JP3703858B2 - 帰属度判別装置 - Google Patents
帰属度判別装置 Download PDFInfo
- Publication number
- JP3703858B2 JP3703858B2 JP24561893A JP24561893A JP3703858B2 JP 3703858 B2 JP3703858 B2 JP 3703858B2 JP 24561893 A JP24561893 A JP 24561893A JP 24561893 A JP24561893 A JP 24561893A JP 3703858 B2 JP3703858 B2 JP 3703858B2
- Authority
- JP
- Japan
- Prior art keywords
- degree
- group
- groups
- discriminant function
- discrimination
- 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.)
- Expired - Fee Related
Links
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Description
【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σi 2,σj 2(サンプル数:ni,nj)と、両群全体の平均値YT、分散σT 2(サンプル数:nT(=ni+nj))を算出する。
【0037】
ここで、級内分散をσW 2とすると、級内分散σW 2は
σW 2=(niσi 2+njσj 2)/nT
級間分散をσB 2とすると、級間分散σB 2は
σB 2=(ni(Yi−YT)2+nj(Yj−YT)2)/nT
となる。
【0038】
また、σT 2=σW 2+σB 2となるので、相関比は、次のように算出される。
相関比Cij=σB 2/σT 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
12 2群判別分析装置
14 記憶装置
16 制御装置
18 出力装置
Claims (5)
- 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。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP24561893A JP3703858B2 (ja) | 1993-09-30 | 1993-09-30 | 帰属度判別装置 |
TW083107933A TW290663B (ja) | 1993-09-30 | 1994-08-30 | |
KR1019940024399A KR100328119B1 (ko) | 1993-09-30 | 1994-09-28 | 귀속도판별장치 |
US08/314,008 US5619990A (en) | 1993-09-30 | 1994-09-28 | Apparatus and method for making a medical diagnosis by discriminating attribution degrees |
EP94402172A EP0646881B1 (en) | 1993-09-30 | 1994-09-29 | Apparatus and method for assisting a medical diagnosis by discriminating attribution degrees |
DE69432885T DE69432885D1 (de) | 1993-09-30 | 1994-09-29 | Vorrichtung und Verfahren zur Unterstützung einer medizinischen Diagnose durch die Unterscheidung von Zuordnungsgraden |
CN94117002A CN1099652C (zh) | 1993-09-30 | 1994-09-30 | 归属度判别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP24561893A JP3703858B2 (ja) | 1993-09-30 | 1993-09-30 | 帰属度判別装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH07105166A JPH07105166A (ja) | 1995-04-21 |
JP3703858B2 true JP3703858B2 (ja) | 2005-10-05 |
Family
ID=17136376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP24561893A Expired - Fee Related JP3703858B2 (ja) | 1993-09-30 | 1993-09-30 | 帰属度判別装置 |
Country Status (7)
Country | Link |
---|---|
US (1) | US5619990A (ja) |
EP (1) | EP0646881B1 (ja) |
JP (1) | JP3703858B2 (ja) |
KR (1) | KR100328119B1 (ja) |
CN (1) | CN1099652C (ja) |
DE (1) | DE69432885D1 (ja) |
TW (1) | TW290663B (ja) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5797839A (en) * | 1996-12-23 | 1998-08-25 | Apple Blossom, Llc | Homeopathic treatment selection system and method |
US5860917A (en) * | 1997-01-15 | 1999-01-19 | Chiron Corporation | Method and apparatus for predicting therapeutic outcomes |
US6059724A (en) * | 1997-02-14 | 2000-05-09 | Biosignal, Inc. | System for predicting future health |
US6110109A (en) * | 1999-03-26 | 2000-08-29 | Biosignia, Inc. | System and method for predicting disease onset |
US20040265874A1 (en) * | 2000-10-17 | 2004-12-30 | Bio-Rad Laboratories, Inc. | Pattern recognition method for diagnosis of systemic autoimmune diseases |
US7640175B1 (en) * | 2000-12-08 | 2009-12-29 | Ingenix, Inc. | Method for high-risk member identification |
WO2003036657A1 (fr) | 2001-10-19 | 2003-05-01 | Asahi Glass Company, Limited | Substrat a couche d'oxyde conductrice transparente, son procede de production et element de conversion photoelectrique |
US8560582B2 (en) * | 2002-08-12 | 2013-10-15 | Jeffrey Saul Harris | Method for analyzing records in a data base |
US20040030584A1 (en) * | 2002-08-12 | 2004-02-12 | Harris Jeffrey Saul | System and method for guideline-based, rules assisted medical and disability management |
JP4555230B2 (ja) * | 2003-09-11 | 2010-09-29 | 株式会社日立メディコ | 生体光計測装置 |
JP4925364B2 (ja) * | 2006-01-20 | 2012-04-25 | ベックマン コールター, インコーポレイテッド | 鉄欠乏を検出する方法 |
US20110172545A1 (en) * | 2008-10-29 | 2011-07-14 | Gregory Zlatko Grudic | Active Physical Perturbations to Enhance Intelligent Medical Monitoring |
US11395594B2 (en) * | 2008-10-29 | 2022-07-26 | Flashback Technologies, Inc. | Noninvasive monitoring for fluid resuscitation |
US11382571B2 (en) * | 2008-10-29 | 2022-07-12 | Flashback Technologies, Inc. | Noninvasive predictive and/or estimative blood pressure monitoring |
US11478190B2 (en) * | 2008-10-29 | 2022-10-25 | Flashback Technologies, Inc. | Noninvasive hydration monitoring |
US11395634B2 (en) * | 2008-10-29 | 2022-07-26 | Flashback Technologies, Inc. | Estimating physiological states based on changes in CRI |
US20160038043A1 (en) * | 2008-10-29 | 2016-02-11 | Flashback Technologies, Inc. | Assessing Effectiveness of CPR |
US11406269B2 (en) * | 2008-10-29 | 2022-08-09 | Flashback Technologies, Inc. | Rapid detection of bleeding following injury |
US8512260B2 (en) | 2008-10-29 | 2013-08-20 | The Regents Of The University Of Colorado, A Body Corporate | Statistical, noninvasive measurement of intracranial pressure |
US20110282169A1 (en) * | 2008-10-29 | 2011-11-17 | The Regents Of The University Of Colorado, A Body Corporate | Long Term Active Learning from Large Continually Changing Data Sets |
US11857293B2 (en) * | 2008-10-29 | 2024-01-02 | Flashback Technologies, Inc. | Rapid detection of bleeding before, during, and after fluid resuscitation |
US20100204590A1 (en) * | 2009-02-09 | 2010-08-12 | Edwards Lifesciences Corporation | Detection of Vascular Conditions Using Arterial Pressure Waveform Data |
JP5538749B2 (ja) * | 2009-06-03 | 2014-07-02 | キヤノン株式会社 | 診断支援システム及びその診断支援方法、プログラム |
EP3246709A3 (en) | 2010-09-16 | 2018-02-14 | The General Hospital Corporation | Red blood cell dynamics for diagnosis |
EP2734103B1 (en) | 2011-07-22 | 2020-12-23 | Flashback Technologies, Inc. | Hemodynamic reserve monitor and hemodialysis control |
CN105389465B (zh) * | 2015-10-29 | 2018-09-28 | 徐翼 | 病历数据处理方法、装置以及系统 |
WO2017106461A1 (en) | 2015-12-15 | 2017-06-22 | The General Hospital Corporation | Methods of estimating blood glucose and related systems |
US11293852B2 (en) | 2016-04-07 | 2022-04-05 | The General Hospital Corporation | White blood cell population dynamics |
US11918386B2 (en) | 2018-12-26 | 2024-03-05 | Flashback Technologies, Inc. | Device-based maneuver and activity state-based physiologic status monitoring |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1238105A1 (ru) * | 1984-12-05 | 1986-06-15 | Военно-Медицинская Ордена Ленина Краснознаменная Академия Им.С.М.Кирова | Вычислительное устройство дл диагностики заболеваний |
US4844086A (en) * | 1987-04-13 | 1989-07-04 | The Children's Medical Center Corporation | Cross correlation analysis in brain electrical activity mapping |
US5083571A (en) * | 1988-04-18 | 1992-01-28 | New York University | Use of brain electrophysiological quantitative data to classify and subtype an individual into diagnostic categories by discriminant and cluster analysis |
NO893113L (no) * | 1988-08-03 | 1990-02-05 | Chevron Res | Fremgangsmaate og anlegg for aa unngaa fastkiling under broennboring, saerlig basert paa sannsynlighetsberegninger. |
DK0409956T4 (da) * | 1989-01-17 | 2004-09-06 | James N Macri | Down's syndrom-screeningmetode |
US5012675A (en) * | 1989-07-25 | 1991-05-07 | Amoco Corporation | Integrating multiple mappable variables for oil and gas exploration |
-
1993
- 1993-09-30 JP JP24561893A patent/JP3703858B2/ja not_active Expired - Fee Related
-
1994
- 1994-08-30 TW TW083107933A patent/TW290663B/zh active
- 1994-09-28 KR KR1019940024399A patent/KR100328119B1/ko not_active IP Right Cessation
- 1994-09-28 US US08/314,008 patent/US5619990A/en not_active Expired - Fee Related
- 1994-09-29 EP EP94402172A patent/EP0646881B1/en not_active Expired - Lifetime
- 1994-09-29 DE DE69432885T patent/DE69432885D1/de not_active Expired - Lifetime
- 1994-09-30 CN CN94117002A patent/CN1099652C/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
DE69432885D1 (de) | 2003-08-07 |
CN1121207A (zh) | 1996-04-24 |
TW290663B (ja) | 1996-11-11 |
EP0646881A3 (en) | 1996-03-06 |
US5619990A (en) | 1997-04-15 |
KR100328119B1 (ko) | 2002-06-22 |
EP0646881A2 (en) | 1995-04-05 |
JPH07105166A (ja) | 1995-04-21 |
EP0646881B1 (en) | 2003-07-02 |
CN1099652C (zh) | 2003-01-22 |
KR950009256A (ko) | 1995-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3703858B2 (ja) | 帰属度判別装置 | |
Qin et al. | A machine learning methodology for diagnosing chronic kidney disease | |
CN109036553B (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
Lin et al. | Statistical methods in assessing agreement: Models, issues, and tools | |
US9743888B2 (en) | Residual-based monitoring of human health | |
CN104809226B (zh) | 一种早期分类不平衡多变量时间序列数据的方法 | |
Starfield | Measurement of outcome: a proposed scheme | |
CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
CN108135548A (zh) | 用于监测压力状态的方法和系统 | |
Hand | Statistical methods in diagnosis | |
Ho et al. | Imputation-enhanced prediction of septic shock in ICU patients | |
Young et al. | Interactive scaling with individual subjects | |
Amaral et al. | Differential diagnosis of asthma and restrictive respiratory diseases by combining forced oscillation measurements, machine learning and neuro-fuzzy classifiers | |
Shah et al. | Extraction of Dynamical Information and Classification of Heart Rate Variability Signals Using Scale Based Permutation Entropy Measures. | |
AU2018200093A1 (en) | Residual-based monitoring of human health | |
Jørgensen et al. | Use of neural networks to diagnose acute myocardial infarction. I. Methodology | |
Koukouvinos et al. | Classification methods and ROC analysis for outcome prediction of patients following injuries | |
Power et al. | Separation of normals, neurotics and simulating malingerers on the MPI by means of discriminant function analysis | |
Derevyagin et al. | Applying Neural Networks in Polygraph Testing | |
Hsu | Discriminant analysis: A comment. | |
CN115620917A (zh) | 一种重症监护数据处理方法、应用及设备 | |
McGonigal | A new technique for survival prediction in trauma care using a neural network | |
EISEN et al. | Defining measurement precision for effort dependent tests: the case of three neurobehavioural tests | |
Trace et al. | Testing pattern recognition as a method for measuring severity of illness | |
Ballante | Statistical and Machine Learning Models for Neurosciences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040113 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040312 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20040428 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20040604 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050721 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |