施形態によれば、エクソソームＳＥＲＳ信号を用いた人工知能基盤の精神疾患診断システムは、正常者から獲得したエクソソームを用いて獲得した第１信号マップと精神疾患患者から獲得したエクソソームを用いて獲得した第２信号マップとを精神疾患診断アルゴリズムに入力して、前記精神疾患診断アルゴリズムをして入力される信号マップに含まれたエクソソームＳＥＲＳ信号をそれぞれ０または１に分類するように学習させる第１学習部；測定対象者から獲得したエクソソームを複数個のドットアレイ（ｄｏｔ ａｒｒａｙ）を含むチップ上に落とした後、前記チップから複数個のエクソソームＳＥＲＳ信号を含む信号マップを獲得する信号獲得部；そして、前記獲得した信号マップを学習済の精神疾患診断アルゴリズムに入力して、前記信号マップに含まれたエクソソームＳＥＲＳ信号のそれぞれに対して０または１の信号値を獲得し、前記獲得した信号値の平均を用いて測定対象者を正常または精神疾患と診断する診断部；を含む。
精神疾患と診断された場合、前記測定対象者から獲得した複数個のエクソソームＳＥＲＳ信号を複数個の精神疾患分類アルゴリズムに入力して、前記複数個のエクソソームＳＥＲＳ信号のそれぞれに対して０または１の信号値を獲得し、前記獲得した信号値の平均を用いて精神疾患の種類を分類する分類部をさらに含みうる。
正常者から獲得したエクソソームから第１信号マップを獲得し、精神疾患患者から獲得したエクソソームから第２信号マップを獲得した後、前記第１信号マップに含まれたｎ＊ｍ（ここで、ｎ及びｍは、互いに同一であるか、異なる自然数である）個のエクソソームＳＥＲＳ信号を全部０にラベリングし、前記第２信号マップに含まれたｎ＊ｍ個のエクソソームＳＥＲＳ信号を全部１にラベリングするＳＥＲＳ信号収集部をさらに含みうる。
前記精神疾患患者のうちから特定の種類の精神疾患に該当する精神疾患患者から獲得した第２信号マップと、前記特定の種類の精神疾患を除いた残りの精神疾患患者から獲得した第２信号マップと、を前記複数個の精神疾患分類アルゴリズムに入力して、それぞれの精神疾患分類アルゴリズムをして入力される信号マップが、前記特定の種類の精神疾患に該当するか否かを判別するように学習させる第２学習部をさらに含みうる。
前記診断部は、前記獲得した信号マップに含まれたｎ＊ｍ個のエクソソームＳＥＲＳ信号を前記精神疾患診断アルゴリズムに入力して、前記ｎ＊ｍ個のエクソソームＳＥＲＳ信号のそれぞれに対応して０または１の信号値を出力し、該出力された信号値の平均が０に近ければ、正常と分類し、出力された信号値の平均が１に近ければ、精神疾患と診断することができる。
前記分類部は、ｎ＊ｍ個のエクソソームＳＥＲＳ信号を前記複数個の精神疾患分類アルゴリズムに入力し、前記複数個の精神疾患分類アルゴリズムは、入力されたｎ＊ｍ個のエクソソームＳＥＲＳ信号に対してそれぞれ０または１の信号値を出力し、該出力された信号値の平均を特定の種類の精神疾患に対する分類基準値と比較して、前記特定の種類の精神疾患に該当するか否かを判断することができる。
また、本発明の実施形態による精神疾患診断システムを用いた精神疾患診断方法は、正常者から獲得したエクソソームを用いて獲得した第１信号マップと精神疾患患者から獲得したエクソソームを用いて獲得した第２信号マップとを精神疾患診断アルゴリズムに入力して、前記精神疾患診断アルゴリズムをして入力される信号マップに含まれたエクソソームＳＥＲＳ（Ｓｕｒｆａｃｅ Ｅｎｈａｎｃｅｄ Ｒａｍａｎ Ｓｐｅｃｔｒｏｓｃｏｐｙ）信号をそれぞれ０または１に分類するように学習させる段階；測定対象者から獲得したエクソソームを複数個のドットアレイを含むチップ上に落とした後、前記チップから複数個のエクソソームＳＥＲＳ信号を含む信号マップを獲得する段階；そして、前記獲得した信号マップを学習済の精神疾患診断アルゴリズムに入力して、前記信号マップに含まれたエクソソームＳＥＲＳ信号のそれぞれに対して０または１の信号値を獲得し、前記獲得した信号値の平均を用いて測定対象者を正常または精神疾患と診断する段階；を含む。
このように、本発明によれば、エクソソームＳＥＲＳ信号マップを精神疾患診断アルゴリズムに入力して、精神疾患の有無を診断することができ、さらに精神疾患が発生したと診断されたエクソソームＳＥＲＳ信号マップを複数個の精神疾患分類アルゴリズムに入力して、再分析して精神疾患の種類を分類することにより、精神疾患に対する具体的な診断が可能である。
本発明の実施形態による精神疾患診断システムを説明する構成図である。 本発明の実施形態による精神疾患診断システムを用いた精神疾患診断方法を説明するフローチャートである。 図２に示されたステップＳ２１０を説明する例示図である。 正常者のエクソソームとうつ病患者のエクソソームとに対するナノ粒子追跡分析の結果を示す例示図である。 図２に示されたステップＳ２２０でエクソソームＳＥＲＳ信号をラベリングする方法を説明する例示図である。 図２に示されたステップＳ２２０でラベリングされたエクソソームＳＥＲＳ信号を用いて精神疾患診断アルゴリズムを学習する方法を説明する例示図である。 本発明の実施形態によるエクソソームＳＥＲＳ信号を用いた人工知能基盤の精神疾患診断方法に対する性能評価の結果を示す例示図である。
以下、添付図面を参照して、本発明による望ましい実施形態を詳しく説明する。この過程で図面に示された線の厚さや構成要素の大きさなどは、説明の明瞭性と便宜上、誇張して示されている。
また、後述する用語は、本発明での機能を考慮して定義された用語であって、これは、使用者、運用者の意図または慣例によって変わりうる。したがって、このような用語に対する定義は、本明細書の全般に亘った内容に基づいて下されなければならない。
以下、図１を用いて、本発明の実施形態による精神疾患診断システムについてより詳細に説明する。
図１は、本発明の実施形態による精神疾患診断システムを説明する構成図である。
図１に示したように、本発明の実施形態による精神疾患診断システム１００は、ＳＥＲＳ信号収集部１１０、第１学習部１２０、第２学習部１３０、信号獲得部１４０、診断部１５０及び分類部１６０を含む。
まず、ＳＥＲＳ信号収集部１１０は、正常者の血しょうから採取したエクソソームと精神疾患患者の血しょうから採取したエクソソームとにラマン分光法（Ｒａｍａｎ Ｓｐｅｃｔｒｏｓｃｏｐｙ）を行って、それぞれの信号マップを獲得する。
ここで、信号マップは、チップに含まれたドットアレイの個数によってｎ＊ｍのサイズを有する。したがって、ＳＥＲＳ信号収集部１１０は、信号マップのサイズによってｎ＊ｍ個のエクソソームＳＥＲＳ信号を獲得する。
以下、説明の便宜上、正常者から獲得した信号マップを第１信号マップと言い、精神疾患患者から獲得した信号マップを第２信号マップと言う。
そして、ＳＥＲＳ信号収集部１１０は、第１信号マップに含まれたｎ＊ｍ個のエクソソームＳＥＲＳ信号を０にラベリングし、第２信号マップに含まれたｎ＊ｍ個のエクソソームＳＥＲＳ信号は、１にラベリングする。
第１学習部１２０は、ディープラーニングを基盤とする精神疾患診断アルゴリズムを構築し、０にラベリングされたエクソソームＳＥＲＳ信号と１にラベリングされたエクソソームＳＥＲＳ信号とを構築された精神疾患診断アルゴリズムに入力して学習させる。そうすると、精神疾患診断アルゴリズムは、入力されるエクソソームＳＥＲＳ信号に対応して０または１の信号値を出力する。
第２学習部１３０は、ディープラーニングを基盤とする精神疾患分類アルゴリズムを構築する。この際、構築される精神疾患分類アルゴリズムは、精神疾患の種類に対応して複数個形成される。ここで、精神疾患の種類は、うつ病、躁うつ病、パニック障害、統合失調症（精神分裂症）、痴呆及び妄想性障害のうちの少なくとも１つを含みうるが、必ずしもこれに限定されるものではなく、それ以外に多様な精神疾患の種類を含みうる。
次いで、第２学習部１３０は、それぞれの精神疾患患者から獲得したエクソソームＳＥＲＳ信号を複数個の精神疾患分類アルゴリズムに入力して学習させる。ここで、特定の種類の精神疾患に対する分類アルゴリズムは、特定の種類の精神疾患に該当する精神疾患患者から獲得したエクソソームＳＥＲＳ信号と、特定の種類の精神疾患を除いた残りの種類の精神疾患患者から獲得したエクソソームＳＥＲＳ信号と、を入力されて、エクソソームＳＥＳＲ信号が特定の種類の精神疾患に該当するか否かを判別するように学習される。そうすると、精神疾患分類アルゴリズムは、入力されるエクソソームＳＥＲＳ信号に対して０または１の信号値を出力する。
信号獲得部１４０は、測定対象者の血しょうから採取したエクソソームをチップ上に落とした後、チップにラマン分光法を行って複数個のエクソソームＳＥＲＳ信号を獲得する。
診断部１５０は、獲得した複数個のエクソソームＳＥＲＳ信号を学習済の精神疾患診断アルゴリズムに入力して、それぞれのエクソソームＳＥＲＳ信号に対して０または１の信号値を獲得する。そして、診断部１５０は、獲得した信号値の平均を用いて測定対象者を正常または精神疾患と診断する。
測定対象者を精神疾患と診断すれば、分類部１６０は、複数個のエクソソームＳＥＲＳ信号を学習済の複数個の精神疾患分類アルゴリズムにそれぞれ入力する。
そうすると、複数個の精神疾患分類アルゴリズムは、入力された複数個のエクソソームＳＥＲＳ信号に対して０または１の信号値を出力し、分類部１６０は、出力された信号値の平均を該当種類の精神疾患に対する分類基準値と比較して、各種類の精神疾患に該当するか否かを判断する。
例として説明すれば、うつ病分類アルゴリズムは、入力された複数個のエクソソームＳＥＲＳ信号に対して０または１の信号値を出力し、該出力された信号値の平均をうつ病分類基準値と比較してうつ病の発生の有無を判別する。躁うつ病分類アルゴリズムは、入力された複数個のエクソソームＳＥＲＳ信号に対して０または１の信号値を出力し、該出力された信号値の平均を躁うつ病分類基準値と比較して躁うつ病の発生の有無を判別する。パニック障害分類アルゴリズムは、入力された複数個のエクソソームＳＥＲＳ信号に対して０または１の信号値を出力し、該出力された信号値の平均をパニック障害分類基準値と比較してパニック障害の有無を判別する。統合失調症（精神分裂症）分類アルゴリズムは、入力された複数個のエクソソームＳＥＲＳ信号に対して０または１の信号値を出力し、該出力された信号値の平均を統合失調症（精神分裂症）分類基準値と比較して統合失調症（精神分裂症）の有無を判別する。痴呆分類アルゴリズムは、入力された複数個のエクソソームＳＥＲＳ信号に対して０または１の信号値を出力し、該出力された信号値の平均を痴呆分類基準値と比較して痴呆の有無を判別する。最後に、妄想性障害分類アルゴリズムは、入力された複数個のエクソソームＳＥＲＳ信号に対して０または１の信号値を出力し、該出力された信号値の平均を妄想性障害分類基準値と比較して妄想性障害の有無を判別する。
そして、分類部１６０は、陽性と判別された精神疾患についての情報を提供する。
図２ないし図７を用いて、本発明の実施形態による精神疾患診断システムを用いた精神疾患診断方法についてより詳細に説明する。
図２は、本発明の実施形態による精神疾患診断システムを用いた精神疾患診断方法を説明するフローチャートである。
図２に示したように、本発明の実施形態による精神疾患診断システムを用いた精神疾患診断方法は、精神疾患診断アルゴリズム及び精神疾患分類アルゴリズムを学習させる段階と学習済の精神疾患診断アルゴリズム及び精神疾患分類アルゴリズムを用いて精神疾患を診断する段階とを含む。
まず、精神疾患診断アルゴリズム及び精神疾患分類アルゴリズムを学習させる段階を説明すれば、精神疾患診断システム１００は、正常者グループと精神疾患患者グループとからエクソソームＳＥＲＳ信号を収集する（ステップＳ２１０）。
図３は、図２に示されたステップＳ２１０を説明する例示図である。
図３に示したように、正常者の血しょうサンプルを獲得し、サイズ排除クロマトグラフィー法（ｓｉｚｅ ｅｘｃｌｕｓｉｏｎ ｃｈｒｏｍａｔｏｇｒａｐｈｙ；ＳＥＣ）を用いて獲得した血しょうからエクソソームを分離する。また、同じ方法で精神疾患患者の血しょうサンプルからエクソソームを分離する。
精神疾患患者の血しょうサンプルから分離されたエクソソームには、精神疾患に関連したエクソソームと正常エクソソームとが共存する。
図４は、正常者のエクソソームとうつ病患者のエクソソームとに対するナノ粒子追跡分析の結果を示す例示図である。
図４に示したように、ナノ粒子追跡分析（Ｎａｎｏｐａｒｔｉｃｌｅ Ｔｒａｃｋｉｎｇ Ａｎａｌｙｓｉｓ）の結果を見れば、正常者のエクソソームとうつ病患者のエクソソームは、粒子サイズ、モードサイズ及び粒子濃度で有意差がないというを確認することができる。但し、ラマン分光法を通じて検出された信号には、異質性が観察された。
したがって、本発明の実施形態によれば、正常者の血しょうサンプルから分離されたエクソソームと精神疾患患者から分離されたエクソソームとにラマン分光法を行ってエクソソームＳＥＲＳ信号を検出する。
これをより詳細に説明すれば、正常者の血しょうサンプルから分離して獲得したエクソソーム溶液と精神疾患患者の血しょうサンプルから分離して獲得したエクソソーム溶液とをそれぞれのＡｕナノ粒子集合アレイチップに落とした後、乾燥させる。
ここで、Ａｕナノ粒子集合アレイチップは、コロイド溶液でＡｕＮＰｓ（Ａｕ ｎａｎｏｐａｒｔｉｃｌｅ）を沈殿させた後、ＮＰｓがＡＰＴＥＳ－機能化されたガラス表面にコーティングされたものである。ＡＰＴＥＳ－機能化されたガラス表面で信号獲得工程の検出処理量と均一性とを高めるために、Ａｕナノ粒子集合アレイチップは、ｎ＊ｍ（ここで、ｎ及びｍは、互いに同一であるか、異なる自然数である）個のドットアレイを含み、各ドットでエクソソームＳＥＲＳ信号が測定される。
次いで、ＳＥＲＳ信号収集部１１０は、エクソソーム溶液が乾燥されたＡｕナノ粒子集合アレイチップにラマン分光法を行ってドットアレイに対応した複数個のエクソソームＳＥＲＳ信号を含むエクソソームＳＥＲＳ信号マップを収集する。
すなわち、ＳＥＲＳ信号収集部１１０は、正常者のエクソソーム溶液からｎ＊ｍ個の第１エクソソームＳＥＲＳ信号を含む第１信号マップを収集し、精神疾患患者のエクソソーム溶液からｎ＊ｍ個の第２エクソソームＳＥＲＳ信号を含む第２信号マップを収集する。
本発明の実施形態による精神疾患診断システム１００は、うつ病、躁うつ病、パニック障害、統合失調症（精神分裂症）、痴呆及び妄想性障害のうちの少なくとも１つの精神疾患と診断を受けた患者を用いて精神疾患患者グループを構成する。
ステップＳ２１０が完了すれば、第１学習部１２０は、正常者グループから獲得した第１信号マップと精神疾患患者グループから獲得した第２信号マップとを用いて精神疾患診断アルゴリズムを学習させる（ステップＳ２２０）。
図５は、図２に示されたステップＳ２２０でエクソソームＳＥＲＳ信号をラベリングする方法を説明する例示図であり、図６は、図２に示されたステップＳ２２０でラベリングされたエクソソームＳＥＲＳ信号を用いて精神疾患診断アルゴリズムを学習する方法を説明する例示図である。
精神疾患患者のエクソソーム溶液は、正常エクソソームと精神疾患関連エクソソームとをいずれも含むので、Ａｕナノ粒子集合アレイチップに配列されたｎ＊ｍ個のドットには、正常エクソソームまたは精神疾患関連エクソソームとのうちの何れか１つのエクソソームのみ存在しても、正常エクソソームと精神疾患関連エクソソームとがいずれも存在しても良い。すなわち、ドットアレイに対応する複数個のエクソソームＳＥＲＳ信号は、それぞれ異なるように出力される。
図５に示したように、本発明の実施形態による第１学習部１２０は、精神疾患関連エクソソームまたは正常エクソソームの存否によってエクソソームＳＥＲＳ信号を分類せず、正常者から獲得した複数個の第１エクソソームＳＥＲＳ信号をいずれも０にラベリングし、精神疾患患者から獲得した複数個の第２エクソソームＳＥＲＳ信号は、いずれも１にラベリングする。
次いで、図６に示したように、第１学習部１２０は、第１エクソソームＳＥＲＳ信号と第２エクソソームＳＥＲＳ信号とからランダムに学習データ及びテストデータを抽出する。
そして、第１学習部１２０は、抽出された学習データに該当する第１エクソソームＳＥＲＳ信号及び第２エクソソームＳＥＲＳ信号を入力データとし、ラベリングされた値を出力データとして、精神疾患診断アルゴリズムを学習させる。
すなわち、精神疾患診断アルゴリズムは、入力される複数個のエクソソームＳＥＲＳ信号に対応して０または１の信号値を出力し、該出力された信号値の平均を用いて精神疾患の発生の有無を先に診断する。
次いで、第２学習部１３０は、ステップＳ２１０で獲得した精神疾患患者グループの第２エクソソームＳＥＲＳ信号を用いて精神疾患診断アルゴリズムを学習させる（ステップＳ２３０）。
第２学習部１３０は、うつ病、躁うつ病、パニック障害、統合失調症（精神分裂症）、痴呆及び妄想性障害にそれぞれ対応する複数個の精神疾患分類アルゴリズムを構築する。
そして、第２学習部１３０は、うつ病患者グループから獲得した第２エクソソームＳＥＲＳ信号とうつ病患者を除いた残りの種類の精神疾患患者グループから獲得した第２エクソソームＳＥＲＳ信号とをうつ病分類アルゴリズムに入力して、うつ病分類アルゴリズムをして入力されるエクソソームＳＥＲＳ信号に対応して０または１の信号値を出力するように学習させる。
また、第２学習部１３０は、躁うつ病患者グループから獲得した第２エクソソームＳＥＲＳ信号と躁うつ病患者を除いた残りの種類の精神疾患患者グループから獲得した第２エクソソームＳＥＲＳ信号とをパニック障害分類アルゴリズムに入力して、パニック障害分類アルゴリズムをして入力されるエクソソームＳＥＲＳ信号に対応して０または１の信号値を出力するように学習させる。
第２学習部１３０は、パニック障害分類アルゴリズム、統合失調症（精神分裂症）分類アルゴリズム、痴呆分類アルゴリズム及び妄想性障害分類アルゴリズムにも同じ方法で学習させる。
ステップＳ２１０ないしステップＳ２３０を用いてアルゴリズムに対する学習が完了すれば、精神疾患診断システム１００は、測定対象者に対して精神疾患を診断する。
まず、信号獲得部１４０は、測定対象者の血しょうから抽出されたエクソソームＳＥＲＳ信号を獲得する（ステップＳ２４０）。
使用者は、測定対象者から血しょうを採取し、該採取された血しょうにクロマトグラフィー法（ｃｈｒｏｍａｔｏｇｒａｐｈｙ）を適用してエクソソームを分離する。
そして、使用者は、エクソソームが溶解された溶液をＡｕナノ粒子集合アレイチップに落とした後、乾燥させる。
次いで、Ａｕナノ粒子集合アレイチップにラマン分光法を行ってドットアレイに対応したｎ＊ｍ個（例えば、１００個）のエクソソームＳＥＲＳ信号を獲得する。
ステップＳ２４０が完了すれば、診断部１５０は、ｎ＊ｍ個のエクソソームＳＥＲＳ信号を精神疾患診断アルゴリズムに入力して測定対象者が精神疾患に該当するか否かを判断する（ステップＳ２５０）。
敷衍すれば、診断部１５０は、ｎ＊ｍ個のエクソソームＳＥＲＳ信号を精神疾患診断アルゴリズムに入力する。そうすると、精神疾患診断アルゴリズムは、ｎ＊ｍ個のエクソソームＳＥＲＳ信号のそれぞれに対応して０または１の信号値を出力する。
出力された信号値の平均が０に近ければ、診断部１５０は、測定対象者を正常者と診断し、出力された信号値の平均が１に近ければ、診断部１５０は、測定対象者を精神疾患患者と診断する。
ステップＳ２５０で、測定対象者を精神疾患患者と診断する場合、分類部１６０は、ｎ＊ｍ個のエクソソームＳＥＲＳ信号を学習済の複数個の精神疾患分類アルゴリズムに入力して測定対象者の精神疾患を分類する（ステップＳ２６０）。
敷衍すれば、分類部１６０は、ｎ＊ｍ個のエクソソームＳＥＲＳ信号をうつ病分類アルゴリズム、躁うつ病分類アルゴリズム、パニック障害分類アルゴリズム、統合失調症（精神分裂症）分類アルゴリズム、痴呆分類アルゴリズム及び妄想性障害分類アルゴリズムにそれぞれ入力する。
そうすると、うつ病分類アルゴリズムは、入力されたｎ＊ｍ個のエクソソームＳＥＲＳ信号に対してそれぞれ０または１の信号値を出力し、該出力された信号値の平均とうつ病分類基準値とを比較して測定対象者がうつ病に該当するか否かを判断する。
躁うつ病分類アルゴリズムは、入力されたｎ＊ｍ個のエクソソームＳＥＲＳ信号に対してそれぞれ０または１の信号値を出力し、該出力された信号値の平均と躁うつ病分類基準値とを比較して測定対象者が躁うつ病に該当するか否かを判断する。
パニック障害分類アルゴリズムは、入力されたｎ＊ｍ個のエクソソームＳＥＲＳ信号に対してそれぞれ０または１の信号値を出力し、該出力された信号値の平均とパニック障害分類基準値とを比較して測定対象者がパニック障害に該当するか否かを判断する。
統合失調症（精神分裂症）分類アルゴリズムは、入力されたｎ＊ｍ個のエクソソームＳＥＲＳ信号に対してそれぞれ０または１の信号値を出力し、該出力された信号値の平均と統合失調症（精神分裂症）分類基準値とを比較して測定対象者が統合失調症（精神分裂症）に該当するか否かを判断する。
痴呆分類アルゴリズムは、入力されたｎ＊ｍ個のエクソソームＳＥＲＳ信号に対してそれぞれ０または１の信号値を出力し、該出力された信号値の平均と痴呆分類基準値とを比較して測定対象者が痴呆に該当するか否かを判断する。
最後に、妄想性障害分類アルゴリズムは、入力されたｎ＊ｍ個のエクソソームＳＥＲＳ信号に対してそれぞれ０または１の信号値を出力し、該出力された信号値の平均と妄想性障害分類基準値とを比較して測定対象者が妄想性障害に該当するか否かを判断する。
次いで、分類部１６０は、６個の精神疾患分類アルゴリズムから出力された結果を用いて精神疾患の予測結果を提供する。
図７は、本発明の実施形態によるエクソソームＳＥＲＳ信号を用いた人工知能基盤の精神疾患診断方法に対する性能評価の結果を示す例示図である。
図７のａに示したように、正常者のエクソソームから獲得したヒトマップとうつ病患者から獲得したヒトマップは、肉眼でも容易に区別される。
そして、図７のｂに示したように、最終診断値は、正常者グループよりもうつ病患者グループでほぼ１．８６倍高い値を示す。
図７のｃに示したように、精神疾患診断アルゴリズムまたは精神疾患分類アルゴリズムを効果検証のために、ＲＯＣ（Ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃ）カーブを示した。ＲＯＣカーブ下の面積（Ａｒｅａ ｕｎｄｅｒ ｃｕｒｖｅ、 ＡＵＣ）は、１に近いほど有用性が大きくなることを示し、本発明の実施形態による精神疾患診断アルゴリズムまたは精神疾患分類アルゴリズムは、ほぼ０．９３９の値を有し、敏感度は、９１．４％であり、特異度は、ほぼ８８．６％である。これは、精神疾患診断アルゴリズムまたは精神疾患分類アルゴリズムが優れた性能を有しているということを示す。
このように、本発明による精神疾患診断システムは、エクソソームＳＥＲＳ信号マップを精神疾患診断アルゴリズムに入力して、精神疾患の有無を診断することができ、さらに精神疾患が発生したと診断されたエクソソームＳＥＲＳ信号マップを複数個の精神疾患分類アルゴリズムに入力して、再分析して精神疾患の種類を分類することにより、精神疾患に対する具体的な診断が可能である。
本発明は、図面に示された実施形態を参考にして説明されたが、これは、例示的なものに過ぎず、当業者ならば、これにより多様な変形及び均等な他実施形態が可能であるという点を理解できるであろう。したがって、本発明の真の技術的保護範囲は、特許請求の範囲の技術的思想によって決定されねばならない。
１００：精神疾患診断システム
１１０：ＳＥＲＳ信号収集部
１２０：第１学習部
１３０：第２学習部
１４０：信号獲得部
１５０：診断部
１６０：分類部

Claims (7)

  1. エクソソームＳＥＲＳ信号を用いた人工知能基盤の精神疾患診断システムにおいて、
    正常者から獲得したエクソソームを用いて獲得した第１信号マップと精神疾患患者から獲得したエクソソームを用いて獲得した第２信号マップとを精神疾患診断アルゴリズムに入力して、前記精神疾患診断アルゴリズムをして入力される信号マップに含まれたエクソソームＳＥＲＳ信号をそれぞれ０または１に分類するように学習させる第１学習部と、
    測定対象者から獲得したエクソソームを複数個のドットアレイを含むチップ上に落とした後、前記チップから複数個のエクソソームＳＥＲＳ信号を含む信号マップを獲得する信号獲得部と、そして、
    前記獲得した信号マップを学習済の精神疾患診断アルゴリズムに入力して、前記信号マップに含まれたエクソソームＳＥＲＳ信号のそれぞれに対して０または１の信号値を獲得し、前記獲得した信号値の平均を用いて測定対象者を正常または精神疾患と診断する診断部と、
    を含む、精神疾患診断システム。
  2. 精神疾患と診断された場合、前記測定対象者から獲得した複数個のエクソソームＳＥＲＳ信号を複数個の精神疾患分類アルゴリズムに入力して、前記複数個のエクソソームＳＥＲＳ信号のそれぞれに対して０または１の信号値を獲得し、前記獲得した信号値の平均を用いて精神疾患の種類を分類する分類部をさらに含む、請求項１に記載の精神疾患診断システム。
  3. 正常者から獲得したエクソソームから第１信号マップを獲得し、精神疾患患者から獲得したエクソソームから第２信号マップを獲得した後、前記第１信号マップに含まれたｎ＊ｍ（ここで、ｎ及びｍは、互いに同一であるか、異なる自然数である）個のエクソソームＳＥＲＳ信号を全部０にラベリングし、前記第２信号マップに含まれたｎ＊ｍ個のエクソソームＳＥＲＳ信号を全部１にラベリングするＳＥＲＳ信号収集部をさらに含む、請求項２に記載の精神疾患診断システム。
