JP5291625B2 - 決定論的モデルから確率論的モデルを導出する方法および装置 - Google Patents

Description

関連出願への相互参照
本願は同時に出願される「心臓血管機能をエミュレートする動的ベイジアン・ネットワーク（Dynamic Byasian Network for Emulating Cardiovascular Function）」という名称の米国特許出願（代理人整理番号US006844）に関係している。該出願の開示は明記によりここに参照によって組み込まれる。

動的な系のモデル化（modeling）は結果または帰結を予測することにおいて有用であることがある。一つの型のモデル化は決定論的モデル化として知られている。決定論的モデル化においては、動的な系について変数が決定される。モデルの普通の使用は、現実の系の将来の振る舞いを予測することである。一般的なモデルが特定の系を表すよう、パラメータを調整することができる。ひとたびパラメータが設定されたら、確率論的モデルはこれらの変数がある値をもつ確率を生成するのに対して、決定論的モデルは関心のある変数の厳密な値を生成する。

もう一つの型のモデルは確率論的モデルである。しかしながら、定義により、確率論的な解は決定論的な解ほど精密ではない。確率論的モデルの一つの重要な利点は、その本性上、欠けている入力変数や不確実な入力変数を扱うことができることである。確率論的モデルの確率は、本来的に、その変数における不確実性を反映し、よって入力変数の不正確さは出力変数の確率分布にあまり影響しない。同様に、入力変数が欠けているときでも、その確率分布はわかり、出力変数の確率分布を計算するために使うことができる。

J・ハルスト（Hulst）、「動的ベイジアン・ネットワークを使った生理学的プロセスのモデル化（Modeling Physiological Processes using Dynamic Bayesian Networks）」、米国ピッツバーグ大学の理学修士号請求論文、2006年

必要とされているのは、少なくとも上記の欠点を克服するモデル化の方法および装置である。

代表的な実施形態では、決定論的モデルから確率論的モデルを導出するシステムが：検証済み決定論的モデル（VDM: validated deterministic model）と；VDMからデータを受領し、確率論的モデルを生成するよう動作する機械学習アルゴリズム（MLA: machine learning algorithm）とを含む。

もう一つの代表的な実施形態では、人における変数をエミュレートするシステムが：患者データを提供するよう動作する検証済み決定論的モデル（VDM: validated deterministic model）と；VDMから患者データを受領し、確率論的モデルを生成するよう動作する機械学習アルゴリズム（MLA: machine learning algorithm）とを有する。エミュレートする変数（the emulating variables）を提供するために、入力変数は確率論的モデルに提供される。

ある代表的な実施形態に基づく、決定論的モデルから確率論的モデルを導出するシステムの概念図である。 ある代表的な実施形態に基づく、動的ベイジアン・ネットワーク（DBN: dynamic Bayesian network）の生成を表すフローチャートである。 ある代表的な実施形態に基づく、DBNの展開を表すフローチャートである。 ある代表的な実施形態に基づく、DBNを使って患者データをエミュレートするシステムの概念図である。

以下の詳細な説明では、限定ではなく説明のために、本願の教示の十全な理解を提供するために個別的な詳細を開示する例示的な実施形態が記載される。さらに、よく知られた装置、ハードウェア、ソフトウェア、ファームウェア、方法およびシステムの説明は、例示的な実施形態の記述を埋没させるのを防ぐよう、省略されることがある。それでも、当業者の認識範囲内にあるそのようなハードウェア、ソフトウェア、ファームウェア、装置、方法およびシステムが例示的な実施形態に基づいて使用されうる。最後に、現実的なところではどこでも、同様の参照符号は同様の特徴を指す。

以下の詳細な説明は、コンピュータ可読媒体内のデータ・ビットの操作のルーチンおよび記号的表現、データ取得カードを備えた関連するプロセッサ、マイクロプロセッサ、汎用パーソナル・コンピュータ、製造設備などによって具現されうる。一般に、本願の方法は、所望の結果に導くステップまたは動作のシーケンスであると考えられるものであり、よって「ルーチン」「プログラム」「オブジェクト」「関数」「サブルーチン」および「プロシージャ」といった当技術分野の用語を包含するものである。

例示的実施形態の装置および方法は、人間の心臓血管系の試験の実装において記載される。これは単に例示的なものであることを強調しておく。また、本願の装置および方法は他のモデル化環境で実装されてもよいことを強調しておく。たとえば、当業者は、本願の教示を見たあとでは、本願の教示を他の生理的な系の試験に適応させうる。さらに、本願の装置および方法は、動物を治療するために獣医学的な試験において実装されてもよい。

図１は、ある代表的な実施形態に基づく、決定論的モデルから確率論的モデルを導出するシステム１００の概念図である。システム１００は、現実の（real-life）系（単数または複数）１０２を表現する検証済み決定論的モデル（VDM）１０１を含む。VDM１０１は図のようにパラメータ１０３を集める。VDM１０１の出力はデータの諸セット１０４であり、これは機械学習アルゴリズム１０５に与えられる。アルゴリズム１０５はデータ１０４および分野専門知識（domain expertise）１０６を使って、機械学習アルゴリズム（MLA）を介して確率論的モデル１０７を生成する。確率論的モデル１０７は入力変数１０８を受領し、出力変数を生成する。こうして、決定論的モデル１０１は確率論的モデル１０７を導出するために使用される。

ある代表的な実施形態では、システム１００は、人体内におけるある種の生理的変数をエミュレートするために使用される。たとえば、システム１００によって心臓血管系（CV: cardiovascular system）がモデル化され、CardioOutput〔心臓血管出力量〕のような通常は侵襲的な変数がエミュレートされうる。ここでもまた、これは単にシステム１００の例示的な応用であることを強調しておく。

VDM１０１は例示的にはDBNである。そのようなネットワークは、常微分方程式（ODE: ordinary differential equation）の系から導出されうるもので、たとえばハルストによる非特許文献１に記載されているものでもよい。この文献の開示はここに明示的に参照によって組み込まれる。さらに、モデルのODEはMatLabまたは他の市販のソフトウェアにおいて表現されていてもよい。

現実の系１０２は生理的な系である。変数は、調査対象の機能に影響しうるいくつかの変数から選択される。たとえば、心臓血管系がモデル化され、出力が心臓の駆出率（EJ: ejection fraction）である例示的な実施形態では、最も直接的にEFに影響する変数がVDMに与えられる。

前記のように、さらにパラメータ１０３が前記変数を定義する。パラメータは典型的には変数に影響する制御値である。変数は、モデル方程式または規則によって解かれる対象であり、時間とともに変わりうる系の状態を表す。一例として、心臓血管系では、血管コンプライアンスがパラメータであり、一方、大動脈血圧および流れ（flow）が変数である。

これらのパラメータ１０３はたとえば、VDMの微分方程式の係数であってもよい。一般に、パラメータ１０３は使用される決定論的モデルにおける異なる変数の相互関係（たとえば重み付け）に関係している。ある種の実施形態では、これらのパラメータはたとえば、あるクラスの患者からの臨床データに基づいていてもよいし、あるいは医療条件に関係するような特定の変数の厳しさ（severity）に基づいていてもよい。

VDM１０１は、MLA１０５で使うためのデータを提供する。これらのデータは前記モデルから得られた決定論的なデータであり、所望の変数の確率論的な計算において有用である。理解されるであろうように、また本稿においてより十全に記載されるように、諸変数または変数の諸セットの確率をより一般的にまたは包括的に決定するためには、提供されるデータの量が多いほど、結果は精確になる。さらに、データ１０４は、確率論的モデルから直接得ることができるよりも高い信頼性の度合いを与える。

分野専門知識１０６は、モデル化される現実の系の分野における専門家、たとえば医師によって与えられるような知識を含む。特に、この専門知識は、前記相互参照される出願において記載されるようなモデルのノードおよびその相互関係を定義するために使用できる。また、確率論的モデルのパラメータの数値的な値を確立するためにも使用できる。しかしながら、文献から知られるように、これは時間がかかり、不正確さを導入する。したがって、本発明は、VDMによって提供されるデータからMLAによってこれらの数値的なパラメータを学習することを提案する。

MLA１０８は、データから確率論的モデル１０７を生成する。MLA１０８はたとえば、非特許文献１のハルストの論文において記載されているものでもよいし、米国ペンシルヴェニア州ピッツバーグ大学のGeNIeツールの学習アルゴリズムであってもよい。

図２は、ある代表的な実施形態に基づく動的ベイジアン・ネットワーク（DBN）の生成を表すフローチャートである。この代表的な実施形態のある種の詳細は図１との関連で記載されており、繰り返さない。たとえば医師からの生理学的な知識がステップ２０１で提供される。この知識がDBN構造を与えるために使われる。DBNパラメータを与えるためにも使用されうる（A）。しかしながら、有利なことに、これらのパラメータは、その代わりに、機械学習アルゴリズム１０８を介して、VDM１０１によって与えられる患者データから導出されることができる。当業者にはわかるように、この後者（B）を前者（A）と組み合わせることが可能であることを注意しておく。さらに、パラメータAは患者の全人口について一回確立されることもできるし、あるいは患者の複数のクラスについて複数回確立されることもできる。後者はDBNが種々の型の患者、たとえばさまざまな心臓血管病理をもつ患者に適応されることを許容する。究極的には、DBNは（たとえば）変数、その確率論的関係およびパラメータによって定義されるそれらの関係の強さを表すファイルとして提供される。

図３は、ある代表的な実施形態に基づくDBNの展開（deployment）を表すフローチャートである。図１および図２のシステムおよび方法のある種の詳細はここで述べる展開と共通であるので、本記載を埋没させるのを避けるためにこれらの詳細は省略される。

この例示的な実施形態では、３０１に示されるように、ICUにおいて患者から測定されたデータが確率論的モデルに提供される。さらに、現在の患者の型（または分類）を示すパラメータが提供されることができる。たとえば、患者が以前に心筋梗塞を患ったことがあるかどうかを示すパラメータである。確率論的モデル１０９はこれらのデータを受け取り、適切なパラメータのクラスをDBNモデルのために選択し、該モデルを介して、該患者クラスに従って患者をエミュレートする。たとえば、駆出率または心臓出力がエミュレートされてもよい。エミュレートされたデータは次いでヘルスケア提供者にチャートまたは他の表現を介して提供される。

図４は、上記の概念を実装して医師または他のヘルスケア提供者に患者エミュレーションを提供するシステムである。図１および図２のシステムおよび方法のある種の詳細はここで述べる展開と共通であるので、本記載を埋没させるのを避けるためにこれらの詳細は省略される。

入力側では、グラフィック・ユーザー・インターフェース（GUI）または他の好適なインターフェース機構を介して、特定の患者についてのパラメータが提供される。これらのデータは、心拍数および血圧といった患者固有データに加えて患者クラス・データおよび他の同様のデータを含んでいてもよい。これらのデータおよびたとえばファイルにおいて表現されるDBNファイルを用いて、DBN推論エンジンは所望のデータを計算する。

DBN推論エンジンによって与えられる出力確率は、ユーザーに対する好適な呈示のために後処理されることができる。これはチャート、表などを与えるための標準的なソフトウェアを介して実行されてもよい。最後に、別のGUIが、ヘルスケア提供者が容易に使える形で出力を提供する。

本稿では代表的な実施形態が開示されているが、本発明の概念および範囲にはいる多くの変形が可能である。そのような変形は、本明細書、図面および請求項を吟味した後では、当業者には明白となるであろう。したがって、本発明は、付属の請求項の精神および範囲内というほかは制約されるものではない。

Claims (10)

1. 決定論的モデルから確率論的モデルを導出するシステムであって：
   生理的な系をモデル化する、生理的な系の状態を表す変数を含む検証済み決定論的モデル（VDM）と；
   前記VDMからデータを受領し、確率論的モデルを生成するよう動作する機械学習アルゴリズム（MLA）とを有する、
   システム。
2. 前記MLAがさらに他のパラメータを受領する、請求項１記載のシステム。
3. 前記確率論的モデルが入力変数を受領し、展開の際に出力変数を提供する、請求項１記載のシステム。
4. 人における変数をエミュレートするシステムであって：
   生理的な系をモデル化し、生理的な系の状態を表す変数を含む、患者データを提供するよう動作する検証済み決定論的モデル（VDM）と；
   前記VDMから患者データを受領し、確率論的モデルを生成するよう動作する機械学習アルゴリズム（MLA）とを有し、エミュレートする変数を提供するために前記確率論的モデルに入力変数が提供される、
   システム。
5. 前記MLAがさらに他のパラメータを受領する、請求項４記載のシステム。
6. 前記確率論的モデルに提供される前記入力変数が測定された患者データである、請求項４記載のシステム。
7. 前記MLAが患者情報に基づく前記他のパラメータを受領する、請求項４記載のシステム。
8. 前記患者情報が患者クラス固有のデータを含む、請求項７記載のシステム。
9. 前記のVDMの変数が、時間的に変化する生理的な系の状態を表す、請求項４記載のシステム。
10. 前記のVDMの変数が、時間的に変化する生理的な系の状態を表す、請求項１記載のシステム。

Images