JP7021097B2 - 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム - Google Patents
疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム Download PDFInfo
- Publication number
- JP7021097B2 JP7021097B2 JP2018547221A JP2018547221A JP7021097B2 JP 7021097 B2 JP7021097 B2 JP 7021097B2 JP 2018547221 A JP2018547221 A JP 2018547221A JP 2018547221 A JP2018547221 A JP 2018547221A JP 7021097 B2 JP7021097 B2 JP 7021097B2
- Authority
- JP
- Japan
- Prior art keywords
- disease
- morbidity
- sample data
- determination
- importance
- 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
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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M1/00—Apparatus for enzymology or microbiology
- C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/178—Oligonucleotides characterized by their use miRNA, siRNA or ncRNA
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Organic Chemistry (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Biophysics (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Hematology (AREA)
- Sustainable Development (AREA)
- Primary Health Care (AREA)
Description
以下、図面を参照しながら、第1の実施の形態に係る疾患の特徴抽出装置の例について説明する。図1は、本発明に係る疾患の罹患判定装置10の構成を表したブロック図である。なお、疾患の罹患判定装置10は、専用マシンとして設計した装置であってもよいが、一般的なコンピュータによって実現可能なものであるものとする。この場合に、データ圧縮装置10及びデータ再現装置20は、一般的なコンピュータが通常備えているであろうCPU(Central Processing Unit:中央演算処理装置)、GPU(Graphics Processing Unit:画像処理装置)、メモリ、ハードディスクドライブ等のストレージを具備しているものとする(図示省略)。また、これらの一般的なコンピュータを本例の疾患の罹患判定装置10として機能させるためにプログラムよって各種処理が実行されることは言うまでもない。
第1の実施の形態においては、疾患の罹患判定のための演算として損失関数Liを求める演算を採用し、損失関数Liの各特徴の勾配を特徴抽出のための重要度とするものとして説明を行った。しかし、この例に限定されるものではなく、他の例について、この第2の実施の形態で説明を行う。
特徴抽出のための演算は、layer-wise relevance propagation(LRP)による演算で各特徴の重要度を求めるものであってもよい。ただし、この手法においては、予測器が、(1)分岐のないニューラルネットワークであること、(2)予測器に用いるニューラルネットワーク内の層のうち、次元の入出力で次元が異なる層は全結合層のみであること、(3)ラベルの種類の数kに応じたk次元のベクトルを出力し、i番目の出力はi番目の予測確率を表すものであること、との3つの性質を備えていることを仮定する。
第1の実施の形態において説明したように、本発明は、様々な疾患の罹患判定に対して適用可能である。図5は、様々な疾患について本発明を適用した場合の罹患判定精度を表した表である。図5においては、各疾患に罹患した患者と健常者のサンプルデータから機械学習を行い、複数のがん種における罹患判定を行うことが可能な学習済モデルを用いて、罹患判定を行なった場合の結果を示すものである。ここでは一例として、学習用のサンプルデータとして特定のがん種に罹患した患者のサンプルデータと、健常者のサンプルデータを複数用いて行う場合を説明する。ここで、特定のがん種に罹患した患者のサンプルデータとは、例えば「乳がんに罹患した患者のサンプルデータ」や「前立腺がんに罹患した患者のサンプルデータ」などであり、一つのサンプルデータには1種類のがん種のラベルが付与されているものとする。ここでは、乳がんや前立腺がんなど、複数のがん種を疾患群としてあらかじめ定めておき、その疾患群のいずれか疾患に罹患しているかどうか、または、その疾患群で定めた疾患のいずれにも罹患していないか、ということを判断するために、その疾患群で定めた疾患に罹患した患者と、その疾患群で定めた疾患のいずれにも罹患していない患者のサンプルデータを用いる。
疾患群で定めた疾患のいずれにも罹患していない患者は、健常者として扱われ、この場合はがん種を示すラベルは付与されておらず、代わりに健常者であることを示すラベルが付与されているものとする。(健常者を示すラベルを別途付与せずに、がん種を示すラベルが付与されていない場合に、これを健常者のサンプルデータとして判断しても良いが、ここでは説明を簡略化するため、健常者の場合は、がん種を示すラベルは付与されず、代わりに健常者を示すラベルが付与されているものとする。)
この機械学習の結果、得られた学習済みモデルを使って、特定の患者のサンプルデータの罹患判定を行うと、「乳がんの罹患有無、前立腺がんの罹患有無、膵がんの罹患有無・・・」など複数がんの罹患の有無がそれぞれ独立して排他的に判定され、そのうちのいずれか一つのがん種について罹患有りと判定される。例えば、次の3つのがんについて「乳がんの罹患率が70%、前立腺がんの罹患率が20%、前立腺がんの罹患率が10%、健常者である確率0%」と判断されたとすると、この患者については最も罹患率が高い乳がんに罹患していると判断した結果を出力する。一方、例えば、「乳がんの罹患率が10%、前立腺がんの罹患率が5%、前立腺がんの罹患率が5%、健常者である確率が80%」と判断された場合は、これらのうち最も確率が高い健常者として判断する。このような手法は一般的にはマルチクラスといい、上記の判断結果それぞれを合計すると100%になる。このような方法でそれぞれのがん種および良性疾患について判断した判定精度を一覧にまとめたものが図5となる。なお良性疾患と悪性疾患についての詳細は後述する。
この図5における判定に用いたトータルのサンプル数は約5000程度となっている。この図5に示すように、健常者についての判定精度は99.79%、乳がんについての判定精度は99.72%、乳良性疾患についての判定精度は100%、前立腺がんについての判定精度は99.16%、前立腺良性疾患についての判定精度は99.16%、膵がんについての判定精度は99.10%、胆道がんについての判定精度は99.06%、大腸がんについての判定精度は99.61%、胃がんについての判定精度は99.61%、食道がんについての判定精度は99.70%、肝がんについての判定精度は99.85%、膵胆良性疾患についての判定精度は99.74%となっており、様々な疾患について非常に高い精度で罹患判定を行うことが可能となっている。
第1から第4の実施の形態における罹患判定装置は、学習済モデルに対して患者のサンプルデータを入力して疾患に罹患しているか否かの結論を出力することはできるが、その結論に至るための判定に影響を及ぼしたバイオマーカーについて知ることはできない構成となっている。しかし、医師が結論に至った理由を認識するため、若しくは、医師が患者に対して結論に至った理由を説明するために、判定に影響を及ぼしたバイオマーカーが何れであったのかを知りたいというニーズが生じる可能性がある。
第1から第3の実施の形態においては、特徴抽出部13における重要度の演算方法として、勾配演算、LIME、LRPなどに基づく演算方法を説明し、その際に、複数のサンプルデータについての和の絶対値を求めることで重要度を算出していた。しかし、和の絶対値による演算方法に限定されるものではない。例えば、L1ノルム、L2ノルム、及び、これらを一般化したLPノルム等の演算方法を採用して重要度を算出するようにしてもよい。
第1から第6の実施の形態においては、学習済モデルを構成する機械学習器としてニューラルネットワークを採用したものとして説明を行ったが、ニューラルネットワークに限らず、勾配ブースティング、ランダムフォレスト(random forest:決定森)、エクストラツリー、サポートベクターマシン、ロジスティック回帰、K近傍法など、様々な手法が機械学習器として採用し得る。ニューラルネットワーク以外の機械学習器においては重要度の計算の際に誤差逆伝播法が適用できないため、そのような場合には、数値微分によって勾配を計算することで重要度を算出することが可能となる。
第1から第7の実施の形態においては、1つの学習済モデルからなる疾患の罹患判定装置に対して罹患判定対象の患者のサンプルデータを入力して、学習済モデルからなる罹患判定部12において罹患判定を行う構成としていた。しかし、これに限らず、複数の機械学習器によってそれぞれ罹患判定の予測を行い、得られた複数の予測結果に基づいて判定結果を出力するスタッキング用機械学習器によって罹患判定結果を得る構成としてもよい。
第1から第7の実施の形態においては、1つの機械学習器からなる疾患の罹患判定装置として説明を行ったが、複数の機械学習器でそれぞれ予測された予測結果を用いたアンサンブル学習を行うようにしてもよい。アンサンブル学習は、複数の機械学習器それぞれが出力した予測確率について幾何平均を求めて最終的な予測結果を出力する手法である。複数の機械学習器は同種のものであってもよいし、種類の異なる機械学習器を採用するものであってもよい。このようなアンサンブル学習を行うことによって、疾患の罹患判定精度を向上させることが可能となる。また、第8の実施の形態において説明したスタッキングの手法を採用した疾患の罹患判定装置22においてアンサンブル学習を適用することもできる。この場合、スタッキング用機械学習器21を複数用意して、複数のスタッキング用機械学習器21の予測結果の出力について幾何平均を求めて最終的な予測結果を出力するようにすることで、疾患の罹患判定精度を向上させることが可能となる。
上述した実施形態の説明は、少なくとも下記発明を、当該発明の属する分野における通常の知識を有する者がその実施をすることができるように記載した。
[1]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルと、
前記学習済モデルを用いて各バイオマーカーの重要度に基づいてサンプルデータについて罹患判定を行う罹患判定部、
を具備した疾患の罹患判定装置。
[2]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルと、
前記学習済モデルに対してサンプルデータを入力して、各バイオマーカー毎の重要度を数値化する重要度算出部と、
該重要度からサンプルデータについて罹患判定を行う罹患判定部、
を具備した疾患の罹患判定装置。
[3]
前記重要度に基づいて当該疾患に関する特徴的なバイオマーカーを抽出する特徴抽出部を具備し、
抽出した特徴的なバイオマーカーのみで疾患判定を行う場合における該特徴的なバイオマーカー毎の重要度である特徴重要度に基づいて罹患判定を行うことを特徴とする、
[1]又は[2]記載の疾患の罹患判定装置。
[4]
前記重要度に基づいて当該疾患に関する特徴的なバイオマーカーを抽出する特徴抽出部と、
抽出した特徴的なバイオマーカーのみで疾患判定を行う場合における該特徴的なバイオマーカー毎の重要度である特徴重要度を数値化する特徴重要度算出部と、
を具備し、
前記罹患判定部が該特徴重要度から罹患判定を行うことを特徴とする、
[1]又は[2]記載の疾患の罹患判定装置。
[5]
前記重要度算出部が、サンプルデータ毎に学習済モデルを用いてi番目のサンプルデータに関する損失関数Liを演算する処理と、損失関数の値Liを起点として誤差逆伝播を行い、サンプルiの複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gij=∂Li/∂xjを計算する処理と、全てのサンプルについての勾配の和の絶対値をその特徴の重要度Sj=|Σ_{i}gij|として求める処理とによって、バイオマーカーそれぞれの特徴の重要度を数値化する、
[2]から[4]の何れかに記載の疾患の罹患判定装置。
[6]
前記訓練データは、前記サンプルデータに対して各個人が疾患に罹患しているか否かのラベル情報を付したものである
[1]から[5]の何れかに記載の疾患の罹患判定装置。
[7]
前記学習済モデルの生成は、前記訓練データの特徴ベクトルの各次元について訓練データ全体に渡る平均が0、分散が1になるように各次元を一次変換する白色化処理を行ってから学習を行うようにした
[6]記載の疾患の罹患判定装置。
[8]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルを生成する学習済モデル生成手順と、
前記学習済モデルを用いて各バイオマーカーの重要度に基づいてサンプルデータについて罹患判定を行う罹患判定手順と、
を含むことを特徴とする疾患の罹患判定方法。
[9]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルを生成する学習済モデル生成手順と、
前記学習済モデルに対してサンプルデータを入力して、各バイオマーカー毎の重要度を数値化する重要度算出手順と、
該重要度からサンプルデータについて罹患判定を行う罹患判定手順と、
を含むことを特徴とする疾患の罹患判定方法。
[10]
前記重要度の和から当該疾患に関する特徴的なバイオマーカーを抽出する特徴抽出手順を含み、
抽出した特徴的なバイオマーカーのみで疾患判定を行う場合における該特徴的なバイオマーカー毎の重要度である特徴重要度に基づいて罹患判定を行うことを特徴とする、
[8]又は[9]記載の疾患の罹患判定方法。
[11]
前記重要度の和から当該疾患に関する特徴的なバイオマーカーを抽出する特徴抽出手順と、
抽出した特徴的なバイオマーカーのみで疾患判定を行う場合における該特徴的なバイオマーカー毎の重要度である特徴重要度を数値化する特徴重要度算出手順と、
を含み、
前記罹患判定手順において、該特徴重要度から罹患判定を行うことを特徴とする、
[8]又は[9]記載の疾患の罹患判定方法。
[12]
前記重要度算出手順が、サンプルデータ毎に学習済モデルを用いてi番目のサンプルデータに関する損失関数Liを演算する処理と、損失関数の値Liを起点として誤差逆伝播を行い、サンプルiの複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gij=∂Li/∂xjを計算する処理と、全てのサンプルについての勾配の和の絶対値をその特徴の重要度Sj=|Σ_{i}gij|として求める処理とによって、バイオマーカーそれぞれの特徴の重要度を数値化する、
[9]から[11]の何れか記載の疾患の罹患判定方法。
[13]
前記訓練データは、前記サンプルデータに対して各個人が疾患に罹患しているか否かのラベル情報を付したものである
[8]から[12]の何れかに記載の疾患の罹患判定方法。
[14]
前記学習済モデルの生成は、前記訓練データの特徴ベクトルの各次元について訓練データ全体に渡る平均が0、分散が1になるように各次元を一次変換する白色化処理を行ってから学習を行うようにした
[12]記載の疾患の罹患判定方法。
[15]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーのそれぞれ発現量を個人毎に記録したサンプルデータを取得するサンプルデータ取得部と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルからなる罹患判定部と、
前記罹患判定部に対して、疾患に罹患したラベル情報の付された複数のサンプルデータを入力してそれぞれ罹患判定をさせ、各サンプルデータ毎に罹患判定の演算によって学習済モデルで得られる複数のバイオマーカーそれぞれの特徴の重要度を数値化し、各バイオマーカー毎に複数のサンプルデータの重要度の数値に基づいて所定数のバイオマーカーを当該疾患に関する特徴的なバイオマーカーとして抽出する特徴抽出部と
を具備した疾患の特徴抽出装置。
[16]
前記特徴抽出部は、サンプルデータ毎に学習済モデルを用いてi番目のサンプルデータに関する損失関数Liを演算する処理と、損失関数の値Liを起点として誤差逆伝播を行い、サンプルiの複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gij=∂Li/∂xjを計算する処理と、全てのサンプルについての勾配の和の絶対値をその特徴の重要度Sj=|Σ_{i}gij|として求める処理とによって、バイオマーカーそれぞれの特徴の重要度を数値化するようにした
[15]記載の疾患の特徴抽出装置。
[17]
前記訓練データは、前記サンプルデータに対して各個人が疾患に罹患しているか否かのラベル情報を付したものである
[15]又は[16]記載の疾患の特徴抽出装置。
[18]
前記学習済モデルの生成は、前記訓練データの特徴ベクトルの各次元について訓練データ全体に渡る平均が0、分散が1になるように各次元を一次変換する白色化処理を行ってから学習を行うようにした
[15]から[17]の何れかに記載の疾患の特徴抽出装置。
[19]
前記特徴抽出部において使用される疾患に罹患したラベル情報の付された複数のサンプルデータは、特徴ベクトルの各次元について当該サンプルデータ全体に渡る平均が0、分散が1になるように各次元を一次変換する白色化処理を行ってから用いられる
[18]に記載の疾患の特徴抽出装置。
[20]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーのそれぞれ発現量を個人毎に記録したサンプルデータを取得するサンプルデータ取得手順と、
訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルを生成する学習済モデル生成手順と、
前記学習済モデルに対して、疾患に罹患したラベル情報の付された複数のサンプルデータを入力してそれぞれ罹患判定をさせ、各サンプルデータ毎に罹患判定の演算によって学習済モデルで得られる複数のバイオマーカーそれぞれの特徴の重要度を数値化し、各バイオマーカー毎に複数のサンプルデータの重要度の数値に基づいて所定数のバイオマーカーを当該疾患に関する特徴的なバイオマーカーとして抽出する特徴抽出手順と
を含む疾患の特徴抽出方法。
[21]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを用いて機械学習を行って予め得た疾患の罹患を判定可能な学習済モデルと、
前記学習済モデルを用いて判定対象のサンプルデータについて複数の疾患について罹患しているか否かの罹患判定を行う罹患判定部と
を具備した疾患の罹患判定装置。
[22]
疾患の罹患判定対象のサンプルデータに含まれるバイオマーカーのうち疾患の罹患判定結果に寄与したバイオマーカーを抽出して出力する判定寄与バイオマーカー出力部を具備した
[21]記載の疾患の罹患判定装置。
[23]
前記判定寄与バイオマーカー出力部は、サンプルデータについて学習済モデルを用いて損失関数Lを演算する処理と、損失関数の値Lを起点として誤差逆伝播を行い、複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gj=∂L/∂xjを計算する処理とによって、バイオマーカーに対応した特徴次元ごとの重要度を特徴xjに関する勾配gjとして算出し、重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出するようにした
[22]記載の疾患の罹患判定装置。
[24]
前記判定寄与バイオマーカー出力部は、罹患判定部における学習済モデルを近似する線形学習器をLIMEによって学習し、線形学習器に対して罹患判定対象のサンプルデータを入力した場合の各バイオマーカーの特徴次元に対応した線形学習器の係数を各バイオマーカーの重要度として算出し、重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出するようにした
[22]記載の疾患の罹患判定装置。
[25]
前記判定寄与バイオマーカー出力部は、LRPにより、罹患判定部における学習済モデルに罹患判定対象の患者のサンプルデータの特徴を与えて順伝播を行い、出力部から逆順に層を渡っていき、各層における重要度を表す重要度ベクトルRを帰納的に計算し、重要度ベクトルRを各バイオマーカーに対応した特徴次元ごとの重要度として算出し、重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出するようにした
[22]記載の疾患の罹患判定装置。
[26]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを共通に用いて機械学習行ったものであり、それぞれが同じ疾患について罹患判定することを予め学習させた種類の異なる学習済モデルからなり、それぞれが疾患の罹患判定対象のサンプルデータが疾患に罹患しているか否かの予測結果を出力する少なくとも2以上の機械学習器と、
複数の機械学習器からの予測結果を入力として最終的な判定結果を出力することを予め学習したスタッキング用機械学習器であって、複数の機械学習器からの予測結果に基づいて罹患判定対象のサンプルデータが疾患に罹患しているか否かの判定結果を出力するスタッキング用機械学習器と
を具備した疾患の罹患判定装置。
[27]
前記複数の疾患は、乳がん、乳良性疾患、前立腺がん、前立腺良性疾患、膵がん、胆道がん、大腸がん、胃がん、食道がん、肝がん、膵胆良性疾患のうち、少なくとも2種類を含む
[21]から[26]の何れかに記載の疾患の罹患判定装置。
[28]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータと、
前記複数のサンプルデータの各々に、当該個々の生体各々が複数の疾患に罹患しているか否かを識別する為の項目をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該複数の疾患の各々の罹患有無を判定可能な学習モデルと、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該複数の疾患の各々について罹患有無の判定を行う罹患判定部と
を具備した疾患の罹患判定装置。
[29]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータと、
前記複数のサンプルデータの各々に、当該個々の生体各々が予め定めた所定の疾患群のいずれか1つの疾患に罹患しているか、予め定めた所定の疾患群のいずれにも罹患していないか、を識別する為の項目を、罹患している場合はその疾患に関する情報、罹患していない場合は、罹患していないことを示す情報をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該所定の疾患の罹患有無を判定可能な学習モデルと、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該所定の疾患群のうち、いずれか1つの疾患について罹患しているか、当該所定の疾患群のいずれにも罹患していないかについての判定を行う罹患判定部と
を具備した疾患の罹患判定装置。
[30]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを用いて機械学習を行って予め得た複数の疾患について罹患しているか否かの罹患判定が可能な学習済モデルを生成する学習済モデル生成手順と、
前記学習済モデルを用いて判定対象のサンプルデータについて複数の疾患について罹患しているか否かの罹患判定を行う罹患判定手順と
を含む疾患の罹患判定方法。
[31]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを共通に用いて機械学習行ったものであり、それぞれが同じ疾患について罹患判定することを予め学習させた種類の異なる学習済モデルからなり、それぞれが疾患の罹患判定対象のサンプルデータが疾患に罹患しているか否かの予測結果を出力する少なくとも2以上の機械学習器に基づいて、複数の予測結果を取得する複数予測結果取得手順と、
複数の機械学習器からの予測結果を入力として最終的な判定結果を出力することを予め学習したスタッキング用機械学習器であって、複数の機械学習器からの予測結果に基づいて罹患判定対象のサンプルデータが疾患に罹患しているか否かの判定結果を出力するスタッキング用機械学習器に基づいて、最終的な判定結果を取得する最終判定結果取得手順と
を含む疾患の罹患判定方法。
[32]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータを取得する手順と、
前記複数のサンプルデータの各々に、当該個々の生体各々が複数の疾患に罹患しているか否かを識別する為の項目をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該複数の疾患の各々の罹患有無を判定可能な学習モデルを生成する学習済モデル生成手順と、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該複数の疾患の各々について罹患有無の判定を行う罹患判定手順と
を含む疾患の罹患判定方法。
[33]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータを取得する手順と、
前記複数のサンプルデータの各々に、当該個々の生体各々が予め定めた所定の疾患群のいずれか1つの疾患に罹患しているか、予め定めた所定の疾患群のいずれにも罹患していないか、を識別する為の項目を、罹患している場合はその疾患に関する情報、罹患していない場合は、罹患していないことを示す情報をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該所定の疾患の罹患有無を判定可能な学習モデルを生成する学習済モデル生成手順と、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該所定の疾患群のうち、いずれか1つの疾患について罹患しているか、当該所定の疾患群のいずれにも罹患していないかについての判定を行う罹患判定手順と
を含む疾患の罹患判定方法。
[34]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得処理と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを用いて機械学習を行って予め得た複数の疾患について罹患しているか否かの罹患判定が可能な学習済モデルを生成する学習済モデル生成処理と、
前記学習済モデルを用いて判定対象のサンプルデータについて複数の疾患について罹患しているか否かの罹患判定を行う罹患判定処理と
をコンピュータに実現させる疾患の罹患判定プログラム。
[35]
個々の生体由来の試料における複数種類のmiRNAを含むバイオマーカーそれぞれの発現量を含むサンプルデータを取得するサンプルデータ取得処理と、
それぞれが複数の疾患についての罹患の有無を識別するための項目を有し各個人が何れの疾患に罹患しているか否かのラベル情報の付されたサンプルデータからなる複数の訓練データを共通に用いて機械学習行ったものであり、それぞれが同じ疾患について罹患判定することを予め学習させた種類の異なる学習済モデルからなり、それぞれが疾患の罹患判定対象のサンプルデータが疾患に罹患しているか否かの予測結果を出力する少なくとも2以上の機械学習器に基づいて、複数の予測結果を取得する複数予測結果取得処理と、
複数の機械学習器からの予測結果を入力として最終的な判定結果を出力することを予め学習したスタッキング用機械学習器であって、複数の機械学習器からの予測結果に基づいて罹患判定対象のサンプルデータが疾患に罹患しているか否かの判定結果を出力するスタッキング用機械学習器に基づいて、最終的な判定結果を取得する最終判定結果取得処理と
をコンピュータに実現させる疾患の罹患判定プログラム。
[36]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータを取得する処理と、
前記複数のサンプルデータの各々に、当該個々の生体各々が複数の疾患に罹患しているか否かを識別する為の項目をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該複数の疾患の各々の罹患有無を判定可能な学習モデルを生成する学習済モデル生成処理と、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該複数の疾患の各々について罹患有無の判定を行う罹患判定処理と
をコンピュータに実現させる疾患の罹患判定プログラム。
[37]
個々の生体由来の試料中におけるmiRNAを含む複数種類のバイオマーカーのそれぞれの発現量を含む、前記個々の生体からそれぞれ取得した複数のサンプルデータを取得する処理と、
前記複数のサンプルデータの各々に、当該個々の生体各々が予め定めた所定の疾患群のいずれか1つの疾患に罹患しているか、予め定めた所定の疾患群のいずれにも罹患していないか、を識別する為の項目を、罹患している場合はその疾患に関する情報、罹患していない場合は、罹患していないことを示す情報をラベル情報として付与したラベル情報付きサンプルデータを、訓練データとして用いて機械学習を行った結果に出力される当該所定の疾患の罹患有無を判定可能な学習モデルを生成する学習済モデル生成処理と、
罹患判定を行う対象となる別の生体から新たに取得したサンプルデータに対し、前記学習モデルを用いて当該所定の疾患群のうち、いずれか1つの疾患について罹患しているか、当該所定の疾患群のいずれにも罹患していないかについての判定を行う罹患判定処理と
をコンピュータに実現させる疾患の罹患判定プログラム。
11 サンプルデータ取得部
12 罹患判定部
13 特徴抽出部
14 記憶部
15 サンプルデータ
16 訓練データ
17 学習済モデル
18 重要度算出部
19 特徴重要度算出部
201、202、…、20n 機械学習器
21 スタッキング用機械学習器
22 疾患の罹患判定装置
Claims (15)
- 生体由来の試料における複数種類のmiRNAの発現量を含むサンプルデータを取得するサンプルデータ取得部と、
複数の体の部位における複数の疾患についての罹患の有無を識別するための項目を有する複数のサンプルデータを含む訓練データを用いて機械学習を行って予め得た複数の悪性疾患または複数の良性疾患を含む前記複数の疾患についてのそれぞれの罹患を、複数の疾患に罹患している場合を含めて判定可能な学習済モデルを用いて、前記取得したサンプルデータについて、前記複数の体の部位における前記複数の疾患の罹患判定結果を出力する罹患判定部と
を具備する疾患の罹患判定装置。 - 前記罹患判定部は、良性疾患と悪性疾患の関係にある前記複数の疾患の判定結果を出力する、
請求項1記載の罹患判定装置。 - 前記サンプルデータについて学習済モデルを用いて損失関数Lを演算する処理と、損失関数の値Lを起点として誤差逆伝播を行い、前記サンプルデータに含まれる複数種類のバイオマーカーのそれぞれに対応する特徴xjに関する勾配gj=∂L/∂xjを計算する処理とによって、バイオマーカーに対応した特徴次元ごとの重要度を特徴xjに関する勾配gjとして算出し、前記重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出する特徴抽出部を具備する、
請求項1または請求項2に記載の疾患の罹患判定装置。 - 罹患判定部における学習済モデルを近似する線形学習器をLIMEによって学習し、線形学習器に対して罹患判定対象のサンプルデータを入力した場合の前記サンプルデータに含まれる各バイオマーカーの特徴次元に対応した線形学習器の係数を各バイオマーカーの重要度として算出し、前記重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出する特徴抽出部を具備する、
請求項1または請求項2に記載の疾患の罹患判定装置。 - LRPにより、罹患判定部における学習済モデルに罹患判定対象の患者のサンプルデータの特徴を与えて順伝播を行い、出力部から逆順に層を渡っていき、各層における重要度を表す重要度ベクトルRを帰納的に計算し、前記重要度ベクトルRを、前記サンプルデータに含まれる各バイオマーカーに対応した特徴次元ごとの重要度として算出し、前記重要度の大きさに基づいて所定数のバイオマーカーを疾患の罹患判定結果に寄与したバイオマーカーとして抽出する特徴抽出部を具備する、
請求項1または請求項2に記載の疾患の罹患判定装置。 - 前記特徴抽出部により前記バイオマーカーを抽出し、前記疾患の罹患判定結果に寄与したバイオマーカーを出力する判定寄与バイオマーカー出力部を具備する、
請求項3ないし請求項5のいずれか1項に記載の罹患判定装置。 - 前記学習済モデルは、
前記取得したサンプルデータについて前記複数の疾患の罹患の有無の予測結果を出力する少なくとも2以上の機械学習器と、
前記2以上の機械学習器からの予測結果を入力として、前記罹患判定結果を出力するスタッキング用機械学習器と、
を具備する請求項1ないし請求項6のいずれか1項に記載の罹患判定装置。 - 前記複数の疾患は、乳がん、乳良性疾患、前立腺がん、前立腺良性疾患、膵がん、胆道がん、大腸がん、胃がん、食道がん、肝がん、膵胆良性疾患のうち、少なくとも2つを含む
請求項1ないし請求項7のいずれか1項に記載の罹患判定装置。 - 前記学習済モデルは、複数の機械学習器を具備する、
請求項1ないし請求項8のいずれか1項に記載の罹患判定装置。 - 前記学習済モデルは、複数の機械学習器を具備し、前記複数の機械学習器によるアンサンブル学習を行う、
請求項9に記載の罹患判定装置。 - 前記罹患判定結果は確率で出力される、
請求項1ないし請求項10のいずれか1項に記載の罹患判定装置。 - 生体由来の試料中における複数種類のmiRNAの発現量を含むサンプルデータを取得するサンプルデータ取得手順と、
複数の体の部位における複数の疾患についての罹患の有無を識別するための項目を有する複数のサンプルデータを含む訓練データを用いて機械学習を行って予め得た複数の悪性疾患または複数の良性疾患を含む前記複数の疾患についてのそれぞれの罹患を、複数の疾患に罹患している場合を含めて判定可能な学習済モデルを用いて、前記取得したサンプルデータについて、前記複数の体の部位における前記複数の疾患について罹患判定結果を出力する罹患判定手順と
を含む疾患の罹患判定方法。 - 前記学習済モデルは、複数の機械学習器と、前記複数の機械学習器の予測結果に基づいて、罹患判定結果を出力するスタッキング用機械学習器
を具備する請求項12に記載の罹患判定方法。 - 前記罹患判定結果は、確率で出力される、
請求項12または請求項13に記載の罹患判定方法。 - 請求項12ないし請求項14のいずれか1項に記載の方法をコンピュータに実現させる
疾患の罹患判定プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021187345A JP7411619B2 (ja) | 2016-10-31 | 2021-11-17 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016213690 | 2016-10-31 | ||
JP2016213690 | 2016-10-31 | ||
PCT/JP2017/039363 WO2018079840A1 (ja) | 2016-10-31 | 2017-10-31 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021187345A Division JP7411619B2 (ja) | 2016-10-31 | 2021-11-17 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018079840A1 JPWO2018079840A1 (ja) | 2019-09-19 |
JP7021097B2 true JP7021097B2 (ja) | 2022-02-16 |
Family
ID=61195694
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017008789A Active JP6280997B1 (ja) | 2016-10-31 | 2017-01-20 | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
JP2018547221A Active JP7021097B2 (ja) | 2016-10-31 | 2017-10-31 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
JP2021187345A Active JP7411619B2 (ja) | 2016-10-31 | 2021-11-17 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017008789A Active JP6280997B1 (ja) | 2016-10-31 | 2017-01-20 | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021187345A Active JP7411619B2 (ja) | 2016-10-31 | 2021-11-17 | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20190267113A1 (ja) |
EP (1) | EP3534281A4 (ja) |
JP (3) | JP6280997B1 (ja) |
CN (1) | CN109923614A (ja) |
RU (1) | RU2765695C2 (ja) |
WO (1) | WO2018079840A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024128584A1 (ko) * | 2022-12-15 | 2024-06-20 | 한국과학기술원 | 우울증 예측을 위한 인공지능 및 웹 기반 플랫폼 |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2430574A1 (en) | 2009-04-30 | 2012-03-21 | Patientslikeme, Inc. | Systems and methods for encouragement of data submission in online communities |
US11250340B2 (en) * | 2017-12-14 | 2022-02-15 | Microsoft Technology Licensing, Llc | Feature contributors and influencers in machine learned predictive models |
JP6879239B2 (ja) * | 2018-03-14 | 2021-06-02 | オムロン株式会社 | 異常検知システム、サポート装置およびモデル生成方法 |
WO2020008502A1 (ja) * | 2018-07-02 | 2020-01-09 | シンセティックゲシュタルト エルティーディー | 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法 |
JP7362241B2 (ja) * | 2018-11-02 | 2023-10-17 | 公益財団法人がん研究会 | 大腸がんの検査方法 |
US11151420B2 (en) * | 2018-11-19 | 2021-10-19 | International Business Machines Corporation | Determination using learned model |
CN113056672A (zh) * | 2018-11-19 | 2021-06-29 | 佳能株式会社 | 信息处理装置、信息处理装置的控制方法、程序、计算装置和计算方法 |
US11894139B1 (en) * | 2018-12-03 | 2024-02-06 | Patientslikeme Llc | Disease spectrum classification |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
WO2020222287A1 (ja) * | 2019-04-29 | 2020-11-05 | 株式会社Preferred Networks | 訓練装置、罹患判定装置、機械学習方法、およびプログラム |
JP6884810B2 (ja) * | 2019-05-08 | 2021-06-09 | キユーピー株式会社 | 情報提供装置、情報提供方法及びmiRNA重要度テーブル生成方法 |
CN110338843A (zh) * | 2019-08-02 | 2019-10-18 | 无锡海斯凯尔医学技术有限公司 | 组织评价方法、装置、设备及计算机可读存储介质 |
CN110327074A (zh) * | 2019-08-02 | 2019-10-15 | 无锡海斯凯尔医学技术有限公司 | 肝脏评价方法、装置、设备及计算机可读存储介质 |
JP7412150B2 (ja) * | 2019-11-29 | 2024-01-12 | 東京エレクトロン株式会社 | 予測装置、予測方法及び予測プログラム |
JP7452990B2 (ja) * | 2019-11-29 | 2024-03-19 | 東京エレクトロン株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
WO2021142417A2 (en) * | 2020-01-10 | 2021-07-15 | Bisquertt Alejandro | Systems for detecting alzheimer's disease |
CN111312401B (zh) * | 2020-01-14 | 2021-12-17 | 之江实验室 | 一种基于多标签学习的体检后慢性疾病预后系统 |
JP7551096B2 (ja) | 2020-03-31 | 2024-09-17 | 国立大学法人神戸大学 | 酵素反応阻害パターンが疾患のバイオマーカーとして利用できるかを調べる方法および装置、並びに、疾患検査装置 |
US11468276B2 (en) * | 2020-04-16 | 2022-10-11 | Robert Bosch Gmbh | System and method of a monotone operator neural network |
CN111696662A (zh) * | 2020-05-26 | 2020-09-22 | 平安科技(深圳)有限公司 | 疾病预测方法、装置及存储介质 |
CN112530595A (zh) * | 2020-12-21 | 2021-03-19 | 无锡市第二人民医院 | 一种基于多分支链式神经网络的心血管疾病分类方法和装置 |
CN112685561A (zh) * | 2020-12-26 | 2021-04-20 | 广州知汇云科技有限公司 | 一种跨病种的小样本临床医疗文本后结构化处理方法 |
CN118020106A (zh) * | 2021-09-29 | 2024-05-10 | 富士胶片株式会社 | 可测定合适特征量的选择方法、可测定合适特征量的选择程序及可测定合适特征量的选择装置 |
JP7374424B2 (ja) * | 2021-11-30 | 2023-11-07 | ダイキン工業株式会社 | 疾病あるいは健康状態の検査方法、及び検査システム |
CN114613438B (zh) * | 2022-03-08 | 2023-05-26 | 电子科技大学 | 一种miRNA与疾病的关联预测方法及系统 |
CN116578711B (zh) * | 2023-07-06 | 2023-10-27 | 武汉楚精灵医疗科技有限公司 | 腹痛特征提取方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001083986A (ja) | 1999-09-16 | 2001-03-30 | Nippon Telegr & Teleph Corp <Ntt> | 統計モデル作成方法 |
JP2006526487A (ja) | 2003-06-03 | 2006-11-24 | アレズ フィジオニックス リミテッド | 非侵襲的に頭蓋内圧を決定するシステムおよび方法、並びにかかるシステムに用いられる音響トランスデューサアセンブリ |
JP2012073761A (ja) | 2010-09-28 | 2012-04-12 | Dainippon Screen Mfg Co Ltd | 分類のための特徴量選出方法、画像の分類方法、外観検査方法および外観検査装置 |
JP2012523000A (ja) | 2009-04-07 | 2012-09-27 | バイオクレイツ ライフ サイエンス エージー | インビトロで多因子疾患を診断する方法 |
JP2012508577A5 (ja) | 2009-11-12 | 2012-12-20 | ||
JP2014511677A (ja) | 2011-03-22 | 2014-05-19 | コーネル・ユニバーシティー | 鑑別困難な良性甲状腺病変と悪性甲状腺病変との識別法 |
CN104677999A (zh) | 2013-11-29 | 2015-06-03 | 沈阳药科大学 | 血浆用于区分肝癌与肺癌的生物标记物 |
WO2016022076A1 (en) | 2014-08-07 | 2016-02-11 | Agency For Science, Technology And Research | Microrna biomarker for the diagnosis of gastric cancer |
CN105550715A (zh) | 2016-01-22 | 2016-05-04 | 大连理工大学 | 一种基于近邻传播聚类的集成分类器构建方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE197511T1 (de) * | 1995-07-25 | 2000-11-11 | Horus Therapeutics Inc | Rechnergestütztes verfahren und anordnung zur diagnose von krankheiten |
EP0879449A2 (en) * | 1996-02-09 | 1998-11-25 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
JP2003006329A (ja) | 2001-06-26 | 2003-01-10 | Hitachi Ltd | 診断支援システム |
JP3823192B2 (ja) | 2002-04-19 | 2006-09-20 | 学校法人慶應義塾 | 診療支援装置、診療支援方法、及び診療支援プログラム |
US7774143B2 (en) | 2002-04-25 | 2010-08-10 | The United States Of America As Represented By The Secretary, Department Of Health And Human Services | Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states |
EP1583504A4 (en) * | 2002-12-26 | 2008-03-05 | Cemines Llc | METHODS AND COMPOSITIONS FOR THE DIAGNOSIS, PROGNOSIS, AND TREATMENT OF CANCER |
WO2005008213A2 (en) * | 2003-07-10 | 2005-01-27 | Genomic Health, Inc. | Expression profile algorithm and test for cancer prognosis |
JP5038671B2 (ja) | 2006-09-25 | 2012-10-03 | 株式会社東芝 | 検査項目選定装置、検査項目選定方法、及び検査項目選定プログラム |
RU2473555C2 (ru) * | 2006-12-19 | 2013-01-27 | ДжинГоу, Инк. | Новые способы функционального анализа большого количества экспериментальных данных и групп генов, идентифицированных из указанных данных |
FI20070159A0 (fi) * | 2007-02-23 | 2007-02-23 | Teknillinen Korkeakoulu | Menetelmä informaation integrointiin, valintaan ja esityksen oppimiseen |
US20120143805A1 (en) * | 2008-09-09 | 2012-06-07 | Somalogic, Inc. | Cancer Biomarkers and Uses Thereof |
CN104198709A (zh) | 2008-09-09 | 2014-12-10 | 私募蛋白质体公司 | 肺癌生物标记及其用途 |
BRPI0921043A2 (pt) * | 2008-11-12 | 2018-08-07 | Caris Life Sciences Luxembourg Holdings | métodos e sistemas para usar exossomas para determinar fenótipos |
CN101901345B (zh) * | 2009-05-27 | 2013-02-27 | 复旦大学 | 一种差异蛋白质组学的分类方法 |
CN102893157A (zh) * | 2009-12-22 | 2013-01-23 | 密执安大学评议会 | 前列腺癌的代谢特征 |
EP2354246A1 (en) * | 2010-02-05 | 2011-08-10 | febit holding GmbH | miRNA in the diagnosis of ovarian cancer |
JP2012051822A (ja) * | 2010-08-31 | 2012-03-15 | Institute Of Physical & Chemical Research | 肺癌診断用ポリペプチド、肺癌の検出方法、および治療効果の評価方法 |
JP5645761B2 (ja) | 2011-06-23 | 2014-12-24 | 登史夫 小林 | 医療データ解析方法、医療データ解析装置およびプログラム |
CN105243296A (zh) * | 2015-09-28 | 2016-01-13 | 丽水学院 | 联合mRNA和microRNA表达谱芯片的肿瘤特征基因选择方法 |
CN105701365B (zh) * | 2016-01-12 | 2018-09-07 | 西安电子科技大学 | 发现癌症相关基因的方法及相关系统、药物制备方法 |
-
2017
- 2017-01-20 JP JP2017008789A patent/JP6280997B1/ja active Active
- 2017-10-31 CN CN201780067594.XA patent/CN109923614A/zh active Pending
- 2017-10-31 RU RU2019116786A patent/RU2765695C2/ru active
- 2017-10-31 EP EP17865774.8A patent/EP3534281A4/en active Pending
- 2017-10-31 US US16/346,017 patent/US20190267113A1/en active Pending
- 2017-10-31 JP JP2018547221A patent/JP7021097B2/ja active Active
- 2017-10-31 WO PCT/JP2017/039363 patent/WO2018079840A1/ja unknown
-
2021
- 2021-11-17 JP JP2021187345A patent/JP7411619B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001083986A (ja) | 1999-09-16 | 2001-03-30 | Nippon Telegr & Teleph Corp <Ntt> | 統計モデル作成方法 |
JP2006526487A (ja) | 2003-06-03 | 2006-11-24 | アレズ フィジオニックス リミテッド | 非侵襲的に頭蓋内圧を決定するシステムおよび方法、並びにかかるシステムに用いられる音響トランスデューサアセンブリ |
JP2012523000A (ja) | 2009-04-07 | 2012-09-27 | バイオクレイツ ライフ サイエンス エージー | インビトロで多因子疾患を診断する方法 |
JP2012508577A5 (ja) | 2009-11-12 | 2012-12-20 | ||
JP2012073761A (ja) | 2010-09-28 | 2012-04-12 | Dainippon Screen Mfg Co Ltd | 分類のための特徴量選出方法、画像の分類方法、外観検査方法および外観検査装置 |
JP2014511677A (ja) | 2011-03-22 | 2014-05-19 | コーネル・ユニバーシティー | 鑑別困難な良性甲状腺病変と悪性甲状腺病変との識別法 |
CN104677999A (zh) | 2013-11-29 | 2015-06-03 | 沈阳药科大学 | 血浆用于区分肝癌与肺癌的生物标记物 |
WO2016022076A1 (en) | 2014-08-07 | 2016-02-11 | Agency For Science, Technology And Research | Microrna biomarker for the diagnosis of gastric cancer |
CN105550715A (zh) | 2016-01-22 | 2016-05-04 | 大连理工大学 | 一种基于近邻传播聚类的集成分类器构建方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024128584A1 (ko) * | 2022-12-15 | 2024-06-20 | 한국과학기술원 | 우울증 예측을 위한 인공지능 및 웹 기반 플랫폼 |
Also Published As
Publication number | Publication date |
---|---|
RU2019116786A3 (ja) | 2020-11-30 |
JPWO2018079840A1 (ja) | 2019-09-19 |
US20190267113A1 (en) | 2019-08-29 |
JP7411619B2 (ja) | 2024-01-11 |
RU2019116786A (ru) | 2020-11-30 |
JP2018077814A (ja) | 2018-05-17 |
EP3534281A4 (en) | 2020-06-03 |
EP3534281A1 (en) | 2019-09-04 |
CN109923614A (zh) | 2019-06-21 |
RU2765695C2 (ru) | 2022-02-02 |
JP6280997B1 (ja) | 2018-02-14 |
JP2022024092A (ja) | 2022-02-08 |
WO2018079840A1 (ja) | 2018-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7021097B2 (ja) | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム | |
Kourou et al. | Applied machine learning in cancer research: A systematic review for patient diagnosis, classification and prognosis | |
JP2021526259A (ja) | 訓練された統計モデルを使用するマルチモーダル予測のための方法および装置 | |
Samee et al. | A systematic ensemble approach to thermodynamic modeling of gene expression from sequence data | |
Shen et al. | Sparse bayesian learning for identifying imaging biomarkers in AD prediction | |
Jiang et al. | MHAttnSurv: Multi-head attention for survival prediction using whole-slide pathology images | |
Khan et al. | Knowledge distillation approach towards melanoma detection | |
Adadi et al. | Gastroenterology meets machine learning: Status quo and quo vadis | |
Nuhić et al. | Comparative study on different classification techniques for ovarian cancer detection | |
Huo et al. | Sparse gated mixture-of-experts to separate and interpret patient heterogeneity in ehr data | |
Al‐Anni et al. | Prediction of NSCLC recurrence from microarray data with GEP | |
Kumar et al. | Integrating Diverse Omics Data Using Graph Convolutional Networks: Advancing Comprehensive Analysis and Classification in Colorectal Cancer | |
Chakraborty et al. | A multilevel biomedical image thresholding approach using the chaotic modified cuckoo search | |
McSweeney et al. | Transfer learning for data‐efficient abdominal muscle segmentation with convolutional neural networks | |
Pelt | Tackling the challenges of bioimage analysis | |
Kumar et al. | An Early Cancer Prediction Based On Deep Neural Learning | |
Schwartz et al. | Integration of multimodal RNA-seq data for prediction of kidney cancer survival | |
Pandey et al. | Bio-Marker Cancer Prediction System Using Artificial Intelligence | |
Thanh-Hai et al. | Feature Selection Using Local Interpretable Model-Agnostic Explanations on Metagenomic Data | |
Bichindaritz et al. | Adaptive multi-omics survival analysis in cancer | |
Nethala et al. | GeneNet: Transfer learning-based hybrid African buffalo optimization with genetic algorithm for gene expression based cancer classification | |
Karimov | PREDICTING THE PRIMARY TISSUES OF CANCERS OF UNKNOWN PRIMARY USING MACHINE LEARNING | |
Kowald et al. | Transfer Learning of Clinical Outcomes with Molecular Data, Principles and Perspectives | |
Adams | Artificial Neural Networks in Diagnostics and Prediction in Colorectal Surgery | |
Pratim Das et al. | A Review on Deep Learning Method for Lung Cancer Stage Classification Using PET‐CT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20190606 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191017 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200428 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200428 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200622 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200630 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200828 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201029 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210126 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210325 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210526 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210817 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211117 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20211117 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20211124 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20211130 |
|
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: 20220111 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220203 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7021097 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |