JP6915636B2 - 装置、方法およびプログラム - Google Patents

Description

本発明は、装置、方法およびプログラムに関する。

従来、画像を用いた解析を行う種々の技術が提案されている。例えば、特許文献１に記載の技術では、薬量の各値に対応する複数の画像に画像解析を行って特徴量（特定領域の面積や輝度値）を算出し、薬量と特徴量との関係から、反応が生じる薬量を取得する。

また、非特許文献１に記載の技術では、乳腺濃度に従って分類された４種類の画像を用いて学習処理が施されたモデルを用いることで、評価対象画像を４種類の何れかに分類する。

特許文献１ 特開２００９−６３５０９号公報
非特許文献１ 加納拓弥、周向栄、 子安裕美、横山龍二郎、原武史、松尾政之、藤田広志、「Ｄｅｅｐ ＣＮＮに基づくＣＴ画像からの乳腺濃度の自動分類法」、信学技報 ＩＥＩＣＥ Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ 第１１６巻、第３９号、ｐ２１−２５

しかしながら、従来技術では、対象事象が発現するパラメータ値を容易に決定することができない。

上記課題を解決するために、本発明の第１の態様においては、装置が提供される。装置は、対象事象の発現に影響を与えるパラメータの各値に対応する複数の画像を取得する取得部を備えてよい。装置は、パラメータに関する複数の閾値のそれぞれについて、当該閾値を境に異なる属性値を複数の画像の少なくとも一部にそれぞれ付与した学習データセットを生成する生成部を備えてよい。装置は、生成された学習データセットごとに、画像の入力に応じて当該画像の属性を推測する推測モデルを学習する学習処理部を備えてよい。装置は、各推測モデルの推測誤差に応じた評価値を出力する評価値出力部を備えてよい。

装置は、複数の閾値のうち、評価値が最小の推測モデルに対応する閾値に基づいて、対象事象が発現するパラメータの値を決定する決定部をさらに備えてよい。

学習処理部は、各推測モデルについて、対応する学習データセットを用いて学習を繰り返し行ってよい。装置は、複数の閾値のうち、評価値が最も少ない学習回数で基準値以下となった推測モデルに対応する閾値に基づいて、対象事象が発現するパラメータの値を決定する決定部を備えてよい。

生成部は、複数の閾値のそれぞれについて、複数の画像のうち当該閾値を含む範囲内のパラメータの値に対応する複数の画像を用いて学習データセットを生成してよい。

取得部は、対象事象の発現に影響を与える複数のパラメータそれぞれの各値に対応する複数の画像を取得してよい。生成部は、複数のパラメータに関する複数の閾値の複数の組み合わせそれぞれについて、当該組み合わせに含まれる各閾値を境に異なる属性値を複数の画像のそれぞれに付与した学習データセットを生成してよい。

学習処理部は、複数の閾値について生成された複数の学習データセットのそれぞれを用いて、初期条件が等しい複数の推測モデルそれぞれを学習してよい。

学習処理部は、学習済みのモデルを推測モデルとして用い転移学習を行ってよい。
推測モデルは、画像の入力に応じて当該画像の属性値を推測してよい。推測モデルは、画像の入力に応じ、少なくとも１つの属性値について、当該画像が当該属性値を有する確率を推測してよい。

対象事象は、薬の反応であってよい。パラメータは、薬の投与条件であってよい。

本発明の第２の態様においては、方法が提供される。方法は、対象事象の発現に影響を与えるパラメータの各値に対応する複数の画像を取得する取得段階を備えてよい。方法は、パラメータに関する複数の閾値のそれぞれについて、当該閾値を境に異なる属性値を複数の画像の少なくとも一部にそれぞれ付与した学習データセットを生成する生成段階を備えてよい。方法は、生成された学習データセットごとに、画像の入力に応じて当該画像の属性を推測する推測モデルを学習する学習処理段階を備えてよい。方法は、各推測モデルの推測誤差に応じた評価値を出力する評価値出力段階を備えてよい。

本発明の第３の態様においては、プログラムが提供される。プログラムは、コンピュータに、対象事象の発現に影響を与えるパラメータの各値に対応する複数の画像を取得する取得段階を実行させてよい。プログラムは、コンピュータに、パラメータに関する複数の閾値のそれぞれについて、当該閾値を境に異なる属性値を複数の画像の少なくとも一部にそれぞれ付与した学習データセットを生成する生成段階を実行させてよい。プログラムは、コンピュータに、生成された学習データセットごとに、画像の入力に応じて当該画像の属性を推測する推測モデルを学習する学習処理段階を実行させてよい。プログラムは、コンピュータに、各推測モデルの推測誤差に応じた評価値を出力する評価値出力段階を実行させてよい。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本実施形態に係るシステム１を示す。 学習装置２による学習処理を示す。 学習データセットの一例を示す。 投与された薬の量と、従来技術によって算出した分解された細胞質の面積との関係を示す。 推測モデル２５ごとの学習回数と評価値との関係を示す。 本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

［１．システム１］
図１は、本実施形態に係るシステム１を示す。システム１は、推測モデル２５の学習処理を行う学習装置２と、学習された推測モデル２５の運用を行う運用装置３とを備える。本実施形態では一例として、対象事象は薬の反応であってよい。

［１．１．学習装置２］
学習装置２は、装置の一例であり、取得部２０と、生成部２１と、学習処理部２２と、複数の推測モデル２５と、評価値出力部２６と、決定部２７と、入出力インタフェース２８とを備える。

［１．１．１．取得部２０］
取得部２０は、対象事象の発現に影響を与えるパラメータの各値に対応する複数の画像を取得する。例えば、取得部２０は、複数の画像をパラメータの値と対応付けて取得してよい。

各画像は、対象事象の発現の有無を示してよい。例えば、各画像の被写体は、対象事象が発現しているか否かにより形状、大きさ、輝度値、色相、彩度、明度、および、透過率などの少なくとも１つが相違するものであってよい。一例として被写体は、生物の器官や組織、細胞、細胞小器官（例えば核）、有機物（例えばタンパク質や核酸）などの何れかであってよく、生体から採取されたものでよい。

対象事象は薬の反応であってよく、例えば被写体に投与された薬の反応であってよい。本実施形態では一例として、対象事象は、薬の最大反応に対する５０％の反応（単に５０％反応とも称する）であってよい。つまり、対象事象は、ＥＣ（ｈａｌｆ ｍａｘｉｍａｌ Ｅｆｆｅｃｔｉｖｅ Ｃｏｎｃｅｎｔｒａｔｉｏｎ）５０またはＩＣ（ｈａｌｆ ｍａｘｉｍａｌ Ｉｎｈｉｂｉｔｏｒｙ Ｃｏｎｃｅｎｔｒａｔｉｏｎ）５０に対応する反応であってよい。なお、薬の反応は、薬が被写体を変化させる働きであってよく、被写体を健全な状態に変化させてもよいし、異常な状態（一例として破壊された状態）に変化させてもよい。

対象事象の発現に影響を与えるパラメータは、薬の投与条件であってよい。本実施形態では一例として、薬の投与条件は薬の量である。但し、投与条件は温度であってもよいし、薬が反応する状態に被写体をさらした時間（暴露時間とも称する）であってもよい。暴露時間とは、別言すれば、薬の投与から被写体の撮像までの経過時間である。

パラメータの各値は、パラメータの値の上限値および下限値の間で分散してよい。例えば、パラメータの各値はオペレータにより設定されてよく、パラメータ設定値とも称される。複数のパラメータ設定値のそれぞれは、上限値および下限値の間で概ね等間隔となるように設定されてよく、一例として対数で表した場合に上限値および下限値の間で概ね等間隔となるように設定されてよい。パラメータ設定値の個数は、対象事象が発現するパラメータの値（本実施形態では一例として５０％反応が得られる薬の量）を取得する場合に、要求される分解能に応じて設定されてよい。

取得部２０は、各画像を図示しない記憶装置から取得してよい。取得部２０は、取得した画像およびパラメータを生成部２１に供給する。

［１．１．２．生成部２１］
生成部２１は、複数の学習データセットを生成する。生成部２１は、パラメータ（本実施形態では一例として薬の量）に関する複数の閾値のそれぞれについて、当該閾値を境に異なる属性値を複数の画像にそれぞれ付与した１つの学習データセットを生成してよい。

本実施形態では一例として、生成部２１は、閾値ごとに、複数の画像のうち当該閾値以下の薬の量に対応する各画像に対し、薬が５０％未満の反応をしたことを示す属性値「０」を付与し、当該閾値を超える薬の量に対応する各画像に対し、薬が５０％以上の反応をしたことを示す属性値「１」を付与する。生成部２１は、生成した学習データセットを学習処理部２２および評価値出力部２６にそれぞれ供給する。

ここで、パラメータについての複数の閾値は、パラメータの値の上限値および下限値の間で分散するよう予め設定されてよい。例えば、複数の閾値は、上限値および下限値の間で概ね等間隔となるように設定されてよく、一例としてパラメータの値を対数で表した場合に上限値および下限値の間で概ね等間隔となるように設定されてよい。本実施形態では一例として、各閾値は、隣接する２つのパラメータ設定値の間それぞれに設定される。

［１．１．３．学習処理部２２］
学習処理部２２は、生成された学習データセットごとに、複数の推測モデル２５のそれぞれを学習する。学習処理部２２はディープラーニングの手法で学習処理を行ってよい。

［１．１．４．推測モデル２５］
各推測モデル２５は、画像の入力に応じて当該画像の属性を推測する。例えば、各推測モデル２５は、入力される画像の属性値（一例として薬の反応の有無を示す「１」または「０」の値）を推測してよい。本実施形態では一例として、各推測モデル２５は、各属性値について、入力される画像が当該属性値を有する確率（一例として属性値「１」を有する確率、および「０」を有する確率。属性値の推測確率とも称する）を推測する。この場合、各推測モデル２５は属性値ごとの推測確率を返し、入力される画像の対象事象（本実施形態では一例として薬の反応）が完全に発現した状態（発現状態の画像とも称する）に近いほど属性値１の推測確率は１．００（＝１００％）に近く、属性値０の推測確率は０（＝０％）に近くなる。同様に、入力される画像の対象事象が発現状態の画像から遠いほど、属性値１の推測確率は０に近く、属性値０の推測確率は１．００に近くなる。ここで、確率とは、その現象が起こることが期待される度合いであり、本実施形態では一例として０．４などの比であるが、４０％などの百分率でもよい。

各推測モデル２５は、ニューラルネットワークや畳み込みニューラルネットワーク（ＣＮＮ）、ＶＧＧであってよい。ＶＧＧとは、Ｖｉｓｕａｌ Ｇｅｏｍｅｔｒｙ Ｇｒｏｕｐ， Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｏｘｆｏｒｄにより開発された推測モデルであり、一例としてＫａｒｅｎ Ｓｉｍｏｎｙａｎ等による「ＶＥＲＹ ＤＥＥＰ ＣＯＮＶＯＬＵＴＩＯＮＡＬ ＮＥＴＷＯＲＫＳ ＦＯＲ ＬＡＲＧＥ−ＳＣＡＬＥ ＩＭＡＧＥ ＲＥＣＯＧＮＩＴＩＯＮ」（ＩＣＬＲ ２０１５、https://arxiv.org/pdf/1409.1556.pdf.）に開示の推測モデルである。

各推測モデル２５は、入力画像が対象事象の発現状態の画像にどれだけ近いかを示す値を出力するニューロンと、対象事象の発現状態の画像からどれだけ遠いかを示す値を出力するニューロンとを出力層に含んでよい。出力層にはソフトマックス関数が適用されてよく、これにより推測モデル２５は２つの出力ニューロンから合計して１．００（＝１００％）になる値を出力してよい。

なお、本実施形態では一例として、各推測モデル２５は学習装置２の内部の記憶部２５０に格納されている。これに代えて、各推測モデル２５は、学習装置２の外部サーバ（図示せず）に格納されてもよい。

［１．１．５．評価値出力部２６］
評価値出力部２６は、各推測モデル２５の推測誤差に応じた評価値を出力する。

例えば、評価値出力部２６は、学習データセットに含まれる各画像を推測モデル２５に入力し、当該画像の各属性値の推測確率を取得する。そして、評価値出力部２６は、各属性値の推測確率から画像毎の推測誤差を算出し、複数の画像について得られた複数の推測誤差から、推測モデル２５の評価値を算出する。

推測誤差は、数値の集合同士のずれ量を示す尺度であれば、任意の手法により算出される値でよく、一例としてクロスエントロピー（交差エントロピー）でもよいし、二乗誤差でもよく、これらの値にさらに四則演算などの演算を行って得られる値でもよい。クロスエントロピーを推測誤差として算出する場合には、評価値出力部２６は、学習データセットにおいて各画像に付与された属性値をワンホット表現の確率に変換する、つまり付与された属性値の確率を１．００（＝１００％）に、それ以外の属性値の確率を０（＝０％）に変換する。そして、評価値出力部２６は、推測モデル２５から得られた属性値の推測確率ｙ_ｋ（但し添え字の「ｋ」は属性値の識別番号）と、付与された属性値をワンホットで表現した確率ｔ_ｋとを用いて推測誤差Ｅ＝Σ（−ｔ_ｋ・ｌｏｇ（ｙ_ｋ））＝−ｔ_１・ｌｏｇ（ｙ_１）…−ｔ_Ｋ・ｌｏｇ（ｙ_Ｋ）（但し、添え字の「Ｋ」はｋの最大値）を画像毎に算出する。

評価値は、推測誤差に基づく値であれば任意の手法により算出される値でよく、本実施形態では一例として、評価値はいわゆるロス値（損失値）であり、値が小さいほど推測精度が高いことを示す。評価値は各画像の推測誤差を推測モデル２５毎に平均した値であってよい。なお、評価値は値が大きいほど推測精度が高いことを示す値（信頼度とも称する）であってもよい。信頼度は、一例として１からロス値を引いて得られる値であってもよい。

［１．１．６．決定部２７］
決定部２７は、複数の閾値のうち、評価値（本実施形態では一例としてロス値）が最小の推測モデル２５に対応する閾値に基づいて、対象事象が発現するパラメータの値（発現パラメータ値とも称する）を決定する。なお、値が大きいほど推測精度が高い評価値（一例として信頼度）を用いる場合には、決定部２７は、評価値が最大の推測モデルに対応する閾値に基づいて発現パラメータの値を決定してよい。

［１．１．７．入出力インタフェース２８］
入出力インタフェース２８は、図示しない端末を介して推測モデル２５の設定を行う。例えば、入出力インタフェース２８は、推測モデル２５のノード間をつなぐエッジの重み、および、出力ノードのバイアス値を調整してよい。

また、入出力インタフェース２８は、記憶部２５０から複数の推測モデル２５のいずれかを読み出して学習装置２の外部に出力してよい。例えば、入出力インタフェース２８は、複数の推測モデル２５のうちオペレータにより選択された１つの推測モデル２５を読み出して運用装置３に供給してよい。選択される推測モデル２５は、評価値（本実施形態では一例としてロス値）が最小の推測モデル２５であってもよいし、これに対してさらに学習処理が行われた推測モデル２５であってもよい。

［１．２．運用装置３］
運用装置３は、取得部３０および推測モデル３５を備える。

［１．２．１．取得部３０］
取得部３０は、図示しない記憶装置から１または複数の画像を取得する。取得される各画像は、対象事象が発現しているか否かを示す属性（本実施形態では一例として各属性値の推測確率）の推測対象とされる。取得部３０は、取得した画像を推測モデル３５に供給する。

［１．２．２．推測モデル３５］
推測モデル３５は、入出力インタフェース２８により供給された推測モデル２５であり、取得部３０からの画像入力に応じて当該画像の属性を推測する。例えば、推測モデル３５は、入力される画像が対象事象（本実施形態では一例として薬の反応）の発現状態の画像に近いほど属性値１の推測確率として１．００に近い値を、発現状態の画像から遠いほど属性値１の推測確率として０に近い値を、属性値の推測確率として出力する。推測モデル３５は、入力される画像が対象事象の発現状態の画像に近いほど属性値０の推測確率として０に近い値を、発現状態の画像から遠いほど属性値０の推測確率として１．００に近い値を、属性値の推測確率として出力する。また、推測モデル３５は推測確率が最も大きい属性値を推測属性値として出力してよい。これにより、推測モデル３５に画像を入力することで、薬の反応が発現しているかを示す値が得られる。

なお、本実施形態では一例として、推測モデル３５は運用装置３の内部の記憶部３５０に格納されている。これに代えて、各推測モデル３５は、運用装置３の外部サーバ（図示せず）に格納されてもよい。

以上のシステム１における学習装置２によれば、パラメータ（本実施形態では一例として薬の量）に関する複数の閾値のそれぞれについて当該閾値を境に異なる属性値を複数の画像に付与した学習データセットが生成されるので、対象事象が発現する発現パラメータ値に対応しない閾値の学習データセットでは、画像に付与された属性値と、対象事象の発現との相関が低くなり、発現パラメータ値に対応する閾値の学習データセットでは、画像に付与された属性値と、対象事象の発現との相関が高くなる。そして、このような学習データセットごとに推測モデル２５が学習されて各推測モデル２５による推測誤差の評価値（本実施形態では一例としてロス値）が評価値出力部２６から出力されるので、発現パラメータ値に対応しない閾値の学習データセットでは、属性値が同じであるべき画像同士に別々の属性値が付与されて学習が行われ、属性値が異なるべき画像同士に同一の属性値が付与されて学習が行われることになる結果、推測誤差が大きくなり、出力される評価値が大きくなる。また、発現パラメータ値に対応する閾値の学習データセットでは、属性値が同じであるべき画像同士に同一の属性値が付与されて学習が行われ、属性値が異なるべき画像同士に別々の属性値が付与されて学習が行われることになる結果、推測誤差が小さくなり、出力される評価値が小さくなる。よって、出力される評価値に基づいて、対象事象が発現する発現パラメータ値を決定することができる。そのため、各パラメータ値の対応画像に画像解析を行い、パラメータ値と特徴量との関係から発現パラメータ値を取得する等の場合と比較して、容易に発現パラメータ値を決定することができる。

また、評価値が最小の推測モデル２５に対応する閾値に基づいて発現パラメータ値が決定されるので、容易に発現パラメータ値を取得することができる。

また、対象事象は薬の反応であり、対象事象の発現に影響を与えるパラメータは薬の投与条件であるので、薬が反応する投与条件を発現パラメータ値から決定することができる。

［２．学習装置２の動作］
図２は、学習装置２による学習処理を示す。学習装置２は、ステップＳ１１〜Ｓ２３の処理を行うことにより発現パラメータ値を決定する。

ステップＳ１１において、取得部２０は、対象事象（本実施形態では一例として薬の５０％反応）の発現に影響を与えるパラメータ（本実施形態では一例として薬の量）の各値に対応する複数の画像を取得する。各画像は、顕微鏡（一例として光学顕微鏡、電子顕微鏡）により撮像された画像でもよいし、他の撮像手段により撮像された画像でもよい。本実施形態では一例として、各画像は、マイクロプレートのウェルに収容された被写体としての細胞を光学顕微鏡で撮像した画像である。

ステップＳ１３において生成部２１は、パラメータに関する複数の閾値のそれぞれについて、当該閾値を境に異なる属性値を複数の画像の少なくとも一部にそれぞれ付与した学習データセットを生成する。生成部２１は、取得された全ての画像を各学習データセットに含めてよい。

ステップＳ１５において学習処理部２２は、複数の学習データセットのいずれか１つを選択する。学習処理部２２は、複数の学習データセットのうち未選択の学習データセットをいずれか１つ選択してよい。

ステップＳ１７において学習処理部２２は、選択した学習データセットを用い、いずれか１つの推測モデル２５を学習する。学習処理部２２は、各学習データセットと各推測モデル２５とを１対１で対応付け、選択した学習データセットを用い、当該学習データセットに対応する推測モデル２５を学習してよい。

学習処理部２２は、同じ学習データセットを用いて複数の第１基準回数だけ学習処理を行ってよい。第１基準回数は一例として、２０〜４００の範囲内であってよい。

ここで、学習前の複数の推測モデル２５は初期条件が互いに等しくてよい。複数の推測モデル２５の間で初期条件が等しいとは、例えば推測モデル２５のノード間をつなぐエッジの重み、および、出力ノードのバイアス値がそれぞれ等しいことであってよい。

また、学習処理部２２は、学習済みのモデルを推測モデル２５として用いて転移学習を行ってよい。この場合には、任意のソースドメインで予め学習させた推測モデル２５を用いてよい。これに代えて、学習処理部２２は、初期条件をランダムに設定した推測モデル２５に対して学習を行ってもよい。

ステップＳ１９において評価値出力部２６は、各推測モデル２５の推測誤差に応じた評価値（本実施形態では一例としてロス値）を出力する。例えば、評価値出力部２６は、推測モデル２５の識別情報と評価値とを対応付けて、図示しない表示装置に表示させてよい。複数の推測モデル２５について評価値が算出されている場合には、評価値出力部２６は、算出済みの各評価値を推測モデル２５の識別情報と対応付けて表示してよい。評価値出力部２６は、推測モデル２５の識別情報に代えて、学習データセットの識別情報を表示してもよいし、閾値の識別情報を表示してもよいし、閾値自体を表示してもよい。評価値出力部２６は、学習の繰り返し回数と評価値との対応関係をグラフ化して表示させてもよい。

ステップＳ２１において学習処理部２２は、生成した全ての学習データセットを選択したか否かを判定する。学習処理部２２は、判定結果が否定的であった場合（ステップＳ２１；Ｎｏ）には処理をステップＳ１５に移行する。これによりステップＳ１５〜Ｓ１９の処理が繰り返され、生成された学習データセットごとに推測モデル２５が学習される。学習処理部２２は、判定結果が肯定的であった場合（ステップＳ２１；Ｙｅｓ）には処理をステップＳ２３に移行する。

ステップＳ２３において決定部２７は、複数の閾値のうち、評価値（本実施形態では一例としてロス値）が最小の推測モデル２５に対応する閾値に基づいて発現パラメータ値を決定する。決定部２７は、評価値が最小の推測モデル２５に対応する閾値そのものを発現パラメータ値としてよい。決定部２７は、決定した発現パラメータ値を表示装置に表示させてよい。

なお、決定部２７は、全ての推測モデル２５の評価値が第１基準値以上である場合には、発現パラメータ値を決定せずに、エラーメッセージを表示装置に表示させてよい。本実施形態では一例として、評価値は０〜１の範囲内で値が小さいほど推測精度が高いことを示すロス値（損失値）であり、第１基準値は０．４であってよい。エラーメッセージは、投与された薬に効果が無いことを示してよい。

以上の動作によれば、複数の学習データセットのそれぞれを用いて初期条件が等しい複数の推測モデル２５それぞれが学習されるので、推測モデル２５ごとに初期条件が異なる場合と異なり、初期条件の違いが評価値に影響を及ぼしてしまうのを防止することができる。

また、学習済みのモデルが推測モデル２５として用いられて転移学習が行われるので、学習処理を確実に収束させて、学習処理の処理時間を短くすることができる。

［３．動作例］
図３は、学習データセットの一例を示す。本図では一例として、各画像は被写体としての繊維状の細胞質（図中の白い部分）を分解する薬が０，２，５，１４，４１，１２３，３７０，１１１１，３３３３，１００００（ｎＭ）の量だけ投与された状態を示す。また、本図では、薬の量の閾値が１に設定されており、閾値以下の薬量に対応する各画像には薬が５０％未満の反応をしたことを示す属性値「０」が付与されており、閾値を超える薬量に対応する各画像には薬が５０％以上の反応をしたことを示す属性値「１」が付与されている。

図４は、投与された薬の量と、従来技術によって算出した分解された細胞質の面積との関係を示す。図中の横軸は薬の量（ｎM）を対数で示し、縦軸は分解された細胞質の平均面積を示す。図中のプロットは、０，２，５，１４，４１，１２３，３７０，１１１１，３３３３，１００００（ｎＭ）の薬が投与されたウェル内で撮像された画像をオペレータが解析して得た結果を示す。この例では、３７０ｎＭおよび１１１１ｎＭの間で面積が急峻に変化しており、薬の５０％反応が発現している。

図５は、推測モデル２５ごとの学習回数と評価値との関係を示す。図中の各グラフは、閾値を投与量０，２（ｎＭ）の間に設定した学習データセットで学習された推測モデル２５（１）、投与量２，５（ｎＭ）の間に設定した学習データセットで学習された推測モデル２５（２）、投与量５，１４（ｎＭ）の間に設定した学習データセットで学習された推測モデル２５（３）、投与量１４，４１（ｎＭ）の間に設定した学習データセットで学習された推測モデル２５（４）、投与量４１，１２３（ｎＭ）の間に設定した学習データセットで学習された推測モデル２５（５）、投与量１２３，３７０（ｎＭ）の間に設定した学習データセットで学習された推測モデル２５（６）、投与量３７０，１１１１（ｎＭ）の間に設定した学習データセットで学習された推測モデル２５（７）、投与量１１１１，３３３３（ｎＭ）の間に設定した学習データセットで学習された推測モデル２５（８）、投与量３３３３，１００００の間に設定した学習データセットで学習された推測モデル２５（９）についての学習回数と評価値（本図ではロス値）との関係を示す。図中の横軸は学習回数を示し、縦軸は評価値を示す。

この図によれば、投与量３７０，１１１１（ｎＭ）の間に閾値を設定した学習データセットで学習された推測モデル２５（７）の評価値が最も小さく、投与量３７０，１１１１（ｎＭ）の間に発現パラメータ値が存在することが分かる。

［４．変形例］
なお、上記の実施形態においては、学習装置２が決定部２７および入出力インタフェース２８を備えることとして説明したが、これらの少なくとも１つを備えないこととしてもよい。

また、システム１が運用装置３を備えることとして説明したが、備えないこととしてもよい。また、運用装置３は学習装置２と別体であることとして説明したが、学習装置２と一体化されてもよい。

また、推測モデル２５は各属性値について、入力される画像が当該属性値を有する確率を推測することとして説明したが、全ての属性値について、入力画像が当該属性値を有する確率を推測しなくてもよい。例えば、属性値がＸ_１，Ｘ_２の２つのみである場合には、推測モデル２５は、一方の属性値Ｘ_１のみについて、入力画像が当該属性値Ｘ_１を有する確率Ｐ_１を推測してよい。この場合には、入力画像が他方の属性値Ｘ_２を有する確率Ｐ_２はＰ_２＝１−Ｐ_１で算出可能なため、評価値出力部２６が確率Ｐ_２を算出してよい。

また、推測モデル２５は各画像について０〜１の推測確率を出力することとして説明したが、０または１の属性値を出力してもよい。例えば、推測モデル２５は、入力される画像が対象事象の発現状態の画像から遠いほど０に近く、発現状態の画像に近いほど１に近い値を算出し、この値が閾値（一例として０．５より）よりも大きい場合に属性値として１を出力し、閾値よりも小さい場合に属性値として０を出力してもよい。

この場合には、評価値出力部２６は、推測される属性値をそのまま属性値の推測確率として用いてよい。例えば属性値として「１」が出力される場合には評価値出力部２６は属性値「１」の推測確率を１．００（＝１００％）、属性値「０」の推測確率を０（０％）としてよい。この場合にも、評価値出力部２６は上記の実施形態と同様にして評価値を算出可能である。これに代えて、評価値出力部２６は、推測される属性値と、画像に付与された属性値とのずれ量を推測誤差として、複数の画像についての推測誤差の平均などを評価値として用いてもよい。

また、上記の実施形態においては、学習装置２は、初期条件の等しい複数の推測モデルを別々の学習データセットに１対１で対応付けて学習処理を行うこととして説明したが、初期条件が互いに異なるランダムな複数の推測モデルを別々の学習データセットに１対１で対応付けて学習処理を行ってもよい。このような場合であっても、学習処理が収束する場合には、発現パラメータを決定することができる。

また、上記の実施形態においては、学習装置２が複数の学習データセットのそれぞれについて推測モデル２５を備える、つまり、複数の学習データセットと同数の推測モデル２５を備えることとして説明したが、学習データセットの個数と推測モデル２５の個数は異なってもよい。

例えば、学習装置２は、学習データセットよりも少ない個数の推測モデル２５を備えてもよい。例えば、学習装置２は推測モデル２５を１つのみ備えてもよい。この場合には、学習処理部２２は各学習データセットを用いて逐次、推測モデル２５の学習を行い、評価値出力部２６によって評価値が出力される毎に推測モデル２５をリセットしてよい。

また、学習装置２は推測モデル２５を２つ備えてもよい。この場合には、学習処理部２２は第１の学習データセットを用いて一方の推測モデル２５の学習を行い、第２の学習データセットを用いて他方の推測モデル２５の学習を行ってよい。学習処理部２２は、一方の推測モデル２５と、他方の推測モデル２５のうち、評価値（本実施形態では一例としてロス値）が高い推測モデル２５をリセットし、当該推測モデル２５に対し第３の学習データセットを用いて学習を行ってよい。以降、学習処理部２２は、評価値が高い推測モデル２５をリセットして残りの各学習データセットを用いた学習を行ってよい。この場合には、決定部２７は、最終的に評価値が低い方の推測モデル２５に対応する閾値に基づいて発現パラメータ値を決定してよい。

また、学習装置２は、学習データセットよりも多い個数の推測モデル２５を備えてもよい。例えば、学習装置２は、学習データセットごとに、初期条件が異なる複数の推測モデル２５を備えてよい。一例として、学習装置２は、初期条件毎に学習データセットと同数の推測モデル２５を備えてよい。この場合、学習処理部２２は、各学習データセットを用いて、当該学習データセットに対応する各推測モデル２５を第１基準回数（例えば２０〜４００回）未満だけ学習し、各初期条件の推測モデル２５のうち、評価値（本実施形態では一例としてロス値）が第４基準値（一例として０．４）以下となった推測モデル２５が最も多い初期条件の推測モデル２５のみを第１基準回数までさらに学習してよい。これに代えて、学習処理部２２は、一律に各推測モデル２５に第１基準回数だけ学習させてもよい。この場合には、決定部２７は、評価値が第２基準値（一例として０．２）以下となった各推測モデル２５に対応する最も多い閾値に基づいて発現パラメータ値を決定してよい。一例として、決定部２７は、評価値が０．２以下の推測モデル２５に対応する閾値が「１」，「１」，「４」であった場合には、最も多い閾値「１」に基づいて発現パラメータを決定してよい。

また、上記の実施形態においては、学習処理部２２が複数の第１基準回数だけ学習を行い、決定部は評価値が最小の推測モデル２５に対応する閾値に基づいて発現パラメータの値を決定することとして説明した。これに代えて、学習処理部２２は各推測モデル２５について、対応する学習データセットを用いて学習を繰り返し不定数行い、決定部２７は複数の閾値のうち、評価値が最も少ない学習回数で第２基準値以下となった推測モデル２５に対応する閾値に基づいて発現パラメータ値を決定してよい。この場合には、学習処理部２２は複数の推測モデル２５の学習を並列に行ってもよいし、１または複数の回数ずつ順に行ってもよく、評価値出力部２６は同数の学習が行われた各推測モデル２５の評価値を出力してよい。決定部２７は、いずれかの推測モデル２５の評価値（本実施形態では一例としてロス値）が第２基準値（一例として０．２）以下となった場合に学習処理部２２および評価値出力部２６による処理を終了させて発現パラメータ値を決定してよい。

また、上述のように不定数の学習を行う場合には、学習処理部２２は、必ずしも全ての学習データセットを用いた学習処理を行わなくてよい。例えば、学習処理部２２は予め定められた個数（一例として１つ）おきの閾値に対応する一部の学習データセットを用いて対応する推測モデル２５の学習処理を行い、いずれの推測モデル２５の評価値も第２基準値以下にならない場合には、残りの各閾値に対応する学習データセットを用いて対応する推測モデル２５の学習処理を行ってよい。学習処理部２２は、一部の学習データセットを用いて対応する推測モデル２５の学習処理を行い、評価値が最小であった推測モデル２５の対応閾値、または評価値が第３基準値（一例として０．４や０．３）よりも小さかった推測モデル２５の対応閾値を検出し、これに近い基準個数（一例として２つ）の閾値に対応する学習データセットを用いて、これに対応する推測モデル２５の学習処理をさらに行ってもよい。学習処理部２２は、少なくとも一部の学習データセットを用いて対応する推測モデル２５の学習処理を行い、第２基準回数（例えば２０回）の学習処理を行った段階で評価値（本実施形態では一例としてロス値）が０．４以上の推測モデル２５については学習を終了して評価値が０．４未満の推測モデル２５のみをさらに学習させてもよい。これらの場合には、決定部２７は、いずれかの推測モデル２５の評価値が第２基準値以下になった場合には、当該推測モデル２５に対応する閾値に基づいて発現パラメータ値を決定してよい。これにより、演算処理を低減して早期に発現パラメータ値を取得することができる。

また、上記の実施形態においては、生成部２１はすべての学習データセットをまとめて生成することとして説明したが、学習処理で必要となる学習データセットのみを段階的に生成してもよい。例えば、上述のように学習処理部２２が段階的に別々の学習データセットを用いて学習処理を行う場合には、生成部２１は、学習処理に使用する学習データセットのみを生成してよい。

また、上記の実施形態においては、対象事象の発現に影響を与えるパラメータを１つとして説明したが、複数としてもよい。例えば、対象事象が薬の反応である場合には、複数のパラメータは、薬の量、暴露時間および温度のうち少なくとも２つであってよい。また、対象事象が被写体の変化である場合には、複数のパラメータは複数の薬それぞれの量であってよい。

パラメータが複数存在する場合には、取得部２０は、対象事象の発現に影響を与える複数のパラメータそれぞれの各値に対応する複数の画像を取得してよい。また、生成部２１は、複数のパラメータに関する複数の閾値の複数の組み合わせそれぞれについて、当該組み合わせに含まれる各閾値を境に異なる属性値を複数の画像のそれぞれに付与した学習データセットを生成してよい。一例として、生成部２１は、薬の量の閾値がＮ個あり、暴露時間の閾値がＭ個ある場合には、薬の量に関する第ｎ閾値（但しｎは１≦ｎ≦Ｎの整数）を境にして異なる属性値を各画像に付与し、かつ、暴露時間に関する第ｍ閾値（但しｍは１≦ｍ≦Ｍの整数）を境にして異なる属性値を各画像に付与した学習データセットを（ｎ，ｍ）の組み合わせ毎に生成してよい。これにより、各パラメータについて発現パラメータ値を決定することができる。

また、上記の実施形態においては、対象事象を１つとして説明したが、複数としてもよい。例えば、複数の対象事象は、１または複数の薬による複数の反応であってよい。複数の反応は薬による主作用および副作用の反応であってよい。複数の反応は、薬の段階的な反応（一例として第１段階では被写体が膨張し、第２段階では被写体が崩壊する等）であってもよい。

対象事象が複数存在する場合には、取得部２０は当該複数の対象事象の発現に影響を与える１または複数のパラメータ（一例として薬の量および暴露時間）の各値に対応する複数の画像を取得してよい。また、生成部２１は、各パラメータに関する対象事象ごとの複数の閾値の複数の組み合わせそれぞれについて、当該組み合わせに含まれる各閾値を境に異なる属性値を複数の画像のそれぞれに付与した学習データセットを生成してよい。

一例として、薬の量の閾値がＮ個あり、暴露時間の閾値がＭ個ある場合で、対象事象が主作用の反応および副作用の反応の２つである場合について説明する。この場合には、生成部２１は、主作用の反応について薬の量に関する第ｎ_１閾値（但しｎ_１は１≦ｎ_１≦Ｎの整数）を境にして異なる属性値を各画像に付与し、かつ、暴露時間に関する第ｍ_１閾値（但しｍ_１は１≦ｍ_１≦Ｍの整数）を境にして異なる属性値を各画像に付与し、副作用の反応について薬の量に関する第ｎ_２閾値（但しｎ_２は１≦ｎ_２≦Ｎの整数）を境にして異なる属性値を各画像に付与し、かつ、暴露時間に関する第ｍ_２閾値（但しｍ_２は１≦ｍ_２≦Ｍの整数）を境にして異なる属性値を各画像に付与した学習データセットを（ｎ_１，ｍ_１，ｎ_２，ｍ_２）の組み合わせ毎に生成してよい。但し、閾値の番号ｎ_１およびｎ_２、ならびに、ｍ_１およびｍ_２の数値はｎ_１≠ｎ_２，ｍ_１≠ｍ_２であってもよいし、ｎ_１＜ｎ_２，ｎ_１＜ｎ_２であってもよい。

また、対象事象が複数存在する場合には、学習処理部２２は、生成部２１により生成された学習データセットごとに、画像の入力に応じて対象事象ごとの当該画像の属性（一例として各属性値の推測確率）を推測する推測モデル２５を学習してよい。例えば推測モデル２５は、一の画像の入力に応じて一の対象事象の各属性値の推測確率と、他の対象事象の属性値の推測確率とを推測してよい。これにより、各対象事象の発現パラメータ値を取得することができる。

また、上記の実施形態においては、生成部２１は取得された全ての画像を各学習データセットに含めることとして説明したが、一部の画像のみを学習データセットに含めてもよい。例えば、生成部２１は、複数の閾値のそれぞれについて、取得された複数の画像のうち当該閾値を含む範囲内のパラメータ設定値に対応する複数の画像を用いて学習データセットを生成してよい。閾値を含む範囲は、閾値を中央に含む範囲であってよい。また、閾値を含む範囲は、各画像に対応付けられたパラメータ設定値のうち、範囲内に含まれる閾値以上のパラメータ設定値の個数と、範囲内に含まれる閾値未満のパラメータ設定値の個数とが同数となるような範囲であってよい。生成部２１は、このような範囲を設定し、取得された複数の画像のうち、範囲内のパラメータ設定値に対応する画像のみを抽出して学習データセットを生成してよい。

この場合には、全ての画像が用いられる場合と比較して学習データセットの生成および学習処理の処理時間を短くすることができる。また、閾値を含む範囲内に含まれないパラメータの値に対応する画像が学習データセットに用いられる場合と異なり、閾値自体が発現パラメータと対応しないにも関わらず属性値と対象事象の発現との相関の高い画像が学習データセットに必ず含まれてしまうことで、全ての閾値の評価値が低くなってしまうこと、ひいては推測精度が高く評価されてしまうことを防止することができる。従って、発現パラメータ値を正確に決定することができる。このような効果は、パラメータの値と対象事象の発現とが段階関数で表される場合に特に顕著となる。

また、取得された全ての画像のうち、一部の画像のみを学習データセットに含める場合には、評価値出力部２６は、学習データセットに含まれなかった画像を用いて評価値を算出してよい。これにより、学習処理部２２および評価値出力部２６は、協働して交差検定（クロスバリデーション）を行ってよい。

また、上記の実施形態においては、決定部２７は評価値が最小の推測モデル２５に対応する閾値そのものを発現パラメータ値とすることとして説明したが、当該閾値に基づく限りにおいて他の値を発現パラメータとしてもよい。例えば、決定部２７は、複数のパラメータ設定値のうち、評価値が最小の推測モデル２５に対応する閾値に最も近く、かつ、当該閾値よりも大きいパラメータ設定値（または当該閾値よりも小さいパラメータ設定値）を発現パラメータ値としてもよい。この場合には、学習処理部２２は当該発現パラメータ値を閾値とした学習データセットを用いて新たに推測モデル２５の学習を行ってよい。また、入出力インタフェース２８は、このようにして学習された推測モデル２５を運用装置３に供給してよい。

また、上記の実施形態においては、対象事象を薬の反応とし、対象事象の発現に影響を与えるパラメータを薬の量や暴露時間などとし、パラメータの各値に対応する画像の被写体を細胞などとして説明したが、学習装置２の適用対象はこれに限らない。例えば、対象事象を農作物の成熟とし、対象事象の発現に影響を与えるパラメータを日照量や降雨量、農薬の散布量とし、パラメータの各値に対応する画像の被写体を畑の俯瞰画像としてもよい。

また、本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。

コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

図６は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す。コンピュータ２２００にインストールされたプログラムは、コンピュータ２２００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ２２００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ２２００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２２１２によって実行されてよい。

本実施形態によるコンピュータ２２００は、ＣＰＵ２２１２、ＲＡＭ２２１４、グラフィックコントローラ２２１６、およびディスプレイデバイス２２１８を含み、それらはホストコントローラ２２１０によって相互に接続されている。コンピュータ２２００はまた、通信インタフェース２２２２、ハードディスクドライブ２２２４、ＤＶＤ−ＲＯＭドライブ２２２６、およびＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ２２２０を介してホストコントローラ２２１０に接続されている。コンピュータはまた、ＲＯＭ２２３０およびキーボード２２４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ２２４０を介して入／出力コントローラ２２２０に接続されている。

ＣＰＵ２２１２は、ＲＯＭ２２３０およびＲＡＭ２２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ２２１６は、ＲＡＭ２２１４内に提供されるフレームバッファ等またはそれ自体の中にＣＰＵ２２１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス２２１８上に表示されるようにする。

通信インタフェース２２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ２２２４は、コンピュータ２２００内のＣＰＵ２２１２によって使用されるプログラムおよびデータを格納する。ＤＶＤ−ＲＯＭドライブ２２２６は、プログラムまたはデータをＤＶＤ−ＲＯＭ２２０１から読み取り、ハードディスクドライブ２２２４にＲＡＭ２２１４を介してプログラムまたはデータを提供する。ＩＣカードドライブは、プログラムおよびデータをＩＣカードから読み取り、および／またはプログラムおよびデータをＩＣカードに書き込む。

ＲＯＭ２２３０はその中に、アクティブ化時にコンピュータ２２００によって実行されるブートプログラム等、および／またはコンピュータ２２００のハードウェアに依存するプログラムを格納する。入／出力チップ２２４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ２２２０に接続してよい。

プログラムが、ＤＶＤ−ＲＯＭ２２０１またはＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ２２２４、ＲＡＭ２２１４、またはＲＯＭ２２３０にインストールされ、ＣＰＵ２２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ２２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置または方法が、コンピュータ２２００の使用に従い情報の操作または処理を実現することによって構成されてよい。

例えば、通信がコンピュータ２２００および外部デバイス間で実行される場合、ＣＰＵ２２１２は、ＲＡＭ２２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース２２２２に対し、通信処理を命令してよい。通信インタフェース２２２２は、ＣＰＵ２２１２の制御下、ＲＡＭ２２１４、ハードディスクドライブ２２２４、ＤＶＤ−ＲＯＭ２２０１、またはＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、またはネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。

また、ＣＰＵ２２１２は、ハードディスクドライブ２２２４、ＤＶＤ−ＲＯＭドライブ２２２６（ＤＶＤ−ＲＯＭ２２０１）、ＩＣカード等のような外部記録媒体に格納されたファイルまたはデータベースの全部または必要な部分がＲＡＭ２２１４に読み取られるようにし、ＲＡＭ２２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ２２１２は次に、処理されたデータを外部記録媒体にライトバックする。

様々なタイプのプログラム、データ、テーブル、およびデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ２２１２は、ＲＡＭ２２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ２２１４に対しライトバックする。また、ＣＰＵ２２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ２２１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

上で説明したプログラムまたはソフトウェアモジュールは、コンピュータ２２００上またはコンピュータ２２００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワークまたはインターネットに接続されたサーバーシステム内に提供されるハードディスクまたはＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ２２００に提供する。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１ システム、２ 学習装置、３ 運用装置、２０ 取得部、２１ 生成部、２２ 学習処理部、２５ 推測モデル、２６ 評価値出力部、２７ 決定部、２８ 入出力インタフェース、３０ 取得部、３５ 推測モデル、２５０ 記憶部、３５０ 記憶部、２２００ コンピュータ、２２０１ ＤＶＤ−ＲＯＭ、２２１０ ホストコントローラ、２２１２ ＣＰＵ、２２１４ ＲＡＭ、２２１６ グラフィックコントローラ、２２１８ ディスプレイデバイス、２２２０ 入／出力コントローラ、２２２２ 通信インタフェース、２２２４ ハードディスクドライブ、２２２６ ＤＶＤ−ＲＯＭドライブ、２２３０ ＲＯＭ、２２４０ 入／出力チップ、２２４２ キーボード、３３３３ 投与量

Claims (13)

1. 対象事象の発現に影響を与えるパラメータの各値に対応する複数の画像を取得する取得部と、
   前記パラメータに関する複数の閾値のそれぞれについて、当該閾値を境に異なる属性値を前記複数の画像の少なくとも一部にそれぞれ付与した学習データセットを生成する生成部と、
   生成された学習データセットごとに、画像の入力に応じて当該画像の属性を推測する推測モデルを学習する学習処理部と、
   各推測モデルの推測誤差に応じた評価値を出力する評価値出力部と、
   を備える装置。
2. 前記学習処理部は、前記推測モデルをディープラーニングの手法で学習する、請求項１に記載の装置。
3. 前記複数の閾値のうち、前記評価値が最小の前記推測モデルに対応する閾値に基づいて、前記対象事象が発現する前記パラメータの値を決定する決定部
   をさらに備える請求項１または２に記載の装置。
4. 前記学習処理部は、各推測モデルについて、対応する前記学習データセットを用いて学習を繰り返し行い、
   当該装置は、
   前記複数の閾値のうち、前記評価値が最も少ない学習回数で基準値以下となった前記推測モデルに対応する閾値に基づいて、前記対象事象が発現する前記パラメータの値を決定する決定部
   をさらに備える請求項１または２に記載の装置。
5. 前記生成部は、前記複数の閾値のそれぞれについて、前記複数の画像のうち当該閾値を含む範囲内の前記パラメータの値に対応する複数の画像を用いて前記学習データセットを生成する請求項１から４のいずれか一項に記載の装置。
6. 前記取得部は、前記対象事象の発現に影響を与える複数のパラメータそれぞれの各値に対応する複数の画像を取得し、
   前記生成部は、前記複数のパラメータに関する複数の閾値の複数の組み合わせそれぞれについて、当該組み合わせに含まれる各閾値を境に異なる属性値を前記複数の画像のそれぞれに付与した学習データセットを生成する請求項１から５のいずれか一項に記載の装置。
7. 前記学習処理部は、前記複数の閾値について生成された複数の学習データセットのそれぞれを用いて、初期条件が等しい複数の推測モデルそれぞれを学習する請求項１から６のいずれか一項に記載の装置。
8. 前記学習処理部は、学習済みのモデルを前記推測モデルとして用い転移学習を行う請求項１から７のいずれか一項に記載の装置。
9. 前記推測モデルは、画像の入力に応じて当該画像の属性値を推測する、請求項１から８のいずれか一項に記載の装置。
10. 前記推測モデルは、画像の入力に応じ、少なくとも１つの属性値について、当該画像が当該属性値を有する確率を推測する、請求項１から９のいずれか一項に記載の装置。
11. 前記対象事象は、薬の反応であり、
    前記パラメータは、前記薬の投与条件である請求項１から１０のいずれか一項に記載の装置。
12. 対象事象の発現に影響を与えるパラメータの各値に対応する複数の画像を取得する取得段階と、
    前記パラメータに関する複数の閾値のそれぞれについて、当該閾値を境に異なる属性値を前記複数の画像の少なくとも一部にそれぞれ付与した学習データセットを生成する生成段階と、
    生成された学習データセットごとに、画像の入力に応じて当該画像の属性を推測する推測モデルを学習する学習処理段階と、
    各推測モデルの推測誤差に応じた評価値を出力する評価値出力段階と、
    を備える方法。
13. コンピュータに、
    対象事象の発現に影響を与えるパラメータの各値に対応する複数の画像を取得する取得段階と、
    前記パラメータに関する複数の閾値のそれぞれについて、当該閾値を境に異なる属性値を前記複数の画像の少なくとも一部にそれぞれ付与した学習データセットを生成する生成段階と、
    生成された学習データセットごとに、画像の入力に応じて当該画像の属性を推測する推測モデルを学習する学習処理段階と、
    各推測モデルの推測誤差に応じた評価値を出力する評価値出力段階と、
    を実行させるプログラム。

Images