JP3703858B2

JP3703858B2 - 帰属度判別装置

Info

Publication number: JP3703858B2
Application number: JP24561893A
Authority: JP
Inventors: 一之金井
Original assignee: Sysmex Corp
Current assignee: Sysmex Corp
Priority date: 1993-09-30
Filing date: 1993-09-30
Publication date: 2005-10-05
Anticipated expiration: 2020-10-05
Also published as: DE69432885D1; CN1121207A; TW290663B; EP0646881A3; US5619990A; KR100328119B1; EP0646881A2; JPH07105166A; EP0646881B1; CN1099652C; KR950009256A

Description

【０００１】
【産業上の利用分野】
この発明は、２群線形判別の分析結果を統合して多群判別を行うことにより、被検データがどの群に帰属するのかの判別を行う帰属度判別装置に関する。この装置は、例えば疾患の診断（患者がどの疾患群に属するのかの診断）に有効に用いられる。
【０００２】
【従来の技術】
２群線形判別分析は、着目する対象が２群の内のいずれの群に帰属するのかを統計的に判別する手法として、たいへんポピュラーな方法である。また、この２群線形判別分析は、知識獲得の観点からも最終的には２群線形判別関数の判別値の正負で２群の内のいずれの群に帰属するのかを判別するため、たいへん情報圧縮率が高い。
【０００３】
一方、ある疾患データに対して、考えられる多群の中から１群を決定する方法（診断システム）としては、エキスパートシステムを代表とする記号化した知識と推論エンジンで演繹的に実現する方法、ニューラルネットワークの学習を利用する方法、多変量解析の応用としての多群判別のように帰納的に実現する方法などがある。
【０００４】
人間たとえば熟練した専門医がどのような思考過程で多群の中から１群を決定するかを考えて見ると、決して多群から一気に１群を決定することはせず、考え得る群を数群に絞り、それらを相互に比較することにより、最も「らしい」群を決定しているのではないかと思われる。このようなプロセスは、一般に「選好プロセス」と呼ばれており、人間が比較的得意とするものである。
【０００５】
このような多群パターンの認識については、電子情報通信学会論文誌 A Vol.J72-A No.1 pp.41-48（１９８９年１月）に、対判別による多群パターン認識に関する記載がある。
【０００６】
この多群パターンの認識においては、すべての対について２群間の判別を行い、これらの結果を統合して多群への判定結果を出すようにしている。すなわち、全群に共通の分散共分散行列を仮定するのではなく、対ごとに分散共分散行列を仮定し、未知入力パターンｘに対し各群Πｉ，Πｊからのマハラノビスの距離Ｄｉ²，Ｄｊ²、事後確立Ｐ（Πｉ｜ｘ），Ｐ（Πｊ｜ｘ）を計算し、マハラノビスの距離Ｄｉ²，Ｄｊ²の大小、または事後確立Ｐ（Πｉ｜ｘ），Ｐ（Πｊ｜ｘ）の大小から判別結果を出し、これを基準化し（基準化対統計量）統合した上で、最終的に未知入力パターンｘの分類結果を得るようにしている。ただし、事後確立Ｐ（Πｉ｜ｘ），Ｐ（Πｊ｜ｘ）に関しては、具体的な算出方法の記載はない。
【０００７】
さらに、ここには、最終結果を得る方法として、多数決法、ミニマックス法、及び期待値による方法が示されている。この多数決法とは、２群判別結果を集計して多数決によって正解を得ようとするものである。ミニマックス法とは、群数が多い場合に有効であり、マハラノビスの距離のなかで最大値を求め、距離が大きくなったときその群に属することを否定するものである。期待値による方法とは、群Πｉに関する基準化対統計量の期待値をとり、最良の結果を与える群を解とするものである。
【０００８】
【発明が解決しようとする課題】
しかしながら、このような従来の多群判別においては、例えば、実際に各疾患を判別するシステムを構築する際には、知識獲得（線形判別関数の算出など）に用いるデータの質の違いにより、得られた線形判別関数の信憑性が違うことが普通である。
【０００９】
また、実際の疾患の判別においては、非常に重要な意味を持つ組み合わせの２群判別と、あまり意味を持たない組み合わせの２群判別とがあり、すべての組み合わせの２群判別を平等に考えることは好ましくない。専門医は経験をベースとして無意識の内にこのような処理を行っていると思われる。
以上のことがらは、現実の多群判別システム、特に疾患の判別を行うシステムにとっては、たいへん重要なポイントとなる。
【００１０】
この発明は、このような事情を考慮してなされたもので、２群線形判別により、被検データが多群中のどの群に帰属するのかを算出すると同時に、各２群の組み合わせの判別毎にその支持度合を求め、その支持度合を参照して被検データの帰属度を判別することにより、従来よりも高い信頼性で帰属度の判別を行えるようにした帰属度判別装置に関する。
【００１１】
【課題を解決するための手段】
図１はこの発明の構成を示すブロック図であり、図に示すように、この発明は、疾患の判別に用いられる帰属度判別装置であって、多数の疾患群について各群の疾患データをあらかじめ記憶した記憶手段１０１と、記憶手段１０１に記憶された多数の疾患群の中から任意の２群を、全ての組み合わせについて選択し、選択した各２群を最適に２分する線形判別関数を、各２群毎にそれぞれ設定する判別関数設定手段１０２と、判別関数設定手段１０２によって設定された各２群毎の線形判別関数を用いて、各２群毎に被検データがどちらの群に属するのかの２群判別結果を算出する２群判別結果算出手段１０３と、２群判別結果算出手段１０３による２群判別結果の支持度合を各２群毎に決定する支持度合決定手段１０４と、各２群毎の２群判別結果と支持度合とに基づき、各群に対する被検データの帰属度を算出する帰属度算出手段１０５を有し、帰属度算出手段１０５が算出した各群に対する被検データの帰属度を出力装置に出力させる、帰属度判別装置である。
【００１２】
この発明における記憶手段１０１としては、フロッピーディスク装置や磁気ディスク装置などの各種の外部記憶装置を用いることができる。
判別関数設定手段１０２、２群判別結果算出手段１０３、支持度合決定手段１０４、及び帰属度算出手段１０５としては、ＣＰＵ，ＲＯＭ，ＲＡＭ，Ｉ／Ｏポートからなるマイクロコンピュータを用いることができる。
【００１３】
この発明においては、支持度合決定手段１０４による支持度合は、僅差で判別されたのか大差で判別されたのかの度合を数量化した２群判別度合と、線形判別関数の確からしさの度合を数量化した判別関数の確信度と、判別しようとする２群の重要性の度合を数量化した重要度との、３つの要素の少なくとも１つを考慮することによって決定されることが好ましい。
【００１４】
また、支持度合決定手段１０４の支持度合における２群判別度合は、被検データの各２群に対するマハラノビスの距離の２乗を求め、それらの数値の距離比を求め、この距離比を正規化したものを２群判別度合とすることによって求められることが好ましい。
【００１５】
さらに、支持度合決定手段１０４の支持度合における判別関数の確信度は、判別関数設定手段によって各２群毎にそれぞれ線形判別関数が設定されるときの判別性能の評価指標の１つである相関比によって決定されることが好ましい。
【００１６】
【作用】
この発明によれば、判別関数設定手段により、記憶手段に記憶された多数の群の中から任意の２群を選択し、選択した２群を最適に２分する線形判別関数を設定する。次に、その線形判別関数を用いて、２群判別結果算出手段により、被検データが２群の内どちらの群に属するのかの２群判別結果を得るとともに、支持度合決定手段により、その２群判別結果の支持度合を得、これをすべての２群対の組み合わせについて行う。
【００１７】
そして、得られた２群判別結果と支持度合とに基づいて、被検データの各群に対する帰属度を算出する。このことにより、獲得知識の実状にあった的確な疾患群の判別ができる。
【００１８】
【実施例】
以下、図面に示す実施例に基づいてこの発明を詳述する。なお、これによってこの発明が限定されるものではない。
【００１９】
この実施例においては、血液分析装置から得られる、ＷＢＣ（白血球数），ＲＢＣ（赤血球数），ＨＧＢ（ヘモグロビン量），ＭＣＶ（平均赤血球容積），ＭＣＨＣ（平均赤血球ヘモグロビン濃度），ＰＬＴ（血小板数），ＲＤＷ（赤血球分布幅）の７種の測定データを用いて、７次元の被検データＸ（＝Ｘ１，Ｘ２，Ｘ３，Ｘ４，Ｘ５，Ｘ６，Ｘ７）が、β−サラセミア，鉄欠乏性貧血，２次性貧血▲１▼，２次性貧血▲２▼，２次性貧血▲３▼，再生不良性貧血＋ＭＤＳ，溶血性貧血▲１▼，溶血性貧血▲２▼，巨赤芽球性貧血，鉄欠乏性貧血治療中，臍帯血，多血症，正常（成人），正常（小児）の１４群の、いずれの群（疾患）に属するのかの判別を行う場合について説明する。
【００２０】
図２はこの発明による帰属度判別装置の一実施例の構成を示すブロック図である。この図において、１０はフロッピーディスク装置や磁気ディスク装置などの各種の外部記憶装置から構成されるデータベース、１２は２群判別分析装置、１４は例えばＲＡＭのような記憶装置、１６は制御装置、１８はＣＲＴディスプレイ装置のような表示装置やドットプリンタのような印字装置からなる出力装置である。２群判別分析装置１２及び制御装置１６は、ＣＰＵ，ＲＯＭ，ＲＡＭ，Ｉ／Ｏポートからなるマイクロコンピュータによって構成されている。
【００２１】
図３はこの発明の帰属度判別装置の処理概要を示すブロック図であり、このブロック図に基づいて本装置の処理の概要を説明する。
まず、知識獲得プロセスについて説明する。
本装置による帰属度の判別においては、上記各群（疾患）ｉ：１，２，…，１４ごとに多数の良質の知識獲得データＤｉ：Ｄ１，Ｄ２，…，Ｄ１４を確保しておくことが必要である。
【００２２】
この知識獲得データ群Ｄｉは、β−サラセミア，鉄欠乏性貧血，２次性貧血▲１▼，２次性貧血▲２▼，２次性貧血▲３▼，再生不良性貧血＋ＭＤＳ，溶血性貧血▲１▼，溶血性貧血▲２▼，巨赤芽球性貧血，鉄欠乏性貧血治療中，臍帯血，多血症，正常（成人），及び正常（小児）の１４群に所属する人の血液を実際に分析し、各群に属する人のＷＢＣ，ＲＢＣ，ＨＧＢ，ＭＣＶ，ＭＣＨＣ，ＰＬＴ，ＲＤＷの７種の血液測定データをそれぞれ記録したものである。この知識獲得データ群Ｄｉは、データベース１０に格納されている。
【００２３】
２群判別分析装置１２は、データベース１０からこの知識獲得データ群Ｄｉを読み出し、この知識獲得データ群Ｄｉの全ての２群対の組み合わせについて２群判別分析を行い、線形判別関数Ｆｉｊなどの知識を獲得する。獲得された知識は記憶装置１４に記憶される。
【００２４】
次に、判別診断プロセスについて説明する。
制御装置１６は、未知の被検データＸを取り込み、被検データＸと獲得された知識とから被検データＸが各疾患に属する可能性を、２群判別結果Ａｉｊ及びその支持度合Ｓｉｊの数値として算出する。この被検データＸとは、どの疾患に属するのかを調べようとする患者の実際のＷＢＣ，ＲＢＣ，ＨＧＢ，ＭＣＶ，ＭＣＨＣ，ＰＬＴ，ＲＤＷの７種の血液データである。
【００２５】
数値として算出された各疾患に属する可能性の結果は、各群ごとに集計され、帰属度Ｋｉとして出力装置１８に出力される。本装置においては、未知の被検データＸと上記獲得された知識とから疾患の判別を行う。
【００２６】
図４は上記知識獲得プロセスと判別診断プロセスの詳細を示すブロック図である。図において、知識獲得プロセスはブロック２０で示し、判別診断プロセスはブロック２２で示す。以下、このブロック図を参照しながら本装置の処理について詳述する。
【００２７】
２群判別分析装置１２では、具体的には１４群、すなわち知識獲得データＤ１，Ｄ２，…，Ｄ１４のすべての２群対について、２群線形判別分析を行う。２群対の組み合わせ（ｉ，ｊ）は全部で₁₄Ｃ₂＝（１４×１３）／２＝９１通りある。その組み合わせに対応して２群を分画するための線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）も９１通り必要となる。
【００２８】
線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）は次式のようになる。
Fij(X1,X2,…,X7)=aij₀+aij₁X1+aij₂X2+…+aij₇X7 式（１）
ただし、aij₀,aij₁,aij₂,…,aij₇は係数、X1,X2,…,X7 は変数とする。
【００２９】
知識獲得データの疾患群Ｄｉ，Ｄｊを最良に判断する線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）を求める方法、すなわち、上記係数ａｉｊ₀，ａｉｊ₁ａｉｊ₂，…，ａｉｊ₇を求めるには、公知の方法を用いることができる。また、知識獲得データの疾患群Ｄｉ，Ｄｊの各平均値行列Ｙｉ，Ｙｊ、各分散共分散行列Ｓｉ，Ｓｊ、相関比を求める方法も公知である。これらの行列Ｙｉ，Ｙｊ，Ｓｉ，Ｓｊは、後述の被検データの群ｉ，ｊへのマハラノビス距離の２乗Ｍｉ，Ｍｊを算出する際に用いられる。
【００３０】
以上の２群対（ｉ，ｊ）ごとに得られた線形判別関数式の係数ａｉｊ₀，ａｉｊ₁，ａｉｊ₂，…，ａｉｊ₇，平均値行列Ｙｉ，Ｙｊ、分散共分散行列Ｓｉ，Ｓｊ、及び相関比が、本装置で用いる獲得された知識となる。
【００３１】
制御装置１６では、被検データＸと獲得された知識とから被検データＸが各疾患に属する可能性を数値として算出する。
すなわち、疾患の２群対（ｉ，ｊ）を選び、被検データＸとその２群対に対応する線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）から、被検データＸが疾患ｉに属するのか、疾患ｊに属するのかを求める。この場合、疾患ｉに属すると判別されたときはＡｉｊ＝１とし、疾患ｊと判別されたときはＡｉｊ＝０とする。この２群判別結果Ａｉｊは、被検データＸ：（Ｘ１，Ｘ２，…，Ｘ７）を上記式（１）に代入して得られる判別関数値の正負により決定できる。
【００３２】
疾患ｉに属する可能性の度合Ｋｉを算出するのに、上記２群判別結果Ａｉｊの情報だけを用いて可能性度合Ｋｉを求めることが可能である。しかし、一般に精度はあまり良くない。なぜなら、大差で判別される場合と僅差で判別される場合があるが、その点が考慮されないからである。
【００３３】
そこで、本発明では、群ｉと群ｊの２群判別結果に対する支持度合Ｓｉｊの概念を導入し、同じ２群判別結果でも、どの程度の判別度合かを考慮できるようにした。２群判別結果の支持度合は、２群判別結果の程度を表すものであり、０〜１の値をとる。この支持度合が１に近いほど２群判別結果に対する支持度合が高い、つまり大差で判別されたことを示し、支持度合が０に近いほど２群判別結果に対する支持度合が低い、つまり僅差で判別されたことを示す。
【００３４】
以下、具体的な２群判別結果の支持度合Ｓｉｊの算出例を説明する、なお、この説明においては、判別関数の確信度Ｃｉｊ、重要度Ｗｉｊ、２群判別度合Ｒｉｊに分けて、それぞれ説明する。
【００３５】
（１）判別関数の確信度Ｃｉｊの算出方法
判別関数の獲得は、当然ながら現実のデータから行われるため、各群の知識獲得データの質が知識である判別関数に大きく影響する。２群判別分析では、得られた２群線形判別関数Ｆｉｊ（Ｘ１，Ｘ２，…，Ｘ７）の判別性能を表すのに相関比を使用することがある。
【００３６】
この相関比は、群ｉと群ｊの２群を判別する線形判別式に、被検データＸを代入して得られる判別関数値Ｚの両群の度数分布を求め、各群ごとの判別関数値の平均値Ｙｉ，Ｙｊ，分散σ_i ²，σ_j ²（サンプル数：ｎｉ，ｎｊ）と、両群全体の平均値Ｙ_T、分散σ_T ²（サンプル数：ｎ_T（＝ｎ_i＋ｎ_j））を算出する。
【００３７】
ここで、級内分散をσ_W ²とすると、級内分散σ_W ²は
σ_W ²＝（ｎ_iσ_i ²＋ｎ_jσ_j ²）／ｎ_T
級間分散をσ_B ²とすると、級間分散σ_B ²は
σ_B ²＝（ｎ_i（Ｙ_i−Ｙ_T）²＋ｎ_j（Ｙ_j−Ｙ_T）²）／ｎ_T
となる。
【００３８】
また、σ_T ²＝σ_W ²＋σ_B ²となるので、相関比は、次のように算出される。
相関比Ｃｉｊ＝σ_B ²／σ_T ² （０＜相関比＜１）
この相関比は、判別能力が高ければ級間分散が大きく、級内分散が小さくなるため、１に近い値となる。この相関比を判別関数の確信度Ｃｉｊとする。
【００３９】
（２）重要度Ｗｉｊの設定
被検データＸに対するｉ群への帰属度は、全１４群の内、群ｉと群ｉを除く１３群との２群対の線形判別の結果として求められる。群ｉへの帰属度を算出する際、一般的には１３組（この実施例においては、１つの群に関して１３組の２群対が存在する）の２群対に対して重要度に差がある場合が普通である。たとえば、鉄欠乏性貧血群への帰属度を算出する際に、β−サラセミア群、正常群などの類似群との判別は、臨床的に重要であるが、多血症群などとの判別は情報的にもあまり価値がないし、臨床的重要度も低い。このような関係を１３点満点（この実施例においては、１つの群に関して１３組の２群対が存在するため）で各２群対に重要度Ｗｉｊとして割り当てる。
【００４０】
（３）２群判別度合Ｒｉｊの算出方法
被検データＸの疾患群ｉ，ｊへのマハラノビス距離の２乗Ｍｉ，Ｍｊを算出する。
【００４１】
疾患ｉへのマハラノビス距離の２乗Ｍｉは、よく知られているように、被検データＸ、知識獲得で得られた疾患ｉ群の平均値行列Ｙｉ，分散共分散行列Ｓｉとから次式で求められる。
Ｍｉ＝^t（Ｘ−Ｙｉ）Ｓｉ^-1（Ｘ−Ｙｉ）
ただし、^tは転置行列、^-1は逆行列を表す。
疾患ｊへのマハラノビス距離の２乗Ｍｊも同様にして求められる。
【００４２】
２つのマハラノビス距離の２乗からＭｉのＭｊに対する相対的なマハラノビス距離の２乗比ＭＲｉｊを設定し、その値ＭＲｉｊを関数ｆにより０〜１の値に変換し、２群判別度合Ｒｉｊとする。
【００４３】
たとえば、ＭＲｉｊ（＝Ｍｊ／Ｍｉ）をｘとして、
【数１】

ただし、ｘ≦１のときは、Ｒｉｊ＝０とする。
で算出する。
【００４４】
図５は上記関数ｆ（ｘ）のグラフである。この関数ｆ（ｘ）は正規化のための関数の一例で、１〜∞の値をとるＭＲｉｊを、０〜１に連続的に変換することができる。
【００４５】
定数−0.366 の根拠は、被検データＸのｉ，ｊ群へのマハラノビス距離の比が２のとき（ｉ群への距離に対して、ｊ群への距離が２倍のとき：ＭＲｉｊは２乗であるので４とする）に、２群判別度合Ｒｉｊが０．５となるように設定されている。この定数−0.366 に関しては、判別する群の相対的な近さにより変更する必要がある。
なお、他に、知識獲得データに２群線形判別式を適用したときの判別的中率を用いる方法もある。
【００４６】
以上の結果より、判別結果に対する支持度合Ｓｉｊを
Ｓｉｊ＝Ｒｉｊ×Ｃｉｊ×Ｗｉｊ
で求め、次式でｉ群に対する帰属度Ｋｉを算出する。
【数２】

ただし、ｎ＝１４，ｊ≠ｉとする。また、Ａｉｊ＝１の場合は疾患ｉ側に判別されたとき、Ａｉｊ＝０の場合は疾患ｊ側に判別されたときである。
上記の帰属度Ｋｉは、０≦Ｋｉ≦１となる。
【００４７】
支持度合Ｓｉｊは、２群判別度合Ｒｉｊだけでも従来よりも判別精度を良くすることができるが、判別関数の確信度Ｃｉｊも考慮すると（Ｓｉｊ＝Ｒｉｊ×Ｃｉｊ）、知識獲得データの実状にあったものとなる。
そして、さらに重要度Ｗｉｊまで考慮すると（Ｓｉｊ＝Ｒｉｊ×Ｃｉｊ×Ｗｉｊ）、より一層人間の判断に近づけることが可能である。
【００４８】
次に、このような処理動作の内容を図６及び図７に示すフローチャートに基づいて説明する。
図６は知識獲得プロセスと判別診断プロセスの全体の処理内容を示すフローチャートである。
【００４９】
この図に示すように、本装置の処理では、まず、知識獲得プロセスにおいて、知識獲得データ群Ｄｉから、各２群対ごとに、線形判別関数Ｆｉｊ，平均値行列Ｙｉ，分散共分散行列Ｓｉ，相関比Ｃｉｊを獲得する（ステップ３１）。
【００５０】
次に、各２群対ごとの重要度Ｗｉｊを設定する（ステップ３２）。なお、この重要度Ｗｉｊは、知識獲得データ群Ｄｉと共に、あらかじめ設定しておいてもよい。
【００５１】
そして、判別診断プロセスにおいて、これらの線形判別関数Ｆｉｊ，平均値行列Ｙｉ，分散共分散行列Ｓｉ，相関比Ｃｉｊ，重要度Ｗｉｊを用いて、被検データＸに対して多群判別を行う（ステップ３３）。
【００５２】
図７は判別診断プロセスの詳細内容を示すフローチャートである。
判別診断プロセスの処理においては、まず、被検データＸが入力されると（ステップ４１）、任意の群ｉを指定し（ステップ４２）、被検データＸを線形判別関数式Ｆｉｊに代入し、２群判別結果Ａｉｊを決定する（ステップ４３）。
【００５３】
続いて、被検データＸと、平均値行列Ｙｉ及び分散共分散行列Ｓｉとから、マハラノビスの距離Ｍｉ，Ｍｊを算出し（ステップ４４）、マハラノビスの距離Ｍｉ，Ｍｊの２乗比ＭＲｉｊに基づいて、２群判別度合Ｒｉｊを算出する（ステップ４５）。
次に、相関比Ｃｉｊ，重要度Ｗｉｊ，２群判別度合Ｒｉｊにより、２群判別結果Ａｉｊの支持度合Ｓｉｊを算出する（ステップ４６）。
【００５４】
ここで、指定群ｉについての全組み合わせｉｊ（ただし、ｊ≠ｉ）が終了したか否かを調べ（ステップ４７）、終了すれば、２群判別結果Ａｉｊとその２群判別結果の支持度合Ｓｉｊとから、指定群ｉの帰属度Ｋｉを算出する（ステップ４８）。
【００５５】
そして、すべての群ｉについて終了したのか否かを調べ（ステップ４９）、すべての群ｉについて終了すれば、帰属度Ｋｉを値の高い順に並び換え（ステップ５０）、最も可能性の高い群ｉを決定する（ステップ５１）。
【００５６】
以上の処理を実際に行った場合の出力帳票の例を図８〜図１０に示す。これらの図に示したものは、２次性貧血▲３▼の疾患を有する検体を被検データとし、上記のプロセスを経て各群の帰属度Ｋｉを求めたものである。
【００５７】
これらの図の内、図８は２群判別結果だけを用いて２群判別結果の支持度合Ｓｉｊを考慮しない場合（支持モード：なし）の例を示し、図９は２群判別結果の支持度合Ｓｉｊの内、２群判別度合Ｒｉｊだけを考慮した場合（支持モード：距離比）を示し、図１０は２群判別結果の支持度合Ｓｉｊの内、２群判別度合Ｒｉｊと判別関数の確信度Ｃｉｊを考慮した場合（支持モード：距離比，相関比）を示している。
【００５８】
各モードにおける帰属度Ｋｉの算出式は次のようになる。
支持モード：なしの場合
【数３】

支持モード：距離比の場合
【数４】

支持モード：距離比，相関比の場合
【数５】

【００５９】
判別結果の支持度合Ｓｉｊを考慮しない場合には、図８に示すように、２次性貧血▲３▼群と溶血性貧血▲１▼の帰属度Ｋｉが同じであったが、判別結果の支持度合Ｓｉｊを考慮した場合には、図９の２群判別度合Ｒｉｊだけを考慮した場合、及び図１０の２群判別度合Ｒｉｊと判別関数の確信度Ｃｉｊとの双方を考慮した場合ともに、２次性貧血▲３▼の帰属度Ｋｉが第１位となっている。
【００６０】
さらに、支持度合Ｓｉｊについて、判別関数の確信度Ｃｉｊを考慮しない場合（図９）と考慮した場合（図１０）とを比べると、考慮した場合（図１０）の方が１位、２位の差が相対的に大きくなっている。
【００６１】
このようにして、知識獲得データ群Ｄ１，…，Ｄｎから、すべての２群対の組み合わせに対して２群判別分析を行い、知識となる判別関数Ｆｉｊを得る。そして、この判別関数Ｆｉｊを用いて未知の被検データＸについて全組み合わせの２群判別分析を行い、２群判別結果Ａｉｊ、支持度合Ｓｉｊを得、この２群判別結果Ａｉｊと支持度合Ｓｉｊとから被検データＸの各群に対する帰属度Ｋｉを算出することにより、獲得知識の実状にあった適確な疾患群の判別を行うことができる。
【００６２】
【発明の効果】
この発明によれば、多数の疾患群の中から任意の２群を選択し、選択した２群を最適に２分する線形判別関数を設定し、その線形判別関数を用いて被検データが２群の内どちらの群に属するのかの２群判別結果を得るとともに、その２群判別結果の支持度合を得、得られた２群判別結果と支持度合とに基づいて、被検データの各群に対する帰属度を算出するようにしたので、獲得知識の実状にあった的確な疾患群の判別が可能となる。
【図面の簡単な説明】
【図１】この発明の構成を示すブロック図である。
【図２】この発明による帰属度判別装置の一実施例の構成を示すブロック図である。
【図３】この発明の帰属度判別装置の処理概要を示すブロック図である。
【図４】知識獲得プロセスと判別診断プロセスの詳細を示すブロック図である。
【図５】２群判別度合Ｒｉｊの関数ｆ（ｘ）を示すグラフである。
【図６】知識獲得プロセスと判別診断プロセスの全体の処理内容を示すフローチャートである。
【図７】判別診断プロセスの詳細内容を示すフローチャートである。
【図８】実際に帰属度の判別を行った場合の出力帳票（支持モード：なし）の例を示す説明図である。
【図９】実際に帰属度の判別を行った場合の出力帳票（支持モード：距離比）の例を示す説明図である。
【図１０】実際に帰属度の判別を行った場合の出力帳票（支持モード：距離比，相関比）の例を示す説明図である。
【符号の説明】
１０データベース
１２２群判別分析装置
１４記憶装置
１６制御装置
１８出力装置

Claims

疾患の判別に用いられる帰属度判別装置であって、
多数の疾患群について各群の疾患データをあらかじめ記憶した記憶手段と、
記憶手段に記憶された多数の疾患群の中から任意の２群を、全ての組み合わせについて選択し、選択した各２群を最適に２分する線形判別関数を、各２群毎にそれぞれ設定する判別関数設定手段と、
判別関数設定手段によって設定された各２群毎の線形判別関数を用いて、各２群毎に被検データがどちらの群に属するのかの２群判別結果を算出する２群判別結果算出手段と、
２群判別結果算出手段による２群判別結果の支持度合を各２群毎に決定する支持度合決定手段と、
各２群毎の２群判別結果と支持度合とに基づき、各群に対する被検データの帰属度を算出する帰属度算出手段を有し、
帰属度算出手段が算出した各群に対する被検データの帰属度を出力装置に出力させる、帰属度判別装置。
支持度合決定手段による支持度合が、僅差で判別されたのか大差で判別されたのかの度合を数量化した２群判別度合と、線形判別関数の確からしさの度合を数量化した判別関数の確信度と、判別しようとする２群の重要性の度合を数量化した重要度との、３つの要素の少なくとも１つを考慮することによって決定されることを特徴とする請求項１記載の帰属度判別装置。
支持度合決定手段の支持度合における２群判別度合が、被検データの各２群に対するマハラノビスの距離の２乗を求め、それらの数値の距離比を求め、この距離比を正規化したものを２群判別度合とすることによって求められることを特徴とする請求項２記載の帰属度判別装置。
支持度合決定手段の支持度合における判別関数の確信度が、判別関数設定手段によって各２群毎にそれぞれ線形判別関数が設定されるときの判別性能の評価指標の１つである相関比によって決定されることを特徴とする請求項２記載の帰属度判別装置。
前記被検データが、血液分析装置から得られる血液データである請求項１記載の帰属度判別装置。