  4. 前記精神疾患患者のうちから特定の種類の精神疾患に該当する精神疾患患者から獲得した第２信号マップと、前記特定の種類の精神疾患を除いた残りの精神疾患患者から獲得した第２信号マップと、を前記複数個の精神疾患分類アルゴリズムに入力して、それぞれの精神疾患分類アルゴリズムをして入力される信号マップが、前記特定の種類の精神疾患に該当するか否かを判別するように学習させる第２学習部をさらに含む、請求項３に記載の精神疾患診断システム。
  5. 前記診断部は、
    前記獲得した信号マップに含まれたｎ＊ｍ個のエクソソームＳＥＲＳ信号を前記精神疾患診断アルゴリズムに入力して、前記ｎ＊ｍ個のエクソソームＳＥＲＳ信号のそれぞれに対応して０または１の信号値を出力し、
    出力された信号値の平均が０に近ければ、正常と分類し、出力された信号値の平均が１に近ければ、精神疾患と診断する、請求項３に記載の精神疾患診断システム。
  6. 前記分類部は、
    ｎ＊ｍ個のエクソソームＳＥＲＳ信号を前記複数個の精神疾患分類アルゴリズムに入力し、前記複数個の精神疾患分類アルゴリズムは、入力されたｎ＊ｍ個のエクソソームＳＥＲＳ信号に対してそれぞれ０または１の信号値を出力し、該出力された信号値の平均を特定の種類の精神疾患に対する分類基準値と比較して、前記特定の種類の精神疾患に該当するか否かを判断する、請求項４に記載の精神疾患診断システム。
  7. 精神疾患診断システムを用いた精神疾患診断方法において、
    正常者から獲得したエクソソームを用いて獲得した第１信号マップと精神疾患患者から獲得したエクソソームを用いて獲得した第２信号マップとを精神疾患診断アルゴリズムに入力して、前記精神疾患診断アルゴリズムをして入力される信号マップに含まれたエクソソームＳＥＲＳ信号をそれぞれ０または１に分類するように学習させる段階と、
    測定対象者から獲得したエクソソームを複数個のドットアレイを含むチップ上に落とした後、前記チップから複数個のエクソソームＳＥＲＳ信号を含む信号マップを獲得する段階と、そして、
    前記獲得した信号マップを学習済の精神疾患診断アルゴリズムに入力して、前記信号マップに含まれたエクソソームＳＥＲＳ信号のそれぞれに対して０または１の信号値を獲得し、前記獲得した信号値の平均を用いて測定対象者を正常または精神疾患と診断する段階と、
    を含む、精神疾患診断方法。
JP2025525169A 2022-10-31 2022-11-04 エクソソームｓｅｒｓ信号を用いた人工知能基盤の精神疾患診断システム及びその方法 Pending JP2025535536A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020220142034A KR102915057B1 (ko) 2022-10-31 2022-10-31 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법
KR10-2022-0142034 2022-10-31
PCT/KR2022/017185 WO2024096165A1 (ko) 2022-10-31 2022-11-04 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
JP2025535536A true JP2025535536A (ja) 2025-10-24

Family

ID=90930789

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2025525169A Pending JP2025535536A (ja) 2022-10-31 2022-11-04 エクソソームｓｅｒｓ信号を用いた人工知能基盤の精神疾患診断システム及びその方法

Country Status (5)

Country Link
EP (1) EP4614514A1 (ja)
JP (1) JP2025535536A (ja)
KR (1) KR102915057B1 (ja)
CN (1) CN120380551A (ja)
WO (1) WO2024096165A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180080945A1 (en) * 2016-09-20 2018-03-22 Nanosomix, Inc. Biomarkers and diagnostic methods for alzheimer's disease and other neurodegenerative disorders
JP2019513391A (ja) * 2016-04-15 2019-05-30 エクソサム ダイアグノスティクス，インコーポレイティド 未分化リンパ腫キナーゼ（ａｌｋ）核酸およびａｌｋ融合転写産物の血漿ベースの検出、並びに癌の診断と治療におけるそれらの使用
JP2021511066A (ja) * 2018-01-29 2021-05-06 エムディー ヘルスケア インコーポレイテッドＭｄ Ｈｅａｌｔｈｃａｒｅ Ｉｎｃ． 細菌メタゲノム分析を通したうつ病の診断方法
WO2021107154A1 (ja) * 2019-11-29 2021-06-03 富士フイルム和光純薬株式会社 アルツハイマー型認知症又は軽度認知障害の診断を補助する方法、バイオマーカー、試薬キット及び装置
US20210372933A1 (en) * 2018-01-12 2021-12-02 The Regents Of The University Of California Spectroscopic biological material characterization
JP2023124433A (ja) * 2022-02-25 2023-09-06 株式会社日立製作所 評価システム及び評価方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0724735D0 (en) * 2007-12-19 2008-01-30 Psynova Neurotech Ltd Methods and biomarkers for diagnosing and monitoring psychotic disorders
KR102291105B1 (ko) * 2019-03-04 2021-08-23 주식회사 엑소퍼트 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템
KR102272031B1 (ko) * 2019-04-03 2021-07-05 고려대학교 산학협력단 라만 분광학 신호 기반의 단백질 정량화 방법, 바이오 마커 정량화 시스템 및 방법
JP7436004B2 (ja) 2020-01-20 2024-02-21 学校法人産業医科大学 うつ病の診断補助方法及び診断用キット
KR102388765B1 (ko) * 2021-10-27 2022-04-20 임시원 인공지능 기반의 정신과 질환 진단 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019513391A (ja) * 2016-04-15 2019-05-30 エクソサム ダイアグノスティクス，インコーポレイティド 未分化リンパ腫キナーゼ（ａｌｋ）核酸およびａｌｋ融合転写産物の血漿ベースの検出、並びに癌の診断と治療におけるそれらの使用
US20180080945A1 (en) * 2016-09-20 2018-03-22 Nanosomix, Inc. Biomarkers and diagnostic methods for alzheimer's disease and other neurodegenerative disorders
US20210372933A1 (en) * 2018-01-12 2021-12-02 The Regents Of The University Of California Spectroscopic biological material characterization
JP2021511066A (ja) * 2018-01-29 2021-05-06 エムディー ヘルスケア インコーポレイテッドＭｄ Ｈｅａｌｔｈｃａｒｅ Ｉｎｃ． 細菌メタゲノム分析を通したうつ病の診断方法
WO2021107154A1 (ja) * 2019-11-29 2021-06-03 富士フイルム和光純薬株式会社 アルツハイマー型認知症又は軽度認知障害の診断を補助する方法、バイオマーカー、試薬キット及び装置
JP2023124433A (ja) * 2022-02-25 2023-09-06 株式会社日立製作所 評価システム及び評価方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HYUNK SHIN(外12名): ""Early-Stage Lung cancer Diagnosis by Deep Learning-Based Spectroscopic Analysis of Circulation Exos", ACS NANO, vol. Vol.14, Issue 5, JPN6026009054, 14 April 2020 (2020-04-14), US, pages 5435 - 5444, ISSN: 0005814057 *

Also Published As

Publication number Publication date
KR102915057B1 (ko) 2026-01-20
WO2024096165A1 (ko) 2024-05-10
EP4614514A1 (en) 2025-09-10
KR20240060943A (ko) 2024-05-08
CN120380551A (zh) 2025-07-25

Similar Documents

Publication Publication Date Title
Ahmedt-Aristizabal et al. Identification of children at risk of schizophrenia via deep learning and EEG responses
Khaleghi et al. Applicable features of electroencephalogram for ADHD diagnosis
Zare et al. Automatic classification of 6-month-old infants at familial risk for language-based learning disorder using a support vector machine
Požar et al. Effective differentiation of mild cognitive impairment by functional brain graph analysis and computerized testing
Chiang et al. An EEG-based fuzzy probability model for early diagnosis of Alzheimer’s disease
Li et al. Uncovering brain differences in preschoolers and young adolescents with autism spectrum disorder using deep learning
Iannaccone et al. Quantitative EEG for early differential diagnosis of dementia with Lewy bodies
CN114891904A (zh) 用于儿童asd诊断的母源肠道菌群标志物及其应用
Fernell Mild mental retardation in schoolchildren in a Swedish suburban municipality: prevalence and diagnostic aspects
Abubakar et al. Pneumonia classification using hybrid CNN architecture
Gupta et al. Ai-based techniques for the detection of neuro-developmental disorders: A survey
KR102915057B1 (ko) 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법
Ikermane et al. Web-based autism screening using facial images and convolutional neural network
Breitenbach et al. Automatic diagnosis of intellectual and developmental disorder using machine learning based on resting-state EEG recordings
Ananthajothi et al. Autism Spectrum Disorder Analysis and Detection System
CN116491901B (zh) 基于p300脑电和迁移学习的意识障碍患者辅助诊断系统
Han et al. Assessment of Attention-based Deep Learning Architectures for Classifying EEG in ADHD and Typical Children.
CN117198531A (zh) 一种情绪障碍评估模型的构建方法
CN116110599A (zh) 用于轻度认知障碍的筛查分析的装置、系统和存储介质
JP7656946B2 (ja) エクソソームｓｅｒｓ信号を用いた人工知能基盤の多重癌同時診断システム
Herath et al. High-performance medicine in cognitive impairment: Brain–computer interfacing for prodromal Alzheimer's disease
CN116999027B (en) System for assisting in screening mild cognitive impairment
Soulier et al. How will tomorrow’s algorithms fuse multimodal data? The example of the neuroprognosis in Intensive Care
Rathiya et al. Machine Learning-Based Detection
Rathiya et al. Machine Learning-Based Detection of Children at Risks for Mental Disorders

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20250507

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20260310