JP6818275B2 - 要因分析装置 - Google Patents
要因分析装置 Download PDFInfo
- Publication number
- JP6818275B2 JP6818275B2 JP2017103337A JP2017103337A JP6818275B2 JP 6818275 B2 JP6818275 B2 JP 6818275B2 JP 2017103337 A JP2017103337 A JP 2017103337A JP 2017103337 A JP2017103337 A JP 2017103337A JP 6818275 B2 JP6818275 B2 JP 6818275B2
- Authority
- JP
- Japan
- Prior art keywords
- output
- input
- value
- values
- contribution
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
以下、入力項目に設定される値を「入力値」とよび、複数の入力値の集合を「入力」、出力ノードの処理結果を「出力値」、1以上の出力値の集合を「出力」または「結果」とよぶ。
影響値算出部は、複数の影響値それぞれの絶対値を合計することにより調整値を算出し、複数の影響値それぞれを調整値で除することにより影響値を補正した後、非正規入力または無入力の入力項目の数に応じた補正係数により前記影響値を更に補正する。
寄与度算出部は、非正規値またはゼロとなる影響値を除外した上で、入力項目ごとに、複数のデータセットそれぞれから得られた影響値の平均値を第1寄与度および第2寄与度として算出し、第1寄与度の絶対値と第2寄与度の絶対値の合計値に基づいて、入力項目ごとの出力に対する寄与度を算出する。
病因分析システム100において、病因分析装置102は、インターネット110を介して、病院108および複数のクライアント端末106a、106b・・・106n(以下、まとめて言うときや特に区別しないときには「クライアント端末106」と総称する)と接続される。クライアント端末106は、スマートフォンなどの携帯端末であってもよいし、ラップトップPCなどの汎用コンピュータであってもよい。クライアント端末106とインターネット110は無線接続されるが、有線接続されてもよい。クライアント端末106のユーザ(被験者)には、あらかじめユーザIDが付与される。
病因分析装置102の各構成要素は、CPU(Central Processing Unit)および各種コプロセッサなどの演算器、メモリやストレージといった記憶装置、それらを連結する有線または無線の通信線を含むハードウェアと、記憶装置に格納され、演算器に処理命令を供給するソフトウェアによって実現される。コンピュータプログラムは、デバイスドライバ、オペレーティングシステム、それらの上位層に位置する各種アプリケーションプログラム、また、これらのプログラムに共通機能を提供するライブラリによって構成されてもよい。以下に説明する各ブロックは、ハードウェア単位の構成ではなく、機能単位のブロックを示している。
病因分析装置102は、ウェブサーバを含む構成であってもよいし、クライアント端末106は、携帯型の通信端末と、これにインストールされたウェブブラウザを含む構成であってもよい。
病因分析装置102は、ユーザインタフェース処理部120、通信部124、データ処理部122およびデータ格納部126を含む。
ユーザインタフェース処理部120は、タッチパネル、マウス、キーボード等の入力インタフェースを介してユーザからの操作を受け付けるほか、画像表示や音声出力など、ユーザインタフェースに関する処理を担当する。通信部124は、インターネット110を介してクライアント端末106および病院108(病院108のシステム)との通信処理を担当する。データ格納部126は各種データを格納する。データ処理部122は、ユーザインタフェース処理部120や通信部124により取得されたデータ、データ格納部126に格納されているデータに基づいて各種処理を実行する。データ処理部122は、ユーザインタフェース処理部120、通信部124およびデータ格納部126のインタフェースとしても機能する。
データセット取得部136は、クライアント端末106から摂食情報、病院108から罹患情報を取得する。一人の被験者についての摂食情報と罹患情報をまとめて「データセット」とよぶ。摂食情報は、選択式のアンケートに対する被験者の回答から得る。
入力設定部104は、摂食情報に基づいて、各病因モデルの入力値を設定する。たとえば、被験者P1が食品Aを1週間あたり4回摂取し、1回の摂取量が「少しだけ」であるとき、入力設定部104は食品A(入力項目)の入力値を4×1=4として算出し、病因モデルにおける食品Aに対応する入力ノードに「4」を設定する。入力設定部104は、入力値を既知の方法により0〜1の範囲に正規化してもよい。
本実施形態における病因モデル160は、ニューラルネットワークにより形成される。図3に示す病因モデル160は、入力層、出力層および2層の中間層1,2を含む。病因モデル160は病気ごとに用意されるが、以下においては脳卒中に対応する病因モデル160を対象として説明する。すなわち、図3に示す病因モデル160は、ある人の摂食履歴に基づいて、その人が将来的に脳卒中になる可能性を予測するためのモデルである。
ユーザID=P01の被験者(以下、「被験者(P01)」のように表記する)は、脳卒中の経験者である。このため、出力設定部112は学習に際して「偽」に対応する出力値y1に「−1」、「真」に対応する出力値y2に「+1」を設定する。入力設定部104は、脳卒中の病因モデル160の各入力ノードに被験者(P01)の摂食情報に基づいて入力値を設定する。これらが教師データとなる。
影響値算出部116は、更に、第1影響値Eを下記の方法により補正する。まず、下記の式(8)により、第1影響値Ek(1≦k≦n)から中間影響値Fkを計算する。
(C1)脳卒中にかかっていない被験者が、食品kを多量に摂取しているとき、食品kは脳卒中に対してポジティブに影響する、いいかえれば、食品kの出力値y1に対する第2影響値Gkが高くなる。
(C2)脳卒中にかかっていない被験者が、食品k以外の食品をあまり摂取していないとき、いいかえれば、食品kを偏食しているとき、第2影響値Gkは高くなる。
(C3)脳卒中にかかっていない被験者が、食品k以外の多くの食品について無回答であるとき、いいかえれば、アンケートにおける有効回答が少ないときには、第2影響値Gkは高くなる。補正係数は、無回答または不正規回答が多いときに、この被験者からえられたデータセットの病因モデル160に対する影響力を抑制する。
図6に示す処理は、被験者から新たなデータセットが取得されるごとに実行される。データセット取得部136は、ある被験者からデータセット(摂食情報と罹患情報)を取得する(S10)。入力設定部104は、摂食情報から入力値を計算し、病因モデル160の入力ノードに設定する(S12)。出力設定部112は、罹患情報に基づいて、病因モデル160の出力ノードに出力値(正解の値)を設定する(S14)。
寄与度算出部118は、複数のデータセットについて、入力項目ごとに第2影響度Gの平均値を算出する。食品kの出力y1に対する第2影響度Gk1の平均値を「第1寄与度Hk1」、食品kの出力y2に対する第2影響度Gk2の平均値を「第2寄与度Hk2」とよぶ。寄与度は、複数の被験者についての結果(脳卒中)に対する要因(食品)それぞれの影響力を示すものである。
病因分析装置102(要因分析装置)によれば、結果に対するさまざまな入力項目(要因)の寄与度を定量評価できる。結果に影響を及ぼす思わぬ要因を特定できる可能性がある。寄与度を計算することにより、入力項目を絞りやすくなる。回答対象となる食品数が多い場合、アンケートに答えて摂食情報を提供する作業が煩雑化する可能性がある。寄与度に基づいて、病気に影響しにくい食品をアンケート項目から外すことにより、アンケートの選択肢を合理的に削減できる。
Claims (7)
- 出力値および複数の入力値を含むデータセットを取得するデータセット取得部と、
前記データセットに含まれる前記複数の入力値をニューラルネットワーク・モデルの複数の入力ノードに設定する入力設定部と、
前記データセットに含まれる前記出力値を前記ニューラルネットワーク・モデルの出力ノードに設定する出力設定部と、
前記出力値および前記複数の入力値に基づいて、前記ニューラルネットワーク・モデルに含まれる複数のノードの重み係数を調整するモデル調整部と、
前記重み係数の調整結果に基づいて、前記出力値に対する複数の入力項目それぞれの影響値を算出する影響値算出部と、
複数のデータセットに基づいて算出された影響値に基づいて、複数の入力項目それぞれの出力に対する寄与度を算出する寄与度算出部と、を備え、
前記影響値算出部は、前記複数の影響値それぞれの絶対値を合計することにより調整値を算出し、前記複数の影響値それぞれを前記調整値で除することにより前記複数の影響値を補正することを特徴とする要因分析装置。 - 前記影響値算出部は、非正規入力または無入力の入力項目の数に応じた補正係数により、前記影響値を更に補正することを特徴とする請求項1に記載の要因分析装置。
- 出力値および複数の入力値を含むデータセットを取得するデータセット取得部と、
前記データセットに含まれる前記複数の入力値をニューラルネットワーク・モデルの複数の入力ノードに設定する入力設定部と、
前記データセットに含まれる前記出力値を前記ニューラルネットワーク・モデルの出力ノードに設定する出力設定部と、
前記出力値および前記複数の入力値に基づいて、前記ニューラルネットワーク・モデルに含まれる複数のノードの重み係数を調整するモデル調整部と、
前記重み係数の調整結果に基づいて、前記出力値に対する複数の入力項目それぞれの影響値を算出する影響値算出部と、
複数のデータセットに基づいて算出された影響値に基づいて、複数の入力項目それぞれの出力に対する寄与度を算出する寄与度算出部と、を備え、
前記寄与度算出部は、入力項目ごとに、前記複数のデータセットそれぞれから得られた影響値の平均値を前記寄与度として算出することを特徴とする要因分析装置。 - 前記寄与度算出部は、非正規値またはゼロとなる影響値を平均値計算から除外することを特徴とする請求項3に記載の要因分析装置。
- 出力値および複数の入力値を含むデータセットを取得するデータセット取得部と、
前記データセットに含まれる前記複数の入力値をニューラルネットワーク・モデルの複数の入力ノードに設定する入力設定部と、
前記データセットに含まれる前記出力値を前記ニューラルネットワーク・モデルの出力ノードに設定する出力設定部と、
前記出力値および前記複数の入力値に基づいて、前記ニューラルネットワーク・モデルに含まれる複数のノードの重み係数を調整するモデル調整部と、
前記重み係数の調整結果に基づいて、前記出力値に対する複数の入力項目それぞれの影響値を算出する影響値算出部と、
複数のデータセットに基づいて算出された影響値に基づいて、複数の入力項目それぞれの出力に対する寄与度を算出する寄与度算出部と、を備え、
前記データセット取得部は、前記複数の入力値とともに互いに背反する第1の出力値および第2の出力値を取得し、
前記出力設定部は、前記第1および第2の出力値を前記ニューラルネットワーク・モデルの第1および第2の出力ノードに設定し、
前記モデル調整部は、前記複数の入力値と前記第1および第2の出力値に基づいて、前記ニューラルネットワーク・モデルに含まれる複数のノードの重み係数を調整し、
前記影響値算出部は、前記重み係数の調整結果に基づいて、前記第1および第2の出力値それぞれについて、複数の入力項目それぞれの影響値を算出し、
前記寄与度算出部は、前記第1の出力値に対する入力項目ごとの第1寄与度と、前記第2の出力値に対する入力項目ごとの第2寄与度を算出することを特徴とする要因分析装置。 - 前記寄与度算出部は、前記第1寄与度の絶対値と前記第2寄与度の絶対値の合計値に基づいて、入力項目ごとの寄与度を算出することを特徴とする請求項5に記載の要因分析装置。
- 出力値および複数の入力値を含むデータセットを取得する機能と、
前記データセットに含まれる前記複数の入力値をニューラルネットワーク・モデルの複数の入力ノードに設定する機能と、
前記データセットに含まれる前記出力値を前記ニューラルネットワーク・モデルの出力ノードに設定する機能と、
前記出力値および前記複数の入力値に基づいて、前記ニューラルネットワーク・モデルに含まれる複数のノードの重み係数を調整する機能と、
前記重み係数の調整結果に基づいて、前記出力値に対する複数の入力項目それぞれの影響値を算出する機能と、
複数のデータセットに基づいて算出された影響値に基づいて、複数の入力項目それぞれの出力に対する寄与度を算出する機能と、をコンピュータに発揮させ、
前記複数の入力値とともに互いに背反する第1の出力値および第2の出力値を取得し、
前記第1および第2の出力値を前記ニューラルネットワーク・モデルの第1および第2の出力ノードに設定し、
前記複数の入力値と前記第1および第2の出力値に基づいて、前記ニューラルネットワーク・モデルに含まれる複数のノードの重み係数を調整し、
前記重み係数の調整結果に基づいて、前記第1および第2の出力値それぞれについて、複数の入力項目それぞれの影響値を算出し、
前記第1の出力値に対する入力項目ごとの第1寄与度と、前記第2の出力値に対する入力項目ごとの第2寄与度を算出することを特徴とする要因分析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017103337A JP6818275B2 (ja) | 2017-05-25 | 2017-05-25 | 要因分析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017103337A JP6818275B2 (ja) | 2017-05-25 | 2017-05-25 | 要因分析装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018198027A JP2018198027A (ja) | 2018-12-13 |
JP6818275B2 true JP6818275B2 (ja) | 2021-01-20 |
Family
ID=64663866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017103337A Active JP6818275B2 (ja) | 2017-05-25 | 2017-05-25 | 要因分析装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6818275B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059966A (zh) * | 2019-04-23 | 2019-07-26 | 成都四方伟业软件股份有限公司 | 影响因素的贡献力分析方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2821580B2 (ja) * | 1990-09-26 | 1998-11-05 | 株式会社日立製作所 | ニューラルネット応用運転支援システム |
JPH0764945A (ja) * | 1993-08-30 | 1995-03-10 | Fujitsu Ltd | ニューラルネットワーク |
JP3485420B2 (ja) * | 1996-08-14 | 2004-01-13 | 三菱電機株式会社 | 大規模ニューラルネットワーク構築装置 |
JP2002092683A (ja) * | 2000-07-14 | 2002-03-29 | Oki Electric Ind Co Ltd | 媒体真偽鑑別装置 |
-
2017
- 2017-05-25 JP JP2017103337A patent/JP6818275B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018198027A (ja) | 2018-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | An additive Gaussian process regression model for interpretable non-parametric analysis of longitudinal data | |
Ferdowsy et al. | A machine learning approach for obesity risk prediction | |
US20200227172A1 (en) | Determining indicators of individual health | |
Dorie et al. | A flexible, interpretable framework for assessing sensitivity to unmeasured confounding | |
US10874355B2 (en) | Methods and apparatus to determine developmental progress with artificial intelligence and user input | |
Steward et al. | Depression is not an inevitable outcome of disclosure avoidance: HIV stigma and mental health in a cohort of HIV-infected individuals from Southern India | |
US10535424B2 (en) | Method for proactive comprehensive geriatric risk screening | |
JP2011501276A (ja) | 健康関連の転帰を予測するためのオンラインコミュニティを使用した自己改善方法 | |
JP2018124702A (ja) | 病因分析装置および疾病予測装置 | |
KR20130132802A (ko) | 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템 | |
JP6516414B2 (ja) | 体重管理システム | |
Liu et al. | Balancing competing needs mediates the association of caregiving demand with caregiver role strain and depressive symptoms of dementia caregivers: A cross‐sectional study | |
Wang et al. | Estimating and testing mediation effects with censored data | |
Iachine et al. | Robust tests for the equality of variances for clustered data | |
Nguyen et al. | Extension of NPDE for evaluation of nonlinear mixed effect models in presence of data below the quantification limit with applications to HIV dynamic model | |
Zhang et al. | Does food vendor density mediate the association between neighborhood deprivation and BMI?: a G-computation mediation analysis | |
He et al. | Multiple imputation of missing data in practice: Basic theory and analysis strategies | |
Chen et al. | Using supervised machine learning approach to predict treatment outcomes of vedolizumab in ulcerative colitis patients | |
Dogan et al. | A utility-based machine learning-driven personalized lifestyle recommendation for cardiovascular disease prevention | |
Dutta et al. | Joint modelling of longitudinal response and time-to-event data using conditional distributions: a Bayesian perspective | |
JP6818275B2 (ja) | 要因分析装置 | |
Lu et al. | Bayesian approaches to variable selection in mixture models with application to disease clustering | |
Demongeot et al. | From susceptibility to frailty in social networks: The case of obesity | |
Maria et al. | Obesity Risk Prediction Using Machine Learning Approach | |
Quiroz | Estimation of obesity levels based on dietary habits and condition physical using computational intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191206 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201012 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201027 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201207 |
|
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: 20201215 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201216 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6818275 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |